TWI474804B - 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 - Google Patents
針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 Download PDFInfo
- Publication number
- TWI474804B TWI474804B TW101111842A TW101111842A TWI474804B TW I474804 B TWI474804 B TW I474804B TW 101111842 A TW101111842 A TW 101111842A TW 101111842 A TW101111842 A TW 101111842A TW I474804 B TWI474804 B TW I474804B
- Authority
- TW
- Taiwan
- Prior art keywords
- template
- volume
- magnetic resonance
- data
- pixel
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
- G01R33/56341—Diffusion imaging
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Vascular Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
本發明是有關於一種以體積像素為基礎的轉換方法,特別是指一種針對擴散磁振造影資料以體積像素為基礎的轉換方法。
擴散磁振造影(diffusion MRI)是一種非侵入性的造影方法,可用來評估某位置神經纖維走向,進而呈現人類腦部的白質結構。藉由擴散張量模型(diffusion tensor model),得以依據擴散磁振造影重建出擴散張量造影(diffusion tensor imaging,以下稱DTI)。擴散張量造影(DTI)已經被用於研究神經纖維走向與各種擴散特性的量化測量,軸突的連接狀態也能以追蹤擴散張量造影(DTI)資料中纖維的流線的方式獲得。
然而擴散張量造影(DTI)是假設每一個體積像素(voxel)只有一個神經纖維,因此實際上產生如下限制:解析交叉纖維時會產生困難,以及導致錯估交叉纖維區域的異向性指標(anisotropy index)的部分體積效應(partial volume effect)。
交叉纖維的限制可藉著使用方向分佈函數(orientation distribution function,ODF)描述擴散分佈來解決。擴散影像能夠用高角解析度擴散造影(high angular resolution diffusion imaging,HARDI)擷取;或使用擴散頻譜造影(diffusion spectrum imaging,DSI)擷取。重建方法包括q球造影(q-ball imaging,QBI)與擴散頻譜造影(DSI),兩者皆是使用以機率為基礎的方法來建構擴散分佈並計算擴散方向分佈函數,進而可以反推神經纖維結構。
雖然交叉纖維能用高角解析度擴散造影擷取予以解析,但有關部分體積效應的部分,最近有研究顯示,q球造影所計算得到的一般化異向性比例(generalized fractional anisotropy,GFA)易受交叉纖維的部分體積效應所影響,這也代表使用方向分佈函數來描述擴散分佈的研究都可能會遭受部分體積效應的不良影響。此結果可以如下理解:擴散分佈的方向分佈函數(例:擴散方向分佈函數(diffusion ODF))或纖維體積比例(例:纖維走向分佈)都是分數值,而非擴散自旋的真正數量。交叉纖維的不可避免會改變上述之分數值,導致所謂的部分體積效應。
前述各種重建神經纖維走向的方法,已有一定程度的發展,然而重建個體的神經纖維結構還不夠。有關腦部的研究或分析,往往需要將受測個體的資料,根據一選定的對位模板(coregistration template),以線性或非線性形變(diffeomorphic)對位(coregistration)到一標準空間,也就是模板空間(template space),進而比較差異性;或者將兩個群體根據相同的對位模板各自對應到模板空間,進而進行統計分析。除了比較差異外,將模板空間中受測個體的資料作平均後即可建立起一個關聯於該等多個個體的生成模板(generated template),也就是整合了前述的多個個體的資料的形變後擴散磁振造影資料且包含纖維走向資料的新的模板。這種方式能提供人類腦部的整體資訊,在腦部聯結體(brain connectome)的研究中或可扮演一重要的角色。
要提供多個個體的可靠的整體資訊,關聯於該等多個個體的生成模板需要解析出正確的纖維走向,並需要提供彼此相容的量化分析結果。
目前已發展的建立關聯於多個個體的生成模板的方法均是在擴散張量造影的基礎上執行。為能進一步地在空間形變技術中運用以方向分佈函數為基礎的方法,一研究是由高角解析度擴散造影獲得形變後的纖維走向分佈。然而,該方法受限於線性形變,而形變後的纖維走向分佈尚無法提供一異向性指標以進行定量分析。
在非線性形變套用到方向分佈函數(ODF)時問題會更具挑戰性,因形變可能會有造成擴散自旋的比例量測改變的倍率變化(scaling)與切變(shearing),並導致將方向分佈函數(ODF)形變至模板空間的困難。
為了使生成模板能提供正確的纖維走向及精確的可量化分析的結果,較佳的轉換、對位的技術有待進一步發展。
因此,本發明之目的,即在提供一能提供正確的纖維走向及可量化分析的針對擴散磁振造影資料以體積像素為基礎的轉換方法。
於是,本發明針對擴散磁振造影資料以體積像素為基礎的轉換方法,包含:
(A)讀取一位於形變前空間的原始擴散磁振造影的資料及一位於模板空間的對位模板的資料,該原始擴散磁振造影的資料包括多個體積像素的位置、取樣方向,與位於該位置、該取樣方向上的自旋數量,該對位模板的資料包括多個體積像素的位置及取樣方向;接下來根據一反映射的計算式,針對該等體積像素逐一進行以下演算,最終獲得整體計算結果,也就是形變後的擴散磁振造影的資料,其中,該反映射的計算式是由該形變前空間的原始擴散磁振造影的位置至模板空間的對位模板的位置的映射的反函數;(B)以一對位方法取得對位模板的位置所反映射到的原始擴散磁振造影的位置,及該二位置的反映射的雅可比(Jacobian)矩陣;及(C)利用該雅可比(Jacobian)矩陣調整對位模板的資料的取樣方向,並由該調整後的取樣方向與該反映射到的原始擴散磁振造影的位置,利用一q-空間形變重建方程式,得出一位於該對位模板的位置及取樣方向上的自旋數量。
較佳地,所述以體積像素為基礎的轉換方法,還包含:(D)對多個對象進行步驟(A)至(C),再藉著平均該等多個對象的位於該對位模板的資料的體積像素的位置及取樣方向上的自旋數量,得到一關聯於該等多個對象的生成模板的資料,此即建立起一包含該生成模板的資料的生成模板。
較佳地,所述以體積像素為基礎的轉換方法,還包含步驟(C)之後的以下步驟:
(E)根據該步驟(C)得到的結果計算各位置的纖維走向;及(F)計算沿著該纖維走向進行擴散的自旋數量,即量化異向性。
較佳地,所述以體積像素為基礎的轉換方法,還包含步驟(F)之後的以下步驟:(G)計算各纖維的累積的量化異向性。
較佳的,所述以體積像素為基礎的轉換方法,其中,該映射可由任一線性或非線性對位方法取得。
本發明另一目的,在於提供一利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,該方法包含:(H)對二群體分別進行轉換,各該群體包括有多個對象,本步驟之轉換是使各該對象分別執行如該以體積像素為基礎的轉換方法所述的步驟(A)至(C)及下述之步驟(I)及(J);(I)取得纖維走向;(J)計算沿著該纖維走向進行擴散的自旋數量,即量化異向性;及(K)對該二群體的量化異向性進行檢定,得到各位置檢定的p-值,代表該二群體間量化異向性的差異的顯著性。
其中步驟(A)所使用的對位模板可以是預先對一包含多數對象之母體根據如以體積像素為基礎的轉換方法所述的步驟(A)至(D)所計算得出的生成模板,也可以是公眾可取得的模板。
其中步驟(I)是根據預先對一包含多數對象之母體根據如以體積像素為基礎的轉換方法所述的步驟(A)至(D)所計算得出的生成、公眾可取得的模板,或是藉由平均該二群體中所有對象的自旋分佈函數所計算出的生成模板而取得纖維走向。
較佳地,所述群體檢定方法還包含:
(L)對步驟(I)的結果計算p-值低於一p-值閾的差異區段;
(M)使用纖維追蹤演算法計算連續的差異區段所形成的超閾叢集(suprathreshold cluster);及
(N)使用偽發現率控制定出顯著差異的叢集。
較佳的,所述群體檢定方法,其中,該映射可由任一線性或非線性對位方法取得。
本發明之功效在於:利用了q-空間形變重建的技術,得到自旋分佈函數(SDF),並據此進行量化異向性(QA)分析而得知纖維特性,提供了較正確的纖維走向及精確的可量化分析的結果。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之較佳實施例的詳細說明中,將可清楚地呈現。
在本發明中,我們建立一個在ICBM-152模板空間(ICBM全名為International Consortium for Brain Mapping,國際人腦輿圖聯盟)的高角解析度腦部模板,呈現在不同方向進行擴散的自旋數量,以下稱建立的模板為生成模板(generated template)。此生成模板用一般化q-取樣造影(generalized q-sampling imaging,GQI)來計算自旋分佈函數(SDF)。為了進一步得到在ICBM-152空間的自旋分佈函數(SDF),我們提出一個新方法,稱為q-空間形變重建(q-space diffeomorphic reconstruction,QSDR),能夠計算出在任何給定的滿足形變場的自旋分佈函數,且能保存纖維走向以使這些走向能被用於執行纖維追蹤。此外,該方法的另一目的是滿足擴散自旋數量在形變前後的守恆,如此,形變後的自旋分佈函數可被用來執行量化分析。以下參閱圖1說明本實施例建立q-空間形變重建的方法。
步驟S11
-<形變映射(Diffeomorphic mapping)>
