CN104867153A - 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 - Google Patents
基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 Download PDFInfo
- Publication number
- CN104867153A CN104867153A CN201510280008.2A CN201510280008A CN104867153A CN 104867153 A CN104867153 A CN 104867153A CN 201510280008 A CN201510280008 A CN 201510280008A CN 104867153 A CN104867153 A CN 104867153A
- Authority
- CN
- China
- Prior art keywords
- image
- phosphorylated tau
- training sample
- feature
- sample 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 102000013498 tau Proteins Human genes 0.000 title abstract 6
- 108010026424 tau Proteins Proteins 0.000 title abstract 6
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 210000001519 tissue Anatomy 0.000 claims description 8
- 210000003484 anatomy Anatomy 0.000 claims description 7
- 210000003625 skull Anatomy 0.000 claims description 7
- 108010022579 ATP dependent 26S protease Proteins 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 210000005013 brain tissue Anatomy 0.000 claims description 5
- 210000004884 grey matter Anatomy 0.000 claims description 5
- 210000001320 hippocampus Anatomy 0.000 claims description 5
- 210000000478 neocortex Anatomy 0.000 claims description 5
- 210000001103 thalamus Anatomy 0.000 claims description 5
- 210000004885 white matter Anatomy 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000000034 method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 206010039966 Senile dementia Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000191 radiation effect 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；所述参数反演装置用于将最优特征子集反演出磷酸化tau蛋白含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的磷酸化tau蛋白含量为评价标准，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。该系统可仅通过脑磁共振图像就可以定量显示磷酸化tau蛋白含量，具有无创、无辐射、安全、自动化程度高等优点。
Description
技术领域
本发明涉及到医学图像处理技术，具体地说，是一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统。
背景技术
磷酸化tau蛋白是诊断阿尔茨海默病的重要指标之一，现有技术中通常利用PET扫描成像，通过计算PET图像中磷酸化tau蛋白沉积区域所对应的像素的总数来作为磷酸化tau含量。
但其存在的缺陷是：PET扫描成像成本高，而且需要预先给病人注射放射性试剂，具有一定的辐射作用，容易给病人带来一定的心理压力。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，该系统主要结合图像处理技术和智能识别算法，利用脑磁共振影像中的图像特征信息来实现磷酸化tau蛋白含量的检测，避免使用PET扫描所带来的不良影响。
为达到上述目的，本发明所采用的具体技术方案如下：
一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，其关键在于：设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；
所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置和组织分割装置；
所述滤波去噪装置用于实现MRI图像的去噪处理；
所述图像配准装置用于实现待测图像头部位置的调整；
所述头骨剥离装置用于去除图像中的脑外组织；
所述组织分割装置用于将图像中的脑组织图像分割为脑新皮层、白质、灰质、丘脑和海马体五个解剖结构；
所述特征提取装置用于提取最优特征子集；
所述参数反演装置用于将所述最优特征子集反演出磷酸化tau蛋白含量；该参数反演装置中固化有训练好的SVM(support vectormachine，支持向量机)模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的磷酸化tau蛋白含量为评价标准，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
作为进一步描述，所述参数反演装置中设置有训练样本图像获取装置、训练样本图像预处理装置、训练样本图像特征提取装置、训练样本特征选择装置、测试样本图像获取装置、测试样本图像预处理装置、测试样本图像特征提取装置以及分类器构建装置；
所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数；
所述训练样本特征选择装置用于实现多个特征参数的选择；
所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述测试样本图像特征提取装置用于提取训练样本特征选择装置所选择出的特征参数；
所述分类器构建装置用于构建特征参数与磷酸化tau蛋白含量的反演关系，该分类器的核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
再进一步描述，所述训练样本图像特征提取装置所提取的多个特征参数包括每个解剖结构的体积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度熵、信息熵、几何矩、对比度、差分矩、自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均弥散率和各向异性分数值。
作为优选，所述训练样本图像特征提取装置采用离散二进制PSO算法进行特征选择。
本发明的显著效果是：
本发明通过智能遗传算法对SVM模型进行训练，从而得到最优特征子集与磷酸化tau蛋白含量的映射关系，将训练好的SVM模型固化到参数反演装置中，从而构建出本发明所提出的基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，该系统可仅通过脑磁共振图像中的特征信息就可以定量判定出磷酸化tau蛋白含量，具有无创、无辐射、安全、自动化程度高等优点。
附图说明
图1是本发明的系统原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；
所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置和组织分割装置；
所述滤波去噪装置用于实现MRI图像的去噪处理；
所述图像配准装置用于实现待测图像头部位置的调整；
具体实施时可以采用基于属性向量的弹性配准(HierarchicalAttribute Matching Mechanism for Elastic Registration，HAMMER)算法对图像样本进行弹性配准，采用互信息值和相关系数作为弹性配准满意的评价准则。
所述头骨剥离装置用于去除图像中的脑外组织；
由于脑MRI图像中脑新皮层、白质、灰质、丘脑、海马体中明显存在磷酸化tau蛋白，亮度较暗，且体积和纹理有变化，因此组织分割装置用于将图像中的脑组织图像分割为脑新皮层、白质、灰质、丘脑和海马体五个解剖结构，具体实施时可以采用ITK程序包(Insight Segmentation and Registration Toolkit)对以上解剖结构进行分割。
所述特征提取装置用于提取最优特征子集；
所述参数反演装置用于将所述最优特征子集反演出磷酸化tau蛋白含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的磷酸化tau蛋白含量为评价标准，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
在具体实施过程中，所述参数反演装置中设置有训练样本图像获取装置、训练样本图像预处理装置、训练样本图像特征提取装置、训练样本特征选择装置、测试样本图像获取装置、测试样本图像预处理装置、测试样本图像特征提取装置以及分类器构建装置；
所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数；
所述训练样本特征选择装置用于实现多个特征参数的选择；
所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述测试样本图像特征提取装置用于提取训练样本特征选择装置所选择出的特征参数；
所述分类器构建装置用于构建特征参数与磷酸化tau蛋白含量的反演关系，该分类器的核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
所述训练样本图像特征提取装置所提取的多个特征参数包括每个解剖结构的体积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度熵、信息熵、几何矩、对比度、差分矩、自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均弥散率和各向异性分数值。
上述特征参数中，第1个特征表明磷酸化tau蛋白对体积的影响；第2-4个特征表明磷酸化tau蛋白对亮度的影响；第6-16个特征表明磷酸化tau蛋白对纹理的影响；第17-18个特征为纤维束特性；将MRI图像纹理特征记为fj(j＝1,2,p)，形状特征记为fs(i＝1,2,m)。
在SVM模型训练过程中，可以通过合并纹理特征ft(j＝1,2,p)和形状特征fs(i＝1,2,m)，并基于合并后的特征和SVM回归算法，建立反演模型，反演过程中将对应PET图像的磷酸化tau蛋白含量记为Count_tau，并以此为评价标准，通过反演准确性来进行特征选择，最终获得最优特征子集，记为fj(j＝1,2,p)，反演得到最接近Count_tau的相应磷酸化tau蛋白含量Count_tau’以及回归模型SVM_final；优选的fj(j＝1,2,p)以及SVM_final，最后以SVM_final作为训练好的SVM模型，通过提取其它MRI图像中的最优特征子集即可反演出该MRI图像对应的磷酸化tau蛋白含量。
在实施过程中，采集40例MRI图像样本和对应的PET图像样本(正常人脑的图像和确诊老年痴呆人脑的图像各一半)，选择一幅图像作为参考图像，将其余图像向其配准；然后通过头骨剥离，去除图像中的非脑组织；接着进行组织分割，从脑组织中分离出脑新皮层、白质、灰质、丘脑、海马体等几部分；最后从每个组织中提取出体积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度熵、信息熵、几何矩、对比度、差分矩、自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均弥散率和各向异性分数值等18个特征，即每幅图包含5*18＝90个特征。
将MRI图像样本和对应的PET图像样本随机分为A，B两组，每组包含20例MR图像和对应的20例PET图像(正常人脑的图像和确诊老年痴呆人脑的图像各一半)，A组用于参数反演模型训练，B组用于对模型进行性能测试。
基于SVM的参数反演模型，采用A部分作为训练样本，B部分作为测试样本。通过反演准确性来进行特征筛选，最终获得最优特征子集fj(j＝1,2,p)，以及反演得到最接近Count_tau的相应磷酸化tau蛋白含量Count_tau’，特征选择采用离散二进制PSO算法。
SVM分类器的核函数为径向基函数，采用5阶校验法，训练收敛准则为均方误差(Mean squared normalized error，MSE)，利用A部分样本数据进行测试，对SVM进行参数回归，输入向量为图像特征值，输出为磷酸化tau蛋白含量标准值，均方误差满足要求时训练停止，获取参数矩阵，即最优特征子集与磷酸化tau蛋白含量的映射关系。
在训练过程中，由于待选特征较多，特征与磷酸化tau蛋白含量的关系未明且复杂，因此，需要设计精度高的搜索算法加以解决。采用离散二进制PSO算法，结合小样本学习能力强的SVM分类器实现了混合式特征选择，精度大大提高。此外，通过对SVM分类器参数优化，实现了较好的参数反演能力。
Claims (4)
1.一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，其特征在于：设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；
所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置和组织分割装置；
所述滤波去噪装置用于实现MRI图像的去噪处理；
所述图像配准装置用于实现待测图像头部位置的调整；
所述头骨剥离装置用于去除图像中的脑外组织；
所述组织分割装置用于将图像中的脑组织图像分割为脑新皮层、白质、灰质、丘脑和海马体五个解剖结构；
所述特征提取装置用于提取最优特征子集；
所述参数反演装置用于将所述最优特征子集反演出磷酸化tau蛋白含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的磷酸化tau蛋白含量为评价标准，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
2.根据权利要求1所述的基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，其特征在于：所述参数反演装置中设置有训练样本图像获取装置、训练样本图像预处理装置、训练样本图像特征提取装置、训练样本特征选择装置、测试样本图像获取装置、测试样本图像预处理装置、测试样本图像特征提取装置以及分类器构建装置；
所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数；
所述训练样本特征选择装置用于实现多个特征参数的选择；
所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算磷酸化tau蛋白含量作为分类器的评价标准；
所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同；
所述测试样本图像特征提取装置用于提取训练样本特征选择装置所选择出的特征参数；
所述分类器构建装置用于构建特征参数与磷酸化tau蛋白含量的反演关系，该分类器的核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最优特征子集与磷酸化tau蛋白含量的映射关系。
3.根据权利要求2所述的基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，其特征在于：所述训练样本图像特征提取装置所提取的多个特征参数包括每个解剖结构的体积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度熵、信息熵、几何矩、对比度、差分矩、自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均弥散率和各向异性分数值。
4.根据权利要求2所述的基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统，其特征在于：所述训练样本图像特征提取装置采用离散二进制PSO算法进行特征选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510280008.2A CN104867153B (zh) | 2015-05-28 | 2015-05-28 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510280008.2A CN104867153B (zh) | 2015-05-28 | 2015-05-28 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104867153A true CN104867153A (zh) | 2015-08-26 |
| CN104867153B CN104867153B (zh) | 2017-10-20 |
Family
ID=53912968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510280008.2A Active CN104867153B (zh) | 2015-05-28 | 2015-05-28 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104867153B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
| CN105225234A (zh) * | 2015-09-18 | 2016-01-06 | 浙江工商大学 | 基于支持向量机mri图像分割的肺部肿瘤识别方法 |
| CN105931221A (zh) * | 2016-04-13 | 2016-09-07 | 中国科学院自动化研究所 | 一种基于影像组学的多模态磁共振图像差异检测方法及装置 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
| CN110580390A (zh) * | 2019-09-04 | 2019-12-17 | 电子科技大学 | 基于改进遗传算法与信息熵的地质统计学随机反演方法 |
| US11536790B2 (en) * | 2018-12-25 | 2022-12-27 | Canon Medical Systems Corporation | Medical information processing apparatus, medical information processing method, and storage medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100329529A1 (en) * | 2007-10-29 | 2010-12-30 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
| CN102201038A (zh) * | 2011-04-27 | 2011-09-28 | 浙江大学 | 脑瘤p53蛋白表达检测方法 |
| CN102509113A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种脑瘤mib-1指数范围检测方法 |
| CN103679734A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | 基于svm和pde的有眼台风二维表面风场反演方法 |
| CN103793908A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑核磁共振图像多维度纹理建立预测模型的方法 |
-
2015
- 2015-05-28 CN CN201510280008.2A patent/CN104867153B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100329529A1 (en) * | 2007-10-29 | 2010-12-30 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
| CN102201038A (zh) * | 2011-04-27 | 2011-09-28 | 浙江大学 | 脑瘤p53蛋白表达检测方法 |
| CN102509113A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种脑瘤mib-1指数范围检测方法 |
| CN103679734A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | 基于svm和pde的有眼台风二维表面风场反演方法 |
| CN103793908A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑核磁共振图像多维度纹理建立预测模型的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴迪 等: "基于支持向量机算法的红外光谱技术在奶粉蛋白质含量快速检测中的应用", 《光谱学与光谱分析》 * |
| 李勇明 等: "搜索空间逐步缩小的遗传算法用于尿沉渣图像特征选择的研究", 《中国生物医学工程学报》 * |
| 李家星 等: "基于舌近红外反射光谱的人体血清多种蛋白含量无创测量", 《光谱学与光谱分析》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
| CN105225234A (zh) * | 2015-09-18 | 2016-01-06 | 浙江工商大学 | 基于支持向量机mri图像分割的肺部肿瘤识别方法 |
| CN105931221A (zh) * | 2016-04-13 | 2016-09-07 | 中国科学院自动化研究所 | 一种基于影像组学的多模态磁共振图像差异检测方法及装置 |
| CN105931221B (zh) * | 2016-04-13 | 2019-03-15 | 中国科学院自动化研究所 | 一种基于影像组学的多模态磁共振图像差异检测方法及装置 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
| US11536790B2 (en) * | 2018-12-25 | 2022-12-27 | Canon Medical Systems Corporation | Medical information processing apparatus, medical information processing method, and storage medium |
| US11965948B2 (en) | 2018-12-25 | 2024-04-23 | Canon Medical Systems Corporation | Medical information processing apparatus, medical information processing method, and storage medium |
| CN110580390A (zh) * | 2019-09-04 | 2019-12-17 | 电子科技大学 | 基于改进遗传算法与信息熵的地质统计学随机反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104867153B (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104867153A (zh) | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统 | |
| Jog et al. | Magnetic resonance image synthesis through patch regression | |
| Rohlfing et al. | The SRI24 multichannel atlas of normal adult human brain structure | |
| Durrleman et al. | Registration, atlas estimation and variability analysis of white matter fiber bundles modeled as currents | |
| CN107330267A (zh) | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 | |
| Roy et al. | MR contrast synthesis for lesion segmentation | |
| US6950544B2 (en) | Automated measurement of anatomical structures in medical imaging | |
| Prasad et al. | Tractography density and network measures in Alzheimer's disease | |
| CN101739681B (zh) | 基于相关预测模型的磁共振图像中检测结构形变的方法 | |
| Nowinski et al. | Three-dimensional interactive and stereotactic human brain atlas of white matter tracts | |
| Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
| DE102014224656A1 (de) | Verfahren und Vorrichtung zum Segmentieren eines medizinischen Untersuchungsobjekts mit quantitativen MR-Bildgebungsmethoden | |
| Hwang et al. | An automatic cerebellum extraction method in T1-weighted brain MR images using an active contour model with a shape prior | |
| Liu et al. | Tree-guided sparse coding for brain disease classification | |
| WO2015042519A3 (en) | Systems and methods for producing imaging biomarkers indicative of a neurological disease state | |
| Jiang et al. | Brain extraction from cerebral MRI volume using a hybrid level set based active contour neighborhood model | |
| Gambino et al. | Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation | |
| Subudhi et al. | Extraction of brain from MRI images by skull stripping using histogram partitioning with maximum entropy divergence | |
| Jin et al. | 3D elastic registration improves HARDI-derived fiber alignment and automated tract clustering | |
| Zhang et al. | Fiber clustering based white matter connectivity analysis for prediction of Autism Spectrum Disorder using diffusion tensor imaging | |
| Aggarwal et al. | 3d discrete wavelet transform for computer aided diagnosis of A lzheimer's disease using t1‐weighted brain MRI | |
| CN104881686B (zh) | 基于脑磁共振影像的Aβ蛋白沉积信息检测系统 | |
| Nir et al. | Connectivity network breakdown predicts imminent volumetric atrophy in early mild cognitive impairment | |
| Zhong et al. | Automatic skull stripping in brain MRI based on local moment of inertia structure tensor | |
| Loyek et al. | Detection of focal cortical dysplasia lesions in MRI using textural features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210202 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Yami Technology (Guangzhou) Co.,Ltd. Address before: 400044 No. 174 Shapingba street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240312 Address after: Room 401, Building 3, No. 58 Chongchuan Road, Chongchuan District, Nantong City, Jiangsu Province, 226000 Patentee after: Nantong Jingyuan Pharmaceutical Technology Co.,Ltd. Country or region after: China Address before: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Yami Technology (Guangzhou) Co.,Ltd. Country or region before: China |