论文部分内容阅读
计算机辅助医学诊断是将医学诊断与人工智能相结合。在临床辅助诊断、影像学辅助诊断等领域有不少的探索和应用，其最终目标是提高对疾病的诊断准确率。随着现代医学的发展，病人就诊过程中常产生大量不同类型的信息，尤其是影像学检查结果。如何准确而充分利用这些影像信息成为临床工作中必须正视的一个问题。基于机器视觉的多尺度脑图像研究为充分利用各种诊断相关的临床信息进行医学研究，开辟一条有效的途径。 本文围绕多尺度脑图像辅助诊断技术展开研究。目前医院主要采用毫米级成像技术对脑内部感兴趣区域成像，然后医生或者技师基于影像进行诊断。然而，某些疾病仅对神经元造成影响，不对脑结构造成变化。此时需要利用分辨率更高、尺度更小的脑成像技术。本文采用磁共振成像获取毫米级影像，采用激光扫描共聚焦显微技术获取微米级影像。 现有的智能脑诊断方法仅适用于毫米级影像，且提取的特征缺乏稳健性、分类性能较差、仅适用于某一类特定疾病。本文贡献在于:(1)提出面向多类脑疾病的智能诊断的关键算法;(2)提出新的适用于脑影像的图像特征;(3)构建面向微米级影像的智能诊断算法。本文主要研究内容、创新点总结如下: 传统病脑诊断系统仅面向特定的疾病，本文首次构建了一类面向十一类脑疾病的智能诊断系统（神经胶质瘤、脑膜瘤、阿尔茨海默病、阿尔茨海默病并发视觉失认症、皮克病、脑肉瘤、亨廷顿舞蹈病、慢性硬脑膜下血肿、脑弓形体 病、疱疹性脑炎、多发性硬化症疾病）。提出了平稳小波变换提取脑图像特征，并论证其有效性。提出三种新的混合人工蜂群与粒子群优化的算法来训练分类器。仿真实验验证新方法优于七种最新算法。 感音神经性听力损失是一项重要的脑类疾病，由于其脑结构改变不显著、难以察觉，目前尚未有病脑诊断系统可检测听力损失。本文提出一种针对听力损失患者脑影像的检测算法。该算法首次提出采用分数阶傅里叶变换作为特征的提取算法，将信号变换到联合空频域。采用主成分分析进行特征降维，随后采用单隐层前向神经网络对降维后的特征进行分类。通过研究29个听力损失病人与20个健康人的脑影像数据，实验结果表明新算法效果显著，性能优于目前存在的其他方法。 传统的毫米级脑影像，对于微米尺度的改变无能为力。智力低下儿童脑中大量树突棘未成熟，必须在微米尺度进行衡量。本文采用脑神经元的显微镜图像，并提出一种面向微米级影像的脑神经元诊断系统，以对树突棘进行分析。实验采用培养的大鼠神经元为标本。在方法上，首次提出两种不同的算法实现骨架提取、边缘定位、以及树突棘分类:蘑菇型、粗短型、瘦长型三类。实验证明了两种新算法的有效性。 综上，本文采用机器学习的方法，以脑与神经元的结构影像为载体，展开多尺度脑图像的辅助诊断技术研究，并进行脑疾病诊断算法的研究。通过多尺度研究，不仅可以检测在毫米尺度影响脑结构的疾病，而且能检测在微米尺度影响脑结构的疾病。机器视觉则帮助获得更高的诊断精度。两者结合可开辟更多的脑疾病智能诊断方法。 进一步的，本文方法除了可帮助人类提高对脑疾病的预防、诊断等工作，还能为医学诊断分析提供统一的判别标准，并为医学统计学研究提供数据支撑，可发现脑疾病的生理学意义，加速相关生物医学领域的发展。文中的相关研究，可推动新一代人工智能技术、类脑计算和信息产业的发展。