• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩假网站: 一种基于空间路径相似性的脑纤维聚类方法.pdf

    关 键 词:
    一种 基于 空间 路径 相似性 纤维 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611171339.3

    申请日:

    2016.12.17

    公开号:

    CN106777982A

    公开日:

    2017.05.31

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06F 19/00申请日:20161217|||公开
    IPC分类号: G06F19/00(2011.01)I; G06K9/62 主分类号: G06F19/00
    申请人: 浙江工业大学
    发明人: 梁荣华; 李志鹏; 徐超清; 池华炯; 孙国道
    地址: 310014 浙江省杭州市下城区潮王路18号浙江工业大学科技处
    优先权:
    专利代理机构: 杭州天正专利事务所有限公司 33201 代理人: 王兵;黄美娟
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611171339.3

    授权公告号:

    |||

    法律状态公告日:

    2017.06.23|||2017.05.31

    法律状态类型:

    实质审查的生效|||公开

    摘要

    一种基于空间路径相似性的脑纤维聚类方法,包括以下步骤:1)、导入纤维数据,跟踪出纤维路径,并计算每根纤维的相似性;2)、由于纤维数据的多样性,有部分组织的纤维比较分散,纤维数量也较少,又有一部分组织的纤维相对比较密集,纤维数量非常多;根据纤维数据的大小,分别使用两种不同的纤维聚类方法:DPC(NGK)纤维聚类方法与DPC(GK)纤维聚类方法;3)将聚类后的纤维数据映射到相应的颜色空间,进行颜色编码与可视化展示;从而达到可以明显地区分出不同类别纤维的效果。

    权利要求书

    1.一种基于空间路径相似性的脑纤维聚类方法,包括以下步骤:
    1)、导入纤维数据,跟踪出纤维路径,并计算每根纤维的相似性;
    2)、由于纤维数据的多样性,有部分组织的纤维比较分散,纤维数量也较少,又有一部
    分组织的纤维相对比较密集,纤维数量非常多;根据纤维数据的大小,分别使用两种不同的
    纤维聚类方法:DPC(NGK)纤维聚类方法与DPC(GK)纤维聚类方法;
    2.1)针对简单的纤维数据,纤维数据量较少,采用DPC(NGK)纤维聚类方法:根据密度峰
    值点快速搜索聚类算法,即DPC算法,设定相应的密度阈值与半径,通过纤维密度决策图选
    取纤维的聚类中心,对纤维进行聚类,路径相似的纤维聚类成一类;
    2.2)针对复杂的纤维数据,纤维数量较多,采用DPC(GK)纤维聚类方法:由于纤维相对
    比较密集,数量也较大,初始半径对纤维聚类的影响较大,为了减少初始半径对数据的影
    响,根据高斯核指数计算样本密度,对算法进行优化,同时引入纤维γ值排序图来选取纤维
    的聚类中心,对纤维进行聚类;
    3)将聚类后的纤维数据映射到相应的颜色空间,进行颜色编码与可视化展示;从而达
    到可以明显地区分出不同类别纤维的效果。
    2.如权利要求1所述的一种基于空间路径相似性的脑纤维聚类方法,其特征在于:所述
    的步骤2.1)包括以下步骤:
    Step11设定半径dc,取半径为1.5%,即若两条纤维相似度位于总纤维相似度表的前
    1.5%,则认为这两条纤维相似,将被聚在同一个集群中;
    Step12计算每条脑神经纤维的密度ρi,其公式为:
    ρi=∑jχ(dij-dc) (1)
    其中:
    <mrow> <mi>&chi;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
    dij是第i条纤维和第j条纤维之间的纤维相似度距离,当纤维相似度距离小于半径是纤
    维密度增加;
    Step13计算每条脑神经纤维与高密度纤维的最近距离δi,其公式为
    <mrow> <msub> <mi>&delta;</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>j</mi> <mo>:</mo> <msub> <mi>&rho;</mi> <mi>j</mi> </msub> <mo>&gt;</mo> <msub> <mi>&rho;</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
    其中将纤维密度ρ最大的脑神经纤维的δ值设为最大,同时分别记录每条纤维对应的高
    密度纤维序号;
    Step14集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤维与
    周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密度最
    大的脑神经纤维;建立一张以纤维密度ρ为横轴,δ为纵轴的决策图,选择纤维密度ρ和δ值都
    较大的脑神经纤维作为集群中心,并分别标记它们的集群编号;
    Step15纤维归类。对于没有集群编号的纤维,按纤维密度从大到小一次将它们聚集到
    Step3计算的δ值对应的纤维所在的集群中。
    3.如权利要求1所述的一种基于空间路径相似性的脑纤维聚类方法,其特征在于:所述
    的步骤2.2)包括以下步骤:
    Step21计算每条脑神经纤维的密度ρi,其公式为:
    <mrow> <msub> <mi>&rho;</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mi>j</mi> </munder> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mn>2</mn> </msup> </mrow> <msub> <mi>d</mi> <mi>c</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>
    使用高斯核指数计算纤维密度,减少初始半径对数据的影响;
    Step22集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤维与
    周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密度最
    大的脑神经纤维;引入变量γ=ρ·δ,选择γ较大的脑神经纤维作为集群中心,并分别标记
    它们的集群编号。

