冠心病是目前全球范圍內(nèi)死亡率最高的疾病之一,中國(guó)的冠心病致死人數(shù)居全球第二位。經(jīng)皮冠狀動(dòng)脈介入治療是治療冠心病的最常用方法,通過(guò)植入支架,疏通狹窄或者堵塞的冠狀動(dòng)脈,改善心肌的供血狀況�？山到庵Ъ苁墙陙�(lái)提出的最新一代具有革命性技術(shù)前景的支架,可提供階段性的血管壁支撐,待癥狀緩解后自動(dòng)降解。但支架在植入過(guò)程中,如果發(fā)生支架貼壁不良現(xiàn)象,會(huì)導(dǎo)致術(shù)后支架內(nèi)血栓等晚期不良事件的發(fā)生,給患者生命安全帶來(lái)威脅。所以在支架植入過(guò)程中,支架貼壁情況的實(shí)時(shí)分析具有重要的臨床應(yīng)用價(jià)值和研究意義。經(jīng)皮冠狀動(dòng)脈介入手術(shù)中需要腔內(nèi)影像進(jìn)行輔助診斷。血管內(nèi)光學(xué)相干斷層掃描技術(shù)(Intravascular optical coherence tomography,IVOCT)具有很高的成像分辨率,能夠?qū)山到庵Ъ芮逦上?因此可以在術(shù)中輔助專家進(jìn)行支架貼壁情況的分析。但鑒于每個(gè)回拉中包含數(shù)千個(gè)支架,依靠專家手工分析必然是耗時(shí)耗力的,利用計(jì)算機(jī)算法進(jìn)行輔助分析可以提供給專家實(shí)時(shí)、直觀、有效的支架貼壁自動(dòng)分析結(jié)果。本文中提出了IVOCT影像中可降解支架輪廓的自動(dòng)分割算法,在得到支架輪廓后,結(jié)合冠狀動(dòng)脈管腔輪廓就可以得...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景
        1.1.1 冠心病
        1.1.2 經(jīng)皮冠狀動(dòng)脈介入治療
        1.1.3 心臟支架
        1.1.4 血管內(nèi)光學(xué)相干成像技術(shù)
    1.2 研究目的和意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì)
    1.4 本文主要工作
    1.5 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)
    2.1 圖像目標(biāo)分割
    2.2 深度學(xué)習(xí)圖像分割模型
        2.2.1 常用的深度學(xué)習(xí)圖像分割模型
        2.2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        2.2.3 深度學(xué)習(xí)Mask R-CNN模型
    2.3 本章小結(jié)
第3章 基于角點(diǎn)檢測(cè)的可降解支架輪廓自動(dòng)分割
    3.1 算法整體思路
    3.2 構(gòu)建角點(diǎn)分類器
        3.2.1 訓(xùn)練樣本
        3.2.2 特征提取
        3.2.3 訓(xùn)練角點(diǎn)分類器
    3.3 支架四個(gè)角點(diǎn)檢測(cè)
        3.3.1 支架候選角點(diǎn)檢測(cè)
        3.3.2 支架四個(gè)區(qū)域劃分
        3.3.3 支架角點(diǎn)選擇
    3.4 本章小結(jié)
第4章 基于Mask R-CNN的可降解支架自動(dòng)分割
    4.1 基于Mask R-CNN的可降解支架自動(dòng)分割框架
    4.2 圖像預(yù)處理模塊
    4.3 Mask R-CNN模型訓(xùn)練模塊
        4.3.1 特征提取網(wǎng)絡(luò)架構(gòu)
        4.3.2 區(qū)域候選網(wǎng)絡(luò)
        4.3.3 ROI Align
        4.3.4 分類回歸分割模塊
    4.4 IVOCT影像中BVS支架分割
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 實(shí)驗(yàn)
        5.1.1 實(shí)驗(yàn)材料
        5.1.2 參數(shù)設(shè)置
        5.1.3 實(shí)驗(yàn)環(huán)境
        5.1.4 評(píng)價(jià)標(biāo)準(zhǔn)
    5.2 實(shí)驗(yàn)結(jié)果定性分析
        5.2.1 基于角點(diǎn)檢測(cè)的BVS支架自動(dòng)分割
        5.2.2 基于Mask R-CNN的 BVS支架自動(dòng)分割
    5.3 實(shí)驗(yàn)結(jié)果定量分析
        5.3.1 基于角點(diǎn)檢測(cè)的BVS支架自動(dòng)分割
        5.3.2 基于Mask R-CNN的 BVS支架自動(dòng)分割
        5.3.3 耗時(shí)分析
    5.4 結(jié)果討論
        5.4.1 角點(diǎn)檢測(cè)方法討論
        5.4.2 Mask R-CNN算法討論
    5.5 貼壁情況分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3845152