基于領(lǐng)域字典基模型的腦纖維流線微分方程跟蹤算法.pdf

1、基于擴散磁共振成像的腦白質(zhì)纖維成像技術(shù)是目前活體顯示神經(jīng)纖維走向的唯一非侵入式方法。其中，白質(zhì)纖維微結(jié)構(gòu)重構(gòu)方法和纖維跟蹤技術(shù)使得人們可以從微觀和宏觀層面來研究大腦結(jié)構(gòu)，在腦神經(jīng)外科手術(shù)導(dǎo)航、精神類疾病診斷及腦網(wǎng)絡(luò)構(gòu)建等方面發(fā)揮著重要作用。然而，當(dāng)前的纖維重構(gòu)模型由于其通常只考慮單個體素信息的重建，缺乏纖維結(jié)構(gòu)整體性的研究，存在重構(gòu)精度不高和抗噪性差的問題。另一方面，傳統(tǒng)的確定性、概率性纖維跟蹤方法由于過于依賴局部體素的纖維方向分布，在

2、跟蹤過程中容易受到一些不確定因素的干擾而引起較大偏差;全局跟蹤方法由于模型和求解過程過于復(fù)雜，在時間和空間復(fù)雜度上還遠(yuǎn)遠(yuǎn)不能滿足實際使用的需求。
　　本文針對以上問題進行了分別研究，并提出了新的方法加以改善。具體工作內(nèi)容如下:
　　1)在字典基框架的基礎(chǔ)上，提出了一種鄰域字典基纖維重構(gòu)模型。通過引入相鄰體素的纖維信息，利用體素間纖維方向分布和信號的相關(guān)性對每個體素進行約束，建立一個帶有區(qū)域結(jié)構(gòu)約束的體素重構(gòu)模型。同時，從鄰域

3、中自適應(yīng)地學(xué)習(xí)、構(gòu)建稀疏字典基用于模型重建，降低求解的計算復(fù)雜度，提高計算效率。模擬數(shù)據(jù)和實際臨床數(shù)據(jù)的實驗結(jié)果表明，本文提出的纖維重構(gòu)模型能夠保持較好的纖維一致性和平滑性，并且具有較高的重建精度和穩(wěn)定性。
　　2)提出一種腦纖維流線微分方程跟蹤算法。在跟蹤過程中搜索出鄰域體素中與自身行進方向相近的多個纖維方向，建立一個三維空間上連續(xù)平滑的方向流場來表征纖維流線的分布，減小纖維建模誤差帶來的方向估計不準(zhǔn)確的影響。通過龍格庫塔數(shù)值積