专利名称：一种弥散张量核磁共振图像的大脑白质纤维束分类方法
技术领域：
本发明涉及一种弥散张量核磁共振图像的大脑白质纤维束分类方法，属于医学图像处理，计算神经解剖学等领域。适用弥散张量核磁共振图像的大脑神经纤维的分类和分析，图像来源是弥散张量核磁共振图像。
背景技术：
大脑白质大部分是中枢神经系统的组成部分，由连接不同灰质区域的有髓神经细胞(纤维束)组成，负责在神经元之间传输神经冲动。因而，无论在解剖还是功能层面上，大脑白质纤维束具有重要的作用和研究价值。随着成像科学的发展，弥散张量核磁共振成像技术使白质纤维束的可视化成为可能，基于此技术的大脑白质纤维束成像方法已经在研究领域得到广泛的使用，并在临床诊断上，如老年痴呆症和脑肿瘤等，显示出很大的潜力。
近期，大脑结构和功能研究领域里，研究人员对白质纤维束成像方法的利用已不仅仅局限于白质纤维的可视化，也常常利用其对白质纤维进行分类研究，以此来实现解剖结构或者功能意义上的探索。现有的分类方法可分为两类交互式分类方法，自动聚类方法。在交互式分类方法中，专家依靠经验和知识在图像中选取感兴趣的区域，从而获得通过这些区域的纤维束。这类方法要求操作者具备相当程度的大脑白质纤维解剖结构及其他相关的知识和经验。大多数的自动聚类方法是先定义一种纤维间的距离或相似度，如纤维通过相同像素点的次数等，然后将其作为聚类算法的输入实现对纤维的自动聚类。然而，现有的自动聚类算法多依赖于纤维的空间关系，没有挖掘和利用纤维自身的特性。此外，越来越多的研究发现，大脑皮层的发育和纤维生长密切相关，而现有的方法仅注重纤维束分类与大脑皮层结构或功能上的对应联系，少有从纤维自身形状特性出发研究其对大脑皮层发育的贡献。
发明内容
要解决的技术问题 为了避免现有技术的不足之处，本发明提出一种弥散张量核磁共振图像的大脑白质纤维束分类方法，涉及一种基于大脑白质纤维束自身形状特征而进行分类的方法。
本发明的思想在于从纤维束自身的形状特性出发，构造一个包含十二个元素的特征向量。这十二个元素可分为五大类1.纤维束的整体走向；2.纤维束的弯曲程度；3.纤维束曲线的重心分布；4.纤维束的曲率；5.纤维束的凹凸程度。在此基础上，定义马氏距离为纤维束特征向量间的相似度，并利用仿射传播聚类算法进行全自动聚类，得出五类形状闭口‘U’型，敞口‘U’型，‘M’型，直线型，弧线型。
技术方案 一种弥散张量核磁共振图像的大脑白质纤维束分类方法，其特征在于步骤如下 步骤1使用DTIStudio开源软件对原始大脑弥散张量图像进行预处理得到大脑白质纤维束，该纤维束是三维空间里由一系列节点和连接相邻节点的线段组成的； 步骤2通过最大化目标函数将重建出的纤维束映射到x-y二维平面，其中
表示纤维束S上i节点的x，y坐标，N表示纤维束上节点的个数； 步骤3对映射到二维平面上的纤维束进行长度归一化处理首先采用文献Choosing nodes in parametric curve interpolation中的方法对纤维束进行插值，其次，在纤维束上重新采样100个等步长节点，最后将所有步长缩放成同样的单位长度，使所有的纤维束等长，完成长度归一化，本发明规定单位长度为1cm； 步骤4对长度归一化后的纤维束进行起点归一化首先旋转平移纤维束使其两个端点在x轴上；其次，计算所旋转平移的纤维束重心在x轴上位置
以距离该位置近的端点为起点；最后，从起点开始按公式计算纤维束的转向；当O为正时，表示纤维束逆时针旋转，当O为负时，表示纤维束顺时针旋转；其中tx(·)，ty(·)表示节点切线的x，y分量；规定纤维束整体转向为顺时针旋转，若为逆时针旋转，则将纤维束沿x轴翻转，使其顺时针旋转； 步骤5从归一化处理后的纤维束提取纤维束的整体走向特征、纤维束的弯曲程度特征、纤维束的重心分布特征、纤维束的曲率特征和纤维束的凹凸程度特征的五类特征并将五类特征参数化为十二个元素(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅；(5)纤维束整体弯曲程度；(6)-(7)定步长弯曲程度均值及方差；(8)x-轴两侧重心位置比；(9)-(10)曲线弯曲角均值及方差；(11)-(12)凹凸点数比及程度比； 所述的纤维束的整体走向特征从起点开始，对纤维束上相邻点的切线夹角进行累积积分，并对累积积分曲线进行傅里叶变换，使用傅里叶变换的前四个系数的振幅来描述纤维束的整体走向特征； 所述的纤维束的弯曲程度特征使用纤维束两点Si和Sj间的弧长-弦长比 来描述纤维束的弯曲程度特征； 所述的纤维束的重心分布特征用纤维束在x轴两侧的重心到x轴的距离的比值来描述纤维束的重心分布特征，其中，M是y坐标大于0的纤维束节点的集合，N是y坐标小于0的纤维束节点的集合，当Rg＜1时，取其倒数； 所述的纤维束的曲率特征采用文献A CURVE BEND FUNCTION BASED METHOD TOCHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle来描述纤维束的曲率特征； 所述的纤维束的凹凸程度的特征在纤维束节点Si左右相邻的L个点的邻域内，根据公式计算Si的凹凸，为凹，为凸，
表示凹凸的程度，并用凹凸程度的比表示纤维束的凹凸程度的特征，其中P是的节点的集合，Q是的节点的集合； 步骤6将上述的五类特征组成一个特征向量，并在该特征空间内采用马氏距离定义特征向量间的相似度，采用仿射传播聚类算法对特征向量进行聚类，从而将纤维束分成稳定的五类闭口‘U’型；敞口‘U’型；‘M’型；直线型；弧线型；每一类的十二个元素分布以(均值，方差)的形式表述如下 闭口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纤维束整体弯曲程度(3.3299，5.6847)；(6)-(7)定步长弯曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-轴两侧重心位置比(19.1048，4.8791)；(9)-(10)曲线弯曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； 敞口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纤维束整体弯曲程度(1.6099，0.2988)；(6)-(7)定步长弯曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-轴两侧重心位置比(20.4308，6.3422)；(9)-(10)曲线弯曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； ‘M’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纤维束整体弯曲程度(1.3659，0.2841)；(6)-(7)定步长弯曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-轴两侧重心位置比(9.1574，5.2087)；(9)-(10)曲线弯曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸点数比及程度比(1.5421，0.9779)，(2.1838，1.3202)； 直线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纤维束整体弯曲程度(1.045，0.0291)；(6)-(7)定步长弯曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-轴两侧重心位置比(4.1518，2.0758)；(9)-(10)曲线弯曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸点数比及程度比(1.3187，0.6571)，(1.6189，0.9276)； 弧线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纤维束整体弯曲程度(1.1591，0.0705)；(6)-(7)定步长弯曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-轴两侧重心位置比(14.1514，4.1084)；(9)-(10)曲线弯曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； 其中，Inf表示无穷大，NaN表示不存在。
有益效果 本发明提出的一种弥散张量核磁共振图像的大脑白质纤维束分类方法，
图1本发明方法的基本流程图； 图2起点归一化图示； 图3部分特征提取图示； (1)纤维束的凹凸程度及重心分布；(2)纤维束的曲线弯曲角；(3)纤维束的切线夹角累积积分；(4)图(3)傅里叶变换的部分振幅； 图4一个正常人的弥散张量核磁共振图像的大脑白质纤维束分类结果示例及分类结果在多个被试上的稳定性显示； (a1)、(a2)分类结果的整体显示；(b)6个被试的分类带方差棒统计直方图，其中颜色标记与(a1)(a2)一致；(c1)-(c5)随机选取每类中小部分纤维束予以显示，顺序与(b)一致。
具体实施例方式 现结合实施例、附图对本发明作进一步描述 根据本发明提出的基于形状特征的大脑神经纤维分类方法，我们用C++语言实现了完整的过程。图像数据来源是实际中正常人的弥散张量核磁共振图像。方便起见，规定纤维束为一个点的集合{Si|i＝1，2，…，N}，点Si的坐标用
表示。
本发明流程见附图1，具体实施步骤如下 1.预处理 使用DTIStudio开源软件对原始大脑弥散张量图像进行预处理得到大脑白质纤维束。
2.三维纤维束的二维映射 为了使纤维束的形状信息在映射过程中得到最大程度的保留，映射平面的选取十分关键。本发明规定映射平面为x-y平面，使目标函数，即纤维束曲线能量函数的x，y分量和最大化，将这时的x-y平面上的投影作为映射后的二维纤维束曲线。为了验证“多数纤维束在三维空间的变化并不显著”这一先决条件，随机选择了3000条纤维束，并计算了它们映射后的能量和原始能量之比，实验证明平均94.81％的能量被保留了下了，从而验证了上述先决条件的合理性。
3.归一化处理 对于长度归一化问题首先用B样条在纤维束上进行节点插值，使其节点更为稠密以减少重采样所带来的误差；其次，在纤维束上重新采样100个等步长节点；最后将所有步长缩放成同样的单位长度，使所有的纤维束等长，从而去除了长度的影响。
对于起点归一化问题首先旋转平移纤维束使其两个端点在x轴上；其次，按照原则一，计算纤维束整体的重心在x轴上位置
设定距离该位置近的端点为起点；最后，从起点开始按公式(1)计算纤维束的转向 其中tx(·)，ty(·)表示节点切线的x，y分量。为负表示顺时针旋转，为正表示逆时针旋转，其绝对值越大，表示转动越大。因而，O的正负说明了纤维束整体的转向。按照原则二，若O为正(逆时针旋转)，则将纤维束沿x轴翻转，使其顺时针旋转。
4.特征提取及特征向量生成 纤维束的整体走向 相邻切线夹角的累积积分描述了纤维束整体走向的变化程度。切线夹角的计算从归一化处理后确定的起点开始的，并且根据纤维束整体顺时针走向对角度定义了正负相邻的两条切线，若后出现的切线相对于前一条顺时针转动(或不动)则为正，否则为负。这样做的目的是减少摆动噪声给累积积分带来的错误性的增长。然后对累积积分进行傅里叶变换，并取尚未大幅衰减的前四个(包括直流分量)系数的振幅来参数化纤维束的整体走向。
纤维束的弯曲程度 使用纤维束的弧长-弦长比 来描述，具体参数为纤维束整体的弧长-弦长比，即，i＝1，j＝100；一定步长(j-i＝10)的弧长-弦长比均值与方差。
纤维束的重心分布 将纤维束两端点的连线即x轴作为参考轴，分别计算其两侧的重心到该轴的距离，并用两距离比来描述。不失一般性，这个比值统一规定为小于1。
纤维束的曲率 本发明没有使用对噪声很敏感的曲率值，而采用了A CURVE BEND FUNCTIONBASED METHOD TO CHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle来描述纤维束的曲率特征。Curve Bend Angle定义为当前点和两个邻域点弦长的夹角，见附图4，本发明中邻域点长度取10。所选取的参数为，Curve Bend Angle的均值和方差。
纤维束的凹凸程度 在归一化纤维束为顺时针旋转的基础上，从起点开始，规定纤维束顺时针转动时为凸，逆时针转动时为凹。为了避免局部噪声的影响，Si点凹凸的判断和程度的度量使用 为凹，为凸，
表示凹凸的程度。最终选取的参数为，凹点和凸点个数之比，整体凹程度和凸程度之比。
特征向量
包含了上述十二个元素，重申如下 (1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅；(5)纤维束整体弯曲程度；(6)-(7)定步长弯曲程度均值及方差；(8)x-轴两侧重心位置比；(9)-(10)曲线弯曲角均值及方差；(11)-(12)凹凸点数比及程度比。
5.自动聚类 仿射传播聚类算法将聚类类数也作为一个未知量，因而需要构造一个相似度矩阵A，它的(i，j)元素表示特征向量间的相似度，定义为马氏距离如下 其中，Cov为两特征的covariance，W为对角矩阵，它对角线上的元素决定了对应特征的权重。
另外，仿射传播聚类算法中的p参数决定了聚类类数的松紧程度。
将构造好的相似度矩阵和调整恰当的p参数作为输入，仿射传播聚类算法可实现自动聚类。
本发明中，十二个特征的权重相等，即W对角线上元素均为1/12；p取值-180。
将上述的五类特征组成一个特征向量，并在该特征空间内采用马氏距离定义特征向量间的相似度，采用仿射传播聚类算法对特征向量进行聚类，从而将纤维束分成稳定的五类闭口‘U’型；敞口‘U’型；‘M’型；直线型；弧线型；每一类的十二个元素分布以(均值，方差)的形式表述如下 闭口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纤维束整体弯曲程度(3.3299，5.6847)；(6)-(7)定步长弯曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-轴两侧重心位置比(19.1048，4.8791)；(9)-(10)曲线弯曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； 敞口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纤维束整体弯曲程度(1.6099，0.2988)；(6)-(7)定步长弯曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-轴两侧重心位置比(20.4308，6.3422)；(9)-(10)曲线弯曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； ‘M’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纤维束整体弯曲程度(1.3659，0.2841)；(6)-(7)定步长弯曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-轴两侧重心位置比(9.1574，5.2087)；(9)-(10)曲线弯曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸点数比及程度比(1.5421，0.9779)，(2.1838，1.3202)； 直线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纤维束整体弯曲程度(1.045，0.0291)；(6)-(7)定步长弯曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-轴两侧重心位置比(4.1518，2.0758)；(9)-(10)曲线弯曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸点数比及程度比(1.3187，0.6571)，(1.6189，0.9276)； 弧线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纤维束整体弯曲程度(1.1591，0.0705)；(6)-(7)定步长弯曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-轴两侧重心位置比(14.1514，4.1084)；(9)-(10)曲线弯曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)； 其中，Inf表示无穷大，NaN表示不存在。
附图4显示了从一个真实正常被试白质纤维束最终得到的五类稳定而有意义的分类结果。为了说明该分类方法的稳定性，6个被试的分类统计结果以柱状图和方差棒的方式显示在附图4中，每一类的方差范围都很小，证明了该分类方法的稳定性。
为了验证该分类方法的准确性，我们从分类结果中随机选取了4000条纤维束，让专家手工分为这五类，并以此为标准，计算自动分类结果的敏感性和特异性。表1显示的实验结果证明本发明设计的分割方法具有很好的表现。
权利要求
1.一种弥散张量核磁共振图像的大脑白质纤维束分类方法，其特征在于步骤如下
步骤1使用DTIStudio开源软件对原始大脑弥散张量图像进行预处理得到大脑白质纤维束，该纤维束是三维空间里由一系列节点和连接相邻节点的线段组成的；
步骤2通过最大化目标函数将重建出的纤维束映射到x-y二维平面，其中
表示纤维束S上i节点的x，y坐标，N表示纤维束上节点的个数；
步骤3对映射到二维平面上的纤维束进行长度归一化处理首先采用文献Choosing nodes in parametric curve interpolation中的方法对纤维束进行插值，其次，在纤维束上重新采样100个等步长节点，最后将所有步长缩放成同样的单位长度，使所有的纤维束等长，完成长度归一化，本发明规定单位长度为1cm；
步骤4对长度归一化后的纤维束进行起点归一化首先旋转平移纤维束使其两个端点在x轴上；其次，计算所旋转平移的纤维束重心在x轴上位置
以距离该位置近的端点为起点；最后，从起点开始按公式计算纤维束的转向；当O为正时，表示纤维束逆时针旋转，当O为负时，表示纤维束顺时针旋转；其中tx(·)ty(·)表示节点切线的x，y分量；规定纤维束整体转向为顺时针旋转，若为逆时针旋转，则将纤维束沿x轴翻转，使其顺时针旋转；
步骤5从归一化处理后的纤维束提取纤维束的整体走向特征、纤维束的弯曲程度特征、纤维束的重心分布特征、纤维束的曲率特征和纤维束的凹凸程度特征的五类特征并将五类特征参数化为十二个元素(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅；(5)纤维束整体弯曲程度；(6)-(7)定步长弯曲程度均值及方差；(8)x-轴两侧重心位置比；(9)-(10)曲线弯曲角均值及方差；(11)-(12)凹凸点数比及程度比；
所述的纤维束的整体走向特征从起点开始，对纤维束上相邻点的切线夹角进行累积积分，并对累积积分曲线进行傅里叶变换，使用傅里叶变换的前四个系数的振幅来描述纤维束的整体走向特征；
所述的纤维束的弯曲程度特征使用纤维束两点Si和Sj间的弧长-弦长比
来描述纤维束的弯曲程度特征；
所述的纤维束的重心分布特征用纤维束在x轴两侧的重心到x轴的距离的比值来描述纤维束的重心分布特征，其中，M是y坐标大于0的纤维束节点的集合，N是y坐标小于0的纤维束节点的集合，当Rg＜1时，取其倒数；
