检索结果-南通市图书馆

结合硬斑块特征的心血管内超声图像中-外膜边缘检测

在线全文

学校读者我要写书评

暂无评论

中国生物医学工程学报 2012年第1期31卷 25-31页

作者：邢栋杨丰黄靖涂圣贤 DIJKSTRA Jouke 南方医科大学生物医学工程学院广州510515 莱顿大学医学中心放射科荷兰莱顿

针对心血管内超声(IVUS)图像中-外膜(media-adventitia)边缘检测中,硬斑块和声影等造成中-外膜边缘难以准确检测的问题,提出一种结合硬斑块特征的中-外膜边缘检测方法。首先,采用k均值聚类分割IVUS图像,根据图像中不同类型斑块的成像特... 详细信息

针对心血管内超声(IVUS)图像中-外膜(media-adventitia)边缘检测中,硬斑块和声影等造成中-外膜边缘难以准确检测的问题,提出一种结合硬斑块特征的中-外膜边缘检测方法。首先,采用k均值聚类分割IVUS图像,根据图像中不同类型斑块的成像特点检测硬斑块位置;然后,计算IVUS图像方向梯度,结合斑块位置和图像灰度,获得代价矩阵;最后,利用启发式图搜索方法,实现IVUS图像的中-外膜边缘检测。对临床图像的实验结果表明,本方法能克服图像中声影和斑块干扰等问题,使检测正确率达到95.57%,提高了IVUS图像中-外膜边缘检测的准确性。

关键词：心血管内超声中-外膜边缘硬斑块启发式图搜索

结合先验形状信息和序贯学习的心血管内超声外弹力膜检测

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2016年第5期21卷 646-656页

作者：林慕丹杨丰梁淑君赵海升黄铮崔凯南方医科大学生物医学工程学院广州510515 南方医科大学南方医院心内科广州510515

目的针对心血管内超声(IVUS)图像中钙化斑块、声影等干扰因素影响外弹力膜(EEM)轮廓检测准确性的问题,提出结合先验形状信息和序贯学习分类的心血管内超声外弹力膜检测的改进算法。方法首先用多类多尺度序贯学习(M2SSL)将IVUS图像分割... 详细信息

目的针对心血管内超声(IVUS)图像中钙化斑块、声影等干扰因素影响外弹力膜(EEM)轮廓检测准确性的问题,提出结合先验形状信息和序贯学习分类的心血管内超声外弹力膜检测的改进算法。方法首先用多类多尺度序贯学习(M2SSL)将IVUS图像分割七大不同组织;然后在分类结果的基础上,结合血管先验形状信息筛选出外弹力膜轮廓的关键点;最后,结合IVUS图像的梯度和相位信息,采用Snake模型,获得最终的EEM轮廓。结果临床采集22组IVUS序列,挑选出具有代表性的153帧图像做实验。统计数据显示:本文算法检测结果的平均Jacc指标为88.5%,满足临床诊断要求,性能优于国内近年来较好的算法。结论本文的EEM自动检测算法简单有效,相比国内已有算法,提高了对钙化、纤维斑块以及声影区域的识别能力,对含钙化斑块、纤维斑块或血管中心偏移的高频IVUS图像具有较高的适用性。

关键词：心血管内超声外弹力膜序贯学习形状信息

结合图像增强的心血管内超声中-外膜边缘检测

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2012年第4期17卷 537-545页

作者：邱璇黄靖杨丰邢栋涂圣贤南方医科大学生物医学工程学院广州510515 莱顿大学医学中心放射科莱顿

针对心血管内超声(IVUS)图像中-外膜边缘检测中,伪影、斑块及血管分支等造成边缘难以准确检测的问题,提出一种基于空频域图像增强的中-外膜边缘检测算法。首先,采用一种空频域相结合的增强算法对图像进行增强处理,该增强算法结合了基于... 详细信息

