海马体是人脑中重要的子结构,与阿尔茨海默病(Alzheimer’s disease,AD)、精神分裂症等多种精神类疾病都有着密切的联系,这些疾病均可导致海马体结构受损,体积逐渐缩小。通过对海马体体积进行准确测量,临床医生可以发现其萎缩的程度,进而方便对相关精神类疾病进行诊断、治疗,海马体体积的准确测量依赖于准确的分割结果。因此,准确分割出脑图像中的海马体,对于深入开展各种精神类疾病的研究具有至关重要的意义。国内外学者对于海马体的分割已开展大量的研究工作,但由于海马体体积较小,形状不规则,与周围组织的边界较为模糊,单纯使用结构磁共振图像很难准确对海马体进行分割。目前的分割方法仍存在以下不足:主流分割方法的准确性(Dice相似性)一般只能达到0.85-0.90,准确性较高的多图谱方法分割过程过于依赖配准精度且分割时间太长,大约在60分钟左右并随着配准次数的增加呈线性增长,这对于医疗大数据的研究是非常不利的。本文针对以上问题,以实现脑图像海马体的快速准确分割为研究目标,采用基于全卷积神经网络的方法,该网络结构已经被成功运用到了脑皮层下丘脑、尾状核、壳核和苍白球这四种子结构的分割,本文计划采用该方法对海马体进行分割以期解决目前分割中存在的问题,并探讨了海马体的影像组学特征在同一样本、多次扫描下的可重复性。本文的具体研究内容,主要概括为以下三个方面:(1)本文使用一种基于全卷积神经网络(Fully Convolutional Neural Network,FCNN)的方法对脑图像海马体进行分割。该网络为了避免多余的卷积和池化操作,只由卷积层构成。本文对该网络做了实际情况的应用,验证了该网络可以用于海马体的分割,并提供了一个海马体分割的模型。首先利用输入的脑图像、手工标注的海马体图像和感兴趣区域(Region of Interest,ROI)的图像进行网络训练,输入过程可以接受任意大小的输入图像。本文对该方法的性能进行了定性和定量评估,并与一种具有代表性的多图谱方法和FreeSurfer方法进行了比较。在海马体的分割过程中,该分割网络在一个包含65个数据的内部数据集中进行留一法验证和十折交叉验证,都取得了近似0.91的准确性,使用内部数据集训练的网络对一个包含135个数据的公共数据集进行测试,取得了近似0.79的准确性。在每个样本的分割时间上,多图谱的方法接近一个小时,本文使用的方法相对于多图谱的方法有了明显的减小,在CPU上进行单个海马体的分割接近10分钟,在GPU上分割接近1分钟。结果表明,本文使用的基于全卷积神经网络的方法在分割时间上显著优于多图谱的方法,在内部数据集和公共数据集的海马体分割中都具有可靠的准确性。(2)本文从影像组学的角度,研究了海马体影像组学特征的可重复性。影像组学是一种在医学图像中定量提取特征的方法,它可以获取人眼所不能观察到的图像信息,在已有研究中发现在海马体中提取的影像组学特征可以很好地刻画海马体且可以通过这些特征对正常人和AD疾病患者进行有效的识别,但是这些特征在多次扫描的图像中是否稳定,可重复仍然是一个值得进一步探索的问题。为探究脑图像海马体的影像组学特征是否稳定以及那些特征可以作为稳定的生物标记物,本文选择四组多次扫描的脑图像数据,分别对强度特征、形状特征、纹理特征和小波特征进行可重复性分析,选择组内相关系数(Intraclass Correlation Coefficient,ICC)和整体一致性相关系数(Overall Concordance Correlation Coefficient,OCCC)两种指标对四组数据的海马体影像组学特征进行稳定性评估。实验结果表明海马体的纹理特征可重复性最好,进一步推断该特征在临床的研究中或许可以成为一个最为可靠的生物标记。(3)本文设计了一个海马体影像组学特征自动提取系统。为了更加方便地对海马体进行研究本文基于前两个研究内容设计了脑图像海马体的影像组学特征自动提取系统。该系统目前有以下四个功能:一是原始脑图像DICOM格式数据到Nii格式的转换;二是基于个体空间或者标准空间的脑图像配准;三是基于全卷积神经网络(Fully Convolutional Neural Network,FCNN)的海马体快速自动分割;四是海马体影像组学特征的自动提取。该软件操作简单,可以快速实现图像格式转换、图像配准、海马体分割和影像组学特征的提取。