论文部分内容阅读
冠心病是目前世界范围内致死人数最多的疾病。经皮冠状动脉治疗是治疗冠心病的常用手段,其原理是借助心脏导管技术对冠状动脉的狭窄处进行扩张,并通过植入支架对扩张后的血管进行支撑,以改善心肌的供血状况,从而降低冠心病的发病风险。目前,最新一代支架为可降解支架,由生物可吸收的聚合材料构成。可降解支架被认为是未来最有发展前景的支架类型。血管内光学相干断层扫描技术(Intravascular optical coherence tomography,IVOCT),凭借其极高的成像分辨率,逐渐成为介入心脏病学中最常用的腔内影像技术之一。IVOCT能够对血管内部结构进行清晰成像,从而辅助临床医生在支架植入过程中对支架状态进行实时分析,因此具有重要的研究意义和应用价值。然而,由于IVOCT序列所包含的图像极多,一个IVOCT序列往往包含上百张图像和近千个支架,因此手动分析IVOCT影像中的支架信息将耗费巨大的时间和精力,也难以满足临床实时性的需求。因此,本文提出了一种针对IVOCT影像中可降解支架的自动分析方法。利用Adaboost算法训练级联分类器,对可降解支架的位置和大小进行检测;并利用深度学习R-FCN模型训练支架检测网络,以进一步提升检测精度;在检测基础上,借助霍夫变换将每个支架转换至极坐标空间,利用动态规划算法寻找极坐标空间下的最优路径,从而实现支架轮廓的自动分割。基于分割结果,最终实现对支架贴壁情况的自动分析,以辅助医生在临床手术中进行诊断。为了评估本方法的综合性能,本文在5组IVOCT回拉序列上进行了测试,并且将算法自动检测和分割的结果与专家标记的金标准进行对比。结果显示,基于Adaboost算法的可降解支架检测算法可达到91.3%的召回率和89.6%的准确率,基于深度学习R-FCN模型的可降解支架检测算法进一步将召回率和准确率提升至97.9%和95.2%;支架轮廓分割的平均Dice系数为0.812;针对单个回拉序列,Adaboost算法检测耗时为30.21秒,R-FCN算法检测耗时为14.64秒,分割耗时为32.34秒。实验结果表明,本方法能够实现IVOCT影像中可降解支架的自动检测与分割,并且满足临床实时性的需求。