基于脑PET/CT图像的癫痫自动检测方法研究

作     者：刘若楠 

作者单位：东北大学 

学位级别：硕士

导师姓名：姜慧研

授予年度：2017年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100204[医学-神经病学] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床] 

主      题：癫痫 张量 线性主成分分析 纹理特征 支持向量机 

摘      要：PET/CT图像是医生诊断癫痫的重要手段。然而,对于PET/CT图像上癫痫病灶的判别主要依靠临床医师对图像进行审查。这需要医生具有丰富的临床经验以及较高的专业水平,同时还要花费大量的阅片时间。因此,本文基于生物医学理论与计算机图像处理技术研究从脑PET/CT图像中自动检测癫痫的方法,对提高癫痫诊断的准确率和降低医生阅片时间具有重要的研究意义和应用价值!针对PET/CT图像独有的特点与癫痫发病的特征,本文对如何高效准确地自动检测图像上的癫痫病灶进行了深入的研究,创新性地提出了基于半脑对称度特征和张量子空间的癫痫病灶检测方法。该方法包括以下四部分:(1)计算全部脑PET图像中所有体素的SUV,并基于SUV建立三阶张量;(2)定义并提取半脑对称度特征,建立半脑对称度张量模型;(3)利用多线性主成分分析(MPCA)方法对半脑对称度张量模型进行特征选择;(4)基于支持向量机(SVM)分类器进行癫痫检测。为了进一步对脑癫痫病灶区域进行准确定位,本文对局部感兴趣区域(ROI)进行癫痫病灶检测的研究。首先对每个ROI基于灰度共生矩阵以及邻域灰度色调差异矩阵等提取多种纹理特征;其次通过SFFS+KNN的特征选择方法选择出最优特征组;最后基于本文提出的DT-KNN分类算法进行癫痫检测。针对以上算法,本文进行了实验验证和分析对比。在全脑PET图像癫痫检测的实验中,检测准确率明显高于其他传统癫痫检测方法。在局部ROI癫痫检测的实验中,本文提出的DT-KNN分类算法的分类准确率明显高于其他分类算法。最后本文进一步开发了癫痫自动检测的可视化软件,通过可视化的形式为临床医师提供帮助。