一種基于磁共振成像的自適應局部特征提取方法
【專利摘要】一種基于磁共振成像的自適應局部特征提取方法，包括如下步驟：1)建立數據驅動的球面去卷積模型；2)對每個感興趣區域處理得到新的完備的字典，過程如下：2.1局部fODFs的正則化；2.2數據驅動局部特征提取的降維成像；2.3全變差下限制球面去卷積的成本函數，通過解決上述優化問題(10)實現自適應局部特征提取。本發明基于球面去卷積下的重構纖維取向分布(fODF)的稀疏字典方法中實現最佳去噪。
【專利說明】
一種基于磁共振成像的自適應局部特征提取方法
技術領域
[0001] 本發明涉及計算機圖形學下的醫學成像、神經解剖學領域，尤其是一種基于磁共 振成像的自適應局部特征提取方法。
【背景技術】
[0002] 擴散加權成像和跟蹤技術可以得到肉眼可見的體內構造信息；高角分辨率成像 (HARDI)提供了一個更廣泛的采樣數據，已經證明了其與擴散張量成像對比，能夠很好的表 征復雜的內部體素結構;在HARDI基礎上通過數據驅動方法，如球面去卷積方法(SD)現已成 為研究腦領域的重點。
【發明內容】
[0003] 為了解決基于球面去卷積下的重構纖維取向分布(fODF)的稀疏字典方法中無法 做到最佳去噪的問題，本方法提出了一種達到最佳去噪的基于磁共振成像的自適應局部特 征提取方法。
[0004] 為了解決上述技術問題本發明采用的技術方案如下：
[0005] -種基于磁共振成像的自適應局部特征提取方法，包括如下步驟：
[0006] 1)建立數據驅動的球面去卷積模型，過程如下：
[0007] 球面去卷積s(g|u)的方法表達形式如下：
[0008] s(g | u) - . r(g, v)/'(v | ι???μ(ν) + C {1)
[0009] 其中ξ是噪聲，這是影響成像質量的主要因素;u是單位半球均勻采樣向量;v是采 樣方向；通過內核r (g，v)和fODFf (v | u)的卷積描述纖維解剖結構;提出數據驅動球面去卷 積的新模型Γ，簡化為：
[0010] fc = f(c, Ω0,ξ) (2)
[0011] 其中的鄰近信息，Γ是第c個體素，它可以根據當前體素的纖維找到相應 的方向，f(c，Ω〇，ξ)是包含c，Ω〇，ξ的一個函數；
[0012] 2)對每個感興趣區域處理得到新的完備的字典，過程如下：
[0013] 2.1局部fODFs的正則化
[0014] 考慮一個體素T周圍的體素(3父3\3)，讓戶=|^，/2，._.，尤>/?>^代表一個矩陣，它 的每個列#，纟=1，2，...,2'對應于在一個高光譜圖像空間附近體素內的仍0?;該矩陣被表示為 相對于線性不變的一個新的聯合稀疏矩陣F=[fi，fi, . . .，fT]，fi，i = l，2, . . .，T;行系數矩 陣F通過求解下面近端運算上的矩陣來回收：
(3}
[0016] 其中Fj是矩陣F第j個列向量;η和Τ是系數;λ#ρλ2是手動設置的參數；
[0017] 2.2數據驅動局部特征提取的降維成像
[0018] 在一個單一的體素，稀疏的字典會沿著當前體素的纖維方向，該過程表示為：
[0019] ?? (:4)
[0020] 代表從當前體素纖維方向獲取的字典基，f代表第c個體素中的第i個fODF，vj 表示從當前體素的f〇DF得到的纖維取向，m是字典基的數目；用于表示纖維取向的詞典從 相鄰體素的f〇DF提取的局部取向分布特征來獲取;最后的字典表示為：
[0021 ] {f/:」ν';. 1，"·",.,/ = 1，_7'； (Γ))
[0022] 聯合稀疏模型有助于調節fODF結構，提高重建的纖維結構稀疏；局部特征通過搜 索從附近擴散體素的數據的fODFs峰輕松獲取;這樣中間的fODF由稀疏新的取向分布基表 示;讓Σ#:映射到一個新的字典，p;代表所有體素纖維方向的字典基，然后使用這些字典 VJ 重構一個線性加權組合來表示未知的fODF:
