CN105551026A - 一种基于扩散张量成像的脑部特征提取方法 - Google Patents
一种基于扩散张量成像的脑部特征提取方法 Download PDFInfo
- Publication number
- CN105551026A CN105551026A CN201510900048.2A CN201510900048A CN105551026A CN 105551026 A CN105551026 A CN 105551026A CN 201510900048 A CN201510900048 A CN 201510900048A CN 105551026 A CN105551026 A CN 105551026A
- Authority
- CN
- China
- Prior art keywords
- diffusion
- displacement
- model
- probability
- rightarrow
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于扩散张量成像的脑部特征提取方法,包括以下步骤:1),采用基于三维谐振子的重构与估计模型:该模型采用多壳q空间中水分子扩散方向数据的映射的方法,简称SHORE模型;2),计算两个基于SHORE模型的标量映射:计算基于SHORE模型下的均方位移和零位移概率,均方位移表示在t时刻水分子距离初始位置的距离,即水分子随机运动在空间范围内的度量,标量映射是通过水分子在一定时间内最低限度扩散的概率密度;3),数据的可视化显示:通过调用Matplotlib二维图像数据显示工具来呈现SHORE模型通过映射后的图像。本发明结合扩散张量成像技术,更清晰、更有效、更能体现脑部特征结构。
Description
技术领域
本发明涉及计算机图形学下的医学成像、神经解剖学领域,尤其一种基于扩散张量成像的脑部特征提取方法。
背景技术
随着时代的发展,医学影像技术的进步,扩散张量成像技术在神经科学的研究中占越来越大的影响力,拥有先进的神经影像技术是这个时代不可或缺的;扩散张量成像作为新兴的一种描述大脑结构的方法,同时也是唯一一种活体检测人脑结构的方法,在神经医学领域主要是对脑组织结构特征的研究;目前,扩散张量成像技术正被广泛的应用于精神科疾病和诊断的辅助手段,甚至可以用于术前手术方案的制定,可以说其在医学领域的贡献有着无可替代的优势;所以对基于扩散张量的算法研究对于脑科学有着重大的意义。
在扩散张量成像中的每个体素都对应于一个二阶张量,所以张量数据的表示和有用信息的提取是扩散张量成像技术的关键因素;到目前为止,研究者提出了越来越多中不同的关于扩散张量成像技术下的脑部特征提取算法,而对扩散张量数据的处理,以及脑部特征结构的可视化表达,是扩散张量数据研究的热点。
发明内容
为了实现更好的脑部特征结构的可视化,本发明结合扩散张量成像技术,提出了一种更清晰、更有效、更能体现脑部特征结构的基于扩散张量成像的脑部特征提取方法。
为了解决上述技术问题提供的技术方案为:
一种基于扩散张量成像的脑部特征提取方法,所述方法包括以下步骤:
1),采用基于三维谐振子的重构与估计模型:
该模型采用多壳q空间中水分子扩散方向数据的映射的方法,简称SHORE模型;首先q空间磁共振衰减信号在三维量子力学谐振子问题中扩展为正交基,也就是通过三维扩展方案来表示一维的q空间数据;而衰减信号的傅里叶反变换得到能够提供连接信息的平均传播算子;
2),计算两个基于SHORE模型的标量映射:
计算基于SHORE模型下的均方位移和零位移概率,均方位移简称MSD,指的是表示在t时刻水分子距离初始位置的距离,即水分子随机运动在空间范围内的度量,零位移概率简称rtop,所述标量映射是通过水分子在一定时间内最低限度扩散的概率密度;
3),数据的可视化显示:
通过调用Matplotlib二维图像数据显示工具来呈现SHORE模型通过映射后的图像;所述Matplotlib是一个二维绘图库并且能够应用于python脚本。
进一步,所述步骤3)中,调用Matplotlib中对应功能的类。
再进一步,所述步骤1)中,建立基于SHORE模型包括以下步骤:
首先读取数据,建立模型:
E(q)=S(q)/S0(1)
E(q)为q空间磁共振衰减信号,S(q)为扩散信号强度,而S0未加扩散梯度的脉冲,q为时一个实验控制参数:
q=(2π)-1γδG(2)
γ为磁旋比,δ为扩散梯度脉冲的持续时间,G代表扩散梯度向量;q空间磁共振衰减信号正交基基础下在三维量子力学谐振子问题中扩展:
其中,cnlm为变换系数,Φnlm(u,q)为基函数,n为Φnlm(u,q)的径向阶,l球面谐波函数的阶次,L为l的最大值,N为n的最大值:
u表示每个体素常数的估计数据,ζ是一个比例系数,Γ为Gamma函数,
是广义拉盖尔多项式,是球面谐波函数,m为角度。
所述步骤2)中,计算基于SHORE的标量映射,包括以下步骤:
2.1计算系踪传播算子,衰减信号的傅里叶反变换能够得到系踪传播算子:
R代表净位移向量,是傅里叶共轭,P(R)为系踪传播算子;
2.2计算基于SHORE模型下的均方位移:
首先计算水分子的平均扩散位移矢量,它与体素中平均扩散系数相关,并通过爱因斯坦扩散方程计算:
其中是扩散位移矢量,Δ表示扩散时间,MD是平均扩散系数,均方位移可以通过概率密度函数的加权平方位移求得:
其中概率密度函数的求法如下:
其中D为扩散张量;
2.3计算SHORE模型下的零位移概率
零位移概率标量映射是通过水分子在一定时间内最低限度扩散的概率密度;零位移概率是给定的概率密度函数中水分子零位移的概率,即:
其中Po零位移概率。
所述步骤3)中,将步骤2)中计算得到的数据放入Matplotlib库中进行绘图,最后通过Matplotlib工具显示出来。
