一种混合的大脑白质神经纤维自动聚类及标记方法

摘要

本发明涉及一种混合的大脑白质神经纤维自动聚类及标记方法，其特征在于：首先，利用高维弹性配准方法将一标准大脑图谱匹配到单个的大脑空间，从而可以将单个的大脑分成104个具有结构信息的解剖区域；然后利用不同神经纤维束通过不同大脑解剖区域的特征，提取并标记出15种神经纤维束；对其他4种因为其强烈与周围神经纤维束缠绕而不能利用上述方法提取的神经纤维束，采用Kernel-PCA及Fuzzyc-mean相结合的基于相似性度量的方法，自动对其进行聚类分析，最后，采用一种基于特征的识别方法，标记聚类分析的结果。通过以上方法，可以自动地对大脑的19种主要白质神经纤维束进行提取及标记。

主权项

1.一种混合的大脑白质神经纤维自动聚类及标记方法，其特征在于步骤如下：步骤1：使用FSL工具包的FDT工具对DTI图像进行涡旋校正，利用DTIStudio对图像进行计算，生成通道图；步骤2：采用多通道DTI分割算法得到表达大脑白质、灰质、脑脊液三类组织的分割图，再用高维弹性配准的方法HAMMER将已标记好的标准大脑图谱配准到该分割图，得到由区域标记表达整个大脑白质或灰质的区域标记图；所述的标准大脑标记图谱来自McConnell BIC；步骤3：使用DTIStudio对DTI图像进行神经纤维跟踪，当像素的部分各向异性值FA小于0.25，或者所跟踪神经纤维的转折角度大于70度时停止跟踪，从而得到由一系列象素点连接而成的神经纤维以及由一系列神经纤维表达的整个大脑白质神经纤维图；步骤4：将大脑白质神经纤维图与大脑白质或灰质的区域标记图置于同一空间坐标系中，根据每根神经纤维与每种区域标记象素的位置关系进行分类标记，得到15类神经纤维标记；a)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右额叶区域标记坐标中时，将该类神经纤维设为同一种神经纤维标记；b)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；c)当某类神经纤维的序列象素既穿过白质区域胼胝体区域标记坐标中，又穿过左、右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；d)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右额叶区域标记坐标中时，将该类神经纤维设为同一种标记；e)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；f)当某类神经纤维的序列象素既穿过右内囊区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；g)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左额叶区域标记坐标中时，将该类神经纤维设为同一种标记；h)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左顶叶区域标记坐标中时，将该类神经纤维设为同一种标记；i)当某类神经纤维的序列象素既穿过左内囊区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；j)当某类神经纤维的序列象素穿过右扣带区域标记坐标中时，将该类神经纤维设为同一种标记；k)当某类神经纤维的序列象素穿过左扣带区域标记坐标中时，将该类神经纤维设为同一种标记；l)当某类神经纤维的序列象素既穿过右额叶区域标记坐标中，又穿过右枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；m)当某类神经纤维的序列象素既穿过左额叶区域标记坐标中，又穿过左枕叶区域标记坐标中时，将该类神经纤维设为同一种标记；n)当某类神经纤维的序列象素既穿过右枕叶区域标记坐标中，又穿过右颞叶区域标记坐标中时，且又不属于a、b、c和l中的任一类神经纤维时，将该类神经纤维设为同一种标记；o)当某类神经纤维的序列象素既穿过左枕叶区域标记坐标中，又穿过左颞叶区域标记坐标中时，且又不属于a、b、c和m中的任一类神经纤维时，将该类神经纤维设为同一种标记；步骤5：采用下述步骤标记另外4类神经纤维：步骤a：将神经纤维的序列象素穿过右额叶区域标记和右颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于l中的任一类神经纤维后的所有神经纤维记为集合B；步骤b：使用非线性的kernel-PCA方法将集合B的神经纤维曲线映射到高维特征空间F，然后在特征空间F上实现PCA；利用核方程K_m，n构成样本协方差矩阵K，以样本协方差矩阵的最大三个特征值对应的特征向量构成主成分；然后将K的每一个列向量k_i采用i＝1，...，N向由主成分张成的核空间投影，其中Φ的每一列为样本协方差矩阵K的一个特征向量，为平均列向量；所述计算kernel-PCA方法时的核方程为：K_m，n＝w_m，nexp(-d′_m，n/σ)，其中：σ为一个像素的宽度，取决图像的分辨率；为长度不匹配因子，L_m为神经纤维曲线F_m的长度、L_n为神经纤维曲线F_n的长度、L_m，n为两神经纤维曲线F_m与F_n具有对应点的曲线段的的长度；d′_m，n＝(d_m，n+d_n，m)/2为神经纤维的相似性度量，和为Hausdorff距离，P_k，P_l分别为神经纤维曲线F_m和F_n上的任意一点；步骤c：利用GAP统计法对投影到核空间里的神经纤维确定最优聚类数目，然后使用模糊C均值算法对确定最优聚类数目的神经纤维进行聚类；所述模糊C均值的目标函数为：其中模糊从属函数μ_i，j满足c_j是类j的质心；步骤d：在训练样本集中，以模式特征进行特征提取，得到半脑的上纵束神经纤维的模式特征，然后利用此模式特征从步骤c模糊聚类得到的神经纤维束中的上纵束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为上纵束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；在训练样本集中，以模式特征进行特征提取，得到半脑的钩束神经纤维的模式特征，然后利用此模式特征从步骤c模糊聚类得到的神经纤维束中的钩束，并将该类神经纤维设为同一种标记；其中N是训练样本集的个数、H_si＝[h₁，h₂…h₆₀]为钩束中所有神经纤维曲线终端点的解剖学标志在60个灰质区域的分布直方图；所述的N＝5；步骤e：将神经纤维的序列象素穿过左额叶区域标记和左颞叶区域标记中的所有神经纤维，记为集合A；去掉集合A中属于m中的任一类神经纤维后的所有神经纤维记为集合B；然后重复步骤b～步骤d，得到另外半脑的上纵束神经纤维和钩束神经纤维，并将该两类神经纤维分别设为同一种标记；上述的19类神经纤维标记为不同数字、不同字母或不同颜色，以及两者或三者的组合。