阿尔茨海默症(Alzheimer disease,AD)在是一种慢性病,它的临床特征一般表现是认知障碍,在老年疾病中是最为常见和高发性的。轻度认知功障碍(Mild Cognitive Impairment,MCI)也是一种认知障碍疾病,它是介于正常老人和痴呆之间。现阶段,因为AD发病过程缓慢,在开始发病早期阶段的临床症状不是很明显,一旦患者出现了明显的认知障碍时,很多状况下已经进入晚期而无法进行有效的治疗。面对这种情况,AD的早期诊断预测,可以延缓疾病进展,成为近年来研究和关注焦点。当前研究的一个基本瓶颈是需要人工交互画出图像中的子场边界。这严重限制了可以分析的数据量,因为在超高分辨率图像中手动划分子域是一个极其耗时的过程。此外,人工绘制受到观察者内部和观察者之间的差异性的影响,这混淆了随后对结果的统计分析。因此,本文提出了一种基于贝叶斯模型的自动分割算法,用于该算法的离体图谱构建,和传统体内图谱相比,离体图谱能显著提高分割结果精确度。具体工作如下:(1)在ADNI数据库中选取310例图像数据,包括阿尔茨海默症患者、轻度认知障碍患者和健康对照组的TI加权的MRI脑图像。其中55例AD、180例MCI和75例CN。以及样本的两个临床量表(MMSE和ADAS-Cog)评分结果、年龄、性别和受教育程度等人口统计学信息。(2)将选取的T1图像进行基于可变性点阵模型BSE(Brain Surface Extractor)算法的颅骨剔除。对于颅骨剔除后的图像,按照建立的图谱中各个脑区的体积位置,对图像每个灰质体素进行解剖学标记,用于填充皮质下层结构以创建皮质层下质量。然后图像进行强度归一化,即对所输入图像的灰度值进行归一化。使每个输入的T1图像与建好图谱进行刚性配准,使每个图像都处在一个基准点上。最后,针对左右脑进行表面提取,通过提取粗糙表面轮廓和平滑处理后获得分割结果,并对分割结果脑区标签化。(3)基于海马解剖统计图谱和MRI数据生成模型的全自动方法来实现海马子域的分割。首先,实现图谱集构建。建立统计图谱集的磁共振成像数据是由离体和体内MRI训练数据组合而成的,以及建立图谱集的数学框架包括基于四面体网格表示的基础模型,并引入贝叶斯算法对四面体网格进行参数优化来实现。其次,使用构建的图谱分析体内MRI扫描的分割算法。该方法侧重于模拟海马分区和周围大脑结构(即基础分割)的空间分布,从标记的训练数据中学习。实现体内MRI海马的自动分区。(4)对实验结果的统计分析,研究海马体各子域的体积与AD的关系。对本文工作内容作了简单的总结,结果表明,AD患者、MCI患者与健康人相比,海马体整体体积有明显的萎缩,具体表现为海马体的各子域体积都存在不同程度的萎缩,为AD早期诊断具有重要的意义。并对未来的研究进行了展望。