    说明书

    一种基于空间路径相似性的脑纤维聚类方法

    技术领域

    本发明涉及脑神经纤维的研究,是一种基于空间路径相似性的脑纤维聚类方法。

    背景技术

    水分子弥散是核磁共振技术的基础,DWI、DTI与HARDI无创检测技术均以水分子弥
    散扩散为基础发展而来。通过核磁共振技术,人们已经可以跟踪出脑白质纤维的走向。DTI
    是最常用的一种检测大脑白质结构的核磁共振技术,但其模型受到Gaussian假设的限制,
    不能解决多纤维交叉的问题。HARDI技术将水分子位移过程描述为混合高斯模型,通过计算
    各个成分的弥散张量的特征方向与特征值,来弥补DTI技术的缺陷。能够更好地描述纤维的
    方向。

    以上核磁共振技术已经迅速成为对脑白质结构进行研究的基础性方法,脑白质纤
    维的是医学可视化领域的热门话题。通过对纤维的跟踪,人们已经可以获得脑部的千万根
    纤维,然而这些纤维错综复杂,相互存在遮挡,人们无法通过肉眼直接观测到脑纤维的组织
    结构。由于纤维的复杂性,人们无法对纤维轨迹进行很好的可视与分析,如何对大量纤维轨
    迹进行聚类与渲染依然是非常重要的问题。

    纤维聚类为提升对脑纤维的感知提供了可能,同时能够对人类大脑中生理结构相
    似的纤维进行归类,从而更好地展示纤维束之间的空间关系。合理的纤维聚类方式可以在
    很大程度上消除不同类别纤维之间的干扰,更好地描述纤维束的走向,从而帮助人们理解
    相互混合纤维的空间联系,展示出不同纤维束之间的连接关系。

    发明内容

    本发明要克服现有技术的对脑纤维聚类方式不当、难以消除不同类别纤维之间的
    干扰、展示纤维束的走向的缺点,提供一种基于空间路径相似性的脑纤维聚类方法。

    本发明所述的一种基于空间路径相似性的脑纤维聚类方法,包括以下步骤:

    1)、导入纤维数据,跟踪出纤维路径,并计算每根纤维的相似性;

    2)、由于纤维数据的多样性,有部分组织的纤维比较分散,纤维数量也较少,又有
    一部分组织的纤维相对比较密集,纤维数量非常多。根据纤维数据的大小,分别使用两种不
    同的纤维聚类方法:DPC(NGK)纤维聚类方法与DPC(GK)纤维聚类方法。

    2.1)针对简单的纤维数据,纤维数据量较少,采用DPC(NGK)纤维聚类方法:根据密
    度峰值点快速搜索聚类算法,即DPC算法,设定相应的密度阈值与半径,通过纤维密度决策
    图选取纤维的聚类中心,对纤维进行聚类,路径相似的纤维聚类成一类。

    2.2)针对复杂的纤维数据,纤维数量较多,采用DPC(GK)纤维聚类方法:由于纤维
    相对比较密集,数量也较大,初始半径对纤维聚类的影响较大,为了减少初始半径对数据的
    影响,根据高斯核指数计算样本密度,对算法进行优化,同时引入纤维γ值排序图来选取纤
    维的聚类中心,对纤维进行聚类。

    3)将聚类后的纤维数据映射到相应的颜色空间,进行颜色编码与可视化展示。从
    而达到可以明显地区分出不同类别纤维的效果。

    作为优选的一种方案:所述的步骤2.1)包括以下步骤:

    Step11设定半径dc,我们取半径为1.5%,即若两条纤维相似度位于总纤维相似度
    表的前1.5%,则认为这两条纤维相似,将被聚在同一个集群中。

    Step12计算每条脑神经纤维的密度ρi,其公式为:

    ρi=∑jχ(dij-dc) (1)

