CN104169967A - 纤维神经结构的定位 - Google Patents

纤维神经结构的定位 Download PDF

Info

Publication number
CN104169967A
CN104169967A CN201280071270.0A CN201280071270A CN104169967A CN 104169967 A CN104169967 A CN 104169967A CN 201280071270 A CN201280071270 A CN 201280071270A CN 104169967 A CN104169967 A CN 104169967A
Authority
CN
China
Prior art keywords
path
data
data collection
point
neural
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
Application number
CN201280071270.0A
Other languages
English (en)
Other versions
CN104169967B (zh
Inventor
莱纳·拉赫讷
安德列亚斯·布鲁姆霍夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brainlab AG
Original Assignee
Brainlab AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Brainlab AG filed Critical Brainlab AG
Publication of CN104169967A publication Critical patent/CN104169967A/zh
Application granted granted Critical
Publication of CN104169967B publication Critical patent/CN104169967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • A61B5/4893—Nerves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种用于确定患者体内神经纤维的路径的数据处理方法，包括以下步骤：a)获取能表示包括了神经纤维的纤维结构的图谱的图谱数据集；b)获取包括适用于识别患者体内神经纤维的信息的神经指示数据集；c)通过向神经指示数据集注册图谱数据集来计算出匹配的图谱数据集；d)从匹配的图谱数据集获得神经纤维的通用路径；e)围绕通用路径定义出患者体内的约束体积，所述约束体积具有至少两个使通用路径终止于此的端面；以及f)使用概率法确定端面之间的神经纤维的路径，其中所确定的路径完全位于约束体积内部。

Description

纤维神经结构的定位
技术领域
本发明涉及用于确定患者体内神经纤维的路径的数据处理方法、计算机程序、计算机以及医学诊断系统。
背景技术
在许多医疗应用中，有关神经纤维位置方面的知识是有用或必需的。已知的方法例如基于称为稳态下的构造干涉(CISS)的MRE序列，具体用于检测神经、或者使用基于磁共振成像(MRI)的技术来获得扩散方向，这些技术例如扩散张量成像(DTI)或高角度分辨率扩散成像(HARDI)。然而，这些方法要么无法自动化，要么不适用于细薄结构。
发明内容
本发明的目的是提供一种用于确定患者体内神经纤维的路径、甚至是细薄纤维以及交叉或支化纤维的神经纤维路径的数据处理方法，以及相应的计算机程序、计算机和医学诊断系统。这通过独立权利要求的保护主题来实现。优选实施例则在从属权利要求中进行限定。
用于确定患者体内神经纤维的路径的方法包括：第一步骤，获取表示包括神经纤维的纤维结构的图谱的图谱数据集，以及第二步骤，获取包括适于识别患者体内神经纤维的信息的神经指示数据集。如下面所解释的那样，所述图谱是包括了通用神经纤维的纤维结构的一般性表示，而神经指示数据集涉及特定患者并且根据使用适当形态所获得的图像数据来确定，所述适当形态诸如扩散张量成像(DTI)或者稳态下构造干涉(CISS)。因此，神经指示数据集分别是DTI数据集或CISS数据集。然而，只要所得到的数据集允许识别患者体内的神经纤维，则可以使用任何成像形态。
所述方法的第三步骤涉及：通过向神经指示数据集注册图谱数据集的方式来计算匹配的图谱数据集。在该步骤中，图谱的通用纤维结构与患者的解剖结构相适应。可以使用如刚性或弹性融合等任何适当的方法来进行注册。
所述方法的第四步骤涉及：从匹配的图谱数据集获得神经纤维的通用路径。通用神经纤维，其作为患者体内所检测到的神经纤维的对应物，在匹配的图谱数据集中被识别，随后例如通过简单地复制该通用路径的方式来获得匹配的图谱数据集中的对应的通用神经纤维的相应通用路径。由于将图谱数据集与神经指示数据集匹配，使得通用路径或多或少类似于患者体内的所寻求的路径。
应当指出，神经纤维以及相应的神经纤维路径可仅连接两个端点。然而，在Y形状的分支式神经纤维的情况中，路径可具有三个端点。在X形状的交叉神经纤维的情况中，路径可具有四个端点。取决于神经纤维结构，路径甚至可具有多于四个的端点。根据待确定路径的属性，所获得的通用路径可通过忽略图谱中纤维的某些部分而具有比图谱中的纤维更少的端点。
所述方法的第五步骤涉及：定义患者体内通用路径周围的约束体积，其中所述约束体积具有至少两个使通用路径终止于此的端面。端面的数目等于通用路径的端点的数目。优选地，端面正交于通用路径。应当指出，通用路径可表示完整的神经纤维或者仅表示神经纤维的部分长度。如果通用路径以及相应地所关注的患者体内的神经纤维仅仅对应于纤维的一部分，那么该部分则称为路径或通用路径。
所述方法的第六步骤涉及：用概率法来确定端面之间的神经纤维的路径，其中所确定的路径完全位于约束体积内部。用于确定神经纤维路径的概率法是众所周知的，下面将对两个示例进行详细说明。概率法(也称为概率纤维跟踪算法)可基于任何适当的和/或可获得的成像形态并且基于神经指示数据集。
本发明根据用于确定约束体积的图谱数据集来结合预分割的效果，其中在所述约束体积内以概率纤维跟踪算法来求得神经纤维的路径。这意味着，纤维跟踪算法仅限于搜索基于图谱数据集所定义的体积。与单纯基于图谱的方法相比，还要考虑存在于神经指示数据集中的附加信息。与单纯的概率纤维跟踪算法相比，还要利用有关所关注的纤维的现有知识。
优选地，约束体积呈管状，并以通用路径为中心。在简单纤维的示例中，约束体积由此具有管形外观。约束体积的端面可能是正方形、圆形或者椭圆形。约束体积的横截面积的大小以及当认定约束体积在其整个长度上大小恒定时的相应端面的大小，优选取决于神经纤维的大小。具体来说，大小是指具有圆形端面的体积的直径、具有正方形端面的体积的边缘长度或具有椭圆形端面的体积的一个轴(具体说是较长的轴线)。优选地是，该大小例如为1mm、2mm、3mm、4mm、5mm或10mm。长度是指两个端面之间的约束体积沿通用路径的距离。作为备选，约束体积的大小可随约束体积的整个长度而变化。约束体积的大小或者约束体积沿其长度的走势可以定义在图谱中，例如针对长度部分进行定义。该大小可例如与待检测纤维束的直径成比例。
作为备选，所述方法包括获取表示对约束体积进行的手动输入修改的输入数据的步骤。然后，根据所述输入数据来修改约束体积。这意味着，通用路径的移位和约束体积的大小变化中的至少一项，都可能使约束体积增加某区域或从约束体积去除某区域。后一种方式允许从要在其中搜索纤维的约束体积中排除某特定区域，例如排除由骨骼或另一结构所占据的区域。
图谱通常由多个通用对象模型构成，其中所述通用对象模型共同形成复杂结构。股骨的图谱例如可包括头部、颈部、躯干、股骨大转子、股骨小转子和下肢，以作为构成完整结构的对象。脑的图谱例如可包括端脑、小脑、间脑、桥脑、中脑和延髓，以作为构成复杂结构的对象。纤维结构的图谱包括神经纤维的通用路径。图谱可来源于DTI图像数据、CISS数据或任何其他适当的成像形态数据。这种图谱的一个应用是医学图像的分割，其中所述图谱与医学图像数据匹配，并且将图像数据与所匹配的图谱进行比较从而为匹配图谱的对象分配图像数据的点(像素或体素)，由此将图像数据分割成对象。
在医学领域，成像法用于产生人体的解剖结构(诸如软组织、骨骼、内脏等)的图像数据(例如，二维或三维图像数据)。医学成像法可理解为是指优选地基于设备的成像法(即所谓的医学成像形态和/或辐射成像法)，例如计算机断层摄影(CT)和锥束计算机断层摄影(CBCT；具体是体积式CBCT)、X射线断层摄影、磁共振断层摄影(MRT或MRI)、传统的X射线、超声和/或超声检查，以及正电子发射断层摄影。分析装置具体用于通过基于设备的成像法来产生图像数据。该成像法具体用于医学诊断，分析解剖体以产生由图像数据描述的图像。
