有条件生成对抗网络的IVUS图像内膜与中-外膜边界检测

针对血管内超声(IVUS)图像中各类斑块、超声阴影和血管分支等造成内膜(LU)与中-外膜(MA)边界难以准确检测的问题,提出一种结合堆叠沙漏网络(SHGN)和有条件生成对抗网络(C-GAN)的IVUS内膜与中-外膜检测的改进方法。首先根据血管形态特点,使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍,降低网络训练过拟合风险;然后利用对抗训练思想,构建基于L1、L2重建损失的联合损失函数,学习超声图像与其对应分割图像的映射关系,将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上,采用阈值处理方法,检测最终的内膜与中-外膜边界。采用国际标准IVUS图像数据集(10位病人435幅)评价所提出的算法。实验量化评价结果为:内膜计算面积交并比(JM) 93%,面积差异百分比(PAD) 3%,Hausdorff距离(HD) 0.19 mm;中-外膜JM 95%,PAD 3%,HD 0.16 mm。这些指标满足临床诊断要求,性能优于现有的、近年较好的9种算法,以及Pix2Pix模型。在临床实践应用分析中,利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验,取得较好的分割结果。这表明该方法具有较好的跨数据集泛化性能。     

基于快速推进法的血管内超声图像序列的三维分割

目的血管内超声（intravascular ultrasound,IVUS）是近年来临床诊断血管病变的一项新技术。对IVUS图像进行分割,提取出图像中血管壁的内膜和中-外膜轮廓,是IVUS图像序列定量分析和三维重建的重要步骤。方法本文提出一种基于快速推进法的IVUS图像序列三维并行分割方法。在完成对原始图像的滤波去噪、抑制导管伪影等预处理后,获取IVUS序列纵向视图,并从中提取出血管壁的内膜和中-外膜轮廓,然后将该轮廓映射到每帧IVUS横向视图中,得到各IVUS帧中血管壁的内膜和中-外膜轮廓,最后采用快速推进法对初始轮廓进行演化变形,最终提取出目标轮廓。结果对临床IVUS图像数据进行实验,与逐帧处理的串行分割方法相比,本文方法明显提高了处理效率,克服了传统串行处理方法运算效率低的缺点。结论该方法对血管疾病的临床诊治具有重要意义。     

基于深度学习的颈动脉超声图像内中膜厚度测量

目的 颈动脉血管内中膜厚度(IMT)是衡量动脉粥样硬化程度的重要标准.一般采用人工标定进行测量,该过程耗时且繁琐,由此提出一种总体性能较好的全自动分割(AS)算法.方法 该算法首先利用卷积神经网络(CNN)识别出颈动脉血管远端,进而提取包含颈动脉内膜、中膜部分的感兴趣区域(ROI).采用基于堆栈式自编码器(SAE)构造的模式分类器将ROI中的像素进行分类.最后利用分类区域的面积信息和位置信息对分类结果进行甄别,运用曲线拟合提取边界完成测量任务.结果 针对本研究所用图像库中的84幅颈动脉超声图像进行实验,金标准(GT)由两名专家4次测量的平均值产生,其与AS之间的绝对误差和标准差为(13.3±20.5) μm,协方差系数为0.990 7.结论 实验结果表明,此算法总体性能较好,能够实现超声颈动脉血管内中膜全自动、快速、准确分割,从而满足临床需要.     

基于Transformer的血管内超声图像分割方法

目的 提出一种基于Transformer的血管内超声图像分割方法，以解决冠状动脉钙化病变血管内超声图像显影不完全导致的分割管腔、外弹力膜和钙化斑块精度不高的问题。方法 采用深度学习方法，在UNet结构的基础上用多分辨率卷积层提取不同大小类别特征，在特征编码模块与特征解码模块之间使用Transformer联系上下文信息，同时分割管腔、外弹力膜和钙化斑块。最后以34个40 MHz血管内超声序列得到的720张训练集和240张测试集为例对上述方法进行训练和测试。结果 外弹力膜分割杰卡德系数（Jaccard index,JI）为0.92，豪斯多夫距离（Hausdorff distance,HD）为0.84 mm；管腔分割JI为0.85, HD为1.44 mm；钙化斑块分割JI为0.67, HD为0.68 mm。结论 该方法能够提升血管内超声图像的分割精度，并且在钙化病变血管显影不完全时能够保持分割效果。     

