磁共振薄层扫描结合人工智能脑结构分割技术分析海马体积辅助诊断脑小血管病认知功能障碍

目的分析磁共振薄层扫描结合人工智能脑结构分割技术分析海马体积辅助诊断脑小血管病认知功能障碍的应用价值。方法选择确诊为脑小血管病患者84例,入院采用简易智力状态检查量表(MMSE)分为认知功能障碍组39例和正常组45例。采用1.43T磁共振薄层扫描结合人工智能脑结构分割技术分析内侧颞叶区和海马的体积绝对值及百分比。结果认知功能障碍组年龄大于正常组(t=8.63,P<0.05),内侧颞叶区和海马的体积绝对值及百分比明显低于正常组(t分别=5.86、5.00、6.03、9.63,P均<0.05),而内侧颞叶萎缩视觉(MTA)评分明显高于正常组(t=-4.75,P<0.05)。相关性分析显示,内侧颞叶区和海马的体积绝对值及百分比与MTA评分呈负相关(r分别=-0.46、-0.50、-0.60、-0.63,P均<0.05),与MMSE评分呈正相关(r分别=0.41、0.49、0.57、0.60,P均<0.05)。受试者工作特征曲线(ROC)显示,海马体积百分比预测认知功能障碍的曲线下面积为0.88,95%CI 0.82~0.90,最佳临界值为0.31%,即海马体积百分比<0.31%诊断认知功能障碍的灵敏度为80.53%,特异度为85.62%。结论磁共振薄层扫描结合人工智能脑结构分割技术能够精准定位脑功能亚区,通过准确测量海马体积能够辅助诊断脑小血管病的认知功能障碍,海马体积百分比<0.31%有较好的诊断性能。

基于线性化核标签融合的脑MR图像分割方法

深层脑结构的形态变化和神经退行性疾病相关,对脑MR图像中的深层脑结构分割有助于分析各结构的形态变化.多图谱融合方法利用图谱图像中的先验信息,为脑结构分割提供了一种有效的方法.大部分现有多图谱融合方法仅以灰度值作为特征,然而深层脑结构灰度分布之间重叠的部分较多,且边缘不明显.为克服上述问题,本文提出一种基于线性化核多图谱融合的脑MR图像分割方法.首先,结合纹理与灰度双重特征,形成增强特征用于更好地表达脑结构信息.其次,引入核方法,通过高维映射捕获原始空间中特征的非线性结构,增强数据间的判别性和线性相似性.最后,利用Nystrom方法,对高维核矩阵进行估计,通过特征值分解计算虚样本,并在核标签融合过程中利用虚样本替代高维样本,大大降低了核标签融合的计算复杂度.在三个公开数据集上的实验结果表明,本文方法在较少的时间消耗内,提高了分割精度.