    其中:


    dij是第i条纤维和第j条纤维之间的纤维相似度距离,当纤维相似度距离小于半径
    是纤维密度增加。

    Step13计算每条脑神经纤维与高密度纤维的最近距离δi,其公式为


    其中将纤维密度ρ最大的脑神经纤维的δ值设为最大,同时分别记录每条纤维对应
    的高密度纤维序号。

    Step14集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤
    维与周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密
    度最大的脑神经纤维。建立一张以纤维密度ρ为横轴,δ为纵轴的决策图,选择纤维密度ρ和δ
    值都较大的脑神经纤维作为集群中心,并分别标记它们的集群编号。

    Step15纤维归类。对于没有集群编号的纤维,按纤维密度从大到小一次将它们聚
    集到Step3计算的δ值对应的纤维所在的集群中。

    作为优选的一种方案:所述的步骤2.2)包括以下步骤:

    Step21计算每条脑神经纤维的密度ρi,其公式为:


    使用高斯核指数计算纤维密度,减少初始半径对数据的影响。

    Step22集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤
    维与周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密
    度最大的脑神经纤维。引入变量γ=ρ·δ,选择γ较大的脑神经纤维作为集群中心,并分别
    标记它们的集群编号。

    本发明的有益效果:针对纤维数据,提出了一种基于空间路径相似性的脑纤维聚
    类方法。根据纤维空间路径计算纤维的相似性,然后计算每根纤维的密度值与到高密度纤
    维的最近距离,随后选取纤维的聚类中心,将纤维进行聚类;同时,采用高斯核指数对密度
    计算进行优化,减少误差,从而获得高聚类效果的纤维图。

    附图说明

    图1为本发明的流程图。

    图2为原始纤维数据绘制效果图,其中图2.1是简单纤维原始绘制效果图,图2.2是
    复杂纤维原始效果图。

    图3为纤维密度决策图。

    图4为纤维γ值排序图。

    图5为DPC(NGK)纤维聚类效果图。

    图6为DPC(GK)纤维聚类效果图。

    具体实施方式:

    下面结合附图进一步说明本发明的技术方案。

    本发明所述的一种基于空间路径相似性的脑纤维聚类方法,包括以下步骤:

    1)、导入纤维数据,跟踪出纤维路径,并计算每根纤维的相似性;

    2)、由于纤维数据的多样性,有部分组织的纤维比较分散,纤维数量也较少,又有
    一部分组织的纤维相对比较密集,纤维数量非常多。根据纤维数据的大小,分别使用两种不
    同的纤维聚类方法:DPC(NGK)纤维聚类方法与DPC(GK)纤维聚类方法。

    2.1)针对简单的纤维数据,纤维数据量较少,采用DPC(NGK)纤维聚类方法:根据密
    度峰值点快速搜索聚类算法,即DPC算法,设定相应的密度阈值与半径,通过纤维密度决策
    图选取纤维的聚类中心,对纤维进行聚类,路径相似的纤维聚类成一类。

    2.2)针对复杂的纤维数据,纤维数量较多,采用DPC(GK)纤维聚类方法:由于纤维
    相对比较密集,数量也较大,初始半径对纤维聚类的影响较大,为了减少初始半径对数据的
    影响,根据高斯核指数计算样本密度,对算法进行优化,同时引入纤维γ值排序图来选取纤
    维的聚类中心,对纤维进行聚类。

    3)将聚类后的纤维数据映射到相应的颜色空间,进行颜色编码与可视化展示。从
    而达到可以明显地区分出不同类别纤维的效果。

    所述的步骤2.1)包括以下步骤:

    Step11设定半径dc,取半径为1.5%,即若两条纤维相似度位于总纤维相似度表的
    前1.5%,则认为这两条纤维相似,将被聚在同一个集群中。

    Step12计算每条脑神经纤维的密度ρi,其公式为:

    ρi=∑jχ(dij-dc) (1)

    其中:


    dij是第i条纤维和第j条纤维之间的纤维相似度距离,当纤维相似度距离小于半径
    是纤维密度增加。

    Step13计算每条脑神经纤维与高密度纤维的最近距离δi,其公式为


    其中将纤维密度ρ最大的脑神经纤维的δ值设为最大,同时分别记录每条纤维对应
    的高密度纤维序号。

    Step14集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤
    维与周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密
    度最大的脑神经纤维。建立一张以纤维密度ρ为横轴,δ为纵轴的决策图,选择纤维密度ρ和δ
    值都较大的脑神经纤维作为集群中心,并分别标记它们的集群编号。

