用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法技术

用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法，包括以下步骤：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；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；通过计算张量系数λj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。本发明专利技术涉及压缩感知与稀疏成像的理念，相比传统方法，计算速度快，成像角度分辨率高，且计算样本数可大大减少，实验效果好。

【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 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： .V(x)/.V = R{v,K)?D{s) = l.R(x^)D{v)dv 其中，= ，U表征的是受扩散效率与扩散敏感系数b共同影响的一个本文档来自技高网...

【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n个扩散梯度方向gi，i＝1,...,n，并且沿重建向量v进行重建，那么λj可以通过最小化下面的能量函数E求得E=Σi=1n(S(gi)/S0-∫S2R(v,gi)D(v)dv)2=Σi=1n(S(gi)/S0-Σj=1mλj∫S2e-μ(giTv)2fj(v)dv)2]]>为了求解能量函数E得到张量系数λj，因此将能量函数方程转换为线性问题y＝AfA是n×m的矩阵，其中每个元素张量系数向量f＝[λ1,λ2,..λm]T，y是n维列向量，每个元素yi＝S(gi)/S0；(3)通过计算张量系数λj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λj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llow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＝Ψx其中Ψ为变换矩阵；令Φ＝AΨ，Φ称为传感矩阵；因此我们将上述问题改写为：y＝Af＝AΨx＝Φx；3.3)混合加权稀疏算法求解3.2)所提出的问题，其过程包括以下步骤：步骤3.3.1，在两组线性非负空间‑Φ0x≥0和x≥0内,通过求解下述约束优化问题获得初始解x(0)来初始化搜索空间：x(0)←argmin||Φ0x-y||22s.t-Φ0x≥0and x≥0;]]>步骤3.3.2，使用低阶混合加权稀疏化方法训练得到正则化矩阵L，即迭代求解下述问题：其中Φ0表示初始的传感矩阵，ω(t)表示第t次迭代的加权向量，x(t)表示第t次迭代的解，为约束参数，α用来控制两项罚函数条件之间的平衡，其中l1范数||ω(t)x(t)||1用来促进稀疏解的逼近，而l2范数用来促进解的平滑性；L(t)表示第t次迭代的正则化矩阵Lm′,n′(t)=Dm′,n′(t)|μ|<τD‾(t)0|μ|≥τD‾(t)]]>其中τ为阈值参数，为第t次迭代时的张量D(t)的平均值，μ＝D(t)x(t)，表示D(t)中满足阈值条件的点，m′,n′表示矩阵中的位置坐标；步骤3.3.3，更新加权向量ω(t)：ωi(t+1)=sgn(xi(t)-β)|xi(t)|+δ]]>其中，表示第t+1次迭代的加权向量ω的第i个元素，sgn是符号函数，β表示符号参数，当xi(t)＜β时进行符号变换，δ用来防止当xi(t)为零时分母出现0，当相邻两次迭代的解满足条件时则终止迭代，否则返回步骤3.3.2；步骤3.3.4，设定一个较高的阶数lhigh，按3.1)和3.2)计算高阶下的传感矩阵Φ1，通过步骤3.3.2训练得到的正则化矩阵L和高阶产生的传感矩阵来求解最终的系数xfinally：步骤3.3.5，将最终求得的xfinally按步骤3.2)计算张量系数向量f；3.4)将张量系数用于拟合扩散分布，获取纤维扩散模型，搜索极值计算纤维方向；其过程包括以下步骤：步骤...

【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