專利名稱：一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法，屬于醫(yī)學(xué)圖像處理，計算神經(jīng)解剖學(xué)等領(lǐng)域。適用彌散張量核磁共振圖像的大腦神經(jīng)纖維的分類和分析，圖像來源是彌散張量核磁共振圖像。

背景技術(shù)：
大腦白質(zhì)大部分是中樞神經(jīng)系統(tǒng)的組成部分，由連接不同灰質(zhì)區(qū)域的有髓神經(jīng)細(xì)胞(纖維束)組成，負(fù)責(zé)在神經(jīng)元之間傳輸神經(jīng)沖動。因而，無論在解剖還是功能層面上，大腦白質(zhì)纖維束具有重要的作用和研究價值。隨著成像科學(xué)的發(fā)展，彌散張量核磁共振成像技術(shù)使白質(zhì)纖維束的可視化成為可能，基于此技術(shù)的大腦白質(zhì)纖維束成像方法已經(jīng)在研究領(lǐng)域得到廣泛的使用，并在臨床診斷上，如老年癡呆癥和腦腫瘤等，顯示出很大的潛力。
近期，大腦結(jié)構(gòu)和功能研究領(lǐng)域里，研究人員對白質(zhì)纖維束成像方法的利用已不僅僅局限于白質(zhì)纖維的可視化，也常常利用其對白質(zhì)纖維進(jìn)行分類研究，以此來實(shí)現(xiàn)解剖結(jié)構(gòu)或者功能意義上的探索。現(xiàn)有的分類方法可分為兩類交互式分類方法，自動聚類方法。在交互式分類方法中，專家依靠經(jīng)驗(yàn)和知識在圖像中選取感興趣的區(qū)域，從而獲得通過這些區(qū)域的纖維束。這類方法要求操作者具備相當(dāng)程度的大腦白質(zhì)纖維解剖結(jié)構(gòu)及其他相關(guān)的知識和經(jīng)驗(yàn)。大多數(shù)的自動聚類方法是先定義一種纖維間的距離或相似度，如纖維通過相同像素點(diǎn)的次數(shù)等，然后將其作為聚類算法的輸入實(shí)現(xiàn)對纖維的自動聚類。然而，現(xiàn)有的自動聚類算法多依賴于纖維的空間關(guān)系，沒有挖掘和利用纖維自身的特性。此外，越來越多的研究發(fā)現(xiàn)，大腦皮層的發(fā)育和纖維生長密切相關(guān)，而現(xiàn)有的方法僅注重纖維束分類與大腦皮層結(jié)構(gòu)或功能上的對應(yīng)聯(lián)系，少有從纖維自身形狀特性出發(fā)研究其對大腦皮層發(fā)育的貢獻(xiàn)。


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)明提出一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法，涉及一種基于大腦白質(zhì)纖維束自身形狀特征而進(jìn)行分類的方法。
本發(fā)明的思想在于從纖維束自身的形狀特性出發(fā)，構(gòu)造一個包含十二個元素的特征向量。這十二個元素可分為五大類1.纖維束的整體走向；2.纖維束的彎曲程度；3.纖維束曲線的重心分布；4.纖維束的曲率；5.纖維束的凹凸程度。在此基礎(chǔ)上，定義馬氏距離為纖維束特征向量間的相似度，并利用仿射傳播聚類算法進(jìn)行全自動聚類，得出五類形狀閉口‘U’型，敞口‘U’型，‘M’型，直線型，弧線型。
技術(shù)方案 一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法，其特征在于步驟如下 步驟1使用DTIStudio開源軟件對原始大腦彌散張量圖像進(jìn)行預(yù)處理得到大腦白質(zhì)纖維束，該纖維束是三維空間里由一系列節(jié)點(diǎn)和連接相鄰節(jié)點(diǎn)的線段組成的； 步驟2通過最大化目標(biāo)函數(shù)將重建出的纖維束映射到x-y二維平面，其中

表示纖維束S上i節(jié)點(diǎn)的x，y坐標(biāo)，N表示纖維束上節(jié)點(diǎn)的個數(shù)； 步驟3對映射到二維平面上的纖維束進(jìn)行長度歸一化處理首先采用文獻(xiàn)Choosing nodes in parametric curve interpolation中的方法對纖維束進(jìn)行插值，其次，在纖維束上重新采樣100個等步長節(jié)點(diǎn)，最后將所有步長縮放成同樣的單位長度，使所有的纖維束等長，完成長度歸一化，本發(fā)明規(guī)定單位長度為1cm； 步驟4對長度歸一化后的纖維束進(jìn)行起點(diǎn)歸一化首先旋轉(zhuǎn)平移纖維束使其兩個端點(diǎn)在x軸上；其次，計算所旋轉(zhuǎn)平移的纖維束重心在x軸上位置

