基于IVOCT圖像的血管支架和硬化斑塊綜述①

任鑫博,樊景博,田 祎

(商洛學院 經(jīng)濟管理學院,商洛 726000)

醫(yī)學臨床研究表明,動脈粥樣硬化是導致多種冠心病、心血管疾病、腦溢血等病癥的主要誘導因素.動脈粥樣硬化[1]表現(xiàn)為由血管內(nèi)血液中含有的油脂質(zhì)性物質(zhì)在血管的管腔內(nèi)壁上不斷聚集成塊,該塊狀物的存在以及其體積的持續(xù)增加,使得血管腔的橫截面積的不斷縮小,嚴重情況下會堵塞血管,導致流向心臟的血液量減少,從而引起多種心血管疾病及并發(fā)癥.國外臨床數(shù)據(jù)顯示,全球范圍內(nèi)的冠狀動脈血管粥樣硬化病例的數(shù)量正在逐年斷增加,因體內(nèi)動脈粥樣硬化原因而引起的患者死亡的死亡率也在逐年上升[2].因此,研究心血管疾病的病理特征和血管內(nèi)部構(gòu)造的細節(jié)等內(nèi)容成為相關臨床醫(yī)療研究人員首要任務.目前,國內(nèi)外普遍采用的治療動脈粥樣硬化的有效手段是通過醫(yī)療設備向患者的體內(nèi)血管病灶區(qū)植入金屬網(wǎng)狀支架.利用金屬網(wǎng)狀支架的物理形態(tài)和金屬不易變形特性,將患者體內(nèi)動脈粥樣硬化處的血管管腔面撐開,緩解患者因動脈粥樣硬化而導致體內(nèi)血管的管腔橫截面積減少而出現(xiàn)的血液流通阻塞現(xiàn)象.據(jù)統(tǒng)計,全球每年大約有2百多萬名心血管疾病患者接受支架植入手術——冠狀動脈血管重建手術[3].

現(xiàn)階段主要存在兩類用于觀測冠狀動脈血管腔內(nèi)部情況的侵入式圖像獲取技術——血管內(nèi)超聲波技術(Intra-Vascular Ultra-Sound,IVUS)和血管內(nèi)光學相干斷層掃描技術 (Intra-Vascular Optical Coherence Tomography,IVOCT)[4].相比 IVUS 成像技術,IVOCT 的分辨率約為 10-15 μm[4],約為 IVUS 分辨率的 10 倍.因此,IVOCT被認為在血管的內(nèi)部成像上更具潛力和優(yōu)勢的技術[5,6].IVOCT圖像技術通過在血管內(nèi)植入光學探頭發(fā)射光波進而獲取血管的橫截面掃描圖像.其具體表現(xiàn)為,導管通過回退方式在血管內(nèi)運動,由探頭向周圍發(fā)射光波,并根據(jù)接收裝置獲取被血管內(nèi)部組織反射的光波,通過激光成像設備進而形成血管橫截面的掃描圖像.血管內(nèi)的不同組織部分(血管的管腔壁、血管內(nèi)部各正常或病變組織和支架等)因其具有的不同折射率、反射率和吸收率,在IVOCT圖像上呈現(xiàn)出不同的成像結(jié)果.IVOCT導管掃描圖像的光束運動方式具有“螺旋式回退”特點,獲取的圖像也是一組多幀的關于血管橫截面的OCT圖像集.

針對基于OCT技術的血管支架植入治療方法,國外各研究機構(gòu)已經(jīng)較早地開展對圖像中目標的檢測識別與組織分類研究,并取得了一定的研究成果.國內(nèi)對于血管內(nèi)部的目標識別研究內(nèi)容,絕大部分還停留在基于IVUS成像技術的血管圖像研究,而針對基于IVOCT圖像、結(jié)合計算機最新技術的研究還比較少.針對上述問題,本文系統(tǒng)性地整理和總結(jié)當前國內(nèi)外基于IVOCT圖像的最新理論研究和應用,分類闡述其研究思路和方法,并對其特點進行討論和比較.

