一种白质纤维束追踪方法、装置、电子设备和介质

技术领域

本发明涉及医学信息领域，特别是涉及一种白质纤维束追踪方法、一种白质纤维束追踪装置、一种电子设备以及一种计算机可读介质。

背景技术

大脑白质由神经纤维构成，沿纤维束方向的水分子扩散速率快，垂直于纤维束方向的水分子扩散慢。扩散磁共振成像技术(diffusion magnetic resonance imaging,dMRI)在一定方向上施加扩散梯度场可以得到反映该方向上水分子扩散情况的扩散加权磁共振图像(Diffusion Weighted Imaging,DWI)。在多个扩散编码方向上成像并建模后，可以利用纤维束追踪算法进行纤维束追踪，目前dMRI是唯一能无创实现白质纤维束追踪的算法。

更高的准确率和覆盖率是纤维束追踪任务的始终目标。经典纤维束追踪过程聚焦于对体素内纤维束分布建模，即估计体素内扩散方向分布函数(Diffusion OrientationDistribution Function,dODF)、直接重建纤维束分布方向函数(Fiber OrientationDistribution Function,fODF)或其他组织微结构量化参数。之后利用确定性或概率性方式追踪纤维束。受限于目前DWI成像分辨率，也即部分容积效应的存在使得对体素内纤维束分布的估计存在误差，确定性追踪沿方向分布函数峰值所在方向追踪纤维束，忽略体素内纤维束分布估计的不确定性，生成的追踪结果假阳性率(Overreach)较低，但对大脑白质的覆盖率(Overlap)较低。概率性追踪方式考虑体素内纤维束分布估计的不确定性，根据方向分布函数随机采样一个方向追踪纤维束，生成的追踪结果能较好的覆盖大脑白质，但同时存在大量假阳性纤维束。通过加入解剖先验信息来约束纤维束追踪是目前最有效的提升追踪效果的方式，如加入纤维束起止点信息，或明确纤维束不可经过区域以进行纤维束质量筛选等。然而上述经典建模追踪方法都是先利用体素信号独立建模，之后利用确定性或概率性追踪方式追踪所得，未利用空间信号的邻域信息以及纤维束方向上的信息，其假阳性率较高和/或是假阴性率较高，一般只能通过后处理进行质量控制。

近年来随着深度学习方法的广泛应用，基于深度学习的纤维束追踪方法陆续涌现，有研究者利用强化学习、无监督深度学习的方式进行纤维束追踪并产生了不错的结果。但目前为止，并没有一个被普遍接受并广泛使用的纤维束追踪方法，究其原因还是在于所得追踪结果的假阳性率和白质覆盖率无法同时符合要求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种白质纤维束追踪方法和相应的一种白质纤维束追踪装置、一种电子设备以及一种计算机可读介质。

本发明公开了一种白质纤维束追踪方法，所述方法包括：

采集脑部DWI图像；

对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量，所述白质纤维束信号特征向量为起始点信号特征向量和/或信号特征向量序列；

将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果。

可选地，每条白质纤维束包括多个时间点的信号信息，将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果的步骤，包括：

S1,分别针对白质纤维束每一个当前待预测时间点提取其预设范围内的邻域信号特征向量，并将当前待预测时间点的信号特征向量和所述邻域信号特征向量输入卷积层，输出白质纤维束的邻域向量序列；

S2,将所述白质纤维束的邻域向量序列输入线性映射层，输出白质纤维束的高维向量序列；

S3,将白质纤维束的高维向量序列输入位置编码层，对所述高维向量序列进行位置编码，得到白质纤维束的编码向量序列；

S4,将白质纤维束的编码向量序列输入含有注意力机制的GPT层，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，采用所述注意力分数预测输出白质纤维束在各待预测时间点的传播方向；

S5,将当前预测时间点传播方向与追踪步长相乘，再加上当前时间点的空间坐标，得到目标纤维束下一预测时间点坐标，将其接入已预测纤维束，得到更新后的白质纤维束，并再次将其输入网络，预测下一个时间点的传播方向；

S6,重复步骤S1-S5，直到网络输出满足停止条件，得到目标纤维束；所述停止条件包括：达到纤维束预设最大长度，或预测方向与纤维束上一走行方向所成角度超过设定阈值，或纤维束超出追踪掩模。

可选地，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数的步骤，包括：

计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的相似度；

将每个时间点的编码特征向量的相似度进行softmax归一化计算，得到每个时间点的编码特征向量的注意力分数；

将所有时间点的编码特征向量的注意力分数加权求和，得到编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数。

可选地，对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量的步骤，包括：

采用随机数生成法在所述脑部DWI图像中生成均匀分布的随机种子点，作为纤维束的起始点；

从脑部DWI图像中读取纤维束序列的DWI信号和/或纤维束起始点的DWI信号；

采用球谐基函数将所述纤维束序列的DWI信号和/或纤维束起始点的DWI信号转换为以球谐系数表示的信号，得到纤维束序列和/或纤维束起始点的信号特征向量。

可选地，所述白质纤维束追踪模型的训练过程包括：

采集纤维束追踪训练样本：采集脑部DWI图像；采用追踪算法对所述脑部DWI图像进行追踪生成纤维束并对所述纤维束重采样得到白质纤维束在各时间点的传播方向标签；

将所述纤维束的信号特征向量和纤维束在各时间点的传播方向标签输入预设神经网络模型，得到所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向；

采用所述白质纤维束在各时间点的传播方向标签和所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向计算所述预设网络模型的损失；

基于所述损失对所述预设神经网络模型的网络参数进行迭代优化，得到所述白质纤维束追踪模型。

本发明还公开了一种白质纤维束追踪装置，所述装置包括：

采集模块，用于采集脑部DWI图像；

预处理模块，用于对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量，所述白质纤维束信号特征向量为起始点信号特征向量和/或信号特征向量序列；

预测模块，用于将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果。

可选地，每条白质纤维束包括多个时间点的信号信息，所述预测模块包括：

卷积子模块，用于分别针对白质纤维束每一个当前待预测时间点提取其预设范围内的邻域信号特征向量，并将当前待预测时间点的信号特征向量和所述邻域信号特征向量输入卷积层，输出白质纤维束的邻域向量序列；

映射子模块，用于将所述白质纤维束的邻域向量序列输入线性映射层，输出白质纤维束的高维向量序列；

位置编码子模块，用于将白质纤维束的高维向量序列输入位置编码层，对所述高维向量序列进行位置编码，得到白质纤维束的编码向量序列；

预测子模块，用于将白质纤维束的编码向量序列输入含有注意力机制的GPT层，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，采用所述注意力分数预测输出白质纤维束在当前待预测时间点的传播方向；

连接子模块，用于将当前预测时间点传播方向与追踪步长相乘，再加上当前时间点的空间坐标，得到目标纤维束下一预测时间点坐标，将其接入已预测纤维束，得到更新后的白质纤维束，并再次将其输入网络，预测下一个时间点的传播方向；

重复执行子模块，用于循环执行卷积子模块、映射子模块、位置编码子模块、预测子模块，连接子模块，直到网络输出满足停止条件，得到目标纤维束；所述停止条件包括：达到纤维束预设最大长度，或预测方向与纤维束上一走行方向所成角度超过设定阈值，或纤维束超出追踪掩模。

可选地，所述预测子模块包括：

相似度计算单元，用于计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的相似度；

归一化单元，用于将每个时间点的编码特征向量的相似度进行softmax归一化计算，得到每个时间点的编码特征向量的注意力分数；

注意力分数计算单元，用于将所有时间点的编码特征向量的注意力分数加权求和，得到编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数。

可选地，所述预处理模块包括：

种子点生成模块，用于采用随机数生成法在所述脑部DWI图像中生成均匀分布的随机种子点，作为目标纤维束的起始点；

读取模块，用于从脑部DWI图像中读取纤维束序列的DWI信号和/或纤维束起始点的DWI信号；

转换模块，用于采用球谐基函数将所述纤维束序列的DWI信号和/或纤维束起始点的DWI信号转换为以球谐系数表示的信号，得到纤维束序列和/或纤维束起始点的信号特征向量。

