机器学习在核磁影像上的脂肪组织定量研究与应用
发布时间：2021-10-09 14:46
随着生活水平的日益提高,健康已经成为人们越来越关注的问题,因此准确测量皮下脂肪组织和内脏脂肪组织含量对许多疾病的研究具有重要的意义。核磁共振成像中的IDEAL-IQ技术是一种主要用于对扫描部位的脂肪组织进行成像的安全、无痛的检查方法,并在一次扫描中生成六种序列。经过数十年的发展,计算机辅助诊断技术已经成为一个综合运用了多种先进技术的临床医学诊断工具。在计算机辅助诊断涵盖的众多算法中,机器学习正成为医学影像数据处理的首选方法,可以应用于多种不同的放射学影像领域任务。本文的目的是探索基于IDEAL-IQ技术成像和机器学习的皮下脂肪组织和内脏脂肪组织及相关分割定量方法。本文设计了一个基于二维切片的全自动分割方法。首先,采用U-Net的深度网络来分割脂像中皮下脂肪组织的内外轮廓和水像中的腹膜腔轮廓;其次,本文将腹膜腔轮廓对应到相同身体部位的脂像中,采用AFK-MC2聚类方法对内脏脂肪组织进行定量,取得了较好的效果。在分割结果的基础上,本文对脂肪相关的指标进行定量。其中,本文提出了一种以后正中线为标准的半自动皮下脂肪厚度测量方法,校正了受试者体位不正的问题;第二,本文对腹围...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
CNN医学图像分割任务
第一章绪论15来，CT（图1.3）、MRI等成像技术的发展促进了脂肪测量能力的提高。图1.2腹部脂肪分布情况目前，MRI多回声Dixon是一种使用光谱模型把从不同回波时间获得的源图像进行化学位移分离的技术，根据分离得到的水像和脂像以及T2获得的R2*图谱对体脂和肝脏或其他部位的铁沉积进行评估[48,49]。三点Dixon（3PD）方法能够正确分配脂肪和水信号[50]，3PD的最新技术是IDEAL-IQ（IterativeDecompositionofwaterandfatwithEchoAsymmetryandLeastsquareestimation-IronQuantification）。IDEAL-IQ通过利用脂肪的多个谱峰，精确消除了多种化学成分的影响，进行甘油三酯脂肪分数建模，提高了脂肪组织定量的准确性[51-53]。如图1.4所示，IDEAL-IQ在一次扫描中产生六个序列：水像，脂像，脂肪分数图像，R2*弛豫图像，同相位图像和反向位图像[54,55]。IDEAL-IQ技术是一种非常方便和有效的脂肪含量测定方法，通过一次屏息完成肝脏脂肪含量的测定，为医师对脂肪肝相关疾病提供可靠的依据进行临床诊断[56]。同时，生化指标及肝脾比值对照有助于对疾病进展过程中脂肪含量测量的可行性、稳定性与精确性进行评估[57]。在IDEAL-IQ等技术脂肪成像的基础上，将脂肪准确的分割出来并定量的图像分割算法不断涌现出来。传统的图像分割方法应用于脂肪分割已经较为成熟，主要包括阈值法[58-62]、区域生长法[58,59,63-65]、边缘检测法[61,64-66]、基于聚类的方法[62-64,66,67]等。阈值法是一种使用预设的阈值将图像的不同区域分割的算法，阈值的合理选取是关键，一般适用于目标和背景差异较显著的情况。区域生长法通过预定义信息条件和初始种子点将像素根据相似度进行分割。边缘检测法的基本思想通常是利
第一章绪论16用图像中物体灰度的一阶或者二阶微分和多尺度的边缘信息进行不连续性检测。基于分类器的方法是一种以图像中提取的特征为依据的图像分割算法。基于聚类的方法将像素映射到特征空间，根据映射的聚集情况进行分割，聚类结果通过将其映射回原图像空间得到。除上述方法之外，Steve等人采用中点圆算法和Bresenham直线算法结合的方式，通过检测SAT和VAT之间的狭窄连接区域进行切割[68]。Sadananthan等人利用全自动的图论分割算法和改进的水平集方法来分割L1-L5腰椎之间的SAT和VAT体积[69]。传统的图像分割方法通常都仅使用了低阶图像信息，分割效果有限，且通常流程复杂且人工参与度高。图1.3CT脂肪测量目前，越来越多基于深度学习和CNN的图像分割算法被用于SAT和VAT定量。Jiang等人提出了一种两阶段的由低精度到高精度的SAT和VAT分割算法，同时考虑了分割精度和空间一致性。首先，该算法将分割任务定义为像素级分类问题来提取较低层次的特征。其次，提出了一种新的深度神经网络模型MSDNN，利用多个并行网络从多尺度输入中提取高层次特征，小批量训练算法使得它更适合于并行计算[70]。Langner等人提出了一种利用FCN（包括U-Net和V-Net）自动分割SAT和VAT的新方法，旨在研究在这项任务中可以达到的精确度和鲁棒性的上限值[71]。Grainger开发了一种基于U-Net体系结构的用于分割SAT和VAT的深度学习方法，该体系结构通过开源的ANTsRNet库公开提供。这些结果证明了深度学习在腹部脂肪定量方面的准确性及其在确定体重方面的意义[72]。Wang等人开发并测试了一种新的脂肪组织分割和量化的CAD
