论文部分内容阅读
阿尔茨海默病(Alzheimer’s disease,AD)是老年人群中最常见的神经系统退行性疾病。AD临床诊断标准主要依靠神经心理行为测试和临床生化检验,但很难检测其病理状态。目前为止,无论是现有治疗AD还是正在研发的药物,都是期望在AD的前驱期和早期延缓AD病程的进展。因此,找到一种可以在早期,尤其是前驱期准确诊断AD的方法对影像学检查意义重大。磁共振成像(Magnetic Resonance Imaging,MRI)广泛用于脑部形态评估。借助OASIS数据库,定义了MR图像中小脑边界,并以此为分割标准,采用ITK-SNAP提供的交互分割工具实现小脑的分割。建立81例样本的小脑标签数据库,用于图像自动分割方法验证和AD患者小脑形态学研究。由于数据样本过少,需要通过数据增广的方式对数据样本进行扩充,用于基于深度学习的小脑分割训练与验证。由于交互式分割方法耗时长,难以适应大样本数据分析需要,本文提出基于深度学习的MR图像中小脑自动分割方法,设计一种基于全卷积的深度神经网络,并通过大量对比实验发现明暗变换是最适合网络的增广方式。该方法在图像分割的准确率达到0.95(Dice)和0.90(Io U),并显著提高小脑分割的效率。基于体素的形态学分析(voxel-based morphometry,VBM)是应用于小脑研究的最常用技术之一。用VBM方法,设计数据处理流程,通过比较AD患者与正常样本之间的小脑,发现AD患者小脑左侧后叶和右侧后叶有萎缩,主要集中在蚓垂体和扁桃体,早期AD患者小脑右侧后叶有萎缩,主要集中在蚓垂体。本文通过交互式分割建立小脑标签数据库,同时设计并实现了基于全卷积神经网络的自动分割方法,最终通过基于VBM的小脑形态学分析,发现了小脑右侧后叶和蚓部体积与AD有关,上述发现为AD早期的临床影像诊断提供参考。