冠状动脉粥样硬化性心脏病,简称冠心病,是危害人类健康的主要疾病之近年来全球冠心病的发病率和死亡率呈不断上升趋势。在我国,随着人民生活水平的提高和人口老龄化的加剧,冠心病成为我国居民死因构成中上升最快的疾病,并呈现低龄化趋势。因此,加强冠心病的防治已成为刻不容缓的任务,受到人们越来越广泛的关注。目前临床上用于冠心病诊断与治疗的成像手段主要有两种：冠状动脉造影(Coronary angiography,CAG)阳血管内超声(Intravascular ultrasound,IVUS)。冠脉造影(CAG)是诊断冠心病的主要依据之一,被认为是评价冠心病的“金标准”,它能显示被造影剂填充的管腔轮廓,反映冠状动脉狭窄部位和程度。但是CAG无法显示血管壁的病变情况,如粥样硬化斑块的组织成分。而且由于CAG在功能上存在一些无法克服的缺点,对于弥漫性、偏心性等病变,仅依靠CAG难以做出准确判断。血管内超声(IVUS)是近年来被广泛应用于冠心病临床诊断的新技术,该技术将顶端装有超声探头的导管置入冠状动脉,探头发射超声波在管腔内部对血管壁进行断层扫描。IVUS不仅能够反映血管内腔的状况,同时也能获得血管壁横截面信息,如血管壁厚度和粥样硬化斑块组织成分。这些信息可以帮助医生准确判断病情、确定病变部位、设计治疗方案。近年来随着IVUS技术的迅速发展,不仅IVUS图像质量有显著提高,而且有越来越多的基于IVUS的新技术投入临床应用,IVUS已成为诊治冠心病不可或缺的影像学手段。早期医生采用手工勾画IVUS图像的方式获取图像中的各种病理信息。但是人工处理数据量巨大的IVUS图像序列,无疑大大增加了医生的工作量,而且手工勾画结果受医生主观影响较大,无法做到统一标准。计算机辅助的图像处理技术在IVUS图像的各个领域,如血管膜边缘检测、斑块性质与特征识别、图像配准与三维重建、血管壁圆周应力分析等方面取得了诸多成果,对冠心病临床诊疗水平和医生工作效率的提高有重要意义。本文研究的主要目标是实现准确快速的IVUS图像冠状动脉中-外膜边缘检测。中-外膜边缘是诊断冠状动脉病变的重要依据,是IVUS图像处理与分析的基础,也是冠状动脉量化分析的关键。而目前的中-外膜边缘检测算法在用于临床IVUS图像时,会受到图像中可能存在的硬斑块的影响,使检测结果不准确。为解决此问题,本文提出一种结合硬斑块特征的中-外膜边缘检测方法：首先,使用基于多尺度分析的自适应双边滤波器对IVUS图像滤波去噪,将直角坐标下的图像转换到极坐标上,采用k均值聚类对IVUS图像进行分割,根据血管正常组织和不同斑块的成像特点,判断分割后所得的各个区域属性,完成对钙化、纤维和钙化-纤维混合斑块的判断；然后,结合这些硬斑块的位置信息、图像灰度,以及本文改进的图像方向梯度,构造代价矩阵；最后,运用启发式图搜索方法,获得极坐标下的中-外膜边缘,通过极坐标到直角坐标的转换,实现最终的IVUS图像中-外膜边缘检测。该方法中本文提出了三个关键算法：(1)图像去噪算法；(2)硬斑块识别算法；(3)中-外膜边缘检测算法。(1)高频IVUS图像中的斑点噪声会降低图像质量,掩盖图像细节信息,造成IVUS图像处理算法结果不精确甚至错误,因此需要先对图像进行滤波处理。本文将乘性噪声特性加入双边滤波器,从多分辨率分析理论出发,研究整个尺度空间的变化,设计基于多尺度分析的自适应双边滤波器,使该滤波器适用于IVUS图像的斑点噪声,既可以防止图像去噪过程过度破坏图像上的重要病理信息,又可以防止纹理增强过程将噪声信号增强。(2)IVUS图像中粥样硬化斑块的组织成分和所处部位,对于病变性质的评价、冠脉介入治疗方案的选择和决策具有指导意义,而且图像中的硬斑块会对中-外膜边缘检测造成不良影响,因此有必要研究斑块识别算法。本文采用k均值聚类算法分割图像,根据不同斑块在IVUS图像上的显示特点(钙化斑块亮度高,斑块后方有声影；纤维斑块亮度较高,斑块后方无声影),选取硬斑块识别的感兴趣区域,设计判断条件与参数,识别斑块类型、位置和大小。斑块识别结果可用于辅助中-外膜边缘检测。(3)本文采用启发式图搜索算法检测IVUS图像中-外膜边缘,使用该算法的关键问题是设计合理的代价函数。本文设计的代价函数由三部分组成：1)图像梯度：本文改进梯度计算方法,只采用方向梯度之中与中-外膜边缘相关的分量；2)硬斑块后方区域代价值增强：硬斑块造成其后方区域信息减弱,难以检测到准确边缘,本文利用梯度与图像灰度信息增强该区域代价值；3)硬斑块相关区域代价值消除：消除硬斑块对边缘检测的影响。由此所得的代价矩阵包含了充分的中-外膜边缘信息,可以搜索到正确的中-外膜边缘。本文以荷兰莱顿大学医学中心提供的654帧临床IVUS图像为实验样本,验证本文算法的硬斑块识别和中-外膜边缘检测结果。通过定量分析和临床医生判定,本文的硬斑块识别正确率达到89.94%,其中含钙化斑块图像正确率92.16%,含纤维斑块图像正确率91.55%,含纤维-钙化混合斑块图像正确率71.43%；本文中-外膜边缘检测结果与医生手工勾画结果非常接近,样本图像整体正确率达到95.57%,其中不含硬斑块图像检测正确率88.32%,含硬斑块图像检测正确率97.49%。通过与另外两种主流方法：GVF-snake和常规图搜索方法作对比,可以看到本文方法检测中-外膜边缘的优越之处,尤其是对于含硬斑块图像。最后本文通过调整代价函数的各个组成部分,设计不同方案进行实验,由实验结果可以看出本文方法构造的代价函数中每个部分的必要性和有效性。综上所述,本文提出了适用于IVUS图像的滤波去噪、硬斑块识别和中-外膜边缘检测算法,并使用大量临床图像数据验证了算法的准确性和有效性。