CN103345753A - 脑部图像处理方法和系统 - Google Patents
脑部图像处理方法和系统 Download PDFInfo
- Publication number
- CN103345753A CN103345753A CN201310289449XA CN201310289449A CN103345753A CN 103345753 A CN103345753 A CN 103345753A CN 201310289449X A CN201310289449X A CN 201310289449XA CN 201310289449 A CN201310289449 A CN 201310289449A CN 103345753 A CN103345753 A CN 103345753A
- Authority
- CN
- China
- Prior art keywords
- pixel
- brain image
- center
- focus zone
- eigenwert
- 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
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种脑部图像处理方法和系统。所述方法包括:脑部图像采集步骤,对病人脑部进行扫描,得到脑部图像;病灶区域及中心确定步骤,获取从所述脑部图像中指定病灶区域及所述病灶区域的中心;特征值提取步骤,提取所述脑部图像中各像素点的灰度参数值作为所述像素点的特征值;相关性计算步骤,计算所述脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数;相似区域确定步骤,筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与所述病灶区域相似的关联图像。上述脑部图像处理方法和系统,筛选除掉了不相关的图像,准确得到了与病灶区域相似的区域。
Description
技术领域
本发明涉及医疗图像处理领域,特别是涉及一种脑部图像处理方法和系统。
背景技术
脑缺血梗死是一种常见的急性脑血管病,其成因是动脉粥样硬化导致供给相应脑部的血流急剧减少或中断,造成脑局部缺血,通常发病隐蔽,急性发作,后果严重。磁共振成像的图像可直观显示脑梗死的部位、大小等情况。传统的磁共振成像方法有结构像、灌注成像、弥散成像和代谢成像等。图1a为脑缺血梗死的结构像,图1b为脑缺血梗死的弥散成像的各向异性分数图,图1a和1b中箭头标注为缺血区域。
采用直观的观察图像仅可观察到病灶区域的情况,但脑部其他未缺血区域和病灶区域可能存在一定的关联性,然而无法准确得到哪些区域与病灶区域相似。
发明内容
基于此,有必要针对目前无法准确得到与病灶区域存在关联区域的问题,提供一种能准确得到与病灶区域相似的区域的脑部图像处理方法。
此外,还有必要提供一种能准确得到与病灶区域相似的区域的脑部图像处理系统。
一种脑部图像处理方法,包括:
脑部图像采集步骤,对病人脑部进行扫描,得到脑部图像;
病灶区域及中心确定步骤,获取从所述脑部图像中指定病灶区域及所述病灶区域的中心;
特征值提取步骤,提取所述脑部图像中各像素点的灰度参数值作为所述像素点的特征值;
相关性计算步骤,计算所述脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数;以及
相似区域确定步骤,筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与所述病灶区域相似的关联图像。
在其中一个实施例中,所述特征值提取步骤包括:
以病灶区域的中心为基点,预设所述病灶区域的中心的邻域尺寸,计算所述病灶区域的中心的灰度参数值作为所述中心的特征值;
以所述脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取所述像素点的邻域,计算各像素点的灰度参数值作为各像素点相应的特征值,其中,所述预设滑动窗口尺寸与所述病灶区域的中心的领域尺寸相同。
在其中一个实施例中,所述相似区域确定步骤包括:
筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用所述滑动窗口覆盖所述脑部图像,得到脑部非病灶区域与所述病灶区域相似的关联图像。
在其中一个实施例中,在所述相似区域确定步骤之后,还包括:
判断所述关联图像是否可用,若否,则变更所述灰度参数值和/或所述病灶区域的中心的邻域尺寸,并返回所述特征值提取步骤,再执行互相相关性计算的步骤和相似区域确定步骤。
在其中一个实施例中,所述灰度参数值包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种;所述脑部图像为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图。
一种脑部图像处理系统,包括:
采集模块,用于对病人脑部进行扫描,得到脑部图像;
病灶区域及中心确定模块,用于获取从所述脑部图像中指定病灶区域及所述病灶区域的中心;
特征值提取模块,用于提取所述脑部图像中各像素点的灰度参数值作为所述像素点的特征值;
相关性计算模块,计算所述脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数;以及
相似区域确定模块,用于筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与所述病灶区域相似的关联图像。
在其中一个实施例中,所述特征值提取模块包括:
病灶区域特征值提取模块,用于以病灶区域的中心为基点,预设所述病灶区域的中心的邻域尺寸,计算所述病灶区域的中心的灰度参数值作为所述中心的特征值;
非病灶区域特征值提取模块,用于以所述脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取所述像素点的邻域,计算各像素点的灰度参数的值作为各像素点相应的特征值,其中,所述预设滑动窗口尺寸与所述病灶区域的中心的领域尺寸相同。
在其中一个实施例中,所述相似区域确定模块还用于筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用所述滑动窗口覆盖所述脑部图像,得到脑部非病灶区域与所述病灶区域相似的关联图像。
在其中一个实施例中,所述系统还包括:
判断模块,用于判断所述关联图像是否可用;
调整模块,用于变更所述灰度参数值和/或所述病灶区域的中心的邻域尺寸,并由所述特征值提取模块提取各像素点的特征值,再执行所述互相相关性计算模块和相似区域确定模块。
在其中一个实施例中,所述灰度参数值包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种;所述脑部图像为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图。
上述脑部图像处理方法和系统,通过对脑部图像的所有像素点提取特征值,计算非病灶区域的像素点的特征值与病灶区域的中心的特征值的互相关系数,筛选出互相关系数大于相关性阈值的像素点,从而得到了脑部图像中非病灶区域与病灶区域相似的关联图像,筛选除掉了不相关的图像,准确得到了与病灶区域相似的区域。
另外,通过变更灰度参数值和/或该病灶区域的中心的邻域尺寸重新提取各像素点的特征值,并计算互相关系数,筛选得到关联图像,得到更准确的与病灶区域的相似的区域。
附图说明
图1a为脑缺血梗死的结构像;
图1b为脑缺血梗死的弥散成像的各向异性分数图;
图2为一个实施例中脑部图像处理方法的流程图;
图3为图2中特征值提取步骤的流程图;
图4为另一个实施例中脑部图像处理方法的流程图;
图5为一个实施例中脑部图像处理系统的结构框图;
图6为图5中特征值提取模块的内部结构框图;
图7为另一个实施例中脑部图像处理系统的结构框图。
具体实施方式
下面结合具体的实施例及附图对脑部图像处理方法和系统的技术方案进行详细的描述,以使其更加清楚。
如图2所示,为一个实施例中脑部图像处理方法的流程图。该脑部图像处理方法,包括:
步骤S202,脑部图像采集步骤,对病人脑部进行扫描,得到脑部图像。
具体的,通过磁共振扫描仪对病人脑部进行扫描,得到脑部图像。该脑部图像可为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图等。T1和T2加权的结构像是指突出组织T1纵向弛豫和T2横向弛豫的图像。弛豫是指在射频脉冲的激发下,人体组织内氢质子吸收能量处于激发状态,射频脉冲停止后,处于激发状态的氢质子恢复其原始状态的过程。弥散加权图像是指弥散受限组织和长T2组织均表现为高信号的图像。各向异性分数图像是指用来反映发育过程中脑白质的髓鞘化程度和变性病中纤维束的破坏的图像。平均弥散系数图像的特性是弥散程度高的组织信号高,弥散受限组织表现为低信号。血氧水平依赖图像是基于大脑皮层的微血管中血氧水平的变化会引起局部磁场均匀性变化,从而引起MR信号的变化的磁共振成像。径向弥散系数是指在各向异性组织中,沿着组织各向异性最大的方向的扩散系数,垂直于该方向的平均扩散系数为横向扩散系数。径向扩散系数图和横向扩散系数图分别为依据径向和横向扩散系数而重建的MR图像。T1参数图及T2参数图是利用组织的T1及T2驰豫时间经线性回归拟合方法得到的定量参数图。T2*(T2star)是指由于磁场不均匀等原因造成横向磁化矢量衰减速度变快,使得横向弛豫时间比真实值要小,这个值称为T2*。T2*参数图为由测量所得的T2*组成的图像。
步骤S204,病灶区域及中心确定步骤,获取从该脑部图像中指定病灶区域及该病灶区域的中心。
具体的,可由医务人员指定病灶区域及病灶区域的中心。
步骤S206,特征值提取步骤,提取该脑部图像中各像素点的灰度参数值作为该像素点的特征值。
具体的,该灰度参数值可包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种。灰度值是指将图像各像素点对应区域的像素值以向量形式排列。灰度的均值、方差、偏斜度、峰度属于一阶灰度统计特征,灰度共生矩阵参数可为灰度共生矩阵能量、熵和二阶矩,灰度共生矩阵参数属于二阶灰度分布特征。
在一个实施例中,如图3所示,步骤S206包括:
步骤S302,以病灶区域的中心为基点,预设该病灶区域的中心的邻域尺寸,计算该病灶区域的中心的灰度参数的值作为该中心的特征值。
具体的,病灶区域的中心的邻域尺寸可根据需要设定,一般邻域尺寸小于病灶区域大小。例如邻域尺寸为7×7。
步骤S304,以该脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取该像素点的邻域,计算各像素点的灰度参数的值作为各像素点相应的特征值,其中,该预设滑动窗口尺寸与该病灶区域的中心的领域尺寸相同。
具体的,滑动窗口尺寸与病灶区域的中心的邻域尺寸相同,可为7×7。实验表明,滑动窗口尺寸为7×7或9×9效果较好。
步骤S208,互相相关性计算步骤,计算该脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数。
具体的,互相关系数是用来描述两个不同信号之间或同一信号不同时刻的相关程度,此处用于描述不同区域间灰度分布的相关程度。以灰度值为各像素点的特征值,脑部图像中各像素点和病灶区域的中心的特征值之间的互相关系数的计算公式为:
其中,x,y分别为两个区域的灰度值向量,M为向量长度。
步骤S210,相似区域确定步骤,筛选出该互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与该病灶区域相似的关联图像。
具体的,互相关系数范围为[-1,1],1表示最相似。相关性阈值可根据需要设定,本实施例中,相关性阈值为0.5。互相关系数大于0.5的像素点所在的邻域作为敏感区域。关联图像的大小与原始的脑部图像大小相同。
步骤S210包括:筛选出该互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用该滑动窗口覆盖该脑部图像,得到脑部非病灶区域与该病灶区域相似的关联图像。
上述脑部图像处理方法,通过对脑部图像的所有像素点提取特征值,计算非病灶区域的像素点的特征值与病灶区域的中心的特征值的互相关系数,筛选出互相关系数大于相关性阈值的像素点,从而得到了脑部图像中非病灶区域与病灶区域相似的关联图像,筛选除掉了不相关的图像,准确得到了与病灶区域相似的区域。
如图4所示,为另一个实施例中脑部图像处理方法的流程图。该脑部图像处理方法,包括:
步骤S402,脑部图像采集步骤,对病人脑部进行扫描,得到脑部图像。
步骤S404,病灶区域及中心确定步骤,获取从该脑部图像中指定病灶区域及该病灶区域的中心。
步骤S406,特征值提取步骤,提取该脑部图像中各像素点的灰度参数值作为该像素点的特征值。
步骤S408,互相相关性计算步骤,计算该脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数。
步骤S410,相似区域确定步骤,筛选出该互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与该病灶区域相似的关联图像。
步骤S412,判断该关联图像是否可用,若否,执行步骤S414,若是,执行步骤S416。
具体的,关联图像是否可用可由医务人员确定,或者由系统判断。
步骤S414,变更该灰度参数值和/或该病灶区域的中心的邻域尺寸,并返回步骤S406。
例如,灰度参数值为灰度值,灰度值作为各像素点的特征值,变更后的灰度参数值为均值和二阶矩,采用均值和二阶矩作为各像素点的特征值。开始时,邻域尺寸为7×7,变更为9×9。
步骤S416,对关联图像进行处理。
上述脑部图像处理方法,通过变更灰度参数值和/或该病灶区域的中心的邻域尺寸重新提取各像素点的特征值,并计算互相关系数,筛选得到关联图像,得到更准确的与病灶区域的相似的区域。
如图5所示,为一个实施例中脑部图像处理系统的结构框图。该脑部图像处理系统,包括采集模块510、病灶区域及中心确定模块520、特征值提取模块530、相关性计算模块540和相似区域确定模块550。其中:
采集模块510用于对病人脑部进行扫描,得到脑部图像。
具体的,通过磁共振扫描仪对病人脑部进行扫描,得到脑部图像。该脑部图像可为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图等。
病灶区域及中心确定模块520用于获取从该脑部图像中指定病灶区域及该病灶区域的中心。具体的,可由医务人员指定病灶区域及病灶区域的中心。
特征值提取模块530用于提取该脑部图像中各像素点的灰度参数的值作为该像素点的特征值。
具体的,该灰度参数值可包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种。灰度值是指将图像各像素点对应区域的像素值以向量形式排列。灰度的均值、方差、偏斜度、峰度属于一阶灰度统计特征,灰度共生矩阵参数可为灰度共生矩阵能量、熵和二阶矩,灰度共生矩阵参数属于二阶灰度分布特征。
如图6所示,该特征值提取模块530包括病灶区域特征值提取模块532和非病灶区域特征值提取模块534。其中:
病灶区域特征值提取模块532用于以病灶区域的中心为基点,预设该病灶区域的中心的邻域尺寸,计算该病灶区域的中心的灰度参数的值作为该中心的特征值。
具体的,病灶区域的中心的邻域尺寸可根据需要设定,一般邻域尺寸小于病灶区域大小。例如邻域尺寸为7×7。
非病灶区域特征值提取模块534用于以该脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取该像素点的邻域,计算各像素点的灰度参数的值作为各像素点相应的特征值,其中,该预设滑动窗口尺寸与该病灶区域的中心的领域尺寸相同。
具体的,滑动窗口尺寸与病灶区域的中心的邻域尺寸相同,可为7×7。实验表明,滑动窗口尺寸为7×7或9×9效果较好。
相关性计算模块540用于计算该脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数。
具体的,互相关系数是用来描述两个不同信号之间或同一信号不同时刻的相关程度,此处用于描述不同区域间灰度分布的相关程度。以灰度值为各像素点的特征值,脑部图像中各像素点和病灶区域的中心的特征值之间的互相关系数的计算公式为:
其中,x,y分别为两个区域的灰度值向量,M为向量长度。
相似区域确定模块450用于筛选出该互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与该病灶区域相似的关联图像。
具体的,互相关系数范围为[-1,1],1表示最相似。相关性阈值可根据需要设定,本实施例中,相关性阈值为0.5。互相关系数大于0.5的像素点所在的邻域作为敏感区域。关联图像的大小与原始的脑部图像大小相同。
该相似区域确定模块550还用于筛选出该互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用该滑动窗口覆盖该脑部图像,得到脑部非病灶区域与该病灶区域相似的关联图像。
上述脑部图像处理系统,通过对脑部图像的所有像素点提取特征值,计算非病灶区域的像素点的特征值与病灶区域的中心的特征值的互相关系数,筛选出互相关系数大于相关性阈值的像素点,从而得到了脑部图像中非病灶区域与病灶区域相似的关联图像,筛选除掉了不相关的图像,准确得到了与病灶区域相似的区域。
如图7所示,为另一个实施例中脑部图像处理系统的结构框图。该脑部图像处理系统,除了包括采集模块510、病灶区域及中心确定模块520、特征值提取模块530、相关性计算模块540和相似区域确定模块550,还包括判断模块560和调整模块570。其中:
判断模块560用于判断该关联图像是否可用。
调整模块570用于变更该灰度参数和/或该病灶区域的中心的邻域尺寸,并由该特征值提取模块530提取各像素点的特征值,再执行该相关性计算模块540和相似区域确定模块550。
例如,灰度参数值为灰度值,灰度值作为各像素点的特征值,变更后的灰度参数值为均值和二阶矩,采用均值和二阶矩作为各像素点的特征值。开始时,邻域尺寸为7×7,变更为9×9。
上述脑部图像处理系统,通过变更灰度参数值和/或该病灶区域的中心的邻域尺寸重新提取各像素点的特征值,并计算互相关系数,筛选得到关联图像,得到更准确的与病灶区域的相似的区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑部图像处理方法,包括:
脑部图像采集步骤,对病人脑部进行扫描,得到脑部图像;
病灶区域及中心确定步骤,获取从所述脑部图像中指定病灶区域及所述病灶区域的中心;
特征值提取步骤,提取所述脑部图像中各像素点的灰度参数值作为所述像素点的特征值;
相关性计算步骤,计算所述脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数;以及
相似区域确定步骤,筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与所述病灶区域相似的关联图像。
2.根据权利要求1所述的脑部图像处理方法,其特征在于,所述特征值提取步骤包括:
以病灶区域的中心为基点,预设所述病灶区域的中心的邻域尺寸,计算所述病灶区域的中心的灰度参数值作为所述中心的特征值;
以所述脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取所述像素点的邻域,计算各像素点的灰度参数值作为各像素点相应的特征值,其中,所述预设滑动窗口尺寸与所述病灶区域的中心的领域尺寸相同。
3.根据权利要求2所述的脑部图像处理方法,其特征在于,所述相似区域确定步骤包括:
筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用所述滑动窗口覆盖所述脑部图像,得到脑部非病灶区域与所述病灶区域相似的关联图像。
4.根据权利要求2所述的脑部图像处理方法,其特征在于,在所述相似区域确定步骤之后,还包括:
判断所述关联图像是否可用,若否,则变更所述灰度参数值和/或所述病灶区域的中心的邻域尺寸,并返回所述特征值提取步骤,再执行互相相关性计算的步骤和相似区域确定步骤。
5.根据权利要求1所述的脑部图像处理方法,其特征在于,所述灰度参数值包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种;所述脑部图像为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图。
6.一种脑部图像处理系统,其特征在于,包括:
采集模块,用于对病人脑部进行扫描,得到脑部图像;
病灶区域及中心确定模块,用于获取从所述脑部图像中指定病灶区域及所述病灶区域的中心;
特征值提取模块,用于提取所述脑部图像中各像素点的灰度参数值作为所述像素点的特征值;
相关性计算模块,计算所述脑部图像中各像素点和病灶区域的中心点的特征值之间的互相关系数;以及
相似区域确定模块,用于筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数得到脑部图像中非病灶区域与所述病灶区域相似的关联图像。
7.根据权利要求6所述的脑部图像处理系统,其特征在于,所述特征值提取模块包括:
病灶区域特征值提取模块,用于以病灶区域的中心为基点,预设所述病灶区域的中心的邻域尺寸,计算所述病灶区域的中心的灰度参数值作为所述中心的特征值;
非病灶区域特征值提取模块,用于以所述脑部图像的非病灶区域的像素点为基点,以预设滑动窗口取所述像素点的邻域,计算各像素点的灰度参数的值作为各像素点相应的特征值,其中,所述预设滑动窗口尺寸与所述病灶区域的中心的领域尺寸相同。
8.根据权利要求7所述的脑部图像处理系统,其特征在于,所述相似区域确定模块还用于筛选出所述互相关系数大于相关性阈值的像素点,根据筛选出的像素点的互相关系数,采用所述滑动窗口覆盖所述脑部图像,得到脑部非病灶区域与所述病灶区域相似的关联图像。
9.根据权利要求7所述的脑部图像处理系统,其特征在于,所述系统还包括:
判断模块,用于判断所述关联图像是否可用;
调整模块,用于变更所述灰度参数值和/或所述病灶区域的中心的邻域尺寸,并由所述特征值提取模块提取各像素点的特征值,再执行所述互相相关性计算模块和相似区域确定模块。
10.根据权利要求6所述的脑部图像处理系统,其特征在于,所述灰度参数值包括灰度值、灰度的均值、方差、偏斜度、峰度、灰度共生矩阵参数中至少一种;所述脑部图像为T1和T2加权结构像、弥散加权图像、各向异性分数图、平均弥散系数图像、径向扩散率和轴向扩散率图像、血氧水平依赖图、T1和T2参数图、T2*参数图或磁敏感参数图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289449.XA CN103345753B (zh) | 2013-07-10 | 2013-07-10 | 脑部图像处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289449.XA CN103345753B (zh) | 2013-07-10 | 2013-07-10 | 脑部图像处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345753A true CN103345753A (zh) | 2013-10-09 |
CN103345753B CN103345753B (zh) | 2016-04-13 |
Family
ID=49280546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310289449.XA Active CN103345753B (zh) | 2013-07-10 | 2013-07-10 | 脑部图像处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345753B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346719B2 (en) | 2017-09-19 | 2019-07-09 | Taipei Veterans General Hospital | Magnetic resonance image analysis method and method for evaluating the risks of radiotherapy |
CN110136173A (zh) * | 2019-05-21 | 2019-08-16 | 浙江大华技术股份有限公司 | 一种目标定位处理方法及装置 |
CN113538606A (zh) * | 2021-08-17 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 图像关联方法、联动显示方法及相关产品 |
CN114972352A (zh) * | 2022-08-02 | 2022-08-30 | 首都医科大学附属北京天坛医院 | 一种病症映射多维失连网络区域提取方法及系统 |
CN117542488A (zh) * | 2024-01-10 | 2024-02-09 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
WO2010004851A1 (ja) * | 2008-07-07 | 2010-01-14 | 浜松ホトニクス株式会社 | 脳疾患診断システム |
CN101926657A (zh) * | 2009-06-18 | 2010-12-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像特征追踪方法及其系统 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
-
2013
- 2013-07-10 CN CN201310289449.XA patent/CN103345753B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
WO2010004851A1 (ja) * | 2008-07-07 | 2010-01-14 | 浜松ホトニクス株式会社 | 脳疾患診断システム |
CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
CN101926657A (zh) * | 2009-06-18 | 2010-12-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像特征追踪方法及其系统 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346719B2 (en) | 2017-09-19 | 2019-07-09 | Taipei Veterans General Hospital | Magnetic resonance image analysis method and method for evaluating the risks of radiotherapy |
CN110136173A (zh) * | 2019-05-21 | 2019-08-16 | 浙江大华技术股份有限公司 | 一种目标定位处理方法及装置 |
CN113538606A (zh) * | 2021-08-17 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 图像关联方法、联动显示方法及相关产品 |
CN113538606B (zh) * | 2021-08-17 | 2022-07-22 | 数坤(北京)网络科技股份有限公司 | 图像关联方法、装置、计算机可读存储介质及电子设备 |
CN114972352A (zh) * | 2022-08-02 | 2022-08-30 | 首都医科大学附属北京天坛医院 | 一种病症映射多维失连网络区域提取方法及系统 |
CN114972352B (zh) * | 2022-08-02 | 2022-09-30 | 首都医科大学附属北京天坛医院 | 一种病症映射多维失连网络区域提取方法及系统 |
CN117542488A (zh) * | 2024-01-10 | 2024-02-09 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
CN117542488B (zh) * | 2024-01-10 | 2024-04-12 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103345753B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345753B (zh) | 脑部图像处理方法和系统 | |
JP4622715B2 (ja) | 画像データ解析方法およびシステム | |
CN103353986B (zh) | 一种基于超像素模糊聚类的脑部mr图像分割方法 | |
Shen et al. | VBM lesion detection depends on the normalization template: a study using simulated atrophy | |
Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
US11747424B2 (en) | Magnetic resonance imaging apparatus, image processing apparatus, and image processing method | |
CN102573625B (zh) | 磁共振成像装置、磁共振成像方法及图像显示装置 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN107240125A (zh) | 一种扩散加权成像方法 | |
EP3023805A1 (en) | Phase-encode ghosting detection and mitigation in MRI | |
US10860835B2 (en) | Image processing device, cell recognition device, cell recognition method, and cell recognition program | |
Aerts et al. | Evaluating the performance of 3-tissue constrained spherical deconvolution pipelines for within-tumor tractography | |
JP4826332B2 (ja) | 磁気共鳴測定装置 | |
Lagana et al. | DTI parameter optimisation for acquisition at 1.5 T: SNR analysis and clinical application | |
CN105263416A (zh) | 基于皮质分布图的淀粉样蛋白pet脑扫描量化 | |
JP2010525912A (ja) | 画像処理方法 | |
US8498690B2 (en) | Blood flow dynamic analysis apparatus, method of blood flow dynamic analysis, and magnetic resonance imaging system | |
US8873822B2 (en) | Methods and apparatus for estimating clinical measures | |
EP4033221A1 (en) | Particle group characteristic measurement device, particle group characteristic measurement method, program for particle group characteristic measurement device, particle diameter distribution measurement device, and particle diameter distribution measurement method | |
US11129543B2 (en) | Soft tissue matrix characterization using stretched exponential relaxation modeling | |
CN110673071A (zh) | 磁共振成像方法、装置、计算机设备及可读存储介质 | |
US11042771B2 (en) | Image evaluation device, image evaluation method, and image evaluation program | |
Messé et al. | Comparing structural and functional graph theory features in the human brain using multimodal MRI | |
Pécot et al. | Non parametric cell nuclei segmentation based on a tracking over depth from 3d fluorescence confocal images | |
Nir et al. | Connectivity network breakdown predicts imminent volumetric atrophy in early mild cognitive impairment |
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 |