一种基于扩散MRI微结构成像的最小核误差分析方法技术

一种基于扩散MRI微结构成像的最小核误差分析方法，包括以下步骤：(1)，建立扩散组织模型，微结构模型包含微观结构的三个特征：线性结构各向异性(LSA，Dl)，平面结构各向异性(PSA，Dp)和球结构各向同性(SSI，Ds)；每个体素中的每个特征模型描述为混合各向异性/各向同性模型；(2)，计算特征标量，受阻和受限扩散的量通过计算估计的微结构尺度之间的差异来捕获；(3)，最小核误差分析方法一般表现；(4)，算法优化，引入辅助矩阵变量Z，并让S‑ΘW＝Y，最小化问题利用增强的拉格朗日乘子解决。本发明专利技术结合扩散张量成像技术，提供一种稳定且高效地估计较小交角的纤维结构的基于扩散MRI微结构成像的最小核误差分析方法。

【技术实现步骤摘要】
一种基于扩散MRI微结构成像的最小核误差分析方法
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，尤其是一种基于扩散MRI微结构成像的最小核误差分析方法。
技术介绍
随着时代的发展，医学影像技术的进步，扩散张量成像技术在神经科学的研究中占越来越大的影响力，拥有先进的神经影像技术是这个时代不可或缺的；扩散张量成像技术是一种新兴的描述大脑结构的方法；目前，扩散张量成像技术正被广泛的应用于精神科疾病和诊断的辅助手段中，甚至可以用于术前手术方案的制定，可以说其在医学领域的贡献有着无可替代的优势；所以对基于扩散张量成像技术的研究对于脑科学有着重大的意义。扩散张量成像(DTI)是临床上最广泛使用的方法，该方法纤维跟踪算法形成具有解剖意义的纤维空间微结构；由于基于DTI模型的纤维跟踪算法不能正确反映大脑内部纤维的真实连接情况，高角分辨率扩散成像(HARDI)等方法被提出解决多根纤维交叉这个问题。
技术实现思路
为了克服现有技术中无法稳定、高效地估计较小交角的纤维结构的不足，本专利技术结合扩散张量成像技术，提供一种稳定且高效地估计较小交角的纤维结构的基于扩散MRI微结构成像的最小核误差分析方法。本文档来自技高网...

【技术保护点】
一种基于扩散MRI微结构成像的最小核误差分析方法，其特征在于：包括以下步骤：(1)，建立扩散组织模型微结构模型包含微观结构的三个特征：线性结构各向异性(LSA，Dl)，平面结构各向异性(PSA，Dp)和球结构各向同性(SSI，Ds)；每个体素中的每个特征模型描述为混合各向异性/各向同性模型：

【技术特征摘要】
1.一种基于扩散MRI微结构成像的最小核误差分析方法，其特征在于：包括以下步骤：(1)，建立扩散组织模型微结构模型包含微观结构的三个特征：线性结构各向异性(LSA，Dl)，平面结构各向异性(PSA，Dp)和球结构各向同性(SSI，Ds)；每个体素中的每个特征模型描述为混合各向异性/各向同性模型：其中S(0)表示基线信号，Di表示子集i扩散张量，b表示梯度方向，g表示梯度方向，m表示在一个体素中具有与m个基本方向交叉的子集的最大数目，fi表示子集i的体积分数；三个微结构模型的线性组合混合：其中S(b,g)表示扩散信号，wl、wp、wiso和waniso表示每个微结构的非负混合分数，其中wiso表各项同性，waniso表各项异性，M1，Mp，Ms表示每个微结构对应的权重,通过从dMRI数据集学习不同的特征获得扩散模型Dl，Dp和Ds，Dl表示平行于主方向的各向异性，其中特征值{0,0,λl}满足条件FAl＝1和Dp表示垂直于主方向的各向异性，特征值{λp,λp,0}满足条件和MDP＝2RAP；Ds表示各个方向的各向同性，其中特征值{λs,λs,λs}满足条件FAs＝0和RAS＝0‘’(2)，计算特征标量受阻和受限扩散的量通过计算估计的微结构尺度之间的差异来捕获；其中vlp描述了LSA和PSA之间的相对差异，vpiso表示PSA和SSI之间的相对差异，vlpan显示了LSA和PSA测量所得的各向异性之间的相对差异；(3)，最小核误差分析方法一般表现测量过程用一般公式表示...

【专利技术属性】
技术研发人员：冯远静，金丽玲，潘一源，周思琪，吴烨，曾庆润，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33