基于非凸正则化反卷积的体素内多纤维走向估计方法技术

基于非凸正则化反卷积的体素内多纤维走向估计方法，本发明专利技术属于磁共振扩散成像信号处理领域，它是为了解决现有正则化反卷积方法易造成边缘模糊、估计结果精度低的问题。包括如下步骤：S1，选取相关参数；S2，对每个体素进行非凸正则化反卷积迭代计算；S3，迭代终止判断，如满足迭代终止条件则进行S4，否则继续进行S2；S4，根据迭代结果提取主纤维走向。采用本发明专利技术的估计方法，能够在提高算法抗噪声性能的同时，保持图像的边缘结构特征，从而提高体素内多纤维走向估计的精度。

Non-convex regularized deconvolution based in-voxel multi-fiber orientation estimation method

【技术实现步骤摘要】
基于非凸正则化反卷积的体素内多纤维走向估计方法
本专利技术涉及本专利技术属于磁共振扩散成像信号处理领域，特别涉及基于非凸正则化反卷积的体素内多纤维走向估计方法。
技术介绍
磁共振扩散成像是目前唯一能够测量活体组织内水分子扩散信息的无创方法，在组织内部水分子的扩散运动受到组织微观结构的限制，因此可以通过测量水分子的扩散信息进而重建组织的微观结构。该方法具有非侵入和不需造影剂等优点，在理论研究和临床实践中均引起了极大关注。扩散张量成像是最早提出的一种磁共振扩散成像方法，并被广泛应用于临床研究。该方法通过测量6个以上扩散梯度方法的扩散加权图像，采用扩散张量建模水分子沿各个方向的扩散信息，扩散张量的主特征向量指示体素内的纤维走向。由于该方法只能得到体素内单一的平均纤维走向，因此不适于体素内包含多个纤维走向的情况。目前，已有一些方法能够通过更复杂的模型来估计体素内的多个纤维走向，从而解决扩散张量成像方法的限制。这些方法主要包括：多张量模型、高阶扩散张量、Q-Ball成像、扩散谱成像、球面反卷积(SphericalDeconvolution，SD)、独立分量分析、混合扩散成像等。在上述方法中，基于SD的方法由于具备不需指定纤维走向分布的数量、计算效率高且能够在低角分辨率成像条件下估计体素内纤维走向分布等优点，引起了相关学者的重视，但是基于SD的方法对噪声非常敏感。为了克服噪声敏感问题，正则化技术已被引入到SD方法中。在现有方法中，正则项通常被定义为凸函数，虽然凸函数能够使模型容易求解，但却限制了正则化的效果。全变分正则项在使用的过程中表现出较好的抗噪能力，但是全变分正则项的使用可能会导致阶梯效应并倾向于对图像细节的过平滑。
技术实现思路
本专利技术的目的是为了解决现有正则化反卷积方法估计结果准确性差，且易造成边缘模糊的问题，提出一种基于非凸正则化反卷积的体素内多纤维走向估计方法。基于非凸正则化反卷积的体素内多纤维走向估计方法，包括如下步骤：S1、选取正则化参数λ，选取总迭代次数kN；在单位球面上均匀选取M个点g1，g2，...，gM作为纤维走向分布的重建方向，对于每个体素p，给定其体素内的纤维走向分布的初始值为令当前迭代次数k＝1；λ的取值范围为0.02～0.08，kN的取值范围为200～400；S2、对于每个体素p，采用反卷积迭代方程(1)进行第k次迭代计算：方程(1)中，[X]i表示向量X的第i个元素，Sp为体素p对应的磁共振扩散加权信号，H为：方程(2)中，N为磁共振扩散成像所采用的扩散梯度方向的数量，b为扩散敏感因子，D1，D2，...，DN为根据N个扩散梯度方向所构造的N个张量，每个张量的主特征向量为对应的扩散梯度方向，张量的三个特征值分别为：[1，0，0]；方程(1)中正则项为：方程(3)中，加权系数ωpq＝||p-q||2为体素p和q之间的欧氏距离，Up为体素p的3×3×3邻域，Df(p，q)为体素p和q之间的非相似性，为各加权系数之和；Df(p，q)通过如下方式计算：首先根据纤维走向分布和计算对应的主纤维走向集合Фp和Фq，分别表示为：Фp＝{(αip，dip)，i＝1，2，...，mp}和Фq＝{(αjq，djq)，j＝1，2，...，mq}，其中mp和mq分别为Фp和Фq中主纤维走向的数量，αip和dip分别为体素p中的第i个局部极大值及其对应的纤维走向，αjq和djq分别为体素q中的第j个局部极大值及其对应的纤维走向；方程(4)中，找到F中的m个局部极大值点fi，i＝1，2，...，m及其对应的方向di，i＝1，2，...，m，从而Ф＝{(fi，di)，i＝1，2，...，m}；S3、判断当前迭代次数k是否大于设定的总迭代次数kN；如果k≤kN，返回步骤S2；否则进行S4；S4、对于每个体素p，根据得到的最终的体素内纤维走向分布计算体素内的主纤维走向集合即可。本专利技术根据邻域体素间纤维走向的非相似性构造非凸正则化项，并将该非凸正则化项应用于反卷积迭代求解过程中。然后，根据非凸正则化反卷积迭代求解算法得到的各体素内纤维走向分布，提取其局部极大值及对应的方向，得到体素内主纤维走向。能够在提高算法抗噪声性能的同时，保持图像的边缘结构特征，从而提高体素内多纤维走向估计的精度，精度提高了约43％。附图说明图1为仿真数据各个体素内的实际纤维走向；图2为采用全变分正则化方法计算得到的各个体素内的纤维走向；图3为采用本专利技术方法计算得到的各个体素内的纤维走向；图4为本专利技术方法的流程图。具体实施方式下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。本实施例中采用高斯混合模型法模拟生存一组分辨率为16×16的磁共振扩散加权图像仿真数据，该组数据包含30个不同扩散加权梯度方向的磁共振扩散加权图像，扩散敏感因子b值为1000，其各个体素的实际纤维走向如图1所示，图中的每个线段表示其所在体素中纤维的一个走向。在生成的仿真数据中加入一定强度的莱斯噪声，得到一组信噪比17的仿真磁共振扩散加权图像数据。使用本专利技术基于非凸正则化反卷积的体素内多纤维走向估计方法对该组含噪数据进行处理的步骤如下：步骤一、初始化。选取正则化参数λ＝0.03，选取总迭代次数kN＝400；在单位球面上均匀选取321个点g1，g2，...，g321作为纤维走向分布的重建方向，对于每个体素p，给定其体素内的纤维走向分布的初始值为令当前迭代次数k＝1。步骤二、非凸正则化反卷积迭代计算。对于每个体素，采用反卷积迭代方程(1)进行第k次迭代计算。方程(1)中，[X]i表示向量X的第i个元素，Sp为体素p对应的磁共振扩散加权信号，M行N列矩阵H通过方程(2)定义。方程(2)中，N为磁共振扩散成像所采用的扩散梯度方向的数量，b为扩散敏感因子，D1，D2，...，DN为根据N个扩散梯度方向所构造的N个张量，每个张量的主特征向量为对应的扩散梯度方向，张量的三个特征值分别为：[1，0，0]。在该实施例中，M＝321，N＝30，b＝1000。方程(1)中正则项通过方程(3)定义：方程(3)中，加权系数ωpq＝||p-q||2为体素p和q之间的欧氏距离，Up为体素p的3×3×3邻域，Df(p，q)为体素p和q之间的非相似性，为各加权系数之和。Df(p，q)通过如下方式计算：首先根据纤维走向分布和计算对应的主纤维走向集合Фp和Фq，分别表示为：Фp＝{(αip，dip)，i＝1，2，...，mp}和Фq＝{(αjq，djq)，j＝1，2，...，mq}，其中mp和mq分别为Фp和Фq中主纤维走向的数量，αip和dip分别为体素p中的第i个局部极大值及其对应的纤维走向，αjq和djq分别为体素q中的第j个局部极大值及其对应的纤维走向。然后按方程(4)计算Df(p，q)。方程(4)中，根据纤维走向分布F计算主纤维走向集合Ф的方法为：找到F中的m个局部极大值点fi，i＝1，2，...，m及其对应的方向di，i＝1，2，...，m，从而Ф＝{(fi，di)，i＝1，2，...，m}。步骤三、迭代终止判断。判断当前迭代次数k是否大于设定的总迭代次数kN。如果k≤kN，继续步骤二；否则进行步骤四。步骤四、提取主纤维走向。对于每个体素p，根本文档来自技高网...

【技术保护点】
1.基于非凸正则化反卷积的体素内多纤维走向估计方法，其特征在于，包括如下步骤：S1、选取正则化参数λ，选取总迭代次数kN；在单位球面上均匀选取M个点g1，g2，...，gM作为纤维走向分布的重建方向，对于每个体素p，给定其体素内的纤维走向分布的初始值为

【技术特征摘要】
1.基于非凸正则化反卷积的体素内多纤维走向估计方法，其特征在于，包括如下步骤：S1、选取正则化参数λ，选取总迭代次数kN；在单位球面上均匀选取M个点g1，g2，...，gM作为纤维走向分布的重建方向，对于每个体素p，给定其体素内的纤维走向分布的初始值为令当前迭代次数k＝1；λ的取值范围为0.02～0.08，kN的取值范围为200～400；S2、对于每个体素p，采用反卷积迭代方程(1)进行第k次迭代计算：方程(1)中，[X]i表示向量X的第i个元素，Sp为体素p对应的磁共振扩散加权信号，H为：方程(2)中，N为磁共振扩散成像所采用的扩散梯度方向的数量，b为扩散敏感因子，D1，D2，...，DN为根据N个扩散梯度方向所构造的N个张量，每个张量的主特征向量为对应的扩散梯度方向，张量的三个特征值分别为：[1，0，0]；方程(1)中正则项为：方程(3)中，加权系数ωpq＝||p-q||2为体素p和q之间的欧氏距离，Up为体...

【专利技术属性】
技术研发人员：楚春雨，刘春梅，
申请(专利权)人：渤海大学，
类型：发明
国别省市：辽宁,21