CN106204562A - 一种基于fMRI与DTI融合的穹隆白质分割的方法 - Google Patents
一种基于fMRI与DTI融合的穹隆白质分割的方法 Download PDFInfo
- Publication number
- CN106204562A CN106204562A CN201610519026.6A CN201610519026A CN106204562A CN 106204562 A CN106204562 A CN 106204562A CN 201610519026 A CN201610519026 A CN 201610519026A CN 106204562 A CN106204562 A CN 106204562A
- Authority
- CN
- China
- Prior art keywords
- white matter
- hippocampus
- voxel
- brain
- segmentation
- 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
- 210000004885 white matter Anatomy 0.000 title claims abstract description 72
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 238000002599 functional magnetic resonance imaging Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000001320 hippocampus Anatomy 0.000 claims abstract description 51
- 210000004556 brain Anatomy 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 28
- 239000000835 fiber Substances 0.000 claims abstract description 21
- 210000001103 thalamus Anatomy 0.000 claims abstract description 21
- 230000003925 brain function Effects 0.000 claims abstract description 9
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 7
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000011731 head segmentation Effects 0.000 claims description 6
- 210000004884 grey matter Anatomy 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000013316 zoning Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 5
- 210000003128 head Anatomy 0.000 description 10
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 206010025482 malaise Diseases 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 210000003715 limbic system Anatomy 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical compound C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000002626 targeted therapy Methods 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000001073 episodic memory Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007472 neurodevelopment Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 230000006886 spatial memory Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于fMRI与DTI融合的穹隆白质分割的方法,包括对fMRI和DTI磁共振影像数据进行预处理、基于静息态功能连接对海马脑区进行区域分割、ROI选取、基于海马子区域和丘脑间白质纤维束示踪技术的穹隆白质分割四个步骤,本发明的创新之处在于提出了通过fMRI功能连接对海马脑区进行分割并以分割子区域作为种子点,以丘脑作为目标脑区进行白质纤维示踪对穹隆白质进行分割的新方法;本发明结合了人脑功能与结构的信息对穹隆白质进行了分割,思想新颖,过程简单,具有重要的科研和临床价值。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于fMRI与DTI融合的穹隆白质分割的方法,尤其涉及通过fMRI功能连接对海马脑区进行分割并以分割子区域作为种子点,以丘脑作为目标脑区进行白质纤维示踪对穹隆白质进行分割的方法。
