学位论文 > 优秀研究生学位论文题录展示
磁共振弥散张量成像中的失真伪影校正及其相关算法研究
作 者: 刘薇
导 师: 徐冬溶; 李鲠颖
学 校: 华东师范大学
专 业: 无线电物理
关键词: 弥散张量成像 弥散加权成像 涡流失真 失真校正 图像配准 特征提取 张量优化 张量重定向 高角度分辨率弥散成像
分类号: TP391.41
类 型: 博士论文
年 份: 2011年
下 载: 80次
引 用: 0次
阅 读: 论文下载
内容摘要
弥散张量成像(Diffusion Tensor Imaging, DTI)是在磁共振技术基础上发展起来的一种可以显示并且定量分析脑白质结构的新成像技术,可以用来测量不同脑组织区域内的水分子局部弥散特性。在脑内的神经纤维中,水分子沿神经纤维方向的弥散要比其垂直方向更加自由,此时水分子弥散概率最大的方向就可以反映该处神经纤维的走向。我们可以利用弥散加权成像(Diffusion Weighted Imaging, DWI)采集沿不同弥散加权梯度方向的水分子弥散加权图像,从中重建得到弥散张量数据,然后可利用张量的主方向估算出相应脑组织中的纤维走向。通过追踪图像中不同点之间的纤维走向,我们可以得到脑白质结构。目前DTI已经被广泛应用在中枢神经系统的组织形态学和临床病理学研究上。由于DWI本身成像条件限制,DWI图像容易出现伪影,对之后的弥散张量估计的准确性产生了不良影响,从而限制了其临床上的应用。图像的几何变形和被测者的头动是DWI图像中常见的伪影。当快速切换弥散梯度时会引发涡流效应,从而影响成像磁场的均匀性,产生图像畸变。这种涡流引发的失真可以通过图像配准算法进行校正。同时这种涡流失真多伴随被测者在扫描时的头动,即表现为一种图像的整体变形失真,可以通过结合涡流模型和头动模型的图像配准算法进行校正。此外当DWI图像中存在其它明显的伪影时,如图像中出现了明显的噪声伪影、对比度伪影或是体数据的层间头动(在文中我们将它们称为非稳定性伪影),图像配准就无法解决DWI中的失真伪影问题了。如果我们想从这种带有非稳定性伪影的图像中重建得到正确的张量,则需要在重建前剔除那些明显的伪影信号。通过这种去除伪影作用的张量优化算法,我们可以最大程度上利用这些带有非稳定伪影的DWI图像得到有效的张量估计。如上所述,DWI图像的失真校正可以通过合适的图像配准算法来实现。但是因为DWI图像不是传统的标量图像,其中包含了对应组织结构的弥散方向信息,单纯地变化DWI图像像素位置无法保证重建后的张量方向和其对应的组织结构方向保持一致。因此在考虑图像像素位置变化的同时,我们也应该考虑图像形变对这些像素内方向信息的影响,即考虑DTI图像配准中的张量重定向。本文的主要研究方向既基于上述分析的四个问题:涡流失真伪影校正,结合头动的涡流失真校正,无法使用图像配准时的张量优化以及由图像配准引发的张量重定向。研究工作和创新如下:1.本文在传统的涡流失真校正算法ICC(Iterative Cross-Correlation, ICC)的基础上分析了脑脊液部分对ICC计算的影响,提出了一种基于脑脊液蒙版的ICC-mask算法。我们用ICC-mask提供一个较好的初始失真参数估计,用同样考虑蒙版信息的互信息图像配准算法在此初值的基础上对DWI图像进行失真校正。实验结果表明该方法可以得到较好的校正结果。2.本文在上述涡流失真校正算法基础上,考虑了头动的影响,建立了一个综合考虑两者物理特性的图像变形模型。该方法结合了3D刚体头动配准和2D涡流失真配准,对DWI图像进行整体的变形失真校正。实验结果证明该方法可以得到较好的校正结果。3.考虑到一些无法用图像配准算法进行失真伪影校正的DWI数据,我们提出了一种基于层选择的张量优化算法。该方法首先对DWI图像中的常见非稳定性伪影进行定性分析,针对不同伪影类型提出了有针对性的特征信息作为识别判据,从而有效地提高了张量重构的质量。4.考虑到DWI的图像配准对张量的影响,我们提出了一种基于弥散梯度重建的张量重定向算法。该方法在估计张量前先根据图像的变形场重新定义图像中每一个像素的弥散梯度方向,然后结合新的梯度方向对变形后的DWI图像进行张量重建,即可自然得到和对应组织结构方向相吻合的张量图像。我们不仅验证了其对DWI图像失真校正后的张量重定向结果,更是着重讨论了我们算法在不同组DTI数据图像配准中的有效性。传统的张量重定向都是在张量空间内进行,而我们的算法可以直接应用在DWI图像上,因此不限于固定的张量模型,可以用在DTI和高角度分辨率弥散成像(High Angular Resolution Diffusion Imaging, HARDI)的图像配准中。
|
全文目录