针对心血管内超声(IVUS)图像中-外膜边缘检测中,伪影、斑块及血管分支等造成边缘难以准确检测的问题,提出一种基于空频域图像增强的中-外膜边缘检测算法。首先,采用一种空频域相结合的增强算法对图像进行增强处理,该增强算法结合了基于方向滤波器组的频率域增强算法与基于邻域、直方图均衡化的空间域增强算法的优点,同时克服了前者导致的对比度降低的缺陷及后者带来的图像细节模糊的缺陷。然后,将增强后的图像数据矩阵作为代价矩阵,利用启发式图搜索法对代价矩阵进行图搜索,从而获取中-外膜边缘。实验结果表明,本文增强算法在增强中-外膜边缘特征的同时改善了图像的对比度和清晰度,使基于其增强结果的图搜索能准确地检测到中-外膜边缘,其检测正确率达到92.76%,提高了IVUS图像中-外膜边缘检测的准确性。

关键词：心血管内超声中-外膜边缘空频域图像增强启发式图搜索

深度卷积网络在心血管内超声图像内膜和中—外膜边界检测中的研究

在线全文

学校读者我要写书评

暂无评论

深度卷积网络在心血管内超声图像内膜和中—外膜边界检测中的研究

作者：袁绍锋南方医科大学

学位级别：硕士

心血管疾病(Cardiovascular diseases,CVDs)是当前世界人类致死的主要原因,约占31%,其包括心脏疾病、脑血管疾病和周边血管疾病。冠状动脉粥样硬化性心脏病,常常被称为冠心病(Coronary heart diseases,CHDs),是指因冠状动脉血管发生动... 详细信息

心血管疾病(Cardiovascular diseases,CVDs)是当前世界人类致死的主要原因,约占31%,其包括心脏疾病、脑血管疾病和周边血管疾病。冠状动脉粥样硬化性心脏病,常常被称为冠心病(Coronary heart diseases,CHDs),是指因冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞,造成心肌缺血、缺氧或坏死而导致的心脏病。它是多种冠状动脉疾病的综合结果,其中最常见的因素为冠状动脉粥样硬化,占95%～99%,被喻为“第一杀手”。目前临床上用于诊疗冠心病最主要的两种影像技术,分别是X射线冠状动脉造影术(Coronary angiography,CAG),和心血管内超声成像术(Intravascular ultrasound,IVUS)。在IVUS图像的临床分析与医学研究中,冠状动脉中-外膜和内膜组织轮廓勾勒,以及相关关键参数测量,既是冠状动脉粥样硬化定量评估和易损斑块定量分析的重要步骤,也是冠状动脉疾病临床诊断和介入治疗的必要前提。IVUS图像中-外膜和内膜边界检测,通常依赖临床医生或资深研究者的肉眼识别和手动勾画。在临床诊疗中,临床医生往往需要分析几帧至几百帧不等的IVUS图像,人工识别、勾画内膜和中-外膜边界的工作量非常大,加上分割结果易受医生主观因素和环境客观因素影响,导致分析结果表现为观察者之间或之内的误差非常大,难以形成统一标准。因此,基于机器学习、计算机视觉等新兴智能技术实现的计算机辅助IVUS图像自动分析,对加深研究者认识心血管病变、提高临床医生工作效率和冠心病临床诊疗水平具有重要意义。