CN105488757A - 一种脑纤维稀疏重建的方法 - Google Patents
一种脑纤维稀疏重建的方法 Download PDFInfo
- Publication number
- CN105488757A CN105488757A CN201510845712.8A CN201510845712A CN105488757A CN 105488757 A CN105488757 A CN 105488757A CN 201510845712 A CN201510845712 A CN 201510845712A CN 105488757 A CN105488757 A CN 105488757A
- Authority
- CN
- China
- Prior art keywords
- distribution function
- machine direction
- fiber
- direction distribution
- brain
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 48
- 210000004556 brain Anatomy 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005315 distribution function Methods 0.000 claims abstract description 50
- 238000009792 diffusion process Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 210000004885 white matter Anatomy 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 4
- 101100208721 Mus musculus Usp5 gene Proteins 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000007796 conventional method Methods 0.000 abstract 1
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical compound C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 abstract 1
- 238000002598 diffusion tensor imaging Methods 0.000 description 7
- 238000002597 diffusion-weighted imaging Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 210000004884 grey matter Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000007012 clinical effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000034800 Leukoencephalopathies Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种脑纤维稀疏重建的方法,包括以下步骤:读取脑部磁共振数据,获取施加梯度方向g的磁共振信号S(g),未施加梯度方向的磁共振信号S0及梯度方向数据,选取所需的感兴趣区域,并计算该区域的扩散衰减信号S(g)/S0;利用Richardson-Lucy迭代算法将感兴趣区域内的每个体素的扩散衰减信号S(g)/S0逐个建模为具有椭球形分布的模型,并增加l1正则化确保纤维方向分布函数系数的稀疏性,通过Richardson-Lucy迭代算法得到纤维方向分布函数系数c(v),再利用完备字典基Φ和纤维方向分布函数系数c(v)重构纤维方向分布函数F。本发明涉及概率论与l1稀疏正则化的理念,相比传统方法,计算速度快,成像角度分辨率高,可以区分出脑灰质和脑白质,实验效果好。
Description
技术领域
本发明涉及基于RL算法的混合响应核函数解决纤维成像中的部分容积效应,利用扩散加权磁共振成像(DiffusionWeightedMagneticResonanceImaging,DW-MRI)数据和多响应核函数方法结合RL算法进行纤维方向分布函数的稀疏拟合,从而得到纤维的方向,及在灰质和白质部分容积效应明显的交界处得到更准确的纤维方向。使得到的纤维方向更利于纤维的跟踪。属于医学成像、神经解剖学领域。
背景技术
核磁共振(MRI)是一种广泛应用在医学成像中的无扩散性方法,作为唯一的活体非入侵式方法,它在帮助人们获得临床神经结构信息和了解大脑皮层区域之间的功能和联系等方面发挥了巨大的作用。脑白质纤维的走向与精神类疾病及脑外科医学疾病存在密切联系,这些信息对于脑的发育、精神分裂症、先天性与获得性脑白质病以及痴呆等的研究提供了新的应用前景。基于扩散加权磁共振成像(DW-MRI)的纤维成像算法能从DW-MRI数据中获得纤维方向信息,为临床医学诊断提供依据,为脑部科学研究提供新的方法。
在各类MRI方法中,扩散张量成像(DiffusionTensorImaging,DTI)是较为重要的一种,对于目前已知的多种脑部疾病临床诊断,DTI技术都发挥了不可替代的作用。但传统的DTI方法假设体素内仅含一根纤维,因此无法分辨诸如交叉、瓶颈、分散等复杂的纤维结构,而人脑的神经纤维往往存在交叉、分支或融合的复杂情况,使DTI重构的纤维方向变得不确定。
为了克服DTI的固有局限,高角度分辨率扩散磁共振成像(HARDI)技术应运而生。基于HARDI技术的基础之上,提出了多种纤维重构的方法,例如:Q-ball、扩散谱成像(DiffusionSpectrumImaging,DSI)、球面反卷积(Sphericaldeconvolution,SD)等。从目前来看,虽然每种方法都很好的解决了复杂白质部分纤维的成像问题,但是大多数HARDI方法并没有解释非白质(灰质和脑脊液)的部分容积效应对纤维成像的影响。本发明正是利用多响应函数的RL算法来解决非白质部分对脑纤维成像的影响。
发明内容
目前该领域尚未有一种真正意义上解决非白质对脑纤维成像影响的数学模型,为了克服现有方法的不足之处,本发明提出一种基于RL算法的利用多响应核函数来处理非白质的部分容积效应的稀疏成像方法,从而使得白质和灰质交界处的纤维的重构出高分辨率低误差的纤维方向,并进一步区分出脑白质和脑灰质区域。
本发明所采用的技术方案如下:
一种脑纤维稀疏重建的方法,其特征在于:所述方法包括以下步骤:
(1)读取脑部磁共振数据,获取施加梯度方向为g的磁共振扩散信号S(g),未施加梯度方向的磁共振扩散信号S0及梯度方向数据,对采集的数据进行预处理,选取所需的感兴趣区域,并计算该区域的扩散衰减信号S(g)/S0;
(2)利用Richardson-Lucy迭代算法将感兴趣区域内的每个体素的扩散衰减信号S(g)/S0逐个建模为具有椭球形分布的模型,并增加l1范数正则化对脑纤维进行稀疏重建,建模过程如下:
2.1)体素微结构建模:将扩散衰减信号S(g)/S0假设为沿重建向量v的信号响应核函数H(v,g)与纤维方向分布函数F(v)在球面S2上的卷积:
其中,H(v,g)代表混合响应核函数,它利用脑白质的单条纤维响应核函数和脑灰质中的各向同性响应核函数组成,g={gi∈R1×3|i=1,...,n}为扩散梯度方向向量,v={vj∈R1×3|j=1,...,m}为重建向量,n和m分别为扩散梯度方向向量和重建向量的个数,R是实数集,其数学模型为:
H(v,g)=faniHani+fisotHisot
其中,,fani,fisot分别是脑白质组织和脑灰质组织的体积分数; 分别表示体素中各向异性响应核函数和各向同性响应核函数,各向异性响应核函数Hani是由沿着m个重建方向v的响应核组成,每个响应核都是相同的圆饼状,只是他们的分布方向不同;而各向同性响应核函数也是由沿着m个重建方向v的响应核组成,但其每个响应核的形状都是圆球状;b为扩散敏感系数; 表示扩散沿一个主方向进行, 在各个方向其扩散程度一致,其中α、β代表纤维扩散程度;
2.2)基于Richardson-Lucy迭代算法的数学模型:
扩散加权磁共振信号有n个扩散梯度方向,并且沿着m个重建向量进行重建,则其数学模型为:
其中,k为迭代次数,F(v)(k)是在当前体素的第k次迭代得到的长度为m×1的列向量,表示沿着m个重建方向均匀分布在球面上的纤维方向分布函数,F(v)(k+1)是当前体素的第k次迭代得到纤维方向分布函数,H即为所述的混合响应核函数H(v,g),S是在当前体素的包含HARDI信号的长度为n×1的列向量,I0和I1分别是第一类零阶和第一类一阶修正贝塞尔函数,σ2是信号S的方差;
2.3)脑纤维的稀疏重建
用一个完备字典基Φ来表示纤维方向分布函数,即:F(v)=Φ×c;所得到的系数c恰好是稀疏的,在此基础上,得到了新的Richardson-Lucy算法:
其中c(k)是在当前体素的第k次迭代得到的长度为m×1的系数矩阵,c(k+1)是第k+1次迭代得到的系数矩阵;
2.4)基于Richardson-Lucy迭代算法的l1正则化稀疏重建模型如下:
增加了l1稀疏正则化项,其数学模型为:
其中,L1 (k)是第k次迭代的l1正则化项,即是长度为m的列向量,其第i行的元素可以用下式计算得到:
其中,是系数矩阵c(k)的第i行向量在第k次迭代时的梯度方向,和分别表示系数矩阵c(k)的第i行向量对x,y和z方向的偏导,是的二范数,λ是正则化参数;
(3)通过迭代计算得到纤维方向分布函数的系数c,纤维方向分布函数的系数c计算方法包括以下步骤:
3.1)在单位球面上均匀采样m个离散的点,以球心为原点获取这m个重建向量v,计算纤维响应核函数H(v,g)的值,得到n×m的轮换矩阵;
3.2)利用模拟数据模拟仿真,设置迭代初值,令c(0)为各项同性的纤维方向分布函数系数,其振幅设置为1,通过实验选定λ值;
3.3)利用无正则项的RL算法对感兴趣区的体素进行预处理,得到每个体素的纤维方向分布函数,作为正则化RL算法的初始纤维方向分布函数值;
3.4)设置迭代终止条件:一是迭代次数;一是迭代误差,令迭代误差为:
所以,迭代次数大于最佳迭代次数或者迭代误差NMSE<ε作为迭代终止条件;
3.5)通过迭代,得到最优纤维方向分布函数系数cz,其是m列的列向量,再利用完备字典基Φ和最优纤维方向分布函数系数cz重构脑纤维方向分布函数F=Φ×cz;并利用MATLAB仿真拟合纤维方向分布函数F的分布;
3.6)在数学软件MATLAB中对纤维方向分布函数F进行三维成像,并通过搜索纤维方向分布函数值中的极值点来获取纤维的主方向。
进一步,所述步骤(1)中,所述预处理包括高频滤波、空间降噪和去除线性漂移。
本发明的有益效果为:采用最大似然估计与医学图像处理的理念,因此相比传统方法来看,计算速度快,成像角度分辨率高,且计算鲁棒性高。
附图说明
图1是本发明模拟数据结果图。
图2是本发明实际临床数据效果图。
具体实施步骤
