[发明专利]一种对UKF纤维追踪数据进行联合可视化的方法

说明书

本发明涉及一种对UKF纤维追踪数据进行联合可视化的方法，属于磁共振成像中的纤维追踪数据可视化领域。该方法将由UKF纤维追踪算法得到的纤维追踪数据(包括纤维轨迹数据、弥散张量数据和张量测度数据)，综合到一个统一的框架下同时进行可视化处理；本发明建立了一个新的棱柱体张量图符，通过棱柱体张量图符的形状、大小和方向来可视化弥散张量数据，与此同时通过棱柱体表面的颜色来可视化多个张量测度数据，然后把棱柱体张量图符串接在纤维轨迹曲线上，由此实现UKF纤维追踪数据在同一视图中的联合可视化。避免了不同数据视图之间的切换问题和对齐问题，可有效提高数据的可视化分析效率，提高UKF纤维追踪数据的分析深度和广度。

技术领域

本发明涉及一种多属性数据可视化方法，特别涉及一种包含一个张量属性和多个标量属性的神经纤维追踪数据的可视化方法，属于磁共振成像中的纤维追踪数据可视化领域。

背景技术

基于磁共振弥散张量成像(Diffusion Tensor Imaging，DTI)和弥散加权成像(Diffusion Weighted Imaging，DWI)的纤维追踪技术(Tractography)，是神经科学领域和临床应用邻域探索活体神经纤维结构的重要方法，在中枢神经系统组织形态学和病理学的研究中有广泛应用。为此，相关领域的研究人员提出了很多纤维追踪算法，例如流线型追踪算法(S.Mori,B.Crain,V.Chacko,P.Van Zijl.Three-dimensional tracking of axonalprojections in the brain by magnetic resonance imaging.Annals of Neurology,45(2),265-269,1999)和概率追踪算法(J.Berman,S.Chung,P.Mukherjee,C.Hess,E.Han,R.Henry.Probabilistic streamline q-ball tractography using the residualbootstrap.NeuroImage,39(1),215-222，2008)等等；其中比较常见的是流线型追踪算法，但是流线型追踪算法不能处理纤维交叉和纤维分叉等复杂情况(D.C.Alexander,G.Barker,S.Arridge.Detection and modeling of non-Gaussian apparent diffusioncoefficient profiles in human brain data.Magnetic Resonance in Medicine,48(2),331-340,2002)。

为了处理纤维交叉和分叉的情况，Malcolm等人提出了一种基于多张量模型和UKF(unscented Kalman filter)技术的纤维追踪算法(J.G.Malcolm,M.E.Shenton,Y.Rathi.Filtered multi-tensor tractography.IEEE Trans.on Medical Imaging,29(9),1664–1675,2010)，简称为UKF纤维追踪算法。最近，Chen等人的研究工作表明UKF纤维追踪算法在处理交叉纤维和水肿区域等复杂情况时具有明显优势(Z.Chen,Y.Tie,O.Olubiyi,L.Rigolo,A.Mehrtash,I.Norton,O.Pasternak,Y.Rathi,A.J.Golby,L.J.O’Donnell.Reconstruction of the arcuate fasciculus for surgical planning in thesetting of peritumoral edema using two-tensor unscented Kalmanfiltertractography.NeuroImage:Clinical,7,815-822,2015)。

纤维追踪算法得到的结果是描述纤维结构和及其属性特征的数据集，通常由三部分组成：(1)纤维轨迹(fiber tracts)，(2)与纤维轨迹对应的弥散张量(diffusiontensors)，(3)以及各种从弥散张量导出的测度数据(derived measures)。为了分析和了解纤维追踪结果，需要对这些数据进行可视化处理。