本文關(guān)鍵詞：超聲心動(dòng)圖中先心病輔助診斷技術(shù)研究

  更多相關(guān)文章： 二尖瓣 超聲心動(dòng)圖 Bag of Features 自動(dòng)上下文模型

【摘要】：二尖瓣是心臟的重要組成部分,其生理功能是控制左心房到左心室之間血液的單向流動(dòng)。據(jù)統(tǒng)計(jì),我國的小兒先天性心臟病例中,約1/2的病因源于二尖瓣的結(jié)構(gòu)異常與功能異常。二尖瓣返流、二尖瓣狹窄等都是常見的瓣膜性心臟病,臨床上通常采用超聲來觀察二尖瓣的形態(tài)與運(yùn)動(dòng)軌跡,進(jìn)行疾病診斷。本文提出了一種基于Bag of Features的二尖瓣根識(shí)別算法,與一種基于自動(dòng)上下文模型的瓣膜識(shí)別算法。瓣根識(shí)別算法的難點(diǎn)在于如何設(shè)計(jì)有效的特征描述子。由于瓣根與左心房、心室的位置較為固定,瓣膜的快速移動(dòng)使得瓣根鄰域的紋理信息較豐富,最終算法采用局部上下文特征和LBP特征描述二尖瓣根。Bag Of Features首先從樣本中提取瓣根特征,采用k-means算法聚類生成視覺詞匯,構(gòu)成碼書,然后計(jì)算每一樣本的BOF直方圖,作為特征描述向量,據(jù)此訓(xùn)練分類器,分類器采用直方圖交集核SVM。瓣膜的自動(dòng)提取需要解決兩個(gè)問題。第一,瓣膜的運(yùn)動(dòng)快速而無規(guī)律,如何建立有效的模型是個(gè)難點(diǎn);第二,受限于超聲成像機(jī)制,在心室收縮期,瓣膜張開時(shí)會(huì)出現(xiàn)成像斷裂成幾部分的情況,如何正確分割所有的瓣膜區(qū)域是個(gè)更為困難的任務(wù)。本文提出的瓣膜識(shí)別算法,通過把瓣膜看做是一些點(diǎn)的集合,將瓣膜整體的分割轉(zhuǎn)換為對(duì)點(diǎn)集的識(shí)別,可以有效解決上述問題。算法首先采用自動(dòng)上下文模型識(shí)別出瓣膜,然后采用Bag of Features方法識(shí)別出瓣根,基于瓣根、瓣膜的相對(duì)位置確定瓣膜所在區(qū)域,篩除誤判點(diǎn)。為了進(jìn)一步去除尾影,最后進(jìn)行細(xì)化、濾波操作。算法在10個(gè)病人的實(shí)時(shí)三維超聲心動(dòng)圖數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試,實(shí)驗(yàn)結(jié)果表明,與人工標(biāo)定相比,瓣根的平均識(shí)別誤差為1.4±2.1個(gè)像素,瓣膜在舒張期和收縮期都取得了較為準(zhǔn)確的識(shí)別結(jié)果。
【關(guān)鍵詞】：二尖瓣 超聲心動(dòng)圖 Bag of Features 自動(dòng)上下文模型
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R540.45;R541.1
【目錄】：

• 摘要7-9
• Abstract9-17
• 第一章 緒論17-24
• 1.1 心臟解剖結(jié)構(gòu)與生理功能17-19
• 1.2 心臟病現(xiàn)狀19-20
• 1.3 醫(yī)學(xué)影像輔助診斷技術(shù)20-21
• 1.4 課題主要研究?jī)?nèi)容與意義21-22
• 1.5 文章組織結(jié)構(gòu)22-24
• 第二章 相關(guān)工作研究24-36
• 2.1 基于SVD分解與低階表達(dá)的瓣膜分割算法24-27
• 2.1.1 矩陣譜分析24-26
• 2.1.2 二尖瓣膜分割26-27
• 2.2 基于活動(dòng)輪廓模型的二尖瓣膜分割算法27-30
• 2.2.1 初步分割28-29
• 2.2.2 基于活動(dòng)輪廓的修正29-30
• 2.3 基于圖割的二尖瓣環(huán)分割算法30-34
• 2.3.1 薄組織檢測(cè)器31-32
• 2.3.2 最大流算法尋找瓣膜曲面32-33
• 2.3.3 采用活動(dòng)輪廓模型分割瓣環(huán)33-34
• 2.4 基于SVM與自適應(yīng)閾值的二尖瓣根識(shí)別算法34-35
• 2.5 本章小結(jié)35-36
• 第三章 基礎(chǔ)理論36-46
• 3.1 Bag of Features36-39
• 3.1.1 Bag of Features的構(gòu)建方法36-37
• 3.1.2 局部特征提取37-38
• 3.1.3 構(gòu)建視覺詞典38
• 3.1.4 生成BOF直方圖分布38-39
• 3.1.5 分類器訓(xùn)練與測(cè)試39
• 3.2 自動(dòng)上下文模型39-43
• 3.2.1 原理簡(jiǎn)述39-40
• 3.2.2 自動(dòng)上下文的訓(xùn)練40-41
• 3.2.3 自動(dòng)上下文的測(cè)試41-42
• 3.2.4 收斂性分析42-43
• 3.3 直方圖交集核SVM的加速43-45
• 3.4 本章小結(jié)45-46
• 第四章 基于Bag of Features的二尖瓣根識(shí)別46-57
• 4.1 算法描述46
• 4.2 特征提取46-50
• 4.2.1 局部上下文特征47
• 4.2.2 LBP特征47-50
• 4.3 Bag of Features實(shí)現(xiàn)細(xì)節(jié)50-51
• 4.4 實(shí)驗(yàn)與分析51-55
• 4.4.1 實(shí)驗(yàn)數(shù)據(jù)51-52
• 4.4.2 視覺詞典大小的選擇52
• 4.4.3 不同特征的實(shí)驗(yàn)結(jié)果對(duì)比52-54
• 4.4.4 與其他方法的比較54-55
• 4.5 本章小結(jié)55-57
• 第五章 基于自動(dòng)上下文模型的二尖瓣膜識(shí)別57-67
• 5.1 心動(dòng)周期中心臟瓣膜的運(yùn)動(dòng)57
• 5.2 算法簡(jiǎn)述57-58
• 5.3 特征提取58-60
• 5.3.1 LDB特征59-60
• 5.3.2 基于AdaBoost的LDB位特征選擇60
• 5.4 自動(dòng)上下文模型實(shí)現(xiàn)細(xì)節(jié)60-61
• 5.5 實(shí)驗(yàn)與分析61-65
• 5.5.1 自動(dòng)上下文模型訓(xùn)練迭代次數(shù)選擇61-62
• 5.5.2 不同特征的實(shí)驗(yàn)對(duì)比62-63
• 5.5.3 與其他算法的對(duì)比63-65
• 5.6 本章小結(jié)65-67
• 第六章 總結(jié)和展望67-69
• 致謝69-70
• 參考文獻(xiàn)70-76
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文76

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 呂柄江;趙小杰;姚力;高家紅;;實(shí)時(shí)功能磁共振成像及其應(yīng)用[J];科學(xué)通報(bào);2014年02期

2 劉凱波;潘迎;李紅梅;徐宏燕;丁輝;;北京市10年圍產(chǎn)兒先天性心臟病資料分析[J];中國優(yōu)生與遺傳雜志;2008年03期

，

本文編號(hào)：1116592