一种基于强度的多级分类新方法用于血管内超声图像中的冠状动脉斑块特征分析

摘要： 背景：血管内超声（IVUS）是冠心病常用的诊断成像方法。虚拟组织学（VH）将斑块成分分为纤维组织（FT）、纤维脂肪组织（FFT）、坏死核心（NC）或致密钙化（DC）。但VH每次心跳仅能获取单帧图像，且需特定软件提取射频数据。本研究提出一种基于强度的新型多级分类模型用于斑块特征分析。 方法：手动分割所有IVUS帧中内膜与中外膜间的斑块区域。从斑块区域提取54项特征，包括一阶统计量、灰度共生矩阵、Law能量测度、扩展灰度游程长度矩阵、强度及局部二值模式。通过主成分分析（PCA）筛选最优特征作为分类模型输入。采用包含三个网络的基于强度多级分类模型，将斑块成分分为FT、FFT、NC或DC：网络1将低强度成分区分为FT/FFT与NC/DC组；网络2进一步划分FT/FFT为FT或FFT；网络3则对剩余成分及高强度组分进行NC或DC分类。每个网络使用PCA获得的三种不同输入特征以提升分类精度。通过灵敏度、特异度、准确率及受试者工作特征曲线评估分类性能。 结果：定量结果显示该方法对所有组织类型均呈现显著高分类准确率。各分类器准确率分别为85.1%、71.9%和77.2%，曲线下面积达0.845、0.704和0.783。特别地，该方法在区分FT/FFT与NC/DC组时获得较高灵敏度（82.0%）和特异度（87.1%）。 结论：结果证实该方案在基于IVUS的组织特征分析中具有临床应用价值。