CN102622749A - 三维磁共振图像脑子结构自动分割的方法 - Google Patents
三维磁共振图像脑子结构自动分割的方法 Download PDFInfo
- Publication number
- CN102622749A CN102622749A CN2012100427760A CN201210042776A CN102622749A CN 102622749 A CN102622749 A CN 102622749A CN 2012100427760 A CN2012100427760 A CN 2012100427760A CN 201210042776 A CN201210042776 A CN 201210042776A CN 102622749 A CN102622749 A CN 102622749A
- Authority
- CN
- China
- Prior art keywords
- image
- voxel
- collection
- illustrative plates
- cut apart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 210000004556 brain Anatomy 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 40
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 abstract description 6
- 210000003746 feather Anatomy 0.000 abstract 1
- 238000007500 overflow downdraw method Methods 0.000 description 9
- 210000001320 hippocampus Anatomy 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229940000425 combination drug Drugs 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种三维磁共振图像脑子结构自动分割方法,利用手动图像分割方法获取多个图谱;把多个图谱逐个配准到待分割图像;对待分割图像进行初始分割,并确定需要进一步分割的图像体素;将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集;从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征;对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集,并用支持向量机训练一个分类器对其进行分割。本发明对每个样本提取多种包括灰度和纹理的特征,不要求待分割图像体素与图谱中体素一一对应关系,训练样本个数可以大于图谱个数,使得训练的分类器更鲁棒。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及对三维磁共振脑图像进行子结构自动分割的方法。
背景技术
在医学影像的基础和临床研究中,对磁共振脑图像进行分割具有重要的意义。可靠、精确的对脑进行分割被广泛的应用于许多医学影像的应用中,如手术计划制定、疾病病程研究、老年人或年轻人的大脑发展等。脑分割包括对脑组织和脑结构进行分割。在传统研究中,由经过训练的专家对脑磁共振图像手工标定所得到的分割结果是图像分割的金标准。然而这种方法非常耗时,特别是随着数据集的不断增大,此方法变得越来越不可行。另外,手工标定也容易引入个体内和个体间的分割偏差。因此,开发全自动的脑分割算法变得十分必要。尽管为了开发高效、准确的自动分割算法,研究人员付出了不懈的努力,但是由于图像本身的质量以及脑组织和结构在磁共振图像中特有属性的影响,开发精确的,可靠的,全自动的脑分割算法仍然面临着不小的挑战。
近年来,基于图谱的分割方法由于其优越的性能引起了许多研究人员的关注。基于图谱的分割方法的基本思想是利用图像配准的方法把一副经过手工分割的图像(图谱)配准到待分割图像上,然后把经过配准的图像的手工分割结果做为待分割图像的分割结果。此方法的优点是待分割目标的形状信息可以被隐式地包含在配准的过程中。为了弥补基于单个图谱分割方法易受图像配准错误影响的问题,研究人员最近开发了基于多图谱的分割方法,此方法需要提供多个图谱,然后把每个图谱分别配准到待分割图像空间中,最后利用标签融合的办法把多个经过配准的图谱的分割结果进行融合从而获得最终分割结果。在已有工作中,许多研究关注于新的标签融合方法的提出,其中Sabuncu(Sabuncu et al.“A generative model for image segmentation based on label fusion”IEEE Trans Med Imag 29(2010),pgs.1714-1729),Artaechevarria(Artaechevarria,et al″Combinat ion strategies in multi-atlasimage segmentation:application to brain MR data,″,IEEE Trans MedImag 28(2009),pgs.1266-1277)的研究表明,相比其他融合方法,利用图谱图像与待分割图像在局部的相似性作为权重进行标签融合可以获得较优的结果。但是目前标签融合的办法大多依赖于预设的模型,并不能保证此模型是最优的,另外,在融合过程中严格要求待分割图像体素与图谱中体素一一对应,使得用于融合的样本局限于图谱的个数,最后,当前标签融合方法只用到体素的灰度信息,而很多有用的纹理特征可以给融合提供重要的信息。
发明内容
本发明的目的是提供一种对三维磁共振图像进行脑子结构自动分割的方法。
为了实现上述目的,一种三维磁共振图像脑子结构自动分割方法,包括步骤:
利用手动图像分割方法获取多个图谱;
把多个图谱逐个配准到待分割图像;
对待分割图像进行初始分割,并确定需要进一步分割的图像体素;
将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集;
从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征;
对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集,并用支持向量机训练一个分类器对其进行分割。
本发明的方法利用机器学习的方法建立图像信息与标签之间的映射关系,相对于需要预设模型的标签融合方法,我们的方法更优;此外,对图像中待分割的体素和训练集中的每个样本提取了多种包括灰度和纹理的特征,同时由于不要求待分割图像体素可以与图谱中体素一一对应关系,训练样本个数可以大于图谱个数,使得训练的分类器更鲁棒;最后,利用投票的方法对图像中易于分割的体素进行初始分割可以大幅度提高分割的效率。
附图说明
图1是待分割磁共振脑图像和多个包含海马分割的图谱;
图2是本发明的流程图;
图3是对图1中待分割图像进行分割的结果。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对于本发明的理解,而不起任何限定作用。
本发明是对T1加权像三维磁共振图像进行大脑子结构的自动分割,选取海马子结构的分割作为实例进行说明。如图1所示,图像102,104,106了展示了海马子结构进行分割时所需的输入图像,其中,102为一层T1加权像三维磁共振图像的矢状位视图,104为放大了的包含海马子结构的一层图像,是102中方框中所示的图像,104为一组经过手工海马分割的图谱。
本发明在多图谱分割的框架下提出了一种基于局部标签机器学习的分割方法。利用具有手动分割结果的一组图像作为图谱,首先,把每个图谱配准到待分割图像空间,然后,利用基于投票的方法对待分割图像进行初始分割,最后,对每一个需要进一步分割的体素,选取训练样本集,提取特征并利用基于K近邻的支持向量机训练分类器进行分割。
图2展示了使用本方法进行磁共振图像脑子结构分割的流程。
本发明的输出包括一副待分割的磁共振图像和一组进行过子结构分割的图谱,其中的每个图谱是包括一副图像和一个分割标签,标签是利用手动图像分割方法在图像上进行分割得到的对子结构分割结果。
在步骤202中,多个图谱要逐个与待分割图像进行配准,配准的过程是利用待分割图像与图谱的图像灰度的相似性计算配准场,然后利用得到的配准场作用于图谱的图像和图谱的分割结果从而使其与待分割图像处于同一空间中。其中关于配准的具体实施方法可参阅文献:Klein etal.,“Evaluation of 14 nonlinear deformation algorithms appliedto human brain MRI registration”,Neuroimage 46(2009),pgs.786-802。
在步骤204中,利用基于投票的图谱融合方法对待分割图像进行初始分割,并确定需要进一步分割的图像体素。假设有N个图谱,Li表示每一幅配准到待分割图像空间中的图谱的分割图,其中的每个体素x可以取+1或者-1来表示其属于前景(要分割的子结构)或者背景,由于图谱已经配准到待分割图像空间,那么每个图谱的分割结果可以看成是对待分割图像的分割结果的一个投票,这样把多个图谱的分割结果进行平均,就可以得到待分割图像在每个体素位置属于哪一类(背景或前景)的概率,如公式1所示:
公式1中的P(x)可以取从-1到+1之间的值,其值越靠近-1或+1则表明体素x属于背景或前景的概率越大。
为了保证初始分割结果的精确性,在本方法只保留获得100%投票的分割结果,计算方法如公式2所示:
L(x)表示待分割图像的一个初始分割结果,可能有三个值±1和0,其中+1或者-1分布表示其属于前景和背景,0表示没有获得分割结果从而需要进一步处理。
步骤206-214循环对L(x)中没有获得分割结果的体素进行分割直到分割完毕。
在步骤206中,判断L(x)是否存在没有获得分割结果的体素,如果存在则执行步骤208,如果不存在则停止循环输出结果。
在步骤208中,选择一个没有获得分割结果的体素x对其进行分割。
在步骤210中,对需要进一步分割的图像体素x,将其对应特定空间领域中所有图谱的体素作为其候选训练样本集。对体素x,在每一个经过配准的图谱中可以找到一个对应位置,依此位置为中心的一个子区域就是上述所说的“对应特定空间领域”,其中的每个体素都可以作为候选训练样本集。这样在所有的N个图谱中,一共可以找到个候选训练样本 每一个候选样本包括一个对应的标签值li,y∈{+1,-1}和一个特征向量特征向量在步骤212中提取。
在步骤212中,对体素x及其候选训练样本集中的图像体素提取图像灰度及纹理特征对上述每一个体素的灰度和纹理特征是从以此体素为中心的子区域中提取的,其中的图像灰度特征包括体素本身和体素领域中的灰度值,纹理特征包括一阶和二阶差分滤波特征,拉普拉斯滤波特征,超平面滤波特征,索贝尔滤波特征和区间差分滤波特征。把对每一个体素,如x,提取得到的特征值拼接起来从而组成一个向量本方法也可以使用其它图像特征。
关于特征提取可参阅文献:Toriwaki,et al.,“Fundamentals ofThree-dimensional Digital Image Processing”(2009).
在步骤214中,基于在步骤212中提取的图像特征,对体素x在所有候选训练样本集中寻找其距离最近的K个像素做为训练集,并用支持向量机(SVM)训练一个分类器对其进行分割,首先,从所有的候选训练样本集中,利用欧氏距离提取K个与待分割图像的体素x最近邻的样本。为了保证训练样本的均衡性,分别从所有的候选正样本中提取 个正样本和从所有的候选负样本中 提取 个负样本。然后,利用所选取的训练样本,用SVM训练一个分类器,最后把所得到的分类器作用到待分割样本上实现最终分割。
