本文關(guān)鍵詞：腦白質(zhì)纖維追蹤算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：基于擴(kuò)散張量成像數(shù)據(jù)的腦白質(zhì)神經(jīng)纖維追蹤是分析大腦神經(jīng)結(jié)構(gòu)的重要方法,也是腦部疾病診斷和手術(shù)規(guī)劃的重要依據(jù)之一。目前,雖然已經(jīng)很多腦白質(zhì)纖維追蹤算法,但是由于部分容積效應(yīng)和噪聲的影響,腦白質(zhì)纖維追蹤特別是復(fù)雜纖維結(jié)構(gòu)的追蹤,仍然是醫(yī)學(xué)影像處理領(lǐng)域一個(gè)非常具有挑戰(zhàn)性的課題。本文在分析國內(nèi)外發(fā)展現(xiàn)狀的基礎(chǔ)上,首先研究并實(shí)現(xiàn)了基于四階Runge-Kutta的確定性纖維追蹤算法。然后針對(duì)非確定性的概率追蹤算法存在的問題和不足,結(jié)合高階張量(High Order Tensor,HOT)模型,提出了一種改進(jìn)的概率追蹤算法。與同類方法相比,改進(jìn)的概率追蹤算法改善了對(duì)交叉纖維結(jié)構(gòu)的追蹤性能。另外,分析了基于無損卡爾曼濾波(Unscented Kalman Filter,UKF)的纖維追蹤算法,在此基礎(chǔ)上提出了融合UKF和HOT的UKF-HOT纖維追蹤算法,探討了高階張量模型在UKF框架下的纖維追蹤性能。模擬數(shù)據(jù)和實(shí)際數(shù)據(jù)的測(cè)試結(jié)果表明,本文提出的纖維追蹤算法在處理復(fù)雜纖維結(jié)構(gòu)方面具有一定的優(yōu)勢(shì),在分析腦部神經(jīng)纖維結(jié)構(gòu)方面具有實(shí)際應(yīng)用價(jià)值。論文所完成的主要工作如下:(1)研究并實(shí)現(xiàn)了基于四階Runge-Kutta的確定性纖維追蹤算法,給出了相關(guān)實(shí)驗(yàn)測(cè)試結(jié)果。(2)分析了Friman等人提出的基于概率的纖維追蹤算法,提出了一種改進(jìn)的概率追蹤方法。該方法在基于貝葉斯的概率追蹤框架下,引入高階張量對(duì)體素建模,借助高階張量的方向分布函數(shù)計(jì)算后驗(yàn)概率,提高了對(duì)交叉纖維的跟蹤處理能力。(3)分析了Malcolm等人提出的基于UKF的纖維追蹤算法,在此基礎(chǔ)上提出了UKF-HOT纖維追蹤算法。該方法融合了UKF的目標(biāo)追蹤能力和高階張量HOT的建模能力,將高階張量的獨(dú)立系數(shù)當(dāng)做UKF系統(tǒng)的狀態(tài),通過跟蹤系統(tǒng)狀態(tài)變化實(shí)現(xiàn)神經(jīng)纖維的追蹤。與UKF及類似方法相比,該方法提高了纖維追蹤的精度,整體上能更好地展示復(fù)雜纖維結(jié)構(gòu)。(4)最后,探討并分析了本文纖維追蹤算法在實(shí)際醫(yī)學(xué)影像數(shù)據(jù)分析中的應(yīng)用情況,給出了具體的應(yīng)用實(shí)例。
【關(guān)鍵詞】：白質(zhì)纖維追蹤 擴(kuò)散張量成像 高階張量 無損卡爾曼濾波
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;R338
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 本論文研究的目的和意義10-12
• 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)12-13
• 1.3 本文主要工作13-14
• 1.4 本文組織結(jié)構(gòu)14-16
• 第2章 DTI基本原理及纖維追蹤16-32
• 2.1 擴(kuò)散張量成像基本原理16-18
• 2.1.1 擴(kuò)散運(yùn)動(dòng)16
• 2.1.2 磁共振成像基本原理16-18
• 2.2 張量的計(jì)算和表示18-21
• 2.2.1 張量的表示18-20
• 2.2.2 張量的計(jì)算20-21
• 2.3 各向異性測(cè)度21-22
• 2.4 腦結(jié)構(gòu)可視化與纖維追蹤22-32
• 2.4.1 顏色編碼法22-24
• 2.4.2 圖元顯示法24-25
• 2.4.3 纖維追蹤25-30
• 2.4.4 基于流線的纖維追蹤及其實(shí)驗(yàn)結(jié)果30-32
• 第3章 改進(jìn)的概率追蹤算法32-43
• 3.1 問題的提出32-33
• 3.2 改進(jìn)的概率追蹤算法33-38
• 3.2.1 方法概述33-34
• 3.2.2 方向分布函數(shù)的計(jì)算34-37
• 3.2.3 先驗(yàn)概率及后驗(yàn)概率的計(jì)算37
• 3.2.4 方向選擇策略37-38
• 3.3 實(shí)驗(yàn)結(jié)果及分析38-41
• 3.3.1 模擬數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果分析38-40
• 3.3.2 真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果分析40-41
• 3.4 本章小結(jié)41-43
• 第4章 UKF-HOT纖維追蹤算法43-54
• 4.1 問題的提出43-44
• 4.2 UKF濾波器44-46
• 4.3 UKF-HOT算法46-47
• 4.4 實(shí)驗(yàn)結(jié)果及分析47-53
• 4.4.1 纖維追蹤精度的對(duì)比47-50
• 4.4.2 交叉纖維的處理50-51
• 4.4.3 FiberCup數(shù)據(jù)集上的綜合測(cè)試51-53
• 4.5 本章小結(jié)53-54
• 第5章 纖維追蹤算法實(shí)際應(yīng)用分析54-61
• 5.1 真實(shí)數(shù)據(jù)集上對(duì)比分析54-57
• 5.2 纖維追蹤在腫瘤數(shù)據(jù)分析中的應(yīng)用57-60
• 5.2.1 DTI在腦腫瘤病理診斷中的意義57-58
• 5.2.2 纖維追蹤對(duì)腦腫瘤數(shù)據(jù)的可視分析58-60
• 5.3 本章小結(jié)60-61
• 第6章 總結(jié)和展望61-63
• 6.1 本文工作總結(jié)61-62
• 6.2 研究工作展望62-63
• 參考文獻(xiàn)63-66
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單66-67
• 致謝67