形變映射能夠以下列公式表示:φ(r s
)=r t
,其中φ是映射函數(φ:R 3
→R 3
),r s
是影像形變前所在的形變前空間的座標,r t
是影像形變後所在的模板空間的座標(如ICBM-152空間)。形變映射可由任一線性或非線性對位(coregisteration)方法取得。此形變映射滿足兩個條件:φ具有反函數,且φ與φ-1
兩者均為可微。換句話說,對於任何一點r s
,存在有一位於模板空間中相對應的點φ(r s
),且雅可比(Jacobian)矩陣J φ
(r s
)能於r s
處求值。該映射表示法為空間映射提供一種更一般的模型。舉例來說,該表示法可以用來建構線性映射:φ(r s
)=Ar s
+t
,其中A
是一3x3矩陣,而t
是易位向量(translocation vector);或是建構非線性映射:φ(r s
)=r s
+cos(2πr s
/R
),其中R
是長度常數。
步驟S12
-<自旋守恆(Spin conservation)模型>
為得到形變後的自旋分佈函數,本實施例引用一種擴散自旋守恆的概念,確保在形變映射中擴散自旋的數量是守恆的。為了公式化這個觀念,我們在形變前空間建立一個自旋密度函數Q s
(r s
,r s
')以代表在一特定擴散時間內由座標r s
移動到座標r s
'的自旋的數量,類似的,我們在影像形變後所在的模板空間中也建立相應的密度函數Q t
(r t
,r t
'),其中φ(r s
)=r t
而φ(r s
')=r t
'。由此,擴散自旋守恆的模型如下:
Q s
(r s
,r s
')d r s
=Q t
(r t
,r t
')d r t
(1)
在這個模型中,雅可比(Jacobian)矩陣(r t
)在自旋由r t
移動到r t
'的過程中可被視為常數(也就是(r t
)(r t
'))。這允許我們將d r s
/d r t
替代為雅可比行列式|(r t
)|,並得出以下方程:
步驟S13
-Q s
(r s
,r s
')=Q t
(r t
,r t
')|(r t
)|-1
(2)
其中φ-1
表示形變映射φ的反函數。該自旋守恆模型能進一步如下所述與自旋分佈函數(SDF)結合。
步驟S14
-<自旋分佈函數>
自旋分佈函數(SDF)是定義為在不同方向進行擴散的自旋數量。藉由對前述密度函數Q s
(r s
,r s
')徑向積分,可計算原始自旋分佈函數(original SDF):
其中r是位移量,由0到擴散取樣長度L
,而u
是自旋分佈函數的取樣方向。然而,在模板空間的形變後的自旋分佈函數必須考慮因為形變映射中造成的位移量r的倍率變化效應(scaling effect)。因為在模板空間的單元長度可能不會與形變前空間的該長度相同,我們計算模板空間的自旋分佈函數(SDF)的式子如下:
其中v
是在模板空間的自旋分佈函數的取樣方向,∥(r t
)v
∥是形變向量(r t
)v
的向量範數(vector norm),用來消除形變映射後長度的變化(因為在r t
+r v
處的單位長度縮放的倍率為∥(r t
+r v
)v
∥,可近似為∥(r t
)v
∥)。將(2)式所描述的自旋守恆模型代入(4)式,得到
有了這個近似,可得出以下Ψt
與Ψs
的關係:
為了進一步整合式(6)至q-空間的重建,我們利用了一般化q-取樣重建法(q-sampling reconstruction method)所給出的形變前的原始自旋分佈函數與擴散磁振訊號的關係方程式(美國專利申請號12694429),:
其中A是用於求自旋分佈函數的積分常數,W i
(r s
)是在r s
得到的擴散磁振訊號,b i
為取像時的擴散加權量值,擴散梯度方向為g i
,σ為一常數,控制自旋分佈函數對訊號的感應度,D
是水分子的擴散常數,而<g i
,u
>是擴散梯度方向與方向分佈函數取樣方向的內積。
步驟S15
-結合式(6)與式(7),我們的q-空間形變重建(QSDR)可導出如下:
式(8)即是我們的q-空間形變重建(QSDR)法的重建方程式,其直接由擴散磁振訊號W i
計算出模板空間的形變後的自旋分佈函數。
建立了式(8)之後,即可針對任一欲映射的原始擴散磁振造影資料進行演算處理而得到計算結果。
參閱圖2,演算處理步驟如下:
步驟S16
-讀取一位於形變前空間的原始擴散磁振造影的資料及一位於模板空間(如ICBM-152空間)的對位模板的資料,該原始擴散磁振造影的資料包括多個體積像素的位置r s
、取樣方向u
,與位於該位置、該取樣方向上的自旋數量Ψ s
(r s
,u
),即式(7),該對位模板的資料包括多個體積像素的位置r t
及取樣方向v
。接下來根據一反映射的計算式φ-1
,針對該等體積像素逐一進行以下步驟S17~S18的演算,最終獲得整體計算結果,也就是形變後的擴散磁振造影的資料。其中,該反映射的計算式φ-1
是由該形變前空間的原始擴散磁振造影的位置r s
至模板空間的對位模板的位置r t
的映射φ的反函數;該映射φ可由任一線性或非線性對位(coregisteration)方法取得。
步驟S17
-以一對位方法取得對位模板的位置r t
所反映射到的原始擴散磁振造影的位置φ-1
(r t
)(即其中一r s
),及該二位置r t
及φ-1
(r t
)的反映射φ-1
的雅可比(Jacobian)矩陣(r t
)。
步驟S18
-利用該雅可比(Jacobian)矩陣(r t
)調整對位模板的資料的取樣方向v
為,並由該調整後的取樣方向與該反映射到的原始擴散磁振造影的位置φ-1
(r t
),利用q-空間形變重建(QSDR)方程式,即式(8),得出一位於該對位模板的位置r t
及取樣方向v
上的自旋數量Ψt
(r t
,v
)。
步驟S19
-<建立生成模板>
藉著平均前述多個對象的位於前述對位模板的資料的體積像素的位置r t
及取樣方向v
上的自旋數量Ψt
(r t
,v
),得到一關聯於該等多個對象的生成模板的資料,此即建立起一包含該生成模板的資料的生成模板:
其中Ψt,i
是第i
個對象的位於前述對位模板的資料的體積像素的位置r t
及取樣方向v
上的自旋數量。因為生成模板的資料是由該等多個對象位於該對位模板的資料的體積像素的位置r t
的自旋數量Ψt,i
直接平均而得,所以生成模板的資料的體積像素的位置即是對位模板的資料的體積像素的位置r t
,生成模板的資料的取樣方向即是對位模板的資料的取樣方向v
,分別均是在模板空間中的位置與取樣方向。值得注意的是,這種直接平均的手段是能成立的,因為自旋數量Ψt,i
是使用基於數量的(quantity-based)量測,有別於先前技術那些基於像是機率或體積比例(volume fraction)等分數值的量測,對於基於分數值的量測,應該要使用加權平均,以考慮到各對象間自旋量的不同。有了該生成模板之後,相當於獲得資訊更完整、能得知纖維走向的標準腦,可做進一步創新的應用。以下參閱圖3進一步說明。
步驟S21
-讀取位於模板空間的各個自旋數量Ψt
(r t
,v
),即自旋分佈函數在每一r t
的每一取樣方向v
上的值。某一r t
在不同取樣方向v
所得到的不同的函數值中,最大的值即是在r t
處的自旋分佈函數局部最大值,得到該值的方向為該處的纖維走向。
步驟S22
-計算量化異向性(quantitative anisotropy,QA)。
一個纖維母體(fiber population)的特性可以用量化異向性(QA)分析,其定義為沿著纖維走向進行擴散的自旋數量:
其中是纖維走向;I
(Ψ(r
))是自旋分佈函數的等向性量值,可用最小自旋分佈函數(SDF)值估計。Z 0
是一校準常數,滿足Z 0 I
(Ψ0
)=1;Ψ0
是由1 mm3
水所估計的自旋分佈函數。值得注意的是,校準需要在形變前空間中執行,因為自由流動的水的擴散的體積是指在形變前空間中。
步驟S23
-計算累積的量化異向性(QA)。
纖維大多會展開至多個體積像素,以下式計算累積的量化異向性(QA):
其中R
是纖維佔據的體積,而(r
)是在座標r
處的纖維走向。
參閱圖4及圖5,接下來,我們利用上述技術針對以往無法分析的纖維連接程度進行分析,並應用於群體檢定。定義「結構連接度」為軸突纖維在兩個不同區域間的數目,這是一個將任意兩個皮質區域的軸突連接視為基本數量單位的定義。由此定義加以延伸,我們引入一種以體積像素為基礎的結構連接度(voxel-based structural connectivity),將結構連接度拆解至體積像素的尺度,並定義為一個體積像素內的軸突纖維數目。因為一個體積像素可能包含多個不同走向的纖維母體(fiber population),每一個纖維母體都會帶有一個連接度值。以體積像素為基礎的結構連接度能用前述的量化異向性(QA)加以量化(參見式(10)),代表沿著纖維走向擴散的自旋數量的異向性部分。藉著量化異向性(QA)就能夠在體積像素的尺度下測量結構連接度並對量化異向性(QA)的不同進行統計。因此,利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,以針對群體1及群體2進行檢定舉例說明,步驟如下:
步驟S31
-針對群體1中的每一對象利用前述步驟S16~S18重建自旋分佈函數,且針對群體2中的每一對象利用前述步驟S16~S18重建自旋分佈函數,其中步驟S16所使用的對位模板可以是公眾可取得的模板,也可以是以預先對一包含多數對象之母體根據步驟S16至S19所計算得出的生成模板做為對位模板。
步驟S32
-量化異向性(QA)估計。重建每一對象在一共同的模板空間中的自旋分佈函數(SDF)後,就可以用重建的自旋分佈函數(SDF)估計量化異向性(QA)。估計量化異向性(QA)所需的纖維走向,可由公眾可取得的模板、如步驟S31所述的預先計算得出的生成模板或是藉由平均群體1及群體2的所有對象的自旋分佈函數(SDF)所計算出的生成模板來得到。使用式(10),每一個纖維走向可為每一對象定義一個量化異向性(QA),而與纖維走向相關的連接度的不同可以由兩個比較群體的量化異向性(QA)分佈顯現。以下步驟稱兩個要比較的群體為群體1與2。
步驟S33
-量化異向性(QA)的值的排列檢定(permutation test)。我們定義二虛無假設以測試量化異向性(QA)的差異的顯著性。一虛無假設是群體1平均的量化異向性(QA)的值不大於群體2的該值,而其得出的p-值映射稱較大映射(greater mapping)。另一虛無假設是群體2平均的量化異向性(QA)的值不大於群體1的該值,而其得出的p-值映射稱較小映射(lesser mapping)。不論參數型(如t檢定)與非參數型(如排列檢定)檢定都能用來檢查前述假設,而我們選擇單邊排列檢定,因其可應用至小樣本。
步驟S34
-超閾叢集(supra-threshold cluster)與偽發現率控制(false discovery rate control,FDR control)。將一p-值閾(threshold)應用至較大與較小映射上,而呈現出p-值低於該閾(以下稱差異區段(positive segment))的纖維走向。因軸突連接中的差異在纖維任一處都可以觀察到,所以我們可預期在纖維走向可以看到連續的差異區段,此連續的差異區段可形成一叢集。相反的,偽差異區段可能會隨機地出現在空間中,與纖維走向無關,因此常形成稀疏的碎片,無法形成叢集。真、偽差異區段可依叢集的大小來分別。以下說明執行叢集形成程序所使用的纖維追蹤演算法(deterministic fiber tracking algorithm)。
將一追蹤起始點(seeding point)隨機置入於一具有差異區段的體積像素中,該點沿著差異區段的走向傳播至鄰近體積像素中,傳播的條件是鄰近的體積像素同樣具有差異區段,且兩相鄰差異區段的交角小於60度。傳播後,相鄰體積像素中連接在一起的差異區段組成一個叢集。傳播終止的條件是找不到差異區段,或是交角大於60度。上述組成程序重複進行10,000次以確保每個差異區段都被考量進去。然後計算叢集的p-值,使用偽發現率控制(FDR control)並使用預先定義的閾值(如FDR<0.05)以定出顯著差異的叢集,接下來就可利用佔有區域的量化異向性(QA)的值估計連接度增加或減少的百分比。
由圖5可看出,利用本發明演算最終得到的結果,會是群體1腦纖維連接度顯著大於群體2的部分(較大映射),及群體1腦纖維連接度顯著小於群體2的部分(較小映射)。
針對擴散磁振造影資料以體素為基礎的轉換方法(voxel-based connectometry)也能在不需要修改處理步驟的情況下應用到個體研究。將研究對象指定為一群體,並將其連接度與一由多個正常對象組成的群體加以比較。由排列檢定得出的p-值也可用來執行超閾叢集計算(supra-threshold clustering),而該最終結果是研究對象與正常母體比較下的連接度增加及減少。
歸納上述,本發明針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法利用了q-空間形變重建的技術,得到自旋分佈函數(SDF),並據此進行量化異向性(QA)分析而得知纖維特性。應用於群體比較或個體分析都有極佳效果,確實可達到本發明之目的。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
S11~S19‧‧‧步驟
S21~S23‧‧‧步驟
S31~S34‧‧‧步驟
圖1是一流程圖,說明本發明針對擴散磁振造影資料以體積像素為基礎的轉換方法的較佳實施例建立q-空間形變重建的方法;
圖2是一流程圖,說明該較佳實施例計算生成模板的方法;
圖3是一流程圖,說明該較佳實施例計算累積量化異向性的方法;
圖4是一流程圖,說明本發明利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法的較佳實施例計算二群體間差異的方法;及
圖5是一流程示意圖,說明該較佳實施例得出的結果。
S31~S34...步驟
Claims (7)
- 一種利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,該方法包含:(H)對二群體分別進行轉換,各該群體包括有多個對象,本步驟之轉換是使各該對象分別執行針對擴散磁振造影資料以體積像素為基礎的轉換方法的步驟(A)至(C)及下述之步驟(I)及(J);(A)讀取一位於形變前空間的原始擴散磁振造影的資料及一位於模板空間的對位模板的資料,該原始擴散磁振造影的資料包括多個體積像素的位置、取樣方向,與位於該位置、該取樣方向上的自旋數量,該對位模板的資料包括多個體積像素的位置及取樣方向;接下來根據一反映射的計算式,針對該等體積像素逐一進行以下演算,最終獲得整體計算結果,也就是形變後的擴散磁振造影的資料,其中,該反映射的計算式是由該形變前空間的原始擴散磁振造影的位置至模板空間的對位模板的位置的映射的反函數;(B)以一對位方法取得對位模板的位置所反映射到的原始擴散磁振造影的位置,及該二位置的反映射的雅可比(Jacobian)矩陣;(C)利用該雅可比(Jacobian)矩陣調整對位模板的資料的取樣方向,並由該調整後的取樣方向與該反映射到的原始擴散磁振造影的位置,利用一q-空間形變重建方程式,得出一位於該對位模板的位置及取樣方向上的自旋數量; (I)取得纖維走向;(J)計算沿著該纖維走向進行擴散的自旋數量,即量化異向性;及(K)對該二群體的量化異向性進行檢定,得到各位置檢定的p-值,代表該二群體間量化異向性的差異的顯著性。
