基于核图割算法的冠脉光学相干断层图像斑块区域分割

冠脉光学相干断层成像(OCT)图像斑块区域分割是冠脉斑块识别的前提和基础,对后续斑块特征分析及易损斑块识别,进而实现冠脉疾病的辅助诊断分析具有十分重要的意义。本文提出了一种新的算法,使用K-means算法与图割算法结合,实现了冠脉OCT图像斑块准确的多区域分割——纤维化斑块、钙化斑块和脂质池,并较好地保留了斑块的边界特征信息。本文实验中对20组具有典型斑块特征的冠脉OCT图像进行了分割,通过与医生手动分割结果比较,证明本文方法能准确地分割出斑块区域,且算法具有较好的稳定性。研究结果证明了本文工作能够极大减少医生分割斑块所消耗的时间,避免不同医生之间的主观差异性,或可辅助临床医生对冠心病的诊断与治疗。

基于中智学理论的冠脉光学相干断层图像的全自动多区域分割

光学相干断层扫描技术(OCT)已成为诊断冠状动脉狭窄的关键技术,因其可识别影像中的斑块及易损斑块,所以该技术对辅助诊断冠心病具有十分重要的意义。但当前研究领域内尚缺乏对冠脉OCT图像全自动、多区域、高精度的分割算法。因此本文提出了一种基于中智学理论的冠脉OCT图像的多区域、全自动的分割算法,以期实现对纤维斑块和脂质区的高精度分割。本文基于隶属度函数重新定义了OCT图像转换至中智学领域T图的方法,进而达到提高纤维斑块的分割精度的目的。针对脂质区的分割,本算法加入同态滤波增强图像,使用中智学将OCT图像转换至中智学领域的I图,进一步使用形态学方法,实现高精度的分割。本文对9位患者、40组具有典型斑块的OCT图像进行分析,并与医生手动分割结果进行比较,实验结果证明,本文算法避免了传统中智学的过分割及欠分割问题,准确地分割出斑块区域,且算法具有较好的鲁棒性,因此本文工作或可有效提高医生分割斑块的准确率,期望可以辅助临床医生对冠心病的诊断与治疗。

基于K-means聚类与改进随机游走算法的冠脉光学相干断层图像斑块分割

光学相干断层成像技术(OCT)现已发展成为国内外较热门的冠状动脉内影像技术,其中冠脉OCT图像的斑块区域分割对易损斑块的识别和研究有着重大意义。本文提出了一种基于K-means聚类与改进随机游走的新算法,实现了对冠脉钙化、纤维化斑块和脂质池的半自动化分割。本文主要创新点为改进了随机游走算法的权函数,将图像中像素间的边与种子点之间的距离加入到了权函数定义中,增加了弱边界的权值,防止了过分割现象的发生。本文基于以上方法对9名冠状动脉粥样硬化患者的OCT图像进行了斑块区域分割。通过对比医生手动分割结果,证明了本文方法具有良好的精度和鲁棒性,以期本文方法可对冠心病的临床诊断起到一定的辅助作用。