第26章：血管内超声（IVUS）图像斑块成分分析的新方法（New Approaches for Plaque Component Analysis in Intravascular Ultrasound (IVUS) Images）

1 引言（Introduction）

本章的研究目标是基于 IVUS 灰阶图像，将斑块区域内的像素分类为三种组织类型：致密钙化（dense calcium, DC）、纤维脂肪（fibro-fatty, FF）和坏死核心（necrotic core, NC）。这三种斑块成分在 IVUS 图像中呈现出不同的纹理模式（图 26.1），因此作者指出，纹理分析方法最适合用于刻画冠状动脉斑块的组成。

标准的纹理分析流程是：对图像 I 中每个像素 (i, j)，取一个 (M+1)×(N+1) 的邻域 I{i+m, j+n}，其中 m ∈ [−M/2, M/2]、n ∈ [−N/2, N/2]，构成扫描窗口；随后从该窗口中提取纹理特征并赋给中心像素；最后依据所提取的特征，使用分类器把像素归入预定类别。需要特别说明的是，由于 IVUS 图像是血管的圆形横截面，输入图像需要先转换至极坐标，再施加纹理分析，从而保证矩形的扫描窗口可以正常用于特征提取（图 26.2）。

图 26.3 展示了项目的整体轮廓与组织表征（tissue characterization）阶段的各个步骤。但本章后续将介绍的四个算法在实现时可能只覆盖其中部分或全部步骤。作者在引言末尾明确：在本章中，斑块区域直接采用虚拟组织学（virtual histology, VH）所给出的实例区域，以便对所提出的分类算法进行验证。

2 材料与一般背景（Materials and General Background）

本章作者 Arash Taki、Alireza Roodaki、Sara Avansari、Ali Bigdelou、Amin Katouzian 和 Nassir Navab，来自慕尼黑工业大学 Informatics 系的 I16 课题组（以及 SUPELEC、University of Tehran 等合作单位）。第 2 节给出后续所有算法所依赖的公共基础：特征提取方法、降维方法和分类器，以及数据集与统计量定义。

2.1 特征提取方法重点介绍三类工具。第一类是共生矩阵与统计特征：共生矩阵 C 描述图像中相邻像素在给定距离 d 与给定方向 θ ∈ {0°, 45°, 90°, 135°} 上的关系（对应水平、对角、垂直与反对角四个方向），它本质上是图像的二阶直方图，刻画各灰度级在图像中的相对位置。对邻域中心 (i, j)，在某一方向上的共生矩阵记为 C_{d,θ}(a, b)，其中 a, b ∈ [1, …, P]，P 为图像最大灰度级，d 是该方向上的灰度级距离。作者据此定义归一化形式 p_{d,θ}(a, b)、边缘分布 p^x_{d,θ}(a)、p^y_{d,θ}(b) 以及和分布 p^{x+y}{d,θ}(k) 与差分布 p^{x−y}(k)，并基于它们给出 14 个 Haralick 纹理特征，包括角二阶矩（ASM，反映图像平滑度）、对比度（局部灰度变化）、相关度、方差、逆差矩、和平均、和方差、和熵、差方差、差熵、信息测度、熵、最大相关系数等。

第二类工具是局部二值模式（LBP）：它对中心像素 (i, j) 周围 N 个等距邻域（典型组合 (N, R) = (8,1)、(16,2)、(24,3)）的灰度值与中心像素 gc 比较，得到二进制数字 s(g_n − g_c)，再对邻域集顺时针循环移位使其具有旋转不变性，记为 L_{R,N}；由 L_{R,N} 与邻域灰度可派生三种特征 f^1_{R,N}、f^2_{R,N}、f^3_{R,N}。第三类工具是行程（run-length）矩阵：对邻域像素沿水平与垂直方向分别构造 R^h(a, b) 与 R^v(a, b)，其中 a ∈ [1, …, P] 为灰度级，b 为行程长度。作者给出 Galloway 提出的五项经典特征（短行程强调 SRE、长行程强调 LRE、灰度级不均匀性 GLN、行程不均匀性 RLN、行程百分比 RP）、Chu 等人补充的灰度相关特征（LGRE、HGRE、SRLGE、SRHGE、LRLGE、LRHGE），以及 Dasaraty/Holder 提出的联合统计特征。

