论文部分内容阅读
磁共振成像因其具有无创、较高的软组织对比度等特点,广泛用于脑科学研究和临床脑疾病诊断,脑部磁共振图像的分割可辅助医生诊断病情。纵向弛豫时间T1是磁共振成像组织的固有属性,组织特性T1映射图不仅反映了成像组织的生理学或病理生理学特征,还提供了原始脑部磁共振图像不具有的组织特征。本文主要研究的是融合组织特性的脑部磁共振图像分割方法,研究内容如下:
(1)基于自旋回波—反转恢复序列以及反转时间,计算并拟合扫描部位的T1映射图用于提取组织特性。首先,用反转恢复序列对自旋回波序列进行预脉冲,获得在不同反转时间的T1加权图像;然后,使用非线性最小二乘法拟合纵向弛豫时间T1;最后,对脑组织T1值进行颜色编码获得反映组织特性的T1映射图。
(2)针对脑部磁共振图像边界不清晰、灰度不均匀等特点,提出融合组织特性与模糊支持向量机的脑图像分割方法。首先,通过序列测量确定反映脑部组织特性的T1映射图,经预处理后得到脑图像标签;然后,设计基于类间最大模糊距离的隶属度函数确定样本隶属度,该隶属度的设计综合考虑了不同类别样本之间的空间距离,降低了同类样本之间的隶属度依赖;最后,训练模糊支持向量机模型对三种主要脑组织进行分割。分割实验表明,提出的方法能有效准确地分割脑组织。
(3)针对卷积神经网络在上采样和下采样过程中容易造成特征信息损失而导致分割效果不理想的问题,提出融合组织特性与深度特征聚合网络(Deep Feature Aggregation Network,DFA-Net)的脑图像分割方法。DFA-Net具有三级特征表示层(基础层、中间层、聚合层),其中基础层用于原始脑图像基础特征提取,中间层用于融合组织特性T1映射图与脑图像的特征信息,对来自基础层的特征和组织特性T1映射图进行特征聚合,聚合层用于深度聚合中间层特征,弥补上采样与下采样的特征损失。此外,特征聚合模块(Feature Aggregation Module,FAM)能利用深层特征与浅层特征的互补信息,自动聚合并激活浅层特征和深层特征。脑组织分割实验表明,提出的方法能进行有效的特征聚合,提高脑组织的分割精度。
(1)基于自旋回波—反转恢复序列以及反转时间,计算并拟合扫描部位的T1映射图用于提取组织特性。首先,用反转恢复序列对自旋回波序列进行预脉冲,获得在不同反转时间的T1加权图像;然后,使用非线性最小二乘法拟合纵向弛豫时间T1;最后,对脑组织T1值进行颜色编码获得反映组织特性的T1映射图。
(2)针对脑部磁共振图像边界不清晰、灰度不均匀等特点,提出融合组织特性与模糊支持向量机的脑图像分割方法。首先,通过序列测量确定反映脑部组织特性的T1映射图,经预处理后得到脑图像标签;然后,设计基于类间最大模糊距离的隶属度函数确定样本隶属度,该隶属度的设计综合考虑了不同类别样本之间的空间距离,降低了同类样本之间的隶属度依赖;最后,训练模糊支持向量机模型对三种主要脑组织进行分割。分割实验表明,提出的方法能有效准确地分割脑组织。
(3)针对卷积神经网络在上采样和下采样过程中容易造成特征信息损失而导致分割效果不理想的问题,提出融合组织特性与深度特征聚合网络(Deep Feature Aggregation Network,DFA-Net)的脑图像分割方法。DFA-Net具有三级特征表示层(基础层、中间层、聚合层),其中基础层用于原始脑图像基础特征提取,中间层用于融合组织特性T1映射图与脑图像的特征信息,对来自基础层的特征和组织特性T1映射图进行特征聚合,聚合层用于深度聚合中间层特征,弥补上采样与下采样的特征损失。此外,特征聚合模块(Feature Aggregation Module,FAM)能利用深层特征与浅层特征的互补信息,自动聚合并激活浅层特征和深层特征。脑组织分割实验表明,提出的方法能进行有效的特征聚合,提高脑组织的分割精度。