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结构信息,初步确定的EEM轮廓线。为进一步获得更精确的轮廓位置,本文采用两种与EEM轮廓紧密相关的图像信息：一是反映EEM界面上“低一高”回声强度变化的灰度边缘信息,二是利用相位对称性提取的中膜结构信息。除此之外,为保证在钙化斑块存在的情况下,检测到的EEM轮廓位于斑块的下方并且从声影区穿过,本文的能量函数中增加声影区能量补偿项,补偿声影区缺失的信息。本文的临床实验数据来源于南方医院22名患者的67个IVUS序列,由临床医生从中挑选出具有代表性的153帧图像组建数据库,涵盖斑块、声影、偏心、侧支血管等类型。数据库的标准EEM轮廓为临床医生手动勾画的轮廓。五折交叉验证的统计分析显示,分别用普通分类算法和序贯学习分类算法对IVUS图像进行组织分类,相应的分类准确率分别为82.39%和87.54%。这意味着融合图像多尺度空间信息的序贯学习分类算法能有效地提高IVUS图像的分割准确率,并且对不同组织的识别能力均有显著提高,具体表现为血管各组织结构更加紧致,噪声影响较小。本文算法所提取的EEM轮廓的各项性能指标平均值分别是JACC=88.5%, HD=0.3755mm, PAD=8.83%,满足临床诊断要求。其中,修正前的EEM轮廓线与标准轮廓线的Hausdorff距离为0.53mm,而采用凹凸检验法修正后的曲线与标准轮廓线的Hausdorff距离降低为0.35mm,表明融合血管形状约束的初始外弹力膜轮廓与标准轮廓线更为吻合。与近年来国内较好的EEM自动检测算法相比,本文算法所提取的EEM轮廓更接近医生描绘的轮廓,且相对不易受侧支血管、血管分叉和纤维斑块的影响。总之,本文提出的EEM自动检测算法简单有效,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等高频IVUS图像具有较高的适用性。