84、纵向 B 模式图像中颈动脉边界的联合检测

纵向 B 模式图像中颈动脉边界的联合检测

1. 引言

在医学图像分析中，准确分割颈动脉外膜边界对于评估血管健康状况至关重要。本文介绍了一种新的分割方法，该方法利用 3D 动态规划（DP）方案同时检测颈动脉外膜的上下轮廓，相比以往方法具有更高的鲁棒性。其优势包括整合外膜边界的“双线”特征和动脉几何信息、无需针对不同扫描仪进行重新调整、使用适合散斑图像的边缘检测器以及利用鲁棒统计工具估计边缘尺度等，且仅需指定围绕颈动脉的单个感兴趣区域（ROI），人工交互极少。

2. 阶跃边缘的检测与模糊分类

由于回声缺失，动脉边界的许多边缘可能非常微弱。在图像分割过程中，考虑所有边缘及其强度是有意义的。因此，阶跃边缘图（SEM）被定义为边缘检测器在梯度方向上的所有局部最大值像素的集合。
- 边缘检测器 ：采用瞬时变异系数（ICOV）边缘检测器，因为它在有散斑噪声的图像中比传统的针对加性噪声设计的边缘检测器性能更好。
- SEM 计算 ：使用非极大值抑制方案计算 SEM，用 ICOV(cos(θ), sin(θ)) 代替通常的表达式 ∥∇I∥(cos(θ), sin(θ))，其中 θ 是梯度方向。即边缘强度测量中用 ICOV 替换梯度范数，但保留梯度方向信息。边缘图还经过形态学细化处理。
- 模糊边缘分类 ：传统的边缘硬分类会丢弃所有强度低于指定阈值的弱边缘。对于此类图像，更好的选择是使用模糊边缘分类。像素 (x, y) 成为边缘的模糊且统计上稳健的估计为 f(x, y) = 1 - τ(x, y)，其中 τ(x, y) 是像素 ICOV 的 Tukey