融合概率型和确定型纤维束追踪的纤维束筛选方法技术

本发明专利技术公开了一种融合概率型和确定型纤维束追踪的纤维束筛选方法，主要解决了现有技术所提取白质微结构特征真实性、准确性低的问题。其实现步骤是：1、读取DTI图像和FA图像，2、构建张量模板，3、提取张量模板的感兴趣纤维束，4、构建纤维束参数化模型，5、提取个体DTI图像的感兴趣纤维束，6、构建纤维束频率图谱，7、筛选感兴趣纤维束，本发明专利技术基于概率型纤维束追踪结果构建纤维束频率图谱，利用该图谱对纤维束参数化后的感兴趣纤维束进行筛选，使得纤维束参数化所提取的白质微结构特征精细化，有效克服了现有技术所提取白质微结构特征真实性，准确性低问题。

Fiber bundle selection method for fusion probabilistic and deterministic bundle tracking

【技术实现步骤摘要】
融合概率型和确定型纤维束追踪的纤维束筛选方法
本专利技术属于物理
，更进一步涉及影像处理
中的一种融合概率型和确定型纤维束追踪的纤维束筛选方法。本专利技术利用所构建纤维束频率图谱，对经过纤维束参数化分析后的纤维束进行筛选，可以降低纤维束参数化分析所提取白质微结构特征的误差。
技术介绍
目前沿白质纤维束分析的主要思路之一是在张量模板图像上提取感兴趣纤维束，在对张量模板图像上的感兴趣纤维束进行定量化后，将该纤维束映射到个体脑部弥散张量成像DTI(DiffusionTensorImaging)图像上，实现不同个体间纤维束的对应。西安电子科技大学在其拥有的专利技术“一种基于健康人群的白质纤维参数化模型构建方法”(申请号：2014108358310，授权公告号：CN104537711B)中公开了一种基于白质纤维束的纤维束参数化分析方法。该方法首先在张量模板上用确定型纤维束追踪方法提取出感兴趣纤维束，然后在感兴趣纤维束中选取一条代表性纤维，通过点匹配算法，在该代表性纤维上的点与其他纤维上的点之间建立对应关系。最后，将点匹配后的白质纤维束映射到个体图像中，提取纤维束所有点对应位置的白质扩散特性值，得到个体的白质微结构特征。该方法存在的不足之处在于，在张量模板上提取出感兴趣纤维束，所提取纤维束中的某些纤维，在个体图像上不存在对应纤维，导致所提取白质微结构特征真实性较低。并且，将点匹配后的纤维束映射到个体图像的过程中，可能由于映射误差导致白质纤维束映射到灰质区域，影响所提取白质微结构特征的准确性。
技术实现思路
本专利技术的目的是针对上述现有方法的不足，提供了一种融合概率型和确定型纤维束追踪的纤维束筛选方法。本专利技术解决现有技术所提取白质微结构特征真实性、准确性较低的问题。实现本专利技术目的的思路是，对每个个体的DTI图像进行概率型纤维束追踪，基于概率性纤维束追踪结果构建纤维束频率图谱，利用该图谱对纤维束参数化后的感兴趣纤维束进行筛选，融合确定型和概率型纤维束追踪，使得纤维束参数化分析所提取的白质微结构特征真实可靠，并且提高了所提取白质微结构的准确性。本专利技术的方法包括如下步骤：(1)读取DTI图像和FA图像：读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部DTI图像和各向异性FA(FractionalAnisotropy)图像；所述的待测图像组中包含格式均为.nii的52人的脑部DTI图像和FA图像，同一人的脑部DTI图像和FA图像所处空间一致，组成该个体的个体空间；(2)构建张量模板：利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；(3)提取张量模板的感兴趣纤维束：利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；(4)构建纤维束参数化模型：利用纤维束参数化方法，构建纤维束参数化模型；(5)提取个体DTI图像的感兴趣纤维束：(5a)利用追踪软件，对两组图像中每张DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；(6)构建纤维束频率图谱：(6a)将两组图像中每张FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；(7)筛选感兴趣纤维束：(7a)寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；(7b)利用输入的两组图像中每张FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；(7d)利用三线性插值公式，插值计算出输入的两组图像中每张FA图像上对应个体空间下筛选后的纤维束上所有点的FA值；(7e)在输入的两组图像中每张FA图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的FA值的平均值，将所有对应位置上点的FA值的平均值组成FA值平均值向量，输入的两组图像对应得到两组FA值平均值向量；本专利技术与现有的技术相比具有以下优点：第一，由于本专利技术的方法采用构建纤维束频率图谱的方法，克服了现有技术所提取白质微结构特征真实性较低的不足，使得本专利技术所筛选后纤维束的白质微结构特征具有真实性。第二，由于本专利技术的方法采用构建纤维束参数化模型，筛选感兴趣纤维束的方法，克服了现有技术所提取白质微结构特征准确性低的不足，使得本专利技术提高了纤维束参数化分析所提取白质微结构特征的准确性。附图说明图1是本专利技术方法的流程图；图2是本专利技术所构建的张量图谱；图3是本专利技术构建的纤维束频率图谱。具体实施方式下面结合附图，对本专利技术作进一步的详细描述。参照附图1，对本专利技术的方法做进一步的详细描述。步骤1，读取DTI图像和FA图像。读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部DTI图像和FA图像；所述的待测图像组中包含格式均为.nii的52人的脑部DTI图像和FA图像，同一人的脑部DTI图像和FA图像所处空间一致，组成该个体的个体空间。步骤2，构建张量模板。利用FA图像和ICBM标准模板，构建得到张量图谱，得到的结果如图2所示。利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间。所述张量模板构建方法的步骤如下：第1步，利用FSL软件，将对照图像组中格式为.nii的每张FA图像配准到格式为.nii的国际大脑图谱协会ICBM(InternationalConsortiumforBrainMapping)标准模板，得到配准参数。第2步，在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数。第3步，利用FSL软件，将配准参数与平均配准参数融合，得到所选FA图像到标准空间下其余FA图像的变换参数。第4步，利用FSL软件，将所选FA图像的变换参数作用到对应的DTI图像上，得到标准化后的DTI图像。第5步，判断是否已选取完标准空间下的所有图像，若是，则执行第6步，否则，执行第2步。第6步，求所有标准化后的DTI图像中对应位置上体素灰度值的平均值。第7步，将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板。步骤3，提取张量模板的感兴趣纤维束。利用exploreDTI软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束。步骤4，构建纤维束参数化模型。利用纤维本文档来自技高网...

【技术保护点】
1.一种融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，构建纤维束频率图谱，筛选感兴趣纤维束，该方法包括如下步骤：(1)读取弥散张量成像DTI图像和各向异性FA图像：读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部弥散张量成像DTI图像和各向异性FA图像；所述的待测图像组中包含格式均为.nii的52人的脑部弥散张量成像DTI图像和各向异性FA图像，同一人的脑部弥散张量成像DTI图像和各向异性FA图像所处空间一致，组成该个体的个体空间；(2)构建张量模板：利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；(3)提取张量模板的感兴趣纤维束：利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；(4)构建纤维束参数化模型：利用纤维束参数化方法，构建纤维束参数化模型；(5)提取个体弥散张量成像DTI图像的感兴趣纤维束：(5a)利用追踪软件，对两组图像中每张弥散张量成像DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；(6)构建纤维束频率图谱：(6a)将两组图像中每张各向异性FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；(7)筛选感兴趣纤维束：(7a)寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；(7b)利用输入的两组图像中每张各向异性FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；(7d)利用三线性插值公式，插值计算出输入的两组图像中每张各向异性FA图像上对应个体空间下筛选后的纤维束上所有点的各向异性FA值；(7e)在输入的两组图像中每张各向异性FA图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的各向异性FA值的平均值，将所有对应位置上点的各向异性FA值的平均值组成FA值平均值向量，输入的两组图像对应得到两组FA值平均值向量。...

【技术特征摘要】
1.一种融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，构建纤维束频率图谱，筛选感兴趣纤维束，该方法包括如下步骤：(1)读取弥散张量成像DTI图像和各向异性FA图像：读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部弥散张量成像DTI图像和各向异性FA图像；所述的待测图像组中包含格式均为.nii的52人的脑部弥散张量成像DTI图像和各向异性FA图像，同一人的脑部弥散张量成像DTI图像和各向异性FA图像所处空间一致，组成该个体的个体空间；(2)构建张量模板：利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；(3)提取张量模板的感兴趣纤维束：利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；(4)构建纤维束参数化模型：利用纤维束参数化方法，构建纤维束参数化模型；(5)提取个体弥散张量成像DTI图像的感兴趣纤维束：(5a)利用追踪软件，对两组图像中每张弥散张量成像DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；(6)构建纤维束频率图谱：(6a)将两组图像中每张各向异性FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；(7)筛选感兴趣纤维束：(7a)寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；(7b)利用输入的两组图像中每张各向异性FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；(7d)利用三线性插值公式，插值计算出输入的两组图像中每张各向异性FA图像上对应个体空间下筛选后的纤维束上所有点的各向异性FA值；(7e)在输入的两组图像中每张各向异...

【专利技术属性】
技术研发人员：刘继欣，薛倩雯，李睿枭，穆俊娅，
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