基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病，对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史，并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。     

基于FCM聚类算法的MRI脑组织图像分割方法比较研究

目的磁共振成像(magnetic resonance imaging,MRI)对脑组织有较好的成像效果,但噪声、偏移场和部分容积效应(partial volume effect,PVE)的存在,使得全自动分割MRI图像面临一定的困难。模糊C均值(fuzzy C-means,FCM)聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景,研究了大量相关方法,探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础,并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣,给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响,但由于难以选择合适的参数,其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。     

灰度与形状同步匹配的非刚性配准研究

基于灰度的非刚性配准算法一般假设参考图像和浮动图像对应结构之间的灰度保持一致,然而在基于图谱的图像配准应用中,这种假设往往不符合实际。本文在给出一种可以同时校正灰度和形状差异的弹性配准算法的同时,针对该算法不能校正局部微小形变的弱点,提出采用自由项变换的方法进行校正以提高配准精度。配准实验基于20个IBSR真实脑部MRI图像,结果表明配准后图像与参考图像间的互相关系数得到明显提高。实验证明,本文提出的方法不仅能够同时校正形状差异和灰度变化,而且具有较高的配准质量。     

基于灰度和形状的非刚性图像配准算法的研究

提出一种新的灰度和形状信息相结合的全自动同模态医学图像非刚性配准-分割算法,将欧氏距离表示的形状信息融入基于灰度的配准算法中,构造出新的代价函数.该算法在医学图像多目标分割的应用中,能够较好地完成灰度相近、边缘模糊、间距较小的不同结构的分割.对5组真实脑部MRI图像进行分割脑深层灰质结构的实验,结果表明,本算法优于基于灰度信息的图像配准算法.     

多回路联合配准误差估计

目的基于多回路图像配准的质量评估算法(assessing quality using image registration circuits,AQUIRC)通过构建多回路图像配准网络,可直接利用空间变换场信息估计配准误差。本文研究了AQUIRC算法估计仿射变换相关的配准误差的性能,旨在给出对该算法较为全面的认识。方法采用脑磁共振(magnetic resonance,MR)图像设计不同形变程度的旋转、缩放、错切、平移等线性变换构造模拟误差,并在无差别均匀采样的空间位置处分析AQUIRC算法估计的配准误差与目标配准误差(target registration error,TRE)的线性相关性,给出二者的区域分布情况。结果在旋转、缩放、错切误差实验中,算法估计的配准误差与TRE呈较强相关,且区域分布基本一致。在平移误差实验中,二者不存在线性相关关系。将平移变换与其他类型足够大的变换复合构造模拟误差,则可一定程度上提高二者的相关度。结论 AQUIRC算法能够准确估计旋转、缩放、错切变换相关的配准误差,但不能正确估计单一平移变换造成的配准误差。     

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自BrainWeb的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。     

基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病,对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史,并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。     

基于纹理特征的多序列MRI的肝硬化识别研究

目的 采用基于纹理特征的十倍交叉验证法的神经网络分类器,探讨多序列MRI在肝硬化诊断识别中的价值。方法 将5个序列MR图像（T1WI、T2WI、增强动脉期、门静脉期和平衡期）分成正常肝脏组、较早期肝硬化组及中晚期肝硬化组,手动获取ROI;采用灰度共生矩阵提取ROI的56个纹理特征参数;采用十倍交叉验证法的BP网络分类器分别分类识别3组肝脏组织。结果 门静脉期图像对正常肝脏、较早期肝硬化及中晚期肝硬化的分类效果最好,正确率为87.62%（92/105）,T2WI分类效果最差,正确率为78.33%（47/60）,T1WI、动脉期和平衡期图像居两者之间。结论 采用基于纹理特征的十倍交叉验证法的神经网络分类器可以区分正常肝脏、较早期和中晚期肝硬化MRI;在基于多序列MRI的肝硬化识别研究中,门静脉期图像有可能成为首选。     

基于小波变换并结合神经网络的癫痫发作预报

采用信号处理的方法分析脑电图以实现自动预报癫痫发作是该领域一个难题，至今进展不够显著。本研究将小波变换用于脑电信号的预处理，并与递归神经网络RNN相结合预测癫痫发作。通过比较三种不同的预处理方法，发现在小波变换域利用脑电信号α节律的能量谱可以实现发作预报，而进一步提取包络并作非线性变换可以有效地提高RNN的预报性能。     

Active Demons可变形图像配准算法研究

在介绍Active Demons可变形图像配准算法的基础上,重点分析该算法中弹性系数σ和均化系数α对配准过程的影响.实验表明,σ和α较小时算法收敛速度快,较大时配准精度高.因此,通过在配准过程中调整二者的值可以实现即快又准的图像配准.