一种交互式脑纤维选择与可视化方法与流程

本文涉及脑神经纤维的研究，是一种交互式脑纤维选择与可视化方法。
背景技术：
：核磁共振成像技术的发展，弥散加权成像技术(DWI)、弥散张量成像技术(DTI)、高角分辨率扩散成像技术(HARDI)等无创成像技术相继问世.DWI是一种测量自旋质子微观随机位移的技术，通过测量生物组织对水分子布朗运动的阻碍状况，来探索生物组织特性.DTI是在DWI的基础上引入了张量，从而有了方向信息，成为了一种常用的检测大脑白质纤维结构的技术，然而DTI模型受Gaussian假设的限制，在每个体素内只能给出一根纤维方向的信息，无法揭示纤维相交的情况.HARDI技术是由DTI技术发展而来，它使用球面采样，同时假设组织内水分子为高斯弥散，可以用来描述纤维的交叉，合并等状态，受到相关研究者的重点关注.DTI与HARDI数据可以表示一组纤维束，这个过程称为纤维跟踪.纤维跟踪可以在三维空间展示脑部纤维的分布与连接关系.对纤维的展示是密集线绘制过程，三维空间的脑纤维在视觉上存在复杂混乱的问题，纤维信息与遮挡难取得平衡。人们对脑纤维进行观察时，由于其表面存在较多的纤维遮挡，往往无法直接观察到脑纤维的整体结构，因此难以对全脑纤维进行探索与分析.综上所述，为了能够减少脑纤维在三维空间中的视觉混乱情况，需要对脑纤维进行进一步筛选与可视化。合理的筛选方式可以去除对脑纤维结构造成遮挡的部分，保留脑纤维整体结构。良好的可视化效果可以更好的展示脑纤维的空间关系，帮助人们更好的理解脑纤维的组织结构，从而更好地对脑纤维进行探索。技术实现要素：为了提高对脑纤维的空间结构感知效果，本发明提供了一种交互式的脑纤维选择与可视化方法。本发明设计的交互式脑纤维选择与可视化方法，包括以下步骤：1)、导入原始数据，将数据进行建模，跟踪出纤维的路径；2)、由于纤维数据的自身属性，所有纤维路径并非等长，针对纤维长短不一的特性，我们将纤维选择方式分为两类，一类是基于散布矩阵的纤维选择方法，该方法关注于单根纤维的全局方向属性，不考虑纤维的长度；另一类则是基于局部方向向量的纤维选择方法，该方法关注于纤维的局部方向属性，同时兼顾纤维长度。2.1)基于散布矩阵的纤维选择：根据纤维路径上相邻节点的方向向量，计算出每根纤维路径的散布矩阵。散布矩阵特征值可以描述该纤维的方向信息，然后根据散布矩阵的特征值构造纤维方向参数，从而对不同方向的纤维进行选择。2.2)基于局部方向向量的纤维选择：计算纤维路径上相邻节点的方向向量，对该方向向量进行单位化，通过该方向向量的三个空间坐标对纤维方向进行判定，将脑纤维方向分为三类；设定方向长度阈值，通过调节阈值的方式，对某一个方向的纤维进行选择。3)、对纤维进行颜色编码，使纤维的颜色根据其方向的变化而变化，展示出纤维的方向走势，从而使神经纤维在三维空间更容易给感知。4)、提取出可描述脑神经纤维整体结构的纤维，然后将不同方向的纤维进行重组，重新绘制全脑领域的纤维，通过调节颜色与不透明度对纤维进行渲染，同时通过旋转、放缩小等操作对纤维进行可视化交互，更好地展现脑纤维的空间关系。作为优选的一种方案：所述的步骤2.1)括以下步骤：Step1计算大脑纤维相邻节点之间的局部方向向量ni，其公式为：ni＝(xi-xi+1,yi-yi+1,zi-zi+1)(1)其中，(xi,yi,zi)与(xi+1,yi+1,zi+1)分别表示第i个与第i+1个节点的xyz空间坐标。同时，若一根纤维上总共有N个节点，则需要计算一根纤维上面所有节点之间的方向向量(n0,n1,n2,......nN-2,nN-1)，并由此构成一个方向向量的矩阵。Step2计算每根纤维的散布矩阵。其公式如下：S=1NΣi=1NniniT---(2)]]>其中，ni表示第i个点的方向向量，表示第i个点的方向向量的转置，N表示当前纤维的节点数。