【摘要】：長期以來,心血管疾病是發(fā)達(dá)國家導(dǎo)致死亡的首要原因,其在發(fā)展中國家的發(fā)病率迅速提升,并成為頭號殺手。據(jù)統(tǒng)計(jì),每年在美國超過100萬人,世界上其他地區(qū)超過1900萬人發(fā)生突發(fā)性心血管事件,且大多數(shù)患者發(fā)病前并無預(yù)兆。因此,檢測識別易損的動脈粥樣硬化斑塊(易損斑塊)對于預(yù)防和治療突發(fā)性心血管疾病具有重要的現(xiàn)實(shí)意義。從病理學(xué)分析,動脈粥樣硬化斑塊逐漸發(fā)展為易損斑塊,發(fā)生破裂繼而形成血栓,是導(dǎo)致急性冠狀動脈綜合征(Acute coronary syndrome, ACS)發(fā)病的主要原因。易損斑塊是一種不穩(wěn)定且具有形成血栓傾向的高風(fēng)險(xiǎn)斑塊。有研究表明,對高風(fēng)險(xiǎn)斑塊行頸動脈內(nèi)膜切除術(shù)可以有效地降低中風(fēng)的機(jī)率和延長發(fā)病的時(shí)間。然而,斑塊切除手術(shù)是一種價(jià)格昂貴且風(fēng)險(xiǎn)較高的手術(shù)。檢測識別高風(fēng)險(xiǎn)斑塊可以為頸動脈斑塊切除手術(shù)提供篩選標(biāo)準(zhǔn)。1995年,歐洲頸動脈斑塊研究小組利用斑塊超聲圖像從其回聲特征、結(jié)構(gòu)、表面進(jìn)行分類。按斑塊表面分類為表面規(guī)則和表面不規(guī)則；按斑塊結(jié)構(gòu)分類為均勻回聲和非均勻回聲；按回聲特征則分類為三個(gè)等級：高回聲,混合回聲,低回聲。經(jīng)組織學(xué)驗(yàn)證,高回聲斑塊多富含纖維和鈣化,暗示著斑塊穩(wěn)定；低回聲斑塊則被認(rèn)為是高風(fēng)險(xiǎn)斑塊,斑塊內(nèi)多含有富脂成分、出血和壞死物質(zhì)。斑塊的不均勻回聲提示斑塊內(nèi)出血和潰瘍,并與腦缺血性事件或狹窄程度進(jìn)展密切相關(guān)。因此,準(zhǔn)確識別低回聲斑塊,評估斑塊風(fēng)險(xiǎn)等級,對于是否選擇斑塊切除手術(shù),有重要的意義。目前,如何檢測和識別易損斑塊已成為研究熱點(diǎn),無創(chuàng)檢測手段包括超聲、計(jì)算機(jī)斷層掃描成像(CT)、磁共振成像(MRI)等,有創(chuàng)檢測手段包括血管內(nèi)超聲、血管鏡、光學(xué)相干層析成像(OCT)、溫度測量法等。其中,B超作為一種非侵入式的檢查手段具有特殊的優(yōu)勢,其價(jià)格低廉、臨床應(yīng)用方便,可提供頸動脈內(nèi)中膜厚度、管腔狹窄程度、斑塊體積和斑塊內(nèi)部回聲特點(diǎn)等特征。利用B超對脈粥樣硬化斑塊進(jìn)行檢查時(shí),斑塊的回聲特征與中風(fēng)以及其他心腦血管事件的發(fā)生率有密切的相關(guān)性。本文根據(jù)斑塊回聲特征對斑塊分類,并研究兩種評估斑塊風(fēng)險(xiǎn)性的方法：1.利用Mazda對斑塊超聲圖像進(jìn)行紋理分析,識別低回聲斑塊：2.通過建立斑塊超聲圖像灰度分布的雙峰伽馬模型,實(shí)現(xiàn)對斑塊分類。于2011年10月至2014年10月,在中山大學(xué)附屬第三醫(yī)院超聲科利用東芝Aplio XG、飛利浦IE33、百勝Lab90超聲系統(tǒng)收集斑塊圖像數(shù)據(jù)。由一名具有五年臨床超聲檢查經(jīng)驗(yàn)的醫(yī)師對斑塊進(jìn)行分類和圈定圖像中斑塊的位置和大小,并以此作為金標(biāo)準(zhǔn)。斑塊超聲圖像來源于不同操作者或不同設(shè)備,為提高實(shí)驗(yàn)結(jié)論的可靠性和普遍性,本文將對斑塊超聲圖像進(jìn)行歸一化處理。傳統(tǒng)中,利用Photoshop將圖像的灰度進(jìn)行線性調(diào)整,在圖像中任意選取一塊血液和內(nèi)中膜區(qū)域,將血液的灰度中值壓縮映射在0-5之間,將血管內(nèi)中膜的灰度中值壓縮映射在185-195之間,整幅圖像的灰度則在0-255。然而,超聲圖像中血管內(nèi)中膜模糊且很薄,不易選中。本文在Version 7.8.0.347 (R2009a) Matlab中利用窗口選中斑塊、血液和鄰近的動脈外膜,窗口內(nèi)圖像的所有灰度值除以窗口內(nèi)最大的灰度值,實(shí)現(xiàn)圖像歸一化。研究一：圖像紋理描述圖像像素領(lǐng)域灰度分布的規(guī)律,且涉及圖像的表而、結(jié)構(gòu)、以及圖像中各種特征的布局。研究表明粥樣硬化斑塊的紋理特征與患者是否有臨床癥狀、及其他心腦血管疾病相關(guān)。與主觀的視覺識別法相比較,利用紋理分析法評價(jià)斑塊的風(fēng)險(xiǎn)等級,具有客觀性、普遍性、可重復(fù)性的特點(diǎn)。MaZda是一款專業(yè)的2D/3D圖像紋理分析軟件,它提供圖像紋理分析,最優(yōu)紋理特征提取,紋理特征數(shù)據(jù)分析和數(shù)據(jù)分類等功能模塊。本文首次利用MaZda軟件對粥樣硬化斑塊B型超聲圖像進(jìn)行紋理分析,實(shí)現(xiàn)低回聲斑塊與混合回聲斑塊的分類,早期識別高風(fēng)險(xiǎn)斑塊,提高易損斑塊檢出率。方法：研究收集218個(gè)斑塊樣本(高回聲73個(gè)、混合回聲69個(gè),低回聲76個(gè)),本文致力于識別高風(fēng)險(xiǎn)的低回聲斑塊,剔除高回聲斑塊,保留混合回聲和低回聲斑塊各68個(gè)。采用交叉驗(yàn)證法,隨機(jī)將樣本分為4組,其中3組作為訓(xùn)練樣,1組作為測試樣本,取各次測試結(jié)果平均值作為最終分類準(zhǔn)確率。首先利用MaZda軟件從六方面：灰度直方圖、灰度絕對梯度、灰度游程矩陣、灰度共生矩陣、自回歸模型和小波變換提取斑塊超聲圖像將近300個(gè)的紋理特征值。為選擇出各類斑塊中的差異特征,根據(jù)MaZda的三種特征選擇方法：費(fèi)希爾參數(shù)法(Fisher).最小分類誤差與最小平均相關(guān)系數(shù)法(POE+ACC).相關(guān)信息測度法(MI)分別選擇10個(gè)最優(yōu)特征值。為進(jìn)一步探索,研究中將融合三組特征獲得交集組(Intersection)和并集組(Union)。最后分別根據(jù)線性判別分析法(LDA)和非線性判別分析法(NDA)分析五組紋理特征數(shù)據(jù)。其中LDA分析的數(shù)據(jù)應(yīng)用于K鄰近分類器進(jìn)行斑塊分類；NDA分析的數(shù)據(jù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行斑塊分類。結(jié)果：(1)統(tǒng)計(jì)四組交叉驗(yàn)證試驗(yàn)中,Fisher、POE+ACC和MI特征組出現(xiàn)3次及3次以上的特征向量,共有18個(gè)特征,共生矩陣特征12個(gè)、小波變換特征2個(gè)、直方圖、絕對梯度、游程矩陣和自回歸模型特征各1個(gè),特征主要來源于灰度共生矩陣和小波變換,其中16個(gè)特征為顯著性差異。(2)利用LDA和NDA分析Fisher、POE+ACC、MI特征組進(jìn)行分類時(shí)的準(zhǔn)確率分別為67.7%、61.8%、77.2%和58.1%、66.2%、73.5%。三組特征融合為Intersection和Union后,分類的準(zhǔn)確率明顯提高,利用LDA和NDA分析Intersection和Union特征獲得準(zhǔn)確率分別87.5%、89.0%和69.9%、79.4%。其中利用LDA分析Union特征組進(jìn)行分類的準(zhǔn)確率最高,為89.0%。結(jié)論：利用MaZda對低回聲和混合回聲斑塊圖像分類具有較高的準(zhǔn)確率,可以作為評估動脈粥樣硬化斑塊風(fēng)險(xiǎn)性的新工具。研究二：利用數(shù)學(xué)統(tǒng)計(jì)模型處理數(shù)字圖像,能夠成功識別圖像中的目標(biāo),已有研究利用伽馬模型描述雷達(dá)圖像和超聲圖像灰度分布特點(diǎn)。伽馬函數(shù)有單峰,雙峰和多峰的函數(shù)形式,其中單峰伽馬分布函數(shù)適合描述簡單,信息量少的圖像,多峰伽馬分布函數(shù)則由于參數(shù)過多而不利于建立模型。粥樣硬化斑塊成分復(fù)雜,包含纖維組織,斑塊出血,斑塊鈣化、脂質(zhì)等,其B超圖像灰度分布復(fù)雜。本文選擇雙峰伽馬分布函數(shù)擬合斑塊超聲圖像灰度分布,建立基于斑塊超聲圖像灰度分布的雙峰伽馬數(shù)學(xué)模型,識別不同回聲特征的斑塊,評估斑塊的風(fēng)險(xiǎn)等級。方法：研究收集137個(gè)斑塊樣本(高回聲45個(gè)、混合回聲40個(gè),低回聲52個(gè)),為保持各類斑塊數(shù)據(jù)數(shù)量一致,隨機(jī)剔除部分?jǐn)?shù)據(jù),保留各類斑塊40個(gè)。隨機(jī)將樣本分成四組,每組各類樣本均為10個(gè)。采用交叉驗(yàn)證法,分別以其中三組作為建模組,一組為測試組,取各次測試結(jié)果平均值作為最終分類準(zhǔn)確率。首先,對斑塊圖像進(jìn)行歸一化處理,然后利用Photoshop軟件獲取斑塊超聲圖像的灰度分布,并利用Matlab獲得斑塊原始灰度分布曲線。