一種基于空間相似度的纖維分類方法及其系統(tǒng)的制作方法
【專利摘要】一種基于空間相似度的纖維分類方法及其系統(tǒng)，本發(fā)明的方法包括以下步驟：數(shù)據(jù)處理和纖維跟蹤模塊：包括數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑；顏色編碼，空間映射和纖維聚類模塊：將纖維束按照空間方向進(jìn)行顏色編碼；交互模塊并重繪纖維。實(shí)現(xiàn)該方法的系統(tǒng)，包括：數(shù)據(jù)處理和纖維跟蹤模塊，顏色編碼，空間映射和纖維聚類模塊，交互模塊并重繪纖維。
【專利說明】一種基于空間相似度的纖維分類方法及其系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及腦纖維研究，是一種基于空間相似度的纖維分類方法及其系統(tǒng)

【背景技術(shù)】
[0002]Dff-MRI (彌散加權(quán)磁共振成像)是目前唯一的一種無創(chuàng)的在活體腦白質(zhì)纖維結(jié)構(gòu)研究和腦部連通性探索領(lǐng)域的診斷技術(shù)。通過追蹤生物體內(nèi)水分子的擴(kuò)散運(yùn)動(dòng)，該方法可以直觀的顯示腦功能區(qū)之間的纖維連接，受到腦神經(jīng)外科研究者的重點(diǎn)關(guān)注。
[0003]為了追蹤纖維方向，擴(kuò)散張量成像(DTI)方法被提出來估計(jì)水分子的擴(kuò)散概率分布。鑒于DTI方法本身的缺陷，在有多條纖維交叉的體素內(nèi)，DTI是不能完整表達(dá)出多根纖維方向信息。然而，高角分辨率擴(kuò)散成像(HARDI)技術(shù)很好的解決了體素內(nèi)存在多根纖維交叉問題。由于腦纖維微結(jié)構(gòu)復(fù)雜，DW-MRI數(shù)據(jù)不確定，準(zhǔn)確建立全局纖維優(yōu)化指標(biāo)并精確重構(gòu)神經(jīng)纖維仍然是難題。以概率密度函數(shù)描述纖維走向的概率跟蹤算法是目前解決纖維方向不確定的有效手段，通過大量粒子按照概率密度方向盡可能的隨機(jī)拓展纖維的可能走向，以概率描述纖維的可信程度。它在某種程度上改善了確定性方法帶來的問題，同時(shí)也容易產(chǎn)生大量“過度”跟蹤導(dǎo)致的不期望纖維。
[0004]另一方面，為了更好的展示纖維路徑跟蹤，需要將纖維可視化出來。概率性跟蹤結(jié)果并不是都可信，有些纖維路徑不符合實(shí)際纖維走向，是錯(cuò)誤的。將纖維聚類之后，人工交互的剔除低可信纖維，將高可信纖維進(jìn)行可視化顯得極其重要。
[0005]綜合上述，如何對(duì)纖維進(jìn)行分類，同時(shí)保證人工交互選擇，獲得高可信度的纖維，實(shí)現(xiàn)符合人腦纖維的結(jié)構(gòu)分布成為目前腦纖維領(lǐng)域一個(gè)亟待解決的重要問題。


【發(fā)明內(nèi)容】

[0006]為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種新型的纖維分類方法，交互的剔除低可信的纖維，從而獲得高可信纖維。
[0007]一種基于空間相似度的纖維分類方法，包括如下步驟:
[0008]步驟1，數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑；
[0009]步驟2，將纖維束按照空間方向進(jìn)行顏色編碼；然后，根據(jù)纖維的各個(gè)參數(shù)，將3D纖維一一映射到2D pixelbar (像素條)上。根據(jù)DBSCAN(—種基于密度的聚類算法)方法，設(shè)定相應(yīng)的半徑和密度閾值，對(duì)高密度纖維數(shù)據(jù)進(jìn)行自動(dòng)聚類，方向相近，路徑相似的纖維聚為一捆纖維束，從而清晰的分類出路徑相似的若干纖維束；
[0010]步驟3，由于跟蹤出的低概率纖維不可信，需要從眾多纖維中剔除；在映射為2Dpixelbar后，可以交互的選擇自定義的纖維概率閾值之上的所有纖維，剔除低于閾值纖維，并重新繪制出高可信的纖維。
[0011]作為優(yōu)選的一種方案:所述的步驟2)包括以下步驟:
[0012]Step2.1顏色編碼:纖維采樣點(diǎn)用向量用表示，為保證顏色映射為正值，使用Smax)表不種子點(diǎn)，因此向量映射為RGB關(guān)系如下；
, / Λ ^ =~ I +-r ^max
I (X2 ”2+則
/ \
IV
[0013]G = - 1 +-^-r Gmax
L/ II ?χΤ
I (x-+ V-+Z-)2 J
f \
B = \ 1 +----V Bmax
、 L (X2+ V2+ Z2)2 J
[0014]其中，Rmax= Gmax = Bmax = 255
[0015]Step2.2空間映射:將纖維映射到pixelbar上。根據(jù)Bayesian纖維跟蹤，求得纖維取向的平均值歹和均方誤差Pmse:
_6] " = 士 α/Σ;二 (A —W
[0017]其中，Pi是第i根纖維的整體概率，η是整條纖維的采樣點(diǎn)數(shù)。
[0018]Pmse將直接映射為每個(gè)pixelbar的不透明度值。一根pixelbar對(duì)應(yīng)一根纖維,纖維上所有采樣點(diǎn)都--映射到對(duì)應(yīng)的pixelbar上。在pixelbar上,顏色編碼為纖維的方向信息，pixelbar長度映射成纖維本身的長度，pixelbar的不透明度被映射為纖維的整體概率分布。這樣，原本三維的空間纖維經(jīng)過映射，轉(zhuǎn)為2D上的pixelbar ；
[0019]Step2.3纖維聚類:設(shè)定半徑和密度閾值，采用DBSCAN對(duì)纖維聚類。我們?nèi)“霃綖?.5，密度閾值為20，即空間距離小于等于2.5的pixelbar將聚為一簇，而且在半徑小于
2.5的范圍內(nèi)纖維數(shù)量少于20的被視為噪聲，這些數(shù)據(jù)將不被聚類到其他的簇中。纖維間的距離D定義如下，
[0020]假設(shè)兩條pixelbar上采樣點(diǎn)分別為M和N，纖維距離D:
Y" Cl
Γ) — ^Uj=I I
[0021]I
^{M + N)
[0022]其中:n = min (Μ, N), Cli是兩條纖維上第i個(gè)采樣點(diǎn)之間的歐氏距離；
[0023]Step2.4經(jīng)過以上步驟,路徑相似,方向相近的纖維被聚類在一起,在pixelbar上很清楚的看到高可能性的纖維。
[0024]作為優(yōu)選的一種方案:所述的步驟3)包括以下步驟:
[0025]Step3.1設(shè)置不透明度值，交互的在生成的pixelbar上選擇高于設(shè)置不透明度值的相應(yīng)纖維，剔除掉平方差高于定義的閾值；
[0026]Step3.2按照以上的設(shè)置，重新生成挑選出的纖維束，獲得可信度高的纖維結(jié)果，程序運(yùn)行結(jié)束，退出系統(tǒng)。
[0027]實(shí)現(xiàn)本發(fā)明所述的方法的系統(tǒng)，包括
[0028]數(shù)據(jù)處理和纖維跟蹤模塊:包括數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑；
[0029]顏色編碼，空間映射和纖維聚類模塊:將纖維束按照空間方向進(jìn)行顏色編碼。然后，根據(jù)纖維的各個(gè)參數(shù)，將3D纖維一一映射到2D pixelbar (像素條)上。根據(jù)DBSCAN方法，設(shè)定相應(yīng)的半徑和密度閾值，對(duì)高密度纖維數(shù)據(jù)進(jìn)行自動(dòng)聚類，方向相近，路徑相似的纖維聚為一捆纖維束，從而清晰的分類出路徑相似的若干纖維束；
[0030]交互模塊并重繪纖維:由于跟蹤出的低概率纖維不可信，需要從眾多纖維中剔除。在映射為2D pixelbar后,可以自由交互的選擇自定義的纖維概率閾值之上的所有纖維,易Ij除低于閾值纖維，重新繪制出高可信的纖維。
[0031]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:采用DBSCAN算法實(shí)現(xiàn)了方向相近，路徑相似纖維的聚類，根據(jù)空間相似度分離開了高低可信的纖維路徑，交互的剔除低概率纖維，展示出高可信的纖維。

【專利附圖】

【附圖說明】
[0032]圖1為基于空間相似度的纖維分類方法及其系統(tǒng)的總體結(jié)構(gòu)圖；
[0033]圖2為空間相似度的纖維分類方法程序流程圖；
[0034]圖3為纖維分類方法的簡要流程圖；
[0035]圖4為分類后對(duì)應(yīng)的pixelbar圖；
[0036]圖5為交互選擇高可信纖維方法示意圖。

【具體實(shí)施方式】
[0037]下面結(jié)合附圖對(duì)本發(fā)明進(jìn)一步說明。
[0038]參照?qǐng)D1?圖5，一種基于空間相似度的纖維分類方法，具體包括以下步驟:
[0039]步驟1，數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑；
[0040]步驟2，將纖維束按照空間方向進(jìn)行顏色編碼；然后，根據(jù)纖維的各個(gè)參數(shù)，將3D纖維一一映射到2D pixelbar (像素條)上。根據(jù)DBSCAN(—種基于密度的聚類算法)方法，設(shè)定相應(yīng)的半徑和密度閾值，對(duì)高密度纖維數(shù)據(jù)進(jìn)行自動(dòng)聚類，方向相近，路徑相似的纖維聚為一捆纖維束，從而清晰的分類出路徑相似的若干纖維束；
[0041]步驟3，由于跟蹤出的低概率纖維不可信，需要從眾多纖維中剔除；在映射為2Dpixelbar后，可以交互的選擇自定義的纖維概率閾值之上的所有纖維，剔除低于閾值纖維，并重新繪制出高可信的纖維。
[0042]本發(fā)明所稱的DBSCAN方法是一種基于密度的聚類算法，詳見M.Ester, H.P.Kriegelj J.Sander, X.Xu.A density-based algorithm for discovering clusters inlarge spatial databases with noise.Proceedings of the Second Internat1nalConference on Knowledge Discovery and Data Mining(KDD)，226 - 231，1996.
[0043]作為優(yōu)選的一種方案:所述的步驟2)包括以下步驟:
[0044]Step2.1顏色編碼:纖維采樣點(diǎn)用向量用表示，為保證顏色映射為正值，使用丨^^^^^^—^^一表不種子點(diǎn)卩因此向量映射為RGB關(guān)系如下；

【權(quán)利要求】
1.一種基于空間相似度的纖維分類方法，其特征在于: 步驟1，數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑； 步驟2，將纖維束按照空間方向進(jìn)行顏色編碼；然后，根據(jù)纖維的各個(gè)參數(shù)，將3D纖維一一映射到2D pixelbar (像素條)上。根據(jù)DBSCAN(—種基于密度的聚類算法)方法，設(shè)定相應(yīng)的半徑和密度閾值，對(duì)高密度纖維數(shù)據(jù)進(jìn)行自動(dòng)聚類，方向相近，路徑相似的纖維聚為一捆纖維束，從而清晰的分類出路徑相似的若干纖維束； 步驟3，由于跟蹤出的低概率纖維不可信，需要從眾多纖維中剔除；在映射為2Dpixelbar后，可以交互的選擇自定義的纖維概率閾值之上的所有纖維，剔除低于閾值纖維，并重新繪制出高可信的纖維。
2.根據(jù)權(quán)利要求1所述的基于空間相似度的纖維分類方法，其特征在于:所述的步驟2)包括以下步驟， Step2.1顏色編碼:纖維采樣點(diǎn)用向量用表示，為保證顏色映射為正值，使用
表不種子點(diǎn)，因此向量映射為RGB關(guān)系如下；
其中，Rmax = Gmax = Bmax = 255 Step2.2空間映射:將纖維映射到pixelbar上。根據(jù)Bayesian纖維跟蹤,求得纖維取向的平均值P和均方誤差Pmse:
其中，Pi是第i根纖維的整體概率，η是整條纖維的采樣點(diǎn)數(shù)。 Pmse將直接映射為每個(gè)pixelbar的不透明度值。一根pixelbar對(duì)應(yīng)一根纖維,纖維上所有采樣點(diǎn)都--映射到對(duì)應(yīng)的pixelbar上。在pixelbar上,顏色編碼為纖維的方向信息，pixelbar長度映射成纖維本身的長度，pixelbar的不透明度被映射為纖維的整體概率分布。這樣，原本三維的空間纖維經(jīng)過映射，轉(zhuǎn)為2D上的pixelbar ； Step2.3纖維聚類:設(shè)定半徑和密度閾值，采用DBSCAN對(duì)纖維聚類。我們?nèi)“霃綖?.5，密度閾值為20，即空間距離小于等于2.5的pixelbar將聚為一簇，而且在半徑小于2.5的范圍內(nèi)纖維數(shù)量少于20的被視為噪聲，這些數(shù)據(jù)將不被聚類到其他的簇中。纖維間的距離D定義如下， 假設(shè)兩條pixelbar上采樣點(diǎn)分別為M和N，纖維距離D:D= Σ,』(3)
1(Μ + ΛΟ
2 其中:η = min(M, N)，Cli是兩條纖維上第i個(gè)采樣點(diǎn)之間的歐氏距離； Step2.4經(jīng)過以上步驟,路徑相似,方向相近的纖維被聚類在一起,在pixelbar上很清楚的看到高可能性的纖維。
3.根據(jù)權(quán)利要求1所述的基于空間相似度的纖維分類方法，其特征在于:所述的步驟3) 包括以下步驟， Step3.1設(shè)置不透明度值，交互的在生成的pixelbar上選擇高于設(shè)置不透明度值的相應(yīng)纖維，剔除掉平方差高于定義的閾值； Step3.2按照以上的設(shè)置，重新生成挑選出的纖維束，獲得可信度高的纖維結(jié)果，程序運(yùn)行結(jié)束，退出系統(tǒng)。
4.實(shí)現(xiàn)權(quán)利要求1所述的方法的系統(tǒng)，其特征在于:包括 數(shù)據(jù)處理和纖維跟蹤模塊:包括數(shù)據(jù)導(dǎo)入，體素建模，概率性跟蹤出纖維路徑； 顏色編碼，空間映射和纖維聚類模塊:將纖維束按照空間方向進(jìn)行顏色編碼。然后，根據(jù)纖維的各個(gè)參數(shù),將3D纖維--映射到2D pixelbar (像素條)上。根據(jù)DBSCAN方法，設(shè)定相應(yīng)的半徑和密度閾值，對(duì)高密度纖維數(shù)據(jù)進(jìn)行自動(dòng)聚類，方向相近，路徑相似的纖維聚為一捆纖維束，從而清晰的分類出路徑相似的若干纖維束； 交互模塊并重繪纖維:由于跟蹤出的低概率纖維不可信，需要從眾多纖維中剔除。在映射為2D pixelbar后，可以自由交互的選擇自定義的纖維概率閾值之上的所有纖維，剔除低于閾值纖維，重新繪制出高可信的纖維。
【文檔編號(hào)】G06T7/00GK104134205SQ201410328943
【公開日】2014年11月5日 申請(qǐng)日期:2014年7月11日 優(yōu)先權(quán)日:2014年7月11日
【發(fā)明者】梁榮華, 孫文杰, 王正州, 姜曉睿, 池華炯, 馮遠(yuǎn)靜 申請(qǐng)人:浙江工業(yè)大學(xué)