下面结合附图对本发明做进一步说明。
参照图1和图2,一种脑纤维稀疏重建的方法,所述方法包括以下步骤:
(1)读取脑部磁共振数据,获取施加梯度方向为g的磁共振扩散信号S(g),未施加梯度方向的磁共振扩散信号S0及梯度方向数据,对采集的数据进行预处理,选取所需的感兴趣区域,并计算该区域的扩散衰减信号S(g)/S0;
(2)利用Richardson-Lucy迭代算法将感兴趣区域内的每个体素的扩散衰减信号S(g)/S0逐个建模为具有椭球形分布的模型,并增加l1范数正则化对脑纤维进行稀疏重建,建模过程如下:
2.1)体素微结构建模:将扩散衰减信号S(g)/S0假设为沿重建向量v的信号响应核函数H(v,g)与纤维方向分布函数F(v)在球面S2上的卷积:
其中,H(v,g)代表混合响应核函数,它利用脑白质的单条纤维响应核函数和脑灰质中的各向同性响应核函数组成,g={gi∈R1×3|i=1,...,n}为扩散梯度方向向量,v={vj∈R1×3|j=1,...,m}为重建向量,n和m分别为扩散梯度方向向量和重建向量的个数,R是实数集,其数学模型为:
H(v,g)=faniHani+fisotHisot
其中,fani,fisot分别是脑白质组织和脑灰质组织的体积分数; 分别表示体素中各向异性响应核函数和各向同性响应核函数,各向异性响应核函数Hani是由沿着m个重建方向v的响应核组成,每个响应核都是相同的圆饼状,只是他们的分布方向不同;而各向同性响应核函数也是由沿着m个重建方向v的响应核组成,但其每个响应核的形状都是圆球状;b为扩散敏感系数; 表示扩散沿一个主方向进行, 在各个方向其扩散程度一致,其中α、β代表纤维扩散程度;
2.2)基于Richardson-Lucy迭代算法的数学模型:
扩散加权磁共振信号有n个扩散梯度方向,并且沿着m个重建向量进行重建,则其数学模型为:
其中,k为迭代次数,F(v)(k)是在当前体素的第k次迭代得到的长度为m×1的列向量,表示沿着m个重建方向均匀分布在球面上的纤维方向分布函数,F(v)(k+1)是当前体素的第k次迭代得到纤维方向分布函数,H即为所述的混合响应核函数H(v,g),S是在当前体素的包含HARDI信号的长度为n×1的列向量,I0和I1分别是第一类零阶和第一类一阶修正贝塞尔函数,σ2是信号S的方差;
2.3)脑纤维的稀疏重建
用一个完备字典基Φ来表示纤维方向分布函数,即:F(v)=Φ×c;所得到的系数c恰好是稀疏的,在此基础上,得到了新的Richardson-Lucy算法:
其中c(k)是在当前体素的第k次迭代得到的长度为m×1的系数矩阵,c(k+1)是第k+1次迭代得到的系数矩阵;
2.4)基于Richardson-Lucy迭代算法的l1正则化稀疏重建模型如下:
增加了l1稀疏正则化项,其数学模型为:
其中,L1 (k)是第k次迭代的l1正则化项,即是长度为m的列向量,其第i行的元素可以用下式计算得到:
其中,是系数矩阵c(k)的第i行向量在第k次迭代时的梯度方向,和分别表示系数矩阵c(k)的第i行向量对x,y和z方向的偏导,是的二范数,λ是正则化参数;
(3)通过迭代计算得到纤维方向分布函数的系数c,纤维方向分布函数的系数c计算方法包括以下步骤:
3.1)在单位球面上均匀采样m个离散的点,以球心为原点获取这m个重建向量v,计算纤维响应核函数H(v,g)的值,得到n×m的轮换矩阵;
3.2)利用模拟数据模拟仿真,设置迭代初值,令c(0)为各项同性的纤维方向分布函数系数,其振幅设置为1,通过实验选定λ值;
3.3)利用无正则项的RL算法对感兴趣区的体素进行预处理,得到每个体素的纤维方向分布函数,作为正则化RL算法的初始纤维方向分布函数值;
3.4)设置迭代终止条件:一是迭代次数;一是迭代误差,令迭代误差为:
所以,迭代次数大于最佳迭代次数或者迭代误差NMSE<ε作为迭代终止条件;
3.5)通过迭代,得到最优纤维方向分布函数系数cz,其是m列的列向量,再利用完备字典基Φ和最优纤维方向分布函数系数cz重构脑纤维方向分布函数F=Φ×cz;并利用MATLAB仿真拟合纤维方向分布函数F的分布;
3.6)在数学软件MATLAB中对纤维方向分布函数F进行三维成像,并通过搜索纤维方向分布函数值中的极值点来获取纤维的主方向。
图1是本发明模拟数据结果图。其中,模拟数据由下式产生:
其中fi表示第i根纤维所占的比例,f1=0.5,f2=0.5,S0=1,b=3000s/mm2,扩散张量D的特征值为:λ1=1.8×10-3mm2/s,λ2=0.3×10-3mm2/s,λ3=0.3×10-3mm2/s。81个在半球面内均匀分布的扩散加权磁共振扫描方向,半球面采样点数为321个,图中第一行表示角度,第二行表示纤维方向,第三行表示成像模型,黑线示意两条纤维的方向(通过计算扩散峰值得到)。
图2是本发明实际临床数据效果图。实际数据来自哈佛大学医学院附属医院(BrighamandWomen’sHospital,BrocktonVAHospital,McLeanHospital),利用3-TGE系统和双回波平面成像序列从真实人脑中提取的脑部数据,数据采集参数为:TR=17000ms,TE=78ms。体素量为144×144×85,成像域为24cm.平行于AC-PC线的85个轴向切片,每层厚度1.7mm.从51个不同梯度方向扫描数据,扩散敏感系数b=900s/mm2,8个b=0的扫描数据。
Claims (2)
1.一种脑纤维稀疏重建的方法,其特征在于:所述方法包括以下步骤:
(1)读取脑部磁共振数据,获取施加梯度方向为g的磁共振扩散信号S(g),未施加梯度方向的磁共振扩散信号S0及梯度方向数据,对采集的数据进行预处理,选取所需的感兴趣区域,并计算该区域的扩散衰减信号S(g)/S0;
(2)利用Richardson-Lucy迭代算法将感兴趣区域内的每个体素的扩散衰减信号S(g)/S0逐个建模为具有椭球形分布的模型,并增加l1范数正则化对脑纤维进行稀疏重建,建模过程如下:
2.1)体素微结构建模:将扩散衰减信号S(g)/S0假设为沿重建向量v的信号响应核函数H(v,g)与纤维方向分布函数F(v)在球面S2上的卷积:
其中,H(v,g)代表混合响应核函数,它利用脑白质的单条纤维响应核函数和脑灰质中的各向同性响应核函数组成,g={gi∈R1×3|i=1,...,n}为扩散梯度方向向量,v={vj∈R1×3|j=1,...,m}为重建向量,n和m分别为扩散梯度方向向量和重建向量的个数,R是实数集,其数学模型为:
H(v,g)=faniHani+fisotHisot
其中,fani,fisot分别是脑白质组织和脑灰质组织的体积分数;分别表示体素中各向异性响应核函数和各向同性响应核函数,各向异性响应核函数Hani是由沿着m个重建方向v的响应核组成,每个响应核都是相同的圆饼状,只是他们的分布方向不同;而各向同性响应核函数也是由沿着m个重建方向v的响应核组成,但其每个响应核的形状都是圆球状;b为扩散敏感系数; 表示扩散沿一个主方向进行, 在各个方向其扩散程度一致,其中α、β代表纤维扩散程度;
2.2)基于Richardson-Lucy迭代算法的数学模型:
扩散加权磁共振信号有n个扩散梯度方向,并且沿着m个重建向量进行重建,则其数学模型为:
其中,k为迭代次数,F(v)(k)是在当前体素的第k次迭代得到的长度为m×1的列向量,表示沿着m个重建方向均匀分布在球面上的纤维方向分布函数,F(v)(k+1)是当前体素的第k次迭代得到纤维方向分布函数,H即为所述的混合响应核函数H(v,g),S是在当前体素的包含HARDI信号的长度为n×1的列向量,I0和I1分别是第一类零阶和第一类一阶修正贝塞尔函数,σ2是信号S的方差;
2.3)脑纤维的稀疏重建
用一个完备字典基Φ来表示纤维方向分布函数,即:F(v)=Φ×c;所得到的系数c恰好是稀疏的,在此基础上,得到了新的Richardson-Lucy算法:
其中c(k)是在当前体素的第k次迭代得到的长度为m×1的系数矩阵,c(k+1)是第k+1次迭代得到的系数矩阵;
2.4)基于Richardson-Lucy迭代算法的l1正则化稀疏重建模型如下:
增加了l1稀疏正则化项,其数学模型为:
其中,L1 (k)是第k次迭代的l1正则化项,即是长度为m的列向量,其第i行的元素可以用下式计算得到:
其中, 是系数矩阵c(k)的第i行向量在第k次迭代时的梯度方向,和分别表示系数矩阵c(k)的第i行向量对x,y和z方向的偏导,||▽[c(k)]i||2是▽[c(k)]i的二范数,λ是正则化参数;
(3)通过迭代计算得到纤维方向分布函数的系数c,纤维方向分布函数的系数c计算方法包括以下步骤:
3.1)在单位球面上均匀采样m个离散的点,以球心为原点获取这m个重建向量v,计算纤维响应核函数H(v,g)的值,得到n×m的轮换矩阵;
3.2)利用模拟数据模拟仿真,设置迭代初值,令c(0)为各项同性的纤维方向分布函数系数,其振幅设置为1,通过实验选定λ值;
3.3)利用无正则项的RL算法对感兴趣区的体素进行预处理,得到每个体素的纤维方向分布函数,作为正则化RL算法的初始纤维方向分布函数值;
3.4)设置迭代终止条件:一是迭代次数;一是迭代误差,令迭代误差为:
所以,迭代次数大于最佳迭代次数或者迭代误差NMSE<ε作为迭代终止条件;
3.5)通过迭代,得到最优纤维方向分布函数系数cz,其是m列的列向量,再利用完备字典基Φ和最优纤维方向分布函数系数cz重构脑纤维方向分布函数F=Φ×cz;并利用MATLAB仿真拟合纤维方向分布函数F的分布;
3.6)在数学软件MATLAB中对纤维方向分布函数F进行三维成像,并通过搜索纤维方向分布函数值中的极值点来获取纤维的主方向。
2.如权利要求1所述的一种脑纤维稀疏重建的方法,其特征在于:所述步骤(1)中,所述预处理包括高频滤波、空间降噪和去除线性漂移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510845712.8A CN105488757B (zh) | 2015-11-27 | 2015-11-27 | 一种脑纤维稀疏重建的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510845712.8A CN105488757B (zh) | 2015-11-27 | 2015-11-27 | 一种脑纤维稀疏重建的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105488757A true CN105488757A (zh) | 2016-04-13 |
CN105488757B CN105488757B (zh) | 2018-09-18 |
Family
ID=55675722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510845712.8A Active CN105488757B (zh) | 2015-11-27 | 2015-11-27 | 一种脑纤维稀疏重建的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488757B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194911A (zh) * | 2017-04-18 | 2017-09-22 | 浙江工业大学 | 一种基于扩散mri微结构成像的最小核误差分析方法 |
