超声心动图中先心病辅助诊断技术研究

发布时间：2017-10-30 07:03

  本文关键词：超声心动图中先心病辅助诊断技术研究

  更多相关文章： 二尖瓣 超声心动图 Bag of Features 自动上下文模型

【摘要】：二尖瓣是心脏的重要组成部分,其生理功能是控制左心房到左心室之间血液的单向流动。据统计,我国的小儿先天性心脏病例中,约1/2的病因源于二尖瓣的结构异常与功能异常。二尖瓣返流、二尖瓣狭窄等都是常见的瓣膜性心脏病,临床上通常采用超声来观察二尖瓣的形态与运动轨迹,进行疾病诊断。本文提出了一种基于Bag of Features的二尖瓣根识别算法,与一种基于自动上下文模型的瓣膜识别算法。瓣根识别算法的难点在于如何设计有效的特征描述子。由于瓣根与左心房、心室的位置较为固定,瓣膜的快速移动使得瓣根邻域的纹理信息较丰富,最终算法采用局部上下文特征和LBP特征描述二尖瓣根。Bag Of Features首先从样本中提取瓣根特征,采用k-means算法聚类生成视觉词汇,构成码书,然后计算每一样本的BOF直方图,作为特征描述向量,据此训练分类器,分类器采用直方图交集核SVM。瓣膜的自动提取需要解决两个问题。第一,瓣膜的运动快速而无规律,如何建立有效的模型是个难点;第二,受限于超声成像机制,在心室收缩期,瓣膜张开时会出现成像断裂成几部分的情况,如何正确分割所有的瓣膜区域是个更为困难的任务。本文提出的瓣膜识别算法,通过把瓣膜看做是一些点的集合,将瓣膜整体的分割转换为对点集的识别,可以有效解决上述问题。算法首先采用自动上下文模型识别出瓣膜,然后采用Bag of Features方法识别出瓣根,基于瓣根、瓣膜的相对位置确定瓣膜所在区域,筛除误判点。为了进一步去除尾影,最后进行细化、滤波操作。算法在10个病人的实时三维超声心动图数据集上进行训练与测试,实验结果表明,与人工标定相比,瓣根的平均识别误差为1.4±2.1个像素,瓣膜在舒张期和收缩期都取得了较为准确的识别结果。
【关键词】：二尖瓣 超声心动图 Bag of Features 自动上下文模型
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R540.45;R541.1
【目录】：

• 摘要7-9
• Abstract9-17
• 第一章 绪论17-24
• 1.1 心脏解剖结构与生理功能17-19
• 1.2 心脏病现状19-20
• 1.3 医学影像辅助诊断技术20-21
• 1.4 课题主要研究内容与意义21-22
• 1.5 文章组织结构22-24
• 第二章 相关工作研究24-36
• 2.1 基于SVD分解与低阶表达的瓣膜分割算法24-27
• 2.1.1 矩阵谱分析24-26
• 2.1.2 二尖瓣膜分割26-27
• 2.2 基于活动轮廓模型的二尖瓣膜分割算法27-30
• 2.2.1 初步分割28-29
• 2.2.2 基于活动轮廓的修正29-30
• 2.3 基于图割的二尖瓣环分割算法30-34
• 2.3.1 薄组织检测器31-32
• 2.3.2 最大流算法寻找瓣膜曲面32-33
• 2.3.3 采用活动轮廓模型分割瓣环33-34
• 2.4 基于SVM与自适应阈值的二尖瓣根识别算法34-35
• 2.5 本章小结35-36
• 第三章 基础理论36-46
• 3.1 Bag of Features36-39
• 3.1.1 Bag of Features的构建方法36-37
• 3.1.2 局部特征提取37-38
• 3.1.3 构建视觉词典38
• 3.1.4 生成BOF直方图分布38-39
• 3.1.5 分类器训练与测试39
• 3.2 自动上下文模型39-43
• 3.2.1 原理简述39-40
• 3.2.2 自动上下文的训练40-41
• 3.2.3 自动上下文的测试41-42
• 3.2.4 收敛性分析42-43
• 3.3 直方图交集核SVM的加速43-45
• 3.4 本章小结45-46
• 第四章 基于Bag of Features的二尖瓣根识别46-57
• 4.1 算法描述46
• 4.2 特征提取46-50
• 4.2.1 局部上下文特征47
• 4.2.2 LBP特征47-50
• 4.3 Bag of Features实现细节50-51
• 4.4 实验与分析51-55
• 4.4.1 实验数据51-52
• 4.4.2 视觉词典大小的选择52
• 4.4.3 不同特征的实验结果对比52-54
• 4.4.4 与其他方法的比较54-55
• 4.5 本章小结55-57
• 第五章 基于自动上下文模型的二尖瓣膜识别57-67
• 5.1 心动周期中心脏瓣膜的运动57
• 5.2 算法简述57-58
• 5.3 特征提取58-60
• 5.3.1 LDB特征59-60
• 5.3.2 基于AdaBoost的LDB位特征选择60
• 5.4 自动上下文模型实现细节60-61
• 5.5 实验与分析61-65
• 5.5.1 自动上下文模型训练迭代次数选择61-62
• 5.5.2 不同特征的实验对比62-63
• 5.5.3 与其他算法的对比63-65
• 5.6 本章小结65-67
• 第六章 总结和展望67-69
• 致谢69-70
• 参考文献70-76
• 攻读学位期间发表的学术论文76

【参考文献】

中国期刊全文数据库 前2条

1 吕柄江;赵小杰;姚力;高家红;;实时功能磁共振成像及其应用[J];科学通报;2014年02期

2 刘凯波;潘迎;李红梅;徐宏燕;丁辉;;北京市10年围产儿先天性心脏病资料分析[J];中国优生与遗传杂志;2008年03期

，

本文编号：1116592