1 血管管腔邊界的識別與分割

正常血管的IVOCT圖像如圖1中的圖1(a)所示,其主要包括居于圖像中心位置的導管(Catheter),沿某一半徑方向的導絲(Guide-wire),血管管腔區(qū)域,血管管腔壁以及位于血管管腔壁后的血管各類組織部分.其中,導管的成像是一組形狀失真的同心圓.血管的管腔壁上含有三層組織結(jié)構(gòu):內(nèi)膜(Intima)、中膜(Media)和外膜(Adventitia),如圖1中的圖1(b)所示.在高清且血管形態(tài)正常的IVOCT圖像中,可通過人的肉眼分辨上述三者間的界線.血管管腔邊界線的檢測作為血管圖像處理的必要環(huán)節(jié),為后期估算管腔面積、特征量提取以及病變區(qū)域特征分析等研究提供了有效的位置信息.針對血管管腔邊界的檢測,國內(nèi)外常見的研究方法如下.

圖1 基于OCT技術的血管橫截面成像圖示

Celi等人[7]通過圖像的幾何中心向四周發(fā)射“射線”(即 A-line方向),獲取射線與血管管腔的交點,再利用Savitzky-Golay算法獲得完整的管腔輪廓線.

Chiastra等人[8]在預處理中,對二值化的IVOCT圖像應用開運算去除圖像的椒鹽噪聲,然后在坐標變換后的圖像上使用Sobel算子進行邊界檢測.該方法同時考慮了前一幀血管圖像中已檢測的邊界點信息.

Ughi等人[9]針對血管圖像上A-line方向的峰值強度、陰影強度以及強度值上升和下降的速度進行分析,對上述各特征值設定相應的閾值,根據(jù)先驗參數(shù)信息檢測每個A-line的邊界點,最后通過樣條擬合方法獲得血管的管腔邊界.

Ren等人[10]分析了經(jīng)坐標變換后的圖像上A-line的像素值變化,計算每一行中每個像素的鄰域內(nèi)的像素值變化標準差,選取最大值的點作為邊界候選點.

Gurmeric等人[11]定義了一個從血管的管腔到血管外壁間的環(huán)狀感興趣區(qū)域.以圖像幾何中心為坐標中心點,向血管的各個方向先后發(fā)射兩條“射線”,檢測環(huán)狀區(qū)域的內(nèi)、外邊界及環(huán)狀區(qū)域的厚度.然后使用基于邊界的主動輪廓模型結(jié)合Catmull-Rom樣條方法獲取血管腔邊界.

Moraes等人[12]通過使用離散小波變換和Otsu閾值法提取血管管腔邊界的特征量,并使用二值化的形態(tài)方法重建管腔的邊界.

Tsantis等人[13]提出基于馬爾科夫隨機場(MRF)模型的血管管腔邊界的檢測方法.該方法在貝葉斯框架下利用馬爾科夫隨機場模型將血管圖像的局部強度分布與像素鄰域內(nèi)強度的相似度結(jié)合,估算圖像像素的真實強度值.以反映圖像灰度級值的紋理信息和每個像素的連續(xù)小波變換系數(shù)作為MRF模型的數(shù)據(jù)輸入,進而得出血管管腔的邊界線的定義.

Wang等人[14]基于動態(tài)規(guī)劃法檢測血管管腔邊界.該方法先將原始圖像經(jīng)坐標變換生成極坐標圖像,在極坐標圖像的每一行中,定義當前行的血管管腔的邊界點為使得其邊界點之外(左側(cè)部分)像素灰度值累積和與邊界點之內(nèi)(右側(cè)部分)的像素灰度值累積和的差值的最大值點.對每一行迭代地使用動態(tài)規(guī)劃求取起始點到每一個位置的累加值,直至圖像的最后一行.具有最大累加值的路徑即為所求的管腔邊界.

