【摘要】：以高角分辨率彌散成像(High Angular Resolution Diffusion Imaging,HARDI)為典型的核磁共振成像技術(shù)已經(jīng)發(fā)展得比較成熟,給人類大腦白質(zhì)神經(jīng)纖維結(jié)構(gòu)的無(wú)創(chuàng)檢測(cè)帶來(lái)了良好的前景,但是此類方法通常會(huì)產(chǎn)生龐大且難以理解的纖維數(shù)據(jù)集,如何對(duì)這一纖維集合進(jìn)行準(zhǔn)確的可視分析是一直臨床研究中的一個(gè)重要問(wèn)題。腦神經(jīng)纖維聚類技術(shù)將結(jié)構(gòu)相似的纖維聚類成符合解剖學(xué)知識(shí)的纖維束,從而提升人對(duì)纖維結(jié)構(gòu)的感知,是腦纖維可視分析中的一種重要手段。由于經(jīng)典的聚類技術(shù)無(wú)法直接應(yīng)用于高維的腦纖維數(shù)據(jù),而基于神經(jīng)網(wǎng)絡(luò)的聚類方法存在對(duì)參數(shù)選擇敏感且計(jì)算量大的缺點(diǎn)。本文針對(duì)腦神經(jīng)纖維數(shù)據(jù)的結(jié)構(gòu)特點(diǎn)改進(jìn)腦纖維相似度測(cè)量算法,并提出一種基于快速密度峰值搜索的腦纖維聚類算法,針對(duì)整體時(shí)間復(fù)雜度過(guò)高的問(wèn)題提出一種基于連續(xù)聚類框架的腦纖維聚類算法。本文完成的主要工作和成果如下:(1)改進(jìn)腦神經(jīng)纖維相似度度量算法。針對(duì)現(xiàn)有腦纖維相似度測(cè)量算法沒(méi)有考慮纖維整體形態(tài)結(jié)構(gòu)間相似情況的問(wèn)題,本文引入動(dòng)態(tài)時(shí)間規(guī)整算法,通過(guò)將兩條纖維進(jìn)行拉伸和壓縮等操作使其整合成同一長(zhǎng)度,計(jì)算得到最短折疊路徑作為纖維相似度的依據(jù),并提出一種符合纖維形態(tài)結(jié)構(gòu)特征的纖維相似度計(jì)算方法;(2)基于快速密度峰值搜索對(duì)腦纖維聚類進(jìn)行優(yōu)化。由于現(xiàn)有的聚類算法主要是基于點(diǎn)數(shù)據(jù)設(shè)計(jì)而成,本文針對(duì)腦纖維束的空間分布結(jié)構(gòu)特點(diǎn),引入快速密度峰值搜索算法,采用隨機(jī)采樣的方式計(jì)算密度半徑,通過(guò)計(jì)算纖維的局部密度和最小距離,由用戶在決策圖中交互的選擇集群中心,實(shí)現(xiàn)腦纖維聚類。臨床數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,相較于成熟的DBSCAN算法,本方法可以更準(zhǔn)確地分析復(fù)雜的纖維結(jié)構(gòu)。(3)提出基于連續(xù)聚類框架的腦纖維聚類算法。針對(duì)現(xiàn)有的腦纖維聚類算法在纖維相似度計(jì)算過(guò)程中需要消耗大量計(jì)算時(shí)間的問(wèn)題,本文提出一種基于連續(xù)框架的腦纖維聚類算法,該方法通過(guò)參數(shù)模型表示纖維集群,以參數(shù)模型的形式代表集群中的所有纖維進(jìn)行纖維相似度計(jì)算,最終對(duì)所有參數(shù)模型進(jìn)行聚類。臨床數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明本方法在取到較好的聚類效果的同時(shí)能顯著減少整體聚類時(shí)間。最后,本文通過(guò)Qt構(gòu)建可視化平臺(tái),實(shí)現(xiàn)腦纖維聚類可視化原型系統(tǒng)以滿足用戶可視分析的需求。
【圖文】：

圖 2-1 余弦相似度算法對(duì)輸入空間給定的度量條件依賴性非常強(qiáng)，方法等算法，這些方法都需要給定合適度量來(lái)反這種情況在無(wú)監(jiān)督學(xué)習(xí)中尤為明顯。例如要識(shí)別法本身不知道要根據(jù)何種特征來(lái)計(jì)算相似度，如么使用者就需要為意圖提取的特征手動(dòng)構(gòu)建相應(yīng)的人工投入，對(duì)數(shù)據(jù)的改變魯棒性較差。由此研據(jù)不同人物來(lái)自主學(xué)習(xí)某個(gè)特定任務(wù)的特征函數(shù)習(xí)（metric learning）[35]是由 Eric Xing 在 NIPS 是盡可能降低同一類內(nèi)各數(shù)據(jù)元素間的距離，增類算法屬于半監(jiān)督學(xué)習(xí)，其核心在于用機(jī)器學(xué)習(xí)ervisedinformation）訓(xùn)練一個(gè)自定義的距離度量尺離更符合數(shù)據(jù)特征。這種方法需要構(gòu)建最小化損

H ∑ ( ) ( ) 的計(jì)算公式稍加改動(dòng)即為 K-L 散度的計(jì)算公式，設(shè)隨機(jī)變量——p(x)和 q(x)，則 K-L 散度定義為¤ ￥) ∑ ( )( ( ) ( )) ∑ ( ) ( ) ( ) 表 X 的第 i 個(gè)取值，如果變量是連續(xù)而非離散的，那么公式D(¤ ￥) ∫ ( ) ( ) ( ) x)和 q(x)不在表示概率分布，而是表示概率密度函數(shù)。 KL 散度從直觀上是個(gè)度量或距離函數(shù)，但它并不是一個(gè)真正因?yàn)槠洳痪邔?duì)稱性，，即D(¤ ￥) D(¤ ￥)，如圖 2-2 所示。
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;R338

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 魏_";尹化斌;孟凡華;林麗萍;;瘤周水腫區(qū)DTI在高級(jí)別膠質(zhì)瘤與轉(zhuǎn)移瘤鑒別診斷中的應(yīng)用[J];醫(yī)學(xué)影像學(xué)雜志;2015年10期

2 楊萬(wàn)群;黃飚;梁長(zhǎng)虹;劉新通;朱文珍;黎佩君;馮結(jié)映;;缺血性卒中患者顱內(nèi)動(dòng)脈硬化斑塊強(qiáng)化特征的高分辨MRI研究[J];中華放射學(xué)雜志;2014年06期

3 陳澤頡;曹辰杰;余舒揚(yáng);左麗君;扈楊;王方;張巍;;帕金森病伴發(fā)幻覺(jué)與非運(yùn)動(dòng)癥狀關(guān)系的研究[J];中華臨床醫(yī)師雜志(電子版);2013年15期

4 馮曉蒲;張鐵峰;;四種聚類方法之比較[J];微型機(jī)與應(yīng)用;2010年16期

5 梁艷梅;李長(zhǎng)勤;;MRI的彌散加權(quán)成像技術(shù)在骨骼病變中的應(yīng)用進(jìn)展[J];泰山醫(yī)學(xué)院學(xué)報(bào);2010年02期

6 周鐘珩;張碧云;黃海青;;DTI對(duì)急性腦梗死白質(zhì)纖維各向異性特征的初步研究[J];放射學(xué)實(shí)踐;2008年11期

7 曾依靈;許洪波;白碩;;改進(jìn)的OPTICS算法及其在文本聚類中的應(yīng)用[J];中文信息學(xué)報(bào);2008年01期

本文編號(hào)：2680172