血管內(nèi)超聲圖像序列自動檢索系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、血管內(nèi)超聲（intravenous ultrasound，IVUS）是無創(chuàng)性的超聲技術(shù)和有創(chuàng)性的導(dǎo)管技術(shù)相結(jié)合的一種介入影像技術(shù)，它利用導(dǎo)管將一個高頻微型超聲探頭導(dǎo)入血管腔內(nèi)進(jìn)行探測，繼而以恒定速度緩慢回撤超聲導(dǎo)管，獲得一系列的血管橫斷面圖像。
　　臨床采集的IVUS圖像序列數(shù)據(jù)量巨大，且圖像受噪聲污染比較嚴(yán)重，包含多種影響視覺效果的偽像。同時由于拍攝速度極快，會產(chǎn)生大量無診斷價值的圖像。若由人來逐幀檢查和分析，則是一項非常繁瑣的

2、工作，并且對操作者的專業(yè)知識要求也很高，分析結(jié)果的客觀性和可重復(fù)性差。
　　本文主要包括兩方面的內(nèi)容：IVUS灰階圖像序列中關(guān)鍵幀的全自動檢索和支架及血管分叉的自動檢測。分別采用兩種方法實現(xiàn)關(guān)鍵幀的全自動檢索，其一是基于血管的形態(tài)學(xué)描述方法，基本思想是提取圖像中的血管壁輪廓，計算圖像特定角度的曲率特征組成特征向量，計算出相鄰兩幀之間的馬氏距離，采用自適應(yīng)與之方法提取出關(guān)鍵幀；其二是基于圖像灰度特征的方法，即根據(jù)相鄰圖像對應(yīng)區(qū)域灰度

3、直方圖的巴氏距離提取關(guān)鍵幀。利用臨床采集的圖像數(shù)據(jù)分別對兩種方法進(jìn)行驗證，定量分析實驗結(jié)果和評價精度。對于支架和分叉的自動檢測，分別利用Haar-like特征提取和局部二值模式（LBP）提取支架和分叉的紋理特征，并分別利用 Gentle Adaboost、Modest Adaboost和Real Adaboost三種方法訓(xùn)練分類器，檢測是否存在支架和分叉。采用臨床采集的圖像數(shù)據(jù)對上述方法的可行性進(jìn)行驗證，并對實驗檢測結(jié)果進(jìn)行分析比較和討