基于超聲序列圖像的頸動(dòng)脈內(nèi)中膜分析.pdf

1、冠狀動(dòng)脈粥樣硬化性心臟病(通常簡稱為冠心病，Coronary Heart Disease，CHD)已經(jīng)成為我國疾病死亡的重要原因。動(dòng)脈粥樣硬化(Atherosclerosis)形成的斑塊不穩(wěn)定導(dǎo)致的破裂，血栓形成和血管阻塞被認(rèn)為是急性心腦血管疾病(Cardiovascular Disease，CVD)發(fā)病的主要原因。動(dòng)脈粥樣硬化是全身性的血管疾病，其中體表淺動(dòng)脈與冠狀動(dòng)脈有著相同的危險(xiǎn)因素以及病理生理學(xué)基礎(chǔ)。對正常人頸動(dòng)脈的血管內(nèi)中膜(

2、Carotid Intima-Media)進(jìn)行研究，能夠得到對其發(fā)生心腦血管事件的風(fēng)險(xiǎn)評估，從而進(jìn)行預(yù)防性的治療措施，在臨床上具有重大意義。
　　 超聲成像輔助診斷具有無損傷、無創(chuàng)傷、無電離輻射等優(yōu)點(diǎn)，它已經(jīng)越來越受到人們的重視，并且已發(fā)展成為臨床診斷中重要的工具之一。本文的研究就是針對頸動(dòng)脈超聲序列圖像展開，給出了一個(gè)頸動(dòng)脈超聲影像學(xué)診斷的完整方案。
　　 所完成的主要研究工作和創(chuàng)新之處如下：
　　 (1)針對

3、頸動(dòng)脈超聲圖像的具體特點(diǎn)，分析了各種常用圖像分割方法的優(yōu)缺點(diǎn)?；谥鲃?dòng)輪廓模型(Active Contour Model 又稱Snake模型)的分割方法是一種將底層信息和高層信息融合起來，便于實(shí)現(xiàn)人工干預(yù)的分割方法，適合對于頸動(dòng)脈內(nèi)中膜的提取。原始主動(dòng)輪廓模型有一些方面缺陷，如對初始位置敏感、不能收斂至圖像的凹陷處等等，為克服這一缺陷，本文使用了改進(jìn)的GVF(GradientVector Flow)主動(dòng)輪廓模型。根據(jù)GVF 主動(dòng)輪廓模型

4、的具體實(shí)現(xiàn)過程，提出了一種先手工勾畫粗略邊界，再進(jìn)行算法收斂的半自動(dòng)分割流程，不僅提高了分割的準(zhǔn)確性，同時(shí)也進(jìn)一步提高了分割的效率。
　　 (2)對于序列圖像的處理，利用光流場從前一幀圖像的分割結(jié)果來預(yù)測下一幀圖像的初始邊界，從而降低了人為的影響并提高了效率。由于頸動(dòng)脈處的血流量很大，對血管的作用較強(qiáng)，相鄰兩幀圖像之間可能會(huì)出現(xiàn)較大的變化，導(dǎo)致圖像中頸動(dòng)脈內(nèi)中膜的形態(tài)發(fā)生變化，直接利用前一幀的分割結(jié)果作為主動(dòng)輪廓模型的初始邊界，

5、會(huì)導(dǎo)致算法收斂的結(jié)果出錯(cuò)。光流場反映了圖像中各點(diǎn)的瞬時(shí)運(yùn)動(dòng)矢量，使用光流場來預(yù)測初始邊界，克服了前述缺點(diǎn)，增強(qiáng)了算法的魯棒性。
　　 (3)從分割后的頸動(dòng)脈超聲圖像中提取特征參數(shù)結(jié)合臨床醫(yī)學(xué)知識進(jìn)行綜合分析。本文提取的特征參數(shù)分為頸動(dòng)脈內(nèi)中膜的厚度及紋理特征。盡管在圖像的分割步驟，本文使用的主動(dòng)輪廓模型是基于圖像灰度信息，沒有使用紋理信息，但是分析頸動(dòng)脈紋理特征是有意義的，不同的紋理反映了內(nèi)中膜的組成成分的差異，這種差異性導(dǎo)致了