基于纤维束聚类的大脑解剖连接分析应用

发布时间：2022-12-22 07:24

　　现有对大脑白质的解剖研究主要基于传统的基于体素的方法（Voxel Based Analysis,VBA）,通过选取感兴趣区域（Regions Of Interests,ROIs）,计算区域属性均值以完成不同样本间的解剖指标对比。这类方法存在着两个局限,一是样本配准带来的精度缺陷,另一方面是传统分析思想计算指标均值会导致“纤维特性均化”,隐藏全局扩散信息。为了克服传统研究的缺陷,分析完整纤维束的白质属性,同时优化纤维跟踪数据增加的时间尺度问题。本文选择基于纤维的分析（Fiber Based Analysis,FBA）,通过区域聚类与图谱聚类两种聚类手段去自动归类白质,并计算不同群体沿纤维束的扩散特性以及分析解剖学属性的变化差异。本文的具体工作和成果如下:1.针对传统方法以体素指标均值代替实验数据的缺陷,本文借助自动纤维量化聚类方法对人脑几条主纤维进行识别,沿纤维等距采样,计算指标以标记局部差异。在实验结果中,部分纤维束上出现了连续的显著差异点;整条纤维的扩散特性呈现类曲线般的增减;职业象棋手较普通样本在扩散指标上也表现出了一定的上升,之后与临床指标的皮尔森相关实验也佐证了这一区别。随后,... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于大脑解剖连接的神经疾病分析研究现状
        1.2.2 纤维聚类研究现状
    1.3 本文主要研究内容及全文章节安排
        1.3.1 本文研究内容
        1.3.2 章节安排
第二章 基于体素的人脑解剖连接分析
    2.1 扩散磁共振成像基本原理
    2.2 传统基于体素的大脑解剖连接分析方法
        2.2.1 大脑可塑性
        2.2.2 基于体素的分析
        2.2.3 基于纤维的空间分析方法
    2.3 本章小结
第三章 基于自动纤维量化聚类的人脑解剖连接分析
    3.1 自动纤维量化方法
        3.1.1 基于纤维的分析
        3.1.2 自动纤维量化算法流程
    3.2 实验流程
        3.2.1 聚类流程
        3.2.2 脑网络分析
        3.2.3 解剖指标数据分析流程
    3.3 实验结果及分析
        3.3.1 实验人群及数据来源
        3.3.2 实验结果
        3.3.3 讨论分析
    3.4 本章小结
第四章 基于脑图谱聚类的人脑解剖连接分析
    4.1 基于脑图谱的纤维聚类分割
    4.2 皮质分割
        4.2.1 基于Freesurfer的大脑皮质分割
        4.2.2 解剖指标计算
    4.3 实验结果
        4.3.1 样本图谱可视化
        4.3.2 样本图谱解剖指标
    4.4 本章小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 未来工作展望
参考文献
致谢
作者简介
    1 作者简历
    2 攻读硕士学位期间发表的学术论文
    3 参与的科研项目及获奖情况
    4 发明专利
学位论文数据集


【参考文献】：
期刊论文
[1]神经纤维体素微结构成像估计算法研究进展[J]. 冯远静,何建忠,李永强,周思琪.  中国科学:信息科学. 2019(06)
[2]医学领域的磁共振成像革命——2003年诺贝尔生理及医学奖主要工作介绍[J]. 王波,钟凯.  生物化学与生物物理进展. 2003(06)

博士论文
[1]基于大尺度脑网络分析方法的脑可塑性研究[D]. 段旭君.电子科技大学 2013

硕士论文
[1]脑白质纤维群智能跟踪算法研究及可视化系统开发[D]. 王哲进.浙江工业大学 2013



本文编号：3723729