摘要

如今科技发展日新月异,物质水平大幅提高,人们生活节奏日益加快,同样加快的是肿瘤患病率的增长趋势,放疗作为治疗肿瘤的首要选择,具有对癌细胞杀伤力强,对正常组织影响小等特点。放疗过程中常需要根据影像来追踪评估疗效,于是放疗前后医学影像的变化检测显得尤为重要。深度学习是近年来兴起的利用神经网络模型研究数据的方法,相比机器学习方法,其整合了特征提取和特征分类过程提高了效率,越来越受到数据研究者的青睐。本文采用局部转向核变化检测算法和深信度神经网络模型进行医学影像变化检测的研究,针对医学影像变化检测中的伪影现象和部分容积效应等问题提出了改进方案,具体研究内容如下:(1)局部转向核能够度量像素与其周围环境的相似程度,从前后两张影像中的邻域中提取出特征,用余弦相似性来衡量特征的差异性。单模态局部转向核处理方法易受伪影和部分容积效应影响,本文提出一种改进的基于多模态局部转向核的方法,旨在将多模态脑医学影像和大脑近似轴对称的先验知识融入算法当中以解决上述提及的问题。(2)联合模糊C均值聚类算法(Joint Fuzzy C-means,JFCM)利用模糊C均值算法(Fuzzy C-means,FCM)对前后影像像素点分类后根据邻域相似性和方差过滤噪声点,减少了伪影现象和部分容积效应的影响。深信度网络由多个受限制玻尔兹曼机(Restricted Boltzmann Machines,RBM)构成,通过RBM能量模型进行预训练得到较优的初始权重。本文使用重构模糊局部信息C均值算法(Reformulated Fuzzy Local-information C-means Algorithm,RFLICM)进行特征筛选,搭建深信度网络(Deep Belief Network,DBN)预训练初始化权重,后将特征输入DBN中训练,利用反向传播算法(Back Propagation,BP)反复调参,最终得到DBN医学影像变化检测模型。综上,本文研究的方法一定程度上解决了医学影像中的伪影现象和部分容积效应。对放疗前后医学影像数据进行测试,实验结果证明了所提出方法的有效性。