一种白质纤维在线追踪与动态组织状态估计方法
本发明属于医学图像处理,具体涉及一种白质纤维在线追踪与动态组织状态估计方法。
背景技术:
1、基于弥散磁共振成像的纤维束成像技术能够以无创方式重建大脑白质纤维的空间走行,是脑结构连接研究、脑疾病分析以及临床辅助决策中的重要工具。纤维追踪结果通常表示为多条流线,每条流线由沿空间路径依次排列的三维坐标点构成,用于描述白质纤维束的走行方向、连接关系和空间形态。现有白质纤维追踪方法主要包括确定性追踪方法和概率性追踪方法。确定性追踪方法通常根据当前位置的局部主扩散方向选择单一传播方向,在复杂纤维区域中容易出现流线中断或路径偏移;概率性追踪方法通过方向概率分布描述局部传播方向的不确定性,但其传播过程中存在的局部方向偏差可能逐步累积,进而产生虚假连接或解剖结构不合理的流线。
2、近年来,基于深度学习的白质纤维追踪方法逐渐发展。该类方法通常采用卷积神经网络、循环神经网络或transformer等网络结构,根据局部弥散信号、历史传播方向和轨迹上下文预测下一步传播方向。部分研究将局部弥散特征编码后输入因果transformer,以获得与历史轨迹相关的方向分布;另有方法进一步引入条件生成扩散模型,对复杂纤维区域中可能存在的多种传播方向进行建模,并利用局部空间特征和全局轨迹上下文共同引导传播方向的生成。然而,上述学习式方法的主要目标仍集中于纤维几何轨迹的生成,纤维追踪过程与组织微结构分析过程通常相互独立。分数各向异性、平均扩散率等微结构指标,多在纤维追踪完成后沿已重建流线进行采样、统计或聚合,无法参与纤维传播过程。即使部分方法将微结构指标作为网络输入,该类指标通常也仅作为当前位置的静态附加特征,未被表示为沿纤维轨迹连续更新的组织状态,因而难以对后续传播方向进行动态修正和反馈调节。
3、另一方面,传统张量模型能够利用一个或多个扩散张量描述局部组织中的扩散方向和扩散强度,并可根据张量特征值进一步计算相关组织微结构指标。部分递归估计方法还能够在纤维追踪过程中同步更新多张量模型参数及其协方差。然而,该类方法的状态转移和观测更新通常依赖预先设定的滤波模型和参数,难以充分学习局部弥散特征、历史轨迹上下文与组织状态演化之间的复杂非线性关系。因此,现有技术尚缺乏一种能够在白质纤维追踪过程中,联合建模局部弥散信息、历史轨迹信息和张量组织状态,利用实际弥散信号对所述张量组织状态进行约束或校正,并将更新后的张量组织状态反馈至下一传播周期的统一技术方案。
技术实现思路
1、本发明的目的在于,针对上述问题,提出一种白质纤维在线追踪与动态组织状态估计方法,将纤维追踪的几何传播过程与组织微结构的张量分析过程有机融合,提升复杂纤维区域和低信噪比区域中的追踪稳定性和组织表征连续性。
2、本发明采用的技术方案是:
3、一种白质纤维在线追踪与动态组织状态估计方法,包括以下步骤:
4、s1、获取预处理后的归一化弥散磁共振信号,初始化纤维追踪种子点及初始多张量组织状态,沿初始轴向的正方向和负方向分别建立正向传播分支和反向传播分支;
5、s2、提取当前传播位置邻域内的局部弥散特征,获取最近n个历史传播位置的轨迹特征并编码为历史轨迹token序列,将前一传播位置的张量组织状态编码为状态token,将所述局部弥散特征、历史轨迹token序列、状态token与预设的可学习融合查询token组成多条件token序列;
6、s3、将多条件token序列输入基于自注意力的特征融合模块进行联合建模,输出与所述融合查询token对应的联合上下文表征;
7、s4、将所述联合上下文表征输入多张量状态预测模块,得到预测多张量组织状态,基于所述预测多张量组织状态重建当前位置的预测归一化弥散信号,计算其与当前位置实际归一化弥散信号的信号残差,将所述预测多张量组织状态、信号残差及联合上下文表征输入可学习状态校正模块,输出校正后的多张量组织状态;
8、s5、对所述校正后的多张量组织状态中各扩散张量分量进行特征分解,提取各分量最大特征值对应的单位主特征向量作为候选传播方向,结合上一传播方向对各候选传播方向进行同向化处理,基于校正后分量权重、方向一致性及分数各向异性指标对各候选传播方向综合评分,选取评分最高的候选传播方向作为当前传播方向,按当前传播方向和预设步长更新纤维空间位置;
