[发明专利]用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法

说明书

（一）技术领域

本发明涉及图像处理、医学成像、计算方法、数学、三维重建、神经解剖学等领域，尤其是这一种高阶扩散张量混合稀疏成像。

（二）背景技术

脑白质纤维跟踪是获得大脑白质区域纤维走向的一类信息医学技术，它通过追踪局部张量走向来估计纤维的可能路径。就目前而言，脑白质纤维跟踪方法是唯一以种能在活体中无创地获得脑白质纤维走向的方法。纤维跟踪技术首先对原始的DW-MRI数据进行体素建模，获得每个体素内的纤维走向，形成具有解剖学意义的纤维空间微结构，然后再利用纤维跟踪算法对指定区域的纤维方向进行连接。随着磁共振扩散信号的采样精度和对纤维跟踪精度需求的提高，纤维方向估计问题的求解规模越来越大，使得稳定获得高分辨率纤维识别比较困难，这极大地阻碍了该技术在临床医学中的应用。

（三）发明内容

为了克服现有方法角度分辨率和计算效率低等不足，本发明提出一种以高阶张量为导向的高角度分辨率高效率低样本数的纤维方向分布估计方法。

本发明所采用的技术方案如下：

用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法，其特征在于：所述的混合稀疏成像方法包括以下步骤：

(1)读取脑部磁共振数据，获取施加梯度方向的磁共振信号未施加梯度方向的磁共振信号及梯度方向数据选取所需的ROI区域，计算扩散衰减信号S(g)/S₀。

(2)将ROI内的每个体素内的扩散衰减信号进行逐个建模为扩散形态的椭球分布模型，其建模过程如下：

2.1)体素微结构建模方案：

将扩散衰减信号S(g)/S₀假设为单条纤维信号响应函数R(v,g)与扩散函数D(v)在球面S²上的卷积：

S(g)/S0=R(v,g)⊗D(v)=∫s2R(v,g)D(v)dv]]>

其中表示体素内仅含有一根纤维时的响应函数， 表示纤维方向分布函数也称扩散函数，d_ij表示张量系数，f_j(v)表示第j个单项式。

2.2)构建数学模型如下：

由于数据采集并非理想化，因此往往带有一定噪声，为了尽可能地克服噪声的影响，通常将能量函数最小化来减小误差。如果扩散加权磁共振信号共有m个扩散梯度脉冲方向，f(v)通过最小化下面的能量函数求得