摘要 6-8 ABSTRACT 8-16 第一章 绪论 16-19 引言 16 1.1 本文的研究内容和主要贡献 16-18 1.2 本文的组织结构 18-19 第二章 磁共振弥散成像 19-31 引言 19 2.1 磁共振现象和弥散现象 19-22 2.1.1 磁共振现象 19-20 2.1.2 弥散现象 20-22 2.2 弥散成像 22-28 2.2.1 弥散加权成像(DWI) 22-23 2.2.2 弥散张量成像(DTI) 23-27 2.2.3 高角度分辨率弥散成像(HARDI) 27-28 2.3 DTI数据处理流程 28-29 2.4 小结 29-31 第三章 弥散张量图像中的失真伪影和配准校正 31-45 引言 31 3.1 失真伪影 31-35 3.1.1 涡流伪影 31-33 3.1.2 运动伪影 33-34 3.1.3 其它伪影 34-35 3.2 失真伪影校正 35-40 3.2.1 图像配准 35-38 3.2.1.1 图像变形模型 36 3.2.1.2 图像相似度测量 36-38 3.2.1.3 优化过程 38 3.2.2 失真校正中的问题 38-40 3.3 DWI图像质量的预检测 40-43 3.3.1 DWI图像质量的预检测原理 40-41 3.3.2 DWI图像质量的预检测方法 41-43 3.4 小结 43-45 第四章 弥散张量图像中的图像配准-涡流伪影校正 45-62 引言 45 4.1 ICC算法 45-47 4.2 基于CSF-mask的MI-ICC配准算法 47-51 4.2.1 ICC-mask算法 47-48 4.2.2 MI-mask算法 48-51 4.2.2.1 结合图像梯度信息的MI计算 48 4.2.2.2 结合CSF-mask信息的MI计算 48-49 4.2.2.3 基于HPV插值的MI计算 49-51 4.3 实验 51-54 4.3.1 模拟数据实验 51-52 4.3.1.1 实验一 51-52 4.3.1.2 实验二 52 4.3.2 真实数据实验 52-53 4.3.3 混合模拟数据实验 53-54 4.4 实验结果和讨论 54-61 4.4.1 模拟数据实验 54-56 4.4.1.1 实验一 54 4.4.1.2 实验二 54-56 4.4.2 真实数据实验 56-58 4.4.3 混合模拟数据实验 58-61 4.5 小结 61-62 第五章 弥散张量图像中的图像配准-结合运动的涡流伪影校正 62-71 引言 62 5.1 结合运动的涡流失真校正算法 62-64 5.2 结合3D刚体变化和2D涡流校正的配准算法 64-65 5.3 实验 65-66 5.3.1 混合模拟数据实验 65 5.3.2 真实数据实验 65-66 5.4 实验结果和讨论 66-69 5.4.1 混合模拟数据实验 66-67 5.4.2 真实数据实验 67-69 5.5 小结 69-71 第六章 弥散张量图像的张量优化算法 71-90 引言 71 6.1 目前的张量优化算法 71-73 6.1.1 基于体素选择 72 6.1.2 基于层选择 72-73 6.2 基于伪影判定的张量优化算法 73-80 6.2.1 小波特征提取 73-76 6.2.1.1 小波变化 73-75 6.2.1.2 小波标记 75-76 6.2.2 相似度计算 76-78 6.2.3 相关性特征提取 78-80 6.3 实验 80-83 6.3.1 混合模拟数据实验 80-82 6.3.1.1 波状伪影模拟 80-81 6.3.1.2 层间运动伪影模拟 81 6.3.1.3 对比度伪影模拟 81-82 6.3.2 真实数据实验 82-83 6.4 实验结果和讨论 83-89 6.4.1 模拟数据实验 83 6.4.2 真实数据实验 83-89 6.5 小结 89-90 第七章 基于图像配准算法的张量重定向 90-112 引言 90 7.1 目前的张量重定向算法 90-94 7.1.1 FS 91-92 7.1.2 PPD 92-94 7.2 基于体素梯度方向重建的张量重定向算法 94-98 7.2.1 反向变形场计算 95 7.2.2 体素梯度方向重建 95-97 7.2.3 张量计算 97-98 7.3 实验 98-102 7.3.1 模拟数据实验 98-100 7.3.1.1 模拟DTI实验数据 98-99 7.3.1.2 模拟ODF实验数据 99-100 7.3.2 DTI失真校正实验 100 7.3.3 DTI多体配准实验 100-101 7.3.4 HARDI单体配准实验 101-102 7.4 实验结果与讨论 102-111 7.4.1 模拟数据实验 102-104 7.4.1.1 模拟DTI实验数据 102-103 7.4.1.2 模拟HARDI实验数据 103-104 7.4.2 DTI失真校正实验 104-106 7.4.3 DTI多体配准实验 106-109 7.4.4 HARDI单体配准实验 109-111 7.5 小结 111-112 第八章 总结和展望 112-115 8.1 本文的主要工作与主要贡献 112-113 8.2 后续工作 113-115 致谢 115-117 参考文献 117-123 论文发表的情况 123-124
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 图像拼接技术研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 机器人自动巡检系统中图像配准与图像匹配问题的研究,TP242.62
- 结合线性二次放射生物模型的图像配准技术的研究,R815
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|