颈动脉超声图像内中膜分割算法研究

论文摘要

颈部动脉血管的内中膜厚度是反映动脉粥样硬化的重要指标。临床中广泛采用超声成像方法获取颈动脉血管图像,之后由医生手工定点或边界描绘测量内中膜厚度。为解决医生工作量大、测量结果依赖个人经验和主观性强的问题,有必要借助图像处理技术研究自动化的内中膜厚度测量方法。颈动脉内中膜厚度测量的关键是准确分割出上下两条边界。在研究颈动脉图像特点及现有方法优缺点的基础上,提出一种基于距离约束的活动轮廓模型的内中膜分割算法。该算法由初始轮廓定位和轮廓线演化两大部分组成。首先使用方向梯度计算边缘图,对其阈值化并分段得到等宽的二值图像段。在每个图像段中利用两条边界较平行并相隔一定距离的特点,使用Hough变换得到靠近内中膜的两条直线段。之后校正错误的直线段并采样得到内中膜的两条初始轮廓线。最后使用双Snake模型演化两条初始轮廓线,让它们在保持光滑、靠近边缘、并维持距离一致性的约束下演化为精确分割内中膜的边界轮廓线。采用了中南医院提供的50幅图像验证该算法的有效性。将新算法、传统动态规划、双动态规划和传统Snake方法的结果与金标准比较,表明新分割算法具有最小的误差,且在95%的置信区间内,内中膜厚度的均值的误差在-0.03mm至0.08mm之间,最大值的误差在-0.1mm至0.09mm之间,满足临床应用的实际要求。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景、目的与意义
• 1.2 国内外研究概况
• 1.3 本文研究内容
• 2 算法总体设计
• 2.1 问题描述
• 2.2 算法设计思想和框架
• 2.3 数据来源及评估标准
• 2.4 本章小结
• 3 关键理论与技术
• 3.1 边缘图计算
• 3.2 Hough 变换
• 3.3 建立初始轮廓线
• 3.4 双 Snake 模型
• 3.5 本章小结
• 4 实验结果与分析
• 4.1 相关算法
• 4.2 分割示例
• 4.3 算法比较
• 4.4 结果分析
• 4.5 临床评估
• 4.6 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 前景展望
• 附录 英文缩写词
• 致谢
• 参考文献
• 攻读硕士期间发表的论文