CN110197498A (zh) * | 2019-04-21 | 2019-09-03 | 渤海大学 | 基于非凸正则化反卷积的体素内多纤维走向估计方法 |
CN113421247A (zh) * | 2021-06-30 | 2021-09-21 | 首都医科大学附属北京天坛医院 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697538B1 (en) * | 1999-07-30 | 2004-02-24 | Wisconsin Alumni Research Foundation | Apparatus for producing a flattening map of a digitized image for conformally mapping onto a surface and associated method |
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 |
CN104392019A (zh) * | 2013-12-23 | 2015-03-04 | 浙江工业大学 | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 |
-
2015
- 2015-11-27 CN CN201510845712.8A patent/CN105488757B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697538B1 (en) * | 1999-07-30 | 2004-02-24 | Wisconsin Alumni Research Foundation | Apparatus for producing a flattening map of a digitized image for conformally mapping onto a surface and associated method |
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 |
CN104392019A (zh) * | 2013-12-23 | 2015-03-04 | 浙江工业大学 | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 |
Non-Patent Citations (4)
Title |
---|
DEY N, ET AL: "Richardson-Lucy algorithm with total variation regularization for 3D confocal microscope deconvolution", 《MICROSCOPY RESEARCH AND TECHNIQUE》 * |
YUANJING FENG, ET AL: "A swarm tracking approach for stochastic white matter tractography", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING: FROM NANO TO MACRO》 * |
冯远静,等: "高阶张量扩散磁共振稀疏成像方法", 《模式识别与人工智能》 * |
李志娟,等: "基于离散球面反卷积的白质纤维重构算法", 《浙江大学学报(工学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194911A (zh) * | 2017-04-18 | 2017-09-22 | 浙江工业大学 | 一种基于扩散mri微结构成像的最小核误差分析方法 |
CN107194911B (zh) * | 2017-04-18 | 2020-01-10 | 浙江工业大学 | 一种基于扩散mri微结构成像的最小核误差分析方法 |
CN110197498A (zh) * | 2019-04-21 | 2019-09-03 | 渤海大学 | 基于非凸正则化反卷积的体素内多纤维走向估计方法 |
CN110197498B (zh) * | 2019-04-21 | 2023-09-01 | 渤海大学 | 基于非凸正则化反卷积的体素内多纤维走向估计方法 |
CN113421247A (zh) * | 2021-06-30 | 2021-09-21 | 首都医科大学附属北京天坛医院 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
CN113421247B (zh) * | 2021-06-30 | 2022-06-07 | 首都医科大学附属北京天坛医院 | 脑组织微观结构估计参数的确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105488757B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schilling et al. | Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions | |
Fogtmann et al. | A unified approach to diffusion direction sensitive slice registration and 3-D DTI reconstruction from moving fetal brain anatomy | |
