基于深度学习的TOF-MRA图像脑血管提取与拓扑路径分析

发布时间：2021-04-26 08:22

　　脑血管造影图像分析对了解血管疾病的发病机制、术前诊断和治疗具有重要意义。本文以时间飞跃法-磁共振血管造影（Time of flight-Magnetic Resonance Angiography,TOF-MRA）为研究数据,结合统计模型与深度学习方法深入研究了脑血管分割、病灶靶区定位、血管中心线提取、术前介入手术路径规划。本文针对了该领域面临的以下挑战性问题开展研究:尽管统计模型在脑血管分割取得了充分的发展,但由于成像设备与成像参数的不同,导致数据之间存在显著差异,进而影响了统计模型的鲁棒性和分割方法的性能;深度学习在医学图像处理领域取得了显著性进步,但在脑血管分割任务中始终面临着脑血管标记数据不足的瓶颈;在术前血管介入手术的准备环节中,影像科医生需要反复浏览TOF-MRA图像,最终确定介入病灶靶点位置以及介入路径,这一过程完全依赖于医生的经验判断,加大了医生的阅片负担,不利于介入治疗工作精准快速地开展。针对完整的术前造影图像分析流程以及上述面临的问题,本文的主要的贡献和创新点如下:1.提出了一种设备无关的有限混合模型-马尔科夫随机场（FMM-MRF）脑血管分割方法:通过颅骨剔除技术... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 脑血管分割算法的研究现状
        1.2.2 脑血管拓扑路径分析研究现状
    1.3 论文主要内容
    1.4 论文章节安排
第2章 脑血管分割相关的准备知识
    2.1 磁共振血管造影技术
    2.2 偏置场修正
    2.3 空间等间距重采样
    2.4 颅骨剔除
    2.5 多尺度血管滤波增强
    2.6 本章小节
第3章 设备无关的FMM-MRF脑血管分割模型
    3.1 算法概述
    3.2 数据预处理
    3.3 有限混合模型的建立
    3.4 基于血管知识的EM算法用于FMM参数估计
    3.5 双能量约束的马尔可夫随机场
    3.6 实验结果
        3.6.1 实验数据与实验环境性
        3.6.2 对比实验
        3.6.3 脑血管分割结果
    3.7 本章小节
第4章 基于模型与数据混合驱动的脑血管分割方法
    4.1 算法概述
    4.2 数据准备工作
    4.3 标记数据的生成
    4.4 DD-CNN网络结构
        4.4.1 稠密型扩张卷积块
        4.4.2 多扩张率的卷积结构
        4.4.3 网络配置的选择
        4.4.4 模型实施细节
    4.5 对比实验与结果
    4.6 本章小节
第5章 基于深度学习的病变脑血管分割方法
    5.1 数据准备工作
    5.2 病变血管分割网络结构
        5.2.1 WCD-Conv:加权正交平面的扩张卷积结构
        5.2.2 3D-FEM:三维特征提取模块
        5.2.3 两阶段:感兴趣区域定位于精准分割
    5.3 对比实验与结果
    5.4 本章小节
第6章 脑血管拓扑路径分析
    6.1 中心线提取
        6.1.1 骨架线节点划分
        6.1.2 骨架线优化
        6.1.3 骨架线转中心线
    6.2 无向图中的短路径问题
    6.3 本章小节
第7章 总结与展望
    7.1 本文总结
    7.2 工作展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果


【参考文献】：
期刊论文
[1]《中国心血管病报告2016》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿.  中国循环杂志. 2017(06)



本文编号：3161085