[0023] ΣΣ^Κ；+^ _ J V/
[0024] 其中是位置系數，i，j都是系數；
[0025] 2.3全變差下限制球面去卷積的成本函數
[0026] fODF和局部特征從測量中提取的正規化數據能夠構建一個相對稀疏字典，考慮成 本函數(7)，通過取鄰域信息和關于重構結果中的噪聲，獲得內體素纖維結構的估計：
[0027] 11 ,'2,, 11 丨丨2 m (1-α)||νν|ΓΓ) s.t. w>0
[0028] s代表測量數據，w代表體素，測量矩陣H是步驟2.2中內核和稀疏字典的卷積結果， 描述成：
[0029] H=r(g,v)*f (c, Ω 0,ξ) (8)
[0030] 參數λ和α常用作平衡角分辨率和魯棒性，矩陣W=[W1，w2, . . .，wT]由初始化相鄰體 素的fODF系數獲取，矩陣...，βτ]τ代表中心體素與鄰近體素的相似性組合;通過 計算每個體素及其相鄰元素之間的相似性測量局部結構，兩個體素之間的相似性是通過余 弦距離計算獲得的測量信號：
(9)
[0032] 整合圖像梯度的L1范數，被稱為總變差正則，優化問題(7)被改寫成另一種形式如 下：
[0033] min|(2//; +M r/)W-(2:/?Γ?+λ?，Ζ)|; + 姆 （10)
[0034] I是單位矩陣；
[0035] 通過解決上述優化問題（10)實現自適應局部特征提取。
[0036] 進一步，所述步驟2.3)中，優化問題（10)是一個全變差約束最小二乘問題，通過 "DeconvTV"工具箱解決。
[0037]本發明的技術構思為：通過在SD字典基礎上代替球諧，并納入基于SD的纖維取向 分布函數(f〇DF)作為局部特征提取，這種方法能夠形成自適應稀疏字典基。
[0038]該方法包括如下步驟：
[0039] (1)建立數據驅動下的球面去卷積模型
[0040] 在球面去卷積方法的基礎上，由于球面去卷積方法受噪聲的影響大，從而提出了 數據驅動的球面去卷積這個新的模型；
[0041 ] (2)估計fODF用自適應局部特征提取
[0042]上述的模型基礎上，首先在感興趣區域單獨計算最初的fODF，并初始化fODF，然后 在每個感興趣區域計算其中心體素的局部正則化，并將所有計算出的fODFs建立成一個新 的字典，最后計算成本函數，得到完備的字典。
[0043] 本發明的有益效果為:基于球面去卷積下的重構纖維取向分布(fODF)的稀疏字典 方法，實現最佳去噪。
[0044] 具體實施過程
[0045]以下將對本發明做進一步詳細說明。
[0046] -種基于磁共振成像的自適應局部特征提取方法，包括如下步驟：
[0047] 1)建立數據驅動的球面去卷積模型，過程如下：
[0048] 球面去卷積s(g | u)的方法表達形式如下：
[0049] I ??")/(ν I υ)?μ(ν) + ξ (1)
[0050] 其中ξ是噪聲，這是影響成像質量的主要因素;u是單位半球均勻采樣向量;ν是采 樣方向；球面去卷積方法作為使用最廣泛的數據驅動的技術，它直接通過內核r(g，v)和 f0DFf(v|u)的卷積描述纖維解剖結構；然而球面卷積只需要考慮當前體素的結構和噪聲， 忽略了fODF鄰近區域信息對纖維成像的影響；因此，這里提出了數據驅動球面去卷積的新 模型Γ，可以簡化為：
[0051] fc = f(c, Ω〇,ξ) (2)
[0052] 其中的鄰近信息，Γ是第c個體素，它可以根據當前體素的纖維找到相應 的方向，f(c，Ω〇，ξ)是包含c，Ω〇，ξ的一個函數。
[0053] 2)對每個感興趣區域處理得到新的完備的字典，過程如下：
[0054] 2.1局部fODFs的正則化
[0055]在內部體素fODF場，在一個小鄰域內體素通常由相似的信號組成，因此來源于體 素信息的fODFs應該在空間結構具有相關性;體素相關的處理方法為纖維結構的重構通常 不能確保其空間相關性，因為它只是估計當前體素的fODF;另一方面體素相關性可通過一 個聯合稀疏模型在假設與這些體素相關聯的底層稀疏向量共享一個共同的稀疏度支撐并 入，所以本文利用了這種方法，對fODF進行處理;考慮一個體素T周圍的體素（3X3X3)，讓 戶=Ρ，/2，...，Λ] E 代表一個矩陣，它的每個列以=1,2，,..,11對應于在一個高光譜圖像空 間附近體素內的fODF;該矩陣可以被表示為相對于線性不變的一個新的聯合稀疏矩陣F = . . .，fT]，乜4 = 1，2,. . .，T;行系數矩陣F可以通過求解下面近端運算上的矩陣來回 收： (3)
[0057]其中Fj是矩陣F第j個列向量;η和T是系數;λ#Ρλ2是手動設置的參數。
[0058] 2.2數據驅動局部特征提取的降維成像
[0059] -般的，fODF可以通過過完備字典來表示，然而字典始終是冗余的，實際上它可能 由于附近體素之間的空間連續性通過一個相當稀疏字典表示；由于f〇DF直接表示纖維取向 每個像素內的分布估計，它更全面地概括了信息跟蹤技術;在一個單一的體素，稀疏的字典 會沿著當前體素的纖維方向，該過程可表示為：
[0060] |v* =1,...?,·} |4)
[0061] 1?代表從當前體素纖維方向獲取的字典基，代表第c個體素中的第i個f〇DF，vJ 表示從當前體素的f〇DF得到的纖維取向，m是字典基的數目；用于表示纖維取向的詞典可 以從相鄰體素的f〇DF提取的局部取向分布特征來獲取;最后的字典可以表示為：
[0062] F I = (5)
[0063]這大大降低了字典基的維和提高了計算效率；聯合稀疏模型有助于調節fODF結 構，提高重建的纖維結構稀疏;局部特征可以通過搜索從附近擴散體素的數據的f〇DFs峰輕 松獲取;這樣中間的fODF可以由稀疏新的取向分布基表示;讓^>映射到一個新的字典，試^ 代表所有體素纖維方向的字典基，然后我們可以使用這些字典重構一個線性加權組合來表 示未知的f〇DF:
[0064] ΣΣ?+《 （6)
[0065] 其中是位置系數，i，j都是系數。
[0066] 2.3全變差下限制球面去卷積的成本函數
[0067] fODF和局部特征從測量中提取的正規化數據能夠構建一個相對稀疏字典，并成功 地降低了基礎維度和計算復雜度。在一個小范圍附近，我們考慮下面的成本函數，其通過取 鄰域信息和關于重構結果中的噪聲，獲得內體素纖維結構的估計：
[0068] ?ηΙΙ5·??2+^αΙ^ ζ-Η12+ ⑵ (l-a)||w|rr) s.t.w>0
[0069] s代表測量數據，w代表體素，測量矩陣Η是2.2中內核和稀疏字典的卷積結果，可以 描述成：
[0070] H=r(g,v)*f (c, Ω 0,ξ) (8)
[0071] 正則化可以保證的纖維取向在一定程度上的一致性，參數λ和α常用作平衡角分辨 率和魯棒性。矩陣W=[Wl，w 2, . . .，wT]由初始化相鄰體素的fODF系數獲取，矩陣Z=[iH， β2, ...，βτ]Τ代表中心體素與鄰近體素的相似性組合。我們通過計算每個體素及其相鄰元素 之間的相似性測量局部結構。兩個體素之間的相似性是通過余弦距離計算獲得的測量信 號：
(9)
[0073]為了最大限度地減少因噪聲引起不希望的效果的目的，本文提出整合圖像梯度的 L1范數，被稱為總變差正則(TV)，TV技術，它主要是用來對圖像進行去噪。上述優化問題可 被改寫成另一種形式如下：
[0074] mm\{2HTH+XaITI)w-{2HTs + XaWZ) J +2(l-a)||w||iT， (1。)
