[发明专利]一种基于空间路径相似性的脑纤维聚类方法

摘要

一种基于空间路径相似性的脑纤维聚类方法，包括以下步骤：1)、导入纤维数据，跟踪出纤维路径，并计算每根纤维的相似性；2)、由于纤维数据的多样性，有部分组织的纤维比较分散，纤维数量也较少，又有一部分组织的纤维相对比较密集，纤维数量非常多；根据纤维数据的大小，分别使用两种不同的纤维聚类方法：DPC(NGK)纤维聚类方法与DPC(GK)纤维聚类方法；3)将聚类后的纤维数据映射到相应的颜色空间，进行颜色编码与可视化展示；从而达到可以明显地区分出不同类别纤维的效果。

主权项

1.一种基于空间路径相似性的脑纤维聚类方法，包括以下步骤：1)、导入纤维数据，跟踪出纤维路径，并计算每根纤维的相似性；2)、由于纤维数据的多样性，有部分组织的纤维比较分散，纤维数量也较少，又有一部分组织的纤维相对比较密集，纤维数量非常多；根据纤维数据的大小，分别使用两种不同的纤维聚类方法：DPCNGK纤维聚类方法与DPCGK纤维聚类方法；2.1)针对较分散的纤维数据，纤维数据量较少，采用DPCNGK纤维聚类方法：根据密度峰值点快速搜索聚类算法，即DPC算法,设定相应的密度阈值与半径，通过纤维密度决策图选取纤维的集群中心，对纤维进行聚类，路径相似的纤维聚类成一类；包括以下步骤：Step11设定半径d_c，取半径为1.5％，即若两条纤维相似度位于总纤维相似度表的前1.5％，则认为这两条纤维相似，将被聚在同一个集群中；Step12计算每条脑神经纤维的密度ρ_i，其公式为：ρ_i＝∑_jχ(d_ij‑d_c)               (1)其中：d_ij是第i条纤维和第j条纤维之间的纤维相似度距离，当纤维相似度距离小于半径时纤维密度增加；Step13计算每条脑神经纤维与高密度纤维的最近距离δ_i，其公式为其中将纤维密度ρ最大的脑神经纤维的δ值设为最大，同时分别记录每条纤维对应的高密度纤维序号；Step14集群中心的选择；纤维密度ρ较大的脑神经纤维在解剖学中的意义是该纤维与周围纤维形态相近；δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密度最大的脑神经纤维；建立一张以纤维密度ρ为横轴，δ为纵轴的决策图，选择纤维密度ρ和δ值都较大的脑神经纤维作为集群中心，并分别标记它们的集群编号；Step15纤维归类；对于没有集群编号的纤维，按纤维密度从大到小一次将它们聚集到Step13计算的δ值对应的纤维所在的集群中；2.2)针对较密集的纤维数据，纤维数量较多，采用DPCGK纤维聚类方法：由于纤维相对比较密集，数量也较大，初始半径对纤维聚类的影响较大，为了减少初始半径对数据的影响，根据高斯核指数计算样本密度，对算法进行优化，同时引入纤维γ值排序图来选取纤维的集群中心，对纤维进行聚类；包括以下步骤：Step21计算每条脑神经纤维的密度ρ_i，其公式为：使用高斯核指数计算纤维密度，减少初始半径对数据的影响；Step22集群中心的选择；引入变量γ＝ρ·δ，选择γ较大的脑神经纤维作为集群中心，并分别标记它们的集群编号；3)将聚类后的纤维数据映射到相应的颜色空间，进行颜色编码与可视化展示；从而达到可以明显地区分出不同类别纤维的效果。