CN102332054B - 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 - Google Patents
三维大脑磁共振图像的大脑皮层表面标志区域识别方法 Download PDFInfo
- Publication number
- CN102332054B CN102332054B CN 201110246561 CN201110246561A CN102332054B CN 102332054 B CN102332054 B CN 102332054B CN 201110246561 CN201110246561 CN 201110246561 CN 201110246561 A CN201110246561 A CN 201110246561A CN 102332054 B CN102332054 B CN 102332054B
- Authority
- CN
- China
- Prior art keywords
- brain
- magnetic resonance
- cerebral
- cortex surface
- cortex
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,其特征在于:利用皮层表面与皮下层组织的结构连接信息来定义大脑皮层表面与皮下层组织的结构连接模式,通过对该连接模式的分类,实现对单个个体大脑皮层表面区域的分割,然后提取个体间稳定且一致性强的大脑皮层表面区域作为大脑皮层表面标志区域。相对于其他方法,本发明利用了个体间稳定和一致性很强的大脑皮层表面与皮下层组织的连接模式来识别大脑皮层表面标志区域,所得到的大脑皮层表面标志区域更稳定和更一致。
Description
技术领域
本发明涉及一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,利用三维大脑磁共振图像中大脑皮层表面和脑皮下层组织之间的神经纤维连接模式识别大脑皮层表面标志区域的方法,属于医学图像处理领域、计算神经解剖学等领域。
背景技术
在三维大脑磁共振图像中,人类大脑皮层表面主要由脑沟和脑回构成,其解剖结构极其复杂,在不同人之间,大脑皮层表面的脑沟和脑回的解剖几何模式变化很大。而在脑成像和神经科学领域,普遍认为在不同个体间,具有相同功能的大脑皮层表面区域与其它的皮层表面区域或者脑组织的结构连接是相似的。
为了从三维大脑磁共振图像中区分正常人和疾病患者,以及分析总结正常人大脑的解剖结构变化规律,需要在大脑皮层表面识别出标志区域,来作为量化同一个个体内或者不同个体之间的相似性和差异性的结构基础。初级的方法是采用最主要的几条脑沟和脑回作为大脑皮层上共有的解剖标志区域,但是大脑脑沟和脑回的尺度太大,其本身包含许多功能不一致的子区域,因此,需要识别出具备功能意义且个体间一致的精细的大脑标志区域。
目前从三维大脑磁共振图像中定义和识别大脑皮层标志区域的方法有四类:1)专家根据解剖结构凭借专业知识手工标记,这种方法可重复性很差,并且个体之间差异很大;2)采用数据驱动方式对三维大脑磁共振图像数据进行聚类,这类方法对聚类参数很敏感,而聚类的结果在神经科学上的意义也不是很明确;3)选取一个大脑图像作为模板,请专家在该大脑图像上定义标志区域形成标准图谱,然后通过配准该图谱到其它大脑来获得标志区域,其缺点在于,如果不同个体的大脑之间具有显著神经解剖变化时,这种基于配准的方法的准确性下降;4)采用基于任务的功能磁共振成像来识别激活的大脑标志区域。这种方法被认为是目前最准确的方法,但是这种方法费用昂贵,其精确性容易受实验参数的影响,且受实验对象健康条件的限制。
以上四种大脑皮层表面标志区域识别方法主要的缺点是,第一种专家标记的方法受个人人力和知识限制,主观性太强,可重复性差,而且不适用于大规模数据集的处理;第二种采用聚类的方法很大程度上依赖于算法中关键几个聚类参数,不同的聚类参数得到的聚类结果不一样,聚类得到的大脑皮层表面标志区域的数量和中心随着参数的变化而变化,而且聚类过程中需要根据不同的数据集调整参数;第三种基于图谱的方法以专家提供标志图谱为前提,图像配准为基础,如果所要标记的大脑与模板大脑的解剖结构差异太大时,其结果受配准算法的局限,准确性大大下降;第四种方法虽然可以准确获得大脑皮层的标志区域,但是每次获取都需要设计磁共振扫描任务对单个个体大脑进行激活并扫描大脑进行数据收集,激活结果对扫描过程中设置的参数很敏感,而不同的任务激活的功能区域有限,获得的标志区域有限且实验费用高,另外,由于扫描时间很长,过程复杂,扫描任务受实验对象的身体健康等条件的限制,例如很难通过设计功能成像任务获得老人,孩子等对象的标志区域。
鉴于不论用何种方法,所识别的大脑皮层表面标志区域应该满足两个原则:1)不同个体间相同功能的标志区域应该具有相似的解剖位置;2)不同个体间的标志区域与其它皮层区域或者脑组织的结构连接应该相似。而在人类大脑中,普遍存在着具有相似解剖位置的皮下层组织,包括左右半脑的扁桃体、尾状核、海马体、苍白球、壳核和丘脑。三维大脑磁共振图像中,不同个体间皮下层组织的分割结果相对于大脑皮层的解剖结构变化比较稳定,并且现有的分割方法可以得到满意的分割效果,所以利用大脑皮层表面与皮下层组织结构的连接信息定义大脑皮层表面-皮下层组织的结构连接模式,可以提供稳定而可靠的信息来识别整个大脑皮层表面区域。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,以识别个体间一致的涵盖大部分大脑皮层表面功能区域的大脑皮层标志区域。
本发明的思想在于:在大脑皮层表面数字图像中,对每一个顶点,以该顶点与周围3个层次的相邻顶点构成的大脑皮层表面区域为元区域,利用每一个大脑皮层表面元区域与皮下层组织的结构连接信息,提出了一种基于大脑皮层表面-皮下层组织结构连接模式的大脑皮层表面上标志区域的分割方法,最终获取在数据集中个体间一致性强的、稳定的大脑皮层表面区域作为大脑皮层表面标志区域。
技术方案
一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,其特征在于步骤如下:
步骤1:利用弥散张量成像方法获取大脑磁共振弥散张量成像DTI数据,然后利用可变形点阵模型脑组织提取工具去除大脑磁共振弥散张量成像DTI数据中的头骨数据,阈值为0.25-0.4;利用流线算法从去除头骨数据的大脑磁共振弥散张量成像数据中重建大脑白质神经纤维数字图像,并利用高斯混合模型对去除头骨之后的大脑磁共振弥散张量成像数据进行大脑组织分割,得到大脑灰质、大脑白质和大脑脑脊髓液三种大脑组织表示的数字图像数据;
步骤2:利用Marching Cubes方法从步骤1所获得的白质数字图像数据中,用一系列顶点和三角形重构拓扑结构正确的大脑皮层表面数字图像;
步骤3:利用T1加权成像方法获取T1加权成像的三维大脑磁共振图像数据,然后利用可变形点阵模型脑组织提取工具去除T1加权成像的大脑磁共振图像数据中的头骨数据,阈值为0.3-0.4;然后利用磁共振成像综合配准和分割工具FSL-FIRST从该图像数据分割得到左右半脑各6个的皮下层组织图像数据,并采用FSL FLIRT线性配准方法将这些皮下层组织图像数据配准到大脑皮层表面数字图像数据所在的大脑磁共振弥散张量成像DTI数据空间;
步骤4:采用在大脑白质数字图像和大脑皮层表面数字图像中的所有连接大脑皮层表面和皮下层组织的大脑白质神经纤维,并以与其相连的皮下层组织来标记这些大脑白质纤维,得到与皮下层组织数目相同的12束大脑白质神经纤维簇;
步骤5:取大脑皮层表面数字图像中的每一个顶点,以该顶点与周围3个层次的相邻顶点构成的表面区域为元区域,然后在这个元区域内,统计连接到该元区域内的所有大脑白质神经纤维的皮下层组织标记种类,选出与该元区域在同一个大脑半球的皮下层组织标记,然后从左到右按照扁桃腺、尾状核、海马体、苍白球、壳核和丘脑的固定顺序排列,采用这个排列作为该元区域的大脑皮层与皮下层组织连接模式,得到大脑皮层-皮下层组织连接向量;当有大脑白质神经纤维连接到其中某一个皮下层组织,则设定大脑皮层与皮下层组织连接向量的对应位为1,如果没有则设置为0;
步骤6:在三维大脑磁共振图像中整个大脑皮层表面数字图像中重复步骤5以获得大脑皮层表面数字图像所有的元区域的大脑皮层与皮下层组织连接模式,然后利用连通分量检测方法将大脑皮层表面的元区域进行分类,将大脑皮层表面数字图像中所有的元区域的大脑皮层-皮下层组织连接模式相同的元区域分为一类,得到对单个个体的大脑皮层表面分割;
步骤7:针对一组三维大脑磁共振图像数据重复步骤1到步骤6,获得整组三维大脑磁共振图像数据的大脑皮层表面分割;然后在整组数据里面选取一个大脑磁共振数据作为模板图像数据,利用FSL FLIRT工具将其它的大脑磁共振图像数据分别配准到该模板图像数据所在的坐标空间,得到对应的坐标空间转换矩阵,利用这些转换矩阵将整组的三维大脑皮层表面配准到模板图像数据坐标空间下;然后根据不同个体间相同功能的标志区域应该具有相似的解剖位置的大脑皮层标志区域选取原则,在整个组的个体之间,选取大脑皮层-皮下层组织连接模式相同并且解剖位置最相近的大脑皮层元区域作为皮层标志区域,以保证个体间的一致性。
有益效果
本发明提出的一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,实现了基于三维大脑磁共振图像中大脑皮层表面和皮下层组织神经纤维结构连接模式的大脑皮层表面分割方法,其优越性在于:1)不受专家知识的限制,可以处理大规模数据集;2)由于大脑皮层的解剖结构变化显著,相对于采用大脑皮层表面区域之间的结构连接信息进行大脑皮层标志区域识别的方法,本发明利用相对稳定的大脑皮层表面与皮下层组织的连接信息识别大脑皮层表面标志区域;3)相对于只考虑大脑皮层表面与一个特定皮下层组织连接信息的方法,本发明采用6个皮下层组织(左右大脑各6个)来定义大脑皮层表面与皮下层组织的结构连接模式,连接模式更丰富,可以识别更多的大脑皮层区域作为大脑皮层表面的标志区域;4)对不同个体之间的大脑沟回的神经解剖变化不敏感;5)相对于基于任务的功能磁共振图像标志区域的获取方法,本发明仅仅需要弥散张量成像数据即可获得可靠的大脑皮层表面标志区域,所需时间短,费用低。
附图说明
图1:三维大脑磁共振图像的大脑皮层表面标志区域识别流程图;
图2:8个脑个体的三维大脑磁共振图像的12个皮下层组织的分割结果,右侧是皮下层组织名称和颜色对应表;
图3:三维大脑磁共振图像中右侧大脑皮层表面数字图像、6个皮下层组织以及连接二者的神经纤维的联合视图;
图4:8个脑个体的三维大脑磁共振图像中大脑皮层表面与右脑皮下层组织相连的神经纤维所构成的连接模式可视化;
图5:随机选取的三维大脑磁共振图像中三个皮层区域以及其所对应的大脑皮层表面与皮下层组织的连接模式示意图;连接模式的6个位分别对应于与该大脑皮层表面区域在同一个半脑的6个皮下层组织,1意思是该大脑皮层表面区域与皮下层组织存在神经纤维连接,0代表没有连接;
图6:一个三维大脑磁共振图像中大脑皮层表面标志区域识别的例子;(a)是一个大脑皮层表面与皮下层组织连接模式的10个个体的分类结果,(b)是根据个体间一致性提取的稳定的大脑皮层表面标志区域。由黄色箭头突出显示,不同的颜色代表不同的大脑皮层表面区域;
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明整个流程可以参考附图1,具体的实施步骤如下:
1.数据预处理
利用弥散张量成像方法获取大脑磁共振弥散张量成像DTI数据,然后利用可变形点阵模型脑组织提取工具去除大脑磁共振弥散张量成像DTI数据中的头骨数据,阈值为0.3;利用流线算法从去除头骨数据的大脑磁共振弥散张量成像数据中重建大脑白质神经纤维数字图像,并利用高斯混合模型对去除头骨之后的大脑磁共振弥散张量成像数据进行大脑组织分割,得到大脑灰质、大脑白质和大脑脑脊髓液三种大脑组织表示的数字图像数据;
利用Marching Cubes方法从上述所获得的白质数字图像数据中,用一系列顶点和三角形重构拓扑结构正确的大脑皮层表面数字图像;利用T1加权成像方法获取T1加权成像的三维大脑磁共振图像数据,利用可变形点阵模型脑组织提取工具去除T1加权成像的大脑磁共振图像数据中的头骨数据,阈值为0.3-0.4;然后利用磁共振成像综合配准和分割工具FSL-FIRST从该图像数据分割得到左右半脑各6个的皮下层组织图像数据,并采用FSL FLIRT线性配准方法将这些皮下层组织图像数据配准到大脑皮层表面数字图像数据所在的大脑磁共振弥散张量成像DTI数据空间;图2中为8个脑个体的皮下层组织分割实例,由图可见,分割结果在不同个体间的一致性较理想。
2.定义大脑皮层表面与皮下层组织连接模式
采用在大脑白质数字图像和大脑皮层表面数字图像中的所有连接大脑皮层表面和皮下层组织的大脑白质神经纤维,并以与其相连的皮下层组织来标记这些大脑白质纤维,得到与皮下层组织数目相同的12束大脑白质神经纤维簇;图3是穿过右半脑6个皮下层组织的6簇白质神经纤维与大脑皮层表面数字图像的联合可视化。图6显示了8个个体的大脑皮层表面与皮下层组织相连的神经纤维簇的分布情况,可以看出在同一个大脑的不同大脑皮层表面区域所包含的与皮下层组织相连的纤维簇类别具有明显的差异,但是不同个体之间相对应的大脑皮层表面区域,与皮下层组织相连的大脑白质神经纤维簇类别分布则非常相似,例如红色箭头标出的大脑皮层表面区域,因此,在大脑皮层表面数字图像中,利用这些纤维簇的皮下层区域标记信息,可以定义大脑皮层表面与皮下层组织的连接模式,然后利用大脑皮层表面与皮下层的连接模式信息来分割大脑皮层表面区域,最终获得可靠的皮层结构标志区域。
取大脑皮层表面数字图像中的每一个顶点,以该顶点与周围3个层次的相邻顶点构成的表面区域为元区域,然后在这个元区域内,统计连接到该元区域内的所有大脑白质神经纤维的皮下层组织标记种类,选出与该元区域在同一个大脑半球的皮下层组织标记,然后从左到右按照扁桃腺、尾状核、海马体、苍白球、壳核和丘脑的固定顺序排列,采用这个排列作为该元区域的大脑皮层与皮下层组织连接模式,得到大脑皮层-皮下层组织连接向量;当有大脑白质神经纤维连接到其中某一个皮下层组织,则设定大脑皮层与皮下层组织连接向量的对应位为1,如果没有则设置为0;见表1所示,图5是三个皮层元区域及其大脑皮层-皮下层连接模式的例子。
3.大脑皮层表面分割
在整个大脑皮层表面数字图像中重复步骤2以获得大脑皮层表面所有的元区域的大脑皮层-皮下层组织连接模式,然后利用连通分量检测方法将皮层表面的元区域进行分类,将大脑皮层表面数字图像中上所有的元区域的大脑皮层-皮下层组织连接模式相同的元区域分为一类,实现对单个个体的大脑皮层表面分割;图6a显示了某一个连接模式的8个大脑的皮层表面分割结果。
4.大脑皮层表面标志区域识别
重复步骤1到步骤3,获得一组三维大脑磁共振图像数据的大脑皮层表面分割;然后在这一组数据里面选取一个大脑磁共振数据作为模板图像数据,利用FSL FLIRT工具将其它的大脑磁共振图像数据分别配准到该模板图像数据所在的坐标空间,得到对应的坐标空间转换矩阵,利用这些转换矩阵将整个组的三维大脑皮层表面配准到模板图像数据坐标空间下;然后根据不同个体间相同功能的标志区域应该具有相似的解剖位置的大脑皮层标志区域选取原则,在整个组的个体之间,选取大脑皮层-皮下层组织连接模式相同并且解剖位置最相近的大脑皮层元区域作为皮层标志区域,以保证个体间的一致性。图6b为通过个体间一致性提取的稳定的大脑皮层表面标志区域。
表1为通过本发明在一组数据中得到的大脑皮层表面标志区域
皮下层区域 | 扁桃腺 | 尾状核 | 海马体 | 苍白球 | 壳核 | 丘脑 |
有连接 | 1 | 1 | 1 | 1 | 1 | 1 |
无连接 | 0 | 0 | 0 | 0 | 0 | 0 |
大脑皮层表面元区域与皮下层组织结构连接模式的定义:1代表该大脑皮层表面元区域与皮下层组织有神经纤维连接,0代表没有连接。
Claims (1)
1.一种三维大脑磁共振图像的大脑皮层表面标志区域识别方法,其特征在于步骤如下:
步骤1:利用弥散张量成像方法获取大脑磁共振弥散张量成像DTI数据,然后利用可变形点阵模型脑组织提取工具去除大脑磁共振弥散张量成像DTI数据中的头骨数据,阈值为0.25-0.4;利用流线算法从去除头骨数据的大脑磁共振弥散张量成像数据中重建大脑白质神经纤维数字图像,并利用高斯混合模型对去除头骨之后的大脑磁共振弥散张量成像数据进行大脑组织分割,得到大脑灰质、大脑白质和大脑脑脊髓液三种大脑组织表示的数字图像数据;
步骤2:利用Marching Cubes方法从步骤1所获得的白质数字图像数据中,用一系列顶点和三角形重构拓扑结构正确的大脑皮层表面数字图像;
步骤3:利用T1加权成像方法获取T1加权成像的三维大脑磁共振图像数据,然后利用可变形点阵模型脑组织提取工具去除T1加权成像的大脑磁共振图像数据中的头骨数据,阈值为0.3-0.4;然后利用磁共振成像综合配准和分割工具FSL-FIRST从该图像数据分割得到左右半脑各6个的皮下层组织图像数据,并采用FSL FLIRT线性配准方法将这些皮下层组织图像数据配准到大脑皮层表面数字图像数据所在的大脑磁共振弥散张量成像DTI数据空间;
步骤4:采用在大脑白质数字图像和大脑皮层表面数字图像中的所有连接大脑皮层表面和皮下层组织的大脑白质神经纤维,并以与其相连的皮下层组织来标记这些大脑白质纤维,得到与皮下层组织数目相同的12束大脑白质神经纤维簇;
步骤5:取大脑皮层表面数字图像中的每一个顶点,以该顶点与周围3个层次的相邻顶点构成的表面区域为元区域,然后在这个元区域内,统计连接到该元区域内的所有大脑白质神经纤维的皮下层组织标记种类,选出与该元区域在同一个大脑半球的皮下层组织标记,然后从左到右按照扁桃腺、尾状核、海马体、苍白球、壳核和丘脑的固定顺序排列,采用这个排列作为该元区域的大脑皮层与皮下层组织连接模式,得到大脑皮层-皮下层组织连接向量;当有大脑白质神经纤维连接到其中某一个皮下层组织,则设定大脑皮层与皮下层组织连接向量的对应位为1,如果没有则设置为0;
步骤6:在三维大脑磁共振图像中整个大脑皮层表面数字图像中重复步骤5以获得大脑皮层表面数字图像所有的元区域的大脑皮层与皮下层组织连接模式,然后利用连通分量检测方法将大脑皮层表面的元区域进行分类,将大脑皮层表面数字图像中所有的元区域的大脑皮层-皮下层组织连接模式相同的元区域分为一类,得到对单个个体的大脑皮层表面分割;
步骤7:针对一组三维大脑磁共振图像数据重复步骤1到步骤6,获得整组三维大脑磁共振图像数据的大脑皮层表面分割;然后在整组数据里面选取一个大脑磁共振数据作为模板图像数据,利用FSL FLIRT工具将其它的大脑磁共振图像数据分别配准到该模板图像数据所在的坐标空间,得到对应的坐标空间转换矩阵,利用这些转换矩阵将整组的三维大脑皮层表面配准到模板图像数据坐标空间下;然后根据不同个体间相同功能的标志区域应该具有相似的解剖位置的大脑皮层标志区域选取原则,在整个组的个体之间,选取大脑皮层-皮下层组织连接模式相同并且解剖位置最相近的大脑皮层元区域作为皮层标志区域,以保证个体间的一致性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110246561 CN102332054B (zh) | 2011-08-25 | 2011-08-25 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110246561 CN102332054B (zh) | 2011-08-25 | 2011-08-25 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102332054A CN102332054A (zh) | 2012-01-25 |
CN102332054B true CN102332054B (zh) | 2013-10-09 |
Family
ID=45483829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110246561 Expired - Fee Related CN102332054B (zh) | 2011-08-25 | 2011-08-25 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102332054B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996219B (zh) * | 2014-05-22 | 2017-07-28 | 中国科学院苏州生物医学工程技术研究所 | 一种低成本多材料3d打印头部脑部模型的方法 |
US9530206B2 (en) * | 2015-03-31 | 2016-12-27 | Sony Corporation | Automatic 3D segmentation and cortical surfaces reconstruction from T1 MRI |
CN106228561B (zh) * | 2016-07-29 | 2019-04-23 | 上海联影医疗科技有限公司 | 血管提取方法 |
WO2018001099A1 (zh) | 2016-06-30 | 2018-01-04 | 上海联影医疗科技有限公司 | 一种血管提取方法与系统 |
CN106408568B (zh) * | 2016-07-27 | 2019-03-22 | 广州大学 | 一种大尺度dti图像的快速准确的分割方法 |
CN108805859A (zh) * | 2018-04-20 | 2018-11-13 | 深圳博脑医疗科技有限公司 | 一种图像检测方法、图像检测装置及终端设备 |
CN110599560B (zh) * | 2019-08-05 | 2023-07-25 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111369637B (zh) * | 2019-08-08 | 2023-07-14 | 成都信息工程大学 | 一种融合白质功能信号的dwi纤维优化重建方法及系统 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111588463A (zh) * | 2020-03-31 | 2020-08-28 | 何筱峰 | 手术计划的确定方法、装置及存储介质 |
CN111986242B (zh) * | 2020-07-28 | 2023-07-18 | 沈阳东软智能医疗科技研究院有限公司 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
CN113283465B (zh) * | 2021-04-02 | 2022-04-29 | 电子科技大学 | 一种弥散张量成像数据分析方法及装置 |
CN114841958B (zh) * | 2022-05-04 | 2023-02-07 | 哈尔滨理工大学 | 一种脑皮下组织补丁图像自动提取方法 |
-
2011
- 2011-08-25 CN CN 201110246561 patent/CN102332054B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102332054A (zh) | 2012-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102332054B (zh) | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 | |
Régis et al. | “Sulcal root” generic model: a hypothesis to overcome the variability of the human cortex folding patterns | |
Mangin et al. | Object-based morphometry of the cerebral cortex | |
O’Donnell et al. | Automated white matter fiber tract identification in patients with brain tumors | |
CN101650827B (zh) | 一种混合的大脑白质神经纤维自动聚类及标记方法 | |
Toga et al. | Maps of the brain | |
Van Essen | Cartography and connectomes | |
CN107067395A (zh) | 一种基于卷积神经网络的核磁共振图像处理装置与方法 | |
CN101515367B (zh) | 三维大脑磁共振图像的大脑皮层表面上脑沟区域分割方法 | |
CN107145727A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
CN103077298A (zh) | 融合图像体素及先验脑图谱划分的大脑网络构建方法 | |
CN103093455A (zh) | 一种扩散张量成像大脑白质纤维聚类方法 | |
CN107133461A (zh) | 一种基于自编码器的医学图像处理装置与方法 | |
CN107067396A (zh) | 一种基于自编码器的核磁共振图像处理装置与方法 | |
CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
CN110223275A (zh) | 一种task-fMRI引导的大脑白质纤维深度聚类方法 | |
CN109934804A (zh) | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 | |
Mangin et al. | Sulci as landmarks | |
Régis et al. | Generic model for the localization of the cerebral cortex and preoperative multimodal integration in epilepsy surgery | |
CN109800677A (zh) | 一种跨平台掌纹识别方法 | |
CN104867153A (zh) | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 | |
CN107169955B (zh) | 一种智能化的医学图像处理装置与方法 | |
García‐Tabernero et al. | Primary visual cortex in neandertals as revealed from the occipital remains from the El Sidrón site, with emphasis on the new SD‐2300 specimen | |
Ge et al. | Exploring intrinsic functional differences of gyri, sulci and 2-hinge, 3-hinge joints on cerebral cortex | |
Clouchoux et al. | A new cortical surface parcellation model and its automatic implementation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131009 Termination date: 20170825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |