基于纤维束自动分割的帕金森病白质异常标注方法与流程

1.本发明涉及医学图像处理和人工智能领域，是一种基于fixel结构的脑白质异常标注方法。


背景技术：

2.帕金森病(parkinson’s disease,pd)是一种常见于老年人的神经退行性疾病，主要影响运动、情绪、认知、嗅觉和语言功能相关的脑区。帕金森氏综合征是由遗传和环境因素之间复杂的相互作用引起的，其主要临床表现为运动迟缓、僵直、静止性震颤等，是神经外科中的重要疾病之一，病理特征是黑质多巴胺能神经元变性和死亡、纹状体多巴胺减少，近年来的研究表明白质通路中断也是导致帕金森病的重要因素。
3.目前尚无有效的预防措施阻止帕金森病的发生，此外大多数帕金森病患者确诊都是由医学专家通过对患者的临床症状做出判断，并结合统一帕金森病评定量表(updrs 3.0)等统计信息确诊，这种方法耗时较长且过于依赖专家的主观经验，很难发现并对患者(将帕金森病患者和临床前患者统称为患者)进行诊断并进行及时干预。计算机辅助判断在现代医学分析中发挥着越来越重要的作用。然而，由于高达90％的白质体素中存在交叉纤维等混杂因素，传统的表征和图谱方法不具有可解释性并且无法准确定位到具体病变的白质纤维束。因此研制一种自动、准确、具有可解释性的帕金森病白质异常检测算法仍然是一项具有挑战性的任务。


