CN101650827A - 一种混合的大脑白质神经纤维自动聚类及标记方法 - Google Patents

Abstract

本发明涉及一种混合的大脑白质神经纤维自动聚类及标记方法，其特征在于：首先，利用高维弹性配准方法将一标准大脑图谱匹配到单个的大脑空间，从而可以将单个的大脑分成104个具有结构信息的解剖区域；然后利用不同神经纤维束通过不同大脑解剖区域的特征，提取并标记出15种神经纤维束；对其他4种因为其强烈与周围神经纤维束缠绕而不能利用上述方法提取的神经纤维束，采用Kernel－PCA及Fuzzyc－mean相结合的基于相似性度量的方法，自动对其进行聚类分析，最后，采用一种基于特征的识别方法，标记聚类分析的结果。通过以上方法，可以自动地对大脑的19种主要白质神经纤维束进行提取及标记。

Description

一种混合的大脑白质神经纤维自动聚类及标记方法

技术领域

本发明涉及一种混合的大脑白质神经纤维自动聚类及标记方法，属于图像模态为弥散张量核磁共振图像(DT-MRI)的医学图像处理领域。适合于以神经纤维束为基础的医学影像诊断，大脑结构、功能分析，大脑发育及神经退化性疾病的研究等。

背景技术

DT-MRI弥散张量核磁共振图像提供了对大脑神经纤维的方向、结构信息的描述，是目前唯一一种可以用于活体观测大脑白质神经纤维的医学影像技术。基于DT-MRI的大脑白质神经纤维的分析不仅提供了对大脑神经纤维束直接可视化观测的工具，同时结合不同的DT-MRI参数图像，比如FA和ADC等，也使得对大脑白质神经纤维的量化分析成为可能。所以基于神经纤维束的DT-MRI图像研究不仅对于医学影像诊断，各种大脑神经性退化性疾病的研究有重要的意义，同时对于大脑结构、功能的分析也有重要的价值。目前，弥散张量核磁共振图像经过处理，使用DTIStudio对DTI图像进行神经纤维跟踪，可以得到由一系列象素点连接而成的神经纤维以及由一系列神经纤维表达的整个大脑白质神经纤维图，但是，没有组织和标记的成千上万根神经纤维，难以满足以具有生物解剖学意义的神经纤维束为基础的研究，使得医学研究人员无法认识和识别众多的神经纤维，也就无法将大脑白质神经纤维图很好的用于医学研究。可见，如何有效、可靠的将成千上万由神经纤维束跟踪算法得到的没有组织和标记的神经纤维进行聚类和标记是一项关键和具有挑战性的工作。

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，本发明提出一种混合的大脑白质神经纤维自动聚类及标记方法，将主要的大脑白质神经纤维自动聚类为具有生物解剖学意义的神经束的计算构架。

本发明的思想在于：本方法为一种混合方法，即对部分纤维借助其连接的大脑解剖区域信息进行提取、标记，提取15种主要的大脑白质神经纤维。另外一些纤维则通过一种基于相似性度量的自动聚类及基于特征的模式识别方法进行聚类、标记，提取4种主要的大脑白质神经纤维。实验结果表明，此种混合方法能有效应对大脑白质神经纤维结构的复杂性及可变性，可以稳定地提取总共19种主要的大脑白质神经纤维束。

技术方案

一种混合的大脑白质神经纤维自动聚类及标记方法，其特征在于步骤如下：

步骤1：使用FSL工具包的FDT工具对DTI图像进行涡旋校正，利用DTIStudio对图像进行计算，生成通道图；

步骤2：采用多通道DTI分割算法得到表达大脑白质、灰质、脑脊液三类组织的分割图，再用高维弹性配准的方法HAMMER将已标记好的标准大脑图谱配准到该分割图，得到由区域标记表达整个大脑白质或灰质的区域标记图；所述的标准大脑标记图谱来自McConnell BIC；

步骤3：使用DTIStudio对DTI图像进行神经纤维跟踪，当像素的部分各向异性值FA小于0.25，或者所跟踪神经纤维的转折角度大于70度时停止跟踪，从而得到由一系列象素点连接而成的神经纤维以及由一系列神经纤维表达的整个大脑白质神经纤维图；

