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.

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.

基于密度峰值搜索的脑纤维快速聚类算法

弥散张量成像为人类大脑白质结构无创检测提供了良好的前景,但是这类方法往往会产生庞大且难以理解的纤维数据集,如何对纤维集合进行有效地可视分析是临床研究中的重要问题。为解决该问题,采用动态时间规整算法,该算法通过拉伸和压缩两时间序列将其整合成同一长度然后计算最短折叠路径距离作为其相似距离,并将其扩展用于脑纤维相似性测量并得到快速且准确的结果。相似度是纤维聚类的唯一信息来源,纤维相似度矩阵的计算占据主要的计算时间,对密度峰值搜索算法进行改进,在连续聚类框架中对脑纤维进行聚类。最后通过实验证明这种连续聚类方法在满足聚类精度要求的同时能显著降低计算复杂度。