【相似文獻(xiàn)】

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 岳慶興;賈永紅;邱振戈;;基于蒙特卡羅光線追蹤算法的TDI CCD相機(jī)成像模擬方法研究[A];第十七屆中國遙感大會(huì)摘要集[C];2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前8條

1 全品杰;基于視覺適應(yīng)的在線目標(biāo)追蹤算法研究與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

2 劉盼盼;壓縮感知中梯度追蹤算法的研究[D];南京郵電大學(xué);2015年

3 王文杰;基于WLAN的樓層判斷及定位追蹤算法研究[D];北京郵電大學(xué);2013年

4 鄭寧;腦白質(zhì)纖維追蹤算法研究[D];北京理工大學(xué);2016年

5 韓亞穎;基于多示例學(xué)習(xí)的目標(biāo)追蹤算法研究[D];天津理工大學(xué);2014年

6 羅偉雄;一種新的節(jié)點(diǎn)采樣追蹤算法研究[D];中山大學(xué);2010年

7 王婧懿;基于鋒面追蹤算法的R-M不穩(wěn)定性數(shù)值模擬與定量分析[D];浙江大學(xué);2012年

8 許巧莉;基于圖像序列的細(xì)胞追蹤算法研究[D];長春理工大學(xué);2014年

  本文關(guān)鍵詞：腦白質(zhì)纖維追蹤算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：321970