步骤4：将大脑白质神经纤维图与大脑白质或灰质的区域标记图置于同一空间坐标系中，根据每根神经纤维与每种区域标记象素的位置关系进行分类标记，得到15类神经纤维标记；

a)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右额叶区域标记坐标中时，将该类神经纤维设为同一种神经纤维标记；

b)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

c)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

d)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右额叶区域标记坐标中时，将该类神经纤维设为同一种标记；

e)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

f)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

g)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左额叶区域标记坐标中时，将该类神经纤维设为同一种标记；

h)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中又穿过左顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

i)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

j)当某类神经纤维的序列象素既穿过右扣带区域标记坐标中时，将该类神经纤维设为同一种标记；

k)当某类神经纤维的序列象素既穿过左扣带区域标记坐标中时，将该类神经纤维设为同一种标记；

l)当某类神经纤维的序列象素既穿过右额叶区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

m)当某类神经纤维的序列象素既穿过左额叶区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

n)当某类神经纤维的序列象素既穿过右枕叶区域标记坐标中，又穿过右颞叶区域标记坐标中时，且又不属于a、b、c和l中的任一类神经纤维时，将该类神经纤维设为同一种标记；

o)当某类神经纤维的序列象素既穿过左枕叶区域标记坐标中，又穿过左颞叶区域标记坐标中时，且又不属于a、b、c和m中的任一类神经纤维时，将该类神经纤维设为同一种标记；

步骤5：采用下述步骤标记另外4类神经纤维：

步骤a：将神经纤维的序列象素穿过右额叶区域标记和右颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于i和j中的任一类神经纤维后的所有神经纤维记为集合B；

步骤b：使用非线性的kernel-PCA方法将集合B的神经纤维曲线映射到高维特征空间F，然后在特征空间F上实现PCA；利用核方程K_m，n构成样本协方差矩阵K，以样本协方差矩阵的最大三个特征值对应的特征向量构成主成分；然后将K的每一个列向量k_i采用b_i＝Ф^T(k_i-k)，i＝1，...，N向由主成分张成的核空间投影，其中Ф的每一列为样本协方差矩阵K的一个特征向量，k为平均列向量；

所述计算kernel-PCA方法时的核方程为：K_m，n＝w_m，n exp(-d′_m，n/σ)，

其中：σ为一个像素的宽度，取决图像的分辨率；

$w_{m,n}=\frac{L_{m,n}}{L_m+L_n-L_{m,n}}$ 为长度不匹配因子，L_m为神经纤维曲线F_m的长度、L_n为神经纤维曲线F_n的长度、L_m，n为两神经纤维曲线F_m与F_n具有对应点的曲线段的长度；

d′_m，n＝(d_m，n+d_n，m)/2为神经纤维的相似性度量， $d_{m,n}=\underset{p_k\∈F_m}{\max }\underset{p_l\∈F_n}{\min }\left|\right|P_k-P_l\left|\right|$ 和 $d_{n,m}=\underset{p_l\∈F_n}{\max }\underset{p_k\∈F_m}{\min }\left|\right|P_l-P_k\left|\right|$ 为Hausdorff距离，P_k，P_l分别为神经纤维曲线F_m和F_n上的任意一点；

步骤c：利用GAP统计法对投影到核空间里的神经纤维确定最优聚类数目，然后使用模糊C均值算法对确定最优聚类数目的神经纤维进行聚类；

所述模糊C均值的目标函数为： $E=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}\left\{{\mathrm{\μ}}_{i,j}{\left|\right|b_i-c_j\left|\right|}^2\right\},$ 其中模糊从属函数μ_i，j满足 ${\mathrm{\Σ}}_{j=1}^C{\mathrm{\μ}}_{i,j}=1,$ c_j是类j的质心；

步骤d：在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的上纵束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类的结果中得到的上纵束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为上纵束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的钩束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类的结果中得到钩束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为钩束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

所述的N＝5；

步骤e：将神经纤维的序列象素穿过左额叶区域标记和左颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于m中的任一类神经纤维后的所有神经纤维记为集合B；然后重复步骤c～步骤d，得到另外半脑的上纵束神经纤维和钩束神经纤维，并将该两类神经纤维分别设为同一种标记；

上述的19类神经纤维标记为不同数字、不同字母或不同颜色，以及两者或三者的组合。

有益效果

本发明提出的混合的大脑白质神经纤维自动聚类及标记方法，通过对部分纤维借助其连接的大脑解剖区域信息进行提取、标记的方法提取15种主要的大脑白质神经纤维；通过一种基于相似性度量的自动聚类及基于特征的模式识别方法进行聚类、标记的方法提取4种主要的大脑白质神经纤维。将主要的大脑白质神经纤维自动聚类为具有生物解剖学意义的神经束的计算构架。从而使得医学研究人员可以通过本方法标记后的图像，认识和识别众多神经纤维，将大脑白质神经纤维图很好的用于医学研究。

实验结果表明，此种混合方法能有效应对大脑白质神经纤维结构的复杂性及可变性，可以稳定地提取总共19种主要的大脑白质神经纤维束。

附图说明

图1：本发明方法的流程图

图2：本发明方法的流程中表达的过程图

(a)FA图；

(b)组织分割图；

(c)由区域标记表达整个大脑白质或灰质的区域标记图；

(d)由一系列神经纤维表达的整个大脑白质神经纤维图；

图3：依据神经纤维束通过的解剖结构区域信息提取的15种神经纤维束

(a)胼胝体神经纤维束(三束，对应不同颜色)；

(b)投射神经纤维束(6种，图示为右大脑半球的三束)；

(c)扣带神经纤维束(左右半脑各一束，下同)；

(d)下额枕束；

(e)下纵束；

图4：核空间内基于相似性度量的纤维束聚类结果举例

(a)穿过右额叶和颞叶的纤维，标记为集合A；

(b)从集合A去掉IFOR后的纤维，标记为集合B；

(c)特征空间里的聚类结果；

(d)对应聚类结果的4类纤维束。纤维束颜色对应于(c)

图5：纤维束特征提取

(a)SLFR(右上纵束)纤维终点标志分布；

(b)UCR(右钩束)纤维终点标志分布；

(c)SLFR特征；

(d)UCR特征；

图6：4组测试对象的纤维束聚类和标记结果，每一个纤维束被标记为不同颜色；

图7：1组新测试数据的SLFR(右上纵束)和UCR(右钩束)标记举例；

(a)SLFR终点分布；

(b)标记的SLFR；

(c)UCR终点分布；

(d)标记的UCR；

具体实施方式

现结合实施例、附图对本发明作进一步描述：

图1为本发明实施例，用于大脑白质神经纤维聚类、标记及量化分析的构架流程图。

1、弥散张量图像的预处理，由步骤1～步骤3组成：

步骤1：使用FSL工具包的FDT工具对DTI图像进行涡旋校正，利用DTIStudio对图像进行计算，生成通道图(图二a)；

步骤2：采用多通道DTI分割算法得到表达大脑白质、灰质、脑脊液三类组织的分割图(图二b)，再用高维弹性配准的方法HAMMER将已标记好的标准大脑图谱配准到该分割图，得到由区域标记表达整个大脑白质或灰质的区域标记图(图二c)；所述的标准大脑标记图谱来自McConnell BIC；

步骤3：使用DTIStudio对DTI图像进行神经纤维跟踪，当像素的部分各向异性值FA小于0.25，或者所跟踪神经纤维的转折角度大于70度时停止跟踪，从而得到由一系列象素点连接而成的神经纤维以及由一系列神经纤维表达的整个大脑白质神经纤维图(图二d)；

2、纤维聚类和标记：

主要的大脑白质神经纤维可分为3大类：投射纤维束，连接大脑左右半球的连合纤维束和及连接同一脑半球内不同功能区域的联络纤维束。根据大脑白质解剖结构的知识及我们的经验，前两类纤维束中的绝大多数能根据神经纤维连接大脑结构区域的不同，采用自上而下的方法实现聚类，而部分联络纤维束则较难于仅通过神经纤维连接区域的指导实现聚类及标记，对于它们需要借助额外的基于相似性度量的聚类算法来完成聚类。例如，胼胝体，皮质丘脑和离皮质纤维，以及扣带等能够根据它们穿过的白质区域来进行聚类；但是，对于某些联络纤维束，如钩束和上纵束，由于它们和其周围的其他神经纤维的强烈缠绕，仅根据它们通过的白质区域很难将他们提取出来。因此，需要从基于相似性度量的聚类算法中得到的额外信息来进行聚类和标记。

本实施例中19类神经纤维标记为字母组合，具体标记分类见下表：

表：19类神经纤维束

具体标记步骤如下：

步骤4：将大脑白质神经纤维图与大脑白质或灰质的区域标记图置于同一空间坐标系中，根据每根神经纤维与每种区域标记象素的位置关系进行分类标记，得到15类神经纤维标记；

a)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右额叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记CC1；

b)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右顶叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记CC2；

c)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右枕叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记CC3；

d)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右额叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTR1；

e)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右顶叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTR2；

f)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTR3；

g)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左额叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTL1；

h)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左顶叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTL2；

i)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记PTL3；

j)当某类神经纤维的序列象素既穿过右扣带区域标记坐标中时，将该类神经纤维设为表一中的同一组标记CGR；

k)当某类神经纤维的序列象素既穿过左扣带区域标记坐标中时，将该类神经纤维设为表一中的同一组标记CGL；

l)当某类神经纤维的序列象素既穿过右额叶区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记IFOR；

m)当某类神经纤维的序列象素既穿过左额叶区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为表一中的同一组标记IFOL；

n)当某类神经纤维的序列象素既穿过右枕叶区域标记坐标中，又穿过右颞叶区域标记坐标中时，且又不属于CC1、CC2、CC3、和1中的任一类神经纤维时，将该类神经纤维设为表一中的同一组标记ILFR；

o)当某类神经纤维的序列象素既穿过左枕叶区域标记坐标中，又穿过左颞叶区域标记坐标中时，且又不属于CC1、CC2、CC3和IFOR中的任一类神经纤维时，将该类神经纤维设为表一中的同一组标记ILFL；

上述步骤进行完成后，已经标注了15种神经纤维，得到表一中第一组的所有纤维束。图三给出了实施例中15种神经纤维的解剖学指导下进行纤维聚类的一个例子。

然后，继续进行下述步骤，完成另外4种神经纤维的标注：

前面提到，表一中第二组的纤维和周围的其他纤维紧密的缠绕在一起，仅基于它们穿过的白质区域难以实现提取。作为示例，图四(a)显示了穿过右额叶和颞叶的所有纤维(标注为集合A)。在集合A里，包括钩束，上纵束，下额枕束等纤维束。因为IFOR已经在表一的第一组中得到，我们可以从集合A里去掉它使得问题更容易解决。图四(b)显示了去掉IFOR之后的结果(标注为集合B)。很明显，剩下的纤维仍然非常紧密地缠绕在一起。为了分离它们，我们运用一种自动聚类的方法，实现如下：首先，使用非线性的kernel-PCA方法将集合B的纤维曲线投射到核向量的主成分空间。然后，使用模糊C均值(FCM)算法对特征空间里的纤维进行自动分组。聚类之前，使用GAP统计法来确定最优聚类数目。最后基于纤维终端点所通过区域的统计分布，我们能够自动区分和标记下额枕束及钩束。

具体步骤5采用下述步骤标记另外4类神经纤维：

步骤a：将神经纤维的序列象素穿过右额叶区域标记和右颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于IFOR中的一类神经纤维后的所有神经纤维记为集合B；

步骤b：使用非线性的kernel-PCA方法将集合B的神经纤维曲线映射到高维特征空间F，然后在特征空间F上实现PCA；利用核方程K_m，n构成样本协方差矩阵K，以样本协方差矩阵的最大三个特征值对应的特征向量构成主成分；然后将K的每一个列向量k_i采用b_i＝Ф^T(k_i-k)，i＝1，...，N向由主成分张成的核空间投影，其中Ф的每一列为样本协方差矩阵K的一个特征向量，k为平均列向量；

所述计算kernel-PCA方法时的核方程为：K_m，n＝w_m，nexp(-d′_m，n/σ)，

其中：σ为一个像素的宽度，取决图像的分辨率，实施例中为2mm；

$w_{m,n}=\frac{L_{m,n}}{L_m+L_n-L_{m,n}}$ 为长度不匹配因子，L_m为神经纤维曲线F_m的长度、L_n为神经纤维曲线F_n的长度、L_m，n为两神经纤维曲线F_m与F_n具有对应点的曲线段的长度；

d′_m，n＝(d_m，n+d_n，m)/2为神经纤维的相似性度量， $d_{m,n}=\underset{p_k\∈F_m}{\max }\underset{p_l\∈F_n}{\min }\left|\right|P_k-P_l\left|\right|$ 和 $d_{n,m}=\underset{p_l\∈F_n}{\max }\underset{p_k\∈F_m}{\min }\left|\right|P_l-P_k\left|\right|$ 为Hausdorff距离，P_k，P_l分别为神经纤维曲线F_m和F_n上的任意一点；

步骤c：利用GAP统计法对投影到核空间里的神经纤维确定最优聚类数目，实施例中确定的最优聚类数目为4(图四C)，然后使用模糊C均值算法对确定最优聚类数目的神经纤维进行聚类；

所述模糊C均值的目标函数为： $E=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}\left\{{\mathrm{\μ}}_{i,j}{\left|\right|b_i-c_j\left|\right|}^2\right\},$ 其中模糊从属函数μ_i，j满足 ${\mathrm{\Σ}}_{j=1}^C{\mathrm{\μ}}_{i,j}=1,$ c_j是类j的质心；

步骤d：在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的上纵束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类的结果中得到上纵束，并将该类神经纤维设为表一中的同一组标记SLFR；其中N是训练样本集的个数等于5、H_si＝[h₁，h₂…h₆₀]为上纵束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的钩束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类的结果中得到钩束，并将该类神经纤维设为表一中的同一组标记UCR；其中N是训练样本集的个数等于5、H_si＝[h₁，h₂…h₆₀]为钩束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

步骤e：将神经纤维的序列象素穿过左额叶区域标记和左颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于m中的任一类神经纤维后的所有神经纤维记为集合B；然后重复步骤c～步骤d，得到另外半脑的上纵束神经纤维和钩束神经纤维，并将该两类神经纤维分别设为表一中的同一组标记SLFL和UCL；

表二采用本方法对10个病人进行了白质神经纤维的聚类、标记，得到10种神经纤维束的标注。由这10组测试数据得到的纤维束与来自专家的10种神经纤维束有具体的手工标注步标准进行比较，得到的平均空间匹配率(SMR)值如下表，可得知本发明方法的精确度。

Bundle	SMR
		CGR	0.935
CGL	0.938
		IFOR	0.953
IFOL	0.962
		ILFR	0.938
ILFL	0.946
		SLFR	0.965
SLFL	0.959
		UCR	0.984
UCL	0.992
		Average	0.957

Claims (1)

1.一种混合的大脑白质神经纤维自动聚类及标记方法，其特征在于步骤如下：

步骤1：使用FSL工具包的FDT工具对DTI图像进行涡旋校正，利用DTIStudio对图像进行计算，生成通道图；

步骤2：采用多通道DTI分割算法得到表达大脑白质、灰质、脑脊液三类组织的分割图，再用高维弹性配准的方法HAMMER将已标记好的标准大脑图谱配准到该分割图，得到由区域标记表达整个大脑白质或灰质的区域标记图；所述的标准大脑标记图谱来自McConnell BIC；

步骤3：使用DTIStudio对DTI图像进行神经纤维跟踪，当像素的部分各向异性值FA小于0.25，或者所跟踪神经纤维的转折角度大于70度时停止跟踪，从而得到由一系列象素点连接而成的神经纤维以及由一系列神经纤维表达的整个大脑白质神经纤维图；

步骤4：将大脑白质神经纤维图与大脑白质或灰质的区域标记图置于同一空间坐标系中，根据每根神经纤维与每种区域标记象素的位置关系进行分类标记，得到15类神经纤维标记；

a)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右额叶区域标记坐标中时，将该类神经纤维设为同一种神经纤维标记；

b)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

c)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

d)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右额叶区域标记坐标中时，将该类神经纤维设为同一种标记；

e)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

f)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

g)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左额叶区域标记坐标中时，将该类神经纤维设为同一种标记；

h)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；

i)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

j)当某类神经纤维的序列象素既穿过右扣带区域标记坐标中时，将该类神经纤维设为同一种标记；

k)当某类神经纤维的序列象素既穿过左扣带区域标记坐标中时，将该类神经纤维设为同一种标记；

l)当某类神经纤维的序列象素既穿过右额叶区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

m)当某类神经纤维的序列象素既穿过左额叶区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；

n)当某类神经纤维的序列象素既穿过右枕叶区域标记坐标中，又穿过右颞叶区域标记坐标中时，且又不属于a、b、c和l中的任一类神经纤维时，将该类神经纤维设为同一种标记；

o)当某类神经纤维的序列象素既穿过左枕叶区域标记坐标中，又穿过左颞叶区域标记坐标中时，且又不属于a、b、c和m中的任一类神经纤维时，将该类神经纤维设为同一种标记；

步骤5：采用下述步骤标记另外4类神经纤维：

步骤a：将神经纤维的序列象素穿过右额叶区域标记和右颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于l中的任一类神经纤维后的所有神经纤维记为集合B；

步骤b：使用非线性的kernel-PCA方法将集合B的神经纤维曲线映射到高维特征空间F，然后在特征空间F上实现PCA；利用核方程K_m，n构成样本协方差矩阵K，以样本协方差矩阵的最大三个特征值对应的特征向量构成主成分；然后将K的每一个列向量k_i采用b_i＝Φ^T(k_i-k)，i＝1，...，N向由主成分张成的核空间投影，其中Φ的每一列为样本协方差矩阵K的一个特征向量，k为平均列向量；

所述计算kernel-PCA方法时的核方程为：K_m，n＝w_m，nexp(-d′_m，n/σ)，

其中：σ为一个像素的宽度，取决图像的分辨率；

$w_{m,n}=\frac{L_{m,n}}{L_m+L_n-L_{m,n}}$ 为长度不匹配因子，L_m为神经纤维曲线F_m的长度、L_n为神经纤维曲线F_n的长度、L_m，n为两神经纤维曲线F_m与F_n具有对应点的曲线段的的长度；

d′_m，n＝(d_m，n+d_n，m)/2为神经纤维的相似性度量， $d_{m,n}=\underset{p_k\∈F_m}{\max }\underset{p_l\∈F_n}{\min }\left|\right|P_k-P_l\left|\right|$ 和 $d_{n,m}=\underset{p_l\∈F_n}{\max }\underset{p_k\∈F_m}{\min }\left|\right|P_l-P_k\left|\right|$ 为Hausdorff距离，P_k，P_l分别为神经纤维曲线F_m和F_n上的任意一点；

步骤c：利用GAP统计法对投影到核空间里的神经纤维确定最优聚类数目，然后使用模糊C均值算法对确定最优聚类数目的神经纤维进行聚类；

所述模糊C均值的目标函数为： $E=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{C}{\mathrm{\Σ}}}\left\{{\mathrm{\μ}}_{i,j}{\left|\right|b_i-c_j\left|\right|}^2\right\},$ 其中模糊从属函数μ_i，j满足 ${\mathrm{\Σ}}_{j=1}^C{\mathrm{\μ}}_{i,j}=1,$ c_j是类j的质心；

步骤d：在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的上纵束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类得到的神经纤维束中的上纵束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为上纵束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

在训练样本集中，以模式特征 $P_s=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{H}_{\mathrm{si}}$ 进行特征提取，得到半脑的钩束神经纤维的模式特征，然后利用此模式特征从第3步模糊聚类得到的神经纤维束中的钩束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为钩束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；

所述的N＝5；

步骤e：将神经纤维的序列象素穿过左额叶区域标记和左颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于m中的任一类神经纤维后的所有神经纤维记为集合B；然后重复步骤c～步骤d，得到另外半脑的上纵束神经纤维和钩束神经纤维，并将该两类神经纤维分别设为同一种标记；

上述的19类神经纤维标记为不同数字、不同字母或不同颜色，以及两者或三者的组合。

Images