图3给出了使用本发明对图1中所示磁共振脑图像进行大脑海马子结构分割得到的结果。
其中,图像302为包含海马子结构的T1加权像其中蓝色部分为手工分割结果,方法可参考文献Heckemann,(Heckemann,et al“Automaticanatomical brain MRI segmentation combining label propagation anddecision fusion”,Neuroimage,33(2006),pgs.115-126);
图像304为利用基于投票标签融合方法获得的分割结果,方法可参考文献Artaechevarria(Artaechevarria,et al″Combinationstrategies in multi-atlas image segmentation:application tobrain MR data,″,IEEE Trans Med Imag 28(2009),pgs.1266-1277);
图像306为基于局部相似性加权的标签融合方法得到的分割结果,方法可参考文献Artaechevarria(Artaechevarria,et al″Combinationstrategies in multi-atlas image segmentation:application tobrain MR data,″,IEEE Trans Med Imag 28(2009),pgs.1266-1277);
图像308为使用本方法得到的最终分割结果。
为便于比较三种方法的,图310-312分别展示了每一组自动分割结果与手动分割结果交叠的结果,其中海马区域中浅灰色部分为自动分割与手动分割一致的区域,深色部分为自动分割与手动分割不一致的区域。
图310中的自动分割方法为基于投票的标签融合方法,图312中的自动分割方法为基于局部相似性加权的标签融合方法,图314中的自动分割方法为本方法。从图中可以看出与其他方法相比,我们的方法与手工分割的结果更一致。
以上所述仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所披露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种三维磁共振图像脑子结构自动分割方法,包括步骤:
利用手动图像分割方法获取多个图谱;
把多个图谱逐个配准到待分割图像;
对待分割图像进行初始分割,并确定需要进一步分割的图像体素;
将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集;
从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征;
对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集,并用支持向量机训练一个分类器对其进行分割。
2.按权利要求1所述的方法,其特征在于所述图谱包括图像和分割标签。
3.按权利要求1所述的方法,其特征在于所述把多个图谱逐个配准到待分割图像包括:
利用待分割图像与图谱的图像灰度的相似性计算配准场;
将配准场作用于图谱的图像和图谱的分割结果,使图谱与待分割图像处于同一空间。
4.按权利要求3所述的方法,其特征在于所述配准包括:
根据图谱与待分割图像的灰度相似性进行配准,其中,灰度相似性是灰度之间的欧式距离,或者灰度之间的相关性。
5.按权利要求1所述的方法,其特征在于按下式对待分割图像进行初始分割:
其中,N表示图谱的数量,Li表示每一幅配准到待分割图像空间中的图谱的分割图,P(x)可以取从-1到+1之间的值,其值越靠近-1或+1则表明体素x属于背景或前景的概率越大。
6.按权利要求5所述的方法,其特征在于:
将具有100%确定性概率值的体素分割结果作为初始分割结果,对其它不具有100%确定性概率值的体素将进行进一步的分割。
7.按权利要求1所述的方法,其特征在于所述将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集包括:
对于每一个需要进一步进行分割的体素,在每一个经过配准的图谱中找到一个对应位置,其中的每个体素都作为候选训练样本集。
8.按权利要求1所述的方法,其特征在于所述对需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度及纹理特征包括:
对每一个体素的灰度和纹理特征是从以此体素为中心的子区域中提取的。
9.按权利要求1所述的方法,其特征在于所述图像灰度特征包括体素本身和体素领域中的灰度值,纹理特征包括一阶和二阶差分滤波特征、拉普拉斯滤波特征、超平面滤波特征、索贝尔滤波特征和区间差分滤波特征。
10.按权利要求1所述的方法,其特征在于所述对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集包括:
利用提取出的图像灰度和纹理特征,计算待分割图像体素与候选训练样本集中体素的距离,在保证正负样本的均衡性的基础上提取K个训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210042776.0A CN102622749B (zh) | 2012-02-22 | 2012-02-22 | 三维磁共振图像脑子结构自动分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210042776.0A CN102622749B (zh) | 2012-02-22 | 2012-02-22 | 三维磁共振图像脑子结构自动分割的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102622749A true CN102622749A (zh) | 2012-08-01 |
CN102622749B CN102622749B (zh) | 2014-07-30 |
Family
ID=46562650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210042776.0A Expired - Fee Related CN102622749B (zh) | 2012-02-22 | 2012-02-22 | 三维磁共振图像脑子结构自动分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102622749B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765629A (zh) * | 2013-09-25 | 2016-07-13 | 西门子公司 | 病变的早期治疗反应评估 |
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
CN106097374A (zh) * | 2016-06-24 | 2016-11-09 | 西安电子科技大学 | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 |
CN107680107A (zh) * | 2017-10-30 | 2018-02-09 | 西北工业大学 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
CN107886519A (zh) * | 2017-10-17 | 2018-04-06 | 杭州电子科技大学 | 基于cuda的多图谱三维脑图像快速分割方法 |
US9977107B2 (en) | 2013-04-03 | 2018-05-22 | Siemens Healthcare Gmbh | Atlas-free brain tissue segmentation method using a single T1-weighted MRI acquisition |
CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN110838173A (zh) * | 2019-11-15 | 2020-02-25 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
CN111091574A (zh) * | 2019-12-21 | 2020-05-01 | 中国人民解放军第四军医大学 | 一种基于单像素特征的医学图像分割方法 |
CN112446881A (zh) * | 2021-02-01 | 2021-03-05 | 北京小白世纪网络科技有限公司 | 一种病理图像分割的系统及方法 |
US11605455B2 (en) | 2018-12-22 | 2023-03-14 | GE Precision Healthcare LLC | Systems and methods for predicting outcomes using raw data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
-
2012
- 2012-02-22 CN CN201210042776.0A patent/CN102622749B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
Non-Patent Citations (3)
Title |
---|
刘白林等: "支持向量机在核磁共振脑组织图像分割中的应用", 《电脑开发与应用》 * |
季冰等: "基于MR图像的脑组织分割方法研究进展", 《中国医学物理学杂志》 * |
张翔: "支持向量机及其在医学图像分割中的应用", 《万方学位论文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9977107B2 (en) | 2013-04-03 | 2018-05-22 | Siemens Healthcare Gmbh | Atlas-free brain tissue segmentation method using a single T1-weighted MRI acquisition |
CN105765629A (zh) * | 2013-09-25 | 2016-07-13 | 西门子公司 | 病变的早期治疗反应评估 |
CN105765629B (zh) * | 2013-09-25 | 2019-08-16 | 西门子公司 | 病变的早期治疗反应评估 |
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
CN106097374B (zh) * | 2016-06-24 | 2018-11-30 | 西安电子科技大学 | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 |
CN106097374A (zh) * | 2016-06-24 | 2016-11-09 | 西安电子科技大学 | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 |
CN107886519A (zh) * | 2017-10-17 | 2018-04-06 | 杭州电子科技大学 | 基于cuda的多图谱三维脑图像快速分割方法 |
CN107680107B (zh) * | 2017-10-30 | 2020-09-08 | 西北工业大学 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
CN107680107A (zh) * | 2017-10-30 | 2018-02-09 | 西北工业大学 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN108765399A (zh) * | 2018-05-23 | 2018-11-06 | 平安科技(深圳)有限公司 | 病变部位识别方法及装置、计算机装置及可读存储介质 |
US11605455B2 (en) | 2018-12-22 | 2023-03-14 | GE Precision Healthcare LLC | Systems and methods for predicting outcomes using raw data |
CN110838173A (zh) * | 2019-11-15 | 2020-02-25 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
CN111091574A (zh) * | 2019-12-21 | 2020-05-01 | 中国人民解放军第四军医大学 | 一种基于单像素特征的医学图像分割方法 |
CN111091574B (zh) * | 2019-12-21 | 2024-04-02 | 中国人民解放军第四军医大学 | 一种基于单像素特征的医学图像分割方法 |
CN112446881A (zh) * | 2021-02-01 | 2021-03-05 | 北京小白世纪网络科技有限公司 | 一种病理图像分割的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102622749B (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102622749B (zh) | 三维磁共振图像脑子结构自动分割的方法 | |
Zhou et al. | Learning contextual and attentive information for brain tumor segmentation | |
CN103793904B (zh) | 图像配准装置及其图像配准的方法 | |
CN103098090B (zh) | 多参数三维磁共振图像脑肿瘤分割方法 | |
CN105389811B (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
Shao et al. | Brain ventricle parcellation using a deep neural network: Application to patients with ventriculomegaly | |
CN103699904B (zh) | 多序列核磁共振影像的图像计算机辅助判断方法 | |
CN102646268B (zh) | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 | |
US20210248747A1 (en) | Organs at risk auto-contouring system and methods | |
CN103310449A (zh) | 基于改进形状模型的肺分割方法 | |
CN106530321A (zh) | 一种基于方向和尺度描述子的多图谱图像分割方法 | |
Cui et al. | Bidirectional cross-modality unsupervised domain adaptation using generative adversarial networks for cardiac image segmentation | |
CN104463885B (zh) | 一种多发性硬化损伤区域分割方法 | |
CN103544695A (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
CN103745473B (zh) | 一种脑组织提取方法 | |
Wegmayr et al. | Generative aging of brain MR-images and prediction of Alzheimer progression | |
Cheng et al. | Correcting and reweighting false label masks in brain tumor segmentation | |
CN103164843B (zh) | 一种医学影像彩色化方法 | |
Xu et al. | Bi-MGAN: bidirectional T1-to-T2 MRI images prediction using multi-generative multi-adversarial nets | |
CN105956587B (zh) | 一种基于形状约束的膝关节磁共振图像序列半月板自动提取方法 | |
Specktor-Fadida et al. | A bootstrap self-training method for sequence transfer: state-of-the-art placenta segmentation in fetal MRI | |
CN115409843B (zh) | 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法 | |
CN117557576A (zh) | 基于临床知识驱动和对比学习的半监督视神经分割方法 | |
Han et al. | Deformable registration of brain MR images via a hybrid loss | |
CN106570880A (zh) | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 |
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: 20140730 |
|
CF01 | Termination of patent right due to non-payment of annual fee |