結(jié)合硬斑塊特征的心血管內(nèi)超聲圖像中-外膜邊緣檢測

邢 棟 楊 豐* 黃 靖 涂圣賢 DIJKSTRA Jouke

1（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣州 510515）2（萊頓大學(xué)醫(yī)學(xué)中心放射科，萊頓，荷蘭）

引言

冠狀動(dòng)脈疾?。╟oronary artery disease，CAD）是危害人類健康的重要原因之一，CAD是由脂質(zhì)、纖維化和鈣化物質(zhì)的堆積引起冠狀動(dòng)脈管腔狹窄所致，會(huì)造成心肌供血不足引起心臟功能障礙，應(yīng)對其進(jìn)行早期診斷和準(zhǔn)確量化評估。心血管內(nèi)超聲（intravascular ultrasound，IVUS）是近年來應(yīng)用于臨床診斷心血管病變的一項(xiàng)新技術(shù)，它不僅能夠反映血管內(nèi)腔的變化，同時(shí)也能獲得管腔橫斷面結(jié)構(gòu)、血管壁厚度、形態(tài)以及斑塊成分。因此，IVUS圖像的血管壁邊緣提取和斑塊識(shí)別，對于冠狀動(dòng)脈疾病的診斷和介入治療具有重要的意義。

典型的IVUS圖像表現(xiàn)為三層結(jié)構(gòu)：內(nèi)層為較強(qiáng)回聲亮環(huán)，在組織學(xué)上由內(nèi)膜（intima）及內(nèi)彈力膜組成；中層為低回聲暗區(qū)，為血管中膜（media）；外層為明亮強(qiáng)回聲帶，由外彈力膜及外膜（adventitia）組成。IVUS圖像中可觀察到的斑塊基本可分為4種類型：（1）軟斑塊（soft plaque）。斑塊回聲強(qiáng)度低于血管外膜；（2）纖維斑塊（fibrous plaque）?；芈晱?qiáng)度與外膜接近且不伴聲影；（3）鈣化斑塊（calcified plaque）?；芈晱?qiáng)度等于或高于血管外膜回聲強(qiáng)度，并伴有聲影；（4）混合斑塊（blend plaque）。同時(shí)含有兩種或兩種以上的不同性質(zhì)的斑塊。纖維斑塊、鈣化斑塊和纖維-鈣化混合斑塊統(tǒng)稱為硬斑塊［1］。

中-外膜邊緣是心血管病變診斷和量化分析的重要依據(jù)，也是IVUS圖像處理與分析中的重要特征。目前，活動(dòng)輪廓模型（snake）和圖搜索（graphsearching）方法是IVUS中-外膜邊緣檢測的兩種主要方法。在活動(dòng)輪廓模型中，一條曲線在自身的內(nèi)力與代表圖像信息的外力聯(lián)合控制下收斂到IVUS圖像檢測目標(biāo)的邊緣［2－4］。但是，當(dāng)IVUS圖像中存在硬斑塊時(shí)，演化曲線容易陷入局部極值，并且在鈣化斑塊造成的聲影（acoustic shadow）區(qū)域，因目標(biāo)邊緣信息缺少或微弱，導(dǎo)致演化曲線缺乏外力無法收斂。此外，snake活動(dòng)輪廓模型一般需要設(shè)定初始輪廓線位置，模型調(diào)整參數(shù)比較多，曲線演化收斂速度比較慢，不利于IVUS圖像實(shí)時(shí)處理。圖搜索方法是以動(dòng)態(tài)規(guī)劃（dynamic programming）思想為基礎(chǔ)，構(gòu)造一個(gè)含有圖像邊緣信息的代價(jià)矩陣（cost matrix），通過搜索代價(jià)矩陣，選擇一條最優(yōu)路徑（最小代價(jià)路徑或最大代價(jià)路徑），獲得檢測目標(biāo)的邊緣［5］。該方法利用了圖像的全局優(yōu)化信息，可以克服噪聲干擾，不受初始條件或者模型參數(shù)影響，加入啟發(fā)信息可提高搜索效率，快速實(shí)現(xiàn)圖像目標(biāo)邊緣檢測［6］。該方法已廣泛應(yīng)用于臨床IVUS圖像處理與分析［7－10］。有效的構(gòu)造代價(jià)矩陣是圖搜索方法的關(guān)鍵，合理的代價(jià)矩陣能在IVUS圖像的聲影區(qū)域搜索到正確結(jié)果。早期的啟發(fā)式圖搜索僅用于低頻超聲探頭的IVUS圖像中-外膜檢測［7］，其代價(jià)矩陣構(gòu)造過程不適用于目前高頻超聲探頭（40 MHz）的IVUS圖像，這是因?yàn)楦哳l超聲探頭的成像分辨率高，血液斑點(diǎn)噪聲強(qiáng)。曲懷敬等人構(gòu)造代價(jià)矩陣時(shí)，引入活動(dòng)輪廓模型曲線內(nèi)、外力的思想［8］，對于無硬斑塊的IVUS圖像中-外膜檢測有較好的實(shí)驗(yàn)效果，當(dāng)IVUS圖像中出現(xiàn)硬斑塊時(shí)，常常會(huì)將斑塊的邊緣誤判為中-外膜邊緣，因此無法滿足臨床應(yīng)用的需要。

