检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

用于MRI脑组织分割的自动模糊连接方法

中国生物医学工程学报 2006年第4期25卷 411-416页

作者：周永新白净清华大学生物医学工程系北京100084

本研究提出了一种自动化的模糊连接(fuzzy connectedness,FC)方法,用于3维核磁共振(MRI)图像脑组织分割。方法的主要创新在于提出了FC方法中各项参数的自动指定方法,包括:利用灰质、白质各自的体素尺度(scale)值大小差异,自动估计组织... 详细信息

本研究提出了一种自动化的模糊连接(fuzzy connectedness,FC)方法,用于3维核磁共振(MRI)图像脑组织分割。方法的主要创新在于提出了FC方法中各项参数的自动指定方法,包括:利用灰质、白质各自的体素尺度(scale)值大小差异,自动估计组织的灰度概率密度函数;根据估计得到的组织灰度概率密度函数,自动指定种子点。从而避免了人工干预,保证了分割过程的自动化和可重复性。所提方法在IBSR(the Intemet Brain SegmentationRepository)数据库所提供的MRI图像上进行了测试,并和同类研究进行了对比,分割精度优于同类研究。作为一种完全自动化的方法,该方法能够被广泛应用到3维可视化、放疗手术计划和医学数据库构造中。

关键词：模糊连接脑组织分割尺度核磁图像

维普期刊数据库

一种基于特征优化算法的磁共振脑组织分割方法

在线全文

学校读者我要写书评

暂无评论

中国生物医学工程学报 2009年第3期28卷 345-350页

作者：聂生东李泽辉陈兆学陈增爱许建荣上海理工大学医疗器械与食品学院上海200093 上海交通大学附属仁济医院放射科上海200127

结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法。首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;... 详细信息

结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法。首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;最后,把训练样本与待分类样本都映射到特征子集所张成的独立空间中,利用特征子集对支持向量机分类器进行训练并对脑组织进行分类。实验结果表明,采用本研究的分割方法可以获得比其他相关方法更好的脑组织分割结果。

关键词：支持向量机独立分量分析特征优化脑组织分割

维普期刊数据库

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

在线全文

学校读者我要写书评

暂无评论

中国生物医学工程学报 2008年第6期27卷 860-866页

作者：聂生东张英力陈兆学上海理工大学医疗器械与食品学院上海200093

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然... 详细信息

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。

关键词：磁共振图像自动阈值脑组织分割遗传模糊聚类算法

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度学习的CT图像脑组织分割

基于深度学习的CT图像脑组织分割

作者：王睿华中科技大学

学位级别：硕士

CT脑组织图像分割对脑出血、脑外伤和脑梗塞等疾病的诊断有重要的辅助作用,可以获取病理信息、分析脑组织大小,帮助医生制定脑部疾病的治疗方案。研究使用深度学习技术来自动分割CT脑组织,对脑疾病的诊断极其重要。由于临床CT数据中脑... 详细信息

CT脑组织图像分割对脑出血、脑外伤和脑梗塞等疾病的诊断有重要的辅助作用,可以获取病理信息、分析脑组织大小,帮助医生制定脑部疾病的治疗方案。研究使用深度学习技术来自动分割CT脑组织,对脑疾病的诊断极其重要。由于临床CT数据中脑组织区域并非在图像的中心,提出先定位后分割的总体思路。首先对CT图像中脑组织进行定位。通过深度学习技术得到脑组织的粗分割结果。以粗分割结果的重心作为感兴趣区域的中心位置,从而获得精准的定位信息。然后设计更适合分割CT脑组织的深度学习网络框架,对感兴趣区域进行精细的分割。提出在V-Net网络结构上添加批量标准化层(Batch Normalization,BN),提高模型的鲁棒性。然后结合注意力机制,在训练过程中动态调整通道的重要程度,提高网络对脑组织的识别能力。并提出使用新设计的损失函数,减少模型出现分割泄漏和分割不充分,从而提高模型的分割准确度。最后通过后处理,将标签数据映射到CT图像的原大小。实验数据表明,提出的深度学习方法在常用评价标准Dice系数(由Lee Raymond Dice命名的集合相似度度量函数)上达到了0.988。较其它用于CT脑组织分割方法,有了较大的提升,而且有较强的鲁棒性,能够准确地分割CT图像中的脑组织,有助于医生获取病理信息,辅助脑疾病的诊断。

关键词：脑组织分割 CT图像深度学习注意力机制感兴趣区域

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的磁共振脑组织分割算法的研究

基于神经网络的磁共振脑组织分割算法的研究

作者：李若渝武汉邮电科学研究院

学位级别：硕士

人类的脑组织结构极其精细,可以分为不同的区域,它们扮演着不同角色有着不同的功能,随着医学成像设备的进步和研究人员对人类大脑探索的不断深入,脑部的分割大致被分成三大层级:全脑组织的分割,脑部子结构的分割以及病理组织的分割和提... 详细信息

人类的脑组织结构极其精细,可以分为不同的区域,它们扮演着不同角色有着不同的功能,随着医学成像设备的进步和研究人员对人类大脑探索的不断深入,脑部的分割大致被分成三大层级:全脑组织的分割,脑部子结构的分割以及病理组织的分割和提取。基于磁共振成像(Magnetic Resonance Imaging,MRI)将脑组织分割为白质、灰质和脑脊液是一个长期的研究热点,关系到脑部疾病诊断、神经性病变的理解等难题。然而,在实际应用中,因为脑磁共振成像容易受到部分容积效应、外界噪声、偏移场等各种因素的影响,图像质量差、对比度低、边界模糊等因素使得目前的分割算法的性能严重下降。因此,科学的脑组织分割方法仍旧是医学影像分析处理领域的重点课题。本文提出了两种以神经网络理论为基础的脑组织分割方法。第一种基于多变换空间对脑磁共振影像进行重表达,将重表达结果输入到一个浅层神经网络做训练,最终利用训练好的网络进行分割预测。第二种是参照当今主流的深度学习语义分割方法,提出了一种新的人脑组织MRI三维图像分割框架。该框架由全卷积神经网络和长短期记忆网络两大部分组成,前者对MRI脑影像进行初步分割,后者对前者的分割结果做进一步优化。本文的工作主要包括以下几点:(1)对人脑MRI影像做多种变换。对每张影像做熵变换、拉普拉斯变换和伽柏变换,再结合原始灰度空间,得到一张影像的14个空间重表达结果。针对每个位置的像素将其特征表达为16维。(2)采用3D全卷积神经网络进行初始语义标注。搭建一个三维的全卷积神经网络(Full Convolution Neural Network,FCNN),对图像进行像素级别的分割。(3)使用双向长短期记忆网络细化语义标注。将网格格式的数据重新构造为序列格式,输入到一个双向的长短期记忆网络中,灵活地编码具有隐藏状态的上下文知识,从而增强局部预测,解决MRI影像弱边界和缺陷边界问题。(4)结果比对。通过将本文两种方法的分割结果与其它方法的实验结果进行对比,证实了本文所采用的脑磁共振三维影像分割框架的有效性。

关键词：脑组织分割磁共振影像多变换空间全卷积网络长短期记忆网络

基于深度学习的婴儿脑组织分割配准联合算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的婴儿脑组织分割配准联合算法研究

作者：付鹏飞郑州大学

学位级别：硕士

在行为与认知能力快速成长的婴儿阶段,伴随着大脑形态结构的快速发育,准确地将婴儿脑磁共振图像分割成不同的组织类型,对于研究早期婴儿大脑发育模式、相应的行为认知发育脑机理及脑疾病至关重要。由于婴儿脑图像采集时间受限、成像质... 详细信息

在行为与认知能力快速成长的婴儿阶段,伴随着大脑形态结构的快速发育,准确地将婴儿脑磁共振图像分割成不同的组织类型,对于研究早期婴儿大脑发育模式、相应的行为认知发育脑机理及脑疾病至关重要。由于婴儿脑图像采集时间受限、成像质量较差、标注对专业性要求高,大批量数据的手工标注需要耗费大量的时间和精力,且分割标准会存在不一致的情况,这些都对婴儿大脑的分割和配准方法提出了更高的要求。因此针对婴儿脑图像,本文对基于深度学习的分割算法、配准算法和分割配准联合算法进行了系统深入的研究和讨论,具体研究内容如下。(1)通过对基于DenseNet的婴儿脑组织分割算法的准确性和泛化性进行分析,确定综合性能最好的婴儿脑组织分割算法。由于婴儿时期脑组织成熟速度快,其磁共振图像即使在较短的时间范围内(如从新生儿到6个月左右婴儿)也会有很大的脑组织体积差异和不同的亮度对比度,这使得开发婴儿脑图像分割算法,并将其推广应用到包含不同年龄段或不同图像采集协议的多中心婴儿数据集上极具挑战性。研究表明,基于深度学习的方法在6-9个月大的等强度期(该时期婴儿大脑灰质与白质之间的亮度对比度差异极小)婴儿脑组织分割中取得了较好的结果。然而,很少有人研究这些方法是否可以推广应用到其他年龄段的婴儿数据,如新生儿脑图像。本文在iSeg-2017数据(6-9月龄)与UNC新生儿脑图像数据(UNCeo)上对最新性能较好的基于深度学习的婴儿脑组织分割算法进行了准确性和泛化性的探究。首先对训练与测试数据来自同一个数据集的分割结果进行比较,分析了不同分割算法的准确性;然后对比了训练与测试数据来自不同数据集的分割结果,以分析不同分割算法的泛化性能。实验结果表明HyperDenseNet方法综合性能最优。该实验充分考虑了基于深度学习的分割算法在不同采集点,不同成像参数以及不同年龄段数据上的性能,其结果对领域内婴幼儿脑组织分割算法的开发具有全面的指导意义。(2)通过对基于深度学习的分割和配准算法的分析,设计了新的基于深度学习的分割配准联合算法。图像分割和图像配准是高度关联的两个数据处理方法,将两个方法进行联合,配准模型能够为婴儿脑图像的分割模型提供拓扑信息,从而有助于提高分割网络的性能;同时分割结果精度的提高也使个体间脑图像配准更精确。所以分割配准联合算法能够更充分地发挥两部分算法功能的优势,使两部分结果都从中获益,从而形成鲁棒且准确的分割配准联合模型。但是当前基于深度学习的婴儿脑分割配准联合算法方面的应用研究较少,因此本文提出了新的基于深度学习的分割配准联合算法,其中的有监督分割模型和弱监督配准模型都能生成未标注数据的分割图预测结果,可以为彼此提供未标注数据的监督信息,从而实现在包含部分未标注数据的数据集上进行模型的训练。VoxelMorph是针对大脑图像配准应用最广泛的方法之一,考虑到弱监督VoxelMorph配准算法原本是用于成人脑图像配准,于是首先在UNC新生儿数据上对弱监督VoxelMorph配准模型进行超参数选择实验;之后将弱监督VoxelMorph配准模型与有监督HyperDenseNet分割模型进行联合,并在UNC新生儿脑图像数据上进行分割配准联合验证实验。通过对比发现,分割配准联合算法中分割图形变结果的Dice相似系数比单独的配准模型所得的结果提高1.5%,且分割配准联合算法所得分割结果的拓扑结构更准确。该项工作表明,该分割配准联合算法在医学图像分割与配准两个重要领域都显示出较好的性能,其算法框架可以推广到对图像分割与配准精度要求高、难度大且缺少金标准的其它应用中,例如胎儿大脑图像的分割与重建等。

关键词：婴儿脑磁共振图像脑组织分割脑图像配准分割配准联合算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