- 根據申請專利範圍第1項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,其中步驟(A)所使用的對位模板可以是預先對一包含多數對象之母體根據針對擴散磁振造影資料以體積像素為基礎的轉換方法的步驟(A)至(D)所計算得出的生成模板,也可以是公眾可取得的模板;其中步驟(D)為:(D)對多個對象進行步驟(A)至(C),再藉著平均該等多個對象的位於該對位模板的資料的體積像素的位置及取樣方向上的自旋數量,得到一關聯於該等多個對象的生成模板的資料,此即建立起一包含該生成模板的資料的生成模板。
- 根據申請專利範圍第1項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,其中步驟(I)是根據預先對一包含多數對象之母體根據針對擴散磁振造影資料以體積像素為基礎的轉換方法的步驟(A)至(D)所計算得出的生成模板、公眾可取得的模板,或是藉由平均該二群體中所有對象的自旋分佈函數所計算出的生成模板而取得纖維走向;其中步驟(D)為: (D)對多個對象進行步驟(A)至(C),再藉著平均該等多個對象的位於該對位模板的資料的體積像素的位置及取樣方向上的自旋數量,得到一關聯於該等多個對象的生成模板的資料,此即建立起一包含該生成模板的資料的生成模板。
- 根據申請專利範圍第1至3項中任一項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,還包含步驟(K)之後的以下步驟:(L)對步驟(K)的結果計算p-值低於一p-值閾的差異區段;(M)使用纖維追蹤演算法計算連續的差異區段所形成的超閾叢集;及(N)使用偽發現率控制定出顯著差異的叢集。
- 根據申請專利範圍第4項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,其中,該映射可由任一線性或非線性對位方法取得。
- 根據申請專利範圍第4項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,其中,該二群體包括群體1及群體2,定義二虛無假設以執行步驟(K),其一虛無假設是該群體1平均的量化異向性的值不大於該群體2的該值,且於步驟(K)中得出的p-值映射為較大映射;另一虛無假設是群體2平均的量化異向性的值不大於群體1的該值,且於步驟(K)中得出的p-值映射為較小映射;步驟(L)是對步驟(K)得到的該較 大映射及該較小映射計算p-值低於一p-值閾的差異區段。
- 根據申請專利範圍第4項所述利用針對擴散磁振造影資料以體積像素為基礎的轉換方法的群體檢定方法,其中,步驟(M)中該纖維追蹤演算法包括將一追蹤起始點隨機置入於其一具有差異區段的體積像素中,該點沿著差異區段的走向傳播至鄰近體積像素中,傳播的條件是鄰近的體積像素同樣具有差異區段,且兩相鄰差異區段的交角小於一預定角度;傳播後,相鄰體積像素中連接在一起的差異區段組成一個叢集。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101111842A TWI474804B (zh) | 2012-04-03 | 2012-04-03 | 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 |
US13/524,704 US8849001B2 (en) | 2012-04-03 | 2012-06-15 | Voxel-based transformation method for transforming diffusion MRI data and groups test method using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101111842A TWI474804B (zh) | 2012-04-03 | 2012-04-03 | 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201340935A TW201340935A (zh) | 2013-10-16 |
TWI474804B true TWI474804B (zh) | 2015-03-01 |
Family
ID=49235098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101111842A TWI474804B (zh) | 2012-04-03 | 2012-04-03 | 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8849001B2 (zh) |
TW (1) | TWI474804B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI478103B (zh) * | 2012-08-10 | 2015-03-21 | Univ Nat Taiwan | 使用高度形變微分同胚度量映射法的擴散頻譜造影轉換方法 |
DE102013224264B4 (de) * | 2013-11-27 | 2018-12-27 | Siemens Healthcare Gmbh | Verfahren zur Verarbeitung von Magnetresonanz-Diffusionsbilddaten |