9、s6、将所述校正后的多张量组织状态反馈至下一传播周期,判断是否满足终止条件,若满足则终止当前传播分支,进入s7,否则返回步骤s3执行下一传播周期;
10、s7、待正向传播分支和反向传播分支均终止后,将两分支在种子点处拼接得到完整白质纤维流线,输出沿流线连续分布的动态多张量组织状态序列及对应的组织微结构参数。
11、进一步的,s1的具体方法包括:
12、s11、对获取的受试者数据进行标准化临床预处理流程,包括图像去噪、伪影校正、涡流与头动校正、畸变校正、偏置场校正、去除颅骨及空间配准,得到预处理后的弥散磁共振成像数据以及对应的扩散梯度方向和扩散加权因子数据,表示扩散梯度采样编号;
13、s12、在弥散磁共振成像数据的每个体素位置处,以基线信号对扩散加权信号进行归一化,得到预处理后的图像;根据预处理后的图像获得白质区域掩膜,并在白质区域掩膜内部按照预设空间间隔设置纤维追踪种子点;
14、s13、在种子点处利用局部弥散信号进行多张量拟合以获得初始多张量状态,第个传播位置的多张量组织状态表示为:
15、,
16、其中,表示预设的扩散张量分量总数,为当前传播位置处第个扩散张量分量,为对应的张量分量权重;
17、s14、分别对初始扩散张量进行特征分解,根据各初始扩散张量分量的分量权重和分数各向异性指标进行综合评分,选择综合评分最高的张量分量的单位主特征向量作为初始纤维轴向;从初始纤维轴向的正方向和负方向分别建立两个传播分支,以执行双向追踪,这两个传播分支在起始时刻均继承种子点处的初始多张量组织状态。
18、进一步的,s2的具体方法包括:
19、s21、以当前传播位置的连续坐标为中心,构建大小为的三维采样网格,从步骤s12得到的归一化弥散磁共振信号中,通过三线性插值算法获取所述采样网格内各网格点处的归一化弥散信号,组成当前传播位置对应的局部邻域弥散信号;将所述局部邻域弥散信号输入三维卷积特征编码模块,利用一个卷积核大小为的三维卷积层进行空间特征提取,随后通过非线性激活层和线性映射层进行维度变换,输出当前传播位置对应的局部弥散特征;
20、s22、获取当前流线最近个历史传播位置,对于第个历史传播位置,其轨迹特征向量表示为:
21、,
22、其中,,表示历史位置相对于当前传播位置的相对三维坐标,表示历史传播方向,表示局部曲率,表示由种子点至对应历史位置的累计传播长度;将各历史传播位置的轨迹特征向量通过线性映射层投影至统一特征维度,并叠加与其传播顺序对应的可学习位置编码,得到按传播时序排列的历史轨迹token序列;
23、s23、将前一传播位置的个扩散张量分别转换至对数欧氏空间,并提取各对数张量的六个独立元素,与对应的张量分量权重进行拼接,得到前一传播位置的状态特征向量:
24、,
25、其中,表示前一位置的第个扩散张量分量,对应的分量权重,表示提取对称矩阵独立元素的半向量化算子;将状态特征向量输入由两层全连接层和非线性激活层构成的状态编码模块,映射至与局部弥散token相同的特征维度,得到状态token ;
26、s24、将局部弥散token、历史轨迹token、状态token以及预设的可学习融合查询token组成多条件token序列:
27、,。
28、进一步的,s3的具体方法为:
29、将输入基于自注意力的特征融合模块,所述特征融合模块包括多个依次连接的transformer自注意力层,每个自注意力层包括多头自注意力单元和前馈网络;在各多头自注意力单元中,将输入token分别映射为查询矩阵、键矩阵和值矩阵,注意力特征计算公式为:
30、,
31、其中,表示单个注意力头的特征维度;通过多头自注意力机制对各条件token之间的关联关系进行建模,并将特征融合模块输出中与所述融合查询token对应的特征作为当前传播位置的联合上下文表征,用于当前位置的多张量组织状态预测与纤维传播方向确定。
32、进一步的,s4的具体方法包括:
33、s41、将联合上下文表征输入多张量状态预测模块,获得当前传播位置对应的预测多张量组织状态;
34、s42、通过张量状态预测模块直接预测各扩散张量在对数欧氏空间中的对称矩阵参数,并通过矩阵指数映射获得满足对称正定条件的扩散张量;同时,采用归一化指数函数对各张量分量权重进行归一化,使各权重为非负值且权重之和为1,得到满足对称正定约束和权重归一化约束的预测扩散张量与预测分量权重;