針對以上存在的問題，本研究提出一種基于硬斑塊特征的中-外膜檢測方法。首先，將直角坐標(biāo)IVUS圖像轉(zhuǎn)換為極坐標(biāo)圖像，采用k均值聚類對IVUS圖像進(jìn)行分割，根據(jù)血管正常組織和不同斑塊的成像特點(diǎn)，判斷分割后各個(gè)區(qū)域的屬性，完成對鈣化、纖維和鈣化-纖維混合斑塊的判斷；然后，結(jié)合這些硬斑塊的位置信息、圖像灰度以及改進(jìn)的圖像梯度計(jì)算方法，構(gòu)造代價(jià)矩陣；最后，運(yùn)用啟發(fā)式圖搜索方法，獲得極坐標(biāo)下的中-外膜邊緣，通過極坐標(biāo)到直角坐標(biāo)轉(zhuǎn)換，實(shí)現(xiàn)最終的IVUS中-外膜邊緣檢測。本方法采用大量臨床IVUS圖像進(jìn)行驗(yàn)證，能獲得較好的邊緣檢測效果。

1 基本原理

1.1 硬斑塊特征提取

采用k均值聚類（k-means algorithm）對極坐標(biāo)下的IVUS圖像進(jìn)行分割，在分割結(jié)果中為硬斑塊的判斷選取感興趣區(qū)域（region of interest，ROI）。k均值聚類由J.MacQueen提出，其核心思想是把數(shù)據(jù)對象劃分為k個(gè)聚類，使每個(gè)聚類中的數(shù)據(jù)點(diǎn)到該聚類中心的平方和最小［11］。k均值聚類用于圖像分割，具有簡單快速的特點(diǎn)。

以IVUS圖像的灰度值為聚類特征，k均值聚類過程如下：首先，從圖像中任意選取k個(gè)像素的灰度值，分別作為k個(gè)類別的初始聚類中心。計(jì)算各像素點(diǎn)灰度與聚類中心差別，以最大相似度確定各個(gè)像素點(diǎn)所屬的類別；然后，根據(jù)各個(gè)新聚類的像素點(diǎn)灰度值均值，更新聚類中心，重新計(jì)算各個(gè)像素點(diǎn)所屬的類別。不斷重復(fù)此過程，直到標(biāo)準(zhǔn)測度函數(shù)值不再發(fā)生變化。一般采用均方差作為標(biāo)準(zhǔn)測度函數(shù)，其定義為

式中，E為每個(gè)聚類中灰度值的均方差之和，a為像素的灰度值，mi為聚類Ci的灰度值均值。

針對鈣化和纖維斑塊的特點(diǎn)，從聚類結(jié)果中選取高亮度區(qū)域?yàn)镽OI，并按如下方法對其屬性進(jìn)行判斷：

1）鈣化斑塊判斷：鈣化斑塊亮度高，而且信號在斑塊后方迅速減弱，形成聲影。本研究采用文獻(xiàn)［12］提出的判斷條件對其進(jìn)行判斷：

2）纖維斑塊判斷：纖維斑塊亮度較高但不產(chǎn)生聲影，也就是說纖維斑塊后方仍有中膜（暗區(qū)）和外膜（亮區(qū)）成像。因此提出一種利用 R OI后方區(qū)域亮度變化規(guī)律判斷纖維斑塊的方法。在聚類圖中，根據(jù)ROI后方區(qū)域的每個(gè)像素到其上方 R OI的距離，構(gòu)造ROI后方區(qū)域圖。計(jì)算該圖每行像素聚類標(biāo)記數(shù)的平均值，并做出變化曲線，該曲線代表ROI后方區(qū)域的亮度變化規(guī)律。若曲線如圖1所示，表現(xiàn)為先下降后上升的規(guī)律，計(jì)算曲線上升部分的幅度，如果上升幅度大于閾值T2，判斷該ROI為纖維斑塊，否則判斷其為非纖維斑塊區(qū)域。

