[發(fā)明專利]基于彌散張量成像的大腦張量模板構(gòu)建方法

有效

• 申請?zhí)枺?/td>: 202010542976.7
• 申請日: 2020-06-15
• 公開（公告）號: CN111738999B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 劉繼欣;李睿梟;薛倩雯;穆俊婭
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/33;G06T5/00;G06T5/50
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 陳宏社;王品華

1.一種基于彌散張量成像的大腦張量模板構(gòu)建方法，其特征在于，包括如下步驟：

(1)對采集的多個(gè)被試個(gè)體的彌散張量圖像進(jìn)行預(yù)處理：

(1a)利用核磁共振采集M個(gè)被試個(gè)體的維度為4D的大腦矢狀位的彌散張量圖像，得到彌散張量圖像集DTI，DTI＝{DTI₁,DTI₂,...,DTI_i,...,DTI_M}，其中DTI_i表示第i個(gè)被試個(gè)體的大小為I×J×K×(n+m)的彌散張量圖像，包括n個(gè)大小為I×J×K維度為3D的未施加敏感梯度方向的圖像B0，以及m個(gè)大小為I×J×K維度為3D的施加敏感梯度脈沖方向的擴(kuò)散加權(quán)圖像DWI，DTI_i＝{B0₁,B0₂,...,B0_l,...,B0_n；DWI₁,DWI₂,...,DWI_k,...,DWI_m}，M≥1，I和J分別表示每幅二維圖像的長度和寬度，I≥1,J≥1，K表示采集層數(shù)，K≥1，n≥1,m≥6，B0_l表示第l個(gè)未施加敏感梯度方向的圖像，DWI_k表示第k個(gè)施加敏感梯度脈沖方向的擴(kuò)散加權(quán)圖像；

(1b)利用圖像處理軟件對每個(gè)DTI_i進(jìn)行去腦殼處理，并對每個(gè)去腦殼處理的圖像進(jìn)行渦流矯正后再進(jìn)行頭動(dòng)矯正，得到預(yù)處理后的彌散張量圖像集DTI′，DTI′＝{DTI₁′,DTI₂′,...,DTI_i′,...,DTI_M′}，其中DTI_i′表示DTI_i的預(yù)處理彌散張量圖像；

(2)獲取未施加敏感梯度方向的平均圖像集：

計(jì)算DTI_i′中n個(gè)未施加敏感梯度方向的圖像B0對應(yīng)位置體素灰度值的平均值，得到未施加敏感梯度方向的平均圖像集B0′，B0′＝{B0′₁,B0′₂,...,B0′_i,...,B0′_M}，其中B0_i′表示DTI_i′對應(yīng)的大小為I×J×K的平均圖像；

(3)獲取張量圖像集和FA圖像集：

(3a)利用B0_i′和DTI_i′中的m個(gè)施加敏感梯度脈沖方向的擴(kuò)散加權(quán)圖像DWI，計(jì)算DTI_i′中每個(gè)體素v的二階張量D_v，v∈{v₁,v₂,...,v_s,...,v_I×J×K}，其中v_s表示大小為I×J×K的圖像中的第s個(gè)體素；

(3b)將DTI_i′中所有體素上的二階張量組合成格式為NIFTI的大小為I×J×K×6的4D張量圖像子集DT_i，并將所有張量圖像子集組合成DTI′對應(yīng)的大小為I×J×K×6×M的5D張量圖像集DT，DT＝{DT₁,DT₂,...,DT_i,...,DT_M}，其中DT_i表示DTI_i′對應(yīng)的張量圖像子集，DT_i＝{tensor₁,tensor₂,...,tensor_j,...,tensor₆}，tensor_j表示所有體素上的二階張量中第j個(gè)元素組成的大小為I×J×K的張量圖像；

(3c)通過每個(gè)體素v的二階張量D_v，計(jì)算DTI_i′中每個(gè)體素v的各向異性分?jǐn)?shù)FA^*值，并將所有體素的FA^*值組合成格式為NIFTI的大小為I×J×K的FA_i圖像，則DTI′的FA圖像表示為FA＝{FA₁,FA₂,...,FA_i,...,FA_M}；

(4)確定標(biāo)準(zhǔn)模板：

將腦成像國際聯(lián)盟ICBM模板作為標(biāo)準(zhǔn)模板，并讀取該標(biāo)準(zhǔn)模板的NIFTI格式的大小為I′×J′×K′的FA圖像和大小為I′×J′×K′的0、1二值掩模mask圖像，其中I′表示標(biāo)準(zhǔn)模板2D圖像的長度，I′≥1,J′表示標(biāo)準(zhǔn)模板2D圖像的寬度，J′≥1，K′表示標(biāo)準(zhǔn)模板的層數(shù)，K′≥1；

