基于血管内超声图像的心血管动脉粥样硬化斑块组织自动定征的研究

为了获取患者心血管内斑块特征的准确信息,并辅助临床医生对动脉粥样硬化区域进行判断和识别,文中进行了基于血管内超声(IVUS)图像的心血管粥样硬化斑块组织自动定征的研究。本研究收集了10个心血管疾病患者的IVUS图像,共207块斑块样本。首先,确定滑动邻域块的尺寸,令其中心像素遍历斑块区域,遍历过程中计算每个滑动邻域块的灰度均值和熵,并沿4个方向运用灰度共生矩阵法求出共生矩阵的10个局部特征;然后,对IVUS图像进行Gabor滤波和局部二值模式(LBP)处理,获得了更多的图像纹理特征;最后,通过线性分类器Liblinear、随机森林分类器(Random Forests)和调和最小值-广义学习向量量化分类器(H2M-GLVQ)对降维后的特征数据进行分类判决。将医生人工标记的结果作为金标准,自动定征的实验结果表明,随机森林和H2M-GLVQ分类器总体上对斑块组织的识别准确率均达到80%以上,其中随机森林分类器识别纤维化、脂质和钙化样本斑块的平均识别准确率分别为89.04%,80.23%和73.77%。     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。