本文的研究目标是提出两种基于深度卷积网络实现冠状动脉IVUS图像的内膜和中-外膜边界自动检测方法,帮助临床医生诊断和治疗冠状动脉粥样硬化性心脏病CHDs。针对目前内膜或中-外膜边界自动检测算法存在的问题,本文首先模拟临床医生识别内膜或中-外膜边界的过程,提出结合心血管先验形状信息,和深度全卷积网络(Deep fully convolutional networks,DFCNs)的 IVUS 图像内膜和中-外膜边界自动检测算法。除此之外,针对深度学习算法需要大量已标注数据的缺点,本文接着进一步提出结合堆叠漏斗网络(Stacked hourglass networks,SHGNs),和生成对抗学习(Generative adversarial learning)的IVUS图像关键组织边界自动检测算法。上述两种边界自动检测算法包含以下四个关键部分:1、基于深度全卷积网络DFCNs的IVUS图像区域分割。本文第三章提出深度全卷积网络DFCN-1和DFCN-2,用于IVUS图像区域分割。其中,DFCN-1以内腔区域和非内腔区域临床医生手动分割图像和原始IVUS图像作为训练样本集,用于检测内膜(Lumen border);DFCN-2以血管区域和非血管区域人工标注信息和输入IVUS图像作为学习样本集,用于检测中-外膜(Media-adventitia border)。2、结合心血管先验形状信息的边界优化。针对上述区域分割阶段不可避免地存在的误差问题,比如内腔/血管高地(Highland)、内腔/血管低洼(Depression),和其它像素级或小区域级误分类结果,本文第三章结合心血管先验形状信息——椭圆形,构建具有自适应半径大小圆盘结构体的形态学闭操作移除低洼影响、开操作克服高地影响。余下误分类结果通过其它简单的医学图像处理方法进行改善。3、基于堆叠漏斗网络SHGNs的IVUS图像多区域分割。通过堆叠两个编码器-解码器结构漏斗网络,并在中间输出结果上引入原始输入IVUS图像,作为下一级网络的输入,联合学习上述区域分割和边界优化两个步骤,进行IVUS图像多区域分割。其中,在进行中-外膜轮廓分割时,重建损失函数选择L1距离;而在内膜边界检测时,选择L2距离。除此之外,与采用编码器-解码器结构全卷积网络和U-Net作为生成对抗网络中生成器的Pix2Pix模型相比,本文提出的堆叠漏斗网络SHGNs具有模型参数少,边界检测精度高等特点。4、基于生成对抗网络(Generative adversarial networks,GANs)的对抗学习。在重建损失上,加入对抗损失(adversarial loss),上述堆叠漏斗网络不但能生成更加接近临床医生手工勾画结果的IVUS图像分割图,而且能受正则项约束,在一定程度上缓解深度卷积网络需要大规模已标注医学超声图像的问题。本文的主要临床实验数据来源于国际标准IVUS图像公开数据库SetB的435幅20MHzIVUS图像。在跨数据集验证和临床实际应用分析中,利用广州军区广州总医院心血管内科所收集的100幅IVUS图像进行检验。从线性回归与Bland-Altman 分析及 JM、PAD、