可选地，所述装置还包括：

训练样本采集模块，用于采集脑部DWI图像；采用追踪算法对所述脑部DWI图像进行追踪生成纤维束并对所述纤维束重采样得到白质纤维束在各时间点的传播方向标签；

训练模块，用于将所述纤维束的信号特征向量和纤维束在各时间点的传播方向标签输入预设神经网络模型，得到所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向；

网络损失计算模块，用于采用所述白质纤维束在各时间点的传播方向标签和所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向计算所述预设网络模型的损失；

网络参数优化模块，用于基于所述损失对所述预设神经网络模型的网络参数进行迭代优化，得到所述白质纤维束追踪模型。

本发明还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现如本发明所述的白质纤维束追踪方法。

本发明还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明所述的白质纤维束追踪方法。

本发明包括以下优点：

本发明的白质纤维束追踪方法，通过采集脑部DWI图像，对脑部DWI图像进行预处理，得到白质纤维束的信号特征向量，所述白质纤维束信号特征向量为起始点信号特征向量和/或信号特征向量序列，将白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出脑部DWI图像的白质纤维束追踪结果。本发明方法的白质纤维束追踪模型利用卷积神经网络层聚合纤维束各时间点邻域信息，利用注意力机制将纤维束已预测时间点的信息也融合进当前预测中，基于对纤维束信息的全面利用，将纤维束邻域和已预测时间点的信息结合起来能提高预测精度，使纤维束追踪结果同时取得了较好的假阳性率和白质覆盖率。

附图说明

图1是本发明提供的一种白质纤维束追踪方法的步骤流程图；

图2是本发明提供的白质纤维束追踪模型的网络结构示意图；

图3是本发明提供的GPT层的网络结构示意图；

图4是本发明提供的ISMRM2015仿真人脑数据集可视化测试结果示意图；

图5是本发明提供的一种白质纤维束追踪装置的结构框图；

图6是本发明提供的一种电子设备的框图；

图7是本发明提供的一种计算机可读介质的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明实施例中提供的一种白质纤维束追踪方法的步骤流程图，具体可以包括如下步骤：

步骤101，采集脑部DWI图像；

本发明的方法是利用深度学习网络来实现端到端的纤维束追踪过程，将纤维束邻域信息和已预测部分的信息加入纤维束追踪过程，使追踪结果的假阳性纤维束数量在合理范围内的同时有较好的白质覆盖率。具体地，为了获得大脑白质纤维束的追踪结果，即白质纤维束各时间点的传播方向，可以先采集脑部DWI图像，脑部DWI图像是大脑的扩散加权磁共振图像，这种图像可以显示水分子的扩散运动，对于脑部纤维束成像具有重要意义。

步骤102，对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量；所述白质纤维束的信号特征向量为起始点信号特征向量和/或信号特征向量序列；

在获得脑部DWI图像后，为了采用预先训练好的白质纤维束追踪模型对脑部DWI图像中的白质纤维束进行追踪，可以先对脑部DWI图像进行一些预处理，以获得适合白质纤维束追踪模型使用的白质纤维束的信号特征向量，其中，白质纤维束的信号特征向量可以为起始点信号特征向量和/或信号特征向量序列，即以一个种子点作为纤维束追踪的起始点或以一段已知的纤维束的末端作为纤维束的起点。

具体地，可以先对DWI图像进行一些基础处理，包括去噪、校正等操作，以提高图像的质量和准确性。接着可以根据脑部DWI图像的特点，选取纤维束种子点，也即纤维束起始点，这些种子点将用于启动纤维束追踪过程，再采用快速目标追踪算法，从种子点开始，沿着纤维束的方向进行追踪，直到达到终止条件，比如达到目标区域或超过预设距离，则停止追踪得到纤维束追踪结果。根据种子点的空间位置，得到对应空间位置处DWI图像的信号。

