磁共振弥散张量成像中的失真伪影校正及纤维束可视化研究

摘要

磁共振弥散成像(dMRI)是一种非侵入式观察活体组织微观结构的现代方法，它利用磁共振成像的技术测量计算生物组织微观结构。弥散加权成像(DWJ)施加弥散敏感梯度磁场，获得微观结构的水分子弥散信息，并通过多组弥散加权图像计算弥散张量。弥散张量成像(DTI)可进行数据重建和可视化，其中纤维束成像(Tractography)技术可进一步得到大脑白质神经纤维的走向轨迹。研究表明，纤维束成像可视化和纤维束聚类分析不仅有助于研究脑神经纤维结构和功能联系，而且在临床诊治上有重要价值，如用于多种神经、精神疾病的诊断、外科术前方案制定和手术导航等。
　　 贯穿本文的完整研究流程为：首先对原始DWI图像涡流失真进行系统性校正处理，估计出DTI成像的弥散张量，然后计算基于DTI张量的全脑纤维跟踪，并实现一种新的纤维束成像可视化方法，最后完成纤维束聚类分析。针对上述研究框架中三个主要部分进行研究，第一部分对DWI图像数据的涡流伪影系统性校正算法改进，第二部分是基于DTI弥散张量的纤维跟踪及基于线光照模型的纤维可视化，第三部分进行纤维束聚类显示和分析。
　　 本文研究的主要内容和成果如下：
　　 1.分析了导致DWI图像变形的涡流磁场产生原因及其物理模型，总结了DWI成像中解决涡流失真伪影的三类方法，并综述了基于图像配准后处理方法的涡流失真校正算法。提出了首先对失真变形图像使用CSF-Mask-ICC校正算法，得到各层图像的失真估计参数，后将失真估计参数作平滑后进行系统性校正，在考虑高b值DWI图像不适合直接使用ICC问题的同时，也综合考虑相邻层之间的参数关系，得到优化的配准参数。实验结果验证了算法能提高涡流失真校正的精确度。
　　 2.综述了线性传播纤维跟踪法，包括FACT和Tensorline算法，实现了Tensorline算法跟踪算法，并分析比较了两种纤维跟踪算法的优劣。提出了在纤维束可视化中使用线模型代替传统的圆柱多面体模型(或称流管Streamtubes)来可视化表达纤维，引入了两种面向线模型的局部光照模型：最大反射原则和圆柱体平均法，使用并行渲染以满足交互性需求。实现了全脑纤维跟踪可视化渲染，与流管可视化结果的观察比较表明线光照模型的使用提高了显示效果，同时克服了交互操作的延迟性问题。
　　 3.分析了白质神经纤维的形状等特点，据此引入了几种常用的纤维束相似性度量，包括最近邻距离、Hausdorff距离和欧几里德特征空间等。分析了近来被用于纤维束聚类的非监督学习聚类算法，并实现了多种聚类算法的纤维聚类。本文纤维聚类研究目的是克服纤维束杂乱的视觉观感，同时有助于单个体内纤维簇的鉴别。研究发现不同的相似性度量可以找到不同的形状大小的纤维簇，但效果差别较大。实验将纤维聚类效果和人工的分类结果进行比较，对纤维聚类算法作评价。
　　 国内外相关研究合作日益增进，国内医疗中对磁共振弥散成像应用需求也不断增长，因此本文不仅在磁共振弥散成像中DWI数据处理、DTI纤维束可视化和纤维束聚类研究具有理论意义，而且对于医疗中诊断治疗有实际应用价值。

目录

声明

致谢

摘要

1．绪论

1．1．研究背景与意义

1．2．研究内容与难点

1．3．本文章节结构

2．磁共振弥散成像及DWl涡流伪影校正

2．1．引言

2．2．弥散加权成像与弥散张量成像

2．2．1．弥散加权成像(DWl)

2．2．2．弥散张量成像(DTI)

2．3．DTI数据处理流程

2．4．DWl涡流失真的系统性校正

2．4．1．涡流失真变形

2．4．2．系统性校正算法

2．4．3．校正与验证

2．5．本章小结

3．白质纤维束成像和可视化

3．1．引言

3．2．纤维跟踪算法及其局限性

3．2．1．基于DTI张量的纤维跟踪

3．2．2．FACT算法

3．2．3．Tensorline算法

3．2．4．存在的局限性

3．3．张量和纤维束可视化

3．3．1．张量可视化

3．3．2．纤维柬可视化

3．3．3．线光照模型：最大反射原则和圆柱体平均法

3．4．线光照模型实验

3．5．本章小结

4．纤维束聚类

4．1．引言

4．2．纤维聚类框架

4．2．1．纤维赢相似性度量

4．2．2．基于无监督学习的纤维聚类

4．3．纤维聚类实验

4．4．本章小结

5．本文总结与展望

5．1．本文总结

5．2．展望

参考文献

攻读硕士研究生期间主要的研究成果