[发明专利]一种基于深度学习的白质纤维束重建方法

说明书

技术领域

本发明涉及数字图像分析与处理的技术领域，尤其是指一种基于深度学习的白质纤维束重建方法。

背景技术

数字图像，尤其是生物医学大脑白质纤维显微图像中，大脑白质结构是由无数个神经纤维聚集在大脑内部组成的，颜色较浅，也叫做脑白质。白质纤维由数百万条“沟通管线”组成，管线里包覆著一根长长的轴突(又称突起)，管线外包覆著称为髓磷脂的白色脂质，而这些“白色缆线”的功能是负责沟通不同脑区的灰质(神经元)、在神经元间传递动作电位。脑白质结构异常主要变现为中枢神经细胞的髓鞘损害，导致大脑某些高级功能缺失。在医学影像学研究中，常常需要对白质纤维的解剖结构和功能特性进行分析和处理，如白质纤维束重建、特征提取与识别、病灶定位等。白质纤维束重建，是进行上述分析的基础与重要环节，然而，大脑白质纤维存在大量的交叉、汇聚和分支，如何选择纤维束重建方法，是我们要解决的至关重要的问题。

目前，比较常用的纤维束追踪的算法有确定性纤维束追踪算法(Smith SM,Johansen-Berg H,Jenkinson M,et al.Acquisition and voxelwise analysis of multi-subject diffusion data with tract-based spatial statistics.Nat Protoc.2(3):499-503,(2007))和概率性纤维束追踪算法(Wang R,Benner T,Sorensen AG,et al.Diffusion toolkit:A software package for diffusion imaging data processing and tractography.Pro Intl Soc Mag Reson Med.15:3720,(2007))。确定性纤维束追踪算法的实现过程主要包括种子点的选取、确定纤维追踪终止条件和纤维选择策略。根据采用的数学模型不同，又可分为单张量模型算法(Mishra A,Anderson AW,Wu X,et al.An improved Bayesian tensor regularization and sampling algorithm to tract neuronal fiber pathways in the language circuit.Med Phys.37(8):4274-4287,(2010))和多张量模型算法(Peled S,Friman O,Jolesz F,et al.Geometrically constrained two-tensor model for crossing tracts in DWI.Magn Reson Imaging.24(9):1263-1270,(2006))，前者认为每个体素只能穿过一条纤维，利用张量场主特征向量的特征值来重建白质纤维。常见的算法有STT算法(Mori S,Van Zijl PAM.Fiber tracking:principles and strategies-a technical review.NMR Biomed.15(7-8):468-480,(2002))、TEND算法(Lazar M,Weinstein DM,Tsuruda JS,et al.White matter tractography using diffusion tensor deflection.Hum Brain Map.18(4):306-321,(2003))、FACT算法(Mishra A,Anderson AW,Wu X,et al.An improved Bayesian tensor regularization and sampling algorithm to tract neuronal fiber pathways in the language circuit.Med Phys.37(8):4274-4287,(2010))及GTRACT算法(Cheng P.Evaluation of the GTRACT diffusion tensor tractography algorithm:a validation and reliability study.Neuroimage.31(3):1075-1085,(2006))，这些算法辨别单体素上通过的各条纤维的走行方向，追踪效果受到追踪方向、ROI选择、终止条件等因素的影响。多张量模型以体素的单张量信息为基本点，将这个基本点分解成多个特征向量来追踪单体素内的多条脑白质纤维束的走行方向。这种算法能够获得稳定、精确的纤维特征方向，初步解决了现有方法搜索不收敛带来的误差。