面向非均衡磁共振影像數據的魯棒病腦檢測方法研究

《面向非均衡磁共振影像數據的魯棒病腦檢測方法研究》是依託南京師範大學，由張煜東擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：面向非均衡磁共振影像數據的魯棒病腦檢測方法研究
• 項目類別：青年科學基金項目
• 項目負責人：張煜東
• 依託單位：南京師範大學

項目摘要

如何在核磁共振掃描環境下，過濾電子干擾與噪聲的影響，是病腦檢測技術面臨的難點。低秩分解理論表征：實際觀測量可歸納為低秩分量與稀疏噪聲分量的結合。因此，研究者可從噪聲污染的樣本中恢復原始的乾淨數據。然而，低秩分解理論存在如下假設：即噪聲滿足高斯或拉普拉斯分布。該假設在磁共振掃描場景中不成立、且腦影像數據往往是非均衡的。為了解決上述兩個問題，本項目提出基於低秩分解理論的面向非均衡磁共振影像數據的魯棒特徵提取方法和魯棒分類方法，用於魯棒病腦檢測。我們的方法可在不同電子干擾與噪聲條件下，自適應地消除掉腦磁共振影像數據中的噪聲污染。本項目重點研究面向非均衡腦磁共振數據的魯棒特徵抽取與分類方法，進一步擴充了模式識別與人工智慧的理論體系，豐富了計算機自動檢測的套用範圍。本項目可為磁共振掃描環境下的魯棒病腦檢測提供更好的技術支撐。

結題摘要

疾病的早期自動診斷對於病人，醫院，社會有重要的經濟與社會意義。我國腦相關疾病死亡占總死亡人數的25%以上，我國腦疾病負擔達到每年上萬億元。本項目主要研究面向非均衡磁共振影像數據的魯棒特徵提取方法和魯棒分類方法用於魯棒病腦檢測。項目對腦磁共振圖像的電子噪聲建模，設計相關的模型參數學習算法以及參數最佳化算法，給出基於低秩分解的魯棒分類模型及最佳化求解算法，使得分類器對環境噪聲具備更好的魯棒性，解決非均衡樣本和電子噪聲條件下的魯棒特徵提取和分類問題，提高病腦檢測的準確率和有效性。額外的，項目引入最新的深度學習算法，包括卷積神經網路，遷移學習，自動編碼機等，使算法在病腦分類問題上檢測性能進一步提升。我們的算法在多類腦疾病(老年痴呆，多並發硬化，精神分裂，自閉症，聽力損失，酒精中毒腦等)上獲得了較好的臨床驗證。