Roy等人[15]在血管管腔分割方法中考慮了光的后向散射的物理特性,提出基于隨機游走的管腔分割方法.該方法將IVOCT圖像(定義為I)劃分為邊界和邊界上的膜組織兩部分,根據(jù)圖論概念,定義圖G,圖G中的點E與圖像I上的點x一一對應.將G中部分被標記的節(jié)點作為隨機游走的種子點.通過對圖像I應用隨機游走,得到G中每個節(jié)點E的概率,對應I中點x的后驗概率,根據(jù)使得x處概率最大的類型標記x處的像素的類型(邊界或膜組織)

Macedo等人[16]首先通過Otsu二值化方法獲得圖像中具有較高梯度值的部分(含血管內(nèi)膜).然后將圖像分為兩類,一類是內(nèi)膜層區(qū)域的值為1,非內(nèi)膜層區(qū)域為0的二值圖像A,另一類是內(nèi)膜層和管腔部分的值都為1,其他為0的二值圖像B.對圖像B與圖像A運行減法操作得到圖像C.將圖像C進行去噪和填孔一系列操作后,再分別進行腐蝕和擴張,將腐蝕和擴張后的圖像執(zhí)行減法操作,最后使用3×3的梯度邊界檢測算子獲取血管管腔邊界.對于含有分支的血管,de Macedo等人在文獻[17]中通過距離變換方法獲取血管主支的區(qū)域,并在區(qū)域內(nèi)尋找血管主支的中心點,以該中心點為圓心估計主支的輪廓線.

Sihan等人[18,19]對經(jīng)過預處理的IVOCT圖像使用Canny邊緣檢測算子獲取血管管腔的邊界.對于受導管和噪聲影響而額外檢測出來的邊界,計算其梯度方向與導管中心的點積,結(jié)合邊界的長度、面積等特征量,將分類中比分最高的像素做為管腔邊界像素點.

Cao等人[20]使用基于梯度的Level Set模型(即距離正則化水平集)檢測管腔邊界.為了減少Guider-wire的干擾,Cao等人將一系列連續(xù)幀的IVOCT圖像映射為一幅“條紋狀”的圖像,通過應用Otsu、形態(tài)閉合、面積約束和擴張等方法,獲得二值化的“條紋”圖像.檢測圖像中非陰影區(qū)域的長度來移除對應原始圖像上的Guider-wire.該文獻應用了N×1的窄條高斯核以減少殘留血液的影響.

將上述血管管腔邊界檢測的方法按照其實現(xiàn)原理,歸納如表1所示.

表1 血管管腔邊界檢測方法匯總

2 血管支架的識別與提取

在動脈粥樣硬化治療病例中,對病人血管的支架植入部位進行定期檢查,可以幫助醫(yī)生及時掌握患者的治療情況,方便醫(yī)生及時地掌握患者治療的實施效果,并給出下一階段的治療方案.在支架植入初期、中期和后期,通過使用相應的計算機圖像處理手段,能夠快速、準確地識別出支架在血管中的位置及分布情況,替代人工手動識別、標記支架,縮短支架識別時間,提高識別效率和準確率等,對后期血管支架數(shù)據(jù)的量化分析也有著十分重要的作用.

在支架植入手術中,一般對患者使用金屬材質(zhì)的支架進行治療.在IVOCT圖像中,由于支架的金屬特性,圖像中的支架成像表現(xiàn)為一組高亮反射的斑塊區(qū)域,同時由于反射原因,在支架植入初期,每個高亮斑塊后面(A-line方向)會出現(xiàn)狹長陰影區(qū)域.

利用IVOCT圖像中支架成像的高亮斑塊及陰影區(qū)域基本特征信息,Bonnema等人[21]在A-line方向?qū)χЪ艿姆瓷鋮^(qū)域、陰影區(qū)域和能量集中區(qū)域設置相應的閾值進行支架檢測.Xu等人[22]提出一種改進的濾波器,該濾波器通過計算局部脊線的強度和方向,同時結(jié)合橢圓擬合算法定位支架.Gurmeric等人[11]在已檢測的感興趣區(qū)域中,分析不同方向上沿圖像中心向四周發(fā)射的射線上光強的分布情況.在射線能量集中的分布區(qū)域中,對能量強度曲線的上升和下降進行分析,檢測支架的陰影.Wang等人[23]結(jié)合全局Intensity histogram閾值和每條A-line的像素強度分布獲取候選支架點,通過 Prewitt compass filter檢測支架后的陰影區(qū)域,對候選點進行分類.Ughi等人[9]在統(tǒng)計分析了 A-line方向上峰值強度、陰影強度以及強度值上升和下降的速度等特征量的基礎上,通過相應特征量的閾值判定,結(jié)合血管圖像內(nèi)不同組織的陰影性質(zhì)分析,檢測支架A-line.Ren等人[10]通過分析每條A-line上的局部最大標準差,獲取支架像素點的候選種子點,對比分屬支架和血管組織的候選點后光強的變化差異進而檢測支架的位置.Chiastra等人[8]結(jié)合Wang的方法和A-line上峰值點的斜線率進行支架檢測,并使用一個矩形窗口與A-line乘積的方法,避免Wang的方法中出現(xiàn)受血管外邊界和噪聲影響的情況.此類方法著重于對血管A-line方向上的像素強度值變化進行統(tǒng)計分析,針對不同部位設置不同的閾值,能夠快速地檢測出特征明顯的支架.但是需要人工參與閾值的設置,同時,殘留血液和導管也會對支架的檢測產(chǎn)生影響.

另一類文獻是在支架成像特征的基礎上,通過對支架進行量化分析、特征提取,獲取描述支架的一組特征量,使用不同的機器學習方法對血管中的檢測目標進行分類.Tsantis等人[13]將支架與不同尺寸下的LOG濾波器進行卷積來計算支架的尺度空間信息,LOG的局部最大響應處作為IVOCT中檢測的支架位置.然后,應用小波特征和概率神經(jīng)網(wǎng)絡(PNNs)完成支架的后期檢驗.Bruining等人[24]將每條A-line上的平均值、最大值以及所有大于平均值的點進行求和的結(jié)果值作為K-NN分類器檢測支架的3個特征量.胡增陽等人[25]結(jié)合最大值鄰域的局部方差提取支架的特征量,利用隨機森林分類器進行支架分類檢測.上述的方法都需要學習大量已標記支架的圖像數(shù)據(jù),建立分類模型,然后應用于新圖像的支架分類檢測任務中.相比于前者統(tǒng)計方法,基于機器學習的支架檢測方法需要滿足具有大量的訓練樣本和支架的特征能夠被準確表達這兩個重要條件.

此外,利用形態(tài)學方法和圖論理論,Kauffmann等人[26]通過使用主動輪廓模型結(jié)合形態(tài)化的梯度對稱算子檢測支架和血管壁,并使用距離圖對兩者進行區(qū)分.Wang等人在文獻[27]中結(jié)合整個導管回退過程的光強度的全局信息,將一組連續(xù)幀的IVOCT圖像“壓縮”為一幅“條紋”圖像,使用最小生成樹算法識別“條紋”圖像中的支架樹,將識別的結(jié)果對應到相應的單幅IVOCT 圖像中.在文獻[28]中,Wang 等人在考慮OCT圖像的物理成像規(guī)則的基礎上,基于Bayesian理論計算在單個A-line上支架出現(xiàn)的概率,根據(jù)IVOCT圖像中相鄰幀之間支架的連續(xù)性判別支架的位置.

上述所有的檢測方法對于初期植入血管的支架,都產(chǎn)生了很好的檢測效果.此外,針對支架植入中期,血管內(nèi)生成新生內(nèi)膜的情況,文獻[10,11,22]也都討論了其算法對此類問題的有效性.但關于支架植入后期、支架錯位、血管內(nèi)含有血栓等復雜情況均未進行深入研究.

3 血管內(nèi)病變組織的識別

常見的三種血管壁病變塊分別為纖維化、鈣化和脂質(zhì)化斑塊.在動脈粥樣硬化病例中,醫(yī)學研究人員也主要是針對上述病例情況進行病理分析.

利用傳統(tǒng)的目標檢測方法,Wang等人[29]通過邊界檢測定位動脈鈣化塊的感興趣區(qū)域,然后使用基于光強度和梯度的Level set方法分割鈣化塊.該方法對邊界明顯的鈣化塊識別率高,而對于邊界模糊、非完全體的鈣化塊則檢測效果差.Macedo等人[30]則討論了在頻域中定義纖維組織特征.

考慮光在血管內(nèi)不同組織的衰減系數(shù),Van Soest等人[31]提出基于光衰減系數(shù)的血管組織特征識別的方法.Ughi等人[32]在文獻中引入光的衰減度分析,定義不同組織所具有的光強值不同,血管管壁由多個不同的組織層構(gòu)成,結(jié)合空間灰度相關性進行紋理分析,提取表現(xiàn)組織特性的特征量,使用隨機森林方法對像素進行識別和分類.不同組織的光衰減度表現(xiàn)不同,因此可以作為表征病變組織特征的特征量,應用在機器學習算法中.

利用卷積神經(jīng)網(wǎng)絡在目標識別上的優(yōu)勢,He等人[33]和Cheimariotis等人[34]將每幅IVOCT圖像分割為固定尺寸,使用已分割的局部圖片訓練卷積神經(jīng)網(wǎng)絡.Gessert等人[35]則將重點放在使用兩個不同結(jié)構(gòu)的網(wǎng)絡框架,結(jié)合遷移學習,對病變斑塊進行分類識別研究.

對比上述不同方法的據(jù)實驗數(shù)據(jù),基于機器學習和深度學習的方法對斑塊的識別率由明顯提升,識別結(jié)果優(yōu)于使用傳統(tǒng)的目標檢測方法的識別率.

4 血管內(nèi)支架分布的3D可視化重建

血管支架的3D可視化重建是以獲取支架分布位置信息為前提,利用3D建模方法實現(xiàn).

Chiastra等人[8]在獲取血管的管腔輪廓和支架位置信息的基礎上,以主血管中心線為基準,建立主血管的3D支架點云可視化圖形,并將結(jié)果與通過Mico-CT重建的支架3D圖形進行對比和分析.

Ughi等人[36]根據(jù)血管內(nèi)的不同結(jié)構(gòu)的亮度值范圍對支架和管腔定義不同的顏色和不同的透明值.根據(jù)已經(jīng)獲取的支架和管腔組織信息作為血管3D可視化重建的輸入數(shù)據(jù),建立血管的3D模型.該模型能很好的展現(xiàn)血管腔內(nèi)的細節(jié),如血管內(nèi)部解剖信息、血栓、錯位支架的位置信息和血管分支部位等.

Wang等人[28]將一組IVOCT圖像“壓縮”成的“條紋”圖像,應用最小生成樹算法檢測支架信息,根據(jù)“條紋”圖像中各支架點的位置和當前的圖像幀數(shù),構(gòu)建單幅血管圖像中單個支架的3D位置信息.

Wang 等人[37]在文中定義了評估 Stent cell contour的 Maximum Circular Unsupported Surface Area(MCUSA),利用 MCUSA 對 Stent cell contour和血管分支的管腔的面積進行研究,進而構(gòu)建其3D可視化模型.

5 總結(jié)與展望

基于OCT技術的人體血管圖像處理是目前醫(yī)學圖像處理的熱門研究之一,如何快速、準確和穩(wěn)定的檢測、識別IVOCT圖像中的各類目標,并建立一套標準化的處理流程,統(tǒng)計各類數(shù)據(jù)指標,輔助醫(yī)生實時地完成目標數(shù)據(jù)的標注、采集和統(tǒng)計分析,減少人工參與、縮短醫(yī)生的診斷時間,為診斷提供必要的、精確的數(shù)據(jù)信息是當前基于IVOCT圖像處理所面臨的首要問題.