[0075] I是單位矩陣，這是一個全變差約束最小二乘問題，這個問題可以通過"DeconvTV" 工具箱解決。
【主權項】
1. 一種基于磁共振成像的自適應局部特征提取方法，其特征在于:包括如下步驟： 1) 建立數據驅動的球面去卷積模型，過程如下： 球面去卷積s(g I U)的方法表達形式如下：陽 其中ξ是噪聲，運是影響成像質量的主要因素;U是單位半球均勻采樣向量;V是采樣方 向；通過內核r(g，v)和fODFf(vlu)的卷積描述纖維解剖結構;提出數據驅動球面去卷積的 新模型Γ，簡化為： r = f(c, Ωο,ξ) (2) 其中Ω。是fODF的鄰近信息，是第c個體素，它可W根據當前體素的纖維找到相應的方 向，f(c, ΩΕ,ξ)是包含C，Ω^ξ的一個函數； 2) 對每個感興趣區域處理得到新的完備的字典，過程如下： 2.1局部fODFs的正則化 考慮一個體素 T周圍的體素(3X3X3)，讓#。[/l克...，克]Erxr代表一個矩陣，它的每 個列4:' = 1，2，...萬對應于在一個高光譜圖像空間附近體素內的拂0。;該矩陣被表示為相對 于線性不變的一個新的聯合稀疏矩陣F=[fi，fi，. . .，fT]，fi，i = l，2, . . .，Τ;行系數矩陣F 通過求解下面近端運算上的矩陣來回收：劇 其中F堤矩陣F第j個列向量;η和Τ是系數;λι和λ2是手動設置的參數； 2.2數據驅動局部特征提取的降維成像 在一個單一的體素，稀疏的字典會沿著當前體素的纖維方向，該過程表示為：(4) 喊；;代表從當前體素纖維方向獲取的字典基，。。代表第C個體素中的第i個fODF，vj表示 從當前體素的fODF得到的纖維取向，m是字典基的數目；用于表示纖維取向的詞典從相鄰 體素的fODF提取的局部取向分布特征來獲取;最后的字典表示為：間 聯合稀疏模型有助于調節fODF結構，提高重建的纖維結構稀疏;局部特征通過捜索從 附近擴散體素的數據的fODFs峰輕松獲取;運樣中間的fODF由稀疏新的取向分布基表示;讓 央射到一個新的字典，執，代表所有體素纖維方向的字典基，然后使用運些字典重構一 個線性加權組合來表示未知的fODF:巧） 其中是位置系數，i，j都是系數； 2.3全變差下限制球面去卷積的成本函數 fODF和局部特征從測量中提取的正規化數據能夠構建一個相對稀疏字典，考慮成本函 數(7)，通過取鄰域信息和關于重構結果中的噪聲，獲得內體素纖維結構的估計：(乃 S代表測量數據，W代表體素，測量矩陣Η是步驟2.2中內核和稀疏字典的卷積結果，描述 成： H=r(g,v)*f(c, Ω〇,ξ) (8) 參數λ和α常用作平衡角分辨率和魯棒性，矩陣W=[wi，w2, . . .，WT]由初始化相鄰體素的 fODF系數獲取，矩陣Z=曲，. . .，βτ]τ代表中屯、體素與鄰近體素的相似性組合;通過計算 每個體素及其相鄰元素之間的相似性測量局部結構，兩個體素之間的相似性是通過余弦距 離計算獲得的測量信號：㈱ 整合圖像梯度的L1范數，被稱為總變差正則，優化問題(7)被改寫成另一種形式如下：(10) I是單位矩陣； 通過解決上述優化問題（10)實現自適應局部特征提取。2.如權利要求1所述的一種基于磁共振成像的自適應局部特征提取方法，其特征在于： 所述步驟2.3)中，優化問題（10)是一個全變差約束最小二乘問題，通過"DecorwTV"工具箱 解決。
【文檔編號】G06T5/00GK106097359SQ201610437517
【公開日】2016年11月9日
【申請日】2016年6月16日
【發明人】馮遠靜, 何建忠, 吳燁, 張軍, 徐田田, 周思琪, 毛祖杰, 張大宏
【申請人】浙江工業大學, 浙江省人民醫院