【摘要】：腦疾病不僅危害患者的健康和生命,同時也給患者及其家庭、社會帶來沉重的經(jīng)濟負擔和巨大的精神壓力。而早診斷早治療是消除腦疾病危害的唯一途徑,神經(jīng)影像則是對腦疾病進行早期診斷和治療的重要工具�；谟嬎銠C科學(xué)的醫(yī)學(xué)圖像分析與處理技術(shù)已經(jīng)被廣泛應(yīng)用于腦圖像分析中。其中,稀疏學(xué)習技術(shù)由于能夠發(fā)現(xiàn)數(shù)據(jù)固有的內(nèi)在本質(zhì),已經(jīng)得到了廣泛的關(guān)注。腦圖像分析中的挑戰(zhàn)與難點問題之一在于如何學(xué)習及利用有效的特征,尤其是能夠全面反映大腦信息的結(jié)構(gòu)化特征,如多模態(tài)結(jié)構(gòu)和腦網(wǎng)絡(luò)結(jié)構(gòu)等。腦圖像分析一般包括數(shù)據(jù)采集、腦區(qū)分割、特征抽取、特征學(xué)習以及分類預(yù)測等步驟。本文依托稀疏學(xué)習技術(shù)針對腦圖像分析中的腦區(qū)分割和特征學(xué)習兩個部分,對結(jié)構(gòu)化特征表達開展研究工作。具體的研究工作和創(chuàng)新點如下:(1)為在腦區(qū)分割中充分利用圖譜圖像結(jié)構(gòu)特征具有的表達能力,提出一種基于層次稀疏表示的多圖譜分割方法(Hierarchical Sparse Representation,HSR)。該方法首先使用樹形結(jié)構(gòu)對不同圖譜圖像進行字典(主字典和殘差字典)構(gòu)造,利用圖譜圖像塊結(jié)構(gòu)特征所具有的判別性,使構(gòu)造出來的字典具有緊湊高效的表達能力。進一步,為剔除噪聲以及減少背景圖像塊對最終分割結(jié)果的影響,利用主字典聯(lián)合殘差字典對目標圖像塊進行共同稀疏重建,實現(xiàn)更細致地組織和刻畫。最終,當?shù)玫阶顑?yōu)的稀疏重建系數(shù)后,使用重建殘差來確定目標圖像塊所屬標簽。在ADNI與PPMI數(shù)據(jù)集上分別對與阿爾茨海默癥有關(guān)的海馬體,與帕金森病有關(guān)的腦干和基底核等腦區(qū)進行了分割實驗,驗證了提出分割方法的有效性,同時也證明提升重構(gòu)字典的表達能力對稀疏重建具有重要的作用。(2)為在特征選擇中最大化地保持不同模態(tài)數(shù)據(jù)之間以及模態(tài)自身的類別結(jié)構(gòu)信息,充分挖掘多模態(tài)數(shù)據(jù)特征的判別能力,提出一種基于標號對齊的多模態(tài)特征選擇方法(Label-aligned Multi-modality Feature Selection,LMFS)。該方法使用組稀疏化項,確保具有判別能力的特征能被聯(lián)合地從多模態(tài)數(shù)據(jù)中選擇出來。其次,為了嵌入模態(tài)數(shù)據(jù)的類別結(jié)構(gòu)信息,在傳統(tǒng)的多模態(tài)特征選擇目標函數(shù)中引入標號對齊正則化項。在提出的算法基礎(chǔ)上使用加速近似梯度(Accelerated Proximal Gradient,APG)方法來優(yōu)化求解該問題。最后,使用多核支持向量機來融合所選擇的多模態(tài)數(shù)據(jù)特征以進行最終的疾病診斷。提出的方法不僅能夠在ADNI數(shù)據(jù)集上找到對疾病敏感的生物標志,并且在多組疾病分類中取得了較好的分類性能。(3)為在特征選擇中克服高維特征之間的相似性度量不準確問題,提出自適應(yīng)近鄰學(xué)習策略,并以此為基礎(chǔ)提出一種基于自適應(yīng)近鄰學(xué)習的多模態(tài)特征選擇方法(Adaptive Similarity based Multi-modality Feature Selection,ASMFS)。傳統(tǒng)的引入數(shù)據(jù)結(jié)構(gòu)先驗的特征選擇方法往往需要在學(xué)習特征之前已知或者給定樣本的結(jié)構(gòu)關(guān)系,如樣本兩兩之間的相似度,若給定的相似性度量不準確則會影響后續(xù)任務(wù)的性能。針對這個問題,提出的方法在多模態(tài)特征選擇中,將樣本相似度與稀疏權(quán)重系數(shù)同時建模。進而確保嵌入準確的模態(tài)結(jié)構(gòu),并誘導(dǎo)出更具有判別能力的特征。此外為了更好的刻畫模態(tài)之間固有的相關(guān)性,假設(shè)所有模態(tài)數(shù)據(jù)共享同一個樣本相似度矩陣。最后,使用交替迭代優(yōu)化算法對提出的目標問題進行求解,并使用多核支持向量機對選擇后的特征進行融合分類。在ADNI多模態(tài)數(shù)據(jù)集上與state-of-the-art方法進行了對比實驗,驗證了提出方法的有效性。(4)為在腦網(wǎng)絡(luò)特征學(xué)習中挖掘多個腦區(qū)之間高階結(jié)構(gòu)的關(guān)聯(lián)特性,提出一種基于直推式超圖學(xué)習的腦網(wǎng)絡(luò)選擇方法(Transductive Hypergraph Learning based Subnetwork Selection,THLSS)。當前,基于腦網(wǎng)絡(luò)的工作大部分都集中在考察腦部感興趣區(qū)兩兩之間的關(guān)聯(lián)性方面,即二階關(guān)系,而忽略了更多腦區(qū)(例如三個腦區(qū))的關(guān)聯(lián)特性。更多的腦區(qū)可以構(gòu)成子網(wǎng)絡(luò),這種包含高階關(guān)系的子網(wǎng)絡(luò)也許能夠?qū)膊〉脑缙谠\斷提供指導(dǎo)。針對這個問題,通過引入超圖拉普拉斯正則化項和組稀疏約束進行直推式學(xué)習,對具有判別性的子網(wǎng)絡(luò)進行挖掘,從而幫助尋找和發(fā)現(xiàn)有價值的生物標志。使用支持向量機和支持張量機在ABIDE和ADHD200腦網(wǎng)絡(luò)數(shù)據(jù)集上進行實驗。實驗結(jié)果表明使用提出的方法能夠發(fā)現(xiàn)與疾病相關(guān)的潛在子網(wǎng)絡(luò)連接,將其用于分類能夠獲得很好的診斷結(jié)果。
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：R741.044;TP391.41
【圖文】：

南京航空航天大學(xué)博士學(xué)位論文細，大大提高了醫(yī)生的診斷效率，避免了開顱等探查診斷的手術(shù)。由于人體有害的 X 射線和易引起過敏反應(yīng)的造影劑，因此對人體沒有損害各部位進行多角度、多平面成像。其分辨力高，能更客觀更具體地顯示鄰關(guān)系，對病灶能更好地進行定位定性。對全身各系統(tǒng)疾病的診斷，尤有很大的價值。例如在阿爾茨海默癥診斷中，通過使用結(jié)構(gòu)核磁共振成、杏仁核等關(guān)鍵腦區(qū)進行體積、面積和線性測量確定大腦萎縮程度[2-的疾病情況提供精確指標。圖 1.1 顯示結(jié)構(gòu)核磁共振成像的三個軸面 A示意圖。

1.1 MRI 圖像軸面（Axial）、矢狀面（Sagittal）和冠狀面（Coronal）示意20 世紀 70 年代被發(fā)明后，計算機斷層掃描成像在醫(yī)學(xué)影像中已經(jīng)成為一斷層掃描技術(shù)通過單一軸面的 X 射線旋轉(zhuǎn)照射人體，由于不同的組織對，可以使用計算機三維技術(shù)重建出斷層面影像。經(jīng)由窗寬、窗位處理，層影像。將斷層影像層層堆疊，即可形成立體影像。計算機斷層掃描技提供很高的空間分辨率（0.5 毫米），弱點是軟組織對比度差。計算機斷爾茨海默癥患者腦形態(tài)學(xué)改變的證據(jù)，例如發(fā)現(xiàn)腦皮質(zhì)明顯萎縮（額，大，大腦外側(cè)裂的增寬等。計算機斷層掃描成像對阿爾茨海默癥的診斷阿爾茨海默癥的臨床診斷，達到預(yù)測及早期診斷的目的。圖 1.2 顯示 C矢狀面（Sagittal）和冠狀面（Coronal）示意圖。

