【摘要】：腦疾病不僅危害患者的健康和生命,同時(shí)也給患者及其家庭、社會(huì)帶來沉重的經(jīng)濟(jì)負(fù)擔(dān)和巨大的精神壓力。而早診斷早治療是消除腦疾病危害的唯一途徑,神經(jīng)影像則是對(duì)腦疾病進(jìn)行早期診斷和治療的重要工具�；谟�(jì)算機(jī)科學(xué)的醫(yī)學(xué)圖像分析與處理技術(shù)已經(jīng)被廣泛應(yīng)用于腦圖像分析中。其中,稀疏學(xué)習(xí)技術(shù)由于能夠發(fā)現(xiàn)數(shù)據(jù)固有的內(nèi)在本質(zhì),已經(jīng)得到了廣泛的關(guān)注。腦圖像分析中的挑戰(zhàn)與難點(diǎn)問題之一在于如何學(xué)習(xí)及利用有效的特征,尤其是能夠全面反映大腦信息的結(jié)構(gòu)化特征,如多模態(tài)結(jié)構(gòu)和腦網(wǎng)絡(luò)結(jié)構(gòu)等。腦圖像分析一般包括數(shù)據(jù)采集、腦區(qū)分割、特征抽取、特征學(xué)習(xí)以及分類預(yù)測(cè)等步驟。本文依托稀疏學(xué)習(xí)技術(shù)針對(duì)腦圖像分析中的腦區(qū)分割和特征學(xué)習(xí)兩個(gè)部分,對(duì)結(jié)構(gòu)化特征表達(dá)開展研究工作。具體的研究工作和創(chuàng)新點(diǎn)如下:(1)為在腦區(qū)分割中充分利用圖譜圖像結(jié)構(gòu)特征具有的表達(dá)能力,提出一種基于層次稀疏表示的多圖譜分割方法(Hierarchical Sparse Representation,HSR)。該方法首先使用樹形結(jié)構(gòu)對(duì)不同圖譜圖像進(jìn)行字典(主字典和殘差字典)構(gòu)造,利用圖譜圖像塊結(jié)構(gòu)特征所具有的判別性,使構(gòu)造出來的字典具有緊湊高效的表達(dá)能力。進(jìn)一步,為剔除噪聲以及減少背景圖像塊對(duì)最終分割結(jié)果的影響,利用主字典聯(lián)合殘差字典對(duì)目標(biāo)圖像塊進(jìn)行共同稀疏重建,實(shí)現(xiàn)更細(xì)致地組織和刻畫。最終,當(dāng)?shù)玫阶顑?yōu)的稀疏重建系數(shù)后,使用重建殘差來確定目標(biāo)圖像塊所屬標(biāo)簽。在ADNI與PPMI數(shù)據(jù)集上分別對(duì)與阿爾茨海默癥有關(guān)的海馬體,與帕金森病有關(guān)的腦干和基底核等腦區(qū)進(jìn)行了分割實(shí)驗(yàn),驗(yàn)證了提出分割方法的有效性,同時(shí)也證明提升重構(gòu)字典的表達(dá)能力對(duì)稀疏重建具有重要的作用。(2)為在特征選擇中最大化地保持不同模態(tài)數(shù)據(jù)之間以及模態(tài)自身的類別結(jié)構(gòu)信息,充分挖掘多模態(tài)數(shù)據(jù)特征的判別能力,提出一種基于標(biāo)號(hào)對(duì)齊的多模態(tài)特征選擇方法(Label-aligned Multi-modality Feature Selection,LMFS)。該方法使用組稀疏化項(xiàng),確保具有判別能力的特征能被聯(lián)合地從多模態(tài)數(shù)據(jù)中選擇出來。其次,為了嵌入模態(tài)數(shù)據(jù)的類別結(jié)構(gòu)信息,在傳統(tǒng)的多模態(tài)特征選擇目標(biāo)函數(shù)中引入標(biāo)號(hào)對(duì)齊正則化項(xiàng)。在提出的算法基礎(chǔ)上使用加速近似梯度(Accelerated Proximal Gradient,APG)方法來優(yōu)化求解該問題。最后,使用多核支持向量機(jī)來融合所選擇的多模態(tài)數(shù)據(jù)特征以進(jìn)行最終的疾病診斷。提出的方法不僅能夠在ADNI數(shù)據(jù)集上找到對(duì)疾病敏感的生物標(biāo)志,并且在多組疾病分類中取得了較好的分類性能。(3)為在特征選擇中克服高維特征之間的相似性度量不準(zhǔn)確問題,提出自適應(yīng)近鄰學(xué)習(xí)策略,并以此為基礎(chǔ)提出一種基于自適應(yīng)近鄰學(xué)習(xí)的多模態(tài)特征選擇方法(Adaptive Similarity based Multi-modality Feature Selection,ASMFS)。傳統(tǒng)的引入數(shù)據(jù)結(jié)構(gòu)先驗(yàn)的特征選擇方法往往需要在學(xué)習(xí)特征之前已知或者給定樣本的結(jié)構(gòu)關(guān)系,如樣本兩兩之間的相似度,若給定的相似性度量不準(zhǔn)確則會(huì)影響后續(xù)任務(wù)的性能。針對(duì)這個(gè)問題,提出的方法在多模態(tài)特征選擇中,將樣本相似度與稀疏權(quán)重系數(shù)同時(shí)建模。進(jìn)而確保嵌入準(zhǔn)確的模態(tài)結(jié)構(gòu),并誘導(dǎo)出更具有判別能力的特征。此外為了更好的刻畫模態(tài)之間固有的相關(guān)性,假設(shè)所有模態(tài)數(shù)據(jù)共享同一個(gè)樣本相似度矩陣。最后,使用交替迭代優(yōu)化算法對(duì)提出的目標(biāo)問題進(jìn)行求解,并使用多核支持向量機(jī)對(duì)選擇后的特征進(jìn)行融合分類。在ADNI多模態(tài)數(shù)據(jù)集上與state-of-the-art方法進(jìn)行了對(duì)比實(shí)驗(yàn),驗(yàn)證了提出方法的有效性。(4)為在腦網(wǎng)絡(luò)特征學(xué)習(xí)中挖掘多個(gè)腦區(qū)之間高階結(jié)構(gòu)的關(guān)聯(lián)特性,提出一種基于直推式超圖學(xué)習(xí)的腦網(wǎng)絡(luò)選擇方法(Transductive Hypergraph Learning based Subnetwork Selection,THLSS)。當(dāng)前,基于腦網(wǎng)絡(luò)的工作大部分都集中在考察腦部感興趣區(qū)兩兩之間的關(guān)聯(lián)性方面,即二階關(guān)系,而忽略了更多腦區(qū)(例如三個(gè)腦區(qū))的關(guān)聯(lián)特性。更多的腦區(qū)可以構(gòu)成子網(wǎng)絡(luò),這種包含高階關(guān)系的子網(wǎng)絡(luò)也許能夠?qū)膊〉脑缙谠\斷提供指導(dǎo)。針對(duì)這個(gè)問題,通過引入超圖拉普拉斯正則化項(xiàng)和組稀疏約束進(jìn)行直推式學(xué)習(xí),對(duì)具有判別性的子網(wǎng)絡(luò)進(jìn)行挖掘,從而幫助尋找和發(fā)現(xiàn)有價(jià)值的生物標(biāo)志。使用支持向量機(jī)和支持張量機(jī)在ABIDE和ADHD200腦網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明使用提出的方法能夠發(fā)現(xiàn)與疾病相關(guān)的潛在子網(wǎng)絡(luò)連接,將其用于分類能夠獲得很好的診斷結(jié)果。
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：R741.044;TP391.41
【圖文】：

南京航空航天大學(xué)博士學(xué)位論文細(xì)，大大提高了醫(yī)生的診斷效率，避免了開顱等探查診斷的手術(shù)。由于人體有害的 X 射線和易引起過敏反應(yīng)的造影劑，因此對(duì)人體沒有損害各部位進(jìn)行多角度、多平面成像。其分辨力高，能更客觀更具體地顯示鄰關(guān)系，對(duì)病灶能更好地進(jìn)行定位定性。對(duì)全身各系統(tǒng)疾病的診斷，尤有很大的價(jià)值。例如在阿爾茨海默癥診斷中，通過使用結(jié)構(gòu)核磁共振成、杏仁核等關(guān)鍵腦區(qū)進(jìn)行體積、面積和線性測(cè)量確定大腦萎縮程度[2-的疾病情況提供精確指標(biāo)。圖 1.1 顯示結(jié)構(gòu)核磁共振成像的三個(gè)軸面 A示意圖。

1.1 MRI 圖像軸面（Axial）、矢狀面（Sagittal）和冠狀面（Coronal）示意20 世紀(jì) 70 年代被發(fā)明后，計(jì)算機(jī)斷層掃描成像在醫(yī)學(xué)影像中已經(jīng)成為一斷層掃描技術(shù)通過單一軸面的 X 射線旋轉(zhuǎn)照射人體，由于不同的組織對(duì)，可以使用計(jì)算機(jī)三維技術(shù)重建出斷層面影像。經(jīng)由窗寬、窗位處理，層影像。將斷層影像層層堆疊，即可形成立體影像。計(jì)算機(jī)斷層掃描技提供很高的空間分辨率（0.5 毫米），弱點(diǎn)是軟組織對(duì)比度差。計(jì)算機(jī)斷爾茨海默癥患者腦形態(tài)學(xué)改變的證據(jù)，例如發(fā)現(xiàn)腦皮質(zhì)明顯萎縮（額，大，大腦外側(cè)裂的增寬等。計(jì)算機(jī)斷層掃描成像對(duì)阿爾茨海默癥的診斷阿爾茨海默癥的臨床診斷，達(dá)到預(yù)測(cè)及早期診斷的目的。圖 1.2 顯示 C矢狀面（Sagittal）和冠狀面（Coronal）示意圖。

基于稀疏結(jié)構(gòu)特征學(xué)習(xí)的腦圖像分析及其應(yīng)用研究學(xué)功能成像的所有器官中，腦對(duì)能量的消耗是最大的。即使在安靜的狀態(tài)下，腦所速率也是其他組織的 10 倍。當(dāng)大腦特定腦區(qū)工作的時(shí)候，它需要的能蹤反映這些能量變化的生理參數(shù)，人們就能知道當(dāng)腦在從事某種作業(yè)或時(shí)，哪一部分腦區(qū)最興奮活躍或者工作努力。這就是正電子發(fā)射斷層掃成像的原理。發(fā)射斷層掃描使用半衰期很短的放射性標(biāo)記物如 18F-2-脫氧核糖、H21射性示蹤物在人體內(nèi)放出光子，計(jì)算機(jī)控制的閃爍探頭在腦部四周旋轉(zhuǎn)的動(dòng)態(tài)過程，計(jì)算腦內(nèi)葡萄糖等相關(guān)物的代謝率，可以觀察人腦認(rèn)知時(shí)率和氧消耗的變化等，由此檢測(cè)腦部生理代謝活動(dòng)與精神和心理活動(dòng)的海默癥患者來說，雖然很多情況下大腦結(jié)構(gòu)沒有發(fā)生形態(tài)學(xué)變化，實(shí)際功能異常。通過正電子發(fā)射斷層掃描檢測(cè)可以觀察顳頂葉和后扣帶回代癥早期診斷具有特異性[5]。圖 1.3 顯示 PET 圖像三個(gè)軸面的示意圖。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚遠(yuǎn);楊旭東;;溫度對(duì)化學(xué)平衡影響的圖像分析[J];中學(xué)化學(xué)教學(xué)參考;2016年22期

2 ;2016年圖像分析分會(huì)年會(huì)在西北工業(yè)大學(xué)召開[J];中國(guó)體視學(xué)與圖像分析;2016年04期

3 劉銘;曾靜萍;劉佩利;;智能交通應(yīng)在智慧城市扮演急先鋒角色[J];市場(chǎng)觀察;2016年11期

4 房艷萍;劉逸云;唐輝;錢琳媛;;基于圖像分析的水果成熟度檢測(cè)[J];飲食科學(xué);2017年06期

5 李軍;;《可視的藝術(shù)史:從教堂到博物館》[J];收藏與投資;2016年06期

6 陳躍,楊建茹;醫(yī)學(xué)圖像分析實(shí)驗(yàn)教學(xué)改革的研究與實(shí)踐[J];醫(yī)學(xué)教育;2004年03期

7 蔣家康,李紹剛;核仁組成區(qū)圖像分析參數(shù)選擇及其應(yīng)用價(jià)值[J];臨床與實(shí)驗(yàn)病理學(xué)雜志;2001年03期

8 劉榮勛,史曉東,吳祥芝,徐靜年;變形物體像的三維再現(xiàn)[J];北京化工學(xué)院學(xué)報(bào)(自然科學(xué)版);1988年03期

9 植起漢;《多源地學(xué)數(shù)據(jù)微機(jī)圖像分析》培訓(xùn)班在桂林舉行[J];礦產(chǎn)與地質(zhì);1989年03期

10 張德強(qiáng);董英杰;白瑞祥;李東偉;宋明鋒;;中度鹵水提溴生產(chǎn)實(shí)現(xiàn)自動(dòng)化[J];中國(guó)鹽業(yè);2014年18期

相關(guān)會(huì)議論文 前10條

1 劉國(guó)權(quán);;體視學(xué)與圖像分析基本原理及若干應(yīng)用問題之討論[A];第九屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2001年

2 羅永剛;;醫(yī)學(xué)圖像分析的未來趨勢(shì)[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（二）[C];2005年

3 Roscoe Atkinson;;法醫(yī)學(xué)與病理學(xué)中圖像分析及病理信息學(xué)的潛能[A];法庭科學(xué)最新技術(shù)研討培訓(xùn)班專家講課提綱[C];2006年

4 王曉民;胡文華;;生物醫(yī)學(xué)圖像分析視頻采集設(shè)備的發(fā)展概況[A];第九屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2001年

5 金帆;夏愛國(guó);楊帥;金震宇;黃亞佳;;基于圖像分析的自適應(yīng)顯微表征技術(shù)[A];中國(guó)化學(xué)會(huì)2017全國(guó)高分子學(xué)術(shù)論文報(bào)告會(huì)摘要集——主題D：高分子物理化學(xué)[C];2017年

6 李遠(yuǎn)寧;寧柏鋒;董召杰;;電網(wǎng)機(jī)巡圖像分析框架與深度學(xué)習(xí)方法[A];生態(tài)互聯(lián) 數(shù)字電力——2019電力行業(yè)信息化年會(huì)論文集[C];2019年

7 李l勆

本文編號(hào)：2799338