根据本发明的方法具体来说是一种数据处理方法。所述数据处理方法优选地使用具体说是计算机的技术手段来执行。所述数据处理方法具体由计算机执行或在计算机上执行。为了处理数据，特别是为了以电的方式和/或光的方式处理数据，该计算机特别地还包括处理器和存储器。所描述的计算步骤具体说通过计算机来执行。确定步骤或计算步骤特别地是在该技术性的数据处理方法的框架内(特别是在程序框架内)对数据进行确定的步骤。计算机具体说可以是任何种类的数据处理装置，尤其是电子数据处理装置。计算机可以是那些通常被认为是例如台式个人计算机PC、笔记本、上网本等的装置，但计算机也可以是任何可编程装置，例如移动电话或嵌入式处理器。计算机具体说可包括“子计算机”系统(网络)，其中每个子计算机代表其本身的计算机。术语“计算机”包含云计算机，特别是云服务器。术语“云计算机”包括云计算机系统，其具体包括具有至少一个云计算机的系统并且具体包括多个可操作式互连的云计算机(例如服务器场)的系统。这种云计算机优选与诸如万维网(WWW)的广域网连接，并且位于连接于万维网的计算机的所谓“云”中。这种基础设施用于云计算，所述云计算描述了不要求终端用户获知计算机的物理位置和/或传送特定服务的计算机配置的那些计算、软件、数据访问和存储服务。特别地，术语“云”用来比喻互联网(万维网)。特别地，云提供作为服务(LaaS)的计算基础设施。云计算机可用作用于执行本发明方法的操作系统和/或数据处理应用程序的虚拟主机。云计算机例如是由Amazon Web ServicesTM提供的弹性计算云(EC2)。为了接收或输出数据和/或执行模数转换，计算机特别地还包括接口。该数据具体说是可表示物理特性的数据和/或可从技术信号生成的数据。该技术信号特别地通过(技术性)探测装置(例如，用于探测标记符的装置)和/或(技术性)分析装置(例如，用于执行成像方法的装置)产生，其中所述技术信号具体说是电或光信号。技术信号具体说表示由计算机接收或输出的数据。
表述“获取数据”具体说(在数据处理方法的框架内)包含数据是由数据处理方法或程序确定的情况。确定数据具体说包括：测量物理量，以及将所测量的值转换成具体说是数字数据和/或通过计算机来计算该数据，特别是在本发明的方法范围内计算该数据。“获取数据”的含义还特别地包含这样的情况，即通过数据处理方法或程序从例如另一程序、前一方法步骤或数据存储介质中接收或检索数据，进而特别地用于通过数据处理方法或程序进行进一步处理。因此，“获取数据”还可例如表示等待接收数据和/或正在接收数据。所接收的数据可例如经由接口来输入。“获取数据”还可指代数据处理方法或程序为了从数据源(主动)或经由接口(例如，从另一计算机或网络)接收或检索数据所执行的步骤，所述数据源例如为数据存储介质(例如，ROM、RAM、数据库、硬盘等)。数据可通过在获取步骤之前执行附加步骤的方式来实现“就绪”状态。根据附加步骤来生成数据，以用于获取。对数据进行特定的探测或捕获(例如，通过分析装置)。作为备选或附加，数据是根据所述附加步骤例如通过接口来输入的。可在特定况下输入所生成的数据(例如，输入到计算机中)。根据附加步骤(其在获取步骤之前进行)，数据也可以通过执行将数据存储于数据存储介质(例如，ROM、RAM、CD和/或硬盘驱动器)的附加步骤的方式来提供，从而使数据在根据本发明的方法或程序的框架内就绪。因此，“获取数据”还可涉及操控装置以获得和/或提供待获取的数据。特别地，获取步骤不涉及侵入性步骤，侵入性步骤表示对身体进行实质上的生理干扰，其需要对身体采取专业医疗措施，并且即使采取了所需的专业医疗措施或护理，该身体还是会承受极大的健康风险。特别地，获取数据具体说是确定数据不涉及外科手术步骤，并且尤其不涉及使用外科手术或外科疗法来治疗人体或动物体的步骤。这也特别地适用于涉及确定数据的任何步骤。为了区分本发明的方法所使用的不同数据，数据被标记为(即，简称为)“XY数据”等，并且由其所描述的、称为“XY信息”的信息进行定义。
具体地说，弹性融合变换(如图像融合变换)设计为能够实现从一个数据集(如第一数据集，如第一图像)到另一数据集(如第二数据集，如第二图像)的无缝过渡。所述变换具体设计为使得第一和第二数据集(图像)中的一者以一种方式发生变形，这种方式具体说是使得相应的结构(具体为相应的图像元素)布置在与第一和第二图像中的另一者相同的位置上。从第一和第二图像中的一者变换而来的变形(变换)图像具体来说要尽可能地与第一和第二图像中的另一者相似。优选地，采用(数值)优化算法，以便找到能产生最优相似度的变换。相似度优选通过相似度量(下文也称为“相似性度量”)的方式来进行测量。优化算法的参数具体为变形场F的向量。这些向量通过能产生最优相似度的优化算法来确定。因此，最优相似度表示针对优化算法的一种条件，具体说是一种约束。向量基点具体位于待变换的第一和第二图像中的一个图像的体素位置上，并且向量的顶端位于变换后的图像中的对应的体素位置处。多个此类向量优选设置为例如多于二十个或一百个、一千个或一万个等。优选地，变换(变形)存在(其他)限制，具体说是为了避免病理变形的限制，例如，避免通过变换使得所有体素移动到同一位置上的限制。所述限制具体包括使变换呈规律性的限制，这具体意味着，根据变形场(具体说是向量场)的矩阵所计算出的雅可比行列式大于零。所述限制具体包括使变换(变形)图像不自相交、具体说是变换(变形)图像不包含疵点和/或断裂的限制。所述限制具体包括使得当规则网格与图像以对应的方式同时进行变换时，不允许网格在其任何位置上交错折叠的限制。优化问题具体地通过优化算法(具体说是一阶最优化算法，特别是梯度下降算法)来迭代求解。优化算法的其他示例包括不使用导数的优化算法(如下降的单纯形算法)或者使用高阶导数的算法(如牛顿型算法)。优化算法优选执行局部优化。如果存在多个局部极值，则可以使用诸如模拟退火或遗传算法的全局算法。在线性优化问题的情况下，例如可使用单纯形法。
在优化算法的步骤中，体素具体通过在某方向上偏移一定幅度而使得相似度增加。这一幅度优先为小于预定限值，例如小于图像直径的1/10、1/100或1/1000，并且具体说是约等于或小于相邻体素之间的距离。特别地，由于大量的(迭代)步骤，因此可实现大规模变形。
所确定的弹性融合变换可具体用于确定第一数据集和第二数据集(第一图像和第二图像)之间的相似度(即，相似度量，也称为“相似性度量”)。为此，确定出弹性融合变换的偏差和恒等变换。偏差程度可例如通过确定出弹性融合变换与恒等变换之间的差来进行计算。偏差越大，则相似度越小。因此，偏差程度可用于确定相似性度量。
相似性量度可具体地根据所确定的第一数据集和第二数据集之间的已确定的相关性来确定。
如上面所指出的那样，存在多种用于确定神经纤维的路径的概率法。根据本发明，将这些方法与路径必须处于其中的约束体积进行结合。下面将对两个示例性方法进行说明。
确定神经纤维的路径的第一种方法包括：选择端面之中的一个端面上的种子点作为当前点，并且根据当前点上的神经指示数据集的数据来计算路径向量，其中所述路径向量具有长度和方向并起始于当前点。所述方法还包括：将所述当前点存储为神经纤维路径中的点，并且使用路径向量的端点或前端作为当前点。如果路径向量未终止在另一表面上或延伸穿过该另一表面，则所述方法返回至路径向量计算步骤，或者如果当路径向量延伸穿过约束体积的任何其他端面时，则所述方法停止。
在该第一种方法中，点到点地建立路径。神经指示数据集指示了神经从当前点进行延伸的方向。例如，在当前点上DTI数据集的张量指示了纤维的方向以及相应的路径方向。如果不存在当前点的数据，则可以插补或推算出一个或多个周围点的现有数据，以便计算当前点上的数据。
