1、配準算法是進行影像分析至關重要的一步，配準結(jié)果的好壞直接決定了能否進行分析以及分析結(jié)果的可信度。近年來，研究人員提出了大量的非線性配準算法并提供了相應的軟件，但沒有一個配準算法對所有的影像數(shù)據(jù)都適用。如何選取適當?shù)呐錅仕惴▉碜龇治鍪莻€亟待解決的問題。
　　彌散張量成像技術(shù)通過測量大腦中水分子彌散的各向異性來推斷纖維束的走向，進而提供大腦連接情況的信息。纖維跟蹤算法重建得到的纖維束數(shù)量在十萬級，不同個體的纖維束具有較大的差異，纖維束

2、結(jié)構(gòu)間的邊界并不明顯，并且部分纖維束結(jié)構(gòu)存在重疊，因此纖維束分割是一個重大挑戰(zhàn)。
　　對于配準算法選擇的問題，本文提出了一個具有可重復性的配準算法比較流程。對待處理的數(shù)據(jù)進行完全一致的預處理，包括重采樣，去頭骨，刪除失真嚴重的影像。然后對這些數(shù)據(jù)應用不同的配準算法，同時采用不同的影像模板，以比較模板對于配準的影響。對配準后的影像與模板進行分割，通過計算分割得到的組織，包括白質(zhì)，灰質(zhì)，之間的重疊程度，來判斷配準算法的效果。在1-2歲

3、兒童數(shù)據(jù)上進行比較的結(jié)果發(fā)現(xiàn)，IRTK與Nifty能取得較好的效果，并且采用年齡匹配的模板配準結(jié)果更優(yōu)。
　　本文采用密度極值的聚類方法來解決纖維束分割的問題。密度極值聚類算法基于兩點假設:
　　(1)聚類中心的密度值高于它所以鄰居纖維束的密度；
　　(2)聚類中心離比它密度大的纖維素距離較遠。用兩個特征分別來表征這兩點假設，符合這兩點假設的纖維即選做纖維束的中心。余下的纖維被分配到比它密度大并且與它距離最近的纖維相同