在血管的管腔邊界提取方面,利用形態(tài)學、圖論、基于A-line截面的光強度變化及能量函數(shù)結(jié)合概率論等方法進行研究.具體包括:(1)Otsu 二值法結(jié)合形態(tài)學算子;(2)Canny邊界檢測或基于梯度信息的紋理檢測方法;(3)研究A-line方向的能量集中區(qū)域的光強變化,峰值點及強度變化率或局部灰度變化等;(4)分析和提取管腔邊界處點的特征量,利用概率函數(shù)結(jié)合機器學習方法對檢測點進行分類.對于導絲陰影處的管腔邊界,大多數(shù)文獻都使用不同的樣條擬合函數(shù)求取近似的管腔邊界.上述方法目前都集中在研究較規(guī)則的血管管腔邊界提取,對于非規(guī)則或血管內(nèi)含有復雜結(jié)構(gòu)(血栓、脫落的微小內(nèi)膜結(jié)構(gòu)等)的情況,尚未進行深入分析.

在血管支架檢測方面,支架的金屬特性使得其在血管OCT成像中表現(xiàn)出明亮(或高亮)亮斑(狹長形或近橢圓形),并且在支架后面會伴隨有狹長的陰影區(qū)域;支架處具有較高的陰影區(qū)百分比和低陰影區(qū)平均值.因此,不少文獻采用基于A-line方向的光強度值(或能量集中區(qū)域)的變化進行支架點檢測的研究.提取的支架特征也主要包含:(1)最大強度值;(2)平均強度值;(3)亮點區(qū)域的面積;(4)像素強度方差(或標準差);(5)陰影區(qū)域的百分比;(6)陰影長度;(7)峰值強度;(8)陰影強度;(9)峰值點和谷點的陰影對比度;(10)支架像素值的斜線率與血管壁像素值的斜線率對比等.根據(jù)植入支架在血管內(nèi)的存留時間,支架的表現(xiàn)方式也復雜多變.在支架植入中后期,部分IVOCT圖像表現(xiàn)出僅包含支架投射的陰影,或支架的實體表現(xiàn)出模糊或“不存在”;同一個支架點在IVOCT圖像的連續(xù)幀間位置不固定;新生內(nèi)膜中的支架成像區(qū)域較小,亮度偏低等情況.上述現(xiàn)象都會對基于A-line方向的光強度值(或能量集中區(qū)域)的變化的支架檢測方法帶來困難.此外,基于IVOCT圖像的梯度變化和紋理信息對IVOCT圖像進行全局和局部灰度值分析也是支架檢測的一種常用方法.個別文獻也討論了使用小波變換檢測支架的可行性.針對支架表現(xiàn)形式的多樣性,近年來,越來越多的學者專注于使用特征工程手段定義和提取支架的特征表達量(如文獻[31,32]),優(yōu)化機器學習的相關算法,均取得了良好的檢測效果.

在血管塊狀病變組織檢測中,從直觀角度來看,脂質(zhì)化區(qū)域具有分層界線不明顯,分層厚度不明顯,成像像素強度變換緩和的特征;鈣化區(qū)域具有斑塊邊界明顯、形狀易于辨認、紋理性強,具體表現(xiàn)為塊狀、狹長等鈣化形態(tài)特征;纖維化區(qū)域具有使內(nèi)膜增厚、分層不明顯、無法分辨其與中膜間的界線,且纖維化區(qū)域厚度表現(xiàn)不一和等特點,個別形態(tài)(如薄帽纖維化)易與脂質(zhì)化區(qū)域混淆.從光學成像原理的角度分析[9,31,32],脂質(zhì)化區(qū)域具有高衰減、高散射的特征;鈣化區(qū)域具有低衰減和低散射的特征;纖維化區(qū)域具有低衰減、高散射的特征.該方面由于存在多種病變類型且各類型的表現(xiàn)形式具有多樣性,因此國外的圖像處理研究處于探索性階段,如基于圖像紋理特征分析鈣化,使用傅里葉變換分析纖維的頻域特征,能量密度函數(shù)結(jié)合機器學習分類算法識別病變區(qū)域.目前,國內(nèi)在此方面尚未有明確的文獻提出,后續(xù)的研究應充分分析各病變組織的成像特征,著重結(jié)合當下最新的深度學習技術(如卷積神經(jīng)網(wǎng)絡、遷移學習)和最新框架(如及基于語義的全卷積網(wǎng)絡等)對病變組織的識別精度進行研究.

在IVOCT圖像的3D可視化重建方面,許多文獻根據(jù)先前檢測的血管的管腔邊界信息、支架的位置信息以及塊狀病變組織的量化信息,通過給不同組織分配不同顏色完成血管的3D渲染和重建工作,或利用已有的3D建模軟件,將上述各類信息作為輸入數(shù)據(jù)進行3D建模.

在血管內(nèi)部各組織結(jié)的構(gòu)檢測研究中,主要存在如下干擾因素:導管和導絲及其陰影;殘留的血液的成像;復雜形態(tài)的血管管腔邊界;血管內(nèi)其他結(jié)構(gòu)(血栓、脫落的微小內(nèi)膜結(jié)構(gòu)、內(nèi)壁上的靜脈孔和巨噬細胞浸潤);錯位支架;新生內(nèi)膜對支架的覆蓋等.針對上述問題,應結(jié)合血管內(nèi)部結(jié)構(gòu)的幾何形態(tài)、非正常組織的紋理信息,運用形態(tài)學運算和面積約束去除殘留血液和脫落的微小結(jié)構(gòu).樣條擬合結(jié)合圖像前后幀的連續(xù)性可被用于解決錯位支架的修正問題.基于局部最大標準差方法可被用來發(fā)現(xiàn)局部高亮區(qū)域,在含有新生內(nèi)膜的圖像中具有一定的使用價值.

綜上,國外的研究人員和醫(yī)療結(jié)構(gòu)已經(jīng)針對心血管疾病的目標檢測和識別,建立起來一套較完整的半自動或自動化應用處理程序,討論了基于計算機圖像處理技術的各類算法在IVOCT圖像中的目標檢測和識別可能性和有效性.國內(nèi)關于基于OCT技術的人體血管成像處理的研究目前還處于初期階段,已有的文獻[25]也只是較簡單的提取了支架的特征,并使用機器學習方法分析.在傳統(tǒng)檢測方法很難提升正確檢測率的情況下,使用近年來熱門的深度學習技術對血管內(nèi)各部分的識別有助于提高目標檢測的正確率,這也是今后的一個熱門研究方向.但是,使用深度學習技術訓練神經(jīng)網(wǎng)絡目前還存在一個的問題,就是沒有統(tǒng)一的、大量的關于IVOCT圖像的開放式數(shù)據(jù)集[35].相比于基于深度神經(jīng)網(wǎng)絡的人臉識別、目標檢測等領域已有的巨大數(shù)據(jù)集,血管圖像的數(shù)據(jù)相對集中在全球各醫(yī)療實驗機構(gòu)中,同時由于涉及病人資料的保密性,這些機構(gòu)之間的數(shù)據(jù)無法共享,進而無法形成一個統(tǒng)一的、規(guī)范的大數(shù)據(jù)集,進而很難準確地去評價某一個算法或框架的有效性和準確率.所以,需要構(gòu)建一個完備的、開放的且能實時更新的血管數(shù)據(jù)集用于同行之間的研究交流.

6 結(jié)束語

本文對基于IVOCT技術的血管內(nèi)部管腔邊界和支架檢測,主要塊狀病變組織,血管的3D可視化重建四個方面的國內(nèi)外研究情況進行跟蹤和闡述,分析了各主要研究領域所使用的方法,并進行概括總結(jié).目前國內(nèi)關于基于IVOCT圖像的檢測與識別研究較少,本文旨在為相關研究人員和學者快速提供理論思路和方法.OCT血管圖像內(nèi)部結(jié)構(gòu)的檢測和識別依然一個難題,需要更多的研究人員參與,利用更先進的技術進行分析、研究.