為了實現對血管內超聲(IVUS)灰階圖像中的血管壁(包括粥樣硬化斑塊、血管分叉和支架等)進行自動識別和分類, 分別采用局部二值模式(LBP)、Haar-like和Gabor濾波提取圖像的紋理特征, 然后采用Gentle Adaboost分類器對降維后的特征數據進行分類, 并優化分類器參數。對臨床圖像數據的實驗結果表明以人工標定的結果作為金標準, 識別脂質斑塊的精度可達94.54%, 區分纖維化斑塊和鈣化斑塊的精度可達93.08%, 對血管分叉和支架的識別精度分別可達93.20%和93.50%。
引用本文： 孫正, 王立欣, 周雅. 血管內超聲灰階圖像的自動組織標定. 生物醫學工程學雜志, 2016, 33(2): 287-294. doi: 10.7507/1001-5515.20160049 復制
引言
血管內超聲(intravascular ultrasound，IVUS)是臨床常用的診斷血管病變和檢測易損斑塊的介入影像手段。它將微小的超聲探頭鑲嵌于心導管的頂端，置于血管腔內，在回撤導管的過程中獲得血管切面圖像。不同性質的組織對超聲的吸收和反射不同，因此可以根據接收超聲信號的強弱以不同的灰階形式顯示出血管壁的組成結構，包括血管壁外膜和中膜邊界、內膜即管腔以及兩者之間的斑塊負荷情況，并據此判斷病變的性質和程度[1]。
對IVUS圖像中的粥樣硬化斑塊進行精確地檢測和分型，對于動脈硬化性疾病的診斷和治療具有重要意義[2]。與其它血管部位相比，動脈分叉處的血流剪切應力波動較大，易形成渦流，是粥樣硬化斑塊的好發部位。對IVUS圖像中的血管分叉進行自動檢索和定位，可幫助醫生迅速定位病變部位，輔助對血管分叉病變的治療[3]。血管支架植入術是手術治療冠狀動脈粥樣硬化性心臟病的重要方法之一，但是術后六個月內動脈的再狹窄率仍然高達20%~30%[4]。對IVUS圖像中的支架進行自動識別[5-6]和測量[7-8]，對于有效跟蹤和檢查植入支架部位、評價介入治療效果和為再狹窄制定及時有效的治療方案等具有重要意義。臨床采集的IVUS圖像序列數據量巨大，且圖像受噪聲污染比較嚴重，包含多種影響視覺效果的偽像[9]，同時由于拍攝速度極快，會產生大量無診斷價值的圖像。由人工來逐幀檢查和分析是一項非常繁瑣的工作，并且對操作者的專業知識要求很高，分析結果的客觀性和可重復性差。利用信號處理技術，對IVUS圖像中的不同組織進行自動分類，對于冠心病的計算機輔助診治具有很好的臨床應用價值。一種方法是分析由超聲導管采集的原始射頻(radio frequency)信號[10-14]，由于原始數據的高分辨率，可分辨出小區域的斑塊，而且可避免在圖像重建過程中引入的偽影。但是，對于目前臨床使用的多數IVUS成像設備，射頻信號通常被轉化為標準顯示的常規灰度圖像[9]，不允許采集原始信號，因而限制了此類方法的廣泛應用。
與原始射頻信號相比，IVUS灰階圖像較易獲取。常規采集的IVUS灰階圖像中包含大量紋理信息，且正常組織與病灶組織的紋理差異明顯，其紋理描述也較射頻信號更為簡單[15-18]。本文通過對IVUS灰階圖像的紋理特征進行提取和分類，結合目標特征的先驗知識，對圖像中的三種斑塊(鈣化、纖維化和脂質斑塊)、血管分叉和支架進行自動識別和定位。
1 提取紋理特征及構建樣本庫
1.1 斑塊樣本庫
如圖 1所示，在異常IVUS圖像中，依據成分可將斑塊組織分為四類[4]：①脂質斑塊，透聲性強，表現為低回聲區；②纖維斑塊，回聲強度與鈣化性斑塊相近，但其后無負性聲影；③鈣化斑塊，回聲很強，強回聲后有負性聲影；④混合性斑塊，同時具有兩種或以上上述斑塊的聲學特征。由于超聲顯像自身的局限性，目前僅根據IVUS灰階圖像尚難以嚴格區分混合性斑塊[19]。因此，本文僅對鈣化、纖維化和脂質斑塊進行識別。
圖1
典型的IVUS圖像
Figure1.
Typical IVUS images
首先，由醫生手動選取含三種斑塊的典型圖像組成訓練集，并手動標記斑塊所在位置。然后，采用局部二值模式(local binary pattern，LBP)和Gabor濾波提取紋理特征用于訓練分類器。為了使特征維數較低且具有較好的分辨率，將LBP變換后的圖像中標記點像素的灰度值作為特征值。由于Gabor濾波器具有多尺度特性，且IVUS圖像的內容較為復雜，因而本文分別選取0°、45°、90°和135°四個方向，同時設置濾波器在x和y方向的尺度因數為(0.4，0.4)、(0.45，0.45)、(0.5，0.5)和(0.55，0.55)。這樣一幀IVUS圖像經過Gabor濾波后可得到16幅不同尺度和方向的對應圖像，將每幅圖像特征點的灰度值作為紋理特征值。如此，每個像素的紋理特征值為17維，即1維LBP特征和16維Gabor濾波器特征。
1.2 支架樣本庫
如圖 2所示，在IVUS圖像中支架完全擴張后位于管腔貼近血管壁內膜的位置，形成另一個邊界。金屬支架為超聲的強反射體，超聲圖像呈現為沿血管周圍走行的回聲點或回聲弧。由于設計和材料的不同，每種支架的表現略有差異。管型支架或網眼支架表現為局部的金屬樣點狀回聲，纏繞型支架則表現為與血管壁斷面相對應的弧形回聲，與鈣化聲影類似，支架柱后方也有回聲信號失落區[9]。
圖2
包含支架的兩幀IVUS圖像
Figure2.
Two IVUS images displaying stent struts
本文首先從IVUS圖像序列中手動分割出相同大小、包含支架的矩形區域和不包含支架的矩形區域，構成支架樣本庫。然后，如圖 2所示，由于IVUS圖像中支架的平均灰度值要高于管腔內無支架區域的灰度值，因此使用14種Haar-like矩形特征原型[20]，即4個邊緣特征、8個線性特征和2個中心特征，分別對含支架和不含支架的樣本圖像提取紋理特征，并使用積分圖實現特征數值的快速計算[21]。
1.3 血管分叉樣本庫
如圖 3(a)所示，在含血管分叉的IVUS橫向視圖中，血管分叉部分的偏心度遠高于無分叉部分。因此為了便于以角度為單位分析血管的徑向紋理特征，首先把含分叉IVUS橫截面圖像轉換到極坐標系中，如圖 3(b)所示；然后，以1°為單位將極坐標視圖分割成360個區域，構成樣本庫；最后，對是否為分叉部分進行人工標記。當鄰域半徑和鄰域點數取不同的值時，計算出圖像中所有像素的LBP值，即得到該圖像的LBP紋理特征向量，組成樣本庫。
圖3
顯示血管分叉的IVUS圖像
(a)兩幀橫向視圖；(b)極坐標視圖
Figure3. IVUS images displaying vessel branchings(a) cross-sectional view; (b) polar view
2 組織特征的分類
IVUS圖像中各類組織的紋理特性既有區別，也有相似之處，因而分類的復雜度較高。本文采用Gentle Adaboost分類器[22]，對降維之后的紋理特征數據進行分類。第一階段采用學習算法，通過對訓練集進行歸納學習得到分類模型；第二階段將得到的分類模型用于測試集，對測試集中未知類別的實例進行分類。其中，在區分三類斑塊(鈣化、纖維化和脂質斑塊)時，將三分類問題轉化為二分類問題，即將訓練集中的脂質斑塊標記為第1類，纖維和鈣化斑塊標記為第2類。首先識別出脂質斑塊，再將訓練集中的鈣化斑塊標記為第2類，纖維斑塊標記為第3類，用這兩類樣本訓練分類器，并用得到的分類器模型對纖維和脂質斑塊進行分類。
Gentle Adaboost算法的具體過程描述如下：
步驟1：假設共有N個訓練樣本，并且標記為{(x1, y1), …, (xN, yN)}，其中yi∈{-1, 1}；yi=1表示為目標樣本，否則為非目標樣本。
步驟2：樣本的權重初始化為wi=1/N，其中i=1, …, N。
步驟3：for j=1:M(M是訓練的輪數)
a.?從所有特征值中，挑選第j輪中最佳的弱分類器hj(x)，使得在該樣本權重的分布下，樣本的均方誤差最小。
b.?對權重進行更新：
| $ {w_i} \leftarrow {w_i}\exp \left({-{y_i}{h_i}\left({{x_i}} \right)} \right) $ |
其中i=1, …, N。
c.?歸一化權重，使得
| $ \sum\limits_{i=1}^N {{w_i}}=1 $ |
步驟4：輸出強分類器：
| $ H\left(x \right)={\rm{sign}}\left[ {\sum\limits_{j=1}^M {{h_j}\left(x \right)} } \right] $ |
Gentle Adaboost的弱分類器分類結果的絕對值是[0, 1]區間中的實數，把分類器結果作為置信度來看待。
3 實驗結果與討論
用臨床采集的IVUS圖像序列進行實驗，實驗所用圖像數據的采集是在河北大學附屬醫院的心導管室中由醫生完成。所用的血管內超聲成像系統為Jomed Endosonic超聲成像儀，采用2.9F 30 MHz單軌機械超聲探頭，由步進電機驅動自動連續回撤探頭導管，回撤速度為0.5 mm/s，探頭導管以1 800轉/min作360°旋轉，以25幀/s的速率連續獲得血管橫軸實時切面圖像。
3.1 斑塊的識別和分類
3.1.1 提取紋理特征
對圖 4中的三幀含斑塊IVUS圖像分別進行不同鄰域半徑和點數的LBP變換，結果如圖 5所示，可見隨著鄰域半徑R的增大和鄰域點數P的增多，圖像的紋理被不斷加深，局部紋理被放大，細小的紋理被忽略。對圖 4中的左圖進行不同參數的Gabor濾波結果如圖 6所示，可以看出斑塊組織對Gabor濾波的方向和尺度較為敏感：在45°和135°方向，斑塊的表現更為突出，其中鈣化斑塊的灰度特征得到加強，隨著尺度增大，斑塊表現逐漸減弱；0°和90°方向的Gabor濾波對IVUS圖像的紋理特征有削弱功能，圖像不再具有明顯的紋理特征，且隨著尺度的增大紋理特征削弱的越嚴重；濾波尺度較小時特征提取的效果較為理想。
圖4
三幀包含斑塊的IVUS圖像
Figure4.
Three IVUS images displaying plaques
3.1.2 紋理特征的Gentle Adaboost分類
從圖像庫中截取166塊斑塊圖像樣本作為訓練集，其中鈣化斑塊46個，脂質斑塊52個，纖維斑塊35個，如圖 7所示。對于圖 8所示的測試樣本，在獲取各點的紋理特征值之后，進行支持向量機(support vector machine, SVM)、Gentle Adaboost和隨機森林(random forest, RF)的分類結果分別如圖 9所示，圖中白色、淺灰色和深灰色區域分別為鈣化、纖維和脂質斑塊。以醫生的手動標定結果作為金標準，SVM二分類和三分類的總體準確率分別為92.40%和87.52%；Gentle Adaboost迭代次數為300，二分類的總體準確率為94.54%；RF決策樹數目為600，二分類的總體準確率為76.94%。
圖7
三類斑塊圖像的訓練集
Figure7.
Training sets of three types of plaques
圖8
測試圖像
Figure8.
Test image
圖9
SVM、Gentle Adaboost和RF分類結果
Figure9.
Classification results of SVM, Gentle Adaboost and RF
當迭代次數不同時，Gentle Adaboost分類準確率也存在較大差異，如表 1所示。可以看出隨著迭代次數的增加，兩個二分類問題的總體準確率是逐漸提高的。當迭代次數為300時，總體準確率達到一個拐點；當迭代次數為350時，雖然總體準確率有所下降，但第1類和第2類樣本的準確率得到了均衡，二者之間的差別明顯縮小；當迭代次數為400時，第1類和第2類樣本的準確率差別變大，尤其是區分纖維與鈣化斑塊。
表1
Gentle Adaboost在區分鈣化、纖維化和脂質斑塊時的迭代次數與分類準確率關系統計結果
Table1.
Iteration times and classification accuracy of Gentle Adaboost in classifying three types of plaques
綜合考慮分類器的性能和分類結果，可以看出Gentle Adaboost和SVM在分類準確率方面有較好表現，但是SVM將特征映射到高維空間，計算成本和計算復雜度較高。因此可見，Gentle Adaboost分類器更適合進行對IVUS圖像中三種斑塊組織的自動標定。
3.2 識別血管分叉和支架
3.2.1 提取紋理特征
血管分叉樣本庫由2 250幅含分叉的局部圖像和2 750幀不含分叉的局部圖像構成，均為極坐標視圖，示例如圖 10所示。從三個圖像序列(約6 000幀)中共提取到275幀含支架的圖像，圖 11(a)為其中的4幀。共截取了458幅含支架區域的圖像和492幅不含支架的局部圖像作為訓練樣本集，樣本圖像的大小為12×12像素，其中部分圖片如圖 11(b)所示。
圖10
包含和不包含血管分叉的圖像樣本
(a)含分叉的樣本及對其進行
(a) bifurcation samples and LBP results with (
圖11
含支架的IVUS圖像
(a)四幀橫向視圖；(b)含支架柱的局部圖像
Figure11. IVUS images including stent struts(a) four cross-sectional views; (b) local images including stent struts
3.2.2 紋理特征的Gentle Adaboost分類
對實驗圖像序列分別采用Real Adaboost、Modest Adaboost和Gentle Adaboost三種分類器對支架和血管分叉的紋理特征進行分類，并統計分類準確度、錯誤率、查全率、查準率和F1等性能指標，結果如圖 12和13所示。如圖 12所示，對于支架的檢測，與其它兩個分類器相比，Gentle Adaboost在分類準確率方面有很大優勢，當迭代次數為196時，可達93.50%。在查準率方面，Gentle Adaboost也具有最優性能，迭代次數為196時，可達到94.20%；其次是Modest Adaboost；Real Adaboost性能最差。查準率和查全率是相互制約的，Modest Adaboost的查全率較好，F1測度與Gentle Adaboost表現相當，Real Adaboost表現最差。總的來說，在對支架的檢測中，當迭代次數不同時，Real Adaboost的準確率波動較大，穩定性差。
圖12
架檢測中三種分類器的準確率、查準率、查全率和F1
Figure12.
Accuracy, precision, recall and F1-measure of three classifiers in the detection of stents
圖13
分叉檢測中三種分類器的準確率、查準率、查全率和F1
Figure13.
Accuracy, precision, recall and F1-measure of three classifiers in the detection of bifurcations
如圖 13所示，對于血管分叉的檢測，當迭代次數為187時，Real Adaboost的準確率最高，達到93.20%，略高于同迭代次數下Gentle Adaboost的值。當迭代次數不同時，Real Adaboost的查準率在多數情況下高于Gentle Adaboost；但是迭代次數越高，Gentle Adaboost的優勢越明顯，當迭代次數為200時，其查準率可達到83.60%。在查全率方面三種分類器均表現不佳，當迭代次數為200時，最高值只有68.80%，這是由于對IVUS圖像中分叉的檢測是在極坐標視圖中以1°為單位進行的，而某個小的角度內分叉處的灰度值可能變化不明顯，使得分類器把正類錯判為負類的情況較多。當迭代次數為200時，Gentle Adaboost的F1測度達到74.90%，Modest Adaboost則表現不佳。總體來說，在對血管分叉的檢測中，Real Adaboost和Gentle Adaboost性能良好，Modest Adaboost的各項性能指標較低。
通過以上分析比較可知，相較于其它兩種分類器，Gentle Adaboost更適合作為檢測IVUS圖像中血管分叉和支架的分類器。
4 結論
本文通過提取IVUS灰階圖像的紋理特征獲得血管壁(包含斑塊組織和支架支撐)的特征數據，利用模式識別中監督分類的相關知識設計了Gentle Adaboost分類器，對特征數據進行分類，實現了血管內超聲圖像中斑塊組織的自動識別和按照成分的分類。以醫生手動標定的結果作為金標準，本文方法識別脂質斑塊的精度可達94.54%，區分纖維化斑塊和鈣化斑塊的精度可達93.08%。識別支架的準確率可達93.50%，查準率可達94.20%。識別血管分叉的準確率可達93.20%，查準率達83.60%。
引言
血管內超聲(intravascular ultrasound，IVUS)是臨床常用的診斷血管病變和檢測易損斑塊的介入影像手段。它將微小的超聲探頭鑲嵌于心導管的頂端，置于血管腔內，在回撤導管的過程中獲得血管切面圖像。不同性質的組織對超聲的吸收和反射不同，因此可以根據接收超聲信號的強弱以不同的灰階形式顯示出血管壁的組成結構，包括血管壁外膜和中膜邊界、內膜即管腔以及兩者之間的斑塊負荷情況，并據此判斷病變的性質和程度[1]。
對IVUS圖像中的粥樣硬化斑塊進行精確地檢測和分型，對于動脈硬化性疾病的診斷和治療具有重要意義[2]。與其它血管部位相比，動脈分叉處的血流剪切應力波動較大，易形成渦流，是粥樣硬化斑塊的好發部位。對IVUS圖像中的血管分叉進行自動檢索和定位，可幫助醫生迅速定位病變部位，輔助對血管分叉病變的治療[3]。血管支架植入術是手術治療冠狀動脈粥樣硬化性心臟病的重要方法之一，但是術后六個月內動脈的再狹窄率仍然高達20%~30%[4]。對IVUS圖像中的支架進行自動識別[5-6]和測量[7-8]，對于有效跟蹤和檢查植入支架部位、評價介入治療效果和為再狹窄制定及時有效的治療方案等具有重要意義。臨床采集的IVUS圖像序列數據量巨大，且圖像受噪聲污染比較嚴重，包含多種影響視覺效果的偽像[9]，同時由于拍攝速度極快，會產生大量無診斷價值的圖像。由人工來逐幀檢查和分析是一項非常繁瑣的工作，并且對操作者的專業知識要求很高，分析結果的客觀性和可重復性差。利用信號處理技術，對IVUS圖像中的不同組織進行自動分類，對于冠心病的計算機輔助診治具有很好的臨床應用價值。一種方法是分析由超聲導管采集的原始射頻(radio frequency)信號[10-14]，由于原始數據的高分辨率，可分辨出小區域的斑塊，而且可避免在圖像重建過程中引入的偽影。但是，對于目前臨床使用的多數IVUS成像設備，射頻信號通常被轉化為標準顯示的常規灰度圖像[9]，不允許采集原始信號，因而限制了此類方法的廣泛應用。
與原始射頻信號相比，IVUS灰階圖像較易獲取。常規采集的IVUS灰階圖像中包含大量紋理信息，且正常組織與病灶組織的紋理差異明顯，其紋理描述也較射頻信號更為簡單[15-18]。本文通過對IVUS灰階圖像的紋理特征進行提取和分類，結合目標特征的先驗知識，對圖像中的三種斑塊(鈣化、纖維化和脂質斑塊)、血管分叉和支架進行自動識別和定位。
1 提取紋理特征及構建樣本庫
1.1 斑塊樣本庫
如圖 1所示，在異常IVUS圖像中，依據成分可將斑塊組織分為四類[4]：①脂質斑塊，透聲性強，表現為低回聲區；②纖維斑塊，回聲強度與鈣化性斑塊相近，但其后無負性聲影；③鈣化斑塊，回聲很強，強回聲后有負性聲影；④混合性斑塊，同時具有兩種或以上上述斑塊的聲學特征。由于超聲顯像自身的局限性，目前僅根據IVUS灰階圖像尚難以嚴格區分混合性斑塊[19]。因此，本文僅對鈣化、纖維化和脂質斑塊進行識別。
圖1
典型的IVUS圖像
Figure1.
Typical IVUS images
首先，由醫生手動選取含三種斑塊的典型圖像組成訓練集，并手動標記斑塊所在位置。然后，采用局部二值模式(local binary pattern，LBP)和Gabor濾波提取紋理特征用于訓練分類器。為了使特征維數較低且具有較好的分辨率，將LBP變換后的圖像中標記點像素的灰度值作為特征值。由于Gabor濾波器具有多尺度特性，且IVUS圖像的內容較為復雜，因而本文分別選取0°、45°、90°和135°四個方向，同時設置濾波器在x和y方向的尺度因數為(0.4，0.4)、(0.45，0.45)、(0.5，0.5)和(0.55，0.55)。這樣一幀IVUS圖像經過Gabor濾波后可得到16幅不同尺度和方向的對應圖像，將每幅圖像特征點的灰度值作為紋理特征值。如此，每個像素的紋理特征值為17維，即1維LBP特征和16維Gabor濾波器特征。
1.2 支架樣本庫
如圖 2所示，在IVUS圖像中支架完全擴張后位于管腔貼近血管壁內膜的位置，形成另一個邊界。金屬支架為超聲的強反射體，超聲圖像呈現為沿血管周圍走行的回聲點或回聲弧。由于設計和材料的不同，每種支架的表現略有差異。管型支架或網眼支架表現為局部的金屬樣點狀回聲，纏繞型支架則表現為與血管壁斷面相對應的弧形回聲，與鈣化聲影類似，支架柱后方也有回聲信號失落區[9]。
圖2
包含支架的兩幀IVUS圖像
Figure2.
Two IVUS images displaying stent struts
本文首先從IVUS圖像序列中手動分割出相同大小、包含支架的矩形區域和不包含支架的矩形區域，構成支架樣本庫。然后，如圖 2所示，由于IVUS圖像中支架的平均灰度值要高于管腔內無支架區域的灰度值，因此使用14種Haar-like矩形特征原型[20]，即4個邊緣特征、8個線性特征和2個中心特征，分別對含支架和不含支架的樣本圖像提取紋理特征，并使用積分圖實現特征數值的快速計算[21]。
1.3 血管分叉樣本庫
如圖 3(a)所示，在含血管分叉的IVUS橫向視圖中，血管分叉部分的偏心度遠高于無分叉部分。因此為了便于以角度為單位分析血管的徑向紋理特征，首先把含分叉IVUS橫截面圖像轉換到極坐標系中，如圖 3(b)所示；然后，以1°為單位將極坐標視圖分割成360個區域，構成樣本庫；最后，對是否為分叉部分進行人工標記。當鄰域半徑和鄰域點數取不同的值時，計算出圖像中所有像素的LBP值，即得到該圖像的LBP紋理特征向量，組成樣本庫。
圖3
顯示血管分叉的IVUS圖像
(a)兩幀橫向視圖；(b)極坐標視圖
Figure3. IVUS images displaying vessel branchings(a) cross-sectional view; (b) polar view
2 組織特征的分類
IVUS圖像中各類組織的紋理特性既有區別，也有相似之處，因而分類的復雜度較高。本文采用Gentle Adaboost分類器[22]，對降維之后的紋理特征數據進行分類。第一階段采用學習算法，通過對訓練集進行歸納學習得到分類模型；第二階段將得到的分類模型用于測試集，對測試集中未知類別的實例進行分類。其中，在區分三類斑塊(鈣化、纖維化和脂質斑塊)時，將三分類問題轉化為二分類問題，即將訓練集中的脂質斑塊標記為第1類，纖維和鈣化斑塊標記為第2類。首先識別出脂質斑塊，再將訓練集中的鈣化斑塊標記為第2類，纖維斑塊標記為第3類，用這兩類樣本訓練分類器，并用得到的分類器模型對纖維和脂質斑塊進行分類。
Gentle Adaboost算法的具體過程描述如下：
步驟1：假設共有N個訓練樣本，并且標記為{(x1, y1), …, (xN, yN)}，其中yi∈{-1, 1}；yi=1表示為目標樣本，否則為非目標樣本。
步驟2：樣本的權重初始化為wi=1/N，其中i=1, …, N。
步驟3：for j=1:M(M是訓練的輪數)
a.?從所有特征值中，挑選第j輪中最佳的弱分類器hj(x)，使得在該樣本權重的分布下，樣本的均方誤差最小。
