脑图像海马体分割方法的研究

脑图像海马体分割方法的研究

论文摘要

海马体是人脑中重要的子结构,与阿尔茨海默病(Alzheimer’s disease,AD)、精神分裂症等多种精神类疾病都有着密切的联系,这些疾病均可导致海马体结构受损,体积逐渐缩小。通过对海马体体积进行准确测量,临床医生可以发现其萎缩的程度,进而方便对相关精神类疾病进行诊断、治疗,海马体体积的准确测量依赖于准确的分割结果。因此,准确分割出脑图像中的海马体,对于深入开展各种精神类疾病的研究具有至关重要的意义。国内外学者对于海马体的分割已开展大量的研究工作,但由于海马体体积较小,形状不规则,与周围组织的边界较为模糊,单纯使用结构磁共振图像很难准确对海马体进行分割。目前的分割方法仍存在以下不足:主流分割方法的准确性(Dice相似性)一般只能达到0.85-0.90,准确性较高的多图谱方法分割过程过于依赖配准精度且分割时间太长,大约在60分钟左右并随着配准次数的增加呈线性增长,这对于医疗大数据的研究是非常不利的。本文针对以上问题,以实现脑图像海马体的快速准确分割为研究目标,采用基于全卷积神经网络的方法,该网络结构已经被成功运用到了脑皮层下丘脑、尾状核、壳核和苍白球这四种子结构的分割,本文计划采用该方法对海马体进行分割以期解决目前分割中存在的问题,并探讨了海马体的影像组学特征在同一样本、多次扫描下的可重复性。本文的具体研究内容,主要概括为以下三个方面:(1)本文使用一种基于全卷积神经网络(Fully Convolutional Neural Network,FCNN)的方法对脑图像海马体进行分割。该网络为了避免多余的卷积和池化操作,只由卷积层构成。本文对该网络做了实际情况的应用,验证了该网络可以用于海马体的分割,并提供了一个海马体分割的模型。首先利用输入的脑图像、手工标注的海马体图像和感兴趣区域(Region of Interest,ROI)的图像进行网络训练,输入过程可以接受任意大小的输入图像。本文对该方法的性能进行了定性和定量评估,并与一种具有代表性的多图谱方法和FreeSurfer方法进行了比较。在海马体的分割过程中,该分割网络在一个包含65个数据的内部数据集中进行留一法验证和十折交叉验证,都取得了近似0.91的准确性,使用内部数据集训练的网络对一个包含135个数据的公共数据集进行测试,取得了近似0.79的准确性。在每个样本的分割时间上,多图谱的方法接近一个小时,本文使用的方法相对于多图谱的方法有了明显的减小,在CPU上进行单个海马体的分割接近10分钟,在GPU上分割接近1分钟。结果表明,本文使用的基于全卷积神经网络的方法在分割时间上显著优于多图谱的方法,在内部数据集和公共数据集的海马体分割中都具有可靠的准确性。(2)本文从影像组学的角度,研究了海马体影像组学特征的可重复性。影像组学是一种在医学图像中定量提取特征的方法,它可以获取人眼所不能观察到的图像信息,在已有研究中发现在海马体中提取的影像组学特征可以很好地刻画海马体且可以通过这些特征对正常人和AD疾病患者进行有效的识别,但是这些特征在多次扫描的图像中是否稳定,可重复仍然是一个值得进一步探索的问题。为探究脑图像海马体的影像组学特征是否稳定以及那些特征可以作为稳定的生物标记物,本文选择四组多次扫描的脑图像数据,分别对强度特征、形状特征、纹理特征和小波特征进行可重复性分析,选择组内相关系数(Intraclass Correlation Coefficient,ICC)和整体一致性相关系数(Overall Concordance Correlation Coefficient,OCCC)两种指标对四组数据的海马体影像组学特征进行稳定性评估。实验结果表明海马体的纹理特征可重复性最好,进一步推断该特征在临床的研究中或许可以成为一个最为可靠的生物标记。(3)本文设计了一个海马体影像组学特征自动提取系统。为了更加方便地对海马体进行研究本文基于前两个研究内容设计了脑图像海马体的影像组学特征自动提取系统。该系统目前有以下四个功能:一是原始脑图像DICOM格式数据到Nii格式的转换;二是基于个体空间或者标准空间的脑图像配准;三是基于全卷积神经网络(Fully Convolutional Neural Network,FCNN)的海马体快速自动分割;四是海马体影像组学特征的自动提取。该软件操作简单,可以快速实现图像格式转换、图像配准、海马体分割和影像组学特征的提取。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 研究背景及研究意义
  •   1.2 国内外研究现状
  •   1.3 研究内容与创新点
  •     1.3.1 研究内容
  •     1.3.2 本文的创新点
  •   1.4 本文的组织结构
  • 第二章 相关工作
  •   2.1 海马体简介
  •   2.2 常见的脑图像海马体分割方法
  •     2.2.1 手工分割方法
  •     2.2.2 半自动分割方法
  •     2.2.3 自动分割方法
  •   2.3 本章小结
  • 第三章 基于FCNN卷积神经网络的海马体分割方法研究
  •   3.1 传统的FCNN卷积神经网络
  •   3.2 改进后的FCNN卷积神经网络
  •   3.3 实验数据和实验方法
  •     3.3.1 实验数据
  •     3.3.2 数据预处理
  •     3.3.3 实验参数设置
  •     3.3.4 实验评价指标
  •   3.4 实验结果
  •     3.4.1 内部数据集的算法性能分析
  •     3.4.2 公共数据集的算法性能分析
  •   3.5 本章小结
  • 第四章 基于脑图像海马体的影像组学特征稳定性分析
  •   4.1 影像组学特征
  •   4.2 实验数据和方法
  •     4.2.1 实验数据
  •     4.2.2 数据预处理
  •     4.2.3 海马体的分割
  •     4.2.4 影像组学特征的提取
  •     4.2.5 灰度值归一化
  •     4.2.6 可重复性分析
  •   4.3 实验结果及分析
  •     4.3.1 影像组学特征的稳定性结果
  •     4.3.2 数据模式对影像组学特征稳定性的影响分析
  •     4.3.3 小波变换对影像组学特征稳定性的影响分析
  •     4.3.4 图像灰度值归一化对影像组学特征稳定性的影响分析
  •     4.3.5 组内相关系数和组间相关系数的相关性分析
  •   4.4 本章小结
  • 第五章 海马体影像组学特征自动提取系统
  •   5.1 系统概述
  •   5.2 系统功能
  •     5.2.1 格式转换模块
  •     5.2.2 配准模块
  •     5.2.3 分割模块
  •     5.2.4 特征提取模块
  •   5.3 本章小结
  • 第六章 总结和展望
  •   6.1 全文总结
  •   6.2 未来工作展望
  • 参考文献
  • 攻读硕士学位期间的主要成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 李卓然

    导师: 段会川

    关键词: 磁共振图像,海马体,分割,影像组学,可重复性,生物标记

    来源: 山东师范大学

    年度: 2019

    分类: 基础科学,医药卫生科技,信息科技

    专业: 生物学,生物医学工程,计算机软件及计算机应用

    单位: 山东师范大学

    分类号: R318;TP391.41

    总页数: 67

    文件大小: 3811K

    下载量: 114

    相关论文文献

    • [1].“互联网+”环境下的企业定位与营销创新研究——以海马体照相馆为例[J]. 经营与管理 2020(03)
    • [2].基于边界增强损失的海马体分割算法[J]. 光电子·激光 2020(03)
    • [3].海马体:只是做好了普通的小事而已[J]. 时代经贸 2016(26)
    • [4].掌控你的海马体,学习原来可以如此美妙[J]. 大众心理学 2020(09)
    • [5].海马体照相馆 一张精致的照片,为你留下属于你的记忆[J]. 时尚北京 2018(10)
    • [6].睡眠时脑波也在用功[J]. 大自然探索 2017(02)
    • [7].图闻天下[J]. 飞碟探索 2017(10)
    • [8].多听交响乐不迷路[J]. 老同志之友 2013(03)
    • [9].细心关爱 助推孩子 智力发展[J]. 启蒙(0-3岁) 2012(09)
    • [10].研究发现人成年后大脑海马体不再产生新神经元[J]. 海南医学 2018(06)
    • [11].提醒[J]. 妇女生活(现代家长) 2013(12)
    • [12].运动延缓衰老[J]. 厦门科技 2020(02)
    • [13].结合序列学习和U型网络的海马体分割方法[J]. 计算机辅助设计与图形学学报 2019(08)
    • [14].三维卷积网络在脑海马体分割中的应用[J]. 计算机科学与探索 2020(03)
    • [15].海马体照相馆顾客满意度调查研究[J]. 经贸实践 2018(24)
    • [16].只要态度好 数学能学好[J]. 基础教育参考 2018(15)
    • [17].新发现[J]. 健康之家 2018(03)
    • [18].莫负好时光 13岁人脑最好用[J]. 科学大观园 2018(07)
    • [19].感动[J]. 中国校园文学 2009(05)
    • [20].科学在身边[J]. 科学家 2017(24)
    • [21].门,其实开着[J]. 初中生学习(中) 2010(04)
    • [22].散步能增强记忆[J]. 养猪 2014(03)
    • [23].点灯说话儿 熄灯睡觉[J]. 陕西档案 2013(02)
    • [24].睡眠不好,当心脑内的“垃圾”越积越多[J]. 祝您健康 2020(02)
    • [25].健康新知[J]. 康颐 2018(05)
    • [26].健康新知[J]. 中国新闻周刊 2009(08)
    • [27].走神或许是通往创造力的大门[J]. 家庭科技 2019(10)
    • [28].为什么大多数的梦我们都记不住?[J]. 民间传奇故事(A卷) 2020(06)
    • [29].Science:海马体之外还有形成记忆的新系统[J]. 现代生物医学进展 2017(05)
    • [30].心知[J]. 婚姻与家庭(社会纪实) 2018(04)

    标签:;  ;  ;  ;  ;  ;  

    脑图像海马体分割方法的研究
    下载Doc文档

    猜你喜欢