CN102016922A - 从核磁共振成像扫描数据的伪像中区别梗塞的方法 - Google Patents
从核磁共振成像扫描数据的伪像中区别梗塞的方法 Download PDFInfo
- Publication number
- CN102016922A CN102016922A CN2009801020353A CN200980102035A CN102016922A CN 102016922 A CN102016922 A CN 102016922A CN 2009801020353 A CN2009801020353 A CN 2009801020353A CN 200980102035 A CN200980102035 A CN 200980102035A CN 102016922 A CN102016922 A CN 102016922A
- Authority
- CN
- China
- Prior art keywords
- region
- identified
- scan
- regions
- infarct
- 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.)
- Pending
Links
- 206010061216 Infarction Diseases 0.000 title claims abstract description 68
- 230000007574 infarction Effects 0.000 title claims abstract description 68
- 238000002595 magnetic resonance imaging Methods 0.000 title description 15
- 238000000034 method Methods 0.000 claims abstract description 83
- 210000004556 brain Anatomy 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 39
- 239000000463 material Substances 0.000 abstract description 7
- 238000002597 diffusion-weighted imaging Methods 0.000 description 30
- 235000019557 luminance Nutrition 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000035945 sensitivity Effects 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 10
- 208000006011 Stroke Diseases 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 210000003657 middle cerebral artery Anatomy 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 230000001054 cortical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 210000004720 cerebrum Anatomy 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002537 thrombolytic effect Effects 0.000 description 2
- 101100188552 Arabidopsis thaliana OCT3 gene Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 102100026456 POU domain, class 3, transcription factor 3 Human genes 0.000 description 1
- 101710133393 POU domain, class 3, transcription factor 3 Proteins 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种推荐的算法用以消除核磁共振成像形成的图像的像素，该像素被不正确地识别为相当于梗塞物质。第一种技术用以消除被确认为与该扫描区域相应的已被识别的区域，该扫描区域与反映在大脑的正中矢状面的该已被识别的区域相应；第二种技术用以消除这样的区域，该区域被确认为在一个或多个其他扫描图中不具有相应的已被识别的区域。这两种技术的联合提高了在判断高信号区域是梗塞或伪像的信心。
Description
技术领域
本发明涉及一种处理核磁共振成像(Magnetic Resonance Imaging，MRI)扫描图的方法，特别是指弥散加权成像(diffusion-weighted images，DWI)核磁共振成像扫描图。
背景技术
一般地，在任何观测值中有两种类型的误差[1]：系统性误差和随机性误差。系统性误差易于在一个特定的方向上改变所有测量值。产生这样误差的一些主要原因是不准确的仪器刻度，不正确使用仪器等。多数系统性误差通常可以被消除(举例来讲，通过应用仪器的零点修正或重复该实验)，但是少数系统性误差却一直存在，因为没有任何仪器的刻度能被完美确定。这就是为什么应该执行几次独立地对实验结果确认过程，而且优选地采用不同的技术。
假设在所有实验条件不变时执行几次实验，实验结果仍然不同。这些结果上的波动被称为随机性误差(或统计误差)。这些结果的数值可以看作是观测值的平均值并且该标准偏差可以看作是该平均值上的误差。有时标准偏差可以通过重复做实验得到，但是在一些实际条件下，不可能重复做实验。在这些条件下，对结果分布状况的认识可以用于预测统计误差。根据实验的本质，该结果通常伴随特定已知的分布状况，举例来讲，泊松分布是一个包括一计数的实验的普通结果。对于泊松分布而言，标准偏差(σ)与平均值(μ)的关系为
由于μ和σ之间的关系，我们可以预测实验结果的误差(其中该结果是在单位时间内计数的结果)。例如，参考文献[2]针对核医学成像使用了一种泊松分布式噪音移除技术，因此这些成像在单位时间内涉及大量的衰减。
核磁共振成像获得的过程非常复杂(http://www.easymeasure.co.uk/principlesmri.aspx，http://www.sunnybrook.ca/research/groups/cardiac_mri/MR_background，于2007年10月23日访问)。在图像获取期间，核磁共振成像信号亮度与包括立体像素中的有磁性的处于激发状态的质子的计数在内的多种参数有很复杂的依赖性。因此，亮度也部分与有磁性的处于激发状态的质子的计数有关，该泊松分布用于预测每一像素的亮度的分布状况。按照这种假设，可以预测在像素亮度上的误差。因此，该报告的像素值假设具有等于
的误差，其中pμ是一些假设的观测值的平均像素亮度。
这里有各种与核磁共振成像扫描图(一些在网址http://www.mritutor.org/mritutor/artifact.htm有描述，于2007年10与23日访问)相关的获取的伪像，例如运动伪像、混叠伪像、磁敏感性伪影等。一些已知的移除伪像和降低噪音的方法依下列各项。参看文献[3]提出了一种针对核磁共振成像的基于小波理论的莱斯噪音移除方法。参考文献[4]描述了一种通过使用一种分容积(volumn)数据密度模型过滤多维度数据中噪音的方法。参考文献[5]提出了通过使用一点扩散函数修正核磁共振成像中平面内的运动伪像块状物的方法。这些方法的更详细的目录包含在以下网址(http://iris.usc.edu/Vision-Notes/bibliography/medical891.html，于2007年10月23日访问)。
计算机辅助检测(Computer aided detection，CAD)在不同领域的辅助精确的医学成像解析方面发挥了重大作用[举例来讲，6-10]。本发明人开发了一套用以急性缺血性和出血性中风的CAD系统[11-13]。关键算法之一是梗塞的分割。它的精确性依赖于正确地识别梗塞和伪像。精确和快速地从弥散加权成像扫描图中量化梗塞在处理急性出血性中风方面非常关键。获取的伪像在引起假阳性的弥散加权成像核磁共振扫描图中导致高信号区域。区别梗塞和伪像有助于降低梗塞分割的误差。
发明内容
本发明涉及后台处理分割的核磁共振成像形成的图像以增加界定梗塞的精确性。
总体来讲，该算法提出，大脑的核磁共振成像形成的图像，例如一3D弥散加权成像形成的图像对比多个2D弥散加权成像扫描，基于扫描图的像素的亮度被分割以识别相当于候选的梗塞组织的大脑的高信号区域，被用以消除不能被识别的已识别区域。这可以通过一个或多个步骤实现：消除被确认为与该扫描区域相应的已被识别的区域，该扫描区域与反映在大脑的正中矢状面的该已被识别的区域相应；以及消除这样的区域，该区域被确认为在一个或多个其他扫描图中不具有相应的已被识别的区域。
该推荐的算法使得在弥散加权成像扫描图区分梗塞和伪像成为可能，并且因此减少在形态测量方面的误差。
估算对称相关的高信号区域的相似性的标准可以使用与在每一像素的亮度的泊松误差相关的一数值参数。这是由于相对于该亮度(每一像素的亮度空间)的完美测量，通常是由试验的正常分布独立而确定的。
本技术的两种应用是：确定结果是没有足够的证据证明一给出的2D扫描图显示梗塞(举例来讲，如果接下来上述推荐的该消除方法的一个或两个，并且特别地，消除对称区域的步骤，该保留的梗塞区域的数量不能满足一门限值)；以及在不显示梗塞的2D扫描图中，移除被错误识别为梗塞的区域。
该算法可以从任意梗塞处理系统中移除伪像。特别地，这种方法能使用离散小波变换(DWT)扫描图应用到血栓溶解的调查，并且量化新发现梗塞的形态内容。一旦上述算法用于产生一后台处理过的图像，那个图像可以用于量化(i)该扩散输液失调以及(ii)梗塞面积的大小相对于大脑中动脉(MCA)面积的比例。
需要注意的是，除弥散加权成像外，其他数据获取技术例如液体衰减反转恢复序列(fluid attenuation inversion recovery，FLAIR)，T2，病变弥散系数(apparent diffusion coefficient，ADC)能被用以梗塞呈现。目前要考虑的是，本技术的兴趣在于量化新识别的梗塞，并且对于那些弥散加权成像非常有价值，但该技术适用于不管在何处该“兴趣信号”或“疾病检测”要比该图像的其余部分明亮。因此不考虑图像的类型，这种实用的技术是可适用的。
本算法可以通过一计算机系统应用。如果这样，典型地它可以被自动执行(在此它意味着，尽管人工交互可以启动该算法，当执行该算法时，仍然不要求人工交互)。可选地，该算法可以被半自动执行(在处理过程中，有与计算机人工交互的实例)。
本发明的特定表达是一种处理大脑的核磁共振成像形成的图像的方法，该核磁共振成像形成的图像包括多个相应于大脑的各个平面的2D核磁共振成像扫描图，该方法包括识别每一扫描图中一个或多个在大脑中作为候选的相当于梗塞组织的高信号区域；
该方法进一步包括一个或两个以下步骤：
(a)消除在脑半球中被视为包括一梗塞的已被识别的区域，该梗塞确定为满足第一相似性标准，上述第一相近似标准与在该扫描图的正中矢状面的位于反映位置的相同扫描图的相应区域相关；以及
(b)消除已被识别的区域，该区域确定为与其他所述扫描图的相应位置的任何所述已被识别的区域不相应。附图说明
仅仅是为了举例的需要，本发明的实施例将参考以下附图进行描述，其中：
图1是描述了作为本发明实施例的第一方法的流程图，用以排除与正中矢状面对称的像素和区域的步骤。
图2包括图2(a)和图2(b)，在梗塞(I)脑半球和非梗塞(N)脑半球分别描述了(a)相似像素和(b)相似的多像素区域。
图3是大脑的弥散加权成像核磁共振成像形成的图像的像素亮度的直方图。
图4是作为本发明的实施例的第一方法的子步骤的流程图，用以消除不具有3D空间相干性的区域。
图5是展示了用在图4的方法中的结构化元素。
图6按照图式展示了代表大脑的连续切片的6个核磁共振成像扫描图，以及用颜色描述梗塞组织(苍白色)和正常组织(暗色)。
图7是适用图1所示的方法的第一应用的流程图。
图8包括图8(a)到8(e)，该图展示了针对错误地认为包括梗塞物质的扫描图执行图7所示的步骤的结果。
图9包括图9(a)到9(e)，该图展示了针对正确地认为包括梗塞物质的扫描图执行图7所示的步骤的结果。
图10是适用图1和图7所示的方法的第二应用的流程图。
图11包括图1(a)到11(e)，该图展示了执行图10所示的步骤的结果。
图12描述了对比图7的应用和已知的切片识别技术[13]的实验数据。
图13包括描述变化的λ1和λ2在图7所示的应用中对于敏感性和特异性的造成影响的图13(a)和13(b)。
图14描述了对比图10所示的应用和已知的梗塞分割技术[14]的实验数据。
图15描述了先使用图1所示的方法，然后使用图7所示的方法处理处理三个输入核磁共振成像扫描图(图15(a)的三个扫描图的列)的结果。
图16是一示例，展示了使用背景峰值的半极大全宽度作为每一像素误差，通过图1所示的方法的变化得到的该图像。
图17描述了靠近该皮质表层边界和脑脊髓液的明亮区域。
具体实施方式
本发明的实施例要描述两种方法。在这以后，我们会讨论两种使用一种或两种方法作为一个比较复杂的算法的一部分的应用，这同样是本发明的实施例。最后我们讨论这两种应用的实验结果。
1.1第一种方法：对称伪像的消除
第一种方法的输入信息是一2D弥散加权成像扫描图(或多个这样的切片，例如从患者的头部的各个高度上获取的多个切片的轴向扫描图)
第一种方法(对称性伪像的移除)的流程图如图1所示。该图展示了如何将第一种方法使用在单一的2D扫描图，典型地，但该方法针对这样多个扫描图中的任意一个各自执行。讨论中的对称区域是离正中矢状面(Mid-Sagittal Plane，MSP)相同的垂直距离上有相同的形状和大小的区域。这在图2(a)和图2(b)中有描述，该图分别描述单一像素和多像素区域在有梗塞脑半球(I)和无梗塞的脑半球(N)关于正中矢状面对称分布。
输入2D弥散加权成像扫描图的步骤在图1中被标为步骤1。在第一种方法的首先对步骤2中，举例来讲，使用一种由Nowinski et al(2006)[17]公开的方法，该2D弥散加权成像形成的图像1的正中矢状面被识别。该正中矢状面将该图像分为两个脑半球，每一脑半球非常接近于另一个的镜像。然后，举例来讲，使用一种被Gupta et al(2008)[14]公开的方法，识别包含梗塞的脑半球。
在接下来的步骤3中，在该梗塞脑半球标示该高信号区域。可以通过得到该梗塞脑半球的亮度直方图做到这点。从现有技术可以得知，一个包含梗塞物质的核磁共振成像形成图像的典型的亮度直方图如图1所示，并且该直方图包括两个峰值。该峰值在较高的亮度被定义为T1，并且是高信号和低信号正常组织区域的大概的边界。亮度等于或大于T1的像素被识别为高信号。也就是说，不管每一像素是否为标示为高信号，该图像是被分割的。这些像素可以是孤立的(例如，单一像素区域)，或者是多像素区域的一部分。在任何一种情况下，该区域被标示为高信号区域。该区域可以通过应用如参考文献[15]所示的分割算法来产生。该区域的大小可以通过在该分割区域使用像素的总数量计算得到。
在步骤4中，针对该梗塞脑半球的每一高信号区域，可以检测到非梗塞脑半球的相应的镜像区域。该区域的大小可以计算得到。
然后，针该对梗塞脑半球的每一个该分割的高信号区域，执行在图1所示的被视为步骤5的一系列步骤。
首先，在步骤6中，确定该梗塞脑半球的分割区域的大小是否小于总的图像大小(排除背景)的5％。
如果步骤6的确定结果是“否”，那么该情况如图2(b)所示。然后，该方法启动(步骤7)比较两个对称的相关区域的方法。通过对该区域的每一像素执行步骤8到11该组步骤一次可以做到这点。在每一组步骤中，我们将该两个对称的像素称为j(在该梗塞脑半球所示)和j′(在该非梗塞脑半球所示)，并且它们的亮度分别表示为pj和pj′。因此，在该两个像素(假设每一像素的亮度遵循泊松分布)上的误差分别为和
将Dj＝pj-pj′作为像素j和j′的亮度的差值。从误差的传导规律来看，[18]，该亮度的差值的总误差可以得到(步骤8)如下：
其中，
是偏导数并且
是像素j和j′的亮度的误差。
在亮度间的差值等于0的附近，我们使用这个误差估算95％置信区间。该像素(j和j′)被认为具有相似的亮度(也就是说没有证据证明某一像素的亮度是由于梗塞)，确定(步骤10)它们亮度间的差值是否在0附近位于95％的置信区间，也就是说Dj≤1.96Tj(http://mathworld.wolfram.com/ConfidenceInterval.html，于2007年7月23日访问)。一般地说，将两个像素视为具有相似亮度的该相似性标准可以写成Dj≤λ1Tj，其中，λ1是一相似性参数。以下我们研究该变化的λ1的影响，这相当于探测其他置信区间。
可选择地，如果步骤6的确定结果为“是”，那么情况如图2所示。在这种情况下，该方法启动比较该两个对称相关的区域的进程(步骤12)。假设在任意区域k内有n个像素并且该区域的平均亮度Rk：
Rk的该误差Ek来自误差传导规律[18]如下：
其中，
是关于pj的Rk的偏导数并且δpj是jth像素的亮度的误差。
两个区域的平均亮度的差值可以计算(步骤13)为Dk＝Rk-Rk′。
区域的平均亮度的差值的总误差可以计算为：
此时，δRk和δRk′是被定义为Ek和Ek′的Rk和Rk′的误差。
如果可以确定(步骤14)Dk≤1.96Tk，任何两个区域k和k′被认为具有相似亮度。相似区域是具有相似亮度的对称区域。一般来说，相似性标准是变化，以致它可以表达为Dk≤λ1Tk以探测器他置信区间，其中λ1再次是该相似性参数。
该对称区域和具有相似亮度的对称像素被认为是伪像。特别地，在步骤9和步骤14中的确定结果是否定的，在梗塞脑半球的像素从该整组被确认的梗塞像素(分别从步骤10和15)排除。否则，可以确认该像素确实是一梗塞像素。
1.2第二种方法：不显示3-D空间相干性的区域的消除
确定3-D空间相干性的不同步骤的流程图如图4所示。该方法的输入信息是一3D核磁共振成像形成的图像(典型地，多个位于平行的空间分隔的平面的2D核磁共振成像扫描图)21。
在步骤22中执行以下整组图像处理子步骤。
首先使用一通过在每一像素附近考虑空间误差得到的结构化元素执行图像扩展[19-20][http://www.cis.rit.edu/htbooks/mri/，http://www.sunnybrook.ca/research/groups/cardiac_mri/MR_background]。在每一像素附近的区域可以被视为是该空间误差区域。
该结构化元素如5所示。该ith像素是该以(x，y)为坐标的图表的中心像素。该ith像素附近的的最小误差区域可以视为围绕该ith像素的各个方向上的1个像素宽，该各个方向在图5中为3x3像素的正方形ABCD。我们将该正方形ABCD称为1像素相关的正方形。相似地，图5中的正方形PQRS是一2像素相关的正方形。在我们研究过程中，该空间误差正方形的大小的变化范围为3x3像素到11x11像素。当具有11x11像素的扩展连接能使所有区域空间相干性的整个图像时，没有扩展相应于最大伪像移除(但可能有梗塞区域移除的高风险)。因此，在试验结果中，针对一7x7像素(举例来讲，该第i个像素在每个方向上被3个像素围绕，这个结构化元素比图5所示结构化元素大)的中间值空间误差正方形的扩展，可以使用一结构化元素。
第二，在该容积[21]中确定3-D相关联的区域。需要注意的是，在每一区域，该扩展的区域具有略微不同的形状。决定在连续扫描图的相关联的区域的标准是在该连续扫描图的高信号区域之间至少有一个像素是共同的。
第三，计算连续产生3-D相关联区域的切片的数量，这被称为切片频率ν。例如，在图6中，该图展示了一系列连续的2D扫描图，由于区域1在连续5个切片产生，区域1的ν＝5。区域2的ν＝2并且区域3、4、5和6的ν＝1。
第四，确定该最大值ν，该最大值表示为νmax。
在步骤23中，确定νmax/总的梗塞切片的比值是否大于一个表示切片总数量的明显比例的参数。例如，对于形成梗塞的切片的数量大于1这样的示例，可以将有效分式取值为0.9。如果该确定结果为否定，该方法停止(步骤24)。
否则，在步骤25中查找任何ν等于1的区域。需要注意的是，即使在多个切片之一的(举例来讲，如图6中的区域2，4和6)间隙后，一相似的区域在相同的位置(在扫描数据的2D空间)出现，一个区域可以具有ν等于1。因此，对于每一ν等于1的区域，需要做一个检索以在其他切片查找到相应的区域。不具有配对区域的区域可以视为孤立的区域，该区域被识别为伪像(步骤26)并且从该整套未被识别的梗塞区域中消除。相反地，ν等于1但有相配对区域的区域(对于有配对区域的区域，不考虑该两个扫描图相距多远)的区域以及ν大于1的区域被确认为梗塞区域(步骤27)。
2.1第一应用：假阳性切片减少
上述方法(尤其是该第一方法)的第一应用是切片的识别，事实上，对该切片没有充足的证据证明梗塞物质是存在的。展示该应用的流程图如图7所示并且以下会陈述该细节部分。需要注意的是，以下在解释图1和图7所示的流程图之间会有一些叠加。
该应用的输入信息是一组已经被识别很可能包含梗塞物质的切片，例如通过已有的自动切片识别算法[14]，该算法也可以获取可能是梗塞的脑半球。这种已有的算法可以视为该应用的第一步骤31，并且相当于图1所示的步骤2的部分。
在步骤32中，在梗塞的脑半球的高信号区域可以通过排除低于门限值ψ的像素得到。ψ的数值可以通过如下获取。如上所述，在弥散加权成像扫描图(举例来讲，图1)的亮度分布的第二个峰值代表了正常的组织区域(或低信号区域)。如果该正常组织亮度分布接近于高斯分布[1]，在峰值最大值(T1)的该亮度代表了该高信号区域和低信号正常组织区域的大概的边界。然后，忽略门限值低于(T1)的像素，并且确定平均值(RH)，以及在该平均值上的总误差(EH)以及保留的非梗塞脑半球的像素的亮度，。
现在，设置ψ＝RH+λ2EH其中λ2是第二相似性参数，并且排除所有低亮度的像素(步骤34)。步骤33和34相当于图1的步骤3。对于以下提出的实验结果，使用λ2＝1.96(在0的差值附近相应于95％置信区间)。尽管如此，以下还可以通过变化的λ2探测其他置信区间以探测在实验结果上的影响。
现在，执行对称区域识别(步骤35，相应于图1所示的步骤4)，对称的伪像的识别(步骤36，相应于图1所示的步骤7-9和12-14)以及对称的像素的排除(步骤37，相应于图1所示的步骤10到15)。
在步骤38中，在像素排除后确定保留在切片中的梗塞的像素的数量，并且确定该残留的像素数量是在一容忍参数之上还是以下。如果该数量是在该容忍参数以下，该切片是一假阳性切片。如果该数量是在该容忍参数之上，该切片被确认为是一梗塞切片。
在实验中，在排除该背景后，可以将该容忍参数取值为图像中像素总数量的0.01％。
图8展示了将第一应用适用到一假阳性切片的结果。该梗塞脑半球由I代表并且非梗塞脑半球由N代表。图8(a)展示了输入到该方法的假阳性切片并且在该正中矢状面识别后。图8(b)展示了该梗塞脑半球。图8(c)展示了在低信号区域移除后的该梗塞脑半球(举例来讲，在步骤34后)。图8(d)展示了在非梗塞脑半球N中相应区域被添加后的该图像。图8(e)展示了移除Dk≤1.96Tk的区域后该图像。可以看出，这几乎是完全黑的，所以该明亮区域的数量不等于该容忍参数，并且该扫描图被视为假阳性。
图9描述了来自于包括梗塞物质的一切片的相应结果。再一次，该梗塞脑半球由I代表并且该非梗塞脑半球由N代表。图9(a)展示了该输入的梗塞切片。图9(b)展示了该梗塞脑半球。图9(c)展示了移除该低信号区域的该梗塞脑半球。图9(d)展示了在非梗塞区域重新引入该相应区域后的该图像。图9(e)展示了移除相似亮度区域后的该图像。可以看出这里有几处明亮区域，事实上是大于容忍参数的大量的明亮像素，并且该扫描图被确认为真正的梗塞扫描图。
2.2.第二应用：在梗塞切片中伪像的减少
该第二应用如图10所示。这个应用采用第一方法(图1)和第二方法(图7)，因此，在图1、7和10之间会有一些叠加。
图10的算法中的第一步骤41是一识别该低信号区域的子步骤，那么该区域可以视为候选的梗塞区域。针对从弥散加权成像容积数据[15]中的自动梗塞分割，通过一已知算法可以执行步骤41。
该算法的下一步骤42用以获取包括该梗塞(例如，通过[14]公开的方法可以做到这点)的脑半球，并且在其他(“非梗塞”)脑半球排除所有高信号分割区域。也就是说，该非梗塞脑半球的任何以前被视为是候选梗塞区域的区域被重新标示，以致已知它们不再是候选的梗塞区域。这明显与图1的步骤2-3相对应。
该算法下一步(步骤43)识别对称伪像并且(步骤44)排除它们。这相应于图1所示的步骤4到5。
该算法的下一步(步骤45)基于3-D空间相干性识别深层的伪像(举例来讲，图4所示的方法)，并且(步骤46)移除那些伪像。这是图7所描述的第二种方法。
图11展示了伪像移除的步骤。图11(a)展示原始的切片。图11(b)展示了分割的切片。图11(c)展示了从非梗塞脑半球中的移除伪像后的该图像。图11(d)展示了对称伪像移除后的结果。图11(e)展示了移除该空间相干性区域后的结果。
3.1.物质
通过使用以上描述的方法和应用所呈现的实验结果。在该研究中使用了51个弥散加权成像扫描图。这是以前使用过的数据。
(i)为了自动检验切片识别(举例来讲，在图7所示的应用中，通过[14]使用了36个数据集)。该弥散加权成像扫描图有0.9mmx0.9mm到2.4mmx2.4mm平面分辨率，切片厚度为4-14mm，切片编号为4到36。
(ii)为了检测自动梗塞分割(举例来讲，图10所示的应用，通过[15]使用了13个弥散加权成像实例)。该弥散加权成像扫描图有1mmx1mm或1.5mmx1.5mm的平面分辨率，并且切片厚度为5mm。在弥散加权成像扫描图中，切片编号为27到33。该弥散加权成像扫描图的矩阵大小为256x256。需要注意的是，该13个弥散加权成像实例是在[14]中的36个数据集的一个子集。
(iii)15个额外的数据集用以示范该推荐的算法的应用以便改善第三种算法[16]的结果。该弥散加权成像扫描图有1.17mmx1.17mm到2.42mmx2.42mm平面分辨率，切片厚度为6.5mm到7mm，并且切片编号为从15到20。
所有数据集的地面状况由一专家标注。
3.2假阳性切片减少
该自动切片和脑半球识别算法[14]目的在于自动地识别该梗塞切片和梗塞脑半球。该切片识别[14]自动检测的结果是：敏感性＝0.981，特异性＝0.514，切片统计指数(DSI)[22]＝0.665。在利用目前的技术(也就是说，图7所示的方法)处理该数据后，该结果是：敏感性＝0.9659，特异性＝0.6660，切片统计指数＝0.7338。
在36个实例中，由于假阳性切片移除，有26个实例在结果方面有所改善。其他保留的10个实例的结果未受处理过程影响。如果仅仅考虑那些结果发生改变的实例，结果方面的改变如下：26个数据的初始结果：(敏感性，特异性，切片统计指数)＝(0.982，0.474，0.586)。处理26个数据的结果后：(敏感性，特异性，切片统计指数)＝(0.958，0.664，0.677)。因此，可以观测到在特异性和切片统计指数分别有19％和9.1％的增长，在敏感性上有2.4％的增长。与一切片中梗塞最大的面积相比，被移除的假阳性切片有微不足道的面积比例。通过使用该推荐的算法可以移除31％的假阳性结果。
作为该目前算法的结果，图12显示了在敏感性、特异性和切片统计指数方面整体的改变。该直方图的左侧条形(淡灰色)表明了在[14]得到的该结果，而相应的右侧(深色)条形展示了根据图7的算法得到的结果。
图13(a)展示了改变λ1和λ2(如上所述，λ1和λ2分别应用在标准Dk≤λ1Tk和RH+λ2EH)在梗塞切片识别的敏感性方面的影响，并且图13(b)展示了在梗塞切片识别的特异性方面的影响。该垂直的轴线分别展示了敏感性和特异性。该敏感性针对小于2的λ1和λ2的数值差不多保持不变。对于大于2的λ1和λ2的数值，敏感性开始急剧降低(此后，甚至该梗塞区域开始被消除)并且得到λ1和λ2等于3时数值的86.7％。伴随着λ1和λ2的数值上持续增长到3(＝79.3％)，该特异性持续增长。因此高敏感性很重要，这里使用该两个参数的值为1.96，其中(敏感性，特异性)是(96.6％，66.6％)。
在(特异性，切片统计指数)方面的整体增长是(15.2％，6.9％)，而在敏感性方面仅仅下降1.5％。
3.3伪像减少
在[15]中梗塞分割算法的结果如下：敏感性＝0.81，特异性＝0.99，切片统计指数＝0.60。在利用推荐的技术(也就是说，图10所示的应用)处理该数据后，该结果是：敏感性＝0.793，特异性＝0.993，切片统计指数＝0.676。
在13个容积中，由于伪像移除，所有实例展示了在结果方面的改善。在总共13个实例中仅仅有6个实例的切片统计指数值小于0.5。在用目前的算法处理前，这6个实例的切片统计指数平均值是18.3％。在用推荐的算法处理后，该切片统计指数的值平均增长是11.2％。在经过后台处理后，切片统计指数平均值为74.7％的该7个实例增长了4.7％。因此，现有处理方法影响在具有大量伪像的实例中更显著。利用目前的算法移除假阳性像素的比例是71％。
图14展示了目前算法在敏感性、特异性和切片统计指数方面的整体改变。该直方图的左侧条形(淡灰色)表明了在[15]中得到的结果，而相应的右侧条形(深色)展示了由图10所示算法得到的结果。
因此，真阴性像素的数量是总体切片像素达到的数量并且大于该假阳性像素的数量，特异性的值一直很大。假阳性的数量机会不受任何改变的影响。这就是为什么在图14中观测不到特异性的数值发生任何改变的原因。因此，在这个实例中，切片统计指数是一更好的研究的标尺，因为它独立于真阴性像素。在切片统计指数方面的整体改善是7.6％。
在[16]中，分割15个数据(低、中、高伪像亮度分别为5个)。在图10所示的应用的另外一个检测中，使用图10所示的应用处理来自[16]的结果。这种在(敏感性，特异性，切片统计指数)方面的平均改变从(74.02，99.69，67.32)％到(72.27，99.87，72.4)％。在切片统计指数方面展示了5.1％的改善。
4.1讨论
中风计算机辅助系统的一个目标是精确地和自动地识别、分割和测量中风区域。这在以下方面很重要：a)血栓溶解要求量化该扩散输液失调以及梗塞面积的大小相对于大脑中动脉(MCA)面积的比例；b)为涉及预测信息的研究提供输入参数，该预测信息例如是量化梗塞位置在中风严重性[23]方面的影响，弥散加权成像损害[24]模型的量化等。当该最先进的算法正发展为致力于实现中风计算机辅助系统的最终目标时，该目前推荐的算法在相关研究领域已经有独立的应用。该实施例基于以下两个观测的内容在弥散加权成像扫描图方面使区分梗塞和伪像成为可能。它们受两个观测值驱动。
(i)第一个观测值是在一轴平面上的正常的弥散加权成像扫描图展示了两个脑半球在亮度、形状等[举例来讲，25]方面有非常相似的特征。因此，如果一弥散加权成像扫描图在两个脑半球展示了对称高信号区域，它们很可能是伪像。由血管阻塞引起的伪像很可能发生在单一脑半球，因此它在相对的脑半球更可能高信号区域而不是对称区域。该实施例在每一像素的亮度空间使用泊松分布量化了在亮度方面的重大差别。
(ii)第二个观测值是该梗塞区域在不同切片展示了空间相干性。产生在远离空间相干性区域的位置的该区域很可能是伪像。该实施例通过在不同的切片确定扩展区域的叠加来检测空间相干性。
在很多的实例中，该伪像甚至展示3-D空间相干性。基于该种原因，在对称伪像移除后，图10所示的实施例处理3-D空间相干性，这降低了伪像显示3-D空间相干性的几率。根据观测值[15]，很少发现一伪像与一梗塞对称。因此，通过使用一2-D对称的算法移除梗塞的几率非常低，这反而提高了空间对称的算法形成结果的几率。
这如图15所示。图15(a)中3个切片的列包括对称的和空间相干的伪像(在该正方体中标示为A1、A2和A3)。通过图1所示的方法，从切片1-3中移除该对称的伪像以产生图15(b)所示的扫描图，在该图中，仅仅保留在正方体B3中的伪像。利用图4所示的方法通过评估该区域的3-D空间相干性，移除正方体B3中的该伪像以产生图15(c)的3个扫描图所示的结果。
该实施例还利用了该观测值，即通过一个正常的分布在每一像素的亮度上产生的误差，该分布独立于实验的本质以并且通常与该实验结果的随机性相关。尽管如此，由于该正常分布的平均值和标准偏差是独立的，这种分布不能用于在这些实例中预测误差，在这些实例中不可能重复该实验结果[1]。事实上，本发明人起初考虑使用该背景峰值(如图2所示)的半极大全宽度(WFHM)作为每一像素上的误差估计值。这样做的样品结果如图16所示。尽管如此，当比较像素亮度的差值时，甚至在零差值附近在3标准差(sigma)置信区间的水平上，在高信号像素区域(需要注意的是，通过比较，在图1的方法中，可以在零差值附近使用1.96标准差置信区间)仍有残留。这意味着针对较亮的像素而言，需要呈现较大的误差。这增加了我们在呈现泊松误差方面的信心，因此很明显地误差与该亮度成比例。
识别关于正中矢状面对称以及为移除对称伪像具有相似亮度的像素对于误差非常敏感，这些误差例如是：脑半球的内在不对称，弯曲非常大的脑半球间的裂纹。由于该种原因，出于比较亮度的目的，目前的实施例最好考虑用对称区域代替个体像素。由于有关该正中矢状面的脑半球的内在不对称性，甚至当考虑该对称区域时，紧贴位于皮质表面边界或太靠近脑室或脑脊髓液(cerebrospinal fluid，CSF)的区域可以包括部分背景或软细胞组织。如图17所示，其中，位于正中矢状面上的脑室V已经模糊了在N脑半球上靠近它的部分明亮区域，并且深层次的不对称是由于靠近该皮质表面N脑半球的右上角的部分明亮区域引起的。尽管如此，由于该实施例排除亮度低于T1的像素，区域亮度的平均值由于该背景或软细胞组织不会受到该高信号像素的影响。
基于在[14]中小、中和大的伪像的量化，大的梗塞区域希望是那些占图像(排除该背景)5％以上的区域。由于不均匀性(举例来讲，在数据观测过程中内部切片的变化引起)这样大的区域会有较大的误差。由于这种原因，如果一区域被视为一大的区域，图1的该实施例执行像素与像素间的比较。像素与像素间的比较会分解大的区域但并不会完全移除它们。
该3-D空间相干性仅仅在这些实例中检测，其中νmax对梗塞切片的总数量的比例至少等于一被视为明显比例值。选择0.9作为明显比例值被视为是建立在切片(梗塞切片的编号等于1的实例从该分析中被排除)的相似位置发生梗塞的置信度。这样做是为了避免在多个位置发生梗塞的实例并且一空间孤立区域是梗塞的几率很大。在梗塞主要发生在一个区域的实施例中，空间孤立区域代表伪像的几率很高。
这种算法的假设之一是该伪像是关于正中矢状面是对称的。由血管阻塞引起的梗塞很可能位于一个脑半球。在极少的一些实例中(举例来讲，在双侧狭窄时由血压骤降引起的)，梗塞会几乎对称地存在于两个脑半球。在这样的实例中，仅仅执行该区域的空间相干性检测。然后不执行基于对称的伪像移除。在数据获取中，头可以倾斜以致有一个大的倾斜角。在这样的实例中，关于正中矢状面的对称被违反并且高信号区域的基于对称2-D的比较可能是错误的。
当一伪像与一梗塞区域对称时，会有丢失一梗塞区域的几率。此外，哪个伪像可以通过目前的实施例得到，会有各种不同的原因，包括：
(i)在切片和容积内的不对称性。如果是，利用内部切片和切片之间的不对称性修正方法[举例来讲，26-27]能进一步地有助于改进结果。
(ii)利用在该实施例研究的任何一种标准，靠近梗塞区域的不对称的伪像可能不会被识别。
(iii)当对这样区域的像素方面进行比较时，大的伪像可能仅仅会被分成碎片而不是完全移除。需要注意的是，如上所述，像素方面的比较通常不会完全移除整个区域。
然而，从实验结果来看是显而易见的，即该实施例提供了一种快速和实用的伪像移除的方法。它们并不利用解剖相关信息，该信息的处理很有挑战性并且消耗更多时间。目前的方法也没有考虑梗塞的位置，这很关键[23-24]，并且会影响结果。
该实施例可以作为一种独立后台处理装置或中风计算机辅助系统的一部分，并且能提供一种快速的后台处理工具以减少在梗塞处理应用中的伪像。事实上，在仿真平台上，目前的实施例的处理时间低于1秒。
参考文献：
1.77.贝文顿 波多黎各(1969)，针对自然科学的数据缩减和误差分析，麦格劳希尔公司，77页。(Bevington PR(1969)，Data Reduction andError Analysis for the Physical Sciences，McGraw-Hill，Inc.pp 77.)
2.贾迈勒G，比雅维A(1999)在核医学去噪音和去卷积。图像处理国际会议(3)：896-900。(ammal G，Bijaoui A(1999)Denoising anddeconvolution in nuclear medicine.International conference on Imageprocessing(3)：896-900.)
3.诺瓦克 研究发展部(1999)针对核磁共振成像的基于小波变换的噪音消除，在图像处理方面电机及电子学工程师联合会期刊，第10期，10月，8：1408-1419。(Nowak RD(1999)Wavelet-based Rician noise removalfor magnetjc resonance imaging，IEEE Transactions on ImageProcessing，Issue 10，Oct 8：1408-1419.)
4.萨克尔 NA，波克瑞克M和威廉森DC(2004)“噪声滤波和检测描述使用多维分容积的核磁共振模型”期刊.监查中心，金斯敦，909-919。(Thacker NA，Pokric M and Williamson DC.(2004)“Noise filteringand testing illustrated using a multi-dimensional partial volume modelof MR data”Proc.BMVC，Kingston，909-919.)
5.林W，韦利FW和宋 香港(2005)使用点扩散函数校正核磁共振成像的平面运动伪像的体积，Medlmg，第9期，9月，24：1170-1176。(LinW，Wehrli FW and Song HK(2005)Correcting bulk in-plane motionartifacts in MRI using the point spread function，Medlmg，Issue 9，September，24：1170-1176.)
6.霍Z，吉格ML，维博尔尼CJ，沃尔沃顿DE，施密特RA，土井度(1998)在数码乳房造影方面对恶性与良性肿块自动电脑分类.Acad.放射学杂志.5：155-168.(霍Z，吉格ML，维博尔尼CJ，沃尔沃顿DE，施密特RA，土井度(1998)在数码乳房造影方面对恶性与良性肿块自动电脑分类.Acad.放射学杂志.5：155-168.)
7.上原M，萨伊塔S，久保M，川田Y，尼基N，西谷小H，富永K，森山N(2005)使用多切片CT图像电脑辅助诊断诊断骨质疏松症.RSNA816。(Uehara M，Saita S，Kubo M，Kawata Y，Niki N，Nishitani H，Tominaga K，Moriyama N(2005)A computer aidied diagnosis forosteoporosis using multi slice CT images.RSNA 816.)
8.帕克H，布兰德PH，梅耶CR(2003)腹部概率地图集的建造及其在分割中的应用，电机及电子学工程师联合会期刊.论医学影像22：483-492.(Park H，Bland PH，Meyer CR(2003)Construction of an abdominalprobabilistic atlas and its application in segmentation.IEEE Trans.OnMed Imaging 22：483-492.)
9.吉田小H，内皮J，麦克恩尼P，鲁宾DT，戴克曼AH(2002)针对在CT结肠息肉检测计算机辅助诊断方案.临床放射学杂志22：963：979。(Yoshida H，
J，MacEneaney P，Rubin DT，Dachman AH(2002)Computer-aided diagnosis scheme for detection of polyps at CTcolonography.Radiographics 22：963：979.)
10.诺文斯基WL，钱G，巴哈努普拉卡什KN，沃尔考I，A.Thirunavuukarasuu，胡Q，A.Ananthasubramaniam，刘J，古普塔V，Ng TT，梁WK，博尚NJ(2007)用以急性缺血性中风的图像处理的计算机辅助系统.国际计算机辅助放射学及外科杂志，2(增刊1)：220-222。(Nowinski WL，Qian G，Bhanu Prakash KN，Volkau I，A.Thirunavuukarasuu，Hu Q，A.Ananthasubramaniam，Liu J，Gupta V，Ng TT，Leong WK，Beauchamp NJ(2007)A CAD system for acuteischemic stroke image processing.International Journal of ComputerAssisted Radiology and Surgery，2(Suppl.1)：220-222.)
11.诺文斯基WL，钱G，梁WK，刘j，卡兹米尔斯基R，乌尔班尼克A(2007)。在急诊室的中风计算机辅助系统.93北美放射学会科学大会和2007年年度会议的方案，芝加哥，美国，十一月25日至30日2007：837。(Nowinski WL，Qian G，Leong WK，Liu J，Kazmierski R，Urbanik A(2007).A Stroke CAD in the ER.93 Radiological Society ofNorth America Scientific Assembly and Annual Meeting Program 2007，Chicago，USA，25-30 November 2007：837.)
12.诺文斯基WL，钱G，巴哈努 普拉卡什KN，沃尔考I，比莱洛M，博尚，NJ：针对中风核磁共振和计算机断层扫描的计算机辅助系统.92北美放射学会科学大会和2006年年度会议的方案，美国芝加哥，11月25日至12月1日2006：789。(Nowinski WL，Qian G，Bhanu Prakash KN，Volkau I，Bilello M，Beauchamp NJ：A CAD system for stroke MR andCT.92 Radiological Society of North America Scientific Assembly andAnnual Meeting Program 2006，Chicago，USA，25 November-1December 2006：789.)
13.诺文斯基WL，钱GY，巴哈努 普拉卡什KN，沃尔考I，A.Thirunavuukarasuu，胡Q，A.Ananthasubramaniam，刘J，博尚NJ，隆格VW，Ananthasubramaniam A，刘J，乔Y，胡Q，比莱洛：阿特拉斯辅助核磁共振中风图像解析通过解剖图像和血液供应领域地图集。91界北美科技集会的发射学会的计划和2005年度会议RSNA，芝加哥，伊利诺伊州，美国，11月27日至12月2日2005：857。(Nowinski WL，Qian GY，Bhanu Prakash KN，Volkau I，A.Thirunavuukarasuu，Beauchamp NJ，Runge VW，Ananthasubramaniam A，Liu J，Qiao Y，Hu Q，Bilello：Atlas-assisted MR stroke image interpretation by usinganatomical and blood supply territories atlases.Program 91stRadiological Society of North America Scientific Assembly and AnnualMeeting RSNA 2005，Chicago，Illinois，USA，27November-2December 2005：857.)
14.古普塔V，巴哈努 普拉卡什KN，诺文斯基WL(2008)，在弥散加权成像扫描图中自动和快速识别梗塞切片和脑半球.Acad.放射学杂志，15：24-39。(Gupta V，Bhanu Prakash KN，Nowinski WL(2008)，Automaticand rapid identification of infarct slices and hemisphere in DWI scans.Acad.Radiol，15：24-39.)
15.巴哈努 普拉卡什KN，古普塔V，比莱洛M，博尚NJ，诺文斯基WL(2006).通过使用概率神经网络和自适应高斯混合模型在扩散加权图像中关于急性梗塞的识别、分割和图像内容研究Acad.放射学杂志.13：1474-1484。(Bhanu Prakash KN，Gupta V，Bilello M，BeauchampNJ，Nowinski WL(2006).Identification，segmentation and imageproperty study of acute infarcts in diffusion-weighted images by using aprobabilistic neural network and adaptive gaussian mixture model.Acad.Radiol 13：1474-1484.)
16.巴哈努 普拉卡什KN，古普塔V，诺文斯基WL(2006)：分割在扩散加权成像容积中分割梗塞。专利申请号PCT/SG2006/000292，提交日2006年10月3日。(Bhanu Prakash KN，Gupta V，Nowinski WL(2006)：Segmenting infarct in diffusion weighted imaging volumes.Patentapplication PCT/SG2006/000292，filed 3 Oct.2006.)
17.诺文斯基WL，巴哈努 普拉卡什KN，沃尔考I，AnanthasubramaniamA，博尚NJ(2006).在磁共振扩散和灌注图像中快速和自动正中矢状面.学术放射学；13(5)：652-663。(Nowinski WL，Bhanu Prakash KN，Volkau I，Ananthasubramaniam A，Beauchamp NJ(2006).Rapid andautomatic calculation of the MSP in magnetic resonance diffusion andperfusion images.Academic Radiology；13(5)：652-663.)
18.曼德尔J(1984).对实验数据的统计分析，速递多佛出版社，72页。(Mandel J(1984).The Statistical analysis of experimental data，Courier Dover Publications，page 72.)
19.哈莱里克RM，与夏皮罗LG(1992).计算机和机器人视觉，卷I.埃迪森-威斯利出版社，158-205页。(Haralick RM，and Shapiro LG(1992).Computer and Robot Vision，Vol.I，Addison-Wesley，pp.158-205.)
20.布姆盖德 范登和巴伦 宛(1992)使用位图二进制图像进行图像转换图像。计算机视觉，图形和图像处理：图形模型和图像处理第3号，5月，54：254-258。(Boomgaard van den and Balen van(1992)Imagetransforms using bitmapped bjnary images.Computer Vision，Graphics and Image Processing：Graphical Models and ImageProcessing No.3，May，54：254-258.)
21.塞奇威克R，在C算法，第三版，埃迪森-威斯利出版社，1998年，11-20页。(Sedgewick R.Algorithms in C，3rd Ed.，Addison-Wesley，1998，pp.11-20.)
22.邹Kh，沃菲尔德SK，巴哈拉萨A，坦帕尼CMC，卡斯M，海克尔S，韦尔斯WM III，乔勒斯FA，开开尼斯，R(2004)基于空间叠加指数的图像分割质量的统计确认.Acad.放射学杂志11：178-189。(Zou KH，Warfield SK，Bharatha A，Tempany CMC，Kaus M，Haker S，Wells WMIII，Jolesz FA，Kikinis R.(2004)Statistical validation of imagesegmentation quality based on spatial overlap index.Acad.Radiol11：178-189.)
23.梅内塞斯MN，艾H，朱MW，洛佩兹CJ，辛格尔AB，卡罗宁JO，阿罗宁HJ，刘Y，努蒂宁J，柯若赛斯WJ，索伦森JO(2007).地产因素：量化梗塞位置对中风严重程度梗死位的影响.中风38：194-197。(Menezes MN，Ay H，Zhu MW，Lopez CJ，Singhal AB，Karonen JO，Aronen HJ，Liu Y，Nuutinen J，Koroshetz WJ，Sorensen AG(2007).The Real Estate Factor：Quantifying the Impact of Infarct Location onStroke Severity.Stroke 38：194-197.)
24.邦Oy，李PH，许KG，朱US，美SR，金SY(2005).在大脑中动脉领域出现急性缺血性中风后，特定弥散加权成像损害模式预测预后.j.的神经学外科期刊76：1222-1228。(Bang OY，Lee PH，Heo KG，Joo US，Yoon SR，Kim SY(2005).Specific DWI lesion pattern predict progosisafter acute ischaemic stroke within MCA territory.J.Neurol NeurosurgPsychiatry 76：1222-1228.)
25.托加AW，汤普森PM.测绘大脑的不对称性.自然神经科学评论2003年4(1)：37-48。(Toga AW，Thompson PM.Mapping brain asymmetry.Nature Reviews Neuroscience 2003；4(1)：37-48.)
26.陈D，李L，尹D，李JH，梁Z(2001)核磁共振图像不均匀性校正的重整方法：期刊.国际光学工程学会，医学.成像：图像处理，米兰 松卡；肯尼斯M.汉森；电子数据转换卷.4322，939-942页。(Chen D，Li L，Yoon D，Lee JH，Liang Z(2001)Renormalization method forinhomogeneity correction of MR images：Proc.SPIE，Med.Imaging：Image Processing，Milan Sonka；Kenneth M.Hanson；Eds Vol.4322，p.939-942.)
27.巴莫尔R，马克尔M，巴尼特A，阿卡B，艾丽MT，佩尔茨NJ，格洛弗GH，莫斯利ME(2003)扩散加权成像空间梯度场的扭曲效应的分析与广义修正。核磁共振在医学3，20：560-569。(Bammer R，MarklM，Barnett A，Acar B，Alley MT，Pelc NJ，Glover GH，Moseley ME(2003)Analysis and generalized correction of the effect of spatialgradient field distortions in diffusion-weighted imaging.MagneticResonance in Medicine 3，20：560-569.)
Claims (11)
1.一种处理大脑的核磁共振成像形成的图像的方法，该核磁共振成像形成的图像包括多个相应于大脑的各个平面的2D核磁共振成像扫描图，该方法包括识别每一扫描图中一个或多个在大脑中作为候选的相当于梗塞区域的高信号区域；
该方法进一步包括一个或两个以下步骤：
(a)消除在脑半球中被视为包括一梗塞的已被识别的区域，该梗塞确定为满足第一相似性标准，上述第一相近似标准与在该扫描图的正中矢状面的位于反映位置的相同扫描图的相应区域相关；以及
(b)消除已被识别的区域，该区域确定为与其他所述扫描图的相应位置的任何所述已被识别的区域不相应。
2.根据包括步骤(a)的权利要求1所述的方法，其中，所述相似性标准是该已被识别的区域和该相应的区域分别具有的亮度相差不超过一数值，该数值是该已被识别区域的亮度的增函数。
3.根据权利要求2所述的方法，其中，该数值与已被识别区域的亮度成比例。
4.根据包括步骤(a)的权利要求1-3任意一项所述的方法，进一步包括：
确定该区域是否占据该扫描图超过一预先设定的比例；以及
如果确定结果为是，在该已被识别区域逐像素确定所述相似性标准是否满足；以及
如果确定结果为否，确定该相似性标准是否整体上满足该已被识别区域。
5.根据上述任意包括以那样顺序排布的步骤(a)和(b)的所述的方法。
6.根据上述任意包括步骤(b)的权利要求所述的方法，其中，与在该相邻扫描图的相应位置的所述已被识别的区域不相应的任意已被识别的区域被排除。
7.根据上述任意包括步骤(b)的权利要求所述的方法，对于每一扫描图的每一已被识别区域，包括一确定连续的包括一在相应位置被识别区域的扫描图的数量的步骤，以及在已经确定的数值ν附近确定该的最大值νmax，以及如果νmax低于一门限值，则结束步骤(b)。
8.根据上述任意包括步骤(b)的权利要求所述的方法，步骤(b)进一步包括使用一结构化元素扩展该已被识别区域。
9.根据上述任意权利要求的方法，其中在每一扫描图中识别一个或多个作为相当于候选的梗塞组织的高信号区域的所述步骤包括：
(i)排除亮度低于第一门限值的扫描区域；
(ii)确定该扫描的保留区域的平均亮度，以及在该平均亮度的误差的测量值；以及
(iii)排除具有下述亮度的该扫描区域：该亮度低于该平均值和误差的函数。
10.一种屏蔽相应于各自多个脑平面的一组2D核磁共振成像扫描图的方法，该方法包括：
根据上述任意包括步骤(a)的权利要求的方法处理该扫描图，
针对每一扫描图确定该保留的已被识别的区域的面积是否大于门限值；以及
如果确定结果为否，从该组扫描图中排除该扫描图。
11.一种适用于执行上述任意权利要求的方法的计算机系统。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US2018708P | 2008-01-10 | 2008-01-10 | |
| US61/020,187 | 2008-01-10 | ||
| PCT/SG2009/000009 WO2009088370A1 (en) | 2008-01-10 | 2009-01-06 | Discriminating infarcts from artifacts in mri scan data |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102016922A true CN102016922A (zh) | 2011-04-13 |
Family
ID=40853313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009801020353A Pending CN102016922A (zh) | 2008-01-10 | 2009-01-06 | 从核磁共振成像扫描数据的伪像中区别梗塞的方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20100290689A1 (zh) |
| EP (1) | EP2232443A4 (zh) |
| JP (1) | JP2011509141A (zh) |
| CN (1) | CN102016922A (zh) |
| WO (1) | WO2009088370A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9412163B2 (en) | 2014-07-31 | 2016-08-09 | National Central University | Method for detecting and quantifying cerebral infarct |
| CN103699904B (zh) * | 2013-12-25 | 2017-01-04 | 大连理工大学 | 多序列核磁共振影像的图像计算机辅助判断方法 |
| CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008041946A1 (en) * | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
| WO2011158135A1 (en) * | 2010-06-14 | 2011-12-22 | Koninklijke Philips Electronics N.V. | Tissue classification |
| WO2018005939A1 (en) | 2016-07-01 | 2018-01-04 | The Board Of Regents Of The University Of Texas System | Methods, apparatuses, and systems for creating 3-dimensional representations exhibiting geometric and surface characteristics of brain lesions |
| KR101865110B1 (ko) * | 2016-11-21 | 2018-06-07 | 재단법인 아산사회복지재단 | 급성뇌경색 발생시점 추정시스템, 방법 및 프로그램 |
| EP3477583A1 (en) * | 2017-10-31 | 2019-05-01 | Koninklijke Philips N.V. | Deep-learning based processing of motion artifacts in magnetic resonance imaging data |
| KR102537214B1 (ko) * | 2019-11-26 | 2023-05-31 | 주식회사 고영테크놀러지 | 자기 공명 이미지들에서 정중시상 평면을 결정하기 위한 방법 및 장치 |
| CN115670424A (zh) * | 2021-07-28 | 2023-02-03 | 通用电气精准医疗有限责任公司 | 磁共振成像系统及方法、计算机可读存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020186874A1 (en) * | 1994-09-07 | 2002-12-12 | Jeffrey H. Price | Method and means for image segmentation in fluorescence scanning cytometry |
| AU4675200A (en) * | 1999-04-29 | 2000-11-17 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
| US6898303B2 (en) * | 2000-01-18 | 2005-05-24 | Arch Development Corporation | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans |
| AU2002236414A1 (en) * | 2002-01-18 | 2003-07-30 | Kent Ridge Digital Labs | Method and apparatus for determining symmetry in 2d and 3d images |
| AU2003288882A1 (en) * | 2003-12-12 | 2005-06-29 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
| US7822456B2 (en) * | 2004-04-02 | 2010-10-26 | Agency For Science, Technology And Research | Locating a mid-sagittal plane |
| EP1899917B1 (en) * | 2005-05-02 | 2013-03-27 | Agency for Science, Technology and Research | Method and apparatus for atlas-assisted interpretation of magnetic resonance diffusion and prefusion images |
| JP3956234B2 (ja) * | 2005-10-13 | 2007-08-08 | 国立大学法人岐阜大学 | 医用画像処理装置 |
| US20070165917A1 (en) * | 2005-11-26 | 2007-07-19 | Zhujiang Cao | Fully automatic vessel tree segmentation |
| WO2008041946A1 (en) | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
-
2009
- 2009-01-06 CN CN2009801020353A patent/CN102016922A/zh active Pending
- 2009-01-06 WO PCT/SG2009/000009 patent/WO2009088370A1/en active Application Filing
- 2009-01-06 EP EP09701109A patent/EP2232443A4/en not_active Withdrawn
- 2009-01-06 JP JP2010542198A patent/JP2011509141A/ja active Pending
- 2009-01-06 US US12/812,387 patent/US20100290689A1/en not_active Abandoned
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699904B (zh) * | 2013-12-25 | 2017-01-04 | 大连理工大学 | 多序列核磁共振影像的图像计算机辅助判断方法 |
| US9412163B2 (en) | 2014-07-31 | 2016-08-09 | National Central University | Method for detecting and quantifying cerebral infarct |
| CN111356930A (zh) * | 2017-11-17 | 2020-06-30 | 皇家飞利浦有限公司 | 人工智能实现的解剖界标定位 |
| CN111356930B (zh) * | 2017-11-17 | 2023-09-12 | 皇家飞利浦有限公司 | 用于定位预定义的解剖结构的解剖界标的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2232443A4 (en) | 2012-07-04 |
| WO2009088370A1 (en) | 2009-07-16 |
| JP2011509141A (ja) | 2011-03-24 |
| US20100290689A1 (en) | 2010-11-18 |
| EP2232443A1 (en) | 2010-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cattell et al. | Robustness of radiomic features in magnetic resonance imaging: review and a phantom study | |
| CN102016922A (zh) | 从核磁共振成像扫描数据的伪像中区别梗塞的方法 | |
| Varghese et al. | Texture analysis of imaging: what radiologists need to know | |
| Valcarcel et al. | MIMoSA: an automated method for intermodal segmentation analysis of multiple sclerosis brain lesions | |
| Huizinga et al. | PCA-based groupwise image registration for quantitative MRI | |
| Zhang et al. | Automated deep learning method for whole‐breast segmentation in diffusion‐weighted breast MRI | |
| US7983732B2 (en) | Method, system, and computer software product for automated identification of temporal patterns with high initial enhancement in dynamic magnetic resonance breast imaging | |
| US9390509B2 (en) | Medical image processing device, medical image processing method, program | |
| US9888876B2 (en) | Method of analyzing multi-sequence MRI data for analysing brain abnormalities in a subject | |
| EP1728213B1 (en) | Method and apparatus for identifying pathology in brain images | |
| Vignati et al. | Performance of a fully automatic lesion detection system for breast DCE‐MRI | |
| Li et al. | Wavelet-based segmentation of renal compartments in DCE-MRI of human kidney: initial results in patients and healthy volunteers | |
| Yoshita et al. | Current concepts of analysis of cerebral white matter hyperintensities on magnetic resonance imaging | |
| US11055565B2 (en) | Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (MRI) | |
| US20080298657A1 (en) | Computer-Aided Method for Detection of Interval Changes in Successive Whole-Body Bone Scans and Related Computer Program Program Product and System | |
| US9607392B2 (en) | System and method of automatically detecting tissue abnormalities | |
| Chesebro et al. | Automated detection of cerebral microbleeds on T2*-weighted MRI | |
| Sanyal et al. | An automated two-step pipeline for aggressive prostate lesion detection from multi-parametric MR sequence | |
| WO2007026598A1 (ja) | 医用画像処理装置及び画像処理方法 | |
| US11995832B2 (en) | Method and system for characterizing an impact of brain lesions on brain connectivity using MRI | |
| Ta et al. | Reliability of 3D texture analysis: A multicenter MRI study of the brain | |
| Kuang et al. | Automated stroke lesion segmentation in non-contrast CT scans using dense multi-path contextual generative adversarial network | |
| Chapman et al. | Intracranial vessel segmentation from time-of-flight MRA using pre-processing of the MIP Z-buffer: accuracy of the ZBS algorithm | |
| Srivastava et al. | Feature-based statistical analysis of structural MR data for automatic detection of focal cortical dysplastic lesions | |
| Goodkin et al. | FLAIR-only joint volumetric analysis of brain lesions and atrophy in clinically isolated syndrome (CIS) suggestive of multiple sclerosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20110413 |
|
| C20 | Patent right or utility model deemed to be abandoned or is abandoned |