CN104933759A - 一种人脑组织高维可视化方法 - Google Patents
一种人脑组织高维可视化方法 Download PDFInfo
- Publication number
- CN104933759A CN104933759A CN201510298752.5A CN201510298752A CN104933759A CN 104933759 A CN104933759 A CN 104933759A CN 201510298752 A CN201510298752 A CN 201510298752A CN 104933759 A CN104933759 A CN 104933759A
- Authority
- CN
- China
- Prior art keywords
- human brain
- tissue
- voxel
- represent
- gray
- 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
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Generation (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种人脑高维可视化方法,包括以下步骤:步骤S1,对人脑神经纤维进行纤维概率跟踪;步骤S2,计算人脑各组织的灰度值,利用区域生长算法完成各人脑各组织包括血管、皮质、骨骼的三维重构;步骤S3,使用Freesurfer软件对步骤S1与步骤S2中得到的人脑皮质与纤维以功能区为准进行细致分割,将人脑功能区各组织进行处理保存为三维图形文件;步骤S4,将步骤S3中处理得到的人脑各组织三维图形文件进行三维的曲面配准定位,实现组织的选择性显示、透明度和颜色设置。本发明提供一种纤维分布更为准确、有效实现人脑功能区的分割的人脑组织高维可视化方法。
Description
技术领域
本发明涉及生物信息学、计算机应用领域,尤其是这一种人脑组织高维可视化方法。
背景技术
人脑具有皮质、血管、骨骼、纤维等多种组织,并且各组织之间具有密切的功能关系。同时人脑可依照功能区分为多达上百个区域。国内现有的关于中国人脑图集研究现况存在着分辨率较低、脑部组织不完整、未包含各脑功能区结构分割等缺点
因此,国内现有的人脑图集并不能精确体现人脑各组织的分布,同时未包含皮质、血管、骨骼、纤维等多组织的高维显示,也没完成人脑功能区的分割。
发明内容
为了克服已有人脑组织可视化方式的纤维分布不准确、无法实现人脑功能区的分割的不足,本发明提供一种纤维分布更为准确、有效实现人脑功能区的分割的人脑组织高维可视化方法。
本发明解决其技术问题所采用的技术方案是:
一种人脑高维可视化方法,所述可视化方法包括以下步骤:
步骤S1,对人脑神经纤维进行纤维概率跟踪,包括如下步骤:
1.1)用方向分布函数确定纤维束追踪的主方向,方向分布函数由以下公式给出:其中ψtuch表示方向分布函数,u表示单位方向向量,r表示镜像长度,P(ru)表示总体平均概率密度函数;
1.2)对体素之间的相关性进行量化,使用张量模型来估计每个体素最大可能的纤维束走向并对体素之间的相关性进行量化,张量模型D(v)公式为:其中v=(v1,v2,v3)T为单位球面上的方向向量,fj(v)表示第j个单项式,ωj表示第j个张量系数;
1.3)使用张量模型来估计每个体素最大可能的纤维束走向,张量模型构建公式为:进行纤维跟踪,纤维跟踪公式为:r(sn)=r(sn-1)+αt(sn-1),其中r(sn)表示曲线上点的坐标(x,y,z),α(0<α<1)表示单位步长,t(s)=e1(r(s)表示扩散张量的最大特征向量;
步骤S2,计算人脑各组织的灰度值,利用区域生长算法完成各人脑各组织包括血管、皮质、骨骼的三维重构;
步骤S3,使用Freesurfer软件对步骤S1与步骤S2中得到的人脑皮质与纤维以功能区为准进行细致分割,将人脑功能区各组织进行处理保存为三维图形文件;
步骤S4,将步骤S3中处理得到的人脑各组织三维图形文件进行三维的曲面配准定位,实现组织的选择性显示、透明度和颜色设置。
进一步,所述步骤S2包括如下步骤:
2.1)计算人脑内各组织的体素灰度值概率,体素灰度值概率由以下公式给出:其中Pi为体素中含有组织的百分比,Pi(I)为组织i有灰度值I的概率,完成对各组织灰度的阈值的确定后,灰度的阈值由以下公式给出:其中Pi(x,y,z)表示坐标(x,y,z)的体素关于组织i的灰度概率,mi表示组织i的灰度概率均值,Ti表示关于组织i与灰度概率均值的最大偏移概率;
