本文關(guān)鍵詞：基于微分進(jìn)化算法的腦部阻抗成像技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：阻抗成像技術(shù)是一種基于生物內(nèi)部電阻抗分布的成像技術(shù),屬于無(wú)創(chuàng)生物檢測(cè)技術(shù)的重要分支。因其無(wú)創(chuàng)性和早期診斷的優(yōu)勢(shì)成為目前生物醫(yī)學(xué)領(lǐng)域的研究熱點(diǎn),其無(wú)損檢測(cè)在工業(yè)檢測(cè)和地質(zhì)探測(cè)方面也應(yīng)用廣泛。生物組織所具有的電學(xué)特征是生物組織器官、神經(jīng)活動(dòng)所產(chǎn)生的,是生物體的基本生理特征之一。不同組織的生理活動(dòng)和組織形態(tài)的差異相對(duì)明顯,電學(xué)特性也存在很大不同,根據(jù)這些電學(xué)現(xiàn)象,還原內(nèi)部生理性組織活動(dòng),判斷生物內(nèi)部組織器官的生理、病理狀態(tài),幫助人類了解生物各個(gè)組織器官的工作機(jī)制,為臨床診斷提供檢測(cè)依據(jù)。本文主要對(duì)電阻抗成像(Electrical Impedance Tomography,EIT)和磁共振電阻抗成像(Magnetic Resonance Electrical Impedance Tomography,MREIT)的逆問(wèn)題重構(gòu)算法進(jìn)行研究。此次研究的主要工作和研究?jī)?nèi)容如下:首先介紹醫(yī)學(xué)影像技術(shù)的發(fā)展歷程,闡述傳統(tǒng)醫(yī)學(xué)檢測(cè)技術(shù)的優(yōu)勢(shì)和面臨的問(wèn)題,對(duì)阻抗成像的發(fā)展機(jī)遇以及研究意義背景做出介紹。其次介紹ANSYS有限元分析軟件,闡明該有限元計(jì)算分析軟件的優(yōu)點(diǎn)及剖分準(zhǔn)則的選取,根據(jù)MRI掃描大腦內(nèi)部和邊界信息構(gòu)建真實(shí)模型。為驗(yàn)證算法的有效性降低仿真實(shí)驗(yàn)次數(shù),頭球模型先于真實(shí)模型驗(yàn)證算法。最后介紹EIT和MREIT的算法重構(gòu),算法重構(gòu)均采用啟發(fā)式微分進(jìn)化算法(Differential Evolution,DE),針對(duì)微分進(jìn)化算法在進(jìn)化后期進(jìn)化效率較低的現(xiàn)象,采取動(dòng)態(tài)調(diào)整控制參數(shù)模型的方法對(duì)算法進(jìn)行調(diào)整。本研究提出基于DE算法啟發(fā)式DE算法,該算法在EIT和MREIT仿真重構(gòu)中均表現(xiàn)出較好的結(jié)果。在MREIT重構(gòu)中僅利用單一方向的磁感應(yīng)強(qiáng)度數(shù)據(jù)重構(gòu)出頭球模型和真實(shí)模型的電導(dǎo)率分布,精確定位顱內(nèi)深層淺層病變組織,分辨率較EIT已有很大的提高。
【關(guān)鍵詞】：阻抗成像 腦部病變 有限元分析 電流激勵(lì) 磁感應(yīng)強(qiáng)度 啟發(fā)式微分進(jìn)化 電導(dǎo)率
【學(xué)位授予單位】：中國(guó)計(jì)量大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R318;TP18;TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-13
• 1 緒論13-22
• 1.1 研究背景及意義13-15
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀15-20
• 1.2.1 EIT研究現(xiàn)狀15-17
• 1.2.2 MREIT研究現(xiàn)狀17-20
• 1.3 章節(jié)安排20-22
• 2 有限元仿真模型22-27
• 2.1 ANSYS建模22-24
• 2.2 仿真模型建立24-26
• 2.3 病變組織模型26-27
• 3 基于線性調(diào)整策略DE算法的EIT重構(gòu)研究27-41
• 3.1 EIT成像原理27-32
• 3.2 EIT逆問(wèn)題求解32-33
• 3.3 EIT成像算法研究33-35
• 3.3.1 基本微分進(jìn)化算法33-34
• 3.3.2 啟發(fā)式微分進(jìn)化算法34-35
• 3.4 EIT三維仿真研究35-39
• 3.4.1 算法參數(shù)設(shè)置35-36
• 3.4.2 重構(gòu)結(jié)果分析36-39
• 3.5 本章小結(jié)39-41
• 4 基于不同參數(shù)策略DE算法的MREIT研究41-54
• 4.1 MREIT成像原理42-44
• 4.2 MREIT正問(wèn)題研究44-45
• 4.3 MREIT重構(gòu)仿真研究45-47
• 4.3.1 MREIT重構(gòu)算法45-46
• 4.3.2 MREIT圖像重建46-47
• 4.4 MREIT重構(gòu)算法改進(jìn)47-52
• 4.5 本章小結(jié)52-54
• 5 總結(jié)與展望54-56
• 5.1 工作總結(jié)54-55
• 5.2 展望55-56
• 參考文獻(xiàn)56-60
• 作者簡(jiǎn)介60

