基于聚类的颈动脉膜厚度检测
【摘要】 内、中膜厚度是临床上用于评价动脉粥样硬化发展程度的主要指标。目前，基于B超图像测量内、中膜厚度通常由专业医生手动标记内、中膜边界来实现，过程繁琐耗时，人为影响因素多。本题目要求提出了一种基于聚类检测方法，用来检测B超图像中颈动脉内、中膜厚度。设计方法的基本思路是：首先对颈动脉图像灰度聚类，然后用灰度阈值法检测血管壁内、中膜的分界，最后测量二者的厚度，所设计方法可以解决了内、中膜灰度边界模糊的问题，从而提高了灰度阙值法的稳定性与检测精度。
【关键词】 超声图像；颈动脉；内膜和中膜检测；高斯混合模型；聚类
【文献综述】
心脑血管动脉硬化患病率高，引发的心脑血管病具有高致残率及高死亡率的特点，威胁了人类健康。WHO调查显示，世界每年死于心血管疾病人数达1700万，占世界人口死亡率的31%[1]。研究表明，颈动脉粥样硬化导致血管壁增厚和粥样斑块形成，最早累及内膜，是引起冠心病等心血管疾病的首要原因[2]。目前，颈动脉内、中膜厚度（IMT）是临床上用于评价动脉粥样硬化发展程度的主要指标[3-4]。准确测量IMT对于心血管疾病的早期诊断具有重要意义。超声成像技术能够完整呈现颈动脉的内、中膜结构，具有无创、低成本等优点，为测量IMT 提供了可靠途径[5]。基于B超图像测量IMT通常由专业医生手动标记颈动脉内、中膜边界来实现，但过程繁琐、耗时且高度依赖医生的从业经验及主观评价。
随着高分辨、多功能超声诊断仪和计算机智能化信息处理的不断发展，大量非人工测量的新技术相继被提出，并应用于检测B超图像中的IMT，其中包括动态规划、活动轮廓模型、统计建模以及深度学习等[6-16]。上述技术应用于检测内膜与中膜的整体厚度，而最新研究表明，除了内膜与中膜的整体厚度，血管壁内膜和中膜各自的厚度能够更 精确地表征和评估冠心病、心肌梗塞、中风等动脉 粥样硬化程度[17-18]。
近年来，上述心血管疾病发展引起的颈动脉内膜和中膜各自厚度的变化吸引了人们的关注。与整体厚度的检测方法相比，检测内膜和中膜各自厚 度的研究难点在于提取内、中膜边界，目前相关提取方法主要有边缘提取和深度学习两类技术。Bae 等提出根据B超图像中颈动脉内膜和中膜超声回声强度不同导致所呈现的亮暗回波线变化这一情况[19]，可用电子卡尺测量每个像素并估计内膜和中膜的厚度，改进了传统边缘检测方法。为了研究超声图像对比度对测量结果的影响，Macioch 等[20]对加入造影剂前后的颈动脉内膜和中膜厚度进行测量，得出管壁近端的内膜和中膜厚度在低对比度时 低于高对比度以及手动测量的结果，表明B超图像对比度增强有利于内膜和中膜厚度的检测。Loizou 等[21]改进了活动轮廓模型，使用贪吃蛇（snake）算 法自动检测超声图像颈动脉管壁的内膜和中膜轮廓以估计其厚度。该方法假设内膜和中膜两个成像区域灰度不变，将求解两个同质区域问题转化为求解一个能量方程的最小值问题，但该方法仅适用于B超图像中动脉壁轮廓边缘较明显的情况。上述边缘提取测量方法的性能依赖于在B超图像中内、中膜边界的灰度梯度信息，但易受斑点噪声影响。在理想的超声图像中，内、中膜边界显示清晰，灰度级呈现垂直跃迁变化。而临床上，实际的B超图像受超声斑点、混响伪影、低分辨率等不利因素的影响，加之内、中膜自身厚度薄（正常内膜 的厚度约为 0.1～0.3 mm，占管壁厚度的 1/6），使内、中膜边界存在模糊、灰度不均匀等问题。袁绍锋等[22]利用CNN方法，学习原始血管内超声图像与所对应手动分割图像间的映射，预测内膜、中膜及外膜的概率图，实现医学图像语义分割，进而采用形态学闭、开操作平滑内膜和中外膜边界。CNN 方法对噪声干扰容忍度高，有效改善了内、中膜边界模糊的问题，显著提高了内膜和中膜厚度的测量精度。但该方法使用大量的手动分割结果作为训练样本，训练样本的数量及准确性与算法性能密切相关。综上所述，由于超声斑点噪声对图像的影响，手动分割内膜和中膜边界是一项难度较高的工作。近年来，上述心血管疾病发展引起的颈动脉内膜和中膜各自厚度的变化吸引了人们的关注。与整体厚度的检测方法相比，检测内膜和中膜各自厚度的研究难点在于提取内、中膜边界，目前相关提取方法主要有边缘提取和深度学习两类技术。
边缘提取测量方法的性能依赖于在B超图像中内、中膜边界的灰度梯度信息，但易受斑点噪声影响。在理想的超声图像中，内、中膜边界显示清晰，灰度级呈现垂直跃迁变化。而临床上，实际的B超图像受超声斑点、混响伪影、低分辨率等不利因素的影响，加之内、中膜自身厚度薄（正常内膜的厚度约为 0.1～0.3 mm，占管壁厚度的1/6），使内、中膜边界存在模糊、灰度不均匀等问题。
无需训练的图像聚类技术有望改善B超图像质量，解决内、中膜边界模糊的问题。图像聚类是运用一些准则函数将图像中灰度、色彩、纹理、结构等按照类内属性相同或相似进行分类，类间属性区别最大的区域合并，使得变化不连续的图像边界呈现为特征目标一致性较好的连续轮廓，从而获得目标边缘明显的图像[23-24]。由于针对整个特征空间，图像聚类更容易把握全局信息，受局部噪声的影响较小，改善了常规边缘检测方法的缺陷，目前在医学图像分割、配准等方面已成为一大研究热点。选择合适的概率模型描述颈动脉超声图像的灰度信息对图像聚类的效果至关重要。不同组织超声回声分布的研究结果表明，瑞利分布、 莱斯分布等单一分布只能描述一种同质均匀组织，不适用于包括血液、三层膜以及周围组织等复杂组织结构的颈动脉B超图像，也难以描述三层膜随着动脉粥样硬化病程发展的病变情况[25-27]。对于结构复杂、类型多样的生物组织，混合分布通用性更强，泛化性更好。为了对比各类混合分布 描述血管超声散斑分布的适用性，Mohana[28]使用伽马混合模型、瑞利混合模型和 Nakagami 混合模型估计组织的概率分布，结果表明伽马混合模型优于其他两种混合模型。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
