积分商城

最新搜索： stm32f7 固件库 HFBR-0310Z光纤发射和接收电路 频率计 multisim运放 NordicSemiconductor.nRF_DeviceFamilyPack.8.44.3.zip
您现在的位置是：首页 > 技术资料 > 基于局部形状结构分类的心血管内超声图像中-外膜边界检测
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于局部形状结构分类的心血管内超声图像中-外膜边界检测

更新时间：2019-12-24 07:51:38 大小：1M 上传用户：守着阳光1985查看TA发布的资源 标签：超声图像 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.


部分文件列表

文件名 大小
基于局部形状结构分类的心血管内超声图像中-外膜边界检测.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
7
Vol． 46 No． 7  
Jul． 2018  
第
期
电
子
学
报
2018  
7
ACTA ELECTRONICA SINICA  
年
月
基于局部形状结构分类的心血管内  
-
超声图像中 外膜边界检测  
1，2  
1，2  
3
3
1，2  
， ， ， ，  
袁绍锋 杨 丰 刘树杰 季 飞 黄 靖  
( 1．  
，
南方医科大学生物医学工程学院 广东广州  
510515;  
2．  
，
南方医科大学广东省医学图像处理重点实验室 广东广州  
510515;  
3． ， 510641)  
华南理工大学电子与信息学院 广东广州  
:
( Intravascular Ultrasound，IVUS) -  
图像中 外膜  
摘
要
本文提出了一种基于局部形状结构分类的心血管内超声  
． k-  
边界检测方法 首先利用 均值  
( k-means)  
， ; ，  
聚类方法 确定局部形状结构类别 其次通过类别标号索引图像块 并对其  
， ;  
进行积分通道特征和自相似性特征提取 构建多分类随机决策森林模型 最后由分类模型寻找  
IVUS  
，
图像的关键点  
，
IVUS  
-
．
，
IVUS 、  
图像中斑块 伪  
采用曲线拟合方法 实现  
影和血管分支等造成边缘难以准确检测的问题 与已有算法相比 其  
( Percentage of Area Difference，PAD) 19． 1% ，HD( Hausdorff Distance，HD)  
图像中 外膜边界检测 实验结果表明 本文方法能够有效地解决  
，
，
JM( Jaccard Measure，JM)  
88． 9% ，PAD  
达到了  
9． 7% ，  
减少了 更准确地识别目标边界  
降低了  
， -  
的关键点 成功地检测出完整的中 外膜边界  
．
:
; ; ;  
医学图像分析 机器学习 随机决策森林  
k- ; ; ; -  
均值聚类 局部形状结构 心血管内超声 中 外膜  
关键词  
边界检测  
中图分类号  
URL: http: / /www． ejournal． org． cn  
:
TP391. 4  
:
A
: 0372-2112 ( 2018) 07-1601-08  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 07． 009  
文献标识码  
文章编号  
电子学报  
Media-Adventitia Border Detection Based on Local Shape Structure  
Classification for Intravascular Ultrasound Images  
1，2  
1，2  
3
3
1，2  
YUAN Shao-feng ，YANG Feng ，LIU Shu-jie ，JI Fei ，HUANG Jing  
( 1． School of Biomedical Engineering，Southern Medical University，Guangzhou，Guangdong 510515，China;  
2． Guangdong Provincial Key Laboratory of Medical Image Processing，Southern Medical University，Guangzhou，Guangdong 510515，China;  
3． School of Electronic and Information Engineering，South China University of Technology，Guangzhou，Guangdong 510641，China)  
Abstract: This paper presents an efficient and effective approach based on local shape structure classification for de-  
tecting media-adventitia border in intravascular ultrasound ( IVUS) images． First，the category of local shape structures is  
found by using k-means clustering method． Second，patches from IVUS images indexed by the category are extracted by two  
kinds of features including integral channel and self-similarities features，and therefore a random decision forest model is  
constructed． Finally，the key points of testing IVUS images are detected using the trained classification model． Then with the  
help of curve fitting methods，detection of media-adventitia border is acquired． Experimental results demonstrate that the pro-  
posed algorithm effectively relieves the difficulties of interference factors such as plaques，artifacts and side vessel，and more  
accurately recognizes the key points of target border compared with existing algorithms，detects the whole target border suc-  
cessfully． The Jaccard Measure ( JM ) of media-adventitia border detected by the algorithm is 88． 9% ，Percentage of Area  
Difference ( PAD) and Hausdorff Distance ( HD) measures are reduced by 19． 1% and 9． 7% respectively．  
Key words: medical image analysis; machine learning; random decision forest; k-means clustering; local shape  
structure; intravascular ultrasound; media-adventitia border detection  
: 2017-05-19;  
: 2017-12-15; :  
责任编辑 孙瑶  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61771233，No． 61271155)  
1602  
2018  
年
电
子
学
报
［10］  
．
征在此类任务中表现出色  
融合临床医生人工勾画  
1
引言  
，
轮廓的先验信息 基于有监督学习算法缓解了上述检  
( Intravascular Ultrasound，IVUS)  
心血管内超声  
是一  
． ，  
测困难 但人工勾画过程费时费力 并且大规模标注数  
，
种微创断层成像技术 适用于冠状动脉造影结果不确  
，
据难以获取 这导致分类模型缺乏对数据共性特征的  
［12］  
( Percutaneous Coro-  
定及指导经皮冠状动脉介入治疗  
．
有效表达 中层表示克服这两者的不足  
，
一方面中层  
［1］  
nary Intervention，PCI)  
，
是心血管疾病诊断的重要方  
IVUS  
图像可观察冠脉壁的两个  
，
特征通过对临床医生人工勾画边缘的学习而获取 既  
［2］  
．
式
心内科医生通过  
，
解决了标注数据缺乏的问题 又表达了不同的整体边  
， ， /  
分界面 一个位于血管边际和内膜前缘 为管腔 内膜界  
;
界可分解为各种不同方向的局部结构这一特点 另一  
; ，  
面 另一个为外弹力膜界面 位于低回声中膜和强回声  
，
方面中层特征对底层像素信息进行聚合 将区域梯度  
［1］  
．
- /  
中 外膜 外弹力膜测量既是临床测量  
外膜的交界面  
，
统计量表达为较高层语义信息 即不同的局部区域代  
，
心血管粥样硬化斑块的重要指标 也是在体评价动脉  
． -  
表方向不同的边缘 前一个过程将中 外膜分解为各类  
［1］  
．
重构程度和方向的重要特征  
目前临床上主要由医  
， ;  
局部形状结构 为自顶向下过程 后一个过程通过对局  
- ， ，  
生来人工勾画中 外膜边界 易受主观影响 工作量巨大  
，
部底层像素信息进行抽象聚合 为自底向上过程  
．
［14］  
． ， 、 、 、  
且耗时 因此 自动 准确 快速 基于计算机辅助实现  
，
综上所述 本文提出一种结合随机决策森林  
和
IVUS  
-
图像的中 外膜边界检测具有十分重要 的 临 床  
IVUS  
- ．  
图像中 外膜边界自动检测方法  
中层表示分类的  
该方法模拟临床医生勾画中 外膜边界的基本过程 先  
IVUS  
．
意义  
-
:
［3］  
IVUS  
，
图像采集过程中 常常因斑点噪声大  
、
在
- “  
图像中 外膜边界容易识别的轮廓点即 关键  
观察  
、 、  
图像分辨率和对比度低 血管壁易损斑块 脉侧分支以  
”， ，  
再结合血管的先验形状信息 避免干扰区域的影  
点
、
及运动伪影等各种因素造成内膜 中膜和外膜三层结  
， - ． IVUS  
响 确定有效的中 外膜边界 通过对大量临床 图  
，
构组织间边界模糊不清 不利于  
IVUS  
-
图像中 外膜准确  
，
像数据进行实验和定量分析 以及使用 交 并 比 指数  
． ， -  
检测 目前 中 外膜边界检测方法主要有基于直接检测  
( Jaccard Measure，JM) 、  
( Percentage of  
( Hausdorff Dis-  
面积差异百分比  
［4 ～ 6］  
［7，8］  
、
的方法  
基于统计与概率的方法  
和基于有监督  
Area Difference，PAD) 、  
豪 斯 多 夫 距 离  
［8 ～ 10］  
．
学习的方法  
基于直接检测的方法主要包括图搜  
tance，HD)  
， -  
指标与现有算法进行比较 评估所提出中 外  
、 ． ，  
索 活动轮廓和图割模型 然而 这些方法的检测结果对  
．
膜边界检测算法的性能  
Haar、DoG  
，
等梯度特征较敏感 这是因为如果强灰度梯  
2
基本原理  
IVUS  
，
图像钙化组织中出现 那么易造成检测  
度响应在  
［11］  
， k-  
在本文中 中层表示一方面通过 均值聚类将中  
-
． ，  
精度不高 在加入小波分解和纹理特征 后 算法的检  
［7，8］  
，
外膜边界分解为各类不同方向的局部边缘 为分类模  
．
测准确性有所改善 基于统计与概率的方法  
越来越  
;
型提供高层语义监督信息 另一方面在图像的特征提  
， 、  
受到重视 但这些方法仍然会受到超声阴影 纤维斑块  
， ，  
取中 局部边缘可整合底层特征 降低分类模型易受干  
． ，  
等因素的影响 在有监督分类方法中 基于支持向量机  
［8］  
， ．  
扰因素影响的可能性 提高模型的抗干扰能力 前一个  
( Support Vector Machine，SVM)  
、
( Adap-  
自适应提升  
［9］  
;
方面体现在局部形状结构的构建过程中 后一方面则  
tive Boosting，AdaBoost)  
ting Output Codes，ECOC)  
，
、
纠错输出编码  
( Error-correc-  
［10］  
IVUS  
．
图像的特征提取过程中 基于以上两个过  
．
的方法被采用 这些方法往  
表现在  
，
程 本文所提出的方法首先构建随机决策森林的训练  
往结合多维特征 通过对样本特征的学习寻找最优分  
，
，
， ，  
类器 实现像素点的分类 非常适合  
IVUS  
．
图像分割 但  
数据 然后进行分类器的训练和测试 最后选择分类结  
IVUS  
图
，
是这类方法仅仅使用底层特征 算法其检测精度会受  
果中的边缘关键点并利用曲线拟合方法实现  
- ．  
像中 外膜边界的检测  
．
到一定程度限制  
，
在视觉识别领域中 中层特征  
( Mid-level Features)  
2. 1  
局部形状结构的构建  
Lim  
在局部形状结构构建阶段中 本文采用  
，
作为一种部件级信息 在基于像素的底层特征和高层  
，
等人提  
．
该特征表示的有效性  
［12］  
［12］  
，
Sketch Tokens  
中层特征  
语义特征之间提供了一种纽带  
其对有用的底层像  
出的  
，
素信息进行抽象 而对不关联或噪声信号表现很高鲁  
已在自然图像轮廓识别和物体检测任务中获得了验  
IVUS  
．
棒性 基于图像梯度统计量的特征称为像素级特征即  
．
-
，
证 在  
局部形状结构  
IVUS  
图像中 外膜边界检测中 本文将其定义为  
，
底层特征 比如  
HOG、SIFT、SURF，  
而把图像标记为某一  
( Local Shape Structure，LSS) ． LSS  
各类  
表
．
语义类别视作目标级特征即高层语义特征 底层特征  
-
达了异源  
向的局部边缘 其构建步骤如下  
( 1) ．  
含有局部边缘的二值图像划分 利用临床医生  
图像中 外膜边界可分解为基于不同方  
IVUS  
- ，  
图像中 外膜边界检测中往往被采用 但如上文  
，
:
在
［13］  
，
所述 其检测结果易受外界干扰影响  
，
而高层语义特  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号