基于FGCM的冠脉OCT图像纤维斑块分割算法

冠脉OCT图像中的纤维斑块精确分割对于冠心病的诊断具有重大意义。针对模糊C均值算法邻域信息和空间信息利用率低,在分割具有弱边界的纤维化斑块过程中容易产生过分割的情况,提出了基于自定义窗口的邻域信息项和具有全局约束项G的FCM算法,即FGCM算法。首先,对OCT图像进行预处理,去除噪声。然后,采用自定义窗口获取像素强度的邻域信息,并将邻域信息和创造性提出的全局约束项G添加到FCM算法,使用FGCM算法分割纤维化斑块。最后,采用数学形态学方法作为后处理操作平滑斑块边界。通过对具有典型纤维化斑块特征的8个病例进行测试,与医生手动标记纤维化斑块(金标准)和其他文献的算法进行对比,测试结果显示所提算法分割精确度进一步提高,达到90%,能够进一步对血管狭窄程度进行定量分析,辅助医生制定诊断方案。     

基于IVOCT图像的血管支架和硬化斑块综述

冠状动脉粥样硬化是心血管疾病中最为常见的病症,每年其导致的全球死亡率也在逐步上升.当前,全球医疗机构缓解病人症状所采取的主要治疗手段是血管支架植入手术.目前,基于OCT的体内血管成像技术（Intra-Vascular OCT technology,IVOCT）因其高分辨率等优势,正在逐渐地被应用在心血管疾病患者的检查和治疗环节之中.患者在每次的检查和治疗时,会产生成百上千张IVOCT图像.如果使用传统的人工识别和标记IVOCT图像的方法则会效率低、耗时长.针对上述问题,国内外相关研究人员结合近几年最新的计算机技术提出许多半自动或自动的血管内部组织结构的识别方法.本文旨在全面、系统地介绍基于IVOCT图像的血管内部组织的研究进展情况,阐述其原理.