Tournier et al. | MRtrix: diffusion tractography in crossing fiber regions | |
Westin et al. | Processing and visualization for diffusion tensor MRI | |
Campbell et al. | Potential and limitations of diffusion MRI tractography for the study of language | |
CN104392019B (zh) | 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法 | |
CN105842642B (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
CN104267361A (zh) | 基于结构特征的自适应定量磁化率分布图复合重建的方法 | |
CN103445780B (zh) | 一种扩散加权磁共振成像多纤维重建方法 | |
CN104574298A (zh) | 一种基于互信息的多b值扩散权重图像的降噪方法 | |
Liu et al. | Improved low-rank filtering of magnetic resonance spectroscopic imaging data corrupted by noise and $ B_0 $ field inhomogeneity | |
Wang et al. | Multiscale modeling and simulation of the cardiac fiber architecture for DMRI | |
Alexander et al. | Mathematics of crossing fibers | |
CN105488757A (zh) | 一种脑纤维稀疏重建的方法 | |
Paquette et al. | Optimal DSI reconstruction parameter recommendations: better ODFs and better connectivity | |
CN110021003B (zh) | 图像处理方法、图像处理装置和核磁共振成像设备 | |
Chen et al. | Human brain functional MRI and DTI visualization with virtual reality | |
Descoteaux et al. | Deterministic and probabilistic Q-Ball Tractography: from diffusion to sharp fiber distribution | |
CN110018432B (zh) | 一种基于弥散张量的神经成像方法、装置和磁共振成像设备 | |
CN105303577B (zh) | 一种脑白质纤维成像的方法 | |
Pan et al. | Estimation of Gray Matter Fiber Direction Based on Anisotropy Diffusion | |
CN112489150B (zh) | 面向快速mri的深度神经网络的多尺度序贯训练方法 | |
Cheng | Super-resolution Reconstruction of Orientation Distribution Function from Motion Scattered Diffusion Weighted Image Slices and its Application to Fetal Brain Connectivity Study | |
Chu et al. | Multifiber pathway reconstruction using bundle constrained streamline | |
Yin et al. | A unified approach for spatial and angular super-resolution of diffusion tensor mri |
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 |
Effective date of registration: 20211227 Address after: 310053 2301a, building B, 4760 Jiangnan Avenue, Puyan street, Binjiang District, Hangzhou, Zhejiang Patentee after: Yuenaoyunfu medical information technology (Zhejiang) Co.,Ltd. Address before: 310014 Zhejiang University of Technology, 18 Zhaowang Road, Zhaohui six District, Hangzhou, Zhejiang Patentee before: ZHEJIANG University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |