脑纤维可视化综述

脑纤维是构成大脑复杂结构和各脑区信息交流的物质基础.基于弥散张量成像和追踪技术的纤维解剖结构重建,对脑肿瘤手术导航、神经性疾病的诊断及人脑神经网络连接图谱的绘制等有着十分重要的价值.脑纤维可视化技术的目标是更精确地表达单体素纤维方向和全局纤维分布,并对纤维束形成过程中的不确定性进行量化分析,以降低视觉混杂性,增加空间层次感,为临床诊断提供辅助性分析工具.文中简略地介绍了脑纤维束的重构流程,从脑纤维的可视表达形式角度出发,梳理并总结了当前主流的纤维表示及渲染方法;并从模型估计、纤维追踪过程和纤维束分析等3个方面,讨论了脑纤维不确定性可视化的进展;最后,对需要进一步探索的研究方向进行展望.

自适应最小梯度夹角预积分光照算法

为了增强体绘制的纹理细节与光照效果,提出了一种自适应最小梯度夹角预积分算法.通过采样点的方向导数及空间位置等信息来确定采样光线上的极值点,利用自适应划分算法加强极值点区域的绘制;为了突出物体的真实感、增强纹理细节,引入预积分光照算法,根据最小梯度夹角算法计算预积分采样段的光照颜色值,最后对预积分采样段进行体绘制积分.实验结果表明,相比传统的预积分算法,文中算法针对标量变化较大的区域能够得到较好的绘制效果,并且能够增加局部细节的光照效果.

面向HARDI模型的脑纤维三维可视化系统

脑纤维是大脑各区域间信息交互的重要通道,而高角度分辨率扩散成像是表征人脑复杂神经纤维通路的有效方法,能对多种神经性疾病的诊断提供参考.但脑纤维分布错综复杂,如何对局部区域进行直观展示是可视化领域的研究难点.通过设计脑纤维三维可视化系统,实现对HARDI脑纤维数据的追踪和处理,并将处理结果在三维空间中呈现出来,实现光照技术以增加脑纤维可视化的空间层次感.文中提出基于散布矩阵的纤维筛选方法以降低三维可视化效果的视觉混杂性,并在此基础上实现2种算法对纤维进行聚类,增强了局部区域的直观展示,为临床诊断提供辅助分析工具.

基于B样条拟合与回归模型的脑神经纤维聚类方法

针对现有的神经纤维聚类技术通常依赖于纤维束的空间位置,缺乏对神经纤维走向信息考量的问题,提出一种基于B样条拟合与回归模型的脑神经纤维聚类方法,将神经纤维进行B样条拟合与采样,标准化,使用线性回归方程进行神经纤维描述,构造出每根神经纤维的高斯密度函数与神经纤维分布的极大似然函数,使用EM聚类算法进行聚类.将该算法与QB聚类算法应用到真实医学数据(PPMI影像数据跟踪出的脑神经纤维)上,并对聚类结果与QB聚类结果进行评估,定性地判断分类结果在解剖学空间上的相似性,定量地比较聚类后脑神经纤维的数目.实验结果表明,该方法在功能区层面的聚类可以更有效地分割出具有解剖学结构的脑神经纤维.