基于超聲圖像的動(dòng)脈粥樣硬化斑塊風(fēng)險(xiǎn)等級(jí)評(píng)估.pdf

1、長(zhǎng)期以來，心血管疾病是發(fā)達(dá)國家導(dǎo)致死亡的首要原因，其在發(fā)展中國家的發(fā)病率迅速提升，并成為頭號(hào)殺手。據(jù)統(tǒng)計(jì)，每年在美國超過100萬人，世界上其他地區(qū)超過1900萬人發(fā)生突發(fā)性心血管事件，且大多數(shù)患者發(fā)病前并無預(yù)兆。因此，檢測(cè)識(shí)別易損的動(dòng)脈粥樣硬化斑塊（易損斑塊）對(duì)于預(yù)防和治療突發(fā)性心血管疾病具有重要的現(xiàn)實(shí)意義。
　　從病理學(xué)分析，動(dòng)脈粥樣硬化斑塊逐漸發(fā)展為易損斑塊，發(fā)生破裂繼而形成血栓，是導(dǎo)致急性冠狀動(dòng)脈綜合征(Acute coro

2、nary syndrome，ACS)發(fā)病的主要原因。易損斑塊是一種不穩(wěn)定且具有形成血栓傾向的高風(fēng)險(xiǎn)斑塊。有研究表明，對(duì)高風(fēng)險(xiǎn)斑塊行頸動(dòng)脈內(nèi)膜切除術(shù)可以有效地降低中風(fēng)的機(jī)率和延長(zhǎng)發(fā)病的時(shí)間。然而，斑塊切除手術(shù)是一種價(jià)格昂貴且風(fēng)險(xiǎn)較高的手術(shù)。檢測(cè)識(shí)別高風(fēng)險(xiǎn)斑塊可以為頸動(dòng)脈斑塊切除手術(shù)提供篩選標(biāo)準(zhǔn)。1995年，歐洲頸動(dòng)脈斑塊研究小組利用斑塊超聲圖像從其回聲特征、結(jié)構(gòu)、表面進(jìn)行分類。按斑塊表面分類為表面規(guī)則和表面不規(guī)則;按斑塊結(jié)構(gòu)分類為均勻回聲

3、和非均勻回聲;按回聲特征則分類為三個(gè)等級(jí):高回聲，混合回聲，低回聲。經(jīng)組織學(xué)驗(yàn)證，高回聲斑塊多富含纖維和鈣化，暗示著斑塊穩(wěn)定;低回聲斑塊則被認(rèn)為是高風(fēng)險(xiǎn)斑塊，斑塊內(nèi)多含有富脂成分、出血和壞死物質(zhì)。斑塊的不均勻回聲提示斑塊內(nèi)出血和潰瘍，并與腦缺血性事件或狹窄程度進(jìn)展密切相關(guān)。因此，準(zhǔn)確識(shí)別低回聲斑塊，評(píng)估斑塊風(fēng)險(xiǎn)等級(jí)，對(duì)于是否選擇斑塊切除手術(shù)，有重要的意義。
　　目前，如何檢測(cè)和識(shí)別易損斑塊已成為研究熱點(diǎn)，無創(chuàng)檢測(cè)手段包括超聲、計(jì)算

4、機(jī)斷層掃描成像(CT)、磁共振成像(MRI)等，有創(chuàng)檢測(cè)手段包括血管內(nèi)超聲、血管鏡、光學(xué)相干層析成像(OCT)、溫度測(cè)量法等。其中，B超作為一種非侵入式的檢查手段具有特殊的優(yōu)勢(shì)，其價(jià)格低廉、臨床應(yīng)用方便，可提供頸動(dòng)脈內(nèi)中膜厚度、管腔狹窄程度、斑塊體積和斑塊內(nèi)部回聲特點(diǎn)等特征。利用B超對(duì)脈粥樣硬化斑塊進(jìn)行檢查時(shí)，斑塊的回聲特征與中風(fēng)以及其他心腦血管事件的發(fā)生率有密切的相關(guān)性。本文根據(jù)斑塊回聲特征對(duì)斑塊分類，并研究?jī)煞N評(píng)估斑塊風(fēng)險(xiǎn)性的方法:

