基于改进TransUnet网络的血管内超声图像边界提取方法研究

血管内超声(IVUS)图像是观测血管内部结构的首选影像学手段,基于IVUS图像的内膜和中外膜边界的提取是实现冠脉粥样硬化精准诊断的前提和关键.针对IVUS图像结构复杂、对比度低、边界提取困难等问题,本研究提出一种基于改进TransUnet网络的分割方法.首先,针对IVUS图像边界提取难点,对边血管、血管分叉、导丝伪像、阴影等4种图像结构进行建模,并基于建模结果予以定向数据增强;而后,结合IVUS图像的环状结构分布特点,在TransUnet网络中提出了 Polar-bias归纳偏置的策略,并对IVUS图像进行像素级的分类;最后,基于分类结果优化GVF snake模型的外力场,进而提取IVUS图像的内膜和中外膜边界.采用国际标准IVUS图像数据集(两组不同中心频率,共512幅图像)对算法进行评测,引入JMard距离(JM),Hausdorff距离(HD)和面积差异百分比(PAD)等3个评测指标,在数据集A中JM为0.87,HD为0.87,PAD为0.18,数据集B中JM为0.91,HD为0.25,PAD为0.08.实验结果表明,所提出的算法在两组数据集的内膜及中外膜提取问题中的表现均优于国内外现有算法.