CN113379249B - 一种基于图谱的纤维束成像评价方法 - Google Patents

一种基于图谱的纤维束成像评价方法 Download PDF

Info

Publication number
CN113379249B
CN113379249B CN202110652294.6A CN202110652294A CN113379249B CN 113379249 B CN113379249 B CN 113379249B CN 202110652294 A CN202110652294 A CN 202110652294A CN 113379249 B CN113379249 B CN 113379249B
Authority
CN
China
Prior art keywords
fiber bundle
fiber
probability
map
evaluated
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.)
Active
Application number
CN202110652294.6A
Other languages
English (en)
Other versions
CN113379249A (zh
Inventor
冯远静
曾庆润
袁少楠
黄家浩
谢雷
李梦君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110652294.6A priority Critical patent/CN113379249B/zh
Publication of CN113379249A publication Critical patent/CN113379249A/zh
Application granted granted Critical
Publication of CN113379249B publication Critical patent/CN113379249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种基于图谱的纤维束成像评价方法，对于待评价的纤维束，引入大脑白质图谱，将待评价纤维束与该图谱进行配准，进行空间位置分布计算，得到纤维束在空间位置分布上的评价值；引入纤维概率图谱，将待评价纤维束与该图谱进行配准，利用概率图谱计算当前纤维束概率值；最后将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到纤维束最终评价值。本发明对纤维束重建效果进行了量化并给出了评价指标，对于缺乏解剖结构知识的科研人员及缺乏经验的医生而言具有参考价值。

Description

一种基于图谱的纤维束成像评价方法
技术领域
本发明涉及医学图像处理，尤其是一种基于图谱的纤维束成像评价方法。
背景技术
基于磁共振成像技术的扩散磁共振成像是一种非侵入式的神经纤维成像方法，在实际中得到了广泛应用。脑白质纤维跟踪是利用扩散张量数据追踪脑白质纤维路径的有效手段，自从利用DTI脑部数据估计每个体素局部纤维方向的建模方法提出以来，旨在重建连接大脑不同功能区中轴突纤维束的跟踪算法开始出现。实际上，每个体素中纤维方向模型是将原始连续纤维束截断后形成的离散纤维矢量元素，纤维跟踪的基本原理是将多个相邻体素中纤维矢量元素的方向信息进行整合，从而得到纤维路径。通过重建出大脑的白质纤维束，可以有效显示人脑的神经位置、走向及其与周边组织的位置关系，对于临床研究、医生手术等具有重大意义。
目前，对于重建得到的纤维束，依旧没有一个较好的评价方法，传统评价纤维束的重建结果好坏只能寻求经验丰富的神经外科医生依据实际解剖结构进行对照，而这对于缺乏解剖结构知识的科研人员及缺乏经验的医生而言难度较大。同时，由经验丰富的神经外科医生或研究人员只能粗略给出纤维束评价的好或不好，无法给出量化指标，在实际的纤维束重建效果评价中缺乏一个有效的评估结果。
发明内容
为了克服现有技术的不足，针对目前评价纤维束的重建结果好坏只能寻求经验丰富的神经外科医生依据实际解剖结构进行对照，而对缺乏解剖结构知识的科研人员及缺乏经验的医生而言难度较大等问题，本发明提出一种基于图谱的纤维束成像评价方法，对纤维束重建效果进行了量化并给出了评价指标，对于缺乏解剖结构知识的科研人员及缺乏经验的医生而言具有参考价值。
本发明解决其技术问题所采用的技术方案是：
一种基于图谱的纤维束成像评价方法，所述方法包括以下步骤：
步骤一：纤维束空间位置分布信息评价，过程如下：
引入大脑白质图谱，将待评价纤维束A与该图谱进行配准，与图谱模板纤维束B进行空间位置分布计算，得到纤维束在空间位置分布上的评价值；
步骤二：纤维束区域概率分布信息评价，过程如下：
引入纤维概率图谱，将待评价纤维束A与该图谱进行配准，利用概率图谱计算当前纤维束概率值；
步骤三：二元信息融合评价，过程如下：
将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到纤维束最终评价值。
进一步，所述的步骤一中，引入大脑白质图谱，得到纤维束在空间位置分布上的评价值；纤维束在三维空间下以线的形式存在，一束纤维束表现为多根流线的聚合形式，通过计算待评价纤维束A中每一根纤维与图谱模板纤维束B的空间平均距离，得到待评价纤维束在空间位置分布上的评价值。纤维束的在每一根流线上取点P，P的三维坐标为(x，y，z)，由三维空间点线间距离公式：
Figure BDA0003111467870000021
其中M为直线上一点，支线方向向量为n，dist为三维空间中两点间距离，在纤维束上均匀选取m个点P1、P2…Pm，计算得到A中某一根纤维上面的每一点P与模板纤维束B中任一纤维Bs的距离，对其求均值：
Figure BDA0003111467870000022
其中dist1、dist2、distm为A中某一根纤维上面的每一点P与B中Bs上每一点的距离，d为A与Bs的平均距离；
同理，计算得到纤维束A中任意纤维束与B中任意纤维束的平均距离d1、d2…dm，对其求均值：
Figure BDA0003111467870000023
D即为待评价纤维束A与图谱模板纤维束B在空间位置分布上的评价值。
再进一步，所述的步骤二中，引入纤维概率图谱，利用概率图谱计算当前纤维束概率值；概率图谱由相关科研人员提出，对设定数量受试者在标准坐标系下的相关大脑纤维束位置的二值化掩膜进行了平均，从而生成概率图，其中每个体素均包含概率信息；将待评价纤维束A配准至纤维概率图谱中，由于其纤维束中的每一根纤维上任意一个点k所在的体素均存在一个对应纤维束的概率值VPk，因此对于每一根纤维f，令纤维概率值为FPf，得
Figure BDA0003111467870000031
得到每根纤维的概率值，对其计算得到整个纤维束的概率值。
所述的步骤三中，进行纤维信息的二元融合，将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到待评价纤维束A的评价值。
本发明的有益效果为：对纤维束重建效果进行了量化并给出了评价指标，对于缺乏解剖结构知识的科研人员及缺乏经验的医生而言具有参考价值。
具体实施方式
下面对本发明作进一步说明。
一种基于图谱的纤维束成像评价方法，包括以下步骤：
步骤一：引入大脑白质图谱，得到纤维束在空间位置分布上的评价值，过程如下：
纤维束在三维空间下以线的形式存在，一束纤维束表现为多根流线的聚合形式，通过计算待评价纤维束A中每一根纤维与图谱模板纤维束B的空间平均距离，得到待评价纤维束在空间位置分布上的评价值，纤维束的在每一根流线上取点P，P的三维坐标为(x，y，z)，由三维空间点线间距离公式：
Figure BDA0003111467870000032
其中M为直线上一点，支线方向向量为n，dist为三维空间中两点间距离，在纤维束上均匀选取m个点P1、P2…Pm，计算得到A中某一根纤维上面的每一点P与模板纤维束B中任一纤维Bs的距离，对其求均值：
Figure BDA0003111467870000041
其中dist1、dist2、distm为A中某一根纤维上面的每一点P与B中Bs上每一点的距离，d为A与Bs的平均距离；
同理，计算得到纤维束A中任意纤维束与B中任意纤维束的平均距离d1、d2…dm，对其求均值：
Figure BDA0003111467870000042
D即为待评价纤维束A与图谱模板纤维束B在空间位置分布上的评价值；
步骤二：引入纤维概率图谱，利用概率图谱计算当前纤维束概率值，过程如下：
概率图谱由相关科研人员提出，对28名受试者在标准坐标系下的相关大脑纤维束位置的二值化掩膜进行了平均，从而生成概率图，其中每个体素均包含概率信息。将待评价纤维束A配准至纤维概率图谱中，由于其纤维束中的每一根纤维上任意一个点k所在的体素均存在一个对应纤维束的概率值VPk，因此对于每一根纤维f，令纤维概率值为FPf，得
Figure BDA0003111467870000043
得到每根纤维的概率值，对其计算可得到整个纤维束的概率值。
步骤三：进行纤维信息的二元融合，过程如下。
将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到待评价纤维束A的评价值。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (2)

1.一种基于图谱的纤维束成像评价方法，其特征在于，所述方法包括以下步骤：
步骤一：纤维束空间位置分布信息评价，过程如下：
引入大脑白质图谱，将待评价纤维束A与该图谱进行配准，与图谱模板纤维束B进行空间位置分布计算，得到纤维束在空间位置分布上的评价值；
步骤二：纤维束区域概率分布信息评价，过程如下：
引入纤维概率图谱，将待评价纤维束A与该图谱进行配准，利用概率图谱计算当前纤维束概率值；
步骤三：二元信息融合评价，过程如下：
将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到纤维束最终评价值；
所述的步骤一中，引入大脑白质图谱，得到纤维束在空间位置分布上的评价值；纤维束在三维空间下以线的形式存在，一束纤维束表现为多根流线的聚合形式，通过计算待评价纤维束A中每一根纤维与图谱模板纤维束B的空间平均距离，得到待评价纤维束在空间位置分布上的评价值，纤维束的在每一根流线上取点P，P的三维坐标为(x，y，z)，由三维空间点线间距离公式：
Figure FDA0003741935700000011
其中M为支线上一点，支线方向向量为n，dist为三维空间中两点间距离，在纤维束上均匀选取m个点P1、P2…Pm，计算得到A中某一根纤维上面的每一点P与模板纤维束B中任一纤维Bs的距离，对其求均值：
Figure FDA0003741935700000012
其中dist1、dist2、distm为A中某一根纤维上面的每一点P与B中Bs上每一点的距离，d为A与Bs的平均距离；
同理，计算得到纤维束A中任意纤维束与B中任意纤维束的平均距离d1、d2…dm，对其求均值：
Figure FDA0003741935700000021
D即为待评价纤维束A与图谱模板纤维束B在空间位置分布上的评价值；
所述的步骤二中，引入纤维概率图谱，利用概率图谱计算当前纤维束概率值；概率图谱由相关科研人员提出，对设定数量受试者在标准坐标系下的相关大脑纤维束位置的二值化掩膜进行了平均，从而生成概率图，其中每个体素均包含概率信息；将待评价纤维束A配准至纤维概率图谱中，由于其纤维束中的每一根纤维上任意一个点k所在的体素均存在一个对应纤维束的概率值VPk，因此对于每一根纤维f，令纤维概率值为FPf，可得
Figure FDA0003741935700000022
得到每根纤维的概率值，对其计算得到整个纤维束的概率值。
2.如权利要求1所述的一种基于图谱的纤维束成像评价方法，其特征在于，所述的步骤三中，进行纤维信息的二元融合，将引入大脑白质图谱得到的空间位置分布评价值与引入纤维概率图谱得到的纤维束概率值加权融合，得到待评价纤维束A的评价值。
CN202110652294.6A 2021-06-11 2021-06-11 一种基于图谱的纤维束成像评价方法 Active CN113379249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110652294.6A CN113379249B (zh) 2021-06-11 2021-06-11 一种基于图谱的纤维束成像评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110652294.6A CN113379249B (zh) 2021-06-11 2021-06-11 一种基于图谱的纤维束成像评价方法

Publications (2)

Publication Number Publication Date
CN113379249A CN113379249A (zh) 2021-09-10
CN113379249B true CN113379249B (zh) 2022-10-28

Family

ID=77573928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110652294.6A Active CN113379249B (zh) 2021-06-11 2021-06-11 一种基于图谱的纤维束成像评价方法

Country Status (1)

Country Link
CN (1) CN113379249B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088816A1 (zh) * 2015-11-27 2017-06-01 广州聚普科技有限公司 一种基于dti的颅内神经纤维束的三维重建方法
CN111369637A (zh) * 2019-08-08 2020-07-03 成都信息工程大学 一种融合白质功能信号的dwi纤维优化重建方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2141506B1 (en) * 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088816A1 (zh) * 2015-11-27 2017-06-01 广州聚普科技有限公司 一种基于dti的颅内神经纤维束的三维重建方法
CN111369637A (zh) * 2019-08-08 2020-07-03 成都信息工程大学 一种融合白质功能信号的dwi纤维优化重建方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Design and modeling of three-dimensional tip-clearance optical probe based on two-circle reflective coaxial fiber bundle》;Siying Xie;《IEEE》;20170109;全文 *
《Evaluation of fiber clustering methods for diffusion tensor imaging》;Bart Moberts;《IEEE》;20051121;全文 *
《神经纤维跟踪算法研究进展》;李茂等;《中国图象图形学报》;20200115;全文 *
《脑纤维可视化综述》;刘义鹏等;《计算机辅助设计与图形学学报》;20180131;全文 *

Also Published As

Publication number Publication date
CN113379249A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Ren et al. Interleaved 3D‐CNN s for joint segmentation of small‐volume structures in head and neck CT images
US11109773B2 (en) Treating patients with TTFields with the electrode positions optimized using deformable templates
Wassermann et al. Unsupervised white matter fiber clustering and tract probability map generation: Applications of a Gaussian process framework for white matter fibers
Toga et al. Maps of the brain
Zhang et al. Review of breast cancer pathologigcal image processing
Haak et al. Objective analysis of the topological organization of the human cortical visual connectome suggests three visual pathways
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN110993065A (zh) 一种基于图像引导的脑肿瘤锁孔手术路径规划方法
CN114065825B (zh) 一种基于结构相似性的脑磁meg源定位方法
Tan et al. An approach to extraction midsagittal plane of skull from brain CT images for oral and maxillofacial surgery
Li et al. BrainK for structural image processing: creating electrical models of the human head
CN115170540A (zh) 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法
CN113222979A (zh) 一种基于多图谱的颅底卵圆孔自动分割方法
Jin et al. Computational approaches for the reconstruction of optic nerve fibers along the visual pathway from medical images: a comprehensive review
CN115461790A (zh) 用于对图像中的结构进行分类的方法和装置
CN113379249B (zh) 一种基于图谱的纤维束成像评价方法
Sun et al. Shape-based normalization of the corpus callosum for DTI connectivity analysis
CN110136096A (zh) 一种基于断层扫描图数据集进行病变区域分割的方法
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
CN113610742A (zh) 一种基于深度学习的全脑结构体积测量方法及系统
Ghadimi et al. Segmentation of scalp and skull in neonatal MR images using probabilistic atlas and level set method
Lin et al. A robust automated pipeline for localizing SEEG electrode contacts
Patel THE MOUSE BRAIN: A 3D ATLAS REGISTERING MRI, CT, AND HISTOLOGICAL SECTIONS IN THE THREE CARDINAL PLANES
Li The construction of a normative human lung atlas by inter-subject registration and warping of CT images
CN117059234A (zh) 一种基于dti的大鼠脑部神经纤维束三维重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant