CN102999917B - 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 - Google Patents
基于t2-mri和dw-mri的宫颈癌图像自动分割方法 Download PDFInfo
- Publication number
- CN102999917B CN102999917B CN201210554664.3A CN201210554664A CN102999917B CN 102999917 B CN102999917 B CN 102999917B CN 201210554664 A CN201210554664 A CN 201210554664A CN 102999917 B CN102999917 B CN 102999917B
- Authority
- CN
- China
- Prior art keywords
- image
- tumor
- segmentation
- mri
- registration
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 30
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 30
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 30
- 238000002597 diffusion-weighted imaging Methods 0.000 title claims description 13
- 238000002595 magnetic resonance imaging Methods 0.000 title claims 2
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 30
- 210000000664 rectum Anatomy 0.000 claims abstract description 14
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 102100028188 Cystatin-F Human genes 0.000 claims abstract 2
- 101710169749 Cystatin-F Proteins 0.000 claims abstract 2
- 230000000694 effects Effects 0.000 abstract description 4
- 210000003932 urinary bladder Anatomy 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 208000024719 uterine cervix neoplasm Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000003679 cervix uteri Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005186 women's health Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于T2加权的磁共振成像T2‑MRI和弥散加权的磁共振成像DW‑MRI的宫颈癌图像自动分割方法,包括以下步骤:利用非线性配准方法将DW‑MR图像配准到T2‑MR图像,并对配准后的DW‑MR图像进行分类;采用非线性各向异性扩散滤波技术对T2‑MR图像进行滤波,分割出膀胱和直肠,并进一步分割出包含肿瘤和部分正常组织的感兴趣区;基于感兴趣区对T2‑MR图像和DW‑MR图像采用联合最大后验概率CMAP的方法进行肿瘤的精确分割。本发明同时利用了T2‑MR图像和DW‑MR图像的信息,可以降低图像中噪声、局部容积效应和强度重叠的影响,是一种有效的宫颈癌分割方法。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于T2加权的磁共振成像(T2-MRI)和弥散加权的磁共振成像(DW-MRI)的宫颈癌图像自动分割方法。
背景技术
宫颈癌是严重威胁女性健康的常见恶性肿瘤之一。宫颈癌的准确分割,对辅助诊断和治疗宫颈癌有着重要的临床意义和应用价值。
随着影像学技术的发展,医学图像分割已经成为医学图像分析领域里关键和具有挑战性的问题。而由于复杂的人体腹部组织结构,宫颈癌分割存在一定的难度,单一成像模式T2-MRI不能完全显示宫颈癌的有效信息。如图1(a)和(b)分别为宫颈癌病人腹部的T2加权磁共振(T2-MR)图像和弥散加权磁共振(DW-MR)图像。从图1(a)可以看出,T2-MR图像具有较高空间分辨率,肿瘤边界比较清晰,但是宫颈的正常组织、肿瘤、膀胱壁和直肠相互之间存在强度重叠;从图1(b)可以看出在DW-MR图像中肿瘤具有明显较高的灰度值,但是其分辨率低,肿瘤边界较模糊。单一成像模式下的宫颈癌分割的自动实现比较困难,一些常规的方法例如区域增长和阈值等无法很好的分割肿瘤。
发明内容
本发明的目的在于提供一种基于T2-MRI和DW-MRI的宫颈癌图像自动分割框架以及利用联合最大后验概率(CMAP)分割宫颈癌肿瘤区域的方法,从而进行准确的宫颈癌分割。
为达到上述目的,提出一种基于T2加权的磁共振成像(T2-MRI)和弥散加权的磁共振成像(DW-MRI)的宫颈癌图像自动分割方法,包括:
步骤1:利用非线性配准方法将DW-MR图像配准到T2-MR图像,并对配准后的DW-MR图像进行分类;
步骤2:采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波,分割出膀胱和直肠,并进一步分割出包含肿瘤和部分正常组织的感兴趣区;
步骤3:基于感兴趣区对T2-MR图像和DW-MR图像采用联合最大后验概率CMAP的方法进行肿瘤的精确分割;
其中,所述步骤3包括:
A.计算T2-MR图像的能量函数UT2(x),
B.计算DW-MR图像的能量函数UDW(x),
C.计算T2-MR图像和DW-MR图像的联合能量函数UT2(x)+βUDW(x),其中β是权重系数,以及
D.判断是否满足终止条件,若满足,根据能量最小原则判定肿瘤和正常组织的类别,从而输出精确分割的肿瘤区域,若不满足终止条件则返回所述步骤A,直到满足终止条件为止。
本发明同时利用了T2-MR图像和DW-MR图像的信息,可以降低图像中噪声、局部容积效应和强度重叠的影响,是一种有效的宫颈癌分割方法。
附图说明
图1是宫颈癌病人的解剖结构图,(a)是T2-MR图像;(b)是DW-MR图像;
图2是基于T2-MRI和DW-MRI的自动分割框架图;
图3是联合最大后验概率方法(CMAP)的流程图;
图4是基于T2-MRI和DW-MRI的宫颈癌图像自动分割框架实验效果图,(a)是原图;(b)红色轮廓线内为包含肿瘤和部分正常组织的感兴趣区;(c)配准到T2-MR图像的DW-MR图像;(d)只在T2-MR图像上采用MAP方法的宫颈癌分割结果(即β=0时);(e)在T2-MR图像和DW-MR图像上采用CMAP方法的宫颈癌分割结果(即β=1时);(f)专家手工分割结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的核心思想是一种基于T2加权的磁共振成像(T2-MRI)和弥散加权的磁共振成像(DW-MRI)的宫颈癌图像自动分割框架以及利用联合最大后验概率(CMAP)分割宫颈癌肿瘤区域的方法,具体步骤包括:首先,利用非线性配准方法将DW-MR图像配准到T2-MR图像(这里采用互信息配准方法作为示例),并对配准后的DW-MR图像进行分类;然后采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波(这里采用P-M非线性各向异性扩散滤波作为示例),接着分割出膀胱和直肠,并利用膀胱和直肠的分割结果将感兴趣区(包含部分正常组织和肿瘤)分割出来;最后基于感兴趣区对T2-MR图像和DW-MR图像采用联合最大后验概率(CMAP)的方法进行肿瘤的精确分割。
以下结合具体的实施例对根据本发明提供的这种基于T2加权的磁共振成像(T2-MRI)和弥散加权的磁共振成像(DW-MRI)的宫颈癌图像自动分割框架以及利用联合最大后验概率(CMAP)分割宫颈癌肿瘤区域的方法进行详细描述。如图2所示为本发明提供的基于T2-MRI和DW-MRI的宫颈癌图像自动分割框架的流程图,该方法包括以下步骤:
步骤1:利用非线性配准方法(如互信息配准方法等)将DW-MR图像配准到T2-MR图像,并对配准后的DW-MR图像进行分类;
步骤2:采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波,接着分割出膀胱和直肠,并利用膀胱和直肠的分割结果将感兴趣区(包含部分正常组织和肿瘤)分割出来;
步骤3:基于感兴趣区对T2-MR图像和DW-MR图像采用联合最大后验概率(CMAP)的方法进行肿瘤的精确分割。
上述步骤1包括以下两小步:1)利用非线性配准方法将DW-MR图像配准到T2-MR图像,这里采用互信息配准方法作为示例;2)对配准后的DW-MR图像进行分类是采用的自动阈值分类方法,实现肿瘤的初步分割及定位。
上述步骤2包括以下四步:1)采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波,在去除噪声的同时保持边缘信息,这里采用P-M非线性各向异性扩散滤波作为示例;2)膀胱分割;3)直肠分割;4)感兴趣区分割。
上述第三小步中直肠分割利用了直肠与宫颈的相对位置信息这一先验知识和步骤1中的DW-MR图像分类结果,在去除膀胱的T2-MR图像上采用了模糊C均值的算法,得到直肠分割结果。
上述第四小步中感兴趣区分割,在去除膀胱和直肠的T2-MR图像上,利用步骤1中DW-MR图像分类结果,采用模糊C均值的算法,分割出包含肿瘤和部分正常组织的感兴趣区,结果如图4(b)。
上述步骤3基于感兴趣区对T2-MR图像和DW-MR图像采用联合最大后验概率(CMAP)的方法进行肿瘤分割,结果如图4(e)。
下面具体介绍上述联合最大后验概率(CMAP)方法具体实施过程。
设y表示图像,yi,i=1,2,…N,表示图像在i处的灰度值,N表示图像的像素的总个数。假定图像要被分为K类,以xi=k,k=1,2,…,K,代表像素i被归为第k类。联合最大后验概率(CMAP)方法的流程图如图3所示,其具体步骤如下:1)计算T2-MR图像的能量函数UT2(x);2)计算DW-MR图像的能量函数UDW(x);3)计算T2-MR图像和DW-MR图像的联合能量函数UT2(x)+βUDW(x);4)判断是否满足终止条件,若满足,根据能量最小原则判定肿瘤和正常组织的类别,从而输出精确分割的肿瘤区域;若不满足终止条件返回步骤1)。每一小步中对应的计算公式在如下的讲述中会展示出。
传统的MAP分割算法是求取分割结果使得后验概率P(x|y)最大。即:
根据贝叶斯公式,P(x|y)可以表示为:
从上式可以看出,图像分割的目标转化为求取分割结果x,使得P(y|x)P(x)最大,即:
其中P(y|x)和P(x)分别为在给定分割x条件下的概率和先验概率。下面计算P(y|x)和P(x)。
假定图像中噪声是高斯白噪声,则图像模型为:
yi=μik+nik
其中,μik是第k类组织在像素i处的灰度均值,nik第k类组织在像素i处对应的高斯白噪声,它的分布服从正态分布故P(y|x)可以表示为:
P(x)由吉布斯分布表示为:
其中,a是归一化常数,UG(x)为能量函数:
其中,Ni为第i位置的邻域,V(xi,xj)为势函数,b为常数。
最终将后验概率公式转化为:
P(x|y)∝exp{-U(x)}
根据传统的MAP算法,分割目标进一步转化为求取分割结果x,使得能量函数最小,即
上述第一小步中的T2-MR图像的能量函数UT2(x)可以根据U(x)的计算公式计算出。
上述第二小步中的DW-MR图像的能量函数UDW(x)可以根据U(x)的计算公式计算出。
由于T2-MR图像的后验概率PT2(x|yT2)和DW-MR图像的后验概率PDW(x|yDW)是独立的,因此CMAP的分割方法就是求取分割结果使得联合后验概率最大,即:
根据MAP算法中转化为能量函数的公式,将上式转化为
PT2(x|yT2)PDW(x|yDW)∝exp{-(UT2(x)+βUDW(x))}
其中β是权重系数,用来平衡T2-MR图像和DW-MR图像对分割结果的影响程度。最后CMAP分割算法的问题就转化为了求取能量函数最小问题:
上述第三小步的T2-MR图像和DW-MR图像的联合能量函数UT2(x)+βUDW(x)就可以根据上述公式计算出来。
当β=0时,CMAP方法就成为了MAP方法,此时的实验分割结果如图4(d);当β取不同的值时,T2-MR图像和DW-MR图像对分割结果的影响程度也就不同。
运行结果
为了验证本发明方法,我们采用手动分割宫颈癌作为参考。
图4给出了本发明提出的这种基于T2-MRI和DW-MRI的宫颈癌图像自动分割框架实验效果图。(a)原图;(b)红色轮廓线内为包含肿瘤和部分正常组织的感兴趣区;(c)配准到T2-MR图像的DW-MR图像;(d)只在T2-MR图像上采用MAP方法的宫颈癌分割结果(即β=0时);(e)在T2-MR图像和DW-MR图像上采用CMAP方法的宫颈癌分割结果(即β=1时);(f)专家手工分割结果。
实验表明,本发明方法-一种基于T2加权的磁共振成像(T2-MRI)和弥散加权的磁共振成像(DW-MRI)的宫颈癌图像自动分割框架以及利用联合最大后验概率(CMAP)分割宫颈癌肿瘤区域的方法-有效分割出了宫颈癌图像的肿瘤区域,达到了分割肿瘤的目的。
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揭露的技术范围内,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 (5)
1.一种基于T2加权的磁共振成像T2-MRI和弥散加权的磁共振成像DW-MRI的宫颈癌图像自动分割方法,包括:
步骤1:利用非线性配准方法将DW-MR图像配准到T2-MR图像,并对配准后的DW-MR图像进行分类;
步骤2:采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波,分割出膀胱和直肠,并进一步分割出包含肿瘤和部分正常组织的感兴趣区;
步骤3:基于感兴趣区对T2-MR图像和DW-MR图像采用联合最大后验概率CMAP的方法进行肿瘤的精确分割;
其中,所述步骤3包括:
A.计算T2-MR图像的能量函数UT2(x),
B.计算DW-MR图像的能量函数UDW(x),
C.计算T2-MR图像和DW-MR图像的联合能量函数UT2(x)+βUDW(x),其中β是权重系数,以及
D.判断是否满足终止条件,若满足,根据能量最小原则判定肿瘤和正常组织的类别,从而输出精确分割的肿瘤区域,若不满足终止条件则返回所述步骤A,直到满足终止条件为止。
2.根据权利要求1所述的方法,其特征在于所述非线性配准方法包括互信息配准方法。
3.根据权利要求1所述的方法,其特征在于所述对配准后的DW-MR图像进行分类,以便实现肿瘤的初步分割及定位。
4.根据权利要求1所述的方法,其特征在于所述感兴趣区分割包括在去除膀胱和直肠的T2-MR图像上,利用步骤1中DW-MR图像分类结果,分割出包含肿瘤和部分正常组织的感兴趣区。
5.根据权利要求1所述的方法,其特征在于所述β取不同值时,T2-MR图像和DW-MR图像对分割结果的影响程度不同。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210554664.3A CN102999917B (zh) | 2012-12-19 | 2012-12-19 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
PCT/CN2013/070942 WO2014094376A1 (zh) | 2012-12-19 | 2013-01-24 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210554664.3A CN102999917B (zh) | 2012-12-19 | 2012-12-19 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102999917A CN102999917A (zh) | 2013-03-27 |
CN102999917B true CN102999917B (zh) | 2016-08-03 |
Family
ID=47928451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210554664.3A Active CN102999917B (zh) | 2012-12-19 | 2012-12-19 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN102999917B (zh) |
WO (1) | WO2014094376A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3129957B1 (en) | 2014-04-07 | 2019-06-12 | Prismatic Sensors AB | Spectral x-ray imaging |
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 |
RU2613083C1 (ru) * | 2015-12-28 | 2017-03-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский национальный исследовательский медицинский университет имени Н.И. Пирогова" Министерства здравоохранения Российской Федерации (ФГБОУ ВО РНИМУ им. Н.И. Пирогова Минздрава России) | Способ определения объема опухоли при раке шейки матки при проведении магнитно-резонансной томографии |
CA3056694C (en) | 2017-05-18 | 2022-01-18 | Brainlab Ag | Determining a clinical target volume |
RU2657845C1 (ru) * | 2017-06-28 | 2018-06-15 | Федеральное государственное бюджетное образовательное учреждение дополнительного профессионального образования "Российская медицинская академия непрерывного профессионального образования" Министерства здравоохранения Российской Федерации (ФГБОУ ДПО РМАНПО Минздрава России) | Способ диагностики спондилогенной шейной миелопатии без компрессии спинного мозга |
US11049221B2 (en) | 2018-04-27 | 2021-06-29 | Imam Abdulrahman Bin Faisal University | Gradient vector orientation based nonlinear diffusion filter |
CN108961274B (zh) * | 2018-07-05 | 2021-03-02 | 四川大学 | 一种mri图像中自动头颈肿瘤分割方法 |
CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
CN109584233A (zh) * | 2018-11-29 | 2019-04-05 | 广西大学 | 基于主观阈值及三维标签技术的三维图像分割方法 |
CN109636827A (zh) * | 2018-12-14 | 2019-04-16 | 东北大学 | 一种自适应提取宫颈肿瘤mr图像的方法 |
CN117333725A (zh) * | 2023-11-29 | 2024-01-02 | 中国医学科学院北京协和医院 | 一种基于mri的先天性宫颈畸形分类方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101987019A (zh) * | 2009-08-03 | 2011-03-23 | 徐子海 | 基于小波变换的pet图像和ct图像异机融合方法 |
CN102521832A (zh) * | 2011-12-07 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 图像分析方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1216348C (zh) * | 2003-04-29 | 2005-08-24 | 上海交通大学 | 脑外科手术导航系统中解剖图谱的三维可视化应用方法 |
CN101833756A (zh) * | 2009-03-10 | 2010-09-15 | 南通爱普医疗器械有限公司 | 神经外科手术导航系统中图谱的三维可视化方法 |
-
2012
- 2012-12-19 CN CN201210554664.3A patent/CN102999917B/zh active Active
-
2013
- 2013-01-24 WO PCT/CN2013/070942 patent/WO2014094376A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101987019A (zh) * | 2009-08-03 | 2011-03-23 | 徐子海 | 基于小波变换的pet图像和ct图像异机融合方法 |
CN102521832A (zh) * | 2011-12-07 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 图像分析方法和系统 |
Non-Patent Citations (2)
Title |
---|
《Simultaneous Nonrigid Registration, Segmentation and Tumor Detection in MRI Guided Cervical Cancer Radiation Therapy》;Chao Lu等;《IEEE TRANSACTIONS ON MEDICAL IMAGEING》;20120630;第31卷(第6期);1214-1218页 * |
《脑白质疏松症MR图像配准及白质区域静脉分割研究》;张雯;《CNKI中国优秀硕士论文全文数据库.信息科技辑》;20121015(第10期);正文4-5页,24-25页,33-35页,38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102999917A (zh) | 2013-03-27 |
WO2014094376A1 (zh) | 2014-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999917B (zh) | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 | |
Akhondi-Asl et al. | A logarithmic opinion pool based STAPLE algorithm for the fusion of segmentations with associated reliability weights | |