5、1.利用Mazda對(duì)斑塊超聲圖像進(jìn)行紋理分析，識(shí)別低回聲斑塊;2.通過建立斑塊超聲圖像灰度分布的雙峰伽馬模型，實(shí)現(xiàn)對(duì)斑塊分類。
　　于2011年10月至2014年10月，在中山大學(xué)附屬第三醫(yī)院超聲科利用東芝Aplio XG、飛利浦IE33、百勝Lab90超聲系統(tǒng)收集斑塊圖像數(shù)據(jù)。由一名具有五年臨床超聲檢查經(jīng)驗(yàn)的醫(yī)師對(duì)斑塊進(jìn)行分類和圈定圖像中斑塊的位置和大小，并以此作為金標(biāo)準(zhǔn)。斑塊超聲圖像來源于不同操作者或不同設(shè)備，為提高實(shí)驗(yàn)結(jié)論的

6、可靠性和普遍性，本文將對(duì)斑塊超聲圖像進(jìn)行歸一化處理。傳統(tǒng)中，利用Photoshop將圖像的灰度進(jìn)行線性調(diào)整，在圖像中任意選取一塊血液和內(nèi)中膜區(qū)域，將血液的灰度中值壓縮映射在0-5之間，將血管內(nèi)中膜的灰度中值壓縮映射在185-195之間，整幅圖像的灰度則在0-255。然而，超聲圖像中血管內(nèi)中膜模糊且很薄，不易選中。本文在Version7.8.0.347(R2009a) Matlab中利用窗口選中斑塊、血液和鄰近的動(dòng)脈外膜，窗口內(nèi)圖像的所有

7、灰度值除以窗口內(nèi)最大的灰度值，實(shí)現(xiàn)圖像歸一化。
　　研究一:圖像紋理描述圖像像素領(lǐng)域灰度分布的規(guī)律，且涉及圖像的表面、結(jié)構(gòu)、以及圖像中各種特征的布局。研究表明粥樣硬化斑塊的紋理特征與患者是否有臨床癥狀、及其他心腦血管疾病相關(guān)。與主觀的視覺識(shí)別法相比較，利用紋理分析法評(píng)價(jià)斑塊的風(fēng)險(xiǎn)等級(jí)，具有客觀性、普遍性、可重復(fù)性的特點(diǎn)。MaZda是一款專業(yè)的2D/3D圖像紋理分析軟件，它提供圖像紋理分析，最優(yōu)紋理特征提取，紋理特征數(shù)據(jù)分析和數(shù)據(jù)分

8、類等功能模塊。本文首次利用MaZda軟件對(duì)粥樣硬化斑塊B型超聲圖像進(jìn)行紋理分析，實(shí)現(xiàn)低回聲斑塊與混合回聲斑塊的分類，早期識(shí)別高風(fēng)險(xiǎn)斑塊，提高易損斑塊檢出率。方法:研究收集218個(gè)斑塊樣本（高回聲73個(gè)、混合回聲69個(gè)，低回聲76個(gè)），本文致力于識(shí)別高風(fēng)險(xiǎn)的低回聲斑塊，剔除高回聲斑塊，保留混合回聲和低回聲斑塊各68個(gè)。采用交叉驗(yàn)證法，隨機(jī)將樣本分為4組，其中3組作為訓(xùn)練樣，1組作為測(cè)試樣本，取各次測(cè)試結(jié)果平均值作為最終分類準(zhǔn)確率。首先利用

9、MaZda軟件從六方面:灰度直方圖、灰度絕對(duì)梯度、灰度游程矩陣、灰度共生矩陣、自回歸模型和小波變換提取斑塊超聲圖像將近300個(gè)的紋理特征值。為選擇出各類斑塊中的差異特征，根據(jù)MaZda的三種特征選擇方法:費(fèi)希爾參數(shù)法(Fisher)、最小分類誤差與最小平均相關(guān)系數(shù)法(POE+ACC)、相關(guān)信息測(cè)度法(MI)分別選擇10個(gè)最優(yōu)特征值。為進(jìn)一步探索，研究中將融合三組特征獲得交集組(Intersection)和并集組(Union)。最后分別根

10、據(jù)線性判別分析法(LDA)和非線性判別分析法(NDA)分析五組紋理特征數(shù)據(jù)。其中LDA分析的數(shù)據(jù)應(yīng)用于K鄰近分類器進(jìn)行斑塊分類;NDA分析的數(shù)據(jù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行斑塊分類。結(jié)果:(1)統(tǒng)計(jì)四組交叉驗(yàn)證試驗(yàn)中，F(xiàn)isher、POE+ACC和MI特征組出現(xiàn)3次及3次以上的特征向量，共有18個(gè)特征，共生矩陣特征12個(gè)、小波變換特征2個(gè)、直方圖、絕對(duì)梯度、游程矩陣和自回歸模型特征各1個(gè)，特征主要來源于灰度共生矩陣和小波變換，其中16個(gè)特征

11、為顯著性差異。(2)利用LDA和NDA分析Fisher、POE+ACC、MI特征組進(jìn)行分類時(shí)的準(zhǔn)確率分別為67.7％、61.8％、77.2％和58.1％、66.2％、73.5％。三組特征融合為Intersection和Union后，分類的準(zhǔn)確率明顯提高，利用LDA和NDA分析Intersection和Union特征獲得準(zhǔn)確率分別87.5％、89.0％和69.9％、79.4％。其中利用LDA分析Union特征組進(jìn)行分類的準(zhǔn)確率最高，為89

12、.0％。結(jié)論:利用MaZda對(duì)低回聲和混合回聲斑塊圖像分類具有較高的準(zhǔn)確率，可以作為評(píng)估動(dòng)脈粥樣硬化斑塊風(fēng)險(xiǎn)性的新工具。
　　研究二:利用數(shù)學(xué)統(tǒng)計(jì)模型處理數(shù)字圖像，能夠成功識(shí)別圖像中的目標(biāo)，已有研究利用伽馬模型描述雷達(dá)圖像和超聲圖像灰度分布特點(diǎn)。伽馬函數(shù)有單峰，雙峰和多峰的函數(shù)形式，其中單峰伽馬分布函數(shù)適合描述簡(jiǎn)單，信息量少的圖像，多峰伽馬分布函數(shù)則由于參數(shù)過多而不利于建立模型。粥樣硬化斑塊成分復(fù)雜，包含纖維組織，斑塊出血，斑塊鈣

13、化、脂質(zhì)等，其B超圖像灰度分布復(fù)雜。本文選擇雙峰伽馬分布函數(shù)擬合斑塊超聲圖像灰度分布，建立基于斑塊超聲圖像灰度分布的雙峰伽馬數(shù)學(xué)模型，識(shí)別不同回聲特征的斑塊，評(píng)估斑塊的風(fēng)險(xiǎn)等級(jí)。方法:研究收集137個(gè)斑塊樣本（高回聲45個(gè)、混合回聲40個(gè)，低回聲52個(gè)），為保持各類斑塊數(shù)據(jù)數(shù)量一致，隨機(jī)剔除部分?jǐn)?shù)據(jù)，保留各類斑塊40個(gè)。隨機(jī)將樣本分成四組，每組各類樣本均為10個(gè)。采用交叉驗(yàn)證法，分別以其中三組作為建模組，一組為測(cè)試組，取各次測(cè)試結(jié)果平均

14、值作為最終分類準(zhǔn)確率。首先，對(duì)斑塊圖像進(jìn)行歸一化處理，然后利用Photoshop軟件獲取斑塊超聲圖像的灰度分布，并利用Matlab獲得斑塊原始灰度分布曲線。然后，利用Matlab內(nèi)部的lsqcurvefit非線性最小二乘法擬合函數(shù)，將雙峰伽馬概率分布曲線擬合斑塊原始灰度分布曲線，擬合過程中調(diào)整雙峰伽馬概率分布函數(shù)的五個(gè)參數(shù)，控制曲線擬合的誤差。為建立各類斑塊模型，研究中分別疊加建模組中三類斑塊樣本的灰度分布，得到高回聲、混合回聲、低回聲

15、三個(gè)灰度分布集合，并求得其分布曲線。通過雙峰伽馬分布曲線擬合灰度分布集合的分布曲線，獲得斑塊模型曲線。最后計(jì)算測(cè)試組斑塊原始灰度分布曲線與模型曲線的誤差作為分類的標(biāo)準(zhǔn)，測(cè)試斑塊模型分類的準(zhǔn)確率。結(jié)果:(1)在誤差范圍內(nèi)，雙峰伽馬函數(shù)能夠成功擬合各類斑塊的灰度分布;(2)實(shí)驗(yàn)表明斑塊模型圖中低回聲、混合回聲、高回聲模型曲線可明顯區(qū)分，其中低回聲與混合回聲曲線的距離較小，混合回聲與高回聲曲線的距離較大;(3)利用斑塊雙峰伽馬模型分類，識(shí)別出