扩散张量成像（DTI）能够刻画水分子在组织中的各向异性扩散特征，但常规的分数各向异性（FA）只是一个标量，无法区分扩散张量的具体形状。Westin等人提出的三指标模型把张量分解为线性、平面和球形三种基本形态，每个体素得到三个归一化分量。在Node.js生态中实现这套计算和可视化，对于快速原型验证、教学演示以及轻量级医学图像处理工具都有实际价值。本文会从数学基础出发，逐步完成Westin度量的计算函数，并构建一个简单的Westin2Image图像生成器。
一、Westin模型的数学基础与临床意义
扩散张量D是一个3x3的对称正定矩阵，其特征值λ1、λ2、λ3分别代表三个相互正交方向上的扩散系数。如果把特征值按照从大到小的顺序排列，不同的相对大小关系就能反映不同的组织微结构。当λ1远大于λ2且λ2约等于λ3时，水分子主要沿着一个方向扩散，对应白质纤维束的线性排列；当λ1约等于λ2且两者都远大于λ3时，水分子在一个平面内扩散，常见于纤维交叉或水肿区域；当三个特征值非常接近时，扩散接近各向同性，对应脑脊液或灰质区域。
Westin模型正是基于这种特征值关系提出的。它定义了三个归一化指标：线性各向异性Cl等于(λ1减去λ2)除以三者之和，平面各向异性Cp等于2乘以(λ2减去λ3)再除以三者之和，球形各向异性Cs等于3乘以λ3再除以三者之和。三个指标相加恒等于1，因此每个体素都可以表示为三种基本形状的组合。这种分解比单独的FA值信息更丰富，比如一个FA值中等的体素，可能是线性与平面分量各占一半，也可能主要是球形分量加上少量线性分量，二者病理含义完全不同。
在临床科研中，Cl图常用于观察白质纤维的完整性，Cp图对检测纤维交叉和某些肿瘤边界有参考价值，Cs图则有助于识别脑室和囊肿等各向同性区域。把Westin度量可视化的工具通常被称为Westin2Image，它能够将这三个分量直观地叠加在解剖图像上，辅助医生快速判断组织类型。
二、Node.js中计算Westin度量的实现细节
要在Node.js里完成Westin度量计算，核心步骤是对3x3扩散张量进行特征值分解。JavaScript本身没有内置的线性代数库，但mathjs提供了较为完整的矩阵运算和特征分解接口。安装依赖只需要执行npm install mathjs。mathjs的eigs函数可以返回特征值和特征向量，不过对于对称正定矩阵，其数值结果可能会带有非常小的虚部，因此在计算前需要取实部或者绝对值来消除干扰。
下面给出一个具体的westinMetrics函数实现。函数接收一个3x3张量数组，先通过mathjs的eigs方法得到特征值，然后按数值大小降序排列，最后套用Westin公式。需要注意的是，当张量的迹（即三个特征值之和）接近零时，说明该体素几乎没有扩散信号，此时应当返回纯球形分量，避免除零错误。
const { eigs } = require('mathjs');
function westinMetrics(tensor) {
// tensor是一个3x3的对称矩阵，用二维数组表示
const result = eigs(tensor);
const values = result.values.toArray ? result.values.toArray() : result.values;
// 取实部并取绝对值，避免数值误差带来的负值或虚部
const lambda = values.map(v => Math.abs(v)).sort((a, b) => b - a);
const [l1, l2, l3] = lambda;
const trace = l1 + l2 + l3;
if (trace < 1e-10) {
return { cl: 0, cp: 0, cs: 1 };
}
const cl = (l1 - l2) / trace;
const cp = 2 * (l2 - l3) / trace;
const cs = 3 * l3 / trace;
return { cl, cp, cs };
}
这个实现里有一个容易忽略的细节：mathjs的eigs返回值可能是Matrix对象而不是普通数组，直接调用map可能得不到预期结果，所以代码中先判断toArray方法是否存在。另外，对特征值排序必须使用数值比较函数，如果省略了比较函数，JavaScript会按字符串顺序排序，比如10会排在2前面，这会导致完全错误的度量结果。
数值稳定性同样值得关注。由于浮点运算误差，某些本应为零的特征值可能变成一个极小的负数，取绝对值后再排序可以避免负值污染。在实际处理医学图像数据时，扩散张量通常已经经过正则化处理，但编写工具函数时仍然要保留这些保护性判断，确保处理异常数据时不会崩溃。
三、Westin2Image：将度量映射为彩色图像
计算出每个体素的Cl、Cp、Cs三个值后，下一步是生成可视化图像。最简单直接的做法是把这三个分量分别映射到RGB颜色通道：红色通道对应线性各向异性，绿色通道对应平面各向异性，蓝色通道对应球形各向异性。这样线性纤维区域会呈现红色，平面扩散区域呈现绿色，各向同性区域呈现蓝色，混合区域则显示中间色。这种映射方式不需要复杂的调色板，生成结果也很容易解读。
为了不依赖额外的图像处理库，可以使用PPM（Portable Pixmap）格式输出结果。PPM是一种非常简单的文本图像格式，头部写明图像类型、宽度、高度和最大颜色值，后面逐行写入每个像素的RGB三个整数即可。下面的代码展示了如何将一组Westin度量值转换成RGB数组，并生成PPM文本内容。
function metricToRGB(cl, cp, cs) {
const r = Math.round(cl * 255);
const g = Math.round(cp * 255);
const b = Math.round(cs * 255);
return [r, g, b];
}
function writePPM(width, height, pixels) {
let ppm = 'P3\n' + width + ' ' + height + '\n255\n';
for (let i = 0; i < pixels.length; i++) {
ppm += pixels[i][0] + ' ' + pixels[i][1] + ' ' + pixels[i][2] + '\n';
}
return ppm;
}
上面的pixels参数是一个二维数组，每个元素是包含三个整数的数组，顺序与图像扫描顺序一致。PPM文件可以直接用大多数图像查看器打开，也可以进一步转换成PNG或JPEG格式。如果在浏览器环境中运行，还可以把RGB值绘制到Canvas上，但Node.js环境下生成PPM是最轻量的方案。
对于性能要求较高的场景，例如处理三维体数据时，每个体素都做一次特征分解会消耗大量CPU时间。这时可以考虑把mathjs替换为更底层的数值计算库，或者使用WebAssembly调用C++实现的特征分解。不过在原型验证和小规模数据集上，mathjs已经足够使用，而且代码可读性更好，便于教学和调试。
四、完整命令行工具示例与扩展方向
将上述计算和图像生成逻辑整合起来，就可以得到一个简单的命令行工具。假设输入是一个JSON文件，里面存储了多个3x3张量矩阵，程序读取后依次计算Westin度量，然后输出一张PPM图像。主流程代码大致如下。
const fs = require('fs');
const { eigs } = require('mathjs');
function westinMetrics(tensor) {
const result = eigs(tensor);
const values = result.values.toArray ? result.values.toArray() : result.values;
const lambda = values.map(v => Math.abs(v)).sort((a, b) => b - a);
const [l1, l2, l3] = lambda;
const trace = l1 + l2 + l3;
if (trace < 1e-10) return { cl: 0, cp: 0, cs: 1 };
return {
cl: (l1 - l2) / trace,
cp: 2 * (l2 - l3) / trace,
cs: 3 * l3 / trace
};
}
const input = JSON.parse(fs.readFileSync(process.argv[2], 'utf8'));
const width = input.width;
const height = input.height;
const tensors = input.tensors; // 长度为width*height的数组
const pixels = tensors.map(t => {
const m = westinMetrics(t);
return [
Math.round(m.cl * 255),
Math.round(m.cp * 255),
Math.round(m.cs * 255)
];
});
const ppm = writePPM(width, height, pixels);
fs.writeFileSync('westin_output.ppm', ppm);
console.log('Westin2Image generated: westin_output.ppm');
这个示例假设数据已经整理成适合处理的格式。如果要处理真实的DICOM或NIfTI格式的DTI数据，还需要引入额外的解析库，比如nifti-reader-js或者dicom-parser。在解析过程中要特别注意体素间距、图像方向和扩散梯度表等元数据，因为它们会直接影响张量矩阵的构建。实际应用中，通常先根据扩散加权图像和b值矩阵估计出每个体素的扩散张量，然后再进行Westin度量计算。
另一个值得扩展的方向是颜色映射方案。除了简单的RGB直接映射，还可以根据FA值调整亮度，或者使用HSV颜色空间把方向信息编码为色相，把各向异性程度编码为饱和度。Westin2Image的灵活性在于，它把计算和可视化分离，开发者可以轻松替换映射函数，适应不同的临床需求。无论采用哪种方案，核心的Westin度量计算模块都可以保持不变，这也体现了模块化设计的优势。
总体来看，用Node.js实现Westin2Image并不复杂，掌握特征值分解和颜色映射两个关键点就能完成基本功能。对于希望快速搭建医学图像分析原型的团队来说，这套技术栈的学习成本低，部署方便，还能与现有的Web前端工具链无缝衔接。
Node.jsWestin模型Westin2Image修改时间：2026-09-29 21:45:54