弥散张量成像之DTI简介
概述
弥散加权成像(DWI)是建立在MRI流动效应基础上的成像方法,可以反应水分子弥散的速度。在非均一(空间上不均匀)的磁场环境下,因水分子弥散而产生的质子的随机活动会造成MR信号的下降。在梯度磁场较小的时候,它的作用是很微弱的。因此在三维空间任一方向上使用高场强的梯度磁场时,水分子的弥散造成的MR信号的改变则是相当可观的。
弥散张量成像(DTI)是一种定量分析的 MRI 技术,是弥散加权成像技术的扩展,其基础理论是水分子的布朗运动。在均匀介质和人体组织中,水分子的弥散形式各不一样,在均匀介质中表现为各向同性(isotropy)扩散,沿各个方向扩散的概率一样。而在人体组织中,各种成分组织的密度不一样,朝各个方向扩散受到的阻碍也不一样,表现为各向异性(anisotropy)扩散,具有方向依赖性,例如在大脑白质中,由于各种走向的神经纤维束的存在,其内部水分子的扩散方向受到这些纤维束的约束,主要沿纤维束方向运动,弥散磁共振成像利用这种约束作用,根据对多次不同空间方向的弥散成像和计算处理,得到组织中水分子扩散的变化程度指标来评估大脑白质结构完整性以及实现神经纤维束的立体重建。
张量定义
Basser 等人引入了一个从三维立体视角的对称矩阵的概念来量化分解扩散各向异性的信号数据,称为弥散张量模型 D[1, 2], 公式如下:
其中,DxxDxxDxx,DyyDyyDyy,DzzDzzDzz 为沿着空间直角坐标系xxx轴、yyy轴、zzz轴三个互相垂直的方向施加的弥散系数。弥散张量是一个3x3 的对称、正定矩阵,包含三个特征值(λ1\lambda _1λ1,λ2\lambda _2λ2和λ3\lambda _3λ3)以及相关联的特征向量。三个特征向量反映了水分子的三个弥散方向。特征值的大小则表示各方向上水分子的弥散程度。理论上,只需扫描六个不同方向梯度的弥散加权图像就可以求解出模型,然而实际应用时,由于噪声的干扰,仅仅施加六个方向的弥散梯度不足以精确反映水分子在不同组织中的弥散情况,所以施加梯度方向越多,那么数据就越准确。
水分子在均匀介质中各个空间方向上的弥散率相同,沿磁共振的三个主坐标的特征值相等,弥散张量 D 被描述为球形;水分子在白质纤维中具有较高的各向异性,它的弥散方向由于受到髓鞘的阻挡而被限制在与纤维走行一致的方向上,此时弥散张量 D 可表示为椭球形,其三个特征值大小可以表示为λ1\lambda _1λ1>λ2\lambda _2λ2>λ3\lambda _3λ3 ,最大的特征值λ1\lambda _1λ1对应的方向即特征向量v1v_1v1的方向就是经过该体素的纤维束走行的方向或者是其反方向,我们称之为轴向。而特征向量λ2\lambda _2λ2,λ3\lambda _3λ3, 对应的方向与轴向垂直,我们称之为径向。
张量估计
对弥散张量进行估计,使得我们可以对大脑内水分子弥散情况进行建模。通过对Stejskal-Tanner方程的求解可以对弥散张量进行有效估计:
其中,SkS_kSk为梯度方向gkg_kgk上的弥散加权图像,S0S_0S0为baseline图像以及DDD为弥散张量矩阵。
经典的估计方法通过最小化平方和损失函数求取弥散数据对应的张量[3]。损失函数定义为:
量化指标
各向异性分数( Fractional anisotropy,FA):
平均扩散系数(Mean diffusivity,MD):
轴向扩散系数(Axial diffusivity,AD):
径向扩散系数(Radial diffusivity,RD):
CL,the linearity metric of the diffusion tensor:
CP,the planarity metric of the diffusion tensor:
CS,the sphericity metric of the diffusion tensor:
Diffusion MRI 数据实例
HCP格式的diffusion MRI数据,通常包括以下文件:
data.nii.gz: 4D数据文件,由原始数据预处理后得到diffusion MRI图像。
nodif_brain_mask.nii.gz: 3D二进制MASK图像。
bvecs: 3xN的ASCII文本文件,其中每一个3x1向量代表一个弥散梯度方向,且已经标准化为单位向量。
bvals: 1xN的ASCII文本文件,其中每个值对应于各个弥散梯度方向对应的b-value值。
在弥散加权成像中,b值可以看做图像对比调节的窗位,选择合适b值对最大限度的显示弥散的效果具有重要意义。b值的单位是s/mm^2,b值的不同,弥散造成的信号的差别不同,b值选的越大,不能弥散情况造成的信号差异就越大。
批量计算
https://mrtrix.readthedocs.io/en/latest/reference/commands/dwi2tensor.html Mrtrix工具包提供了张量估计与量化指标计算的相关命令。
dwi2tensor: Diffusion (kurtosis) tensor estimation.
