本文關(guān)鍵詞：大腦圖像分析中若干問(wèn)題的研究

  更多相關(guān)文章： 圖像分割 分類 圖像檢索 全基因組關(guān)聯(lián)研究

【摘要】：德國(guó)物理學(xué)家倫琴在1895年發(fā)現(xiàn)了X射線,并于1901年獲得了首屆諾貝爾物理學(xué)獎(jiǎng)。Hounsfield和Cormack由于發(fā)明了CT成像技術(shù),在1979年獲得了諾貝爾醫(yī)學(xué)和生理學(xué)獎(jiǎng)。Lauterbur和Mansfied因發(fā)明了MR成像技術(shù),于2003年獲得了諾貝爾醫(yī)學(xué)和生理學(xué)獎(jiǎng)。100多年來(lái),隨著醫(yī)學(xué)成像技術(shù)的不斷進(jìn)步,產(chǎn)生了越來(lái)越多的醫(yī)學(xué)圖像,也使對(duì)醫(yī)學(xué)圖像的處理和分析逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)。醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析領(lǐng)域中復(fù)雜而又關(guān)鍵的步驟,其目的是從醫(yī)學(xué)圖像中分割出具有某些特殊意義的部分,然后提取相關(guān)特征,為臨床治療和病理學(xué)研究提供可靠的依據(jù),從而輔助醫(yī)生作出更加準(zhǔn)確的診斷。由于醫(yī)學(xué)圖像的復(fù)雜性,以及目前醫(yī)學(xué)成像技術(shù)上的特點(diǎn),在分割過(guò)程中需要解決成像的不均勻性以及個(gè)體之間的差異性等一系列問(wèn)題,使得醫(yī)學(xué)圖像的分割變得越加困難,所以一般用于自然圖像的分割方法難以直接應(yīng)用到醫(yī)學(xué)圖像的分割,而且至今仍沒(méi)有一種通用的分割方法可以有效地應(yīng)用到不同的醫(yī)學(xué)圖像分割任務(wù)中�；谏鲜鲈�,本文針對(duì)兩個(gè)具體的分割任務(wù)提出了兩種基于學(xué)習(xí)的分割方法：(1)提出了一種基于局部線性表達(dá)的分類(Locally Linear Representation-based Classification, LLRC)方法來(lái)實(shí)現(xiàn)腦組織區(qū)域的分割。腦組織分割是腦部圖像分析的一個(gè)重要預(yù)處理步驟。由于手工勾畫(huà)腦組織邊界十分費(fèi)時(shí),而且不同的人勾畫(huà)的邊界也存在一定的變化,因此,對(duì)半自動(dòng)或全自動(dòng)的腦組織區(qū)域的分割方法的研究日益廣泛。盡管許多研究者對(duì)腦組織分割進(jìn)行了深入研究,但是,如何提高腦組織分割的精度仍然是一項(xiàng)極具挑戰(zhàn)的工作。這是因?yàn)槟X部MRI圖像的復(fù)雜性,例如：解剖結(jié)構(gòu)的變化以及采用不同序列,不同儀器掃描所導(dǎo)致的灰度值差異。許多現(xiàn)有的腦組織區(qū)域分割方法往往在面對(duì)不同的研究?jī)?nèi)容或者不同的群體時(shí),需要作出一定的調(diào)整。針對(duì)以上提出的問(wèn)題,設(shè)計(jì)一種可靠以及魯棒的腦組織分割方法,使其能在不同的腦部形態(tài),以及不同的成像序列中都能很好地完成分割任務(wù)是十分重要的。因此,本文提出了一種LLRC方法。本文通過(guò)把局部線性表達(dá)引入到傳統(tǒng)的分類模型中,從而得到一個(gè)新的分類框架。本文把標(biāo)號(hào)融合方法看做是新分類框架下的一個(gè)特例,并通過(guò)該分類框架很好地解釋了標(biāo)號(hào)融合方法的原理機(jī)制。由于訓(xùn)練樣本量的龐大,本文采用尼均值聚類算法對(duì)全部訓(xùn)練樣本進(jìn)行聚類,從而得到一個(gè)能很好描述訓(xùn)練樣本結(jié)構(gòu)特點(diǎn)的字典,同時(shí)也減少了算法的計(jì)算量。由于在計(jì)算LLRC的融合權(quán)重時(shí),局部性是十分重要的。因此,本文采用局部錨點(diǎn)嵌入方法(Local Anchor Embedding, LAE)來(lái)計(jì)算字典中每個(gè)元素的線性融合權(quán)重。此外,本文通過(guò)學(xué)習(xí)的方法得到字典中每個(gè)元素的最優(yōu)分類分?jǐn)?shù)來(lái)獲取最后精確的分類結(jié)果。本文采用ICBM以及ADNI數(shù)據(jù)庫(kù)的70幅腦部MRI圖像以及對(duì)應(yīng)的金標(biāo)準(zhǔn)作為訓(xùn)練圖像訓(xùn)練分類器,采用網(wǎng)上可供下載的IBSR1, IBSR2, LPBA40, ADNI3T四個(gè)數(shù)據(jù)集共241幅腦部MRI圖像作為測(cè)試集來(lái)評(píng)估LLRC方法的性能。實(shí)驗(yàn)結(jié)果表明,本文提出的腦組織分割方法的精度要比當(dāng)前一些比較常見(jiàn)的腦組織分割方法的精度高,例如：BET, BSE, ROBEX,以及GCUT等。(2)提出了一種基于局部獨(dú)立投影的分類(Local Independent Projectio-based Classification, LIPC)方法來(lái)實(shí)現(xiàn)腦部腫瘤的分割。腦部腫瘤分割是早期腫瘤診斷以及制定放射計(jì)劃中的重要步驟。由于手工勾畫(huà)腦腫瘤邊界十分費(fèi)時(shí),而且不同的人勾畫(huà)的邊界也存在一定的變化,因此,設(shè)計(jì)一種有效的半自動(dòng)或全自動(dòng)的腦腫瘤分割方法來(lái)解決上述問(wèn)題是必須的。盡管許多研究者對(duì)腦部腫瘤分割進(jìn)行了深入研究,但是,如何提高腦部腫瘤分割的精度仍然是一項(xiàng)極具挑戰(zhàn)的工作。這是因?yàn)樵谀X部腫瘤圖像中腫瘤經(jīng)常表現(xiàn)出復(fù)雜的特性,例如：腫瘤外觀變化的多樣性以及腫瘤邊界的模糊性。為了解決上述問(wèn)題,本文提出了LIPC方法。本文假設(shè)不同類別的樣本落在不同的非線性子流形上,基于這種假設(shè),LIPC方法把測(cè)試樣本獨(dú)立地投影到每個(gè)子流形上,然后用重建誤差來(lái)作為分類的測(cè)量標(biāo)準(zhǔn)。由于各類訓(xùn)練樣本量的龐大,本文采用尼均值聚類算法分別對(duì)各類訓(xùn)練樣本進(jìn)行聚類,從而各個(gè)類別都可以得到一個(gè)能很好描述本類訓(xùn)練樣本結(jié)構(gòu)特點(diǎn)的字典,同時(shí)也減少了算法的計(jì)算量。在樣本投影到每個(gè)子流形上時(shí),本文采用LAE方法計(jì)算各類字典中每個(gè)元素的權(quán)重,從而能通過(guò)局部性更好地利用各類字典元素來(lái)重建測(cè)試樣本。此外,本文通過(guò)采用softmax回歸模型來(lái)學(xué)習(xí)不同類別樣本的分布,進(jìn)而提高分割的精度。本文分別采用仿真數(shù)據(jù)以及真實(shí)的腦部腫瘤圖像數(shù)據(jù)來(lái)評(píng)估LIPC方法的性能。在仿真數(shù)據(jù)中,LIPC的分類性能優(yōu)于SRC以及SVM方法。實(shí)驗(yàn)結(jié)果表明,考慮不同類別樣本的分布情況能進(jìn)一步提高腦部腫瘤的分割精度。在真實(shí)數(shù)據(jù)實(shí)驗(yàn)中,本文采用80幅具有金標(biāo)準(zhǔn)的腦部腫瘤圖像作為訓(xùn)練圖像訓(xùn)練分類器,40幅沒(méi)有金標(biāo)準(zhǔn)的圖像作為測(cè)試圖像,測(cè)試圖像的分割結(jié)果采用網(wǎng)上在線評(píng)估系統(tǒng)進(jìn)行評(píng)估,本文的方法對(duì)測(cè)試數(shù)據(jù)的腫瘤分割精度比一些常見(jiàn)的腦腫瘤分割方法的精度高。隨著醫(yī)學(xué)圖像數(shù)量的逐漸增加,如何在一個(gè)龐大的圖像數(shù)據(jù)庫(kù)中搜索到相關(guān)的圖像信息,輔助醫(yī)生進(jìn)行分析和診斷是一個(gè)非常重要的問(wèn)題。目前,構(gòu)建基于內(nèi)容的圖像檢索(content-based image retrieval, CBIR)系統(tǒng)是解決這個(gè)問(wèn)題的一種比較有效的方法。在CBIR系統(tǒng)中,如何提取辨別力強(qiáng)的圖像特征以及如何定義圖像的相關(guān)性(測(cè)量不同圖像之間的“距離”)是構(gòu)建CBIR系統(tǒng)的兩個(gè)關(guān)鍵問(wèn)題。由于醫(yī)學(xué)圖像的多樣性和復(fù)雜性,一般的視覺(jué)特征,如：顏色(灰度),紋理,以及形狀特征,難以充分地描述圖像的語(yǔ)義內(nèi)容,因此,需要研究更具辨別力的特征來(lái)更好地描述圖像內(nèi)容。此外,視覺(jué)特征和圖像的語(yǔ)義內(nèi)容存在語(yǔ)義鴻溝,直接使用視覺(jué)特征來(lái)計(jì)算圖像的相關(guān)性會(huì)降低檢索的性能。通過(guò)學(xué)習(xí)距離測(cè)度,并使用距離測(cè)度把圖像特征映射到新的距離測(cè)度空間,可以在一定程度上減小視覺(jué)特征和圖像的語(yǔ)義內(nèi)容之間的差異,從而提高檢索性能。本文分別針對(duì)上述兩個(gè)構(gòu)建CBIR系統(tǒng)中的關(guān)鍵問(wèn)題,提出了相應(yīng)的解決方法：(1)提出了一種劃分學(xué)習(xí)的方法來(lái)提取圖像特征。該劃分學(xué)習(xí)方法的主要思想是找到使每個(gè)子區(qū)域?qū)?yīng)的特征差異最大的劃分方式。因此,通過(guò)學(xué)習(xí)的方法,把圖像中外觀變化比較大的區(qū)域劃分開(kāi)來(lái),同時(shí)使得每個(gè)劃分子區(qū)域的圖像內(nèi)容趨于一致,從而增加圖像特征的辨別能力。本文針對(duì)劃分學(xué)習(xí)方法的主要思想提出一個(gè)新的目標(biāo)函數(shù),同時(shí)通過(guò)一種優(yōu)化算法來(lái)求解該目標(biāo)函數(shù),并且采用腦部腫瘤T1加權(quán)對(duì)比度增強(qiáng)MRI圖像來(lái)評(píng)估該方法的性能。實(shí)驗(yàn)表明,采用了劃分學(xué)習(xí)方法的CBIR系統(tǒng)的檢索精度比采用空間金字塔方法的CBIR系統(tǒng)的檢索精度高。(2)提出了一種基于排序誤差的距離測(cè)度學(xué)習(xí)方法來(lái)減小高級(jí)語(yǔ)義內(nèi)容和低級(jí)視覺(jué)特征之間的語(yǔ)義鴻溝。本文通過(guò)引入排序誤差作為目標(biāo)函數(shù),使用隨機(jī)梯度下降的優(yōu)化方法來(lái)求解目標(biāo)函數(shù)的最優(yōu)解,從而得到優(yōu)化后的距離測(cè)度。利用距離測(cè)度投影圖像特征到新的特征空間,進(jìn)而減小圖像特征和圖像語(yǔ)義內(nèi)容之間的差異。實(shí)驗(yàn)表明,通過(guò)基于排序誤差的距離測(cè)度學(xué)習(xí)方法得到的距離測(cè)度能使CBIR系統(tǒng)的檢索精度維持在較高水平,同時(shí)優(yōu)于一些比較常見(jiàn)的距離測(cè)度方法,例如：歐式距離,CFML, LFDA,以及MPP等。隨著大批量的圖像基因研究的發(fā)展,研究者們經(jīng)常會(huì)通過(guò)大量的醫(yī)學(xué)圖像和基因數(shù)據(jù)來(lái)檢測(cè)遺傳性的神經(jīng)精神病學(xué)和神經(jīng)退行性疾病的誘發(fā)基因。了解基因和環(huán)境因素的作用機(jī)制是研究如何防止,診斷,以及治療神經(jīng)精神疾病方法的重要步驟。然而,由于測(cè)試的全基因組、相關(guān)信號(hào)所在的腦部位置、以及研究個(gè)體數(shù)目的龐大,因此,全基因組關(guān)聯(lián)研究(Genome Wide Association Study, GWAS)方法主要面臨著數(shù)據(jù)量龐大以及計(jì)算速度緩慢的問(wèn)題。針對(duì)傳統(tǒng)GWAS方法中存在的問(wèn)題,本文提出了一種快速的基于體素點(diǎn)的全基因組關(guān)聯(lián)研究方法(Fast Voxelwise Genome Wide Association Study, FVGWAS),該方法主要由以下三個(gè)部分組成：(1)構(gòu)建了一個(gè)異方差的線性模型。該線性模型不需要假設(shè)研究個(gè)體對(duì)應(yīng)的圖像數(shù)據(jù)之間存在均勻方差,而且該模型允許在圖像數(shù)據(jù)中存在一個(gè)大類的分布。由于個(gè)體之間以及圖像體素之間的變化十分重要,而且圖像數(shù)據(jù)的分布通常服從高斯分布,因此,異方差線性模型的性質(zhì)對(duì)圖像分析十分重要。(2)基于全局Wald檢驗(yàn)統(tǒng)計(jì),提出一個(gè)有效的全局確立獨(dú)立篩選(global sure independence screen, GSIS)方法。GSIS能使搜索空間從NcNv下降到N0Nv,其中N0Nc,從而能大大地減少計(jì)算量。(3)使用wild-bootstrap方法來(lái)檢測(cè)可疑基因。由于wild-bootstrap方法不需要重復(fù)地分析合成數(shù)據(jù),因此,使用wild-bootstrap方法能減少計(jì)算量。此外,wild-bootstrap方法既不需要標(biāo)準(zhǔn)的排序方法中的完整可交換性,也不需要隨機(jī)場(chǎng)理論中的強(qiáng)假設(shè),因此,wild-bootstrap方法更容易用于一般的應(yīng)用中。本文通過(guò)仿真實(shí)驗(yàn)以及真實(shí)數(shù)據(jù)的實(shí)驗(yàn)來(lái)評(píng)估FVGWAS的性能,仿真實(shí)驗(yàn)結(jié)果表明FVGWAS在很大的搜索空間中能有效地搜索稀疏的信號(hào),同時(shí)能很好地控制誤差率判斷族。在包含708個(gè)個(gè)體,193,275個(gè)體素點(diǎn)的圖像數(shù)據(jù),以及501,584個(gè)基因數(shù)據(jù)上,FVGWAS在單個(gè)CPU上的運(yùn)行時(shí)間為203,645秒。實(shí)驗(yàn)表明,FVGWAS方法對(duì)于超高維分辨率的圖像和全基因數(shù)據(jù)下的大量圖像基因數(shù)據(jù)研究來(lái)說(shuō),可能是一種十分有價(jià)值的統(tǒng)計(jì)工具。
【關(guān)鍵詞】：圖像分割 分類 圖像檢索 全基因組關(guān)聯(lián)研究
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-8
• ABSTRACT8-16
• 第一章 緒論16-23
• 1.1 引言16
• 1.2 臨床應(yīng)用價(jià)值以及存在的問(wèn)題16-18
• 1.3 作者的主要工作18-20
• 1.4 主要?jiǎng)?chuàng)新20
• 1.5 論文的組織20-21
• 參考文獻(xiàn)21-23
• 第二章 醫(yī)學(xué)圖像分割23-97
• 2.1 引言23
• 2.2 腦組織區(qū)域的分割23-60
• 2.3 腦部腫瘤分割60-87
• 參考文獻(xiàn)87-97
• 第三章 醫(yī)學(xué)圖像檢索97-128
• 3.1 引言97
• 3.2 背景97-100
• 3.3 圖像數(shù)據(jù)100-101
• 3.4 BoVW模型101-103
• 3.5 本文提出的方法103-113
• 3.6 實(shí)驗(yàn)結(jié)果113-122
• 3.7 結(jié)論122-124
• 參考文獻(xiàn)124-128
• 第四章 基因與圖像數(shù)據(jù)的全基因組關(guān)聯(lián)研究128-160
• 4.1 引言128
• 4.2 背景128-130
• 4.3 方法130-139
• 4.4 仿真數(shù)據(jù)研究以及ADNI數(shù)據(jù)分析139-153
• 4.5 結(jié)論153-154
• 參考文獻(xiàn)154-160
• 第五章 總結(jié)與展望160-162
• 5.1 論文總結(jié)160-161
• 5.2 前景展望161-162
• 攻讀博士學(xué)位期間成果162-164
• 致謝164-166
• 統(tǒng)計(jì)學(xué)證明166

，

本文編號(hào)：1054186