2.2 特征降维使用线性判别分析（LDA）：对 C 个类别、每类均值 μ_i 与协方差 Cov_i，定义类间散度矩阵 S_b 与类内散度矩阵 S_w，S_w^{−1}S_b 的特征向量就是使各类分开程度最大的方向；把特征向量投影到最大的 L 个特征向量上得到压缩后的特征表示，适用于后续分类（图 26.23 给出一个三类的 Fisher 方向示意）。

2.3 分类部分介绍 SVM 与 ECOC。SVM 通过构造超平面把不同类别的样本分开，C-SVM 求解一个带有松弛变量 ξ_i 的二次规划问题，目标是在最大化间隔的同时允许对噪声样本的错分，核函数采用高斯径向基函数 K(f_i, f_j) = exp(−γ‖f_i − f_j‖²)，仅有一个参数 γ 需调整；实现使用公开库 LIBSVM，训练前对每维特征做 [0,1] 归一化，并采用五折交叉验证（80% 训练、20% 测试）。2.3 节还引入 ECOC（Error-Correcting Output Codes），通过编码—解码两阶段把多类问题拆为多个二分类器：三类别 C1、C2、C3 对应三个二分器 h1、h2、h3，h1 训练 C1 vs C2（忽略 C3），每类得到一个长度为 n 的码字，解码阶段根据测试样本在各二分器上的输出决定最终类别（图 26.51）。

2.4 后处理基于对 VH 图像直方图的分析：图 26.26 给出 FF、DC、NC 三类像素的灰度直方图，从中可观察到大多数样本属于 FF，但极少 FF 像素灰度超过 150（Th_FF = 150）；灰度高于 200（Th_DC(low) = 200）的像素几乎都属于 DC；低于 50（Th_DC(high) = 50）的像素也归 DC；NC 像素集中在 30 到 200 之间（Th_NC(low) = 30、Th_NC(high) = 200）。据此，SVM 给出的标签可被确认或修改。

2.5 数据集来自 10 名患者，约 2,263 帧灰阶 IVUS 图像及对应的 VH 图像，分辨率 400×400 像素；采集使用 In-Vision Gold（Volcano Therapeutics）电子探头，合成孔径 2.9 F、频率 20 MHz，专用回撤装置以 1.0 mm/s 沿整段血管回撤。从 10 名患者的 12 段血管（6 段左前降支 LAD、3 段右冠状动脉 RCA、3 段左回旋支 LCX）中取出 500 帧用于 VH 与 IBH（image-based histology）对比；在 VH 分析中，纤维/纤维脂肪、致密钙化、坏死核心的平均总量分别为 1,505,907 像素（37,647 mm²）、388,073 像素（9,701 mm²）、516,711 像素（12,917 mm²），相对平均比例分别为 63%、16%、21%。

2.6 统计量定义为灵敏度、特异度与预测准确度，并使用 Cohen's Kappa 衡量算法与 VH 或组织学金标准之间的一致性：κ ∈ [0.41, 0.60] 表示中等（fair）一致，[0.61, 0.80] 表示良好（good）一致，[0.81, 1.0] 表示优秀（excellent）一致；95% 置信区间由 CI_{0.95} = X ± 1.96√(X(1−X)/N) 给出。所有算法都按这一标准报告结果。

