腦相關疾病具有高病發(fā)率、高致殘率和多并發(fā)癥等特點,是腦科學研究面臨的重大挑戰(zhàn)之一。特別地,核磁共振(Magnetic Resonance,MR)腦影像可以通過調節(jié)成像參數(shù),生成反映腦部不同層面信息的多模態(tài)影像。主要包括:T1加權成像(T1-weighted imaging,T1)顯像腦部解剖結構;T2加權成像(T2-weighted imaging,T2)對病灶區(qū)域信號增強顯示;液體衰減反轉恢復(Fluid Attenuated Inversion Recovery,FLAIR)對腦部病理改變具有高敏感度。臨床上,MR腦影像已經成為腦相關疾病診斷的主要工具。基于多模態(tài)MR腦影像的分割不僅可以描述腦相關疾病的腦結構變異,還可以判斷疾病進展程度。目前,MR腦影像的分割問題可分為局部腦組織分割、全腦結構分割和病灶組織分割三個層次。深度學習技術由于其強大的自主特征提取能力和強靈活性成為醫(yī)學影像分析的主流方法。然而,大腦解剖結構的復雜性、MR腦影像的灰度不均勻性等問題,使腦組織之間的邊界模糊不清,各結構間缺乏鮮明的輪廓和邊界,限制了當前MR腦影像的分割精度。因此,本文針對上述局限性,結合深度學習當...

【文章頁數(shù)】：131 頁

【學位級別】：博士

【部分圖文】：

圖１－３?基于卷積神經網(wǎng)絡的ＭＲ腦影像分割方法框架??

第一章緒論??結果組合，直到目標本質的層次性挖掘，符合人類視覺信號的處理過程［５５］。??特別地，卷積神經網(wǎng)絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＣＮＮ）在圖像處理領域取??得了巨大的成就由于ＣＮＮ在解決優(yōu)化問題中展現(xiàn)的優(yōu)越性和靈活性，該方法??己經被廣....

圖１－４?大腦解剖層次圖??（１）第一個層次是根據(jù)大腦的解剖結構，將局部腦組織準確分割出來，如??圖１－４所示的丘腦（Ｔｈａｌａｍｕｓ）、肼胝體（Ｃａｌｌｏｓｕｍ）、杏仁核（Ａｍｙｇｄａｌａ）和海馬體??（Ｈｉｏｃａｍｕｓ）

北京郵電大學工學博士學位論文???１．３?ＭＲ腦影像分割難題與挑戰(zhàn)??經過上述ＭＲ腦影像的分割方法現(xiàn)狀分析，可知關于ＭＲ腦影像的分割方法有很??多種，但是每種方法各有其優(yōu)勢和局限性。目前尚未存在一種通用的ＭＲ腦影像分割??方法對所有的目標任務都有良好的分割效果。因此，本文針對特定....

圖１－５?論文總體結構??

第一章緒論??體、人?深度卷積神經網(wǎng)絡關鍵??－者化?技術??第一章?第二章??Ｖ，??Ｊ??：基于深度學習的多模態(tài)核磁；??；共振腦影像分割方法及應用??研究??????局部腦組織?全腦結構分割?病灶組織分割?來??＾?＾?＾??基于多目標集成的交互Ｉ基于邊界校ｋ的級聯(lián)神?基于....

圖２－１?傳統(tǒng)卷積神經網(wǎng)絡模型??歸一化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，?ＢＮ）層、池化層和全連接層等模塊

北京郵電大學工學博士學位論文???特征映射??＿＿ｇ．Ａ…特征映射特征．＿?廠＾??ｒｚ＝－．二：．…．－ｉ?＼?＼??／Ａ－ｆ．?．．．．．．．：，：＇＇氣?＼??？９?．．．．．．．．．．．．．．．．．．？｜?－．．．廣－■二、攀?＊??＂．．．．．．？?‘‘??卷積層?池化....

本文編號：4019340