基于球面高斯反卷積混合稀疏成像的腦纖維群體跟蹤算法.pdf

1、基于擴(kuò)散加權(quán)磁共振成像的腦白質(zhì)神經(jīng)纖維跟蹤技術(shù)是當(dāng)前重構(gòu)活體大腦中纖維組織微結(jié)構(gòu)的唯一非侵入式方法，該技術(shù)的出現(xiàn)為大腦認(rèn)知機(jī)理探究、神經(jīng)類疾病病理分析以及腦手術(shù)規(guī)劃與導(dǎo)航等腦科學(xué)研究及應(yīng)用提供了全新的思路和手段。核磁共振掃描設(shè)備擴(kuò)散信號采集精度的提高為精確重建白質(zhì)纖維提供了新的可能，然而當(dāng)前的局部纖維方向估計(jì)模型和纖維追蹤算法已經(jīng)難以滿足在臨床應(yīng)用上對纖維重構(gòu)精度的要求。當(dāng)前腦白質(zhì)纖維成像存在兩方面的問題：首先，傳統(tǒng)的以擴(kuò)散張量為基礎(chǔ)的

2、纖維方向估計(jì)方法難以刻畫具有多纖維方向的結(jié)構(gòu)，而基于球面反卷積的重構(gòu)模型雖然在識(shí)別復(fù)雜纖維結(jié)構(gòu)的能力上有所提高，然而仍然存在所需信號采集量大、角度分辨率低、穩(wěn)定性差及計(jì)算量大等不足；其次，傳統(tǒng)單纖維跟蹤算法過于依賴局部纖維方向估計(jì)模型，難以校正在追蹤過程中由不確定信息產(chǎn)生的誤差，從而造成重構(gòu)結(jié)果不穩(wěn)定。針對上述問題，本文分別進(jìn)行了研究并提出新的方法加以改善。本文的具體工作和成果如下：
　　針對傳統(tǒng)局部纖維方向估計(jì)模型難以高效、精確

3、地重構(gòu)復(fù)雜纖維結(jié)構(gòu)的問題，本文在球面反卷積模型的基礎(chǔ)上提出了基于球面高斯函數(shù)的混合稀疏纖維方向分布估計(jì)方法。該方法首先基于對DWI信號分布特點(diǎn)的分析建立了一種基于球面高斯函數(shù)的離散化卷積模型，實(shí)現(xiàn)了對纖維方向分布域的直接描述；接著根據(jù)纖維分布稀疏性的特點(diǎn)，提出了結(jié)合L1范式和L2范式稀疏約束的混合加權(quán)稀疏方法得到纖維分布的稀疏解。在模擬數(shù)據(jù)和臨床數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，該方法在降低擴(kuò)散信號采樣率的基礎(chǔ)上有效提高了球面反卷積成像方法的角度分

4、辨率及成像穩(wěn)定性。
　　針對傳統(tǒng)單纖維跟蹤過于依賴局部纖維方向估計(jì)模型從而造成重構(gòu)結(jié)果不穩(wěn)定的問題，本文提出一種多纖維個(gè)體協(xié)同演化的群體跟蹤算法?；诶w維個(gè)體歷史跟蹤狀態(tài)的多體素鄰域方向插值技術(shù)實(shí)現(xiàn)對纖維個(gè)體運(yùn)動(dòng)狀態(tài)的亞體素級觀測，在跟蹤過程中降低了單體素方向分布模型的估計(jì)誤差；考慮到灰白質(zhì)輪廓對纖維軌跡的平行約束，本文利用隨機(jī)矩陣狀態(tài)更新方法實(shí)現(xiàn)纖維束群輪廓的估計(jì)，完成對整體運(yùn)動(dòng)目標(biāo)狀態(tài)的全局調(diào)整；其中群內(nèi)纖維走向的相似性約束通