【摘要】：在神經(jīng)影像的應(yīng)用中,對MRI數(shù)據(jù)進行腦組織提取一直是至關(guān)重要的一步。因此,腦組織提取的正確性和魯棒性在整個大腦分析處理的過程中也就很重要,它將直接影響后續(xù)的圖像處理操作。腦組織提取分為人工和自動提取兩種,人工提取的方法精度高,但是費時費力,并且要求專業(yè)的技能,同時受到操作者主觀性影響。自動提取的方法操作簡單,并且能夠達到一定的精確度和穩(wěn)定性,因此對腦組織自動提取方法的研究已經(jīng)成為主流。本文介紹了卷積神經(jīng)網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò),隨后提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的腦組織自動提取方法,并且針對初步提取結(jié)果邊界不精細以及誤分等問題,提出了使用CNN的滑動窗口對邊界周圍像素點再分類的方法。課題選擇使用SegNet網(wǎng)絡(luò)來做腦組織的預(yù)提取工作,這使得腦組織提取的效率有了很大地提高。本論文的主要工作包括:(1)在對當(dāng)前已有的腦組織提取算法分析的基礎(chǔ)上,指出使用CNN做腦組織圖像分割的不足,引入全卷積神經(jīng)網(wǎng)絡(luò)的方法。(2)提出基于全卷積神經(jīng)網(wǎng)絡(luò)SegNet的腦組織提取方法,并且針對預(yù)分割的結(jié)果邊界不夠精細、誤分等問題提出了引入邊界先驗知識的提取方法和結(jié)合LeNet-5進行二次分類的方法,取得了較好的優(yōu)化效果。(3)在真實數(shù)據(jù)集上進行了算法測試與分析,實驗結(jié)果表明本文提出的解決方案是有效的。課題分別使用三個公開數(shù)據(jù)(OASIS、IBSR和LPBA40)來驗證本文提出的方法的有效性,對于OASIS數(shù)據(jù)集,本文提出的方法在各個方面都取得了最好的結(jié)果,平均戴斯系數(shù)為98.29%。在另外兩個數(shù)據(jù)集上,雖然戴斯系數(shù)要比其他作者使用的深度學(xué)習(xí)方法低一些,但是在特異性和靈敏度上并不比他們的結(jié)果差,在IBSR數(shù)據(jù)集上特異性和靈敏度分別為94.57%和99.79%,在LPBA40數(shù)據(jù)集上特異性和靈敏度分別為98.62%和99.31%,并且在IBSR數(shù)據(jù)集上取得的mIoU(mean Intersection over Union)是最高的。因為SegNet網(wǎng)絡(luò)本身的特性使得該方法在時間性能上優(yōu)于其他作者提出的應(yīng)用于腦組織提取的3D神經(jīng)網(wǎng)絡(luò)。最后的實驗結(jié)果表明該方法的分割結(jié)果良好,證明該方法對大規(guī)模數(shù)據(jù)研究和臨床試驗是有用的。
【圖文】：

圖 1-1 MR 顱腦圖像的影像特征區(qū)域的提取方法主要是用分類法或者灰度閾值分割法把腦組織圖像分成多個不同的區(qū)域，然后把有相全相同的區(qū)域認作是相同的組織，最后使用形態(tài)學(xué)操作或者區(qū)域合并的方法對 MRI 腦織的提取。雖然這一類方法的速度相對較快，并且計算簡單，但是這類方法受到圖像因素的影響，導(dǎo)致此類方法對閾值的選擇特別敏感。基于區(qū)域的提取方法主要包括聚、圖割（graph-cuts）法[12][13]、形態(tài)學(xué)方法[14][15]等。[16]等人使用基于高斯混合模型的分類方法，通過估計圖像的閾值，提出了一種三維腦組該方法具有層次性，并且制作了一個大腦 MRI 圖像分析軟件；Lemieux[17]等人使用自學(xué)操作相結(jié)合的方法來提取腦組織，這個算法可提供多個閾值，而且要不斷地進行交參數(shù)會跟著圖像的變化做出相應(yīng)的變化；Hahn[18]等人采用形態(tài)學(xué)操作和改進的三維快類算法相結(jié)合的方法來提取腦組織；Gambino[19]等人提出了一種使用模糊 c-means（fuz分割和形態(tài)學(xué)操作的方法，在二維圖像上提取腦組織。然后將該方法延伸到三維上。邊界的提取方法

東南大學(xué)碩士學(xué)位論文2 所示：S( x) f (t ) g ( x t )dt 在圖像處理中，我們使用的是二維的，如果把一張二維的圖像 I 作為輸入，使用一個二卷積公式如公式 2.3 所示：S(i,j) = (I * K)(i,j) = ( , ) ( , )m n I m n K i m j n如圖 2-3 所示，圖中的輸入是一個二維的 3x4 的矩陣，而卷積核是一個 2x2 的矩陣。這是一次移動一個像素來卷積的，那么首先對輸入的左上角 2x2 局部和卷積核卷積，即各素相乘再相加，得到的輸出矩陣 S 的 S00的元素，值為 a*w + b*x + e*y + f*z。然后在將向右平移一個像素，現(xiàn)在是 b, c, f, g 四個元素構(gòu)成的矩陣和卷積核來卷積，這樣得到了 的 S01的元素，同樣的方法，可以得到輸出矩陣 S 的 S02，，S10，S11，S12的元素。最終就積輸出的一個 2x3 的矩陣 S。
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R318;TP391.41;TP183

【參考文獻】

相關(guān)期刊論文 前4條

1 楊素華;陳瓊;羅艷芬;;基于Graph-Cuts的腦部MRI圖像腦組織提取方法[J];中國生物醫(yī)學(xué)工程學(xué)報;2014年05期

2 侯宏花;桂志國;;基于數(shù)學(xué)形態(tài)學(xué)人腦MR圖像感興趣區(qū)域的提取[J];中國組織工程研究與臨床康復(fù);2010年13期

3 鄭小林;李敏;羅洪艷;張紹祥;譚立文;;基于數(shù)學(xué)形態(tài)學(xué)的新方法在腦組織分割中的應(yīng)用[J];儀器儀表學(xué)報;2010年02期

4 王華峰,陳武凡;基于數(shù)學(xué)形態(tài)學(xué)的腦組織圖像自動分割[J];第一軍醫(yī)大學(xué)學(xué)報;2004年07期

相關(guān)碩士學(xué)位論文 前1條

1 車娜;基于局部模糊聚類的腦組織核磁共振圖像分割方法[D];東北師范大學(xué);2008年

本文編號：2612939