一种基于磁共振成像的自适应局部特征提取方法技术

一种基于磁共振成像的自适应局部特征提取方法，包括如下步骤：1)建立数据驱动的球面去卷积模型；2)对每个感兴趣区域处理得到新的完备的字典，过程如下：2.1局部fODFs的正则化；2.2数据驱动局部特征提取的降维成像；2.3全变差下限制球面去卷积的成本函数，通过解决上述优化问题(10)实现自适应局部特征提取。本发明专利技术基于球面去卷积下的重构纤维取向分布(fODF)的稀疏字典方法中实现最佳去噪。

【技术实现步骤摘要】

本专利技术涉及计算机图形学下的医学成像、神经解剖学领域，尤其是一种基于磁共振成像的自适应局部特征提取方法。
技术介绍
扩散加权成像和跟踪技术可以得到肉眼可见的体内构造信息；高角分辨率成像(HARDI)提供了一个更广泛的采样数据，已经证明了其与扩散张量成像对比，能够很好的表征复杂的内部体素结构；在HARDI基础上通过数据驱动方法，如球面去卷积方法(SD)现已成为研究脑领域的重点。
技术实现思路
为了解决基于球面去卷积下的重构纤维取向分布(fODF)的稀疏字典方法中无法做到最佳去噪的问题，本方法提出了一种达到最佳去噪的基于磁共振成像的自适应局部特征提取方法。为了解决上述技术问题本专利技术采用的技术方案如下：一种基于磁共振成像的自适应局部特征提取方法，包括如下步骤：1)建立数据驱动的球面去卷积模型，过程如下：球面去卷积s(g|u)的方法表达形式如下： s ( g | u ) = ∫ S 2 r ( g , v ) f ( v | u ) d μ ( v ) + ξ - - - ( 1 ) ]]>其中ξ是噪声，这是影响成像质量的主要因素；u是单位半球均匀采样向量；v是采样方向；通过内核r(g,v)和fODFf(v|u)的卷积描述纤维解剖结构；提出数据驱动球面去卷积的新模型fc，简化为：fc＝f(c,Ωc,ξ) (2)其中Ωc是fODF的邻近信息，fc是第c个体素，它可以根据当前体素的纤维找到相应的方向，f(c,Ωc,ξ)是包含c，Ωc，ξ的一个函数；2)对每个感兴趣区域处理得到新的完备的字典，过程如下：2.1局部fODFs的正则化考虑一个体素T周围的体素(3×3×3)，让代表一个矩阵，它的每个列对应于在一个高光谱图像空间附近体素内的fODF；该矩阵被表示为相对于线性不变的一个新的联合稀疏矩阵F＝[f1,f1,...,fT]，fi,i＝1,2,...,T；行系数矩阵F通过求解下面近端运算上的矩阵来回收： min F 1 2 || F ~ - F || F 2 + λ 1 || F || 1 , 2 + λ 2 Σ i || F j || 1 - - - ( 3 ) ]]>其中Fj是矩阵F第j个列向量；n和T是系数；λ1和λ2是手动设置的参数；2.2数据驱动局部特征提取的降维成像在一个单一的体素，稀疏的字典会沿着当前体素的纤维方向，该过程表示为：代表从当前体素纤维方向获取的字典基，代表第c个体素中的第i个fODF，表示从当前体素的fODF得到的纤维取向，ni是字典基的数目；用于表示纤维取向的词典从相邻体素的fODF提取的局部取向分布特征来获取；最后的字典表示为：联合稀疏模型有助于调节fODF结构，提高重建的纤维结构稀疏；局部特征通过搜索从附近扩散体素的数据的fODFs峰轻松获取；这样中间的fODF由稀疏新的取向分布基表示；让映射到一个新的字典，代表所有体素纤维方向的字典基，然后使用这些字典重构一个线性加权组合来表示未知的fODF：其中是位置系数，i,j都是系数；2.3全变差下限制球面去卷积的成本函数fODF和局部特征从测量中提取的正规化数据能够构建一个相对稀疏字典，考虑成本函数(7)，通过取邻域信息和关于重构结果中的噪声，获得内体素纤维结构的估计： min || s - H w || 2 2 + λ ( α || W Z - w || 2 + ( 1 - α ) || w || T V ) 本文档来自技高网...

【技术保护点】
一种基于磁共振成像的自适应局部特征提取方法，其特征在于：包括如下步骤：1)建立数据驱动的球面去卷积模型，过程如下：球面去卷积s(g|u)的方法表达形式如下：s(g|u)=∫S2r(g,v)f(v|u)dμ(v)+ξ---(1)]]>其中ξ是噪声，这是影响成像质量的主要因素；u是单位半球均匀采样向量；v是采样方向；通过内核r(g,v)和fODFf(v|u)的卷积描述纤维解剖结构；提出数据驱动球面去卷积的新模型fc，简化为：fc＝f(c,Ωc,ξ)        (2)其中Ωc是fODF的邻近信息，fc是第c个体素，它可以根据当前体素的纤维找到相应的方向，f(c,Ωc,ξ)是包含c，Ωc，ξ的一个函数；2)对每个感兴趣区域处理得到新的完备的字典，过程如下：2.1局部fODFs的正则化考虑一个体素T周围的体素(3×3×3)，让代表一个矩阵，它的每个列对应于在一个高光谱图像空间附近体素内的fODF；该矩阵被表示为相对于线性不变的一个新的联合稀疏矩阵F＝[f1,f1,...,fT]，fi,i＝1,2,...,T；行系数矩阵F通过求解下面近端运算上的矩阵来回收：minF12||F~-F||F2+λ1||F||1,2+λ2Σi||Fj||1---(3)]]>其中Fj是矩阵F第j个列向量；n和T是系数；λ1和λ2是手动设置的参数；2.2数据驱动局部特征提取的降维成像在一个单一的体素，稀疏的字典会沿着当前体素的纤维方向，该过程表示为：代表从当前体素纤维方向获取的字典基，fic代表第c个体素中的第i个fODF，表示从当前体素的fODF得到的纤维取向，ni是字典基的数目；用于表示纤维取向的词典从相邻体素的fODF提取的局部取向分布特征来获取；最后的字典表示为：联合稀疏模型有助于调节fODF结构，提高重建的纤维结构稀疏；局部特征通过搜索从附近扩散体素的数据的fODFs峰轻松获取；这样中间的fODF由稀疏新的取向分布基表示；让映射到一个新的字典，代表所有体素纤维方向的字典基，然后使用这些字典重构一个线性加权组合来表示未知的fODF：其中是位置系数，i,j都是系数；2.3全变差下限制球面去卷积的成本函数fODF和局部特征从测量中提取的正规化数据能够构建一个相对稀疏字典，考虑成本函数(7)，通过取邻域信息和关于重构结果中的噪声，获得内体素纤维结构的估计：min||s-Hw||22+λ(α||WZ-w||2+(1-α)||w||TV)s.t.w≥0---(7)]]>s代表测量数据，w代表体素，测量矩阵H是步骤2.2中内核和稀疏字典的卷积结果，描述成：H＝r(g,v)*f(c,Ωc,ξ)         (8)参数λ和α常用作平衡角分辨率和鲁棒性，矩阵W＝[w1,w2,...,wT]由初始化相邻体素的fODF系数获取，矩阵Z＝[β1,β2,...,βT]T代表中心体素与邻近体素的相似性组合；通过计算每个体素及其相邻元素之间的相似性测量局部结构，两个体素之间的相似性是通过余弦距离计算获得的测量信号：βi=1-|sf′·si|||sf′||||si||---(9)]]>整合图像梯度的L1范数，被称为总变差正则，优化问题(7)被改写成另一种形式如下：min||(2HTH+λαITI)w-(2HTs+λαWZ)||22+λ(1-α)||w||TV---(10)]]>I是单位矩阵；通过解决上述优化问题(10)实现自适应局部特征提取。...

【技术特征摘要】
1.一种基于磁共振成像的自适应局部特征提取方法，其特征在于：包括如下步骤：1)建立数据驱动的球面去卷积模型，过程如下：球面去卷积s(g|u)的方法表达形式如下： s ( g | u ) = ∫ S 2 r ( g , v ) f ( v | u ) d μ ( v ) + ξ - - - ( 1 ) ]]>其中ξ是噪声，这是影响成像质量的主要因素；u是单位半球均匀采样向量；v是采样方向；通过内核r(g,v)和fODFf(v|u)的卷积描述纤维解剖结构；提出数据驱动球面去卷积的新模型fc，简化为：fc＝f(c,Ωc,ξ) (2)其中Ωc是fODF的邻近信息，fc是第c个体素，它可以根据当前体素的纤维找到相应的方向，f(c,Ωc,ξ)是包含c，Ωc，ξ的一个函数；2)对每个感兴趣区域处理得到新的完备的字典，过程如下：2.1局部fODFs的正则化考虑一个体素T周围的体素(3×3×3)，让代表一个矩阵，它的每个列对应于在一个高光谱图像空间附近体素内的fODF；该矩阵被表示为相对于线性不变的一个新的联合稀疏矩阵F＝[f1,f1,...,fT]，fi,i＝1,2,...,T；行系数矩阵F通过求解下面近端运算上的矩阵来回收： min F 1 2 | | F ~ - F | | F 2 + λ 1 | | F | | 1 , 2 + λ 2 Σ i | | F j | | 1 - - - ( 3 ) ]]>其中Fj是矩阵F第j个列向量；n和T是系数；λ1和λ2是手动设置的参数；2.2数据驱动局部特征提取的降维成像在一个单一的体素，稀疏的字典会沿着当前体素的纤维方向，该过程表示为：代表从当前体素纤维方向获取的字典基，fic代表第c个体素中的第i个fODF，表示从当前体素的fODF得到的纤维取向，ni是字典基的数目；用于表示纤维取向的词典从相邻体素的fODF提取的局部取向分布特征来获取；最后的字典表示为：联合稀疏模型有助于调节fODF结构，提高重建的纤维结构稀疏；局部特征通过搜索从附近扩散体素的数据的fODFs峰轻松获取；这样中间的fODF由稀疏新的取向分布基表示；让映射到一个新的字典，代表所有体素纤维方向的字典基，然后使用这些字典重构一个线性加权组合来表示未知的fODF：其中是位置系数，i,j都是系数；2.3全变差下限制球面去卷积的成本函数fODF和局部特征从测量中提取的正规化数据能够构建一个相对稀疏字典，考虑成本函数(7)，通过取邻域信息和关于重构结果中的噪声，获得内体素纤维结构的估计： min | | s - H w | | 2 2 + λ ( α | | W Z - w | | 2 + ...

【专利技术属性】
技术研发人员：冯远静，何建忠，吴烨，张军，徐田田，周思琪，毛祖杰，张大宏，
申请(专利权)人：浙江工业大学，浙江省人民医院，
类型：发明
国别省市：浙江;33