心血管疾病是世界上头号致死疾病,不稳定的动脉粥样硬化斑块的破裂会导致冠状动脉血栓、心肌缺血以及猝死等严重症状。血管内光学相干断层成像技术(IVOCT)因其具有高空间分辨率(10-20um),能够提供斑块结构信息。在IVOCT图像中,外膜组织、脂质组织、钙化组织和纤维组织在灰度值、均匀性和边缘锐度等方面都有着显著不同,因此可以通过图像处理技术与机器学习算法定量分析这些性质,从而为斑块组织识别提供判别准则。本论文研究了基于IVOCT图像的冠脉斑块识别算法,主要内容集中在以下四个方面:1.提出基于OSTU阈值分割和主动轮廓模型的血管内腔轮廓自动分析算法。该算法可以识别探针、导丝和内腔轮廓。实验结果表明,以人工标记的数据做为基准,本论文所提算法可以自动地精确检测血管内腔轮廓,有助于随后的斑块分类识别。2.提出基于图像处理技术的斑块轮廓检测算法。本文定义的斑块轮廓为纤维组织和其他组织的分界线,其可以有效描述冠状动脉壁的几何形态以及动脉粥样硬化斑块的分布特点。本论文所提算法可以有效地描述血管内的斑块形态,并且不需要任何手动交互。实验结果表明,专家标记结果和本论文算法的自动检测结果之间具有一致性。3.提出基于图像处理技术的斑块组织识别算法。本论文首先采用K均值聚类和动态轮廓算法实现钙化组织的分割;其次采用基于频谱的纹理识别方法来识别外膜组织,最后采用灰度直方图参数拟合来识别脂质组织。实验结果表明该方法客观准确(检测误差:钙化0.03土0.03mm,外膜0.04±0.07mm,脂质0.04±0.05mm),对动脉粥样硬化性疾病的研究和诊断具有参考价值。4.提出基于机器学习算法的斑块组织识别算法。该算法首先计算基于灰度共生矩阵和小波分解的纹理特征、斑块区域的统计特征,然后采用Embedded方法从中选择最优的一组特征,训练随机森林分类器。最后,将所有的图像输入分类器中,分类器会对像素进行分类识别。实验结果表明,该算法能够精确地识别不同类型的斑块组织成分(重叠面积比率:钙化82%,脂质69%,纤维85%)。