本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，更具體地，涉及一種大尺度DTI圖像的快速準(zhǔn)確的分割方法。

背景技術(shù)：

擴(kuò)散是分子的不規(guī)則運(yùn)動，是人體重要的生理活動，是體內(nèi)的物質(zhì)轉(zhuǎn)運(yùn)方式之一。在溶液中，影響分子彌散的因素有：分子的重量、分子之間的相互作用(即粘滯性)和溫度。組織中的水分子也在不斷地進(jìn)行著彌散運(yùn)動,但它不僅受組織細(xì)胞本身特征的影響,而且還受細(xì)胞內(nèi)部結(jié)構(gòu)的影響,如鞘膜、細(xì)胞膜、白質(zhì)纖維束。在具有固定排列順序的組織結(jié)構(gòu)中,如神經(jīng)纖維束,水分子在各個方向的彌散是不同的,水分子通常更傾向于沿著神經(jīng)纖維束的方向進(jìn)行彌散,而很少沿著垂直于神經(jīng)纖維束的方向進(jìn)行彌散,這種具有方向依賴性的彌散即稱為彌散的各向異性。DTI是彌散成像的高級形式,在擴(kuò)散加權(quán)時間內(nèi)測量水分子自擴(kuò)散位置的隨機(jī)分布，從而對生理組織進(jìn)行成像。與傳統(tǒng)的MRI技術(shù)相比，DTI能夠提供有關(guān)組織結(jié)構(gòu)及其幾何結(jié)構(gòu)的獨(dú)特?cái)?shù)據(jù)，是目前無創(chuàng)診斷和研究活體白質(zhì)微結(jié)構(gòu)的唯一途徑。DTI是實(shí)現(xiàn)活體觀察組織結(jié)果的完整性和連通性，利于對各種疾病引起的白紙纖維束損害程度和范圍的判斷?？捎糜陲@示腦白質(zhì)內(nèi)神經(jīng)纖維束的走形方向，實(shí)現(xiàn)對人的中樞神經(jīng)纖維束成像。是目前唯一可在活體顯示腦白質(zhì)纖維束的無創(chuàng)成像方法。

在實(shí)踐過程中，DTI圖像的分割，既能通過對白質(zhì)組織的各向異性檢測和分析來對細(xì)胞及分子水平上的病例變化研究，也能跟蹤和提取白質(zhì)纖維束。通過對纖維束的精確提取，可以為診斷組織疾病(特別是神經(jīng)性疾病)提供全新的手段和視角。

DTI圖像的分割一般基于“屬于同一組織的體素，擴(kuò)散特性相似”這一個特征。比如白質(zhì)的擴(kuò)散各向異性比較嚴(yán)重，所以基于DTI的分割技術(shù)可以用來分割腦白質(zhì)。具體說來,DTI圖像分割就是利用包含在體素張量值中的擴(kuò)散特征信息,將所研究的組織通過某種分割方法分離出來,為后續(xù)臨床分析和研究提供形狀、大小等方面的信息。

總體上講，依據(jù)是否DTI圖像考慮DTI體素之間的內(nèi)在幾何性質(zhì)，可以將DTI圖像分割方法分為兩大類。第一類是基于傳統(tǒng)的歐式空間的DTI分割，這種風(fēng)格方法不考慮DTI體素之間的內(nèi)在幾何性質(zhì)。第二類是基于黎曼流行的分割方法，這種方法會考察DTI體素之間的內(nèi)在幾何性質(zhì)。在早期的研究和實(shí)踐中，一般采用第一類的方法，這種方法需要事先標(biāo)定或選定種子和需要人的交互，分割準(zhǔn)確性和分割效率不高。近年來，第二類方法越來越多被提出來。

