結合先驗形狀信息和序貫學習的心血管內超聲外彈力膜檢測.pdf

1、冠狀動脈性心臟病是指因冠狀動脈狹窄、供血不足而引起的心肌功能障礙和/或器質性病變，簡稱冠心病(CHD)，是世界上最常見的死亡原因，被稱為“第一殺手”。它是多種冠狀動脈疾病的結果，其中最常見的是冠狀動脈粥樣硬化，占95％～99％。隨著我國人民生活水平提高，飲食結構、生活方式發(fā)生改變，人口老齡化日趨明顯，我國冠心病的患病率和死亡率呈升高的趨勢。
　　隨著現(xiàn)代醫(yī)療的發(fā)展和醫(yī)學科研工作者對冠心病的深入研究，以冠狀動脈造影(Coronary

2、 Angiography，CAG)、血管內超聲成像(Intravascular ultrasound，IVUS)為代表的冠狀動脈成像技術已成為冠心病臨床診斷的重要環(huán)節(jié)。臨床醫(yī)生借助它們直接地觀察冠狀動脈血管的解剖結構，分析血管的病變特性。在過去30年中，冠狀動脈造影一直被認為是評價冠脈解剖的“金標準”。但是CAG技術只能顯示被造影劑填充的動脈管腔輪廓，無法提供管壁的結構信息。除此之外，病理學研究表明，CAG所提示的影像與病理解剖結果存在

3、很大差異。近年來，IVUS技術被廣泛應用于冠狀動脈介入診療領域，尤其是經皮冠狀動脈介入治療(Percutaneous coronary intervention，PCI)手術中。該項技術將無創(chuàng)性的超聲技術和有創(chuàng)性的心導管技術相結合，通過心導管將微型化的超聲換能器放置于冠狀動脈管腔內，利用組織的聲學特征來顯示冠脈血管橫截面的形態(tài)結構與組織特性。臨床醫(yī)生借助IVUS圖像，不僅能精確測量管腔直徑、面積等指標，還能根據(jù)斑塊聲學特征分析斑塊成分，

4、因此IVUS技術被認為是冠心病診斷的新“金標準”。
　　在IVUS圖像的臨床分析應用中，冠狀動脈外彈力膜(External ElasticMembrane，EEM)測量是臨床分析冠狀動脈粥樣硬化斑塊的重要指標，也是冠狀動脈疾病診斷和介入治療的前提。目前臨床上主要依靠醫(yī)生手動勾畫EEM輪廓。根據(jù)臨床診療的需要通常要分割幾幀至幾百幀不等的IVUS圖像，人工勾畫輪廓的工作量大，而且結果易受醫(yī)生主觀影響，無法形成統(tǒng)一標準。因此，計算機輔助

5、實現(xiàn)IVUS圖像的自動分割對提高醫(yī)生工作效率和冠心病臨床診療水平具有重要意義。
　　本文的研究目標是實現(xiàn)冠狀動脈IVUS圖像的EEM輪廓自動檢測，輔助臨床醫(yī)生診斷和治療冠狀動脈粥樣硬化病變?，F(xiàn)有的EEM自動檢測算法適用性不高，無法廣泛地應用于臨床實踐，主要原因是導絲、鈣化斑塊、支架等結構以及圖像偽影、噪聲等因素嚴重妨礙外彈力膜的檢測。早期研究采用Sobel、Canny、DoG等梯度檢測算子來檢測EEM界面，但是由于EEM輪廓鄰近的

6、鈣化斑塊、支架等結構也表現(xiàn)出強邊緣響應，這類算法的檢測精度并不高。隨后，許多算法在邊緣特征的基礎上增加Gabor濾波、小波分解、灰度共生矩陣等紋理特征來輔助檢測。近年來，基于概率分布的EEM自動檢測算法也備受關注，但這依然無法解決IVUS圖像中聲影區(qū)、致密纖維斑塊等干擾因素的影響。有些研究增加人工交互的過程，來設置合理的初始輪廓或者修正被干擾信息誤導的結果，但是這些措施都降低了算法的自動檢測特性。
　　大多數(shù)IVUS外彈力膜檢測算

7、法缺乏考慮臨床醫(yī)生判斷外彈力膜位置的過程，然而計算機模擬人工視覺，實現(xiàn)圖像處理分析的方法，通常能取得較好的效果。臨床實踐中，醫(yī)生首先觀察IVUS圖像中重要或易識別的區(qū)域，確定該區(qū)域的EEM輪廓點，作為“關鍵點”;然后根據(jù)血管的形狀特點，確定受干擾區(qū)域的EEM邊界。因此，針對目前IVUS外彈力膜檢測算法存在的問題，本文模擬臨床醫(yī)生觀察外彈力膜的過程，提出結合先驗形狀信息和序貫學習的心血管內超聲外彈力膜自動檢測改進方法，包含以下三個關鍵算法

8、:
　　1、基于序貫學習的組織分類:通過Loggabor、Sobel、LBP等特征檢測算子提取IVUS圖像的灰度、邊緣和其他各種紋理特征，再用序貫學習分類算法將IVUS圖像分割為七大不同組織。一方面，在訓練樣本充分的條件下，監(jiān)督分類算法所建立的模型容易推廣到不同的數(shù)據(jù)庫中，而且融合上下文信息的序貫學習分類算法適合處理不同類別區(qū)域位置關系明確的IVUS圖像;另一方面，通過分類算法識別斑塊、聲影等干擾因素，有助于在后續(xù)EEM檢測過程中

9、消除它們的影響。
　　2、結合先驗形狀信息的初始外彈力膜檢測:根據(jù)EEM邊界與血管各組織之間的位置關系，首先可以從分類結果中確定EEM輪廓的“關鍵點”。針對監(jiān)督分類結果不可避免地存在誤差的問題，本文結合冠狀動脈血管橫截面的先驗形狀信息，檢測并剔除EEM輪廓中不滿足曲率要求的曲線段，獲取篩選之后的“關鍵點”集合，降低分類誤差對“關鍵點”的影響。然后再用啟發(fā)式圖搜索法連接“關鍵點”獲取閉合光滑的EEM初始輪廓。
　　3、基于Sn

10、ake模型的外彈力膜檢測:該過程的關鍵是設計合理的外部能量函數(shù)。Snake模型的初始輪廓為上述過程中根據(jù)血管組織結構信息，初步確定的EEM輪廓線。為進一步獲得更精確的輪廓位置，本文采用兩種與EEM輪廓緊密相關的圖像信息:一是反映EEM界面上“低—高”回聲強度變化的灰度邊緣信息，二是利用相位對稱性提取的中膜結構信息。除此之外，為保證在鈣化斑塊存在的情況下，檢測到的EEM輪廓位于斑塊的下方并且從聲影區(qū)穿過，本文的能量函數(shù)中增加聲影區(qū)能量補償

11、項，補償聲影區(qū)缺失的信息。
　　本文的臨床實驗數(shù)據(jù)來源于南方醫(yī)院22名患者的67個IVUS序列，由臨床醫(yī)生從中挑選出具有代表性的153幀圖像組建數(shù)據(jù)庫，涵蓋斑塊、聲影、偏心、側支血管等類型。數(shù)據(jù)庫的標準EEM輪廓為臨床醫(yī)生手動勾畫的輪廓。五折交叉驗證的統(tǒng)計分析顯示，分別用普通分類算法和序貫學習分類算法對IVUS圖像進行組織分類，相應的分類準確率分別為82.39％和87.54％。這意味著融合圖像多尺度空間信息的序貫學習分類算法能有效

12、地提高IVUS圖像的分割準確率，并且對不同組織的識別能力均有顯著提高，具體表現(xiàn)為血管各組織結構更加緊致，噪聲影響較小。本文算法所提取的EEM輪廓的各項性能指標平均值分別是JACC=88.5％，HD=0.3755mm，PAD=8.83％，滿足臨床診斷要求。其中，修正前的EEM輪廓線與標準輪廓線的Hausdorff距離為0.53mm，而采用凹凸檢驗法修正后的曲線與標準輪廓線的Hausdorff距離降低為0.35mm，表明融合血管形狀約束的初