目的从弥散张量成像(diffusion tensor imaging,DTI)中聚类白质(white matter,WM)纤维束对于定量分析幼儿大脑发育是非常重要的中间步骤。经典的基于图谱的分析方法通常是针对经过配准算法转化到通用模板空间之后的空间平均弥散张量做分...目的从弥散张量成像(diffusion tensor imaging,DTI)中聚类白质(white matter,WM)纤维束对于定量分析幼儿大脑发育是非常重要的中间步骤。经典的基于图谱的分析方法通常是针对经过配准算法转化到通用模板空间之后的空间平均弥散张量做分析,其中配准算法不可避免地平滑了纤维束的局部特性而带来误差。更为直观可行的方法是首先将交织的白质纤维分离成单一类型的纤维束,然后在本地空间对来自不同主体的同一类型的纤维束进行统计分析,以避免来自配准算法的平滑误差。最近发表的密度峰值聚类(density peaks clustering,DP)算法,在没有任何现有模板的情况下聚类结构复杂的白质纤维依然具有很强的鲁棒性。尽管如此,密度的计算是DP的核心步骤,特别是当纤维数量巨大时,计算非常耗时。方法首先本文提出一个快速密度峰值聚类算法(fast density peaks clustering,FDP),将过程中的密度和关键参数的全局计算转换成局部计算,并利用一种二叉树结构来有序地存储这些用于局部计算的近邻,从而约50倍地加速了密度计算步骤。然后通过在基准数据集上的实验和与经典聚类算法的纤维聚类效果对比验证了FDP的加速效果和精确度。最后,证明了本算法在幼儿纤维发育分析中应用的合理性与可行性。结果密度计算基于上述结构的直接访问,因此显著降低了计算量;基于该算法的纤维数据统计结果也与基于图谱分析方法的一般结论一致。结论本文提出的快速密度聚类算法具备快速、准确和鲁棒的优势,其在幼儿白质纤维发育分析中的应用合理地降低了传统方法中繁杂的人工和计算消耗。展开更多
文摘目的从弥散张量成像(diffusion tensor imaging,DTI)中聚类白质(white matter,WM)纤维束对于定量分析幼儿大脑发育是非常重要的中间步骤。经典的基于图谱的分析方法通常是针对经过配准算法转化到通用模板空间之后的空间平均弥散张量做分析,其中配准算法不可避免地平滑了纤维束的局部特性而带来误差。更为直观可行的方法是首先将交织的白质纤维分离成单一类型的纤维束,然后在本地空间对来自不同主体的同一类型的纤维束进行统计分析,以避免来自配准算法的平滑误差。最近发表的密度峰值聚类(density peaks clustering,DP)算法,在没有任何现有模板的情况下聚类结构复杂的白质纤维依然具有很强的鲁棒性。尽管如此,密度的计算是DP的核心步骤,特别是当纤维数量巨大时,计算非常耗时。方法首先本文提出一个快速密度峰值聚类算法(fast density peaks clustering,FDP),将过程中的密度和关键参数的全局计算转换成局部计算,并利用一种二叉树结构来有序地存储这些用于局部计算的近邻,从而约50倍地加速了密度计算步骤。然后通过在基准数据集上的实验和与经典聚类算法的纤维聚类效果对比验证了FDP的加速效果和精确度。最后,证明了本算法在幼儿纤维发育分析中应用的合理性与可行性。结果密度计算基于上述结构的直接访问,因此显著降低了计算量;基于该算法的纤维数据统计结果也与基于图谱分析方法的一般结论一致。结论本文提出的快速密度聚类算法具备快速、准确和鲁棒的优势,其在幼儿白质纤维发育分析中的应用合理地降低了传统方法中繁杂的人工和计算消耗。
