心脏占位性疾病发生在心脏腔室内,易引起身体各脏器不同程度的梗阻,严重危害人类身体健康。早期的诊断和治疗可以有效降低心脏手术风险,提高患者生存率。在心脏占位性疾病的各种检查方式中,超声心动图由于具有无损、实时、价廉和操作方便等优点,是临床诊断心脏疾病、评价心功能的主要手段。由于超声成像的相干特性,超声心动图信噪比低,边缘模糊,定量分析困难,医生人工诊断准确率低。因此,本论文以提高心脏占位性疾病判别准确率为目标,对超声心动图分析与处理中的关键问题进行深入研究,建立一套心脏占位性疾病的自动判别系统,为临床诊断提供参考意见。本论文在超声图像降噪、图像分割、特征提取和模式识别四方面进行了研究和探讨：1.在图像降噪方面,超声心动图的强斑点噪声是影响疾病分析的主要因素。针对传统的基于局部的降噪算法易丢失图像细节信息的缺点,提出了基于最大似然估计和非局部平均的降噪算法,使得抑制噪声的同时,尽量保持或增强图像的细节特征；提出基于稀疏表示和非局部平均的降噪算法,将稀疏表示融入非局部平均算法,两者的有效结合降低了计算量,实现整幅图像的全局降噪；针对超声心动图为序列图像的特点,进一步使用运动估计方法,将降噪过程扩展到时间域,提出基于运动估计的超声图像序列降噪算法,利用前后帧信息共同降噪。以上三种方法具有良好的降噪效果,为后续的超声心动图分割与特征提取工作打下坚实基础。2.在图像分割方面,由于心脏结构复杂且占位性疾病所占体积小,一般的图像分割技术不能有效解决心脏占位性疾病的分割问题。针对超声心动图中心脏边缘模糊的特点,提出基于选择性集成学习和活动轮廓模型的分割方法,采用有教师的学习模式,将心脏形状与纹理特征有机结合,有效提取边缘；针对活动轮廓模型对初始轮廓敏感且外部能量单一的情况,提出基于稀疏表示和改进活动轮廓模型的分割方法,通过稀疏分解获得较准确的初始边缘,并改进外部能量,使其快速收敛至真实边缘,从而实现无监督分割。实验表明,这两种方法均提高了分割的抗干扰能力和准确度,实现了超声心动图的有效分割。3.在特征提取方面,设计了一套超声心动图的特征提取算法,共量化三类(9个)特征参数。除临床常用的病灶运动特性和基底长度两个特征外,还提出了新型的超声心动图纹理参数。实验显示,这些参数对心脏占位性疾病具有良好的区分能力。4.在模式识别方面,采用新型的稀疏分类器,根据所提取的特征参数对心脏占位性疾病进行分类判别。分析对比了不同特征参数组合对分类判别结果的影响和不同分类器之间的性能。综上,本论文构建了一个完整的心脏占位性疾病自动判别分析系统。将该系统用于97个心脏占位性疾病(54个心脏肿瘤病例,43个心脏血栓病例)的超声心动图序列分析和识别中,分类准确率为96.91%,敏感性为100%,特异性为93.02%。实验结果表明,本系统具有良好的心脏占位性疾病识别能力,具有重要的临床应用价值和实际意义。