论文部分内容阅读
随着老龄化日益严重,心血管疾病已成为我国发病率和死亡率占据首位的疾病。目前针对心血管疾病的影像诊断技术有CT、血管内超声(IVUS)和光学相干断层扫描(OCT)。由于OCT影像的分辨率远远超过CT和IVUS影像(OCT分辨率约为10μm),在临床诊断冠状动脉粥样硬化斑块方面得到广泛应用。但是,目前使用OCT影像对斑块诊断依然需要医生手动操作,费时费力。因此,研究斑块自动分割与识别对于诊断冠状动脉粥样硬化具有极大临床意义。本文结合OCT影像的特点,引入人工智能方法,在完成对于斑块分割的基础上,扩展斑块特征,完成了对于纤维化、钙化和脂质斑块的智能识别。本文主要研究内容如下:一、提出了K-means聚类与GraphCuts算法结合的冠状动脉粥样硬化多斑块分割方法。针对传统方法仅仅分割一种斑块或分割多种斑块时精度不高的缺点,本文算法能够在多斑块区域分割的基础上优化斑块区域分割边缘,实现冠脉OCT图像纤维化斑块、钙化斑块和脂质斑块的准确分割。通过计算Jaccard系数发现较好地保留斑块的边界特征信息,分割精度达到82.5%。二、引入几何特征,完善了多斑块区域特征提取。在计算斑块区域的非几何特征(如FV、PCA、HOG和LBP)的基础上,将几何特征(BF和TF)与之相结合以提取不同斑块的特征。实验证明,几何特征对斑块识别精度提高到96.8%。三、提出了改进SVM分类器的斑块智能识别方法。为了提高本文识别算法,通过设计困难样本挖掘策略(HEM)来训练SVM分类器,提高了训练数据的有效性。设计了不同特征组合对整体分类效果的测试实验,尤其是测试哪个特征对目标冠脉粥样硬化斑块分类影响最大。通过总共20组OCT回调数据集的训练和测试,算法总体分类准确率达96.8%,钙化、脂质和纤维化斑块识别精度分别为94%,97.2%,99.2%。本文工作能够在很大程度上减少医生分割、识别冠脉斑块所消耗的时间,并且能够减少医生之间的主观差异性,辅助临床医生对冠心病的诊断与治疗。