目的：冠心病等心血管疾病已成为威胁人类生命健康的重要疾病，夺走了越来越多人的生命。其中动脉粥样硬化是冠心病的主要诱因，是一种影响到动脉血管壁的增生性炎症，也是易引起心脑血管类致命疾病的潜在状态。随着超声影像技术的发展，一种重要的介入影像技术逐步形成，即血管内超声(Intravascular Ultrasound，IVUS)。IVUS通过将顶端携带有微小超声换能器的导管置于血管内，在导管回撤过程中获取血管内腔和血管壁的图像。目前，IVUS可为临床提供血管的可视化观察和检测，从而获取动脉粥样硬化斑块的成分和形态等信息，对斑块的稳定性和风险性进行有效的评估。　　血管管壁由外膜、中膜和内膜构成，它们的超声波回声特性均不同，故IVUS图像可以显示出血管腔壁的结构。传统的识别斑块组织区域方法主要是依靠医生的经验对图像中的斑块组织进行识别判断。然而，由医生人工鉴定斑块阻止区域的方法，步骤过于繁琐且较为主观，且IVUS图像的帧频过多，使用这种方法会耗费大量的时间成本且效率不高。因此，本文提出了对IVUS图像中的斑块组织区域进行识别和判断的方法，通过计算机辅助处理让临床医生更准确地评价冠状动脉粥样硬化病变性质，并选择出冠状动脉介入治疗方案。　　IVUS图像纹理信息丰富，并且富含灰阶信息，可以提取多种图像特征，结合这些特征值和分类器，可以对血管内斑块组织区域进行识别。根据IVUS图像的这一特点，本文提出了针对IVUS图像中斑块组织区域识别的有效算法。基于IVUS成像原理，可知钙化斑块在IVUS图像中有其成像特点，即在钙化病变后方区域往往会形成钙化影。且同时产生其它的图像伪影，但图像伪影可以通过滤波算法减弱伪影对图像后续处理的影响。本文利用图像中钙化影的这一特点对IVUS图像的钙化斑块区域进行进一步的判断和探究。因此，本文进行了基于血管内超声图像的心血管粥样硬化斑块组织区域识别的研究。　　为了以上研究问题能够顺利开展，本文建立了两个数据样本库，分别是IVUS斑块样本库和钙化斑块样本库。两个样本库的建立经过了收集IVUS的数据信息、筛选数据、标记斑块区域、检查再筛选等一系列的过程。　　(1)IVUS斑块样本库共收集了50个心血管疾病患者的IVUS数据信息，最后选用了10个患者的IVUS数据信息。本研究经过检查再筛选后，使用了10个心血管疾病患者的143帧斑块IVUS图像，共计207块斑块样本，其中包含纤维斑块91块，脂质斑块66块和钙化斑块50块。　　(2)钙化斑块样本库则是从选出的50个心血管疾病患者的IVUS的数据信息中的图像进行鉴别，并从大量的数据信息中筛选出100帧含有钙化斑块的IVUS图像来组成钙化样本数据库。　　在数据库建立完成后，可用于基于血管内超声图像的心血管粥样硬化斑块组织区域的识别研究。　　1.针对IVUS图像中不同斑块组织区域进行识别的算法研究。首先，确定滑动邻域块的尺寸，令其中心像素遍历斑块区域，遍历过程中计算每个滑动邻域块的灰度均值和熵，并沿四个方向运用灰度共生矩阵法求出共生矩阵的10个局部特征;然后，对IVUS图像进行Gabor滤波和局部二值模式(LBP)处理，获得更多的图像纹理特征;最后，通过线性分类器Liblinear、随机森林分类器(Random Forests)和调和最小值-广义学习向量量化分类器(H2M-GLVQ)对降维后的特征数据进行分类判决。通过处理IVUS斑块样本库的IVUS图像，并以医生人工标记结果作为金标准，识别斑块组织区域的实验结果表明，随机森林和H2M-GLVQ分类器总体上对斑块组织的识别准确率均达到80％以上，其中随机森林分类器识别纤维化、脂质和钙化样本斑块的平均识别准确率分别为89.04％、80.23％和73.77％。　　2.基于钙化影的这一特点，对IVUS图像的钙化斑块区域的判断进行进一步的探究。首先，通过双边滤波对图像进行简单的去噪，再利用极坐标逆变换把“圆形”图像映射成“矩形”图像;然后，把经过预处理后的图像通过K-均值聚类算法来划分IVUS图像中的感兴趣区域，结合中值滤波使图像适度地平滑;最后，利用预设阈值和感兴趣区域与其后方区域的平均灰度值的比值作比较来判断该区域是否为钙化斑块区域，再利用极坐标变换把“矩形”图像转换成512×512的“圆形”图像。通过处理钙化斑块样本库的IVUS图像，本文的实验结果，表明本文提出的方法对钙化斑块的识别准确率比使用结合纹理特征和分类器的方法识别钙化斑块区域的准确率有了较大的提高，其平均识别准确率能达到78.67％。　　综上可知，本文提出的斑块组织区域识别算法可应用于识别心血管内的斑块，对含有纤维、钙化和脂质斑块组织的IVUS图像具有一定的适用性。