1、计算机应用技术专业毕业论文 精品论文 基于 DTI 的脑白质神经纤维跟踪技术及其应用关键词：扩散张量成像 纤维跟踪 向量选择 拓扑保持 体绘制 磁共振成像 无创性成像 脑白质摘要：扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想
2、，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重
3、建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。正文内容扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建
4、是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持
5、模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法
6、。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局
7、能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致
8、的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤
9、维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后
10、，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分
11、析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一
12、测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换
13、状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提
14、出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁
15、共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高
16、了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合
17、，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractio
18、nal Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能
19、够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在
20、活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能
21、量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反
22、映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，F
23、M)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI
24、在研究和临床应用方面的效用。扩散张量成像(DTI)是在磁共振成像(MRI)基础上发展起来的一种新的无创性成像方法。它利用大脑水分子扩散运动的各向异性进行成像，能够反映活体组织的空间组成信息及病理状态下各组织之间水分子交换状况。利用 DTI 数据对脑白质内的神经纤维进行三维重建是当前磁共振扩散成像领域内的一个研究热点，也是目前在活体上重建脑白质内神经纤维的唯一方法。 首先，本文通过分析目前主要的基于张量域的算法及算法存在的问题，基于多分辨率的思想，提出了一种基于部分各向异性(Fractional Anisotropy，FA)可变步长的向量选择纤维跟踪算法。该算法利用泰勒展开式的二阶导数进行体素内
25、插值，并采用可变迭代步长，较好的解决了部分体积效应，提高了算法速度，并且保留了纤维细节信息。 其次，针对基于全局能量最小化的快速行进(Fast Marching，FM)的算法存在较多假性阳支，纤维走向不明显等问题，本文提出了一种拓扑保持的快速行进算法。在演化过程中加入拓扑保持模型，并将曲率引入到速度函数，将弯曲能量加入在全局能量范围内，避免了原有的快速行进算法使用局部相似性作为唯一测度的问题。拓扑保持的 FM 算法能够更好的控制曲面演化过程，重建结果减少了假性阳支，具有较好的拓扑结构，能够很好的描述纤维走向，并且对于噪音有较好的鲁棒性。 最后，本文将纤维跟踪算法应用到脑肿瘤病理诊断和治疗中。通
26、过体绘制技术，将同一病人的 DTI 和 MRI 图像融合，融合的结果能够显示脑白质纤维束因占位效应或者病变所导致的位置异常，显示肿瘤瘤体与纤维束关系，提高 DTI 在研究和临床应用方面的效用。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l
27、 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍
