本文選題：腦腫瘤分割 + 多模態(tài)MRI圖像��； 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：腦腫瘤分割是一種從灰質(zhì)、白質(zhì)和腦脊液等正常的腦組織中,分離水腫、活躍和腫瘤壞死組織等不同的腦腫瘤結(jié)構(gòu)的一種腦腫瘤輔助診斷技術(shù)。由于腫瘤在顱內(nèi)產(chǎn)生,只能通過非侵入式顯影方式(如:CT和MRI等)觀察腫瘤的情況。在這些影像中腫瘤結(jié)構(gòu)僅以灰度變化表征,不同設(shè)備不同條件獲得的顯影圖像也可能有所差別,使得傳統(tǒng)的圖像分割方法很難較好地處理腦腫瘤圖像的分割問題。隨著MRI成像技術(shù)的不斷成熟、多模態(tài)MRI圖像的逐漸普及以及機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展,腦腫瘤分割問題開始煥發(fā)新的活力。本文在這樣的背景下,以腦腫瘤分割為立足點(diǎn),以多模態(tài)MRI圖像為基礎(chǔ),以機(jī)器學(xué)習(xí)方法為工具,針對(duì)腦腫瘤分割問題展開了如下研究:1、從腦腫瘤分割技術(shù)的發(fā)展脈絡(luò)出發(fā),在回顧經(jīng)典方法的基礎(chǔ)上,針對(duì)MRI圖像本身的灰度不均勻的問題,利用多模態(tài)MRI圖像數(shù)據(jù)本身的顯影特異性,提出了一種針對(duì)多模態(tài)腦腫瘤分割的差分操作運(yùn)算。同時(shí),在多模態(tài)圖像差分信息的輔助下,實(shí)現(xiàn)了利用多模態(tài)信息定位腫瘤區(qū)域的方法,為獲得腦腫瘤的準(zhǔn)確分割提供了一定的保障。從而也為充分的利用多模態(tài)MRI圖像數(shù)據(jù)提供了一種可能的參考。在此基礎(chǔ)上,將基于自組織神經(jīng)網(wǎng)絡(luò)(SOM)和主動(dòng)輪廓模型(ACM)方法的自組織映射主動(dòng)輪廓模型(SOAC)引入到腦腫瘤分割問題中,構(gòu)造了基于多模態(tài)MRI圖像的混合自組織主動(dòng)輪廓模型(MSOAC)的腦腫瘤分割方法。以MRI數(shù)據(jù)預(yù)處理技術(shù)為先導(dǎo),結(jié)合多模態(tài)差分定位腫瘤區(qū)域,通過MRI的slices數(shù)據(jù)為基礎(chǔ)構(gòu)建了一種基于多模態(tài)MRI圖像的全自動(dòng)的腦腫瘤分割方法。2、結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)技術(shù),以多模態(tài)MRI圖像為依托,利用BRATS2015 training中3D MRI的slices數(shù)據(jù),通過對(duì)要描述的腫瘤區(qū)域、腫瘤的活躍區(qū)域和腫瘤核區(qū)域分別構(gòu)建反卷積子網(wǎng)絡(luò)的方法,進(jìn)行end-to-end的訓(xùn)練和參數(shù)調(diào)優(yōu),從而構(gòu)建起多路深度反卷積網(wǎng)絡(luò)模型。不同于以往在腦腫瘤分割中CNN采用的圖像塊訓(xùn)練的方法,這里直接利用slices訓(xùn)練,最后通過softmax預(yù)測每個(gè)像素的類別,得到pixel-wise的分割結(jié)果。
[Abstract]:Brain tumor segmentation is a technique for the diagnosis of brain tumors, which separates different brain tumor structures, such as edema, active and necrotic tissues, from normal brain tissues such as gray matter, white matter and cerebrospinal fluid. Because tumors occur in the brain, they can only be observed by non-invasive imaging (such as: Ct and MRI). In these images, the tumor structure is only represented by gray changes, and the development images obtained by different equipment and different conditions may also be different, which makes it difficult for traditional image segmentation methods to deal with the problem of brain tumor image segmentation. With the maturation of MRI imaging technology, the popularization of multimodal MRI images and the rapid development of machine learning technology, the segmentation of brain tumors begins to take on new vitality. In this context, this paper takes brain tumor segmentation as a foothold, based on multimodal MRI images, and uses machine learning method as a tool to study the problem of brain tumor segmentation as follows: 1, starting from the development of brain tumor segmentation technology. On the basis of reviewing the classical methods and aiming at the uneven grayscale of MRI images, a differential operation for multimodal brain tumor segmentation is proposed by using the development specificity of the multimodal MRI image data itself. At the same time, with the help of multi-modal image differential information, the method of using multi-mode information to locate tumor regions is realized, which provides a certain guarantee for accurate segmentation of brain tumors. It also provides a possible reference for making full use of multimodal MRI image data. On this basis, the self-organizing mapping active contour model (SOAC) based on the self-organizing neural network (SOM) and the active contour model (ACM) is introduced into the brain tumor segmentation problem. A new method of brain tumor segmentation based on multimodal MRI image is proposed, which is based on mixed self-organizing active contour model (MSOAC). Using MRI data preprocessing technology as the guide, combined with multi-modal differential localization of tumor region, Based on the slices data of MRI, an automatic segmentation method of brain tumor based on multimodal MRI image. 2. Combined with convolution neural network and deconvolution neural network technology, based on multimodal MRI image. Using the slices data of 3D MRI in BRATS2015 training, the deconvolution sub-network of the tumor region, the active region and the nuclear region of the tumor were constructed respectively to train and optimize the parameters of end-to-end. Thus the multichannel depth deconvolution network model is constructed. Different from the previous image block training method used by CNN in brain tumor segmentation, slices training is directly used here. Finally, the classification of each pixel is predicted by softmax, and the segmentation result of pixel-wise is obtained.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R739.41;R445.2;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 印弘,王小仲;氫質(zhì)子磁共振波譜在腦腫瘤研究中現(xiàn)狀[J];第四軍醫(yī)大學(xué)學(xué)報(bào);2000年10期

2 莊惠山,陸曦;12例腦腫瘤誤診分析[J];福建醫(yī)藥雜志;2000年02期

3 高尚社,谷彩萍,楊建宇;腦腫瘤21例誤診分析[J];河南實(shí)用神經(jīng)疾病雜志;2000年06期

4 張淑倩 ,N銉bauer-Huhmann I M ,Ba-Ssalamah A ,Mlynarik V;3T和1.5T磁場下腦腫瘤的磁共振對(duì)比增強(qiáng)[J];放射學(xué)實(shí)踐;2002年06期

5 張紅軍;長期使用手機(jī)不會(huì)發(fā)生腦腫瘤[J];日本醫(yī)學(xué)介紹;2004年01期

6 李景昀,羅文,何凱宣;用亞}0胞成分再產(chǎn)生腦腫瘤的研究(摘要)[J];廣東解剖通報(bào);1980年02期

7 翟允昌,孫守成,王世賓;額葉腦腫瘤引起奔跑癲癇一例[J];中華神經(jīng)外科雜志;1986年04期

8 袁先厚;鄒昌文;郭國炳;孫盛容;李健;;小兒腦腫瘤45例分析[J];實(shí)用腫瘤學(xué)雜志;1987年02期

9 袁先厚;鄒昌文;郭國炳;孫盛容;李健;;小兒腦腫瘤45例分析[J];實(shí)用腫瘤雜志;1987年02期

10 楊善存,陳錦培;小兒腦腫瘤的治療[J];實(shí)用兒科雜志;1991年06期

相關(guān)會(huì)議論文 前10條

1 鄭曄;金國宏;;綜述腦腫瘤~1H-MRS的研究進(jìn)展[A];第六屆西部介入放射學(xué)術(shù)會(huì)議寧夏醫(yī)學(xué)會(huì)放射學(xué)分會(huì)第四屆年會(huì)介入放射學(xué)新技術(shù)繼續(xù)教育學(xué)習(xí)班論文匯編[C];2009年

2 馬杰;;兒童腦腫瘤的外科治療[A];中華醫(yī)學(xué)會(huì)神經(jīng)外科學(xué)分會(huì)第九次學(xué)術(shù)會(huì)議論文匯編[C];2010年

3 張玉琪;薛超強(qiáng);;兒童腦腫瘤的治療進(jìn)展[A];中國醫(yī)師協(xié)會(huì)神經(jīng)外科醫(yī)師分會(huì)第六屆全國代表大會(huì)論文匯編[C];2011年

4 陳忠平;牟永告;潘力雄;張湘衡;;顯微神經(jīng)外科技術(shù)在腦腫瘤治療中的應(yīng)用(腫瘤外科手術(shù)錄象交流)[A];2001'全國腫瘤外科學(xué)術(shù)會(huì)議論文匯編[C];2001年

5 林章雅;康德智;余良宏;林元相;陳佳;曾明珠;;腦腫瘤立體定向活檢手術(shù)的臨床應(yīng)用[A];第一屆中國腫瘤靶向治療技術(shù)大會(huì)論文集[C];2003年

6 曹巧云;;小兒腦腫瘤3例報(bào)告[A];2006（第三屆）江浙滬兒科學(xué)術(shù)會(huì)議暨浙江省兒科學(xué)術(shù)年會(huì)論文匯編[C];2006年

7 葉勁;梁有明;鐘書;龐剛;唐秀文;藍(lán)勝勇;肖泉;劉若平;徐柯貝;;小兒惡性腦腫瘤的診斷與治療特點(diǎn)研究[A];中國醫(yī)師協(xié)會(huì)神經(jīng)外科醫(yī)師分會(huì)第四屆全國代表大會(huì)論文匯編[C];2009年