b.?對權重進行更新：
| $ {w_i} \leftarrow {w_i}\exp \left({-{y_i}{h_i}\left({{x_i}} \right)} \right) $ |
其中i=1, …, N。
c.?歸一化權重，使得
| $ \sum\limits_{i=1}^N {{w_i}}=1 $ |
步驟4：輸出強分類器：
| $ H\left(x \right)={\rm{sign}}\left[ {\sum\limits_{j=1}^M {{h_j}\left(x \right)} } \right] $ |
Gentle Adaboost的弱分類器分類結果的絕對值是[0, 1]區間中的實數，把分類器結果作為置信度來看待。
3 實驗結果與討論
用臨床采集的IVUS圖像序列進行實驗，實驗所用圖像數據的采集是在河北大學附屬醫院的心導管室中由醫生完成。所用的血管內超聲成像系統為Jomed Endosonic超聲成像儀，采用2.9F 30 MHz單軌機械超聲探頭，由步進電機驅動自動連續回撤探頭導管，回撤速度為0.5 mm/s，探頭導管以1 800轉/min作360°旋轉，以25幀/s的速率連續獲得血管橫軸實時切面圖像。
3.1 斑塊的識別和分類
3.1.1 提取紋理特征
對圖 4中的三幀含斑塊IVUS圖像分別進行不同鄰域半徑和點數的LBP變換，結果如圖 5所示，可見隨著鄰域半徑R的增大和鄰域點數P的增多，圖像的紋理被不斷加深，局部紋理被放大，細小的紋理被忽略。對圖 4中的左圖進行不同參數的Gabor濾波結果如圖 6所示，可以看出斑塊組織對Gabor濾波的方向和尺度較為敏感：在45°和135°方向，斑塊的表現更為突出，其中鈣化斑塊的灰度特征得到加強，隨著尺度增大，斑塊表現逐漸減弱；0°和90°方向的Gabor濾波對IVUS圖像的紋理特征有削弱功能，圖像不再具有明顯的紋理特征，且隨著尺度的增大紋理特征削弱的越嚴重；濾波尺度較小時特征提取的效果較為理想。
圖4
三幀包含斑塊的IVUS圖像
Figure4.
Three IVUS images displaying plaques
3.1.2 紋理特征的Gentle Adaboost分類
從圖像庫中截取166塊斑塊圖像樣本作為訓練集，其中鈣化斑塊46個，脂質斑塊52個，纖維斑塊35個，如圖 7所示。對于圖 8所示的測試樣本，在獲取各點的紋理特征值之后，進行支持向量機(support vector machine, SVM)、Gentle Adaboost和隨機森林(random forest, RF)的分類結果分別如圖 9所示，圖中白色、淺灰色和深灰色區域分別為鈣化、纖維和脂質斑塊。以醫生的手動標定結果作為金標準，SVM二分類和三分類的總體準確率分別為92.40%和87.52%；Gentle Adaboost迭代次數為300，二分類的總體準確率為94.54%；RF決策樹數目為600，二分類的總體準確率為76.94%。
圖7
三類斑塊圖像的訓練集
Figure7.
Training sets of three types of plaques
圖8
測試圖像
Figure8.
Test image
圖9
SVM、Gentle Adaboost和RF分類結果
Figure9.
Classification results of SVM, Gentle Adaboost and RF
當迭代次數不同時，Gentle Adaboost分類準確率也存在較大差異，如表 1所示。可以看出隨著迭代次數的增加，兩個二分類問題的總體準確率是逐漸提高的。當迭代次數為300時，總體準確率達到一個拐點；當迭代次數為350時，雖然總體準確率有所下降，但第1類和第2類樣本的準確率得到了均衡，二者之間的差別明顯縮小；當迭代次數為400時，第1類和第2類樣本的準確率差別變大，尤其是區分纖維與鈣化斑塊。
表1
Gentle Adaboost在區分鈣化、纖維化和脂質斑塊時的迭代次數與分類準確率關系統計結果
Table1.
Iteration times and classification accuracy of Gentle Adaboost in classifying three types of plaques
綜合考慮分類器的性能和分類結果，可以看出Gentle Adaboost和SVM在分類準確率方面有較好表現，但是SVM將特征映射到高維空間，計算成本和計算復雜度較高。因此可見，Gentle Adaboost分類器更適合進行對IVUS圖像中三種斑塊組織的自動標定。
3.2 識別血管分叉和支架
3.2.1 提取紋理特征
血管分叉樣本庫由2 250幅含分叉的局部圖像和2 750幀不含分叉的局部圖像構成，均為極坐標視圖，示例如圖 10所示。從三個圖像序列(約6 000幀)中共提取到275幀含支架的圖像，圖 11(a)為其中的4幀。共截取了458幅含支架區域的圖像和492幅不含支架的局部圖像作為訓練樣本集，樣本圖像的大小為12×12像素，其中部分圖片如圖 11(b)所示。
圖10
包含和不包含血管分叉的圖像樣本
(a)含分叉的樣本及對其進行
(a) bifurcation samples and LBP results with (
圖11
含支架的IVUS圖像
(a)四幀橫向視圖；(b)含支架柱的局部圖像
Figure11. IVUS images including stent struts(a) four cross-sectional views; (b) local images including stent struts
3.2.2 紋理特征的Gentle Adaboost分類
對實驗圖像序列分別采用Real Adaboost、Modest Adaboost和Gentle Adaboost三種分類器對支架和血管分叉的紋理特征進行分類，并統計分類準確度、錯誤率、查全率、查準率和F1等性能指標，結果如圖 12和13所示。如圖 12所示，對于支架的檢測，與其它兩個分類器相比，Gentle Adaboost在分類準確率方面有很大優勢，當迭代次數為196時，可達93.50%。在查準率方面，Gentle Adaboost也具有最優性能，迭代次數為196時，可達到94.20%；其次是Modest Adaboost；Real Adaboost性能最差。查準率和查全率是相互制約的，Modest Adaboost的查全率較好，F1測度與Gentle Adaboost表現相當，Real Adaboost表現最差。總的來說，在對支架的檢測中，當迭代次數不同時，Real Adaboost的準確率波動較大，穩定性差。
圖12
架檢測中三種分類器的準確率、查準率、查全率和F1
Figure12.
Accuracy, precision, recall and F1-measure of three classifiers in the detection of stents
圖13
分叉檢測中三種分類器的準確率、查準率、查全率和F1
Figure13.
Accuracy, precision, recall and F1-measure of three classifiers in the detection of bifurcations
如圖 13所示，對于血管分叉的檢測，當迭代次數為187時，Real Adaboost的準確率最高，達到93.20%，略高于同迭代次數下Gentle Adaboost的值。當迭代次數不同時，Real Adaboost的查準率在多數情況下高于Gentle Adaboost；但是迭代次數越高，Gentle Adaboost的優勢越明顯，當迭代次數為200時，其查準率可達到83.60%。在查全率方面三種分類器均表現不佳，當迭代次數為200時，最高值只有68.80%，這是由于對IVUS圖像中分叉的檢測是在極坐標視圖中以1°為單位進行的，而某個小的角度內分叉處的灰度值可能變化不明顯，使得分類器把正類錯判為負類的情況較多。當迭代次數為200時，Gentle Adaboost的F1測度達到74.90%，Modest Adaboost則表現不佳。總體來說，在對血管分叉的檢測中，Real Adaboost和Gentle Adaboost性能良好，Modest Adaboost的各項性能指標較低。
通過以上分析比較可知，相較于其它兩種分類器，Gentle Adaboost更適合作為檢測IVUS圖像中血管分叉和支架的分類器。
4 結論
本文通過提取IVUS灰階圖像的紋理特征獲得血管壁(包含斑塊組織和支架支撐)的特征數據，利用模式識別中監督分類的相關知識設計了Gentle Adaboost分類器，對特征數據進行分類，實現了血管內超聲圖像中斑塊組織的自動識別和按照成分的分類。以醫生手動標定的結果作為金標準，本文方法識別脂質斑塊的精度可達94.54%，區分纖維化斑塊和鈣化斑塊的精度可達93.08%。識別支架的準確率可達93.50%，查準率可達94.20%。識別血管分叉的準確率可達93.20%，查準率達83.60%。
