基于磁共振成像的耳鸣患者大脑形态学研究

发布时间：2021-04-23 10:09

　　随着年龄的增加和环境中噪声的增多,耳鸣成为一种越来越普遍的症状,长期受耳鸣困扰的患者会产生焦虑、抑郁等心理问题,严重影响生活和工作。对耳鸣的成因和特点进行深入研究,辅助临床进行早期诊断与治疗,缓解耳鸣对患者的影响,对临床工作和社会都具有重要意义。近几年来,脑科学研究逐渐成为基础研究和重大疾病研究的热点,神经影像学技术的迅速发展也为脑科学研究不断提供新的思路。本文以无损伤磁共振成像数据为基础,从大脑形态学方面分别对搏动性耳鸣患者和非搏动性耳鸣患者进行研究,探究其大脑形态学改变、对应的大脑工作机制及意义。本文首先选取了单侧早期搏动性耳鸣患者,使用基于体素的形态学分析方法,通过空间标准化、分割、平滑等步骤对图像进行预处理,采用双样本T检验和皮尔逊相关分析进行统计分析,对搏动性耳鸣患者的脑灰质体积改变情况进行了研究。其次采用机器学习的相关技术,总结既往文献并总结得到61个耳鸣相关的脑区,以每个脑区灰质体积为特征,使用混合特征选择算法并构建SVM分类器,在实现对非搏动性耳鸣患者和正常被试分类的同时,提炼出8个最有代表性的特征脑区,将其作为与耳鸣症状密切相关的神经影像学生物标志物。搏动性耳鸣的形态... 

【文章来源】：中国计量大学浙江省

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 引言
    1.2 大脑的解剖结构
    1.3 磁共振成像原理概述
        1.3.1 磁共振成像的物质基础
        1.3.2 磁共振成像
    1.4 耳鸣的脑科学研究现状
        1.4.1 耳鸣的基本定义与分类
        1.4.2 耳鸣的神经影像学研究
    1.5 论文的主要研究内容和组织结构
2 大脑形态学分析方法及理论研究
    2.1 图像获取
    2.2 基于体素的形态学分析
        2.2.1 空间标准化
        2.2.2 脑组织分割
        2.2.3 图像平滑
        2.2.4 统计分析
    2.3 基于机器学习的形态学分析
        2.3.1 搜索策略
        2.3.2 特征评价标准
        2.3.3 终止条件
        2.3.4 结果评价
        2.3.5 支持向量机分类方法
3 基于VBM的搏动性耳鸣患者大脑形态学研究
    3.1 本章引论
    3.2 数据与方法
        3.2.1 研究被试及图像采集
        3.2.2 数据处理
        3.2.3 统计分析
    3.3 结果
    3.4 讨论
    3.5 本章小结
4 基于机器学习的非搏动性耳鸣患者大脑形态学研究
    4.1 本章引论
    4.2 数据与方法
        4.2.1 研究被试及图像采集
        4.2.2 数据预处理
        4.2.3 特征选择算法
    4.3 结果
    4.4 讨论
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录A 计算ROI脑区的灰质体积
作者简历


【参考文献】：
期刊论文
[1]浅谈机器学习在医学大数据中的应用[J]. 司家瑞.  科技展望. 2016(23)
[2]生物学实验数据统计分析中的多重比较法[J]. 邱念伟,刘倩,刘慧.  生物数学学报. 2015(03)
[3]基于体素的形态测量学技术及研究进展[J]. 陈志晔,马林.  功能与分子医学影像学(电子版). 2012(01)
[4]基于像素的形态测量学方法及其在脑图像处理中的应用[J]. 郭小娟,姚力,金真.  北京师范大学学报(自然科学版). 2006(02)
[5]DICOM标准分析及其应用[J]. 梁存升,冯骥.  中国医学装备. 2006(02)



本文编号：3155133