基于深度学习的颈动脉超声图像内中膜厚度测量

摘要：

目的 颈动脉血管内中膜厚度(IMT)是衡量动脉粥样硬化程度的重要标准.一般采用人工标定进行测量,该过程耗时且繁琐,由此提出一种总体性能较好的全自动分割(AS)算法.方法 该算法首先利用卷积神经网络(CNN)识别出颈动脉血管远端,进而提取包含颈动脉内膜、中膜部分的感兴趣区域(ROI).采用基于堆栈式自编码器(SAE)构造的模式分类器将ROI中的像素进行分类.最后利用分类区域的面积信息和位置信息对分类结果进行甄别,运用曲线拟合提取边界完成测量任务.结果 针对本研究所用图像库中的84幅颈动脉超声图像进行实验,金标准(GT)由两名专家4次测量的平均值产生,其与AS之间的绝对误差和标准差为(13.3±20.5) μm,协方差系数为0.990 7.结论 实验结果表明,此算法总体性能较好,能够实现超声颈动脉血管内中膜全自动、快速、准确分割,从而满足临床需要.

关键词：内中膜厚度、图像分割、深度学习、卷积神经网络、堆栈式自编码器

所属期刊栏目：39

资助基金：National Natural Science Foundation of Chine 61472163国家自然科学基金61472163

在线出版日期：2016-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：257-262,后插3-后插4