国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法

      文檔序號(hào):6481454閱讀:424來(lái)源:國(guó)知局

      專利名稱::一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法
      技術(shù)領(lǐng)域
      :本發(fā)明涉及一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,屬于圖像模態(tài)為彌散張量核磁共振圖像(DT-MRI)的醫(yī)學(xué)圖像處理領(lǐng)域。適合于以神經(jīng)纖維束為基礎(chǔ)的醫(yī)學(xué)影像診斷,大腦結(jié)構(gòu)、功能分析,大腦發(fā)育及神經(jīng)退化性疾病的研究等。
      背景技術(shù)
      :DT-MRI彌散張量核磁共振圖像提供了對(duì)大腦神經(jīng)纖維的方向、結(jié)構(gòu)信息的描述,是目前唯一一種可以用于活體觀測(cè)大腦白質(zhì)神經(jīng)纖維的醫(yī)學(xué)影像技術(shù)。基于DT-MRI的大腦白質(zhì)神經(jīng)纖維的分析不僅提供了對(duì)大腦神經(jīng)纖維束直接可視化觀測(cè)的工具,同時(shí)結(jié)合不同的DT-MRI參數(shù)圖像,比如FA和ADC等,也使得對(duì)大腦白質(zhì)神經(jīng)纖維的量化分析成為可能。所以基于神經(jīng)纖維束的DT-MRI圖像研究不僅對(duì)于醫(yī)學(xué)影像診斷,各種大腦神經(jīng)性退化性疾病的研究有重要的意義,同時(shí)對(duì)于大腦結(jié)構(gòu)、功能的分析也有重要的價(jià)值。目前,彌散張量核磁共振圖像經(jīng)過處理,使用DTIStudio對(duì)DTI圖像進(jìn)行神經(jīng)纖維跟蹤,可以得到由一系列象素點(diǎn)連接而成的神經(jīng)纖維以及由一系列神經(jīng)纖維表達(dá)的整個(gè)大腦白質(zhì)神經(jīng)纖維圖,但是,沒有組織和標(biāo)記的成千上萬(wàn)根神經(jīng)纖維,難以滿足以具有生物解剖學(xué)意義的神經(jīng)纖維束為基礎(chǔ)的研究,使得醫(yī)學(xué)研究人員無(wú)法認(rèn)識(shí)和識(shí)別眾多的神經(jīng)纖維,也就無(wú)法將大腦白質(zhì)神經(jīng)纖維圖很好的用于醫(yī)學(xué)研究。可見,如何有效、可靠的將成千上萬(wàn)由神經(jīng)纖維束跟蹤算法得到的沒有組織和標(biāo)記的神經(jīng)纖維進(jìn)行聚類和標(biāo)記是一項(xiàng)關(guān)鍵和具有挑戰(zhàn)性的工作。
      發(fā)明內(nèi)容要解決的技術(shù)問題為了避免現(xiàn)有技術(shù)的不足之處,本發(fā)明提出一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,將主要的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類為具有生物解剖學(xué)意義的神經(jīng)束的計(jì)算構(gòu)架。本發(fā)明的思想在于本方法為一種混合方法,即對(duì)部分纖維借助其連接的大腦解剖區(qū)域信息進(jìn)行提取、標(biāo)記,提取15種主要的大腦白質(zhì)神經(jīng)纖維。另外一些纖維則通過一種基于相似性度量的自動(dòng)聚類及基于特征的模式識(shí)別方法進(jìn)行聚類、標(biāo)記,提取4種主要的大腦白質(zhì)神經(jīng)纖維。實(shí)驗(yàn)結(jié)果表明,此種混合方法能有效應(yīng)對(duì)大腦白質(zhì)神經(jīng)纖維結(jié)構(gòu)的復(fù)雜性及可變性,可以穩(wěn)定地提取總共19種主要的大腦白質(zhì)神經(jīng)纖維束。技術(shù)方案一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,其特征在于步驟如下步驟1:使用FSL工具包的FDT工具對(duì)DTI圖像進(jìn)行渦旋校正,利用DTIStudio對(duì)圖像進(jìn)行計(jì)算,生成通道步驟2:采用多通道DTI分割算法得到表達(dá)大腦白質(zhì)、灰質(zhì)、腦脊液三類組織的分割圖,再用高維彈性配準(zhǔn)的方法HAMMER將已標(biāo)記好的標(biāo)準(zhǔn)大腦圖譜配準(zhǔn)到該分割圖,得到由區(qū)域標(biāo)記表達(dá)整個(gè)大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖;所述的標(biāo)準(zhǔn)大腦標(biāo)記圖譜來(lái)自McConnellBIC;步驟3:使用DTIStudio對(duì)DTI圖像進(jìn)行神經(jīng)纖維跟蹤,當(dāng)像素的部分各向異性值FA小于0.25,或者所跟蹤神經(jīng)纖維的轉(zhuǎn)折角度大于70度時(shí)停止跟蹤,從而得到由一系列象素點(diǎn)連接而成的神經(jīng)纖維以及由一系列神經(jīng)纖維表達(dá)的整個(gè)大腦白質(zhì)神經(jīng)纖維步驟4:將大腦白質(zhì)神經(jīng)纖維圖與大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖置于同一空間坐標(biāo)系中,根據(jù)每根神經(jīng)纖維與每種區(qū)域標(biāo)記象素的位置關(guān)系進(jìn)行分類標(biāo)記,得到15類神經(jīng)纖維標(biāo)記;a)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種神經(jīng)纖維標(biāo)記;b)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;C)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;d)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;e)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;f)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;g)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;h)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中又穿過左頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;i)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;j)當(dāng)某類神經(jīng)纖維的序列象素既穿過右扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;k)當(dāng)某類神經(jīng)纖維的序列象素既穿過左扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;1)當(dāng)某類神經(jīng)纖維的序列象素既穿過右額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;m)當(dāng)某類神經(jīng)纖維的序列象素既穿過左額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;n)當(dāng)某類神經(jīng)纖維的序列象素既穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于a、b、c和l中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;o)當(dāng)某類神經(jīng)纖維的序列象素既穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于a、b、c和m中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;步驟5:采用下述步驟標(biāo)記另外4類神經(jīng)纖維步驟a:將神經(jīng)纖維的序列象素穿過右額葉區(qū)域標(biāo)記和右顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于i和j中的任一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;步驟b:使用非線性的kernel-PCA方法將集合B的神經(jīng)纖維曲線映射到高維特征空間F,然后在特征空間F上實(shí)現(xiàn)PCA;利用核方程^,。構(gòu)成樣本協(xié)方差矩陣^,以樣本協(xié)方差矩陣的最大三個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成主成分;然后將K的每一個(gè)列向量k,采用b,-oU),w,...,w向由主成分張成的核空間投影,其中o的每一列為樣本協(xié)方差矩陣X的一個(gè)特征向量,t為平均列向量;所述計(jì)算kernel-PCA方法時(shí)的核方程為&=氣exp(-《/"),其中C7為一個(gè)像素的寬度,取決圖像的分辨率;9為長(zhǎng)度不匹配因子,^為神經(jīng)纖維曲線&的長(zhǎng)度、"為神經(jīng)纖維曲線&的長(zhǎng)度、、為兩神經(jīng)纖維曲線&與&具有對(duì)應(yīng)點(diǎn)的曲線段的長(zhǎng)度;<=(^+《J/2為神經(jīng)纖維的相似性度量,^=maXmin|A-和,,,,At^pA^附=maxminlle-&||為Hausdorff距離,/^,P,分別為神經(jīng)纖維曲線^和&上的任意一點(diǎn);步驟c:利用GAP統(tǒng)計(jì)法對(duì)投影到核空間里的神經(jīng)纖維確定最優(yōu)聚類數(shù)目,然后使用模糊C均值算法對(duì)確定最優(yōu)聚類數(shù)目的神經(jīng)纖維進(jìn)行聚類;所述模糊C均值的目標(biāo)函數(shù)為£=ttUJb,-cJ2},其中模糊從屬函數(shù)^/滿足Z〉^,c,是類j的質(zhì)心;步驟d:在訓(xùn)練樣本集中,以模式特征p-丄f^,進(jìn)行特征提取,得到半腦的上縱束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類的結(jié)果中得到的上縱束,并將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;其中W是訓(xùn)練樣本集的個(gè)數(shù)、//,,=[^.丸。]為上縱束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方在訓(xùn)練樣本集中,以模式特征P-丄f^進(jìn)行特征提取,得到半腦的鉤束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類的結(jié)果中得到鉤束,并將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;其中W是訓(xùn)練樣本集的個(gè)數(shù)、//,[W.A。]為鉤束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方圖;所述的#=5;步驟e:將神經(jīng)纖維的序列象素穿過左額葉區(qū)域標(biāo)記和左顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于m中的任一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;然后重復(fù)步驟C步驟d,得到另外半腦的上縱束神經(jīng)纖維和鉤束神經(jīng)纖維,并將該兩類神經(jīng)纖維分別設(shè)為同一種標(biāo)記;上述的19類神經(jīng)纖維標(biāo)記為不同數(shù)字、不同字母或不同顏色,以及兩者或三者的組合。有益效果本發(fā)明提出的混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,通過對(duì)部分纖維借助其連接的大腦解剖區(qū)域信息進(jìn)行提取、標(biāo)記的方法提取15種主要的大腦白質(zhì)神經(jīng)纖維;通過一種基于相似性度量的自動(dòng)聚類及基于特征的模式識(shí)別方法進(jìn)行聚類、標(biāo)記的方法提取4種主要的大腦白質(zhì)神經(jīng)纖維。將主要的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類為具有生物解剖學(xué)意義的神經(jīng)束的計(jì)算構(gòu)架。從而使得醫(yī)學(xué)研究人員可以通過本方法標(biāo)記后的圖像,認(rèn)識(shí)和識(shí)別眾多神經(jīng)纖維,將大腦白質(zhì)神經(jīng)纖維圖很好的用于醫(yī)學(xué)研究。實(shí)驗(yàn)結(jié)果表明,此種混合方法能有效應(yīng)對(duì)大腦白質(zhì)神經(jīng)纖維結(jié)構(gòu)的復(fù)雜性及可變性,可以穩(wěn)定地提取總共19種主要的大腦白質(zhì)神經(jīng)纖維束。圖1:本發(fā)明方法的流程圖圖2:本發(fā)明方法的流程中表達(dá)的過程圖(a)FA(b)組織分割(c)由區(qū)域標(biāo)記表達(dá)整個(gè)大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記(d)由一系列神經(jīng)纖維表達(dá)的整個(gè)大腦白質(zhì)神經(jīng)纖維圖3:依據(jù)神經(jīng)纖維束通過的解剖結(jié)構(gòu)區(qū)域信息提取的15種神經(jīng)纖維束(a)胼胝體神經(jīng)纖維束(三束,對(duì)應(yīng)不同顏色);(b)投射神經(jīng)纖維束(6種,圖示為右大腦半球的三束);(c)扣帶神經(jīng)纖維束(左右半腦各一束,下同);(d)下額枕束;(e)下縱束;圖4:核空間內(nèi)基于相似性度量的纖維束聚類結(jié)果舉例(a)穿過右額葉和顳葉的纖維,標(biāo)記為集合A;(b)從集合A去掉IFOR后的纖維,標(biāo)記為集合B;(C)特征空間里的聚類結(jié)果;(d)對(duì)應(yīng)聚類結(jié)果的4類纖維束。纖維束顏色對(duì)應(yīng)于(c)圖5:纖維束特征提取(a)SLFR(右上縱束)纖維終點(diǎn)標(biāo)志分布;(b)UCR(右鉤束)纖維終點(diǎn)標(biāo)志分布;(c)SLFR特征;(d)UCR特征;圖6:4組測(cè)試對(duì)象的纖維束聚類和標(biāo)記結(jié)果,每一個(gè)纖維束被標(biāo)記為不同顏色;圖7:1組新測(cè)試數(shù)據(jù)的SLFR(右上縱束)和UCR(右鉤束)標(biāo)記舉例;(a)SLFR終點(diǎn)分布;(b)標(biāo)記的SLFR;(C)UCR終點(diǎn)分布;(d)標(biāo)記的UCR;具體實(shí)施例方式現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述圖1為本發(fā)明實(shí)施例,用于大腦白質(zhì)神經(jīng)纖維聚類、標(biāo)記及量化分析的構(gòu)架流程1、彌散張量圖像的預(yù)處理,由步驟1步驟3組成步驟h使用FSL工具包的FDT工具對(duì)DTI圖像進(jìn)行渦旋校正,利用DTIStudio對(duì)圖像進(jìn)行計(jì)算,生成通道圖(圖二a);步驟2:采用多通道DTI分割算法得到表達(dá)大腦白質(zhì)、灰質(zhì)、腦脊液三類組織的分割圖(圖二b),再用高維彈性配準(zhǔn)的方法HAMMER將已標(biāo)記好的標(biāo)準(zhǔn)大腦圖譜配準(zhǔn)到該分割圖,得到由區(qū)域標(biāo)記表達(dá)整個(gè)大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖(圖二c);所述的標(biāo)準(zhǔn)大腦標(biāo)記圖譜來(lái)自McConnellBIC;步驟3:使用DTIStudio對(duì)DTI圖像進(jìn)行神經(jīng)纖維跟蹤,當(dāng)像素的部分各向異性值FA小于0.25,或者所跟蹤神經(jīng)纖維的轉(zhuǎn)折角度大于70度時(shí)停止跟蹤,從而得到由一系列象素點(diǎn)連接而成的神經(jīng)纖維以及由一系列神經(jīng)纖維表達(dá)的整個(gè)大腦白質(zhì)神經(jīng)纖維圖(圖二d);2、纖維聚類和標(biāo)記主要的大腦白質(zhì)神經(jīng)纖維可分為3大類投射纖維束,連接大腦左右半球的連合纖維束和及連接同一腦半球內(nèi)不同功能區(qū)域的聯(lián)絡(luò)纖維束。根據(jù)大腦白質(zhì)解剖結(jié)構(gòu)的知識(shí)及我們的經(jīng)驗(yàn),前兩類纖維束中的絕大多數(shù)能根據(jù)神經(jīng)纖維連接大腦結(jié)構(gòu)區(qū)域的不同,采用自上而下的方法實(shí)現(xiàn)聚類,而部分聯(lián)絡(luò)纖維束則較難于僅通過神經(jīng)纖維連接區(qū)域的指導(dǎo)實(shí)現(xiàn)聚類及標(biāo)記,對(duì)于它們需要借助額外的基于相似性度量的聚類算法來(lái)完成聚類。例如,胼胝體,皮質(zhì)丘腦和離皮質(zhì)纖維,以及扣帶等能夠根據(jù)它們穿過的白質(zhì)區(qū)域來(lái)進(jìn)行聚類;但是,對(duì)于某些聯(lián)絡(luò)纖維束,如鉤束和上縱束,由于它們和其周圍的其他神經(jīng)纖維的強(qiáng)烈纏繞,僅根據(jù)它們通過的白質(zhì)區(qū)域很難將他們提取出來(lái)。因此,需要從基于相似性度量的聚類算法中得到的額外信息來(lái)進(jìn)行聚類和標(biāo)記。本實(shí)施例中19類神經(jīng)纖維標(biāo)記為字母組合,具體標(biāo)記分類見下表表19類神經(jīng)纖維束(l)CCl-連接左、右額葉的胼胝體;(2)CC2-連接左、右頂葉的胼胝體;(3)CC3-連接左、右枕葉的胼胝體;(4)PTRl-穿過右額葉的投射纖維束(皮質(zhì)丘腦和離皮質(zhì)纖維);(5)PTR2-穿過右頂葉的投射纖維束;(6)PTR3-穿過右枕葉的投射纖維束;(7)PTLl-穿過左額葉的投射纖維束;第—'組(8)PTL2-穿過左頂葉的投射纖維束;(9)PTL3-穿過左枕葉的投射纖維束;(10)CGR-扣帶右;(ll)CGL-扣帶左;(12)IFOR-下額枕束右;(13)IFOL-下額枕束左;(14)ILFR-下縱束右;(15)ILFL-下縱束左;(16)SLFR-上縱束右;(17)SLFL-上縱束左;第二i且(18)UCR-鉤束右;(19)UCL-鉤束左.具體標(biāo)記步驟如下步驟4:將大腦白質(zhì)神經(jīng)纖維圖與大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖置于同一空間坐標(biāo)系中,根據(jù)每根神經(jīng)纖維與每種區(qū)域標(biāo)記象素的位置關(guān)系進(jìn)行分類標(biāo)記,得到15類神經(jīng)纖維標(biāo)記;a)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記CC1;b)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記CC2;C)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記CC3;d)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTR1;e)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTR2;f)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTR3;g)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTL1;h)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTL2;i)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記PTL3;j)當(dāng)某類神經(jīng)纖維的序列象素既穿過右扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記CGR;k)當(dāng)某類神經(jīng)纖維的序列象素既穿過左扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記CGL;1)當(dāng)某類神經(jīng)纖維的序列象素既穿過右額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記IFOR;m)當(dāng)某類神經(jīng)纖維的序列象素既穿過左額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記IFOL;n)當(dāng)某類神經(jīng)纖維的序列象素既穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于CC1、CC2、CC3、和1中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記ILFR;150)當(dāng)某類神經(jīng)纖維的序列象素既穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于CC1、CC2、CC3和IFOR中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記ILFL;上述步驟進(jìn)行完成后,已經(jīng)標(biāo)注了15種神經(jīng)纖維,得到表一中第一組的所有纖維束。圖三給出了實(shí)施例中15種神經(jīng)纖維的解剖學(xué)指導(dǎo)下進(jìn)行纖維聚類的一個(gè)例子。然后,繼續(xù)進(jìn)行下述步驟,完成另外4種神經(jīng)纖維的標(biāo)注前面提到,表一中第二組的纖維和周圍的其他纖維緊密的纏繞在一起,僅基于它們穿過的白質(zhì)區(qū)域難以實(shí)現(xiàn)提取。作為示例,圖四(a)顯示了穿過右額葉和顳葉的所有纖維(標(biāo)注為集合A)。在集合A里,包括鉤束,上縱束,下額枕束等纖維束。因?yàn)镮FOR已經(jīng)在表一的第一組中得到,我們可以從集合A里去掉它使得問題更容易解決。圖四(b)顯示了去掉IFOR之后的結(jié)果(標(biāo)注為集合B)。很明顯,剩下的纖維仍然非常緊密地纏繞在一起。為了分離它們,我們運(yùn)用一種自動(dòng)聚類的方法,實(shí)現(xiàn)如下首先,使用非線性的kemel-PCA方法將集合B的纖維曲線投射到核向量的主成分空間。然后,使用模糊C均值(FCM)算法對(duì)特征空間里的纖維進(jìn)行自動(dòng)分組。聚類之前,使用GAP統(tǒng)計(jì)法來(lái)確定最優(yōu)聚類數(shù)目。最后基于纖維終端點(diǎn)所通過區(qū)域的統(tǒng)計(jì)分布,我們能夠自動(dòng)區(qū)分和標(biāo)記下額枕束及鉤束。具體步驟5采用下述步驟標(biāo)記另外4類神經(jīng)纖維步驟a:將神經(jīng)纖維的序列象素穿過右額葉區(qū)域標(biāo)記和右顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于IFOR中的一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;步驟b:使用非線性的kemel-PCA方法將集合B的神經(jīng)纖維曲線映射到高維特征空間F,然后在特征空間/^上實(shí)現(xiàn)PCA;利用核方程iC"構(gòu)成樣本協(xié)方差矩陣K,以樣本協(xié)方差矩陣的最大三個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成主成分;然后將K的每一個(gè)列向量k,采用b,-d/(k,—S),,-u.,w向由主成分張成的核空間投影,其中o的每一列為樣本協(xié)方差矩陣K的一個(gè)特征向量,S為平均列向量;所述計(jì)算kernel-PCA方法時(shí)的核方程為、=、,exp(-《/cx),其中a為一個(gè)像素的寬度,取決圖像的分辨率,實(shí)施例中為2mm;^,=,,"為長(zhǎng)度不匹配因子,^為神經(jīng)纖維曲線^的長(zhǎng)度、丄為神經(jīng)纖L附+—丄附,維曲線&的長(zhǎng)度、、為兩神經(jīng)纖維曲線&與/=;具有對(duì)應(yīng)點(diǎn)的曲線段的長(zhǎng)度;(=K"+C)/2為神經(jīng)纖維的相似性度量,《,"-m,m^化-^和《m=maxminll戶,-/>"為Hausdorff距離,分別為神經(jīng)纖維曲線&和F上的任意一點(diǎn);步驟c:利用GAP統(tǒng)計(jì)法對(duì)投影到核空間里的神經(jīng)纖維確定最優(yōu)聚類數(shù)目,實(shí)施例中確定的最優(yōu)聚類數(shù)目為4(圖四C),然后使用模糊C均值算法對(duì)確定最優(yōu)聚類數(shù)目的神經(jīng)纖維進(jìn)行聚類;所述模糊C均值的目標(biāo)函數(shù)為£=tt^j|b;-cj2},其中模糊從屬函數(shù)A,,滿足《。".是類j的質(zhì)心;步驟d:在訓(xùn)練樣本集中,以模式特征/^丄f&進(jìn)行特征提取,得到半腦的上縱束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類的結(jié)果中得到上縱束,并將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記SLFR;其中w是訓(xùn)練樣本集的個(gè)數(shù)等于5、^,-^,^.A。]為上縱束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方在訓(xùn)練樣本集中,以模式特征/^丄堂&進(jìn)行特征提取,得到半腦的鉤束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類的結(jié)果中得到鉤束,并將該類神經(jīng)纖維設(shè)為表一中的同一組標(biāo)記UCR;其中W是訓(xùn)練樣本集的個(gè)數(shù)等于5、A,-^A…^]為鉤束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方步驟e:將神經(jīng)纖維的序列象素穿過左額葉區(qū)域標(biāo)記和左顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于m中的任一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;然后重復(fù)步驟C步驟d,得到另外半腦的上縱束神經(jīng)纖維和鉤束神經(jīng)纖維,并將該兩類神經(jīng)纖維分別設(shè)為表一中的同一組標(biāo)記SLFL和UCL;表二采用本方法對(duì)IO個(gè)病人進(jìn)行了白質(zhì)神經(jīng)纖維的聚類、標(biāo)記,得到10種神經(jīng)纖維束的標(biāo)注。由這10組測(cè)試數(shù)據(jù)得到的纖維束與來(lái)自專家的10種神經(jīng)纖維束有具體的手工標(biāo)注步標(biāo)準(zhǔn)進(jìn)行比較,得到的平均空間匹配率(SMR)值如下表,可得知本發(fā)明方法的精確度。<table>tableseeoriginaldocumentpage18</column></row><table>權(quán)利要求1.一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,其特征在于步驟如下步驟1使用FSL工具包的FDT工具對(duì)DTI圖像進(jìn)行渦旋校正,利用DTIStudio對(duì)圖像進(jìn)行計(jì)算,生成通道圖;步驟2采用多通道DTI分割算法得到表達(dá)大腦白質(zhì)、灰質(zhì)、腦脊液三類組織的分割圖,再用高維彈性配準(zhǔn)的方法HAMMER將已標(biāo)記好的標(biāo)準(zhǔn)大腦圖譜配準(zhǔn)到該分割圖,得到由區(qū)域標(biāo)記表達(dá)整個(gè)大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖;所述的標(biāo)準(zhǔn)大腦標(biāo)記圖譜來(lái)自McConnellBIC;步驟3使用DTIStudio對(duì)DTI圖像進(jìn)行神經(jīng)纖維跟蹤,當(dāng)像素的部分各向異性值FA小于0.25,或者所跟蹤神經(jīng)纖維的轉(zhuǎn)折角度大于70度時(shí)停止跟蹤,從而得到由一系列象素點(diǎn)連接而成的神經(jīng)纖維以及由一系列神經(jīng)纖維表達(dá)的整個(gè)大腦白質(zhì)神經(jīng)纖維圖;步驟4將大腦白質(zhì)神經(jīng)纖維圖與大腦白質(zhì)或灰質(zhì)的區(qū)域標(biāo)記圖置于同一空間坐標(biāo)系中,根據(jù)每根神經(jīng)纖維與每種區(qū)域標(biāo)記象素的位置關(guān)系進(jìn)行分類標(biāo)記,得到15類神經(jīng)纖維標(biāo)記;a)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種神經(jīng)纖維標(biāo)記;b)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;c)當(dāng)某類神經(jīng)纖維的序列象素既穿過白質(zhì)區(qū)域胼胝體區(qū)域標(biāo)記坐標(biāo)中,又穿過左、右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;d)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;e)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;f)當(dāng)某類神經(jīng)纖維的序列象素既穿過右內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;g)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左額葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;h)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左頂葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;i)當(dāng)某類神經(jīng)纖維的序列象素既穿過左內(nèi)囊區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;j)當(dāng)某類神經(jīng)纖維的序列象素既穿過右扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;k)當(dāng)某類神經(jīng)纖維的序列象素既穿過左扣帶區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;l)當(dāng)某類神經(jīng)纖維的序列象素既穿過右額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;m)當(dāng)某類神經(jīng)纖維的序列象素既穿過左額葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;n)當(dāng)某類神經(jīng)纖維的序列象素既穿過右枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過右顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于a、b、c和l中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;o)當(dāng)某類神經(jīng)纖維的序列象素既穿過左枕葉區(qū)域標(biāo)記坐標(biāo)中,又穿過左顳葉區(qū)域標(biāo)記坐標(biāo)中時(shí),且又不屬于a、b、c和m中的任一類神經(jīng)纖維時(shí),將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;步驟5采用下述步驟標(biāo)記另外4類神經(jīng)纖維步驟a將神經(jīng)纖維的序列象素穿過右額葉區(qū)域標(biāo)記和右顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于l中的任一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;步驟b使用非線性的kernel-PCA方法將集合B的神經(jīng)纖維曲線映射到高維特征空間F,然后在特征空間F上實(shí)現(xiàn)PCA;利用核方程Km,n構(gòu)成樣本協(xié)方差矩陣K,以樣本協(xié)方差矩陣的最大三個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成主成分;然后將K的每一個(gè)列向量ki采用bi=ΦT(ki-<overscore>k</overscore>),i=1,...,N向由主成分張成的核空間投影,其中Φ的每一列為樣本協(xié)方差矩陣K的一個(gè)特征向量,<overscore>k</overscore>為平均列向量;所述計(jì)算kernel-PCA方法時(shí)的核方程為Km,n=wm,nexp(-d′m,n/σ),其中σ為一個(gè)像素的寬度,取決圖像的分辨率;<mathsid="math0001"num="0001"><math><![CDATA[<mrow><msub><mi>w</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>=</mo><mfrac><msub><mi>L</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mrow><msub><mi>L</mi><mi>m</mi></msub><mo>+</mo><msub><mi>L</mi><mi>n</mi></msub><mo>-</mo><msub><mi>L</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub></mrow></mfrac></mrow>]]></math>id="icf0001"file="A2009100238560004C1.tif"wi="32"he="9"top="171"left="27"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>為長(zhǎng)度不匹配因子,Lm為神經(jīng)纖維曲線Fm的長(zhǎng)度、Ln為神經(jīng)纖維曲線Fn的長(zhǎng)度、Lm,n為兩神經(jīng)纖維曲線Fm與Fn具有對(duì)應(yīng)點(diǎn)的曲線段的的長(zhǎng)度;d′m,n=(dm,n+dn,m)/2為神經(jīng)纖維的相似性度量,<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>d</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow></msub><mo>=</mo><munder><mi>max</mi><mrow><msub><mi>p</mi><mi>k</mi></msub><mo>&Element;</mo><msub><mi>F</mi><mi>m</mi></msub></mrow></munder><munder><mi>min</mi><mrow><msub><mi>p</mi><mi>l</mi></msub><mo>&Element;</mo><msub><mi>F</mi><mi>n</mi></msub></mrow></munder><mo>|</mo><mo>|</mo><msub><mi>P</mi><mi>k</mi></msub><mo>-</mo><msub><mi>P</mi><mi>l</mi></msub><mo>|</mo><mo>|</mo></mrow>]]></math>id="icf0002"file="A2009100238560004C2.tif"wi="36"he="6"top="202"left="145"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>和<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>d</mi><mrow><mi>n</mi><mo>,</mo><mi>m</mi></mrow></msub><mo>=</mo><munder><mi>max</mi><mrow><msub><mi>p</mi><mi>l</mi></msub><mo>&Element;</mo><msub><mi>F</mi><mi>n</mi></msub></mrow></munder><munder><mi>min</mi><mrow><msub><mi>p</mi><mi>k</mi></msub><mo>&Element;</mo><msub><mi>F</mi><mi>m</mi></msub></mrow></munder><mo>|</mo><mo>|</mo><msub><mi>P</mi><mi>l</mi></msub><mo>-</mo><msub><mi>P</mi><mi>k</mi></msub><mo>|</mo><mo>|</mo></mrow>]]></math>id="icf0003"file="A2009100238560004C3.tif"wi="36"he="6"top="214"left="18"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>為Hausdorff距離,Pk,Pl分別為神經(jīng)纖維曲線Fm和Fn上的任意一點(diǎn);步驟c利用GAP統(tǒng)計(jì)法對(duì)投影到核空間里的神經(jīng)纖維確定最優(yōu)聚類數(shù)目,然后使用模糊C均值算法對(duì)確定最優(yōu)聚類數(shù)目的神經(jīng)纖維進(jìn)行聚類;所述模糊C均值的目標(biāo)函數(shù)為<mathsid="math0004"num="0004"><math><![CDATA[<mrow><mi>E</mi><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>C</mi></munderover><mo>{</mo><msub><mi>&mu;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><msup><mrow><mo>|</mo><mo>|</mo><msub><mi>b</mi><mi>i</mi></msub><mo>-</mo><msub><mi>c</mi><mi>j</mi></msub><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>}</mo><mo>,</mo></mrow>]]></math>id="icf0004"file="A2009100238560004C4.tif"wi="40"he="9"top="244"left="93"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其中模糊從屬函數(shù)μi,j滿足<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msubsup><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>C</mi></msubsup><msub><mi>&mu;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mn>1</mn><mo>,</mo></mrow>]]></math>id="icf0005"file="A2009100238560004C5.tif"wi="18"he="6"top="258"left="18"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>cj是類j的質(zhì)心;步驟d在訓(xùn)練樣本集中,以模式特征<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>P</mi><mi>s</mi></msub><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>H</mi><mi>si</mi></msub></mrow>]]></math>id="icf0006"file="A2009100238560005C1.tif"wi="17"he="7"top="27"left="103"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>進(jìn)行特征提取,得到半腦的上縱束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類得到的神經(jīng)纖維束中的上縱束,并將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;其中N是訓(xùn)練樣本集的個(gè)數(shù)、Hsi=[h1,h2…h(huán)60]為上縱束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方圖;在訓(xùn)練樣本集中,以模式特征<mathsid="math0007"num="0007"><math><![CDATA[<mrow><msub><mi>P</mi><mi>s</mi></msub><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>H</mi><mi>si</mi></msub></mrow>]]></math>id="icf0007"file="A2009100238560005C2.tif"wi="17"he="8"top="79"left="86"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>進(jìn)行特征提取,得到半腦的鉤束神經(jīng)纖維的模式特征,然后利用此模式特征從第3步模糊聚類得到的神經(jīng)纖維束中的鉤束,并將該類神經(jīng)纖維設(shè)為同一種標(biāo)記;其中N是訓(xùn)練樣本集的個(gè)數(shù)、Hsi=[h1,h2…h(huán)60]為鉤束中所有神經(jīng)纖維曲線終端點(diǎn)的解剖學(xué)標(biāo)志在60個(gè)灰質(zhì)區(qū)域的分布直方圖;所述的N=5;步驟e將神經(jīng)纖維的序列象素穿過左額葉區(qū)域標(biāo)記和左顳葉區(qū)域標(biāo)記中的所有神經(jīng)纖維,記為集合A;去掉集合A中屬于m中的任一類神經(jīng)纖維后的所有神經(jīng)纖維記為集合B;然后重復(fù)步驟c~步驟d,得到另外半腦的上縱束神經(jīng)纖維和鉤束神經(jīng)纖維,并將該兩類神經(jīng)纖維分別設(shè)為同一種標(biāo)記;上述的19類神經(jīng)纖維標(biāo)記為不同數(shù)字、不同字母或不同顏色,以及兩者或三者的組合。全文摘要本發(fā)明涉及一種混合的大腦白質(zhì)神經(jīng)纖維自動(dòng)聚類及標(biāo)記方法,其特征在于首先,利用高維彈性配準(zhǔn)方法將一標(biāo)準(zhǔn)大腦圖譜匹配到單個(gè)的大腦空間,從而可以將單個(gè)的大腦分成104個(gè)具有結(jié)構(gòu)信息的解剖區(qū)域;然后利用不同神經(jīng)纖維束通過不同大腦解剖區(qū)域的特征,提取并標(biāo)記出15種神經(jīng)纖維束;對(duì)其他4種因?yàn)槠鋸?qiáng)烈與周圍神經(jīng)纖維束纏繞而不能利用上述方法提取的神經(jīng)纖維束,采用Kernel-PCA及Fuzzyc-mean相結(jié)合的基于相似性度量的方法,自動(dòng)對(duì)其進(jìn)行聚類分析,最后,采用一種基于特征的識(shí)別方法,標(biāo)記聚類分析的結(jié)果。通過以上方法,可以自動(dòng)地對(duì)大腦的19種主要白質(zhì)神經(jīng)纖維束進(jìn)行提取及標(biāo)記。文檔編號(hào)G06T7/00GK101650827SQ20091002385公開日2010年2月17日申請(qǐng)日期2009年9月9日優(yōu)先權(quán)日2009年9月9日發(fā)明者劉天明,海李,希蔣,雷郭申請(qǐng)人:西北工業(yè)大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1