CN105184794B - 一种基于张量图像的csm辅助分析系统及方法 - Google Patents
一种基于张量图像的csm辅助分析系统及方法 Download PDFInfo
- Publication number
- CN105184794B CN105184794B CN201510562329.1A CN201510562329A CN105184794B CN 105184794 B CN105184794 B CN 105184794B CN 201510562329 A CN201510562329 A CN 201510562329A CN 105184794 B CN105184794 B CN 105184794B
- Authority
- CN
- China
- Prior art keywords
- image
- tensor
- tensor image
- dispersion
- elm
- 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
Classifications
-
- 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
- G06T2207/20081—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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于医学图像辅助分析技术领域,尤其涉及一种基于张量图像的脊髓型颈椎病辅助分析系统和方法,包括图像预处理模块、专家知识库模块、ELM学习模块、分类器模块和结果输出模块;图像预处理模块用于弥散张量图像的采集、弥散张量图像二重度量配准、弥散张量图像的分割以及弥散张量图像的降维和特征提取;ELM学习模块用于利用ELM学习算法对专家知识库中的信息进行分析求解;分类器模块用于根据ELM学习模块确定的参数,对图像预处理模块提取的特征信息进行分类。本发明充分挖掘图像的原有信息,提高模式分类精度,保证图像分割效果,避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。
Description
技术领域
本发明属于医学图像辅助诊断技术领域,尤其涉及一种基于张量图像的CSM辅助分析系统及方法。
背景技术
弥散张量成像(Diffusion Tensor Imaging,DTI)技术是当今唯一无创伤的白质神经纤维束活体成像方法,是核磁共振成像(MRI)的特殊形式。不同于核磁共振成像是追踪水分子中的氢原子,弥散张量成像是依据水分子移动方向制图。弥散张量成像图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。它还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍等有关大脑和脊髓的细微反常变化。弥散张量成像数据本质上是二阶张量结构,它的每一个体素包含了水分子在白质神经纤维束内弥散的三维空间信息。
通过机器学习方法能从原始弥散张量图像中提取出判断人体疾病的有效信息,从而为预测分析大脑和脊髓相关的疾病提供有力的帮助。但是传统的机器学习方法都是基于向量模式的算法,例如支持向量机、线性判别分析以及神经网络等,这些算法要么就只处理弥散张量成像数据的一些标量指标,而不能充分利用弥散张量图像的结构空间信息;要么在分析处理之前,先将张量展开为向量。然而,这种做法会带来以下问题:1、破坏原始数据的结构和张量结构数据的内在相关性。2、大脑弥散张量成像数据在向量化后,其生成的统计参数(典型的为协方差阵)的维数极大,会破坏原始数据的结构,丢失数据的内在相关性,从而导致极高的计算复杂度和存储代价。3、迭代过程耗时严重,大幅度的增加了训练时间,不能适应处理海量数据的要求。
发明内容
本发明提供了一种基于张量图像的CSM辅助分析系统及方法,旨在解决现有的向量模式学习算法不能充分利用弥散张量图像数据的结构空间信息,且在把张量数据向量化的过程中,会破坏原始数据的结构,丢失数据的内在相关性,且迭代过程耗时严重,大幅度的增加了训练时间的技术问题。
本发明是这样实现的,一种基于弥散张量图像的CSM辅助分析系统,包括图像预处理模块、专家知识库模块、ELM学习模块、分类器模块和结果输出模块;
所述图像预处理模块用于弥散张量图像的采集、弥散张量图像二重度量配准、弥散张量图像的分割以及弥散张量图像的降维和特征提取;
所述专家知识库模块用于建立CSM的专家知识库;
所述ELM学习模块用于利用ELM学习算法对专家知识库中的信息进行分析求解;
所述分类器模块用于根据所述ELM学习模块确定的参数,对所述图像预处理模块提取的特征信息进行分类;
所述结果输出模块用于输出分类结果。
进一步的,所述图像预处理模块包括图像采集单元、图像配准单元、图像分割单元和特征提取单元;
所述图像采集单元用于采集弥散张量图像;
所述图像配准单元,用于弥散张量图像二重度量配准;先进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;
所述图像分割单元用于弥散张量图像基于MRF-MAP框架的分割;
所述特征提取单元用于对弥散张量图像的降维和特征提取。
进一步的,所述基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。
进一步的,所述利用ELM学习算法具体为:确定隐层节点数、激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆;计算输出权值向量
进一步的,所述对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。
本发明实施例采取的另一技术方案为:一种基于张量图像的CSM辅助分析方法,包括:
步骤a:采集弥散张量图像,并进行弥散张量图像二重度量配准,弥散张量图像的分割以及弥散张量图像的降维和特征提取;
步骤b:建立CSM的专家知识库;
步骤c:利用ELM学习算法对专家知识库中的信息进行分析求解;
步骤d:根据所述ELM学习算法求解得到的参数,对提取弥散张量图像的特征信息进行分类;
步骤e:输出分类结果。
作为一种改进,所述弥散张量图像二重度量配准,具体为进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;
所述弥散张量图像分割,具体为对弥散张量图像基于MRF-MAP框架的分割。
作为一种改进,所述对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。
本发明实施例采取的技术方案还包括,所述利用ELM学习算法具体为:确定隐层节点数,激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆;计算输出权值向量
作为一种改进,所述基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。
本发明实施例的基于张量图像的CSM辅助分析系统及方法针对弥散张量图像中方向信息比灰度信息更敏感的特点,提出二重度量配准方法;其次,提出实现弥散张量图像的特征提取和降维;再次,充分考虑了弥散张量成像图像的弥散运动遵循马尔科夫性,保证图像分割效果;最后,针对向量模式学习算法在处理张量结构数据方面的局限性,提出ELM算法,ELM最大的特点是隐层参数独立于训练集、目标函数。所以,隐层参数可以事先随机确定,避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。本发明基于弥散张量成像数据本质上是二阶张量结构,它的每一个体素包含了水分子在白质神经纤维束内弥散的三维空间信息,在分析CSM过程中,弥散张量成像图像能够提供更多关键病理信息,因此能够充分挖掘图像的原有信息,提高模式分类精度,极大地降低计算量,并有效地保整了分析的实时性。
附图说明
图1是本发明实施例的基于张量图像的CSM辅助分析系统的结构示意图;
图2是本发明实施例的基于张量图像的CSM辅助分析方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
弥散张量成像(Diffusion Tensor Imaging简称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。不同于核磁共振成像是追踪水分子中的氢原子,弥散张量成像是依据水分子移动方向制图。弥散张量成像图(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。它还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍有关的细微反常变化。弥散张量成像数据本质上是二阶张量结构,它的每一个体素包含了水分子在白质神经纤维束内弥散的三维空间信息。DTI图像主要通过检测水分子的弥散运动并二阶弥散张量模式表示其弥散信息,间接探索分析人体微观组织的结构,这种张量表示方法是表示微观结构变化或异常的最佳方式,DTI图像数据同时包含方向信息和空间结构信息,相比其他常规医学成像图像,在分析判断疾病特征方面更具优势。
请参阅图1,是本发明一种实施例基于弥散张量图像的CSM辅助分析系统,包括图像预处理模块、专家知识库模块、ELM学习模块、分类器模块和结果输出模块;
图像预处理模块用于弥散张量图像的采集、弥散张量图像二重度量配准、弥散张量图像的分割以及弥散张量图像的降维和特征提取;
专家知识库模块用于建立CSM的专家知识库;具体的,资深脊髓外科医生检查确定每张DTI图像的标签,+1表CSM(脊髓型颈椎病)病变节段,-1表健康节段,将描述DTI图像的特征向量与相应的标签相互匹配构建专家知识库。
ELM学习模块用于利用ELM学习算法对专家知识库中的信息进行分析求解;
分类器模块用于根据ELM学习模块确定的参数,对图像预处理模块提取的特征信息,即描述DTI图像的特征向量进行分类;
结果输出模块用于输出分类结果,即输出各个节段的情况(+1或-1)。
具体的,图像预处理模块包括图像采集单元、图像配准单元、图像分割单元和特征提取单元;
图像采集单元用于采集弥散张量图像;颈椎节段DTI图像采集,具体的可以以单个对象为单位,采集颈椎的6个颈椎节段(C12,C23,C34,C45,C56,C67)的DTI图像数据。
图像配准单元,用于弥散张量图像二重度量配准;先进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;确定DTI图像中每个体素的空间领域,提取图像的旋转不变性特征;对目标与参考图像进行张量相似性度量,利用DEMONS(非刚性配准)模型对目标图像进行空间位置配准;建立空间位置配准的目标函数,应用变分迭代算法对目标函数进行优化求解;对目标图像与参考图像进行标量相似性度量;在整体仿射配准的基础上,利用多项式展开法进行标量度量配准;采用Multi-Affine方法对目标图像的各向异性指标进行配准。
图像分割单元用于弥散张量图像基于MRF-MAP框架的分割;
特征提取单元用于对弥散张量图像的降维和特征提取。
弥散张量图像的配准主要有两个目的:(ⅰ)为了实现图像校正。图像配准可以消除由神经纤维邻近组织的磁性差异和电涡流引起的磁场不均匀而导致的图像几何变形,也可以减弱由被扫描者的轻微运动导致的噪声影响。(ⅱ)为了准确地对同一病人不同状态下的图像,一组同类病人的图像,以及病人和正常人的图像等进行对比分析,需要把不同图像配准到同一空间坐标系下。
基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。基于马尔科夫随机场-最大后验概率(MRF-MAP)框架的DTI图像分割,充分考虑了DTI图像的弥散运动遵循马尔科夫性,MRF-MAP图像分割框架比较符合DTI图像的特点,保证图像分割效果。
极限学习机(ELM)主要用于解决一般的单隐层前馈神经网络(SLFNs)的算法。ELM最大的特点是隐层参数独立于训练集、目标函数。所以,隐层参数可以事先随机确定,避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。
所以,进一步的利用ELM学习算法具体为:确定隐层节点数、激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆;计算输出权值向量
对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。保证原始张量结构信息的完整性,并且能够克服弥散张量特征值是零值或负值的情况。以腹部、背部、右侧部提取特征,保证其既能有效反映各类原始样本特征,又能降低计算成本。
本发明实施例采取的另一技术方案为:一种基于张量图像的CSM辅助分析方法,包括:
步骤a:采集弥散张量图像,并进行弥散张量图像二重度量配准,弥散张量图像的分割以及弥散张量图像的降维和特征提取;
步骤b:建立CSM的专家知识库;
步骤c:利用ELM学习算法对专家知识库中的信息进行分析求解;
步骤d:根据ELM学习算法求解得到的参数,对提取弥散张量图像的特征信息进行分类;
步骤e:输出分类结果。
作为一种改进,弥散张量图像二重度量配准,具体为进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;
弥散张量图像分割,具体为对弥散张量图像基于MRF-MAP框架的分割。
作为一种改进,对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。
本发明实施例采取的技术方案还包括,利用ELM学习算法具体为:确定隐层节点数,激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆;计算输出权值向量
作为一种改进,基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。
本发明一种基于张量图像的CSM辅助分析系统及方法充分保留并利用DTI图像数据完整的结构信息进行模式识别。传统的标量相似度量配准不能在维持张量信息的前提下配准,本发明提出的二重度量配准包括张量相似度量和标量相似度量配准,保证了张量信息的完整性,提高配准精度。由于体内水分子的弥散运动服从布朗运动(马尔可夫性),MRF-MAP图像分割框架恰好适应了DTI图像的成像原理,能够获得较好的图像分割效果。张量结构数据降维和特征提取方面,本发明利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中去,并在矢量场上进行正则化处理,最后映射回张量场,这种方式可以保证原始张量结构信息的完整性,并且能够克服弥散张量特征值是零值或负值的情况。提取颈椎节段高发部位(腹部,背部,右侧部)的本征值作为描述DTI图像的特征向量,保证其既能有效反映各类原始样本特征,又能降低计算成本。ELM最大的特点是隐层参数独立于训练集、目标函数。所以,隐层参数可以事先随机确定,避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求。
本发明基于张量图像的CSM辅助分析系统及方法针对弥散张量图像中方向信息比灰度信息更敏感的特点,提出二重度量配准方法;其次,提出实现弥散张量图像的特征提取和降维;再次,充分考虑了弥散张量成像图像的弥散运动遵循马尔科夫性,保证图像分割效果;最后,针对向量模式学习算法在处理张量结构数据方面的局限性,提出ELM算法,ELM最大的特点是隐层参数独立于训练集、目标函数。所以,隐层参数可以事先随机确定,避免耗时的迭代过程,大幅度降低训练时间,更能适应处理海量数据的效率要求
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于张量图像的CSM辅助分析系统,其特征在于:包括图像预处理模块、专家知识库模块、ELM学习模块、分类器模块和结果输出模块;
所述图像预处理模块用于弥散张量图像的采集、弥散张量图像二重度量配准、弥散张量图像的分割以及弥散张量图像的降维和特征提取;
所述专家知识库模块用于建立CSM的专家知识库;
所述ELM学习模块用于利用ELM学习算法对专家知识库中的信息进行分析求解;
所述分类器模块用于根据所述ELM学习模块确定的参数,对所述图像预处理模块提取的特征信息进行分类;
所述结果输出模块用于输出分类结果;
所述图像预处理模块包括图像采集单元、图像配准单元、图像分割单元和特征提取单元;
所述图像采集单元用于采集弥散张量图像;
所述图像配准单元,用于弥散张量图像二重度量配准;先进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;
所述图像分割单元用于弥散张量图像基于MRF-MAP框架的分割;
所述特征提取单元用于对弥散张量图像的降维和特征提取;
所述基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。
2.根据权利要求1所述的基于张量图像的CSM辅助分析系统,其特征在于,所述利用ELM学习算法具体为:确定隐层节点数、激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆计算输出权值向量β=H-1T,或计算输出权值向量β= H†T。
3.根据权利要求2所述的基于张量图像的CSM辅助分析系统,其特征在于,所述对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。
4.一种基于张量图像的CSM辅助分析方法,包括:
步骤a:采集弥散张量图像,并进行弥散张量图像二重度量配准,弥散张量图像的分割以及弥散张量图像的降维和特征提取;
步骤b:建立CSM的专家知识库;
步骤c:利用ELM学习算法对专家知识库中的信息进行分析求解;
步骤d:根据所述ELM学习算法求解得到的参数,对提取弥散张量图像的特征信息进行分类;
步骤e:输出分类结果;
所述弥散张量图像二重度量配准,具体为进行基于张量相似度的弥散张量图像配准,再进行基于标量相似度的弥散张量图像配准;
所述弥散张量图像分割,具体为对弥散张量图像基于MRF-MAP框架的分割;
所述基于MRF-MAP框架的分割具体为:搭建能量函数并构建MRF模型,根据Gibbs联合分布产生先验能量,根据弥散张量成像图像的特性构造条件能量,根据先验能量和条件能量获得后验能量,遵循MAP原则应用SA优化算法更新后验能量直到收敛。
5.根据权利要求4所述的基于张量图像的CSM辅助分析方法,其特征在于,所述对弥散张量图像的降维和特征提取具体为:利用Log-Euclidean矩阵分解把弥散张量场转换到矢量场中,并在矢量场上进行正则化处理,最后映射回张量场;计算弥散张量成像图像在三个主方向上的张量本征值;计算弥散张量成像图像背部、腹部、右侧部的三个张量本征值的均值;构建描述弥散张量成像图像的特征向量。
6.根据权利要求4所述的基于张量图像的CSM辅助分析方法,其特征在于,所述利用ELM学习算法具体为:确定隐层节点数,激励函数G(x),汇总专家知识库中描述弥散张量成像图像的特征向量到表X,汇总专家知识库内弥散张量成像图像对应的标签到向量T;随机产生输入权值矩阵W、偏移标量矩阵B,计算XW+B并输入激励函数计算G(XW+B)输出隐层输出矩阵H;判断输出矩阵是否可逆,若可逆,根据线性代数理论求逆H-1,否则根据SVD理论求广义逆计算输出权值向量β=H-1T,或计算输出权值向量β= H†T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510562329.1A CN105184794B (zh) | 2015-09-07 | 2015-09-07 | 一种基于张量图像的csm辅助分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510562329.1A CN105184794B (zh) | 2015-09-07 | 2015-09-07 | 一种基于张量图像的csm辅助分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184794A CN105184794A (zh) | 2015-12-23 |
CN105184794B true CN105184794B (zh) | 2018-04-17 |
Family
ID=54906847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510562329.1A Active CN105184794B (zh) | 2015-09-07 | 2015-09-07 | 一种基于张量图像的csm辅助分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184794B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844653B (zh) * | 2016-04-18 | 2019-07-30 | 深圳先进技术研究院 | 一种多层卷积神经网络优化系统及方法 |
CN109191425B (zh) * | 2018-07-23 | 2022-02-11 | 中国科学院自动化研究所 | 基于多层神经网络模型医学影像分析方法 |
CN110473206B (zh) * | 2019-07-24 | 2023-03-21 | 东南大学 | 一种基于超体素与测度学习的弥散张量图像分割方法 |
CN113257430B (zh) * | 2021-05-17 | 2022-08-02 | 北京航空航天大学 | 一种基于不确定性脑影像数据的挖掘方法 |
CN114581438B (zh) * | 2022-04-15 | 2023-01-17 | 深圳市海清视讯科技有限公司 | Mri图像分类方法、装置、电子设备及存储介质 |
Citations (4)
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 |
CN104200481A (zh) * | 2014-09-17 | 2014-12-10 | 中国科学院深圳先进技术研究院 | 弥散张量图像配准方法及系统 |
CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
CN104408713A (zh) * | 2014-11-10 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种弥散张量图像特征提取的方法及系统 |
-
2015
- 2015-09-07 CN CN201510562329.1A patent/CN105184794B/zh active Active
Patent Citations (4)
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 |
CN104200481A (zh) * | 2014-09-17 | 2014-12-10 | 中国科学院深圳先进技术研究院 | 弥散张量图像配准方法及系统 |
CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
CN104408713A (zh) * | 2014-11-10 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种弥散张量图像特征提取的方法及系统 |
Non-Patent Citations (2)
Title |
---|
Prediction of myelopathic level in cervical spondylotic myelopathy using diffusion tensor imaging;ShuQ Wang等;《Journal of Magnetic Resonance Imaging》;20150519;第1-24页 * |
基于特征选择ELM的乳腺肿块检测算法;王之琼等;《东北大学学报》;20130630;第34卷(第6期);第792-796页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184794A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184794B (zh) | 一种基于张量图像的csm辅助分析系统及方法 | |
Shan et al. | Unsupervised end-to-end learning for deformable medical image registration | |
US10296809B2 (en) | Method and system for fast patient-specific cardiac electrophysiology simulations for therapy planning and guidance | |
CN104361318B (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统 | |
CN106340015A (zh) | 一种关键点的定位方法和装置 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN104169967B (zh) | 纤维神经结构的定位 | |
CN113989551B (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
Kamiya | Deep learning technique for musculoskeletal analysis | |
Yu et al. | Unsupervised 3D PET-CT image registration method using a metabolic constraint function and a multi-domain similarity measure | |
Chuang et al. | Efficient triple output network for vertebral segmentation and identification | |
Wang et al. | Left ventricle landmark localization and identification in cardiac MRI by deep metric learning-assisted CNN regression | |
Baydoun et al. | Dixon-based thorax synthetic CT generation using generative adversarial network | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
Jeon et al. | Maximum a posteriori estimation method for aorta localization and coronary seed identification | |
Gooya et al. | An EM algorithm for brain tumor image registration: A tumor growth modeling based approach | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
Sengun et al. | Automatic liver segmentation from CT images using deep learning algorithms: a comparative study | |
Kop et al. | Kidney segmentation from ultrasound images using gradient vector force | |
Oguz et al. | Cortical correspondence with probabilistic fiber connectivity | |
Dong et al. | Bayesian tractography using geometric shape priors | |
Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
Abdi et al. | AnatomyGen: deep anatomy generation from dense representation with applications in mandible synthesis | |
Amara et al. | Augmented reality for medical practice: a comparative study of deep learning models for ct-scan segmentation | |
Qin et al. | Masseter segmentation from computed tomography using feature-enhanced nested residual neural network |
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 |