用于腦白質(zhì)纖維跟蹤的高階擴散張量混合稀疏成像方法
【專利摘要】用于腦白質(zhì)纖維跟蹤的高階擴散張量混合稀疏成像方法，包括：讀取腦部磁共振數(shù)據(jù)，獲取施加梯度方向的磁共振信號未施加梯度方向的磁共振信號及梯度方向數(shù)據(jù)選取所需的ROI區(qū)域，計算擴散衰減信號S(g)/S0；將ROI內(nèi)的每個體素內(nèi)的擴散衰減信號進行逐個建模為擴散形態(tài)的橢球分布模型；纖維方向的估計是通過計算得到張量系數(shù)得到擴散函數(shù)，再計算每個采樣的擴散函數(shù)值來得到擴散模型。
【專利說明】用于腦白質(zhì)纖維跟蹤的高階擴散張量混合稀疏成像方法(-)【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理、醫(yī)學成像、計算方法、數(shù)學、三維重建、神經(jīng)解剖學等領(lǐng)域，尤其是這一種高階擴散張量混合稀疏成像。
(二)【背景技術(shù)】
[0002]腦白質(zhì)纖維跟蹤是獲得大腦白質(zhì)區(qū)域纖維走向的一類信息醫(yī)學技術(shù)，它通過追蹤局部張量走向來估計纖維的可能路徑。就目前而言，腦白質(zhì)纖維跟蹤方法是唯一以種能在活體中無創(chuàng)地獲得腦白質(zhì)纖維走向的方法。纖維跟蹤技術(shù)首先對原始的DW-MRI數(shù)據(jù)進行體素建模，獲得每個體素內(nèi)的纖維走向，形成具有解剖學意義的纖維空間微結(jié)構(gòu)，然后再利用纖維跟蹤算法對指定區(qū)域的纖維方向進行連接。隨著磁共振擴散信號的采樣精度和對纖維跟蹤精度需求的提高，纖維方向估計問題的求解規(guī)模越來越大，使得穩(wěn)定獲得高分辨率纖維識別比較困難，這極大地阻礙了該技術(shù)在臨床醫(yī)學中的應(yīng)用。
(三)
【發(fā)明內(nèi)容】

[0003]為了克服現(xiàn)有方法角度分辨率和計算效率低等不足，本發(fā)明提出一種以高階張量為導向的高角度分辨率高效率低樣本數(shù)的纖維方向分布估計方法。
[0004]本發(fā)明所采用的技術(shù)方案如下:
[0005]用于腦白質(zhì)纖維跟蹤的高階擴散張量混合稀疏成像方法，其特征在于:所述的混合稀疏成像方法包括以下步驟:
[0006](I)讀取腦部磁共振數(shù)據(jù)，獲取施加梯度方向的磁共振信號未施加梯度方向的磁共振信號A ^ —及梯度方向數(shù)據(jù)《 ^ -，選取所需的ROI區(qū)域，計算擴散衰減信號 S(g)/SQ。
[0007](2)將ROI內(nèi)的每個體素內(nèi)的擴散衰減信號進行逐個建模為擴散形態(tài)的橢球分布模型，其建模過程如下:
[0008]2.1)體素微結(jié)構(gòu)建模方案:
[0009]將擴散衰減信號SfeVStl假設(shè)為單條纖維信號響應(yīng)函數(shù)R(v，g)與擴散函數(shù)D(V)在球面S2上的卷積:
[0010]
【權(quán)利要求】
1.用于腦白質(zhì)纖維跟蹤的高階擴散張量混合稀疏成像方法，其特征在于:所述的混合稀疏成像方法包括以下步驟: (1)讀取腦部磁共振數(shù)據(jù)，獲取施加梯度方向的磁共振信號Sei未施加梯度方向的磁共振信號&—及梯度方向數(shù)據(jù)-，選取所需的ROI區(qū)域，計算擴散衰減信號S(g)/S0。 (2)將ROI內(nèi)的每個體素內(nèi)的擴散衰減信號進行逐個建模為擴散形態(tài)的橢球分布模型，其建模過程如下: . 2.1)體素微結(jié)構(gòu)建模方案: 將擴散衰減信號SfeVStl假設(shè)為單條纖維信號響應(yīng)函數(shù)R(v，g)與擴散函數(shù)D(V)在球面S2上的卷積:
2.如權(quán)利要求1所述的方法，其特征在于:所述的步驟2.1)中的擴散函數(shù)D (V)使用高階多項式15W =作為擴散函數(shù)。

3.如權(quán)利要求1所述的方法，其特征在于:所述的步驟2.2)中所構(gòu)建的纖維方向的數(shù)學模型使用球面卷積最小化能量函數(shù)的方法:

4.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.3.1中的初始化搜索空間是通過在兩組線性非負空間_Φ°χ≥O和X≥O范圍內(nèi)初始化X。
5.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.3.2中訓練正則化矩陣使用懲罰加權(quán)I1和I2的罰函數(shù)
6.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.3.2中的正則矩陣L是通過每次迭代計算張量D的平均值調(diào)整閾值參數(shù)μ來搜索小于閾值μ的點作為調(diào)整矩陣:
7.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.3.3中的加權(quán)優(yōu)化方法方法是通過加入稀疏權(quán)值ω的方式:
8.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.4.2和3.4.3中局部極值點的FOD值方法是通過粒子群優(yōu)化算法搜索q個局部極值點，再采樣這q個局部極值點附近的t個鄰域稀疏點，獲取集中于纖維方向的最優(yōu)信息，通過沿纖維方向的最優(yōu)信息的t個稀疏值用于計算FOD值，避免冗余現(xiàn)象提高了計算效率。
9.如權(quán)利要求1所述的方法，其特征在于:所述的步驟3.4.3中纖維方向是使用MATLAB軟件仿真計算出的FOD值的分布，利用極值搜索方法來獲取纖維的方向。
【文檔編號】G06F17/50GK103970929SQ201310716522
【公開日】2014年8月6日 申請日期:2013年12月23日 優(yōu)先權(quán)日:2013年12月23日
【發(fā)明者】馮遠靜, 吳燁, 許優(yōu)優(yōu), 單敏, 李蓉, 李志娟, 王哲進, 高成峰, 葉峰, 陳蒙奇, 李斐 申請人:浙江工業(yè)大學