基于改进区域生长算法的冠脉OCT图像钙化斑块分割

光学相干断层成像技术(OCT)作为一种新兴的光学成像技术,对于冠状动脉内钙化斑块的识别具有重要意义。针对传统区域生长算法容易造成图像欠分割或过分割的缺点,提出一种改进算法,通过预处理提高图像的对比度,再使用改进区域生长算法对图像进行处理,在传统区域生长算法中加入直方图均衡化和高斯函数强化斑块的灰度信息,提高分割精度,最终实现冠状动脉钙化斑块的半自动化分割,该实验对于8组具有典型钙化斑块特征的冠状动脉OCT钙化斑块进行测试,通过与医生手动分割结果进行对比,分割精度平均达到90.23%。研究结果表明,该算法可以很好地辅助医生进行冠心病的诊断和治疗。

基于卷积神经网络的IVOCT冠状动脉钙化斑块分割方法

冠状动脉钙化斑块检测在评估疾病和介入手术效果中至关重要。血管内光学相干断层扫描(IVOCT)作为一种强大的影像技术,常用于评估冠状动脉疾病(CAD)和规划经皮冠状动脉介入治疗(PCI),其分辨率比冠状动脉造影、计算机断层扫描或磁共振成像高出数个数量级。在IVOCT影像采集过程中,每次回撤扫描会生成300~500张图像,医护人员在短时间内完成冠状动脉钙化斑块的定量分析是一项巨大的挑战。提出一种上下文信息融合的卷积神经网络(CAB-U-Net),用于IVOCT影像中冠状动脉钙化斑块自动分割。基于CAB-U-Net设计一种动态注意力机制和位置编码结合的CFT(context fusion transformer)模块,用于增强网络特征提取能力。CAB-U-Net引入ASPP(atrous spatial pyramid pooling)和BiFPN(Bi-directional feature pyramid network)模块,加强多尺度特征图之间的信息传递和融合。利用CAB-U-Net在48位临床患者的IVOCT图像上进行训练和测试,结果显示交并比(IOU)为0.9065,精确度为0.9332,召回率为0.9662,F1-score为0.9494。CAB-U-Net自动分割的钙化斑块的角度和面积,与专家标注结果的相关性系数分别达到0.9535和0.9894。Bland-Altman分析结果进一步证实该方法和专家手动标注结果在分割钙化斑块方面具有良好的一致性。所提出的方法对自动评估冠状动脉钙化病变和术中支架部署规划具有较高的价值。