【参考文献】：
期刊论文
[1]磁共振IDEAL-IQ技术对肝脏脂肪定量的应用研究进展[J]. 吴小伟,陈自谦. 功能与分子医学影像学(电子版). 2017(01)
[2]运用3.0T磁共振IDEAL-IQ技术进行肝脏脂肪定量分析的可行性研究[J]. 焦志云,李澄,何玲,王礼同,杜芳,颜虹. 中华临床医师杂志(电子版). 2015(19)
本文编号：3426597
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
CNN医学图像分割任务
第一章绪论15来，CT（图1.3）、MRI等成像技术的发展促进了脂肪测量能力的提高。图1.2腹部脂肪分布情况目前，MRI多回声Dixon是一种使用光谱模型把从不同回波时间获得的源图像进行化学位移分离的技术，根据分离得到的水像和脂像以及T2获得的R2*图谱对体脂和肝脏或其他部位的铁沉积进行评估[48,49]。三点Dixon（3PD）方法能够正确分配脂肪和水信号[50]，3PD的最新技术是IDEAL-IQ（IterativeDecompositionofwaterandfatwithEchoAsymmetryandLeastsquareestimation-IronQuantification）。IDEAL-IQ通过利用脂肪的多个谱峰，精确消除了多种化学成分的影响，进行甘油三酯脂肪分数建模，提高了脂肪组织定量的准确性[51-53]。如图1.4所示，IDEAL-IQ在一次扫描中产生六个序列：水像，脂像，脂肪分数图像，R2*弛豫图像，同相位图像和反向位图像[54,55]。IDEAL-IQ技术是一种非常方便和有效的脂肪含量测定方法，通过一次屏息完成肝脏脂肪含量的测定，为医师对脂肪肝相关疾病提供可靠的依据进行临床诊断[56]。同时，生化指标及肝脾比值对照有助于对疾病进展过程中脂肪含量测量的可行性、稳定性与精确性进行评估[57]。在IDEAL-IQ等技术脂肪成像的基础上，将脂肪准确的分割出来并定量的图像分割算法不断涌现出来。传统的图像分割方法应用于脂肪分割已经较为成熟，主要包括阈值法[58-62]、区域生长法[58,59,63-65]、边缘检测法[61,64-66]、基于聚类的方法[62-64,66,67]等。阈值法是一种使用预设的阈值将图像的不同区域分割的算法，阈值的合理选取是关键，一般适用于目标和背景差异较显著的情况。区域生长法通过预定义信息条件和初始种子点将像素根据相似度进行分割。边缘检测法的基本思想通常是利
第一章绪论16用图像中物体灰度的一阶或者二阶微分和多尺度的边缘信息进行不连续性检测。基于分类器的方法是一种以图像中提取的特征为依据的图像分割算法。基于聚类的方法将像素映射到特征空间，根据映射的聚集情况进行分割，聚类结果通过将其映射回原图像空间得到。除上述方法之外，Steve等人采用中点圆算法和Bresenham直线算法结合的方式，通过检测SAT和VAT之间的狭窄连接区域进行切割[68]。Sadananthan等人利用全自动的图论分割算法和改进的水平集方法来分割L1-L5腰椎之间的SAT和VAT体积[69]。传统的图像分割方法通常都仅使用了低阶图像信息，分割效果有限，且通常流程复杂且人工参与度高。图1.3CT脂肪测量目前，越来越多基于深度学习和CNN的图像分割算法被用于SAT和VAT定量。Jiang等人提出了一种两阶段的由低精度到高精度的SAT和VAT分割算法，同时考虑了分割精度和空间一致性。首先，该算法将分割任务定义为像素级分类问题来提取较低层次的特征。其次，提出了一种新的深度神经网络模型MSDNN，利用多个并行网络从多尺度输入中提取高层次特征，小批量训练算法使得它更适合于并行计算[70]。Langner等人提出了一种利用FCN（包括U-Net和V-Net）自动分割SAT和VAT的新方法，旨在研究在这项任务中可以达到的精确度和鲁棒性的上限值[71]。Grainger开发了一种基于U-Net体系结构的用于分割SAT和VAT的深度学习方法，该体系结构通过开源的ANTsRNet库公开提供。这些结果证明了深度学习在腹部脂肪定量方面的准确性及其在确定体重方面的意义[72]。Wang等人开发并测试了一种新的脂肪组织分割和量化的CAD
【参考文献】：
期刊论文
[1]磁共振IDEAL-IQ技术对肝脏脂肪定量的应用研究进展[J]. 吴小伟,陈自谦. 功能与分子医学影像学(电子版). 2017(01)
[2]运用3.0T磁共振IDEAL-IQ技术进行肝脏脂肪定量分析的可行性研究[J]. 焦志云,李澄,何玲,王礼同,杜芳,颜虹. 中华临床医师杂志(电子版). 2015(19)
本文编号：3426597
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3426597.html
