CN102959584A - 功能磁共振图像配准方法 - Google Patents
功能磁共振图像配准方法 Download PDFInfo
- Publication number
- CN102959584A CN102959584A CN2011800220059A CN201180022005A CN102959584A CN 102959584 A CN102959584 A CN 102959584A CN 2011800220059 A CN2011800220059 A CN 2011800220059A CN 201180022005 A CN201180022005 A CN 201180022005A CN 102959584 A CN102959584 A CN 102959584A
- Authority
- CN
- China
- Prior art keywords
- function
- registration
- pixel
- space
- image
- 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 33
- 239000012530 fluid Substances 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 54
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 8
- 208000035126 Facies Diseases 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 210000003128 head Anatomy 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 210000004761 scalp Anatomy 0.000 claims description 2
- 210000004885 white matter Anatomy 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 abstract 2
- 230000000875 corresponding effect Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 6
- 230000003925 brain function Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种功能磁共振图像配准方法,包括步骤:根据给定的空间邻域范围,在每个像素处确定其局部空间邻域,并计算该像素与在其空间邻域内其它所有像素之间的功能连接模式;根据得到的一组相关系数值,提取具有旋转不变性的特征;定义基于所述特征的不同图像的空间对应像素的相似性度量,基于该相似性,利用类流体DEMONS模型对待配准图像进行空间位置配准。本发明能够避免直接利用全局连接模式的配准算法中的不稳定性。同时,较之于最大化不同功能磁共振图像对应像素时间序列的相关系数的配准算法,本发明又具有更好的泛化能力。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及对功能磁共振脑图像进行配准的方法。
背景技术
在脑功能的研究中,不同个体功能磁共振图像的组间统计分析是一种常用的研究方法。而统计分析结果有意义的一个前提假设是不同个体之间的功能磁共振图像所对应的脑功能解剖空间位置具有较好的对应性。目前,消除不同个体之间的脑功能解剖空间位置差异的方法主要有基于脑结构图像的配准和对功能图像做空间平滑。然而,这两种方法都不能很好地达到消除个体差异的目的。一方面,脑功能区的空间位置并不完全依赖于脑的解剖结构,即使不同个体间的解剖结构具有良好的对应性,其脑功能区的空间位置差异仍然存在,因此,仅仅利用结构图像完成的图像配准并不能真正达到不同个体间功能区对应;另一方面,基于功能磁共振图像的空间平滑会模糊真实的功能信号,从而可能对分析脑功能信号带来不稳定因素,进而影响组间统计分析结果的真实性。因此,开发一种有效的基于功能磁共振图像的配准算法具有非常重要的意义。
近年来,功能磁共振图像配准的方法逐渐被人们所重视。Sabuncu(M.R.Sabuncu,B.D.Singer,B.Conroy.2010.Function-basedintersubject alignment of human cortical anatomy.CerebralCortex,20(1),130-40.)首先提出最大化不同个体功能信号间的Pearson相关系数来达到功能像配准的目的。然而,不同个体间,功能信号本身并不具有同步性和相关性,尤其如静息态功能图像,即便是同一个体,前后相差仅几分钟的信号也完全不同。所以,这种方法并不具备良好的泛化性,不能适用于一般性情况。另外,Conroy(B.R.Conroy,B.D.Singer,J.V.Haxby.2009.fMRI-BasedInter-Subject Cortical Alignment Using FunctionalConnectivity.NIPS,378-386.)和Langs(G.Langs,P.Golland,Y.Tie.2010.Functional Geometry Alignment and Localization ofBrain Area.NIPS,1125-1233.)利用全局的功能连接模式提取特征进行配准,这种方法很好的克服了前一种方法的局限性。然而,全局的功能连接模式容易受到局部空间位置上微小扰动的干扰,因此并不稳定。此外,计算全局功能连接模式产生的矩阵维数往往非常大,不易于进行后续的处理。
发明内容
本发明的目的是提供一种对功能磁共振图像进行自动配准的方法。
为了实现上述目的,一种功能磁共振图像配准方法,包括步骤:
