论文部分内容阅读
冠心病是危害人类身体健康的重要疾病之一,死亡率高。冠脉造影(CAG)、血管内超声成像(IVUS)是诊断冠心病最常用的影像技术。冠脉造影被认为是诊断冠心病的“金标准”,但对于临界病变、斑块破裂、血栓等病变,即便通过多体位投照,也很难发现明显的影像学特征。血管内超声是一种有创的断层超声成像技术,它能够实时获取血管内的横截面图像,准确获得管壁厚度、管腔直径、斑块成分、血管面积、面积狭窄率等信息。IVUS在评估冠脉造影难以判断的病变,指导介入治疗、测定斑块的进展和逆转等方面具有重要意义,弥补了CAG的诸多不足,被称为是诊断冠心病的“新的金标准”。在血管回撤方向,步进器匀速回撤超声探头,从而形成IVUS图像序列。冠状动脉是附着在心外膜脂肪内的血管,冠脉随心脏运动变化。心脏的周期性运动引起超声探头在血管短轴方向上的旋转和平移、探头在长轴方向上随脉冲血流的来回震荡、血管自身尺寸的扩张和收缩。导致IVUS图像在血管横截面方向的旋转、超声探头与血管壁在垂直血管方向上下移动、部分血管段重复成像或未成像、血管尺寸的周期性变化等。这就导致IVUS图像序列产生了运动伪影,运动伪影在IVUS图像纵视图中表现为管壁呈现锯齿状分布。IVUS图像序列的运动伪影在序列图像中表现非常强烈,严重影响了冠脉检查。运动伪影干扰了血管可视化,减少了管腔容积测量、血管三维重建、病变定量分析的准确度,降低了支架介入的指导价值,给冠心病的诊断和治疗带来不利影响。至今还没有严格意义上的数学模型来描述运动伪影,需要采用计算机辅助的方法,对运动伪影进行抑制或补偿。门控法是一种有效抑制运动伪影的方法,门控法的基本原理是在每个心动周期的相同相位处取出一帧IVUS图像,组成门控序列,抑制运动伪影。门控法分为ECG门控法和基于图像的门控法。ECG门控法又分为在线ECG门控法和离线门控法,ECG门控法的缺点是对硬件的要求过高,临床上难以实现,加上方法自身的局限性,限制了其使用。因此,近年来,研究者们致力于寻找利用IVUS图像序列本身提取门控序列的方法,即基于图像的门控法。基于图像的门控法仿照ECG门控法,完全利用图像处理技术,提取显著性特征量作为参考点反映IVUS图像,参考点随着图像序列变化,形成一个类似ECG的时间变化信号,据此将IVUS图像分为两类：心脏舒张末期图像和非心脏舒张末期图像。定义心脏舒张末期的IVUS图像为关键帧,由关键帧组成门控序列。本文提出了两种基于图像门控法：序列灰度方法和流形学习方法。(1)序列灰度方法。IVUS是一种超声成像技术,图像像素灰度反映了血管组织结构特性,同一位置上像素点的灰度值沿着序列方向的变化表示该点处组织结构的变化,隐藏了心脏运动信息。基于这一原理,将像素点的灰度均值作为显著性特征量,提取门控序列。基本步骤为：1)将IVUS图像从直角坐标系转换到极坐标系,以减少计算机负担和计算量。均值滤波极坐标下的IVUS图像,用灰度均值代替像素点的灰度值,非均匀采样滤波后的IVUS图像；2)提取采样点的灰度均值沿序列方向的变化(LMG)曲线,求LMG信号的幅度谱。分析LMG信号频域幅度谱分布特性,设计一种反应频域幅度谱幅值、波峰分布的滤波器,筛选关键点,由关键点的LMG信号组成反应心脏运动的一维信号簇；3)关键点的LMG信号除包含心脏运动信息外,还受到呼吸、图像噪声等的干扰。以心脏估计频率为中心频率,设计巴特沃斯带通滤波器滤波一维信号簇,只保留心脏运动的相关信号；4)滤波后的一维信号簇的极大值或极小值对应心脏舒张末期图像,据此提取关键帧,组成门控序列。该方法基于像素灰度值和组织结构的一致性,算法简单,基本实时。缺点是对于心率变化较大的IVUS图像序列及血管结构多变的IVUS图像序列,难以准确检索到关键帧门控序列。(2)流形学习方法。IVUS图像序列具有维数高、数据量大、非线性的特点。主要由心脏运动引起的运动伪影导致IVUS图像序列相邻帧的变化都是连续缓慢的,且相同相位处采集到的图像相似度很高。据此做出假设：在心脏周期性运动的影响下,IVUS图像序列形成了一个图像空间上的连续平滑流形,且在心脏相同相位初采集到的图像在流形中应距离相近。每一帧IVUS图像代表高维空间中的一个样本点,高维空间的维数等于图像像素个数。IVUS图像中包含了成千上万的图像特征,而运动伪影产生只需要几个特征就能描述。流行学习方法的关键内容是如何提取和选择心脏运动相关的特征,并由这几个主要特征量来构造反映心脏运动的一维信号。流形学习方法的基本步骤为：1)将直角坐标系下的IVUS图像转换到极坐标系。对于本文使用的数据,经坐标转换后数据量减少到原来的35%,计算机负荷减少,计算时间缩短。对坐标转换前后的IVUS图像序列降维后选择到的特征向量之间的平均误差为0.9%,说明坐标极坐标转换后已然保持了原始数据的信息完整性；2)利用拉普拉斯特征映射算法对坐标转换后的IVUS图像进行降维。取内蕴维数为4,提取反映心脏运动的4个特征向量；3)定义距离函数。IVUS图像序列低维空间分布不规则,难以用低维流形中IVUS图像分布的聚类性质分类关键帧。定义距离函数为IVUS图与其相邻帧之间的距离和,来反映心脏运动规律。4)提取关键帧门控序列。关键帧对应心脏舒张末期图像,此时采集到的IVUS图像最为稳定,距离函数取局部最小值。检索距离函数的局部最小值,提取关键帧,组成门控序列。流形学习方法的优点是不需要任何冠脉解剖的先验知识、不需要训练样本、无人工干预、对于心率变化较大的IVUS序列仍然能准确检索到门控序列。但也存在局限,难以对IVUS图像短轴方向上的平移和旋转、长轴方向上的振荡、血管收缩和扩张等运动加以区分。收集南方医院7位疑似冠心病患者的IVUS图像,从中取出13组IVUS图像序列。从以下几个方面对序列灰度方法和流形学习方法进行评价：1)对比原始序列和门控序列的纵切图。实验结果表明门控序列保持了原始序列中血管、管腔、斑块的走势,但较原始序列,门控序列的血管等结构更加平滑,抑制了锯齿状的波形。2)对比两种方法提取到的门控序列结果。从算法时间、关键帧帧数、关键帧平均距离、关键帧之间的距离占心脏周期的比例分数、处理心率变化较大的IVUS图像序列等几个方面评价两种算法。序列灰度方法相对于流形学习方法而言,算法较快,序列灰度方法处理一帧IVUS图像的平均时间为18ms,流形学习算法处理一帧IVUS图像的平均时间约为217ms。计算两种方法提取到的关键帧帧数、关键帧平均距离、关键帧之间的距离占心脏周期的比例分数,结果表明两种方法提取到的门控序列基本一致。对心率变化较大的IVUS序列,序列灰度方法难以准确提取出门控序列,而流形学习方法克服了这一难点。3)手动勾画12组IVUS图像序列的中外膜界面和管腔内膜界面,计算原始序列和门控序列血管面积、血管容积、管腔面积、管腔容积、斑块负荷。统计12组序列发现,门控序列的血管容积、管腔容积均小于原始序列,符合实际；原始序列和门控序列的平均斑块负荷差异不显著,说明门控序列保留了原始序列中的斑块负荷信息。门控序列的血管面积方差、管腔面积方差显著小于原始序列,表明门控序列血管面积和管腔面积变化平缓,较原始序列稳定。门控序列有利于临床诊疗分析,满足临床需要。综上所述,本文提出的两种基于图像的门控方法抑制了运动伪影,序列灰度方法基本实时,但对于心率变化较大的序列难以准确提取关键帧,流形学习方法算法时间稍长,但客服了心率变化这一弱点。门控序列保持了临床冠心病诊断需要的关键信息,减少了临床数据分析量,较原始序列稳定,更有利于冠心病的诊断和治疗。