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 于鐵民;鄢東姝;;多目標(biāo)優(yōu)化的微分進(jìn)化算法[J];長(zhǎng)春大學(xué)學(xué)報(bào);2006年04期

2 趙文春;劉大明;周國(guó)華;;基于微分進(jìn)化算法的磁性目標(biāo)參數(shù)估計(jì)方法[J];艦船電子工程;2011年07期

3 彭春華;孫惠娟;郭劍峰;;求解PMU多目標(biāo)優(yōu)化配置問(wèn)題的非劣排序微分進(jìn)化算法[J];控制理論與應(yīng)用;2009年10期

4 李可維;李小謙;徐正喜;雷剛;;聯(lián)合緊支徑向基函數(shù)和微分進(jìn)化算法的電磁優(yōu)化方法[J];計(jì)算機(jī)工程與應(yīng)用;2013年22期

5 許童羽;孫艷輝;;基于GIS和改進(jìn)微分進(jìn)化算法的農(nóng)網(wǎng)變電站選址定容[J];電力系統(tǒng)保護(hù)與控制;2009年22期

6 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 黎杰;周猛軍;祝吾杰;胡麗媛;;基于自適應(yīng)微分進(jìn)化算法的供水調(diào)度優(yōu)化[A];2010中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2010年

2 趙光權(quán);彭喜元;;微分進(jìn)化算法參數(shù)效能的統(tǒng)計(jì)分析[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

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

1 趙光權(quán);基于貪婪策略的微分進(jìn)化算法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2007年

2 蘇海軍;量子衍生和禁忌微分進(jìn)化算法研究[D];上海交通大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 賈杰;微分進(jìn)化算法研究與仿真實(shí)現(xiàn)[D];大連理工大學(xué);2015年

2 夏兵;基于微分進(jìn)化算法的井下無(wú)線傳感器網(wǎng)絡(luò)布局優(yōu)化[D];吉林大學(xué);2016年

3 沈圣遠(yuǎn);基于微分進(jìn)化算法的腦部阻抗成像技術(shù)研究[D];中國(guó)計(jì)量大學(xué);2016年

4 鄢東姝;微分進(jìn)化算法的改進(jìn)與擴(kuò)展[D];吉林大學(xué);2009年

5 雷盛;微分進(jìn)化算法設(shè)計(jì)研究[D];廣東工業(yè)大學(xué);2013年

6 徐毅虎;基于地理信息和改進(jìn)微分進(jìn)化算法的變電站優(yōu)化規(guī)劃[D];華北電力大學(xué);2012年

7 于明;微分進(jìn)化算法及其在控制系統(tǒng)參數(shù)優(yōu)化中的應(yīng)用研究[D];華北電力大學(xué);2012年

8 祝吾杰;改進(jìn)的微分進(jìn)化算法及其在供水優(yōu)化調(diào)度中的應(yīng)用[D];合肥工業(yè)大學(xué);2012年

9 楊曉莉;一類偏微分方程反問(wèn)題的微分進(jìn)化算法研究[D];西安理工大學(xué);2010年

10 郝海燕;基于分片二維搜索的修正微分進(jìn)化算法[D];大連理工大學(xué);2006年

  本文關(guān)鍵詞：基于微分進(jìn)化算法的腦部阻抗成像技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：293247