所述的纤维束的曲率特征采用文献A CURVE BEND FUNCTION BASED METHOD TOCHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle来描述纤维束的曲率特征；
所述的纤维束的凹凸程度的特征在纤维束节点Si左右相邻的L个点的邻域内，根据公式计算Si的凹凸，为凹，为凸，
表示凹凸的程度，并用凹凸程度的比表示纤维束的凹凸程度的特征，其中P是的节点的集合，Q是的节点的集合；
步骤6将上述的五类特征组成一个特征向量，并在该特征空间内采用马氏距离定义特征向量间的相似度，采用仿射传播聚类算法对特征向量进行聚类，从而将纤维束分成稳定的五类闭口‘U’型；敞口‘U’型；‘M’型；直线型；弧线型；每一类的十二个元素分布以(均值，方差)的形式表述如下
闭口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纤维束整体弯曲程度(3.3299，5.6847)；(6)-(7)定步长弯曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-轴两侧重心位置比(19.1048，4.8791)；(9)-(10)曲线弯曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)；
敞口‘U’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纤维束整体弯曲程度(1.6099，0.2988)；(6)-(7)定步长弯曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-轴两侧重心位置比(20.4308，6.3422)；(9)-(10)曲线弯曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)；
‘M’型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纤维束整体弯曲程度(1.3659，0.2841)；(6)-(7)定步长弯曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-轴两侧重心位置比(9.1574，5.2087)；(9)-(10)曲线弯曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸点数比及程度比(1.5421，0.9779)，(2.1838，1.3202)；
直线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纤维束整体弯曲程度(1.045，0.0291)；(6)-(7)定步长弯曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-轴两侧重心位置比(4.1518，2.0758)；(9)-(10)曲线弯曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸点数比及程度比(1.3187，0.6571)，(1.6189，0.9276)；
弧线型(1)-(4)切线夹角累积积分傅里叶变换的前四个系数振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纤维束整体弯曲程度(1.1591，0.0705)；(6)-(7)定步长弯曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-轴两侧重心位置比(14.1514，4.1084)；(9)-(10)曲线弯曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸点数比及程度比(Inf，NaN)，(Inf，NaN)；
其中，Inf表示无穷大，NaN表示不存在。
全文摘要
一种弥散张量核磁共振图像的大脑白质纤维束分类方法。本发明涉及一种基于大脑神经纤维自身形状特征进行分类的方法。基本思想是将大脑神经纤维的五类形状特征参数化，并组成特征向量，利用AP算法对特征向量进行全自动聚类从而完成大脑神经纤维的分类。其特征为首先对三维大脑弥散张量图像进行预处理，并将所得到的大脑神经纤维看做三维空间曲线，进行插值重采样；其次在最大限度保留曲线能量的前提下，将大脑神经纤维映射到二维平面上，并提出两个标准对二维曲线进行起点归一化；然后在映射后的曲线上提取五类参数化的形状特征，并将其组成特征向量；最后利用AP自动聚类算法，对特征向量进行聚类，将大脑神经纤维的分为闭口‘U’型，敞口‘U’型，‘M’型，直线型，弧线型等五类。本发明具有简单有效，稳定性高的优点。
文档编号G06T7/00GK101763638SQ20091021948
公开日2010年6月30日 申请日期2009年12月14日 优先权日2009年12月14日
发明者郭雷, 张拓, 胡新韬, 聂晶鑫, 李刚, 刘天明, 李凯明 申请人:西北工业大学