用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法
【专利摘要】用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法，包括：读取脑部磁共振数据，获取施加梯度方向的磁共振信号未施加梯度方向的磁共振信号及梯度方向数据选取所需的ROI区域，计算扩散衰减信号S(g)/S0；将ROI内的每个体素内的扩散衰减信号进行逐个建模为扩散形态的椭球分布模型；纤维方向的估计是通过计算得到张量系数得到扩散函数，再计算每个采样的扩散函数值来得到扩散模型。
【专利说明】用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法(-)【技术领域】
[0001]本发明涉及图像处理、医学成像、计算方法、数学、三维重建、神经解剖学等领域，尤其是这一种高阶扩散张量混合稀疏成像。
(二)【背景技术】
[0002]脑白质纤维跟踪是获得大脑白质区域纤维走向的一类信息医学技术，它通过追踪局部张量走向来估计纤维的可能路径。就目前而言，脑白质纤维跟踪方法是唯一以种能在活体中无创地获得脑白质纤维走向的方法。纤维跟踪技术首先对原始的DW-MRI数据进行体素建模，获得每个体素内的纤维走向，形成具有解剖学意义的纤维空间微结构，然后再利用纤维跟踪算法对指定区域的纤维方向进行连接。随着磁共振扩散信号的采样精度和对纤维跟踪精度需求的提高，纤维方向估计问题的求解规模越来越大，使得稳定获得高分辨率纤维识别比较困难，这极大地阻碍了该技术在临床医学中的应用。
(三)
【发明内容】
[0003]为了克服现有方法角度分辨率和计算效率低等不足，本发明提出一种以高阶张量为导向的高角度分辨率高效率低样本数的纤维方向分布估计方法。
[0004]本发明所采用的技术方案如下:
[0005]用于脑白质纤维跟踪的高阶扩散张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骤:
[0006](I)读取脑部磁共振数据，获取施加梯度方向的磁共振信号未施加梯度方向的磁共振信号A ^ —及梯度方向数据《 ^ -，选取所需的ROI区域，计算扩散衰减信号 S(g)/SQ。
[0007](2)将ROI内的每个体素内的扩散衰减信号进行逐个建模为扩散形态的椭球分布模型，其建模过程如下:
[0008]2.1)体素微结构建模方案:
[0009]将扩散衰减信号SfeVStl假设为单条纤维信号响应函数R(v，g)与扩散函数D(V)在球面S2上的卷积:
[0010]
【权利要求】
1.用于脑白质纤维跟踪的高阶扩散张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骤: (1)读取脑部磁共振数据，获取施加梯度方向的磁共振信号Sei未施加梯度方向的磁共振信号&—及梯度方向数据-，选取所需的ROI区域，计算扩散衰减信号S(g)/S0。 (2)将ROI内的每个体素内的扩散衰减信号进行逐个建模为扩散形态的椭球分布模型，其建模过程如下: . 2.1)体素微结构建模方案: 将扩散衰减信号SfeVStl假设为单条纤维信号响应函数R(v，g)与扩散函数D(V)在球面S2上的卷积:
2.如权利要求1所述的方法，其特征在于:所述的步骤2.1)中的扩散函数D (V)使用高阶多项式15W =作为扩散函数。
3.如权利要求1所述的方法，其特征在于:所述的步骤2.2)中所构建的纤维方向的数学模型使用球面卷积最小化能量函数的方法:
4.如权利要求1所述的方法，其特征在于:所述的步骤3.3.1中的初始化搜索空间是通过在两组线性非负空间_Φ°χ≥O和X≥O范围内初始化X。
5.如权利要求1所述的方法，其特征在于:所述的步骤3.3.2中训练正则化矩阵使用惩罚加权I1和I2的罚函数
6.如权利要求1所述的方法，其特征在于:所述的步骤3.3.2中的正则矩阵L是通过每次迭代计算张量D的平均值调整阈值参数μ来搜索小于阈值μ的点作为调整矩阵:
7.如权利要求1所述的方法，其特征在于:所述的步骤3.3.3中的加权优化方法方法是通过加入稀疏权值ω的方式:
8.如权利要求1所述的方法，其特征在于:所述的步骤3.4.2和3.4.3中局部极值点的FOD值方法是通过粒子群优化算法搜索q个局部极值点，再采样这q个局部极值点附近的t个邻域稀疏点，获取集中于纤维方向的最优信息，通过沿纤维方向的最优信息的t个稀疏值用于计算FOD值，避免冗余现象提高了计算效率。
9.如权利要求1所述的方法，其特征在于:所述的步骤3.4.3中纤维方向是使用MATLAB软件仿真计算出的FOD值的分布，利用极值搜索方法来获取纤维的方向。
【文档编号】G06F17/50GK103970929SQ201310716522
【公开日】2014年8月6日 申请日期:2013年12月23日 优先权日:2013年12月23日
【发明者】冯远静, 吴烨, 许优优, 单敏, 李蓉, 李志娟, 王哲进, 高成峰, 叶峰, 陈蒙奇, 李斐 申请人:浙江工业大学