以距離該位置近的端點(diǎn)為起點(diǎn)；最后，從起點(diǎn)開始按公式計算纖維束的轉(zhuǎn)向；當(dāng)O為正時，表示纖維束逆時針旋轉(zhuǎn)，當(dāng)O為負(fù)時，表示纖維束順時針旋轉(zhuǎn)；其中tx(·)，ty(·)表示節(jié)點(diǎn)切線的x，y分量；規(guī)定纖維束整體轉(zhuǎn)向?yàn)轫槙r針旋轉(zhuǎn)，若為逆時針旋轉(zhuǎn)，則將纖維束沿x軸翻轉(zhuǎn)，使其順時針旋轉(zhuǎn)； 步驟5從歸一化處理后的纖維束提取纖維束的整體走向特征、纖維束的彎曲程度特征、纖維束的重心分布特征、纖維束的曲率特征和纖維束的凹凸程度特征的五類特征并將五類特征參數(shù)化為十二個元素(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅；(5)纖維束整體彎曲程度；(6)-(7)定步長彎曲程度均值及方差；(8)x-軸兩側(cè)重心位置比；(9)-(10)曲線彎曲角均值及方差；(11)-(12)凹凸點(diǎn)數(shù)比及程度比； 所述的纖維束的整體走向特征從起點(diǎn)開始，對纖維束上相鄰點(diǎn)的切線夾角進(jìn)行累積積分，并對累積積分曲線進(jìn)行傅里葉變換，使用傅里葉變換的前四個系數(shù)的振幅來描述纖維束的整體走向特征； 所述的纖維束的彎曲程度特征使用纖維束兩點(diǎn)Si和Sj間的弧長-弦長比 來描述纖維束的彎曲程度特征； 所述的纖維束的重心分布特征用纖維束在x軸兩側(cè)的重心到x軸的距離的比值來描述纖維束的重心分布特征，其中，M是y坐標(biāo)大于0的纖維束節(jié)點(diǎn)的集合，N是y坐標(biāo)小于0的纖維束節(jié)點(diǎn)的集合，當(dāng)Rg＜1時，取其倒數(shù)； 所述的纖維束的曲率特征采用文獻(xiàn)A CURVE BEND FUNCTION BASED METHOD TOCHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle來描述纖維束的曲率特征； 所述的纖維束的凹凸程度的特征在纖維束節(jié)點(diǎn)Si左右相鄰的L個點(diǎn)的鄰域內(nèi)，根據(jù)公式計算Si的凹凸，為凹，為凸，

表示凹凸的程度，并用凹凸程度的比表示纖維束的凹凸程度的特征，其中P是的節(jié)點(diǎn)的集合，Q是的節(jié)點(diǎn)的集合； 步驟6將上述的五類特征組成一個特征向量，并在該特征空間內(nèi)采用馬氏距離定義特征向量間的相似度，采用仿射傳播聚類算法對特征向量進(jìn)行聚類，從而將纖維束分成穩(wěn)定的五類閉口‘U’型；敞口‘U’型；‘M’型；直線型；弧線型；每一類的十二個元素分布以(均值，方差)的形式表述如下 閉口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纖維束整體彎曲程度(3.3299，5.6847)；(6)-(7)定步長彎曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-軸兩側(cè)重心位置比(19.1048，4.8791)；(9)-(10)曲線彎曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； 敞口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纖維束整體彎曲程度(1.6099，0.2988)；(6)-(7)定步長彎曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-軸兩側(cè)重心位置比(20.4308，6.3422)；(9)-(10)曲線彎曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； ‘M’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纖維束整體彎曲程度(1.3659，0.2841)；(6)-(7)定步長彎曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-軸兩側(cè)重心位置比(9.1574，5.2087)；(9)-(10)曲線彎曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.5421，0.9779)，(2.1838，1.3202)； 直線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纖維束整體彎曲程度(1.045，0.0291)；(6)-(7)定步長彎曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-軸兩側(cè)重心位置比(4.1518，2.0758)；(9)-(10)曲線彎曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.3187，0.6571)，(1.6189，0.9276)； 弧線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纖維束整體彎曲程度(1.1591，0.0705)；(6)-(7)定步長彎曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-軸兩側(cè)重心位置比(14.1514，4.1084)；(9)-(10)曲線彎曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； 其中，Inf表示無窮大，NaN表示不存在。
有益效果 本發(fā)明提出的一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法，


圖1本發(fā)明方法的基本流程圖； 圖2起點(diǎn)歸一化圖示； 圖3部分特征提取圖示； (1)纖維束的凹凸程度及重心分布；(2)纖維束的曲線彎曲角；(3)纖維束的切線夾角累積積分；(4)圖(3)傅里葉變換的部分振幅； 圖4一個正常人的彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類結(jié)果示例及分類結(jié)果在多個被試上的穩(wěn)定性顯示； (a1)、(a2)分類結(jié)果的整體顯示；(b)6個被試的分類帶方差棒統(tǒng)計直方圖，其中顏色標(biāo)記與(a1)(a2)一致；(c1)-(c5)隨機(jī)選取每類中小部分纖維束予以顯示，順序與(b)一致。

具體實(shí)施例方式 現(xiàn)結(jié)合實(shí)施例、附圖對本發(fā)明作進(jìn)一步描述 根據(jù)本發(fā)明提出的基于形狀特征的大腦神經(jīng)纖維分類方法，我們用C++語言實(shí)現(xiàn)了完整的過程。圖像數(shù)據(jù)來源是實(shí)際中正常人的彌散張量核磁共振圖像。方便起見，規(guī)定纖維束為一個點(diǎn)的集合{Si|i＝1，2，…，N}，點(diǎn)Si的坐標(biāo)用

表示。
本發(fā)明流程見附圖1，具體實(shí)施步驟如下 1.預(yù)處理 使用DTIStudio開源軟件對原始大腦彌散張量圖像進(jìn)行預(yù)處理得到大腦白質(zhì)纖維束。
2.三維纖維束的二維映射 為了使纖維束的形狀信息在映射過程中得到最大程度的保留，映射平面的選取十分關(guān)鍵。本發(fā)明規(guī)定映射平面為x-y平面，使目標(biāo)函數(shù)，即纖維束曲線能量函數(shù)的x，y分量和最大化，將這時的x-y平面上的投影作為映射后的二維纖維束曲線。為了驗(yàn)證“多數(shù)纖維束在三維空間的變化并不顯著”這一先決條件，隨機(jī)選擇了3000條纖維束，并計算了它們映射后的能量和原始能量之比，實(shí)驗(yàn)證明平均94.81％的能量被保留了下了，從而驗(yàn)證了上述先決條件的合理性。
3.歸一化處理 對于長度歸一化問題首先用B樣條在纖維束上進(jìn)行節(jié)點(diǎn)插值，使其節(jié)點(diǎn)更為稠密以減少重采樣所帶來的誤差；其次，在纖維束上重新采樣100個等步長節(jié)點(diǎn)；最后將所有步長縮放成同樣的單位長度，使所有的纖維束等長，從而去除了長度的影響。
對于起點(diǎn)歸一化問題首先旋轉(zhuǎn)平移纖維束使其兩個端點(diǎn)在x軸上；其次，按照原則一，計算纖維束整體的重心在x軸上位置