关键词：心血管内超声深度学习深度卷积网络深度全卷积网络有条件生成对抗网络边界检测

结合先验形状信息和序贯学习的心血管内超声外弹力膜检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合先验形状信息和序贯学习的心血管内超声外弹力膜检测

作者：林慕丹南方医科大学

学位级别：硕士

冠状动脉性心脏病是指因冠状动脉狭窄、供血不足而引起的心肌功能障碍和／或器质性病变,简称冠心病(CHD),是世界上最常见的死亡原因,被称为“第一杀手”。它是多种冠状动脉疾病的结果,其中最常见的是冠状动脉粥样硬化,占95%-99%。随着... 详细信息

冠状动脉性心脏病是指因冠状动脉狭窄、供血不足而引起的心肌功能障碍和／或器质性病变,简称冠心病(CHD),是世界上最常见的死亡原因,被称为“第一杀手”。它是多种冠状动脉疾病的结果,其中最常见的是冠状动脉粥样硬化,占95%-99%。随着我国人民生活水平提高,饮食结构、生活方式发生改变,人口老龄化日趋明显,我国冠心病的患病率和死亡率呈升高的趋势。随着现代医疗的发展和医学科研工作者对冠心病的深入研究,以冠状动脉造影(Coronary Angiography, CAG)、血管内超声成像(Intravascular ultrasound, IVUS)为代表的冠状动脉成像技术已成为冠心病临床诊断的重要环节。临床医生借助它们直接地观察冠状动脉血管的解剖结构,分析血管的病变特性。在过去30年中,冠状动脉造影一直被认为是评价冠脉解剖的“金标准”。但是CAG技术只能显示被造影剂填充的动脉管腔轮廓,无法提供管壁的结构信息。除此之外,病理学研究表明,CAG所提示的影像与病理解剖结果存在很大差异。近年来,IVUS技术被广泛应用于冠状动脉介入诊疗领域,尤其是经皮冠状动脉介入治疗(Percutaneous coronary intervention, PCI)手术中。该项技术将无创性的超声技术和有创性的心导管技术相结合,通过心导管将微型化的超声换能器放置于冠状动脉管腔内,利用组织的声学特征来显示冠脉血管横截面的形态结构与组织特性。临床医生借助IVUS图像,不仅能精确测量管腔直径、面积等指标,还能根据斑块声学特征分析斑块成分,因此IVUS技术被认为是冠心病诊断的新“金标准”。在IVUS图像的临床分析应用中,冠状动脉外弹力膜(External Elastic Membrane, EEM)测量是临床分析冠状动脉粥样硬化斑块的重要指标,也是冠状动脉疾病诊断和介入治疗的前提。目前临床上主要依靠医生手动勾画EEM轮廓。根据临床诊疗的需要通常要分割几帧至几百帧不等的IVUS图像,人工勾画轮廓的工作量大,而且结果易受医生主观影响,无法形成统一标准。因此,计算机辅助实现IVUS图像的自动分割对提高医生工作效率和冠心病临床诊疗水平具有重要意义。本文的研究目标是实现冠状动脉IVUS图像的EEM轮廓自动检测,辅助临床医生诊断和治疗冠状动脉粥样硬化病变。现有的EEM自动检测算法适用性不高,无法广泛地应用于临床实践,主要原因是导丝、钙化斑块、支架等结构以及图像伪影、噪声等因素严重妨碍外弹力膜的检测。早期研究采用Sobel、Canny、DoG等梯度检测算子来检测EEM界面,但是由于EEM轮廓邻近的钙化斑块、支架等结构也表现出强边缘响应,这类算法的检测精度并不高。随后,许多算法在边缘特征的基础上增加Gabor滤波、小波分解、灰度共生矩阵等纹理特征来辅助检测。近年来,基于概率分布的EEM自动检测算法也备受关注,但这依然无法解决IVUS图像中声影区、致密纤维斑块等干扰因素的影响。有些研究增加人工交互的过程,来设置合理的初始轮廓或者修正被干扰信息误导的结果,但是这些措施都降低了算法的自动检测特性。大多数IVUS外弹力膜检测算法缺乏考虑临床医生判断外弹力膜位置的过程,然而计算机模拟人工视觉,实现图像处理分析的方法,通常能取得较好的效果。临床实践中,医生首先观察IVUS图像中重要或易识别的区域,确定该区域的EEM轮廓点,作为“关键点”：然后根据血管的形状特点,确定受干扰区域的EEM边界。因此,针对目前IVUS外弹力膜检测算法存在的问题,本文模拟临床医生观察外弹力膜的过程,提出结合先验形状信息和序贯学习的心血管内超声外弹力膜自动检测改进方法,包含以下三个关键算法：1、基于序贯学习的组织分类：通过Loggabor、Sobel、LBP等特征检测算子提取IVUS图像的灰度、边缘和其他各种纹理特征,再用序贯学习分类算法将IVUS图像分割为七大不同组织。一方面,在训练样本充分的条件下,监督分类算法所建立的模型容易推广到不同的数据库中,而且融合上下文信息的序贯学习分类算法适合处理不同类别区域位置关系明确的IVUS图像;另一方面,通过分类算法识别斑块、声影等干扰因素,有助于在后续EEM检测过程中消除它们的影响。2、结合先验形状信息的初始外弹力膜检测：根据EEM边界与血管各组织之间的位置关系,首先可以从分类结果中确定EEM轮廓的“关键点”。针对监督分类结果不可避免地存在误差的问题,本文结合冠状动脉血管横截面的先验形状信息,检测并剔除EEM轮廓中不满足曲率要求的曲线段,获取筛选之后的“关键点,,集合,降低分类误差对“关键点”的影响。然后再用启发式图搜索法连接“关键点”获取闭合光滑的EEM初始轮廓。3、基于Snake模型的外弹力膜检测：该过程的关键是设计合理的外部能量函数。Snake模型的初始轮廓为上述过程中根据血管组织

关键词：心血管内超声外弹力膜检测序贯学习形状信息 Snake模型

深度全卷积网络的IVUS图像内膜与中—外膜边界检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国图象图形学报 2018年第9期23卷 1335-1348页

作者：袁绍锋杨丰徐琳刘树杰季飞黄靖南方医科大学生物医学工程学院广州510515 南方医科大学广东省医学图像处理重点实验室广州510515 广州军区广州总医院心血管内科广州510010 华南理工大学电子与信息学院广州510641

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS... 详细信息

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS图像内膜和MA边界方法。方法首先利用深度全卷积网络(DFCN)学习原始IVUS图像与所对应手动分割图像之间映射,预测出目标或者背景的概率图,实现医学图像语义分割。然后在此基础上,结合心血管先验形状信息,采用数学形态学闭、开操作,平滑内膜和MA边界,降低分割过程中错误分类像素或区域的影响。结果针对来自10位病人的IVUS图像及其标注信息所组成的435幅国际标准公开数据集,从线性回归、Bland-Altman分析和面积交并比(JM)、面积差异百分比(PAD)、Hausdorff距离(HD)、平均距离(AD)等性能指标上,评价本文方法。实验结果表明,算法检测结果与手动勾画结果的相关性可达到0.94,其超过94.71%的结果落在95%置信区域内,具有良好一致性。内膜和MA边界的AD指标分别为:0.07 mm和0.08 mm;HD指标分别为:0.21 mm和0.30 mm。JM指标分别为0.92和0.93;PAD指标分别为5%和4%。此外,对临床所采集的100幅IVUS图像进行了测试,证明本文学习的模型在跨数据集上具有较好的泛化能力。结论与现有的国际算法比较,本文方法提高了各类斑块、声影区域和血管分支等因素的识别能力,不受超声斑点的影响,能准确地、可重复地检测出IVUS图像中的关键目标边界。

关键词：医学图像分析深度学习深度全卷积网络先验形状信息心血管内超声内膜检测中—外膜检测

IVUS融合冠状动脉CAG三维重建模型的角度校正研究

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2015年第36期35卷 84-90页

作者：赵海升杨丰林慕丹梁淑君南方医科大学生物医学工程学院广州510515

针对冠状动脉三维重建中IVUS采集角度偏差导致模型结果失真,提出一种在融合过程中校正IVUS融合角度的新方法。首先,分析CAG和IVUS图像中冠状动脉血管的径向信息差异计算出IVUS帧在成像过程中超声机械探头的偏移角度。其次,应用Active De... 详细信息

针对冠状动脉三维重建中IVUS采集角度偏差导致模型结果失真,提出一种在融合过程中校正IVUS融合角度的新方法。首先,分析CAG和IVUS图像中冠状动脉血管的径向信息差异计算出IVUS帧在成像过程中超声机械探头的偏移角度。其次,应用Active Demons算法判断IVUS帧在融合三维模型中的朝向。最后,将角度校正后的IVUS图像数据融合至三维骨架模型当中,完成两种数据的融合。实验表明,本文方法能大幅度改善因IVUS角度偏差而导致的IVUS图像在三维模型中的失真情况,使冠状动脉三维重建结果满足临床应用的需要。

关键词：三维重建心血管内超声角度校正 Active Demons

结合图像增强技术的血管内超声中—外膜边缘检测

在线全文

学校读者我要写书评

暂无评论

结合图像增强技术的血管内超声中—外膜边缘检测

作者：邱璇南方医科大学

学位级别：硕士

冠状动脉粥样硬化性心脏病(Coronary artery disease, CAD),简称为冠心病,是因冠状动脉功能性或器质性病变导致冠状动脉狭窄、闭塞,引起心肌缺血缺氧的疾病,又称之为缺血性心脏病(Ischemic heart disease)。冠状动脉粥样硬化是冠心病最... 详细信息

