[发明专利]一种大尺度DTI图像的快速准确的分割方法

摘要

本方法提供一种大尺度DTI图像的快速准确的分割方法，通过考虑DTI数据的非线性的特点，引入黎曼流形中的竞争学习机制，将对称半正定的3×3矩阵的体素集合看成是黎曼流形，把DTI图像的每个体素看成是黎曼流形中的点，然后通过黎曼竞争学习算法来把这些体素聚类。在此框架下，选用黎曼距离来度量体素之间的相似性，选取竞争学习作为聚类的方法。在聚类过程中，选取均沿着测地线而非欧式空间聚类的直线来更新节点。同时，加入频率敏感机制来克服聚类问题对初始值敏感的问题。本发明能快速准确地分割活体组织的DTI成像。本方法有两个主要应用，一是进行脑白质分子水平上的检测，以辅助临床诊断某些常规设备无法检测的疾病；二是用于人脑神经联通模式研究。

主权项

1.一种大尺度DTI图像的快速准确的分割方法，其特征在于，包括以下步骤：S1：预处理：对DTI图像的每个体素进行分析，找出所有正定对称的体素，剔除零点，并保存零点和非零点的位置；S2：黎曼空间中的频率敏感竞争学习分割：对于每个非零的体素，假定标号依次为{x1,x2,…,xn}，假定每个初始中心依次为{w1,w2,…,wk}，每个中心的初始频率为{f1,f2,…,fk}，其中，n表示非零的体素的个数，k是将要分割的区域个数；(1)从{x1,x2,…,xn}中选取k个点{w1,w2,…,wk}作为初始中心，并设置每个中心的初始频率{f1,f2,…,fk}；(2)计算xi到{w1,w2,…,wk}的黎曼距离，i＝1,2,…,n，选取频率和距离之积中最小的wi作为胜利点，将wi对应的频率加1，即fi+1，作为下一次迭代的频率，并使用下面的公式计算新的wi的位置：wit+1＝[wit]1/2([wit]‑1/2xi[wit]‑1/2)a[wit]1/2其中上标t表示迭代的次序，a是学习率；(3)重复(2)直到收敛；S3：将聚类结果重新排列成DTI图像的形式。