本文關(guān)鍵詞：基于多圖譜的人腦MR圖像的分析與可視化

  更多相關(guān)文章： 人腦MRI 多圖譜 圖像分割 傳遞函數(shù) 臨床診斷

【摘要】：人的大腦是高度發(fā)達的器官,是支配和調(diào)節(jié)人的一切生理活動,包括思維、意識等高級活動的中樞。人的大腦內(nèi)部有眾多結(jié)構(gòu),研究這些結(jié)構(gòu)可為醫(yī)生在臨床診斷上提供重要的指導意義,國內(nèi)外也都十分重視腦科學的研究。核磁共振成像(Magnetic Resonance Imaging,MRI)以其非損傷性、非介入性、對軟組織的對比度較高等特點,在臨床醫(yī)學上起著越來越重要的作用。本文圍繞人腦MR圖像,使用多圖譜配準的方法研究了三個方面的內(nèi)容:人腦是非常復雜的軟組織,個體差異性較大,加上核磁共振技術(shù)帶來的磁場強度不均勻性、隨機噪聲、腦脊液搏動等因素的影響,使得腦部MR圖像的分割變得尤為困難�；趫D譜配準的分割方法利用了圖像的先驗知識,將已分割的模板圖像配準到待分割的目標圖像上,尋求模板圖像和目標圖像之間的變換參數(shù),利用變換參數(shù)將感興趣的結(jié)構(gòu)映射到目標圖像上,從而實現(xiàn)了目標圖像的分割。有時單個圖譜和目標差異性較大,很難得到理想的分割結(jié)果,本文使用多個圖譜和目標圖像配準,然后對每個分割結(jié)果進行融合,得到最終的分割結(jié)果。多圖譜配準方法的關(guān)鍵在融合策略的選擇上,本文提出了一種新的圖譜融合方法,該方法將圖譜和目標圖像在感興趣區(qū)域的相似性度作為圖像融合的權(quán)重,實驗證實了該方法的有效性。基于多圖譜配準的腦部結(jié)構(gòu)分割方法屬于二分判斷,在邊界曲面上很容易出錯,這樣分割出來的結(jié)果就不一定精確。體繪制技術(shù)可以模糊顯示結(jié)構(gòu)的邊界曲面。傳遞函數(shù)的設(shè)計一直都是體繪制技術(shù)中的難點。對于含有人腦這種復雜器官的MR圖像,設(shè)計合理的傳遞函數(shù)進行分類尤為困難�；诙鄨D譜配準原理,本文針對人腦MR圖像提出了一種新的設(shè)計傳遞函數(shù)的方法,將多圖譜配準融合后的概率值作為設(shè)計傳遞函數(shù)阻光度的依據(jù)。本文后又使用模糊C均值算法來改進基于多圖譜配準設(shè)計的傳遞函數(shù),實驗證明本文提出的方法可以有效地分類出人腦中感興趣的結(jié)構(gòu)。在臨床診斷中,判斷腦部是否存在病變區(qū)域以及進一步確定病灶區(qū)域歸屬的腦部結(jié)構(gòu)能為醫(yī)生診斷和治療提供更有用的信息。本文使用圖譜配準的方法分析多圖譜和目標圖像在感興趣區(qū)域的紋理特征差異,判斷腦部區(qū)域存在病變的可能性。在確定腦部病灶區(qū)域歸屬腦部結(jié)構(gòu)上,本文使用圖譜配準的方法將人工圈定的病灶區(qū)域映射到模板圖像上,根據(jù)模板圖像上的標號和腦部結(jié)構(gòu)的對應(yīng)關(guān)系確定病灶區(qū)域所屬的腦部結(jié)構(gòu)。本文后研究了ASL(Arterial Spin Labeling)和ECT(Emission Computed Tomography)兩種模態(tài)圖像的配準和融合技術(shù),這兩種圖像的融合圖像有助于臨床上診斷局部腦血流量,從而為診斷缺血性血管病提供了良好的依據(jù)。
【關(guān)鍵詞】：人腦MRI 多圖譜 圖像分割 傳遞函數(shù) 臨床診斷
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R445.2;TP391.41
【目錄】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 緒論13-22
• 1.1 課題的研究背景及意義13-14
• 1.2 人腦圖譜技術(shù)和圖像配準的研究14-18
• 1.2.1 人腦數(shù)字圖譜簡介14-16
• 1.2.2 醫(yī)學圖像配準研究16-18
