论文部分内容阅读
冠心病是一种心血管常见病,也是致死率最高的疾病之一。随着我国冠心病致死率和中青年发病率的快速上升,积极推动冠心病的早期诊断和防治已经成为一项重要而紧迫的任务。近年来,多层螺旋CT(Multislice Computed Tomography,MSCT)技术快速发展,以其无创成像和高时间、空间分辨率为冠心病诊疗提供了新的趋势和研究基础。基于MSCT图像的计算机辅助诊断技术也逐步发展起来。本文基于MSCT图像进行了冠心病辅助诊断算法的研究。该算法可实现对MSCT图像关键信息的强化和提取以及对冠状动脉截面斑块的自动识别,使医生能够更高效、更全面的对MSCT图像进行分析,从而辅助医生的诊断。本文主要工作如下:1、设计了基于MSCT图像的冠心病辅助诊断算法方案,主要包括冠状动脉血管增强与分割、冠状动脉截面斑块识别两部分内容。2、设计了基于Hessian矩阵实现血管增强滤波的图像增强算法,能够在抑制图像噪声的同时提升图像中血管的对比度,有助于提高后续血管分割质量。设计了基于Routh–Hurwitz标准改进的冠状动脉增强滤波算法,能够在保证算法精度不变的情况下,大大降低增强算法的运算耗时。3、采用基于霍夫圆变换和动态Snake轮廓模型的算法完成冠状动脉种子点自动提取。利用所获得的种子点作为源点,基于冠脉血管在MSCT图像中的灰度特性,通过基于感兴趣区域的自适应生长算法实现了血管分割。4、设计了基于BP神经网络的冠状动脉截面斑块识别方案,提取了包含形态、灰度和纹理三个方面的图像特征参数,设计了BP神经网络分类器用于冠脉截面斑块的自动检测。5、提出了将卷积神经网络应用于冠状动脉截面斑块识别的方案,对卷积网络得到的特征进行了可视化分析。对文中提出的两种冠状动脉斑块识别方法进行了效果对比,实验结果表明了利用卷积神经网络识别冠状动脉斑块的有效性。