模式识别类方法的分析介绍

Pardo等^［25］提出将统计变形模型应用于IVUS图像的分割。他们利用衍生高斯滤波器在不同的方向和范围对边缘或非边缘以自适应的方式进行局部描述。此算法通过线性辨别分析来简化特征空间，并且通过参数归类器用最小化图像特征同先验知识之间的差异性来引导模型变形。统计学习法与统计灰度梯度法相比，前者具有更好的鲁棒性。

Cardinal等^［26］在Sifakis等^［27］提出的贝叶斯水平集法的基础上提出了半自动的贝叶斯水平集法，利用瑞利分布来对灰度级的统计数据进行建模。他们评定了初始化的鲁棒性，并且用相同的模型对灰度梯度水平集法、灰度梯度snake法和概率密度函数snake法进行了比较。对在无ECG门控、20MHz超声条件下获得的15帧图像进行了三次不同的初始化，实验结果表明概率密度函数snake法更稳定。然而，快速推进法得到的Hausdorff距离（一个点集合到另一个点集合中，离它最近点的距离的最大值）最小，灰度梯度snake的初始化可变性最大。后来，该课题组又对先前的方法进行改进，提出了自动分割法^［28］，即自动计算概率密度函数区域统计参数和水平集的初始轮廓。在新算法中，速度函数是基于区域统计数据和灰度梯度信息的，而不再只是依赖区域统计数据。他们对采用20MHz超声探头获得的600帧有轻微病变的动脉图像和84幅模拟图像进行了测试。手动分割模拟图像得到的Hausdorff距离低于0.66Mm，而手动分割病变动脉IVUS图像得到的Hausdorff距离低于0.344Mm。近来，该课题组又提出了一种新的三维IVUS分割模型^［29］，利用血管各层结构的灰度概率密度函数的多界面快速推进法完成分割，用混合瑞利概率密度函数对整个IVUS图像序列的灰度级分布进行建模，并且内腔、斑块和中膜的分割是同时完成的。他们采用9组有轻微病变的IVUS图像序列和一个模拟图像序列来验证其有效性，在模拟图像序列上得到了精准的分割，平均Hausdorff距离小于0.072Mm。而对临床图像序列的分割，平均Hausdorff距离小于0.16Mm。

文献［30］和［31］中分别提出了利用瑞利分布及马尔可夫过程和基于后验概率的全自动分割方法。这两种方法是在Friedland［32］和Dias［33］的研究基础上提出的，并且都利用了极坐标。Haas等^［31］认为血管壁的时间连续性可通过多轮廓和一阶马尔可夫过程对图像序列建模来解释。Bruseau等^［30］只提取内腔边缘，首先检测沿径向的第一个或者全局最大的“可靠点”，然后依据轮廓的先验能量从第一个和全局最大值中选择一个。从其实验结果来看，沿径向的内腔边缘并不总是对应后验概率密度函数的全局最大值，或者第一个最大值。

近来，在公开发表的文献中又公布了几种新方法。Olszewski等^［34］提出一种模仿人类视觉系统的机器学习法。Bovenkamp等^［35］利用多智能体（Multi-agent）技术来解决IVUS的分割问题。Filho等^［36］提出了一种利用回声阴影信息自适应阈值自动提取钙化斑块的方法。Bucher等^［37］首次提出了形状驱动的自动分割IVUS图像的方法。此方法对再次采样的矩形区域中的内腔和中外膜轮廓进行了建模分割，同时通过约束内腔和中外膜轮廓为平滑闭合的几何形状，使得分割结果有了足够的灵活性。在分割内腔时，他们利用了基于图像概率密度能量的非参数强度模型，并且在强度模型中改变了以前逐点测量的方法，而是结合总体图像的测量。而在中外膜分割中，他们定义了一个定向平滑梯度来克服IVUS图像中的噪声，并利用边缘信息，这大大提高了分割的有效性。此外，他们还提出了一种利用解剖学特性检测钙化物质和分支开口（即因斑块钙化等因素引起的无回声阴影区域，如图3-21所示）的方法。经过对大量数据进行测试，证明了其算法的有效性。此方法对不同情况的IVUS图像自动分割内腔和中外膜的结果，如图3-22所示。

图3-21 因斑块钙化等因素引起的无回声阴影区域(www.xing528.com)

图3-22 不同情况IVUS图像自动分割内腔和中外膜的结果^［37］

a）正常的动脉 b）正常且导管居中 c）内腔小且与中外膜间有噪声 d）有阴影的IVUS图像 e）有阴影和钙化的IVUS图像

Ruiz等^［38］提出了一种半自动的概率统计分割内腔的方法，利用混合高斯函数对内腔轮廓进行参数化，并且此轮廓的变形是通过最小化由贝叶斯法的马尔可夫随机场模型构建的成本函数来实现的。其次，提出了一种新的优化算法，它结合了最陡下降法和Broyden-Fletcher-Goldfarb-Shanno（BFGS）^［39］优化算法。此外，多尺度的方法大大提高了分割速度和成本函数的收敛速度，并使分割结果更加精确。文献［40］提出改进的T-snake，通过在内力微分近似计算中的归一化处理，避免了自交现象，同时改善了基本T-snake^［41］的数值计算精度，使T-snake更易于精确捕捉图像的细节信息；而改进的T-snake外力法线矢量方向的确定方法在不降低数值计算精度的前提下，更便于实现。