結合硬斑塊特征的血管內超聲圖像中-外膜邊緣檢測.pdf

1、冠狀動脈粥樣硬化性心臟病，簡稱冠心病，是危害人類健康的主要疾病之一。近年來全球冠心病的發(fā)病率和死亡率呈不斷上升趨勢。在我國，隨著人民生活水平的提高和人口老齡化的加劇，冠心病成為我國居民死因構成中上升最快的疾病，并呈現(xiàn)低齡化趨勢。因此，加強冠心病的防治已成為刻不容緩的任務，受到人們越來越廣泛的關注。
　　 目前臨床上用于冠心病診斷與治療的成像手段主要有兩種:冠狀動脈造影(Coronaryangiography，CAG)和血管內超聲

2、(Intravascularultrasound，IVUS)。冠脈造影(CAG)是診斷冠心病的主要依據之一，被認為是評價冠心病的“金標準”，它能顯示被造影劑填充的管腔輪廓，反映冠狀動脈狹窄部位和程度。但是CAG無法顯示血管壁的病變情況，如粥樣硬化斑塊的組織成分。而且由于CAG在功能上存在一些無法克服的缺點，對于彌漫性、偏心性等病變，僅依靠CAG難以做出準確判斷。
　　 血管內超聲(IVUS)是近年來被廣泛應用于冠心病臨床診斷的新

3、技術，該技術將頂端裝有超聲探頭的導管置入冠狀動脈，探頭發(fā)射超聲波在管腔內部對血管壁進行斷層掃描。IVUS不僅能夠反映血管內腔的狀況，同時也能獲得血管壁橫截面信息，如血管壁厚度和粥樣硬化斑塊組織成分。這些信息可以幫助醫(yī)生準確判斷病情、確定病變部位、設計治療方案。近年來隨著IVUS技術的迅速發(fā)展，不僅IVUS圖像質量有顯著提高，而且有越來越多的基于IVUS的新技術投入臨床應用，IVUS已成為診治冠心病不可或缺的影像學手段。
　　 早

4、期醫(yī)生采用手工勾畫IVUS圖像的方式獲取圖像中的各種病理信息。但是人工處理數(shù)據量巨大的IVUS圖像序列，無疑大大增加了醫(yī)生的工作量，而且手工勾畫結果受醫(yī)生主觀影響較大，無法做到統(tǒng)一標準。計算機輔助的圖像處理技術在IVUS圖像的各個領域，如血管膜邊緣檢測、斑塊性質與特征識別、圖像配準與三維重建、血管壁圓周應力分析等方面取得了諸多成果，對冠心病臨床診療水平和醫(yī)生工作效率的提高有重要意義。
　　 本文研究的主要目標是實現(xiàn)準確快速的IV

5、US圖像冠狀動脈中-外膜邊緣檢測。中-外膜邊緣是診斷冠狀動脈病變的重要依據，是IVUS圖像處理與分析的基礎，也是冠狀動脈量化分析的關鍵。而目前的中-外膜邊緣檢測算法在用于臨床IVUS圖像時，會受到圖像中可能存在的硬斑塊的影響，使檢測結果不準確。為解決此問題，本文提出一種結合硬斑塊特征的中-外膜邊緣檢測方法:首先，使用基于多尺度分析的自適應雙邊濾波器對IVUS圖像濾波去噪，將直角坐標下的圖像轉換到極坐標上，采用k均值聚類對IVUS圖像進行

6、分割，根據血管正常組織和不同斑塊的成像特點，判斷分割后所得的各個區(qū)域屬性，完成對鈣化、纖維和鈣化-纖維混合斑塊的判斷;然后，結合這些硬斑塊的位置信息、圖像灰度，以及本文改進的圖像方向梯度，構造代價矩陣;最后，運用啟發(fā)式圖搜索方法，獲得極坐標下的中-外膜邊緣，通過極坐標到直角坐標的轉換，實現(xiàn)最終的IVUS圖像中-外膜邊緣檢測。該方法中本文提出了三個關鍵算法:(1)圖像去噪算法;(2)硬斑塊識別算法;(3)中-外膜邊緣檢測算法。
　　

7、 (1)高頻IVUS圖像中的斑點噪聲會降低圖像質量，掩蓋圖像細節(jié)信息，造成IVUS圖像處理算法結果不精確甚至錯誤，因此需要先對圖像進行濾波處理。本文將乘性噪聲特性加入雙邊濾波器，從多分辨率分析理論出發(fā)，研究整個尺度空間的變化，設計基于多尺度分析的自適應雙邊濾波器，使該濾波器適用于IVUS圖像的斑點噪聲，既可以防止圖像去噪過程過度破壞圖像上的重要病理信息，又可以防止紋理增強過程將噪聲信號增強。
　　 (2)IVUS圖像中粥樣硬化

8、斑塊的組織成分和所處部位，對于病變性質的評價、冠脈介入治療方案的選擇和決策具有指導意義，而且圖像中的硬斑塊會對中-外膜邊緣檢測造成不良影響，因此有必要研究斑塊識別算法。本文采用k均值聚類算法分割圖像，根據不同斑塊在IVUS圖像上的顯示特點（鈣化斑塊亮度高，斑塊后方有聲影;纖維斑塊亮度較高，斑塊后方無聲影），選取硬斑塊識別的感興趣區(qū)域，設計判斷條件與參數(shù)，識別斑塊類型、位置和大小。斑塊識別結果可用于輔助中-外膜邊緣檢測。
　　 (

9、3)本文采用啟發(fā)式圖搜索算法檢測IVUS圖像中-外膜邊緣，使用該算法的關鍵問題是設計合理的代價函數(shù)。本文設計的代價函數(shù)由三部分組成:1）圖像梯度:本文改進梯度計算方法，只采用方向梯度之中與中-外膜邊緣相關的分量;2)硬斑塊后方區(qū)域代價值增強:硬斑塊造成其后方區(qū)域信息減弱，難以檢測到準確邊緣，本文利用梯度與圖像灰度信息增強該區(qū)域代價值;3）硬斑塊相關區(qū)域代價值消除:消除硬斑塊對邊緣檢測的影響。由此所得的代價矩陣包含了充分的中-外膜邊緣信息

10、，可以搜索到正確的中-外膜邊緣。
　　 本文以荷蘭萊頓大學醫(yī)學中心提供的654幀臨床IVUS圖像為實驗樣本，驗證本文算法的硬斑塊識別和中-外膜邊緣檢測結果。通過定量分析和臨床醫(yī)生判定，本文的硬斑塊識別正確率達到89.94％，其中含鈣化斑塊圖像正確率92.16％，含纖維斑塊圖像正確率91.55％，含纖維-鈣化混合斑塊圖像正確率71.43％;本文中-外膜邊緣檢測結果與醫(yī)生手工勾畫結果非常接近，樣本圖像整體正確率達到95.57％，其中

11、不含硬斑塊圖像檢測正確率88.32％，含硬斑塊圖像檢測正確率97.49％。通過與另外兩種主流方法:GVF-snake和常規(guī)圖搜索方法作對比，可以看到本文方法檢測中-外膜邊緣的優(yōu)越之處，尤其是對于含硬斑塊圖像。最后本文通過調整代價函數(shù)的各個組成部分，設計不同方案進行實驗，由實驗結果可以看出本文方法構造的代價函數(shù)中每個部分的必要性和有效性。
　　 綜上所述，本文提出了適用于IVUS圖像的濾波去噪、硬斑塊識別和中-外膜邊緣檢測算法，并