基于血管内超声波图像的动脉斑块类型自动识别方法

摘要

一种基于血管内超声波图像的动脉斑块类型自动识别方法，针对动脉血管内斑块超声波图像的特点，提取其中两块图像，一块是斑块区域，另一块是斑块径向区域作为分类特征，并且通过K-L变换提取图像分类信息，把多个特征映射为少数几个综合特征，降低特征空间维数；采用支持向量机作为分类模型，构造一个适应于斑块图像的分类器，其中支持向量机分类方法包括训练阶段和识别阶段；这一方法提高了斑块识别正确率，为临床诊断动脉血管病变程度提供客观参考依据。

主权项

1.一种基于血管内超声波图像的动脉斑块类型自动识别方法，针对动脉血管内斑块超声波图像的特征，利用支持向量机模型构造分类器识别动脉斑块的类型；其特征在于：根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征，并且通过K-L变换提取图像分类信息；采用支持向量机作为分类模型，构造一个适应于斑块图像的分类器；上述基于IVUS斑块图像，利用SVM进行斑块分类，包括下述步骤：步骤1、对选取的斑块IVUS图像，提取其中两块图像作为识别特征，一块是斑块区域，另一块是斑块径向区域；步骤2、对选取的斑块图像进行K-L变换，提取图像特征信息；把多个特征映射为少数几个综合特征，降低特征空间维数；步骤2.1.求解模式总体的均值向量，平移坐标系，将模式总体的均值向量作为新坐标系的原点；步骤2.2.求出自相关矩阵R；步骤2.3.求出R的本征值λ₁，λ₂，...，λ_n及其对应的本征向量步骤2.4、将本征值按降序排序，如λ₁≥λ₂≥…≥λ_m≥…λ_n，取前m个大的本征值所对应的本征向量构成变换矩阵步骤2.5.将n维的原向量变换成m维的新向量y＝A^Tx；步骤3、构造SVM分类器；该分类器支持向量机分类方法包括两部分，训练阶段和识别阶段；所述的支持向量机的最优分类函数为：$f\left(X\right)=\mathrm{sgn}[\underset{i=1}{\overset{N}{\Sigma }}{y}_i{a}_i^{*}k(X_i·X)+b^{*}]---\left(1\right)$任选一支持向量X_j，式(1)中b^*由下式给出：$y_i[\underset{i=1}{\overset{N}{\Sigma }}{y}_i{a}_i^{*}k(X_i·X)+b^{*}]=1---\left(2\right)$