血管内超声(intravenous ultrasound,IVUS)是无创性的超声技术和有创性的导管技术相结合的一种介入影像技术,它利用导管将一个高频微型超声探头导入血管腔内进行探测,继而以恒定速度缓慢回撤超声导管,获得一系列的血管横断面图像。临床采集的IVUS图像序列数据量巨大,且图像受噪声污染比较严重,包含多种影响视觉效果的伪像。同时由于拍摄速度极快,会产生大量无诊断价值的图像。若由人来逐帧检查和分析,则是一项非常繁琐的工作,并且对操作者的专业知识要求也很高,分析结果的客观性和可重复性差。本文主要包括两方面的内容:IVUS灰阶图像序列中关键帧的全自动检索和支架及血管分叉的自动检测。分别采用两种方法实现关键帧的全自动检索,其一是基于血管的形态学描述方法,基本思想是提取图像中的血管壁轮廓,计算图像特定角度的曲率特征组成特征向量,计算出相邻两帧之间的马氏距离,采用自适应与之方法提取出关键帧;其二是基于图像灰度特征的方法,即根据相邻图像对应区域灰度直方图的巴氏距离提取关键帧。利用临床采集的图像数据分别对两种方法进行验证,定量分析实验结果和评价精度。对于支架和分叉的自动检测,分别利用Haar-like特征提取和局部二值模式(LBP)提取支架和分叉的纹理特征,并分别利用Gentle Adaboost、Modest Adaboost和Real Adaboost三种方法训练分类器,检测是否存在支架和分叉。采用临床采集的图像数据对上述方法的可行性进行验证,并对实验检测结果进行分析比较和讨论。