3 算法 I（Algorithm I）

3.1 纹理特征提取：算法 I 在前述 run-length 五项经典特征之外，提出两个新特征刻画 run-length 矩阵每一行（即每一灰度级 a）的结构。第一个特征 f^1_k(a)（k ∈ {h, v}）定义为出现次数最多那一行程长度 b_m 与其出现次数的乘积 R_k(a, b_m)·b_m；第二个特征 f^2_k(a) 定义为每一行程长度 b 乘以该行程出现次数 R(a, b) 的总和。把每个像素 (i, j) 按上述映射组成一个特征矩阵 F_{i,j}，其每一列 F_{i,j;c} 被视为关于灰度级 a 的信号。由于这些信号在不同频段上表现出不同频率分量，作者对其施加一维离散小波变换（DWT）将其分解为近似分量 F^a_{i,j;c} 与细节分量 F^d_{i,j;c}。

对每个 DWT 分量，作者计算四个统计特征：加权均值 μ^k_{1,c}、加权方差 (σ²)^k_{2,c}、最大值 μ^k_{3,c} 与最大值位置 μ^k_{3,c,index}；并用一个 5 阶自回归（AR）模型进一步刻画频谱行为，得到 5 个 AR 系数 φ^k_{t,c}（t = 1, …, 5）。把这些量整合起来，每个像素 (i, j) 的特征向量为 X^k_{i,j} = {μ^k_{l,c}, φ^k_{t,c} | l = 1, …, 4; t = 1, …, 5; c = 1, …, 4; k ∈ {a, d}}，送入 SVM 分类器（图 26.28）。

3.2 结果与讨论：对 200 帧 IVUS 图像计算上述特征并以 VH 作为验证标准，对比 LBP（多分辨率 5 个圆，每个圆提取 3 个特征，共 15 维）、共生矩阵（14 个特征）和算法 I 的新方法；邻域大小经经验选取为 11×11 以让各方法分别达到最优。结果如表 26.1 所示：算法 I 在 DC 和 NC 上灵敏度更高，整体准确率 77%（LBP 71%、共生矩阵 75%），对 FF 的刻画略低于其他方法。作者指出所有方法对 NC 的灵敏度都偏低（55%），原因是 NC 与 DC 在 IVUS 灰阶图像中纹理相似，且紧邻 DC 的斑块在 VH 图像中常被标为 NC。计算耗时方面：算法 I 处理一帧约 12 s，LBP 约 2.6 min，共生矩阵约 60 min；实现平台为 MATLAB，运行于 Intel Core 2 CPU 2.00 GHz、2.0 GB RAM 的计算机上。

4 算法 II（Algorithm II）

4.1 纹理特征提取：算法 II 的基本假设是每类组织具有不同的回声特征，因此其局部频率分量可以用来区分斑块成分；最优工具是小波变换（WT）。WT 的缺点是每次分解后进行下采样导致平移不变性丢失。作者采用冗余小波变换（RWT）解决这一问题，并把 RWT 与小波包变换（WPT）结合，对图像进行多层、多子带的冗余分解（图 26.30），既得到平移不变性，又保留极坐标变换所提供的旋转不变性。

设 {I^k}{k=1..N} 为冗余小波包分解得到的 N 个子带图像，对每个像素 (i, j) 的邻域在每个子带 k 的 x 与 y 方向各取一个 run-length 矩阵 R^k_x(a, b)、R^k_y(a, b)，并在每个邻域上计算 11 项 run-length 特征（公式 (26.29)–(26.39)），共得到 22 个特征记为 f^k。}(i, j)（γ ∈ {x, y}, λ = 1, …, 11），构成像素的特征向量 V^k_{i,j

由于并非所有子带对分类都有同样的判别能力，作者引入 Fisher 判别准则 D(k, γ, λ) 来度量每个子带中每个特征分量 f^k_{γ,λ} 的判别力，并以 Saito-Coifman 提出的 Local Discriminant Basis (LDB) 算法的变体进行子带选择：以 D(k) = Σ_{γ,λ} D(k, γ, λ) 作为子带 k 的总体判别能力，从全部 N 个子带中选出 M ⊂ {1, …, N} 作为最优子带集。

4.2 基于 SVM 的加权分类结构：对选出的每个子带 k ∈ M 关联一个 SVM，但不同子带的判别能力不同，因此给每个分类器分配一个与其判别力成正比的权重，最终通过各 SVM 的加权投票决定像素类别。图 26.31 给出算法 II 的整体框图。