背景技术
fMRI是研究脑活动、脑功能的主要的无创方法之一,具有毫米级的空间分辨率。fMRI方法的发展对脑认知功能的研究具有突破性的进展,它已成为神经科学探索人类大脑神经机制的重要工具。DTI利用在不均质组织中水分子扩散表现出各向异性的特性,通过施加多个方向的弥散敏感梯度场可以测得体素内部水分子在每个方向上的弥散强度,计算相关弥散指标,利用所得的多种参数值成像可以描述水分子在组织内的弥散运动。DTI使磁共振(Magnetic Resonance Imaging,MRI)对人体的研究深入到了更微观的水平,它是目前在活体上进行水分子弥散测量和成像的唯一方法。它对于研究正常人以及病理状态下脑白质的完整性和方向性具有很大优越性。fMRI主要反映脑皮质情况,而对于脑白质相关情况则不能显示,而DTI也有其局限性即不能提供皮层功能情况信息,在这方面,fMRI恰好可以弥补其不足。DTI与fMRI结合的多模态成像技术提供了人体神经系统的大量结构和功能信息,在神经发育和衰老、精神疾病研究、神经外科术前准备和术后评价等领域具有广泛的应用。
穹隆是海马脑区主要的传入和传出白质纤维,另外也是海马信息传递至丘脑最主要的途径。该白质是边缘系统的关键结构,它涉及很多重要的大脑功能,比如空间记忆、记忆检索、文字记忆,相关解剖研究也证实当沿着穹隆体切断该白质会造成记忆缺失的现象。所以,穹隆的完整性可以作为记忆缺陷障碍的判断,最近的一些研究报道一些具有认知障碍尤其是情景记忆方面的病人穹隆都出现受损情况。作为边缘系统的一部分,穹隆的异常可以比海马体积的萎缩更早地预示认知受损。但目前对穹隆白质的子分支的研究和了解很少涉及,穹隆白质子分支的分割对于记忆相关的精神疾病的预防和靶向治疗有着重要意义,
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于提供一种基于fMRI与DTI融合的穹隆白质分割的方法,能够简单、高效地对穹隆白质进行分割,穹隆白质子分支的分割对于记忆相关的精神疾病的预防和靶向治疗有着重要意义。
为了达到上述目的,本发明的技术方案为:
一种基于fMRI与DTI融合的穹隆白质分割的方法,具体步骤如下:
(1)、对fMRI和DTI磁共振影像数据进行预处理,预处理包括功能磁共振成像和弥散张量成像两个方面,fMRI预处理分别有头颅分割、时间校正、头动校正、空间平滑、时域带通滤波、去线性漂移和冗余去除;DTI预处理包括涡流变形校正、去头皮操作、计算每一个体素的弥散张量和计算FA,MD弥散参数步骤;
(2)、基于静息态功能连接对海马脑区进行区域分割,通过计算海马脑区每个体素的全脑连接模式,求得连接模式的相似度矩阵,运用谱聚类对全脑连接模式相似度矩阵进行聚类分割,实现海马的子区域分割;
(3)、ROI选取,采用AAL模板将皮层和皮层下的灰质划分成90个脑区,左右丘脑分别对应为77号脑区和78号脑区,将左右丘脑配准到MNI空间作为目标ROI,将步骤2中分割得到的海马子区域作为种子ROI;
(4)、基于海马子区域和丘脑间白质纤维束示踪技术的穹隆白质分割,在MNI空间以左右丘脑作为目标ROI,以海马子区域作为种子ROI,采用白质纤维示踪技术得到海马各子脑区间与丘脑的白质连接,从而实现穹隆白质的分割。
本发明的创新之处在于提出了通过fMRI功能连接对海马脑区进行分割并以分割子区域作为种子点,以丘脑作为目标脑区进行白质纤维示踪对穹隆白质进行分割的新方法。传统白质分割需要临床医生进行生理解剖,无法满足临床无创有效的诊断和治疗白质子分支出现病变造成的精神疾病问题,弥散张量成像是目前在体白质纤维成像的唯一方法,本发明结合了人脑功能与结构的信息对穹隆白质进行了分割,思想新颖,过程简单,具有重要的科研和临床价值。
附图说明
图1是静息态功能图像预处理流程图。
图2是头颅分割前后对比图。
图3是头动校正结果。
图4是功能像配准前后对比,左侧为配准前功能像,中间为MNI152标准模板,右侧为配准后功能像,经过配准图像与模板之间的差异减小。
图5是基于静息态功能连接的海马脑区分割结果。
图6是白质纤维示踪算法流程示意图。
图7是穹隆白质分割结果图。
具体实施方式
下面结合附图对本发明做详细叙述。
本发明是基于fMRI与DTI融合的穹隆白质分割的方法,具体步骤如下:
(1)、对fMRI和DTI磁共振影像数据进行预处理。预处理包括功能磁共振成像和弥散张量成像两个方面,fMRI预处理分别有头颅分割、时间校正、头动校正、空间平滑、时域带通滤波、去线性漂移和冗余去除。DTI预处理包括涡流变形校正、去头皮操作、计算每一个体素的弥散张量和计算FA,MD等弥散参数等步骤。
fMRI数据预处理是在Linux系统Ubuntu14.04下基于AFNI和FSL软件编写Batch文件(数据批处理)完成。预处理流程见图1,主要包含以下几个方面:
1)头颅分割
采集得到的结构像通常包含头颅信息,需要进行头颅分割,从而消除颅骨部位引入的伪影对后续数据分析的影响。基于FSL软件提供的3drefit、3dresample和fastsegment实现头部颅骨和大脑内部组织结构的分割,分割结果如图2所示。
2)时间校正