2.2)完成各组织的三维重构:对种子点体素的相邻体素进行判断,若两体素灰度概率值I在同一组织的灰度阈值内,判定方法由以下公式给出:Ia,Ib∈Ωi,其中Ωi表示第i种组织的灰度概率值范围,Ia表示种子点体素灰度概率值,Ib表示相邻体素灰度概率值则确认该相邻体素为新的种子点,继续判断该种子点与相邻体素是否为相同组织,直至没有可以加入的相邻体素为止,合并所有种子点,形成大的连通区域,完成人脑皮质、血管、骨骼的三维重构。
再进一步,所述步骤S4包括如下步骤:
4.1)配准定位:由以下方式给出:其中Pi表示三维数据初始点集,Qi表示第i种组织的目标数据点集,R表示3×3的旋转矩阵,T表示3×1的平移矢量,F(R,T)表示源点集经过旋转和平移后,其点集每一个点与目标点集中的对应点的距离平方和,当F(R,T)最小时,则满足数据的配准要求;
4.2)利用三维可视化vtk软件对定位后的各组织进行同时的三维展示,实现集合血管、皮质、纤维、骨骼等组织的高维系统的开发,并完成对各组织的选择性显示、透明度设和颜色设置。
本发明的技术构思为:使用概率型跟踪方法完成了纤维的跟踪,解决了原有人脑图集纤维分布不准确的问题,同时对人脑各组织(皮质、血管、骨骼)进行了精确的三维可视化,完成对各组织数据之间的曲面配准定位,并对人脑皮质、纤维进行依照功能区进行组织分割。
基于概率型跟踪出脑纤维路径,利用k-means聚类方法完成纤维束的聚类,筛选出有违纤维束主方向的伪纤维,对伪纤维上的每一个体素进行误差分析,完成异常体素的修正和替换。迭代运行至不再出现伪纤维。
与现有的技术相比,本发明的有益效果是:使用概率跟踪算法对纤维进行跟踪,提高纤维分布的准确性。完成人脑各组织包括血管、皮质、纤维、骨骼的三维可视化,并对各组织的三维配准,将皮质与纤维依照功能区进行细致分割。
附图说明
图1是功能区分割后的人脑皮质的示意图
图2是三维重构后的血管示意图。
图3是三维重构后的骨骼示意图。
图4是三维重构后的纤维示意图。
图5是各组织定位后的人脑图集的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种人脑组织高维可视化方法,其特征在于:所述高维可视化方法包括以下步骤:
步骤S1,对人脑神经纤维进行纤维概率跟踪;
步骤S2,计算人脑各组织的灰度值,利用区域生长算法完成各人脑各组织包括血管、皮质、骨骼的三维重构;
步骤S3,使用Freesurfer软件(哈佛大学开发的Freesurfer(V5.3.0)软件)对步骤S1与步骤S2中得到的人脑皮质与纤维以功能区为准进行细致分割,将人脑功能区各组织进行处理保存为三维图形文件;
步骤S4,将步骤S3中处理得到的人脑各组织三维图形文件进行三维的曲面配准定位,实现组织的选择性显示、透明度、颜色设置等功能。
步骤S1中,完成了对人脑神经纤维进行纤维概率跟踪,包括如下步骤:
1.1)用方向分布函数确定纤维束追踪的主方向,方向分布函数由以下公式给出:其中ψtuch表示方向分布函数,u表示单位方向向量,r表示镜像长度,P(ru)表示总体平均概率密度函数;
1.2)对体素之间的相关性进行量化,使用张量模型来估计每个体素最大可能的纤维束走向并对体素之间的相关性进行量化,张量模型公式为:其中v=(v1,v2,v3)T为单位球面上的方向向量,fj(v)表示第j个单项式,ωj表示第j个张量系数;
1.3)使用张量模型来估计每个体素最大可能的纤维束走向,张量模型构建公式为:进行纤维跟踪,纤维跟踪公式为:r(sn)=r(sn-1)+αt(sn-1),其中r(sn)表示曲线上点的坐标(x,y,z),α(0<α<1)表示单位步长,t(s)=e1(r(s)表示扩散张量的最大特征向量。
步骤S2,计算人脑各组织的灰度值,利用区域生长算法完成各人脑各组织包括血管、皮质、骨骼的三维重构,还包括如下步骤:
2.1)计算人脑内各组织的体素灰度值概率,体素灰度值概率由以下公式给出:其中Pi为体素中含有组织的百分比,Pi(I)为组织i有灰度值I的概率,完成对各组织灰度的阈值的确定后,灰度的阈值由以下公式给出:其中Pi(x,y,z)表示坐标(x,y,z)的体素关于组织i的灰度概率,mi表示组织i的灰度概率均值,Ti表示关于组织i与灰度概率均值的最大偏移概率;
2.2)完成各组织的三维重构:对种子点体素的相邻体素进行判断,若两体素灰度概率值I在同一组织的灰度阈值内,判定方法由以下公式给出:Ia,Ib∈Ωi,其中Ωi表示第i种组织的灰度概率值范围,Ia表示种子点体素灰度概率值,Ib表示相邻体素灰度概率值则确认该相邻体素为新的种子点,继续判断该种子点与相邻体素是否为相同组织,直至没有可以加入的相邻体素为止,合并所有种子点,形成大的连通区域,完成人脑皮质、血管、骨骼的三维重构。
步骤S4中,将步骤S3中处理得到的人脑各组织三维图形文件进行三维的曲面配准定位,实现组织的选择性显示、透明度、颜色设置等功能包括如下步骤:
4.1)一种完成对人脑各组织数据之间的曲面配准定位的方法,该方法由以下方式给出: 其中Pi表示三维数据初始点集,Qi表示第i种组织的目标数据点集,R表示3×3的旋转矩阵,T表示3×1的平移矢量,F(R,T)表示源点集经过旋转和平移后,其点集每一个点与目标点集中的对应点的距离平方和,当F(R,T)最小时,则满足数据的配准要求;
4.2)利用三维可视化vtk软件(Kitware公司开发的三维可视化vtk(V5.8.0))对定位后的各组织进行同时的三维展示,实现集合血管、皮质、纤维、骨骼等组织的高维系统的开发,并完成对各组织的选择性显示、透明度和颜色设置。
Claims (3)
1.一种人脑高维可视化方法,其特征在于:所述可视化方法包括以下步骤:
步骤S1,对人脑神经纤维进行纤维概率跟踪,包括如下步骤:
1.1)用方向分布函数确定纤维束追踪的主方向,方向分布函数由以下公式给出:其中ψtuch表示方向分布函数,u表示单位方向向量,r表示镜像长度,P(ru)表示总体平均概率密度函数;
1.2)对体素之间的相关性进行量化,使用张量模型来估计每个体素最大可能的纤维束走向并对体素之间的相关性进行量化,张量模型公式为:其中D(v)为张量模型,v=(v1,v2,v3)T为单位球面上的方向向量,fj(v)表示第j个单项式,ωj表示第j个张量系数;
1.3)使用张量模型来估计每个体素最大可能的纤维束走向,张量模型构建公式为:进行纤维跟踪,纤维跟踪公式为:r(sn)=r(sn-1)+αt(sn-1),其中r(sn)表示曲线上点的坐标(x,y,z),α(0<α<1)表示单位步长,t(s)=e1(r(s))表示扩散张量的最大特征向量;
步骤S2,计算人脑各组织的灰度值,利用区域生长算法完成各人脑各组织包括血管、皮质、骨骼的三维重构;
步骤S3,使用Freesurfer软件对步骤S1与步骤S2中得到的人脑皮质与纤维以功能区为准进行细致分割,将人脑功能区各组织进行处理保存为三维图形文件;
步骤S4,将步骤S3中处理得到的人脑各组织三维图形文件进行三维的曲面配准定位,实现组织的选择性显示、透明度和颜色设置。
2.如权利要求1所述的一种人脑高维可视化方法,其特征在于:所述步骤S2包括如下步骤:
2.1)计算人脑内各组织的体素灰度值概率,体素灰度值概率由以下公式给出:其中Pi为体素中含有组织的百分比,Pi(I)为组织i有灰度值I的概率,完成对各组织灰度的阈值的确定后,灰度的阈值由以下公式给出:其中Pi(x,y,z)表示坐标(x,y,z)的体素关于组织i的灰度概率,mi表示组织i的灰度概率均值,Ti表示关于组织i与灰度概率均值的最大偏移概率;
2.2)完成各组织的三维重构:对种子点体素的相邻体素进行判断,若两体素灰度概率值I在同一组织的灰度阈值内,判定方法由以下公式给出:Ia,Ib∈Ωi,其中Ωi表示第i种组织的灰度概率值范围,Ia表示种子点体素灰度概率值,Ib表示相邻体素灰度概率值则确认该相邻体素为新的种子点,继续判断该种子点与相邻体素是否为相同组织,直至没有可以加入的相邻体素为止,合并所有种子点,形成大的连通区域,完成人脑皮质、血管、骨骼的三维重构。
3.如权利要求1或2所述的一种人脑高维可视化方法,其特征在于:所述步骤S4包括如下步骤:
4.1)配准定位:由以下方式给出:其中Pi表示三维数据初始点集,Qi表示第i种组织的目标数据点集,R表示3×3的旋转矩阵,T表示3×1的平移矢量,F(R,T)表示源点集经过旋转和平移后,其点集每一个点与目标点集中的对应点的距离平方和,当F(R,T)最小时,则满足数据的配准要求;
4.2)利用三维可视化vtk软件对定位后的各组织进行同时的三维展示,实现集合血管、皮质、纤维、骨骼等组织的高维系统的开发,并完成对各组织的选择性显示、透明度设和颜色设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510298752.5A CN104933759B (zh) | 2015-06-03 | 2015-06-03 | 一种人脑组织高维可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510298752.5A CN104933759B (zh) | 2015-06-03 | 2015-06-03 | 一种人脑组织高维可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933759A true CN104933759A (zh) | 2015-09-23 |
