冠心病已经成为世界上的头号死因,而引发冠心病的罪魁祸首便是冠状动脉粥样硬化。及时有效地识别冠状动脉粥样硬化斑块的类型对于预防急性冠脉综合症具有重要意义。血管内光学相干断层(IVOCT)成像技术由于其超高的成像分辨率(10-20μm),迅速发展成为诊断冠心病的有效手段。它通过检测血管组织的背向散射光波来实现冠状动脉的断层成像。目前,临床上对于IVOCT图像的分析还局限于手动的方式,这不仅费时费力,而且由于观察者间的差异性,往往得到不同的评估结果。本课题的研究目的就是发展一种能够自动识别冠状动脉OCT图像中粥样硬化斑块类型的算法,从而提高临床上诊断冠心病的效率和准确率。对于IVOCT图像进行自动分析主要包含以下几个方面。首先是对图像进行预处理,提取血管内腔轮廓,主要包括利用动态规划的方法去除导丝伪影,采用大津算法和一系列形态学操作去除导管伪影等等。精确的轮廓信息是衡量管腔狭窄程度的唯一有效指标,结果显示该方法提取结果与手动提取结果的Dice系数为0.9413,准确率高。然后,对不同类型的斑块区域利用灰度共生矩阵的方法提取纹理信息,计算了7种特征值:对比度、自相关性、能量、均质性、集群阴影、熵以及相关性信息度量。并研究了灰度共生矩阵参数影响下提取的纹理特征与斑块类别之间的相关性。经过分析,将纹理特征的维度降低到378维,提高了运算效率。最后,利用随机森林算法对提取的纹理特征进行建模。对于一个新的未知斑块类别的像素点,可以在提取纹理特征的基础上利用建立好的随机森林分类器模型对其进行分类。研究结果表明,该方法对于斑块分类的总体精确度达到78%,对于每种类型的斑块,分类准确率为:纤维斑块84%,钙化斑块77%,脂质斑块 72%。至此,我们已经发展出一种基于纹理特征对冠状动脉OCT图像中的斑块进行自动识别的算法,将该算法应用于临床数据,有很高的适用性。这将会为临床上分析IVOCT图像提供一定的指导意义。