论文部分内容阅读
现代医学影像技术已经成为临床脑部疾病辅助诊断最重要的手段。在现有的医学成像技术中,核磁共振(MR)成像由于具有对人体没有电离辐射伤害,较高空间分辨率,可以对脑和神经系统等软组织进行高分辨的结构成像等特点,已经成为发现儿童脑部结构病变的首选临床方法。在婴幼儿健康检查和疾病诊断方面,需要将婴幼儿脑MR图像分割为白质、灰质和脑脊液三部分,这个过程的精准分割对于医生关于疾病的分析以及后续治疗方案的制定都是至关重要的。因此,本文对婴幼儿脑MR图像的2维和3维分割问题进行了深入研究和改进,具体研究工作及创新点如下:(1)针对自组织特征映射神经网络(SOM)的过分割问题,通过对搜索邻域方向的改进,及搜索方向评价指标的改进,在一定程度上缓解了过分割问题带来的影响。与遗传算法(GA)相结合有效降低特征维度,实现了 SOM神经网络自适应特征输入。同时结合粒子群(PSO)算法对熵/标准差阈值进行寻优,解决了依靠经验确定阈值的不足。本文最后提出的基于混合邻域的改进搜索方向,和最小标准差改进梯度熵来评价图像像素点灰度值离散程度的算法,显著的提高了婴幼儿脑MR图像分割的准确性和稳定性。(2)研究了深度学习算法中的卷积神经网络(CNN)算法。改进经典卷积神经网络单一灰度信息输入的缺陷,提出了基于GLCM的改进网络输入,使得CNN网络输入考虑了其他的局部特征,如共生和均值、能量等。根据婴幼儿脑MR图像的解剖学特点提出了三种不同的适合婴幼儿脑MR图像分割的网络结构,并对设计理由和网络参数做了详细的分析。实验结果表明,本文提出的3种CNN网络结构均能完成2D婴幼儿脑MR图像分割任务,同时明显提升分割准确率,特别是对于脑脊液(CSF)的分割,效果提升明显。(3)研究完成了 3D婴幼儿脑MR图像分割任务。综合考虑3D婴幼儿脑MR图像解剖学结构和3D卷积神经网络(CNN)的特点,提出了“三通道双阶段”的网络结构。实验结果表明,本文提出的“三通道双阶段”算法以及基于SOM神经网络的改进分类估计,可以实现多种婴幼儿脑MR图像分割任务,如脑组织分割、脑结构分割等。不仅提升了算法的准确率,增强了算法的鲁棒性,更增强了算法的灵活性。