基于深度学习的脑分区分割与阿尔茨海默病诊断研究

这是一篇关于脑分区分割,阿尔茨海默病诊断,深度学习,MRI的论文, 主要内容为脑分区分割是神经影像分析中至关重要的一环,也是计算机辅助进行脑部疾病检测、术前评估和手术规划等相关研究的基础。然而,人工进行脑分区标注需要大量有经验的医生且非常繁琐,极易引入人为错误。多脑分区分割是指使用同一个模型同时分割多个脑区,这比单个的脑分区分割更有挑战性。一方面,不同病人的脑部结构存在较大差异,另一方面,不同脑分区之间的尺寸差距也很明显。这对所设计的深度学习模型提出了更高的性能要求。目前,针对脑分区分割任务的神经网络模型主要以U-Net、FCN、V-Net以及它们的变种为主,这些模型的共同特点就是会将浅层特征传递到深层以弥补信息在深层网络传递过程中的损失。然而它们却忽略了粗糙特征直接与精细化特征融合会使得顶层学习困难。同时,它们也没有考虑由于多个脑分区尺寸规模存在较大差异带来的模型性能损失问题。针对第一个问题,本文在将2D U-Net扩展成3D的基础上引入了深浅特征融合模块用以精细化来自浅层的粗糙特征,同时使用短连接模块为特征传递提供更多的通道选择。经过以上的优化,具备Inception思想的I-Unet模型被提出,其对于12个目标脑分区分割的平均Dice为0.859。针对第二个问题,本文重新设计了均衡考虑不同脑分区尺寸差距的损失函数来指导神经网络的训练,使得尺寸较小的脑分区分割效果不会被模型所忽视。最终,所提出的方法对于最大的和最小的脑分区分割Dice仅相差0.126。阿尔茨海默病(Alzheimer’s disease,AD)是老年人最常见的痴呆类型,是一种典型的神经系统退行性疾病,它的准确诊断有助于在疾病早期进行干预或治疗。经过对任务以及数据特征的分析发现,神经网络中浅层特征对于AD病情诊断有着重要影响。基于此,本文提出了使用全局池化方法来汇聚图像特征,同时通过深层特征融合(Deep feature convergence,DFC)模块来联合多尺度深层特征的类3D U-Net模型(DFC-UNet)用于AD病情的诊断。最终,模型在阿尔茨海默病患者与正常志愿者(Normal control,NC)的识别任务上准确率达到了96.5%,同时在其它几个诊断任务中,模型也达到了较优的性能。众多研究表明AD与脑部的一些区域,尤其是海马区的萎缩有着密切关联,本文研究了使用脑分区分割结果来降低用于阿尔茨海默病诊断任务的模型的特征学习难度,并探索了对模型性能的影响程度。实验结果表明,使用脑分区特征能够有效提高模型性能,在AD vs.NC的二分类任务上,模型的准确率从95.0%提高到了96.5%,在所进行的四个二分类任务上,准确率平均提高了1.8%。