Step3获得散布矩阵后，计算散布矩阵的三个特征值β1,β2,β3，每一根脑纤维散布矩阵的三个特征值可以描述该纤维的xyz方向信息；由于散布矩阵的特征值可能为复数，所以，此处β1,β2,β3分别表示三个特征值的实部。Step4重复步骤1)，步骤2)和步骤3)，直至计算出所有纤维的对应的特征值。Step5计算得到散布矩阵所对应的判别参数Cl，其计算公式如下：Cl=β1-β2β1+β2+β3---(3)]]>其中，Cl的取值范围为(-1,1)，用于描述当前纤维的整体方向信息。Step6将Cl值落于阈值区间(Clstart,Clend)的纤维取出，其中，(Clstart,Clend)属于(-1,1)，Clstart表示所取Cl区间的最小值，Clend表示所取Cl区间的最大值。不同方向纤维的选择，可以通过调节区间(Clstart,Clend)实现。作为优选的一种优选方案：所述的步骤2.2)包括以下步骤：Step1同步骤2.1)的step1。Step2将公式(1)得到的局部方向向量ni进行标准化，其公式为：ni‾=(xi‾,yi‾,zi‾):---(5)]]>其中，的计算公式为：xi‾=xi-xi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2,yi‾=yi-yi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2,zi‾=zi-zi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2.---(6)]]>Step3给定三个变量(Uis,Uap,Ulr)分别存储x,y,z三个方向的纤维信息，其中，Uis用于对x轴方向纤维进行计数，Uap用于对y轴方向纤维进行计数，Ulr用于对z轴方向纤维进行计数。此外，给定两个参数w1，w2(w2远大于w1)用于对进行方向判定，其判定公式为：||xi‾||<w1,||yi‾||<w1,||zi‾||>w2→Uis+1||xi‾||<w1,||zi‾||<w1,||yi‾||>w2→Uap+1||yi‾||<w1,||zi‾||<w1,||xi‾||>w2→Ulr+1---(7)]]>Step4遍历所有的纤维，使用公式(7)，对每根纤维所有局部方向向量进行方向判定。最后用(Uis,Uap,Ulr)的最大值所指代的方向，作为当前纤维的主要方向。遍历结束后，全脑纤维将以三个方向划分为三类。Step5设定阈值deg，deg属于(0,maxN),其中，maxN表示最大纤维节点数。通过对阈值deg进行调节，对某一个方向的纤维进行筛选。Step6将公式(6)得到的标准方向向量映射到RGB颜色空间模型，其公式为：R=xi‾×RmaxG=yi‾×GmaxB=zi‾×Bmax---(8)]]>其中，Rmax＝Gmax＝Bmax＝255.本发明的有益效果：提出了两种不同的纤维选择方法。从整体上入手，将散布矩阵融入到纤维选择中，作为一种依据。从局部入手，根据每条纤维的每个节点的方向向量，对纤维进行选择。两种方法可以根据需求自行选择，统一的目标是为了提高用户对纤维的感知。附图说明图1为本发明的全脑纤维的绘制效果图图2为本发明的利用散布矩阵计算值进行分类的系统图图3为本发明的利用散布矩阵进行筛选的效果图图4为本发明的流程图图5为本发明的利用局部向量进行筛选的效果图具体实施方式：本发明的系统界面是通过Qt进行前端编写，数据处理通过C++进行，绘制通过OpenGL完成。下面结合附图对本发明进一步说明。参照图1～图5，一种交互式脑纤维选择与可视化方法，具体包括以下步骤：图1是通过OpenGL进行对于全脑数据的一种绘制。由此基础上可以绘制任何给定数据所表示的脑纤维。但是，可以明显的看到空间中的纤维在数量达到一定的数量时，不可避免的会产生阻挡，用户的对其的感知会急剧下降。开发人员曾经采用光照，颜色编码，抗锯齿等操作均未能达到预期的效果。因此提出了进行交互选择的可视化方法并且得到了较好的效果，提高了纤维的空间感知。图2是基于上述的方法做出的一个基于空间散布矩阵对纤维进行分类的一个可视化系统的截图。对纤维进行预处理，计算出每条纤维在空间中的散布矩阵，根据公式，可以得到每条纤维所对应的一个表示散布矩阵的值，该值在区间[-1.0,1.0]之中，以此为分类的依据。首先可以将纤维数据分别导入到左上和左下2个视图中去，可以得到2副纤维绘制的结果。这2个视图的数据虽然是同时导入的，但是是相互独立的。用户可以同时对这两个视图进行交互而互不影响。而且还可以根据计算所得到纤维散布矩阵进行自由的选择，从而同时得到不同选择的结果。通过合并按钮，可以将两个选择的结果进行合并，得到效果更佳的合并图。最后利用不透明度和经过挑选的配色方案，即可得到最终的合并图。合并图空间感知能力明显得到提升，不仅减少了阻挡而且通过对比，让脑纤维的结构越加的清晰。图3即是大脑纤维根据不同的散布矩阵进行分类的具体阶段图。首先，我们利用传统的配色方案，即RGB配色代表方向进行配色。由图可以知道，我们在固定视角的时候，利用不同的散布矩阵的值区间可以得到分类后的数据。例如，在cl值越靠近1的时候，纤维得整体趋势越接近于空间中的前后分布(基于屏幕方向)也就是红色所占的比重越来越多。其他情况也同理。图4通过流程图的形式展示了基于散布矩阵的纤维选择方法的实现过程。首先获得数据之后，每条纤维由若干个节点组成，所以需要计算每条纤维的各个节点之间的方向向量并且组成一个方向向量矩阵。在这之后，基于所得到的方向向量矩阵和散布矩阵计算公式可以得到散布矩阵。由于方向向量拥有3个值，所以得到的散布矩阵是3*3的矩阵，也就是说有3个特征值。利用这3个特征值可以得到我们之后用来进行判断的依据cl。cl是经过计算得到的一个特殊属性，加入到原来的数据当中去。再通过设定阈值，即可对原有的纤维进行选择。图5通过局部方向向量进行选择的效果图。与散布矩阵相比最大的特点就是简便，不需要对纤维数据进行计算。因为其效果是依据局部方向的一个总和，所以效果较为粗糙，结果较为简便。用户可以根据制定的x，y，z三个方向定义所需要选择的该纤维所应该到达的程度，定义为deg。deg的值越大就代表所要得到的该方向上的特征要越加明显。本发明所述的一种交互式脑纤维选择与可视化方法，包括如下步骤：1)、导入原始数据，将数据进行建模，跟踪出纤维的路径；2)、由于纤维数据的自身属性，所有纤维路径并非等长，针对纤维长短不一的特性，我们将纤维选择方式分为两类，一类是基于散布矩阵的纤维选择方法，该方法关注于单根纤维的全局方向属性，不考虑纤维的长度；另一类则是基于局部方向向量的纤维选择方法，该方法关注于纤维的局部方向属性，同时兼顾纤维长度；2.1)基于散布矩阵的纤维选择；根据纤维路径上相邻节点的方向向量，计算出每根纤维路径的散布矩阵S；散布矩阵特征值可以描述该纤维的方向信息，然后根据散布矩阵的特征值构造纤维方向参数，从而对不同方向的纤维进行选择；；Step21计算大脑纤维相邻节点之间的局部方向向量ni，其公式为：ni＝(xi-xi+1,yi-yi+1,zi-zi+1)(1)其中，(xi,yi,zi)与(xi+1,yi+1,zi+1)分别表示第i个与第i+1个节点的xyz空间坐标；同时，若一根纤维上总共有N个节点，则需要计算一根纤维上面所有节点之间的方向向量(n0,n1,n2,......nN-2,nN-1)，并由此构成一个方向向量的矩阵n；Step22计算每根纤维的散布矩阵S；其公式如下：S=1NΣi=1NniniT---(2)]]>其中，ni表示第i个点的方向向量，表示第i个点的方向向量的转置，N表示当前纤维的节点数；Step23获得散布矩阵后，计算散布矩阵的三个特征值β1,β2,β3，每一根脑纤维散布矩阵的三个特征值可以描述该纤维的xyz方向信息；由于散布矩阵的特征值可能为复数，所以，此处β1,β2,β3分别表示每一条纤维对应散布矩阵S的三个特征值的实部；Step24重复步骤1)，步骤2)和步骤3)，直至计算出所有纤维的对应的特征值；Step25计算得到散布矩阵所对应的判别参数Cl，其计算公式如下：Cl=β1-β2β1+β2+β3---(3)]]>其中，Cl的取值范围为(-1,1)，用于描述当前纤维的整体方向信息；Step26将Cl值落于阈值区间(Clstart,Clend)的纤维取出，其中，(Clstart,Clend)属于(-1,1)，Clstart表示所取Cl区间的最小值，Clend表示所取Cl区间的最大值；不同方向纤维的选择，可以通过调节区间(Clstart,Clend)实现；2.2)基于局部方向向量的纤维选择：计算纤维路径上相邻节点的方向向量，对该方向向量进行单位化，通过该方向向量的三个空间坐标对纤维方向进行判定，将脑纤维方向分为三类；设定方向长度阈值，通过调节阈值的方式，对某一个方向的纤维进行选择；3)、对纤维进行颜色编码，使纤维的颜色根据其方向的变化而变化，展示出纤维的方向走势，从而使神经纤维在三维空间更容易给感知；4)、提取出可描述脑神经纤维整体结构的纤维，然后将不同方向的纤维进行重组，重新绘制全脑领域的纤维，通过调节颜色与不透明度对纤维进行渲染，同时通过旋转、放缩小等操作对纤维进行可视化交互，更好地展现脑纤维的空间关系；Step41同步骤step21；Step42将公式(1)得到的局部方向向量ni进行标准化，其公式为：ni‾=(xi‾,yi‾,zi‾):---(5)]]>其中，的计算公式为：xi‾=xi-xi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2,yi‾=yi-yi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2,zi‾=zi-zi+1(xi-xi+1)2+(yi-yi+1)2+(zi-zi+1)2.---(6)]]>Step43给定三个变量(Uis,Uap,Ulr)分别存储x,y,z三个方向的纤维信息，其中，Uis用于对x轴方向纤维进行计数，Uap用于对y轴方向纤维进行计数，Ulr用于对z轴方向纤维进行计数；此外，给定两个参数w1，w2(w2远大于w1)用于对进行方向判定，其判定公式为：||xi‾||<w1,||yi‾||<w1,||zi‾||>w2→Uis+1||xi‾||<w1,||zi‾||<w1,||yi‾||>w2→Uap+1||yi‾||<w1,||zi‾||<w1,||xi‾||>w2→Ulr+1---(7)]]>Step44遍历所有的纤维，使用公式(7)，对每根纤维所有局部方向向量进行方向判定；最后用(Uis,Uap,Ulr)的最大值所指代的方向，作为当前纤维的主要方向；遍历结束后，全脑纤维将以三个方向划分为三类；Step45设定阈值deg，deg属于(0,maxN),其中，maxN表示最大纤维节点数；通过对阈值deg进行调节，对某一个方向的纤维进行筛选；Step46将公式(6)得到的标准方向向量映射到RGB颜色空间模型，其公式为：R=xi‾×RmaxG=yi‾×GmaxB=zi‾×Bmax---(8)]]>其中，Rmax＝Gmax＝Bmax＝255。当前第1页1 2 3