本发明的有益效果为:结合扩散张量成像技术,更清晰、更有效、更能体现脑部特征结构。
附图说明
图1为本发明中的流程图;
具体实施方式
以下将结合附图对本发明做进一步详细说明:
参照图1,一种基于扩散张量成像的脑部特征提取方法,所述方法包括以下步骤:
1),采用基于三维谐振子的重构与估计模型:
该模型采用多壳q空间中水分子扩散方向数据的映射的方法,简称SHORE模型;首先q空间磁共振衰减信号在三维量子力学谐振子问题中扩展为正交基,也就是通过三维扩展方案来表示一维的q空间数据;而衰减信号的傅里叶反变换得到能够提供连接信息的平均传播算子;过程如下:
首先读取数据,建立模型:
E(q)=S(q)/S0(1)
E(q)为q空间磁共振衰减信号,S(q)为扩散信号强度,而S0未加扩散梯度的脉冲,q为时一个实验控制参数:
q=(2π)-1γδG(2)
γ为磁旋比,δ为扩散梯度脉冲的持续时间,G代表扩散梯度向量;q空间磁共振衰减信号正交基基础下在三维量子力学谐振子问题中扩展:
其中,cnlm为变换系数,Φnlm(u,q)为基函数,n为Φnlm(u,q)的径向阶,l球面谐波函数的阶次,m为角度,L为l的最大值,N为n的最大值:
u表示每个体素常数的估计数据,ζ是一个比例系数,Γ为Gamma函数,是广义拉盖尔多项式,是球面谐波函数;
2),计算两个基于SHORE模型的标量映射:
计算基于SHORE模型下的均方位移和零位移概率,均方位移简称MSD,指的是表示在t时刻水分子距离初始位置的距离,即水分子随机运动在空间范围内的度量,零位移概率简称rtop,所述标量映射是通过水分子在一定时间内最低限度扩散的概率密度;过程如下:
2.1计算系踪传播算子,衰减信号的傅里叶反变换能够得到系踪传播算子:
R代表净位移向量,是傅里叶共轭,P(R)为系踪传播算子;
2.2计算两个基于SHORE模型的标量映射:
计算基于SHORE模型下的均方位移和零位移概率,均方位移首先计算水分子的平均扩散位移矢量,它与体素中平均扩散系数相关,并通过爱因斯坦扩散方程计算:
其中是扩散位移矢量,Δ表示扩散时间,MD是平均扩散系数,均方位移MSD可以通过概率密度函数的加权平方位移求得:
其中概率密度函数的求法如下:
其中D为扩散张量;
2.3计算SHORE模型下的零位移概率
零位移概率这种标量映射是通过水分子在一定时间内最低限度扩散的概率密度;零位移概率是给定的概率密度函数中水分子零位移的概率,即:
其中Po为零位移概率;
3),数据的可视化显示:
通过调用Matplotlib二维图像数据显示工具来呈现SHORE模型通过映射后的图像;Matplotlib是一个二维绘图库并且能够应用于python脚本,这里将步骤二中计算得到的数据放入Matplotlib库中进行绘图,最后通过Matplotlib工具显示出来。
Claims (5)
1.一种基于扩散张量成像的脑部特征提取方法,其特征在于:所述方法包括以下步骤:
1),采用基于三维谐振子的重构与估计模型:
该模型采用多壳q空间中水分子扩散方向数据的映射的方法,简称SHORE模型;首先q空间磁共振衰减信号在三维量子力学谐振子问题中扩展为正交基,也就是通过三维扩展方案来表示一维的q空间数据;而衰减信号的傅里叶反变换得到能够提供连接信息的平均传播算子;
2),计算两个基于SHORE模型的标量映射:
计算基于SHORE模型下的均方位移和零位移概率,均方位移简称MSD,指的是表示在t时刻水分子距离初始位置的距离,即水分子随机运动在空间范围内的度量,零位移概率简称rtop,所述标量映射是通过水分子在一定时间内最低限度扩散的概率密度;
3),数据的可视化显示:
通过调用Matplotlib二维图像数据显示工具来呈现SHORE模型通过映射后的图像;所述Matplotlib是一个二维绘图库并且能够应用于python脚本。
2.如权利要求1所述的一种基于扩散张量成像的脑部特征提取方法,其特征在于:所述步骤3)中,调用Matplotlib中对应功能的类。
3.如权利要求1或2所述的一种基于扩散张量成像的脑部特征提取方法,其特征在于:所述步骤1)中,建立基于SHORE模型包括以下步骤:
首先读取数据,建立模型:
E(q)=S(q)/S0(1)
E(q)为q空间磁共振衰减信号,S(q)为扩散信号强度,而S0未加扩散梯度的脉冲,q为时一个实验控制参数:
q=(2π)-1γδG(2)
γ为磁旋比,δ为扩散梯度脉冲的持续时间,G代表扩散梯度向量;q空间磁共振衰减信号正交基基础下在三维量子力学谐振子问题中扩展:
其中,cnlm为变换系数,Φnlm(u,q)为基函数,n为Φnlm(u,q)的径向阶,l球面谐波函数的阶次,L为l的最大值,N为n的最大值:
u表示每个体素常数的估计数据,ζ是一个比例系数,Γ为Gamma函数,是广义拉盖尔多项式,是球面谐波函数,m为角度。
4.如权利要求3所述的一种基于扩散张量成像的脑部特征提取方法,其特征在于:所述步骤2)中,计算基于SHORE的标量映射,包括以下步骤:
2.1计算系踪传播算子,衰减信号的傅里叶反变换能够得到系踪传播算子:
R代表净位移向量,是傅里叶共轭,P(R)为系踪传播算子;
2.2计算基于SHORE模型下的均方位移:
首先计算水分子的平均扩散位移矢量,它与体素中平均扩散系数相关,并通过爱因斯坦扩散方程计算:
其中是扩散位移矢量,Δ表示扩散时间,MD是平均扩散系数,均方位移可以通过概率密度函数的加权平方位移求得:
其中概率密度函数的求法如下:
其中D为扩散张量;
2.3计算SHORE模型下的零位移概率
零位移概率标量映射是通过水分子在一定时间内最低限度扩散的概率密度;零位移概率是给定的概率密度函数中水分子零位移的概率,即:
其中Po零位移概率。
5.如权利要求1或2所述的一种基于扩散张量成像的脑部特征提取方法,其特征在于:所述步骤3)中,将步骤2)中计算得到的数据放入Matplotlib库中进行绘图,最后通过Matplotlib工具显示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900048.2A CN105551026A (zh) | 2015-12-08 | 2015-12-08 | 一种基于扩散张量成像的脑部特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510900048.2A CN105551026A (zh) | 2015-12-08 | 2015-12-08 | 一种基于扩散张量成像的脑部特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105551026A true CN105551026A (zh) | 2016-05-04 |
Family
ID=55830202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510900048.2A Pending CN105551026A (zh) | 2015-12-08 | 2015-12-08 | 一种基于扩散张量成像的脑部特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105551026A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597243A (zh) * | 2017-02-14 | 2017-04-26 | 吴笃贵 | 一种基于局部放电全息数据的概率特征参数提取方法 |
CN110827401A (zh) * | 2019-11-15 | 2020-02-21 | 张军 | 一种介入式治疗用扫描成像系统 |
CN113674248A (zh) * | 2021-08-23 | 2021-11-19 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 磁共振酰胺质子转移成像磁化转移率检测方法及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130187649A1 (en) * | 2012-01-24 | 2013-07-25 | Siemens Medical Solutions Usa, Inc. | System for Motion Corrected MR Diffusion Imaging |
CN104899884A (zh) * | 2015-06-03 | 2015-09-09 | 浙江工业大学 | 一种用于早期帕金森症预测的综合分析方法 |
-
2015
- 2015-12-08 CN CN201510900048.2A patent/CN105551026A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130187649A1 (en) * | 2012-01-24 | 2013-07-25 | Siemens Medical Solutions Usa, Inc. | System for Motion Corrected MR Diffusion Imaging |
CN104899884A (zh) * | 2015-06-03 | 2015-09-09 | 浙江工业大学 | 一种用于早期帕金森症预测的综合分析方法 |
Non-Patent Citations (3)
Title |
---|
E. OZARSLAN ET AL: "Simple harmonic oscillator based reconstruction and estimation for three-dimensional q-space MRI", 《PROC. INTL. SOC. MAG. RESON. MED.》 * |
SYLVAIN. L MERLET ET AL: "Continuous diffusion signal, EAP and ODF estimation via Compressive Sensing in diffusion MRI", 《MEDICAL IMAGE ANALYSIS》 * |
YU-CHIEN WU ET AL: "Computation of Diffusion Function Measures in q-Space Using Magnetic Resonance Hybrid Diffusion Imaging", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597243A (zh) * | 2017-02-14 | 2017-04-26 | 吴笃贵 | 一种基于局部放电全息数据的概率特征参数提取方法 |
CN106597243B (zh) * | 2017-02-14 | 2018-12-07 | 吴笃贵 | 一种基于局部放电全息数据的概率特征参数提取方法 |
CN110827401A (zh) * | 2019-11-15 | 2020-02-21 | 张军 | 一种介入式治疗用扫描成像系统 |
CN110827401B (zh) * | 2019-11-15 | 2020-07-10 | 张军 | 一种介入式治疗用扫描成像系统 |
CN113674248A (zh) * | 2021-08-23 | 2021-11-19 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 磁共振酰胺质子转移成像磁化转移率检测方法及相关设备 |
CN113674248B (zh) * | 2021-08-23 | 2022-08-12 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 磁共振酰胺质子转移成像磁化转移率检测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103764025B (zh) | 磁共振成像装置以及磁化率强调图像生成方法 | |
Özarslan et al. | Resolution of complex tissue microarchitecture using the diffusion orientation transform (DOT) | |
CN103230283B (zh) | 一种超声探头成像平面空间位置标定的优化方法 | |
US11372066B2 (en) | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging | |
CN102525662B (zh) | 组织器官三维可视化手术导航系统 | |
US20150338492A1 (en) | Magnetic resonance imaging device and quantitative susceptibility mapping method | |
CN103325143A (zh) | 基于模型匹配的标记点自动注册方法 | |
CN103445780B (zh) | 一种扩散加权磁共振成像多纤维重建方法 | |
CN105551026A (zh) | 一种基于扩散张量成像的脑部特征提取方法 | |
JP2015062637A (ja) | 磁気共鳴イメージング装置、画像処理装置および磁化率画像算出方法 | |
US20150198688A1 (en) | Resolution enhancement of diffusion imaging biomarkers in magnetic resonance imaging | |
Dahmen et al. | MRI-based dynamic tracking of an untethered ferromagnetic microcapsule navigating in liquid | |
Palke et al. | Asymmetric tensor field visualization for surfaces | |
CN102631196B (zh) | 磁共振弹性成像三维可视化方法及系统 | |
Madsen et al. | Transcranial magnetic stimulation: An automated procedure to obtain coil-specific models for field calculations | |
Zhang et al. | Registration of diffusion tensor images | |
Folio et al. | MRI magnetic signature imaging, tracking and navigation for targeted micro/nano-capsule therapeutics | |
Thapa et al. | Inversion of displacement fields to quantify the magnetic particle distribution in homogeneous elastic media from magnetomotive ultrasound | |
Sato et al. | Registration of temporal sequences of coronal and sagittal MR images through respiratory patterns | |
Bayly et al. | Measurement of strain in physical models of brain injury: a method based on HARP analysis of tagged magnetic resonance images (MRI) | |
CN104077798B (zh) | 一种可形变物体的高真实感动画合成方法 | |
US20140233794A1 (en) | Method, apparatus and medical imaging system for tracking motion of organ | |
CN104586394B (zh) | 去除磁共振弥散张量成像噪声的方法和系统 | |
De Craene et al. | Computational and physical phantom setups for the second cardiac motion analysis challenge (cMAC2) | |
Wu et al. | Cardiac motion recovery using an incompressible B-solid model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160504 |
|
RJ01 | Rejection of invention patent application after publication |