CN101384215A - 利用最大相干投影的高解析度弥散数据可视化 - Google Patents

利用最大相干投影的高解析度弥散数据可视化 Download PDF

Info

Publication number
CN101384215A
CN101384215A CNA2006800078620A CN200680007862A CN101384215A CN 101384215 A CN101384215 A CN 101384215A CN A2006800078620 A CNA2006800078620 A CN A2006800078620A CN 200680007862 A CN200680007862 A CN 200680007862A CN 101384215 A CN101384215 A CN 101384215A
Authority
CN
China
Prior art keywords
track
voxel
orientation vector
orientation
instruction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2006800078620A
Other languages
English (en)
Other versions
CN101384215B (zh
Inventor
范·J·韦登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Hospital Corp
Original Assignee
General Hospital Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Hospital Corp filed Critical General Hospital Corp
Publication of CN101384215A publication Critical patent/CN101384215A/zh
Application granted granted Critical
Publication of CN101384215B publication Critical patent/CN101384215B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Vascular Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Generation (AREA)

Abstract

一种用于显示弥散数据的方法，包括定义弥散数据的体素内相干性和体素间相干性。基于弥散数据的体素内相干性和体素间相干性，可以定义多个轨迹。只显示那些具有特定特性的轨迹。

Description

利用最大相干投影的高解析度弥散数据可视化
关于联邦资助研究的声明
本发明受政府资助，基于美国国立卫生研究院第R01 MH64044号资金。联邦政府对本发明可享有一定的权利。
相关申请
本申请请求于2005年3月11日提交的美国临时专利申请No.60/660,566以及于2005年3月11日提交的No.60/660,565的优先权，该等美国临时专利申请的内容一并在此作为参考。
技术领域
本发明涉及跟踪成像(tractographic)技术，尤其涉及从弥散数据中识别和显示轨迹。
背景技术
脑包括由神经纤维连接的灰质，这些神经纤维通常为白质并且有时被称为脑纤维束。跟踪成像技术的目的是识别神经纤维所沿的路径或轨迹，并用这些轨迹来建立一个标准脑的图。通过检查结果图，人们就可以阐明特定的图案和结构，这些图案和结构也许能够说明脑是如何实现其功能的。
神经纤维轨迹的生理学特点是水倾向于沿着轨迹的方向弥散，在试图横穿过轨迹弥散时遇到阻力。因此，通过观察水在脑的不同位置处的弥散方向，人们可以识别出在脑组织中主要纤维束的方向。如果可以识别出优选的弥散的方向，人们就可以确定在该组织中的纤维束方向。
一个用于收集能够指示脑中水的弥散的数据的已知方法是获得脑的磁共振成像(MRI)。为完成该任务的一个方法被称为“弥散张量MRI”，涉及估计在脑的每个体素(voxel)中的弥散张量。其他方法涉及在一个球或另一体积(volume)上定义的方位密度函数来表示每个体素上的弥散特性。另外一个方法是表示每个体素上的弥散特性。图1示出了由利用DSI技术获得的结构中所得到的跟踪成像数据和由利用q-ball(一种Q空间的成像技术)方法获得的同一结构中所得的跟踪成像数据的比较结果。
在脑的很多区域，尤其是，贯穿大脑皮层，这些轨迹趋向于重复地交叉。因此，如果人们可以精确地显示每一个轨迹，得到的结果显示会看起来像是一个钢丝绒球，其中，上百万个独立的轨迹相互交叉并重新交叉形成看起来无缝地并且是毫无特征的整体。这样的显示很难以解释。
发明内容
本发明是建立在这样的认知之上，那就是人们可以运用弥散数据中的相干性(coherence)来建立这些轨迹自身。
在一个方面，本发明描述了一个显示弥散数据的方法，其中，获得与第一体素相关的方位密度函数。所述第一体素像素位于至少一个轨迹上，且包括第一方位矢量。一个第二体素在所述第一方位矢量的基础上确定。然后，一个第二方位矢量从与所述第二体素相关的一系列方位矢量中被选出。基于第一与第二方位矢量间的关系，可以确定是否沿着由第一和第二方位矢量确定的轨迹来建立一段轨迹。
另一方面，本发明是基于这样的认知，跟踪成像数据在只有那些有特定特征的部分数据实际显示时更容易被理解。
在此方面，本发明描述了一个方法来显示弥散数据。通过定义弥散数据的体素内相干性和体素间相干性来实现。基于体素内相干性和体素间相干性，可以定义多样的轨迹。然后，只有那些具有选定的特征的轨迹被显示出来。
除非被另外定义，在此使用的所有技术和科学上的术语与本领域的普通技术人员所理解的具有相同的意义。尽管与本发明在此描述的类似或等同的方法和材料可以用于本发明的实践或测试，合适的方法和材料在下文中将给予描述。在此提到的所有的出版物、专利申请、专利和其他参考文件一并作为参考。如有冲突，以本说明书(包括定义)为准。此外，其中的材料、方法和例子仅为示例性的，并不为限制本发明的保护范围。
通过参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、优点将会变得更加明显，其中：
附图说明
图1为利用q-ball MRI和DSI技术分别由弥散数据获得的轨迹的比较；
图2为显示弥散数据的方法的流程图；
图3为脑的部分的传统解剖图和与该部分相关联的弥散数据的比较；
图4和图5为示出了具有选定长度的轨迹的图像；
图6为仅示出了终止于特定薄片的轨迹的图像；
图7显示了在母牛舌头中的轨迹的图像；
图8显示了在母牛食管中的轨迹的图像；
图9显示了在母牛心脏中的轨迹的图像；
图10显示了建立轨迹的程序的流程图。
具体实施方式
在显示神经纤维的过程中，存在这样的矛盾，显示太多的数据会使观者迷惑，而显示太少的数据又会使观者几乎不能获取重要信息。通常地，必须显示足够多，以在显示的信息和其他结构之间提供一些相互关系，从而使解剖位置和轨迹的密度可以被充分认识到。
本文中揭示的方法提供了一个方式来利用弥散数据之间的潜在的相干性来提供显示。其中，利用了两种相干性。一种相干性显示了由方位矢量表示的不同的方向，在所述方位矢量上，弥散的局部极大值发生在一个特定的体素上。这种被称为“体素内相干性”指示了穿过一个体素的神经纤维的数量以及它们前进的方向。第二种相干性指示临近体素的方位矢量排列的紧密程度。这种通常被称为“体素间相干性”的相干性提供了确定一个神经纤维轨迹是否在两个临近的体素之间延伸的基础。
图2显示了过程10，其对于帮助解释弥散数据尤为有用。图3示出了脑的一部分的传统解剖图和该部分的相应的显示了轨迹的图之间的区别。
过程10开始于获取高解析度的MRI数据(步骤12)。用于此处时，高解析度数据指这样的数据，其包含的信息比传统的弥散张力(tensor)MRI所提供的信息更多。获取该数据有多种不同的已知方法。包括，弥散光谱成像(DSI)和q-ball MRI。这些方法的细节在美国专利No.6,614,226和US专利公开2002/0042569中已提出，其内容在此一并作为参考。
前述的数据获取步骤的结果是在每个体素和一个方位密度函数之间的关联。与方位密度函数相关联的独立变量因此是一个在三维空间的空间角度。对于此空间角度的每一个值，方位密度函数提供了一个轨迹在由该空间角度指示的方向上前进并穿过与其关联的体素的可能性的度量。因为MRI大部分是基于流过神经纤维轨迹的水的弥散来确定这些数值，方位密度函数的值将被称为“弥散率”。
某一特定的体素的方位密度函数具有一个或多个局部极大值。每个所述极大值意味着一个轨迹穿过该体素的可能的方向。通常的，穿过一个体素的轨迹多于一个，其中每个轨迹都产生一对局部的极大值。作为一个实际问题，对于有限的角度解析度，如果由2个轨迹产生的局部极大值互相过于靠近，则证明几乎不可能判断出这两个轨迹。
作为一个对比-增强方法，只考虑与方位密度函数的极大值有关的空间角度。在极大值之间的方位密度函数的值与揭示的轨迹建立方法无关。由原点处在特定的局部极大值方向上的引出的矢量被称为“方位矢量”。通常地，一个特定的体素会有多个与其相关联的方位矢量。
下一步骤是运用利用高解析度的弥散数据来定义体素内方位相干性(步骤14)。在某些情况下，会预先处理高解析度弥散来增强识别弥散率具有局部极大值的方向的能力。一个具体实现方法是使这些高解析度的弥散数据经过一个高通滤波器。
在每个体素处的局部弥散率极大值即可确定，具体可通过如下方式实现：通过将弥散率投射到多面表面，例如n-折经Geodesate变换的二十面体，并且找到离散的局部极大值。当用到一个二十面体时，可用的方位对应于二十面体的顶点。
不论采用什么方法，对于每个体素，结果是方位矢量的一个有限集合，其中每个矢量的方向表示在该体素处的弥散率的极大值的方向。
在DSI的情形下，角度解析度确定由R/r的结果(product)给出，R是视野(view)的弥散域，r是弥散解析度。此外，R/r＝ΔQ/QMAX，其中，QMAX是最大的实验q-值(q-value)，而ΔQ是q的阶跃(q-step)。所获得的解析度是实验解析度与弥散角度对比(contrast)的最小值，其大致可以是弥散的各向异性和实验b-值的乘积。
下一步骤是定义体素间方位相干性(步骤16)。通过按照顺序的步骤并最终建立一个轨迹而实现。
为了建立一个轨迹，在第一体素处初始化该过程，并确定与该体素所关联的方位矢量相关联的方向或方位。该方位矢量的方向指示了在一个包括所述第一体素的轨迹上的可能的体素。因为该步骤重复进行，便呈现出一个轨迹。在每个体素处，轨迹的方位发生变化，以符合在该体素中的无论哪个与输入方位最接近的弥散方位。在本过程中使用的阶跃的大小典型地是体素的空间限度的一半。
在大脑中的一个神经纤维轨迹并不是永远延伸的。在某些点，它终止了。因此需要确定一个轨迹什么时候到达终点。这是通过运行一个测试来决定一个轨迹是穿过一个特定的体素还是在该体素处终止(步骤18)。
如果发现在轨迹方向的一个缓慢的变化，一个合适的测试确定提出轨迹方向的变化是否超过阈值。如果超过，那么轨迹被终止。在本测试中，一个合适的阈值是半弧度。在这种情况下，可以为每个体素定义一个具有半弧度圆锥角的圆锥。如果一个神经纤维的轨迹在离开该体素时显示为行进到圆锥之外，则推定该神经纤维轨迹已经终止。
更普遍地，该测试可以基于与下一个提出的体素之外其它体素相关的弥散率属性。
接下来的步骤是一个或然结构的组成部分。作为一个第一近似值，轨迹的p-值，即其随机发生的概率，满足下式：
-lnp≈(#轨迹穿过voxel边界)×(接受率)
接受率＝4π/(每voxel的方向)×(接受角度)2)
图10更细节地示出了一个在基于收集到的数据的基础上建立轨迹的程序21。该程序始于一些初始化步骤(步骤22)，其中，一个标识一个体素的索引被设置，并且“下一个体素”被置为此第一体素(步骤44)。
在下一步骤中，一个活动体素被设置为下一个体素(步骤24)。这开启了一个内部循环，其中，所有穿过该活动体素的轨迹均被建立。一旦所有的上述轨迹都从该特定的活动体素上建立，一个外部循环为下一个活动体素重复该过程。
如上所述，活动体素将会有多个方位矢量。该过程始于选择这些方位矢量其中之一并指定其为“活动矢量”(步骤26)。该活动方位矢量指向并定义了下一个体素(步骤28)。
下一个体素同样地有一系列方向矢量(步骤30)。下一步骤是从候选的下一矢量池中，选出一个矢量并指定为“下一个矢量”。轨迹部分将最终沿着由所述活动矢量和此下一个矢量所定义的路径建立。
可以有多种方法从候选的多个下一个矢量中选择下一个矢量。一种方法是，如上所讨论的，选择候选的最平行于该活动矢量的作为该下一个矢量(步骤32)。
一旦指定了下一个矢量，轨迹部分将沿着由活动矢量和下一个矢量定义的路径建立(步骤34)。然后，该活动体素引退，并由下一个体素取代其位置成为新的活动体素(步骤24)。重复整个该过程以确定在哪个方向上建立下一个轨迹部分。
在某些情况下，下一个矢量和活动矢量将会指向极为不同的方向(步骤36)。在这种情形下，轨迹就被认为终止了(步骤38)。如果如此，继续从开始的体素并且用另一个方位矢量作为活动矢量开始整个过程(步骤42，46)。如果该活动体素没有其它活动矢量(步骤42)，则将另一体素指定为活动体素(步骤44)。
为每个体素执行上述过程。因此，对于每个体素，以及与该体素相关联的每个方位矢量，可识别出沿着该方位矢量的方向穿过该体素的轨迹。所述轨迹通过沿着从活动体素向外的方位矢量而建立，在每个步骤中，选择方向与前一方位矢量最接近的方位矢量。如果两个方位矢量的路径在方向上过于不同，则终止该轨迹。
上述的过程是类似于解决在矢量域中的流线问题。一个已知的解决该问题的过程是始于任一点并且以在该点的场矢量所给出的方向移动到下一点。因此，对于任一点，只有一个可以移动的方向。有效地，流线并不交叉。
在神经纤维轨迹的背景下，情形并非如此，因为与流线不同地，轨迹的确有交叉。因此，在域内的任何一点，即，在任一个体素上，通常有多个方向可以用于进入下一步。这些方向对应着从方位密度函数中获取的方位矢量。在此描述的方法提供了合理的方式在有多种可能的方向的情况下，如何确定下一步采用什么方向。
前述的程序提供了一种简单的且确定的方式来运用方位密度函数来从弥散数据中提取一系列的轨迹。方位密度函数的实际来源并不重要。在许多情况下，方位密度函数从DSI数据中获取。在这些情况下，方位密度函数指示不同方向的弥散率。然而，此处揭示的方法并不依赖于方位密度函数的来源。
当分析大量的数据时，通常可以检验这些数据的子集来说明数据中的模式或结构。例如，可以通过检查该结构的横向和纵向的交叉部分来获取三维结构的本质。这通常被称为“减少”数据。
一旦定义了轨迹，下一步骤是以有意义的方式展现他们(步骤20)。这代表性地涉及只显示那些具有某些特点的轨迹。该步骤被称为“减少跟踪成像数据”。
例如，通常认为，长的轨迹比短的轨迹更具有统计重要性。因此，在一个显示方法中，不同长度的轨迹用不同颜色显示。或者，只对长度在一定范围的内的轨迹予以显示。在本例中，相应特性是轨迹长度。
图4示出了一个显示的例子。其中，从兔子脑中获取的追踪数据减少到只有长度超过5mm的轨迹被显示出来。图5示出同样的跟踪成像数据，但是数据减少到只有长度不足3mm的轨迹被显示出来。
在另一个例子中，相关特性是轨迹的终点。因此，可以选择只显示那些穿过特定的或者感兴趣的体积的轨迹，或者那些穿过特定的或者感兴趣的表面的轨迹。一个特别有用的例子是在其中显示穿过脑的一个二维薄片的所有轨迹。如图6所示，其中，收集自短尾猿大脑的跟踪成像数据被减少，于是，只有在一个选定的平面终止的轨迹才被显示出来。
这种实现跟踪成像数据的薄片选择性显示的能力意味着三维体积数据可以通过基于一个薄片接一个薄片的方式来询问，因此，降低了错过检测到的相干性的可能性。
其他用于减少跟踪成像数据的示例的特性是轨迹终止于在一个平面、表面或体积，或者穿过平面、表面或体积。其他的特点是那些依赖于轨迹的几何学而不是轨迹交叉了什么的特点。例如，包括上文中已经讨论过的轨迹长度，以及轨迹的曲率和转矩。
上述特性可以通过逻辑运算符联系起来。例如，可以选择显示那些具有特定的长度并且穿过一个特定的体积的所有轨迹。
在跟踪成像数据中只有那些与薄片相关联的数据被显示出来的情况下，利用MRI数据非常有用，或者为该薄片，或者为其他薄片，作为三维图像体积的阴影平面。这可以为显示数据提供类比或其他关系。
在另一种显示方法中，尤其有利于可视化大脑皮层的轨迹，可以选择轨迹上的3个点来形成一个圆。这可以简化显示。
从高角度解析度MRI中获取的追踪数据可能会与用其他对照机制获取的数据混合在一起，例如T1、T2、MT或化学偏移(chemicalshift)。这可以通过下述方法实现，例如，使用具有合适的权重(weighting)的高解析度弥散MRI，或者进行多个具有不同权重的高解析度研究，并且给出清楚的辅助参数的方位解析图像。在这个例子中，每个辅助参数可以精确地与每个轨迹关联。这些轨迹也可以进行图形编码以指示这些辅助参数。
在显示跟踪成像数据时，通常将轨迹用颜色编码会有用。例如，可以在轨迹的终点的坐标的基础上为一个轨迹分配一个颜色，或在轨迹的特定的位置的两点的基础上为一个轨迹分配一个颜色。例如，可以将一个颜色矢量{r，g，b}与空间矢量{x，y，z}相关，其中，空间坐标{x，y，z}是归一化(normalized)矢量X’-X的坐标，X’和X为该轨迹的终点，或者为靠近该轨迹中心的两个点。这些图像展示可以通过增加其他的线索而提升，例如颜色饱满度、亮度、反射率、透明度和厚度。这些增加的线索可以用于指示其他与每个轨迹相关的参数。
在那些轨迹由统一的初始化产生的例子中，初始化可以发生在轨迹的任一点。因此，长的轨迹相对于短的轨迹自然有更多地被表示的机会。因为长的轨迹具有更多的体素，更容易被初始化。
可以通过降低按照各自的长度的比例来表示轨迹以纠正这种表示过多。可选地，可以通过减小较长的轨迹的视觉显著性或者下采样要显示的轨迹来纠正这种表示过多。过采样可以通过将轨迹按照可能初始化轨迹一次的顺序排列加以避免。这种轨迹序列包括多个二维的平面，以及灰质边界表面。
该方法已经在绘制大脑中的神经纤维轨迹的背景下描述的。然而，该方法事实上在相当新的方法用于绘制神经解剖学。因此，他可以用于增强任何结构的神经解剖的显示，或者与任何应用相结合。例如，在准备外科手术时可以用此处描述的方法来定义重要的神经纤维结构，或者在评估肿瘤时评估神经纤维入侵或者置换。该方法可以用于和诊断或治疗神经纤维疾病，例如MS(多发硬化)肿瘤，或者初级或次级的神经纤维恶化。
该方法也可以用于从多种其他的解剖结构中可视化跟踪成像数据。例如，图7-9显示了分别从母牛的舌头，食道和心脏得到的跟踪成像数据。
此处描述的该方法的其他应用出现在神经发展的观测中，包括髓鞘形成，皮层发育异常和神经动脉损坏。应用也存在于神经精神医学，例如在鉴定诵读困难症的轨迹特定的异常，杂语症，尤其是前沿神经纤维的分析。
本文描述的方法也应用于研究结构联系，和与fMRI的关联，在MEG(脑磁图，myoencephalography)特别是在功能连接性的研究方面。
此外，此处描述的方法也可以应用于脑皮层的研究，例如研究灰质的分割，包括通过连通性的聚集的大脑皮层的分割。
此处描述了本发明以及一个优选的实施例，根据专利特许证，申请人要求的保护范围见权利要求书。

Claims (42)

1.一种计算机可读介质，其上编码有可以引发弥散数据显示的软件，所述软件包括用于执行以下操作的指令:
-获取与所述弥散数据相关联的方位密度函数；
-从与第一体素相关联的方位密度函数中获取一个第一方位矢量，其中，所述第一体素位于至少一个轨迹上；
-基于所述第一方位矢量来确定一个第二体素；
-从与所述第二体素相关联的方位矢量集合中选择一个第二方位矢量；
-基于所述第一、第二方位矢量之间的关系，确定是否沿着由所述第一、第二方位矢量所定义的路径来建立一段轨迹。
2.根据权利要求1所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-当确定所述第一、第二方位矢量的关系与继续该轨迹不一致时，结束该轨迹。
3.根据权利要求1所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-沿着由所述第一、第二方位矢量所定义的路径来定义轨迹部分。
4.根据权利要求1所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-选择关系以包括确定所述第一、第二方位矢量的方向差异，以及定义一个方向差异的阈值，则当所述差异超过所述阈值时，终止该轨迹。
5.根据权利要求1所述的计算机可读介质，其特征在于，所述用于执行选择第二方位矢量的指令还包括用于执行以下操作的指令:
-从与所述第二体素相关联的方位矢量集合中选择一个最接近于与所述第一方位矢量平行的矢量。
6.一种计算机可读介质，其上编码有可以引发弥散数据显示的软件，所述软件包括用于执行以下操作的指令:
-定义弥散数据的体素内相干性；
-定义弥散数据的体素间相干性；
-基于所述体素内相干性和所述体素间相干性来定义多个轨迹；以及
-只显示具有选定特性的轨迹。
7.根据权利要求6所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-选择与轨迹长度相关的特性。
8.根据权利要求6所述的计算机可读介质，其特征在于，所述用于执行只显示具有选定特性的轨迹的指令还包括用于执行以下操作的指令:
-只显示与选定体积接触的轨迹。
9.根据权利要求6所述的计算机可读介质，其特征在于，所述用于执行只显示具有选定特性的轨迹的指令还包括用于执行以下操作的指令:
-只显示与选定薄片相交的轨迹。
10.根据权利要求6所述的计算机可读介质，其特征在于，所述用于执行只显示具有选定特性的轨迹的指令还包括用于执行以下操作的指令:
-只显示在选定薄片处终止的轨迹。
11.根据权利要求6所述的计算机可读介质，其特征在于，所述用于执行只显示具有选定特性的轨迹的指令还包括用于执行以下操作的指令:
-为一个轨迹分配一个显示属性，所述显示属性对应于所述轨迹的一个特性。
12.根据权利要求11所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-选择所述显示属性为颜色。
13.根据权利要求11所述的计算机可读介质，其特征在于，所述软件还包括用于执行以下操作的指令:
-选择所述显示属性为依赖于所述轨迹的终点。
14.根据权利要求11所述的计算机可读介质，其特征在于，还包括选择所述显示属性为依赖于轨迹长度。
15.一种用于显示弥散数据的方法，其中，包括以下步骤:
-获取与所述弥散数据相关联的方位密度函数；
-从与第一体素相关联的方位密度函数中获取一个第一方位矢量，其中，所述第一体素位于至少一个轨迹上；
-基于所述第一方位矢量来确定一个第二体素；
-从与所述第二体素相关联的方位矢量集合中选择一个第二方位矢量；
-基于所述第一、第二方位矢量之间的关系，确定是否沿着由所述第一、第二方位矢量所定义的路径来建立一段轨迹。
16.根据权利要求15所述的方法，其特征在于，还包括步骤:
-当确定所述第一、第二方位矢量的关系与继续该轨迹不一致时，结束该轨迹。
17.根据权利要求15所述的方法，其特征在于，还包括步骤:
-沿着由所述第一、第二方位矢量所定义的路径来定义轨迹部分。
18.根据权利要求15所述的方法，其特征在于，还包括步骤:
-选择关系以包括确定所述第一、第二方位矢量的方向差异，以及定义一个方向差异的阈值，则当所述差异超过所述阈值时，终止该轨迹。
19.根据权利要求15所述的方法，其特征在于，所述选择第二方位矢量的步骤包括:
-从与所述第二体素相关联的方位矢量集合中选择一个最接近于与所述第一方位矢量平行的矢量。
20.一种用于显示弥散数据的方法，其中，包括以下步骤:
-定义弥散数据的体素内相干性；
-定义弥散数据的体素间相干性；
-基于所述体素内相干性和所述体素间相干性来定义多个轨迹；以及
-只显示具有选定特性的轨迹。
21.根据权利要求20所述的方法，其特征在于，还包括步骤:
-选择与轨迹长度相关的特性。
22.根据权利要求20所述的方法，其特征在于，所述只显示具有选定特性的轨迹的步骤还包括:
-只显示与选定体积接触的轨迹。
23.根据权利要求20所述的方法，其特征在于，所述只显示具有选定特性的轨迹的步骤还包括:
-只显示与选定薄片相交的轨迹。
24.根据权利要求20所述的方法，其特征在于，所述只显示具有选定特性的轨迹的步骤还包括:
-只显示在选定薄片处终止的轨迹。
25.根据权利要求20所述的方法，其特征在于，所述只显示具有选定特性的轨迹的步骤还包括:
-为一个轨迹分配一个显示属性，所述显示属性对应于所述轨迹的一个特性。
26.根据权利要求25所述的方法，其特征在于，还包括步骤:
-选择所述显示属性为颜色。
27.根据权利要求25所述的方法，其特征在于，还包括步骤:
-选择所述显示属性为依赖于轨迹的终点。
28.根据权利要求25所述的方法，其特征在于，还包括步骤:
-选择所述显示属性为依赖于轨迹长度。
29.一种磁共振成像系统，包括:
-磁场源；
-探测子系统，用于探测为响应所述磁场源的运行而产生的电磁辐射；
-控制器，用于控制所述磁场源和所述探测子系统的运行；
-处理子系统，用于基于所述探测子系统所提供的数据来生成弥散数据，该处理子系统配置用于:
-获取与所述弥散数据相关联的方位密度函数；
-从与第一体素相关联的方位密度函数中获取一个第一方位矢量，其中，所述第一体素位于至少一个轨迹上；
-基于所述第一方位矢量来确定一个第二体素；
-从与所述第二体素相关联的方位矢量集合中选择一个第二方位矢量；
-基于所述第一、第二方位矢量之间的关系，确定是否沿着由所述第一、第二方位矢量所定义的路径来建立一段轨迹。
30.根据权利要求29所述的系统，其特征在于，所述处理子系统还配置用于:
-当确定所述第一、第二方位矢量的关系与继续该轨迹不一致时，结束该轨迹。
31.根据权利要求29所述的系统，其特征在于，所述处理子系统还配置用于:
-沿着由所述第一、第二方位矢量所定义的路径来定义轨迹部分。
32.根据权利要求29所述的系统，其特征在于，所述处理子系统还配置用于:
-选择关系以包括确定所述第一、第二方位矢量的方向差异，以及
-定义一个方向差异的阈值，则当所述差异超过所述阈值时，终止该轨迹。
33.根据权利要求29所述的系统，其特征在于，所述处理子系统还配置用于:
至少部分地，通过从与所述第二体素相关联的方位矢量集合中选择出一个最接近于与所述第一方位矢量平行的矢量，来选择所述第二方位矢量。
34.一种磁共振成像系统，包括:
-磁场源；
-探测子系统，用于探测为响应所述磁场源的运行而产生的电磁辐射；
-控制器，用于控制所述磁场源和所述探测子系统的运行；
-处理子系统，用于基于所述探测子系统所提供的数据来生成弥散数据，该处理子系统配置用于:
-定义弥散数据的体素内相干性；
-定义弥散数据的体素间相干性；
-基于所述体素内相干性和所述体素间相干性来定义多个轨迹；以及
-只显示具有选定特性的轨迹。
35.根据权利要求34所述的系统，其特征在于，所述处理子系统还配置用于:
-选择与轨迹长度相关的特性。
36.根据权利要求34所述的系统，其特征在于，所述处理子系统还配置用于:
-只显示与选定体积接触的轨迹。
37.根据权利要求34所述的系统，其特征在于，所述处理子系统还配置用于:
-只显示与选定薄片相交的轨迹。
38.根据权利要求34所述的系统，其特征在于，所述处理子系统还配置用于:
-只显示在选定薄片处终止的轨迹。
39.根据权利要求34所述的系统，其特征在于，所述处理子系统还配置用于:
-只显示具有分配的显示属性的轨迹，所述显示属性对应于所述轨迹的一个特性。
40.根据权利要求39所述的系统，其特征在于，所述处理子系统还配置用于:
-选择所述显示性质为颜色。
41.根据权利要求39所述的系统，其特征在于，所述处理子系统还配置用于:
-选择所述显示性质为依赖于所述轨迹的终点。
42.根据权利要求39所述的系统，其特征在于，所述处理子系统还配置用于:
-选择所述显示性质为依赖于轨迹长度。
CN2006800078620A 2005-03-11 2006-03-10 利用最大相干投影的高解析度弥散数据可视化 Expired - Fee Related CN101384215B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US66056605P 2005-03-11 2005-03-11
US66056505P 2005-03-11 2005-03-11
US60/660,566 2005-03-11
US60/660,565 2005-03-11
PCT/US2006/008665 WO2006099179A2 (en) 2005-03-11 2006-03-10 Visualizing high-resolution diffusion by maximum coherence projection

Publications (2)

Publication Number Publication Date
CN101384215A true CN101384215A (zh) 2009-03-11
CN101384215B CN101384215B (zh) 2011-02-16

Family

ID=36992284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800078620A Expired - Fee Related CN101384215B (zh) 2005-03-11 2006-03-10 利用最大相干投影的高解析度弥散数据可视化

Country Status (5)

Country Link
US (2) US7928728B2 (zh)
EP (2) EP1855587A4 (zh)
JP (1) JP2008537688A (zh)
CN (1) CN101384215B (zh)
WO (2) WO2006099179A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102008307A (zh) * 2010-12-29 2011-04-13 中国科学院深圳先进技术研究院 磁共振弥散张量成像方法和系统
US11076401B2 (en) 2013-06-28 2021-07-27 Apple Inc. User equipment discovery resource pool signalling for user equipments configured for Pro-Se direct discovery

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1855587A4 (en) * 2005-03-11 2011-05-04 Gen Hospital Corp TRANS-FIBER DIFFUSION MRI
US8170305B2 (en) * 2006-10-19 2012-05-01 Brown University Quantitative tract-of-interest metrics for white matter integrity based on diffusion tensor MRI data
US7602180B2 (en) * 2006-11-02 2009-10-13 Siemens Aktiengesellschaft System and method for fast texture-based tensor field visualization for DT-MRI
JP5072343B2 (ja) * 2006-12-19 2012-11-14 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置，磁気共鳴イメージング方法，拡散テンソルカラーマップ画像生成装置，拡散テンソルカラーマップ画像生成方法
US7961922B2 (en) 2007-05-31 2011-06-14 The Board Of Regents Of The University Of Texas System Systems and methods for processing medical image data to facilitate comparisons among groups of subjects
DE102009036969B3 (de) * 2009-08-12 2011-02-17 Fachhochschule Stralsund Verfahren zur Rauschunterdrückung und Richtungskontrastverstärkung kernspintomographischer Diffusionsdaten, Bildgebungsverfahren, Computerprogrammprodukt und Bildgebungsvorrichtung
US8447089B2 (en) 2010-04-27 2013-05-21 Chunlei Liu Systems and methods for susceptibility tensor imaging
WO2012174177A2 (en) 2011-06-15 2012-12-20 Chunlei Liu Systems and methods for imaging and quantifying tissue magnetism with magnetic resonance imaging
US9255979B2 (en) 2012-04-11 2016-02-09 General Electric Company Measuring diffusional anisotropy of ODF lobes having maxima peaks and minima troughs with diffusion weighted MRI
KR101401969B1 (ko) * 2013-02-20 2014-06-30 한양대학교 산학협력단 Ｍｒｉ 시스템을 이용하여 대상체 내의 신경 섬유에 관한 섬유 구조 정보를 획득하기 위한 방법 및 장치
FR3008802B1 (fr) * 2013-07-19 2015-08-14 Centre Nat Rech Scient Procede et dispositif de cartographie de milieux fibreux
CN110299063B (zh) * 2018-03-22 2022-01-25 阿里巴巴集团控股有限公司 轨迹数据的可视化展示方法及装置
US11523767B2 (en) * 2020-01-28 2022-12-13 University of Pittsburgh—of the Commonwealth System of Higher Education System, method, and computer program product for detecting neurodegeneration using differential tractography

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2131705C (en) * 1992-03-09 2008-10-21 Aaron G. Filler Image neurography and diffusion anisotropy imaging
AU7554894A (en) * 1993-08-06 1995-02-28 Government Of The United States Of America, As Represented By The Secretary Of The Department Of Health And Human Services, The Method and system for measuring the diffusion tensor and for diffusion tension imaging
US5969524A (en) * 1997-04-14 1999-10-19 The United States Of America As Represented By The Department Of Health And Human Services Method to significantly reduce bias and variance of diffusion anisotrophy measurements
US6526305B1 (en) * 1998-11-25 2003-02-25 The Johns Hopkins University Method of fiber reconstruction employing data acquired by magnetic resonance imaging
DE60131257T2 (de) * 2000-03-31 2008-12-04 The General Hospital Corp., Boston Diffusionsbildgebung von gewebe
AU2002338376A1 (en) * 2001-04-06 2002-10-21 Lawrence R. Frank Method for analyzing mri diffusion data
US7355597B2 (en) * 2002-05-06 2008-04-08 Brown University Research Foundation Method, apparatus and computer program product for the interactive rendering of multivalued volume data with layered complementary values
US6859203B2 (en) * 2002-05-15 2005-02-22 Koninklijke Philips Electronics N.V. Sweeping real-time single point fiber
US6724190B2 (en) * 2002-05-15 2004-04-20 Koninklijke Philips Electronics N.V. Retrospective selection and various types of image alignment to improve DTI SNR
US6642716B1 (en) * 2002-05-15 2003-11-04 Koninklijke Philips Electronics, N.V. Diffusion tensor magnetic resonance imaging including fiber rendering using hyperstreamlines
JP4248822B2 (ja) * 2002-08-29 2009-04-02 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 線維描出方法および線維描出装置
US7034531B1 (en) * 2003-01-09 2006-04-25 The General Hospital Corporation Diffusion MRI using spherical shell sampling
WO2004090564A1 (en) * 2003-04-14 2004-10-21 Koninklijke Philips Electronics N.V. System and method for detecting fibre tracts
US6853189B1 (en) * 2003-05-19 2005-02-08 Catholic Healthcare West, California Nonprofit Public Benefit Corporation Method and system of quantitatively assessing diffusion characteristics in a tissue
US7268551B2 (en) * 2004-04-14 2007-09-11 Mclean Hospital Corporation Inter-subject coherence in DT-MRI
US7355403B2 (en) * 2005-01-27 2008-04-08 Siemens Medical Solutions Usa, Inc. Noise reduction in diffusion tensor imaging data using bayesian methods
EP1855587A4 (en) * 2005-03-11 2011-05-04 Gen Hospital Corp TRANS-FIBER DIFFUSION MRI
US7657071B2 (en) * 2005-04-11 2010-02-02 Siemens Medical Solutions Usa, Inc. Systems, devices, and methods for bundle segmentation in diffusion tensor magnetic resonance imaging
JP5123191B2 (ja) * 2005-09-22 2013-01-16 ウイスコンシン アラムナイ リサーチ ファウンデーシヨン 高度に限定された画像再構成法を使用する拡散テンソル・イメージング
US7511494B2 (en) * 2006-05-11 2009-03-31 The General Hospital Corporation Method for measuring the microarchitecture of complex tissue with MRI
JP5072343B2 (ja) * 2006-12-19 2012-11-14 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴イメージング装置，磁気共鳴イメージング方法，拡散テンソルカラーマップ画像生成装置，拡散テンソルカラーマップ画像生成方法
US7495440B2 (en) * 2007-05-03 2009-02-24 Wen-Yih Isaac TSENG Q-space sampling method and diffusion spectrum imaging method employing the same
EP2141506B1 (en) * 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102008307A (zh) * 2010-12-29 2011-04-13 中国科学院深圳先进技术研究院 磁共振弥散张量成像方法和系统
CN102008307B (zh) * 2010-12-29 2012-07-25 中国科学院深圳先进技术研究院 磁共振弥散张量成像方法和系统
US11076401B2 (en) 2013-06-28 2021-07-27 Apple Inc. User equipment discovery resource pool signalling for user equipments configured for Pro-Se direct discovery

Also Published As

Publication number Publication date
EP1855587A4 (en) 2011-05-04
WO2006099177A3 (en) 2009-06-04
US20080284434A1 (en) 2008-11-20
EP1856546A4 (en) 2011-08-24
US7928728B2 (en) 2011-04-19
CN101384215B (zh) 2011-02-16
EP1855587A2 (en) 2007-11-21
JP2008537688A (ja) 2008-09-25
WO2006099179A3 (en) 2008-11-06
US20090037108A1 (en) 2009-02-05
WO2006099179A2 (en) 2006-09-21
EP1856546A2 (en) 2007-11-21
US8355772B2 (en) 2013-01-15
WO2006099177A2 (en) 2006-09-21

Similar Documents

Publication Publication Date Title
CN101384215B (zh) 利用最大相干投影的高解析度弥散数据可视化
CN110391014B (zh) 利用使用深度学习的序列预测的医学图像采集方法和系统
Stämpfli et al. Combining fMRI and DTI: a framework for exploring the limits of fMRI-guided DTI fiber tracking and for verifying DTI-based fiber tractography results
CN104380340B (zh) 基于邻域关系对像素进行评分和调整以揭示图像中的数据
Sulpizio et al. Distributed cognitive maps reflecting real distances between places and views in the human brain
US20130113816A1 (en) Visualizing brain network connectivity
CN113129308B (zh) 图像分割方法、装置和非暂态计算机可读存储介质
Lappin et al. Foundations of spatial vision: from retinal images to perceived shapes.
Yang et al. Synthesizing multi-contrast MR images via novel 3D conditional Variational auto-encoding GAN
US20210118226A1 (en) Differential brain network analysis
Nasr et al. Visual field biases for near and far stimuli in disparity selective columns in human visual cortex
Li et al. Visual analytics of brain networks
US11270436B2 (en) Tissue classification using image intensities and anatomical positions
JP2021534859A (ja) 機械学習モデルによる特徴評価の顕在視覚的説明
CN103325139A (zh) 医用图像处理装置及医用图像处理方法
Ghavami et al. Integration of spatial information in convolutional neural networks for automatic segmentation of intraoperative transrectal ultrasound images
Russo et al. Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI
CN108269292A (zh) 用于根据三维图像数据组产生二维投影图像的方法和设备
US20190102884A1 (en) Image simulation system to covisualize electrodes and cortical vessels on 3d brain and its method
US20190347795A1 (en) Cortical malformation identifiction
EP2515137A1 (en) Processing a dataset representing a plurality of pathways in a three-dimensional space
Agostino et al. Seeing and extrapolating motion trajectories share common informative activation patterns in primary visual cortex
Fawaz et al. A deep generative model of neonatal cortical surface development
US9739858B2 (en) Magnetic resonance imaging apparatus with segmented data acquisition
Nardotto et al. An automatic segmentation method for MRI multiparametric volumes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110216

Termination date: 20130310