CN104523275A - 一种健康人群白质纤维束图谱构建方法 - Google Patents
一种健康人群白质纤维束图谱构建方法 Download PDFInfo
- Publication number
- CN104523275A CN104523275A CN201410835765.7A CN201410835765A CN104523275A CN 104523275 A CN104523275 A CN 104523275A CN 201410835765 A CN201410835765 A CN 201410835765A CN 104523275 A CN104523275 A CN 104523275A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- tensor
- data
- picture
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种健康人群白质纤维束图谱构建方法,通过寻找个体灰质结构空间与DTI空间的对应关系,计算组人群的张量图像平均空间信息,将个体的DTI数据转换到这个平均空间下;利用相关融合手段将磁共振解剖结构像和MNI标准模板联合配准后的参数与组内配准参数进行融合,同时作用到个体T1数据集上,构建出组过渡张量图像模板;通过非线性配准再将个人T1数据配准到该过渡模板上,得到T1结构像配准到过渡模板的变换参数;将该变换参数作用到个人的DTI数据上,采用保持主特征方向的方法对每个体素点进行张量场的方向校正,并对校正后的张量进行逐个体素点的线性平均,最终获得特定健康人群组的弥散张量图谱。
Description
技术领域
本发明涉及弥散张量成像领域,尤其涉及一种健康人群白质纤维束图谱构建方法。
背景技术
弥散张量成像技术(diffusion tensor imaging,DTI)是近年来迅速发展的一种描述大脑白质纤维束的新方法,是核磁共振成像(Magnetic Resonance Imaging,MRI)的特殊形式。该成像手段可以对大脑内具有特殊扩散特性水分子的扩散轨迹模拟重建,获取传统结构成像技术难以捕捉到的白质纤维束走向的信息。基于弥散张量成像的大脑张量图谱构建是神经影像研究框架中的一个非常重要的研究方向。研究者通过现代神经影像学技术采集大样本健康人群扩散张量图像数据,进行统计意义上的建模,综合样本集中每一个被试解剖结构的共同特性并构建数字化统计图谱。当前国际现有模板构建研究中,最根本的出发点在于建立一个标准的坐标系来定位大脑内部各个组织结构,健康人群大脑白质图谱的构建是检测白质结构形态的基础。这样就可以使得不同个体不同样本集之间生理结构和病理学的统计学分析具有横向的可比性,促使人脑功能和结构的神经影像学得到进一步发展。其中,对于张量图像统计模板的构建的关键步骤是弥散张量图像的配准。
磁共振成像是一种无创伤无损害的脑成像技术,它是研究活体中脑活动以及分析其机理的重要工具。DTI是近年来发展起来的新的磁共振成像方法。主要是利用大脑中各种组织中水分子在外加磁场的作用下所表现出的不同的扩散特征而进行成像的。图像中的每一个体素点用一个二阶张量来描述其水分子的扩散特性,从而间接的反应白质纤维束的物理和结构信息。
传统的磁共振成像技术模板在识别描绘特性的白质区域是非常困难的。DTI作为一种新的磁共振成像形态,可以对白质纤维束进行模拟重建和可视化。为了更全面理解疾病模型或者使用不同组之间的统计比较来分析功能损伤与结构异常之间的关联,目前有许多关于基于特异性研究的张量统计模板构建的研究。使用最为广泛的是约翰·霍普金斯医学大脑科学研究所的Mori等人提出的ICBM模板,他使用平均扩散加权成像(Diffusion Weighted Imaging,DWI)图像进行仿射配准,然后使用获得的配准参数来重新计算张量图像,最后使用线性平均来进行统计模板的构建。纽卡斯尔大学的Jones等人使用10个正常被试的DTI数据创建了统计图谱,他使用被试的分数各向异性(Fractional anisotropy,FA)图像进行仿射配准,然后将配准后的变换参数作用在样本的张量图像上进行方向校正,最后通过不同的统计构建方法来进行图谱构建。乌尔姆大学的Muller等人使用了13个正常被试中的b0图像进行图像配准并使用仿射变换的方法将个体样本数据中没有梯度方向的图像(b0)配准到蒙特利尔神经科学研究所(Montreal neurological institute,MNI)模板空间,然后将变换参数作用到张量图像上并进行方向重定向,最后进行模板构建。
