海馬體是大腦組織的重要組成部分,是重要的邊緣神經(jīng)系統(tǒng),它的主要功能是進(jìn)行記憶、學(xué)習(xí)以及空間定位。許多神經(jīng)系統(tǒng)疾病,如顳葉癲癇、阿爾茨海默病、精神分裂癥及抑郁癥等,都與海馬體形態(tài)體積和功能的改變有關(guān)。磁共振圖像因?yàn)樗旧砭哂袑Ρ榷蓉S富、分辨率高以及三維腦組織信息等特點(diǎn),能夠?qū)崿F(xiàn)海馬體三維重建,是研究海馬體形態(tài)的重要數(shù)據(jù)。圖像配準(zhǔn)是海馬體分析的重要步驟,通常是將拍攝的海馬體圖像配準(zhǔn)到標(biāo)準(zhǔn)模板空間中,進(jìn)而實(shí)現(xiàn)對海馬體形態(tài)、灰度等信息的統(tǒng)計。然而,傳統(tǒng)的圖像配準(zhǔn)方法在解決圖像配準(zhǔn)問題時存在計算量大、耗費(fèi)時間長的問題。近年來,隨著深度學(xué)習(xí)的發(fā)展,端對端網(wǎng)絡(luò)的產(chǎn)生,為解決圖像配準(zhǔn)問題提供了新的思路。針對海馬體配準(zhǔn)的問題,本文提出了基于3D卷積神經(jīng)網(wǎng)絡(luò)的海馬體配準(zhǔn)模型,能夠非迭代的估計圖像之間的空間對應(yīng)關(guān)系,解決配準(zhǔn)算法中計算時間長的問題。該方法通過端對端的學(xué)習(xí),以傳統(tǒng)圖像配準(zhǔn)方法計算的形變訓(xùn)練深度學(xué)習(xí)模型,作為卷積神經(jīng)網(wǎng)絡(luò)的初始值,然后使用配準(zhǔn)方法中優(yōu)化形變使用的相似度矩陣進(jìn)一步優(yōu)化網(wǎng)絡(luò)的參數(shù)。本文的研究內(nèi)容主要包含以下幾個方面:（1）提出了基于3D卷積神經(jīng)網(wǎng)絡(luò)的海馬體配準(zhǔn)模型,并成功實(shí)現(xiàn)腦部海馬... 

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 海馬體介紹
        1.1.2 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
    1.2 國內(nèi)外研究現(xiàn)狀及分析
    1.3 論文主要研究內(nèi)容與創(chuàng)新點(diǎn)
        1.3.1 論文研究內(nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像配準(zhǔn)算法分析
    2.1 配準(zhǔn)的基本概念
        2.1.1 特征空間
        2.1.2 空間變換
        2.1.3 插值算法
    2.2 圖像配準(zhǔn)方法研究
        2.2.1 基于灰度的圖像配準(zhǔn)方法
        2.2.2 基于特征的圖像配準(zhǔn)方法
        2.2.3 基于學(xué)習(xí)的圖像配準(zhǔn)方法
        2.2.4 傳統(tǒng)圖像配準(zhǔn)方法中存在的不足
    2.3 醫(yī)學(xué)圖像配準(zhǔn)
    2.4 深度學(xué)習(xí)算法在醫(yī)學(xué)圖像配準(zhǔn)問題中的應(yīng)用
        2.4.1 有監(jiān)督的圖像配準(zhǔn)方法
        2.4.2 無監(jiān)督的圖像配準(zhǔn)方法
        2.4.3 雙重監(jiān)督的圖像配準(zhǔn)方法
    2.5 本章小結(jié)
第三章 基于3D卷積神經(jīng)網(wǎng)絡(luò)的MRI影像海馬體區(qū)域配準(zhǔn)模型
    3.1 MRI影像成像原理介紹
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的海馬體配準(zhǔn)模型
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 端到端學(xué)習(xí)
        3.2.3 相似度輔助學(xué)習(xí)
        3.2.4 形變場平滑
        3.2.5 雙重監(jiān)督學(xué)習(xí)
    3.3 實(shí)驗(yàn)和分析
        3.3.1 實(shí)驗(yàn)環(huán)境配置
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于3D卷積神經(jīng)網(wǎng)絡(luò)的大體積密集形變預(yù)測模型
    4.1 腦圖像配準(zhǔn)的意義
    4.2 腦圖像配準(zhǔn)模型分析
        4.2.1 基于Patch的方法
        4.2.2 全圖配準(zhǔn)方法
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)環(huán)境配置
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.3 實(shí)驗(yàn)結(jié)果
        4.3.4 結(jié)果分析
    4.4 本章小結(jié)
第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)圖像配準(zhǔn)模型
    5.1 分割導(dǎo)向的弱監(jiān)督圖像配準(zhǔn)模型(SR-Net)
        5.1.1 間隙填充層
        5.1.2 多尺度自動上下文結(jié)構(gòu)
        5.1.3 分割圖指導(dǎo)
        5.1.4 損失函數(shù)
    5.2 多光譜眼底圖像(MSI)成像原理
    5.3 實(shí)驗(yàn)與分析
        5.3.1 實(shí)驗(yàn)環(huán)境配置
        5.3.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.3 實(shí)驗(yàn)結(jié)果
    5.4 本章小結(jié)
第六章 總結(jié)和展望
    6.1 全文總結(jié)
    6.2 下一步的研究工作
參考文獻(xiàn)
攻讀碩士學(xué)位期間的主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]研究發(fā)現(xiàn)人成年后大腦海馬體不再產(chǎn)生新神經(jīng)元[J]. 郭琳.  海南醫(yī)學(xué). 2018(06)
[2]非電離輻射對海馬體的影響及研究方法進(jìn)展[J]. 李志強(qiáng),武慧欣,張媛,木云珍,賀宇,吳錫南.  中華放射醫(yī)學(xué)與防護(hù)雜志. 2018 (02)
[3]腦海馬體體積、形態(tài)的MRI檢測在抑郁癥中的價值[J]. 趙指亮,范大慶,唐玉峰,李小青,郭平,謝飛.  國際精神病學(xué)雜志. 2017(05)

碩士論文
[1]腦部MRI海馬體三維分割算法研究[D]. 潘紅.電子科技大學(xué) 2015
[2]基于多圖譜配準(zhǔn)的海馬體自動分割方法研究[D]. 胡昊.南方醫(yī)科大學(xué) 2014



本文編號：3694294