MRI脑组织分割及其三维可视化

MRI脑组织分割及其三维可视化

作者：张雨豪电子科技大学

学位级别：硕士

磁共振成像(Magnetic Resonance Imaging,MRI)技术适用于脑成像,精确的MRI脑组织分割对临床脑部疾病的研究与治疗具有重要的医学意义。高斯混合模型(Guassian Mixture Model,GMM)能有效描述MR图像中脑组织灰度分布的缓慢变化特性,是MRI... 详细信息

磁共振成像(Magnetic Resonance Imaging,MRI)技术适用于脑成像,精确的MRI脑组织分割对临床脑部疾病的研究与治疗具有重要的医学意义。高斯混合模型(Guassian Mixture Model,GMM)能有效描述MR图像中脑组织灰度分布的缓慢变化特性,是MRI脑组织分割中最常用的统计模型,但是GMM分割模型本身没有考虑空间信息,仅适用分割低噪声级别的清晰图像,实际应用中往往并非这种理想情况。通常在GMM分割模型中引入空间信息;或者摆脱GMM,直接对体素的空间关系建模来进行改进。隐Markov模型(Hidden Markov Model,HMM)考虑了邻域体素的空间相关性,可以同时对图像的统计特性和空间特性建模。但是目前基于HMM的分割算法大都使用全局固定参数,无法同时在抗噪声和细节保留上进行合理的选取。因此,本文的主要研究内容是针对GMM分割模型和HMM分割模型进行的改进,将空间信息引入到GMM分割模型;改进HMM分割模型的参数估计策略,具体研究内容如下:1、GMM分割模型中引入空间信息的方式主要有两种:组织概率图谱和空间邻域关系,本文首先重点分析了这两种方式的优势和不足。前者可以避免EM算法陷入局部最优解,保留图像细节;但是没有考虑邻域体素大概率属于同一组织类别这一事实,因此组织边缘处的分割结果不够准确。后者能提高算法的抗噪声能力,但是存在分割结果过于平滑和组织边缘细节信息丢失的问题。2、为了进一步提高算法的分割精度,改善分割效果,本文提出了一种结合组织概率图谱和空间邻域关系的脑组织分割算法:TPM-SVGMM算法。在局部空间邻域关系中加入组织结构先验约束,充分发挥两种空间信息的优势,抑制噪声的同时,保留边缘细节信息,提高组织分割精度。3、相比于GMM模型,HMM模型是空间依赖的。目前HMM分割模型大都采用全局固定参数,过大的参数在局部会出现过平滑,造成图像细节信息的丢失,过小的参数又会降低算法的抗噪声能力。针对这个问题,本文提出了一种局部参数自适应调节的脑组织分割算法:PAHMRF算法。实验表明该算法适用于分割含有高噪声的脑部MR图像,且具有保留更多图像细节信息的优点。4、最后本文通过三维可视化的方式来分析提出的脑组织分割算法;将分割得到的同一实验者的脑血管信息和脑组织信息进行三维融合显示。

关键词：脑组织分割 GMM HMRF 三维可视化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的脑组织分割与头模型重建研究

基于深度学习的脑组织分割与头模型重建研究

作者：高国辉天津工业大学

学位级别：硕士

经颅磁刺激(Transcranial Magnetic Stimulation,TMS)是一种非侵入性脑刺激技术,在神经和精神疾病的诊断治疗中拥有巨大的发展潜力。应用TMS治疗时,通常会根据患者的病因将线圈放置在一个固定的位置,对患者大脑解剖特征的差异考虑不周全... 详细信息

