论文部分内容阅读
海马体位于脑部内侧颞叶,与杏仁核等构成大脑边缘系统,是人体与脑部控制中枢的桥梁,控制着人类的情感,并且与多种神经性疾病相关。目前人口老龄化现象已遍布全球,老年人口数目呈增长状态,其健康问题也引起社会的广泛关注,阿尔兹海默症(AD)主要集中于老年人群中且发病率随着年龄的增长不断攀升,严重威胁老年人的健康。研究发现海马体的形态特征等与阿尔兹海默症的发病情况有着密切的关联,如果能够把海马体从脑组织中精确的分割出来将能更好的实现对该病的研究。由于核磁共振图像(MRI)对包括大脑在内的软组织具有分辨率高,成像效果好的特点,因此通常被作为海马体研究的重要数据。海马体具有体积小,形状不规则的特点,采用传统的分割方法易出现误分割的情况,而且分割速度慢,消耗了大量的时间。因此,本文在海马体的分割过程中首先根据数据特点做预处理,然后对传统的U-net算法进行优化改进,并将改进后的算法用于预处理后的数据实现海马体的分割,最后利用分类方法根据分割后的图像特征完成对阿尔兹海默症患病情况的分类。具体研究工作如下:1.数据预处理。采用限制性对比度自适应直方图均衡算法(CLAHE)增强数据图像的对比度,使图像更加自然;采用曲率驱动的图像去噪方法去除图像数据中的干扰因素,清晰显示各组织的信息;采用图像数据增强技术,对图像进行平移、旋转、扭曲等操作扩充样本数据量,满足模型训练要求。2.图像分割。针对预处理后的图像数据使用U-net算法模型实现海马体的分割。在算法模型中引入批规范化处理(BN)来改善网络训练速度慢和梯度消失的问题,同时在算法模型中的卷积层后引入残差模块解决网络加深后的性能退化问题,利用Adam优化算法解决模型训练过程中出现的学习率消失、网络收敛速度慢、损失函数幅度变化大等问题。改进的U-net算法在海马体分割实验中相比于原网络其分割精度和算法性能都得到了提高。3.图像分类。采用SVM-REF特征选择方法和SVM分类方法实现阿尔兹海默症的分类。通过SVM-REF特征选择方法对分割后的海马体进行特征选择,然后运用SVM分类方法根据选择的特征实现阿尔兹海默症患者症状的分类。