基于稀疏結(jié)構(gòu)特征學(xué)習的腦圖像分析及其應(yīng)用研究學(xué)功能成像的所有器官中，腦對能量的消耗是最大的。即使在安靜的狀態(tài)下，腦所速率也是其他組織的 10 倍。當大腦特定腦區(qū)工作的時候，它需要的能蹤反映這些能量變化的生理參數(shù)，人們就能知道當腦在從事某種作業(yè)或時，哪一部分腦區(qū)最興奮活躍或者工作努力。這就是正電子發(fā)射斷層掃成像的原理。發(fā)射斷層掃描使用半衰期很短的放射性標記物如 18F-2-脫氧核糖、H21射性示蹤物在人體內(nèi)放出光子，計算機控制的閃爍探頭在腦部四周旋轉(zhuǎn)的動態(tài)過程，計算腦內(nèi)葡萄糖等相關(guān)物的代謝率，可以觀察人腦認知時率和氧消耗的變化等，由此檢測腦部生理代謝活動與精神和心理活動的海默癥患者來說，雖然很多情況下大腦結(jié)構(gòu)沒有發(fā)生形態(tài)學(xué)變化，實際功能異常。通過正電子發(fā)射斷層掃描檢測可以觀察顳頂葉和后扣帶回代癥早期診斷具有特異性[5]。圖 1.3 顯示 PET 圖像三個軸面的示意圖。

【相似文獻】

相關(guān)期刊論文 前10條

1 姚遠;楊旭東;;溫度對化學(xué)平衡影響的圖像分析[J];中學(xué)化學(xué)教學(xué)參考;2016年22期

2 ;2016年圖像分析分會年會在西北工業(yè)大學(xué)召開[J];中國體視學(xué)與圖像分析;2016年04期

3 劉銘;曾靜萍;劉佩利;;智能交通應(yīng)在智慧城市扮演急先鋒角色[J];市場觀察;2016年11期

4 房艷萍;劉逸云;唐輝;錢琳媛;;基于圖像分析的水果成熟度檢測[J];飲食科學(xué);2017年06期

5 李軍;;《可視的藝術(shù)史:從教堂到博物館》[J];收藏與投資;2016年06期

6 陳躍,楊建茹;醫(yī)學(xué)圖像分析實驗教學(xué)改革的研究與實踐[J];醫(yī)學(xué)教育;2004年03期

7 蔣家康,李紹剛;核仁組成區(qū)圖像分析參數(shù)選擇及其應(yīng)用價值[J];臨床與實驗病理學(xué)雜志;2001年03期

8 劉榮勛,史曉東,吳祥芝,徐靜年;變形物體像的三維再現(xiàn)[J];北京化工學(xué)院學(xué)報(自然科學(xué)版);1988年03期

9 植起漢;《多源地學(xué)數(shù)據(jù)微機圖像分析》培訓(xùn)班在桂林舉行[J];礦產(chǎn)與地質(zhì);1989年03期

10 張德強;董英杰;白瑞祥;李東偉;宋明鋒;;中度鹵水提溴生產(chǎn)實現(xiàn)自動化[J];中國鹽業(yè);2014年18期

相關(guān)會議論文 前10條

1 劉國權(quán);;體視學(xué)與圖像分析基本原理及若干應(yīng)用問題之討論[A];第九屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2001年

2 羅永剛;;醫(yī)學(xué)圖像分析的未來趨勢[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（二）[C];2005年

3 Roscoe Atkinson;;法醫(yī)學(xué)與病理學(xué)中圖像分析及病理信息學(xué)的潛能[A];法庭科學(xué)最新技術(shù)研討培訓(xùn)班專家講課提綱[C];2006年

4 王曉民;胡文華;;生物醫(yī)學(xué)圖像分析視頻采集設(shè)備的發(fā)展概況[A];第九屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2001年

5 金帆;夏愛國;楊帥;金震宇;黃亞佳;;基于圖像分析的自適應(yīng)顯微表征技術(shù)[A];中國化學(xué)會2017全國高分子學(xué)術(shù)論文報告會摘要集——主題D：高分子物理化學(xué)[C];2017年

6 李遠寧;寧柏鋒;董召杰;;電網(wǎng)機巡圖像分析框架與深度學(xué)習方法[A];生態(tài)互聯(lián) 數(shù)字電力——2019電力行業(yè)信息化年會論文集[C];2019年

7 李l勆

本文編號：2799338