论文部分内容阅读
近年来,影像技术取得了长足发展。由于该技术可在无创或微创条件下实现对大脑组织的结构描述与功能定位,因此以磁共振成像(Magnetic Resonance Imaging,MRI)、计算机断层扫描(Computed tomography,CT)为代表的多种神经影像技术已经在脑疾病的临床诊断和治疗中获得广泛应用。医生从患者脑影像数据中观察出脑组织的结构与功能病变情况,并根据多时间点的随访脑影像数据了解患者病灶随病情发展的变化过程。阿尔茨海默症(Alzheimer’s Disease,AD)是常见的脑疾病之一,目前医学界对于AD尚未发现治愈手段,根据MRI脑影像分析进行AD的早期诊断和干预是该领域的常用方法。计算机辅助诊疗技术借助了图像处理与模式识别算法,可对脑影像做出细致分析与精确判断,在脑疾病的诊疗中为医生提供更多有效建议。深度学习是近年来最热门的技术领域之一,借助大数据平台的完善、硬件水平的提升以及算法理论的不断创新,深度学习方法在图像、视频、语音、文字等数据的分析处理任务上已取得突出表现。在医学领域,随着医疗数据体系的规模扩大与精细程度加深,深度学习方法开始应用在多种医疗数据的分析中,包括电子病历、诊疗数据、医学影像等。基于以上背景,本文针对MRI脑影像分析问题,对于全脑组织与局部海马区域,分别提出了基于深度学习方法的MRI脑影像分析算法,并将其应用于阿尔茨海默症的诊断。算法在美国阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative,ADNI)数据库上进行了测试与验证,结果表明本文提出的算法对于AD诊断具有较高准确率。本文的创新点主要为:1.提出了多时间点全脑MRI影像分析算法,对RAVENS map数据搭建深度学习模型,提取并融合了多时间点全脑影像中的空间结构特征与时间变化特征,提高了AD诊断准确率。在ADNI数据库中测试结果为AD和NC分类准确率达到91.33%,pMCI和sMCI分类准确率达71.71%。2.提出了多时间点海马区MRI影像分析算法,在海马区的空间特征提取过程中结合了深层3D-DenseNet模型与传统形状分析方法SPHARM-MAT,对两种空间特征融合后再对其进行纵向时间分析,提升了整体算法的AD诊断准确率。最终算法在ADNI数据库中测试结果为AD和NC分类准确率达到93.18%,pMCI和sMCI分类准确率达75.62%,MCI和NC分类准确率达75.24%。