一种基于健康人群的白质纤维参数化模型构建方法技术

本发明专利技术公开了一种基于健康人群的白质纤维参数化模型构建方法，首先，在张量图谱上进行确定型全脑纤维束跟踪，提取出感兴趣纤维束。根据平均最近距离准则对纤维束进行纤维绑束，针对绑束后的纤维束采用局部密度加权方法选取原型纤维，并根据弧长对原型纤维进行离散化以建立公共坐标系统，利用最优点匹配算法将纤维束上其他纤维上的点与原型纤维上的点间建立对应关系。最后，结合三次线性插值将个体纤维特性映射到图谱纤维束中，从而确立不同个体间纤维点的对应关系，得到个体被试的特性曲线，从而构建出健康人群的参数化模型。

【技术实现步骤摘要】
一种基于健康人群的白质纤维参数化模型构建方法
本专利技术属于扩散张量成像
，涉及一种基于健康人群的白质纤维参数化模型构建方法。
技术介绍
扩散张量成像技术(diffusiontensorimaging，DTI)是一种能够检测活体内水分子扩散运动的磁共振成像技术，具有无创性特点，已广泛地应用于脑科学研究中。基于扩散张量成像技术的大脑白质纤维束成像是目前神经科学研究的热点之一，它利用扩散张量方向信息对大脑内水分子的扩散运动状态进行跟踪，可以得到白质纤维束的形状、拓扑结构以及空间位置等信息。纤维的追踪显示可以用于神经外科手术前的方案制定、手术中的定位指导以及手术后的治疗和评价，有助于正确认识疾病对白质纤维通道的影响，从而有效地诊断由于纤维缺失而造成的大脑白质疾病。然而，由于不同个体间大脑形态的差异使得不同个体间白质纤维束不具有可比性，而且纤维束上体素点的空间解剖位置难以对应，因此对纤维束进行组统计分析比较困难。本研究基于大脑张量图谱，提取感性脑区间的白质纤维束信息，确立不同纤维点间的、模板空间与个体空间的解剖位置对应关系，从而构建基于健康人群的纤维参数化模型。基于张量图谱的纤维参数化方法不仅可以对白质纤维束精确定位，而且可以对白质纤维束量化的参数特性进行组的统计分析，这对于白质纤维异常疾病的研究具有重要的意义。我们目前处理DTI数据集的主流方法是基于纤维束的空间统计(Tract-BasedSpatialStatistics，TBSS)方法。该方法可以对不同被试者的骨架白质纤维束进行组间比较，寻找有显著性差异的位置，也就是白质异常区域。基于异常区域，我们可以进行概率型纤维束追踪，从而估计纤维束的走向。概率型追踪在一定程度上解决纤维交叉问题，并且可以研究FA值较低的灰质脑区之间的解剖连接。然而TBSS方法只能分析骨架上的白质纤维束，无法得到其他地方白质的损伤。概率型纤维跟踪只能描述两个脑区之间纤维束的有无以及大概走向，不能对纤维束的局部形态进行量化，导致健康人群和病人不能进行组上的比较。因此，当前的主流研究方法存在局限性，不能满足临床研究和诊断的需要。
技术实现思路
本专利技术的目的在于克服上述技术存在的缺陷，提供一种基于健康人群的白质纤维参数化模型构建方法，可以实现在全脑范围内展开对纤维束的分析，而不仅仅局限于骨架，并且可以量化脑区间纤维束条数并可沿纤维束分析，解决纤维束中不同纤维上点的对应性问题，从而实现组水平纤维束的统计分析。该方法基于大脑张量图谱，提出大脑白质纤维束参数化相关方法，从而确立了不同个体纤维间点的解剖位置的对应关系，构建出健康人群的纤维参数化模型。首先，在张量图谱上进行确定型全脑纤维束跟踪，提取出感兴趣纤维束。根据平均最近距离准则对纤维束进行纤维绑束，针对绑束后的纤维束采用局部密度加权方法选取原型纤维，并根据弧长对原型纤维进行离散化以建立公共坐标系统，利用最优点匹配算法将纤维束上其他纤维上的点与原型纤维上的点间建立对应关系。最后，结合三次线性插值将个体纤维特性映射到图谱纤维束中，从而确立不同个体间纤维点的对应关系，得到个体被试的特性曲线，从而构建出健康人群的参数化模型。