在本发明的一种实施例中，对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量的步骤，包括：

采用随机数生成法在所述脑部DWI图像中生成均匀分布的随机种子点，作为纤维束的起始点；

从脑部DWI图像中读取纤维束序列的DWI信号和/或纤维束起始点的DWI信号；

采用球谐基函数将所述纤维束序列的DWI信号和/或纤维束起始点的DWI信号转换为以球谐系数表示的信号，得到纤维束序列和/或纤维束起始点的信号特征向量。

在本发明实施例中，可以采用随机数生成法在脑部DWI图像中生成均匀分布的随机种子点，作为纤维束的起始点，从脑部DWI图像中读取纤维束序列的DWI信号和/或纤维束起始点的DWI信号，最后可以采用球谐基函数将纤维束序列的DWI信号和/或纤维束起始点的DWI信号转换为以球谐系数表示的信号，得到纤维束序列和/或纤维束起始点的信号特征向量。

步骤103，将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果。

在获得白质纤维束的信号特征向量后，可以将白质纤维束的信号特征向量输入已经训练好的白质纤维束追踪模型，采用白质纤维束追踪模型对白质纤维束的信号特征向量进行处理，输出脑部DWI图像的白质纤维束追踪结果，采用本发明该白质纤维束追踪模型预测得到的白质纤维束追踪结果基于对纤维束信息的全面利用，将纤维束邻域和已预测时间点的信息结合起来能提高预测精度，使纤维束追踪结果同时取得了较好的假阳性率和白质覆盖率。

在本发明的一种实施例中，每条白质纤维束包括多个时间点的信号信息，将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果的步骤，包括：

S1,分别针对白质纤维束每一个当前待预测时间点提取其预设范围内的邻域信号特征向量，并将当前待预测时间点的信号特征向量和所述邻域信号特征向量输入卷积层，输出白质纤维束的邻域向量序列；

S2,将所述白质纤维束的邻域向量序列输入线性映射层，输出白质纤维束的高维向量序列；

S3,将白质纤维束的高维向量序列输入位置编码层，对所述高维向量序列进行位置编码，得到白质纤维束的编码向量序列；

S4,将白质纤维束的编码向量序列输入含有注意力机制的GPT层，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，采用所述注意力分数预测输出白质纤维束在当前待预测时间点的传播方向；

S5,将当前预测时间点传播方向与追踪步长相乘，再加上当前时间点的空间坐标，得到目标纤维束下一预测时间点坐标，将其接入已预测纤维束，得到更新后的白质纤维束，并再次将其输入网络，预测下一个时间点的传播方向；

S6,重复步骤S1-S5，直到网络输出满足停止条件，得到目标纤维束；所述停止条件包括：达到纤维束预设最大长度，或预测方向与纤维束上一走行方向所成角度超过设定阈值，或纤维束超出追踪掩模。

每条白质纤维束可以包括多个时间点的信号信息，可以以一个序列S＝{p

参照图2，示出了本发明实施例提供的白质纤维束追踪模型的网络结构示意图；

在将白质纤维束的信号特征向量输入白质纤维束追踪模型后，白质纤维束追踪模型分别针对白质纤维束每一个当前待预测时间点提取其预设范围内的邻域时间点的信号特征向量，并将当前待预测时间点的信号特征向量和邻域时间点的信号特征向量输入卷积层，通过卷积层计算输出白质纤维束的邻域向量序列，即利用卷积层将邻域信息纳入后续预测过程中。再将白质纤维束的邻域向量序列输入线性映射层，通过线性映射层映射输出白质纤维束的高维向量序列，接着将白质纤维束的高维向量序列输入位置编码层，位置编码层采用可学习参数对高维向量序列进行位置编码，得到白质纤维束的编码向量序列，最后将白质纤维束的编码向量序列输入含有注意力机制的GPT层，GPT层是含有注意力机制的GPT(Generative Pre-trained Transformer)网络结构，参照图3，示出了本发明实施例提供的GPT层的网络结构示意图。GPT层计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，采用编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数预测输出白质纤维束在各待预测时间点的传播方向。

