基于离散球面反卷积的白质纤维重构算法

为了解决基于扩散张量成像(DTI)的跟踪过程难以刻画脑白质内复杂纤维结构的问题,提出一种基于离散球面反卷积的确定性跟踪算法.该算法采用离散纤维方向密度函数建立球面反卷积模型,解除对连续球面函数模型的依赖,获得高角度分辨率识别;借助球面高斯函数拟合以补偿离散误差,并在此基础上实现流线型白质纤维跟踪.合成数据、仿真数据和实际临床数据表明:该模型能显著提高体素内小角度交叉纤维的分辨率,并有效抑制噪声.相比于基于其他模型的重构算法,该算法能够更准确地反映活体脑神经组织的真实连接情况.

高阶张量反卷积非负约束的纤维方向分布估计方法

高阶张量能够以其简单的多项式形式表示多叶函数,被广泛应用于纤维方向分布估计中.但随着高阶张量阶数的增加,现有方法存在难以稳定重构纤维方向和角度分辨率低等缺陷.引入非负约束条件是目前提高稳定性的常用方法,该方法也仅能保证低于6阶时纤维方向的稳定估计.针对以上问题,文章在高阶张量拟合模型基础上引入球面反卷积模型,并提出了一种自适应非负约束迭代算法进行纤维方向分布估计.该算法以高阶张量为基函数拟合纤维扩散分布,沿纤维方向调整非负约束,并自适应训练调整矩阵参数.为了验证本算法的有效性,通过仿真数据与实际临床数据在同等条件下与现有CT-FoD,CSD算法进行角度分辨率,角度误差以及纤维重建对比实验.结果表明,文章所提出的方法在角度分辨率和稳定性方面优于现有的两种方法.