文献类型：期刊文章

作　　者：黄志杰[1,2] 王伊侬[1,2] 王青[1,2]

HUANG Zhi-jie;WANG Yi-nong;WANG Qing(Institute of Medical Information,School of Biomedical Engineering,Southern Medical University,Guangzhou 510515, China;Guangdong Provincial Key Laboratory of Medical Image Processing,Southern Medical University, Guangzhou 510515, Chin)

机构地区：[1]南方医科大学生物医学工程学院医学信息研究所,广州510515 [2]南方医科大学广东省医学图像重点实验室,广州510515

出　　处：《计算机科学》

基　　金：广东省自然科学基金(2014A030313329);国家自然科学基金(81371560);广东省省级科技计划基金(2013B021800039)资助

年　　份：2018

卷　　号：45

期　　号：5

起止页码：260-265

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2017_2018、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：为了获取患者心血管内斑块特征的准确信息,并辅助临床医生对动脉粥样硬化区域进行判断和识别,文中进行了基于血管内超声(IVUS)图像的心血管粥样硬化斑块组织自动定征的研究。本研究收集了10个心血管疾病患者的IVUS图像,共207块斑块样本。首先,确定滑动邻域块的尺寸,令其中心像素遍历斑块区域,遍历过程中计算每个滑动邻域块的灰度均值和熵,并沿4个方向运用灰度共生矩阵法求出共生矩阵的10个局部特征;然后,对IVUS图像进行Gabor滤波和局部二值模式(LBP)处理,获得了更多的图像纹理特征;最后,通过线性分类器Liblinear、随机森林分类器(Random Forests)和调和最小值-广义学习向量量化分类器(H2M-GLVQ)对降维后的特征数据进行分类判决。将医生人工标记的结果作为金标准,自动定征的实验结果表明,随机森林和H2M-GLVQ分类器总体上对斑块组织的识别准确率均达到80%以上,其中随机森林分类器识别纤维化、脂质和钙化样本斑块的平均识别准确率分别为89.04%,80.23%和73.77%。

关 键 词：血管内超声图像  自动定征  纹理特征 分类判决  

分 类 号：TN919.85]