在本发明的一种实施例中，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数的步骤，包括：

计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的相似度；

将每个时间点的编码特征向量的相似度进行softmax归一化计算，得到每个时间点的编码特征向量的注意力分数；

将所有时间点的编码特征向量的注意力分数加权求和，得到编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数。

在本发明实施例中，白质纤维束追踪模型含有注意力机制的GPT层将计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，具体是先计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的相似度，再将每个时间点的编码特征向量的相似度进行softmax归一化计算，得到每个时间点的编码特征向量的注意力分数，最后将所有时间点的编码特征向量的注意力分数加权求和，得到编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数。

其中，softmax归一化公式为：

其中，d

在本发明的一种实施例中，所述白质纤维束追踪模型的训练过程包括：

采集纤维束追踪训练样本：采集脑部DWI图像；采用追踪算法对所述脑部DWI图像进行追踪生成纤维束并对所述纤维束重采样得到白质纤维束在各时间点的传播方向标签；

将所述纤维束的信号特征向量和纤维束在各时间点的传播方向标签输入预设神经网络模型，得到所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向；

采用所述白质纤维束在各时间点的传播方向标签和所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向计算所述预设网络模型的损失；

基于所述损失对所述预设神经网络模型的网络参数进行迭代优化，得到所述白质纤维束追踪模型。

对于白质纤维束追踪模型的训练，具体可以先采集纤维束追踪训练样本，纤维束追踪训练样本包括大脑白质纤维束的信号特征向量和白质纤维束在各时间点的传播方向标签。

在本发明实施例中，为了从脑部DWI图像中获得用于训练网络的纤维束，可以采用经典追踪算法对脑部DWI图像进行追踪生成纤维束。白质纤维束在各时间点的传播方向标签为预先对采用追踪算法对脑部DWI图像进行处理生成的纤维束进行重采样得到，大脑白质纤维束的信号特征向量是，采用球谐基函数将目标纤维束的DWI信号转换为以球谐系数表示的信号得到。其中，在获得纤维束后，将图像分辨率由各向同性1.25mm降至各向同性2mm，降低图像的分辨率，以便减少计算量和加速处理速度。

获得纤维束追踪训练样本后，可以将大脑白质纤维束的信号特征向量输入预设神经网络模型，得到预设神经网络模型输出的白质纤维束在各时间点的传播方向，再根据损失函数计算预设网络模型的网络损失，使用Adamw优化器基于网络损失对预设神经网络模型的网络参数进行迭代优化，得到白质纤维束追踪模型。

作为本发明的一个示例，

使用7例HCP-1200公开数据，每例数据包括18幅非扩散加权图像(b＝0s/mm

其中，d

其中d

训练完成后在各向同性2mm的ISMRM2015仿真人脑数据集上进行追踪，固定追踪步长2mm。ISMRM2015仿真人脑数据集可视化测试结果如图4所示，图4中，(a)表示真实纤维束图，(b)表示本发明方法追踪所得纤维束图；评价指标如表1所示，其中覆盖率(Overlap)越高越好，错误率(Overreach)越低越好。2015_mean代表ISMRM2015挑战赛中所提交方法获得的平均结果，2015_best代表挑战赛中排名第一的方法。Neher和Entrack分别代表一种机器学习和深度学习追踪方法。相比而言，本发明方法所得结果有较高的白质覆盖率(Overlap)和更低的假阳性率(Overreach)。总体上，优异的F1指标，也表示本发明方法的追踪结果同时取得了较好的假阳性率和白质覆盖率。

表1 ISMRM2015数据集测试结果定量评估指标

在本发明实施例中，通过采集脑部DWI图像，对脑部DWI图像进行预处理，得到白质纤维束的信号特征向量，将白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出脑部DWI图像的白质纤维束追踪结果。本发明该方法的白质纤维束追踪模型利用卷积神经网络层聚合纤维束各时间点邻域信息，利用注意力机制将纤维束已预测时间点的信息也融合进当前预测中，基于对纤维束信息的全面利用，将纤维束邻域和已预测时间点的信息结合起来能提高预测精度，使纤维束追踪结果同时取得了较好的假阳性率和白质覆盖率。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图5，示出了本发明实施例中提供的一种白质纤维束追踪装置的结构框图，具体可以包括如下模块：

采集模块501，用于采集脑部DWI图像；

预处理模块502，用于对所述脑部DWI图像进行预处理，得到白质纤维束的信号特征向量，所述白质纤维束信号特征向量为起始点信号特征向量和/或信号特征向量序列；

预测模块503，用于将所述白质纤维束的信号特征向量作为白质纤维束追踪模型的输入，输出所述脑部DWI图像的白质纤维束追踪结果。

可选地，每条白质纤维束包括多个时间点的信号信息，所述预测模块包括：

卷积子模块，用于分别针对白质纤维束每一个当前待预测时间点提取其预设范围内的邻域信号特征向量，并将当前待预测时间点的信号特征向量和所述邻域信号特征向量输入卷积层，输出白质纤维束的邻域向量序列；

映射子模块，用于将所述白质纤维束的邻域向量序列输入线性映射层，输出白质纤维束的高维向量序列；

位置编码子模块，用于将白质纤维束的高维向量序列输入位置编码层，对所述高维向量序列进行位置编码，得到白质纤维束的编码向量序列；

预测子模块，用于将白质纤维束的编码向量序列输入含有注意力机制的GPT层，计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数，采用所述注意力分数预测输出白质纤维束在当前待预测时间点的传播方向；

连接子模块，用于将当前预测时间点传播方向与追踪步长相乘，再加上当前时间点的空间坐标，得到目标纤维束下一预测时间点坐标，将其接入已预测纤维束，得到更新后的白质纤维束，并再次将其输入网络，预测下一个时间点的传播方向；

重复执行子模块，用于循环执行卷积子模块、映射子模块、位置编码子模块、预测子模块，连接子模块，直到网络输出满足停止条件，得到目标纤维束；所述停止条件包括：达到纤维束预设最大长度，或预测方向与纤维束上一走行方向所成角度超过设定阈值，或纤维束超出追踪掩模。

可选地，所述预测子模块包括：

相似度计算单元，用于计算编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的相似度；

归一化单元，用于将每个时间点的编码特征向量的相似度进行softmax归一化计算，得到每个时间点的编码特征向量的注意力分数；

注意力分数计算单元，用于将所有时间点的编码特征向量的注意力分数加权求和，得到编码向量序列中各时间点的编码特征向量与当前待预测时间点的编码特征向量的注意力分数。

可选地，所述预处理模块包括：

种子点生成模块，用于采用随机数生成法在所述脑部DWI图像中生成均匀分布的随机种子点，作为目标纤维束的起始点；

读取模块，用于从脑部DWI图像中读取纤维束序列的DWI信号和/或纤维束起始点的DWI信号；

转换模块，用于采用球谐基函数将所述纤维束序列的DWI信号和/或纤维束起始点的DWI信号转换为以球谐系数表示的信号，得到纤维束序列和/或纤维束起始点的信号特征向量。

可选地，所述装置还包括：

训练样本采集模块，用于采集脑部DWI图像；采用追踪算法对所述脑部DWI图像进行追踪生成纤维束并对所述纤维束重采样得到白质纤维束在各时间点的传播方向标签；

训练模块，用于将所述纤维束的信号特征向量和纤维束在各时间点的传播方向标签输入预设神经网络模型，得到所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向；

网络损失计算模块，用于采用所述白质纤维束在各时间点的传播方向标签和所述预设神经网络模型输出的白质纤维束在各时间点的预测传播方向计算所述预设网络模型的损失；

网络参数优化模块，用于基于所述损失对所述预设神经网络模型的网络参数进行迭代优化，得到所述白质纤维束追踪模型。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

另外，本发明实施例还提供一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现如上述实施例中所述的白质纤维束追踪方法。

上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述终端与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

如图7所示，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质701，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中所述的白质纤维束追踪方法。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中所述的白质纤维束追踪方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。