基于数据融合的GBM组织分离方法研究

发布时间：2017-10-24 03:25

  本文关键词：基于数据融合的GBM组织分离方法研究

  更多相关文章： 胶质母细胞瘤 多模态数据融合 非负矩阵分解 核磁共振成像

【摘要】：胶质母细胞瘤(Glioblastoma)即GBM,是胶质细胞瘤病变程度最严重的形式,是最高等级的胶质细胞瘤。核磁共振成像(Magnetic resonance imaging,MRI)和核磁共振谱成像(Magnetic resonance spectroscopic imaging,MRSI)是医疗诊断领域中特别是人脑肿瘤检测中最主要最权威的检测手段。然而单一的成像手段均无法对GBM的组织类型进行有效的分离,通过数据融合的手段可以得到包括两种数据特征的融合结果。针对MRSI波谱数据与MRI图像数据的多模态数据融合问题,本文基于数据融合理论,利用非负矩阵分解理论和小波分析方法研究了一种非监督的多模态数据GBM组织分离方法,主要工作和贡献如下:1、研究了一种基于小波分解的多模态医学数据融合方法,将数据融合融入到hNMF(Hierarchical non-negative matrix factorization)的GBM识别框架中,提升了识别的准确率。2、研究了了一种在hNMF多个层次分解中确定特征波谱的新的法则,针对GBM病例代谢特征不稳定的现状,对其MRSI数据实现了更加有效的分解,通过分解确立了正确的正常,肿瘤以及坏死组织的特征波谱,获得了相应组织类型的空间分布。3、采用峰值积分的方法对MRSI数据特征进行提取,量化MRSI数据中关键的代谢成分,通过实验确定了所提取的代谢物及其范围。峰值积分后的MRSI仍然可以有效对组织类型进行分离,同时大大减少了非负矩阵分解的迭代运算量。4、对融合结果研究了一种基于模糊c均值聚类的分割方法,确定了不同组织类型的具体边界,获得了最终的融合结果。利用该分割结果与专家标记进行了量化对比,证明了本文提出融合框架的有效性。
【关键词】：胶质母细胞瘤 多模态数据融合 非负矩阵分解 核磁共振成像
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP202;R739.41
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 绪论9-17
• 1.1 研究工作的背景与意义9-13
• 1.2 国内外研究现状和发展趋势13-15
• 1.2.1 利用核磁共振进行脑肿瘤识别的研究现状13-14
• 1.2.2 数据融合的研究及发展现状14-15
• 1.3 本论文的主要内容及结构安排15-17
• 第二章 NMF和HNMF算法研究17-27
• 2.1 引言17
• 2.2 NMF算法的基本原理17-20
• 2.2.1 乘性更新算法18-19
• 2.2.2 交替最小二乘法19
• 2.2.3 分层交替最小二乘法19-20
• 2.3 利用NMF算法对组织分类20-23
• 2.4 HNMF和GBM组织分类23-26
• 2.5 本章小结26-27
• 第三章 多模态医学数据融合原理27-38
• 3.1 多模态医学数据融合27
• 3.2 图像融合的定义与原理27-30
• 3.2.1 图像融合的结构层次28-29
• 3.2.2 图像融合的基本方法29-30
• 3.3 基于小波变换的图形融合原理30-35
• 3.3.1 小波变换的基本概念31-33
• 3.3.2 小波融合的基本流程和常用规则33-35
• 3.4 多模态医学数据融合模型35-37
• 3.4.1 MRI和MRSI的尺度统一35-36
• 3.4.2 融合流程36-37
• 3.5 本章小结37-38
• 第四章 基于多模态医学数据融合的GBM组织分离方法38-50
• 4.1 引言38
• 4.2 HNMF的改进38-41
• 4.3 峰值积分41-44
• 4.4 基于多模态医学数据融合的GBM组织分离模型44-47
• 4.4.1 融合模型44-45
• 4.4.2 融合规则45-47
• 4.5 融合结果的组织分离方法47-49
• 4.6 本章小结49-50
• 第五章 基于多模态医学数据融合的GBM组织分离方法实现50-63
• 5.1 引言50
• 5.2 数据的获取与预处理50-51
• 5.3 实验结果51-56
• 5.4 结果验证与分析56-62
• 5.5 本章小结62-63
• 第六章 结论63-65
• 6.1 本文的主要工作63-64
• 6.2 下一步工作的展望64-65
• 致谢65-66
• 参考文献66-70

【参考文献】

中国期刊全文数据库 前3条

1 黄彩霞;陈家新;;基于小波系数区域相似度的医学图像融合[J];计算机应用研究;2008年01期

2 苗启广;王宝树;;基于改进的拉普拉斯金字塔变换的图像融合方法[J];光学学报;2007年09期

3 毛士艺,赵巍;多传感器图像融合技术综述[J];北京航空航天大学学报;2002年05期

中国博士学位论文全文数据库 前1条

1 李雨谦;基于数据融合的综合识别方法研究[D];电子科技大学;2013年

，

本文编号：1086795