圖1 ROI后方區(qū)域亮度變化曲線Fig.1 Variation of intensity of region behind ROI

1.2 邊緣檢測

采用啟發(fā)式圖搜索獲得中-外膜邊緣，該方法應(yīng)用時(shí)的關(guān)鍵問題是設(shè)計(jì)合理的代價(jià)函數(shù)，由代價(jià)函數(shù)獲得每個(gè)點(diǎn)的代價(jià)值。如果該代價(jià)值能正確反映該點(diǎn)處于目標(biāo)邊緣的概率，就有利于目標(biāo)邊緣的搜索。

所提出的方法中，代價(jià)函數(shù)由三部分組成：（1）圖像梯度；（2）硬斑塊后方區(qū)域代價(jià)值增強(qiáng)；（3）硬斑塊相關(guān)區(qū)域代價(jià)值消除。

1）圖像梯度：根據(jù)IVUS圖像特點(diǎn)，中-外膜邊緣存在于中膜暗區(qū)與外膜亮區(qū)的交界處。在極坐標(biāo)圖中，計(jì)算徑向梯度可以獲得圖像邊緣信息［8］。為了更精確的表示圖像邊緣，提出按照圖2計(jì)算八方向梯度，然后根據(jù)式（3）進(jìn)行非極大值抑制：式中，G（i，j） 為像素（i，j） 的最終梯度值，gmax是該像素八個(gè)方向梯度中的最大值，g為各方向梯度，dir為方向。若方向梯度g 2、g3、g4中某一個(gè)為最大方向梯度（gmax）時(shí)，G（i，j） 取該方向梯度；若g1為最大方向梯度，且g2＞g8時(shí)，G（i，j） 取g 1；若g5為最大方向梯度，且g4＞g6時(shí)，G（i，j） 取g5。

圖2 5x5鄰域的八方向矩陣Fig.2 5x5 neighborhood of the eight direction matrix

2）硬斑塊后方區(qū)域代價(jià)值增強(qiáng)：硬斑塊會(huì)造成其后方區(qū)域的信息減弱，尤其是鈣化斑塊造成的聲影區(qū)域的信息幾乎完全消失。因此，僅以圖像梯度信息作為代價(jià)值，在受硬斑塊影響的位置上，很難獲得正確的中-外膜邊緣。本研究提出利用灰度信息對硬斑塊后方區(qū)域的代價(jià)值進(jìn)行增強(qiáng)：

式中，C（i，j） 為硬斑塊后方區(qū)域像素（i，j） 的增強(qiáng)值，I（i，j） 為像素（i，j） 的灰度值，m為梯度圖中非零點(diǎn)的均值，s為梯度圖中非零點(diǎn)的方差，對于一般的256階灰度圖像，n采用255。式（4）所得的增強(qiáng)值在0～t之間，相對于梯度值來說，增強(qiáng)值的大小適中，且在信息越弱的位置增強(qiáng)越多。

3）硬斑塊相關(guān)區(qū)域代價(jià)值消除：由于硬斑塊及其上方區(qū)域都屬于中-外膜以內(nèi)的部分，中-外膜不可能存在于這些區(qū)域。因此設(shè)定這些區(qū)域的代價(jià)值為零，消除硬斑塊的影響。

綜上所述，由以上三部分得到代價(jià)矩陣P

式中，R1為圖像中硬斑塊及其上方區(qū)域，R2為圖像中硬斑塊下方區(qū)域。

把IVUS中-外膜邊緣檢測問題轉(zhuǎn)換為圖搜索問題，其原理如下：把圖像當(dāng)作一個(gè)連通圖，各個(gè)像素作為圖中的節(jié)點(diǎn)，節(jié)點(diǎn)的代價(jià)值代表該節(jié)點(diǎn)作為邊緣的可能性，一條完整的路徑上所有節(jié)點(diǎn)代價(jià)值之和為該路徑的累加代價(jià)值。在所有可能的路徑中，累加代價(jià)值最大的路徑就是目標(biāo)的最優(yōu)邊緣。

將具體問題的已知信息作為啟發(fā)信息加入圖搜索過程，可以減小搜索范圍，降低問題復(fù)雜度，提高結(jié)果準(zhǔn)確性。根據(jù)IVUS圖像特點(diǎn)，啟發(fā)式圖搜索方法如下：

1）計(jì)算代價(jià)值累加矩陣N：由代價(jià)矩陣的第一列開始，根據(jù)式（6）逐列計(jì)算每個(gè)點(diǎn)的累加代價(jià)值，得到代價(jià)值累加矩陣N。采用最大代價(jià)值的路徑。

式中，N為累加矩陣，P為代價(jià)矩陣，i為行數(shù)，j為列數(shù)，Nmax為N（i’，j－1）中的最大值，其中i－1≤i’≤i+1。

2）搜索邊緣位置：N中最后一列的數(shù)值代表各條路徑的累加代價(jià)值，最大值位置就是中-外膜邊緣的末端。由該位置逆向搜索得到中-外膜邊緣：第j列的邊緣所在行數(shù)bj為N（i’，j）中最大值的位置，其中bj+1－1≤i’≤bj+1+1。

2 方法步驟

如上所述，目前的方法對含有硬斑塊的圖像不能有效檢測中-外膜邊緣。為解決此問題，本研究提出結(jié)合硬斑塊特征的IVUS中-外膜邊緣檢測方法。圖3為本方法流程圖。

圖3 實(shí)驗(yàn)流程圖Fig.3 Experiment flowchart

實(shí)驗(yàn)步驟描述如下：

步驟1：預(yù)處理包括極坐標(biāo)轉(zhuǎn)換和圖像去噪。首先，因IVUS成像是超聲探頭高速旋轉(zhuǎn)發(fā)射超聲波、掃描血管組織而形成的圖像數(shù)據(jù)，為了便于圖像處理，將圖像數(shù)據(jù)轉(zhuǎn)換為極坐標(biāo)，以角度θ為橫軸，半徑r為縱軸；然后，用雙邊濾波（bilateral filter）降低圖像噪聲；

步驟2：用k均值聚類分割圖像，對聚類結(jié)果進(jìn)行中值濾波，進(jìn)一步減小噪聲的影響，使分割區(qū)域更為完整；然后，根據(jù)文中1.1節(jié)所述原理判斷鈣化和纖維斑塊區(qū)域；最后，將兩種區(qū)域合并，得到完整的硬斑塊區(qū)域；

步驟3：根據(jù)公式（2）～（5）計(jì)算代價(jià)矩陣P；由于極坐標(biāo)圖可以看作周期圖像的一個(gè)完整周期，為了使搜索到的邊緣有較好的連續(xù)性，對代價(jià)矩陣P進(jìn)行周期延拓，在其前后各增加1/2周期，得到代價(jià)矩陣P’，根據(jù)式（6）計(jì)算P’的代價(jià)值累加矩陣N，搜索邊緣所在位置；

步驟4：取邊緣位置中間的一個(gè)完整周期，將其轉(zhuǎn)換回直角坐標(biāo)，得到原圖的中-外膜邊緣。

3 實(shí)驗(yàn)結(jié)果與分析

使用荷蘭萊頓大學(xué)醫(yī)學(xué)中心提供的654幀臨床IVUS圖像進(jìn)行實(shí)驗(yàn)，圖像格式為500像素×500像素，256階灰度。實(shí)驗(yàn)在Matlab2010b平臺(tái)上實(shí)現(xiàn)，實(shí)驗(yàn)設(shè)定聚類數(shù)k=7，采用k=6，7的區(qū)域?yàn)殁}化斑塊ROI，k=5，6的區(qū)域?yàn)槔w維斑塊ROI。提取硬斑塊特征時(shí)，根據(jù)部分樣本測試效果統(tǒng)計(jì)與臨床醫(yī)生經(jīng)驗(yàn)，本算法參數(shù)T1和T2取值分別在0.2～0.3和0.3～0.5時(shí)可獲得很高的硬斑塊判斷正確率，因此本次實(shí)驗(yàn)設(shè)定T1=0.24，T2=0.4。

3.1 實(shí)驗(yàn)結(jié)果比較

圖4和圖5分別為本方法的實(shí)驗(yàn)結(jié)果和醫(yī)生手工描記中-外膜輪廓的結(jié)果。圖4（a）的右上方區(qū)域存在鈣化斑塊，并且有大范圍聲影，本方法克服鈣化斑塊和聲影的影響，得到正確的中-外膜邊緣；圖4（b）的右上方區(qū)域存在纖維斑塊，本方法也可以得到正確結(jié)果；圖4（c）為不含斑塊的圖像檢測結(jié)果；圖4（d）為含血管分支圖像的檢測結(jié)果，圖中右下方有一條血管分支，本方法沒有受其影響，仍可得到正確結(jié)果。以醫(yī)生描記結(jié)果為金標(biāo)準(zhǔn)，對實(shí)驗(yàn)結(jié)果進(jìn)行定量分析得到表1。其中，假陽性率（false positive rate）FPR=FP/（FP+TN），表示將中-外膜以外區(qū)域誤判為中-外膜以內(nèi)的比例；假陰性率（false negative rate）FNR=FN/（FN+TP），表示將中-外膜以內(nèi)區(qū)域誤判為中-外膜以外的比例；區(qū)域重疊率=TP/（TP+FN+FP）；平均距離和最大距離分別為檢測結(jié)果與醫(yī)生描記曲線間的平均距離和最大距離；面積差為檢測結(jié)果以內(nèi)區(qū)域與醫(yī)生描記結(jié)果以內(nèi)區(qū)域面積之差?？梢钥闯霰痉椒ǖ臋z測結(jié)果與醫(yī)生描記的結(jié)果非常接近。

圖4 本方法檢測結(jié)果。（a）含鈣化斑塊圖像；（b）含纖維斑塊圖像；（c）不含硬斑塊圖像；（d）含血管分支圖像Fig.4 Detection result of this paper.（a）Image with calcified plaque；（b）Image with fibrous plaque；（c）Imagewithouthard plaque；（d）Image with bifurcation

圖5 醫(yī)生描記結(jié)果。（a）含鈣化斑塊圖像；（b）含纖維斑塊圖像；（c）不含硬斑塊圖像；（d）含血管分支圖像Fig.5 Result of doctor-drawn.（a）Image with calcified plaque；（b）Image with fibrous plaque；（c）Image without hard plaque；（d）Image with bifurcation

大量樣本的實(shí)驗(yàn)結(jié)果由有經(jīng)驗(yàn)的醫(yī)生進(jìn)行判定：不同的醫(yī)生分別判斷檢測結(jié)果是否正確，然后協(xié)調(diào)意見給出統(tǒng)一的判定結(jié)果。經(jīng)判定，采用本方法對654幀圖像檢測的結(jié)果中，得到正確結(jié)果的圖像共625幀，正確率為95.57％。由以上實(shí)驗(yàn)可以看出，本研究所提出的結(jié)合硬斑塊特征的中-外膜檢測方法，可以克服現(xiàn)實(shí)中存在的容易引起錯(cuò)誤的問題，成功檢測出IVUS圖像的中-外膜邊緣，并且有較高的正確率。

上述問題在已有的其他方法中尚不能較好解決，snake是目前研究較廣泛的方法，基于梯度矢量流模型（GVF）的snake是對經(jīng)典snake的改進(jìn)，減小了對初始輪廓的敏感性，提高了形變的自由度。采用GVF-snake檢測中-外膜邊緣，將初始輪廓設(shè)定在真實(shí)中-外膜邊緣附近，上述圖4（a）、（b）的檢測結(jié)果如圖6所示。由圖6（a）可以看出，曲線在聲影區(qū)域無法收斂，最后收斂在鈣化斑塊位置，得到錯(cuò)誤結(jié)果；由圖6（b）可以看出，曲線在纖維斑塊上的某些區(qū)域陷入局部極值，使檢測結(jié)果不準(zhǔn)確。而且snake需要調(diào)整的參數(shù)較多，收斂速度較慢，需要人工參與設(shè)置初始輪廓，曲線演化結(jié)果受初始輪廓影響較大。

圖6 GVF-snake中-外膜檢測結(jié)果。（a）含鈣化斑塊圖像；（b）含纖維斑塊圖像Fig.6 Result of GVF-snake.（a）Image with calcified plaque；（b）Image with fibrous plaque

圖搜索方法比snake有更好的全局性和抗噪性，運(yùn)算速度更快，而且不需要設(shè)置初始輪廓，可以實(shí)現(xiàn)自動(dòng)檢測。常規(guī)的圖搜索方法采用徑向梯度，不考慮硬斑塊判斷。用常規(guī)圖搜索對上述兩圖進(jìn)行實(shí)驗(yàn)的結(jié)果如圖7所示，可以看出該方法將斑塊的邊緣誤判為中-外膜邊緣。表2為常規(guī)圖搜索方法和本方法對整個(gè)實(shí)驗(yàn)樣本的檢測結(jié)果統(tǒng)計(jì)。實(shí)驗(yàn)樣本由醫(yī)生分為“含硬斑塊”與“不含硬斑塊”兩類，以便檢測結(jié)束后分別統(tǒng)計(jì)兩類圖像的檢測結(jié)果。其中含硬斑塊的圖像517幀，不含硬斑塊的圖像137幀?？梢钥闯觯Ｒ?guī)圖搜索方法對不含硬斑塊的圖像檢測正確率可以達(dá)到70.80％，但是對含硬斑塊的圖像正確率只有6.77％，幾乎完全無法得到正確結(jié)果。而本方法對不含硬斑塊圖像和含硬斑塊圖像的檢測正確率分別達(dá)到88.32％和97.49％，說明本方法更適用于臨床IVUS圖像的中-外膜檢測。

圖7 常規(guī)圖搜索檢測結(jié)果。（a）含鈣化斑塊圖像；（b）含纖維斑塊圖像Fig.7 Result of conventional graph-searching algorithm.（a）Image with calcified plaque；（b）Image with fibrous plaque

表2 圖搜索方法的中-外膜檢測結(jié)果Tab.2 Result of media-adventitia border detection by graph-searching

3.2 各種因素對檢測正確率的影響

為了討論本方法構(gòu)造代價(jià)矩陣的各個(gè)因素對檢測結(jié)果的影響，設(shè)計(jì)如下實(shí)驗(yàn)，方案1：以本方法計(jì)算梯度，但不進(jìn)行硬斑塊判斷；方案2：梯度基礎(chǔ)上加入硬斑塊下方區(qū)域代價(jià)值增強(qiáng)，但不消除硬斑塊相關(guān)區(qū)域代價(jià)值；方案3：梯度基礎(chǔ)上消除硬斑塊相關(guān)區(qū)域代價(jià)值，但不進(jìn)行代價(jià)值增強(qiáng)；方案4：本研究的完整方法。實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表3所示：由方案1的結(jié)果可以看出，本研究的梯度計(jì)算方法可以使不含硬斑塊圖像有較高的檢測正確率，但由于沒有加入硬斑塊判斷，對含硬斑塊圖像檢測正確率極低；由方案2的結(jié)果可以看出，判斷硬斑塊后進(jìn)行代價(jià)值增強(qiáng)，使含硬斑塊圖像的檢測正確率有一定提高，但是由于硬斑塊的影響仍沒有消除，所以提高程度較小；由方案3的結(jié)果可以看出，消除硬斑塊區(qū)域的代價(jià)值可以使含硬斑塊圖像的正確率有很大提高，這也進(jìn)一步說明了硬斑塊的存在對檢測結(jié)果的影響非常大，消除硬斑塊的影響很有必要；方案4采用本研究的完整方法，獲得了更高的檢測正確率。由此可見本方法構(gòu)造代價(jià)矩陣的各個(gè)因素的必要性和有效性。

表3 不同方案中-外膜檢測結(jié)果Tab.3 Result of media-adventitia border detection using different approaches

為了討論中-外膜檢測正確率與硬斑塊判斷正確率之間的關(guān)系，設(shè)計(jì)如下實(shí)驗(yàn)：通過調(diào)整實(shí)驗(yàn)參數(shù)改變硬斑塊判斷正確率，然后進(jìn)行中-外膜檢測。對實(shí)驗(yàn)樣本中含硬斑塊的517幀圖像進(jìn)行實(shí)驗(yàn)，結(jié)果如表4所示。從中可以看出，硬斑塊判斷的結(jié)果與中-外膜檢測的結(jié)果直接相關(guān)，硬斑塊判斷正確率與中-外膜檢測正確率基本呈線性關(guān)系。

4 結(jié)論

本研究提出了一種結(jié)合硬斑塊特征的IVUS圖像中-外膜檢測方法。本方法先用k均值聚類算法分割極坐標(biāo)下的IVUS圖像，根據(jù)不同斑塊的成像特點(diǎn)對硬斑塊進(jìn)行判斷；然后，用改進(jìn)的方法計(jì)算圖像梯度，結(jié)合硬斑塊后方區(qū)域代價(jià)值增強(qiáng)和硬斑塊相關(guān)區(qū)域代價(jià)值消除，得到代價(jià)矩陣；最后，用啟發(fā)式圖搜索獲得中-外膜邊緣。本方法根據(jù)多方面信息構(gòu)造代價(jià)矩陣，可以較好克服高頻IVUS臨床圖像中聲影和硬斑塊干擾等問題，而且無需人工干預(yù)，準(zhǔn)確性和魯棒性較好。

表4 硬斑塊判斷對中-外膜檢測正確率的影響Tab.4 Impact of hard plaque judgment on media adventitia border detection

下一步的工作將進(jìn)行內(nèi)膜的檢測，并結(jié)合目前判斷硬斑塊的研究成果，進(jìn)一步研究斑塊的自動(dòng)檢測與分析。

（致謝 感謝荷蘭萊頓大學(xué)醫(yī)學(xué)中心Johan H.C.Reiber教授對本研究的支持與幫助）

［1］Mintz GS，Nissen SE，Anderson WD，et al.American college of cardiology clinical expert consensus document on standards for acquisition，measurement and reporting of Intravascular Ultrasound studies（IVUS）［J］.Journal of the American College of Cardiology，2001，37（5）：1478 －1492.

［2］孫豐榮，李艷玲，曲懷敬，等.基于活動(dòng)輪廓模型和邊緣對比度特征量的血管內(nèi)超聲圖像邊緣提取［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2006，25（4）：385－389，395.

［3］孫豐榮，劉澤，李艷玲，等.一種改進(jìn)的自適應(yīng)形變模型及其血管內(nèi)超聲圖像邊緣提取應(yīng)用［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2008，27（2）：276－281.

［4］王昱鑌.基于血管內(nèi)超聲影像的邊緣檢測研究與實(shí)現(xiàn)［D］.北京：北京工業(yè)大學(xué)，2009.

［5］Sonka M，Hlavac V，Boyle R.Image processing，analysis，and machine vision［M］.（3rd Edition）.Toronto：Thomson，2008：197－207.

［6］Martelli A.Edge detection using heuristic search methods［J］.Computer Graphics and Image Processing，1972，1（2）：169－182.

［7］Sonka M，Zhang Xiangmin，Siebes M，et al.Segmentation of intravascular ultrasound images：A knowledge-based approach［J］.IEEE Transactions on Medical Imaging，1995，14（4）：719－732.

［8］曲懷敬，孫豐榮.李艷玲，等.基于活動(dòng)輪廓模型和統(tǒng)計(jì)特征的血管內(nèi)超聲圖像的邊緣提?。跩］.中國圖象圖形學(xué)報(bào)，2005，10（8）：999－1004.

［9］Bovenkamp EGP，Dijkstra J，Bosch JG，et al.Multi-agent segmentation of IVUS images［J］.Pattern Recognition，2004，37（4）：647－663.

［10］Bovenkamp EGP，Dijkstra J，Bosch JG.，et al.User-Agent Cooperation in Multiagent IVUS Image Segmentation［J］.IEEE Transactions on Medical Imaging，2009，28（1）：94－105.

［11］MacQueen J.Some methods for classification and analysis of multivariate observations［C］//Proceedings ofthe fifth Berkeley Symposium on Mathematical Statistics and Probability.Berkeley：University of California Press，1967：281－297.

［12］Zhang Qi，Wang Yuanyuan，Wang Weiqi，et al.Automatic segmentation of calcifications in intravascular ultrasound images using snakes and the contourlet transform［J］.Ultrasound in Med＆Biol，2010，36（1）：111－129.