基于白质纤维束的白质微结构特征筛选系统及方法与流程

本发明属于物理技术领域，更进一步涉及影像处理技术领域中一种基于白质纤维束的白质微结构特征筛选系统及方法。本发明通过从核磁共振的脑部图像中提取的白质纤维束进行沿纤维束分析，可以精确筛选白质纤维束微结构特征。

背景技术：

目前分析白质的方法主要是基于弥散张量成像dti(diffusiontensorimaging)图像构建白质骨架，或通过纤维束追踪提取感兴趣纤维束，将白质微结构特征映射到白质骨架或白质纤维束上，再通过统计分析筛选白质微结构特征。

中国科学院深圳先进技术研究院在其拥有的专利技术“一种弥散张量图像特征提取的方法及系统”(申请号：2014106275760，授权公告号：cn104408713b)中公开了一种基于弥散张量图像筛选大脑白质特征的系统。该系统包括特征提取模块，用于运用多线性核主成分分析法对各子空间的dti图像进行特征提取和降维，该系统存在的不足是，由于该系统的特征提取模块运用多线性核主成分分析法对各子空间的dti图像进行特征提取和降维，导致最终该系统所提取的特征缺乏可解释性，并且无法定位所提取特征的解剖位置。

西安电子科技大学在其拥有的专利技术“一种基于多变量的dti图像分析方法”(申请号：2014102293505，授权公告号：cn103996196b)中公开了一种基于dti图像分析白质微结构的方法。该方法通过对dti图像进行处理，构建白质骨架，将图像中的白质特性映射到所构建的白质骨架上，然后对白质骨架上的白质扩散特性进行进行统计分析，得到组间显著性差异区域，最后通过平均差异区域中的特定变量得到特征值。通过机器学习方法，对上述特征进行进一步筛选。该方法存在的不足之处在于，对白质骨架上的扩散特性进行统计分析得到显著性差异，由于白质骨架上的白质扩散特性是由其余部位的扩散特性映射而来，映射关系不明确，显著性结果难以解释。并且，对差异区域的扩散特性进行平均，导致特征敏感度下降。

jasond.yeatman在其发表的论文“tractprofilesofwhitematterproperties:automatingfiber-tractquantification”(plosone,2012，7(11):e49790.)中描述了一种自动量化白质纤维束的方法。该方法首先从个体脑部dti图像中利用确定型纤维束追踪提取白质纤维束，通过在白质纤维束上沿纤维以相同点数采样，将纤维上对应的采样点进行点匹配。然后提取采样点处的白质扩散特性，将对应的采样点上的白质扩散特性进行平均，得到最终的白质微结构特征。该方法存在的不足之处是，由于该方法从个体脑部dti图像中利用确定型纤维束追踪提取白质纤维束，确定型纤维束追踪方法在个体脑部dti图像中会存在追踪不出纤维束的情况，导致无法对该个体图像进行分析。并且，该方法是通过对纤维束进行沿纤维采样的方式将对应的采样点进行点匹配，这种点匹配方法不够精确，最后得到白质微结构特征存在一定误差。

技术实现要素：

本发明的目的是针对上述现有方法的不足，提供一种基于白质纤维束的白质微结构特征筛选系统及方法。本发明解决现有技术无法对输入的某些图像进行分析，所提取的白质微结构特征缺乏可解释性，敏感度低，误差大，显著性结果难以解释，并且无法定位所提取特征的解剖位置的问题。

实现本发明目的的思路是，基于dti图像构建张量模板，在张量模板上提取感兴趣纤维束，并对感兴趣纤维束进行纤维束参数化，基于所有dti图像构建纤维束频率图谱，利用纤维束频率图谱筛选纤维束参数化后的感兴趣纤维束，求得筛选后纤维束上的对应点上的各向异性fa(fractionalanisotropy)平均值，对fa平均值进行统计分析，得到感兴趣纤维束上的组间差异区域，在每张fa图像上提取出组间差异区域的fa值，得到筛选出的白质微结构特征。

为实现上述目的，本发明的系统包括数据读取模块、张量模板构建模块，感兴趣纤维束提取模块，纤维束参数化模型构建模块，纤维束筛选模块，统计分析模块，白质微结构特征筛选模块，其中：

所述的数据读取模块，用于读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部dti图像和fa图像；所述的待测图像组中包含格式均为.nii的52人的脑部dti图像和fa图像，同一人的脑部dti图像和fa图像所处空间一致，组成该个体的个体空间；

所述的张量模板构建模块，用于利用图像配准软件，将对照图像组中格式为.nii的每张fa图像配准到格式为.nii的标准模板，得到配准参数；在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数；将配准参数与平均配准参数融合，得到所选fa图像到标准空间下其余fa图像的变换参数；将所选fa图像的变换参数作用到对应的dti图像上，得到标准化后的dti图像；若已选取完标准空间下的所有图像，则已完成所有各项异性图像的标准化，否则，继续在标准空间下的所有图像中选择未选图像；求所有标准化后的dti图像中对应位置上体素灰度值的平均值；将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板；

所述的感兴趣纤维束提取模块，用于利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；还用于利用追踪软件，对两组图像中每张dti图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；

所述的纤维束参数化模型构建模块，用于按照计算感兴趣纤维束中每条纤维的纤维密度；选取感兴趣纤维束中所有纤维的纤维密度中的最大值，作为原型纤维；计算原型纤维上每个点处的切向量，对切向量做垂线，垂线与其他纤维相交得到原型纤维上每个点的匹配点的坐标；其中，dl表示感兴趣纤维束中第l条纤维的纤维密度，nl表示感兴趣纤维束中第l条纤维上点的总数，∑表示求和操作，i表示感兴趣纤维束中第l条纤维上点的序号，mli表示感兴趣纤维束中第l条纤维上第i个点的纤维轨迹数目；

所述的纤维束筛选模块，用于将两组图像中每张fa图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；还用于寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；利用输入的两组图像中每张fa图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；利用三线性插值，插值计算出输入的两组图像中每张fa图像上对应个体空间下筛选后的纤维束上所有点的fa值；在输入的两组图像中每张fa图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的fa值的平均值，将所有对应位置上点的fa值的平均值组成fa值平均值向量，输入的两组图像对应得到两组fa值平均值向量；

所述的统计分析模块，用于对两组fa值平均值向量对应位置处的所有fa值进行双样本t检验，得到显著性差异，将该显著性差异所在位置作为感兴趣纤维束中具有显著性组间差异的区域；

所述的白质微结构特征筛选模块，用于构造一个大小与张量模板大小相同的零矩阵，将感兴趣纤维束中具有组间差异的点标记为1，得到一个0，1二值矩阵，将该矩阵存储为一张组间差异图像；利用张量模板空间到个体空间的逆配准参数到将组间差异图像映射到个体空间；将组间差异图像上的灰度值与感兴趣纤维束图像上的灰度值进行相乘，筛选出待测图像上的白质微结构特征所在区域；选取fa图像上白质微结构特征所在区域的所有fa值，将该区域中所有fa值的大小依次表征待测图像上的白质微结构特征。

本发明的方法包括如下步骤：

(1)读取dti图像和fa图像：

数据读取模块读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部dti图像和fa图像；所述的待测图像组中包含格式均为.nii的52人的脑部dti图像和fa图像，同一人的脑部dti图像和fa图像所处空间一致，组成该个体的个体空间；

(2)构建张量模板：

张量模板构建模块利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；

(3)提取张量模板的感兴趣纤维束：

感兴趣纤维束提取模块利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；

(4)构建纤维束参数化模型：

纤维束参数化模型构建模块利用纤维束参数化方法，构建纤维束参数化模型；

(5)提取个体dti图像的感兴趣纤维束：

(5a)感兴趣纤维束提取模块利用追踪软件，对两组图像中每张dti图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；

(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；

(6)构建纤维束频率图谱：

(6a)纤维束筛选模块将两组图像中每张fa图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；

(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；

(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；

(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；

(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；

(7)筛选感兴趣纤维束：

(7a)纤维束筛选模块寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；

(7b)利用输入的两组图像中每张fa图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；

(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；

(7d)利用三线性插值公式，插值计算出输入的两组图像中每张fa图像上对应个体空间下筛选后的纤维束上所有点的fa值；

(7e)在输入的两组图像中每张fa图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的fa值的平均值，将所有对应位置上点的fa值的平均值组成fa值平均值向量，输入的两组图像对应得到两组fa值平均值向量；

(8)统计分析：

统计分析模块对两组fa值平均值向量对应位置处的所有fa值进行双样本t检验，得到显著性差异，将该显著性差异所在位置作为感兴趣纤维束中具有显著性组间差异的区域；

(9)筛选待测图像上的白质微结构特征：

(9a)白质微结构特征筛选模块构造一个大小与张量模板大小相同的零矩阵，将感兴趣纤维束中具有组间差异的点标记为1，得到一个0，1二值矩阵，将该矩阵存储为一张组间差异图像；

(9b)利用张量模板空间到个体空间的逆配准参数到将组间差异图像映射到个体空间；

(9c)将组间差异图像上的灰度值与感兴趣纤维束图像上的灰度值进行相乘，筛选出待测图像上的白质微结构特征所在区域；

(9d)选取fa图像上白质微结构特征所在区域的所有fa值，将该区域中所有fa值的大小依次表征待测图像上的白质微结构特征。

本发明与现有的技术相比具有以下优点：

第一，由于本发明的系统采用感兴趣纤维束提取模块，纤维束参数化模型构建模块，纤维束筛选模块，统计分析模块，白质微结构特征筛选模块，克服了现有技术的系统所提取的特征缺乏可解释性，并且无法定位所提取特征的解剖位置的不足，使得本发明的系统具有所筛选特征可解释，并且可以在个体dti图像中定位所提取特征的解剖位置的优点。

第二，由于本发明的方法采用提取张量模板的感兴趣纤维束，构建纤维束参数化模型，构建纤维束频率图谱，筛选感兴趣纤维束，统计分析，筛选待测图像上的白质微结构特征，克服了现有技术显著性结果难以解释，所提取特征敏感度较低的不足，使得本发明的方法具有显著性结果的解释简单直观，提高了所筛选的白质微结构特征敏感度的优点。

第三，由于本发明的方法采用提取张量模板的感兴趣纤维束，构建纤维束参数化模型，构建纤维束频率图谱，筛选感兴趣纤维束，统计分析，筛选待测图像上的白质微结构特征，克服了现有技术无法对某些个体图像进行分析，且所得到白质微结构特征误差较大的不足，使得本发明的方法具有可对输入的每一张个体图像进行分析，并且降低了所筛选白质微结构特征误差的优点。

附图说明

图1是本发明系统的方框图；

图2是本发明方法的整体流程图；

图3是本发明所构建的张量图谱；

图4是本发明构建的纤维束频率图谱；

图5是本发明在一个个体上所筛选的白质微结构特征示意图。

具体实施方式

下面结合附图对本发明做详细描述。

参照附图1，对本发明的系统做进一步的描述。

本发明的系统包括数据读取模块、张量模板构建模块，感兴趣纤维束提取模块，纤维束参数化模型构建模块，纤维束筛选模块，统计分析模块，白质微结构特征筛选模块。

数据读取模块，用于读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部dti图像和fa图像；所述的待测图像组中包含格式均为.nii的52人的脑部dti图像和fa图像，同一人的脑部dti图像和fa图像所处空间一致，组成该个体的个体空间。

张量模板构建模块，用于利用图像配准软件，将对照图像组中格式为.nii的每张fa图像配准到格式为.nii的标准模板，得到配准参数；在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数；将配准参数与平均配准参数融合，得到所选fa图像到标准空间下其余fa图像的变换参数；将所选fa图像的变换参数作用到对应的dti图像上，得到标准化后的dti图像；若已选取完标准空间下的所有图像，则已完成所有各项异性图像的标准化，否则，继续在标准空间下的所有图像中选择未选图像；求所有标准化后的dti图像中对应位置上体素灰度值的平均值；将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板。

感兴趣纤维束提取模块，用于利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；还用于利用追踪软件，对两组图像中每张dti图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像。

纤维束参数化模型构建模块，用于按照计算感兴趣纤维束中每条纤维的纤维密度；选取感兴趣纤维束中所有纤维的纤维密度中的最大值，作为原型纤维；计算原型纤维上每个点处的切向量，对切向量做垂线，垂线与其他纤维相交得到原型纤维上每个点的匹配点的坐标；其中，dl表示感兴趣纤维束中第l条纤维的纤维密度，nl表示感兴趣纤维束中第l条纤维上点的总数，∑表示求和操作，i表示感兴趣纤维束中第l条纤维上点的序号，mli表示感兴趣纤维束中第l条纤维上第i个点的纤维轨迹数目。

纤维束筛选模块，用于将两组图像中每张fa图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；还用于寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；利用输入的两组图像中每张fa图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；利用三线性插值，插值计算出输入的两组图像中每张fa图像上对应个体空间下筛选后的纤维束上所有点的fa值；在输入的两组图像中每张fa图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的fa值的平均值，将所有对应位置上点的fa值的平均值组成fa值平均值向量，输入的两组图像对应得到两组fa值平均值向量。

统计分析模块，用于对两组fa值平均值向量对应位置处的所有fa值进行双样本t检验，得到显著性差异，将该显著性差异所在位置作为感兴趣纤维束中具有显著性组间差异的区域。

白质微结构特征筛选模块，用于构造一个大小与张量模板大小相同的零矩阵，将感兴趣纤维束中具有组间差异的点标记为1，得到一个0，1二值矩阵，将该矩阵存储为一张组间差异图像；利用张量模板空间到个体空间的逆配准参数到将组间差异图像映射到个体空间；将组间差异图像上的灰度值与感兴趣纤维束图像上的灰度值进行相乘，筛选出待测图像上的白质微结构特征所在区域；选取fa图像上白质微结构特征所在区域的所有fa值，将该区域中所有fa值的大小依次表征待测图像上的白质微结构特征。

参照附图2，对本发明的方法做进一步的详细描述。

步骤1，读取dti图像和fa图像。

数据读取模块读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部dti图像和fa图像；所述的待测图像组中包含格式均为.nii的52人的脑部dti图像和fa图像，同一人的脑部dti图像和fa图像所处空间一致，组成该个体的个体空间。

步骤2，构建张量模板。

利用fa图像和icbm标准模板，构建得到张量图谱，得到的结果如图3所示。

张量模板构建模块利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间。

所述张量模板构建方法的步骤如下：

第1步，张量模板构建模块利用fsl软件，将对照图像组中格式为.nii的每张fa图像配准到格式为.nii的国际大脑图谱协会icbm(internationalconsortiumforbrainmapping)标准模板，得到配准参数。

第2步，在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数。

第3步，利用fsl软件，将配准参数与平均配准参数融合，得到所选fa图像到标准空间下其余fa图像的变换参数。

第4步，利用fsl软件，将所选fa图像的变换参数作用到对应的dti图像上，得到标准化后的dti图像。

第5步，判断是否已选取完标准空间下的所有图像，若是，则执行第6步，否则，执行第2步。

第6步，求所有标准化后的dti图像中对应位置上体素灰度值的平均值。

第7步，将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板。

步骤3，提取张量模板的感兴趣纤维束。

感兴趣纤维束提取模块利用exploredti软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束。

步骤4，构建纤维束参数化模型。

纤维束参数化模型构建模块利用纤维束参数化方法，构建纤维束参数化模型。

所述纤维束参数化方法的步骤如下：

按照下式，计算感兴趣纤维束中每条纤维的纤维密度：

其中，dl表示感兴趣纤维束中第l条纤维的纤维密度，nl表示感兴趣纤维束中第l条纤维上点的总数，∑表示求和操作，i表示感兴趣纤维束中第l条纤维上点的序号，mli表示感兴趣纤维束中第l条纤维上第i个点的纤维轨迹数目；

选取感兴趣纤维束中所有纤维的纤维密度中的最大值，作为原型纤维；

计算原型纤维上每个点处的切向量，对切向量做垂线，垂线与其他纤维相交得到原型纤维上每个点的匹配点的坐标。

步骤5，提取个体dti图像的感兴趣纤维束。

感兴趣纤维束提取模块利用fsl软件，对两组图像中每张dti图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图。

将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像。

步骤6，构建纤维束频率图谱。

利用所有标准化的感兴趣纤维束图像，构建纤维束频率图谱，得到的结果如图4所示。

纤维束筛选模块利用fsl软件，将两组图像中每张fa图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数。

利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间。

在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像。

求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像。

将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱。

步骤7，筛选感兴趣纤维束。

纤维束筛选模块寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束。

利用fsl软件，对输入的两组图像中每张fa图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数

利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间。

利用三线性插值公式，插值计算出输入的两组图像中每张fa图像上对应个体空间下筛选后的纤维束上所有点的fa值。

所述的三线性插值公式如下：

其中，f(xi,yi,zi)表示筛选后的纤维束上(xi,yi,zi)点的fa值，(xi,yi,zi)表示筛选后的纤维束上第i个点处的坐标，分别表示沿x,y,z轴正方向上与(xi,yi,zi)点最近的整数坐标值，分别表示沿x,y,z轴负方向上与(xi,yi,zi)点最近的整数坐标值；分别表示fa图像上点的fa值。

在输入的两组图像中每张fa图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的fa值的平均值，将所有对应位置上点的fa值的平均值组成fa值平均值向量，输入的两组图像对应得到两组fa值平均值向量。

步骤8，统计分析。

统计分析模块对两组fa值平均值向量对应位置处的所有fa值进行双样本t检验，得到显著性差异，将该显著性差异所在位置作为感兴趣纤维束中具有显著性组间差异的区域。

步骤9，筛选待测图像上的白质微结构特征。

利用组间差异图像和感兴趣纤维束图像，得到所筛选白质微结构特征所在区域，结果如图5所示。

白质微结构特征筛选模块构造一个大小与张量模板大小相同的零矩阵，将感兴趣纤维束中具有组间差异的点标记为1，得到一个0，1二值矩阵，将该矩阵存储为一张组间差异图像。

利用张量模板空间到个体空间的逆配准参数到将组间差异图像映射到个体空间。

将组间差异图像上的灰度值与感兴趣纤维束图像上的灰度值进行相乘，筛选出待测图像上的白质微结构特征所在区域。

选取fa图像上白质微结构特征所在区域的所有fa值，将该区域中所有fa值的大小依次表征待测图像上的白质微结构特征。