论文部分内容阅读
医学图像中病变的分割和随后的定量评估为神经病理学分析提供有价值的的信息,能够对治疗方法的优先规划,病理性的检测和预后具有重大意义。脑白质异常高信号(White matter Hyperintensities,WMH)是在T2加权磁共振图像(Magnetic Imaging Resonance,MRI)上表现高于正常组织水平的脑区域,白质异常高信号的空间分布和体积与小血管病息息相关。白质高信号的强度和空间的位置可能与老年人认知功能下降的发展有关。有研究表明,白质异常高信号的出现甚至是阿尔兹海默病(Alzheimer’s Disease,AD)的重要疾病标志物之一。白质异常高信号在脑区域中出现的位置、大小、形状具有不确定性,因此设计有效的分割模型非常困难,在临床实践中,精确的白质异常高信号的分割主要通过专家的手动刻画,这种方法繁琐、费时,并且引入了观察者的变异性。另外为了确定特定区域是否是病变的一部分,需要考虑具有不同对比度的多个脑图像模态序列,并受到专家的水平限制,因此精确的自动分割算法开发已成为医学图像计算的研究重点。基于此,本文提出利用多模态磁共振图像在基于改进的神经网络U-net网络模型上实现精确可靠的白质异常高信号靶点分割。在常规临床实践中,白质高信号常发现在阿尔兹海默病、神经系统退行和正常衰老的人脑中。目前用于评估白质高信号的视觉评定量表是Fazekas量表,Fazekas仅能够近似的粗略估计白质高信号的在大脑区域中体积和数量,并且不能够精确提供关于白质高信空间定位的准确信息。本文通过基于T1加权结构磁共振图像上脑区分割,将T2加权和T1加权图像进行配准实现白质异常高信号的脑空间位置的精确定位研究,并进行利用临床大数据研究脑白质异常高信号在大脑不同解剖结构的积累和分布如何随着年龄的增长而变化,又如何影响人脑的认知功能。本文通过与现有的网络分割进行对比有显著性的分割精度提升,验证了建立的网络模型的可行性,定量分析了研究了得到了老年人年龄和脑白质损伤的关系,脑白质损伤和认知功能的关系,并且使用统计分析的方法纵向研究正常老年人组、轻度认知障碍老年人组和阿尔兹海默症组之间脑白质异常高信号的解剖空间分布差异性。论文成果为临床的大规模筛查早期高风险病人提供了可靠的靶点检测技术,有着较高的临床应用价值。