经颅磁刺激(Transcranial Magnetic Stimulation,TMS)是一种非侵入性脑刺激技术,在神经和精神疾病的诊断治疗中拥有巨大的发展潜力。应用TMS治疗时,通常会根据患者的病因将线圈放置在一个固定的位置,对患者大脑解剖特征的差异考虑不周全,导致不能达到最佳的刺激效果。为了得到更好地治疗效果,需要拥有患者个性化的头模型,再根据电场模拟情况找到最佳的刺激方案。头模型通常是通过磁共振图像分割成不同的脑组织生成的,脑组织的分割精度决定了头模型的重建效果。为了提升脑组织的分割精度,保证头模型重建效果,本文基于深度学习理论,提出了两种用于脑组织分割的网络模型,可以在数据量较小的情况下完成脑组织的自动分割,得到较高的分割精度。首先,本文提出了基于迁移学习的多尺度注意网络(Multi-scale Attention Network,MSAN)。由于医学图像的特殊性导致用于训练的样本数据较少,使网络容易产生过拟合,利用迁移学习解决了数据小样本的问题。构建多个子网络对多模态核磁共振图像进行特征提取,充分利用不同模态的互补信息。设计的多尺度融合模块能够获取输入数据的多尺度信息,融合特征图的高低感受野。使用CBAM注意力机制聚焦多尺度融合后的重要特征。在MRBrain S13挑战赛数据集上对网络进行实验验证。实验结果表明,白质、灰质、脑脊液三种组织的Dice评价指标为89.92%、86.64%,85.27%,HD评价指标为1.65、1.34、1.82,绝对体积差评价指标为6.52、5.46、6.52,在该挑战赛中排名第二位。其次,针对在MSAN中使用迁移学习导致该模型网络较大的问题,在MSAN的基础上提出了多尺度残差网络(Multi-scale Residual Networks,MSRN)。放弃迁移学习的方法以减少网络参数,使用数据量较多的MRBrain S18挑战赛数据训练网络。设计的多尺度残差模块能够获取和融合脑组织的多尺度特征,并且防止网络出现退化问题。在MRBrain S18上的实验结果表明,MSRN具有较强的分割性能,在MRBrain S18三分类挑战赛上排名第一位。最后,将分割好的脑组织数据导入到医学图像处理软件中进行头模型的三维重建。建立头模型的几何模型,并在几何模型的基础上进行网格的优化和体网格剖分,实现用于TMS仿真的个性化头模型重建。

关键词：脑组织分割卷积神经网络多尺度特征注意力机制头模型重建

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积神经网络的脑组织分割方法研究

基于深度卷积神经网络的脑组织分割方法研究

作者：葛波华中科技大学

学位级别：硕士

脑部磁共振(Magnetic Resonance,MR)图像常用于诊断脑部疾病。在临床上,医生通过分析脑MR图像中脑组织的大小、形状和位置来对脑疾病进行评估和制定医疗方案。由专家手工分割脑组织的工作量大、主观性强。因此,研究对MR图像脑组织自动... 详细信息

脑部磁共振(Magnetic Resonance,MR)图像常用于诊断脑部疾病。在临床上,医生通过分析脑MR图像中脑组织的大小、形状和位置来对脑疾病进行评估和制定医疗方案。由专家手工分割脑组织的工作量大、主观性强。因此,研究对MR图像脑组织自动分割具有极其重要的意义。采用了两种深度卷积神经网络来完成对脑组织的分割。在第一个网络结构中,提取了感兴趣体素周围的三维图像块和多尺度的正交的二维图像块作为网络的输入数据;网络的前几层采用了参数共享的方式,其中,通过相同方法提取到的三个正交的二维图像块共享着相同的网络参数,这不仅减少了网络参数,而且提高了网络模型的性能;在网络的中间层,添加了残差单元来保证网络可以达到更深,而不至于出现梯度消失问题。第二个网络结构是对第一个网络结构的改进,它在第一个网络结构的中间层添加了一个辅助分类器,来提高模型的性能。两个网络结构都是采用softmax分类器,它们学习每个体素的类别信息,在测试阶段,对每个脑组织中体素进行分类,从而完成对脑组织的分割。相对于传统的脑组织分割方法,这两种方法不需要对MR图像进行非刚性配准,也不需要手工提取图像特征。将这两种方法应用在MICCAI 2012竞赛的多图谱标签数据集上,实验结果表明,这两种深度卷积神经网络结构在脑组织分割上取得了较为理想的分割效果。

关键词：脑组织分割深度卷积神经网络深度学习残差单元辅助分类器