發(fā)布時間：2017-10-18 09:43

  本文關鍵詞：大腦圖像分析中若干問題的研究

  更多相關文章： 圖像分割 分類 圖像檢索 全基因組關聯(lián)研究

【摘要】：德國物理學家倫琴在1895年發(fā)現(xiàn)了X射線,并于1901年獲得了首屆諾貝爾物理學獎。Hounsfield和Cormack由于發(fā)明了CT成像技術,在1979年獲得了諾貝爾醫(yī)學和生理學獎。Lauterbur和Mansfied因發(fā)明了MR成像技術,于2003年獲得了諾貝爾醫(yī)學和生理學獎。100多年來,隨著醫(yī)學成像技術的不斷進步,產(chǎn)生了越來越多的醫(yī)學圖像,也使對醫(yī)學圖像的處理和分析逐漸成為國內外研究的熱點。醫(yī)學圖像分割是醫(yī)學圖像處理與分析領域中復雜而又關鍵的步驟,其目的是從醫(yī)學圖像中分割出具有某些特殊意義的部分,然后提取相關特征,為臨床治療和病理學研究提供可靠的依據(jù),從而輔助醫(yī)生作出更加準確的診斷。由于醫(yī)學圖像的復雜性,以及目前醫(yī)學成像技術上的特點,在分割過程中需要解決成像的不均勻性以及個體之間的差異性等一系列問題,使得醫(yī)學圖像的分割變得越加困難,所以一般用于自然圖像的分割方法難以直接應用到醫(yī)學圖像的分割,而且至今仍沒有一種通用的分割方法可以有效地應用到不同的醫(yī)學圖像分割任務中。基于上述原因,本文針對兩個具體的分割任務提出了兩種基于學習的分割方法：(1)提出了一種基于局部線性表達的分類(Locally Linear Representation-based Classification, LLRC)方法來實現(xiàn)腦組織區(qū)域的分割。腦組織分割是腦部圖像分析的一個重要預處理步驟。由于手工勾畫腦組織邊界十分費時,而且不同的人勾畫的邊界也存在一定的變化,因此,對半自動或全自動的腦組織區(qū)域的分割方法的研究日益廣泛。盡管許多研究者對腦組織分割進行了深入研究,但是,如何提高腦組織分割的精度仍然是一項極具挑戰(zhàn)的工作。這是因為腦部MRI圖像的復雜性,例如：解剖結構的變化以及采用不同序列,不同儀器掃描所導致的灰度值差異。許多現(xiàn)有的腦組織區(qū)域分割方法往往在面對不同的研究內容或者不同的群體時,需要作出一定的調整。針對以上提出的問題,設計一種可靠以及魯棒的腦組織分割方法,使其能在不同的腦部形態(tài),以及不同的成像序列中都能很好地完成分割任務是十分重要的。因此,本文提出了一種LLRC方法。本文通過把局部線性表達引入到傳統(tǒng)的分類模型中,從而得到一個新的分類框架。本文把標號融合方法看做是新分類框架下的一個特例,并通過該分類框架很好地解釋了標號融合方法的原理機制。由于訓練樣本量的龐大,本文采用尼均值聚類算法對全部訓練樣本進行聚類,從而得到一個能很好描述訓練樣本結構特點的字典,同時也減少了算法的計算量。由于在計算LLRC的融合權重時,局部性是十分重要的。因此,本文采用局部錨點嵌入方法(Local Anchor Embedding, LAE)來計算字典中每個元素的線性融合權重。此外,本文通過學習的方法得到字典中每個元素的最優(yōu)分類分數(shù)來獲取最后精確的分類結果。本文采用ICBM以及ADNI數(shù)據(jù)庫的70幅腦部MRI圖像以及對應的金標準作為訓練圖像訓練分類器,采用網(wǎng)上可供下載的IBSR1, IBSR2, LPBA40, ADNI3T四個數(shù)據(jù)集共241幅腦部MRI圖像作為測試集來評估LLRC方法的性能。實驗結果表明,本文提出的腦組織分割方法的精度要比當前一些比較常見的腦組織分割方法的精度高,例如：BET, BSE, ROBEX,以及GCUT等。(2)提出了一種基于局部獨立投影的分類(Local Independent Projectio-based Classification, LIPC)方法來實現(xiàn)腦部腫瘤的分割。腦部腫瘤分割是早期腫瘤診斷以及制定放射計劃中的重要步驟。由于手工勾畫腦腫瘤邊界十分費時,而且不同的人勾畫的邊界也存在一定的變化,因此,設計一種有效的半自動或全自動的腦腫瘤分割方法來解決上述問題是必須的。盡管許多研究者對腦部腫瘤分割進行了深入研究,但是,如何提高腦部腫瘤分割的精度仍然是一項極具挑戰(zhàn)的工作。這是因為在腦部腫瘤圖像中腫瘤經(jīng)常表現(xiàn)出復雜的特性,例如：腫瘤外觀變化的多樣性以及腫瘤邊界的模糊性。為了解決上述問題,本文提出了LIPC方法。本文假設不同類別的樣本落在不同的非線性子流形上,基于這種假設,LIPC方法把測試樣本獨立地投影到每個子流形上,然后用重建誤差來作為分類的測量標準。由于各類訓練樣本量的龐大,本文采用尼均值聚類算法分別對各類訓練樣本進行聚類,從而各個類別都可以得到一個能很好描述本類訓練樣本結構特點的字典,同時也減少了算法的計算量。在樣本投影到每個子流形上時,本文采用LAE方法計算各類字典中每個元素的權重,從而能通過局部性更好地利用各類字典元素來重建測試樣本。此外,本文通過采用softmax回歸模型來學習不同類別樣本的分布,進而提高分割的精度。本文分別采用仿真數(shù)據(jù)以及真實的腦部腫瘤圖像數(shù)據(jù)來評估LIPC方法的性能。在仿真數(shù)據(jù)中,LIPC的分類性能優(yōu)于SRC以及SVM方法。實驗結果表明,考慮不同類別樣本的分布情況能進一步提高腦部腫瘤的分割精度。在真實數(shù)據(jù)實驗中,本文采用80幅具有金標準的腦部腫瘤圖像作為訓練圖像訓練分類器,40幅沒有金標準的圖像作為測試圖像,測試圖像的分割結果采用網(wǎng)上在線評估系統(tǒng)進行評估,本文的方法對測試數(shù)據(jù)的腫瘤分割精度比一些常見的腦腫瘤分割方法的精度高。隨著醫(yī)學圖像數(shù)量的逐漸增加,如何在一個龐大的圖像數(shù)據(jù)庫中搜索到相關的圖像信息,輔助醫(yī)生進行分析和診斷是一個非常重要的問題。目前,構建基于內容的圖像檢索(content-based image retrieval, CBIR)系統(tǒng)是解決這個問題的一種比較有效的方法。在CBIR系統(tǒng)中,如何提取辨別力強的圖像特征以及如何定義圖像的相關性(測量不同圖像之間的“距離”)是構建CBIR系統(tǒng)的兩個關鍵問題。由于醫(yī)學圖像的多樣性和復雜性,一般的視覺特征,如：顏色(灰度),紋理,以及形狀特征,難以充分地描述圖像的語義內容,因此,需要研究更具辨別力的特征來更好地描述圖像內容。此外,視覺特征和圖像的語義內容存在語義鴻溝,直接使用視覺特征來計算圖像的相關性會降低檢索的性能。通過學習距離測度,并使用距離測度把圖像特征映射到新的距離測度空間,可以在一定程度上減小視覺特征和圖像的語義內容之間的差異,從而提高檢索性能。本文分別針對上述兩個構建CBIR系統(tǒng)中的關鍵問題,提出了相應的解決方法：(1)提出了一種劃分學習的方法來提取圖像特征。該劃分學習方法的主要思想是找到使每個子區(qū)域對應的特征差異最大的劃分方式。因此,通過學習的方法,把圖像中外觀變化比較大的區(qū)域劃分開來,同時使得每個劃分子區(qū)域的圖像內容趨于一致,從而增加圖像特征的辨別能力。本文針對劃分學習方法的主要思想提出一個新的目標函數(shù),同時通過一種優(yōu)化算法來求解該目標函數(shù),并且采用腦部腫瘤T1加權對比度增強MRI圖像來評估該方法的性能。實驗表明,采用了劃分學習方法的CBIR系統(tǒng)的檢索精度比采用空間金字塔方法的CBIR系統(tǒng)的檢索精度高。(2)提出了一種基于排序誤差的距離測度學習方法來減小高級語義內容和低級視覺特征之間的語義鴻溝。本文通過引入排序誤差作為目標函數(shù),使用隨機梯度下降的優(yōu)化方法來求解目標函數(shù)的最優(yōu)解,從而得到優(yōu)化后的距離測度。利用距離測度投影圖像特征到新的特征空間,進而減小圖像特征和圖像語義內容之間的差異。實驗表明,通過基于排序誤差的距離測度學習方法得到的距離測度能使CBIR系統(tǒng)的檢索精度維持在較高水平,同時優(yōu)于一些比較常見的距離測度方法,例如：歐式距離,CFML, LFDA,以及MPP等。隨著大批量的圖像基因研究的發(fā)展,研究者們經(jīng)常會通過大量的醫(yī)學圖像和基因數(shù)據(jù)來檢測遺傳性的神經(jīng)精神病學和神經(jīng)退行性疾病的誘發(fā)基因。了解基因和環(huán)境因素的作用機制是研究如何防止,診斷,以及治療神經(jīng)精神疾病方法的重要步驟。然而,由于測試的全基因組、相關信號所在的腦部位置、以及研究個體數(shù)目的龐大,因此,全基因組關聯(lián)研究(Genome Wide Association Study, GWAS)方法主要面臨著數(shù)據(jù)量龐大以及計算速度緩慢的問題。針對傳統(tǒng)GWAS方法中存在的問題,本文提出了一種快速的基于體素點的全基因組關聯(lián)研究方法(Fast Voxelwise Genome Wide Association Study, FVGWAS),該方法主要由以下三個部分組成：(1)構建了一個異方差的線性模型。該線性模型不需要假設研究個體對應的圖像數(shù)據(jù)之間存在均勻方差,而且該模型允許在圖像數(shù)據(jù)中存在一個大類的分布。由于個體之間以及圖像體素之間的變化十分重要,而且圖像數(shù)據(jù)的分布通常服從高斯分布,因此,異方差線性模型的性質對圖像分析十分重要。(2)基于全局Wald檢驗統(tǒng)計,提出一個有效的全局確立獨立篩選(global sure independence screen, GSIS)方法。GSIS能使搜索空間從NcNv下降到N0Nv,其中N0Nc,從而能大大地減少計算量。(3)使用wild-bootstrap方法來檢測可疑基因。由于wild-bootstrap方法不需要重復地分析合成數(shù)據(jù),因此,使用wild-bootstrap方法能減少計算量。此外,wild-bootstrap方法既不需要標準的排序方法中的完整可交換性,也不需要隨機場理論中的強假設,因此,wild-bootstrap方法更容易用于一般的應用中。本文通過仿真實驗以及真實數(shù)據(jù)的實驗來評估FVGWAS的性能,仿真實驗結果表明FVGWAS在很大的搜索空間中能有效地搜索稀疏的信號,同時能很好地控制誤差率判斷族。在包含708個個體,193,275個體素點的圖像數(shù)據(jù),以及501,584個基因數(shù)據(jù)上,FVGWAS在單個CPU上的運行時間為203,645秒。實驗表明,FVGWAS方法對于超高維分辨率的圖像和全基因數(shù)據(jù)下的大量圖像基因數(shù)據(jù)研究來說,可能是一種十分有價值的統(tǒng)計工具。
【關鍵詞】：圖像分割 分類 圖像檢索 全基因組關聯(lián)研究
【學位授予單位】：南方醫(yī)科大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要3-8
• ABSTRACT8-16
• 第一章 緒論16-23
• 1.1 引言16
• 1.2 臨床應用價值以及存在的問題16-18
• 1.3 作者的主要工作18-20
• 1.4 主要創(chuàng)新20
• 1.5 論文的組織20-21
• 參考文獻21-23
• 第二章 醫(yī)學圖像分割23-97
• 2.1 引言23
• 2.2 腦組織區(qū)域的分割23-60
• 2.3 腦部腫瘤分割60-87
• 參考文獻87-97
• 第三章 醫(yī)學圖像檢索97-128
• 3.1 引言97
• 3.2 背景97-100
• 3.3 圖像數(shù)據(jù)100-101
• 3.4 BoVW模型101-103
• 3.5 本文提出的方法103-113
• 3.6 實驗結果113-122
• 3.7 結論122-124
• 參考文獻124-128
• 第四章 基因與圖像數(shù)據(jù)的全基因組關聯(lián)研究128-160
• 4.1 引言128
• 4.2 背景128-130
• 4.3 方法130-139
• 4.4 仿真數(shù)據(jù)研究以及ADNI數(shù)據(jù)分析139-153
• 4.5 結論153-154
• 參考文獻154-160
• 第五章 總結與展望160-162
• 5.1 論文總結160-161
• 5.2 前景展望161-162
• 攻讀博士學位期間成果162-164
• 致謝164-166
• 統(tǒng)計學證明166

，

本文編號：1054186