扩散峭度张量成像的高阶张量特征参数提取方法
专利汇可以提供扩散峭度张量成像的高阶张量特征参数提取方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及医疗器械技术领域，为提出一种新的实用的人脑白质结构异常的 磁共振成像 参数提取方法，通过一定的特征提取方法对组织的 各向异性 进行分析，达到客观评价病变程度的目的，本发明采取的技术方案是，扩散峭度张量成像的高阶张量特征参数提取方法，包括如下步骤：通过受试者在磁共振 扫描仪 上采集组织沿多个方向的扩散加权 信号 ，拟合得到反映组织内 水 分子扩散分布概率 密度 函数特征的二阶及四阶张量，通过一定的张量分析得到由于组织结构异常引起的水分子扩散分布异常的病变特征，主要有扩散系数和峭度系数两个不同 角 度的参数。本发明主要应用于医疗器械设计制造。，下面是扩散峭度张量成像的高阶张量特征参数提取方法专利的具体信息内容。
1.一种扩散峭度张量成像的高阶张量特征参数提取方法，其特征是，包括如下步骤：
通过受试者在磁共振扫描仪上采集组织沿多个方向的扩散加权信号，拟合得到反映组织内水分子扩散分布概率密度函数特征的二阶及四阶张量，通过一定的张量分析得到由于组织结构异常引起的水分子扩散分布异常的病变特征，主要有扩散系数和峭度系数两个不同角度的参数。
2.如权利要求1所述的扩散峭度张量成像的高阶张量特征参数提取方法，其特征是对应张量矩阵的特征值和特征向量，采集组织沿多个方向的扩散加权信号进一步细化为：
1.1数据的采集
在3.0T的磁共振扫面仪器上，采用单次激发平面回波(SE-EPI)序列进行30个敏感梯度方向3个扩散敏感因子b值的扩散加权DWI信号采集；
1.2数据的预处理
首先采用FSL（the FMRIB Software Library）软件的FDT对数据进行涡流矫正和头动矫正操作，以及SUSAN对数据进行初步的去噪处理，其次在张量拟合再对数据进行非局部均值滤波操作；
采用非局部的均值滤波（Non Local Means Filter）方法，对每个像素点xi处理如下式（5-1）：
这里，I代表待处理图像；v(xj)代表像素xj的灰度值；NL(v)(xi)代表像素v(xj)经过非局部均值滤波的结果；w(xi，xj)代表恢复v(xi)对应于v(xj)的权值；其中i和j均代表像素的索引编号：
这里，Z(i)是标准化的常数Z(i)＝∑jw(i，j)，θ是使用残差方法估计的噪声标准偏差，h是一个滤波参数，距离d表示为如下：
这里N＝card(Ni)＝card(Nj)，yk和zk分别代表xi和yj领域Ni和Nj的第k个点，对于灰度级图像，Δ(v(yk)，v(zk))＝|(v(yk)，v(zk))||。
3.如权利要求1所述的扩散峭度张量成像的高阶张量特征参数提取方法，其特征是对应张量矩阵的特征值和特征向量，张量的拟合方案：
S(b)是添加了梯度磁场的信号强度，即水分子在某个方向上的扩散情况，b值是扩散磁敏感因子；S(0)是未加梯度磁场的信号强度，及水分子的背景扩散情况；g是梯度敏感方向的单位向量，D是对应组织的扩散张量，是一个3×3的二维矩阵；基于量化水分子真实扩散分布偏离高斯扩散分布程度的峭度的扩散峭度成像（DKI,diffusion kurtosis imaging）有如下模型，如式（5-3）
这里，
其中，Dapp和Kapp分别为组织在梯度敏感方向g上的表观扩散系数和表观峭度系数；对应的张量即为D和W，分别对应一个二维三阶的实对称矩阵D和一个四维三阶的实对称矩阵W；MD是对应组织部位的平均扩散系数，由扩散张量矩阵D计算得来的；g依然是扩散敏感梯度方向，gi、gj、gk、gl是g的第i、j、k、l个分量元素，同上标T表示转置；
2
上述式（5-3）通过两个不同b值的信号S(b1)和S(b2)，b1＝1000s/mm、b2＝2000s/
2
mm 以及一个b＝0的信号；联立得到对应b1和b2的关于未知变量Dapp和Kapp的二元二次方程组如式（5-5），可解得对应30个方向上的Dapp和Kapp；
D的9个元素中仅有6个未知量，而W的81个元素中只有15个位置变量，分别对
（5-4-1）和（5-4-2）展开，可得到如下式，
D11表示矩阵D的元素，其下标表示该元素在矩阵中的位置，与之类似W3321；通过（5-4）、（5-6）、（5-7）式采用非线性最小二乘算法即可得到最优的张量矩阵D和W，即对应的张量D和W。
4.如权利要求1所述的扩散峭度张量成像的高阶张量特征参数提取方法，其特征是对应张量矩阵的特征值和特征向量，特征提取方案：
张量的分解算法
首先是扩散张量矩阵D的分解，依然采用对角化分解方法，如下式，
这里，λi和vi是对应的特征值和特征向量（λ1≥λ2≥λ3），且3个vi两两正交，分别对应三个特征值的方向；其中作为特征值的λi代表组织内三分方向上的扩散系数大小，且最大特征值对应方向极为组织内神经纤维的主要走向，另两个特征值反映神经纤维髓鞘的特性；