由于DTI圖像的每個體素都是對稱半正定的3×3矩陣，DTI圖像的分割就是將一張DTI圖像的體素按照內(nèi)在的關(guān)聯(lián)性分成若干個有意義的集合。傳統(tǒng)的基于聚類的分割方法一般把體素看成歐式空間的矢量，然后根據(jù)歐式距離來度量體素之間的相關(guān)性。許多研究表明，對稱半正定的3×3矩陣的幾何構(gòu)成了黎曼流形，使用歐式空間的做法會破壞其內(nèi)在的幾何結(jié)構(gòu)。所以DTI圖像的分割問題就變成了黎曼流形的分割問題。目前存在的黎曼流形的分割問題，速度和精度都不是很好。尤其在處理大的DTI圖像時，這個問題尤為突出。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有DTI圖像分割方法精度和速度不高的問題，本發(fā)明方法提出種大尺度DTI圖像的快速準(zhǔn)確的分割方法，能夠快速準(zhǔn)確的分割出DTI圖像中不同的部分。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種大尺度DTI圖像的快速準(zhǔn)確的分割方法，包括以下步驟：

S1：預(yù)處理：對DTI圖像的每個voxel進(jìn)行分析，找出所有正定對稱的voxel，剔除0點(diǎn)，并保存0點(diǎn)和非0點(diǎn)的位置；

S2：黎曼空間中的頻率敏感競爭學(xué)習(xí)分割：對于每個非0的voxel，假定標(biāo)號依次為{x₁,x₂,…,x_n}，假定每個初始中心依次為{w₁,w₂,…,w_k}，每個中心的初始頻率為{f₁,f₂,…,f_k}，其中，n表示非0的voxel的個數(shù)，k是將要分割的區(qū)域個數(shù)；

(1)從{x₁,x₂,…,x_n}中選取k個點(diǎn){w₁,w₂,…,w_k}作為起始中心，并設(shè)置每個中心的初始頻率{f₁,f₂,…,f_k}；

(2)計(jì)算x_i到{w₁,w₂,…,w_k}的黎曼距離，i＝1,2,…,n，選取頻率和距離之積中最小的w_i作為勝利點(diǎn)(winner)，將w_i對應(yīng)的頻率加1，即f_i+1，作為下一次迭代的頻率，并使用下面的公式計(jì)算新的w_i的位置：

w_i^t+1＝[w_i^t]^1/2([w_i^t]^-1/2x_i[w_i^t]^-1/2)^a[w_i^t]^1/2

其中上標(biāo)t表示迭代的次序，a是學(xué)習(xí)率；

(3)重復(fù)(2)直到收斂；

S3：將聚類結(jié)果重新排列成DTI圖像的形式。

在一種優(yōu)選的方案中，步驟S3中還包括：將聚類結(jié)果按照非0的位置重新排列成DTI圖像的形式，聚類的結(jié)果以分割的形式呈現(xiàn)。

在一種優(yōu)選的方案中，步驟S3中還包括：將聚類結(jié)果按照DTI的分辨率排列，以不同顏色顯示。

在一種優(yōu)選的方案中，a的取值在[0.01-0.1]之間。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本方法提供一種大尺度DTI圖像的快速準(zhǔn)確的分割方法，通過考慮DTI數(shù)據(jù)的非線性的特點(diǎn)，引入黎曼流形中的競爭學(xué)習(xí)機(jī)制，達(dá)到快速準(zhǔn)確在線分割DTI圖像的目的。由于對稱正定的3×3矩陣的幾何構(gòu)成黎曼流形，本發(fā)明從DTI數(shù)據(jù)的特性出發(fā)，利用黎曼流形的相關(guān)理論，采用微分幾何作為工具，以競爭學(xué)習(xí)作為框架，引入頻率敏感機(jī)制來分割DTI圖像數(shù)據(jù)。將對稱半正定的3×3矩陣的體素集合看成是黎曼流形，把DTI圖像的每個體素(voxel)看成是黎曼流形中的點(diǎn)，然后通過黎曼競爭學(xué)習(xí)算法來把這些體素聚類。在此框架下，選用黎曼距離來度量體素之間的相似性，選取競爭學(xué)習(xí)作為聚類的方法。在聚類過程中，選取均沿著測地線而非歐式空間聚類的直線來更新節(jié)點(diǎn)。同時，加入頻率敏感機(jī)制來克服聚類問題對初始值敏感的問題。本發(fā)明能較快速準(zhǔn)確地分割活體組織的DTI成像，從而為臨床應(yīng)用提供服務(wù)。本方法有兩個主要應(yīng)用，一是進(jìn)行腦白質(zhì)分子水平上的檢測，以輔助臨床診斷某些常規(guī)設(shè)備無法檢測的疾??；二是用于人腦神經(jīng)聯(lián)通模式研究。

附圖說明

圖1為黎曼競爭學(xué)習(xí)過程示意圖。

圖2為黎曼競爭學(xué)習(xí)過程示意圖。

圖3為DTI圖像分割處理過程圖。

具體實(shí)施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。

實(shí)施例1

如圖1-3所示，一種大尺度DTI圖像的快速準(zhǔn)確的分割方法，包括以下步驟：

S1：預(yù)處理：對DTI圖像的每個voxel進(jìn)行分析，找出所有正定對稱的voxel，剔除0點(diǎn)，并保存0點(diǎn)和非0點(diǎn)的位置；

S2：黎曼空間中的頻率敏感競爭學(xué)習(xí)分割：對于每個非0的voxel，假定標(biāo)號依次為{x₁,x₂,…,x_n}，假定每個初始中心依次為{w₁,w₂,…,w_k}，每個中心的初始頻率為{f₁,f₂,…,f_k}，其中，n表示非0的voxel的個數(shù)，k是將要分割的區(qū)域個數(shù)；

(1)從{x₁,x₂,…,x_n}中選取k個點(diǎn){w₁,w₂,…,w_k}作為起始中心，并設(shè)置每個中心的初始頻率{f₁,f₂,…,f_k}；

(2)計(jì)算x_i到{w₁,w₂,…,w_k}的黎曼距離，i＝1,2,…,n，選取頻率和距離之積中最小的w_i作為勝利點(diǎn)(winner)，將w_i對應(yīng)的頻率加1，即f_i+1，作為下一次迭代的頻率，并使用下面的公式計(jì)算新的w_i的位置：

w_i^t+1＝[w_i^t]^1/2([w_i^t]^-1/2x_i[w_i^t]^-1/2)^a[w_i^t]^1/2

其中上標(biāo)t表示迭代的次序，a是學(xué)習(xí)率，a的取值在[0.01-0.1]之間。；

(3)重復(fù)(2)直到收斂；

S3：將聚類結(jié)果按照非0的位置重新排列成DTI圖像的形式，聚類的結(jié)果以分割的形式呈現(xiàn)。將聚類結(jié)果按照DTI的分辨率排列，以不同顏色顯示。

本方法提供一種大尺度DTI圖像的快速準(zhǔn)確的分割方法，通過考慮DTI數(shù)據(jù)的非線性的特點(diǎn)，引入黎曼流形中的競爭學(xué)習(xí)機(jī)制，達(dá)到快速準(zhǔn)確在線分割DTI圖像的目的。由于對稱正定的3×3矩陣的幾何構(gòu)成黎曼流形，本發(fā)明從DTI數(shù)據(jù)的特性出發(fā)，利用黎曼流形的相關(guān)理論，采用微分幾何作為工具，以競爭學(xué)習(xí)作為框架，引入頻率敏感機(jī)制來分割DTI圖像數(shù)據(jù)。將對稱半正定的3×3矩陣的體素集合看成是黎曼流形，把DTI圖像的每個體素(voxel)看成是黎曼流形中的點(diǎn)，然后通過黎曼競爭學(xué)習(xí)算法來把這些體素聚類。在此框架下，選用黎曼距離來度量體素之間的相似性，選取競爭學(xué)習(xí)作為聚類的方法。在聚類過程中，選取均沿著測地線而非歐式空間聚類的直線來更新節(jié)點(diǎn)。同時，加入頻率敏感機(jī)制來克服聚類問題對初始值敏感的問題。本發(fā)明能較快速準(zhǔn)確地分割活體組織的DTI成像，從而為臨床應(yīng)用提供服務(wù)。本方法有兩個主要應(yīng)用，一是進(jìn)行腦白質(zhì)分子水平上的檢測，以輔助臨床診斷某些常規(guī)設(shè)備無法檢測的疾??；二是用于人腦神經(jīng)聯(lián)通模式研究。

顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實(shí)施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。