基于统计模型的DTI神经纤维追踪算法研究

发布时间：2020-07-24 14:09

【摘要】：到目前为止，对于神经系统的研究一直都是国际研究领域的一个热点和难点，对于神经系统的研究有助于人类进一步的了解人类大脑的内部结构和工作方式，解开人类的智慧之谜，从临床角度来讲，研究大脑神经结构对于诊断和治疗一直困扰着人类健康的神经疾病也是有这非常重要的现实意义。扩散张量成像（Diffusion Tensor Imaging, DTI）是在磁共振成像（MagneticResonance Imaging, MRI）基础上发展起来的一种非侵入式的成像技术，在医学临床上得到了广泛的应用。DTI主要根据大脑组织中水分子扩散运动的各向异性特征对大脑的组织结构进行成像，能够基本反映大脑内部神经纤维的走向和结构，是目前临床上唯一能够实现在活体上进行大脑神经纤维追踪的医学成像方法，由此可见对DTI神经纤维追踪的研究的重要性和客观必要性。在DTI中，单个体素内被认为只含有一个单一的扩散张量矩阵，即每个体素只有一个主要的扩散方向，而在实际情况中，对于有神经纤维交叉的体素内部，其实际的扩散方向应该是不止一个的。因此，单张量模型在只有一根神经纤维经过的体素是有效的，但是对于可能具备交叉结构的体素来说，单张量模型并不是准确的，这会给纤维追踪带来较大的误差。到目前为止基于DTI的神经纤维追踪算法按照其追踪原理可以大致的分为确定型神经纤维追踪算法和统计型神经纤维追踪算法。确定型追踪算法到目前为止发展的比较成熟，应用的比较广泛，但是这类算法有着天然的缺陷，主要体现在其对交叉区域追踪的准确性不高，抗噪声干扰性能较差等。而统计型算法是利用概率统计的原理对神经纤维的走向进行统计估计，因此具备较好的抗噪声干扰性能，并且能够有效的追踪交叉区域的神经走向，是目前DTI神经纤维追踪算法研究的主流方向。为了克服确定型追踪算法准确性不高和单张量模型存在的天然缺陷，本文提出了一个基于粒子滤波和双张量模型的统计型DTI神经纤维追踪算法，利用双张量模型可以将具有交叉结构的体素内的单张量用两个交叉的张量来表示，这就能够较好的描述神经纤维的交叉结构，粒子滤波是一种基于贝叶斯估计的统计估计方法，可以有效的提高算法的抗噪声干扰的能力。由于缺乏一个理想的“金标准”，用来衡量算法的好坏，因此为了更好的分析算法的性能，本课题设计了几组DWI仿真数据，结合临床数据来对算法进行测试，并与其他的一些算法进行比较，从测试的结果看来，相比于比较的其他算法，本文研究的算法能够更好的追踪出交叉区域的神经纤维走向，并且能够追踪出数量更多、长度更长的神经纤维，能够较好的实现算法设计的预期目标。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R445.2

【参考文献】