基于部分容积效应独立改善与深度多模态医学图像推衍前沿技术的失智症病情智能诊断研究

发布时间：2021-05-09 14:18

　　由于传统的基于区域的部分容积效应改善方法在对失智症患者的动脉自旋标记图像改善过程中引入了像素点最近邻域内其他的像素点信息,可能会导致改善结果过度模糊,且严重缺失大脑组织结构细节的问题。本文提出了一种基于单像素点信息的部分容积效应改善方法,不额外引入其他像素点信息,只基于单像素点本身信息进行部分容积效应改善,避免了传统的基于区域的改善方法的缺陷。利用深度学习模型实现由结构性磁共振成像推衍得到动脉自旋标记磁共振图像,由于动脉自旋标记图像是一种功能性磁共振图像,所以此推衍过程是由结构性磁共振图像到功能性磁共振图像的异构推衍。利用新提出的基于单像素点的改善方法对推衍所得的动脉自旋标记图像进行部分容积效应改善。再将结构性磁共振成像与推衍所得的动脉自旋标记图像相结合,运用多种诊断工具对失智症患者病情进行智能诊断研究。 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 主要研究内容
    1.4 章节安排
第2章 基于单像素点的部分容积效应改善
    2.1 部分容积效应
    2.2 国际现行方法综述
    2.3 基于单像素点信息的改善方法
    2.4 实验与分析
    2.5 本章小结
第3章 基于深度学习网络模型的缺失模态图像推衍
    3.1 二维深度卷积神经网络
    3.2 二维深度残差网络
    3.3 不同模态的磁共振图像
        3.3.1 结构性磁共振图像
        3.3.2 动脉自旋标记磁共振图像
    3.4 基于深度学习网络模型的ASL图像推衍
    3.5 实验与分析
    3.6 本章小结
第4章 基于推衍图像的失智症病情智能诊断
    4.1 计算机辅助诊断方法
        4.1.1 分类模型方法
        4.1.2 聚类模型方法
        4.1.3 回归模型方法
        4.1.4 排序模型方法
    4.2 实验与分析
    4.3 本章小结
第5章 总结与展望
    5.1 本论文总结
    5.2 未来研究展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3177455