基于深度学习的多模态核磁共振脑影像分割方法及应用研究

发布时间：2024-12-22 03:10

　　脑相关疾病具有高病发率、高致残率和多并发症等特点,是脑科学研究面临的重大挑战之一。特别地,核磁共振(Magnetic Resonance,MR)脑影像可以通过调节成像参数,生成反映脑部不同层面信息的多模态影像。主要包括:T1加权成像(T1-weighted imaging,T1)显像脑部解剖结构;T2加权成像(T2-weighted imaging,T2)对病灶区域信号增强显示;液体衰减反转恢复(Fluid Attenuated Inversion Recovery,FLAIR)对脑部病理改变具有高敏感度。临床上,MR脑影像已经成为脑相关疾病诊断的主要工具。基于多模态MR脑影像的分割不仅可以描述脑相关疾病的脑结构变异,还可以判断疾病进展程度。目前,MR脑影像的分割问题可分为局部脑组织分割、全脑结构分割和病灶组织分割三个层次。深度学习技术由于其强大的自主特征提取能力和强灵活性成为医学影像分析的主流方法。然而,大脑解剖结构的复杂性、MR脑影像的灰度不均匀性等问题,使脑组织之间的边界模糊不清,各结构间缺乏鲜明的轮廓和边界,限制了当前MR脑影像的分割精度。因此,本文针对上述局限性,结合深度学习当...

【文章页数】：131 页

【学位级别】：博士

【部分图文】：

图１－３?基于卷积神经网络的ＭＲ脑影像分割方法框架??

第一章绪论??结果组合，直到目标本质的层次性挖掘，符合人类视觉信号的处理过程［５５］。??特别地，卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＣＮＮ）在图像处理领域取??得了巨大的成就由于ＣＮＮ在解决优化问题中展现的优越性和灵活性，该方法??己经被广....

图１－４?大脑解剖层次图??（１）第一个层次是根据大脑的解剖结构，将局部脑组织准确分割出来，如??图１－４所示的丘脑（Ｔｈａｌａｍｕｓ）、肼胝体（Ｃａｌｌｏｓｕｍ）、杏仁核（Ａｍｙｇｄａｌａ）和海马体??（Ｈｉｏｃａｍｕｓ）

北京邮电大学工学博士学位论文???１．３?ＭＲ脑影像分割难题与挑战??经过上述ＭＲ脑影像的分割方法现状分析，可知关于ＭＲ脑影像的分割方法有很??多种，但是每种方法各有其优势和局限性。目前尚未存在一种通用的ＭＲ脑影像分割??方法对所有的目标任务都有良好的分割效果。因此，本文针对特定....

图１－５?论文总体结构??

第一章绪论??体、人?深度卷积神经网络关键??－者化?技术??第一章?第二章??Ｖ，??Ｊ??：基于深度学习的多模态核磁；??；共振脑影像分割方法及应用??研究??????局部脑组织?全脑结构分割?病灶组织分割?來??＾?＾?＾??基于多目标集成的交互Ｉ基于边界校ｋ的级联神?基于....

图２－１?传统卷积神经网络模型??归一化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，?ＢＮ）层、池化层和全连接层等模块

北京邮电大学工学博士学位论文???特征映射??＿＿ｇ．Ａ…特征映射特征．＿?厂＾??ｒｚ＝－．二：．…．－ｉ?＼?＼??／Ａ－ｆ．?．．．．．．．：，：＇＇氣?＼??？９?．．．．．．．．．．．．．．．．．．？｜?－．．．广－■二、攀?＊??＂．．．．．．？?‘‘??卷积层?池化....

本文编号：4019340