结合图像增强技术的血管内超声中—外膜边缘检测

论文摘要

冠状动脉粥样硬化性心脏病（Coronary artery disease, CAD）,简称为冠心病,是因冠状动脉功能性或器质性病变导致冠状动脉狭窄、闭塞,引起心肌缺血缺氧的疾病,又称之为缺血性心脏病（Ischemic heart disease）。冠状动脉粥样硬化是冠心病最常见的致病原因之一,它能引发冠脉的部分或全部障碍,是心肌梗塞的主要原因,其发病率高、病死率高,严重地影响着人类的生命和健康。近年来随着人们的生活节奏加快、生活水平的提高、膳食结构的改变和人口老龄化发展,冠心病在我国的发病率和死亡率正呈现上升趋势。在冠状动脉疾病的诊疗中,准确的识别并诊断粥样硬化病变部位和形态具有重要的临床医学价值。对冠心病的诊疗,传统、广泛采用的影像手段是X-线冠状动脉造影（Coronary angiography, CAG）,它通过观察造影剂的充盈和消失情况来判断血管形态异常的部位、性质和程度；但是冠脉造影只能显示血管腔长轴方向上被造影剂填充后的投影轮廓,而无法显示管腔的实际形态及病变处的管壁状况,更不能提供斑块形态和性质的详细情况。近年来,血管内超声（Intravascular ultrasound, IVUS）作为心血管病变的另一种检查形式,被广泛地运用到冠脉检查中。IVUS是将顶端置有微型超声换能器的导管经股动脉穿刺进入,在冠脉造影的引导下,对血管管壁进行断层扫描,实时提供冠脉横截面图像,从中可提取血管内腔、血管壁和粥样硬化斑块的组织学形态特征,为医生提供诊断依据。IVUS被称为心血管检查新的“新的金标准”。在血管内超声图像序列处理与分析中,中-外膜边缘的准确检测对于冠状动脉疾病的临床诊治具有重要意义。准确的中外膜边缘能指导各种血管参数的测量,如管壁厚度、管腔面积、斑块组成百分比、偏心距等,在此基础上可进行冠状动脉粥样硬化斑块的识别及相关参数的测量,为心血管病变的诊断和量化分析提供重要的依据。典型的单帧IVUS横截面图像呈现圆环形,主要表现为三层结构：内层为较强回声亮环,在组织学上由内膜（Intima）及内弹力膜组成；中层低回声暗区为血管中膜（Media）;外层为明亮强回声带,由外弹力膜及外膜（Adventitia）组成。IVUS图像中导管的圆心总是位于图像的中心坐标位置。由于噪声、伪影及各种斑块的影响,常常导致IVUS图像中-外膜组织及其交界面不清晰,甚至出现外层组织呈现与中层相似的低回声或无回声的状况,这些因素导致IVUS图像的中-外膜边缘检测困难。现有的IVUS图像边缘检测算法,常常由于算法自身的局限性以及伪影、噪声、斑块的影响,很难检测到完整、清晰、准确的边缘。在进行边缘检测前,对图像进行适当的增强处理,能大大降低边缘检测的难度,提高检测效率,达到较好的检测效果。纵观文献,图像增强已被应用到合成雷达孔径（SAR）图像、印制电路板（PCB）图像、红外图像、CT图像、溶滴过渡过程图像等各类图像的边缘检测中。为了达到较好的IVUS图像中-外膜边缘检测效果,本文先对IVUS原图像进行增强处理,在增强后图像的灰度对比度增加、边缘信息突出、纹理细节更加清晰的基础上,再进行边缘检测。图像增强是指按特定的需要强调图像中某些关注的特征而抑制非关注的特征,将原来不清晰的图像变得清晰,从而改善图像质量、丰富信息量、加强图像判读和识别效果的图像处理技术。图像增强处理算法因所需增强的图像类别与目的的不同而不同。按增强过程所在的作用域不同,可将图像增强算法分为基于频率域的增强算法和基于空间域的增强算法两大类。基于频率域的增强算法是一种间接的增强算法,它将图像看成一种二维信号,在其二维傅里叶变换域内对图像的变换系数值进行某种修正；常见的频率域增强算法有低通滤波算法、高通滤波算法、基于多尺度的图像增强以及基于分频滤波的图像增强等等。基于空间域的增强算法是通过直接对图像的灰度级做运算来进行增强的算法；常见的有基于灰度级校正、灰度变换和直方图修正的点运算算法以及基于滤波平滑、锐化的邻域增强算法。基于方向滤波器组（Directional filter bank, DFB）的图像增强是一种重要的频率域增强算法。方向滤波器组是一种描述图像方向特征的重要工具,常被用在具有明显边缘方向特征的指纹图像的增强中。对一幅图像进行方向滤波后,将得到纹理梯度方向垂直于各个滤波方向的子图像。2009年,曲怀敬将改进后的counterlet变换用于IVUS图像的去噪处理过程中（将基于自适应对比度因子的非线性扩散,对各方向子带进行滤波,然后再进行子带重建）,其增强后的图像存在对比度、清晰度降低及部分特征损失等等的问题。