然后,利用Matlab內(nèi)部的lsqcurvefit非線性最小二乘法擬合函數(shù),將雙峰伽馬概率分布曲線擬合斑塊原始灰度分布曲線,擬合過程中調(diào)整雙峰伽馬概率分布函數(shù)的五個(gè)參數(shù),控制曲線擬合的誤差。為建立各類斑塊模型,研究中分別疊加建模組中三類斑塊樣本的灰度分布,得到高回聲、混合回聲、低回聲三個(gè)灰度分布集合,并求得其分布曲線。通過雙峰伽馬分布曲線擬合灰度分布集合的分布曲線,獲得斑塊模型曲線。最后計(jì)算測試組斑塊原始灰度分布曲線與模型曲線的誤差作為分類的標(biāo)準(zhǔn),測試斑塊模型分類的準(zhǔn)確率。結(jié)果：(1)在誤差范圍內(nèi),雙峰伽馬函數(shù)能夠成功擬合各類斑塊的灰度分布；(2)實(shí)驗(yàn)表明斑塊模型圖中低回聲、混合回聲、高回聲模型曲線可明顯區(qū)分,其中低回聲與混合回聲曲線的距離較小,混合回聲與高回聲曲線的距離較大；(3)利用斑塊雙峰伽馬模型分類,識別出高回聲斑塊、混合回聲斑塊和低回聲斑塊的準(zhǔn)確率分別為100%、65%和75%。結(jié)論：雙峰伽馬灰度模型能有效的描述斑塊的灰度分布,識別高回聲斑塊有很高的準(zhǔn)確率,對于評估斑塊風(fēng)險(xiǎn)等級有很大潛能和良好的前景。
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R543.5;R445.1
【圖文】：

２．３實(shí)驗(yàn)方法逡逑Ｍａｚｄａ是一款半自動的紋理分析軟件，其用戶界面友好，操作簡單。Ｍａｚｄａ逡逑軟件的具體流程如圖２－１所示Ｐ２３。逡逑圈像獲取弓預(yù)處巧邐＾邐逡逑■邐Ｉ邐特泣＾巧逡逑邐＊邐１邐■邋（Ｆｉｓｈｅｒ、ＰＯＥ＋ＡＣＸ、Ｍ。逡逑標(biāo)邋ｉ？RG邋０１邐Ｉ邋邐＊邐逡逑Ｊ邐W邐特征分折逡逑Ｗ邋＾邐Ｉ邋■邐（Ｕ）ｉ＼、遍）逡逑￥邐紋那．分析邐■邋邐邐邐ＪＡ逡逑Ｉ邋ｎａ逡逑、函邐國＾逡逑ＭａＺｄａ逡逑Ｂ１１逡逑圖２－１斑塊分類流程：標(biāo)識ＲＯＩ、紋理分析和特征選擇在Ｍａｚｄａ進(jìn)行；特征數(shù)據(jù)分析和分逡逑類在Ｍａｚｄａ的集成模塊Ｂ１１進(jìn)行逡逑Ｆｉｇ．２－１邋Ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ｐｌａｑｕｅ邋ｃｌａｓｓｉｆｉｃａｔｉｏｎ；邋ｉｎ邋ｔｈｅ邋Ｍａｚｄａ邋ｆｏｒ邋ＲＯＩ邋ｓｅｌｅｃｔｉｏｎ，邋ｔｅｘｔｕｒｅ邋ａｎａｌｙｓｉｓ邋ａｎｄ逡逑ｆｅａｔｕｒｅｓ邋化ｌｅｃｔｉｏｎ；邋ｉｎ邋化ｅ邋Ｂ１１，ａｎ邋ｉｎｔｅｇｒａｔｅｄ邋ｍｏｄｕｌｅ邋ｏｆ邋Ｍａｚｄａ，化ｒ邋ｆｅａｔｕｒｅｓ邋ｄａｔａ邋ａｎａｌｙｓｉｓ邋ａｎｄ逡逑ｃｌａｓｓｉｆｉｃａｔｉｏｎ逡逑２．３．１標(biāo)識感興趣區(qū)域逡逑ＭａＺｄａ進(jìn)行紋理分析時(shí)，僅對圖像中的標(biāo)識感興趣區(qū)域（Ｒｅｇｉｏｎ邋ｏｆ邋ｉｎｔｅｒｅｓｔ，逡逑ＲＯＤ進(jìn)行分析。Ｍａｚｄａ最多可Ｗ區(qū)分１６個(gè)類別，并為每種類別提供一種顏色逡逑圈定民０滬２１邋Ｗ醫(yī)生圈定的斑塊圖像為標(biāo)準(zhǔn)，在ＭａＺｄａ中載入歸一化圖像，將逡逑斑塊標(biāo)識成為民０１。逡逑１９逡逑

