面向脑MRI多解剖结构重要深层神经核团的联合精细分割与形态分析研究

There are some nerve nucleic at the deep bottom of cerebral hemisphere in human brain, they have important relationships with the common great brain diseases (such as pediatric autism, adult depression, senile dementia, etc.). Fine segmentation and morphological analysis of nerve nuclei in brain MR images are significant to improve the accuracy of early diagnosis of related diseases and treat them effectively. This project fully considers anatomical features of deep brain structures, researches segmentation problem of deep nerve nuclei oriented different levels and morphological quantitative description & calculation. The following methods will be discussed: deformable model and multi-atlas fusion combining position priori knowledge, improved sparse representation and dictionary learning integrating anatomical information, dense fully convolutional neural network, and improved dilated convolutional pyramid neural network, etc. new methods for deep nerve nuclei with fine and joint segmentations; new methods of morphological quantitative description & calculation for deep nerve nuclei based on surface modeling and shape measurement, and Riemann geometric analysis, etc.. The project aims at mining brain MRI data adequately to provide accurate and comprehensive efficient information for doctors to diagnose brain diseases, and striving to make breakthroughs in fine and joint segmentation of brain deep nerve nuclei. These research contents of the project have great reference value and practical significance on improving the accuracy and scientificity of brain disease diagnosis, and on the medical research which investigate the pattern of human brain development and aging.

人类大脑深层结构中存在若干重要的神经核团，与常见的重大脑部疾病（如儿童自闭症、成人抑郁症、老年失智症等）有重要关系，在脑MR图像上对这些深层核团进行精细分割与形态分析对于提高相关脑病早期诊断准确率、进行有效治疗具有重要意义。本项目在充分结合脑部深层结构解剖特征框架下，研究面向不同层次的深层神经核团分割与形态分析方法，包括：结合解剖学特征的形变模型与多图谱融合、融入解剖信息改进的稀疏表达与字典学习、稠密型全卷积神经网络以及改进卷积金字塔神经网络的核团精细分割与联合分割新方法；基于曲面建模与形状度量、基于黎曼几何分析的深层核团形态定量计算新方法。.本项目旨在充分挖掘发挥脑MR影像的作用，为医生诊断脑部疾病提供高效准确的辅助信息，力争在脑部深层神经核团精细分割与联合分割方面取得一定突破。项目研究对于提高脑病诊断的准确性和科学性、探讨大脑生长和衰老规律的医学研究都具有重要的参考价值与应用意义。

项目针对脑部医学图像结构复杂、存在噪声干扰、灰度分布不均匀、部分容积效应，边界不清晰等影像分析难点，面向重要脑部计算机辅助诊断关键算法的各环节开展研究工作。在脑组织精确分割方面，提出基于空间自注意力和深度特征重建的脑组织分割算法、基于全局信息提取和上下文信息推断的脑组织分割算法、基于多尺度注意力特征融合的脑组织分割算法、等等，提出的脑组织分割系列算法具有分割精度高、泛化性好等优势，可实现脑组织的精确分割。在多解剖结构深层神经核团的精细分割与联合分割方面，针对脑MR图像多中心、医学图像标注信息受限等问题，从融合多尺度信息、注意力机制、半监督/无监督学习等角度，提出深层脑结构分割系列算法，包括：基于视觉和空间特征增强的脑结构分割算法、基于局部细节特征优化的脑结构分割算法、基于Transformer多尺度注意力特征融合网络的脑结构分割算法、基于样本像素筛选的标签带噪场景下脑结构分割算法、基于置信度增强的交叉伪标签半监督脑结构分割算法、基于协同训练的跨数据集无监督域自适应脑结构分割算法、等等，实现深层脑结构的精细分割与联合分割。在三维形态特征描述方面，从全脑分割的角度进行定量分析，提出基于融合空间信息U-Net的全脑与颅内总体积的联合分析算法、基于深度学习的全脑和脑白质损伤联合分割与定量分析算法。在重要脑疾病辅助诊断方面，提出基于不对称增强注意力网络的阿尔茨海默症诊断算法、基于3-D CNN多通道对比学习的阿尔兹海默症自动诊断方法，以提高阿尔兹海默症的临床检出率。.项目研究提出了面向脑部MR影像分析与重要脑疾病(阿尔茨海默症)辅助诊断的系列算法，构建了脑影像分析与脑疾病辅助诊断原型系统，为项目成果走向临床应用奠定基础。项目研究对提高脑部MR图像分析与疾病诊断的准确性、科学性等具有学术意义和应用价值。