二尖瓣是心脏的重要组成部分,其生理功能是控制左心房到左心室之间血液的单向流动。据统计,我国的小儿先天性心脏病例中,约1/2的病因源于二尖瓣的结构异常与功能异常。二尖瓣返流、二尖瓣狭窄等都是常见的瓣膜性心脏病,临床上通常采用超声来观察二尖瓣的形态与运动轨迹,进行疾病诊断。本文提出了一种基于Bag of Features的二尖瓣根识别算法,与一种基于自动上下文模型的瓣膜识别算法。瓣根识别算法的难点在于如何设计有效的特征描述子。由于瓣根与左心房、心室的位置较为固定,瓣膜的快速移动使得瓣根邻域的纹理信息较丰富,最终算法采用局部上下文特征和LBP特征描述二尖瓣根。Bag Of Features首先从样本中提取瓣根特征,采用k-means算法聚类生成视觉词汇,构成码书,然后计算每一样本的BOF直方图,作为特征描述向量,据此训练分类器,分类器采用直方图交集核SVM。瓣膜的自动提取需要解决两个问题。第一,瓣膜的运动快速而无规律,如何建立有效的模型是个难点;第二,受限于超声成像机制,在心室收缩期,瓣膜张开时会出现成像断裂成几部分的情况,如何正确分割所有的瓣膜区域是个更为困难的任务。本文提出的瓣膜识别算法,通过把瓣膜看做是一些点的集合,将瓣膜整体的分割转换为对点集的识别,可以有效解决上述问题。算法首先采用自动上下文模型识别出瓣膜,然后采用Bag of Features方法识别出瓣根,基于瓣根、瓣膜的相对位置确定瓣膜所在区域,筛除误判点。为了进一步去除尾影,最后进行细化、滤波操作。算法在10个病人的实时三维超声心动图数据集上进行训练与测试,实验结果表明,与人工标定相比,瓣根的平均识别误差为1.4±2.1个像素,瓣膜在舒张期和收缩期都取得了较为准确的识别结果。