處頻率細(xì)分，高頻處時(shí)間細(xì)分。圖像小波變換后，低頻成分描述的是圖像整體逡逑輪廓，高頻部分則描述圖像的細(xì)節(jié)內(nèi)容。小波分析對低頻分量分解，得到多分逡逑辨率的低頻分量；對高頻分量分解，得到多分辨率較低的高頻分量。如圖２－５，逡逑假設(shè)Ｈ和Ｌ分別表示高通濾波器和低通濾波器，。濾波器后的方格表示二次抽樣，逡逑則濾波器的輸出方程式為ｌＡＷ：逡逑２６逡逑

２．３實(shí)驗(yàn)方法逡逑Ｍａｚｄａ是一款半自動的紋理分析軟件，其用戶界面友好，操作簡單。Ｍａｚｄａ逡逑軟件的具體流程如圖２－１所示Ｐ２３。逡逑圈像獲取弓預(yù)處巧邐＾邐逡逑■邐Ｉ邐特泣＾巧逡逑邐＊邐１邐■邋（Ｆｉｓｈｅｒ、ＰＯＥ＋ＡＣＸ、Ｍ。逡逑標(biāo)邋ｉ？RG邋０１邐Ｉ邋邐＊邐逡逑Ｊ邐W邐特征分折逡逑Ｗ邋＾邐Ｉ邋■邐（Ｕ）ｉ＼、遍）逡逑￥邐紋那．分析邐■邋邐邐邐ＪＡ逡逑Ｉ邋ｎａ逡逑、函邐國＾逡逑ＭａＺｄａ逡逑Ｂ１１逡逑圖２－１斑塊分類流程：標(biāo)識ＲＯＩ、紋理分析和特征選擇在Ｍａｚｄａ進(jìn)行；特征數(shù)據(jù)分析和分逡逑類在Ｍａｚｄａ的集成模塊Ｂ１１進(jìn)行逡逑Ｆｉｇ．２－１邋Ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ｐｌａｑｕｅ邋ｃｌａｓｓｉｆｉｃａｔｉｏｎ；邋ｉｎ邋ｔｈｅ邋Ｍａｚｄａ邋ｆｏｒ邋ＲＯＩ邋ｓｅｌｅｃｔｉｏｎ，邋ｔｅｘｔｕｒｅ邋ａｎａｌｙｓｉｓ邋ａｎｄ逡逑ｆｅａｔｕｒｅｓ邋化ｌｅｃｔｉｏｎ；邋ｉｎ邋化ｅ邋Ｂ１１，ａｎ邋ｉｎｔｅｇｒａｔｅｄ邋ｍｏｄｕｌｅ邋ｏｆ邋Ｍａｚｄａ，化ｒ邋ｆｅａｔｕｒｅｓ邋ｄａｔａ邋ａｎａｌｙｓｉｓ邋ａｎｄ逡逑ｃｌａｓｓｉｆｉｃａｔｉｏｎ逡逑２．３．１標(biāo)識感興趣區(qū)域逡逑ＭａＺｄａ進(jìn)行紋理分析時(shí)，僅對圖像中的標(biāo)識感興趣區(qū)域（Ｒｅｇｉｏｎ邋ｏｆ邋ｉｎｔｅｒｅｓｔ，逡逑ＲＯＤ進(jìn)行分析。Ｍａｚｄａ最多可Ｗ區(qū)分１６個(gè)類別，并為每種類別提供一種顏色逡逑圈定民０滬２１邋Ｗ醫(yī)生圈定的斑塊圖像為標(biāo)準(zhǔn)，在ＭａＺｄａ中載入歸一化圖像，將逡逑斑塊標(biāo)識成為民０１。逡逑１９逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 張永利;;關(guān)于伽馬分布及相關(guān)分布性質(zhì)的一點(diǎn)研究[J];大學(xué)數(shù)學(xué);2012年03期

2 張麒;汪源源;馬劍英;錢菊英;施俊;嚴(yán)壯志;;基于血管內(nèi)超聲圖像自動識別易損斑塊[J];光學(xué)精密工程;2011年10期

3 魏國華;鄭繼明;;基于局域判別基的音頻信號特征提取方法[J];計(jì)算機(jī)應(yīng)用與軟件;2009年11期

4 孫前進(jìn);梁巖;;易損斑塊的研究進(jìn)展[J];醫(yī)學(xué)綜述;2009年04期

本文編號：2770120