近年來(lái)腦科學(xué)的發(fā)展十分迅速,而對(duì)神經(jīng)血管單元的研究是阿爾茲海默癥和腦卒中等腦疾病研究的基礎(chǔ)。為了對(duì)神經(jīng)血管單元進(jìn)行深度了解,高精度成像技術(shù)十分有必要,而近期出現(xiàn)的CLARITY技術(shù)展現(xiàn)了其在探究大腦高精度空間結(jié)構(gòu)上的優(yōu)越表現(xiàn)。需要指出的是,CLARITY相關(guān)研究仍處于起步階段,尤其是在后期圖像處理上,迫切需要一個(gè)智能平臺(tái)以對(duì)神經(jīng)血管單元高精度圖像進(jìn)行處理。本研究針對(duì)神經(jīng)血管單元的高精度CLARITY圖像進(jìn)行了一系列處理方法的開(kāi)發(fā),并集成為一個(gè)平臺(tái)。具體來(lái)講,對(duì)經(jīng)CLARITY技術(shù)處理過(guò)的大鼠大腦進(jìn)行成像,基于Matlab實(shí)現(xiàn)針對(duì)大鼠大腦神經(jīng)血管單元的智能處理、量化和統(tǒng)計(jì)分析,最后利用Amira軟件對(duì)結(jié)果進(jìn)行三維可視呈現(xiàn)。對(duì)圖像數(shù)據(jù)的處理包括剪切、直方圖匹配、亮度調(diào)整、濾波、二值化、形態(tài)學(xué)操作、實(shí)際比例映射等,以及基于深度學(xué)習(xí)的圖像自動(dòng)分割。本研究開(kāi)發(fā)的圖像處理平臺(tái)通過(guò)實(shí)驗(yàn),驗(yàn)證了其準(zhǔn)確性和實(shí)用性。通過(guò)對(duì)實(shí)驗(yàn)組和對(duì)照組樣本圖像的分析比較,本研究發(fā)現(xiàn)小膠質(zhì)細(xì)胞空間密度隨深度的變化較為有限,而在雙側(cè)勁總動(dòng)脈結(jié)扎手術(shù)組中則有背離髓鞘的擴(kuò)散趨勢(shì)等。綜上所述,本研究開(kāi)發(fā)的平臺(tái)能有效針對(duì)基于CLAR...

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 概述
    1.1 神經(jīng)血管單元簡(jiǎn)介
    1.2 CLARITY處理技術(shù)
    1.3 醫(yī)學(xué)圖像處理技術(shù)
    1.4 醫(yī)學(xué)成像設(shè)備與軟件平臺(tái)
    1.5 論文創(chuàng)新性
    1.6 章節(jié)安排
第二章 傳統(tǒng)圖像處理算法的嘗試和改進(jìn)
    2.1 圖像預(yù)處理
        2.1.1 輸入圖片并剪切無(wú)用像素
        2.1.2 深度方向上的直方圖匹配算法
        2.1.3 平面方向上的亮度調(diào)整
        2.1.4 中值濾波
        2.1.5 大津二值化算法
        2.1.6 形態(tài)學(xué)操作
        2.1.7 實(shí)際比例映射
    2.2 球型質(zhì)心的計(jì)算
        2.2.1 洪水填充算法
        2.2.2 刪除小體積區(qū)域
        2.2.3 質(zhì)心計(jì)算
    2.3 長(zhǎng)管狀物體的中心線(xiàn)
        2.3.1 骨架化
        2.3.2 圖增強(qiáng)變形模型
        2.3.3 長(zhǎng)管狀物體直徑的計(jì)算
    2.4 柱形物體的處理
        2.4.1 配套圖片相減去噪
        2.4.2 邊緣檢測(cè)與Canny算法
        2.4.3 三維Canny算法提取柱形邊緣
    2.5 二維平面的分割計(jì)算
        2.5.1 隨機(jī)行走分割算法
        2.5.2 支持向量機(jī)
    2.6 界面設(shè)計(jì)
第三章 基于U-NET的分割算法
    3.1 深度學(xué)習(xí)
        3.1.1 監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)
        3.1.2 梯度下降法
        3.1.3 損失函數(shù)
        3.1.4 反向傳播算法
    3.2 正則化
        3.2.1 L2 正則化
        3.2.2 L1 正則化
        3.2.3 數(shù)據(jù)集增強(qiáng)
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積層
        3.3.2 池化層
        3.3.3 激活函數(shù)
    3.4 Tensorflow與 Keras
    3.5 語(yǔ)義分割和全卷積神經(jīng)網(wǎng)絡(luò)
        3.5.1 Normalized Cut
        3.5.2 Grab Cut
        3.5.3 全卷積神經(jīng)網(wǎng)絡(luò)
        3.5.4 全連接條件隨機(jī)場(chǎng)
        3.5.5 空洞卷積
    3.6 U-Net網(wǎng)絡(luò)簡(jiǎn)介
    3.7 結(jié)果展示
第四章 數(shù)據(jù)處理和分析
    4.1 動(dòng)物實(shí)驗(yàn)和數(shù)據(jù)獲取
        4.1.1 雙側(cè)頸動(dòng)脈閉塞
        4.1.2 缺氧狀態(tài)模擬和CLARITY
        4.1.3 成像設(shè)備
        4.1.4 數(shù)據(jù)格式
    4.2 使用平臺(tái)處理神經(jīng)血管單元
    4.3 定性分析
        4.3.1 神經(jīng)血管和小膠質(zhì)細(xì)胞的展示
        4.3.2 小膠質(zhì)細(xì)胞和髓鞘量化后的展示
        4.3.3 血管360 度旋轉(zhuǎn)的展示
    4.4 定量分析
        4.4.1 手工標(biāo)記與ITK snap
        4.4.2 神經(jīng)血管單元各組成部分的定量分析
        4.4.3 定量公式與統(tǒng)計(jì)標(biāo)準(zhǔn)
    4.5 算法準(zhǔn)確度的計(jì)量
    4.6 分析結(jié)論
        4.6.1 兩組結(jié)果顯示小膠質(zhì)細(xì)胞在深度方向上空間密度幾乎不變
        4.6.2 小膠質(zhì)細(xì)胞在雙側(cè)頸總動(dòng)脈結(jié)扎手術(shù)組中有遠(yuǎn)離現(xiàn)象
        4.6.3 神經(jīng)血管密度的變化
        4.6.4 小膠質(zhì)細(xì)胞質(zhì)心到神經(jīng)血管中心線(xiàn)的直方圖
        4.6.5 小膠質(zhì)細(xì)胞的組別密度變化
第五章 展望
    5.1 主要工作
    5.2 后續(xù)研究
    5.3 整體展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文



本文編號(hào)：3791663