冠状动脉粥样硬化性心脏病(Coronary artery disease, CAD),简称为冠心病,是因冠状动脉功能性或器质性病变导致冠状动脉狭窄、闭塞,引起心肌缺血缺氧的疾病,又称之为缺血性心脏病(Ischemic heart disease)。冠状动脉粥样硬化是冠心病最常见的致病原因之一,它能引发冠脉的部分或全部障碍,是心肌梗塞的主要原因,其发病率高、病死率高,严重地影响着人类的生命和健康。近年来随着人们的生活节奏加快、生活水平的提高、膳食结构的改变和人口老龄化发展,冠心病在我国的发病率和死亡率正呈现上升趋势。在冠状动脉疾病的诊疗中,准确的识别并诊断粥样硬化病变部位和形态具有重要的临床医学价值。对冠心病的诊疗,传统、广泛采用的影像手段是X-线冠状动脉造影(Coronary angiography, CAG),它通过观察造影剂的充盈和消失情况来判断血管形态异常的部位、性质和程度;但是冠脉造影只能显示血管腔长轴方向上被造影剂填充后的投影轮廓,而无法显示管腔的实际形态及病变处的管壁状况,更不能提供斑块形态和性质的详细情况。近年来,血管内超声(Intravascular ultrasound, IVUS)作为心血管病变的另一种检查形式,被广泛地运用到冠脉检查中。IVUS是将顶端置有微型超声换能器的导管经股动脉穿刺进入,在冠脉造影的引导下,对血管管壁进行断层扫描,实时提供冠脉横截面图像,从中可提取血管内腔、血管壁和粥样硬化斑块的组织学形态特征,为医生提供诊断依据。IVUS被称为心血管检查新的“新的金标准”。在血管内超声图像序列处理与分析中,中-外膜边缘的准确检测对于冠状动脉疾病的临床诊治具有重要意义。准确的中外膜边缘能指导各种血管参数的测量,如管壁厚度、管腔面积、斑块组成百分比、偏心距等,在此基础上可进行冠状动脉粥样硬化斑块的识别及相关参数的测量,为心血管病变的诊断和量化分析提供重要的依据。典型的单帧IVUS横截面图像呈现圆环形,主要表现为三层结构：内层为较强回声亮环,在组织学上由内膜(Intima)及内弹力膜组成;中层低回声暗区为血管中膜(Media);外层为明亮强回声带,由外弹力膜及外膜(Adventitia)组成。IVUS图像中导管的圆心总是位于图像的中心坐标位置。由于噪声、伪影及各种斑块的影响,常常导致IVUS图像中-外膜组织及其交界面不清晰,甚至出现外层组织呈现与中层相似的低回声或无回声的状况,这些因素导致IVUS图像的中-外膜边缘检测困难。现有的IVUS图像边缘检测算法,常常由于算法自身的局限性以及伪影、噪声、斑块的影响,很难检测到完整、清晰、准确的边缘。在进行边缘检测前,对图像进行适当的增强处理,能大大降低边缘检测的难度,提高检测效率,达到较好的检测效果。纵观文献,图像增强已被应用到合成雷达孔径(SAR)图像、印制电路板(PCB)图像、红外图像、CT图像、溶滴过渡过程图像等各类图像的边缘检测中。为了达到较好的IVUS图像中-外膜边缘检测效果,本文先对IVUS原图像进行增强处理,在增强后图像的灰度对比度增加、边缘信息突出、纹理细节更加清晰的基础上,再进行边缘检测。图像增强是指按特定的需要强调图像中某些关注的特征而抑制非关注的特征,将原来不清晰的图像变得清晰,从而改善图像质量、丰富信息量、加强图像判读和识别效果的图像处理技术。图像增强处理算法因所需增强的图像类别与目的的不同而不同。按增强过程所在的作用域不同,可将图像增强算法分为基于频率域的增强算法和基于空间域的增强算法两大类。基于频率域的增强算法是一种间接的增强算法,它将图像看成一种二维信号,在其二维傅里叶变换域内对图像的变换系数值进行某种修正;常见的频率域增强算法有低通滤波算法、高通滤波算法、基于多尺度的图像增强以及基于分频滤波的图像增强等等。基于空间域的增强算法是通过直接对图像的灰度级做运算来进行增强的算法;常见的有基于灰度级校正、灰度变换和直方图修正的点运算算法以及基于滤波平滑、锐化的邻域增强算法。基于方向滤波器组(Directional filter bank, DFB)的图像增强是一种重要的频率域增强算法。方向滤波器组是一种描述图像方向特征的重要工具,常被用在具有明显边缘方向特征的指纹图像的增强中。对一幅图像进行方向滤波后,将得到纹理梯度方向垂直于各个滤波方向的子图像。2009年,曲怀敬将改进后的counterlet变换用于IVUS图像的去噪处理过程中(将基于自适应对比度因子的非线性扩散,对各方向子带进行滤波,然后再进行子带重建),其增强后的图像存在对比度、清晰度降低及部分特征损失等等的问题。直方图均衡化(Histogram equalization, HE)是空间域图像增强方法中最重要也是最常见的一种方法,它能快速有效地扩大图像的灰度动态范围、改

关键词：心血管内超声中-外膜边缘空频域图像增强启发式图搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

IVUS图像的心血管内膜边界检测算法研究

IVUS图像的心血管内膜边界检测算法研究

作者：黎凯浙江理工大学

学位级别：硕士

目前心血管疾病是人类死亡率最高的疾病之一,其中最常见的就是冠心病,心血管内超声（IVUS）利用超声波反射得到血管的横截面灰度图,通过专家手动标注血管的内外膜,能够定量的诊断血管狭窄面积以及判断血管斑块的性质。为了得到可靠的术... 详细信息

目前心血管疾病是人类死亡率最高的疾病之一,其中最常见的就是冠心病,心血管内超声（IVUS）利用超声波反射得到血管的横截面灰度图,通过专家手动标注血管的内外膜,能够定量的诊断血管狭窄面积以及判断血管斑块的性质。为了得到可靠的术前诊断,通常需要有经验的介入专家花费大量的时间去手动标注图像,因此越来越需要自动且精确的检测算法。然而IVUS图像通常存在不同程度的噪声干扰,导致内膜边界极度模糊,自动边界检测算法仍然是一个有挑战性的课题。本文系统地阐述分析IVUS图像的心血管内膜边界检测算法的历史发展和优缺点,针对现有方法的不足和难点,提出了新的IVUS图像血管内膜边界自动检测方法,即结合人工特征和高阶语义特征,采用改进的杜鹃搜索筛选出最显著的特征子集,输入到字典学习中进行分类和边界检测,具体包含以下三个部分:1、基于字典学习的IVUS图像心血管内膜边界检测。考虑到IVUS图像管腔区域和非管腔区域的像素较为相似,以及内膜边界存在很多噪声干扰的特性,采用字典学习和稀疏编码,并利用径向基核函数将特征映射到高维空间,更好地区分非线性相似,同时通过一系列的高效预处理排除回声亮环外的噪声干扰,有利地提高检测精度。2、基于U-Net的心血管内膜边界检测。在出现血管分叉等噪声干扰的情况下,人工特征对相似像素的区分能力稍差,而深度网络有较强的语义表达能力,对比三个适合医学图像分析的语义分割网络后,采用U-Net对IVUS图像进行血管内膜边界检测。3、基于U-Net语义特征和人工特征的心血管内膜边界检测。人工特征难以挖掘到人们察觉不到的隐藏信息,而U-Net训练图片不足则需要人工特征的辅助,因此采用更多的人工特征,提取U-Net的高阶语义特征,将二者组合成混合特征。为了防止过多特征造成的冗余性、计算慢和精度低的问题,采用改进的杜鹃搜索筛选出贡献度最大的特征子集,输入到字典学习中进行分类,对分类结果做边缘分割和后处理得到最终的血管内膜边界。本文采用MICCAI大会上发布的公开数据集和三种实验结果评估方法:Jaccard（JACC）、Hausdorff distance（HD）和Percentage of the area difference（PAD）。实验结果（JACC:0.88,HD:0.36,PAD:0.06）要比其他的参与者都好（JACC:0.77-0.84,HD:0.38-0.51,PAD:0.11-0.16）,并且和半自动分割的结果差不多（JACC:0.88,HD:0.34,PAD:0.06）,同时和近几年同一数据集上的方法相比,也在一些指标上取得最优。通过自对比实验,特征选择后的子集与全部的混合特征相比,JACC提高了5%,PAD提高了3%;与U-NET相比,JACC提高了7%,HD提高了1%,PAD提高了8%。综上,本文提出的IVUS图像血管内膜边界自动检测方法能够准确和有效地检测IVUS图像的血管内膜边界。

关键词：心血管内超声内膜边界检测字典学习特征选择