(5)對個(gè)體FA圖像進(jìn)行迭代配準(zhǔn)：

(5a)設(shè)迭代次數(shù)為t，最大迭代次數(shù)為T，T≥1，配準(zhǔn)目標(biāo)模板為I_t，并令t＝1，令I(lǐng)_t為標(biāo)準(zhǔn)模板的NIFTI格式的FA圖像；

(5b)將每個(gè)FA_i圖像與I_t進(jìn)行線性配準(zhǔn)，并將每個(gè)線性配準(zhǔn)結(jié)果與I_t進(jìn)行非線性配準(zhǔn)，得到非線性配準(zhǔn)圖像集A，A＝{A₁,A₂,...,A_i,...,A_M}，其中A_i表示第i個(gè)大小為I′×J′×K′的非線性配準(zhǔn)圖像；

(5c)計(jì)算非線性配準(zhǔn)圖像集A中所有非線性配準(zhǔn)圖像對應(yīng)位置體素的灰度值的平均值，得到大小為I′×J′×K′的平均圖像B，并將B中每個(gè)體素的灰度值與mask圖像對應(yīng)位置體素的灰度值相乘，得到大小為I′×J′×K′的中間FA模板C；

(5d)判斷t＝T是否成立，若是，則C為最終的FA模板，否則，令t＝t+1，I_t＝C，并執(zhí)行步驟(5b)；

(6)獲取每個(gè)FA_i圖像與FA模板的非線性配準(zhǔn)參數(shù)：

將每個(gè)大小為I×J×K的FA_i圖像與大小為I′×J′×K′的FA模板進(jìn)行線性配準(zhǔn)，并將每個(gè)線性配準(zhǔn)結(jié)果與FA模板進(jìn)行非線性配準(zhǔn)，得到非線性配準(zhǔn)參數(shù)集warp，warp＝{warp₁,warp₂,...,warp_i,...,warp_M}，其中warp_i表示FA_i與FA模板的非線性配準(zhǔn)參數(shù)；

(7)獲取標(biāo)準(zhǔn)空間下的平均圖像集B0′和張量圖像集DT：

利用warp_i對B0_i′進(jìn)行轉(zhuǎn)換，得到標(biāo)準(zhǔn)空間下的平均圖像集B0″，B0″＝{B0₁″,B0₂″,...,B0_i″,...,B0_M″}，同時(shí)利用warp_i對DT_i進(jìn)行轉(zhuǎn)換，并對轉(zhuǎn)換后的DT_i進(jìn)行張量重定向，得到標(biāo)準(zhǔn)空間下的張量圖像集DT′，DT′＝{DT₁′,DT₂′,...,DT_i′,...,DT_M′}，其中B0_i″表示B0_i′標(biāo)準(zhǔn)空間下的大小為I′×J′×K′的平均圖像，DT_i′表示DT_i′標(biāo)準(zhǔn)空間下的大小為I′×J′×K′×6的4D張量圖像集；

(8)獲取平均圖像meanB0和平均張量圖像集meanDT：

(8a)將標(biāo)準(zhǔn)空間下的平均圖像集B0″中所有圖像對應(yīng)位置體素的灰度值進(jìn)行平均，得到大小為I′×J′×K′的平均圖像meanB0；

(8b)將標(biāo)準(zhǔn)空間下的張量圖像集DT′中所有tensor_j圖像對應(yīng)位置體素的灰度值進(jìn)行平均，得到平均張量圖像集meanDT，其中meanDT＝{tensor₁′,tensor₂′,...,tensor_j′,...,tensor₆′}，tensor_j′表示所有DT_i′的第j個(gè)張量圖像進(jìn)行平均得到的大小為I′×J′×K′的平均張量圖像；

(9)獲取大腦張量模板：

利用平均圖像meanB0中每個(gè)體素v′的灰度值和平均張量圖像集meanDT中每個(gè)體素v′的灰度值計(jì)算擴(kuò)散加權(quán)圖像上每個(gè)體素v′的灰度值，將所有體素上的灰度值組成擴(kuò)散加權(quán)圖像集DWI′，DWI′＝{DWI₁′,DWI₂′,...,DWI_q′,...,DWI_m′}，并對平均圖像meanB0和擴(kuò)散加權(quán)圖像集DWI′由上到下進(jìn)行組合，得到大小為I′×J′×K′×(m+1)的4D大腦張量模板DTI′，DTI′＝{meanB0；DWI₁′,DWI₂′,...,DWI_q′,...,DWI_m′}其中DWI_q′表示由meanB0和meanDT計(jì)算得到的第q個(gè)大小為I′×J′×K′的擴(kuò)散加權(quán)圖像，v′∈{v′₁,v′₂,...,v′_p,...,v′_{I′×J′×K′}}，其中v′_p表示大小為I′×J′×K′的圖像中的第p個(gè)體素。