    Step15纤维归类。对于没有集群编号的纤维,按纤维密度从大到小一次将它们聚
    集到Step3计算的δ值对应的纤维所在的集群中。

    所述的步骤2.2)包括以下步骤:

    Step21计算每条脑神经纤维的密度ρi,其公式为:


    使用高斯核指数计算纤维密度,减少初始半径对数据的影响。

    Step22集群中心的选择。纤维密度ρi较大的脑神经纤维在解剖学中的意义是该纤
    维与周围纤维形态相近;δ值较大的脑神经纤维在解剖学中的意义是该纤维是局部纤维密
    度最大的脑神经纤维。引入变量γ=ρ·δ,选择γ较大的脑神经纤维作为集群中心,并分别
    标记它们的集群编号。

    本发明所述的高斯核指数的含义参见:Y.Cheng.Mean shift,mode seeking,and
    clustering.Pattern Analysis and Machine Intelligence,IEEE Transactions on,17
    (8):790–799,1995.

    本发明所述的密度峰值点快速搜索聚类算法(即DPC算法)的含义参见:
    A.Rodriguez and A.Laio.Clustering by fast search and find of density
    peaks.Science,344(6191):1492–1496,2014.

    本发明的系统界面是通过Qt进行前端编写,通过C++进行数据处理,绘制通过
    OpenGL完成。

    参照图1~图6,一种基于空间路径相似性的脑纤维聚类方法,具体包括以下步骤:

    图1是基于空间路径相似性的脑纤维聚类方法总体流程图。根据每对纤维之间的
    空间路径相似度距离,确定每条纤维的密度以及与其最近且密度较大的纤维的相似度距离
    δ,然后根据纤维密度和δ画出决策图,确定纤维中心,最后将剩下的纤维分配到各个纤维中
    心以及进行噪声消除。

    图2是原始纤维数据绘制效果图。通过OpenGl对纤维进行绘制,并且使用RGB颜色
    空间模型对纤维进行着色渲染,纤维的颜色非常绚丽,然而当有较多纤维束时,用户无法对
    了解纤维路径的具体走向。图2.1简单纤维原始绘制效果图。这部分纤维仅来源于组织的一
    部分,结构非常简单。图2.2复杂纤维原始效果图。这部分数据比较复杂,用户往往无法直观
    地根据肉眼对纤维进行区分。

    图3是纤维密度决策图。以纤维密度ρ作为X轴,以纤维与其最近且密度较大的纤维
    的相似度距离δ作为Y轴,画出决策图。我们选择纤维密度ρ和δ值都较大的脑神经纤维作为
    集群中心。

    图4是纤维γ值排序图。由于图3中的方法对于复杂的纤维数据有时候较难区分纤
    维密度ρ和δ值都较大的点,因此我们设变量γ=ρ·δ,以γ为Y轴,将纤维根据其γ值降序
    排列,选择γ值较大的脑神经纤维作为集群中心。这种方法的优点在于区分度比较大,较容
    易选出合适的纤维集群中心。

    图5是DPC(NGK)纤维聚类效果图。针对简单的纤维数据,首先,我们通过计算每条
    脑神经纤维的密度ρi与其到高密度纤维的最近距离δi,来构建纤维密度决策图。通过决策
    图,我们可以寻找纤维密度ρ和δ值都较大的脑神经纤维作为集群中心,并分别标记它们的
    集群编号,最后将剩余的纤维归类至其最近的一类。从图中可以看出,纤维被分成了三类。

    图6是DPC(NGK)纤维聚类效果图。针对复杂的纤维数据,由于人为设置半径dc,往
    往效果受制于dc的值。我们在计算每根纤维密度时引入了高斯核指数进行优化,在对集群
    中心进行选择时,通过纤维γ值排序图对纤维的聚类中心进行选择。从图中的效果可以看
    出,优化效果显著,原始纤维直观地被分成了8类。

    本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的?;?br />范围不应当被视为仅限于实施例所陈述的具体形式,本发明的?;し段б布坝诒玖煊蚣际?br />人员根据本发明构思所能够想到的等同技术手段。

    关于本文
    本文标题:一种基于空间路径相似性的脑纤维聚类方法.pdf
    链接地址://www.4mum.com.cn/p-6021252.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 最近一期双色球号码预测 羽毛球鞋 组六 91街机捕鱼窍门 重庆幸运农场奖金金额 福建快三形态走势图 乒乓球拍价格 【急速赛车游戏机】 星悦福建麻将app 865棋牌游戏网站 冰球打架集锦 大圣捕鱼之大圣闹海 河南22选5专家最新预测 体彩中奖号码查询17326 江苏新时时彩 极速快乐十分计划软件手机版式