技术领域
[0001] 本
发明涉及一种大脑白质纤维聚类的方法，利用人类大脑的扩散张量成像（DTI）数据和静息态功能
核磁共振（rsfMRI）数据进行聚类，从而使得聚类后的纤维束具有功能意义，属于
图像处理领域。
背景技术
[0002] 大脑白质纤维聚类是进行基于纤维束的白质定性分析的关键一步。其中白质纤维通过扩散张量成像经处理产生，为了从扩散张量成像中得到有意义的、可以进行人与人之间比较的信息，从扩散张量成像得到的大量的白质纤维轨迹需要被分割为有意义的纤维束（需要特别说明的是，由于白质纤维是通过DTI数据经处理产生，所以这里的白质纤维实际上和
生物学上的纤维有所区别，可能是几条生物学上的白质纤维组成了一条DTI得到的白质纤维轨迹，遵从医学图像领域内的多数表达，以下我们用“白质纤维”来简单代替大脑白质纤维轨迹）。
[0003] 近些年来研究学者已经提出了白质纤维聚类的方法。这些方法的不同之处在于白质纤维之间相似性测度的定义，可以分为两类测度：基于几何特征的测度和基于图谱的测度。基于几何特征的测度选取白质纤维的形状、
位置等特征来衡量白质纤维之间的差别，例如有的用一个三维的五次B样条来表达白质纤维，有的用最近平均距离来同时表征白质纤维的形状和位置信息。这些方法缺乏有
力的医学依据，在对通过胼胝体的具有相似形状的白质纤维进行分类时，显得无能为力。基于图谱的方法以解剖学图谱为
基础，认为同一束白质纤维连接相同（或经过）相同的图谱标签。例如，有的以分割的大脑皮层表面为依据，将白质纤维按其终端连接的表面区域标签的不同来分类，有的以整个白质灰质的分割图谱为依据，认为解剖学上的同一束白质纤维应经过同样的图谱标签序列。这类方法具有解剖学上的意义，但其分类结果太依赖于待测数据的脑解剖结构标记，而个体大脑图像的解剖结构的精确标记尚未有效解决。虽然这两种方法有其各自的优点，但其分类结果在大脑功能上的意义无法得到解释。
发明内容
[0004] 为了克服现有方法的不足之处，本发明提出一种以静息态功能核
磁共振成像（rsfMRI）为导向的白质纤维聚类方法，从而使得分类的结果具有功能上的意义。
[0005] 本发明的基本思想是：以rsfMRI数据引导白质纤维的分类。rsfMRI被认为是一种有效的探究大脑功能活动的成像模态，大量研究表明，从DTI数据推断的结构连接与从rsfMRI数据推断的功能连接是紧密相关的。受此启发，本发明应用白质纤维之间的功能相关性来指导白质纤维聚类。首先我们提取出一条白质纤维两个端点所对应的灰质
体素的rsfMRI
信号，然后以此为根据计算各白质纤维之间的功能活动相似性，最后应用数据驱动的仿射传播affinity propagation(AP)聚类
算法把白质纤维聚类为白质纤维束。
[0006] 本发明的技术步骤如下：
[0007] 步骤1，对原始的rsfMRI数据进行预处理，所述预处理包括：头骨去除，运动纠正，空间平滑，切片时间纠正，全局漂移去除，0.01Hz~0.1Hz
带通滤波；
[0008] 步骤2，对原始的DTI数据进行预处理，所述预处理包括：头骨去除，运动纠正，
涡流纠正；
[0009] 步骤3，对于步骤1中预处理后的rsfMRI数据进行配准，配准到DTI空间；
[0010] 步骤4：对步骤2中预处理后的DTI数据进行纤维追踪；
[0011] 步骤5，对步骤2中预处理后的DTI数据提取其中的第一个三维图像，即B0图，对B0图进行脑组织分割，分为灰质、白质和
脑脊液；
[0012] 步骤6，从DTI得到的白质纤维中，对于不能到达灰质或者超出了灰质表面的白质纤维，进行纤维投影，将所述白质纤维的端点投影至灰质，投影方法包括以下步骤：1)对于终点不能到达灰质的白质纤维，过白质纤维的终点沿着白质纤维的切线方向向前搜索直至达到灰质；2）对于终点超出了灰质表面的白质纤维，从白质纤维的终点沿纤维倒退搜索直至灰质；3）重复步骤1）和2）3~9遍，若白质纤维仍不能到达灰质表面，将这种纤维作为异常的纤维剔除掉；
[0013] 步骤7，对白质纤维之间的功能相似性进行计算，经过纤维投影后的每一条白质纤维，用其两端灰质体素的功能信号来表示，各条白质纤维之间的相似性通过计算各条纤维两端灰质体素的功能信号的皮尔森相关系数获得，并由此得到一个n*n的相似性矩阵，矩阵的每一个元素Cij=0.5*(max(Ciaja,Ciajb)+max(Cibja,Cibjb))，1≤i≤n，1≤j≤n，n为白质纤维的条数，其中Ciaja,Ciajb分别表示第i条纤维的一端和第j条纤维的两端的rsfMRI信号的皮尔森相关系数，Cibja,Cibjb分别表示第i条纤维的另一端和第j条纤维的两端的rsfMRI信号的皮尔森相关系数；
[0014] 步骤8，对于步骤7所得的相似性矩阵，采用仿射传播
聚类算法进行聚类。
[0015] 所述的步骤1中使用SPM
软件完成预处理，所述的步骤2中使用FSL软件完成预处理，所述的步骤3中使用FSL软件的FLIRT工具完成配准，所述的步骤4中使用MEDINRIA完成纤维追踪，所述的步骤5中使用FSL的FAST工具完成脑组织分割。
[0016] 本发明的有益效果在于将白质纤维分为功能意义上的纤维束，从而为以后的基于纤维束的定量分析做准备。相对于根据几何特征来聚类的方法，本发明聚类得到的纤维束本身具有功能上的独立性，而根据几何特征聚类后得到的纤维束，不能从功能上得到更合理的解释。相对于基于图谱的方法，不依赖于图谱的准确性，不需要复杂的配准。
附图说明
[0018] 图2是纤维投影示意图；图中，四种纤维用曲线①②③④表示，(a)是白质纤维投影之前的纤维的示意图；(b)是白质纤维做投影之后的示意图。
[0019] 图3是纤维间的相似性计算的示意图。(a)是两条白质纤维，
叠加在重构的皮层表面（灰色）上；(b)是图(a)中黑色方框区域经放大的结果，两条纤维的四个端点被标记出来；(c)是图(b)中四个端点的功能信号的皮尔森相关系数的计算示意图。
[0020] 图4是聚类后的胼胝体纤维束的示意图，(a)(b)(c)(d)(e)(f)(g)分别代表7个实验对象聚类后的纤维束、每一纤维束的类中心和配准到第一个大脑上之后16个纤维对应的类中心纤维，不同大脑对应的类中心具有相同的灰度值。
具体实施方式
[0021] 本发明主要步骤为：
[0022] 步骤1，对原始的rsfMRI数据使用SPM软件进行预处理。
[0023] 步骤2，对原始的DTI数据使用FSL软件做预处理。
[0024] 步骤3，使用FSL软件的FLIRT工具对预处理后的rsfMRI数据进行配准，配准到DTI空间。
[0025] 步骤4：对步骤2中预处理后的DTI数据使用MEDINRIA软件进行纤维追踪。
[0026] 步骤5，对步骤2中预处理后的DTI数据提取其中的B0图，使用FSL的FAST工具对B0图进行脑组织分割，分为灰质、白质和脑脊液。
[0027] 步骤6，由于从DTI得到白质纤维有大约50%不能到达灰质或者超出了灰质表面，对于这些不能到达灰质或者超出了灰质表面的白质纤维，需要进行纤维投影，将这些不能到达灰质或者超出了灰质表面的白质纤维的端点投影至灰质区域。白质纤维的投影分为三种情况：1)对于终点不能到达灰质的白质纤维，过白质纤维的终点沿着白质纤维的切线方向向前搜索直至达到灰质；2）对于终点超出了灰质表面的白质纤维，从白质纤维的终点沿纤维倒退搜索直至灰质；3）重复步骤1）和2）3~9遍，若白质纤维仍不能到达灰质表面，将这种纤维作为异常的纤维剔除掉；
[0028] 步骤7，对白质纤维之间的功能相似性进行计算，经过纤维投影后，90%的纤维都能投影到灰质层以内，每条纤维用它两端灰质体素的功能信号来表示，纤维之间的相似性通过计算纤维两端灰质体素的功能信号的皮尔森相关系数获得，并由此得到相似性矩阵。
[0029] 步骤8，对于纤维之间的相似性矩阵，采用仿射传播聚类算法进行聚类。
[0030] 现结合附图对本发明作进一步描述：
[0031] 根据本发明提出的一种脑白质纤维丛聚的方法，我们用matlab语言实现了一个
原型系统。算法开发及测试数据挑选了7个志愿者，经美国佐治亚大学生物影像研究中心的3T GE Signa MRI系统扫描，进行DTI和rsfMRI成像。DTI成像参数为，TR=15.5s，TE=89.5ms，大小为128*128*60
像素，空间
分辨率为2mm*2mm*2mm。rsfMRI成像参数为TR=5s,TE=25ms，大小为128*128*60*100像素，空间分辨率为2mm*2mm*2mm。
[0032] 本发明整个流程可以参考附图1，具体的实施步骤如下：
[0033] 1.对于初始rsfMRI数据利用SPM（http://www.fil.ion.ucl.ac.uk/spm）来完成软件预处理。对于初始rsfMRI数据的预处理包括：头骨去除，运动纠正，空间平滑，切片时间纠正，全局漂移去除，带通滤波（0.01Hz~0.1Hz）。
[0034] 2.对于初始DTI数据利用FSL（http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/）软件来完成预处理，对于初始DTI数据的预处理包括：头骨去除，运动纠正，涡流纠正。
[0035] 3.线性配准
[0036] 使用FSL软件的FLIRT工具将预处理后的rsfMRI数据进行配准，配准到DTI
图像空间。
[0037] 4.纤维追踪
[0038] 使 用 MEDINRIA（http://www-sop.inria.fr/asclepios/software/MedINRIA/）软件来完成预处理后DTI数据的纤维追踪，参数设置为：FA
阈值为0.2;最小纤维长度为20mm。
[0039] 5.组织分割
[0040] 将预处理后的DTI数据提取其中的B0图，使用FSL的FAST工具进行脑组织分割，分为灰质、白质和脑脊液。
[0041] 6.纤维投影
[0042] 进行纤维投影，是将那些不能到达或者超出灰质范围的纤维轨迹的端点投影到灰质上。此算法需要结合组织分割图，由于从DTI得到白质纤维有大约50%不能到到达灰质或者超出了灰质表面，对于这些白质纤维，需要进行纤维投影，将其端点投影至灰质区域。如果纤维的终点本来就已经落在组织分割图的灰质范围，那么无需做任何处理。白质纤维的投影分为三种情况，1)对于终点不能到达灰质的白质纤维，过白质纤维的终点沿着白质纤维的切线方向向前搜索直至达到灰质；2）对于终点超出了灰质表面的白质纤维，从白质纤维的终点沿纤维倒退搜索直至灰质；3）重复步骤1）和2）3~9遍，若白质纤维仍不能到达灰质表面，将这种纤维作为异常的纤维剔除掉。
[0043] 搜索是一个
迭代的过程，当在当前
种子点的1圈邻域至少发现一个灰质体素时，或迭代的次数3~9次之后都不能获得稳定的结果，搜索结束。投影前和投影后如附图2所示。可以看出大约有90%的纤维最终都可以投影到灰质表面上。
[0044] 7.纤维间相似性的计算：纤维之间的相似性计算，见附图3
[0045] C=0.5*(max(C13，C14)+max(C23,C24)) 公式1
[0046] 其中C13=PsCor(v1,v3),C14PsCor(v1,v4),
[0047] C23=PsCor(v2,v3),C24PsCor(v2,v4)
[0048] 典型的情况是，如果两个纤维轨迹在空间上很靠近，那么相关系数C13和C24是比较高的，但相关系数C23和C14可能比较低。事实上，我们不知道一个端点是纤维的开始点还是结束点，因此，公式1就演化为下面的四种情况：
[0049]
[0050] 从而，对于第一种情况，两个纤维会被归为一个纤维束。对于第二、三种情况，两个纤维有可能被聚为同一个纤维束。对于第四种情况，两个纤维不会被归为一个纤维束。
[0051] 计算纤维之间相似性时，找出每一投影后纤维的端点在四维的rfMRI空间的功能时间信号值，然后进行相关性计算，纤维之间相似性的计算后形成一个相似性矩阵。
[0052] 8.形成相似性矩阵后，最后使用仿射传播聚类(AP)算法进行聚类，形成白质纤维束。仿射传播聚类算法的参数preference设置为相似性矩阵的均值。用此方法对胼胝体纤维进行聚类，聚类后的脑纤维束见图4。图4(a)为聚类后的纤维束，为便于观察，我们用仿射传播聚类算法的纤维束类中心（如图4(b)所示）来表示此纤维束，可以看出不同的大脑有对应的纤维束，我们将其它大脑都配准到第一个大脑上，然后挑出16个解剖区域相对应的类中心纤维，计算其它类中心纤维到这16个纤维的平均最近距离，最后得出7个大脑之间的16个对应的类中心纤维（如图4(c)所示）。此16个功能独立的纤维束可用于基于纤维束的统计分析，如判定某种
疾病对应的纤维束的分数
各向异性FA是否发生了改变。
