本發(fā)明涉及腦神經(jīng)纖維的研究，是一種基于空間路徑相似性的腦纖維聚類方法。

背景技術(shù)：

水分子彌散是核磁共振技術(shù)的基礎(chǔ)，DWI、DTI與HARDI無創(chuàng)檢測(cè)技術(shù)均以水分子彌散擴(kuò)散為基礎(chǔ)發(fā)展而來。通過核磁共振技術(shù)，人們已經(jīng)可以跟蹤出腦白質(zhì)纖維的走向。DTI是最常用的一種檢測(cè)大腦白質(zhì)結(jié)構(gòu)的核磁共振技術(shù)，但其模型受到Gaussian假設(shè)的限制，不能解決多纖維交叉的問題。HARDI技術(shù)將水分子位移過程描述為混合高斯模型，通過計(jì)算各個(gè)成分的彌散張量的特征方向與特征值，來彌補(bǔ)DTI技術(shù)的缺陷。能夠更好地描述纖維的方向。

以上核磁共振技術(shù)已經(jīng)迅速成為對(duì)腦白質(zhì)結(jié)構(gòu)進(jìn)行研究的基礎(chǔ)性方法，腦白質(zhì)纖維的是醫(yī)學(xué)可視化領(lǐng)域的熱門話題。通過對(duì)纖維的跟蹤，人們已經(jīng)可以獲得腦部的千萬根纖維，然而這些纖維錯(cuò)綜復(fù)雜，相互存在遮擋，人們無法通過肉眼直接觀測(cè)到腦纖維的組織結(jié)構(gòu)。由于纖維的復(fù)雜性，人們無法對(duì)纖維軌跡進(jìn)行很好的可視與分析，如何對(duì)大量纖維軌跡進(jìn)行聚類與渲染依然是非常重要的問題。

纖維聚類為提升對(duì)腦纖維的感知提供了可能，同時(shí)能夠?qū)θ祟惔竽X中生理結(jié)構(gòu)相似的纖維進(jìn)行歸類，從而更好地展示纖維束之間的空間關(guān)系。合理的纖維聚類方式可以在很大程度上消除不同類別纖維之間的干擾，更好地描述纖維束的走向，從而幫助人們理解相互混合纖維的空間聯(lián)系，展示出不同纖維束之間的連接關(guān)系。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要克服現(xiàn)有技術(shù)的對(duì)腦纖維聚類方式不當(dāng)、難以消除不同類別纖維之間的干擾、展示纖維束的走向的缺點(diǎn)，提供一種基于空間路徑相似性的腦纖維聚類方法。

本發(fā)明所述的一種基于空間路徑相似性的腦纖維聚類方法，包括以下步驟：

1)、導(dǎo)入纖維數(shù)據(jù)，跟蹤出纖維路徑，并計(jì)算每根纖維的相似性；

2)、由于纖維數(shù)據(jù)的多樣性，有部分組織的纖維比較分散，纖維數(shù)量也較少，又有一部分組織的纖維相對(duì)比較密集，纖維數(shù)量非常多。根據(jù)纖維數(shù)據(jù)的大小，分別使用兩種不同的纖維聚類方法：DPC(NGK)纖維聚類方法與DPC(GK)纖維聚類方法。

2.1)針對(duì)簡(jiǎn)單的纖維數(shù)據(jù)，纖維數(shù)據(jù)量較少，采用DPC(NGK)纖維聚類方法：根據(jù)密度峰值點(diǎn)快速搜索聚類算法，即DPC算法,設(shè)定相應(yīng)的密度閾值與半徑，通過纖維密度決策圖選取纖維的聚類中心，對(duì)纖維進(jìn)行聚類，路徑相似的纖維聚類成一類。

2.2)針對(duì)復(fù)雜的纖維數(shù)據(jù)，纖維數(shù)量較多，采用DPC(GK)纖維聚類方法：由于纖維相對(duì)比較密集，數(shù)量也較大，初始半徑對(duì)纖維聚類的影響較大，為了減少初始半徑對(duì)數(shù)據(jù)的影響，根據(jù)高斯核指數(shù)計(jì)算樣本密度，對(duì)算法進(jìn)行優(yōu)化，同時(shí)引入纖維γ值排序圖來選取纖維的聚類中心，對(duì)纖維進(jìn)行聚類。