基于2.5维的MRI脑组织提取及多模态转换研究

这是一篇关于MRI,脑组织提取,Triple U-Net,SSA-UNet,多模态转换的论文, 主要内容为脑部磁共振成像(MRI)的脑组织提取是将脑组织与非脑组织分离出来的过程,是神经影像分析领域中的一项重要的预处理步骤。快速、稳定、精度的脑组织提取是后续神经影像分析的必要条件。脑部MRI图像处理存在以下难点:1、由于成像条件不同,脑部MRI图像常出现低对比度、低信噪比和低强度问题;2、由于运动和场偏影响,脑部MRI图像常出现伪影和灰度分布不均匀问题;3、由于脑组织与非脑组织之间的灰度差异较小,甚至出现灰度重叠问题;4、不同模态MRI图像之间灰度差别显著,导致模型对不同模态MRI图像的适应性问题。以上这些问题使得基于脑部MRI的脑组织提取成为了一项极具挑战性的任务。具有解剖学专业知识的专家对脑组织进行手动提取的精度高,但是耗时耗力,且有一定的主观性。因此,发展自动脑组织提取方法以提高脑组织的提取效率,避免人为因素造成的影响,具有十分重要的意义。随着深度学习的深入研究,基于深度学习的算法已经成功地应用于各个领域。在脑组织提取领域,基于深度学习的自动脑组织提取方法也应运而生,成为了目前的主流研究方向。本研究在基于深度学习的自动脑组织提取方法上进行改进与创新,进一步提高脑组织的提取精度与稳定性,并且对不同MRI模态转换进行研究,以实现跨模态脑组织提取。本研究的主要创新点和工作内容如下:1.为了保留连续图像之间的相关性,本研究创新性的提出了2.5维切片图像数据预处理方法。以灰度模式读取连续三帧2维图像,融合生成一帧三通道2.5维图像,取中间通道图像的标签作为该2.5维图像的标签。2.5维切片方法可以为网络提供更多的上下文信息和一定的层间约束,提高脑组织提取的准确性。2.在U-Net网络的基础之上提出Triple U-Net网络。该网络由三条U型网络并行组成,输入连续三帧2.5维图像,相当于连续五帧2维图像,进一步实现2.5维切片的特征提取。两条辅助U型网络为主U型网络的训练提供补充、约束。使用基于二值交叉熵损失和Dice损失的多辅助混合损失函数对训练模型进行优化。3.进一步提出SSA-UNet网络。SSA-UNet网络在U-Net网络的基础之上引入通道注意力机制和自注意力机制。本研究将通道注意力模块级联自注意力模块形成SSA注意力块。将SSA注意力块添加到每一个解码器之前,让网络可以自动学习不同通道之间的重要性,关注待分割的目标区域,进一步提高脑组织提取网络的准确性和泛化性。4.本研究对多模态MRI图像转换进行研究,通过Cycle GAN将T2模态和FLAIR模态转换成T1模态,通过T1模态脑组织提取网络实现跨模态脑组织提取。本研究对Cycle GAN的生成器进行细微调整,使Cycle GAN能够适用于脑部MRI的多模态转换。本研究在两个公开数据集LPBA40和IBSR18以及一个自建数据集上将所提出的网络与其他网络进行了详细的对比分析。实验结果表明,本研究提出的Triple U-Net网络相比于其他网络,在两个公开数据集上都获得了最高的分割精度。提出的SSA-UNet网络的分割性能超越了Triple U-Net网络,在LPBA40和IBSR18数据集上的Dice评价指标值分别为98.38%和97.47%。Cycle GAN网络可以将T2模态转换成T1模态、FLAIR模态转换成T1模态,完成了多模态转换实验,并实现了跨模态脑组织提取。从实验结果可以看出,本研究所提出的脑组织提取方法具有非常好的分割精度和泛化性,采用多模态MRI转换实现跨模态脑组织提取方法也具有较强的可行性。

基于深度学习的脑分区分割与阿尔茨海默病诊断研究

这是一篇关于脑分区分割,阿尔茨海默病诊断,深度学习,MRI的论文, 主要内容为脑分区分割是神经影像分析中至关重要的一环,也是计算机辅助进行脑部疾病检测、术前评估和手术规划等相关研究的基础。然而,人工进行脑分区标注需要大量有经验的医生且非常繁琐,极易引入人为错误。多脑分区分割是指使用同一个模型同时分割多个脑区,这比单个的脑分区分割更有挑战性。一方面,不同病人的脑部结构存在较大差异,另一方面,不同脑分区之间的尺寸差距也很明显。这对所设计的深度学习模型提出了更高的性能要求。目前,针对脑分区分割任务的神经网络模型主要以U-Net、FCN、V-Net以及它们的变种为主,这些模型的共同特点就是会将浅层特征传递到深层以弥补信息在深层网络传递过程中的损失。然而它们却忽略了粗糙特征直接与精细化特征融合会使得顶层学习困难。同时,它们也没有考虑由于多个脑分区尺寸规模存在较大差异带来的模型性能损失问题。针对第一个问题,本文在将2D U-Net扩展成3D的基础上引入了深浅特征融合模块用以精细化来自浅层的粗糙特征,同时使用短连接模块为特征传递提供更多的通道选择。经过以上的优化,具备Inception思想的I-Unet模型被提出,其对于12个目标脑分区分割的平均Dice为0.859。针对第二个问题,本文重新设计了均衡考虑不同脑分区尺寸差距的损失函数来指导神经网络的训练,使得尺寸较小的脑分区分割效果不会被模型所忽视。最终,所提出的方法对于最大的和最小的脑分区分割Dice仅相差0.126。阿尔茨海默病(Alzheimer’s disease,AD)是老年人最常见的痴呆类型,是一种典型的神经系统退行性疾病,它的准确诊断有助于在疾病早期进行干预或治疗。经过对任务以及数据特征的分析发现,神经网络中浅层特征对于AD病情诊断有着重要影响。基于此,本文提出了使用全局池化方法来汇聚图像特征,同时通过深层特征融合(Deep feature convergence,DFC)模块来联合多尺度深层特征的类3D U-Net模型(DFC-UNet)用于AD病情的诊断。最终,模型在阿尔茨海默病患者与正常志愿者(Normal control,NC)的识别任务上准确率达到了96.5%,同时在其它几个诊断任务中,模型也达到了较优的性能。众多研究表明AD与脑部的一些区域,尤其是海马区的萎缩有着密切关联,本文研究了使用脑分区分割结果来降低用于阿尔茨海默病诊断任务的模型的特征学习难度,并探索了对模型性能的影响程度。实验结果表明,使用脑分区特征能够有效提高模型性能,在AD vs.NC的二分类任务上,模型的准确率从95.0%提高到了96.5%,在所进行的四个二分类任务上,准确率平均提高了1.8%。

基于多模态融合的阿尔兹海默症诊断系统设计与实现

这是一篇关于阿尔兹海默症,多模态,功能连接筛选,fMRI,MRI的论文, 主要内容为阿尔茨海默症(Alzheimer’s Disease,AD)是一种由神经系统紊乱、脑细胞死亡导致记忆丧失和认知能力下降的疾病,早期主要特征表现为认知功能下降,最终患者会丧失日常生活的能力。AD主要病发于老年人,对个人、对家庭乃至对社会都具有极大危害,AD患者的准确诊断对呵护患者健康、保持家庭幸福、维护社会稳定都具有重要意义。目前辅助AD诊断的工具有很多种,包括MRI、fMRI、PET等,不同模态的数据可能会蕴含不同的患者信息。本文将MRI和fMRI作为多模态数据,提出了一种基于多模态融合的AD诊断方法。主要工作如下:(1)针对脑功能连接筛选不够精细的问题,本文提出了基于最大分离度的脑功能连接筛选方法,实现脑功能连接的有效筛选。首先使用fMRI数据构造脑功能连接网络。其次按照本文提出的脑功能连接筛选方法对每个脑功能连接进行分析,根据每个脑功能连接的分布情况找到每个脑功能连接对应的有效区间。然后对每个被试的脑功能连接进行判断,将在有效区间内的脑功能连接保留,不在有效区间内的脑功能连接删除,实现脑功能连接网络重构,得到阈值化的脑功能连接网络。最后使用图核方法度量阈值化的脑功能连接网络的相似性,并结合SVM进行分类。(2)针对单模态数据包含信息有限的问题,本研究提出了一种基于多模态融合的AD诊断方法,实现了多模态数据融合并实现了AD的有效分类。首先对MRI数据进行处理得到脑区测量信息。然后将MRI数据处理得到的脑区测量信息作为阈值化的脑功能连接网络的节点,构造带节点属性的脑功能连接网络。最后使用DEMO-Net图神经网络进行分类。(3)设计了一个操作便捷的诊断系统。该系统不仅能够实现AD准确诊断,而且能够实现轻度认知障碍(Mild Cognitive Impairment,MCI)准确诊断,能够让患者准确了解自身的状态,早做预防。为了验证本文提出的分类模型的分类性能,设计了功能连接筛选方法的筛选效果实验,设计了与其他先进方法的分类效果对比实验。使用五种评价指标评估AD诊断模型的分类性能,实验结果显示本文提出的AD诊断模型能够取得较好的分类效果。基于AD诊断模型,设计并实现基于Django框架的AD诊断系统,且对系统的诊断效果进行测试。系统能够准确地诊断AD和MCI患者,为AD患者的早诊早治提供便利,具有良好的应用前景。