• 1.3 本文完成的主要工作18-20
• 1.4 論文的章節(jié)安排20-22
• 第二章 基于多圖譜的感興趣人腦結(jié)構(gòu)的分割22-42
• 2.1 引言22-23
• 2.2 腦部MR圖像分割算法研究現(xiàn)狀23-24
• 2.3 單圖譜人腦結(jié)構(gòu)分割算法流程24-32
• 2.3.1 顱骨剔除24-25
• 2.3.2 圖像的全局配準25-27
• 2.3.3 圖像灰度預(yù)處理27-29
• 2.3.4 基于對稱Demons算法的局部配準29-31
• 2.3.5 整體算法流程圖31-32
• 2.4 多圖譜融合算法32-35
• 2.4.1 STAPLE融合算法33-34
• 2.4.2 一種新的圖譜加權(quán)融合算法34-35
• 2.5 實驗數(shù)據(jù)和結(jié)果討論35-41
• 2.5.1 實驗數(shù)據(jù)35-36
• 2.5.2 實驗結(jié)果與討論36-41
• 2.6 本章小結(jié)41-42
• 第三章 基于多圖譜人腦結(jié)構(gòu)體繪制傳遞函數(shù)的設(shè)計42-57
• 3.1 引言42-43
• 3.2 體繪制算法及傳遞函數(shù)技術(shù)研究現(xiàn)狀43-46
• 3.2.1 體繪制算法研究43-45
• 3.2.2 傳遞函數(shù)算法的研究45-46
• 3.3 基于多圖譜人腦結(jié)構(gòu)傳遞函數(shù)的設(shè)計46-48
• 3.4 基于模糊C均值傳遞函數(shù)的改進48-52
• 3.4.1 模糊C均值聚類算法48-50
• 3.4.2 基于模糊C均值的多圖譜傳遞函數(shù)設(shè)計50-52
• 3.5 實驗結(jié)果和討論52-56
• 3.5.1 基于多圖譜人腦結(jié)構(gòu)傳遞函數(shù)設(shè)計的實驗結(jié)果52-54
• 3.5.2 模糊C均值算法的改進實驗結(jié)果54-56
• 3.6 本章小結(jié)56-57
• 第四章 多圖譜在臨床診斷上的應(yīng)用57-75
• 4.1 引言57-58
• 4.2 基于多圖譜的腦部病灶區(qū)域檢測58-61
• 4.2.1 灰度共生矩陣58-59
• 4.2.2 灰度共生矩陣的特征參數(shù)59-60
• 4.2.3 基于多圖譜的腦部病灶區(qū)域紋理特征對比60-61
• 4.3 基于多圖譜的腦部病灶區(qū)域所屬結(jié)構(gòu)的定位61-66
• 4.3.1 三次樣條插值算法61-63
• 4.3.2 三維斷層插值63-66
• 4.3.3 基于多圖譜病灶區(qū)域所屬結(jié)構(gòu)的確定66
• 4.4 多模態(tài)腦部圖像在臨床診斷上的應(yīng)用66-71
• 4.4.1 ASL和ECT圖像簡介67-68
• 4.4.2 多模態(tài)圖像的互信息配準68-70
• 4.4.3 多模態(tài)圖像的融合70-71
• 4.5 實驗結(jié)果和討論71-74
• 4.5.1 腦部病灶區(qū)域檢測實驗結(jié)果71-73
• 4.5.2 腦部病灶區(qū)域歸屬結(jié)構(gòu)實驗結(jié)果73
• 4.5.3 ASL和ECT圖像配準融合實驗結(jié)果73-74
• 4.6 本章小結(jié)74-75
• 第五章 總結(jié)與展望75-77
• 5.1 論文工作總結(jié)75-76
• 5.2 展望76-77
• 參考文獻77-81
• 致謝81-82
• 攻讀學位期間發(fā)表的學術(shù)論文82

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 王榮福;李險峰;王強;;SPECT/CT的最新應(yīng)用進展[J];CT理論與應(yīng)用研究;2012年03期

2 尹學松,張謙,吳國華,潘志庚;四種體繪制算法的分析與評價[J];計算機工程與應(yīng)用;2004年16期

，

本文編號：1030909