發(fā)布時(shí)間：2022-12-05 20:59

　　腦萎縮的發(fā)病率越來(lái)越高,目前腦萎縮疾病的診斷大多采用手工和半自動(dòng)的方法。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,計(jì)算機(jī)輔助診斷方法已經(jīng)成為醫(yī)學(xué)影像、診斷放射、計(jì)算機(jī)科學(xué)中的重要研究?jī)?nèi)容。研究表明使用計(jì)算機(jī)輔助診斷的方法對(duì)于提高診斷準(zhǔn)確率、減少漏診起到了積極的作用。醫(yī)生可以根據(jù)計(jì)算機(jī)測(cè)量結(jié)果進(jìn)行醫(yī)學(xué)影像的評(píng)估和診斷。利用計(jì)算機(jī)完成腦萎縮相關(guān)組織的分割以及容積的計(jì)算是輔助診斷腦萎縮的基礎(chǔ)。 本文分析了腦萎縮疾病相關(guān)的診斷方法,包括顱內(nèi)腦容積的測(cè)量、腦白質(zhì)、灰質(zhì)以及腦脊液容積測(cè)量和特異性腦萎縮相關(guān)的海馬結(jié)構(gòu)的測(cè)量。獲取這些腦組織的基礎(chǔ)是對(duì)腦部圖像進(jìn)行分割。因此,本文就如何提取相關(guān)腦組織區(qū)域進(jìn)行了如下的實(shí)驗(yàn)分析：（1）研究了提取顱腔內(nèi)腦組織的方法,分析了幾種閾值分割算法對(duì)顱腔內(nèi)腦組織提取算法性能的影響,最后使用直方圖閾值分割算法對(duì)序列圖像進(jìn)行分割。使用形態(tài)學(xué)方法獲取顱內(nèi)腦組織區(qū)域,通過(guò)使用重疊率和計(jì)算圖像重心的方法來(lái)校正分割結(jié)果。通過(guò)對(duì)不同掃描方向上所有圖像層進(jìn)行分割處理,最終實(shí)現(xiàn)了整個(gè)圖像序列的顱腔內(nèi)腦組織的提取。（2）研究了顱腔內(nèi)腦組織再分割的方法,本文使用了基于自適應(yīng)模糊相似度的改進(jìn)的馬爾可夫隨... 

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 腦萎縮MR圖像知識(shí)分析
        1.3.1 MR腦圖像特點(diǎn)
        1.3.2 腦萎縮MR醫(yī)學(xué)表現(xiàn)
    1.4 腦萎縮影像學(xué)診斷方法
    1.5 本論文研究?jī)?nèi)容和組織結(jié)構(gòu)
第2章 MR腦部圖像處理方法概述
    2.1 MR圖像的去噪
    2.2 MR圖像灰度不均勻校正
    2.3 MR圖像分割算法概述
        2.3.1 基于區(qū)域的分割
        2.3.2 基于邊界的分割方法
        2.3.3 其他分割算法
    2.4 醫(yī)學(xué)圖像分割性能評(píng)價(jià)
    2.5 本章小結(jié)
第3章 基于形態(tài)學(xué)的顱內(nèi)腦組織提取算法研究
    3.1 圖像灰度變換
    3.2 閾值的選取
        3.2.1 直方圖閾值法
        3.2.2 迭代閾值法
        3.2.3 大津法(Otsu法)
        3.2.4 三維體數(shù)據(jù)閾值分割
    3.3 形態(tài)學(xué)原理
        3.3.1 腐蝕和膨脹
        3.3.2 標(biāo)注連通分量
        3.3.3 分割算法描述
    3.4 改進(jìn)的顱腔內(nèi)腦組織提取算法研究
        3.4.1 圖像的重疊率
        3.4.2 圖像的重心
        3.4.3 不同掃描方向圖像的進(jìn)一步分割
        3.4.4 算法的實(shí)驗(yàn)步驟和流程
    3.5 實(shí)驗(yàn)結(jié)果及分析
    3.6 本章小結(jié)
第4章 基于MRF的腦組織分割算法研究及腦實(shí)質(zhì)分?jǐn)?shù)的計(jì)算
    4.1 馬爾可夫隨機(jī)場(chǎng)模型
        4.1.1 鄰域系統(tǒng)和集簇
        4.1.2 MARKOV隨機(jī)場(chǎng)和GIBBS分布的等價(jià)關(guān)系
        4.1.3 常用模型介紹
    4.2 馬爾可夫圖像分割框架
        4.2.1 標(biāo)號(hào)場(chǎng)先驗(yàn)?zāi)Ｐ?先驗(yàn)分布)的建立
        4.2.2 特征場(chǎng)模型(似然分布)的建立
    4.3 基于自適應(yīng)模糊相似度的改進(jìn)的馬爾可夫圖像分割算法
        4.3.1 模糊集合與模糊關(guān)系
        4.3.2 模糊相似度
        4.3.3 改進(jìn)的馬爾可夫MR腦部圖像分割算法研究
        4.3.4 算法的實(shí)現(xiàn)流程和步驟
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 仿真圖像實(shí)驗(yàn)分析
        4.4.2 臨床圖像實(shí)驗(yàn)分析
    4.5 腦實(shí)質(zhì)分?jǐn)?shù)計(jì)算
    4.6 本章小結(jié)
第5章 基于FM的海馬結(jié)構(gòu)分割算法研究
    5.1 海馬區(qū)醫(yī)學(xué)特點(diǎn)及分割方法研究
    5.2 基于快速行進(jìn)FM算法的海馬區(qū)分割
        5.2.1 快速行進(jìn)算法的求解
        5.2.2 快速行進(jìn)算法的實(shí)驗(yàn)流程和步驟
        5.2.3 基于傳統(tǒng)快速行進(jìn)算法的海馬區(qū)分割
    5.3 基于海馬區(qū)內(nèi)部灰度信息約束的改進(jìn)的FM分割算法研究
        5.3.1 最佳時(shí)間閾值的選擇
        5.3.2 實(shí)驗(yàn)步驟與流程
        5.3.3 實(shí)驗(yàn)結(jié)果和分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間參加的科研項(xiàng)目、發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]圖像去噪算法研究[J]. 王英,曾光宇.  電腦與信息技術(shù). 2011(04)
[2]基于統(tǒng)計(jì)參數(shù)圖的MRI海馬結(jié)構(gòu)體積測(cè)量[J]. 華建明,蔣飚,周炯,章偉敏.  中華放射學(xué)雜志. 2010 (03)
[3]改進(jìn)的Fast Marching方法在醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 王娜,郭敏.  計(jì)算機(jī)工程與應(yīng)用. 2009(18)
[4]基于形變模型的醫(yī)學(xué)圖像分割綜述[J]. 王敏琴,韓國(guó)強(qiáng),涂泳秋.  醫(yī)療衛(wèi)生裝備. 2009(02)
[5]基于能量驅(qū)動(dòng)的分水嶺算法在MRI海馬圖像分割中的應(yīng)用[J]. 魯向,蘆勤,羅述謙.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2008(06)
[6]基于非齊次Markov隨機(jī)場(chǎng)的無(wú)監(jiān)督圖像分割新算法[J]. 李彬,陳武凡.  南方醫(yī)科大學(xué)學(xué)報(bào). 2007(11)
[7]圖像分割中的馬爾可夫隨機(jī)場(chǎng)方法綜述[J]. 李旭超,朱善安.  中國(guó)圖象圖形學(xué)報(bào). 2007(05)
[8]正常成年人腦體積隨年齡變化的磁共振成像定量分析[J]. 曾慶師,李傳福,劉尊齊,婁麗,崔誼.  中國(guó)醫(yī)學(xué)科學(xué)院學(xué)報(bào). 2006(06)
[9]計(jì)算機(jī)自動(dòng)定量診斷腦萎縮的初步研究[J]. 李傳富,周康源.  中華放射學(xué)雜志. 2006(06)
[10]基于模糊連接度的衛(wèi)星圖像道路提取新方法[J]. 魏敏,李朝峰.  計(jì)算機(jī)工程與應(yīng)用. 2006(13)

博士論文
[1]基于模糊隨機(jī)模型的磁共振腦部圖像分割算法研究[D]. 李彬.第一軍醫(yī)大學(xué) 2007

碩士論文
[1]應(yīng)用三維CT技術(shù)對(duì)國(guó)人腦和腦室容積的測(cè)量研究[D]. 吳偉.昆明醫(yī)學(xué)院 2011
[2]阿爾茨海默病海馬和齒狀回體積的MRI分析[D]. 謝欣.中國(guó)醫(yī)科大學(xué) 2009
[3]基于幾何形變模型的醫(yī)學(xué)圖像分割方法研究[D]. 于正.天津大學(xué) 2007



本文編號(hào)：3710339