一种基于连续聚类框架的脑纤维快速聚类方法技术

一种基于连续聚类框架的脑纤维快速聚类算法，包括以下步骤：1)建立纤维集群参数模型，包含纤维集群中心、密度、群内距离和纤维数量4个参数；2)读入一定数量的纤维，通过密度峰值搜索算法初始化参数模型；3)读入新的纤维，与由参数模型表示的纤维集群进行相似度距离计算，根据相似度距离大小将新纤维分配到集群或者置于缓存容器中；4)重复步骤2)，同时通过缓存容器阈值判断是否更新参数模型，直至所有纤维都经过分类处理；5)最后对所有参数模型进行密度峰值搜索聚类，结束脑纤维聚类过程。本发明专利技术通过参数模型表示纤维集群，以参数模型的形式代表集群中的所有纤维进行纤维相似度计算，最终对所有参数模型进行聚类。

A fast clustering method for brain fibers based on continuous clustering framework

A fast clustering algorithm for brain fibers based on continuous clustering framework consists of the following steps: 1) building a fiber cluster parameter model, which includes four parameters: fiber cluster center, density, intra-cluster distance and fiber number; 2) reading a certain number of fibers, initializing the parameter model by density peak search algorithm; 3) reading new fibers; Dimensionally, the similarity distance is calculated with the fiber cluster represented by the parameter model, and the new fibers are allocated to the cluster or placed in the buffer container according to the similarity distance size; 4) Repeat step 2, and judge whether the parameter model is updated by the buffer container threshold until all fibers are classified and processed; 5) Final location. A parameter model was used to cluster the density peaks and end the clustering process of brain fibers. The invention represents the fiber cluster by the parameter model, calculates the fiber similarity of all fibers in the cluster in the form of the parameter model, and finally clusters all the parameter models.

【技术实现步骤摘要】
一种基于连续聚类框架的脑纤维快速聚类方法
本专利技术涉及脑科学领域，是机器学习技术的一种，主要用于脑神经纤维分析，尤其是一种无监督聚类方法。
技术介绍
近年来，以弥散张量成像(DTI)和高角分辨率弥散成像(HARDI)为代表的核磁共振成像技术的发展成熟给无创检测人类大脑白质神经纤维结构带来了良好的前景。但是此类方法通常会产生庞大且难以理解的纤维数据集，如何对这一纤维集合进行准确的可视分析是一直临床研究中的一个很重要的问题。脑神经纤维聚类技术将结构相似的纤维聚类成符合解剖学知识的纤维束，从而提升人对纤维结构的感知，是脑纤维可视分析中的一种重要手段。由于脑纤维跟踪算法中使用的概率密度函数过于复杂，使得对DTI和HARDI数据进行全脑纤维跟踪将得到一个非常庞大的多维纤维数据集，这些纤维错综复杂并且许多纤维之间存在遮挡、交叉和分叉等情况，医疗从业者很难直接通过肉眼直接观测到脑纤维的组织结构。由于纤维结构十分复杂，人们无法对纤维轨迹进行很好的可视与分析，限制了这种方法的临床应用。如何对大量纤维轨迹进行高效而又精准地进行可视分析依然是一个非常重要的问题。由于经典的聚类技术无法直接应用于高维的脑纤本文档来自技高网...

【技术保护点】
1.一种基于连续聚类框架的脑纤维快速聚类方法，其特征在于，所述方法包括以下步骤：1)建立纤维集群参数模型，包含纤维集群中心、密度、群内距离和纤维数量4个参数；2)读入一定数量的纤维，通过密度峰值搜索算法初始化参数模型；3)读入新的纤维，与由参数模型表示的纤维集群进行相似度距离计算，根据相似度距离大小将新纤维分配到集群或者置于缓存容器中；4)重复步骤2)，同时通过缓存容器阈值判断是否更新参数模型，直至所有纤维都经过分类处理；5)最后对所有参数模型进行密度峰值搜索聚类，结束本次脑纤维聚类。

【技术特征摘要】
1.一种基于连续聚类框架的脑纤维快速聚类方法，其特征在于，所述方法包括以下步骤：1)建立纤维集群参数模型，包含纤维集群中心、密度、群内距离和纤维数量4个参数；2)读入一定数量的纤维，通过密度峰值搜索算法初始化参数模型；3)读入新的纤维，与由参数模型表示的纤维集群进行相似度距离计算，根据相似度距离大小将新纤维分配到集群或者置于缓存容器中；4)重复步骤2)，同时通过缓存容器阈值判断是否更新参数模型，直至所有纤维都经过分类处理；5)最后对所有参数模型进行密度峰值搜...

【专利技术属性】
技术研发人员：刘义鹏，蒋哲臣，李志鹏，蒋莉，梁荣华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33