论文部分内容阅读
基于扩散张量成像数据的脑白质神经纤维追踪是分析大脑神经结构的重要方法,也是脑部疾病诊断和手术规划的重要依据之一。目前,虽然已经很多脑白质纤维追踪算法,但是由于部分容积效应和噪声的影响,脑白质纤维追踪特别是复杂纤维结构的追踪,仍然是医学影像处理领域一个非常具有挑战性的课题。本文在分析国内外发展现状的基础上,首先研究并实现了基于四阶Runge-Kutta的确定性纤维追踪算法。然后针对非确定性的概率追踪算法存在的问题和不足,结合高阶张量(High Order Tensor,HOT)模型,提出了一种改进的概率追踪算法。与同类方法相比,改进的概率追踪算法改善了对交叉纤维结构的追踪性能。另外,分析了基于无损卡尔曼滤波(Unscented Kalman Filter,UKF)的纤维追踪算法,在此基础上提出了融合UKF和HOT的UKF-HOT纤维追踪算法,探讨了高阶张量模型在UKF框架下的纤维追踪性能。模拟数据和实际数据的测试结果表明,本文提出的纤维追踪算法在处理复杂纤维结构方面具有一定的优势,在分析脑部神经纤维结构方面具有实际应用价值。论文所完成的主要工作如下:(1)研究并实现了基于四阶Runge-Kutta的确定性纤维追踪算法,给出了相关实验测试结果。(2)分析了Friman等人提出的基于概率的纤维追踪算法,提出了一种改进的概率追踪方法。该方法在基于贝叶斯的概率追踪框架下,引入高阶张量对体素建模,借助高阶张量的方向分布函数计算后验概率,提高了对交叉纤维的跟踪处理能力。(3)分析了Malcolm等人提出的基于UKF的纤维追踪算法,在此基础上提出了UKF-HOT纤维追踪算法。该方法融合了UKF的目标追踪能力和高阶张量HOT的建模能力,将高阶张量的独立系数当做UKF系统的状态,通过跟踪系统状态变化实现神经纤维的追踪。与UKF及类似方法相比,该方法提高了纤维追踪的精度,整体上能更好地展示复杂纤维结构。(4)最后,探讨并分析了本文纤维追踪算法在实际医学影像数据分析中的应用情况,给出了具体的应用实例。