CN104200481A - 弥散张量图像配准方法及系统 - Google Patents
弥散张量图像配准方法及系统 Download PDFInfo
- Publication number
- CN104200481A CN104200481A CN201410476149.7A CN201410476149A CN104200481A CN 104200481 A CN104200481 A CN 104200481A CN 201410476149 A CN201410476149 A CN 201410476149A CN 104200481 A CN104200481 A CN 104200481A
- Authority
- CN
- China
- Prior art keywords
- registration
- tensor
- dispersion tensor
- feature
- tensor 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种弥散张量图像配准方法，包括：确定待配准的弥散张量图像中每个像素的空间邻域；提取所述弥散张量图像中具有旋转不变性的特征；对所述弥散张量图像与参考图像进行张量相似性度量；对所述弥散张量图像进行空间位置配准，建立空间位置配准的目标函数；对上述建立的空间位置配准的目标函数进行优化求解；对所述弥散张量图像与参考图像进行标量相似性度量；利用基于多项式展开方法对所述弥散张量图像进行标量相似性配准。本发明还涉及一种弥散张量图像配准系统。本发明针对弥散张量图像中张量方向信息比灰度信息更重要的特点，充分利用弥散张量图像中张量的方向信息，实现高精度的配准。
Description
技术领域
本发明涉及一种弥散张量图像配准方法及系统。
背景技术
弥散张量成像(Diffusion Tensor Imaging，DTI)，是一种描述大脑结构的新方法，是核磁共振成像(MRI)的特殊形式。举例来说，如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图。
弥散张量成像图(以下称为“弥散张量图像”)呈现方式与以前的图像不同，可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术，还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍有关的细微反常变化。
弥散张量图像不同于常规的医学图像，它在每一个体素处的信息不是一个灰度值，而是一个二阶张量。这使得弥散张量图像的配准与常规的标量图像的配准有很大不同：首先，弥散张量图像中张量的方向信息比灰度信息更敏感，配准精度对方向信息的影响远比灰度信息要大；其次，弥散张量图像的相似性度量很难定义，其不同于可以直接用图像的灰度值定义的标量图像的相似性度量。目前，尚未有一种较为准确的弥散张量图像配准的方法或系统。
发明内容
有鉴于此，有必要提供一种弥散张量图像配准方法及系统。
本发明提供一种弥散张量图像配准方法，该方法包括如下步骤：a.确定待配准的弥散张量图像中每个像素的空间邻域；b.在上述确定的空间邻域的基础上，提取所述弥散张量图像中具有旋转不变性的特征；c.根据所述旋转不变性的特征对应的像素，对所述弥散张量图像与参考图像进行张量相似性度量；d.根据上述张量相似性度量的结果，利用光流场DEMONS模型对所述弥散张量图像进行空间位置配准，建立空间位置配准的目标函数；e.对上述建立的空间位置配准的目标函数进行优化求解；f.在张量配准的基础上，对所述弥散张量图像与参考图像进行标量相似性度量；g.根据上述标量相似性度量的结果，利用基于多项式展开方法对所述弥散张量图像进行标量相似性配准。
其中，该方法还包括：对所述待配准的弥散张量图像进行整体仿射配准；采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。
所述的步骤a具体包括：采用最近邻域法确定每个像素的空间邻域。
所述的步骤b具体包括：对所述待配准的弥散张量图像进行特征提取；对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转；若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；若所述内积函数的函数值变化，则丢弃该特征。
所述的步骤e具体包括：采用变分迭代算法完成所述目标函数的优化求解。
本发明还提供一种弥散张量图像配准系统，包括确定模块、提取模块、张量配准模块及标量配准模块，其中：所述确定模块用于确定待配准的弥散张量图像中每个像素的空间邻域；所述提取模块用于在上述确定的空间邻域的基础上，提取所述弥散张量图像中具有旋转不变性的特征；所述张量配准模块用于根据所述旋转不变性的特征对应的像素，对所述弥散张量图像与参考图像进行张量相似性度量，根据上述张量相似性度量的结果，利用光流场DEMONS模型对所述弥散张量图像进行空间位置配准，建立空间位置配准的目标函数，及对上述建立的空间位置配准的目标函数进行优化求解；所述标量配准模块用于在张量配准的基础上，对所述弥散张量图像与参考图像进行标量相似性度量，及根据上述标量相似性度量的结果，利用基于多项式展开方法对所述弥散张量图像进行标量相似性配准。
其中，该系统还包括：综合配准模块，用于对所述待配准的弥散张量图像进行整体仿射配准；及采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。
所述的确定模块具体用于：采用最近邻域法确定每个像素的空间邻域。
所述提取模块具体用于：对所述待配准的弥散张量图像进行特征提取；对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转；若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；若所述内积函数的函数值变化，则丢弃该特征。
所述的张量配准模块具体用于：采用变分迭代算法完成所述目标函数的优化求解。
本发明弥散张量图像配准方法及系统，针对弥散张量图像中张量方向信息比灰度信息更重要的特点，首先进行基于光流场DEMONS模型的张量配准，以充分利用弥散张量图像中张量的方向信息，然后进行基于多项式展开的标量度量配准，最后用Multi-Affine配准算法调控每个像素的领域，从而实现高精度的配准。
附图说明
图1为本发明弥散张量图像配准方法的流程图；
图2为本发明弥散张量图像配准系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明弥散张量图像配准方法较佳实施例的作业流程图。
步骤S401，确定待配准的弥散张量图像中每个像素的空间邻域。具体而言，本实施例采用最近邻域法确定每个像素的空间邻域。
步骤S402，在上述确定的空间邻域的基础上，提取所述待配准的弥散张量图像中具有旋转不变性的特征。具体而言：
本实施例首先对所述待配准的弥散张量图像进行特征提取，此时提取的特征可能为旋转不变性的特征，也可能为非旋转不变性的特征。而后，对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转：若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；反之，若所述内积函数的函数值变化，则丢弃该特征。
步骤S403，根据所述旋转不变性的特征对应的像素，对所述待配准的弥散张量图像与参考图像进行张量相似性度量。具体而言：
本实施例的张量相似性度量为得到所述待配准的弥散张量图像与参考图像之间的度规张量差。在一个坐标系中，度规张量是用来描述一段很短的线段长度和线段两个端点坐标之差的关系的一个2阶张量。
步骤S404，根据上述张量相似性度量的结果，利用光流场DEMONS模型对待配准的弥散张量图像进行空间位置配准，建立空间位置配准的目标函数。具体而言：
所述空间位置配准即是，从上述得到的张量相似性度量中选择合适的相似性度量，根据配准的需要，依据几何变换的类型建立空间位置配准的目标函数。所述DEMONS模型即为几何变换方法：将待配准的弥散张量图像依照DEMONS模型向参考图像映射。
步骤S405，对上述建立的空间位置配准的目标函数进行优化求解。具体而言：
本实施例采用变分迭代算法完成所述目标函数的优化求解：所述目标函数即是泛函，令泛函对参变量求导数，令求导等于零获得关于参变量的方程，解方程求解参变量。
步骤S406，在张量配准的基础上，对所述待配准的弥散张量图像与参考图像进行标量相似性度量。具体而言：
所述待配准的弥散张量图像的各向异性程度主要反映了水分子分子在空间位移的程度，用来定量分析各向异性的参数包括：各向异性分数(fractional anisotropy，FA)、相对各向异性(relative anisotropy，RA)、容积比指数(volume ratio，VR)。上述指数均通过弥散张量的本征值(即λ1、λ2和λ3)计算得到。所述标量相似度量即得到所述待配准的弥散张量图像与参考图像之间的上述指标的均方差。
步骤S407，根据上述标量相似性度量的结果，利用基于多项式展开方法进行标量相似性配准。具体而言：
所述标量相似性配准主要对所述待配准的弥散张量图像的各向异性指标进行配准。
步骤S408，对所述待配准的弥散张量图像进行整体仿射配准，以从大的变形角度矫正所述待配准的弥散张量图像。
步骤S409，采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。具体而言：
在大的变形得到矫正后，采用Multi-Affine的变形配准方法，基于每一个像素的局部邻域计算该像素位置处的局部仿射配准变换，邻域的范围大小用一个高斯模板算子控制，逐个输出每个像素的仿射变换，整体上是由高斯算子连接而成的光滑配准位移场，再进行配准，从而达到较高精度的配准。
参阅图2所示，是本发明弥散张量图像配准系统10的硬件架构图。该系统包括确定模块100、提取模块101、张量配准模块102、标量配准模块103及综合配准模块104。
所述确定模块100用于确定待配准的弥散张量图像中每个像素的空间邻域。具体而言，本实施例采用最近邻域法确定每个像素的空间邻域。
所述提取模块101用于在上述确定的空间邻域的基础上，提取所述待配准的弥散张量图像中具有旋转不变性的特征。具体而言：
所述提取模块101对所述待配准的弥散张量图像进行特征提取，此时提取的特征可能为旋转不变性的特征，也可能为非旋转不变性的特征。而后，对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转：若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；反之，若所述内积函数的函数值变化，则丢弃该特征。
所述张量配准模块102用于根据所述旋转不变性的特征对应的像素，对所述待配准的弥散张量图像与参考图像进行张量相似性度量。具体而言：
本实施例的张量相似性度量为得到所述待配准的弥散张量图像与参考图像之间的度规张量差。在一个坐标系中，度规张量是用来描述一段很短的线段长度和线段两个端点坐标之差的关系的一个2阶张量。
所述张量配准模块102还用于根据上述张量相似性度量的结果，利用光流场DEMONS模型对待配准的弥散张量图像进行空间位置配准，建立空间位置配准的目标函数。具体而言：
所述空间位置配准即是，从上述得到的张量相似性度量中选择合适的相似性度量，根据配准的需要，依据几何变换的类型建立空间位置配准的目标函数。所述DEMONS模型即为几何变换方法：将待配准的弥散张量图像依照DEMONS模型向参考图像映射。
所述张量配准模块102还用于对上述建立的空间位置配准的目标函数进行优化求解。具体而言：
本实施例采用变分迭代算法完成所述目标函数的优化求解：所述目标函数即是泛函，令泛函对参变量求导数，令求导等于零获得关于参变量的方程，解方程求解参变量。
所述标量配准模块103用于在张量配准的基础上，对所述待配准的弥散张量图像与参考图像进行标量相似性度量。具体而言：
所述待配准的弥散张量图像的各向异性程度主要反映了水分子分子在空间位移的程度，用来定量分析各向异性的参数包括：各向异性分数(fractional anisotropy，FA)、相对各向异性(relative anisotropy，RA)、容积比指数(volume ratio，VR)。上述指数均通过弥散张量的本征值(即λ1、λ2和λ3)计算得到。所述标量相似度量即得到所述待配准的弥散张量图像与参考图像之间的上述指标的均方差。
所述标量配准模块103还用于根据上述标量相似性度量的结果，利用基于多项式展开方法进行标量相似性配准。具体而言：
所述标量相似性配准主要对所述待配准的弥散张量图像的各向异性指标进行配准。
所述综合配准模块104用于对所述待配准的弥散张量图像进行整体仿射配准，以从大的变形角度矫正所述待配准的弥散张量图像。
所述综合配准模块104还用于采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。具体而言：
在大的变形得到矫正后，采用Multi-Affine的变形配准方法，基于每一个像素的局部邻域计算该像素位置处的局部仿射配准变换，邻域的范围大小用一个高斯模板算子控制，逐个输出每个像素的仿射变换，整体上是由高斯算子连接而成的光滑配准位移场，再进行配准，从而达到较高精度的配准。
本发明从张量度量和标量度量两个角度对弥散张量图像进行配准。由于弥散张量图像中张量方向信息比灰度信息更敏感，配准精度对方向信息的影响远比灰度信息要大。首先从张量角度对弥散张量图像进行张量相似性度量配准，确定原始图像中每个像素的局部空间邻域，利用光流场DEMONS模型对待配准图像进行空间位置配准；然后应用变分迭代算法完成目标函数的优化求解；最后从标量角度，基于多项式展开的标量相似性度量配准。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种弥散张量图像配准方法，其特征在于，该方法包括如下步骤：
a.确定待配准的弥散张量图像中每个像素的空间邻域；
b.在上述确定的空间邻域的基础上，提取所述弥散张量图像中具有旋转不变性的特征；
c.根据所述旋转不变性的特征对应的像素，对所述弥散张量图像与参考图像进行张量相似性度量；
d.根据上述张量相似性度量的结果，利用光流场DEMONS模型对所述弥散张量图像进行空间位置配准，建立空间位置配准的目标函数；
e.对上述建立的空间位置配准的目标函数进行优化求解；
f.在张量配准的基础上，对所述弥散张量图像与参考图像进行标量相似性度量；
g.根据上述标量相似性度量的结果，利用基于多项式展开方法对所述弥散张量图像进行标量相似性配准。
2.如权利要求1所述的方法，其特征在于，该方法还包括：
对所述待配准的弥散张量图像进行整体仿射配准；
采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。
3.如权利要求1或2所述的方法，其特征在于，所述的步骤a具体包括：
采用最近邻域法确定每个像素的空间邻域。
4.如权利要求3所述的方法，其特征在于，所述的步骤b具体包括：
对所述待配准的弥散张量图像进行特征提取；
对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转；
若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；
若所述内积函数的函数值变化，则丢弃该特征。
5.如权利要求4所述的方法，其特征在于，所述的步骤e具体包括：
采用变分迭代算法完成所述目标函数的优化求解。
6.一种弥散张量图像配准系统，其特征在于，该系统包括确定模块、提取模块、张量配准模块及标量配准模块，其中：
所述确定模块用于确定待配准的弥散张量图像中每个像素的空间邻域；
所述提取模块用于在上述确定的空间邻域的基础上，提取所述弥散张量图像中具有旋转不变性的特征；
所述张量配准模块用于根据所述旋转不变性的特征对应的像素，对所述弥散张量图像与参考图像进行张量相似性度量，根据上述张量相似性度量的结果，利用光流场DEMONS模型对所述弥散张量图像进行空间位置配准，建立空间位置配准的目标函数，及对上述建立的空间位置配准的目标函数进行优化求解；
所述标量配准模块用于在张量配准的基础上，对所述弥散张量图像与参考图像进行标量相似性度量，及根据上述标量相似性度量的结果，利用基于多项式展开方法对所述弥散张量图像进行标量相似性配准。
7.如权利要求6所述的系统，其特征在于，该系统还包括：
综合配准模块，用于对所述待配准的弥散张量图像进行整体仿射配准；及采用Multi-Affine的变形配准方法对所述待配准的弥散张量图像进行配准。
8.如权利要求6或7所述的系统，其特征在于，所述的确定模块具体用于：
采用最近邻域法确定每个像素的空间邻域。
9.如权利要求8所述的系统，其特征在于，所述提取模块具体用于：
对所述待配准的弥散张量图像进行特征提取；
对所述提取的特征做内积运算得到内积函数，并对得到的内积函数任意方向旋转；
若所述内积函数的函数值保持不变，则此特征为旋转不变性的特征；
若所述内积函数的函数值变化，则丢弃该特征。
10.如权利要求9所述的系统，其特征在于，所述的张量配准模块具体用于：
采用变分迭代算法完成所述目标函数的优化求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410476149.7A CN104200481B (zh) | 2014-09-17 | 2014-09-17 | 弥散张量图像配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410476149.7A CN104200481B (zh) | 2014-09-17 | 2014-09-17 | 弥散张量图像配准方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104200481A true CN104200481A (zh) | 2014-12-10 |
| CN104200481B CN104200481B (zh) | 2017-04-05 |
Family
ID=52085767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410476149.7A Active CN104200481B (zh) | 2014-09-17 | 2014-09-17 | 弥散张量图像配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104200481B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
| CN111145278A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 弥散张量图像的颜色编码方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103761750A (zh) * | 2014-02-14 | 2014-04-30 | 华中科技大学 | 一种心肌质点运动图像与心肌纤维走向图像配准方法 |
-
2014
- 2014-09-17 CN CN201410476149.7A patent/CN104200481B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103761750A (zh) * | 2014-02-14 | 2014-04-30 | 华中科技大学 | 一种心肌质点运动图像与心肌纤维走向图像配准方法 |
Non-Patent Citations (4)
| Title |
|---|
| LUKE BLOY等: "DEMONS REGISTRATION OF HIGH ANGULAR RESOLUTION DIFFUSION IMAGES", 《2010 IEEE INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING:FROM NANO TO MACRO》 * |
| YUANJUN WANG等: "Diffusion Tensor Image Registration Based on", 《PHOTONICS AND OPTOELECTRONICS(SOPO),2012 SYMPOSIUM ON》 * |
| 李文等: "基于旋转不变测度的扩散张量图像配准", 《计算机工程与应用》 * |
| 王远军: "基于多项式展开的弥散张量图像配准", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| CN105184794B (zh) * | 2015-09-07 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
| CN108537832B (zh) * | 2018-04-10 | 2021-11-26 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
| CN111145278A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 弥散张量图像的颜色编码方法、装置、设备及存储介质 |
| CN111145278B (zh) * | 2019-12-31 | 2024-01-09 | 上海联影医疗科技股份有限公司 | 弥散张量图像的颜色编码方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104200481B (zh) | 2017-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ceritoglu et al. | Multi-contrast large deformation diffeomorphic metric mapping for diffusion tensor imaging | |
| US8498459B2 (en) | System and method for verifying registration accuracy in digital medical images | |
| US10810718B2 (en) | Method and device for three-dimensional reconstruction | |
| Toga et al. | Probabilistic approaches for atlasing normal and disease-specific brain variability | |
| CN104021547A (zh) | 肺部 ct 的三维配准方法 | |
| US20130156281A1 (en) | Image registration method | |
| CN104200481A (zh) | 弥散张量图像配准方法及系统 | |
| Lui et al. | Shape-based diffeomorphic registration on hippocampal surfaces using beltrami holomorphic flow | |
| CN111462198A (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
| CN108229560B (zh) | 基于轮廓曲线匹配算法实现数控系统工件定位匹配的方法 | |
| CN108564607A (zh) | 三维脑图谱数据集空间校准方法及系统 | |
| Yao et al. | Robust Harris corner matching based on the quasi-homography transform and self-adaptive window for wide-baseline stereo images | |
| CN112149728B (zh) | 一种快速的多模态图像模板匹配方法 | |
| Zahneisen et al. | Fast noniterative calibration of an external motion tracking device | |
| Wang et al. | Diffusion tensor image registration using hybrid connectivity and tensor features | |
| Wen | Medical image registration based-on points, contour and curves | |
| CN115984203A (zh) | 一种眼球突出度测量方法、系统、终端及介质 | |
| Park et al. | Cortical surface registration using spherical thin-plate spline with sulcal lines and mean curvature as features | |
| CN112950527B (zh) | 一种基于限定几何关联约束的立体匹配形貌测量方法 | |
| Iskurt et al. | Automatic identification of landmarks for standard slice positioning in brain MRI | |
| Lee et al. | Enhanced cortical thickness measurements for rodent brains via lagrangian-based rk4 streamline computation | |
| Pai et al. | Image registration using stationary velocity fields parameterized by norm-minimizing wendland kernel | |
| Wachinger et al. | Multi‐modal robust inverse‐consistent linear registration | |
| CN109147033A (zh) | 一种基于实时三维重建技术的建筑测量方法 | |
| Hlawitschka et al. | Tensor lines in tensor fields of arbitrary order |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20141210 Assignee: Dongguan Taiyan Electronic Technology Co.,Ltd. Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Contract record no.: X2023980037841 Denomination of invention: Diffusion tensor Image registration method and system Granted publication date: 20170405 License type: Common License Record date: 20230711 |