35、医学图像分析中的血液与肠道收缩检测技术

医学图像分析中的血液与肠道收缩检测技术

1. 血管内超声（IVUS）图像中的血液检测

1.1 特征稳定性验证

为了测试特征稳定性标准、最终分类器的性能以及加速处理过程，进行了深入的验证。训练了 9 个不同的分类器，采用留一法交叉验证，每次留下一位患者的 IVUS 回撤样本，用其余患者的数据随机样本训练分类器。每个分类器将特征集从 263 个初始特征平均约减少到 36 个。累计所有分类器的结果发现，84 个不同特征至少被一个分类器选中，179 个特征未被选中，且不同分类器中权重较高的特征不同，这显示了使用 AdaBoost 进行特征选择时的稳定性问题。

1.2 性能测试

训练新的分类器，特征集从 5 个增加到 15 个。从图 5 中权重最高的 5 个特征开始，每一步添加一个新特征，训练新的 AdaBoost 分类器并测试其性能。图 6 展示了每个多分类器的平均误差、标准差和中位数误差的演变。

1.3 速度优化

图 5 中权重较高的大多数特征计算时间相近，因此选择尽可能少的特征可以加速处理过程。从图 6 可知，选择仅用 5 个特征训练的分类器可获得良好性能，与 84 个特征的首次方法相比，处理速度提高了 90%以上。现在可以在平均 1.32 分钟内处理 2400 张图像切片（未进行代码优化，用 MatLab 编写），且大部分时间用于序列解压缩和切片生成。图 7 展示了仅选择 5 个特征对 2400 张图像纵向切片进行分割的结果。

1.4 总结

提出了一种用于 AdaBoost 多分类器特征选择的新颖稳定性标准，并将其应用于加速 IVUS 序列中的血液检测，取得了良好效果。使用仅用 5 个“精心