Three-dimensional (3D) vessel segmentation can provide full spatial information about an anatomic structure to help physicians gain increased understanding of vascular structures, which plays an utmost role in many medical image-processing and analysis applications. The purpose of this paper aims to develop a 3D vessel-segmentation method that can improve segmentation accuracy in 3D ultrasound (US) images. We propose a 3D tensor-based active contour model method for accurate 3D vessel segmentation. With our method, the contrast-independent multiscale bottom-hat tensor representation and local-global information are captured. This strategy ensures the effective extraction of the boundaries of vessels from inhomogeneous and homogeneous regions without being affected by the noise and low-contrast of the 3D US images. Experimental results in clinical 3D US and public 3D Multiphoton Microscopy datasets are used for quantitative and qualitative comparison with several state-of-the-art vessel segmentation methods. Clinical experiments demonstrate that our method can achieve a smoother and more accurate boundary of the vessel object than competing methods. The mean SE, SP and ACC of the proposed method are: 0.77680.0597, 0.99780.0013 and 0.99710.0015 respectively. Experiments on the public dataset show that our method can segment complex vessels in different medical images with noise and low- contrast.

三维 (3D) 血管分割可以提供有关解剖结构的完整空间信息，以帮助医生更好地了解血管结构，这在许多医学图像处理和分析应用中起着至关重要的作用。本文旨在开发一种 3D 血管分割方法，该方法可以提高 3D 超声 (US) 图像的分割精度。我们提出了一种基于 3D 张量的活动轮廓模型方法，用于准确的 3D 血管分割。使用我们的方法，可以捕获与对比度无关的多尺度底帽张量表示和局部全局信息。该策略确保从非均匀和均匀区域有效提取血管边界，而不受 3D US 图像的噪声和低对比度的影响。临床 3D US 和公共 3D 多光子显微镜数据集的实验结果用于与几种最先进的血管分割方法进行定量和定性比较。临床实验表明，与竞争方法相比，我们的方法可以实现更平滑、更准确的血管对象边界。所提出方法的平均 SE、SP 和 ACC 分别为：0.77680.0597、0.99780.0013 和 0.99710.0015。在公共数据集上的实验表明，我们的方法可以在具有噪声和低对比度的不同医学图像中分割复杂血管。临床实验表明，与竞争方法相比，我们的方法可以实现更平滑、更准确的血管对象边界。所提出方法的平均 SE、SP 和 ACC 分别为：0.77680.0597、0.99780.0013 和 0.99710.0015。在公共数据集上的实验表明，我们的方法可以在具有噪声和低对比度的不同医学图像中分割复杂血管。临床实验表明，与竞争方法相比，我们的方法可以实现更平滑、更准确的血管对象边界。所提出方法的平均 SE、SP 和 ACC 分别为：0.77680.0597、0.99780.0013 和 0.99710.0015。在公共数据集上的实验表明，我们的方法可以在具有噪声和低对比度的不同医学图像中分割复杂血管。