TWI509534B (zh) * | 2014-05-12 | 2015-11-21 | Univ Nat Taiwan | 自動化計算大腦纖維連結強度的方法 |
WO2017132403A1 (en) | 2016-01-26 | 2017-08-03 | The Regents Of The University Of California | Symplectomorphic image registration |
US10324155B2 (en) * | 2016-09-22 | 2019-06-18 | Siemens Healthcare Gmbh | Sparse recovery of fiber orientations using multidimensional Prony method |
US11270445B2 (en) | 2017-03-06 | 2022-03-08 | The Regents Of The University Of California | Joint estimation with space-time entropy regularization |
US11557070B2 (en) | 2019-06-03 | 2023-01-17 | University of Pittsburgh—of the Commonwealth System of Higher Education | System, method, and computer program product for generating pruned tractograms of neural fiber bundles |
US11131737B2 (en) | 2019-06-04 | 2021-09-28 | The Regents Of The University Of California | Joint estimation diffusion imaging (JEDI) |
CN110647911A (zh) * | 2019-08-13 | 2020-01-03 | 南京航空航天大学 | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 |
US11523767B2 (en) | 2020-01-28 | 2022-12-13 | University of Pittsburgh—of the Commonwealth System of Higher Education | System, method, and computer program product for detecting neurodegeneration using differential tractography |
-
2012
- 2012-04-03 TW TW101111842A patent/TWI474804B/zh not_active IP Right Cessation
- 2012-06-15 US US13/524,704 patent/US8849001B2/en active Active
Non-Patent Citations (1)
Title |
---|
Yeh, Fang-Cheng, and Wen-Yih Isaac Tseng. "NTU-90: a high angular resolution brain atlas constructed by q-space diffeomorphic reconstruction." NeuroImage 58.1 (2011): 91-99. * |
Also Published As
Publication number | Publication date |
---|---|
TW201340935A (zh) | 2013-10-16 |
US8849001B2 (en) | 2014-09-30 |
US20130259340A1 (en) | 2013-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI474804B (zh) | 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法 | |
Novikov et al. | Rotationally-invariant mapping of scalar and orientational metrics of neuronal microstructure with diffusion MRI | |
US9489731B2 (en) | Directional diffusion fiber tracking | |
Cammoun et al. | Mapping the human connectome at multiple scales with diffusion spectrum MRI | |
Eskildsen et al. | BEaST: brain extraction based on nonlocal segmentation technique | |
Attar et al. | Quantitative CMR population imaging on 20,000 subjects of the UK Biobank imaging study: LV/RV quantification pipeline and its evaluation | |
Campbell et al. | Potential and limitations of diffusion MRI tractography for the study of language | |
Van Hecke et al. | On the construction of an inter-subject diffusion tensor magnetic resonance atlas of the healthy human brain | |
US20190178968A1 (en) | Resolution enhancement of diffusion imaging biomarkers in magnetic resonance imaging | |
Suever et al. | Right ventricular strain, torsion, and dyssynchrony in healthy subjects using 3D spiral cine DENSE magnetic resonance imaging | |
WO2018098213A1 (en) | Medical image analysis using mechanical deformation information | |
Schubert et al. | 3D reconstructed cyto-, muscarinic M2 receptor, and fiber architecture of the rat brain registered to the Waxholm space atlas | |
Yuan et al. | Fmem: Functional mixed effects modeling for the analysis of longitudinal white matter tract data | |
Tench et al. | Improved white matter fiber tracking using stochastic labeling | |
Ehricke et al. | Visualizing MR diffusion tensor fields by dynamic fiber tracking and uncertainty mapping | |
Mårtensson et al. | Spatial analysis of diffusion tensor tractography statistics along the inferior fronto-occipital fasciculus with application in progressive supranuclear palsy | |
Ghosh et al. | A survey of current trends in diffusion MRI for structural brain connectivity | |
Zeng et al. | FOD-Net: A deep learning method for fiber orientation distribution angular super resolution | |
Cole et al. | Surface‐Based Connectivity Integration: An atlas‐free approach to jointly study functional and structural connectivity | |
Hameeteman et al. | Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
Cabeen et al. | Rapid and accurate NODDI parameter estimation with the spherical mean technique | |
Jensen et al. | Resolving power for the diffusion orientation distribution function | |
TWI478103B (zh) | 使用高度形變微分同胚度量映射法的擴散頻譜造影轉換方法 | |
TWI477798B (zh) | 自動化分析大腦纖維資訊的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |