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>

      Dt-mri中的基于快速幾何流的白質(zhì)纖維束分割的制作方法

      文檔序號:6562017閱讀:225來源:國知局
      專利名稱:Dt-mri中的基于快速幾何流的白質(zhì)纖維束分割的制作方法
      技術領域
      本申請涉及使用擴散張量成像(DTI)數(shù)據(jù)集對人腦中的主要白質(zhì)束進行圖像分割。
      背景技術
      本申請要求于2005年10月26日提交的序列號為60/730,473的美國臨時申請的權益,該美國臨時申請在此全文引入作為參考。
      擴散張量成像(DTI)已經(jīng)成為醫(yī)學應用中重要的診斷成像技術并被用于神經(jīng)導航和外科手術。在神經(jīng)纖維中所測量的擴散張量(Diffusion Tensor)可以是高度各向異性的并提供識別纖維束的方式。使用DTI的基于區(qū)域的分割方法可能不會對整個纖維束起作用。應用展開表面(evolving surface)的DTI方法(水平集方法)能夠改善對白質(zhì)纖維束(White Matter Fiber Tract)的分割。當前的水平集方法可能相對慢并在分割白質(zhì)纖維束時不十分精確。
      因此,需要基于新的和改善的幾何流(geometric flow)的用于分割DT-MRI中的白質(zhì)纖維束的方法。

      發(fā)明內(nèi)容
      本發(fā)明的一個方面提出一種新穎的用于對MRI成像中的白質(zhì)纖維束進行分割的方法和系統(tǒng)。
      本發(fā)明的另一個方面是提供一種方法,以根據(jù)相似性測度(similarity measure)NTSP來確定表面展開速度,并在展開表面的法線方向與該圖像的張量場更一致的位置處增加該表面展開速度。
      本發(fā)明的再一個方面是將表面展開速度的表達式設置為F=mean(NTSP(Di,Di+1),NTSP(Di,Di+2))+βCOIN。
      本發(fā)明的另一方面是提供一致性COIN的測度。
      本發(fā)明的再一個方面是將一致性的測度的表達式設置為COIN3=(FA)*N&CenterDot;Di*Nmax(&lambda;1,&lambda;2,&lambda;3).]]>根據(jù)本發(fā)明的一個方面還設置能夠處理包括白質(zhì)纖維束的DT-MRI圖像的系統(tǒng),該系統(tǒng)包括處理器和在該處理器上可操作的應用軟件。該應用軟件能夠執(zhí)行這里所描述的所有方法。


      圖1圖解示出相鄰體素的選擇。
      圖2示出2D張量場中的展開曲線。
      圖3示出張量場內(nèi)的分割。
      圖4到圖6示出胼胝體的分割。
      圖7示出胼胝體的剖面(sectional)分割輪廓。
      圖8是計算機系統(tǒng)的圖,該計算機系統(tǒng)被用于執(zhí)行這里根據(jù)本發(fā)明的一個方面所描述的步驟。
      具體實施例方式
      幾何流、特別是曲率縮短流(curvature shortening flow)在計算機視覺中正成為越來越重要的調(diào)整(regularization)工具。曲率流是在每個點處沿其法線以取決于該點處的曲率的速度展開的曲線或者表面。幾何流是以取決于由圖像特征所確定的外部屬性的速度展開的曲線或者表面。
      3D封閉表面的一般流可被描述為&PartialD;S&PartialD;t=(F+H)N---(1)]]>其中F是基于圖像的速度函數(shù),H是取決于表面的曲率S的本征(intrinsic)速度,N是表面的法線,且t是時間。
      為了根據(jù)這個時間求解偏微分方程,可以應用由Osher和Sethian(1988年)提出的水平集方法,其中該展開表面被認為是一個更高維度(dimension higher)(φ)的函數(shù)的0水平集。通過這樣做,獲得在數(shù)值上穩(wěn)定的算法,該算法容易處理展開表面的拓撲變化。方程(1)變成&PartialD;&phi;&PartialD;t=(F+H)|&dtri;&phi;|---(2)]]>本發(fā)明的一個方面是設計一種有效的和有意義的外力或速度函數(shù)F。
      L.Jonasson、X.Bresson、P Hagmann、O.Cuisenaire、R.Meuli、以及J.Thiran的“White matter fiber trace segmentation inDT-MRI using geometric flows(使用幾何流在DT-MRI中分割白質(zhì)纖維軌跡)”(Medical Image Analysis,第9卷,第223-236頁,2005年)提出基于相似性的前傳播(propagation)過程。他們定義F=mean(NTSP(Di,Di-1),NTSP(Di,Di-2)), (3)其中Di是當前體素中的擴散張量且Di-p是通過沿表面的法線從初始體素i向后的p個體素(參見圖1)并然后選擇最近的相鄰體素來找到的柵格中的擴散張量。NTSP(Di,Di-1)是如下所定義的標準化張量標量積NTSP(Di,Di-1)=Di:Di-1Trace(Di)Trace(Di-1),---(4)]]>其中,DiDi-1=Trace(DiDi-1),NTSP(Di,Di-2))被相似地定義。兩個張量之間的相似性的最大公測度(most common measure)之一是張量標量積(TSP)并且是兩個張量之間的重疊的測度。通常將TSP標準化,以避免受到這兩個張量的相對大小的影響,如前面所引用的LisaJonasson等人的文章中所描述的那樣。所引用的Lisa Jonasson等人的文章中的分割技術的基本假設是,纖維束中的相鄰體素具有相似的擴散屬性。本模型仍使用該假設,但是用于獲得更快的幾何流的目的。
      圖2示出2D張量場的實例,以示范本模型的背景。在圖2中,黑色橢圓表示展開曲線,水平黑色箭頭和垂直灰色箭頭示出相應位置處的法線方向。直觀地,沿水平箭頭的展開速度應當比沿垂直箭頭的展開速度更大。
      這是因為水平箭頭指向纖維束的方向而垂直箭頭不會。在數(shù)學上,在法線方向與張量場更一致的位置處,展開應該更快。圖1示出相對于表面的法線的相鄰體素的選擇,如在[1]L.Jonasson、X.Bresson、P Hagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matter fiber trace segmentation in DT-MRI usinggeometric flows”(Medical Image Analysis,第9卷,第223-236頁,2005年)中所示出的那樣。圖2示出被疊加在半圓形的2D張量場內(nèi)的展開曲線(黑色橢圓)。
      作為本發(fā)明的方面,展開力可被描述成F=mean(NTSP(Di,Di+1),NTSP(Di,Di+2))+βCOIN, (5)其中COIN是法線方向與張量場的一致性的測度,且β是常數(shù)。
      對于COIN,已考慮了三種候選方案。第一候選方案是COIN1=N·PE (6)
      其中,PE是當前擴散張量Di的主特征向量,而N是法線方向。
      另一候選方案是COIN2=(FA)*N&CenterDot;Di*N|Di*N|---(7)]]>其中,F(xiàn)A是張量Di的部分各向異性(fractional anisotropy)值。
      COIN的另一種實施方式是COIN3=(FA)*N&CenterDot;Di*Nmax(&lambda;1,&lambda;2,&lambda;3)---(7a)]]>其中λ1、λ2、λ3是Di*N的特征值。
      COIN1的定義相當直觀如果法線方向與張量的主方向一致,則展開速度更高。Mariana Lazar等人在[2]M.Lazar、D.Weinstein和J.Tsuruda等人的“White matter tractography using diffusiontensor deflection(使用擴散張量偏轉(zhuǎn)的白質(zhì)束圖解法)”(HumanBrain Mapping,第18卷,第306-321頁,2003年)中使用FA。用COIN3進行分割對圖像噪聲較不敏感,并且實驗結果顯示它比COIN1更有效。在方程(5)中,使用Di+1、Di+2來定義相似性,Di+1、Di+2是Di沿替代負法線方向的正法線方向的相鄰體素。這樣做防止過沖。
      然后使用F來展開該表面,如在Jonasson的文章中所解釋的那樣。這得到了更快的分割。
      某些終止標準被用來確定纖維束的邊界。優(yōu)選的是使用兩種標準。曲線/表面的展開在相似性測度NTSP小于閾值或者相似性NTSP的梯度小于閾值的位置處終止。這兩種被結合到一起的標準能夠出于分割的目的精確地捕獲邊界。在文章[1]L.Jonasson、X.Bresson、PHagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matterfiber trace segmentation in DT-MRI using geometric flows”(Medical Image Analysis,第9卷,第223-236頁,2005年)中僅使用了第一標準。這對于由均勻區(qū)域所組成的向量/張量場的分割并不適合。在被用作示例性實例的本情況下,向量/張量場的相似性映射(map)是分段常數(shù)函數(shù)。具有高梯度的相似性的位置在分割的邊界上。使用相似性的閾值不能夠識別這種邊界,并且因此不足以作為分割標準。
      合成張量場已被創(chuàng)建來測試和比較分割方法。圖3對作為本發(fā)明的方面所提出的方法和在文章[1]L.Jonasson、X.Bresson、PHagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matterfiber trace segmentation in DT-MRI using geometric flows”(Medical Image Analysis,第9卷,第223-236頁,2005年)中所應用的方法的分割質(zhì)量進行比較。如在所引用的文章中所描述的方法已被用于重造的合成張量場。如圖3中所示出的結果顯示,作為本發(fā)明的一個方面所提出的方法更精確。圖3中的輪廓301示出一致性項(coincidence term)β=10的使用本發(fā)明的方法的分割,在Matlab中在53.45秒內(nèi)應用25次迭代。輪廓302示出不使用一致性項(β=0)的分割,在Matlab中針對105.55秒迭代50次。曲線303是初始輪廓。因此,作為本發(fā)明的方面的方法也比不使用一致性項的方法更快。
      人腦圖像已被用于驗證所提出的方法。圖4和圖5示出使用所提出的模型獲得的不同視圖的胼胝體的分割。為了對比,圖6示出使用在[1]L.Jonasson、X.Bresson、P Hagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matter fiber trace segmentation inDT-MRI using geometric flows”(Medical Image Analysis,第9卷,第223-236頁,2005年)中所應用的模型獲得的結果。圖7示出被疊加在相應FA圖像上的2D剖面輪廓。很明顯,本發(fā)明的過程比在[1]L.Jonasson、X.Bresson、P Hagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matter fiber trace segmentation inDT-MRI using geometricflows”(Medical Image Analysis,第9卷,第223-236頁,2005年)中所應用的模型更精確地捕獲胼胝體的細節(jié)。
      圖8示出根據(jù)本發(fā)明的一個方面可使用的計算機系統(tǒng)。該系統(tǒng)配備有表示要被顯示的MRI圖像的數(shù)據(jù)901。提供包括本發(fā)明的方法的指令集或者程序902,并將該指令集或者程序902與該數(shù)據(jù)結合到處理器903中,該處理器903能夠處理被施加到數(shù)據(jù)901的902的指令并在顯示器904上顯示最終圖像。處理器可以為專用硬件、GPU、CPU或者任何其它能運行902的指令的計算裝置。像鼠標、或者跟蹤球或者其它輸入裝置的輸入裝置905允許用戶初始化分割過程。因此,如圖8中所示的系統(tǒng)對圖像分割提供交互式系統(tǒng)。當然,盡管優(yōu)選的是使用具有足夠處理能力的計算機系統(tǒng),任何類型的計算機系統(tǒng)也可被使用。僅舉例來說,可以使用獨立PC、多處理器PC、主機計算機、并行處理計算機或者任何其它類型的計算機。
      在此任何提及術語像素的地方也應當被看作是提及體素。
      下列參考文獻提供通常涉及本發(fā)明的背景信息并在這里引入作為參考[1]L.Jonasson、X.Bresson、P Hagmann、O.Cuisenaire、R.Meuli以及J.Thiran的“White matter fiber trace segmentation inDT-MRI using geometric flows”(Medical Image Analysis,第9卷,第223-236頁,2005年);[2]M.Lazar、D.Weinstein和J.Tsuruda等人的“White matter tractography using diffusiontensor deflection”(Human Brain Mapping,第18卷,第306-321頁,2003年)。
      盡管已經(jīng)示出、描述和指出如被用于其優(yōu)選實施方式的本發(fā)明的基本新穎特征,應該理解,本領域普通技術人員在不背離本發(fā)明精神的情況下,可以對所示的裝置的形式和細節(jié)以及其操作作出各種省略和代替以及改變。因此,本發(fā)明僅限于如由隨附的權利要求所指出的那樣。
      權利要求
      1.一種通過擴散張量成像根據(jù)MRI圖像數(shù)據(jù)來分割白質(zhì)纖維束的方法,其中,對象的表面使用表面展開速度來展開,該方法包括根據(jù)標準化的張量標量積加上測量法線方向和張量場的一致性的一致性項來確定所述表面展開速度;以及根據(jù)所述表面展開速度來使所述對象生長。
      2.如權利要求1所述的方法,其中,所述表面展開速度被表達為F=mean(NTSP(Di,Di+1),NTSP(Di,Di+2))+βCOIN,其中NTSP(Di,Di-1)=Di:Di-1Trace(Di)Trace(Di-1)]]>并且COIN是一致性因子。
      3.如權利要求2所述的方法,其中,所述一致性COIN的測度被表達為COIN3=(FA)*N&CenterDot;Di*Nmax(&lambda;1,&lambda;2,&lambda;3).]]>
      4.如權利要求2所述的方法,其中,所述一致性COIN的測度被表達為COIN2=(FA)*N&CenterDot;Di*N|Di*N|.]]>
      5.如權利要求2所述的方法,其中,所述一致性COIN的測度被表達為COIN1=N·PE。
      6.如權利要求2所述的方法,其中β=10。
      7.如權利要求1所述的方法,其中,所述表面展開在相似性測度NTSP小于閾值的位置或者當相似性測度NTSP的梯度小于閾值的時候終止。
      8.一種用于根據(jù)圖像數(shù)據(jù)處理圖像的系統(tǒng),其包括處理器;在該處理器上可操作的應用軟件,以通過擴散張量成像根據(jù)MRI圖像數(shù)據(jù)分割白質(zhì)纖維束,其中,對象的表面使用表面展開速度來展開,該展開包括根據(jù)標準化的張量標量積加上測量法線方向和張量場的一致性的一致性項來確定所述表面展開速度;以及根據(jù)所述表面展開速度來使所述對象生長。
      9.如權利要求8所述的系統(tǒng),其中,所述表面展開速度被表達為F=mean(NTSP(Di,Di+1),NTSP(Di,Di+2))+βCOIN其中,該表面展開速度被表達為F=mean(NTSP(Di,Di+1),NTSP(Di,Di+2))+βCOIN,其中NTSP(Di,Di-1)=Di:Di-1Trace(Di)Trace(Di-1)]]>并且COIN是一致性因子。
      10.如權利要求8所述的系統(tǒng),其中,所述一致性COIN的測度被表達為COIN3=(FA)*N&CenterDot;Di*Nmax(&lambda;1,&lambda;2,&lambda;3).]]>
      11.如權利要求8所述的系統(tǒng),其中,所述一致性COIN的測度被表達為COIN2=(FA)*N&CenterDot;Di*N|Di*N|.]]>
      12.如權利要求8所述的系統(tǒng),其中,所述一致性COIN的測度被表達為COIN1=N·PE。
      13.如權利要求8所述的系統(tǒng),其中β=10。
      14.如權利要求8所述的系統(tǒng),其中,所述表面展開在相似性測度NTSP小于閾值的位置或者當相似性測度NTSP的梯度小于閾值的時候終止。
      全文摘要
      在DT-MRI圖像中對白質(zhì)纖維束的分割通過使用包括將增加表面展開的速度和質(zhì)量的方法的水平集方法來實現(xiàn)。公開了一種代表張量場與表面的法線的一致性的測度以向著在DT-MRI中增加水平集方法的速度和質(zhì)量的方法系統(tǒng)。
      文檔編號G06K9/34GK1955980SQ20061013653
      公開日2007年5月2日 申請日期2006年10月26日 優(yōu)先權日2005年10月26日
      發(fā)明者W·郭, Z·王 申請人:美國西門子醫(yī)療解決公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1