长期以来,心血管疾病是发达国家导致死亡的首要原因,其在发展中国家的发病率迅速提升,并成为头号杀手。据统计,每年在美国超过100万人,世界上其他地区超过1900万人发生突发性心血管事件,且大多数患者发病前并无预兆。因此,检测识别易损的动脉粥样硬化斑块(易损斑块)对于预防和治疗突发性心血管疾病具有重要的现实意义。从病理学分析,动脉粥样硬化斑块逐渐发展为易损斑块,发生破裂继而形成血栓,是导致急性冠状动脉综合征(Acute coronary syndrome, ACS)发病的主要原因。易损斑块是一种不稳定且具有形成血栓倾向的高风险斑块。有研究表明,对高风险斑块行颈动脉内膜切除术可以有效地降低中风的机率和延长发病的时间。然而,斑块切除手术是一种价格昂贵且风险较高的手术。检测识别高风险斑块可以为颈动脉斑块切除手术提供筛选标准。1995年,欧洲颈动脉斑块研究小组利用斑块超声图像从其回声特征、结构、表面进行分类。按斑块表面分类为表面规则和表面不规则；按斑块结构分类为均匀回声和非均匀回声；按回声特征则分类为三个等级：高回声,混合回声,低回声。经组织学验证,高回声斑块多富含纤维和钙化,暗示着斑块稳定；低回声斑块则被认为是高风险斑块,斑块内多含有富脂成分、出血和坏死物质。斑块的不均匀回声提示斑块内出血和溃疡,并与脑缺血性事件或狭窄程度进展密切相关。因此,准确识别低回声斑块,评估斑块风险等级,对于是否选择斑块切除手术,有重要的意义。目前,如何检测和识别易损斑块已成为研究热点,无创检测手段包括超声、计算机断层扫描成像(CT)、磁共振成像(MRI)等,有创检测手段包括血管内超声、血管镜、光学相干层析成像(OCT)、温度测量法等。其中,B超作为一种非侵入式的检查手段具有特殊的优势,其价格低廉、临床应用方便,可提供颈动脉内中膜厚度、管腔狭窄程度、斑块体积和斑块内部回声特点等特征。利用B超对脉粥样硬化斑块进行检查时,斑块的回声特征与中风以及其他心脑血管事件的发生率有密切的相关性。本文根据斑块回声特征对斑块分类,并研究两种评估斑块风险性的方法：1.利用Mazda对斑块超声图像进行纹理分析,识别低回声斑块：2.通过建立斑块超声图像灰度分布的双峰伽马模型,实现对斑块分类。于2011年10月至2014年10月,在中山大学附属第三医院超声科利用东芝Aplio XG、飞利浦IE33、百胜Lab90超声系统收集斑块图像数据。由一名具有五年临床超声检查经验的医师对斑块进行分类和圈定图像中斑块的位置和大小,并以此作为金标准。斑块超声图像来源于不同操作者或不同设备,为提高实验结论的可靠性和普遍性,本文将对斑块超声图像进行归一化处理。传统中,利用Photoshop将图像的灰度进行线性调整,在图像中任意选取一块血液和内中膜区域,将血液的灰度中值压缩映射在0-5之间,将血管内中膜的灰度中值压缩映射在185-195之间,整幅图像的灰度则在0-255。然而,超声图像中血管内中膜模糊且很薄,不易选中。本文在Version 7.8.0.347 (R2009a) Matlab中利用窗口选中斑块、血液和邻近的动脉外膜,窗口内图像的所有灰度值除以窗口内最大的灰度值,实现图像归一化。研究一：图像纹理描述图像像素领域灰度分布的规律,且涉及图像的表而、结构、以及图像中各种特征的布局。研究表明粥样硬化斑块的纹理特征与患者是否有临床症状、及其他心脑血管疾病相关。与主观的视觉识别法相比较,利用纹理分析法评价斑块的风险等级,具有客观性、普遍性、可重复性的特点。MaZda是一款专业的2D/3D图像纹理分析软件,它提供图像纹理分析,最优纹理特征提取,纹理特征数据分析和数据分类等功能模块。本文首次利用MaZda软件对粥样硬化斑块B型超声图像进行纹理分析,实现低回声斑块与混合回声斑块的分类,早期识别高风险斑块,提高易损斑块检出率。方法：研究收集218个斑块样本(高回声73个、混合回声69个,低回声76个),本文致力于识别高风险的低回声斑块,剔除高回声斑块,保留混合回声和低回声斑块各68个。采用交叉验证法,随机将样本分为4组,其中3组作为训练样,1组作为测试样本,取各次测试结果平均值作为最终分类准确率。首先利用MaZda软件从六方面：灰度直方图、灰度绝对梯度、灰度游程矩阵、灰度共生矩阵、自回归模型和小波变换提取斑块超声图像将近300个的纹理特征值。为选择出各类斑块中的差异特征,根据MaZda的三种特征选择方法：费希尔参数法(Fisher).最小分类误差与最小平均相关系数法(POE+ACC).相关信息测度法(MI)分别选择10个最优特征值。为进一步探索,研究中将融合三组特征获得交集组(Intersection)和并集组(Union)。最后分别根据线性判别分析法(LDA)和非线性判别分析法(NDA)分析五组纹理特征数据。其中LDA分析的数据应用于K邻近分类器进行斑块分类；NDA分析的数据应用于神经网络分类器进行斑块分类。结果：(1)统计四组交叉验证试验中,Fisher、POE+ACC和MI特征组出现3次及3次以上的特征向量,共有18个特征,共生矩阵特征12个、小波变换特征2个、直方图、绝对梯度、游程矩阵和自回归模型特征各1个,特征主要来源于灰度共生矩阵和小波变换,其中16个特征为显著性差异。(2)利用LDA和NDA分析Fisher、POE+ACC、MI特征组进行分类时的准确率分别为67.7%、61.8%、77.2%和58.1%、66.2%、73.5%。三组特征融合为Intersection和Union后,分类的准确率明显提高,利用LDA和NDA分析Intersection和Union特征获得准确率分别87.5%、89.0%和69.9%、79.4%。其中利用LDA分析Union特征组进行分类的准确率最高,为89.0%。结论：利用MaZda对低回声和混合回声斑块图像分类具有较高的准确率,可以作为评估动脉粥样硬化斑块风险性的新工具。研究二：利用数学统计模型处理数字图像,能够成功识别图像中的目标,已有研究利用伽马模型描述雷达图像和超声图像灰度分布特点。伽马函数有单峰,双峰和多峰的函数形式,其中单峰伽马分布函数适合描述简单,信息量少的图像,多峰伽马分布函数则由于参数过多而不利于建立模型。粥样硬化斑块成分复杂,包含纤维组织,斑块出血,斑块钙化、脂质等,其B超图像灰度分布复杂。本文选择双峰伽马分布函数拟合斑块超声图像灰度分布,建立基于斑块超声图像灰度分布的双峰伽马数学模型,识别不同回声特征的斑块,评估斑块的风险等级。方法：研究收集137个斑块样本(高回声45个、混合回声40个,低回声52个),为保持各类斑块数据数量一致,随机剔除部分数据,保留各类斑块40个。随机将样本分成四组,每组各类样本均为10个。采用交叉验证法,分别以其中三组作为建模组,一组为测试组,取各次测试结果平均值作为最终分类准确率。首先,对斑块图像进行归一化处理,然后利用Photoshop软件获取斑块超声图像的灰度分布,并利用Matlab获得斑块原始灰度分布曲线。然后,利用Matlab内部的lsqcurvefit非线性最小二乘法拟合函数,将双峰伽马概率分布曲线拟合斑块原始灰度分布曲线,拟合过程中调整双峰伽马概率分布函数的五个参数,控制曲线拟合的误差。为建立各类斑块模型,研究中分别叠加建模组中三类斑块样本的灰度分布,得到高回声、混合回声、低回声三个灰度分布集合,并求得其分布曲线。通过双峰伽马分布曲线拟合灰度分布集合的分布曲线,获得斑块模型曲线。最后计算测试组斑块原始灰度分布曲线与模型曲线的误差作为分类的标准,测试斑块模型分类的准确率。结果：(1)在误差范围内,双峰伽马函数能够成功拟合各类斑块的灰度分布；(2)实验表明斑块模型图中低回声、混合回声、高回声模型曲线可明显区分,其中低回声与混合回声曲线的距离较小,混合回声与高回声曲线的距离较大；(3)利用斑块双峰伽马模型分类,识别出高回声斑块、混合回声斑块和低回声斑块的准确率分别为100%、65%和75%。结论：双峰伽马灰度模型能有效的描述斑块的灰度分布,识别高回声斑块有很高的准确率,对于评估斑块风险等级有很大潜能和良好的前景。