其次对于高阶的峭度张量W，转化为解决此优化问题，
即得到如下方程组，
带入x＝(x1，x2，x3)展开如下，
其解的情况如下，
如果W2111＝W3111＝0，即x2＝x3＝0，则λ＝W1111，且对应特征向量为x＝(±1，0，0)；
若x2≠0，x3＝0，则另t＝x1/x2，消元得到如下方程，
取其实根t，则对应的特征向量和特征值为，
若x3≠0，则另u＝x1/x3，v＝x2/x3，消元得到如下方程，
取其实根对(u，v)，则特征向量和特征值为，
由此得到W的特征向量xi和特征值λi，1≤i≤n，且3≤n≤13代表特征值的个数。
5.如权利要求1所述的扩散峭度张量成像的高阶张量特征参数提取方法，其特征是对应张量矩阵的特征值和特征向量，特征参数计算：
根据5.4.1的峭度张量特征分解结果给出峭度张量的提取特征，
平均峭度系数MK（mean kurtosis coefficient）：
MK＝mean(λi)
峭度各向异性KA（kurtosis anisotropy）：
对每个i，将xi按着三个正交的vi′方向进行分组，即寻找其对应的最优i‘，得到三组X，分别对每组Xi′向量对应的λXi′求平均，则
Ki′＝mean(λXi′)(i’＝1，2，3)
径向的峭度系数RK（radial kurtosis coefficient）：RK＝K1
轴向的峭度系数AK（axial kurtosis coefficient）：AK＝(K2+K3)/2。
扩散峭度张量成像的高阶张量特征参数提取方法
技术领域
背景技术
发明内容
感梯度方向3个扩散敏感因子b值(b=0，b1000和b2000s/mm)的扩散加权DWI信号采集。
别代表xi和yj领域Ni和Nj的第k个点，对于灰度级图像，Δ(v(yk)，v(zk))＝|(v(yk)，v(zk))||。
2000s/mm 以及一个b＝0的信号；联立得到对应b1和b2的关于未知变量Dapp和Kapp的二元二次方程组如式（5-5），可解得对应30个方向上的Dapp和Kapp；
附图说明
具体实施方式
感梯度方向3个扩散敏感因子b值(b=0，b=1000和b=2000s/mm)的扩散加权DWI信号采集。
另外其它参数设置为：重复时间TR（repetition time）=10500ms，回波时间TE（ehco time）=103ms，重复次数为Average(or NEXT)=1，数据获取时间TA（Acquisition Time）=11’14’’，
2
噪声水平为30，获取图像矩阵大小为128×128，视野FOV=230×230mm，层厚为1.8mm，全脑采集73层，层间无间隔。因为对每个被试，将采集得到一个大小为128×128×73×61的矩阵数据集，采集时间为约11分钟。
的领域；v(Ni)，v(Nj)分别代表领域Ni和Nj的所有像素点的灰度值矩阵，N＝card(Ni)＝card(Nj)；yk和zk分别代表xi和xj领域Ni和Nj的第k个点，则v(yk)，v(zk)分别代表其对应灰度值；对于灰度级图像，Δ(v(yk)，v(zk))＝|(v(yk)，v(zk))|。
3×3的二维矩阵。但是一个张量D获取的组织结构信息对于微观病变特性很难识别，所以新提出的基于量化水分子真实扩散分布偏离高斯扩散分布程度的峭度的扩散峭度成像（DKI）技术有如下模型，如式（5-3）
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 图像导引的地震速度插值方法及计算机可读存储介质 | 2020-05-21 | 873 |
| 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | 2020-05-20 | 1018 |
| 磁共振多次激发扩散成像运动矫正方法 | 2020-05-24 | 782 |
| 一种扩散张量成像大脑白质纤维聚类方法 | 2020-05-14 | 328 |
| 一种基于结构张量与图割模型的图像分割方法 | 2020-05-22 | 703 |
| 扩散张量表面显象 | 2020-05-11 | 464 |
| 保地质边界的地震图像去噪方法及计算机可读存储介质 | 2020-05-23 | 898 |
| 用于扩散张量图象可视化的方法和设备 | 2020-05-14 | 320 |
| 一种利用双能减影数据分离胸片图像中成分的方法及装置 | 2020-05-25 | 105 |
| 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | 2020-05-20 | 385 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