根据给定的空间邻域范围,在每个像素处确定其局部空间邻域,并计算该像素与在其空间邻域内其它所有像素之间的功能连接模式;
根据得到的一组相关系数值,提取具有旋转不变性的特征;
定义所述特征的不同图像像素的相似性度量,基于该相似性,利用类流体DFMONS模型对待配准图像进行空间位置配准。
本发明能够避免直接利用全局连接模式的配准算法中的不稳定性。同时,较之于最大化不同功能磁共振图像对应像素时间序列的相关系数的配准算法,本发明又具有更好的泛化能力。
附图说明
图1是包含预处理前后的功能图像以及局部功能连接模式和特征提取的示意图;
图2是本发明的实施方式的流程图;
图3是对配准前后个体间一致性的对比结果。
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。
如图1所示,图像102,104,分别展示了一层原始功能磁共振图像及预处理后的功能磁共振图像的轴状位视图,其中,102为原始功能图像,104为经过预处理后的功能图像;图106给出了计算局部功能连接模式的示意图,即计算像素(实心方形点)与其局部空间邻域内其它像素(与实心方形点相连的实心圆点)的时间序列数据之间的Pearson线性相关系数,图108给出了提取的特征的示意图,即一个概率分布直方图。
本方法将配准问题建立在优化不同个体间功能连接模式的相似性上,提取具有旋转不变性的特征,利用类流体DEMONS模型进行配准,在迭代中逐渐将最初的局部功能连接模式逐渐扩展到全局功能连接模式实现多尺度的图像配准。
图2示出了本发明进行基于多尺度连接模式的功能图像配准的流程。
在步骤202中,进行功能图像的预处理。其中每个个体包含一幅结构图像和一幅功能图像(时间序列信号)。预处理的步骤包括:重采样时间点,使同一时间点对应的功能图像中的所有像素的采集时间点近似相同;利用刚体变换去除头动导致的不同时间点功能图像之间的偏移和旋转;去除头皮等颅外组织;功能与结构磁共振图像的空间对齐,使所有个体的功能图像和结构图像处于同一公共空间中;去除由于扫描设备趋于稳定造成的信号中的线性漂移趋势;低通滤波去除功能信号中的高频成分;去协变量,去除白质与脑脊液对功能信号的影响;结构图像配准,去除不同个体之间脑结构的差异。
在步骤204中,读入两个不同个体的预处理后的功能图像,其中一幅图像作为目标图像,另一幅作为待配准的图像。后续的步骤将待配准的图像配准到目标图像上。
在步骤206中,需指定初始的局部空间邻域范围。空间邻域可以为立方体,此时需指定立方体的边长;也可以为球形,此时需指定球形空间邻域的半径。另外,其他合适的空间领域形状均可采用,视具体情况而定。
在步骤208中,根据给定的空间邻域范围,在每个像素处确定其局部空间邻域,并计算该像素与其空间邻域内其它所有像素之间的Pearson相关系数,得到局部空间邻域内的一组相关系数值。Pearson相关系数是一种反应功能连接的常用指标,其具体计算公式为:
在步骤210中,根据在步骤208中得到的一组相关系数值,提取具有旋转不变性的特征。具体的实施步骤为:将该组相关系数值看作一组服从某一分布的样本点,从而利用核概率密度估计的方法估计出该分布的在一组均匀采样点处的概率直方图,将概率直方图用作配准问题的特征。由于概率分布与空间领域内像素的空间位置无关,故这样提取的特征具有旋转不变的性质。核概率密度估计的计算公式为:
其中,n为样本个数,xi为样本点,x为采样点,K为某一核函数,如高斯核函数,h为核函数的核宽,fh(x)为在采样点x处估计出的概率密度。
在步骤212中,基于在步骤208中提取的特征,需要在特征空间中定义一种衡量相似性的度量,以建立能量函数进而进行类流体DEMONS配准。假定在步骤208中的核概率密度估计时估计的采样点个数为m,则特征空间构成一个m维的欧式空间,一个自然的度量定义即为欧式距离。在这里,其他类似的衡量概率分布之间相似性的度量定义均可采用。这样,在两幅功能图像中,像素特征越相似,其距离越近;越不相似,其距离越远。基于此度量定义可构造最小二乘的能量函数,优化该能量函数以达到功能图像之间距离最小化的目的。
在优化能量函数求解形变场的同时,需要对形变场做正则化,使其在物理上有意义,即需要避免过于激烈的空间扭曲。类流体DEMONS模型是一种模拟流体运动的配准模型,利用该模型求解出的配准形变场具有类似于流体运动轨迹的性质。将形变看作是像素经过了一段位移,即g(x)=x+u(x),u(x)为x点处位移,g为待求形变场,设v为一次迭代中求取的形变速度场,则类流体DEMONS模型的步骤可描述如下:
1)利用梯度下降法求取速度场v;
2)将速度场卷积高斯核进行平滑,v=v★KGauss;
3)将速度场叠加到位移场得到新的位移场,u=u+v。
在步骤214中,增大空间空间邻域的范围,对应步骤206,具体的做法为增大立方体空间邻域的边长或增大球形空间邻域的半径,然后重复步骤208、210、212,依此循环。这样,在迭代中,连接模式的计算逐步从局部扩展到全局,完成基于多尺度连接模式配准的目的。
在步骤216中,输出优化过程求取的配准形变场以及基于该形变场形变之后的带配准图像。
图3给出了使用本方法输出的形变场示意图以及配准前后不同个体间一致性的比较结果。图302为某次配准后得到的形变场结果示意图。图304展示了五个常用的默认网络节点,在比较配准前后个体间一致性时,以这五个节点两两之间的功能连接(即相关系数)为指标,检验在配准后这些指标在不同个体间是否更加一致。图306为使用本方法配准前,在一组不同个体的功能图像中计算出的指标值。图308为使用本方法配准后,在同一组功能图像中计算出的指标值。明显可看出,在配准后,这些指标值更为一致。图310展示了这些指标在该组图像中的方差比较结果,蓝色为配准之前,红色为配准之后。明显可看出,配准之后的方差小于配准前的方差,这说明使用本方法进行配准能够达到提高不同个体间功能图像一致性的目的。
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)
1.一种功能磁共振图像配准方法,包括步骤:
根据给定的空间邻域范围,在每个像素处确定其局部空间邻域,并计算该像素与在其空间邻域内其它所有像素之间的功能连接模式;
根据得到的一组相关系数值,提取具有旋转不变性的特征;
定义基于所述特征的不同图像的空间对应像素的相似性度量,基于该相似性,利用类流体DEMONS模型对待配准图像进行空间位置配准。
2.按权利要求1所述的方法,还包括在进行功能图像配准之前的预处理步骤:
重采样时间点,使同一时间点对应的功能图像中的所有像素的采集时间点近似相同;
去除头动导致的不同时间点功能图像之间的偏移和旋转;
去除头皮等颅外组织;
功能与结构磁共振图像的空间对齐,使所有个体的功能图像和结构图像处于同一空间中;
去除由于扫描设备趋于稳定造成的信号中的线性漂移趋势;
低通滤波去除功能信号中的高频成分;
去协变量,去除白质与脑脊液对功能信号的影响;
结构像配准,去除不同个体之间脑结构的差异。
3.按权利要求1所述的方法,其特征在于所述局部空间邻域为立方体或球体。
4.按权利要求1所述的方法,其特征在于对图像中的每个像素计算其在所述局部空间领域内的功能连接模式。
5.按权利要求1所述的方法,其特征在于所述提取具有旋转不变性的特征包括:
将计算出的相关系数值看作服从某一概率分布的样本点,利用核概率密度估计的方法估计出该概率分布在一组均匀采样点处的概率值。
6.按权利要求1所述的方法,其特征在于基于所述定义特征的不同图像像素的相似性度量包括:
衡量概率分布之间相似性的度量,可以为欧式距离度量。
7.按权利要求1所述的方法,其特征在于所述类流体DEMONS模型的步骤包括:
利用梯度下降法求取速度场v;
将速度场卷积高斯核进行平滑,v=v★KGauss;
将速度场叠加到位移场得到新的位移场,u=u+v,其中,KGauss表示用于平滑速度场的高斯核,u表示空间变换位移场。
8.按权利要求1所述的方法,其特征在于所述相关系数为线性或非线性。
9.按权利要求3所述的方法,其特征在于还包括:
逐步增大空间邻域范围,实现由局部功能连接模式到全局功能连接模式的多尺度配准。
10.按权利要求9所述的方法,其特征在于所述逐步增大空间邻域范围包括:
增大立方体空间邻域的边长或增大球形空间邻域的半径。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2011/084310 WO2013091181A1 (zh) | 2011-12-21 | 2011-12-21 | 功能磁共振图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102959584A true CN102959584A (zh) | 2013-03-06 |
CN102959584B CN102959584B (zh) | 2015-03-25 |
Family
ID=47766348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180022005.9A Expired - Fee Related CN102959584B (zh) | 2011-12-21 | 2011-12-21 | 功能磁共振图像配准方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8965093B2 (zh) |
CN (1) | CN102959584B (zh) |
WO (1) | WO2013091181A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489220A (zh) * | 2013-09-27 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 对三维目标建立统计形状模型的方法 |
CN103514607A (zh) * | 2013-10-18 | 2014-01-15 | 南京信息工程大学 | 动态对比度增强核磁共振图像检测方法 |
CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN104599268A (zh) * | 2015-01-06 | 2015-05-06 | 广州医科大学附属肿瘤医院 | 一种联合点配准的局部区域精确变形配准算法 |
CN105392422A (zh) * | 2013-03-22 | 2016-03-09 | 株式会社国际电气通信基础技术研究所 | 脑活动测定装置以及脑活动测定方法 |
CN107111881A (zh) * | 2014-12-16 | 2017-08-29 | 皇家飞利浦有限公司 | 对应性概率图驱动的可视化 |
CN107689057A (zh) * | 2017-07-10 | 2018-02-13 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN115778404A (zh) * | 2023-01-09 | 2023-03-14 | 苏州维伟思医疗科技有限公司 | 一种心电信号处理方法、装置、设备及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721338B2 (en) * | 2011-01-11 | 2017-08-01 | Rutgers, The State University Of New Jersey | Method and apparatus for segmentation and registration of longitudinal images |
CN104823444A (zh) | 2012-11-12 | 2015-08-05 | 行为识别系统公司 | 用于视频监控系统的图像稳定技术 |
US10229500B2 (en) * | 2017-03-21 | 2019-03-12 | Novarad Corporation | Incorporation of statistical strength into voxels in an fMRI image |
US20210170180A1 (en) * | 2019-12-09 | 2021-06-10 | Washington University | Systems and methods of precision functional mapping-guided personalized neuromodulation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1627095A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
CN1883386A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于机器学习的立体核磁共振脑图像弹性配准方法 |
CN101051386A (zh) * | 2007-05-23 | 2007-10-10 | 北京航空航天大学 | 多幅深度图像的精确配准方法 |
KR100897528B1 (ko) * | 2007-06-22 | 2009-05-15 | 주식회사 사이버메드 | 디비에스 전극의 위치 판단 방법 |
CN101666865A (zh) * | 2009-09-09 | 2010-03-10 | 西北工业大学 | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1780672A1 (en) | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement |
US9218643B2 (en) * | 2011-05-12 | 2015-12-22 | The Johns Hopkins University | Method and system for registering images |
-
2011
- 2011-12-21 CN CN201180022005.9A patent/CN102959584B/zh not_active Expired - Fee Related
- 2011-12-21 US US13/806,509 patent/US8965093B2/en not_active Expired - Fee Related
- 2011-12-21 WO PCT/CN2011/084310 patent/WO2013091181A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1627095A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
CN1883386A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于机器学习的立体核磁共振脑图像弹性配准方法 |
CN101051386A (zh) * | 2007-05-23 | 2007-10-10 | 北京航空航天大学 | 多幅深度图像的精确配准方法 |
KR100897528B1 (ko) * | 2007-06-22 | 2009-05-15 | 주식회사 사이버메드 | 디비에스 전극의 위치 판단 방법 |
CN101666865A (zh) * | 2009-09-09 | 2010-03-10 | 西北工业大学 | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 |
Non-Patent Citations (2)
Title |
---|
CAHILL ET AL.: "Demons algorithms for fluid and curvature registration", 《BIOMEDICAL IMAGING FROM NANO TO MACRO》 * |
VERCAUTEREN T ET AL.: "Diffeomorphic demons Efficient non-parametric image registration", 《NEUROIMAGE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105392422A (zh) * | 2013-03-22 | 2016-03-09 | 株式会社国际电气通信基础技术研究所 | 脑活动测定装置以及脑活动测定方法 |
CN103489220A (zh) * | 2013-09-27 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 对三维目标建立统计形状模型的方法 |
CN103489220B (zh) * | 2013-09-27 | 2016-08-17 | 中国科学院深圳先进技术研究院 | 对三维目标建立统计形状模型的方法 |
CN103514607A (zh) * | 2013-10-18 | 2014-01-15 | 南京信息工程大学 | 动态对比度增强核磁共振图像检测方法 |
CN104091337A (zh) * | 2014-07-11 | 2014-10-08 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN104091337B (zh) * | 2014-07-11 | 2017-07-14 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
CN107111881B (zh) * | 2014-12-16 | 2021-06-15 | 皇家飞利浦有限公司 | 对应性概率图驱动的可视化 |