8 馬杰;;兒童腦腫瘤的外科治療[A];中華醫(yī)學(xué)會(huì)第八次全國小兒外科學(xué)術(shù)會(huì)論文集[C];2010年

9 姚振威;蔣勝洪;童彤;王非;楊艷梅;孫華平;劉含秋;何慧瑾;馮曉源;;磁敏感增強(qiáng)動(dòng)態(tài)磁共振掃描用于部分腦腫瘤的診斷[A];2006年華東六省一市暨浙江省放射學(xué)學(xué)術(shù)年會(huì)論文匯編[C];2006年

10 陳素錦;陳一霞;王占祥;譚國偉;郭劍峰;方耀春;劉希堯;;腦腫瘤住院患者心理狀況及影響因素[A];2011中華醫(yī)學(xué)會(huì)神經(jīng)外科學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2011年

相關(guān)重要報(bào)紙文章 前10條

1 天津市腫瘤醫(yī)院教授 李文良邋李運(yùn)紅 趙迎 整理;頭痛小心腦腫瘤[N];健康報(bào);2007年

2 朱麗麗;捕捉腦腫瘤早期信號(hào)[N];健康報(bào);2008年

3 李圣融;腦腫瘤忌含銅食物[N];中國醫(yī)藥報(bào);2000年

4 木易;怎樣早期發(fā)現(xiàn)腦腫瘤[N];大眾衛(wèi)生報(bào);2007年

5 趙華;老人顱內(nèi)有腫瘤 早期癥狀會(huì)露頭[N];衛(wèi)生與生活報(bào);2007年

6 西安第四軍醫(yī)大學(xué)第一附屬醫(yī)院西京醫(yī)院 賀曉生;腦腫瘤的十大異狀[N];保健時(shí)報(bào);2010年

7 李學(xué)華;豹蛙卵細(xì)胞分子能識(shí)別和殺死腦腫瘤[N];科技日?qǐng)?bào);2007年

8 主任醫(yī)師 趙成會(huì);怎樣早期發(fā)現(xiàn)腦腫瘤[N];衛(wèi)生與生活報(bào);2006年

9 空軍總醫(yī)院 張峰;腦腫瘤如何選擇檢查[N];健康報(bào);2001年

10 李文良;老年人患腦腫瘤有信號(hào)[N];健康報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 章殷希;癲癇相關(guān)腦腫瘤的臨床、影像與病理學(xué)研究[D];浙江大學(xué);2017年

2 劉貫中;磁共振彌散成像分?jǐn)?shù)微積分模型在兒童腦腫瘤中的臨床應(yīng)用[D];第二軍醫(yī)大學(xué);2012年

3 任文奇;組織血氧血流監(jiān)測和宮頸癌早期篩查中的多模態(tài)光學(xué)影像技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2017年

4 張金龍;基于血—腦腫瘤屏障干預(yù)的膠質(zhì)瘤治療效果及相關(guān)機(jī)制研究[D];第三軍醫(yī)大學(xué);2017年

5 程波;基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究[D];南京航空航天大學(xué);2015年

6 公方和;腦腫瘤及腦AVM相關(guān)性癲癇的發(fā)生因素分析及臨床防控[D];第一軍醫(yī)大學(xué);2006年

7 梁君;鈣激活性鉀通道在緩激肽選擇性開放血腦腫瘤屏障機(jī)制中的大鼠在體研究[D];中國醫(yī)科大學(xué);2006年

8 鄧萬凱;MRI圖像的腦腫瘤分割方法研究[D];華中科技大學(xué);2011年

9 洪汛寧;磁共振彌散成像技術(shù)在腦腫瘤中的應(yīng)用研究[D];復(fù)旦大學(xué);2003年

10 宋吉清;開放式MR導(dǎo)引腦腫瘤冷凍治療的初步探討[D];山東大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉瑞;基于多模態(tài)MRI圖像的腦腫瘤分割方法[D];電子科技大學(xué);2017年

2 羅蔓;結(jié)合MRI多模態(tài)信息與3D-CNNS特征提取的腦腫瘤分割研究[D];南方醫(yī)科大學(xué);2015年

3 侯學(xué)文;3D-ASL磁共振灌注技術(shù)在腦腫瘤的應(yīng)用研究[D];山西醫(yī)科大學(xué);2016年

4 黃唯;腦腫瘤MRI圖像分類與肝病理圖像分級(jí)方法研究[D];南方醫(yī)科大學(xué);2016年

5 黃若菡;腦腫瘤的計(jì)算機(jī)輔助檢測[D];電子科技大學(xué);2016年

6 王亞菲;基于多體素磁共振波譜的腦腫瘤自動(dòng)分類輔助診斷技術(shù)[D];東南大學(xué);2016年

7 任立超;MR圖像的腦腫瘤分割與分類方法研究[D];東北大學(xué);2013年

8 楊瑞雪;一種改進(jìn)的基于標(biāo)記的分水嶺方法在腦腫瘤MRI圖像分割上的應(yīng)用[D];山東中醫(yī)藥大學(xué);2016年

9 張雯;腦腫瘤圖像分割及三維重建方法研究[D];蘭州交通大學(xué);2016年

10 張朋;基于MRI的腦腫瘤圖像分割研究[D];浙江理工大學(xué);2017年

，

本文編號(hào)：1796952