当前DTI图谱构建主要面临以下几个问题:第一,使用客观准确的参考图像进行图像配准。由于DTI数据不同于传统的结构磁共振图像,其图像结构不能详细准确的描绘脑组织结构,现有研究中往往使用一个计算后得到的标量参数图像作为配准时的参考图像,如平均弥散度(Mean Diffusivity,MD),分数各向异性(FractionalAnisotropy,FA)等。然而,这些FA、MD图像存在着较大噪声,和细微解剖结构不清晰等特点,所以往往会造成配准参数的不准确,从而造成整体的DTI图谱构建的不准确。第二,张量图像配准方案。现有基于大脑体素形态学的研究是使用一个标准模板作为配准目标,如MNI模板。使用标准模板的优势在于,它包含一个标准的几何形态结构,标准的坐标系统以及标准的脑区划分。由于标准模板有着众多的优势,许多的基于DTI的基于体素的分析方法(Voxel-based Morphometry,VBM)研究都使用标准模板进行数据分析,这样可以使得数据分析在标准空间下进行。然而,国际标准模板是基于大样本多个年龄阶段的健康白种人群数据集构建,所以不能反应特定年龄阶段健康中国人群大脑白质结构特性,导致在图像配准过程中存在潜在的校准偏差,进一步导致结果的不准确。
鉴于上述缺陷,本发明作者经过长时间的研究和实践获得了本创作。
发明内容
本发明的目的在于提供一种健康人群白质纤维束图谱构建方法,用以克服上述技术缺陷。
为实现上述目的,本发明提供一种健康人群白质纤维束图谱构建方法,基于正常人群的弥散张量图像,构建包含所有本是信息的弥散张量磁共振图谱,其具体过程为:
步骤a,利用磁共振成像手段获取大脑功能数据并对获取的数据进行预处理;
步骤b,对采集的图像数据进行预处理之后,进行图像配准以得到变换参数T;
步骤c,将得到的变换参数T与T′进行融合,然后将融合后的参数作用到联合最初联合配准之后的T1数据上,并且对处理的数据进行线性平均得到过渡模板,最后再将最初联合配准的T1结构像配准到过渡模板上,得到变换参数T”;
步骤d,将得到的变换参数T”作用到预处理后的DTI数据上,并且对处理的数据进行方向校正,最后进行线性平均得到模板。
进一步地,上述步骤a的具体过程为:
步骤a1,采集数据;包括被试个体的T1结构像以及30个扩散敏感梯度脉冲方向的DWI像和一个b0像,DTI数据重复扫描两次;
步骤a2,对DTI数据进行平均;
步骤a3,去脑壳;分别对T1结构像和DTI图像进行去脑壳处理;
步骤a4,涡流/头动/回波平面成像。
进一步地,上述步骤b的具体过程为:
步骤b1,对预处理后的T1图像数据进行联合配准;将个体被试的T1结构像与b0像进行联合配准,T1结构像就可以转换到DTI空间下,使得T1结构的图像维度、体素点大小以及空间坐标等信息与b0保持一致;
步骤b2,使用仿射变换的方法初步的将联合配准后的T1结构像的数据配准到MNI模板的标准空间下,这样可以使得T1结构的图像维度、体素点大小以及中心点位置等信息与MNI模板图像保持一致,同时也可以初步的进行整体图像的配准;
仿射变换公式如下:
其中,A是仿射变换参数,包括3个放缩自由度,3个旋转自由度,3个位移自由度以及3个切变自由度;x,y,z是源图像坐标;x′,y′,z′是配准后图像坐标;
步骤b3,经过仿射变换之后,对变换后的T1结构像进行进一步高精度的非线性配准,从而得到变换参数T;
在对图像进行非线性图像配准之后,可以得到最后的形变模型:
其中,A是线性配准过程得到的仿射变换参数,后面所得到的di(x,y,z)是非线性配准过程中所得到的变形场;
为了方便后续的计算,将仿射变换参数与非线性变换参数合并到同一个变换场,使两个参数的大小、维度相同;
完成了仿射变换的图像配准和非线性图像配准过程之后,得到了从DTI空间到MNI标准模板空间下的变换参数T;
步骤b4,使用一种基于组的统计图谱构建方法,将配准到MNI空间下的T1结构像进行两两间的图像配准,并将个体配准到其他图像上的参数进行平均,得到所有T1结构像的平均配准参数T′。
进一步地,上述步骤c的具体过程为:
步骤c1,得到T1结构像的平均配准参数T′之后,将T与T′合并为一个变换场,然后将该变换场作用到最初联合配准之后的TI图像上,进行非线性配准过程;
步骤c2,经过非线性配准过程之后,得到变换之后的T1图像T1’,再将每个人的T1’图像进行线性平均平均,得到结构像的过渡模板T1”;
步骤c3,将最初的联合配准之后的T1像与过渡模板T1”进行配准,得到由T1像到过渡模板的变换参数T”,这就是作用到DTI图像上的变换参数。
进一步地,上述步骤d的具体过程为:
步骤d1,将最初联合配准之后的T1像配准到过渡模板T1”的变换参数T”作用到预处理之后的DTI图像上,进行非线性配准过程;
步骤d2,对正则化之后的DTI数据进行计算,得到了张量图像,使用一种保持主特征方向的方法,结合原始数据中的梯度方向信息和扩散敏感系数,对张量图像DT的六个独立变量进行方向校正。
步骤d3,对校正后张量的每个自由变量进行逐个体素点平均,得到张量图像的图谱。
进一步地,上述步骤d1的具体过程为:
