人脑是自然界中最复杂的系统之一,对人类认知过程的探索也是目前科学研究最具有挑战性的问题之一,而现代脑影像技术的发展为研究人脑提供了便利的非侵入性手段。早期基于EEG、MEG和fMRI等影像技术的许多研究都指出,人脑在不同区域具有相对不同的功能,即“功能分化”。但人脑如果要完成一项简单的任务,也总是需要多个不同的功能区域相互作用和协调,共同构成一个网络来完成指令和任务,即“功能整合”。因为人脑可以被看作是一个复杂的网络,所以从网络的角度来研究人脑的功能是极为必要的。最近几年涌现出很多关于脑网络构建的文章,使得从网络的角度来研究大脑认知的过程成为目前国际上的研究热点。而脑网络构建过程中最关键一步就是白质纤维跟踪,所以精确的白质纤维跟踪是有效的脑网络构建的基本前提。目前,有多种脑白质纤维跟踪的计算方法,但主要分成两大类:决定性跟踪和概率性跟踪。其中传统的决定性跟踪算法是基于线性延展的思想,计算快速但在纤维交叉的位置计算不精确。概率性跟踪能够解决纤维交叉的问题,但其计算结果不够直观且计算费时,不适合临床应用。本文基于磁共振(MRI)脑图像,研究能对脑白质区域进行正确跟踪并在此基础上实施纤维跟踪的方法。论文完成了如下这些有新意的研究工作:1.提出了能同时兼顾到脑白质跟踪的准确性和算法速度的基于双张量模型的组合跟踪算法。由于双张量模型能够解决纤维交叉问题,从而能够提高算法的准确性;同时由于决定性算法计算快速,使得本文提出的算法时间复杂度降低。总之,该算法找到了计算结果准确性和计算过程快速性之间的平衡点,从而使得脑白质纤维跟踪能够更好地被应用到临床实践中。2.为防止算法在跟踪白质纤维束的时候超出脑白质区域,本文利用改进的Random Walks算法提取脑白质区域,形成二值掩模并应用于纤维跟踪过程中,从而使跟踪的白质纤维束限制在脑白质区域内。由于人脑结构的复杂性,原始的Random Walks被应用于脑白质提取时并不能取得很好的分割结果,为了提取更准确的脑白质区域,本文引入了局部二值模式和先验概率模型,从而提高了分割脑白质的准确性。3.分别采用合成的测试数据和真实的MRI数据集验证了本文算法的性能。实验结果表明,本文提出的组合跟踪算法不仅很好地解决了纤维交叉问题,并且能够有效的应用于临床研究中。本论文的研究工作得到了国家自然科学基金(60771007)和中国科学院研究生创新基金的资助。