使用基于高阶张量场的 finsler 几何学的自动曲谱和细分

科学领域:

• 生物医学图像分析
• 计算神经科学是一种计算神经科学.
• 微分几何学的差异几何学

背景情况:

• 三维高阶张量图像 (HOT) 在生物医学分析中至关重要,它代表了voxels内的扩散配置文件.
• 扩散信息通常存储在扩散张量 (D) 中,其反向 (D-1) 用作扩散张量成像 (DTI) 中的度量张量.
• 分析具有交叉和高曲率的复杂神经纤维架构对现有方法提出了挑战.

研究的目的:

• 开发用于追踪神经纤维在三维高阶张量图像 (HOT) 中的新方法.
• 为了实现直接的3D图像细分,用于分析白质结构,特别是在交叉和高曲率的情况下.
• 适应Finsler几何学,用于神经通路的高级生物医学图像分析.

主要方法:

• 采用基于高阶张数的指标的创新方法,用于准确的光纤跟踪.
• 开发一种用于反转扩散热的新方法.
• 使用带状纤维作为内部初始轮,以实现高效的3D细分过程.

主要成果:

• 一种新的扩散 HOT 逆转和基于 Finsler 的纤维跟踪方法,包括创新的 voxel 分类.
• 成功处理具有高曲率和十字路口的复杂神经结构,对噪声强大.
• 引入一种新的细分方法,使用检测到的纤维作为积极的轮细分的初始轮位置.

结论:

• 这项试点工作增强了用于生物医学图像分析的纤维跟踪和细分方法.
• 算法在合成数据和真实数据上进行了验证,证明了稳定性和速度.
• 新的方法有效地区分复杂的神经结构中的单个对象,即使在杂的条件下.