面向OCT影像的易损斑块自动识别方法

• 68 •

针对冠状动脉光学相干断层（OCT）影像，本文提出一种基于频谱特征的易损斑块自动识别方法。首先将OCT影像分割成单独的条状局部图像，然后对该图像进行快速傅里叶变换，以此获得关于OCT影像的频谱特征，根据类别标签已知的条状局部图像，将其作为训练样本用于支持向量机的训练，最后将训练后的支持向量机用于对类别未知条状局部图像进行分类，以此确定OCT影像中的易损斑块区域。与人工标定的结果对比，本文能够有效检测出OCT影像上的易损斑块。

1.引言

易损斑块识别对心血管相关疾病的诊断具有十分重要的意义，近年来，随着光学相干断层扫描技术（OCT）的快速发展，OCT影像上的医疗诊断技术已逐渐成为人工智能和医学交叉领域的热点内容。OCT具有成像清晰，对人体伤害小等优点，可辅助医生进行病情的诊断和治疗。但在OCT影像上实现斑块的识别一方面对医疗人员提出了较高的专业技能要求，另一方面长时间的识别工作会使人产生疲劳感，从而导致人为误判。因此，针对OCT心血管影像寻求一种可自动识别出易损斑块区域的方法，其对于心血管疾病诊断有着重要价值。

目前对于OCT影像上易损斑块自动识别方法的研究主要试图解决心血管易损斑块特征表达。Wang等提出用于冠脉内OCT管腔和钙化斑块自动分割的方法（Zhao Wang,Hiroyuki Kyono,Hiram G.Bezerra,David L.Wilson,Marco A.Costa,Andrew M.Rollins.Automatic segmentation of intravascular optical coherence tomogra-phy images for facilitating quantitative diagnosis of atherosclerosis:Proceeding of Optical Coherence Tomography and Coherence Domain Optical Methods in Biomedicine XV,2011,788-9(1):78890-1-7），利用动态规划方法实现对管腔的分割，钙化斑块使用边缘检测进行局部化，通过活动轮廓模型进行精细追踪。Jang等运用OCT技术研究了人体冠状动脉内的斑块特征（Ik-KyungJangMD,Brett E.Bouma,Dong-Heon Kang MD.Visualization of coronary atherosclerotic plaques in patients using optical coherence tomography:comparison with intravascular ultrasoung:Journal of the American College of Cardiology,2002,39(4):604-609；Ik-Kyung Jang,Guillermo J.Tearney,Briain MacNeill,Masamichi Takano.In vivo characterization of coronary atherosclerotic plaque by use of optical coherence tomography:Circulation,2005,111(12):1551-1555），通过OCT成像显示出纤维斑块、脂质斑块和钙化斑块，由于影像分辨率高，所以识别性能更好。王光磊等使用2层卷积层的卷积神经网络提取图像特征（王光磊,时亚松,刘明,韩业晨,刘秀玲.OCT影像下纤维斑块的自动识别算法:激光杂志,2016,37(30):57-6），在此基础上形成对图像区域的分类。本文提出一种基于OCT影像频谱特征的易损斑块自动识别方法，在OCT影像上提取局部频谱特征，训练支持向量机(SVM)，并使用该支持向量机完成易损斑块区域的检测。

2.易损斑块识别算法

图1 本文算法总体框架图

本文算法总体框图如图1所示，其由两部分组成：支持向量机的训练及易损斑块的分类识别。其中，训练阶段，已标定的OCT图像做傅里叶变换形成频谱特征，将其作为训练样本用于支持向量的训练。斑块检测阶段，将已训练的支持向量机对局部图像的频谱特征进行分类识别，以此确定斑块的类别。

面向OCT影像的易损斑块自动识别方法

常州工学院 冯子健 贲成阳 朱俊杰 李潘玥

常州市第七人民医院 钱一飞

常州工学院 钱 诚

DOI:10.19353/ki.dzsj.2019.04.044

• 69 •

2.1 条状局部图像块频谱特征提取

首先使用高斯滤波算法对OCT影像进行滤波去噪，如图2所示，随后将去噪后的图片以5个像素宽度为单位进行切割，以此形成条状局部图像。将条状局部图像做傅里叶变换，从而得到关于图像的频谱特征。背景部分能量主要对分布在低频区，而带有纹理的心血管图像部分能量主要分布在高频区。2.2 支持向量机的训练

根据已标定易损斑区域的OCT影像，通过1.1节的条状局部图像频谱特征提取方法，获

得已标定图像块的特征向量

，其与标签

构成训练样本集合，将其输入支持向量机进行训练，其中对于非易损斑

块的局部图像，其标签

，相反，易损斑块

的局部图像类别标签

。相应地，支持向

量机学习的目标函数就为：

(1)

上式中，

和

确定了分类超平面，

为

映射函数，将原始特征映射到高维空间，是

松弛因子，

为平衡系数。上述问题可以

通过对偶问题求解，相应地，目标函数就为：

(2)

上式中，

表示核函数，是拉格朗日

乘子向量，由式(2)可得

。2.3 斑块区域分类

对于输入的待检测斑块图片，同样按照1.1节的方法提取条状局部图像的频谱特征，

以此作为待检测图片的特征

。利用式(2)所得的

计算待测图片的类别。

(3)

上式中，是符号函数。因为对于斑块区域的分类都是基于局部图像，所以需要将分类后的局部图像进行归并，以获得易损斑块区域。在归并方法上，对于每块分类为易损斑块的局部图像，如果其后续连续5块区域都为易损斑块图像，则将这些图像合并，否则不将其

分类为易损斑块图像。

图3(a) 易损斑块自动识别结果

图3(b) 易损斑块自动识别结果

图2 条状局部图像块的切割

图3(c) 易损斑块自动识别结果