3)將聚類后的纖維數(shù)據(jù)映射到相應(yīng)的顏色空間，進(jìn)行顏色編碼與可視化展示。從而達(dá)到可以明顯地區(qū)分出不同類別纖維的效果。

作為優(yōu)選的一種方案：所述的步驟2.1)包括以下步驟：

Step11設(shè)定半徑d_c，我們?nèi)“霃綖?.5％，即若兩條纖維相似度位于總纖維相似度表的前1.5％，則認(rèn)為這兩條纖維相似，將被聚在同一個(gè)集群中。

Step12計(jì)算每條腦神經(jīng)纖維的密度ρ_i，其公式為：

ρ_i＝∑_jχ(d_ij-d_c) (1)

其中：

d_ij是第i條纖維和第j條纖維之間的纖維相似度距離，當(dāng)纖維相似度距離小于半徑是纖維密度增加。

Step13計(jì)算每條腦神經(jīng)纖維與高密度纖維的最近距離δ_i，其公式為

其中將纖維密度ρ最大的腦神經(jīng)纖維的δ值設(shè)為最大，同時(shí)分別記錄每條纖維對(duì)應(yīng)的高密度纖維序號(hào)。

Step14集群中心的選擇。纖維密度ρ_i較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維與周圍纖維形態(tài)相近；δ值較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維是局部纖維密度最大的腦神經(jīng)纖維。建立一張以纖維密度ρ為橫軸，δ為縱軸的決策圖，選擇纖維密度ρ和δ值都較大的腦神經(jīng)纖維作為集群中心，并分別標(biāo)記它們的集群編號(hào)。

Step15纖維歸類。對(duì)于沒有集群編號(hào)的纖維，按纖維密度從大到小一次將它們聚集到Step3計(jì)算的δ值對(duì)應(yīng)的纖維所在的集群中。

作為優(yōu)選的一種方案：所述的步驟2.2)包括以下步驟：

Step21計(jì)算每條腦神經(jīng)纖維的密度ρ_i，其公式為：

使用高斯核指數(shù)計(jì)算纖維密度，減少初始半徑對(duì)數(shù)據(jù)的影響。

Step22集群中心的選擇。纖維密度ρ_i較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維與周圍纖維形態(tài)相近；δ值較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維是局部纖維密度最大的腦神經(jīng)纖維。引入變量γ＝ρ·δ，選擇γ較大的腦神經(jīng)纖維作為集群中心，并分別標(biāo)記它們的集群編號(hào)。

本發(fā)明的有益效果：針對(duì)纖維數(shù)據(jù)，提出了一種基于空間路徑相似性的腦纖維聚類方法。根據(jù)纖維空間路徑計(jì)算纖維的相似性，然后計(jì)算每根纖維的密度值與到高密度纖維的最近距離，隨后選取纖維的聚類中心，將纖維進(jìn)行聚類；同時(shí)，采用高斯核指數(shù)對(duì)密度計(jì)算進(jìn)行優(yōu)化，減少誤差，從而獲得高聚類效果的纖維圖。

附圖說明

圖1為本發(fā)明的流程圖。

圖2為原始纖維數(shù)據(jù)繪制效果圖，其中圖2.1是簡(jiǎn)單纖維原始繪制效果圖，圖2.2是復(fù)雜纖維原始效果圖。

圖3為纖維密度決策圖。

圖4為纖維γ值排序圖。

圖5為DPC(NGK)纖維聚類效果圖。

圖6為DPC(GK)纖維聚類效果圖。

具體實(shí)施方式：

下面結(jié)合附圖進(jìn)一步說明本發(fā)明的技術(shù)方案。

本發(fā)明所述的一種基于空間路徑相似性的腦纖維聚類方法，包括以下步驟：

1)、導(dǎo)入纖維數(shù)據(jù)，跟蹤出纖維路徑，并計(jì)算每根纖維的相似性；

2)、由于纖維數(shù)據(jù)的多樣性，有部分組織的纖維比較分散，纖維數(shù)量也較少，又有一部分組織的纖維相對(duì)比較密集，纖維數(shù)量非常多。根據(jù)纖維數(shù)據(jù)的大小，分別使用兩種不同的纖維聚類方法：DPC(NGK)纖維聚類方法與DPC(GK)纖維聚類方法。

2.1)針對(duì)簡(jiǎn)單的纖維數(shù)據(jù)，纖維數(shù)據(jù)量較少，采用DPC(NGK)纖維聚類方法：根據(jù)密度峰值點(diǎn)快速搜索聚類算法，即DPC算法,設(shè)定相應(yīng)的密度閾值與半徑，通過纖維密度決策圖選取纖維的聚類中心，對(duì)纖維進(jìn)行聚類，路徑相似的纖維聚類成一類。

2.2)針對(duì)復(fù)雜的纖維數(shù)據(jù)，纖維數(shù)量較多，采用DPC(GK)纖維聚類方法：由于纖維相對(duì)比較密集，數(shù)量也較大，初始半徑對(duì)纖維聚類的影響較大，為了減少初始半徑對(duì)數(shù)據(jù)的影響，根據(jù)高斯核指數(shù)計(jì)算樣本密度，對(duì)算法進(jìn)行優(yōu)化，同時(shí)引入纖維γ值排序圖來選取纖維的聚類中心，對(duì)纖維進(jìn)行聚類。

3)將聚類后的纖維數(shù)據(jù)映射到相應(yīng)的顏色空間，進(jìn)行顏色編碼與可視化展示。從而達(dá)到可以明顯地區(qū)分出不同類別纖維的效果。

所述的步驟2.1)包括以下步驟：

Step11設(shè)定半徑d_c，取半徑為1.5％，即若兩條纖維相似度位于總纖維相似度表的前1.5％，則認(rèn)為這兩條纖維相似，將被聚在同一個(gè)集群中。

Step12計(jì)算每條腦神經(jīng)纖維的密度ρ_i，其公式為：

ρ_i＝∑_jχ(d_ij-d_c) (1)

其中：

d_ij是第i條纖維和第j條纖維之間的纖維相似度距離，當(dāng)纖維相似度距離小于半徑是纖維密度增加。

Step13計(jì)算每條腦神經(jīng)纖維與高密度纖維的最近距離δ_i，其公式為

其中將纖維密度ρ最大的腦神經(jīng)纖維的δ值設(shè)為最大，同時(shí)分別記錄每條纖維對(duì)應(yīng)的高密度纖維序號(hào)。

Step14集群中心的選擇。纖維密度ρ_i較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維與周圍纖維形態(tài)相近；δ值較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維是局部纖維密度最大的腦神經(jīng)纖維。建立一張以纖維密度ρ為橫軸，δ為縱軸的決策圖，選擇纖維密度ρ和δ值都較大的腦神經(jīng)纖維作為集群中心，并分別標(biāo)記它們的集群編號(hào)。

Step15纖維歸類。對(duì)于沒有集群編號(hào)的纖維，按纖維密度從大到小一次將它們聚集到Step3計(jì)算的δ值對(duì)應(yīng)的纖維所在的集群中。

所述的步驟2.2)包括以下步驟：

Step21計(jì)算每條腦神經(jīng)纖維的密度ρ_i，其公式為：

使用高斯核指數(shù)計(jì)算纖維密度，減少初始半徑對(duì)數(shù)據(jù)的影響。

Step22集群中心的選擇。纖維密度ρ_i較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維與周圍纖維形態(tài)相近；δ值較大的腦神經(jīng)纖維在解剖學(xué)中的意義是該纖維是局部纖維密度最大的腦神經(jīng)纖維。引入變量γ＝ρ·δ，選擇γ較大的腦神經(jīng)纖維作為集群中心，并分別標(biāo)記它們的集群編號(hào)。

本發(fā)明所述的高斯核指數(shù)的含義參見：Y.Cheng.Mean shift,mode seeking,and clustering.Pattern Analysis and Machine Intelligence,IEEE Transactions on,17(8):790–799,1995.

本發(fā)明所述的密度峰值點(diǎn)快速搜索聚類算法(即DPC算法)的含義參見：A.Rodriguez and A.Laio.Clustering by fast search and find of density peaks.Science,344(6191):1492–1496,2014.

本發(fā)明的系統(tǒng)界面是通過Qt進(jìn)行前端編寫，通過C++進(jìn)行數(shù)據(jù)處理，繪制通過OpenGL完成。

參照?qǐng)D1～圖6，一種基于空間路徑相似性的腦纖維聚類方法，具體包括以下步驟：

圖1是基于空間路徑相似性的腦纖維聚類方法總體流程圖。根據(jù)每對(duì)纖維之間的空間路徑相似度距離，確定每條纖維的密度以及與其最近且密度較大的纖維的相似度距離δ，然后根據(jù)纖維密度和δ畫出決策圖，確定纖維中心，最后將剩下的纖維分配到各個(gè)纖維中心以及進(jìn)行噪聲消除。

圖2是原始纖維數(shù)據(jù)繪制效果圖。通過OpenGl對(duì)纖維進(jìn)行繪制，并且使用RGB顏色空間模型對(duì)纖維進(jìn)行著色渲染，纖維的顏色非常絢麗，然而當(dāng)有較多纖維束時(shí)，用戶無法對(duì)了解纖維路徑的具體走向。圖2.1簡(jiǎn)單纖維原始繪制效果圖。這部分纖維僅來源于組織的一部分，結(jié)構(gòu)非常簡(jiǎn)單。圖2.2復(fù)雜纖維原始效果圖。這部分?jǐn)?shù)據(jù)比較復(fù)雜，用戶往往無法直觀地根據(jù)肉眼對(duì)纖維進(jìn)行區(qū)分。

圖3是纖維密度決策圖。以纖維密度ρ作為X軸，以纖維與其最近且密度較大的纖維的相似度距離δ作為Y軸，畫出決策圖。我們選擇纖維密度ρ和δ值都較大的腦神經(jīng)纖維作為集群中心。

圖4是纖維γ值排序圖。由于圖3中的方法對(duì)于復(fù)雜的纖維數(shù)據(jù)有時(shí)候較難區(qū)分纖維密度ρ和δ值都較大的點(diǎn)，因此我們?cè)O(shè)變量γ＝ρ·δ，以γ為Y軸，將纖維根據(jù)其γ值降序排列，選擇γ值較大的腦神經(jīng)纖維作為集群中心。這種方法的優(yōu)點(diǎn)在于區(qū)分度比較大，較容易選出合適的纖維集群中心。

圖5是DPC(NGK)纖維聚類效果圖。針對(duì)簡(jiǎn)單的纖維數(shù)據(jù)，首先，我們通過計(jì)算每條腦神經(jīng)纖維的密度ρ_i與其到高密度纖維的最近距離δ_i，來構(gòu)建纖維密度決策圖。通過決策圖，我們可以尋找纖維密度ρ和δ值都較大的腦神經(jīng)纖維作為集群中心，并分別標(biāo)記它們的集群編號(hào)，最后將剩余的纖維歸類至其最近的一類。從圖中可以看出，纖維被分成了三類。

圖6是DPC(NGK)纖維聚類效果圖。針對(duì)復(fù)雜的纖維數(shù)據(jù)，由于人為設(shè)置半徑d_c，往往效果受制于d_c的值。我們?cè)谟?jì)算每根纖維密度時(shí)引入了高斯核指數(shù)進(jìn)行優(yōu)化，在對(duì)集群中心進(jìn)行選擇時(shí)，通過纖維γ值排序圖對(duì)纖維的聚類中心進(jìn)行選擇。從圖中的效果可以看出，優(yōu)化效果顯著，原始纖維直觀地被分成了8類。

本說明書實(shí)施例所述的內(nèi)容僅僅是對(duì)發(fā)明構(gòu)思的實(shí)現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍不應(yīng)當(dāng)被視為僅限于實(shí)施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。