论文部分内容阅读
脑肿瘤分类与分割,包括肿瘤类别的区分和肿瘤亚区的界定,对辅助脑肿瘤诊断以及制定治疗方案有着极其重要的作用。近年来,随着医学影像和机器学习技术的快速发展,越来越多的研究为脑肿瘤的分类和分割提供了可行解决方案。已有的研究主要是基于多种磁共振结构像设计更复杂的网络模型,而越来越多的研究也尝试结合磁共振的结构像和功能成像,以期提供更丰富的影像学指征。磁共振波谱成像（magnetic resonance spectroscopy imaging,MRSI）是一种可以实现无创在体分子影像的磁共振影像技术,其对脑肿瘤准确鉴别具有重要潜在临床价值,但传统的MRS技术空间分辨率低,成像时间长,临床适用性不足。本文旨在应用一种称之为SPICE（SPectroscopic Imaging by exploiting spatiospectral Corr Elation）的快速3D高分辨率磁共振波谱成像技术并结合传统的磁共振结构像数据,结合改进的可变形配准,对高级别脑胶质瘤和单发脑转移瘤进行分类,并利用深度卷积神经网络（Deep Convolution Neural Networks,Dc NN）对脑肿瘤进行分割。在本论文的研究中,我们基于SPICE的高分辨率特性,并利用逻辑回归模型对高级别脑胶质瘤和单发脑转移瘤进行分类。并利用SPICE数据结合增强的T1加权成像（contrast enhanced T1-weighted imaging,T1c）和T2加权成像（Fluid Attenuated Inversion Recovery,FLAIR）的多模态数据,开发针对大形变的变形配准（large deformable registration）算法,将11名脑转移瘤患者和6名脑胶质瘤患者的T1c/FLAIR影像模态配准到标准空间进行几何形态归一化（geometry normalization）。通过大形变可变形配准,使数据在空间位置上的差异减小,以降低网络学习的难度。最后,我们通过设计双通道残差学习的Dc NN模型对输入的多模态数据进行学习,并在验证集上对模型进行测试。我们的研究发现:3D高分辨率磁共振波谱对肿瘤亚区敏感度和特性度较高,并且水肿区域的Cho/NAA是区分恶性脑胶质瘤和单发脑转移瘤的最佳参数（AUC=0.82）。此外,将SPICE技术得到的代谢物波谱（metabolite spectra）,水分子信号（water spectra）和T1c以及FLAIR信号强度（intensity）信息通过中期融合的方式输入到双通道Dc NN模型,能有效地区分脑肿瘤核心区和水肿区。与病理结果的金标准相比,该模型在肿瘤核心区的DSC（Dice Similarity Coefficient）为0.832,在水肿区的DSC则为0.851。此外,由于基于优化的大形变可变形配准速度较慢,本课题还提出了一种融合基于关键点匹配的薄板样条模型、基于体积块的B样条模型和基于偏微方程的流体模型的一体配准方法,实验证明,该方法在配准准确率和配准效率方面都超出了传统的基于偏微分方程的流体模型。本研究通过对基于SPICE及结构成像的多模态输入数据和单模态输入数据进行对比发现,多模态影像数据能够提高肿瘤分割的准确率。该发现为临床诊断鉴别脑肿瘤提供了一种可行的影像学参考。