论文部分内容阅读
颈动脉血管内中膜厚度(Intima-Media Thickness,IMT)是衡量动脉粥样硬化程度的重要标准之一。临床中,广泛采用超声成像技术获取颈动脉图像,一般采用人工手动标定测量IMT,该过程耗时、繁琐,且主观性强,因此提出一种基于深度学习的全自动、快速、准确、鲁棒性强的IMT测量算法。该算法主要分为三个步骤:首先,利用卷积神经网络(Convolutional Neural Network,CNN)识别出超声颈总动脉图像血管壁远端,进而获取包含颈动脉内膜、中膜部分的感兴趣区域(Region of Interest,ROI)。其次,基于堆栈式自编码器(Stacked Auto Encoder,SAE)构造两个不同的深度模式分类器,分别记为SAE_NB和SAE_LM,SAE_NB将ROI中的像素分为非边界像素和边界像素;SAE_LM再将后者分类为管腔-内膜边界(Lumen-Intima Interface,LII)像素和中膜-外膜边界(Media-Adventitia Interface,MAI)像素。最后,先利用分类区域的位置信息对分类结果进行粗筛选,再结合区域位置信息和面积信息对分类结果进行精细筛选,并运用最小均方误差曲线拟合原理提取最终边界,完成测量任务。本文采用塞普洛斯神经医学院提供的图像库进行颈动脉超声图像IMT测量,金标准(Ground Truth,GT)由两名专家四次测量的平均值产生,自动分割(Automatic Segmentation,AS)的测量结果依据本文所提算法产生。实验表明,利用本文所提算法,得到的GT与AS绝对误差的均值和标准差为0.0133±0.0205mm,协方差系数为0.9907,验证了本文所提算法的有效性。