CN107111881A (zh) * | 2014-12-16 | 2017-08-29 | 皇家飞利浦有限公司 | 对应性概率图驱动的可视化 |
CN104599268A (zh) * | 2015-01-06 | 2015-05-06 | 广州医科大学附属肿瘤医院 | 一种联合点配准的局部区域精确变形配准算法 |
CN107689057B (zh) * | 2017-07-10 | 2019-10-29 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN107689057A (zh) * | 2017-07-10 | 2018-02-13 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN115778404A (zh) * | 2023-01-09 | 2023-03-14 | 苏州维伟思医疗科技有限公司 | 一种心电信号处理方法、装置、设备及存储介质 |
CN115778404B (zh) * | 2023-01-09 | 2023-05-26 | 苏州维伟思医疗科技有限公司 | 一种心电信号处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US8965093B2 (en) | 2015-02-24 |
WO2013091181A1 (zh) | 2013-06-27 |
CN102959584B (zh) | 2015-03-25 |
US20130177228A1 (en) | 2013-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102959584B (zh) | 功能磁共振图像配准方法 | |
Nitzken et al. | Improving full-cardiac cycle strain estimation from tagged CMR by accurate modeling of 3D image appearance characteristics | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
Zheng et al. | Edge detection methods in digital image processing | |
US8553964B2 (en) | Unifying reconstruction and motion estimation in first pass cardiac perfusion imaging | |
CN102184532B (zh) | 用于基于单一尺度的医学图像边缘检测的方法和装置 | |
CN103996193B (zh) | 结合加权邻域信息与偏移场恢复的脑mr图像分割方法 | |
CN103325105B (zh) | 一种高精度合成孔径雷达图像自动配准方法及设备 | |
CN102737382A (zh) | 一种前列腺超声图像自动精确分割方法 | |
CN102122359B (zh) | 一种图像配准方法及装置 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
CN106203511A (zh) | 一种图像相似块评估方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN103927725B (zh) | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 | |
CN102930511B (zh) | 一种基于灰阶超声图像的心脏流场速度矢量分析方法 | |
CN104281856A (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
Ghosh et al. | A survey of current trends in diffusion MRI for structural brain connectivity | |
CN111754598A (zh) | 基于变换学习的局部空间邻域并行磁共振成像重构方法 | |
Liu et al. | Diffusion tensor imaging denoising based on Riemannian geometric framework and sparse Bayesian learning | |
Wen et al. | Brain tissue classification based on DTI using an improved fuzzy C-means algorithm with spatial constraints | |
Zanaty | An adaptive fuzzy C-means algorithm for improving MRI segmentation | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
Dhollander et al. | Feasibility and advantages of diffusion weighted imaging atlas construction in Q-space | |
Geng et al. | Diffusion MRI registration using orientation distribution functions |
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: 20150325 Termination date: 20211221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |