1. 研究目的与意义（文献综述）

1.1研究目的与意义

脑部是人类生命与活动的中枢神经系统，是一个功能异常强大而且十分神秘的器官，迄今人们对它的认识尚十分有限。中枢神经系统包括肿瘤、感染、外伤、白质病变等等，为了定量的检查这些疾病，确定病变累积的部位和范围，已经有很多成像技术来进行颅脑内部解剖结构显像，其中最重要的就是已经能够提供很好的软组织对比度的磁共振成像技术。与其他医学影像技术相比，医学磁共振技术（mri）具有较高的组织对比度和空间分辨率，能够根据软组织的物理和生化特性把它们很好的区分开来。因此，mri成为了人们进行脑功能、病理和解剖研究的重要手段。

脑部mr图像的分割在近几年一直是计算机视觉领域的热点。分割是对脑部mri进行定量分析和研究脑部疾病的重要手段之一。事实上，大脑的结构变化可能会导致一些脑部疾病，通过测量感兴趣区域的体积来量化结构变异，可用于评估某些疾病的严重程度或脑部的进化情况。随着数字医学图像的发展，脑部mri的分割在医学图像处理和分析中扮演着越来越重要的角色。脑部mr图像分割问题根据不同的目的主要有: 一，脑组织的提取，即脑组织从头部mr图像中提取出来；二，脑组织分类，即将脑部mr图像标记灰质、白质、脑脊液等不同的组织区域；三，脑部病变组织的提取等。

2. 研究的基本内容与方案

本设计是基于卷积神经网络的脑部mr图像分割。分析脑部核磁共振图像在医学诊断中是一种及其常见的检测方式，因此脑部核磁共振图像的分割在医学图像处理领域中也有着十分重要的作用。现在已经有很多处理脑部mr图像分割的算法，在本次设计中我们采用的是一种基于区域块的卷积神经网络方法。这种方法的思想在于将我们要处理的核磁共振图像分成同样大小的小区域块，然后把这些区域块作为卷积神经网络的输入进行训练，每个区域块的输出代表了这个区域块中心的分割结果，最后将所有的区域块的输出结果进行整合可以得到一个原始mr图像的分割图像，即分割成不同脑组织的图像

为了客观的评价最后的实验结果，我们选择了两个公共数据集作为本次设计的数据集，一个是来自brainweb网页的3d mr仿真脑部数据集，这个数据集的图片是根据真实的人脑进行仿真得到的mr图片，经常用于测评各种图片分析方法的性能，；另一个数据集是从candineuroimaging access point下载的公共数据集，与brainweb数据集不同的是，这个数据集是真实的人脑mr图片，它们是从6到17岁的儿童和青少年上扫描得到的，同时也包括了男性和女性，所有这些图像都是在mclean医院大脑成像中心的一台1.5-tesla磁共振扫描仪上扫描得到的。之所以要选择两个数据集进行验证，是因为这样可以减少实验结果的偶然性。

在本设计中，卷积神经网络的结构采用了三层卷积层、两层pooling层、一层全连接层以及一层softmax层，具体的神经网络结构如图2.1。在本次设计中我们采用的区域块的大小是32*32，所以卷积神经网络的输入大小是32*32，因为数据集是黑白图片，所以通道数是1。卷积神经网络的第一层是卷积层，它的卷积核大小为5*5，步长为1，滤波器数为48；第二层是max-pooling层，它的步长为2，这一层的作用是将图片进行下采样，减小特征图的大小；第三层和第四层与第一层和第二层相同，分别是一个卷积层和max-pooling层，并且卷积核和步长也相同，但卷积层的滤波器数为192；第五层也是一个卷积层，卷积核依然为5*5，但是他的输出变成了768个1*1的特征图；剩余的层包含一个全连接层和一个softmax层，通过这两个层将输入图片进行分类。

3. 研究计划与安排

第1周—第3周 搜集资料，撰写开题报告；

第4周—第5周 整理数据集；

第6周—第7周 构建神经网络；

4. 参考文献（12篇以上）

[1]wenlu zhang,rongjianli,houtao deng,li wang,weili lin,shuiwang ji,dinggang shen.deep convolutionalneural networks for multi-modality isointense infant brain imagesegmentation[j]. neuroimage, 108(2015):214224

[2]cui z, yang j, qiao y.brain mri segmentation with patch-based cnn approach[c]// control conference.ieee, 2016:7026-7031.

[3]nie d, wang l, gao y, etal. fully convolutional networks for multi-modality isointense infant brainimage segmentation[c]// ieee, international symposium on biomedical imaging.ieee, 2016:1342.