【技术实现步骤摘要】
(一)
本专利技术涉及图像处理、医学成像、计算方法、数学、三维重建、神经解剖学等领域, 尤其是一种。 (二)
技术介绍
脑白质纤维跟踪是获得大脑白质区域纤维走向的一类信息医学技术,它通过追踪 局部张量走向来估计纤维的可能路径。就目前而言,脑白质纤维跟踪方法是唯一以种能在 活体中无创地获得脑白质纤维走向的方法。纤维跟踪技术首先对原始的DW-MRI数据进行 体素建模,获得每个体素内的纤维走向,形成具有解剖学意义的纤维空间微结构,然后再利 用纤维跟踪算法对指定区域的纤维方向进行连接。随着磁共振扩散信号的采样精度和对纤 维跟踪精度需求的提高,纤维方向估计问题的求解规模越来越大,使得稳定获得高分辨率 纤维识别比较困难,这极大地阻碍了该技术在临床医学中的应用。 (三)
技术实现思路
为了克服现有成像方法角度分辨率和计算效率低的缺点,本专利技术提出一种以高阶 张量为导向的高角度分辨率、高效率、低样本数的用于脑白质纤维跟踪的高阶扩散张量混 合稀疏成像方法。 本专利技术所采用的技术方案如下: ,所述的混合稀疏成像方 法包括以下步骤: (1)读取脑部磁共振数据,获取施加梯度方向g的磁共振信号S (g),未施加梯度方 向的磁共振信号Stl及梯度方向数据,选取所需的感兴趣区域,并计算该区域的扩散衰减信 号 S(g)/S0 ; (2)将感兴趣区域内的每个体素的扩散衰减信号SfeVStl逐个建模为具有扩散形 态的椭球分布模型,建模过程如下: 2. 1)体素微结构建模方案:将扩散衰减信号SfeVStl假设为沿重建向量V的单条 ...
【技术保护点】
用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法,其特征在于:所述的混合稀疏成像方法包括以下步骤:(1)读取脑部磁共振数据,获取施加梯度方向g的磁共振信号S(g),未施加梯度方向的磁共振信号S0及梯度方向数据,选取所需的感兴趣区域,并计算该区域的扩散衰减信号S(g)/S0;(2)将感兴趣区域内的每个体素的扩散衰减信号S(g)/S0逐个建模为具有扩散形态的椭球分布模型,建模过程如下:2.1)体素微结构建模方案:将扩散衰减信号S(g)/S0假设为沿重建向量v的单条纤维信号响应函数R(v,g)与扩散函数D(v)在球面S2上的卷积:S(g)/S0=R(v,g)⊗D(v)=∫S2R(v,g)D(v)dv]]>其中,μ表征的是受扩散效率与扩散敏感系数b共同影响的一个参数;表示扩散函数,drs表示单项式的系数,λj表示第j个张量的张量系数,j=1,...,m,m表示张量的个数,fj(v)表示第j个单项式,并满足其中r,s分别表示重建向量v的基方向v1,v2的指数;2.2)构建的数学模型如下:由于磁共振信号的数据采集并不理想,往往带有一定的噪声,为了尽可能地克 ...
【技术特征摘要】
2013.12.23 CN 20131071652271. 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法,其特征在于:所述的混合 稀疏成像方法包括以下步骤: (1) 读取脑部磁共振数据,获取施加梯度方向g的磁共振信号S(g),未施加梯度方向 的磁共振信号Stl及梯度方向数据,选取所需的感兴趣区域,并计算该区域的扩散衰减信号 S(g)/S〇 ; (2) 将感兴趣区域内的每个体素的扩散衰减信号SfeVStl逐个建模为具有扩散形态的 椭球分布模型,建模过程如下: 2. 1)体素微结构建模方案:将扩散衰减信号SfeVStl假设为沿重建向量V的单条纤维 信号响应函数R(v,g)与扩散函数D(V)在球面S 2上的卷积:其中μ表征的是受扩散效率与扩散敏感系数b共同影响的一个参 数;I表示扩散函数,cU表示单项式V?: 的系数,\表示第 j个张量的张量系数,j = 1,. . .,m,m表示张量的个数,fj (V)表示第j个单项式,并满足其中r,s分别表示重建向量V的基方向V1, V2的指数; 2. 2)构建的数学模型如下: 由于磁共振信号的数据采集并不理想,往往带有一定的噪声,为了尽可能地克服噪声 对方向重建的影响,通常利用能量函数的最小化来减小误差;如果扩散加权磁共振信号有 η个扩散梯度方向gi,i = l,...,n,并且沿重建向量V进行重建,那么入』可以通过最小化 下面的能量函数E求得为了求解能量函数E得到张量系数λ ^因此将能量函数方程转换为线性问题 y = Af A是nXm的矩阵,其中每个元素张量系数向量f = [ λ u λ 2,.. XJT,y是η维列向量,每个元素 Yi = S⑷/S0 ; (3) 通过计算张量系数λ ^得到扩散函数D(V),再计算每个采样点的扩散函数值,最后 将扩散函数值拟合成扩散模型;张量系数λ ^的计算方法包括以下步骤: 3. 1)在单位半球面上均匀采样321个离散的点,以球心为原点获取这321个重建向量 V,计算单条纤维响应函数R(V,g)的值,设定一个较低的阶数Iltw计算单项式矩阵f (V);计 算R与f(v)的卷积作为步骤2. 2)中的A ; 3. 2)通过稀疏变换过程可以将非稀疏的解映射到稀疏域中,使其稀疏表示,变换过程 表示为: f = Ψχ 其中Ψ为变换矩阵;令Φ = ΑΨ,Φ称为传感矩阵;因此我们将上述问题改写为: y = Af = ΑΨχ = Φχ ; 3. 3)混合加权稀疏算法求解3. 2)所提出的...
【专利技术属性】
技术研发人员:冯远静,吴烨,许优优,单敏,李蓉,李志娟,王哲进,高成峰,叶峰,陈蒙奇,李斐,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江;33