在典型情况下，神经指示数据集在当前点不包括神经纤维的特定方向，而是包括神经纤维方向的概率分布，如宾汉姆分布。路径向量的方向基于方向分布而随机计算的。优选地，路径向量的长度也基于方向分布来确定，例如与路径向量的方向概率的倒数成正比。如果路径向量的端点位于约束体积内，那么该端点用作新的当前点，并且针对该当前点计算新的路径向量，由此迭代地确定路径。如果路径向量的端点位于约束体积的端面上而不是该路径所在的座落点所位于的那个端面上的话，那么已找到有效路径。位于约束体积外部的路径向量的端点可具有两个不同的情况。在第一种情况下，路径向量所延伸穿过的端面不是那个包括种子点的端面。在这种情况下，已找到有效路径。在第二种情况下，路径向量延伸穿过约束体积的任何其他表面。在这种情况下，路径的一部分位于所述约束体积外部，由此终止对路径的确定并丢弃所述路径。
确定神经纤维的路径的第二种方法包括：选择其中有数据存在于神经指示数据集中的那些点的序列，其中序列中的点的数目低于预定点的数目，序列的起点和终点均位于端面之上或之后，并且所有其他点均位于约束体积内部。换言之，建立约束体积内连接约束体积两个端面的任意点串。在这种方法中，仅使用有数据存在于神经指示数据集中的那些点，其中在DTI数据集的情况下其意味着针对该点存在扩散张量。此外，点的数目是有限的，例如该数目取决于通用路径的长度。优选地，每10mm长度的通用路径上序列中的点的数目限制为1、2、5、10或20个点。这一方法在由Anthony J.Sherbondy等人发表在Journal of Vision(2008)8(9):15,1-6的文章“ConTrack:Finding the most likely pathways between brainregions using diffusion tractography”中进行了详细地解释，其全部内容在此通过引用并入本文。
通过那种只选择有数据存在于神经指示数据集中的那些点的方法，可能使得所述序列的起点和终点中的至少一个点不会位于约束体积的端面上。由此，序列的起点和/或终点也可以位于约束体积的端面之后。这意味着，分别将起点或终点与其在点的序列或串中的邻近点相连的线会延伸穿过约束体积的端面，但不穿过约束体积的任何其他表面。
在第二种方法中，可以建立完全位于约束体积内的任意路径。神经指示数据集对路径所带来的唯一影响是路径中的点必须对应于神经指示数据集中的数据的采样点。然而，备选的限制是：序列中的连续两点的距离要小于如1mm、2.5mm或5mm的预定距离阈值。
应当指出，在这两种用于确定神经纤维的路径的方法中，即使当路径的起点/种子点或终点位于约束体积外部，也仍然认为路径完全位于约束体积内。在这种情况下，路径可能会在该路径所延伸穿过的那个端面处切断。
如果必须要确定出路径的神经纤维具有多于两个的端点，那么约束体积则具有多于两个的端面。在这种情况下，路径将第一端面与多于一个的第二端面相连接。在确定端面之间的神经纤维的路径的步骤中，引入了适当数目的路径分支，例如在路径的随机点处或优选在接近通用路径中的相应分支的点处进行引入。具体来说，分支是在通用路径中的相应分支之前的最后一个路径点处引入的。
作为备选，所获取的输入数据表示路径中至少一个起点/种子点和/或至少一个终点的位置。输入的数据可以表示点、点所落入的区域或者点不必落入的区域的确切位置。
在优选实施例中，通过重复所述方法的第六步骤来确定多个路径，该步骤即使用概率法确定端面之间的神经纤维的路径的步骤。由于用于确定路径的方法是概率性的，这产生了全都位于约束体积内部的多个不同路径。优选地，给每个所确定的路径分配评分。进一步优选地，评分低于预定评分阈值的所有路径都将被丢弃。预定评分阈值例如设定为能保留预定百分比如5％、10％、15％、20％或25％的路径，或者保留预定数目如100、200、500或1000的路径。待确定路径的数目可以是100000、1000000、2000000、5000000或10000000。优选地，多个起点或种子点用于确定路径。进一步优选地，起点/种子点均匀地分布在端面之上或端面之后，或者均匀地分布在多于一个的端面之上或之后。例如，一半的路径确定为起始于第一端面，而另一半的路径则确定为起始于另一端面。在本实施例中，可以认为每个路径均表示一束纤维中某个纤维的路径。这意味着可以检测到纤维束。
在一个实施例中，评分是根据神经指示数据集来计算的。由于神经指示数据集包括有关神经纤维的路径的信息，因此可计算出特定路径与神经指示数据集中的相应数据之间的相似性。在DTI数据集的情况下，基于构成路径的点的扩散张量来计算评分。在用于确定神经纤维路径的第一种方法的示例中，一种可行实施方式是基于路径向量指向其所选择方向的概率来计算每个点的评分，其中所述概率涉及该点的方向分布。然后，根据构成路径的点(除了终点)的概率平均值来确定评分。
在用于确定神经纤维的路径的第二种方法的示例中，方向分布也用来确定路径继续以序列中下一个点的方向行进的概率。根据第一种方法，基于序列的所有点(除了终点)来对概率求平均值，以确定评分。
此外或作为备选方案，评分是根据能表示有关神经纤维的已知属性的信息的路径属性数据集来计算的。路径属性数据集表示路径如何很好地通过现有知识如有关路径的平滑度、方向或曲率的假设来进行解释。路径属性数据集可以表示神经纤维的路径中极不可能出现急转弯、通用路径的方向上极不可能出现强偏差、或者一些神经纤维具有非常特定的曲率式样和/或仅在一个方向上弯曲。优选地，根据神经指示数据集和路径属性数据集二者来计算总评分，例如通过对这两部分评分求平均来计算。
在一个实施例中，评分表示所述相应路径是正确路径的概率。此概率由p(P|D)给出，其中P代表路径而D代表神经指示数据集。p(P|D)是在已给出神经指示数据集D的条件下P为正确路径的概率。根据贝叶斯法则，p(P|D)＝p(D|P)*p(P)。这表明，评分具有取决于神经指示数据集的分量p(D|P)和不取决于神经指示数据集而取决于路径属性数据集的分量p(P)。
优选地，概率p(P|D)和p(P)中的每一者均根据针对各个路径上每个点的局部概率来建立。具体地，p(P|D)是局部概率pi(P|D)的乘积而p(P)是局部概率pi(P)的乘积，其中i是路径P中的点的下标。在备选方案中，不是将局部概率相乘，而是可以将局部概率的对数进行相加。
计算匹配的图谱数据集的步骤可通过直接向神经指示数据集注册图谱数据集的方式来执行，具体来说是当这两个数据集均包括可用于注册的相应参考标志如地标时执行。然而，用于注册的另一种方法包括多个步骤。
在第一步骤中，向中间形态图谱数据集注册所述图谱数据集，以获得中间图谱集。如上所述，使用诸如DTI或CISS的适当形态来确定图谱数据集。图谱通常通过合并来自不同样品对象(如样品体)的多个相同结构的样品来创建。在本神经纤维的路径的情况中，分割为对象通用模型通常由专家来手动执行。中间形态是用以对患者的躯体进行成像的一种形态。典型的中间形态是CT或MRI。因此，中间形态图谱数据集对应于那种与用于制备图谱数据集的形态不同、但却涉及与图谱数据集相同(通用)结构的形态。这意味着，所述第一步骤涉及主体内注册。
在第二步骤中，向中间形态患者数据集注册所述中间形态图谱数据集，以获得第一变换规则。中间形态图谱数据集和中间形态患者数据集均涉及相同的中间形态。因此，该步骤涉及主体间注册。
在第三步骤中，向神经指示数据集注册所述中间形态患者数据集，以获得第二变换规则。在此步骤中，中间形态患者数据集和神经指示数据集(二者均涉及特定患者)，以主体内注册的方式彼此进行注册。中间形态患者数据集和神经指示数据集优选地在相同成像期间进行创建。具体地，间歇地执行用于创建中间形态患者数据集和神经指示数据集的成像操作。
在第五步骤中，使用第一和第二转换规则将中间图谱数据集与神经指示数据集进行匹配。在这种计算匹配的图谱数据集的方法下，使用中间形态数据集，以获得由所述第一变换规则和第二变换规则构成的、随后用于向神经指示数据集注册所述中间图谱数据集的变换规则。
地标属于解剖患体部位的限定元素，所述解剖患体部位在多个患者的相同解剖学身体部位中始终相同或以高度相似性再现。典型的地标例如是股骨的髁或椎骨的横突和/或背突的尖端。所述点(主点或辅助点)可表示这种地标。位于身体部位的特征解剖结构上(具体说是在其表面上)的地标也可以表示所述结构。地标能够将解剖结构表示为整体或者仅表示为整体上的点或一部分。地标也可例如位于解剖结构上，具体说是位于突出结构上。这种解剖结构的示例是髂嵴的后部。其他地标包括由髋臼边缘所限定的地标，例如由边缘的中心所限定的地标。在另一示例中，地标表示髋臼的底部或最深点，其通过多个检测点而得到。因此，一个地标可具体表示众多的检测点。如上所述，地标可表示基于患体部位的特征构造所定义的解剖学特征。此外，地标还可表示由两个身体部位的相对运动所限定的解剖特征，例如当股骨相对于髋臼运动时股骨的旋转中心。
本发明还涉及一种程序，所述程序当运行于计算机上或者加载到计算机上时使计算机执行本文所述的一个、多个或全部的方法步骤；和/或涉及一种存储有(具体是以非暂时性形式)所述程序的程序存储介质；和/或涉及一种运行所述程序的计算机或者其存储器加载有所述程序的计算机；和/或涉及一种携带有可表示所述程序(特别是上述程序)的信息的信号波，特别是数字信号波，所述程序具体说包括适于执行本文所述的任意或全部的方法步骤的代码装置。
在本发明的框架内，计算机程序单元可通过硬件和/或软件(这包括固件、驻留软件、微代码等)来实施。在本发明的框架内，计算机程序单元可采取通过计算机可用、特别是计算机可读的数据存储介质来实施的计算机程序产品的形式，具体说可采取所述数据存储介质中包含的指令执行系统上采用的或与之结合使用的计算机可读的程序指令、“代码”或“计算机程序”的形式。这种系统可以是计算机；计算机可以是包括用于执行根据本发明的计算机程序单元和/或程序的装置的数据处理设备，特别是包括执行计算机程序单元的数字处理器(中央处理单元或CPU)以及可选地包括用于存储执行计算机程序单元所使用的和/或产生的数据的易失性存储器(具体说是随机存取存储器或RAM)的数据处理设备。在本发明的框架内，计算机可用、特别是计算机可读的数据存储介质可以是任何数据存储介质，其可以包含、存储、传送、传播或传输那些指令执行系统、装置或设备上使用或与之结合使用的程序。计算机可用、特别是计算机可读的数据存储介质例如可以是，但不限于电子、磁、光、电磁、红外或半导体系统、仪器或设备，或者是诸如互联网的传播介质。计算机可用或计算机可读的数据存储介质甚至可以是例如可打印所述程序的纸或其他适当介质，因为程序可以通过电的方式而获取，例如通过光学扫描该纸或其他适当介质，然后再编译、解码或以适当方式另行处理。数据存储介质优选为非易失数据存储介质。本文所述的计算机程序产品以及任何软件和/或硬件形成用于执行本发明的示例性实施例中的功能的各种装置。计算机和/或数据处理设备可特别地包括具有可输出引导信息的装置的引导信息设备。引导信息可例如通过视觉指示装置(如监视器和/或灯)可视地输出给用户，和/或通过听觉指示装置(如扬声器和/或数字语音输出装置)可听地输出给用户，和/或通过触觉指示装置(如振动元件或并入到仪器中的振动元件)可触摸地输出给用户。
本发明还涉及一种包括如上所述的计算机和用于至少获取所述图谱数据集和神经指示数据集的接口的医疗诊断系统。经由所述接口，医疗诊断系统可连接到包括数据集的数据存储介质上或可产生数据集的医学成像设备上。所述医疗诊断系统可连接于多于一个的成像设备上，或者连接于至少一个数据存储介质和至少一个成像设备上。所述数据存储介质或媒介和/或所述成像设备可以作为所述医疗诊断系统的一部分。
结合了实施例、示例、方法或备选方案中的一个或多个特征所形成的新的实施例、示例、方法或备选方案只要在技术上可行就落入本发明的范围之内。
附图说明
下面，参考附图对本发明作出更详细说明。这些附图是：
图1医学诊断系统；
图2将图谱与DTI数据匹配；
图3围绕通用纤维的约束体积；
图4针对交叉纤维的DTI张量；
图5约束体积内部的DTI张量；
图6通过约束体积来确定路径的第一方法；和
图7通过约束体积来确定路径的第二方法。
具体实施方式
图1示出了用于执行可确定患者体内神经纤维的路径的数据处理方法的医疗诊断系统1。医疗诊断系统1包括连接到输入装置6(如键盘、鼠标或触摸屏)和输出装置7(如监视器或任何其他显示装置)的计算机2。计算机2还连接于存储装置8和MRI成像设备9上。计算机2包括中央处理单元3、接口4和存储器5。计算机2经由接口4连接到存储装置8和成像设备9上。中央处理单元3使用从成像设备9和/或存储装置8获取的数据来执行本文所述的方法。用于执行该方法的程序存储在存储器5中。任选地，从成像设备9和/或存储装置8所获取的数据还存储于存储器5中。
计算机首先获取表示包括神经纤维的纤维结构的图谱的图谱数据集和扩散张量成像(DTI)数据集，所述扩散张量成像(DTI)数据集作为指示了包括适于识别患者的神经纤维的信息的神经指示数据集的示例。随后，中央处理单元3通过向DTI数据集注册图谱数据集来计算出匹配的图谱数据集。这在图2中详细示出。图2的左上部示出了图谱数据集A，其在本示例性实施例中仅表示具有支化结构的单神经纤维，由此使得该神经纤维的路径具有类似Y的形状。
计算机2还获取中间形态图谱数据集和中间形态患者数据集。在本实施例中，中间形态是MRI。在图2中称为A-MRI的中间形态图谱数据集表示对应于与图谱A相同(通用)的结构或患体的MRI数据。图2中称为P-MRI的中间形态患者数据集指代与DTI数据集相同的患者。
第一步骤中，向MRI图谱数据集A-MRI注册图谱数据集A，以获得中间图谱数据集IA。中间图谱数据集IA因此与MRI图谱数据集A-MRI对准。作为备选方案，可以事先向MRI图谱数据集注册图谱数据集。
