超声信息分析及其在动脉粥样硬化判别中的应用

论文摘要

动脉粥样硬化是动脉硬化血管病中常见的一种,会引起动脉狭窄,进一步可能引发脑中风和脑梗塞,严重危害人类的身体健康。因此,早期诊断和治疗动脉粥样硬化有重要意义。超声检查在颈动脉粥样硬化的临床检测中有着广泛应用,然而检查工作量大,主要靠医生经验判断,缺乏客观性,重复性差,因此有必要建立一个高性能的计算机自动识别系统。本论文以颈动脉超声信息为研究对象,采用超声技术从不同角度提取和分析正常颈动脉和异常颈动脉的特征参数,实现对颈动脉粥样硬化的计算机自动判别,为临床诊断提供参考意见。论文的研究工作主要分为以下三个方面:1、颈动脉硬化的早期表现为颈总动脉B型超声图像中内中膜增厚、变硬,内膜有斑块形成,动脉失去弹性。一般内中膜厚度和管径是早期判断颈动脉硬化的重要指标。本论文将B型超声图像类比有向图,采用人工智能中的启发式A*算法提取颈总动脉血管近壁区内膜、远壁区的内膜和中膜,计算内中膜厚度和管径。2、颈动脉硬化将引起血流量减少,血流参数改变,如收缩期峰值流速、搏动指数和阻力指数增加。超声多普勒频谱的各类声谱参数可以一定程度反映颈动脉硬化的情况。计算血流声谱参数先要提取声谱图中的最大频率曲线。本论文采用启发式A*算法从颈内动脉、椎动脉的超声多普勒血流信号声谱图中提取最大频率曲线,然后基于该曲线,计算各类血流声谱参数。选取类间距大、区分能力强的血流声谱参数作为特征参量用于颈动脉粥样硬化自动识别系统的研究。3、将集成学习技术用于颈动脉粥样硬化计算机自动识别系统,采用Adaboost算法,有效地将精度较低的弱学习算法提升至精度较高的强学习算法。该方法中,选择三层BP神经网络作为弱分类器,将已提取的内中膜厚度和血流声谱参数共七个特征作为最终颈动脉特征参量。通过实验,比较了选取不同特征参量输入单个BP网络和输入Adaboost-BP集成网络的结果。实验证明:Adaboost-BP算法的准确率高于使用单个BP网络。选取内中膜厚度和血流声谱参数共同作为特征参量的准确率高。采用以上三部分构成颈动脉粥样硬化自动判别系统,对临床采集的35组颈动脉超声信息（其中正常10组、异常25组）进行测试,分类准确率为94.12%,敏感性为91.67%,特异性为100%,阳性预测率为100%,阴性预测率为83.33%,分类结果令人满意,有望成为临床诊断工作提供有效的辅助手段。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 颈动脉狭窄的超声检查
• 1.3 国内外研究现状
• 1.4 本论文的工作和创新点
• 第二章 颈动脉B型超声图像中内中膜的提取
• 2.1 颈动脉B型超声图像提取内中膜的理论基础
• *算法介绍'>2.2 启发式A^*算法介绍
• 2.2.1 人工智能简介
• 2.2.2 状态空间法与搜索技术
• *算法'>2.2.3 启发式A^*算法
• *算法的内中膜提取'>2.3 基于启发式A^*算法的内中膜提取
• 2.3.1 ROI的选择
• 2.3.2 ROI的预处理
• 2.3.3 血管腔中心定位
• 2.3.4 内膜的提取
• 2.3.4.1（?）（n）的计算
• 2.3.4.2（?）（n）的估计
• 2.3.4.3 起始点和终止点的确立
• 2.3.4.4 后继节点的选择
• 2.3.5 中膜的提取
• 2.3.5.1 外膜定位
• 2.3.5.2 初始边缘寻找
• 2.3.5.3 中膜提取
• 2.3.6 内中膜厚度和管径计算
• 2.4 实验结果与分析
• 2.5 小结
• 第三章 颈动脉超声多普勒血流信号特征参数提取
• 3.1 超声多普勒技术
• 3.2 最大频率曲线提取方法
• 3.2.1 百分比法提取最大频率曲线
• 3.2.2 改进的百分比法提取最大频率曲线
• 3.2.3 小波变换多尺度分析提取最大频率曲线
• *算法的最大频率曲线提取'>3.3 基于启发式A^*算法的最大频率曲线提取
• 3.3.1 ROI的选择和预处理
• 3.3.2 最大频率曲线提取
• 3.4 最大频率曲线中特征参数的提取
• 3.5 实验结果与分析
• 3.6 小结
• 第四章 基于集成学习技术的颈动脉粥样硬化判别
• 4.1 集成学习理论基础
• 4.1.1 集成学习概述
• 4.1.2 集成学习算法介绍
• 4.2 人工神经网络
• 4.2.1 BP网络的基本原理
• 4.2.2 人工神经网络集成的应用
• 4.3 基于Adaboost-BP算法颈动脉粥样硬化计算机判别系统
• 4.3.1 Adaboost基本原理
• 4.3.2 BP网络设计
• 4.3.2.1 BP网络拓扑结构的选择
• 4.3.2.2 BP网络的参数设定
• 4.2.3.3 BP网络输入特征参数预处理
• 4.2.3.4 BP网络输入样本划分
• 4.4 实验结果与比较
• 4.4.1 单个BP网络分类结果
• 4.4.2 基于Adaboost-BP网络集成算法分类结果
• 4.4 小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 附录:硕士期间发表论文目录
• 致谢