本文關(guān)鍵詞：基于數(shù)據(jù)融合的GBM組織分離方法研究

  更多相關(guān)文章： 膠質(zhì)母細(xì)胞瘤 多模態(tài)數(shù)據(jù)融合 非負(fù)矩陣分解 核磁共振成像

【摘要】：膠質(zhì)母細(xì)胞瘤(Glioblastoma)即GBM,是膠質(zhì)細(xì)胞瘤病變程度最嚴(yán)重的形式,是最高等級的膠質(zhì)細(xì)胞瘤。核磁共振成像(Magnetic resonance imaging,MRI)和核磁共振譜成像(Magnetic resonance spectroscopic imaging,MRSI)是醫(yī)療診斷領(lǐng)域中特別是人腦腫瘤檢測中最主要最權(quán)威的檢測手段。然而單一的成像手段均無法對GBM的組織類型進(jìn)行有效的分離,通過數(shù)據(jù)融合的手段可以得到包括兩種數(shù)據(jù)特征的融合結(jié)果。針對MRSI波譜數(shù)據(jù)與MRI圖像數(shù)據(jù)的多模態(tài)數(shù)據(jù)融合問題,本文基于數(shù)據(jù)融合理論,利用非負(fù)矩陣分解理論和小波分析方法研究了一種非監(jiān)督的多模態(tài)數(shù)據(jù)GBM組織分離方法,主要工作和貢獻(xiàn)如下:1、研究了一種基于小波分解的多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合方法,將數(shù)據(jù)融合融入到hNMF(Hierarchical non-negative matrix factorization)的GBM識別框架中,提升了識別的準(zhǔn)確率。2、研究了了一種在hNMF多個層次分解中確定特征波譜的新的法則,針對GBM病例代謝特征不穩(wěn)定的現(xiàn)狀,對其MRSI數(shù)據(jù)實(shí)現(xiàn)了更加有效的分解,通過分解確立了正確的正常,腫瘤以及壞死組織的特征波譜,獲得了相應(yīng)組織類型的空間分布。3、采用峰值積分的方法對MRSI數(shù)據(jù)特征進(jìn)行提取,量化MRSI數(shù)據(jù)中關(guān)鍵的代謝成分,通過實(shí)驗(yàn)確定了所提取的代謝物及其范圍。峰值積分后的MRSI仍然可以有效對組織類型進(jìn)行分離,同時大大減少了非負(fù)矩陣分解的迭代運(yùn)算量。4、對融合結(jié)果研究了一種基于模糊c均值聚類的分割方法,確定了不同組織類型的具體邊界,獲得了最終的融合結(jié)果。利用該分割結(jié)果與專家標(biāo)記進(jìn)行了量化對比,證明了本文提出融合框架的有效性。
【關(guān)鍵詞】：膠質(zhì)母細(xì)胞瘤 多模態(tài)數(shù)據(jù)融合 非負(fù)矩陣分解 核磁共振成像
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP202;R739.41
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-17
• 1.1 研究工作的背景與意義9-13
• 1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢13-15
• 1.2.1 利用核磁共振進(jìn)行腦腫瘤識別的研究現(xiàn)狀13-14
• 1.2.2 數(shù)據(jù)融合的研究及發(fā)展現(xiàn)狀14-15
• 1.3 本論文的主要內(nèi)容及結(jié)構(gòu)安排15-17
• 第二章 NMF和HNMF算法研究17-27
• 2.1 引言17
• 2.2 NMF算法的基本原理17-20
• 2.2.1 乘性更新算法18-19
• 2.2.2 交替最小二乘法19
• 2.2.3 分層交替最小二乘法19-20
• 2.3 利用NMF算法對組織分類20-23
• 2.4 HNMF和GBM組織分類23-26
• 2.5 本章小結(jié)26-27
• 第三章 多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合原理27-38
• 3.1 多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合27
• 3.2 圖像融合的定義與原理27-30
• 3.2.1 圖像融合的結(jié)構(gòu)層次28-29
• 3.2.2 圖像融合的基本方法29-30
• 3.3 基于小波變換的圖形融合原理30-35
• 3.3.1 小波變換的基本概念31-33
• 3.3.2 小波融合的基本流程和常用規(guī)則33-35
• 3.4 多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合模型35-37
• 3.4.1 MRI和MRSI的尺度統(tǒng)一35-36
• 3.4.2 融合流程36-37
• 3.5 本章小結(jié)37-38
• 第四章 基于多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合的GBM組織分離方法38-50
• 4.1 引言38
• 4.2 HNMF的改進(jìn)38-41
• 4.3 峰值積分41-44
• 4.4 基于多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合的GBM組織分離模型44-47
• 4.4.1 融合模型44-45
• 4.4.2 融合規(guī)則45-47
• 4.5 融合結(jié)果的組織分離方法47-49
• 4.6 本章小結(jié)49-50
• 第五章 基于多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合的GBM組織分離方法實(shí)現(xiàn)50-63
• 5.1 引言50
• 5.2 數(shù)據(jù)的獲取與預(yù)處理50-51
• 5.3 實(shí)驗(yàn)結(jié)果51-56
• 5.4 結(jié)果驗(yàn)證與分析56-62
• 5.5 本章小結(jié)62-63
• 第六章 結(jié)論63-65
• 6.1 本文的主要工作63-64
• 6.2 下一步工作的展望64-65
• 致謝65-66
• 參考文獻(xiàn)66-70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 黃彩霞;陳家新;;基于小波系數(shù)區(qū)域相似度的醫(yī)學(xué)圖像融合[J];計(jì)算機(jī)應(yīng)用研究;2008年01期

2 苗啟廣;王寶樹;;基于改進(jìn)的拉普拉斯金字塔變換的圖像融合方法[J];光學(xué)學(xué)報(bào);2007年09期

3 毛士藝,趙巍;多傳感器圖像融合技術(shù)綜述[J];北京航空航天大學(xué)學(xué)報(bào);2002年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 李雨謙;基于數(shù)據(jù)融合的綜合識別方法研究[D];電子科技大學(xué);2013年

，

本文編號：1086795