第二步骤中，向MRI患者数据集P-MRI注册MRI图谱数据集，以便获得将MRI图谱数据集映射到MRI患者数据集上的第一变换规则f1。第三步骤中，向DTI数据集注册MRI患者数据集P-MRI，以便获得第二变换规则f2。该第二变换规则f2将MRI患者数据集映射到DTI数据集上。通过组合第一变换规则f1和第二变换规则f2，使得中间图谱数据集IA能直接映射到DTI数据集上，从而产生经匹配的图谱集MA。换言之，如同DTI数据集所表示的那样，图谱此时映射到患者状态上。具体来说，将图谱数据集A映射到患者的参考系统或坐标系统中。然后，经匹配的图谱数据集表示患者体内纤维结构的近似值。
随后，中央处理单元3获得来自经匹配图谱数据集MA的神经纤维的通用路径PG。在本示例性实施例中，图3所示的通用路径PG仅表示神经纤维的整个长度上的一部分。在本示例中，通用路径PG是从经匹配的图谱数据集MA简单复制而来的。
随后，中央处理单元3定义患者体内围绕通用路径PG的约束体积。约束体积在图3中标记为V。约束体积V具有至少两个端面，其中通用路径在所述端面上终止。如果神经纤维持续位于约束体积V外部，那么只有位于约束体积V内部的那部分神经纤维可由本文中的通用路径PG来表示。
图4示出针对两个交叉神经纤维的DTI数据集的一部分。DTI的扩散张量由圆形和椭圆形来表示。张量的表征形状指示了张量的方向分布，诸如宾汉姆分布。一般情况下，方向分布是三维的。针对特定方向，方向分布提供了神经纤维行进在该特定方向上的概率。
为了简化图示，图4中以二维来描绘方向分布。沿着单根纤维，张量通常表示优选的方向，这导致该方向上的概率分布具有明显的最大值。在图4的上部曲线图中，针对神经纤维的特定方向d的概率P(d)相对于方向d绘制，给定角度在-π/2和π/2之间。在两根神经纤维交叉的区域，由于张量不具有优选的方向，因此将张量以圆形来表示。相应地，概率P(d)均匀地分布在从-π/2至π/2的整个范围上。在该区域中，基于DTI数据的纤维跟踪算法将可能失败。
图5显示了透过具有两个端面ES1和ES2以及DTI数据集的一部分的约束体积V的剖视图。具体来说，其中示出了DTI数据集的12个张量。张量由T结合两位数字下标来表示。在图5所示的表示中，下标的第一位数字表示张量T的行，而下标的第二位数字表示的列。然后，中央处理单元3使用概率方法来确定端面ES1与ES2之间的神经纤维的路径，其中所确定的路径完全位于约束体积V内部。下面参考图6和7来说明用于确定神经纤维的路径的两种方法，其中图6和7基于图5中所示的约束体积V和扩散张量。
参考图6，首先从约束体积V的端面ES1上的起点S1开始说明。由于DTI数据集在这一点S1上不包括张量，因此中央处理单元3插补其他张量，这产生了内插张量TI1。根据对应于内插张量TI1的方向分布，中央处理单元3计算具有随机方向的路径向量。路径向量的长度可以是恒定的、与路径向量的方向概率成反比或使用另一概率分布来计算。在本例中，起始于点S1的路径向量的终点是张量T42的所在的点或位置。然后，CPU 3基于张量T42所表示的方向分布，计算起始于张量T42所在点的新的路径向量。此路径向量的终点是张量T32所在的点或位置。
由此类推，中央处理单元3计算新的路径向量。这个新的路径向量的终点不与DTI数据集中的张量所在的点或位置重合。因此，中央处理单元3根据DTI数据集的周围张量插补张量TI2，并计算出终点与张量TI1所在的点或位置重合的新的路径向量。随后，中央处理单元3根据张量TI1计算起始于张量TI1的位置的新路径向量。
该新的路径向量终止于DTI数据中不存在张量的点处，由此使得中央处理单元3插补新的张量TI3。随后，中央处理单元3如上述地计算新的路径向量。该新的路径向量延伸通过约束体积V的相对端面ES2。因此，中央处理单元找到端面ES1与ES2之间的有效路径。该路径完全位于约束体积V内部，并由点S1、张量TI1,T32,TI2,T11和TI3的位置以及最后的路径向量与端面ES2相交的点来表示。
作为优选方案，确定出端面ES1与ES2之间的多个神经纤维的路径。针对相同的起点S1，因为路径向量的方向是基于使用概率法的方向分布来计算的，因此路径会有所不同。此外，可以使用第一端面ES1上的多个起点。
参考图7对用于确定神经纤维的路径的第二种方法进行说明。该方法包括：选择有扩散张量存在于DTI数据集中的一序列点。该序列的起点和终点位于端面ES1和ES2之上或之后，而所有其他点都位于约束体积V内部。
如可从图7看出的那样，针对位于端面ES1和ES2上的点，DTI数据集中没有张量。因此，中央处理单元3将位于端面ES1和ES2后面的张量TS和TE所在的点或位置分别作为序列的起点和终点。如果在序列中某点与相邻点之间的直线连接穿过端表面但不穿过约束体积V的任何其他表面，则认为该点位于端面后面。
中央处理单元3将神经纤维的第一路径P1确定为张量TS,T43,T31,T21,T12,T13和TE所在的点或位置的序列。优选地，中央处理单元3确定出例如包括神经纤维的第二路径P2(其包括张量TS,T43,T33,T23,T13和TE所在点或位置的序列)在内的多个路径。
优选地，具体说是当确定了多个路径时，向每个路径分配评分。优选地，该评分表示相应路径是患者体内神经纤维的正确路径的可能性。评分具有至少一个取决于DTI数据集的数据相关部分，以及取决于路径属性数据集的数据独立部分，其中所述路径属性数据集表示神经纤维的已知属性的信息。
如参考图6和7所解释的那样，形成路径的路径向量的方向具有一定概率，该概率取决于与各个路径向量起点处的张量相对应的方向分布。优选地，将评分的数据相关部分计算为所选的路径向量方向的概率的平均值。
这将参考图7所示的路径P1和P2进行说明。第一路径P1从张量T43所在的点或位置向张量T31所在的点或位置引出分支，而路径P2向张量T33所在的点或位置引出分支。假设与张量T43相对应的方向分布是图4中上部的曲线图所示的那一个方向分布。这意味着，关于路径向量起始于张量T43的点或位置、指向张量T33所在的点的概率显著大于指向张量T31所在的点的概率。类似地，对所有其他路径向量进行分析。由此，路径P2的评分高于路径P1的评分。
有关神经纤维的已知属性的若干信息可用做评分的数据独立部分。针对本示例性实施例的神经纤维而言，已经知道其具有向右的普遍曲率。在张量T43所在的点或位置开始，路径P2继续向右，而P1前进到左侧。这造成P2的评分的数据独立部分要大于P1的评分的数据独立部分。
本示例性实施例的特定神经纤维的另一已知属性是路径不太可能出现急转弯。然而，相对于输入路径向量而言，与针对指向张量T33所在的点的路径P2的路径向量的显著较小的方向变化相比，从张量T43所在的点向张量T31所在的点分出的路径P1要具有很强的方向变化。基于神经纤维已知的平滑特性，路径P1所具有的评分的数据独立部分要低于路径P2。

Claims (15)

1.一种用于确定患者体内神经纤维的路径(P)的数据处理方法，包括以下步骤：
a)获取图谱数据集(A)，所述图谱数据集(A)表示包括神经纤维的纤维结构的图谱；
b)获取神经指示数据集(DTI)，所述神经指示数据集(DTI)包括适用于识别患者体内神经纤维的信息；
c)通过向所述神经指示数据集(DTI)注册所述图谱数据集，计算出匹配的图谱数据集(MA)；
d)从所述匹配的图谱数据集(MA)获得神经纤维的通用路径(PG)；
e)围绕所述通用路径(PG)定义出患者体内的约束体积(V)，所述约束体积(V)具有至少两个使所述通用路径(PG)终止于此的端面(ES1,ES2)；和
f)使用概率法确定端面(ES1,ES2)之间的神经纤维的路径(P)，其中所确定的路径(P)完全位于所述约束体积(V)内部。
2.根据权利要求1所述的方法，其中，所述神经指示数据集是扩散张量成像(DTI)数据集或者稳态下构造干涉(CISS)数据集。
3.根据权利要求1或2中任一项所述的方法，其中，确定神经纤维的路径包括：选择所述端面中的一个端面(ES1)上的种子点(S1)作为当前点；根据所述当前点上的所述神经指示数据集中的数据来计算路径向量，所述路径向量具有长度和方向并起始于所述当前点；将所述前点存储为所述神经纤维的路径上的点；使用所述路径向量的端点作为当前点；以及，如果所述路径向量未终止于另一端面(ES2)或未延伸穿过另一端面(ES2)，则返回至所述路径向量计算步骤，或者如果所述路径向量延伸穿过所述约束体积(V)的任何其他表面，则停止。
4.根据权利要求1或2中任一项所述的方法，其中，确定神经纤维的路径包括：选择有数据存在于所述数据指示数据集中的点的序列，其中所述序列中的点的数目小于预定点数目，所述序列的起点和终点位于端面(ES1,ES2)之上或之后，并且所有其他点均位于所述约束体积(V)内部。
5.根据权利要求4所述的方法，其中，所述序列中的连续两点的距离小于预定距离阈值。
6.根据权利要求1至5中任一项所述的方法，其中，通过重复步骤f)来确定出多个路径。
7.根据权利要求6所述的方法，其中，还包括向所确定的路径中的每个路径分配评分的步骤。
8.根据权利要求7所述的方法，其中，还包括丢弃所有评分低于预定评分阈值的路径的步骤。
9.根据权利要求7或8所述的方法，其中，所述评分根据所述神经指示数据集来计算。
10.根据权利要求7至9中任一项所述的方法，其中，根据表示有关神经纤维的已知属性的信息的路径属性数据集来计算所述评分。
11.根据权利要求1至10中任一项所述的方法，其中，在步骤c)中计算所述匹配的图谱数据集包括：向中间形态图谱数据集(A-MRI)注册所述图谱数据集(A)，以获得中间图谱数据集(IA)；向中间形态患者数据集(P-MRI)注册所述中间形态图谱数据集(A-MRI)，以获得第一变换规则(f1)；向所述神经指示数据集(DTI)注册所述中间形态患者数据集(P-MRI)，以获得第二变换规则(f2)；以及，使用所述第一变换规则(f1)和第二变换规则(f2)将所述中间图谱数据集(IA)与所述神经指示数据集(DTI)匹配。
12.根据权利要求1至11中任一项所述的方法，其中，所述约束体积(V)呈管状，并以所述通用路径(PG)为中心。
13.一种计算机程序，所述程序当运行在计算机(2)上时或者当加载于计算机(2)上时，使所述计算机(2)执行如权利要求1至12中任一项所述的方法，和/或一种存储所述程序的程序存储介质，具体说是以非暂时形式来存储所述程序的程序存储介质。
14.一种计算机(2)，其中运行有根据权利要求13所述的程序，或者其中的存储器(4)加载有根据权利要求13所述的程序。
15.一种医疗诊断系统(1)，其包括根据权利要求14所述的计算机(2)和用于从数据存储器(8)和/或成像设备(9)获取至少图谱数据集(A)和神经指示数据集(DTI)的接口(4)。
CN201280071270.0A 2012-08-09 2012-08-09 纤维神经结构的定位 Active CN104169967B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2012/065567 WO2014023350A1 (en) 2012-08-09 2012-08-09 Localization of fibrous neural structures