基于活动轮廓模型和边缘对比度特征量的血管内超声图像边缘提取

血管内超声（IVUS）图像冠状动脉血管壁的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。本研究提出了一种用于自动提取IVUS序列图像冠状动脉血管壁内、外膜边缘的方法。该方法基于活动轮廓模型以及本研究所定义的边缘对比度特征量，利用Hopfield神经网络并结合模拟退火算法自动提取IVUS序列图像冠状动脉血管壁的内、外膜边缘。实验结果表明，本研究方法易于实现，而且准确性和可靠性较高，对IVUS序列图像处理的可重复性和鲁棒性较好，是一种较好的全局最优化算法。     

一种改进的自适应形变模型及其血管内超声图像边缘提取应用

血管内超声（IVUS）图像冠状动脉血管壁内膜的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。提出一种改进的自适应形变模型（T-Snake），该模型能够解决基本T-Snake模型中的自交（Self-collisions）问题，并有着更高的数值计算精度。同时，基于改进的T-Snake模型，给出一种用于自动提取IVUS序列图像冠状动脉血管壁内膜边缘的方法。实验结果表明，所提出方法准确性和可靠性较高，对IVUS序列图像处理的可重复性和鲁棒性较好；表明了改进T-Snake模型的有效性和可实现性。     

血管内超声灰阶图像的自动组织标定

为了实现对血管内超声(IVUS)灰阶图像中的血管壁(包括粥样硬化斑块、血管分叉和支架等)进行自动识别和分类,分别采用局部二值模式(LBP)、Haar-like和Gabor滤波提取图像的纹理特征,然后采用Gentle Adaboost分类器对降维后的特征数据进行分类,并优化分类器参数。对临床图像数据的实验结果表明以人工标定的结果作为金标准,识别脂质斑块的精度可达94.54%,区分纤维化斑块和钙化斑块的精度可达93.08%,对血管分叉和支架的识别精度分别可达93.20%和93.50%。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

基于卷积神经网络的眼科光学相干断层成像图像的自动分类

目的 提出一种基于卷积神经网络(convolutional neural network,CNN)的眼科光学相干断层成像(optical coherence tomography,OCT)图像自动分类方法,实现对视网膜OCT图像的自动分类,缓解人工诊断依赖医生的临床经验、费时费力等问题.方法 基于公开的数据集2014_BOE_Srinivasan构建了2个样本数据集.其中样本数据集一为仅对数据集中的图像进行预处理后裁剪,样本数据集二为对取出测试集后剩余图像的裁剪过程中引入随机平移和水平翻转技术对图像进行扩充,并划分为训练集和验证集.搭建基于CNN的视网膜OCT图像分类网络,并分别使用两个数据集训练网络得到分类模型.最后使用独立的测试集对模型进行测试,并通过输出混淆矩阵查看模型对3种类别图像的分类情况.结果 通过混淆矩阵计算得出,使用扩充后的图像训练的分类模型的准确度为93.43％,灵敏度为91.38％,特异度为95.88％.结论 提出的基于CNN的视网膜OCT图像自动分类方法可以对老年性黄斑变性、糖尿病性黄斑水肿和正常3种类别的视网膜OCT图像进行分类.同时,数据扩充有助于提高分类算法的性能.     

基于先验知识随机游走模型的视网膜血管分割方法

视网膜图像的血管提取对心脑血管等疾病的诊断、治疗与评价具有重要的临床应用价值.为解决目前视网膜血管分割算法中存在的分割精度低(特别针对病变图像)等问题,提出基于先验知识随机游走模型的视网膜血管分割方法.在分析视网膜血管特征的基础上,构建归一化梯度向量散度场,针对高、低对比度血管采用不同的定向拉普拉斯算子提取血管中心线,并将先验知识随机游走模型应用于图像分割,实现对比度低、边界微弱的视网膜血管提取.采用STARE视网膜图像库进行分割精度测试,结果表明本算法精度相对已有算法明显提高,特别针对带有病变的视网膜图像,算法的有效性得到了验证,可满足临床处理的要求.     