Zhang et al. | Effective staging of fibrosis by the selected texture features of liver: Which one is better, CT or MR imaging? | |
de Schotten et al. | Visualization of disconnection syndromes in humans | |
Dupont et al. | Fully-integrated framework for the segmentation and registration of the spinal cord white and gray matter | |
Zijta et al. | Evaluation of the female pelvic floor in pelvic organ prolapse using 3.0-Tesla diffusion tensor imaging and fibre tractography | |
CN104077791B (zh) | 一种多幅动态对比度增强核磁共振图像联合重建方法 | |
Kohlmann et al. | Automatic lung segmentation method for MRI-based lung perfusion studies of patients with chronic obstructive pulmonary disease | |
US9361686B2 (en) | Method and apparatus for the assessment of medical images | |
Arabi et al. | Truncation compensation and metallic dental implant artefact reduction in PET/MRI attenuation correction using deep learning-based object completion | |
Engstrom et al. | Segmentation of the quadratus lumborum muscle using statistical shape modeling | |
Van Schie et al. | Repeatability of dose painting by numbers treatment planning in prostate cancer radiotherapy based on multiparametric magnetic resonance imaging | |
Matakos et al. | Estimation of geometrically undistorted B0 inhomogeneity maps | |
Sinha et al. | Exploration of male urethral sphincter complex using diffusion tensor imaging (DTI)‐based fiber‐tracking | |
Zifan et al. | Connectivity of the superficial muscles of the human perineum: a diffusion tensor imaging-based global tractography study | |
US20090069665A1 (en) | Automatic Lesion Correlation in Multiple MR Modalities | |
CN115100310A (zh) | 一种磁共振磁敏感伪影的自动提示方法及系统 | |
WO2020056196A1 (en) | Fully automated personalized body composition profile | |
Zhang et al. | Exercise‐induced calf muscle hyperemia: Rapid mapping of magnetic resonance imaging using deep learning approach | |
Jourdan et al. | Semiautomatic quantification of abdominal wall muscles deformations based on dynamic MRI image registration | |
Tong et al. | Hierarchical model-based object localization for auto-contouring in head and neck radiation therapy planning | |
Ghose et al. | Substitute CT generation from a single ultra short time echo MRI sequence: preliminary study | |
Zhang et al. | Automatic segmentation of the female pelvic floor muscles on MRI for pelvic floor function assessment | |
Dai et al. | The application of multi-modality medical image fusion based method to cerebral infarction | |
Chen et al. | Preserving-texture generative adversarial networks for fast multi-weighted MRI |
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 |