本文關(guān)鍵詞：基于邊緣檢測(cè)和馬爾可夫隨機(jī)場(chǎng)的AD癥腦MRI分割方法研究

  更多相關(guān)文章： 核磁共振成像 邊緣檢測(cè) 馬爾可夫隨機(jī)場(chǎng) 阿爾茨海默病 DARTEL配準(zhǔn)方法

【摘要】：隨著醫(yī)學(xué)影像成像技術(shù)的發(fā)展和腦科學(xué)的崛起,核磁共振成像因其成像的多角度、多平面、分辨力高以及對(duì)人體沒(méi)有任何傷害等優(yōu)點(diǎn),在近年來(lái)的腦功能和腦疾病研究中有著越來(lái)越廣泛的應(yīng)用,通過(guò)腦組織分割來(lái)定位、研究和診斷大腦疾病則成為當(dāng)前研究的熱點(diǎn)問(wèn)題。而如何克服MRI成像過(guò)程中因掃描設(shè)備自身和磁場(chǎng)均勻性等客觀因素影響而存在的非均勻性偽影、噪聲以及部分容積效應(yīng)等圖像假象產(chǎn)物,則是當(dāng)今腦MRI圖像分割研究的重點(diǎn)�；贛RF的分割方法具有抗噪性強(qiáng)、參數(shù)少等特點(diǎn)以及穩(wěn)定可靠的結(jié)果,是使用最廣泛的現(xiàn)有腦部MRI圖像分割方法,吸引了越來(lái)越多的國(guó)內(nèi)外科研工作者的深入研究。通過(guò)對(duì)MRI理論知識(shí)的學(xué)習(xí),再結(jié)合MRI圖像特點(diǎn),本文將基于邊緣檢測(cè)的分割方法與基于MRF的分割方法相結(jié)合并進(jìn)行必要改進(jìn),采用DARTEL配準(zhǔn)方法,分割和配準(zhǔn)MRI圖像,并以阿爾茨海默病數(shù)據(jù)為例來(lái)驗(yàn)證本文方法的有效性。首先為了排除非組織成分對(duì)腦組織分割的影響,使用邊緣檢測(cè)方法對(duì)轉(zhuǎn)化為NIFTI格式的數(shù)據(jù)進(jìn)行非組織剔除,提取腦組織結(jié)構(gòu),而為了增加邊緣檢測(cè)的準(zhǔn)確率,引入形態(tài)學(xué)因子對(duì)結(jié)果進(jìn)一步優(yōu)化；其次,針對(duì)提取后的腦組織結(jié)構(gòu),使用改進(jìn)的MRF分割方法,將其分割為灰質(zhì)、白質(zhì)兩種組織類型；最后,為了進(jìn)行結(jié)果的分析對(duì)比,我們使用DARTEL配準(zhǔn)算法將所有被試圖像配準(zhǔn)到統(tǒng)一的模板。為了驗(yàn)證本文方法的有效性,我們將本文方法的分割結(jié)果與目前在腦MRI圖像領(lǐng)域應(yīng)用率最大、準(zhǔn)確度最好的VBM-SPM方法進(jìn)行比較,通過(guò)基于統(tǒng)計(jì)學(xué)和基于機(jī)器學(xué)習(xí)分類的方法對(duì)比,發(fā)現(xiàn)本文方法不管是在對(duì)病灶區(qū)的定位還是分類結(jié)果準(zhǔn)確率方面都有著更好的效果,說(shuō)明本文方法能夠有效的提高腦MRI的分割準(zhǔn)確度,同時(shí)對(duì)MRI的非均勻性偽影、噪聲以及部分容積效應(yīng)等圖像假象產(chǎn)物也不敏感,在分割結(jié)果方面擁有著良好的適應(yīng)性和較高的準(zhǔn)確率。
【關(guān)鍵詞】：核磁共振成像 邊緣檢測(cè) 馬爾可夫隨機(jī)場(chǎng) 阿爾茨海默病 DARTEL配準(zhǔn)方法
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R749.16;TP391.41
【目錄】：

• 摘要6-7
• Abstract7-11
• 第一章 緒論11-16
• 1.1 磁共振成像技術(shù)11-12
• 1.2 腦結(jié)構(gòu)磁共振研究意義及分割難點(diǎn)12-14
• 1.3 本文主要工作14-16
• 第二章 相關(guān)知識(shí)16-28
• 2.1 醫(yī)學(xué)圖像分割16-17
• 2.2 腦結(jié)構(gòu)磁共振分割方法17-21
• 2.2.1 基于閾值的分割方法17-18
• 2.2.2 基于區(qū)域的分割方法18
• 2.2.3 基于邊緣檢測(cè)的分割方法18-19
• 2.2.4 基于神經(jīng)網(wǎng)絡(luò)的分割方法19
• 2.2.5 基于模糊集理論的分割方法19-20
• 2.2.6 基于馬爾可夫隨機(jī)場(chǎng)的分割方法20-21
• 2.3 分割方法對(duì)比21-23
• 2.4 配準(zhǔn)基本知識(shí)23-27
• 2.4.1 配準(zhǔn)介紹23-24
• 2.4.2 配準(zhǔn)步驟24-27
• 2.5 本章小結(jié)27-28
• 第三章 腦MRI組織結(jié)構(gòu)提取28-36
• 3.1 MRI數(shù)據(jù)28-29
• 3.2 結(jié)構(gòu)提取流程29-33
• 3.2.1 頭動(dòng)矯正30
• 3.2.2 馬爾算子邊緣檢測(cè)30-33
• 3.2.3 形態(tài)學(xué)優(yōu)化33
• 3.2.4 組織結(jié)構(gòu)的提取33
• 3.3 結(jié)果及分析33-35
• 3.4 本章小結(jié)35-36
• 第四章 腦MRI組織結(jié)構(gòu)分割和配準(zhǔn)36-54
• 4.1 腦組織結(jié)構(gòu)分割36-46
• 4.1.1 VBM-SPM介紹36
• 4.1.2 腦組織分割流程36-37
• 4.1.3 分割算法實(shí)現(xiàn)37-42
• 4.1.4 模型參數(shù)估計(jì)和優(yōu)化42-45
• 4.1.5 圖像分割算法步驟45-46
• 4.2 灰質(zhì)和白質(zhì)結(jié)構(gòu)配準(zhǔn)46-48
• 4.2.1 配準(zhǔn)方法和流程46-47
• 4.2.2 DARTEL優(yōu)化47-48
• 4.3 結(jié)果及分析48-52
• 4.4 本章小結(jié)52-54
• 第五章 實(shí)驗(yàn)結(jié)果與分析54-63
• 5.1 實(shí)驗(yàn)說(shuō)明54
• 5.2 統(tǒng)計(jì)學(xué)分析方法54-60
• 5.2.1 體積計(jì)算55-56
• 5.2.2 雙樣本T檢驗(yàn)56-60
• 5.3 機(jī)器學(xué)習(xí)的分類方法60-62
• 5.4 實(shí)驗(yàn)總結(jié)62-63
• 第六章 總結(jié)和展望63-65
• 6.1 工作總結(jié)63-64
• 6.2 工作展望64-65
• 致謝65-66
• 參考文獻(xiàn)66-71
• 碩士期間發(fā)表的論文71

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 章毓晉;;中國(guó)圖像工程:2013[J];中國(guó)圖象圖形學(xué)報(bào);2014年05期

2 姜彬;施志剛;;圖像分割技術(shù)分析與展望[J];電腦知識(shí)與技術(shù);2009年35期

3 張石;董建威;佘黎煌;;醫(yī)學(xué)圖像分割算法的評(píng)價(jià)方法[J];中國(guó)圖象圖形學(xué)報(bào);2009年09期

4 王文輝;馮前進(jìn);陳武凡;;基于互信息熵差測(cè)度和Gauss-Markov隨機(jī)場(chǎng)模型的醫(yī)學(xué)圖像分割[J];計(jì)算機(jī)研究與發(fā)展;2009年03期

5 薛志東;隋衛(wèi)平;李利軍;;一種SVM與區(qū)域生長(zhǎng)相結(jié)合的圖像分割方法[J];計(jì)算機(jī)應(yīng)用;2007年02期

6 李俊生;;基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣提取方法[J];常州工學(xué)院學(xué)報(bào);2006年03期

7 王樹文,閆成新,張?zhí)煨?趙廣州;數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年32期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 鄭倩;醫(yī)學(xué)圖像分割方法研究及其應(yīng)用[D];南方醫(yī)科大學(xué);2014年

2 張娟;醫(yī)學(xué)圖像配準(zhǔn)中相似性測(cè)度的研究[D];南方醫(yī)科大學(xué);2014年

3 胡凱;基于馬爾可夫多特征隨機(jī)場(chǎng)模型的腦部MR圖像分割研究[D];湘潭大學(xué);2013年

4 王偉;醫(yī)學(xué)圖像非剛性配準(zhǔn)算法研究[D];大連理工大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 劉春燕;圖像分割評(píng)價(jià)方法研究[D];西安電子科技大學(xué);2011年

2 楊加臣;基于MAP-EM算法的醫(yī)學(xué)圖像分割技術(shù)研究[D];西安電子科技大學(xué);2010年

，

本文編號(hào)：969348