基于残差网络和迁移学习的微结构参数拟合及脑白质分析

发布时间：2020-12-11 05:13

　　在脑成像领域,扩散张量成像(Diffusion Tensor Imaging,DTI)能提供脑白质信息,可用于探究脑区组织结构变化,但其缺乏区分白质和灰质微结构的特异性。随着医学成像技术的发展,能估计微结构特异性的多隔室模型出现,神经突方向分散和密度成像(NODDI)模型是最流行的估计脑组织微结构的多隔室模型方法。但NODDI模型准确估计脑组织微结构需要大量扩散梯度,同时通过最大似然拟合,计算复杂消耗时间长,使其无法在临床中普遍应用。为此,首先本文提出一种高效的残差网络微结构参数拟合方法,此方法以数据驱动的方式,替代传统近端梯度法参数更新步骤,来解决凸优化问题,实现参数的拟合,以均方根误差、结构相似度、峰值信噪比为评价指标,分别在仿真数据和真实数据中比较了方法优劣。然后,针对网络方法对数据的依赖性,而有时数据的采集比较耗时且获取困难的问题,以多动症(ADHD)数据为研究对象,尝试使用迁移学习的方法,以放松网络对数据的限制。最后,为验证本文提出方法在实际应用中的可行性,采用扩散张量成像方法和微结构方法(包括NODDI模型、AMICO模型和本文方法)对ADHD数据进行处理,并进行TBSS分... 

【文章来源】：燕山大学河北省

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

Stejskal-Tanner序列

燕山大学工学硕士学位论文-8-能追踪大脑白质纤维并定量分析大脑微观结构变化的技术。在DTI技术中，体素内水分子运动状况使用二阶扩散张量D来表述，顺着非线性扩散梯度方向中的第f个方向的扩散加权信号为Sf，由公式(2-4)表示为：fTffS-expDgbgS0(2-4)式中：S0代表扩散梯度因子b=0时的扩散信号强度，Tzfyfxffgggg],,[代表归一化的第f个扩散梯度方向，D代表一个对称正定矩阵，其格式为3*3，由公式(2-5)表示为：zzzyzxyzyyyxxzxyxxDDDDDDDDDD(2-5)因为张量D满足jiijDD，即zyyzzxxzyxxy,,DDDDDD。故D只有6个独立分量，zzyyxx,,DDD依次表示水分子沿x轴、y轴、z轴方向的扩散系数，将公式(2-5)对角化后表示为：321321321000000eeeeeeD(2-6)式中:1e，2e，3e是扩散张量D中决定水分子扩散方向的特征向量；1，2，3是相应特征向量对应的正交特征值，分别体现了水分子沿相应方向扩散的速度，向量1e被当作主特征方向，在数值上对应最大特征值1，在方向上和白质纤维伸展方向相同，用图2-2表示如下：图2-2特征值及特征向量与纤维走向关系水分子的扩散过程和椭球模型类似，其大小不同的特征值依次对照椭球模型的三个不同长度的轴。椭球体主轴的方向由主特征向量的方向决定。椭球模型如下图所示：

第2章基础理论和相关方法-9-图2-3椭球模型椭球的形状由扩散情况决定，按照水分子扩散程度，扩散的椭球体模型可呈现扁长型、饼状型及球状三种形态。相应的按照它们特征值之间的大小关系，扩散运动被分成下面三种：(1)线性扩散：321，各向异性扩散，扩散模型是扁长状的，此扩散多出现在大脑白质纤维中。(2)平面扩散：321，扩散处于各向同性及各向异性之间，扩散模型是饼状的，此扩散多出现在纤维交叉时。(3)球型扩散：321，各向同行扩散，扩散模型近似球状，此扩散多在脑脊液及脑灰质区出现。2.1.3扩散张量各向异性参数水分子各向异性扩散信息虽包含在DWI图像中，却并没在图像中直观反映出来，而是通过对扩散张量矩阵的特征值及特征向量进行处理得到，处理后所得不同的标量值参数代表不同的扩散特征。常用的表述水分子扩散信息的参数如下：(1)扩散张量的迹(Trace)此扩散信息参数用于表示给定体素水分子的平均扩散度，其标量值由扩散张量主对角线三个特征值相加之和表示，迹只代表扩散的大小，其数值越大表明细胞内自由的水分子数目越多，用公式(2-7)表示如下：321zzyyxx）（DDDDTrace(2-7)(2)平均扩散率(MeanDiffusion,MD)


本文编号：2909961