dwi2tensor [ options ] dwi dt
dwi: the input dwi image.
dt: the output dt image.Options
-ols perform initial fit using an ordinary least-squares (OLS) fit (see Description).
-mask image only perform computation within the specified binary brain mask image.
-b0 image the output b0 image.
-dkt image the output dkt image.
-iter integer number of iterative reweightings for IWLS algorithm (default: 2) (see Description).
-predicted_signal image the predicted dwi image.
tensor2metric: Generate maps of tensor-derived parameters.
tensor2metric [ options ] tensor
tensor: the input tensor image.Options
-adc image compute the mean apparent diffusion coefficient (ADC) of the diffusion tensor. (sometimes also referred to as the mean diffusivity (MD))
-fa image compute the fractional anisotropy (FA) of the diffusion tensor.
-ad image compute the axial diffusivity (AD) of the diffusion tensor. (equivalent to the principal eigenvalue)
-rd image compute the radial diffusivity (RD) of the diffusion tensor. (equivalent to the mean of the two non-principal eigenvalues)
-cl image compute the linearity metric of the diffusion tensor. (one of the three Westin shape metrics)
-cp image compute the planarity metric of the diffusion tensor. (one of the three Westin shape metrics)
-cs image compute the sphericity metric of the diffusion tensor. (one of the three Westin shape metrics)
-value image compute the selected eigenvalue(s) of the diffusion tensor.
-vector image compute the selected eigenvector(s) of the diffusion tensor.
-num sequence specify the desired eigenvalue/eigenvector(s). Note that several eigenvalues can be specified as a number sequence. For example, ‘1,3’ specifies the principal (1) and minor (3) eigenvalues/eigenvectors (default = 1).
-modulate choice specify how to modulate the magnitude of the eigenvectors. Valid choices are: none, FA, eigval (default = FA).
-mask image only perform computation within the specified binary brain mask image.
计算实例:
dwi2tensor data.nii.gz tensor.nii.gz -mask nodif_brain_mask.nii.gz -fslgrad bvecs bvals tensor2metric -fa FA.nii.gz tensor.nii.gz -mask nodif_brain_mask.nii.gz
Reference
[1] Basser PJ, Mattiello J, Lebihan D. MR diffusion tensor spectroscopy and imaging[J]. Biophysical Journal 1994;66(1):259-267.
[2] Basser PJ. Diffusion-tensor MRI: theory, experimental design, and data analysis. Paper presented at: Engineering in Medicine & Biology, Conference & the Fall Meeting of the Biomedical Engineering Society Embs/bmes Conference, Second Joint, 2002.
[3] Niethammer M, Estepar R S, Bouix S, et al. On Diffusion Tensor Estimation. international conference of the ieee engineering in medicine and biology society, 2006: 2622-2625.
弥散张量成像之DTI简介相关推荐
- Frontiers in Neuroscience:弥散张量成像(DTI)研究指南
弥散张量成像(DTI)的研究越来越受到临床医生和研究人员的欢迎,因为它们提供了对脑网络连接的独特见解.然而,为了优化DTI的使用,必须考虑到几个技术和方法方面的问题,因为这些问题会影响到DTI研究结果 ...