CN104933759B CN104933759B (zh) | 2018-10-23 |
Family
ID=54120910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510298752.5A Active CN104933759B (zh) | 2015-06-03 | 2015-06-03 | 一种人脑组织高维可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933759B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296808A (zh) * | 2016-08-15 | 2017-01-04 | 浙江工业大学 | 一种交互式脑纤维选择与可视化方法 |
CN106777982A (zh) * | 2016-12-17 | 2017-05-31 | 浙江工业大学 | 一种基于空间路径相似性的脑纤维聚类方法 |
CN107767435A (zh) * | 2016-08-19 | 2018-03-06 | 中国科学院深圳先进技术研究院 | 一种血管管腔结构重建方法 |
CN110097944A (zh) * | 2019-04-11 | 2019-08-06 | 山东大学齐鲁医院 | 一种人体器官模型的显示调控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000048202A (ja) * | 1998-07-31 | 2000-02-18 | Toppan Printing Co Ltd | 立体復元装置及び立体復元方法 |
CN102204819A (zh) * | 2011-04-06 | 2011-10-05 | 浙江工业大学 | 一种基于群优化的脑白质纤维跟踪方法 |
CN103279633A (zh) * | 2013-03-26 | 2013-09-04 | 浙江工业大学 | 基于扩散加权磁共振数据的脑纤维三维显示方法 |
-
2015
- 2015-06-03 CN CN201510298752.5A patent/CN104933759B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000048202A (ja) * | 1998-07-31 | 2000-02-18 | Toppan Printing Co Ltd | 立体復元装置及び立体復元方法 |
CN102204819A (zh) * | 2011-04-06 | 2011-10-05 | 浙江工业大学 | 一种基于群优化的脑白质纤维跟踪方法 |
CN103279633A (zh) * | 2013-03-26 | 2013-09-04 | 浙江工业大学 | 基于扩散加权磁共振数据的脑纤维三维显示方法 |
Non-Patent Citations (2)
Title |
---|
朱柳红 等: "基于混张量模型的纤维跟踪算法研究及初步应用", 《功能与分子医学影像学(电子版)》 * |
袁现坤 等: "基于FreeSurfer面数据的网格点脑分区定位及其可视化", 《北京生物医学工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296808A (zh) * | 2016-08-15 | 2017-01-04 | 浙江工业大学 | 一种交互式脑纤维选择与可视化方法 |
CN106296808B (zh) * | 2016-08-15 | 2019-04-09 | 浙江工业大学 | 一种交互式脑纤维选择与可视化方法 |
CN107767435A (zh) * | 2016-08-19 | 2018-03-06 | 中国科学院深圳先进技术研究院 | 一种血管管腔结构重建方法 |
CN107767435B (zh) * | 2016-08-19 | 2021-05-25 | 中国科学院深圳先进技术研究院 | 一种血管管腔结构重建方法 |
CN106777982A (zh) * | 2016-12-17 | 2017-05-31 | 浙江工业大学 | 一种基于空间路径相似性的脑纤维聚类方法 |
CN106777982B (zh) * | 2016-12-17 | 2019-07-26 | 浙江工业大学 | 一种基于空间路径相似性的脑纤维聚类方法 |
CN110097944A (zh) * | 2019-04-11 | 2019-08-06 | 山东大学齐鲁医院 | 一种人体器官模型的显示调控方法及系统 |
CN110097944B (zh) * | 2019-04-11 | 2021-05-07 | 山东大学齐鲁医院 | 一种人体器官模型的显示调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104933759B (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
Hsu et al. | Investigation of a method for generating synthetic CT models from MRI scans of the head and neck for radiation therapy | |
Zhang et al. | Review of breast cancer pathologigcal image processing | |
CN100562291C (zh) | 一种针对ct图像的处理装置、方法及系统 | |
CN109035160A (zh) | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 | |
CN107590809A (zh) | 肺分割方法及医学成像系统 | |
CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
CN111311703B (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
CN101673413B (zh) | 基于表面数据的植物枝体三维形态建模系统及方法 | |
CN104933759A (zh) | 一种人脑组织高维可视化方法 | |
CN103229210A (zh) | 图像配准装置 | |
CN102549623A (zh) | 用于将图像数据集可视化的可视化设备 | |
CN104346617A (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
CN106890031A (zh) | 一种标记物识别及标记点定位方法及手术导航系统 | |
CN105184794B (zh) | 一种基于张量图像的csm辅助分析系统及方法 | |
CN101947103B (zh) | 全光学生物发光断层成像方法 | |
Rokham et al. | Addressing inaccurate nosology in mental health: A multilabel data cleansing approach for detecting label noise from structural magnetic resonance imaging data in mood and psychosis disorders | |
CN103345774A (zh) | 一种三维多尺度矢量化的建模方法 | |
CN106709925A (zh) | 医学图像中椎块的定位方法及其装置 | |
CN112802036A (zh) | 一种三维医学图像靶区分割的方法、系统和装置 | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
Wei et al. | An improved image segmentation algorithm ct superpixel grid using active contour | |
CN104268878B (zh) | 一种超声图像中运动探针检测和定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220113 Address after: 310023 room 2560, 129 Liuhe Road, Xihu District, Hangzhou, Zhejiang Patentee after: Hangzhou Boyi micro vision technology Co.,Ltd. Address before: 310014 Zhejiang University of Technology, 18 Zhaowang Road, Zhaohui six District, Hangzhou, Zhejiang Patentee before: ZHEJIANG University OF TECHNOLOGY |