《基於擴散磁共振成像的機率纖維追蹤算法研究》是依託北京理工大學，由葉初陽擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於擴散磁共振成像的機率纖維追蹤算法研究
- 依託單位：北京理工大學
- 項目負責人：葉初陽
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
利用擴散磁共振成像（diffusion Magnetic Resonance Imaging，dMRI）和纖維追蹤技術，神經束可以重建為三維流線。研究者們設計了基於bootstrap的機率纖維追蹤算法，以非參數的估計噪聲引起的纖維追蹤的不確定性。為了縮短成像時間，稀疏信號模型近年來被廣泛套用於dMRI圖像處理中。但現有的基於bootstrap的機率纖維追蹤算法沒有考慮信號的稀疏性。因此，我們計畫研究基於bootstrap和稀疏信號模型的機率纖維追蹤算法。本項目分為四個部分。（1）探索適用於稀疏信號模型的bootstrap方法，估計dMRI信號分布。（2）利用dMRI信號分布，設計改進的纖維方向估計算法，得到準確的纖維方向分布，進行機率纖維追蹤。（3）利用模擬和真實數據驗證本方法。（4）利用本方法研究小腦神經網路。我們希望本工作為神經束和腦網路的研究提供基本工具，並推動醫學成像在神經科學中的套用。
結題摘要
腦研究是當前重要的前沿科學研究內容。腦研究計畫已經成為世界性的研究計畫，包括美國、歐盟、日本等國家和地區都開展了腦研究計畫。在腦研究中，白質神經束分析是重要的研究內容，可以揭示腦連線和腦網路的相關信息，在腦疾病、腦發育等問題中具有重要套用。彌散磁共振成像提供了非侵入式研究白質神經束的重要手段。利用纖維追蹤技術，神經束可以重建為三維流線。但是在臨床條件下，由於彌散梯度數目有限，神經束重建容易受到噪聲和複雜纖維結構的影響，準確的神經束重建及其不確定性量化具有挑戰。本項目利用彌散磁共振信號的稀疏性和空間一致性，改進了纖維方向估計算法，並且提出了相應的基於Lasso Bootstrap的機率性纖維追蹤方法，描述神經束重建的不確定性。此外，本項目探索了基於深度學習的纖維方向估計方法，將彌散磁共振信號的稀疏性以及其他先驗知識引入了網路設計中。這些針對纖維方向計算的方法還被擴展到其他基於彌散磁共振圖像的結構信息計算中。本項目對所設計的算法通過模擬和真實數據進行了全面的定性和定量的驗證。在臨床可行的彌散梯度數目下，本項目設計的方法可以準確的重建白質神經束並描述重建結果的不確定性，並且其性能優於現有的其他方法。此外，這些算法已初步套用於腦連線的研究中。本項目的研究成果為腦科學中白質神經束的研究提供了更加先進的計算工具。
