CN106408568A - 一种大尺度dti图像的快速准确的分割方法 - Google Patents
一种大尺度dti图像的快速准确的分割方法 Download PDFInfo
- Publication number
- CN106408568A CN106408568A CN201610605176.9A CN201610605176A CN106408568A CN 106408568 A CN106408568 A CN 106408568A CN 201610605176 A CN201610605176 A CN 201610605176A CN 106408568 A CN106408568 A CN 106408568A
- Authority
- CN
- China
- Prior art keywords
- dti
- dti image
- voxel
- point
- frequency
- 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
Classifications
-
- 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
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本方法提供一种大尺度DTI图像的快速准确的分割方法,通过考虑DTI数据的非线性的特点,引入黎曼流形中的竞争学习机制,将对称半正定的3×3矩阵的体素集合看成是黎曼流形,把DTI图像的每个体素看成是黎曼流形中的点,然后通过黎曼竞争学习算法来把这些体素聚类。在此框架下,选用黎曼距离来度量体素之间的相似性,选取竞争学习作为聚类的方法。在聚类过程中,选取均沿着测地线而非欧式空间聚类的直线来更新节点。同时,加入频率敏感机制来克服聚类问题对初始值敏感的问题。本发明能快速准确地分割活体组织的DTI成像。本方法有两个主要应用,一是进行脑白质分子水平上的检测,以辅助临床诊断某些常规设备无法检测的疾病;二是用于人脑神经联通模式研究。
Description
技术领域
本发明涉及医学图像处理领域,更具体地,涉及一种大尺度DTI图像的快速准确的分割方法。
背景技术
扩散是分子的不规则运动,是人体重要的生理活动,是体内的物质转运方式之一。在溶液中,影响分子弥散的因素有:分子的重量、分子之间的相互作用(即粘滞性)和温度。组织中的水分子也在不断地进行着弥散运动,但它不仅受组织细胞本身特征的影响,而且还受细胞内部结构的影响,如鞘膜、细胞膜、白质纤维束。在具有固定排列顺序的组织结构中,如神经纤维束,水分子在各个方向的弥散是不同的,水分子通常更倾向于沿着神经纤维束的方向进行弥散,而很少沿着垂直于神经纤维束的方向进行弥散,这种具有方向依赖性的弥散即称为弥散的各向异性。DTI是弥散成像的高级形式,在扩散加权时间内测量水分子自扩散位置的随机分布,从而对生理组织进行成像。与传统的MRI技术相比,DTI能够提供有关组织结构及其几何结构的独特数据,是目前无创诊断和研究活体白质微结构的唯一途径。DTI是实现活体观察组织结果的完整性和连通性,利于对各种疾病引起的白纸纤维束损害程度和范围的判断。可用于显示脑白质内神经纤维束的走形方向,实现对人的中枢神经纤维束成像。是目前唯一可在活体显示脑白质纤维束的无创成像方法。
在实践过程中,DTI图像的分割,既能通过对白质组织的各向异性检测和分析来对细胞及分子水平上的病例变化研究,也能跟踪和提取白质纤维束。通过对纤维束的精确提取,可以为诊断组织疾病(特别是神经性疾病)提供全新的手段和视角。
DTI图像的分割一般基于“属于同一组织的体素,扩散特性相似”这一个特征。比如白质的扩散各向异性比较严重,所以基于DTI的分割技术可以用来分割脑白质。具体说来,DTI图像分割就是利用包含在体素张量值中的扩散特征信息,将所研究的组织通过某种分割方法分离出来,为后续临床分析和研究提供形状、大小等方面的信息。
总体上讲,依据是否DTI图像考虑DTI体素之间的内在几何性质,可以将DTI图像分割方法分为两大类。第一类是基于传统的欧式空间的DTI分割,这种风格方法不考虑DTI体素之间的内在几何性质。第二类是基于黎曼流行的分割方法,这种方法会考察DTI体素之间的内在几何性质。在早期的研究和实践中,一般采用第一类的方法,这种方法需要事先标定或选定种子和需要人的交互,分割准确性和分割效率不高。近年来,第二类方法越来越多被提出来。
由于DTI图像的每个体素都是对称半正定的3×3矩阵,DTI图像的分割就是将一张DTI图像的体素按照内在的关联性分成若干个有意义的集合。传统的基于聚类的分割方法一般把体素看成欧式空间的矢量,然后根据欧式距离来度量体素之间的相关性。许多研究表明,对称半正定的3×3矩阵的几何构成了黎曼流形,使用欧式空间的做法会破坏其内在的几何结构。所以DTI图像的分割问题就变成了黎曼流形的分割问题。目前存在的黎曼流形的分割问题,速度和精度都不是很好。尤其在处理大的DTI图像时,这个问题尤为突出。
发明内容
为了克服现有DTI图像分割方法精度和速度不高的问题,本发明方法提出种大尺度DTI图像的快速准确的分割方法,能够快速准确的分割出DTI图像中不同的部分。
为解决上述技术问题,本发明的技术方案如下:
一种大尺度DTI图像的快速准确的分割方法,包括以下步骤:
S1:预处理:对DTI图像的每个voxel进行分析,找出所有正定对称的voxel,剔除0点,并保存0点和非0点的位置;