其具体技术方案为：一种基于健康人群的白质纤维参数化模型构建方法，包括以下步骤：步骤一：利用磁共振成像手段获取大脑功能数据并对获取的数据进行图谱的构建，在张量图谱上进行全脑纤维束跟踪，并提取出感兴趣纤维束；步骤二：基于步骤一中提取得到的纤维束进行纤维绑束处理，以去除异常纤维；纤维是三维空间中一条连续的曲线，由一系列的三维坐标点表示，对于纤维束中的任意两条纤维Fi和Fj(i≠j)，d代表它们之间的距离，t代表距离阈值，当d(Fi，Fj)＜t时，则认为这两条纤维属于同一簇纤维；当纤维上点的个数比较多时，在每条纤维上等间距的取15个点，Fi到Fj的距离并不等于Fj到Fi的距离，采用对矩阵中对称位置处的值取平均来对称化处理矩阵；设pk是Fi上的点，pl是Fj上的点，则纤维Fi和Fj之间的距离采用最近平均距离进行计算，具体公式如下：dM(Fi，Fj)＝mean(dm(Fi，Fj)，dm(Fj，Fi))(1)其中，||·||beingtheEuclideannorm；最近平均距离dM描述了纤维全局的相似度，形状越相似，空间上越接近，dM值就越小；对于距离阈值t的选择则是利用直方图的方法获得，首先纤维之间两两求距离，对于每一条纤维，先对它与其他所有纤维的距离求平均值，然后判断该直方图是否符合正态分布，如果正态概率图显示为直线型形态，则符合正态分布，通过设置显著性水平求分位数，即为距离阈值t，从而将平均距离值大于分位数的纤维整条去掉，达到对纤维束进行绑束的目的；步骤三：对绑束后的纤维束采用局部纤维密度加权最长方法提取原型纤维，以建立公共纤维束坐标系统；通过建立一个公共坐标系统将纤维归一化，选取最能代表整个纤维束中其它所有纤维的一条，也即原型纤维，通过对原型纤维的基于弧长的离散化建立公共坐标系统，然后根据一定的算法确定其它纤维上的点与原型纤维上点的对应关系；选择纤维束中局部纤维密度加权最长的纤维作为原型纤维，纤维密度是通过每个体素的纤维轨迹的数目，首先需要计算出来纤维上等距的点的密度，然后沿着每条纤维将密度进行整合，从而得到每条纤维的纤维密度，选择值最大的那条纤维作为原型纤维；步骤四：根据弧长对原型纤维进行离散化，建立公共的纤维束坐标系统；追踪时使用的是基于欧拉方法的流线型追踪算法，纤维上两相邻点之间的直线距离大小等于步长值，纤维上的点比较密集，两相邻点之间的直线距离近似等于其沿纤维的弧长距离，采用步长近似代替弧长来对原型纤维采样离散化，基于原型纤维弧长定义的公共坐标系统已经建立；步骤五：通过纤维点匹配算法将弧长参考坐标传递给其他所有纤维，实现图谱纤维束的归一化；纤维点匹配过程通过最优点匹配方法将根据原型纤维建立的弧长参考坐标传递给其他所有纤维，以确定其与原型纤维上点的对应关系，从而建立弧长坐标与每一条图谱纤维上点的对应关系，从而将图谱纤维束进行归一化；OP方法使用Hungarian算法对原型纤维上每个点进行匹配，沿着几乎垂直于原型纤维的方向寻找匹配点，该方法采用代价函数进行奖惩，假设i是原型纤维上的点，i是纤维上的点，这个距离定义为点i和点j之间的测度距离Dij，公式如下：其中，vij是点i和点j之间的向量；测度张量vij是原型纤维上i点处的切线向量，这个测度距离的作用是使沿着垂直于原型纤维的方向进行零代价匹配，此时的距离是垂直于切向量的，随着角度由垂直发生变化，代价增加，仅仅测量沿着原型纤维切线方向的距离，设定了一个阈值来限制匹配点在原型纤维点间距的40％以内，这样沿正负切线方向的搜索窗口大小为间距的80％，保证了非最优匹配点不被匹配；通过与原型纤维点的匹配，每一条纤维都会产生一系列的弧长坐标；步骤六：将个体空间下被试的扩散属性映射到图谱纤维束上，构建个人被试的纤维参数化模型；具体过程为：以个体的DTI图像为参考图像，计算图谱构建非线性配准过程中总的形变场的逆变换场，然后分别以张量图谱为所在空间，以个体空间为目标空间，利用逆变换场根据每个弧长坐标点处对应的图谱纤维坐标位置计算个体空间下相对应的坐标位置，根据计算得到的个体空间下的坐标位本文档来自技高网...

【技术保护点】
一种基于健康人群的白质纤维参数化模型构建方法，其特征在于，包括以下步骤：步骤一：利用磁共振成像手段获取大脑功能数据并对获取的数据进行图谱的构建，在张量图谱上进行全脑纤维束跟踪，并提取出感兴趣纤维束；步骤二：基于步骤一中提取得到的纤维束进行纤维绑束处理，以去除异常纤维；纤维是三维空间中一条连续的曲线，由一系列的三维坐标点表示，对于纤维束中的任意两条纤维Fi和Fj(i≠j)，d代表它们之间的距离，t代表距离阈值，当d(Fi，Fj)＜t时，则认为这两条纤维属于同一簇纤维；当纤维上点的个数比较多时，在每条纤维上等间距的取15个点，Fi到Fj的距离并不等于Fj到Fi的距离，采用对矩阵中对称位置处的值取平均来对称化处理矩阵；设pk是Fi上的点，pl是Fj上的点，则纤维Fi和Fj之间的距离采用最近平均距离进行计算，具体公式如下：dM(Fi，Fj)＝mean(dm(Fi，Fj)，dm(Fj，Fi))其中，dm(Fi,Fj)=meanpk∈Fminpl∈Fj||pk-pl||,]]>||·||being the Euclidean norm；最近平均距离dM描述了纤维全局的相似度，形状越相似，空间上越接近，dM值就越小；对于距离阈值t的选择则是利用直方图的方法获得，首先纤维之间两两求距离，对于每一条纤维，先对它与其他所有纤维的距离求平均值，然后判断该直方图是否符合正态分布，如果正态概率图显示为直线型形态，则符合正态分布，通过设置显著性水平求分位数，即为距离阈值t，从而将平均距离值大于分位数的纤维整条去掉，达到对纤维束进行绑束的目的；步骤三：对绑束后的纤维束采用局部纤维密度加权最长方法提取原型纤维，以建立公共纤维束坐标系统；通过建立一个公共坐标系统将纤维归一化，选取最能代表整个纤维束中其它所有纤维的一条，也即原型纤维，通过对原型纤维的基于弧长的离散化建立公共坐标系统，然后根据一定的算法确定其它纤维上的点与原型纤维上点的对应关系；选择纤维束中局部纤维密度加权最长的纤维作为原型纤维，纤维密度是通过每个体素的纤维轨迹的数目，首先需要计算出来纤维上等距的点的密度，然后沿着每条纤维将密度进行整合，从而得到每条纤维的纤维密度，选择值最大的那条纤维作为原型纤维；步骤四：根据弧长对原型纤维进行离散化，建立公共的纤维束坐标系统；追踪时使用的是基于欧拉方法的流线型追踪算法，纤维上两相邻点之间的直线距离大小等于步长值，纤维上的点比较密集，两相邻点之间的直线距离近似等于其沿纤维的弧长距离，采用步长近似代替弧长来对原型纤维采样离散化，基于原型纤维弧长定义的公共坐标系统已经建立；步骤五：通过纤维点匹配算法将弧长参考坐标传递给其他所有纤维，实现图谱纤维束的归一化；纤维点匹配过程通过最优点匹配方法将根据原型纤维建立的弧长参考坐标传递给其他所有纤维，以确定其与原型纤维上点的对应关系，从而建立弧长坐标与每一条图谱纤维上点的对应关系，从而将图谱纤维束进行归一化；OP方法使用Hungarian算法对原型纤维上每个点进行匹配，沿着几乎垂直于原型纤维的方向寻找匹配点，该方法采用代价函数进行奖惩，假设i是原型纤维上的点，j是纤维上的点，这个距离定义为点i和点j之间的测度距离Dij，公式如下：Dij=vijTMivij]]>其中，vij是点i和点j之间的向量；测度张量vij是原型纤维上i点处的切线向量，这个测度距离的作用是使沿着垂直于原型纤维的方向进行零代价匹配，此时的距离是垂直于切向量的，随着角度由垂直发生变化，代价增加，仅仅测量沿着原型纤维切线方向的距离，设定了一个阈值来限制匹配点在原型纤维点间距的40％以内，这样沿正负切线方向的搜索窗口大小为间距的80％，保证了非最优匹配点不被匹配；通过与原型纤维点的匹配，每一条纤维都会产生一系列的弧长坐标；步骤六：将个体空间下被试的扩散属性映射到图谱纤维束上，构建个人被试的纤维参数化模型；具体过程为：以个体的DTI图像为参考图像，计算图谱构建非线性配准过程中总的形变场的逆变换场，然后分别以张量图谱为所在空间，以个体空间为目标空间，利用逆变换场根据每个弧长坐标点处对应的图谱纤维坐标位置计算个体空间下相对应的坐标位置，根据计算得到的个体空间下的坐标位置，在个体空间FA图像中采用三线性插值方法获得该坐标位置处的扩散属性值，也即对应弧长坐标点处的扩散属性值，从而得到个体被试扩散属性关于弧长坐标的变化曲线。...

【技术特征摘要】
1.一种基于健康人群的白质纤维参数化模型构建方法，其特征在于，包括以下步骤：步骤一：利用磁共振成像手段获取大脑功能数据并对获取的数据进行图谱的构建，在张量图谱上进行全脑纤维束跟踪，并提取出感兴趣纤维束；步骤二：基于步骤一中提取得到的纤维束进行纤维绑束处理，以去除异常纤维；纤维是三维空间中一条连续的曲线，由一系列的三维坐标点表示，对于纤维束中的任意两条纤维Fi和Fj，i≠j，d代表它们之间的距离，t代表距离阈值，当d(Fi，Fj)＜t时，则认为这两条纤维属于同一簇纤维；当纤维上点的个数比较多时，在每条纤维上等间距的取15个点，Fi到Fj的距离并不等于Fj到Fi的距离，采用对矩阵中对称位置处的值取平均来对称化处理矩阵；设pk是Fi上的点，pl是Fj上的点，则纤维Fi和Fj之间的距离采用最近平均距离进行计算，具体公式如下：dM(Fi，Fj)＝mean(dm(Fi，Fj)，dm(Fj，Fi))其中，||·||为欧几里得范数；最近平均距离dM描述了纤维全局的相似度，形状越相似，空间上越接近，dM值就越小；对于距离阈值t的选择则是利用直方图的方法获得，首先纤维之间两两求距离，对于每一条纤维，先对它与其他所有纤维的距离求平均值，然后判断该直方图是否符合正态分布，如果正态概率图显示为直线型形态，则符合正态分布，通过设置显著性水平求分位数，即为距离阈值t，从而将平均距离值大于分位数的纤维整条去掉，达到对纤维束进行绑束的目的；步骤三：对绑束后的纤维束采用局部纤维密度加权最长方法提取原型纤维，以建立公共纤维束坐标系统；通过建立一个公共坐标系统将纤维归一化，选取最能代表整个纤维束中其它所有纤维的一条，也即原型纤维，通过对原型纤维的基于弧长的离散化建立公共坐标系统，然后根据一定的算法确定其它纤维上的点与原型纤维上点的对应关系；选择纤维束中局部纤维密度加权最长的纤维作为原型纤维，纤维密度是通过每个体素的纤维轨迹的数目，首先需要计算出来纤维上等距的点的密度，然后沿着每条纤维将密度进行整合，从而得到每条纤维的纤维密度，选择值最大的那条纤维作为原型纤维；步骤四：根据弧长对原型纤维进行离散化，建立公共的纤维束坐标系统；追踪时使用的是基于欧拉方法的流线型追踪算法，纤维上两相邻点之间的直线距离大小等于步长值，纤维上的点比较密集，两相邻点之间的直线距离近似等于其沿纤维的弧长距离，采用步长近似代替弧长来对原型纤维采样离散化，基于原型纤维弧长定义的公共坐标系统已经建立；步骤五：通过纤维点匹配算法将弧长参考坐标传递给其他所有纤维，实现图谱纤维束的归一化；纤维点匹配过程通过最优点匹配方法将根据原型纤维建立的弧长参考坐标传递给其他所有纤维，以确定其与原型纤维上点的对应关系，从而建立弧长坐标与每一条图谱纤维上点的对应关系，从而将图谱纤维束进行归一化；OP方法使用Hungarian算法对原型纤维上每个点进行匹配，沿着几乎垂直于原型纤维的方向寻找匹配点，该方法采用代价函数进行奖惩，假设i是原型纤维上的点，j是纤维上的点，这个距离定义为点i和点j之间的测度距离Dij，公式如下：其中，vij是点i和点j之间的向量；测度张量ti是原型纤维上i点处的切线向量，这个测度距离的作用是使沿着垂直于原型纤维的方向进行零代价匹配，此时的距离是垂直于切向量的，随着角度由垂直发生变化，代价增加，仅仅测量沿着原型纤维切线方向的距离，设定了一个阈值来限制匹配点在原型纤维点间距的40％以内，这样沿正...

【专利技术属性】
技术研发人员：刘继欣，穆俊娅，张毅，袁凯，田捷，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61