Publications (2)

Publication Number Publication Date
CN104169967A true CN104169967A (zh) 2014-11-26
CN104169967B CN104169967B (zh) 2017-03-29

Family

ID=46682821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280071270.0A Active CN104169967B (zh) 2012-08-09 2012-08-09 纤维神经结构的定位

Country Status (6)

Country Link
US (1) US10610124B2 (zh)
EP (1) EP2883206B1 (zh)
JP (1) JP6001783B2 (zh)
CN (1) CN104169967B (zh)
NO (1) NO2883206T3 (zh)
WO (1) WO2014023350A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109199359A (zh) * 2018-10-15 2019-01-15 暨南大学 光电联合刺激系统和光电联合刺激神经纤维方法
CN109982741A (zh) * 2016-11-17 2019-07-05 博医来股份公司 时间同步深部脑刺激优化

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2883206B1 (en) * 2012-08-09 2017-10-04 Brainlab AG Localization of fibrous neural structures
WO2016041577A1 (en) * 2014-09-16 2016-03-24 Brainlab Ag Auto-calibration of probabilistic tracking parameters for dti fibre tractography and compilation of tract probability comparison scales
DE102018109819A1 (de) * 2018-04-24 2019-10-24 Yxlon International Gmbh Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen
EP3766043B1 (en) 2019-05-23 2023-09-06 Brainlab AG Method, system and computer program for determining position and/or orientation parameters of an anatomical structure
CN111340821B (zh) * 2020-02-20 2020-12-08 太原理工大学 一种基于模块连接的大脑结构网络的偏测性检测方法
CN111429564B (zh) * 2020-03-11 2023-09-19 上海嘉奥信息科技发展有限公司 基于Unity3D生成神经纤维素模型的方法、系统及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1777818A (zh) * 2003-04-24 2006-05-24 皇家飞利浦电子股份有限公司 纤维跟踪磁共振成像
CN1870050A (zh) * 2005-05-26 2006-11-29 西门子共同研究公司 用于dti纤维跟踪的自动种子点选择

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4248822B2 (ja) * 2002-08-29 2009-04-02 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 線維描出方法および線維描出装置
US7881878B2 (en) * 2005-04-11 2011-02-01 Siemens Medical Solutions Usa Inc. Systems, devices, and methods for diffusion tractography
JP2007209583A (ja) * 2006-02-10 2007-08-23 Dainippon Printing Co Ltd 医療用画像処理装置
CN101558321B (zh) * 2006-12-11 2014-10-29 皇家飞利浦电子股份有限公司 基于宏观信息的纤维跟踪
EP2141506B1 (en) * 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)
JP5479115B2 (ja) * 2010-01-07 2014-04-23 株式会社東芝 画像処理装置及び磁気共鳴イメージング装置
EP2883206B1 (en) * 2012-08-09 2017-10-04 Brainlab AG Localization of fibrous neural structures

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1777818A (zh) * 2003-04-24 2006-05-24 皇家飞利浦电子股份有限公司 纤维跟踪磁共振成像
CN1870050A (zh) * 2005-05-26 2006-11-29 西门子共同研究公司 用于dti纤维跟踪的自动种子点选择

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANTHONY J.SHERBONDY等: "ConTrack:Finding the most likely pathways between brain regions using diffusion tractography", 《JOURNAL OF VISION》, vol. 8, no. 9, 1 July 2008 (2008-07-01), XP055058233, DOI: doi:10.1167/8.9.15 *
SEBASTIANO BARBIERI等: "Atlas-based fiber reconstruction from diffusion tensor MRI data", 《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》, vol. 7, no. 6, 24 June 2012 (2012-06-24), XP035132548, DOI: doi:10.1007/s11548-012-0774-6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109982741A (zh) * 2016-11-17 2019-07-05 博医来股份公司 时间同步深部脑刺激优化
CN109199359A (zh) * 2018-10-15 2019-01-15 暨南大学 光电联合刺激系统和光电联合刺激神经纤维方法

Also Published As

Publication number Publication date
JP6001783B2 (ja) 2016-10-05
WO2014023350A1 (en) 2014-02-13
NO2883206T3 (zh) 2018-03-03
CN104169967B (zh) 2017-03-29
US20150164366A1 (en) 2015-06-18
US10610124B2 (en) 2020-04-07
EP2883206B1 (en) 2017-10-04
JP2015525646A (ja) 2015-09-07
EP2883206A1 (en) 2015-06-17

Similar Documents

Publication Publication Date Title
CN104169967A (zh) 纤维神经结构的定位
US20180005378A1 (en) Atlas-Based Determination of Tumor Growth Direction
EP3257019B1 (en) Preview visualisation of tracked nerve fibers
US20210296004A1 (en) Inference Transparency System for Image-Based Clinical Decision Support Systems
EP3807845B1 (en) Atlas-based location determination of an anatomical region of interest
US10062179B2 (en) Auto-calibration of probabilistic tracking parameters for DTI fibre tractography and compilation of tract probability comparison scales
EP3259733B1 (en) Dynamic definition of a region of interest for tracking nerve fibers
US11295462B2 (en) Determination of registration accuracy
US11501442B2 (en) Comparison of a region of interest along a time series of images
CA3139933A1 (en) Deformity-weighted registration of medical images
US9836837B2 (en) Method and device for determining a transformation between two images of an anatomical structure
US11494984B2 (en) Atlas-based calculation of a flight-path through a virtual representation of anatomical structures
Sun et al. Updating a preoperative surface model with information from real-time tracked 2D ultrasound using a Poisson surface reconstruction algorithm
Smit The Virtual Surgical Pelvis: Anatomy Visualization for Education and Surgical Planning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: Munich, Germany

Patentee after: BRAINLAB AG

Address before: Feldkirchen

Patentee before: BRAINLAB AG

CP02 Change in the address of a patent holder