CN101236241A - 一种对扩散张量磁共振图像进行恢复处理的方法 - Google Patents
一种对扩散张量磁共振图像进行恢复处理的方法 Download PDFInfo
- Publication number
- CN101236241A CN101236241A CNA2008100339655A CN200810033965A CN101236241A CN 101236241 A CN101236241 A CN 101236241A CN A2008100339655 A CNA2008100339655 A CN A2008100339655A CN 200810033965 A CN200810033965 A CN 200810033965A CN 101236241 A CN101236241 A CN 101236241A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- image information
- diag
- counter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对扩散张量磁共振图像进行恢复处理的方法,涉及医疗诊断图像处理技术领域。为克服现有技术丢失很多有用信息的缺陷,提出技术方案:第一步,获取图像信息;第二步,转化为向量图像信息;第三步,设令图层编号、层数计数器、步长、循环次数等;第四步,令循环计数器为1;第五步,对当前层数、当前循环次数的H和J进行计算;第六步,计算仿射不变梯度Gaff和欧几里得曲率κ;第七步,确定向量图像仿射不变各向异性平滑的数值;第八步,计算得到恢复后的图像信息;第九步至第十三步是对循环次数和处理层数进行计算和控制,并决定是否结束。有益效果是:对图像进行恢复处理中,保留更多的有用信息,使图像更清晰、明了,细节更多。
Description
技术领域
本发明涉及医疗诊断图像处理技术领域,特别是涉及一种对扩散张量磁共振图像进行恢复处理的方法。
背景技术
扩散张量磁共振成像(diffusion tensor imaging,DTI)是新近发展的一种成像技术,它使得无创伤地研究人类组织结构(例如进行人脑神经纤维)和进行多发性硬化症以及脑中风等疾病的诊断成为可能。临床中,由于病人体内热噪声等的影响使得DTI图像受到了赖斯噪声的污染。为了便于进行张量计算和纤维追踪等后处理,首先需要对图像进行恢复处理。
目前,DTI图像恢复的主流为基于偏微分方程(partial differentialequation,PDE)的方法。现在,采用PDE对DTI图像恢复均基于欧几里得梯度。基于欧几里得梯度的图像恢复方法虽然具有平滑效果好且处理速度快的优点但是却没有仿射不变梯度所具有的优良特性:仿射不变性。
仿射不变性是指在经历了像平移、旋转或缩放这样的仿射变换后,其性质(如数值、算法、收敛等等)仍然保持不变的特性。
现有技术在处理图像时,为了保留仿射不变的优良特性,其处理对象为标量图像。使用该方法进行DTI向量图像恢复,需要把向量各元素分别进行处理;该方法的缺陷是:由于向量各元素独立进行演化、因而无法保留元素间的相关性,从而导致原始图像的很多有用信息丢失。
发明内容
为了消除或减轻赖斯噪声的污染、对图像进行恢复处理,保留仿射不变的优良特性,克服现有技术在处理图像时丢失很多有用信息的缺陷,本发明提出了以下技术方案。
1.一种对扩散张量磁共振图像进行恢复处理的方法,使用计算机,包括以下步骤:
第一步,获取研究对象的图像信息;
所述的获取,是在磁共振成像系统上进行;
所述的图像信息,包括未施加梯度脉冲获得的DTI图像信息、施加加权梯度脉冲获得的DTI图像信息即每层扩散加权的DWI图像信息;
所述的每层扩散加权DWI图像信息,是在每层中以6个以上的不共线方向对研究对象进行加权成像从而获得该层的6组以上扩散加权DWI图像信息;
第二步,把每层DWI图像信息转化为向量图像信息,其表示式为:I=(I1(x,y),...,Im(x,y))T;
其中In,n=1,2,...,m表示第n加权脉冲加权图像,(x,y)为二维图像中的横、纵坐标,T表示矩阵转置;
第三步,按自然层数为序或者按另行编排的先后层数为序进行排列,并令最前层为第1层、最后层为第P层;
令层数计数器为1;
设置步长为dt,设置在每一层的循环次数为Q;
第四步,令循环次数计数器为1;
第五步,对当前层数、当前循环次数的H和J进行计算;
所述的H和J是两个相互独立的仿射不变算子;
上式中,fjk=[f1jk,...,fmjk]T j,k=x,y
T表示矩阵转置;当m=1时,fjk是标量;
对任意尺度的向量,J由下式构造:
由上式可得,
第六步,计算仿射不变梯度Gaff和欧几里得曲率κ;
κ=J |▽f|3