步骤d11,将预处理之后的DTI数据分解成1个b0像以及30个不同梯度方向的DWI像,然后将上述得到的变换场作用到分解后的31个图像上进行进一步的图像变换;
步骤d12,对变换后的DTI数据进行正则化处理,用以满足约束条件。
进一步地,上述步骤d2的具体过程为:
步骤d21,给出一个变换场矩阵F和一个张量D,对张量D进行特征分解求得特征值(λ1,λ2,λ3)以及特征向量(e1,e2,e3);
步骤d22,计算方向F×e1和F×e2的单位向量n1和n2;
步骤d23,计算一个旋转矩阵R1,可以将e1映射到n1上;
步骤d24,将经过R1旋转之后的e2,R1×e2映射到n1-n2的平面;
步骤d25,计算第二旋转矩阵R2,可以将R1×e1映射到n2-(n2×n1)×n1方向上的单位矩阵上;
步骤d26,设R为张量方向的校正矩阵,R=R1×R2,最后通过R×D×R’计算出校正之后的张量。
与现有技术相比较本发明的有益效果在于:本发明的图谱构建是基于非线性配准的配准思想,用以增强图像的空间一致性,从而使得图谱内部的结构信息更清晰。并且采用过渡模板迭代的思想,不断地将模板进行优化,从而得到更加代表各个被试信息的模板图像。
从图像处理的角度上看,原始扫描的DTI图像由于使用较快的扫描序列,所以具有涡流噪声较大、存在伪影等问题,本发明从图像优化的角度上对原始的DTI图像进行去涡流噪声等预处理过程,并去除大脑外的结构组织。然后,从医学图像配准的角度出发,在选择图像配准中的参照图像时,考虑到扩散张量图像自身存在的问题,没有使用一般研究中使用的T2结构图像作为扩散张量图像配准时的参照图像,而是使用了图像结构更为清晰,信噪比更高的同批次扫描的T1结构图像作为配准时的参照图像。
附图说明
图1是本发明的流程示意图;
图2是本发明的T1结构像联合配准到b0图像;
图3是本发明的T1结构像非线性配准到MNI标准模板图像;
图4是本发明的张量模板的构建图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
请结合图1-4所示,本发明的健康人群白质纤维束图谱构建方法,基于正常人群的弥散张量图像,构建包含所有本是信息的弥散张量磁共振图谱,其具体过程为:
步骤a,利用磁共振成像手段获取大脑功能数据并对获取的数据进行预处理,包括:
步骤a1,采集数据;包括被试个体的T1结构像以及30个扩散敏感梯度脉冲方向的DWI像和一个b0像,DTI数据重复扫描两次;
步骤a2,对DTI数据进行平均;由于扫描过程中对每个梯度方向的DWI图像数据都扫描了两次,对其进行一次平均有助于提高信噪比,可以减少扫描过程中带来的误差。
步骤a3,去脑壳;分别对T1结构像和DTI图像进行去脑壳处理。以减少脑壳带来的误差影响。
步骤a4,涡流/头动/回波平面成像(Echo Planar Imaging,EPI)校正;由于数据扫描时的被试头动带来噪声,并且成像时产生的涡流效应带来图像误差,因此需要对去除脑壳后的DTI图像进行涡流和头动校正。
步骤b,对采集的图像数据进行预处理之后,进行图像配准以得到变换参数T;
步骤b1,对预处理后的T1图像数据进行联合配准;将个体被试的T1结构像与b0像进行联合配准,T1结构像就可以转换到DTI空间下,使得T1结构的图像维度、体素点大小以及空间坐标等信息与b0保持一致;
步骤b2,使用仿射变换的方法初步的将联合配准后的T1结构像的数据配准到MNI模板的标准空间下,这样可以使得T1结构的图像维度、体素点大小以及中心点位置等信息与MNI模板图像保持一致,同时也可以初步的进行整体图像的配准。
仿射变换公式如下:
其中,A是仿射变换参数(包括3个放缩自由度,3个旋转自由度,3个位移自由度以及3个切变自由度);x,y,z是源图像坐标;x′,y′,z′是配准后图像坐标。
步骤b3,经过仿射变换之后,对变换后的T1结构像进行进一步高精度的非线性配准,从而得到变换参数T。
非线性配准方法使用的是基于自由形变的B样条空间变换的配准方法,这种方法的核心思想是将图像的变形过程作用于图像所嵌入的变形空间之中而非直接作用在图像之上;如果变形空间改变,则嵌入其中的图像自然也就随之改变。B样条变换可以控制局部变形,改变控制点值影响它附近局部邻域的形状改变,最终获得变换场。
在对图像进行非线性图像配准之后,可以得到最后的形变模型:
其中,A是线性配准过程得到的仿射变换参数,后面所得到的di(x,y,z)是非线性配准过程中所得到的变形场。
为了方便后续的计算,我们将仿射变换参数与非线性变换参数合并到同一个变换场,使两个参数的大小、维度相同。这样,可以简化变换参数。
完成了仿射变换的图像配准和非线性图像配准过程之后,得到了从DTI空间到MNI标准模板空间下的变换参数T。
步骤b4,使用一种基于组的统计图谱构建方法,将配准到MNI空间下的T1结构像进行两两间的图像配准,并将个体配准到其他图像上的参数进行平均,得到所有T1结构像的平均配准参数T′。通过变换参数可以得到一个与其他所有图像差异最小的配准图像,从而使得每个个体数据的差异性减少。
步骤c,将得到的变换参数T与T′进行融合,然后将融合后的参数作用到联合最初联合配准之后的T1数据上,并且对处理的数据进行线性平均得到过渡模板,最后再将最初联合配准的T1结构像配准到过渡模板上,得到变换参数T”;
步骤c1,得到T1结构像的平均配准参数T′之后,将T与T′合并为一个变换场,然后将该变换场作用到最初联合配准之后的TI图像上,进行非线性配准过程。
步骤c2,经过非线性配准过程之后,得到变换之后的T1图像T1’。再将每个人的T1’图像进行线性平均平均,得到结构像的过渡模板T1”。
步骤c3,将最初的联合配准之后的T1像与过渡模板T1”进行配准,得到由T1像到过渡模板的变换参数T”,这就是作用到DTI图像上的变换参数。
步骤d,将得到的变换参数T”作用到预处理后的DTI数据上,并且对处理的数据进行方向校正,最后进行线性平均得到模板。
步骤d1,将最初联合配准之后的T1像配准到过渡模板T1”的变换参数T”作用到预处理之后的DTI图像上,进行非线性配准过程。
步骤d11,将预处理之后的DTI数据分解成1个b0像以及30个不同梯度方向的DWI像。然后将上述得到的变换场作用到分解后的31个图像上进行进一步的图像变换。
步骤d12,为了保证由变换后的DTI数据求得的张量图像的正定性,需对变换后的DTI数据进行正则化处理,用以满足约束条件,从而提高张量图像方向的准确性。
步骤d2,对正则化之后的DTI数据进行计算,得到了张量图像。使用一种保持主特征方向(Preservation of Principal Direction,PPD)的方法,结合原始数据中的梯度方向信息和扩散敏感系数,对张量图像DT的六个独立变量进行方向校正。
步骤d21,给出一个变换场矩阵F和一个张量D,对张量D进行特征分解求得特征值(λ1,λ2,λ3)以及特征向量(e1,e2,e3)。
步骤d22,计算方向F×e1和F×e2的单位向量n1和n2。
步骤d23,计算一个旋转矩阵R1,可以将e1映射到n1上。
步骤d24,将经过R1旋转之后的e2,R1×e2映射到n1-n2的平面。
步骤d25,计算第二旋转矩阵R2,可以将R1×e1映射到n2-(n2×n1)×n1方向上的单位矩阵上。
步骤d26,设R为张量方向的校正矩阵,R=R1×R2,最后通过R×D×R’计算出校正之后的张量。
方向校正可以降低由于变换参数中剪切部分和延伸部分对方向场的影响,同时也保证了张量形态学信息与方向信息的一致性。所以选择最佳的方向校正方案是非常重要的。
步骤d3,对校正后张量的每个自由变量进行逐个体素点平均,得到张量图像的图谱。对于整体张量图谱的平均,我们使用直接的线性平均方法,分别对张量的六个自由度进行线性平均。由于之前对配准后的DWI图像进行了正则化处理,所以,在保持张量正定的情况下进行的张量图谱构建,有利于保证张量图谱特征方向的准确性。
以上所述仅为本发明的较佳实施例,对发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (7)
1.一种健康人群白质纤维束图谱构建方法,其特征在于,基于正常人群的弥散张量图像,构建包含所有本是信息的弥散张量磁共振图谱,其具体过程为:
步骤a,利用磁共振成像手段获取大脑功能数据并对获取的数据进行预处理;
步骤b,对采集的图像数据进行预处理之后,进行图像配准以得到变换参数T;
步骤c,将得到的变换参数T与T′进行融合,然后将融合后的参数作用到联合最初联合配准之后的T1数据上,并且对处理的数据进行线性平均得到过渡模板,最后再将最初联合配准的T1结构像配准到过渡模板上,得到变换参数T”;
步骤d,将得到的变换参数T”作用到预处理后的DTI数据上,并且对处理的数据进行方向校正,最后进行线性平均得到模板。
2.根据权利要求1所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤a的具体过程为:
步骤a1,采集数据;包括被试个体的T1结构像以及30个扩散敏感梯度脉冲方向的DWI像和一个b0像,DTI数据重复扫描两次;
步骤a2,对DTI数据进行平均;
步骤a3,去脑壳;分别对T1结构像和DTI图像进行去脑壳处理;
步骤a4,涡流/头动/回波平面成像。
3.根据权利要求1或2所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤b的具体过程为:
步骤b1,对预处理后的T1图像数据进行联合配准;将个体被试的T1结构像与b0像进行联合配准,T1结构像就可以转换到DTI空间下,使得T1结构的图像维度、体素点大小以及空间坐标等信息与b0保持一致;
步骤b2,使用仿射变换的方法初步的将联合配准后的T1结构像的数据配准到MNI模板的标准空间下,这样可以使得T1结构的图像维度、体素点大小以及中心点位置等信息与MNI模板图像保持一致,同时也可以初步的进行整体图像的配准;
仿射变换公式如下:
其中,A是仿射变换参数,包括3个放缩自由度,3个旋转自由度,3个位移自由度以及3个切变自由度;x,y,z是源图像坐标;x′,y′,z′是配准后图像坐标;
步骤b3,经过仿射变换之后,对变换后的T1结构像进行进一步高精度的非线性配准,从而得到变换参数T;
在对图像进行非线性图像配准之后,可以得到最后的形变模型:
其中,A是线性配准过程得到的仿射变换参数,后面所得到的d1(x,y,z)是非线性配准过程中所得到的变形场;
为了方便后续的计算,将仿射变换参数与非线性变换参数合并到同一个变换场,使两个参数的大小、维度相同;
完成了仿射变换的图像配准和非线性图像配准过程之后,得到了从DTI空间到MNI标准模板空间下的变换参数T;
步骤b4,使用一种基于组的统计图谱构建方法,将配准到MNI空间下的T1结构像进行两两间的图像配准,并将个体配准到其他图像上的参数进行平均,得到所有T1结构像的平均配准参数T′。
4.根据权利要求3所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤c的具体过程为:
步骤c1,得到T1结构像的平均配准参数T′之后,将T与T′合并为一个变换场,然后将该变换场作用到最初联合配准之后的TI图像上,进行非线性配准过程;
步骤c2,经过非线性配准过程之后,得到变换之后的T1图像T1’,再将每个人的T1’图像进行线性平均平均,得到结构像的过渡模板T1”;
步骤c3,将最初的联合配准之后的T1像与过渡模板T1”进行配准,得到由T1像到过渡模板的变换参数T”,这就是作用到DTI图像上的变换参数。
5.根据权利要求4所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤d的具体过程为:
步骤d1,将最初联合配准之后的T1像配准到过渡模板T1”的变换参数T”作用到预处理之后的DTI图像上,进行非线性配准过程;
步骤d2,对正则化之后的DTI数据进行计算,得到了张量图像,使用一种保持主特征方向的方法,结合原始数据中的梯度方向信息和扩散敏感系数,对张量图像DT的六个独立变量进行方向校正。
步骤d3,对校正后张量的每个自由变量进行逐个体素点平均,得到张量图像的图谱。
6.根据权利要求5所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤d1的具体过程为:
步骤d11,将预处理之后的DTI数据分解成1个b0像以及30个不同梯度方向的DWI像,然后将上述得到的变换场作用到分解后的31个图像上进行进一步的图像变换;
步骤d12,对变换后的DTI数据进行正则化处理,用以满足约束条件。
7.根据权利要求6所述的健康人群白质纤维束图谱构建方法,其特征在于,上述步骤d2的具体过程为:
步骤d21,给出一个变换场矩阵F和一个张量D,对张量D进行特征分解求得特征值(λ1,λ2,λ3)以及特征向量(e1,e2,e3);
步骤d22,计算方向F×e1和F×e2的单位向量n1和n2;
步骤d23,计算一个旋转矩阵R1,可以将e1映射到n1上;
步骤d24,将经过R1旋转之后的e2,R1×e2映射到n1-n2的平面;
步骤d25,计算第二旋转矩阵R2,可以将R1×e1映射到n2-(n2×n1)×n1方向上的单位矩阵上;
步骤d26,设R为张量方向的校正矩阵,R=R1×R2,最后通过R×D×R’计算出校正之后的张量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410835765.7A CN104523275A (zh) | 2014-12-25 | 2014-12-25 | 一种健康人群白质纤维束图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410835765.7A CN104523275A (zh) | 2014-12-25 | 2014-12-25 | 一种健康人群白质纤维束图谱构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104523275A true CN104523275A (zh) | 2015-04-22 |
Family
ID=52839046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410835765.7A Pending CN104523275A (zh) | 2014-12-25 | 2014-12-25 | 一种健康人群白质纤维束图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104523275A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485039A (zh) * | 2015-08-24 | 2017-03-08 | 复旦大学附属华山医院 | 一种汉语脑语言区分布图的构建方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN109686425A (zh) * | 2019-01-17 | 2019-04-26 | 南京晓庄学院 | 一种加速全局重建人脑神经图像技术的方法 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
CN110533664A (zh) * | 2019-07-26 | 2019-12-03 | 浙江工业大学 | 一种基于大样本数据驱动的颅神经自动分割方法 |
CN111311585A (zh) * | 2020-02-24 | 2020-06-19 | 南京慧脑云计算有限公司 | 一种新生儿的磁共振弥散张量脑影像分析方法及其系统 |
CN111738999A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于弥散张量成像的大脑张量模板构建方法 |
CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
CN116128935A (zh) * | 2022-12-30 | 2023-05-16 | 华中科技大学 | 空中机群红外序列配准方法、多尺度目标测谱方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273001A1 (en) * | 2004-06-04 | 2005-12-08 | The Mcw Research Foundation | MRI display interface for medical diagnostics and planning |
CN101496723A (zh) * | 2008-01-30 | 2009-08-05 | 深圳安科高技术股份有限公司 | 一种获取神经导航系统影像学资料的方法 |
CN101666865A (zh) * | 2009-09-09 | 2010-03-10 | 西北工业大学 | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
CN103268605A (zh) * | 2013-05-15 | 2013-08-28 | 北京理工大学 | 基于高阶统计形变模型的脑图谱与脑图像配准方法 |
CN103996196A (zh) * | 2014-05-28 | 2014-08-20 | 西安电子科技大学 | 一种基于多变量的dti图像分析方法 |
WO2014201108A1 (en) * | 2013-06-11 | 2014-12-18 | Adventist Health System/Sunbelt, Inc. | Probe for surgical navigation |
-
2014
- 2014-12-25 CN CN201410835765.7A patent/CN104523275A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273001A1 (en) * | 2004-06-04 | 2005-12-08 | The Mcw Research Foundation | MRI display interface for medical diagnostics and planning |
CN101496723A (zh) * | 2008-01-30 | 2009-08-05 | 深圳安科高技术股份有限公司 | 一种获取神经导航系统影像学资料的方法 |
CN101666865A (zh) * | 2009-09-09 | 2010-03-10 | 西北工业大学 | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
CN103268605A (zh) * | 2013-05-15 | 2013-08-28 | 北京理工大学 | 基于高阶统计形变模型的脑图谱与脑图像配准方法 |
WO2014201108A1 (en) * | 2013-06-11 | 2014-12-18 | Adventist Health System/Sunbelt, Inc. | Probe for surgical navigation |
CN103996196A (zh) * | 2014-05-28 | 2014-08-20 | 西安电子科技大学 | 一种基于多变量的dti图像分析方法 |
Non-Patent Citations (1)
Title |
---|
熊诗威: "基于扩散张量成像的人脑三维张量模板构建研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485039B (zh) * | 2015-08-24 | 2019-05-10 | 复旦大学附属华山医院 | 一种汉语脑语言区分布图的构建方法 |
CN106485039A (zh) * | 2015-08-24 | 2017-03-08 | 复旦大学附属华山医院 | 一种汉语脑语言区分布图的构建方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN106897993B (zh) * | 2017-01-12 | 2019-07-26 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN109686425A (zh) * | 2019-01-17 | 2019-04-26 | 南京晓庄学院 | 一种加速全局重建人脑神经图像技术的方法 |
CN109686425B (zh) * | 2019-01-17 | 2020-08-11 | 南京晓庄学院 | 一种加速全局重建人脑神经图像技术的系统及方法 |
CN109978871B (zh) * | 2019-03-30 | 2021-06-25 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
CN110533664A (zh) * | 2019-07-26 | 2019-12-03 | 浙江工业大学 | 一种基于大样本数据驱动的颅神经自动分割方法 |
CN110533664B (zh) * | 2019-07-26 | 2022-05-03 | 浙江工业大学 | 一种基于大样本数据驱动的颅神经自动分割方法 |
CN111311585A (zh) * | 2020-02-24 | 2020-06-19 | 南京慧脑云计算有限公司 | 一种新生儿的磁共振弥散张量脑影像分析方法及其系统 |
CN111738999B (zh) * | 2020-06-15 | 2022-04-19 | 西安电子科技大学 | 基于弥散张量成像的大脑张量模板构建方法 |
CN111738999A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于弥散张量成像的大脑张量模板构建方法 |
CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
CN115880425B (zh) * | 2022-11-28 | 2023-07-25 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
CN116128935A (zh) * | 2022-12-30 | 2023-05-16 | 华中科技大学 | 空中机群红外序列配准方法、多尺度目标测谱方法及系统 |
CN116128935B (zh) * | 2022-12-30 | 2023-11-28 | 华中科技大学 | 空中机群红外序列配准方法、多尺度目标测谱方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104523275A (zh) | 一种健康人群白质纤维束图谱构建方法 | |
Schilling et al. | Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions | |
Raffelt et al. | Investigating white matter fibre density and morphology using fixel-based analysis | |
Schilling et al. | Comparison of 3D orientation distribution functions measured with confocal microscopy and diffusion MRI | |
Li et al. | Measuring the dynamic longitudinal cortex development in infants by reconstruction of temporally consistent cortical surfaces | |
Dauguet et al. | Comparison of fiber tracts derived from in-vivo DTI tractography with 3D histological neural tract tracer reconstruction on a macaque brain | |
Zhang et al. | A tract-specific framework for white matter morphometry combining macroscopic and microscopic tract features | |
Pannek et al. | The average pathlength map: a diffusion MRI tractography-derived index for studying brain pathology | |
CN103049901A (zh) | 磁共振弥散张量成像纤维束追踪装置 | |
Li et al. | A hybrid deep learning framework for integrated segmentation and registration: evaluation on longitudinal white matter tract changes | |
CN103142229B (zh) | 扩散峭度张量成像的高阶张量特征参数提取方法 | |
US9402562B2 (en) | Systems and methods for improved tractographic processing | |
Jia et al. | Intermediate templates guided groupwise registration of diffusion tensor images | |
Kim et al. | Hippocampal shape modeling based on a progressive template surface deformation and its verification | |
de Senneville et al. | RegQCNET: Deep quality control for image-to-template brain MRI affine registration | |
CN101947103A (zh) | 全光学生物发光断层成像方法 | |
Petoe et al. | A template-based procedure for determining white matter integrity in the internal capsule early after stroke | |
Bloy et al. | White matter atlas generation using HARDI based automated parcellation | |
Paniagua et al. | Lateral ventricle morphology analysis via mean latitude axis | |
Liu et al. | Thalamic nuclei segmentation in clinical 3T T1-weighted Images using high-resolution 7T shape models | |
Xue et al. | A local fast marching-based diffusion tensor image registration algorithm by simultaneously considering spatial deformation and tensor orientation | |
Zhao et al. | Automatic macaque brain segmentation based on 7T MRI | |
Anticevic et al. | Automated landmark identification for human cortical surface-based registration | |
Pai et al. | Evaluation of fiber bundles across subjects through brain mapping and registration of diffusion tensor data | |
TWI478103B (zh) | 使用高度形變微分同胚度量映射法的擴散頻譜造影轉換方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150422 |