Unsupervised tissue classification of brain MR images for voxel‐based morphometry analysis

In this article, a fully unsupervised method for brain tissue segmentation of T1‐weighted MRI 3D volumes is proposed. The method uses the Fuzzy C‐Means (FCM) clustering algorithm and a Fully Connected Cascade Neural Network (FCCNN) classifier. Traditional manual segmentation methods require neuro‐radiological expertise and significant time while semiautomatic methods depend on parameter's setup and trial‐and‐error methodologies that may lead to high intraoperator/interoperator variability. The proposed method selects the most useful MRI data according to FCM fuzziness values and trains the FCCNN to learn to classify brain’ tissues into White Matter, Gray Matter, and Cerebro‐Spinal Fluid in an unsupervised way. The method has been tested on the IBSR dataset, on the BrainWeb Phantom, on the BrainWeb SBD dataset, and on the real dataset “University of Palermo Policlinico Hospital” (UPPH), Italy. Sensitivity, Specificity, Dice and F‐Factor scores have been calculated on the IBSR and BrainWeb datasets segmented using the proposed method, the FCM algorithm, and two state‐of‐the‐art brain segmentation software packages (FSL and SPM) to prove the effectiveness of the proposed approach. A qualitative evaluation involving a group of five expert radiologists has been performed segmenting the real dataset using the proposed approach and the comparison algorithms. Finally, a usability analysis on the proposed method and reference methods has been carried out from the same group of expert radiologists. The achieved results show that the segmentations of the proposed method are comparable or better than the reference methods with a better usability and degree of acceptance.     

光线跟踪的自适应多点迭代体素遍历算法

光线跟踪算法是提高图形真实感的一种主要技术,为了提高光线跟踪算法的速度,提出了一种快速的三维直线均匀体素遍历算法.该算法借鉴光栅直线行程扫描转换的思想,依据直线斜率定义决策参数,利用迭代计算决策参数控制每一步的光线走向.与单点迭代算法不同的是,一条直线依据斜率被自适应地拆分成由多点组成的m 遍历,而决策参数仅需要针对m遍历甚至由多个m遍历组成的周期进行计算,从而有效地减少了运算量.理论分析和实验表明,该算法的运行速度比现存的最快单步算法提高约56%,大幅度提高了光线跟踪的效率,且仅使用简单的整数运算即可实现.     

基于工程图的参数化三维重建技术研究

提出了一种基于工程图的参数化三维实体的构造方法.针对DXF格式的工程图文件完成了几何数据的读取、视图的划分和数据的重组;以基本体素为单位,对工程图实现对应图元的匹配和参数的提取;根据基本体素的虚、实性,采用一种基于三角面片的集合运算来构造完整的实体.在VC 和OpenGL环境下实现了三维重建系统的开发,证明了该方法的有效性.     

快速有效的半自动组织分割技术

针对医学可视化和虚拟内窥镜技术中的组织分割问题，提出边界模型和局部特征结构相结合的半自动解决方法，通过给定的特定体素点，结合边界模型找出特定组织的内部、外部体素，对边界体素计算汉森矩阵的特征值并按其特征结构进行分割．该方法只需要计算边界体素汉森矩阵的特征值，能够快速、有效地实现单一组织的分割．     

高分辨真三维显示中的体素化及均匀化方法

为了使基于投影的真三维显示获得径向均匀亮度,并提高有效体素数量,提出一种体素化和均匀化方法.针对体素中轴亮度高和外围亮度低的问题,分析了现有体素采样方法导致体素数量损失过多的原因;然后以二维平面填充算法替代三维体素采样,提出基于径向范围填充的体素化方法,以及基于抖动技术的均匀化方法,以修正了柱空间内体素亮度失真.实验结果证明,文中方法保留了约60％的体显示分辨率,有效体素数量达到2亿个,真三维显示样机能够在室内光环境下显示清晰且均匀的全角度立体影像.     

基于体素渲染的障碍物探测雷达数据可视化

探索一种新的基于体素模型的雷达地形数据三维表示方法,该方法将障碍物探测雷达获取的地形三维回波数据作为体素,通过有约束的自适应分形扩展方法进行空数据的插补,生成连续的三维地形数据,然后由6自由度体素描述方法进行三维模型的映射,解决三维绘制中的场景遮挡问题,最终通过纹理混合的实时渲染方式生成最终的三维地形图像。通过对实际数据验证表明,该方法可生成逼真的三维地形,相比O penGL的绘制方法,提高了雷达数据的可视化效率。     

多视图3D液晶显示器显示深度计算

给出了针对多视图3D液晶显示器的虚体素明确的定义,对虚体素的特性做了说明。在深入掌握多视图3D液晶显示器显示原理的基础上,对虚体素显示深度做了详细的研究。研究了虚体素显示深度与同名点距离以及观察距离的关系,并以StereoGraphics公司的Symthagram204显示器为例作了定量计算。针对该显示器,根据透镜阵列折射原理给出公式,计算了不同同名点距离时最远的可观察距离;在此基础上,对不同的同名点距离计算了最大的虚体素显示深度,在给定两眼间距为65mm时,得出该型显示器的最佳观察距离为1.26m。研究结果为多视图3D液晶显示器性能的度量和比较提供了一个定量的标准。     

基于二值体金字塔数据结构的自适应快速体绘制方法

直接体绘制技术无需拟合中间几何图元直接绘制体数据,由于绘制图像质量高,该技术倍受青睐。但是,因为直接体绘制需要遍历整个数据场,绘制速度慢,在绘制大规模数据场时,速度已经成为应用该项技术的一大瓶颈。为此,提出一种基于二值体金字塔数据结构的自适应快速体绘制方法,该方法可以在不降低图像质量的情况下,加快图像绘制速度。     

多频段脑功能网络融合的阿尔茨海默病分类

将图论与机器学习方法相结合的阿尔茨海默病计算机辅助中,脑网络的构建大多是基于滤波去噪后的全频段BOLD信号匹配,忽略了不同脑活动信息的差异.因此,本文提出了一种多频段脑功能网络融合模型.首先将离散小波变换应用于BOLD信号中,得到不同频域下的体素信号,而后计算同频信号的相关性,获取不同频段下相关矩阵.而后计算所有矩阵的网络特征,在特征选择后基于SVM对患者进行分类.从实验结果可以看出,分频下的脑功能网络特征与未分频网络相比能在一定程度上提高分类的准确性;体素级网络由于可以更加详细的表达脑网络的变化,其分类效果要优于脑区级.     

真三维成像系统结构设计及GR空间模型分析

本文提出了一种基于下投影的真三维立体成像显示系统。讨论了一种基于空间和时间的三维模型体素构造的新方法——体素铸模法,并推导了四维局部状态空间模型Givone-Roessor,此模型利用状态矢量和输入矢量计算和表征体素变量,模型在某时刻计算的各变量只与相邻的体素或前一时刻有关,减少了计算量。系统机械结构简单轻便,成本低,功耗小;视场角大,除天顶点外,在整个x-y平面以上的半球空间均可成立体像;Givone-Roessor模型计算量小,便于微控制器实现,为真三维立体成像显示提供了一种新方法。