血液动力学函数表明血液对刺激的响应有一定的时间延迟,由于一个TR期间采集到全脑图像,这导致每一层的图像并非在同一时刻采集,而是发生在整个扫描时间段内,时间校正就是通过类似于插值的方法对每一层图像进行层时间处理,使得一个TR周期内各层图像近似在同一时刻获取。
3)头动校正
进行头动校正时一般将被试的大脑看做一个刚体,因此在fMRI实验中被试头部的运动可以近似成一种刚体运动,即只有平移变换与旋转变换的组合。选择单个被试的第一帧图像作为参考图像,通过AFNI的3dvolreg函数使得其余的所有图像与参考图像配准,结果如图3所示。如果头动超过一个体素则去除该被试。
4)空间平滑
空间平滑采用高斯函数进行高斯平滑,能有效地消弱随机噪声对fMRI信号的影响,提高数据的信噪比。三维高斯函数是比较常用的空间平滑方法,其半高全宽决定了空间平滑的力度,本文选用半高全宽(Full Width at Half Maximum,FWHM)为6mm的高斯核函数进行数据平滑。
5)时域带通滤波
静息态fMRI信号是一种低频波动,频率主要集中在0.01~0.1Hz,这种低频波动反映了自发的神经活动。因此采用频率范围为0.01~0.1Hz的带通滤波器去除与呼吸、心跳等有关的生理噪声。
6)去线性漂移
由于机器的长期工作导致温度升高或者被试的不适应,随着时间的积累会存在线性漂移,需要进行去线性。
7)冗余去除
为了去除脑脊液(Cerebro-Spinal Fluid,CSF)、白质(White Matter,WM)等冗余信号,需要对结构像进行分割,利用分割得到的信息制作脑脊液与白质模板,然后去除白质、脑脊液、全脑信号以及头动伪迹等冗余信号。
DTI数据预处理为使用FMRIB线性配准工具(FLIRT)对DTI数据进行涡流变形校正,将弥散图像都配准至第一幅无弥散加权图像上。接着使用FMRIB中提供的工具(BET)进行去头皮操作。最后使用FMRIB的弥散工具箱计算每一个体素的弥散张量,从而得到单个被试的FA和MD标量图。然后将单个被试的FA和MD标量图配准到结构像,其次将结构像配准到标准空间,从而利用所得到的变换矩阵将功能像配准到标准空间。
(2)、基于静息态功能连接对海马脑区进行区域分割。为了准确定位海马脑区,首先将静息态磁共振图像配准至MNI标准空间;为提高配准精度,采用两步配准:首先将功能像配准到结构像,其次将结构像配准到标准空间,从而利用所得到的变换矩阵将功能像配准到标准空间并将体素重采样为3mm×3mm×3mm;配准模板采用MNI模板,该模板是由加拿大蒙特利尔神经科学研究所(Montreal Neurological Institute,MNI)研发而成;整个配准过程使用FMRIB提供的线性配准工具实现,配准前后图像对比如图4所示。
采用AAL模板将皮层和皮层下的灰质划分成90个脑区。左右海马分别为37和38号脑区,将海马ROI模板以及静息态fMRI数据都配准到MNI空间。通过计算海马区域中每个体素的全脑连接模式,进而得到每两个体素之间的全脑连接模式相似度矩阵,以此矩阵进行子区划分。具体做法是提取海马每个体素的时间序列信号,对其他88个脑区的静息态信号,采用脑区内所有体素信号平均的方式提取。其次,通过计算每个海马内部的体素信号与其他88个脑区的信号之间的相关系数,得到海马体素的全脑连接矩阵M,其中元素(i,j)表示第i个海马体素到第j个脑区的功能连接强度。该矩阵的每一行描述了一个海马体素在静息态下和全脑其他脑区之间的连接模式,值越接近1,相关性越大。接着,计算每两行连接模式之间的相关系数就可以度量两个体素在全脑功能连接模式上的相似度,记为相似度矩阵N,其中每个元素表示海马第i个体素到第j个体素在全脑功能连接模式上的相似度。在此相似度矩阵的基础上,本发明采用谱聚类算法对海马的体素进行分类,分割结果如图5所示;
(3)、ROI选取。采用AAL(automated anatomical labeling)模板将皮层和皮层下的灰质划分成90个脑区,左右丘脑分别对应为77号脑区和78号脑区,将左右丘脑配准到MNI空间作为目标ROI,将步骤2中分割得到的海马子区域作为种子ROI;
(4)、基于海马子区域和丘脑间白质纤维束示踪技术的穹隆白质分割。在MNI空间以左右丘脑作为目标ROI,以的海马子区域作为种子ROI,采用白质纤维示踪技术得到海马各子脑区间与丘脑的白质连接。具体原理是通过施加多个方向的梯度场,通过计算得到扩散张量矩阵,通过该矩阵的3个特征向量得到包括各向异性参数FA和平均弥散系数的衡量人体内水分子扩散情况的标量,而主特征向量则代表着该体素内水分子主要的扩散方向,该算法主要就是基于每个体素的扩散向量确定白质走向,首先从白质纤维上选定的某点开始进行白质追踪,确定该点的扩散张量方向,然后沿着该方向前进一定步长,以得到的新体素作为开始点重复进行白质方向确定,直到满足白质追踪停止的条件,最后将所有点连接起来即得到所追踪的白质曲线,具体流程如图6所示。用公式表示为:
其中xt+1代表白质纤维追踪下一个体素的坐标位置,而xt表示当前体素的坐标点,a代表每次迭代的步长,则表示当前体素内水分子扩散方向。
白质路径示踪的终止条件设定为角度大于35°或者FA小于0.15,质示踪的纤维束长度如果小于20mm则自动舍弃。最终得到的白质纤维示踪结果,从而实现穹隆白质的分割,具体结果如图7;
综上所述,本发明基于fMRI与DTI融合的多模态成像对穹隆白质进行分割有着实际的临床应用价值。提出了通过fMRI功能连接对海马脑区进行分割并以分割子区域作为种子点,以丘脑作为目标脑区进行白质纤维示踪对穹隆白质进行分割的新思路。本发明结合了人脑功能与结构的信息对穹隆白质进行了分割,思想新颖,过程简单,具有重要的科研和临床价值。
Claims (3)
1.一种基于fMRI与DTI融合的穹隆白质分割的方法,其特征在于,具体步骤如下:
(1)、对fMRI和DTI磁共振影像数据进行预处理,预处理包括功能磁共振成像和弥散张量成像两个方面,fMRI预处理分别有头颅分割、时间校正、头动校正、空间平滑、时域带通滤波、去线性漂移和冗余去除;DTI预处理包括涡流变形校正、去头皮操作、计算每一个体素的弥散张量和计算FA,MD弥散参数步骤;
(2)、基于静息态功能连接对海马脑区进行区域分割,通过计算海马脑区每个体素的全脑连接模式,求得连接模式的相似度矩阵,运用谱聚类对全脑连接模式相似度矩阵进行聚类分割,实现海马的子区域分割;
(3)、ROI选取,采用AAL模板将皮层和皮层下的灰质划分成90个脑区,左右丘脑分别对应为77号脑区和78号脑区,将左右丘脑配准到MNI空间作为目标ROI,将步骤(2)中分割得到的海马子区域作为种子ROI;
(4)、基于海马子区域和丘脑间白质纤维束示踪技术的穹隆白质分割,在MNI空间以左右丘脑作为目标ROI,以海马子区域作为种子ROI,采用白质纤维示踪技术得到海马各子脑区间与丘脑的白质连接,从而实现穹隆白质的分割。
2.根据权利要求1所述的一种基于fMRI与DTI融合的穹隆白质分割的方法,其特征在于,步骤(2)所述的基于静息态功能连接对海马脑区进行区域分割,为了准确定位海马脑区,首先将静息态磁共振图像配准至MNI标准空间;为提高配准精度,采用两步配准:首先将功能像配准到结构像,其次将结构像配准到标准空间,从而利用所得到的变换矩阵将功能像配准到标准空间并将体素重采样为3mm×3mm×3mm;配准模板采用MNI模板;
采用AAL模板将皮层和皮层下的灰质划分成90个脑区,左右海马分别为37和38号脑区,将海马ROI模板以及静息态fMRI数据都配准到MNI空间;通过计算海马区域中每个体素的全脑连接模式,进而得到每两个体素之间的全脑连接模式相似度矩阵,以此矩阵进行子区划分;具体做法是提取海马每个体素的时间序列信号,对其他88个脑区的静息态信号,采用脑区内所有体素信号平均的方式提取;其次,通过计算每个海马内部的体素信号与其他88个脑区的信号之间的相关系数,得到海马体素的全脑连接矩阵M,其中元素(i,j)表示第i个海马体素到第j个脑区的功能连接强度;该矩阵的每一行描述了一个海马体素在静息态下和全脑其他脑区之间的连接模式,值越接近1,相关性越大;接着,计算每两行连接模式之间的相关系数就可以度量两个体素在全脑功能连接模式上的相似度,记为相似度矩阵N,其中每个元素表示海马第i个体素到第j个体素在全脑功能连接模式上的相似度;在此相似度矩阵的基础上,本发明采用谱聚类算法对海马的体素进行分类。
3.根据权利要求1所述的一种基于fMRI与DTI融合的穹隆白质分割的方法,其特征在于,
所述的步骤(4)具体原理是通过施加多个方向的梯度场,通过计算得到扩散张量矩阵,通过该矩阵的3个特征向量得到包括各向异性参数FA和平均弥散系数的衡量人体内水分子扩散情况的标量,而主特征向量则代表着该体素内水分子主要的扩散方向,首先从白质纤维上选定的某点开始进行白质追踪,确定该点的扩散张量方向,然后沿着该方向前进一定步长,以得到的新体素作为开始点重复进行白质方向确定,直到满足白质追踪停止的条件,最后将所有点连接起来即得到所追踪的白质曲线,用公式表示为:
其中xt+1代表白质纤维追踪下一个体素的坐标位置,而xt表示当前体素的坐标点,α代表每次迭代的步长,则表示当前体素内水分子扩散方向;
白质路径示踪的终止条件设定为角度大于35°或者各向异性参数FA小于0.15,质示踪的纤维束长度如果小于20mm则自动舍弃。最终得到的白质纤维示踪结果,从而实现穹隆白质的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519026.6A CN106204562B (zh) | 2016-07-04 | 2016-07-04 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519026.6A CN106204562B (zh) | 2016-07-04 | 2016-07-04 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204562A true CN106204562A (zh) | 2016-12-07 |
CN106204562B CN106204562B (zh) | 2019-05-07 |
Family
ID=57466017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610519026.6A Active CN106204562B (zh) | 2016-07-04 | 2016-07-04 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204562B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292346A (zh) * | 2017-07-05 | 2017-10-24 | 四川大学 | 一种基于局部子空间学习的mr图像海马体分割算法 |