4.3 结果与讨论：作者对与算法 I 相同的样本，使用 Daubechies-4 小波进行两级 RWPT 分解（共 21 个子带），邻域大小经验地取 9×9；LBP 在每个邻域上构造 4 个圆，每圆 3 个特征；按 Fisher 准则选出 12 个子带并赋权。结果（表 26.2）显示 run-length 在 DC 灵敏度上最佳（73%），而 LBP 与共生矩阵对 NC 灵敏度更高；后处理步骤对 NC 类灵敏度有明显提升。典型一帧的特征提取耗时：run-length 约 2 min，LBP 约 20 min，共生矩阵约 120 min。该节最后指出，由于所有方法对 NC 的灵敏度均偏低（46%），作者建议先用纹理特征和分类器把斑块分成 DC 与 FF 两类，再借助灰度分布的先验信息将 NC 区域从中分离。

5 算法 III（Algorithm III）

5.1 阴影检测：算法 II 之前的工作忽略了一个重要事实，即 IVUS 灰阶图像中致密钙化后方存在声学阴影（acoustic shadowing），它不携带有效的斑块成分信息，但 IVUS-VH 不会识别这些区域，会把它们当成普通斑块处理，从而引起分类错误。声学阴影的特征是：在扫描线上，钙化或坏死核心这类超高灰度区域后方紧邻着灰度极低的区域。作者据此提出基于两个阈值的检测方法：阈值 T_high 用于识别属于钙化或坏死核心的超高灰度区域，阈值 T_low 用于识别紧邻其后的灰度极低区域；在极坐标下，沿任一扫描线若某像素 I(i, j) < T_low 且其前一点 I(i, j − 1) ≥ T_high（或反过来，前一点 < T_low 且当前点 ≥ T_high），则把当前像素归入阴影集合。

5.2 特征提取方法：阴影被剔除后，对剩余斑块区域作者对比 LBP 与 run-length 两种纹理特征方法。文中回顾了若干先前研究的结论：LBP 与共生矩阵被报道在 IVUS 斑块表征上效果较好；run-length 方法在 [12] 中被认为不适用于 IVUS 斑块；在 [23] 中信号与图像特征同时被提取，共生、LBP 与 Gabor 滤波方法相比人工专家可达到约 90% 的准确率，但人工标注存在观察者之间和观察者内部的变异性。作者重点对比 run-length 与 LBP 在精度和效率上的差异，舍弃共生矩阵（因计算量过大）。实施细节：IVUS 图像先转换为极坐标，每帧 256 条扫描线对应横向分辨率 360°/256 ≈ 1.41°，轴向分辨率约 40 μm；特征提取采用 9×9 滑动窗口，每个像素相当于 0.025 mm。

5.3 实际实现：所有方法在 MATLAB 中实现，并经 CCC 编译器编译为带图形用户界面（GUI）的独立可执行程序，编译环境为 Microsoft Visual Studio 2005；GUI 示例见图 26.35，除分析斑块成分外还可计算斑块总面积与狭窄程度等参数。

5.4 算法 III 结果：阴影像素占总斑块像素的 8%。作者比较是否同时启用阴影检测与直方图后处理对结果的影响：当两者均启用时（表 26.3 最后两行），run-length 在像素级与 9×9 区域级两种验证下的整体准确率分别为 79% 与 85%（即 71% 与 85% 的不同灵敏度/特异度组合），Kappa = 0.61 表示与 VH 一致性良好；表 26.4 给出 LBP 的对比结果，整体准确率明显偏低。表 26.5 给出启用阴影+后处理 vs. 全部不启用两种情形下灵敏度和特异度的 P 值（DC、FF、NC 的灵敏度 P 值分别为 0.02781、0.01827、0.00497，相应特异度 P 值均小于 0.03），表明差异具有统计显著性。图 26.36–26.38 分别展示了阴影检测和直方图后处理对最终彩色 IBH 图像的影响。

5.5 算法 III 讨论：作者指出，启用阴影检测后，DC 与 NC 在相对量上的差异分别为 5% 与 4%，可见阴影检测对算法有直接的影响。图 26.37 阴影区域内部偶尔出现绿色小岛，作者认为可能源自钙化与导管之间的多次反射伪影。对比 run-length 与 LBP：前者整体分类准确率高，后者重建图像更细致（得益于多分辨率特性）；因此作者提出未来把两者结合以兼顾细节与精度。计算效率方面，对一帧约 5,000 个斑块像素（160,000 总像素），run-length 耗时 7–20 s，LBP 耗时 2–5 min；用 CCC 重写将进一步提速。该节还讨论了后处理对 NC 与 FF 灵敏度/特异度的不同影响以及阴影区域内 VH 标定的分布（191,582 个阴影像素中，VH 分别把 63%、36%、1% 标为 FF、NC、DC），并指出 NC 与 DC 在灰阶上的相似性是 NC 检测灵敏度的天花板。最后，作者强调：对致密钙化区域（focal calcified）的检测灵敏度达到 85% 以上，原因是 VH 对钙化的灰度范围覆盖过宽（0–256），而 IBH 更倾向于检测出局部明显的钙化灶。

6 算法 IV（Algorithm IV）

6.1 邻域灰度特征（NGL）：前三个算法使用的纹理特征属于结构特征，没有直接利用扫描窗口内像素的灰度值本身。但作者指出，灰度级的分布中蕴含可贵的判别信息，因此提出一种新特征：取像素 (i, j) 的 (M+1)×(N+1) 邻域（取最小邻域 3×3，M = N = 2），以中心灰度 g_c 与八个邻域灰度 g_n（n = 1, …, 8）共九个灰度作为特征向量 F = (g_c, g_1, …, g_8)；为消除平移和旋转的影响，把这九个灰度按升序排列作为最终 NGL 特征。

6.2 改进的 Hu 矩（MHM）：图像的 (p+q) 阶矩定义为 m_{pq} = Σ_i Σ_j i^p j^q I(i, j)，但普通矩不具有平移/旋转/尺度不变性；中心矩 μ_{pq} 通过减去质心坐标 (ĩ, j̃) 提供平移不变性，但仍未解决尺度与旋转不变性。Hu 矩的七项不变组合如表 26.6 所示，具有平移/旋转/尺度不变性，但不对仿射变换（例如整幅图像乘以常数，对应不同的采集增益）保持不变。作者采用 Sales 等人 [26] 提出的新不变量：F_P(u) = sign(u)·|u|^P，并据此给出 7 项 f_1–f_7（公式 (26.69)–(26.75)），对新特征的判别力如图 26.42–26.47 所示。

6.3 算法 IV 结果：特征集合在算法 III 阴影检测基础上加入 NGL 与 MHM，与 LBP、NRL 一起作为输入特征；用 VH 作为金标准验证。结果（表 26.7）显示：单纯 LBP 整体准确率 62%；单纯 NRL 71%；LBP + NRL 72%；完整算法 IV（LBP + NRL + NGL + MHM）73%，且 NC 的灵敏度从 56% 提升到 60%。图 26.48 与 26.49 给出四类方法的可视化对比。

6.4 线性判别分析与 ECOC 分类器：组合后特征维数为 49，特征空间过大；为提升效率，先用 LDA 降维。LDA 对每个方向给出一个衡量其判别能力的值，从最具判别力的方向开始，逐个加入新方向并计算整体判别能力；图 26.50 显示加入 5 个最有判别力的方向后整体判别力不再显著变化，因此选取 5 个方向即可。分类阶段使用 ECOC，编码阶段为三类别 C1、C2、C3 构造三个二分器 h1（C1 vs C2）、h2（C1 vs C3）、h3（C2 vs C3），每类得到一个长度为 3 的码字（如表 26.8，DC 码字 1,1,0；FF 码字 −1,0,1；NC 码字 0,−1,−1）；解码阶段根据测试样本在各二分器上的输出决定最终类别。

6.5 应用 LDA 与 ECOC 后的结果：表 26.9 给出 4 组结果（NRL+LBP+NGL+MHM × {无 LDA, LDA} × {SVM, ECOC}）。结果显示 LDA 对结果影响很小，但能显著降低分类时间；SVM 与 ECOC 在同等特征下准确率非常接近，作者认为这代表基于灰阶图像方法在当前特征集合下所能达到的精度天花板。表 26.10 对四个算法做了总结对比：算法 I（ISBI 2009）使用改进 run-length，整体准确率 77%；算法 II（SPIE 2010）使用 RWPT，72%；算法 III（UBM 期刊）引入阴影检测与 GUI，75%；算法 IV 同时采用新特征、特征组合和取消后处理，SVM 与 ECOC 分别达到 72% 与 73%。作者特别指出：算法 IV 的核心贡献是 NC 检测灵敏度的提升（最高 60%），并支持了一个观点——VH 中大多数判别信息来自超声信号的幅度（amplitude），而不是射频数据本身的细微结构。

7 验证（Validation）

本章对前述算法统一采用五折交叉验证（5-fold cross-validation）作为评估手段：先把数据集中所有图像的特征向量拼成一个特征矩阵并随机打乱，再均分为五份；每次取四份训练分类器，第五份作为测试集，循环五次以使每份都被测试一次；最后取五次结果的平均作为最终性能（图 26.52）。作者强调，当数据量充足时，这种验证方法比其他验证方式更可靠。

8 体内验证（In Vivo Validation）

为测试算法 IV 的可靠性，作者进行 120 张新 IVUS 图像的体内验证，这些图像未参与分类器的训练或测试。SVM 用整个数据集（剔除这 120 张后）训练，再对这三张示例图像进行分类（图 26.53），整体平均准确率 78%。

8.1 体内验证的统计分析：表 26.11 是 VH 与算法 IV 在 120 张图像上的真值表（confusion matrix）：DC 在 VH 与算法中分别为 74,240 与 67,739 个像素，FF 分别为 380,985 与 401,036，NC 分别为 93,384 与 79,834；总体被分类像素 548,609。表 26.12 给出各类成分的灵敏度/特异度/准确率：DC 灵敏度 80.1%、特异度 94.5%、准确率 92.8%；FF 89.6%、98.91%、92.1%；NC 56.6%、86.8%、82.4%。Cohen's Kappa = 0.639，表明算法 IV 与 VH 在体内数据集上具有良好一致性。该节最后还对真值表的解读方式做了说明——以第一行为例，VH 标为 DC 的 74,240 像素中，算法 IV 把其中 54,425 标为 DC（真阳性），4,431 标为 FF（假阴性 FF），15,384 标为 NC（假阴性 NC）；以第一列为例，算法 IV 标为 DC 的 67,739 像素中，54,425 为真，2,430 与 10,884 分别为假阳性 FF 与 NC。

9 离体验证（Ex Vivo Validation）

由于体内验证仍以 VH 为参考，而 VH 本身存在已知的伪影（例如 DC 周围的 NC 伪影），作者用两组组织学数据作为更可靠的金标准对算法 IV 进行离体验证。第一组数据来自慕尼黑大学心脏病学合作单位，第二组来自 Katouzian 等人已发表的数据集（其中还包含 Katouzian 等人先前算法的结果）。

9.1 数据集 1：（a）样本处理：6 根人类冠状动脉（2 LAD、2 LCX、2 RCA）取自 3 具尸体（平均年龄 70±9 岁，皆男性、非心源性死亡），死亡后 12 小时内（平均 9±1 h）用 IVUS 采集；采集后心脏保存于 9 °C，IVUS 探头为 In-Vision Gold（2.9 F、20 MHz），以 1.0 mm/s 通过 R-100 回撤装置采集 DICOM 格式图像。（b）IVUS 成像：在冠状动脉口插管，建立 90 mmHg 生理盐水压力；以 0.014 英寸导丝在透视下进入管腔；在探头远端与近端放置外部标记（手术缝合线）以便与组织学图像精确对应。（c）组织学：从心脏切下血管样本并每隔 5 mm 切块；用 EDTA-4 Na 与 20% 柠檬酸溶液脱钙 10 h 后石蜡包埋，每隔 1 mm 用切片机切出至少两张 4 μm 切片；所有切片用 H&E 染色，每隔一张再用 Elastica-van Gieson 染色，便于识别坏死脂质核心、钙化与纤维组织。（d）人工图像分析：按 AHA 血管病变委员会修订的分级系统把血管壁分为正常、纤维脂质、钙化、坏死脂质四种类型并按颜色编码（正常灰、FF 绿、钙化白、NC 红），其中早期病变（I–III 型）归为正常。纤维斑块定义为以纤维组织为主（VIII 型），坏死脂质斑块为以脂质性坏死组织为主（IV 型），钙化斑块为可见钙沉积（VII 型）。

9.2 数据集 1 的离体验证结果：用于离体验证的图像未参与前述训练；SVM 用整个数据集与 VH 标签训练，对两张示例 IVUS 图像应用算法 IV 并与组织学金标准对比（图 26.55）。表 26.13 给出像素级与 9×9 区域级两种验证的统计结果：像素级 DC 灵敏度 55%、FF 77%、NC 47%；9×9 区域级 DC 灵敏度 47%、FF 82%、NC 38%；整体准确率分别为 74% 与 77%。

9.3 数据集 1 的统计分析：作者用表 26.14 与 26.15 的真值表做像素级与 9×9 区域级验证，Kappa 值分别为 0.487（像素级）与 0.533（9×9 区域级），都处于"中等一致"区间。作者进一步指出，Nair 等 [11] 采用的验证窗口约为 13×13 像素（1/3 mm × 1/3 mm），而本章的验证窗口 n×n 像素可从 1（像素级）到 13 不等。图 26.56 显示不同窗口大小对准确率的影响。

9.4 数据集 2：采集使用 40 MHz 旋转单阵元 Boston Scientific 探头，导管回撤速度 0.5 mm/s、帧率 30 帧/s；每帧原始数据为 256 条扫描线 × 2,048 样本/线，通过解析信号取包络后对每线抽 8 个样本得到 256×256 像素 IVUS 图像，并对包络做对数压缩与 8-bit 量化再变换到笛卡尔坐标；组织学图像通过尸检与心脏移植两来源的冠状动脉获得，并放入组织笼固定器（图 26.57），用 Movat Pentachrome 染色（图 26.58）。

9.5 数据集 2 的离体验证结果：以 50 张基于组织学的"组织色图"（tissue color map）作为训练标签对 SVM 训练（图 26.58d），用未参与训练的组织色图对四张 IVUS 图像做验证（图 26.59）。

9.6 数据集 2 的统计分析：表 26.17 与表 26.18 给出像素级与区域级真值表，Kappa = 0.454（数据集 2 像素级）仍处于"中等一致"区间但低于数据集 1；表 26.20 给出灵敏度、特异度与准确率（含 95% 置信区间）：DC 像素级准确率 83.3%、区域级 91%；FF 75.7% / 86%；NC 91.6% / 95%。表 26.19 给出体内与离体验证的整体对比：体内（120 帧）像素级准确率 >82%、Kappa = 0.639；离体数据集 1 像素级 >79% / 0.487、区域级 >85% / 0.533；离体数据集 2 像素级 >75% / 0.454、区域级 >86% / 0.628。

10 纵向分辨率增强（Longitudinal Resolution Enhancement, LRE）

本章最后一节讨论纵向分辨率的提升。VH 依赖于 ECG 触发采集：在每个心动周期内，仅当 R 波同步时采集并分析一帧 IVUS 射频信号。因此两个相邻 VH 图像之间的纵向距离等于 R–R 间隔（秒）与回撤速度（mm/s）的乘积，例如心率 60 次/min、回撤速度 1 mm/s 时，每帧 VH 间距为 1 mm，对应每毫米 1 帧（每秒 1 帧）。而灰阶 IVUS 帧率通常为 30 帧/s，因此 IBH 方法可以把纵向分辨率提高到每毫米 30 帧（图 26.60）。

为直观展示该提升，作者把算法 IV 应用到任意两个相邻 VH 图像之间的所有 IVUS 帧上，并把各斑块成分的丰度绘制成曲线（图 26.61–26.63）；曲线上的"大点"对应 VH 图像所在位置，其他点对应两个 VH 帧之间的 IVUS 帧；连续 VH 帧之间斑块丰度的较大变化对应血管上约 1 mm 距离的不同截面，是合理的，但同一曲线内部相邻点之间出现快速变化，作者认为主要来自两方面的差异：VH 本身忽略的某些斑块成分，以及算法与 VH 之间在所识别斑块区域上的差异。

本章个人批注

本章是这本书里我最"图像处理密集"的一章——前面读到第 7、8 章主要还是偏计算生物力学，本章和后续 OCT（第 27 章）则把视角切回到图像自身。

四个算法的演进脉络让我对"特征工程—降维—分类—后处理"这套范式有了具体感受：算法 I 改 run-length 特征；算法 II 把分析域切到子带、用 Fisher+LDB 选最有判别力的子带，再对每个子带单独训练 SVM、加权投票；算法 III 把"阴影"这种 IVUS 物理特性变成显式的预处理标签；算法 IV 干脆把直方图后处理"特征化"——也就是 NGL 和改进 Hu 矩，让灰度信息从后处理阶段前移到特征阶段。这条线索其实和深度学习之前的整个纹理分类研究史高度同构，本章可以视为一个非常紧凑的案例集。

但读完之后我也对作者的处理方式存有几个疑问：（1）表 26.4 给出 LBP 在三种条件下的整体准确率都低于 run-length，但图 26.38 显示 LBP 的可视化结果"更细致"。这两个观察并不冲突，但作者没有给出"细致但不准确"的定量解释，我猜可能是 LBP 对小尺度纹理敏感、对小病灶的反应更"碎"，反而在像素级验证时与 VH 不严格重合；（2）算法 III 在阴影区域内部仍然出现绿色（FF）小岛，作者归因为多次反射伪影，但没有给出后续滤波或形态学处理；（3）NC 检测灵敏度始终是天花板——NC 与 DC 在灰阶上的相似性是物理层面的硬约束，IBH 在当前数据下已经把 NC 灵敏度从 ~46% 推到 60%，离实用仍有距离，作者自己也承认这一点。

实验细节上，作者反复使用"对所有算法都用同一 200/500 帧子集"作为训练集，这是合理的，但也意味着不同算法的对比并不是在"各自最优数据"上跑的。我希望能看到 leave-one-vessel-out 或 leave-one-patient-out 这种更严格的验证——离体部分做了，但体内只做了 120 张新图像。

与上下章的衔接（一段话）

本章在整本书的成像方法链条中处于"基于灰阶图像的斑块成分分析"这一支——上一章（第 25 章颈动脉支架）侧重介入治疗，本章则回到 IVUS 灰阶图像如何不用 VH 也能做斑块成分分类；下一章（第 27 章）从 IVUS 跳到 OCT，分辨率更高但穿透深度更浅，因此处理思路又不一样。第 13 章 Gamma Mixture IVUS 也属于 IVUS 范围，但用的是统计建模的思路，与本章的纹理分类思路形成"两种解法"的对照。从这本书的整体结构看，本章是对"IVUS 灰阶图像还有多少可挖掘的信息"这个问题给出的、迄今最完整的回答之一：作者把 14 项 Haralick 特征、11 项 run-length 特征、LBP、Hu 矩、阴影检测、SVM 与 ECOC 分类器全部串在一条流水线里，并分别在 200 帧训练/120 帧体内验证/两套离体组织学数据上做了定量评估，给后续 IVUS 自动化分析工作提供了清晰的基线与改进方向。