部分容積效應(yīng)下的神經(jīng)纖維方向估計(jì)模型與算法.pdf

1、基于擴(kuò)散磁共振信號(hào)的腦白質(zhì)纖維成像是目前重構(gòu)活體大腦組織微觀結(jié)構(gòu)的唯一一種非入侵性的方法。在多種擴(kuò)散磁共振方法中，高角度分辨率擴(kuò)散成像(HARDI)技術(shù)不僅克服了擴(kuò)散張量模型難以重構(gòu)交叉纖維的缺點(diǎn)，而且需要較少的擴(kuò)散采樣數(shù)量，成為腦纖維成像研究的熱點(diǎn)。其中球面反卷積模型作為目前最高效的HARDI成像方法之一，大大提高了纖維重構(gòu)角度的精確性。然而由于采樣體素具有相對(duì)較大的體積，在腦組織之間存在不可忽略的部分容積效應(yīng)，這將導(dǎo)致傳統(tǒng)的纖維成像

2、方法的不準(zhǔn)確。
　　針對(duì)上述問題，本文在經(jīng)典球面反卷積模型的基礎(chǔ)上，設(shè)計(jì)了新的腦纖維成像模型，同時(shí)解決了反卷積模型中球諧函數(shù)的高次諧波截?cái)唷⒆钚《怂惴ǖ牟贿m定性等問題，本文的主要工作如下:
　　(1)針對(duì)腦組織中的部分容積效應(yīng)問題，提出了一種多響應(yīng)核函數(shù)模型。該模型綜合考慮組織中的各向同性擴(kuò)散信號(hào)和各向異性擴(kuò)散信號(hào)得到了新的纖維方向分布函數(shù)，從而可以從擴(kuò)散加權(quán)信號(hào)中分離出各向同性擴(kuò)散信號(hào)，克服了組織中的部分容積效應(yīng)，提供了

3、更加精確的纖維方向的估計(jì)。
　　(2)基于字典基函數(shù)表示纖維方向分布函數(shù)，提出了一種新的量化各向同性信號(hào)強(qiáng)弱的指標(biāo)。該指標(biāo)基于多響應(yīng)核函數(shù)模型，利用纖維方向分布函數(shù)的一部分分離出組織中的各向同性擴(kuò)散信號(hào)。
　　(3)提出一種求解多響應(yīng)核函數(shù)球面反卷積模型的Richardson-Lucy(RL)算法。該算法利用額外的先驗(yàn)知識(shí)，在模型中增加了全變差正則化和稀疏正則化項(xiàng)解決了最小二乘算法的高度不適定性，保證了纖維方向的非負(fù)性。