论文部分内容阅读
颈动脉内中膜厚度是反映动脉粥样硬化程度的重要指标。在临床中,广泛采用超声成像技术获取颈动脉图像,并通过医生手动标定对内中膜进行厚度诊断。为解决人工标定的繁琐、非客观等问题,本文提出一种全自动分割算法(Automatic Segmentation,AS)。内中膜分割问题可当作为图像像素的分类问题,文中采用支持向量机来解决该分类问题。文中算法可分为三个阶段:(1)感兴趣区域(Region of interest,ROI)提取阶段;(2)特征提取与分类阶段;(3)后处理阶段。在提取感兴趣区域时,首先采用K-means算法依据像素灰度对图像像素进行聚类,根据聚类结果、聚类中心选取参考值对图像进行归一化处理,并选取分割阈值对图像进行阈值分割,提取感兴趣区域。在分类阶段,提前由训练样本训练支持向量机(Support Vector Machine,SVM),得出分类模型,用此SVM将ROI像素分为“边界点”和“非边界点”两类。最后在后处理阶段采用启发式搜索对分类结果进行甄别,去除错分类的像素点。论文后续又对该算法进行改进,使用多分类SVMs直接将ROI中像素点分为管腔内膜边界(Lumen-Intima Interface,LII)和内膜外膜边界(MediaAdventitia Interface,MAI),减少时间并提高准确度。采用80幅颈动脉超声图像进行实验,对比文中提出的单SVM和多SVMs方案,并将实验结果与手动测量结果进行对比分析,平均每幅图像的处理时间为0.88s。实验结果表明该算法具有快速,全自动等特点,测量结果与GT具有较高的一致性,满足在临床应用的实际要求。