35、s43、利用得到的多张量组织状态,根据多张量混合信号模型重建当前传播位置在各扩散梯度方向下的预测归一化弥散信号:
36、,
37、随后,计算预测归一化弥散信号与当前位置实际归一化弥散信号之间的信号残差,并根据所述信号残差确定信号一致性误差;
38、s44、将信号残差、由与构成的预测状态以及联合上下文特征输入可学习状态校正模块,可学习状态校正模块包括残差编码单元、状态编码单元、特征融合单元和状态输出单元,其中,残差编码单元和状态编码单元分别对信号残差和预测多张量组织状态进行编码,得到残差特征和张量状态特征;随后,特征融合单元对残差特征、张量状态特征和联合上下文特征进行融合,得到状态校正特征;状态输出单元根据所述状态校正特征输出校正后的扩散张量参数和分量权重;当前位置的校正后多张量组织状态表示为:
39、,
40、其中,状态输出单元输出各扩散张量在对数欧氏空间中的对称矩阵参数,并通过矩阵指数映射获得校正后的扩散张量分量;所述状态输出单元还输出各张量分量对应的权重参数,并通过softmax函数获得校正后的分量权重,以使各校正后的扩散张量分量为对称正定矩阵,各校正后权重为非负值且权重之和为1,校正后多张量组织状态表示为,用于确定当前位置的纤维传播方向,并作为状态反馈信息输入下一传播周期。
41、进一步的,s5的具体方法包括:
42、s51、分别对校正后多张量组织状态中的各扩散张量分量进行特征分解,提取各扩散张量分量最大特征值对应的单位主特征向量,作为当前传播位置的候选传播方向;
43、对于非首个传播周期,根据上一传播方向对各候选传播方向进行同向化处理,使各候选传播方向与上一传播方向之间的内积为非负值,以消除扩散张量主特征向量的正负号不确定性;
44、s52、根据各扩散张量分量的校正后分量权重、候选传播方向与上一传播方向之间的方向一致性以及对应扩散张量分量的分数各向异性指标,对各候选传播方向进行综合评分,并选择综合评分最高的候选传播方向作为当前传播方向;
45、s53、在种子点对应的首个传播周期中,采用步骤s14确定的两个初始传播方向,分别执行正向传播分支和反向传播分支的追踪;
46、s54、按照当前传播方向和当前传播步长更新纤维流线的空间位置:
47、,
48、其中,和分别表示当前传播位置和下一传播位置的三维空间坐标,将下一传播位置作为下一传播周期的当前传播位置,以进行状态反馈和追踪终止判断。
49、进一步的,s6的具体方法包括:
50、s61、将当前传播位置的校正后多张量组织状态编码为状态token ,并在下一传播周期中作为上一位置状态特征参与多条件特征融合,与下一传播位置的局部弥散token和轨迹token共同作为输入;
51、s62、每一传播周期结束时,根据预设终止逻辑对以下条件进行判断:下一传播位置超出白质区域掩膜;流线累计长度超过预设长度阈值;相邻传播方向夹角超过预设角度阈值;信号一致性误差超过预设误差阈值;与当前传播方向对应的张量分量的分数各向异性低于预设阈值;达到最大传播步数;当满足任一终止条件时,停止当前传播分支;否则返回步骤s3,继续执行下一传播周期。
52、进一步的,s7的具体方法为:
53、将正向传播分支和反向传播分支在种子点处拼接,获得完整白质纤维流线,输出各传播位置的空间坐标、校正后扩散张量分量、校正后分量权重和信号一致性误差,形成沿流线连续分布的动态多张量组织状态序列。
54、本发明的有益效果为:
55、(1)本发明通过同时建模局部弥散信息、历史轨迹信息和上一传播位置的张量状态,提高了复杂纤维交叉区域和低信噪比区域中的状态估计与方向选择稳定性。
56、(2)本发明实现了同步输出纤维轨迹和沿轨迹连续分布的张量组织状态序列,可进一步计算分数各向异性、平均扩散率等微结构参数,为白质纤维定量分析和脑疾病研究提供统一的数据基础。
57、(3)本发明能够在白质纤维逐步传播过程中保持纤维几何信息与组织状态信息的一致性,可应用于脑连接组分析、白质微结构定量分析及神经外科术前规划等场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com