基于机器学习的可降解支架检测与分割算法

被引：11

作者：

鲁逸峰 ^{[1
,2
]}

金琴花 ^{[3
]}

荆晶 ^{[3
]}

陈韵岱 ^{[3
]}

曹一挥 ^{[1
]}

李嘉男 ^{[1
]}

朱锐 ^{[1
]}

机构：

[1] 中国科学院西安光学精密机械研究所瞬态光学与光子技术国家重点实验室

[2] 中国科学院大学

[3] 中国人民解放军总医院心血管内科

来源：

光学学报 | 2018年 / 38卷 / 02期

关键词：

机器视觉; 自动检测与分割; 自适应增强算法; 可降解支架; 血管内光学相干断层扫描图像;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TP391.41 [];

学科分类号：

140502 [人工智能];

摘要：

针对血管内光学相干断层扫描(IVOCT)成像系统,提出一种改进的自适应增强(Adaboost)算法及一种基于动态规划的轮廓分割算法用于可降解支架的自动检测与分割,实现对支架贴壁情况的自动评估。在检测阶段,利用多层决策树构建Adaboost分类器,实现对支架位置和大小的检测;基于检测结果,利用动态规划算法对支架轮廓进行分割;最后,结合分割结果,对支架贴壁情况进行计算。实验结果显示,所提算法的检测召回率达到91.6%,精确率为87.2%,轮廓分割的平均Dice系数为0.80,表明所提算法能够实现IVOCT影像中可降解支架的准确检测与分割,且具有较好的稳健性。

引用

页码：257 / 266

页数：10

共 5 条

[1]

50kHz血管内扫频光学相干层析成像系统 [J].