基于ROI多图谱配准的海马磁共振图像分割

摘要

海马位于大脑颞叶边缘，影响着空间定位和记忆等功能。同时，研究表明海马的体积变化与多种精神神经疾病有关，例如老年痴呆症、颞叶癫痫、重度抑郁症、精神分裂症等。因此，海马体积的研究对探索各种精神神经疾病具有重要意义。因此，海马体积的研究对探索各种精神类疾病具有重要的意义。研究海马体积需要从大脑图像中对海马进行精确的分割，是计算和分割海马体积的关键。
　　目前多采用磁共振对人体大脑进行成像，磁共振图像可以无创伤的为脑组织提供高分辨率的三维图像信息，是研究大脑各软组织的重要数据。因此基于磁共振图像数据的图像分割方法是当前的一个研究热点。
　　基于图谱配准的分割方法是结合了图像的先验知识，利用已分割的图像(模板图像或者金标准)配准到待分割的图像上，寻求目标图像与模板图像之间的变换参数。利用变换参数将模板图像的海马映射到目标图像上，实现了海马的分割。但是考虑到人体解剖结构的差异，单图谱分割很难适应复杂的情况，很难得到理想的分割结果。而且，海马的体积仅为2到3毫升，与周围组织很难区分。为了实现海马的精确自动分割，本文提出了基于ROI多图谱配准的海马分割算法。
　　本文算法利用多个海马图谱图像作为模板与待分割图像进行配准，将配准参数应用到模板图像的海马分割图像上，得到多个初始分割结果，然后通过图像融合算法将分割结果图像进行融合，得到最终的分割结果。其中图像配准和图谱融合策略是两个关键点。对于每个图谱图像，都与待分割图像进行两次配准，得到一个较为精确的初始分割。对于融合策略，主要使用了加权选择、STAPLE和COLLATE多个融合策略，得到最终的分割结果。在实验中针对海马的特点，选用相似性测度作为海马分割的评价标准，利用COLLATE融合算法的分割结果相似性测度得分最高，优于单图谱配准的分割结果，说明了本文提出的海马分割算法的有效性。

目录

文摘

英文文摘

第1章 绪论

1.1 海马磁共振图像分割的背景意义

1.2 海马磁共振图像分割的国内外研究状况

1.2.1 海马的解剖结构

1.2.2 磁共振图像分割方法概述

1.2.3 海马磁共振图像分割的现状

1.3 本论文的主要内容简介

第2章 几种常见的海马磁共振图像分割方法

2.1 基于区域的分割方法

2.2 基于边缘的分割方法

2.3 结合区域和边界信息的方法

2.4 结合数学方法的分割方法

2.4.1 基于数学形态学的分割方法

2.4.2 基于神经网络的分割方法

2.4.3 基于模糊集的分割方法

2.4.4 基于小波变换的方法

2.5 特定目标的分割方法

2.6 本章小结

第3章 基于ROI多图谱配准的海马分割方法

3.1 海马图像预处理

3.1.1 原始图像去噪

3.1.2 颅骨剔除

3.1.3 偏场矫正

3.2 图像配准

3.3 图谱融合算法

3.3.1 加权选择法

3.3.2 STAPLE融合算法

3.3.3 COLLATE融合算法

3.4 本章小结

第4章 海马分割的实验及分析

4.1 数据来源

4.2 实验流程

4.2.1 图像预处理

4.2.2 提取ROI

4.2.3 基于多图谱的配准

4.2.4 图谱融合

4.2.5 分割结果的评价

4.3 实验结果分析

4.4 骨分割实验

4.5 本章小结

总结与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录