- 【图像分割】基于matlab扩散张量成像(DTI)脑白质纤维束成像【含Matlab源码 2174期】
一.扩散张量成像(DTI)脑白质纤维束成像简介 1 DTI技术简介 DTI在DWI技术基础上进行改进, 通过水分子扩散运动的各向异性进行成像, 反映纤维束的完整性等微观特性.扩散即布朗运动, 扩散的方 ...
- Nature Communications:基于弥散张量成像的人类纤维束连接体方法面临的挑战
纤维束成像是一种基于弥散加权磁共振成像(diffusion-weighted magnetic resonance imaging, DWI)的计算重建方法,它试图揭示人脑白质通路的轨迹,并 ...
- 【图像分割】扩散张量成像(DTI)脑白质纤维束成像【含Matlab源码 2174期】
⛄一.扩散张量成像(DTI)脑白质纤维束成像简介 1 DTI技术简介 DTI在DWI技术基础上进行改进, 通过水分子扩散运动的各向异性进行成像, 反映纤维束的完整性等微观特性.扩散即布朗运动, 扩散的 ...
- 弥散张量成像(diffusion tensor imaging,DTI)常用指标
表观弥散系数(apparent diffusion coefficient,ADC) 衡量水分子在人体组织环境中的弥散运动,即把影响水分子运动的所有因素(随机和非随机)都叠加成一个观察值,反映弥散敏感 ...
- 弥散张量成像之张量估计方法
弥散张量估计理论 Stejskal方程描绘了磁场梯度向量(magnetic-field-gradient vector)与回波图象强度(echo intensity)之间的函数关系.Stejskal方 ...
- 弥散峰度成像DKI简介
弥散峰度成像 DTI 的理论基础是假设生物组织内水分子扩散为高斯随机分布的,因此可以显示结构较统一的白质.但实际上脑组织中水分子的扩散是非高斯分布的,尤其是对于高度复杂的脑灰质结构.由 Jensen ...
- 时间弥散谱成像和IMPULSED
1 什么是时间弥散谱成像(temporal diffusion spectroscopy,TDS) 时间弥散谱成像(temporal diffusion spectroscopy,TDS)一般利用震荡 ...
- 大脑结构和功能复杂网络的图论分析——回顾复杂大脑网络的各种实验方法(包括人类的结构和功能MRI,扩散张量成像,磁脑图和脑电图),介绍图论的基本原理
复杂大脑网络:结构和功能系统的图论分析 文章Complex brain networks: graph theoretical analysis of structural and functiona ...
最新文章
- 线上java JVM问题排查
- tomcat7.0.8的高级应用-apr1.4.2安装
- linux系统日志_第十二章:走进Linux世界——系统日志管理,日志轮转。
- 【AITISA 第11次标准会议新一代人工智能产业技术创新战略联盟——AI标准工作组】神经网络压缩组会议
- OpenCASCADE:要求
- bugzilla dbd-mysql_别人写的关于在Windows下安装BugZilla的说明,不错,值得借鉴
- mysql rpm 安装多实例_MySQL多实例安装
- 金色装饰素材,用这个技巧创造节日的感觉,完美
- [数据库]特殊符号对应的ascii和键盘字符的十六进制表示
- 从张一鸣和黄峥的离职信中,我们发现了四个共同点
- 如果你知道10条以上,你就和我一样渊博了
- 机械振动学|单自由度系统
- zipkin+elk微服务日志收集分析系统
- 【RL】同策略(on-policy)与异策略(off-policy)
- iPad浏览器打不开网页 服务器停止响应,ipad网络连接正常打不开网页怎么办
- 一键导出ChatGPT聊天记录:让备份更简单
- 如何根据笔记本CPU选取合适内存条总结
- 深兰科技出席“2022世界设计之都大会”,论剑工业设计高峰论坛
- 《向上生长》读书摘记
- 元器件中电容的小小知识 2021-09-06