心脏血管影像形态及功能智能化分析

发布时间：2020-06-23 05:15

【摘要】：在医学领域中,医学影像的分析和处理在医生进行疾病诊断起到了重要的辅助作用。近年来,越来越多的研究者开始关注医学图像处理中的模式识别、分类以及分割等处理技术。机器学习技术使研究人员能够开发和利用复杂的模型来分类或预测各种异常或疾病,或者进行医学病灶的识别和分割。近几年来,深度学习的快速发展使得医学图像的辅助诊断作用发展到了巅峰。本文基于深度学习的方法对医学图像中的心脏血管图像的形态和功能进行了分析,对进一步分析疾病进行辅助诊断有着重大的意义。本文中遇到的研究挑战一个是由于医学图像的复杂性和保密性,目前用于公开的数据集比较少,而且由于医学图像的标注需要专业性的评估,因此带标签的数据集更少。另一个就是由于医学图像一般为灰度图像,蕴含的特征比较少,在传统的机器学习中大多用到的是基于灰度纹理等特征,使得分析十分具有局限性。基于此,本文的主要工作有以下三个:(1)构造了血管内超声图像的一些系列数据集,本文中的数据是采集自医院的临床数据,十分具有临床意义。首先是人类正常血管和分叉血管的数据集,此数据集中包括2288张图像,其中正常血管图像1144张,分叉血管图像1144张,在专业医生的指导下对分叉血管和正常血管进行标注。然后分别构造了分叉血管和正常血管的内外膜分割数据集,其中分叉血管数据有1144张,正常血管数据有5216张,数据集中内外膜的标注是由专业的医学生进行标注,具有一定的医学可信度。最后构造的心脏血管图像功能性分析数据集是基于医院生物实验数据,采集了兔子动脉粥样硬化模型的23个血管病理切片和相应的3535张血管内超声图像。(2)提出了一个基于深度学习的血管内超声图像处理系统,在此系统中将深度学习的方法应用到血管内超声图像的分类及内外膜分割中。首先是基于四种经典分类网络AlexNet、VGG、ResNet以及DenseNet对分叉血管和正常血管进行分类处理,并对四种分类模型进行评估得到最优分类模型;然后将此最优分类模型中得到的分类结果即分叉血管和正常血管分别利用四种分割网络FCN、DeepLab v2、DeepLabv3+以及GAN进行内外膜的分割,对这四种分割网络评估其分割性能,将分割效果最好的网络保存并输出分割结果;最后将得到的内外膜分割结果进行三维重建,以便进行下一步的分析,辅助医生进行疾病分析和诊断。(3)基于深度学习提出了一种确定区分易损斑块和稳定斑块易损性指数分界点的新方法,对医学图像进一步进行了分析。首先,收集兔子动脉粥样硬化斑块模型的血管内超声图像,然后将相应的血管制成病理切片以计算易损性指数,确定一个易损指数,并以易损指数为依据制作标签。在此易损指数之上,它被标记为易破裂的斑块也就是不稳定的斑块,在此易损指数之下,则视为稳定斑块。根据得到的标签和血管内超声图像,利用卷积神经网络进行分类,然后连续替换易损指数点,可以分别得到相应的分类准确率。根据易损性指数与准确率的拟合关系,找到分类精度最高的易损指数。可以认为这是最佳的易损指数分类点。根据实验结果,该最优易损指数的临界点是1.022。然而当试图扩大易损指数范围时,发现该拟合曲线不再适用。因此,将拟合函数换为傅里叶变换,此拟合曲线具有一定的周期性。在对验证集进行验证后,发现验证集的分类精度在易损指数为2.398时达到最大值。当数据源由血管内超声图像改变为斑块成分数据作为分类数据时,可以发现该规则仍然存在。但是此时发现的最佳易损指数略有下降,变为2.198。最终基于验证集上对获得的易损指数分类点做验证,最高准确率为76.5%。这表明该方法在寻找最佳分类易损指数点方面具有一定的效果。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R540.4
【图文】：

示意图,图像,示意图,斑块

中不仅可以精确的丈量管腔直径长度从而计算容积，还可以测量斑块的大小，更逡逑重要的是可以提供斑块的组织信息，从而辅助冠心病的诊断和有效的介入治疗。逡逑下图１－１是一幅ＩＶＵＳ图像，从图中可以看出黄色线标注的是血管外膜，红色逡逑２逡逑

人工神经网络模型,无连接,全连接,隐藏层

以及输出层。输入层主要是接收输入信息，并将信息输送到隐藏层；隐藏层的作逡逑用就是将接受到的输入层的信息经过操作之后传到输出层；输出层则更为简单，逡逑就是输出整个的计算结果。人工神经网络模型图如下图２－１所示：逡逑ｙ逡逑▲逡逑输出层逡逑ｉ邋＋ｌ邋）邋隐藏层逡逑＋ｉ隐藏层逡逑Ｘｉ邋Ｘ２邋Ｘ３逡逑图２－１人工神经网络模型图逡逑如图２－１所示，可以看出各层之间是全连接的关系，而同层之间无连接。在前逡逑向传播过程中，假设输入信号为Ｘ＝［；＾ｅ７？Ｄ，那么输出信号ｙ的计算公式如下逡逑所示：逡逑外0／：邋０）邋＝邋／⑵（Ｚｆ＝１邋＜２）／⑴邋＋邋（过＝１逦ｂ⑴）＋邋４２））逦（２－１邋）逡逑在上述公式中，上标代表层索引，／⑵（？）、／⑴（■）代表指定层的非线性激活函逡逑数，Ｍ代表隐藏层神经元的数量，Ｄ是输入信号的数量，０邋＝邋｛ｖｖ（１），邋ｗ（２＼邋ｆｃＷ，邋Ｍ２）｝是逡逑参数向量。由于整个计算过程是以前向方式进行的，因此这种网络也称为前馈神逡逑经网络。逡逑在神经网络的实验过程中，主要就是学习参数向量的过程。这过程可以描述逡逑为误差函数最小化。对于前馈神经网络来说，可以通过误差反向传播算法（Ｂａｃｋ逡逑Ｐｒｏｐａｇａｔｉｏｎ）邋［３Ｓ］来评估梯度

【相似文献】