论文部分内容阅读
冠心病是世界上致死率最高的疾病之一。冠心病中又以急性冠状动脉综合征(acute coronary syndrome,ACS)病情最为凶险。而近70%的ACS事件是由冠状动脉动粥样硬化易损斑块(vulnerable plaque)破裂造成的。因此,及时检测这些易损斑块对于冠心病的诊疗有重要的研究意义。而目前分辨率最高的冠心病成像技术是血管内光学相干断层成像(intravascular optical coherence tomography,IVOCT)。一次IVOCT成像会产生大量的图像。传统的易损斑块检测的方法是心血管专家凭借自己的经验进行肉眼判别,其过程费时费力,难以避免主观性。因此,有必要实现IVOCT图像易损斑块的自动检测。当前,已有研究将深度学习方法应用于IVOCT图像易损斑块的自动检测;但是这些研究还存在着数据预处理和后处理方法不完善、单个深度神经网络性能不稳定等缺陷。为解决上述问题,本论文对IVOCT图像易损斑块自动检测方法研究进行了探讨,重点研究了基于IVOCT图像预处理算法、后处理算法以及神经网络集成方法,从而为IVOCT图像易损斑块自动检测提供技术支持。论文首先介绍了实验数据的特点及易损斑块检测的评价指标。在此基础之上,对基于IVOCT图像预处理算法进行了研究,提出了血管壁内腔轮廓提取、数据增强等算法。接着,设计了一种适用于易损斑块检测的后处理算法。最后,提出了神经网络集成方法,通过多个神经网络的集成来提高检测性能。论文还对所提的算法进行了验证,并根据评价指标对易损斑块检测的性能进行了评价。论文的主要研究成果包括:(1)针对冗余的成像设备及血液信息,以及样本数量小的问题,提出了基于IVOCT图像预处理算法。该算法结合极坐标系和笛卡尔坐标系的特点,去除标定圈、成像导管、保护鞘和导丝等冗余的成像设备信息,并通过血管壁边缘检测算法去除血管腔内的血液信息,从而消除它们对易损斑块检测的影响。此外,该算法通过首尾拼接、重采样和水平镜像等数据增强方法有差异性地增加样本数量,从而有助于神经网络学习到易损斑块的特征。(2)针对IVOCT图像及本论文预处理算法的特点,提出一种适用于易损斑块检测的后处理算法。该算法通过相交区域合并、复制区域处理、小间隙去除等步骤,对神经网络检测出的易损斑块进行后处理,以提高易损斑块检测的性能。(3)针对单个深度神经网络性能不稳定问题,提出了基于神经网络集成的易损斑块检测方法。该方法首先选取不同的目标检测网络分别对IVOCT图像的易损斑块进行检测;然后执行一个两级集成方法:在第一级中对图像进行类别集成,然后在第二级中根据类别集成结果进行区域集成。集成结果作为最终的易损斑块检测结果输出。本论文在测试集上对所提的方法进行了评估。结果表明该方法准确率为88.84%,召回率为95.02%,重叠率为85.09%,检测质量为88.46%。实验结果表明,本论文的方法可以作为IVOCT图像易损斑块检测的辅助诊断工具,从而促进IVOCT图像在冠心病诊疗中的临床应用。