直方图均衡化（Histogram equalization, HE）是空间域图像增强方法中最重要也是最常见的一种方法,它能快速有效地扩大图像的灰度动态范围、改善图像的整体视觉效果,常被用于低对比度图像的增强,尤其对于噪声较小、细节信息较少的图像,基于HE的图像增强算法具有较好的增强效果。但是由于它对处理的数据不加选择,可能会增加背景噪声的对比度并且降低有用信号的对比度,带来图像细节信息丢失和噪声放大等问题。利用单一域的图像增强方法——不论是基于DFB的频率域图像增强还是基于HE的空间域图像增强,都因存在一定缺陷而不能达到较好的增强效果。本文钊对IVUS图像,在上述两种方法的基础上,提出了空间域和频率域相结合的图像增强方法,用一种基于邻域信息的算法将频率域的方向滤波器组（DFB）增强和空间域的直方图均衡化（HE）增强结合起来,突出了IVUS图像中膜、外膜及其交界面的对比度、清晰度,同时克服了单一域增强所带来的缺陷。对IVUS图像进行空频域相结合的图像增强后,本文采用基于动态规划思想（Dynamic programming）的图搜索算法（Graph-searching algorithm）对增强后图像进行中-外膜边缘检测。基于动态规划思想的图搜索算法是一种全局边界跟踪算法,具有克服噪声干扰、不用手动描记初始轮廓、不受初始条件和模型参数影响等优点,且若在其中加入代表具体边缘强度的启发式信息指导搜索过程,可大大提高搜索效率和正确率。1995年开始就有研究者将基于最小代价算法的图搜索法用于IVUS图像的边缘提取。但是早期IVUS图像的分辨率低,斑点噪声弱,这些算法中构建的代价矩阵并不适用于目前使用高频超声探头采集到的IVUS图像；同时这些算法都是直接对IVUS原图像进行图搜索,其搜索过程无法避免受到噪声、伪影、斑块等的影响。增强后IVUS图像边缘特征明显,本文将其作为代价矩阵进行启发式图搜索,实验证明,本文算法能克服噪声、伪影、斑块等的影响,迅速、准确的检测至（?）IVUS图像的中-外膜边缘。本文首先阐述了IVUS图像的形成原理及其特征,介绍了IVUS图像中-外膜边缘提取的背景和意义,并综述了中-外膜边缘提取算法的研究现状。接着介绍了基于方向滤波器组（Directional filter bank, DFB）的频率域图像增强方法和基于直方图均衡化（Histogram equalization, HE）的空间域图像增强方法,分别讨论其原理及优缺点；研究并提出了一种用基于邻域信息的算法,将基于DFB的频率域增强和基于HE的空间域增强结合起来,对IVUS图像进行增强处理,突出了感兴趣区域,克服了单一域增强所带来的缺陷。然后针对中-外膜边缘检测,分析了基于动态规划（Dynamic programming）思想的图搜索算法,并将其应用到增强处理后的IVUS图像中进行边缘检测。实验证明,本文的增强算法在增强中-外膜边缘特征的同时改善了图像的对比度和清晰度,使基于其增强结果的图搜索能准确地检测到中-外膜边缘,具有较好的准确性和鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 冠心病及其诊断手段
• 1.1.2 血管内超声（Intravascular Ultrasound,IVUS）
• 1.1.3 本文目的和意义
• 1.1.4 IVUS边缘检测研究现状
• 1.2 研究内容及论文框架
• 1.2.1 研究内容
• 1.2.2 论文框架
• 第二章 图像增强
• 2.1 频率域图像增强
• 2.1.1 频率域增强原理及方法
• 2.1.2 方向滤波器组及其在图像增强中应用
• 2.2 空间域图像增强
• 2.2.1 空间域增强原理及方法
• 2.2.2 直方图均衡化及其在图像增强中应用
• 2.3 本章小结
• 第三章 空频域相结合的心血管内超声图像增强
• 3.1 单一域图像增强缺陷
• 3.2 基于邻域信息的空频域相结合的IVUS图像增强方法
• 3.3 实验内容及结果分析
• 3.4 本章小结
• 第四章 基于图像增强的IVUS图像边缘检测
• 4.1 启发式图搜索法
• 4.2 预处理
• 4.2.1 极坐标转换
• 4.2.2 导管伪影去除
• 4.3 中-外膜边缘检测
• 4.3.1 检测方法
• 4.3.2 实验内容及结果分析
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读硕士学位期间成果
• 致谢
• 统计学证明