設(shè)定距離該位置近的端點(diǎn)為起點(diǎn)；最后，從起點(diǎn)開始按公式(1)計算纖維束的轉(zhuǎn)向 其中tx(·)，ty(·)表示節(jié)點(diǎn)切線的x，y分量。為負(fù)表示順時針旋轉(zhuǎn)，為正表示逆時針旋轉(zhuǎn)，其絕對值越大，表示轉(zhuǎn)動越大。因而，O的正負(fù)說明了纖維束整體的轉(zhuǎn)向。按照原則二，若O為正(逆時針旋轉(zhuǎn))，則將纖維束沿x軸翻轉(zhuǎn)，使其順時針旋轉(zhuǎn)。
4.特征提取及特征向量生成 纖維束的整體走向 相鄰切線夾角的累積積分描述了纖維束整體走向的變化程度。切線夾角的計算從歸一化處理后確定的起點(diǎn)開始的，并且根據(jù)纖維束整體順時針走向?qū)嵌榷x了正負(fù)相鄰的兩條切線，若后出現(xiàn)的切線相對于前一條順時針轉(zhuǎn)動(或不動)則為正，否則為負(fù)。這樣做的目的是減少擺動噪聲給累積積分帶來的錯誤性的增長。然后對累積積分進(jìn)行傅里葉變換，并取尚未大幅衰減的前四個(包括直流分量)系數(shù)的振幅來參數(shù)化纖維束的整體走向。
纖維束的彎曲程度 使用纖維束的弧長-弦長比 來描述，具體參數(shù)為纖維束整體的弧長-弦長比，即，i＝1，j＝100；一定步長(j-i＝10)的弧長-弦長比均值與方差。
纖維束的重心分布 將纖維束兩端點(diǎn)的連線即x軸作為參考軸，分別計算其兩側(cè)的重心到該軸的距離，并用兩距離比來描述。不失一般性，這個比值統(tǒng)一規(guī)定為小于1。
纖維束的曲率 本發(fā)明沒有使用對噪聲很敏感的曲率值，而采用了A CURVE BEND FUNCTIONBASED METHOD TO CHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle來描述纖維束的曲率特征。Curve Bend Angle定義為當(dāng)前點(diǎn)和兩個鄰域點(diǎn)弦長的夾角，見附圖4，本發(fā)明中鄰域點(diǎn)長度取10。所選取的參數(shù)為，Curve Bend Angle的均值和方差。
纖維束的凹凸程度 在歸一化纖維束為順時針旋轉(zhuǎn)的基礎(chǔ)上，從起點(diǎn)開始，規(guī)定纖維束順時針轉(zhuǎn)動時為凸，逆時針轉(zhuǎn)動時為凹。為了避免局部噪聲的影響，Si點(diǎn)凹凸的判斷和程度的度量使用 為凹，為凸，

表示凹凸的程度。最終選取的參數(shù)為，凹點(diǎn)和凸點(diǎn)個數(shù)之比，整體凹程度和凸程度之比。
特征向量

包含了上述十二個元素，重申如下 (1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅；(5)纖維束整體彎曲程度；(6)-(7)定步長彎曲程度均值及方差；(8)x-軸兩側(cè)重心位置比；(9)-(10)曲線彎曲角均值及方差；(11)-(12)凹凸點(diǎn)數(shù)比及程度比。
5.自動聚類 仿射傳播聚類算法將聚類類數(shù)也作為一個未知量，因而需要構(gòu)造一個相似度矩陣A，它的(i，j)元素表示特征向量間的相似度，定義為馬氏距離如下 其中，Cov為兩特征的covariance，W為對角矩陣，它對角線上的元素決定了對應(yīng)特征的權(quán)重。
另外，仿射傳播聚類算法中的p參數(shù)決定了聚類類數(shù)的松緊程度。
將構(gòu)造好的相似度矩陣和調(diào)整恰當(dāng)?shù)膒參數(shù)作為輸入，仿射傳播聚類算法可實(shí)現(xiàn)自動聚類。
本發(fā)明中，十二個特征的權(quán)重相等，即W對角線上元素均為1/12；p取值-180。
將上述的五類特征組成一個特征向量，并在該特征空間內(nèi)采用馬氏距離定義特征向量間的相似度，采用仿射傳播聚類算法對特征向量進(jìn)行聚類，從而將纖維束分成穩(wěn)定的五類閉口‘U’型；敞口‘U’型；‘M’型；直線型；弧線型；每一類的十二個元素分布以(均值，方差)的形式表述如下 閉口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纖維束整體彎曲程度(3.3299，5.6847)；(6)-(7)定步長彎曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-軸兩側(cè)重心位置比(19.1048，4.8791)；(9)-(10)曲線彎曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； 敞口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纖維束整體彎曲程度(1.6099，0.2988)；(6)-(7)定步長彎曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-軸兩側(cè)重心位置比(20.4308，6.3422)；(9)-(10)曲線彎曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； ‘M’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纖維束整體彎曲程度(1.3659，0.2841)；(6)-(7)定步長彎曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-軸兩側(cè)重心位置比(9.1574，5.2087)；(9)-(10)曲線彎曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.5421，0.9779)，(2.1838，1.3202)； 直線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纖維束整體彎曲程度(1.045，0.0291)；(6)-(7)定步長彎曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-軸兩側(cè)重心位置比(4.1518，2.0758)；(9)-(10)曲線彎曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.3187，0.6571)，(1.6189，0.9276)； 弧線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纖維束整體彎曲程度(1.1591，0.0705)；(6)-(7)定步長彎曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-軸兩側(cè)重心位置比(14.1514，4.1084)；(9)-(10)曲線彎曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)； 其中，Inf表示無窮大，NaN表示不存在。
附圖4顯示了從一個真實(shí)正常被試白質(zhì)纖維束最終得到的五類穩(wěn)定而有意義的分類結(jié)果。為了說明該分類方法的穩(wěn)定性，6個被試的分類統(tǒng)計結(jié)果以柱狀圖和方差棒的方式顯示在附圖4中，每一類的方差范圍都很小，證明了該分類方法的穩(wěn)定性。
為了驗(yàn)證該分類方法的準(zhǔn)確性，我們從分類結(jié)果中隨機(jī)選取了4000條纖維束，讓專家手工分為這五類，并以此為標(biāo)準(zhǔn)，計算自動分類結(jié)果的敏感性和特異性。表1顯示的實(shí)驗(yàn)結(jié)果證明本發(fā)明設(shè)計的分割方法具有很好的表現(xiàn)。
權(quán)利要求
1.一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法，其特征在于步驟如下
步驟1使用DTIStudio開源軟件對原始大腦彌散張量圖像進(jìn)行預(yù)處理得到大腦白質(zhì)纖維束，該纖維束是三維空間里由一系列節(jié)點(diǎn)和連接相鄰節(jié)點(diǎn)的線段組成的；
步驟2通過最大化目標(biāo)函數(shù)將重建出的纖維束映射到x-y二維平面，其中
表示纖維束S上i節(jié)點(diǎn)的x，y坐標(biāo)，N表示纖維束上節(jié)點(diǎn)的個數(shù)；
步驟3對映射到二維平面上的纖維束進(jìn)行長度歸一化處理首先采用文獻(xiàn)Choosing nodes in parametric curve interpolation中的方法對纖維束進(jìn)行插值，其次，在纖維束上重新采樣100個等步長節(jié)點(diǎn)，最后將所有步長縮放成同樣的單位長度，使所有的纖維束等長，完成長度歸一化，本發(fā)明規(guī)定單位長度為1cm；
步驟4對長度歸一化后的纖維束進(jìn)行起點(diǎn)歸一化首先旋轉(zhuǎn)平移纖維束使其兩個端點(diǎn)在x軸上；其次，計算所旋轉(zhuǎn)平移的纖維束重心在x軸上位置
以距離該位置近的端點(diǎn)為起點(diǎn)；最后，從起點(diǎn)開始按公式計算纖維束的轉(zhuǎn)向；當(dāng)O為正時，表示纖維束逆時針旋轉(zhuǎn)，當(dāng)O為負(fù)時，表示纖維束順時針旋轉(zhuǎn)；其中tx(·)ty(·)表示節(jié)點(diǎn)切線的x，y分量；規(guī)定纖維束整體轉(zhuǎn)向?yàn)轫槙r針旋轉(zhuǎn)，若為逆時針旋轉(zhuǎn)，則將纖維束沿x軸翻轉(zhuǎn)，使其順時針旋轉(zhuǎn)；
步驟5從歸一化處理后的纖維束提取纖維束的整體走向特征、纖維束的彎曲程度特征、纖維束的重心分布特征、纖維束的曲率特征和纖維束的凹凸程度特征的五類特征并將五類特征參數(shù)化為十二個元素(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅；(5)纖維束整體彎曲程度；(6)-(7)定步長彎曲程度均值及方差；(8)x-軸兩側(cè)重心位置比；(9)-(10)曲線彎曲角均值及方差；(11)-(12)凹凸點(diǎn)數(shù)比及程度比；
所述的纖維束的整體走向特征從起點(diǎn)開始，對纖維束上相鄰點(diǎn)的切線夾角進(jìn)行累積積分，并對累積積分曲線進(jìn)行傅里葉變換，使用傅里葉變換的前四個系數(shù)的振幅來描述纖維束的整體走向特征；
所述的纖維束的彎曲程度特征使用纖維束兩點(diǎn)Si和Sj間的弧長-弦長比
來描述纖維束的彎曲程度特征；
所述的纖維束的重心分布特征用纖維束在x軸兩側(cè)的重心到x軸的距離的比值來描述纖維束的重心分布特征，其中，M是y坐標(biāo)大于0的纖維束節(jié)點(diǎn)的集合，N是y坐標(biāo)小于0的纖維束節(jié)點(diǎn)的集合，當(dāng)Rg＜1時，取其倒數(shù)；
所述的纖維束的曲率特征采用文獻(xiàn)A CURVE BEND FUNCTION BASED METHOD TOCHARACTERIZE CONTOUR SHAPES中的Curve Bend Angle來描述纖維束的曲率特征；
所述的纖維束的凹凸程度的特征在纖維束節(jié)點(diǎn)Si左右相鄰的L個點(diǎn)的鄰域內(nèi)，根據(jù)公式計算Si的凹凸，為凹，為凸，
表示凹凸的程度，并用凹凸程度的比表示纖維束的凹凸程度的特征，其中P是的節(jié)點(diǎn)的集合，Q是的節(jié)點(diǎn)的集合；
步驟6將上述的五類特征組成一個特征向量，并在該特征空間內(nèi)采用馬氏距離定義特征向量間的相似度，采用仿射傳播聚類算法對特征向量進(jìn)行聚類，從而將纖維束分成穩(wěn)定的五類閉口‘U’型；敞口‘U’型；‘M’型；直線型；弧線型；每一類的十二個元素分布以(均值，方差)的形式表述如下
閉口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(9495.4612，1871.0045)，(2995.5356，604.9575)，(1644.1195，371.8454)，(1146.7312，218.4935)；(5)纖維束整體彎曲程度(3.3299，5.6847)；(6)-(7)定步長彎曲程度均值及方差(1.226，0.7212)，(0.2456，1.2471)；(8)x-軸兩側(cè)重心位置比(19.1048，4.8791)；(9)-(10)曲線彎曲角均值及方差(0.1399，0.0262)，(0.0969，0.0408)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)；
敞口‘U’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(6572.79，1105.0841)，(2277.4105，501.6588)，(1003.2212，283.2631)，(595.2231，164.0584)；(5)纖維束整體彎曲程度(1.6099，0.2988)；(6)-(7)定步長彎曲程度均值及方差(1.0488，0.0247)，(0.0453，0.047)；(8)x-軸兩側(cè)重心位置比(20.4308，6.3422)；(9)-(10)曲線彎曲角均值及方差(0.0959，0.0122)，(0.0734，0.0241)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)；
‘M’型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(5730.8211，2038.4417)，(1666.6839，799.3507)，(828.5507，381.9096)，(548.3863，236.4801)；(5)纖維束整體彎曲程度(1.3659，0.2841)；(6)-(7)定步長彎曲程度均值及方差(1.1325，0.0804)，(0.1462，0.1243)；(8)x-軸兩側(cè)重心位置比(9.1574，5.2087)；(9)-(10)曲線彎曲角均值及方差(0.139，0.027)，(0.1222，0.0277)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.5421，0.9779)，(2.1838，1.3202)；
直線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(1883.5235，1115.8633)，(664.4631，281.5467)，(344.2205，181.4514)，(207.001，109.9747)；(5)纖維束整體彎曲程度(1.045，0.0291)；(6)-(7)定步長彎曲程度均值及方差(1.0192，0.0147)，(0.0185，0.0193)；(8)x-軸兩側(cè)重心位置比(4.1518，2.0758)；(9)-(10)曲線彎曲角均值及方差(0.064，0.0196)，(0.0556，0.0218)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(1.3187，0.6571)，(1.6189，0.9276)；
弧線型(1)-(4)切線夾角累積積分傅里葉變換的前四個系數(shù)振幅(4191.9218，1212.4316)，(1231.6912，405.9243)，(634.64，220.2679)，(386.1647，147.6377)；(5)纖維束整體彎曲程度(1.1591，0.0705)；(6)-(7)定步長彎曲程度均值及方差(1.0289，0.0137)，(0.0271，0.0205)；(8)x-軸兩側(cè)重心位置比(14.1514，4.1084)；(9)-(10)曲線彎曲角均值及方差(0.0787，0.0151)，(0.0643，0.0181)；(11)-(12)凹凸點(diǎn)數(shù)比及程度比(Inf，NaN)，(Inf，NaN)；
其中，Inf表示無窮大，NaN表示不存在。
全文摘要
一種彌散張量核磁共振圖像的大腦白質(zhì)纖維束分類方法。本發(fā)明涉及一種基于大腦神經(jīng)纖維自身形狀特征進(jìn)行分類的方法?；舅枷胧菍⒋竽X神經(jīng)纖維的五類形狀特征參數(shù)化，并組成特征向量，利用AP算法對特征向量進(jìn)行全自動聚類從而完成大腦神經(jīng)纖維的分類。其特征為首先對三維大腦彌散張量圖像進(jìn)行預(yù)處理，并將所得到的大腦神經(jīng)纖維看做三維空間曲線，進(jìn)行插值重采樣；其次在最大限度保留曲線能量的前提下，將大腦神經(jīng)纖維映射到二維平面上，并提出兩個標(biāo)準(zhǔn)對二維曲線進(jìn)行起點(diǎn)歸一化；然后在映射后的曲線上提取五類參數(shù)化的形狀特征，并將其組成特征向量；最后利用AP自動聚類算法，對特征向量進(jìn)行聚類，將大腦神經(jīng)纖維的分為閉口‘U’型，敞口‘U’型，‘M’型，直線型，弧線型等五類。本發(fā)明具有簡單有效，穩(wěn)定性高的優(yōu)點(diǎn)。
文檔編號G06T7/00GK101763638SQ20091021948
公開日2010年6月30日 申請日期2009年12月14日 優(yōu)先權(quán)日2009年12月14日
發(fā)明者郭雷, 張拓, 胡新韜, 聶晶鑫, 李剛, 劉天明, 李凱明 申請人:西北工業(yè)大學(xué)