一种脑白质纤维束追踪方法与流程

1.本发明涉及数据处理方法，尤其涉及一种脑白质纤维束追踪方法。


背景技术：

2.基于磁共振的弥散张量成像(diffusion tensor imaging)技术，通过扫描一系列磁共振梯度(gx,gy,gz)场强矢量探测大脑体素的弥散信号，从而得到弥散信号的在(x,y,z)向量角方向的分布，从而计算出白质体素的生长方向进行追踪。为得到好的追踪效果，则需要采集更多个梯度方向。对于精细的纤维束追踪，需要测量60个梯度方向以上，从而大大增加了扫描时间，不仅需要患者有较高服从度忍受长时间扫描，同时还大大增加了扫描机器时间成本。现有的磁共振临床一般只开展6个或12个方向的采集，角方向分辨率较低，从而导致：1、数条纤维束交叉；2、信噪比较差等体素上追踪失败。


技术实现要素：

3.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有的脑白质纤维素追踪过程中存在的数条纤维束交叉、方向分辨率低及信噪比较差而造成脑白质纤维素追踪失败的问题。本发明提供了一种脑白质纤维束追踪方法，使用预训练的模型对较少磁共振梯度方向采集的数据进行处理，得到较好的纤维束追踪效果。
4.为实现上述目的，本发明提供了一种脑白质纤维束追踪方法，包括以下步骤：
5.建立脑白质纤维束追踪数学模型，输入任意需要追踪的脑白质纤维束的起始体素，根据已建立的数学模型输出最终的脑白质纤维束追踪结果。
6.进一步地，建立脑白质纤维束追踪数学模型，包括以下步骤：
7.根据起始体素，确认所述起始体素的前后两个体素，根据前后两个体素的向量，计算所述起始体素的四个方向的方向概率；
8.计算p
l
'；
9.根据所述起始体素的四个方向的方向概率和p
l
'，计算体素的方向概率p1；
10.根据方向概率p1，迭代求解k方向的概率pk。
11.进一步地，根据起始体素，确认所述起始体素的前后两个体素，根据前后两个体素的向量，计算所述起始体素的四个方向的方向概率，具体包括：
12.s1，s2，s3，s4为四个方向的方向概率，s1，s2，s3，s4为四个方向的方向概率的计算基于前后两个体素的向量，具体定义为，
13.s1＝|v(vc(k))v(vc(k-1))|
14.s2＝|v(vc(k))v
add
(vc(k))|
15.s3＝|v(vc(k))v
add
(vi)|
16.s4＝|v
add
(vc(k))v
add
(vi)|
17.其中，小写v代表矢量，大写v代表体素，v(vc(k))为基于vc与vl的向量，v(vc(k-1))则是v-l和vc的向量。
18.进一步地，计算p
l
′
具体为：
19.p
l
′
＝aμ1f(vi) (1-a)μ2p
l
20.其中a为0到1间的常数，μ1，μ2为权重参数，f(vi)为该体素vi的磁共振弥散张量计算中的各向异性参数(fractional anisotropy)，即使用该体素张量矩阵的特征值λ1，λ2，λ3计算为：
[0021][0022]
进一步地，根据所述起始体素的四个方向的方向概率和p
l
′
，计算体素的方向概率p1，具体为：
[0023]
假设一个体素vi的方向概率为p
l
，
[0024]
p1＝b(ε1s1 ε2s2 ε3s3 ε4s4) (1-b)p1′
[0025]
其中，b为权重系数，ε1，ε2，ε3，ε4为平滑系数。
[0026]
进一步地，根据方向概率p1，迭代求解k方向的概率pk，具体计算公式为：
[0027][0028]
进一步地，还包括以同一被试的少弥散方向的弥散数据和多弥散方向进行训练精神网络，并且利用训练好的神经网络进行参数优化。
[0029]
技术效果
[0030]
本发明提供了一种脑白质纤维束追踪方法，可以从磁共振图像中找到各体素的链接，从采集较少的弥散数据中更准确地完成脑白质纤维束的追踪。
[0031]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0032]
图1是本发明的一个较佳实施例中的一个体素纤维束生长方向的相关向量示意图；
[0033]
图2是本发明的一个较佳实施例中的用于优化参数集的神经网络示意图；
[0034]
图3是本发明的一个较佳实施例中的脑白质纤维束追踪结果示意图。
具体实施方式
[0035]
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
[0036]
本发明实施例提供了一种脑白质纤维束追踪方法，包括以下步骤：
[0037]
建立脑白质纤维束追踪数学模型，输入任意需要追踪的脑白质纤维束的起始体素，根据已建立的数学模型输出最终的脑白质纤维束追踪结果。
[0038]
其中，步骤一，建立脑白质纤维束追踪数学模型，具体包括以下步骤
[0039]
步骤101，根据起始体素，确认所述起始体素的前后两个体素，根据前后两个体素
的向量，计算所述起始体素的四个方向的方向概率；
[0040]
步骤102，计算p
l
′
；
[0041]
步骤103，根据所述起始体素的四个方向的方向概率和p
l
′
，计算体素的方向概率p1；
[0042]
步骤104，根据方向概率p1，迭代求解k方向的概率pk。
[0043]
本发明实施例中，设一个体素vi的方向概率为p
l
[0044]
p1＝b(ε1s1 ε2s2 ε3s3 ε4s4) (1-b)p1′ꢀꢀꢀ
(1)
[0045]
其中，b为权重系数，ε1，ε2，ε3，ε4为平滑系数，s1，s2，s3，s4为四个方向的方向概率，其计算基于前后两个体素的向量，定义为：
[0046]
s1＝|v(vc(k))v(vc(k-1))|
[0047]
s2＝|v(vc(k))v
add
(vc(k))|
[0048]
s3＝|v(vc(k))v
add
(vi)|
[0049]
s4＝|v
add
(vc(k))v
add
(vi)|
[0050]
一个体素纤维束生长方向的相关向量如图1所示，其中vc即为本体素，v-l为上个体素，vi为下个体素。(小写v代表矢量，大写v代表体素)v(vc(k))为基于vc与vl的向量，v(vc(k-1))则是v-l和vc的向量。v
add
就是两个向量之和。
[0051]
(1)式中的p
l
′
为下一个链接的体素，还可以计算为：
[0052]
p
l
′
＝aμ1f(vi) (1-a)μ2p
l
[0053]
其中a为0到1间的常数，μ1，μ2为权重参数，f(vi)为该体素vi的磁共振弥散张量计算中的各向异性参数(fractional anisotropy)，即使用该体素张量矩阵的特征值λ1，λ2，λ3计算为：
[0054][0055]
考虑实际的脑白质纤维束生长一定具备平滑性，则p
l
在追踪路径中可以逐步积累，对于迭代求解k方向的概率pk为：
[0056][0057]
上述模型中，需要确定的参数集为{a,b,μ1,μ2,ε1,ε2,ε3,ε4}，则可从任意起始体素开始，按照该模型进行纤维束追踪。
[0058]
步骤二，优化{a,b,μ1,μ2,ε1,ε2,ε3,ε4}参数。训练以下神经网络，以同一被试的少弥散方向(实践中可选9方向)的弥散数据和多弥散方向(实践中可选60方向)进行训练。
[0059]
其中，ri为迭代i次的纤维束路径向量，ru为其优化目标，即多弥散角度数据计算的路径向量。对于第α层的第n个神经元φ
α，n
＝φ(w
α,lri-ru)，其中对于同一被试的多弥散方向的每一条纤维束，均可迭代训练一次。而每个被试，均可提供数百条神经纤维束用于训练该网络，因此实际采集少量被试，即可完成该神经网络的训练。
[0060]
则对于任意一个少弥散角度采集的数据，可以使用训练好的图2所示神经网络进行参数的优化调整。从而根据步骤一得到纤维束追踪结果。
[0061]
本实施例中，经过上述实施例中的脑白质纤维束追踪数学模型后，得到的脑白质
纤维束追踪结果如图3所示。
[0062]
本发明的一种脑白质纤维束追踪方法，使用预训练的模型对较少磁共振梯度方向采集的数据进行处理，得到较好的纤维束追踪效果。
[0063]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。