A novel active contour model for fully automated segmentation of intravascular ultrasound images: in vivo validation in human coronary arteries

The detection of lumen and media-adventitia borders in intravascular ultrasound (IVUS) images constitutes a necessary step for the quantitative assessment of atherosclerotic lesions. To date, most of the segmentation methods reported are either manual, or semi-automated, requiring user interaction at some extent, which increases the analysis time and detection errors. In this work, a fully automated approach for lumen and media-adventitia border detection is presented based on an active contour model, the initialization of which is performed via an analysis mechanism that takes advantage of the inherent morphologic characteristics of IVUS images. The in vivo validation of the proposed model in human coronary arteries revealed that it is a feasible approach, enabling accurate and rapid segmentation of multiple IVUS images.     

结合硬斑块特征的心血管内超声图像中-外膜边缘检测

针对心血管内超声(IVUS)图像中-外膜(media-adventitia)边缘检测中,硬斑块和声影等造成中-外膜边缘难以准确检测的问题,提出一种结合硬斑块特征的中-外膜边缘检测方法。首先,采用k均值聚类分割IVUS图像,根据图像中不同类型斑块的成像特点检测硬斑块位置;然后,计算IVUS图像方向梯度,结合斑块位置和图像灰度,获得代价矩阵;最后,利用启发式图搜索方法,实现IVUS图像的中-外膜边缘检测。对临床图像的实验结果表明,本方法能克服图像中声影和斑块干扰等问题,使检测正确率达到95.57%,提高了IVUS图像中-外膜边缘检测的准确性。     

基于3D U-Net 实现人体耳软骨MRI图像的解剖结构分割

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3D生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3D U-Net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(UTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3D U-Net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均Dice相似度系数(DSC)和平均95%豪斯多夫距离(HD95)分别为0.818和1.917,相比于使用基础的3D U-Net模型,DSC指标分别提高6.0%,HD95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的DSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧UTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3D生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。     

Reproducibility of IVUS border detection for carotid atherosclerotic plaque assessment

Plaque composition is a potentially important diagnostic feature for carotid artery stenting (CAS). The purpose of this investigation is to evaluate the reproducibility of manual border correction in intravascular ultrasound with virtual histology (VH IVUS) images. Three images each were obtained from 51 CAS datasets on which automatic border detection was corrected manually by two trained observers. Plaque was classified using the definitions from the CAPITAL (Carotid Artery Plaque Virtual Histology Evaluation) study, listed in order from least to most pathological: no plaque, pathological intimal thickening, fibroatheroma, fibrocalcific, calcified fibroatheroma, thin-cap fibroatheroma, and calcified thin-cap fibroatheroma. Inter-observer variability was quantified using both weighted and unweighted Kappa statistics. Bland-Altman analysis was used to compare the cross-sectional areas of the vessel and lumen. Agreement using necrotic core percentage as the criterion was evaluated using the unweighted Kappa statistic. Agreement between classifications of plaque type was evaluated using the weighted Kappa statistic. There was substantial agreement between the observers based on necrotic core percentage (κ=0.63), while the agreement was moderate (κ(quadratic)=0.60) based on plaque classification. Due to the time-consuming nature of manual border detection, an improved automatic border detection algorithm is necessary for using VH IVUS as a diagnostic tool for assessing the suitability of patients with carotid artery occlusive disease for CAS.     

基于计算机视觉的点刺标注与检测

目的：智能化地识别点刺在舌体不同区域的分布情况。方法：首先利用LoG算子对舌体图像进行卷积运算，对舌体上的斑点进行初步检测；随后利用人工交互的方式微调点刺标注，并训练卷积神经网络模型Fast-RCNN。结果：将同一舌象仪采集的240张图像作为训练集，60张图像作为测试集，达到了90.78%的召回率，优于已有的方法。结论：本文提出的数据预标注与人工微调方法将细粒度的点刺标注变为了可能。在精确到点刺个体的数据集基础之上，本文引入卷积神经网络进行亚像素级的点刺分布检测，其结果可为中医临床诊断提供客观化、定量化、自动化的参考依据。     

冠状动脉腔内超声显像的形态学研究

对１０段经生理压力固定的人冠状动脉进行血管内超声，然后血管组织片观察，对比二者结果发现：（１）血管内超声可准确测定冠状动腔面积，周长，直径，厚度，粥样斑块面积和最大厚度等重要参数，与组织学测值相关系数均在０．９２以上；