论文部分内容阅读
心脑血管疾病是世界范围性疾病,其发病率和死亡率在近几十年内持续增长。心脑血管疾病的主要病理基础是动脉粥样硬化。颈动脉作为连接心脏和脑部的大动脉,能反映全身主要动脉粥样硬化的发展趋势。超声成像是临床上用来检查颈动脉粥样硬化斑块最常用的影像学方法。利用计算机对颈动脉斑块超声图像进行自动识别无疑可以提高诊断的效率和准确率。卷积神经网络(Convolutional Neural Network,CNN)在图像处理领域有着独特的优越性,但是训练CNN的前提条件是海量样本数据。医学图像金标准获取耗时且昂贵。研究如何在小样本条件下,提高CNN对颈动脉斑块超声图像的识别能力具有重要的科研价值和临床意义。本文使用加拿大Robarts研究所提供的36位受检者三维颈动脉超声体数据,重采样得到1,828张颈总动脉横断面二维图像。根据医生标注的血管内外膜信息,提取了三种不同类型的感兴趣区域(Region of Interest,ROI),分别是直接选取的原始ROI1,在ROI1基础上分割出血管外膜的ROI2,以及在ROI2基础上分割出血管内膜的ROI3。通过传统数据增强方法建立实验样本集,每类ROI共得到16,452个样本。在实验过程中,本文首先建立了用于颈动脉斑块超声图像自动识别的CNN。然后尝试通过生成对抗网络(Generative Adversarial Networks,GAN)增加新的训练集样本、迁移学习和主动学习三种策略来提高CNN的识别性能。研究结果表明,GAN生成的新样本很好地拟合了颈动脉的轮廓,但是丢失了重要的内中膜灰度细节,对CNN的识别性能没有显著改善;主动学习需要对CNN进行多次训练,容易陷入局部最小值,无法显著提高CNN的识别性能;用分割出血管内外膜的ROI3对CNN进行预训练,之后进行迁移学习,可以有效提高CNN对颈动脉斑块超声图像的识别准确率,受试者操作特性(Receiver Operating Characteristic,ROC)曲线下面积值从0.862提高至0.900。最后,本文对原始1,828个样本提取了一阶灰度统计量、灰度共生矩阵、Laws纹理能量等共7类85个常用纹理特征,并用支持向量机(Support Vector Machine,SVM)进行颈动脉斑块超声图像分类,与CNN实验结果进行比较,实验结果表明,CNN明显优于传统基于特征提取的SVM方法。