技术实现要素：

4.为了克服现有基于张量等方法在计算白质的各向异性分数(fa)、平均扩散率(md)、径向扩散率(rd)和轴向扩散率(ad)时无法解释白质体素中存在交叉纤维等混杂因素的情况，以及现有的研究无法对病变部位精准定位，且过分依赖医学专家主观经验的问题，本发明提出一种基于纤维束自动分割的帕金森病白质异常标注方法。具体的说，本方法将改进的fixel方法与大脑白质图谱方法结合，得到患者在个体空间下的纤维密度(fd)，纤维横切面(fc)以及他们的积(fdc)，使用纤维跟踪算法得到全脑纤维，并将其精细分割，使用马氏距离作为加权系数对分割出的纤维进行除杂后，使用afq算法来均匀采样，最后通过统计学分析，判断患者目前症状等级(健康、认识抱怨、认知损伤、痴呆)。
5.本发明解决其技术问题所采用的技术方案是：
6.一种基于纤维束自动分割的帕金森病白质异常标注方法，包括以下步骤：
7.步骤1、图像预处理：获取患者的扩散磁共振图像，并对图像做头动校正等预处理步骤，避免外在因素对实验的影响；
8.步骤2、计算脑白质属性：计算患者的白质响应函数和全脑纤维方向分布，配准到预先研制的模型上，并计算全脑的fd、fc和fdc；
9.步骤3、进行全脑纤维追踪：基于全脑纤维方向分布使用纤维追踪算法对脑纤维进行追踪，并且除杂；
10.步骤4、基于图谱方法进行细分割：将追踪出的全脑纤维依据白质纤维图谱进行聚类、分割；
11.步骤5、纤维束自动标注：使用afq算法沿着纤维束方向进行等间距采样，并做标注；
12.步骤6、统计学数据分析：基于步骤5中标注的数据，对患者的帕金森等级进行智能评级。
13.进一步，所述步骤1中，所采用的预处理算法包括但不限于降噪、解铃、头动校正、失真校正、偏场校正以及epi校正。
14.再进一步，所述步骤2中，由于在模板空间下的fd、fc、fdc无法很好地评价待评估的个体所体现的白质异常，且后续映射到个体空间上会存在偏差，计算得到的fd、fc、fdc是在个体空间下的。
15.更进一步，所述步骤5中，选取马氏距离作为加权系数移除比平均纤维长度高出4个标准差以上的纤维或那些与纤维束核心相差超过5个标准差的纤维。将纤维束中距离相等的位置视为束状横截面，将束状横截面上的所有点称为一个节点，每个集群核心是每个节点中每个光纤的x、y和z坐标的平均值，并被标记为μ，光纤在每个光纤的x、y和z坐标之间在3d空间中的扩散被描述为协方差矩阵s，使用如下公式来计算马氏距离：
[0016][0017]
其中x表示节点(x,y,z)坐标的向量。
[0018]
本发明的有益效果为：实现对帕金森病临床前患者和帕金森病患者脑白质分析，对当前患者病情自动、准确描述。
附图说明
[0019]
图1为本发明实施方案的流程示意图。
具体实施方式
[0020]
为了使本发明的目的、技术方案和有点更加清楚明白，以下结合具体实施和附图，对本发明做进一步补充说明。
[0021]
参照图1，一种基基于纤维束自动分割的帕金森病白质异常标注方法，包括以下步骤：
[0022]
步骤1、图像预处理：由于在对患者进行扫描过程中，会存在呼吸、心跳、头动等外在因素以及机器本身存在的噪声会对图像质量造成影响，因此需要对获取到的dwi扫描图像进行图像预处理操作，包括降噪、头动校正、失真校正以及偏场校正等措施；
[0023]
步骤2、计算脑白质属性：使用tournier算法计算预处理好数据的白质响应函数，并基于白质响应函数使用约束球面反卷积的方法估计患者全脑的纤维方向分布，做进行非线性空间变化将患者个人的纤维方向分布配准到预先研制好的无偏模型上，基于非线性空间变化过程中产成的卷曲场，得到位于个体空间下的fd、fc和fdc；
[0024]
所述步骤2中，由于在模板空间下的fd、fc、fdc无法很好地评价待评估的个体所体现的白质异常，且后续映射到个体空间上会存在偏差，计算得到的fd、fc、fdc是在个体空间
下的；
[0025]
步骤3、进行全脑纤维追踪：基于步骤2中得到的全脑纤维方向分布，使用确定性追踪算法对全脑纤维进行追踪，后使用sift技术基于脑掩模对全脑纤维进行精密地过滤筛选；
[0026]
步骤4、基于图谱方法进行细分割：将追踪出的全脑纤维聚类到白质图谱空间，进行纤维束质量检测无误后，使用双边滤波的方法将全脑纤维按照脑功能区精细划分为左半球束、右半球束和联合纤维各800束纤维；
[0027]
步骤5、纤维束自动标注：为了量化纤维束的特性，我们将每根纤维重新采样200个等间距节点，并计算每个节点中每个点的体素坐标，我们使用afq算法来确保每个集群中纤维束的起点和终点是一致的。选取马氏距离作为加权系数对分割出的全脑纤维束中的离群纤维进行除杂处理，经过离群纤维剔除步骤后，簇中不同纤维束的长度是近似的，保证了每根纤维的节点对应于纤维束的相同位置。通过样条插值计算全脑中每个点的fd、fc和fdc并将物理坐标通过仿射变换与体素坐标相对应，进行数据处理；
[0028]
所述步骤5中，选取马氏距离作为加权系数移除比平均纤维长度高出4个标准差以上的纤维或那些与纤维束核心相差超过5个标准差的纤维。将纤维束中距离相等的位置视为束状横截面，将束状横截面上的所有点称为一个节点，每个集群核心是每个节点中每个光纤的x、y和z坐标的平均值，并被标记为μ，光纤在每个光纤的x、y和z坐标之间在3d空间中的扩散被描述为协方差矩阵s，使用如下公式来计算马氏距离：
[0029][0030]
其中x表示节点(x,y,z)坐标的向量；
[0031]
步骤6、统计学数据分析：基于实验数据，对比患者的fd、fc、fdc的值在扣带束(cb)、下枕额束(ioff)、胼胝体(cc)、外囊(ec)、钩束(uf)、上纵束(slf)和丘脑前部(tf)上的关系，以此对患者的帕金森病等级做出智能判断。
[0032]
以上所述的具体实施仅为本发明的一种最佳实现方式,并不用于限制本发明的专利范围,凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换,均应包括在本发明的专利保护范围内。