【摘要】：以高角分辨率彌散成像(High Angular Resolution Diffusion Imaging,HARDI)為典型的核磁共振成像技術(shù)已經(jīng)發(fā)展得比較成熟,給人類大腦白質(zhì)神經(jīng)纖維結(jié)構(gòu)的無創(chuàng)檢測帶來了良好的前景,但是此類方法通常會產(chǎn)生龐大且難以理解的纖維數(shù)據(jù)集,如何對這一纖維集合進行準確的可視分析是一直臨床研究中的一個重要問題。腦神經(jīng)纖維聚類技術(shù)將結(jié)構(gòu)相似的纖維聚類成符合解剖學(xué)知識的纖維束,從而提升人對纖維結(jié)構(gòu)的感知,是腦纖維可視分析中的一種重要手段。由于經(jīng)典的聚類技術(shù)無法直接應(yīng)用于高維的腦纖維數(shù)據(jù),而基于神經(jīng)網(wǎng)絡(luò)的聚類方法存在對參數(shù)選擇敏感且計算量大的缺點。本文針對腦神經(jīng)纖維數(shù)據(jù)的結(jié)構(gòu)特點改進腦纖維相似度測量算法,并提出一種基于快速密度峰值搜索的腦纖維聚類算法,針對整體時間復(fù)雜度過高的問題提出一種基于連續(xù)聚類框架的腦纖維聚類算法。本文完成的主要工作和成果如下:(1)改進腦神經(jīng)纖維相似度度量算法。針對現(xiàn)有腦纖維相似度測量算法沒有考慮纖維整體形態(tài)結(jié)構(gòu)間相似情況的問題,本文引入動態(tài)時間規(guī)整算法,通過將兩條纖維進行拉伸和壓縮等操作使其整合成同一長度,計算得到最短折疊路徑作為纖維相似度的依據(jù),并提出一種符合纖維形態(tài)結(jié)構(gòu)特征的纖維相似度計算方法;(2)基于快速密度峰值搜索對腦纖維聚類進行優(yōu)化。由于現(xiàn)有的聚類算法主要是基于點數(shù)據(jù)設(shè)計而成,本文針對腦纖維束的空間分布結(jié)構(gòu)特點,引入快速密度峰值搜索算法,采用隨機采樣的方式計算密度半徑,通過計算纖維的局部密度和最小距離,由用戶在決策圖中交互的選擇集群中心,實現(xiàn)腦纖維聚類。臨床數(shù)據(jù)的實驗結(jié)果表明,相較于成熟的DBSCAN算法,本方法可以更準確地分析復(fù)雜的纖維結(jié)構(gòu)。(3)提出基于連續(xù)聚類框架的腦纖維聚類算法。針對現(xiàn)有的腦纖維聚類算法在纖維相似度計算過程中需要消耗大量計算時間的問題,本文提出一種基于連續(xù)框架的腦纖維聚類算法,該方法通過參數(shù)模型表示纖維集群,以參數(shù)模型的形式代表集群中的所有纖維進行纖維相似度計算,最終對所有參數(shù)模型進行聚類。臨床數(shù)據(jù)的實驗結(jié)果表明本方法在取到較好的聚類效果的同時能顯著減少整體聚類時間。最后,本文通過Qt構(gòu)建可視化平臺,實現(xiàn)腦纖維聚類可視化原型系統(tǒng)以滿足用戶可視分析的需求。
【圖文】：

圖 2-1 余弦相似度算法對輸入空間給定的度量條件依賴性非常強，方法等算法，這些方法都需要給定合適度量來反這種情況在無監(jiān)督學(xué)習(xí)中尤為明顯。例如要識別法本身不知道要根據(jù)何種特征來計算相似度，如么使用者就需要為意圖提取的特征手動構(gòu)建相應(yīng)的人工投入，對數(shù)據(jù)的改變魯棒性較差。由此研據(jù)不同人物來自主學(xué)習(xí)某個特定任務(wù)的特征函數(shù)習(xí)（metric learning）[35]是由 Eric Xing 在 NIPS 是盡可能降低同一類內(nèi)各數(shù)據(jù)元素間的距離，增類算法屬于半監(jiān)督學(xué)習(xí)，其核心在于用機器學(xué)習(xí)ervisedinformation）訓(xùn)練一個自定義的距離度量尺離更符合數(shù)據(jù)特征。這種方法需要構(gòu)建最小化損

H ∑ ( ) ( ) 的計算公式稍加改動即為 K-L 散度的計算公式，設(shè)隨機變量——p(x)和 q(x)，則 K-L 散度定義為¤ ￥) ∑ ( )( ( ) ( )) ∑ ( ) ( ) ( ) 表 X 的第 i 個取值，如果變量是連續(xù)而非離散的，那么公式D(¤ ￥) ∫ ( ) ( ) ( ) x)和 q(x)不在表示概率分布，而是表示概率密度函數(shù)。 KL 散度從直觀上是個度量或距離函數(shù)，但它并不是一個真正因為其不具對稱性，，即D(¤ ￥) D(¤ ￥)，如圖 2-2 所示。
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;R338

【參考文獻】

相關(guān)期刊論文 前7條

1 魏_";尹化斌;孟凡華;林麗萍;;瘤周水腫區(qū)DTI在高級別膠質(zhì)瘤與轉(zhuǎn)移瘤鑒別診斷中的應(yīng)用[J];醫(yī)學(xué)影像學(xué)雜志;2015年10期

2 楊萬群;黃飚;梁長虹;劉新通;朱文珍;黎佩君;馮結(jié)映;;缺血性卒中患者顱內(nèi)動脈硬化斑塊強化特征的高分辨MRI研究[J];中華放射學(xué)雜志;2014年06期

3 陳澤頡;曹辰杰;余舒揚;左麗君;扈楊;王方;張巍;;帕金森病伴發(fā)幻覺與非運動癥狀關(guān)系的研究[J];中華臨床醫(yī)師雜志(電子版);2013年15期

4 馮曉蒲;張鐵峰;;四種聚類方法之比較[J];微型機與應(yīng)用;2010年16期

5 梁艷梅;李長勤;;MRI的彌散加權(quán)成像技術(shù)在骨骼病變中的應(yīng)用進展[J];泰山醫(yī)學(xué)院學(xué)報;2010年02期

6 周鐘珩;張碧云;黃海青;;DTI對急性腦梗死白質(zhì)纖維各向異性特征的初步研究[J];放射學(xué)實踐;2008年11期

7 曾依靈;許洪波;白碩;;改進的OPTICS算法及其在文本聚類中的應(yīng)用[J];中文信息學(xué)報;2008年01期

本文編號：2680172