基于多模态融合的阿尔兹海默症诊断系统设计与实现

这是一篇关于阿尔兹海默症,多模态,功能连接筛选,fMRI,MRI的论文, 主要内容为阿尔茨海默症(Alzheimer’s Disease,AD)是一种由神经系统紊乱、脑细胞死亡导致记忆丧失和认知能力下降的疾病,早期主要特征表现为认知功能下降,最终患者会丧失日常生活的能力。AD主要病发于老年人,对个人、对家庭乃至对社会都具有极大危害,AD患者的准确诊断对呵护患者健康、保持家庭幸福、维护社会稳定都具有重要意义。目前辅助AD诊断的工具有很多种,包括MRI、fMRI、PET等,不同模态的数据可能会蕴含不同的患者信息。本文将MRI和fMRI作为多模态数据,提出了一种基于多模态融合的AD诊断方法。主要工作如下:(1)针对脑功能连接筛选不够精细的问题,本文提出了基于最大分离度的脑功能连接筛选方法,实现脑功能连接的有效筛选。首先使用fMRI数据构造脑功能连接网络。其次按照本文提出的脑功能连接筛选方法对每个脑功能连接进行分析,根据每个脑功能连接的分布情况找到每个脑功能连接对应的有效区间。然后对每个被试的脑功能连接进行判断,将在有效区间内的脑功能连接保留,不在有效区间内的脑功能连接删除,实现脑功能连接网络重构,得到阈值化的脑功能连接网络。最后使用图核方法度量阈值化的脑功能连接网络的相似性,并结合SVM进行分类。(2)针对单模态数据包含信息有限的问题,本研究提出了一种基于多模态融合的AD诊断方法,实现了多模态数据融合并实现了AD的有效分类。首先对MRI数据进行处理得到脑区测量信息。然后将MRI数据处理得到的脑区测量信息作为阈值化的脑功能连接网络的节点,构造带节点属性的脑功能连接网络。最后使用DEMO-Net图神经网络进行分类。(3)设计了一个操作便捷的诊断系统。该系统不仅能够实现AD准确诊断,而且能够实现轻度认知障碍(Mild Cognitive Impairment,MCI)准确诊断,能够让患者准确了解自身的状态,早做预防。为了验证本文提出的分类模型的分类性能,设计了功能连接筛选方法的筛选效果实验,设计了与其他先进方法的分类效果对比实验。使用五种评价指标评估AD诊断模型的分类性能,实验结果显示本文提出的AD诊断模型能够取得较好的分类效果。基于AD诊断模型,设计并实现基于Django框架的AD诊断系统,且对系统的诊断效果进行测试。系统能够准确地诊断AD和MCI患者,为AD患者的早诊早治提供便利,具有良好的应用前景。

基于MRI影像组学对直肠癌新辅助治疗疗效预测的研究

这是一篇关于直肠癌,新辅助治疗,影像组学,MRI,深度学习的论文, 主要内容为目的:直肠癌是世界上最常见的消化道恶性肿瘤之一,准确预测直肠癌患者新辅助治疗疗效是实现个体化治疗的关键环节。本课题针对治疗前预测直肠癌新辅助治疗疗效的临床需求,从四个方面构建基于磁共振成像(Magnetic Resonance Imaging,MRI)的预测模型。材料与方法:经湖北省肿瘤医院伦理委员会的批准,回顾性收集2014年1月至2020年12月在该院接受完整新辅助治疗的直肠癌患者74例,其中治疗有效组23例,治疗无效组51例。由三名经验丰富的放射科诊断医生利用ITKSNAP开源软件对小视野T2加权成像(T2-Weighted Imaging,T2WI)、扩散加权成像(Difussion-Weighted Imaging,DWI)、T1加权成像(T1-Weighted Imaging,T1WI)增强序列上的病灶进行逐层勾画,最后由一位10以上工作经验的放射科医生对所有图像进行复核。在特征提取方面,使用Pyradiomics包提取自定义的影像组学特征1561个,使用在Image Net数据集上预训练好的Inception Res Net V2、VGG19、Inception V3、Res Net50、Xception网络模型提取1000个深度学习特征。在特征选择与降维方面,使用单因素逻辑回归、t检验和秩和检验、梯度提升树(Gradient Boosting Decision Tree,GBDT)、相关性分析等方法。在模型建立方面,使用逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、朴素贝叶斯(Naive Bayes,NB)、K最邻近(K-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)、随机森林(Random Forest,RF)方法进行建模。在模型评估方面,使用精确率、灵敏度、准确率、F1分数、曲线下面积(Area Under Curve,AUC)值、受试者工作特性(Receiver Operating Characteristic,ROC)曲线等评价指标对模型进行评价。结果:随机按照7:3将收集的74例数据划分为训练集与测试集进行模型建立与评估。1.在单序列与多序列预测性能研究方面,利用Py Radiomics包提取1561个3D影像组学特征,通过单因素逻辑回归、GBDT、相关性分析三步特征选择,使用SVM分类器进行建模,T1WI增强序列在测试集上的AUC和Accuracy分别为0.625、0.594;小视野T2WI序列在测试集上的AUC和Accuracy分别为0.672、0.656;ADC序列在测试集上的AUC和Accuracy分别为0.684、0.688;DWI序列在测试集上的AUC和Accuracy分别为0.891、0.812。T1WI增强序列与DWI序列融合序列在测试集上的AUC和Accuracy分别为0.672、0.594;小视野T2WI序列与DWI序列融合序列在测试集上的AUC和Accuracy分别为0.75、0.68;ADC序列与DWI序列融合序列在测试集上的AUC和Accuracy分别为0.777、0.75。2.在不同勾画方式与不同预测模型研究方面,对于DWI序列利用Py Radiomics包提取1561个影像组学特征,通过单因素逻辑回归、GBDT、相关性分析三步降维,通过6种分类器进行建模分析,在LR模型中,2D、伪3D、3D在测试集上的AUC分别为0.785、0.836、0.625,Accuracy分别为0.781、0.75、0.594;在SVM模型中,2D、伪3D、3D在测试集上的AUC分别为0.789、0.801、0.891,Accuracy分别为0.75、0.781、0.812;在NB模型中,2D、伪3D、3D在测试集上的AUC分别为0.758、0.719、0.658,Accuracy分别为0.719、0.688、0.562;在KNN模型中,2D、伪3D、3D在测试集上的AUC分别为0.803、0.76、0.688,Accuracy分别为0.719、0.688、0.562;在DT模型中,2D、伪3D、3D在测试集上的AUC分别为0.725、0.688、0.637,Accuracy分别为0.655、0.688、0.688;在RF模型中,2D、伪3D、3D在测试集上的AUC分别为0.809、0.91、0.715,Accuracy分别为0.719、0.906、0.688。3.在不同网络模型提取深度学习特征研究方面,使用在Image Net数据集上预训练好的Inception Res Net V2、VGG19、Inception V3、Res Net50、Xception网络模型在DWI序列伪3D勾画数据上分别提取1000个深度学习特征。使用t检验和秩和检验综合分析法、相关性分析法进行特征降维,使用SVM分类器进行建模,在测试集中,Inception Res Net、VGG19、Inception V3、Res Net50、Xception的AUC分别为0.715、0.586、0.719、0.914、0.766;Accuracy分别为0.656、0.562、0.625、0.812、0.688。4.在融合特征研究方面,针对DWI序列伪3D勾画数据上分别提取1000个深度学习特征和1561个影像组学特征,使用单因素逻辑回归、GBDT、相关性分析进行降维,使用6种分类器进行建模。其中在RF分类器中,深度学习特征在测试集上的AUC和Accuracy分别为0.759、0.625;影像组学特征在测试集上的AUC和Accuracy分别为0.91、0.906;融合特征在测试集上的AUC和Accuracy分别为0.959、0.938。结论:1.DWI序列相对于其它三个序列预测性能最佳,通过融合序列研究发现,选出最优序列是有必要的。2.不同的勾画方式使用不同的建模方式都可以预测直肠癌新辅助治疗疗效。3.Res Net50网络模型相对于其它四个网络模型提取的深度学习特征有最佳的预测性能。4.融合特征可以提高模型预测性能。

基于多模态融合的阿尔兹海默症诊断系统设计与实现

这是一篇关于阿尔兹海默症,多模态,功能连接筛选,fMRI,MRI的论文, 主要内容为阿尔茨海默症(Alzheimer’s Disease,AD)是一种由神经系统紊乱、脑细胞死亡导致记忆丧失和认知能力下降的疾病,早期主要特征表现为认知功能下降,最终患者会丧失日常生活的能力。AD主要病发于老年人,对个人、对家庭乃至对社会都具有极大危害,AD患者的准确诊断对呵护患者健康、保持家庭幸福、维护社会稳定都具有重要意义。目前辅助AD诊断的工具有很多种,包括MRI、fMRI、PET等,不同模态的数据可能会蕴含不同的患者信息。本文将MRI和fMRI作为多模态数据,提出了一种基于多模态融合的AD诊断方法。主要工作如下:(1)针对脑功能连接筛选不够精细的问题,本文提出了基于最大分离度的脑功能连接筛选方法,实现脑功能连接的有效筛选。首先使用fMRI数据构造脑功能连接网络。其次按照本文提出的脑功能连接筛选方法对每个脑功能连接进行分析,根据每个脑功能连接的分布情况找到每个脑功能连接对应的有效区间。然后对每个被试的脑功能连接进行判断,将在有效区间内的脑功能连接保留,不在有效区间内的脑功能连接删除,实现脑功能连接网络重构,得到阈值化的脑功能连接网络。最后使用图核方法度量阈值化的脑功能连接网络的相似性,并结合SVM进行分类。(2)针对单模态数据包含信息有限的问题,本研究提出了一种基于多模态融合的AD诊断方法,实现了多模态数据融合并实现了AD的有效分类。首先对MRI数据进行处理得到脑区测量信息。然后将MRI数据处理得到的脑区测量信息作为阈值化的脑功能连接网络的节点,构造带节点属性的脑功能连接网络。最后使用DEMO-Net图神经网络进行分类。(3)设计了一个操作便捷的诊断系统。该系统不仅能够实现AD准确诊断,而且能够实现轻度认知障碍(Mild Cognitive Impairment,MCI)准确诊断,能够让患者准确了解自身的状态,早做预防。为了验证本文提出的分类模型的分类性能,设计了功能连接筛选方法的筛选效果实验,设计了与其他先进方法的分类效果对比实验。使用五种评价指标评估AD诊断模型的分类性能,实验结果显示本文提出的AD诊断模型能够取得较好的分类效果。基于AD诊断模型,设计并实现基于Django框架的AD诊断系统,且对系统的诊断效果进行测试。系统能够准确地诊断AD和MCI患者,为AD患者的早诊早治提供便利,具有良好的应用前景。

基于2.5维的MRI脑组织提取及多模态转换研究

这是一篇关于MRI,脑组织提取,Triple U-Net,SSA-UNet,多模态转换的论文, 主要内容为脑部磁共振成像(MRI)的脑组织提取是将脑组织与非脑组织分离出来的过程,是神经影像分析领域中的一项重要的预处理步骤。快速、稳定、精度的脑组织提取是后续神经影像分析的必要条件。脑部MRI图像处理存在以下难点:1、由于成像条件不同,脑部MRI图像常出现低对比度、低信噪比和低强度问题;2、由于运动和场偏影响,脑部MRI图像常出现伪影和灰度分布不均匀问题;3、由于脑组织与非脑组织之间的灰度差异较小,甚至出现灰度重叠问题;4、不同模态MRI图像之间灰度差别显著,导致模型对不同模态MRI图像的适应性问题。以上这些问题使得基于脑部MRI的脑组织提取成为了一项极具挑战性的任务。具有解剖学专业知识的专家对脑组织进行手动提取的精度高,但是耗时耗力,且有一定的主观性。因此,发展自动脑组织提取方法以提高脑组织的提取效率,避免人为因素造成的影响,具有十分重要的意义。随着深度学习的深入研究,基于深度学习的算法已经成功地应用于各个领域。在脑组织提取领域,基于深度学习的自动脑组织提取方法也应运而生,成为了目前的主流研究方向。本研究在基于深度学习的自动脑组织提取方法上进行改进与创新,进一步提高脑组织的提取精度与稳定性,并且对不同MRI模态转换进行研究,以实现跨模态脑组织提取。本研究的主要创新点和工作内容如下:1.为了保留连续图像之间的相关性,本研究创新性的提出了2.5维切片图像数据预处理方法。以灰度模式读取连续三帧2维图像,融合生成一帧三通道2.5维图像,取中间通道图像的标签作为该2.5维图像的标签。2.5维切片方法可以为网络提供更多的上下文信息和一定的层间约束,提高脑组织提取的准确性。2.在U-Net网络的基础之上提出Triple U-Net网络。该网络由三条U型网络并行组成,输入连续三帧2.5维图像,相当于连续五帧2维图像,进一步实现2.5维切片的特征提取。两条辅助U型网络为主U型网络的训练提供补充、约束。使用基于二值交叉熵损失和Dice损失的多辅助混合损失函数对训练模型进行优化。3.进一步提出SSA-UNet网络。SSA-UNet网络在U-Net网络的基础之上引入通道注意力机制和自注意力机制。本研究将通道注意力模块级联自注意力模块形成SSA注意力块。将SSA注意力块添加到每一个解码器之前,让网络可以自动学习不同通道之间的重要性,关注待分割的目标区域,进一步提高脑组织提取网络的准确性和泛化性。4.本研究对多模态MRI图像转换进行研究,通过Cycle GAN将T2模态和FLAIR模态转换成T1模态,通过T1模态脑组织提取网络实现跨模态脑组织提取。本研究对Cycle GAN的生成器进行细微调整,使Cycle GAN能够适用于脑部MRI的多模态转换。本研究在两个公开数据集LPBA40和IBSR18以及一个自建数据集上将所提出的网络与其他网络进行了详细的对比分析。实验结果表明,本研究提出的Triple U-Net网络相比于其他网络,在两个公开数据集上都获得了最高的分割精度。提出的SSA-UNet网络的分割性能超越了Triple U-Net网络,在LPBA40和IBSR18数据集上的Dice评价指标值分别为98.38%和97.47%。Cycle GAN网络可以将T2模态转换成T1模态、FLAIR模态转换成T1模态,完成了多模态转换实验,并实现了跨模态脑组织提取。从实验结果可以看出,本研究所提出的脑组织提取方法具有非常好的分割精度和泛化性,采用多模态MRI转换实现跨模态脑组织提取方法也具有较强的可行性。