脑白质纤维束跟踪算法的研究进展

基于弥散张量成像(diffusion tensor imagine,DTI)技术的脑白质纤维跟踪(white matter tractography,WMT)是目前唯一非入侵式三维重建活体脑白质纤维束解剖结构的方法,有助于深入了解人脑白质纤维的微观结构,对神经生理研究和临床应用也有较大价值,成为神经纤维成像技术的研究热点之一。本文在DTI原理的基础上,归纳总结了近几年来比较有代表性的几类脑白质跟踪算法,重点分析了其跟踪原理、优点和局限性,并介绍了脑白质跟踪算法的应用情况,同时对今后的研究发展进行了展望。

基于流场分布的纤维续跟踪

白质纤维跟踪能够重建大脑纤维走向,但由于分辨率的限制使得成像体素呈现出锯齿形边界,导致重建纤维束在白质区域边界提前终止。此外,信号噪声引起的体素内方向信息缺失也同样会导致纤维跟踪过早终止。针对以上问题,本研究提出一种纤维停止点续跟踪算法使纤维跟踪结果更加准确。首先,建立纤维局部结构的流场分布模型,以流场分布表示体素内任意点的纤维方向信息;然后,基于体素流场分布模型计算纤维跟踪停止点的连续性进行纤维续跟踪,得到更为准确的纤维结果。分别采用两组实验数据集(包含25个主要纤维束的ISMRM 2015挑战数据集和一组来自斯坦福大学数据库的临床数据集)对提出的方法进行验证。首先,在模拟数据集上通过Tractometer量化指标对所提出算法进行定量分析,结果表明,该算法的有效连接束数量(VB),有效连接率(VC)和无效连接率(NC)分别为24、51.3%和12.9%,与同为确定型追踪算法的SD_Stream相比,VB提高2束,VC提高19.1%,NC降低22.8%。其次,通过临床数据集对所提出算法进行定性分析,进一步验证所提出算法的有效性。实验结果表明,基于流场分布的纤维续跟踪算法有效避免了纤维跟踪过早终止这一问题,提高了纤维跟踪的有效纤维比例,降低了无连接纤维比例,提升了纤维跟踪结果的准确性。

神经纤维跟踪算法研究进展

神经纤维跟踪通过整合纤维局部结构方向信息,可以描绘出具有解剖学意义的空间纤维结构,是扩散磁共振成像的关键步骤,对临床医学与神经科学等有着重大意义。然而,大量的研究和临床应用表明,目前的神经纤维跟踪算法重构出了大量虚假纤维而备受质疑。为了给研究者和临床医生选择神经纤维跟踪算法提供依据,本文深入分析了当前的主要跟踪算法并进行定量评估与定性比较。从确定型、概率型和全局优化等方法详细介绍各典型跟踪算法;利用Fibercup和国际医学磁共振学会(International Society for Magnetic Resonance in Medicine,ISMRM)2015挑战数据进行实验,定量对比9种常用算法的优缺点,并分析了这些算法在实际临床数据的成像结果及其面临的挑战;结合实验结果与算法理论分析各算法的内在联系与区别。不同跟踪算法在效果上有着较大的差异,确定型算法在描绘主要纤维结构上更为明显,概率型算法描绘的纤维分布更为全面,全局优化算法的纤维轨迹更符合全局数据而避免了误差累积问题。纤维跟踪对于分析人脑神经纤维连接具有很高的研究价值和应用价值。不同类型的算法有着各自的优缺点,目前并没有一种跟踪算法可以摒弃其他算法缺点而结合所有优点。另外目前纤维跟踪算法的结果与实际情况均有着一定差距,如何描绘出更为精确的纤维轨迹仍是一个具有挑战性的问题。