S2:黎曼空间中的频率敏感竞争学习分割:对于每个非0的voxel,假定标号依次为{x1,x2,…,xn},假定每个初始中心依次为{w1,w2,…,wk},每个中心的初始频率为{f1,f2,…,fk},其中,n表示非0的voxel的个数,k是将要分割的区域个数;
(1)从{x1,x2,…,xn}中选取k个点{w1,w2,…,wk}作为起始中心,并设置每个中心的初始频率{f1,f2,…,fk};
(2)计算xi到{w1,w2,…,wk}的黎曼距离,i=1,2,…,n,选取频率和距离之积中最小的wi作为胜利点(winner),将wi对应的频率加1,即fi+1,作为下一次迭代的频率,并使用下面的公式计算新的wi的位置:
wi t+1=[wi t]1/2([wi t]-1/2xi[wi t]-1/2)a[wi t]1/2
其中上标t表示迭代的次序,a是学习率;
(3)重复(2)直到收敛;
S3:将聚类结果重新排列成DTI图像的形式。
在一种优选的方案中,步骤S3中还包括:将聚类结果按照非0的位置重新排列成DTI图像的形式,聚类的结果以分割的形式呈现。
在一种优选的方案中,步骤S3中还包括:将聚类结果按照DTI的分辨率排列,以不同颜色显示。
在一种优选的方案中,a的取值在[0.01-0.1]之间。
与现有技术相比,本发明技术方案的有益效果是:本方法提供一种大尺度DTI图像的快速准确的分割方法,通过考虑DTI数据的非线性的特点,引入黎曼流形中的竞争学习机制,达到快速准确在线分割DTI图像的目的。由于对称正定的3×3矩阵的几何构成黎曼流形,本发明从DTI数据的特性出发,利用黎曼流形的相关理论,采用微分几何作为工具,以竞争学习作为框架,引入频率敏感机制来分割DTI图像数据。将对称半正定的3×3矩阵的体素集合看成是黎曼流形,把DTI图像的每个体素(voxel)看成是黎曼流形中的点,然后通过黎曼竞争学习算法来把这些体素聚类。在此框架下,选用黎曼距离来度量体素之间的相似性,选取竞争学习作为聚类的方法。在聚类过程中,选取均沿着测地线而非欧式空间聚类的直线来更新节点。同时,加入频率敏感机制来克服聚类问题对初始值敏感的问题。本发明能较快速准确地分割活体组织的DTI成像,从而为临床应用提供服务。本方法有两个主要应用,一是进行脑白质分子水平上的检测,以辅助临床诊断某些常规设备无法检测的疾病;二是用于人脑神经联通模式研究。
附图说明
图1为黎曼竞争学习过程示意图。
图2为黎曼竞争学习过程示意图。
图3为DTI图像分割处理过程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-3所示,一种大尺度DTI图像的快速准确的分割方法,包括以下步骤:
S1:预处理:对DTI图像的每个voxel进行分析,找出所有正定对称的voxel,剔除0点,并保存0点和非0点的位置;
S2:黎曼空间中的频率敏感竞争学习分割:对于每个非0的voxel,假定标号依次为{x1,x2,…,xn},假定每个初始中心依次为{w1,w2,…,wk},每个中心的初始频率为{f1,f2,…,fk},其中,n表示非0的voxel的个数,k是将要分割的区域个数;
(1)从{x1,x2,…,xn}中选取k个点{w1,w2,…,wk}作为起始中心,并设置每个中心的初始频率{f1,f2,…,fk};
(2)计算xi到{w1,w2,…,wk}的黎曼距离,i=1,2,…,n,选取频率和距离之积中最小的wi作为胜利点(winner),将wi对应的频率加1,即fi+1,作为下一次迭代的频率,并使用下面的公式计算新的wi的位置:
wi t+1=[wi t]1/2([wi t]-1/2xi[wi t]-1/2)a[wi t]1/2
其中上标t表示迭代的次序,a是学习率,a的取值在[0.01-0.1]之间。;
(3)重复(2)直到收敛;
S3:将聚类结果按照非0的位置重新排列成DTI图像的形式,聚类的结果以分割的形式呈现。将聚类结果按照DTI的分辨率排列,以不同颜色显示。
本方法提供一种大尺度DTI图像的快速准确的分割方法,通过考虑DTI数据的非线性的特点,引入黎曼流形中的竞争学习机制,达到快速准确在线分割DTI图像的目的。由于对称正定的3×3矩阵的几何构成黎曼流形,本发明从DTI数据的特性出发,利用黎曼流形的相关理论,采用微分几何作为工具,以竞争学习作为框架,引入频率敏感机制来分割DTI图像数据。将对称半正定的3×3矩阵的体素集合看成是黎曼流形,把DTI图像的每个体素(voxel)看成是黎曼流形中的点,然后通过黎曼竞争学习算法来把这些体素聚类。在此框架下,选用黎曼距离来度量体素之间的相似性,选取竞争学习作为聚类的方法。在聚类过程中,选取均沿着测地线而非欧式空间聚类的直线来更新节点。同时,加入频率敏感机制来克服聚类问题对初始值敏感的问题。本发明能较快速准确地分割活体组织的DTI成像,从而为临床应用提供服务。本方法有两个主要应用,一是进行脑白质分子水平上的检测,以辅助临床诊断某些常规设备无法检测的疾病;二是用于人脑神经联通模式研究。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种大尺度DTI图像的快速准确的分割方法,其特征在于,包括以下步骤:
S1:预处理:对DTI图像的每个voxel进行分析,找出所有正定对称的voxel,剔除0点,并保存0点和非0点的位置;
S2:黎曼空间中的频率敏感竞争学习分割:对于每个非0的voxel,假定标号依次为{x1,x2,…,xn},假定每个初始中心依次为{w1,w2,…,wk},每个中心的初始频率为{f1,f2,…,fk},其中,n表示非0的voxel的个数,k是将要分割的区域个数;
(1)从{x1,x2,…,xn}中选取k个点{w1,w2,…,wk}作为起始中心,并设置每个中心的初始频率{f1,f2,…,fk};
(2)计算xi到{w1,w2,…,wk}的黎曼距离,i=1,2,…,n,选取频率和距离之积中最小的wi作为胜利点(winner),将wi对应的频率加1,即fi+1,作为下一次迭代的频率,并使用下面的公式计算新的wi的位置:
wi t+1=[wi t]1/2([wi t]-1/2xi[wi t]-1/2)a[wi t]1/2
其中上标t表示迭代的次序,a是学习率;
(3)重复(2)直到收敛;
S3:将聚类结果重新排列成DTI图像的形式。
2.根据权利要求1所述的大尺度DTI图像的快速准确的分割方法,其特征在于,步骤S3中还包括:将聚类结果按照非0的位置重新排列成DTI图像的形式,聚类的结果以分割的形式呈现。
3.根据权利要求2所述的大尺度DTI图像的快速准确的分割方法,其特征在于,步骤S3中还包括:将聚类结果按照DTI的分辨率排列,以不同颜色显示。
4.根据权利要求1所述的大尺度DTI图像的快速准确的分割方法,其特征在于,a的取值在[0.01-0.1]之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605176.9A CN106408568B (zh) | 2016-07-27 | 2016-07-27 | 一种大尺度dti图像的快速准确的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605176.9A CN106408568B (zh) | 2016-07-27 | 2016-07-27 | 一种大尺度dti图像的快速准确的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408568A true CN106408568A (zh) | 2017-02-15 |
CN106408568B CN106408568B (zh) | 2019-03-22 |
Family
ID=58004293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610605176.9A Active CN106408568B (zh) | 2016-07-27 | 2016-07-27 | 一种大尺度dti图像的快速准确的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408568B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080649A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
CN111727461A (zh) * | 2018-01-16 | 2020-09-29 | 索尼公司 | 信息处理装置和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100080450A1 (en) * | 2008-09-30 | 2010-04-01 | Microsoft Corporation | Classification via semi-riemannian spaces |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
CN102609946A (zh) * | 2012-02-08 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法 |
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 |
CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
-
2016
- 2016-07-27 CN CN201610605176.9A patent/CN106408568B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100080450A1 (en) * | 2008-09-30 | 2010-04-01 | Microsoft Corporation | Classification via semi-riemannian spaces |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
CN102609946A (zh) * | 2012-02-08 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法 |
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 |
CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727461A (zh) * | 2018-01-16 | 2020-09-29 | 索尼公司 | 信息处理装置和方法 |
CN111080649A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
CN111080649B (zh) * | 2019-12-10 | 2023-05-30 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106408568B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dubois et al. | Exploring the early organization and maturation of linguistic pathways in the human infant brain | |
Zhu et al. | Fusing DTI and fMRI data: a survey of methods and applications | |
Wig et al. | Concepts and principles in the analysis of brain networks | |
Elnakib et al. | Magnetic resonance imaging findings for dyslexia: a review | |
Bonacchi et al. | Role of artificial intelligence in MS clinical practice | |
Rodrigues et al. | The emerging role of tractography in deep brain stimulation: basic principles and current applications | |
Tunç et al. | Automated tract extraction via atlas based adaptive clustering | |
Elnakieb et al. | Computer aided autism diagnosis using diffusion tensor imaging | |
CN108898135A (zh) | 一种大脑边缘系统图谱构建方法 | |
CN115359305B (zh) | 一种大脑纤维束异常区域精准定位系统 | |
ElNakieb et al. | Autism spectrum disorder diagnosis framework using diffusion tensor imaging | |
Salami et al. | Designing a clinical decision support system for Alzheimer’s diagnosis on OASIS-3 data set | |
Zhang et al. | Cross-cultural consistency and diversity in intrinsic functional organization of Broca's Region | |
CN106408568A (zh) | 一种大尺度dti图像的快速准确的分割方法 | |
Li et al. | Connectivity-based brain parcellation for parkinson's disease | |
Li et al. | Diffusion tensor-based fast marching for modeling human brain connectivity network | |
Aranda et al. | A flocking based method for brain tractography | |
Vega-Pons et al. | Differential effects of brain disorders on structural and functional connectivity | |
Yang et al. | Functional clustering of whole brain white matter fibers | |
Yee | The neurobiological correlates of structural covariance networks | |
Demir et al. | Online agglomerative hierarchical clustering of neural fiber tracts | |
Brusini et al. | Voxel-wise clustering of tractography data for building atlases of local fiber geometry | |
Amoroso | Diffusion-weighted imaging (DWI) tractography and Alzheimer's disease | |
Patel | Analysis methods for the study of multimodal MRI and individual variability in brain structure and function | |
Bayrak et al. | Learning subject-specific functional parcellations from cortical surface measures |
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 |