上式中,fi(x,y,0)=Ii(x,y)(i=1,...,m)
“▽”表示梯度;
第七步,确定向量图像仿射不变各向异性平滑的数值
fit=Gaffκ1/3|▽fi|;
第八步,根据以下公式计算得到恢复后的图像信息并存储该信息;
f(x,y,t)=f(x,y,t-1)+dt×ft-1(t=1,...,N);
上式中,f(x,y,t)=(f1(x,y,t),...,fm(x,y,t))T,ft=(f1t,...,fmt)T;
第九步,检查循环次数计数器的计数值是否为Q,如果为Q则跳过第十步、直接进行第十一步,如果不为Q则进行下一步;
第十步,当第九步检查循环次数计数器的计数值不为Q时,循环次数计数器加1后返回第五步;
第十一步,检查层数计数器的计数值是否为P,如果为P则跳过第十二步、直接进行第十三步,如果不为P则进行下一步;
第十二步,当第十一步检查层数计数器的计数值不为P时,层数计数器加1后返回第四步;
第十三步,存储图像信息;进入结束。
2.所述的设置在每一层的循环次数为20。
本发明的有益效果是:在消除或减少赖斯噪声的污染、对图像进行恢复处理中,不仅平滑效果好,保留了仿射不变的优良特性,还具有突出的优点:即保留更多的有用信息,从而使图像更清晰、更明了,展示的图像细节也更多。
此外,本发明方法的处理对象可以是任意维数的向量图像。
附图说明
图1是采集到的原始第一梯度加权DWI图像;
图2是对图1的图像信息采用标量仿射不变梯度扩散方法进行滤波处理后的图像;
图3是对图1的图像信息采用本方明方法进行恢复处理后的图像;
图4是根据采集到的原始人脑靠近胼胝体附近一个体元进行纤维追踪而获得的白质纤维图像;
图5是对图4采用的体元进行恢复处理后再进行纤维追踪获得的白质纤维图像;
图6是本发明方法的流程图。
下面结合附图和具体实施方式对本发明作进一步的详细说明。
具体实施方式
实施本发明方法,需要依据本发明所述的原理等等编写程序软件,计算机运行这些程序软件,能自动进行相关的图像恢复处理操作。
上述程序软件可以添加到磁共振成像设备的计算机上,直接由磁共振成像设备上的计算机进行图像恢复处理工作,并从计算机自带的显示屏上观察图像效果。
上述程序软件也可以编写在其它带显示屏的计算机上,然后将需要作恢复处理的图像信息,从磁共振成像设备的计算机上送至进行处理的计算机上,所述计算机会在程序软件的安排下进行相关的图像恢复处理操作,并可在显示屏上观察图像效果。如果采用本方法,则计算机硬件一般应满足:型号奔腾4以上、内存512Mb以上、硬盘20G以上。
以下对本发明进行相关的介绍、解释和进一步的补充说明。
为了保持PDE方法的优点和仿射不变梯度扩散的优良特性又要兼顾DTI图像的向量特性,本发明提出了一种新的图像恢复方法。
在本发明方法中,处理对象为向量整体,故向量间的联系在演化过程中仍然保留,即避免了丢失有用信息。
DTI图像是通过在传统磁共振成像系统上施加加权梯度脉冲而获得的加权图像。通常需要在N(N大于等于6)个不共线方向对组织的每层进行加权成像从而获得该层的N个扩散加权图像(DWI)。
进行扩散加权成像(或者扩散张量成像)的目的是根据DWI来进行张量场的表面扩张系数(张量迹)等参数的计算,以便由这些参数来了解组织特性或进行疾病诊断等,更特别地,依据DWI可以进行生物体的纤维追踪。
受赖斯噪声影响,DWI图像质量会下降。由含噪DWI图像计算所得参数会偏离实际值,而由其追踪获得的白质纤维分辨率降低,纤维长度变短,纤维数量变少且平滑性变差纤维分叉现象较严重。
对图像进行恢复处理也叫图像去噪、图像平滑或者图像恢复。
对DWI图像进行恢复即消除赖斯噪声对DWI图像的影响,需要把每层N个DWI图像作为整体来处理。N个图像对应坐标的像素点组成一个N维向量,故图像整体为向量图像。所谓向量图像也就是元素为向量的图像。
采用偏微分方程对图像进行恢复相当于使图像灰度值进行扩散,该扩散的最快速度即梯度如果具有仿射不变性则称该扩散为仿射不变扩散。
本发明方法的步骤如下:
第一步,获取研究对象的图像信息;所述的获取,是在磁共振成像系统上进行;所述的图像信息,包括未施加梯度脉冲获得的DTI图像信息、施加加权梯度脉冲获得的DTI图像信息即每层扩散加权的DWI图像信息;所述的每层扩散加权DWI图像信息,是在每层中以6个以上的不共线方向对研究对象进行加权成像从而获得该层的6组以上扩散加权DWI图像信息。
第二步,把每层DWI图像信息转化为向量图像信息,其表示式为:I=(I1(x,y),....,Im(x,y))T;
其中In,n=1,2,...,m表示第n加权脉冲加权图像,(x,y)为二维图像中的横、纵坐标,T表示矩阵转置。
第三步,按自然层数为序或者按另行编排的先后层数为序进行排列,并令最前层为第1层、最后层为第P层;令层数计数器为1;设置步长为dt,设置在每一层的循环次数为Q。
为了有序的进行图像恢复工作,在本步骤中,需要对图像的层数进行排列、编号,排列可以有二种方法进行,第一种是按自然层数为序,第二种是按另行编排的先后层数为序。
设置步长为dt、设置在每一层的循环次数为Q;该二者的具体数值,可以根据不同型号的磁共振成像系统、被检查物体的性质、研究者希望达到的效果,进行设定并调整,并归纳整理出带有规律性的数据,以利于今后快速、优质地开展图像恢复工作。
第四步,令循环次数计数器为1。
第五步,对当前层数、当前循环次数的H和J进行计算;
所述的H和J是两个相互独立的仿射不变算子;
上式中,fjk=[f1jk,...,fmjk]T j,k=x,y
T表示矩阵转置;当m=1时,fjk是标量;
由上式可得:
(上式如果没有错误的话,建议保留)
对任意尺度的向量,J由下式构造:
由上式可得,
第六步,计算仿射不变梯度Gaff和欧几里得曲率κ;
κ=J|▽f|3
上式中,fi(x,y,0)=Ii(x,y)(i=1,...,m)
“▽”表示梯度。
第七步,确定向量图像各分量的仿射不变各向异性平滑的数值:
fit=Gaffκ1/3|▽fi|,公式中,i表示第“i”分量。
第八步,根据以下公式计算得到恢复后的图像信息并存储该信息;
f(x,y,t)=f(x,y,t-1)+dt×ft-1(t=1,...,N);
上式中,f(x,y,t)=(f1(x,y,t),...,fm(x,y,t))T,ft=(f1t,...,fmt)T表示t时刻向量图像的灰度值,ft=(f1t,...,fmt)T表示向量图像的仿射不变各向异性平滑的数值。
由上式可知图像t时刻的灰度值等于图像t-1时刻的灰度值加上步长和向量图像t-1时刻的仿射不变各向异性平滑数值的乘积。
fit=Gaffκ1/3|▽fi|。
第九步,检查循环次数计数器的计数值是否为Q,如果为Q则跳过第十步、直接进行第十一步;如果不为Q则进行下一步。
在本步骤中,循环次数计数器的计数值为Q,说明当前层的循环次数已满,已经达到设定的循环次数。
第十步,第九步检查循环次数计数器的计数值不为Q,循环次数计数器加1后返回第五步。
在本步骤中,循环次数计数器的计数值不为Q,说明当前层需要继续进行循环工作。
第十一步,检查层数计数器的计数值是否为P,如果为P则跳过第十二步、直接进行第十三步;如果不为P则进行下一步。
在本步骤中,是检查所有的层数是否进行过恢复处理,并按照二种不同的结论、进行二种不同的后续工作。
第十二步,第十一步检查层数计数器的计数值不为P,层数计数器加1后返回第四步。
在本步骤中,层数计数器的计数值不为P,说明还有其他层数的图像需要继续进行恢复处理。
第十三步,存储图像信息;进入结束。
在上述的图像恢复处理的过程中,迭代步数,即设置在每一层的循环次数Q,是根据图像质量来确定的,如果图像越不平滑,质量越差则迭代步数取值越大。否则,如果图像质量高则迭代步数取值较小。
采用上述的方法步骤对向量图像进行恢复,通过对向量图像定义仿射不变因子,使得本平滑模型既具有仿射不变梯度各向异性扩散仿射的优点又能在平滑过程中保持了向量图像各分量之间的相关信息。实验证明,相对于标量平滑方法,本发明的恢复方法获得的图像更加平滑,并且,恢复图像追踪到的人脑神经纤维更加平滑且其数量更多,长度更长。
实施例一
在本实施例中,使用GE公司的Signa 1.5T磁共振系统,先采集人脑DTI图像,然后进行恢复处理。
图像是对某健康成人脑部用DT-MRI成像获得。
在本实施例中,我们对人脑进行了6个加权梯度的加权成像,成像体元为256×256×45,即分45层进行成像,每层图像的尺寸为256mm×256mm。
图1是采集到的原始第一梯度加权DWI图像;图2是对图1的图像信息采用标量仿射不变梯度扩散方法进行滤波处理后的图像;图3是对图1的图像信息采用本方明方法进行恢复处理后的图像。
进行三图比较,在图3可以看出,本发明方法可以去除原始图像的大部分噪声,因而图像的清晰度和对比度都得到了很大的提高。相对于标量恢复方法(恢复结果示于图2),使用本发明方法恢复性能更佳。
图4是根据采集到的原始人脑靠近胼胝体附近一个体元进行纤维追踪而获得的白质纤维图像;图5是对图4采用的体元进行恢复处理后再进行纤维追踪获得的白质纤维图像。
从上述体元中提取了一个64×64×20子体元,并对恢复前后的体元采用纤维追踪软件MedINRIA进行了纤维追踪。由含噪体元追踪到的纤维示于图4,根据本方法恢复图像追踪到的人脑白质纤维如图5所示。从图5可以看出,本发明方法滤波后的图像追踪到的纤维数量更多,长度更长,且改善了纤维的交叉和粘连现象。
实验中,步长dt一般根据经验取为0.2,考虑到图像恢复速度和恢复质量的矛盾关系,一般在保证图像质量的情况下进行尽可能少的循环。本实施例子中把循环次数取为20。因为,大量实验发现循环20次和循环50次的恢复结果相差不大。
本实施例的步骤如下:
第一步,在磁共振成像系统上,获取研究对象的DWI图像信息;并在Matlab环境下读取采集到的DWI图像。每层中以6个不共线方向对研究对象进行加权成像、从而获得该层的6组扩散加权DWI图像信息。
第二步,把每层DWI图像信息转化为向量图像信息,其表示式为:I=(I1(x,y),...,Im(x,y))T;其中In,n=1,2,...,m表示第n加权脉冲加权图像,(x,y)为二维图像中的横、纵坐标,T表示矩阵转置。
第三步,按自然层数为序进行排列,图像信息共45层,令最前层为第1层、最后层为第45层;
令层数计数器为1;设置步长dt为0.2、设置在每一层的循环次数为20。
第四步,令循环次数计数器为1。
第五步,对当前层数、当前循环次数的H和J进行计算。
第六步,计算仿射不变梯度Gaff和欧几里得曲率κ。
第七步,确定向量图像仿射不变各向异性平滑的数值
fit=Gaffκ1/3|▽fi|
第八步,根据以下公式计算得到恢复后的图像信息并存储该信息;
f(x,y,t)=f(x,y,t-1)+dt×ft-1(t=1,...,N);
上式中,f(x,y,t)=(f1(x,y,t),...,fm(x,y,t))T,ft=(f1t,...,fmt)T。
第九步,检查循环次数计数器的计数值是否为Q,如果为Q则跳过第十步、直接进行第十一步;如果不为Q则进行下一步。
第十步,第九步检查循环次数计数器的计数值不为Q,循环次数计数器加1后返回第五步。
第十一步,检查层数计数器的计数值是否为P,如果为P则跳过第十二步、直接进行第十三步;如果不为Q则进行下一步。
第十二步,第十一步检查层数计数器的计数值不为P,层数计数器加1后返回第四步。
第十三步,存储图像信息;进入结束。
Claims (2)
1.一种对扩散张量磁共振图像进行恢复处理的方法,其特征是,使用计算机,包括以下步骤:
第一步,获取研究对象的图像信息;
所述的获取,是在磁共振成像系统上进行;
所述的图像信息,包括未施加梯度脉冲获得的DTI图像信息、施加加权梯度脉冲获得的DTI图像信息即每层扩散加权的DWI图像信息;
所述的每层扩散加权DWI图像信息,是在每层中以6个以上的不共线方向对研究对象进行加权成像从而获得该层的6组以上扩散加权DWI图像信息;
第二步,把每层DWI图像信息转化为向量图像信息,其表示式为:I=(I1(x,y),...,Im(x,y))T;
其中In,n=1,2,...,m表示第n加权脉冲加权图像,(x,y)为二维图像中的横、纵坐标,T表示矩阵转置;
第三步,按自然层数为序或者按另行编排的先后层数为序进行排列,并令最前层为第1层、最后层为第P层;
令层数计数器为1;
设置步长为dt,设置在每一层的循环次数为Q;
第四步,令循环次数计数器为1;
第五步,对当前层数、当前循环次数的H和J进行计算;
所述的H和J是两个相互独立的仿射不变算子;
上式中,fjk=[f1jk,...,fmjk]T j,k=x,y
T表示矩阵转置;当m=1时,fjk是标量;
对任意尺度的向量,J由下式构造:
由上式可得,
第六步,计算仿射不变梯度Gaff和欧几里得曲率κ;
κ=J |▽f|3
上式中,fi(x,y,0)=Ii(x,y)(-1,...,m)
“▽”表示梯度;
第七步,确定向量图像仿射不变各向异性平滑的数值
fit=Gaffκ1/3|▽fi|;
第八步,根据以下公式计算得到恢复后的图像信息并存储该信息;
f(x,y,t)=f(x,y,t-1)+dt×ft-1(t=1,...,N);
上式中,f(x,y,t)=(f1(x,y,t),...,fm(x,y,t))T,ft=(f1t,...,fmt)T;
第九步,检查循环次数计数器的计数值是否为Q,如果为Q则跳过第十步、直接进行第十一步,如果不为Q则进行下一步;
第十步,当第九步检查循环次数计数器的计数值不为Q时,循环次数计数器加1后返回第五步;
第十一步,检查层数计数器的计数值是否为P,如果为P则跳过第十二步、直接进行第十三步,如果不为P则进行下一步;
第十二步,当第十一步检查层数计数器的计数值不为P时,层数计数器加1后返回第四步;
第十三步,存储图像信息;进入结束。
2.根据权利要求1所述的一种对扩散张量磁共振图像进行恢复处理的方法,其特征是,所述的设置在每一层的循环次数为20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100339655A CN101236241B (zh) | 2008-02-28 | 2008-02-28 | 一种对扩散张量磁共振图像进行恢复处理的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100339655A CN101236241B (zh) | 2008-02-28 | 2008-02-28 | 一种对扩散张量磁共振图像进行恢复处理的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101236241A true CN101236241A (zh) | 2008-08-06 |
CN101236241B CN101236241B (zh) | 2010-12-08 |
Family
ID=39919992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100339655A Expired - Fee Related CN101236241B (zh) | 2008-02-28 | 2008-02-28 | 一种对扩散张量磁共振图像进行恢复处理的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101236241B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102018514A (zh) * | 2010-12-30 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量成像方法及系统 |
CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
CN111839515A (zh) * | 2019-04-26 | 2020-10-30 | 西门子医疗系统有限公司 | 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078176A (en) * | 1996-11-08 | 2000-06-20 | General Electric Company | Fast spin echo pulse sequence for diffusion weighted imaging |
US5969524A (en) * | 1997-04-14 | 1999-10-19 | The United States Of America As Represented By The Department Of Health And Human Services | Method to significantly reduce bias and variance of diffusion anisotrophy measurements |
DE10250922B4 (de) * | 2002-10-31 | 2008-01-31 | Siemens Ag | Verfahren zur Ermittlung des ADC-Koeffizienten in der Diffusionsgewichteten Magnetresonanz-Bildgebung bei Verwendung von Steady-State-Sequenzen |
-
2008
- 2008-02-28 CN CN2008100339655A patent/CN101236241B/zh not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102018514A (zh) * | 2010-12-30 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量成像方法及系统 |
CN102018514B (zh) * | 2010-12-30 | 2015-07-08 | 中国科学院深圳先进技术研究院 | 磁共振弥散张量成像方法及系统 |
CN103985099A (zh) * | 2014-05-30 | 2014-08-13 | 成都信息工程学院 | 一种弥散张量磁共振图像张量域非局部均值去噪方法 |
CN111839515A (zh) * | 2019-04-26 | 2020-10-30 | 西门子医疗系统有限公司 | 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置 |
CN111839515B (zh) * | 2019-04-26 | 2024-03-08 | 西门子医疗系统有限公司 | 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101236241B (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103339653B (zh) | 勾画组织损伤的方法 | |
DE19959719B4 (de) | Verfahren zum Betrieb eines Magnetresonanztomographiegeräts | |
CN107749061A (zh) | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 | |
Liu et al. | Motion artifacts reduction in brain MRI by means of a deep residual network with densely connected multi-resolution blocks (DRN-DCMB) | |
CN110276736A (zh) | 一种基于权值预测网络的磁共振图像融合方法 | |
CN107644420A (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN106204581A (zh) | 基于pca与k均值聚类的动态脑功能连接模式分解方法 | |
CN106997034A (zh) | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | |
CN110517241A (zh) | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 | |
CN103218795B (zh) | 基于自适应双字典学习的部分k空间序列图像重构方法 | |
CN103985099A (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN102903103A (zh) | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 | |
Tian et al. | Improving in vivo human cerebral cortical surface reconstruction using data-driven super-resolution | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN114419181A (zh) | Cta图像的重建方法及重建装置、显示方法及显示装置 | |
CN107909653B (zh) | 一种基于稀疏主成分分析的心脏软组织三维重建方法 | |
CN101236241B (zh) | 一种对扩散张量磁共振图像进行恢复处理的方法 | |
Tian et al. | Improved cortical surface reconstruction using sub-millimeter resolution MPRAGE by image denoising | |
Kalantar-Hormozi et al. | A cross-sectional and longitudinal study of human brain development: The integration of cortical thickness, surface area, gyrification index, and cortical curvature into a unified analytical framework | |
CN106934815A (zh) | 基于混合区域的活动轮廓模型图像分割方法 | |
Tobon-Gomez et al. | Automatic construction of 3D-ASM intensity models by simulating image acquisition: Application to myocardial gated SPECT studies | |
Camara et al. | Accuracy assessment of global and local atrophy measurement techniques with realistic simulated longitudinal Alzheimer's disease images | |
DE102015207591A1 (de) | Verfahren zu einer Bewegungskorrektur von Magnetresonanz-Messdaten | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
Ayaz et al. | Brain MR image simulation for deep learning based medical image analysis networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101208 Termination date: 20130228 |