CN107392167A (zh) * | 2017-07-31 | 2017-11-24 | 北京大学第三医院 | 一种脑功能图的感兴趣区提取方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN109242816A (zh) * | 2017-07-07 | 2019-01-18 | 复旦大学 | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 |
CN110021003A (zh) * | 2019-02-14 | 2019-07-16 | 清华大学 | 图像处理方法、图像处理装置和核磁共振成像设备 |
CN110223275A (zh) * | 2019-05-28 | 2019-09-10 | 陕西师范大学 | 一种task-fMRI引导的大脑白质纤维深度聚类方法 |
CN110363096A (zh) * | 2019-06-20 | 2019-10-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
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 |
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN110827282A (zh) * | 2020-01-13 | 2020-02-21 | 南京慧脑云计算有限公司 | 一种基于磁共振成像的脑白质纤维束示踪分析方法及系统 |
CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
CN111583281A (zh) * | 2020-05-15 | 2020-08-25 | 江南大学 | 多模态连接模式的脑区划分方法 |
CN112259212A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 一种基于dti及tbss技术的2型糖尿病脑衰老诊断系统 |
CN113096142A (zh) * | 2021-04-30 | 2021-07-09 | 北京理工大学 | 基于联合嵌入空间的白质神经束自动分割方法 |
CN113506609A (zh) * | 2021-07-07 | 2021-10-15 | 浙江工业大学 | 基于纤维束自动分割的帕金森病白质异常标注方法 |
CN114534106A (zh) * | 2022-01-21 | 2022-05-27 | 上海远葆医疗器械有限公司 | 基于多模态脑成像的神经环路个体化定位方法及调控方法 |
CN117635559A (zh) * | 2023-11-28 | 2024-03-01 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103646160A (zh) * | 2013-10-17 | 2014-03-19 | 北京工业大学 | 一种fMRI任务态数据预处理中的去噪校正方法 |
US20150131882A1 (en) * | 2013-11-14 | 2015-05-14 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method |
-
2016
- 2016-07-04 CN CN201610519026.6A patent/CN106204562B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103646160A (zh) * | 2013-10-17 | 2014-03-19 | 北京工业大学 | 一种fMRI任务态数据预处理中的去噪校正方法 |
US20150131882A1 (en) * | 2013-11-14 | 2015-05-14 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method |
Non-Patent Citations (3)
Title |
---|
徐鹏: "基于磁共振扩散张量成像的纤维追踪方法设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨丽琴: "重度抑郁症患者静息态脑功能网络分析及大鼠脑磁共振解剖图像模板的制作", 《中国博士学位论文全文数据库 医疗卫生科技辑》 * |
魏方圆: "结构及功能多模态磁共振成像对内侧颞叶癫痫工作记忆损害的研究", 《中国优秀硕士学位论文全文数据库 医疗卫生科技辑》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN108961259B (zh) * | 2017-05-25 | 2022-03-18 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN107292346B (zh) * | 2017-07-05 | 2019-11-15 | 四川大学 | 一种基于局部子空间学习的mr图像海马体分割算法 |
CN107292346A (zh) * | 2017-07-05 | 2017-10-24 | 四川大学 | 一种基于局部子空间学习的mr图像海马体分割算法 |
CN109242816B (zh) * | 2017-07-07 | 2022-01-18 | 复旦大学 | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 |
CN109242816A (zh) * | 2017-07-07 | 2019-01-18 | 复旦大学 | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 |
CN107392167A (zh) * | 2017-07-31 | 2017-11-24 | 北京大学第三医院 | 一种脑功能图的感兴趣区提取方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN107658018B (zh) * | 2017-10-12 | 2019-07-05 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN110021003A (zh) * | 2019-02-14 | 2019-07-16 | 清华大学 | 图像处理方法、图像处理装置和核磁共振成像设备 |
CN110021003B (zh) * | 2019-02-14 | 2021-02-02 | 清华大学 | 图像处理方法、图像处理装置和核磁共振成像设备 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110458869B (zh) * | 2019-05-10 | 2021-10-19 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110223275B (zh) * | 2019-05-28 | 2020-12-18 | 陕西师范大学 | 一种task-fMRI引导的大脑白质纤维深度聚类方法 |
CN110223275A (zh) * | 2019-05-28 | 2019-09-10 | 陕西师范大学 | 一种task-fMRI引导的大脑白质纤维深度聚类方法 |
CN110363096A (zh) * | 2019-06-20 | 2019-10-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
CN110363096B (zh) * | 2019-06-20 | 2022-02-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
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 |
CN110652307A (zh) * | 2019-09-11 | 2020-01-07 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测方法 |
CN110652307B (zh) * | 2019-09-11 | 2021-01-12 | 中国科学院自动化研究所 | 基于功能核磁影像的精神分裂症患者纹状体功能检测系统 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN110833414A (zh) * | 2019-11-28 | 2020-02-25 | 广州中医药大学第一附属医院 | 一种鼻咽癌放疗后放射性脑损伤生物标志物的多模态分子成像策略 |
CN110833414B (zh) * | 2019-11-28 | 2021-11-02 | 广州中医药大学第一附属医院 | 一种放射性脑损伤生物标志物的多模态分子成像方法 |
CN110827282A (zh) * | 2020-01-13 | 2020-02-21 | 南京慧脑云计算有限公司 | 一种基于磁共振成像的脑白质纤维束示踪分析方法及系统 |
CN111583281A (zh) * | 2020-05-15 | 2020-08-25 | 江南大学 | 多模态连接模式的脑区划分方法 |
CN112259212A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 一种基于dti及tbss技术的2型糖尿病脑衰老诊断系统 |
CN113096142A (zh) * | 2021-04-30 | 2021-07-09 | 北京理工大学 | 基于联合嵌入空间的白质神经束自动分割方法 |
CN113096142B (zh) * | 2021-04-30 | 2022-12-30 | 北京理工大学 | 基于联合嵌入空间的白质神经束自动分割方法 |
CN113506609A (zh) * | 2021-07-07 | 2021-10-15 | 浙江工业大学 | 基于纤维束自动分割的帕金森病白质异常标注方法 |
CN114534106A (zh) * | 2022-01-21 | 2022-05-27 | 上海远葆医疗器械有限公司 | 基于多模态脑成像的神经环路个体化定位方法及调控方法 |
CN117635559A (zh) * | 2023-11-28 | 2024-03-01 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
CN117635559B (zh) * | 2023-11-28 | 2024-04-30 | 上海交通大学医学院附属瑞金医院 | 定位异常脑白质所连接灰质皮层的图像处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106204562B (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204562A (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
Gao et al. | Computer vision in healthcare applications | |
CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
Jacquesson et al. | Overcoming challenges of cranial nerve tractography: a targeted review | |
WO2011044442A1 (en) | Method for determining locations of implanted electrodes with medical images | |
WO2005023086A2 (en) | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning | |
CN105816192A (zh) | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 | |
Studholme et al. | Estimating tissue deformation between functional images induced by intracranial electrode implantation using anatomical MRI | |
WO2020033566A1 (en) | Neural networks for volumetric segmentation and parcellated surface representations | |
US20130018596A1 (en) | Method and device for determining target brain segments in human or animal brains | |
CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
DE102012222073B4 (de) | Verfahren zur Auswertung von Bilddatensätzen und Kombinationsbildaufnahmeeinrichtung | |
Rajinikanth et al. | Magnetic resonance imaging: recording, reconstruction and assessment | |
CN111227833B (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
EP4143742A1 (en) | Method and apparatus to classify structures in an image | |
Soltanian‐Zadeh et al. | Brain tumor segmentation and characterization by pattern analysis of multispectral NMR images | |
Jivraj et al. | Diploic venous anatomy studied in‐vivo by MRI | |
Durgadevi et al. | A Methodological Investigation for fetal brain MRI Segmentation Techniques-Analysis | |
CN1939211A (zh) | 磁共振影像中海马的定量形状分析方法 | |
CN105825508A (zh) | 一种基于脑部医学图像分割的脑积水辅助诊断方法 | |
Pizzagalli et al. | Local landmark alignment for high-resolution fMRI group studies: toward a fine cortical investigation of hand movements in human | |
CN113570724B (zh) | 基于逆球极投影的网格球面保角参数化方法及其应用 | |
US11972564B2 (en) | Recording medium, information processing device, information processing method, trained model generation method, and correlation image output device | |
CN104484874B (zh) | 基于ct造影成像的活体动物下肢血管分割方法 | |
EP4143741A1 (en) | Method and apparatus to classify structures in an image |
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 |