基于MR影像的脑胶质瘤自动分割关键技术研究

发布时间：2021-12-17 08:38

　　脑胶质瘤是一种常见的脑部肿瘤疾病,它在脑部肿瘤中所占的比例高达七成,脑胶质瘤发展到恶性程度时有着非常高的致死率,如今脑胶质瘤成为了影响人们身体健康的重大疾病之一。脑部核磁共振影像检查是一种常用的诊断脑胶质瘤病变的技术手段,其中脑胶质瘤区域的确定对患者后续的手术计划以及治疗方案起着重要的作用。肿瘤区域的确定主要依赖影像科医生的专业知识及手动勾画,然而医生的手动勾画难免产生漏诊误诊等现象,并且手动勾画非常费时繁琐,因此,通过计算机辅助的自动化脑胶质瘤分割显得十分必要。计算机辅助系统的自动分割结果不仅可以减小医生的工作量,还可以为脑胶质瘤的临床诊疗提供一定的辅助。本文通过对脑胶质瘤分割处理中图像配准,分割建模等关键技术进行研究和改进,以期能够提高脑胶质瘤分割的精度和可靠性。研究工作主要包含以下两个方面的内容:（1）针对待分割图像存在空间偏差,影响分割效果的问题,在数据预处理阶段,提出一种基于3D多模态脑胶质瘤MR影像数据的联合配准算法。图像配准算法可以对多个序列的MR影像之间的偏差进行对齐,使得数据规范化的同时,共享同一分割结果。本文提出的配准算法使用高斯混合模型对图像中的像素强度与特征点分... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

研究方法框架图

的就是特征降维，它在保留有效信息的同时进行特征降维，也在一定程度上避免了过拟合。常用的池化操作有，最大池化，最小池化以及平均池化。通过下采样操作可以忽略图像中的平移、旋转等变化，这使得网络对于输入保持几何不变性。下面对卷积神经网络中的这些基本组件进行详细介绍。卷积层由卷积核组成，通过卷积核在图像中不同位置进行运算从而学习到各种特征。对于卷积操作，类似于滤波操作提取频段信息，卷积核中参数经过训练之后可以学习到图像中轮廓信息，边缘信息以及颜色信息等。下面通过图示介绍具体的卷积计算，如图2.1所示。卷积计算由卷积核在输入矩阵（原始图像或上层特征图）上，由左至右，由上到下以步长为1进行滑动遍历，在每一个遍历到的位置上，卷积核中数值与输入矩阵中相对应的值做乘积运算，最后对所有乘积进行求和。16345148737124183214316273992026159350233083711000001053554669796440351图2.1卷积操作示意图图中所示为输入矩阵中的第一个位置的卷积操作，输入矩阵的所有位置经过卷积后，最终结果为右侧矩阵。卷积核的数值即为网络经过训练学习到的参数，通过合理设置网络的结构与训练细节，卷积核可以学习到能够提取具有代表性特征的权重参数。池化层是卷积神经网络的另一重要组件，其主要功能是对特征图进行下采

池化操

【参考文献】：
期刊论文
[1]基于MRI的脑肿瘤分割技术研究进展[J]. 万俊,聂生东,王远军.  中国医学物理学杂志. 2013(04)

硕士论文
[1]基于Hough变换定位与遗传算法的脑肿瘤分割方法研究[D]. 孔媛媛.南昌航空大学 2018
[2]基于3D自适应模板匹配的脑肿瘤检测算法研究[D]. 王晓飞.上海理工大学 2015



本文编号：3539766