本文關(guān)鍵詞：血管內(nèi)超聲圖像序列自動檢索系統(tǒng)的設(shè)計與實現(xiàn)

  更多相關(guān)文章： 血管內(nèi)超聲 關(guān)鍵幀 紋理特征提取 分類器 血管分叉 支架

【摘要】：血管內(nèi)超聲(intravenous ultrasound,IVUS)是無創(chuàng)性的超聲技術(shù)和有創(chuàng)性的導(dǎo)管技術(shù)相結(jié)合的一種介入影像技術(shù),它利用導(dǎo)管將一個高頻微型超聲探頭導(dǎo)入血管腔內(nèi)進(jìn)行探測,繼而以恒定速度緩慢回撤超聲導(dǎo)管,獲得一系列的血管橫斷面圖像。臨床采集的IVUS圖像序列數(shù)據(jù)量巨大,且圖像受噪聲污染比較嚴(yán)重,包含多種影響視覺效果的偽像。同時由于拍攝速度極快,會產(chǎn)生大量無診斷價值的圖像。若由人來逐幀檢查和分析,則是一項非常繁瑣的工作,并且對操作者的專業(yè)知識要求也很高,分析結(jié)果的客觀性和可重復(fù)性差。本文主要包括兩方面的內(nèi)容:IVUS灰階圖像序列中關(guān)鍵幀的全自動檢索和支架及血管分叉的自動檢測。分別采用兩種方法實現(xiàn)關(guān)鍵幀的全自動檢索,其一是基于血管的形態(tài)學(xué)描述方法,基本思想是提取圖像中的血管壁輪廓,計算圖像特定角度的曲率特征組成特征向量,計算出相鄰兩幀之間的馬氏距離,采用自適應(yīng)與之方法提取出關(guān)鍵幀;其二是基于圖像灰度特征的方法,即根據(jù)相鄰圖像對應(yīng)區(qū)域灰度直方圖的巴氏距離提取關(guān)鍵幀。利用臨床采集的圖像數(shù)據(jù)分別對兩種方法進(jìn)行驗證,定量分析實驗結(jié)果和評價精度。對于支架和分叉的自動檢測,分別利用Haar-like特征提取和局部二值模式(LBP)提取支架和分叉的紋理特征,并分別利用Gentle Adaboost、Modest Adaboost和Real Adaboost三種方法訓(xùn)練分類器,檢測是否存在支架和分叉。采用臨床采集的圖像數(shù)據(jù)對上述方法的可行性進(jìn)行驗證,并對實驗檢測結(jié)果進(jìn)行分析比較和討論。
【關(guān)鍵詞】：血管內(nèi)超聲 關(guān)鍵幀 紋理特征提取 分類器 血管分叉 支架
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;R445.1
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-17
• 1.1 研究背景9-12
• 1.1.1 IVUS的成像原理和臨床應(yīng)用9-10
• 1.1.2 IVUS的圖像特點10-12
• 1.2 IVUS圖像序列自動檢索的研究現(xiàn)狀12-15
• 1.2.1 圖像檢索技術(shù)的發(fā)展和研究現(xiàn)狀12
• 1.2.2 圖像紋理特征提取和分類的研究現(xiàn)狀12-14
• 1.2.3 IVUS圖像序列自動檢索的研究現(xiàn)狀14-15
• 1.3 本文的研究目的及意義15-16
• 1.4 本文的主要研究內(nèi)容16-17
• 第2章 IVUS圖像序列關(guān)鍵幀的自動檢索17-28
• 2.1 基于血管形態(tài)的關(guān)鍵幀自動檢索17-22
• 2.1.1 提取橫向視圖中血管壁的輪廓17-18
• 2.1.2 基于SAX算法的量化編碼18-19
• 2.1.3 計算相似度19
• 2.1.4 選擇關(guān)鍵幀19-20
• 2.1.5 實驗結(jié)果及分析20-22
• 2.2 基于灰度直方圖的關(guān)鍵幀自動檢索22-26
• 2.2.1 提取灰度特征向量23
• 2.2.2 計算相似度23-24
• 2.2.3 選擇關(guān)鍵幀24
• 2.2.4 實驗結(jié)果與分析24-25
• 2.2.5 討論25-26
• 2.3 兩種方法的比較26-27
• 2.4 本章小結(jié)27-28
• 第3章 IVUS圖像中支架和血管分叉的檢索28-45
• 3.1 支架紋理特征提取28-34
• 3.1.1 構(gòu)建支架樣本庫28-29
• 3.1.2 提取Haar-like紋理特征29-32
• 3.1.3 實驗結(jié)果與分析32-34
• 3.2 分叉紋理特征提取34-37
• 3.2.1 建立血管分叉樣本庫34
• 3.2.2 提取局部二值模式紋理特征34-35
• 3.2.3 實驗結(jié)果與分析35-37
• 3.3 IVUS圖像紋理特征的分類37-44
• 3.3.1 Real Adaboost37-38
• 3.3.2 Gentle Adaboost算法簡介38-39
• 3.3.3 Modest Adaboost算法簡介39
• 3.3.4 比較分類器的性能39-42
• 3.3.5 Gentle Adaboost分類器的校驗42-44
• 3.4 本章小結(jié)44-45
• 第4章 結(jié)論與展望45-47
• 4.1 結(jié)論45-46
• 4.2 展望46-47
• 參考文獻(xiàn)47-52
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果52-53
• 致謝53

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張愛華;李峗;;基于圖像序列的脈象分析[J];中國組織工程研究與臨床康復(fù);2010年52期

2 張瑛;饒妮妮;王剛;;改進(jìn)的小波域醫(yī)學(xué)圖像序列的運(yùn)動估計[J];生物醫(yī)學(xué)工程學(xué)雜志;2006年05期

3 張飛;樊瑜波;蒲放;劉展;;牙頜CT圖像序列中牙的半自動分割方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2007年01期

4 胡慶茂;時間圖像序列配準(zhǔn)的研究[J];中國生物醫(yī)學(xué)工程學(xué)報;1994年02期

5 周穎s，

本文編號：893314