学位论文 > 优秀研究生学位论文题录展示

轻度认知功能障碍诊断的MRI图像处理研究

作　者: 胡智威
导　师: 卢宏涛
学　校: 上海交通大学
专　业: 计算机软件与理论
关键词: 磁共振成像轻度认知功能障碍三维重建形态学分析 AdaBoost 分类器
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 104次
引　用: 0次
阅　读: 论文下载

内容摘要

近几年,随着计算机的广泛应用,计算机视觉、图像处理及可视化技术成为非常热的研究方向,也越来越多的应用在诸如医学等其他领域内。另一方面,医学领域内的磁共振成像(Magnetic Resonance Imaging,简称MRI)技术的发展和应用也十分迅速。它利用人体组织中某种原子核的核磁共振现象,将所得射频信号经过计算机处理,重建出人体某一层面的图像的诊断技术,在临床上可主要用于头部、脊柱等部位以清晰的显示出患者的患病情况。利用计算机技术更好的发挥出MRI技术的优点,例如,使用图像处理的方法来增强MRI图像质量以提高清晰度;用图像分割算法来分离出感兴趣区域(Region ofInterest,简称ROI)以供后续程序处理;使用三维重建技术在计算机上构造出直观的原物体模型等等。其中,三维重建是医学图像的一个重要应用方向和研究内容,三维重建的任务就是要由一系列二维图像中恢复出包含在三维体数据中物体结构信息,构造出真实感较强的三维图形。与此同时,在临床实际中,常会存在一些肉眼难以区别的图像和人工辨别较为繁琐的影像诊断工作。例如,目前老年性痴呆患者越来越多,临床难以诊断和治疗。而轻度认知功能障碍(MCI)患者,即那些记忆或认知功能下降但未达到痴呆标准的老年人,易转化为老年性痴呆,而目前临床使用的方法存在人工误差,因而难以诊断。如果可以结合计算机视觉算法和机器学习方法研究出有效的判别算法来实现根据MRI图像的自动诊断系统,将极大的降低诊断时间同时提高诊断的准确度。三维重建和自动诊断将作为搭建出一个成熟完备的计算机辅助诊断平台的重要基础。本文从医学图像处理的角度入手,首先使用光线投射的体绘制方法成功重建出了MRI数据,使得研究人员可以透过头骨等外层组织看到大脑内部的结构情况。为了要进一步的得到更精确的大脑数据从而可以进行一定程度上的辅助诊断,还需要进行进一步的形态学分析和结构性测量处理。与此前常见的基于体素的形态学分析方法不同,本文采用了大脑皮层表面重建的方法来进行形态学分析。这其中主要包括了非脑组织的去除、分割、表面形变重建等,最终通过测量灰质的厚度得到不同脑区的大脑皮层厚度数据。由于脑区的数量大于被试个体的数量,并且不同脑区对人群的分类能力是不一样的,所以本文在分类之前先采用了特征选择的方法来对脑区皮层厚度数据进行筛选。本文采用了整体学习的思想,将所有的脑区进行若干次的随机选择来生成一定的特征子集,然后为每个特征子集给定一个线性分类器,最后用AdaBoost方法将这些弱分类器合并成为一个效果较好的分类器。

全文目录

摘要  6-8
ABSTRACT  8-13
插图索引  13-12
表格索引  12-14
第一章绪论  14-21
  1.1 课题研究的背景及意义  14-15
  1.2 国内外研究状况  15-18
    1.2.1 可视化技术的研究和应用现状  15-16
    1.2.2 对AD 和MCI 的辅助诊断平台研究开发现状  16-17
    1.2.3 根据MRI 图像进行分类的研究现状  17-18
  1.3 本文主要研究工作  18-21
第二章 MRI 图像的三维重建  21-35
  2.1 常用的重建方法  21-27
    2.1.1 面绘制法  21-25
    2.1.2 体绘制法  25-27
  2.2 光线投射算法详细描述及实现  27-32
    2.2.1 光线吸收模型  27-28
    2.2.2 后分类方法  28-30
    2.2.3 使用光线投射算法的三维重建方法  30-32
  2.3 实现效果  32
  2.4 总结  32-35
第三章通过MRI 图像进行形态学分析和测量  35-44
  3.1 常用的结构性测量方法  35-36
    3.1.1 基于感兴趣区域的测量方法  35
    3.1.2 基于体素的形态学分析方法  35-36
    3.1.3 皮层厚度分析方法  36
  3.2 皮层厚度分析方法详细过程  36-43
    3.2.1 建立大脑皮层模型  36-38
    3.2.2 处理、分析皮层模型  38-42
    3.2.3 计算结果及实例  42-43
  3.3 总结  43-44
第四章根据医学图像进行分类的研究  44-52
  4.1 常用的分类器  44-47
    4.1.1 线性判别分析  44-45
    4.1.2 二次判别分析  45
    4.1.3 朴素贝叶斯  45
    4.1.4 支持向量机  45-47
  4.2 特征选择方法  47-48
    4.2.1 特征选择和特征提取  47
    4.2.2 特征选择通常的步骤  47-48
  4.3 本文所采用的特征选择算法的具体描述  48-50
    4.3.1 算法过程  49-50
  4.4 实验具体操作及结果  50-51
  4.5 结论  51-52
总结与展望  52-54
参考文献  54-59
致谢  59-60
攻读学位期间发表的学术论文目录  60

轻度认知功能障碍诊断的MRI图像处理研究

内容摘要

全文目录

相似论文