CN105787918A - 一种急性缺血性卒中磁共振图像分析处理方法 - Google Patents
一种急性缺血性卒中磁共振图像分析处理方法 Download PDFInfo
- Publication number
- CN105787918A CN105787918A CN201410811369.0A CN201410811369A CN105787918A CN 105787918 A CN105787918 A CN 105787918A CN 201410811369 A CN201410811369 A CN 201410811369A CN 105787918 A CN105787918 A CN 105787918A
- Authority
- CN
- China
- Prior art keywords
- ischemia
- dictionary
- magnetic resonance
- view data
- resonance 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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种急性缺血性卒中磁共振图像分析处理方法,具体包含:根据磁共振图像数据,获得磁共振图像数据,对磁共振图像数据作金标准处理,将金标准处理后的图像数据设定为正样本集;通过金标准处理后的图像数据得到的负样本与基于初始缺血区域图像数据得到的负样本,获得负样本集;对正样本集与负样本集进行特征向量提取,将提取的特征向量合并为训练字典;通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。通过本发明所提供的急性缺血性卒中磁共振图像分析处理方法能够更准确地分割缺血区,分割准确率高,受噪声或伪影的影响小。
Description
技术领域
本发明涉及图像分析处理领域,尤指一种急性缺血性卒中磁共振图像分析处理方法。
背景技术
缺血性卒中是最常见的卒中类型。如何在发病后最短的时间内对缺血性卒中的缺血区域进行定性和定位诊断,从而指导临床进行正确的诊治,一直是神经影像学研究的重点。
现有的磁共振弥散加权成像包括:弥散系数为0的T2加权像(B0图像)、弥散系数为1000-1500s/mm2的弥散加权图像DWI、由二者计算的表表观弥散系数ADC,它能反映水分子弥散特性的成像,对水分子的扩散运动十分敏感,在诊断急性脑缺血中明显优于常规MRI。研究人员通过研究发现,急性脑缺血在DWI上常常表现为异常高信号,而在ADC图像上则多表现为异常低信号。因此,通过研究DWI图像与ADC图像的联合灰度分布,可望较精确地确定脑缺血。
目前脑缺血的分割大体上讲有两类方法:基于DWI高信号的阈值分割方法和基于ADC低信号的分割方法。基于DWI高信号的阈值分割方法使用的是DWI图像上的阈值化、模糊聚类、区域增长、边缘探测、形态学操作等。基于ADC的分割方法,又有直接基于ADC及相对表观弥散系数rADC的方法,困难在于有非缺血伪影,且缺血与ADC降低的程度的关系尚未建立。请参考图1所示,基于DWI的阈值分割方法依赖于DWI灰度图像中缺血区的边界清晰且分布均匀,且易受伪影的干扰。第一种情况,由于受到T2穿透效应的影响,有些缺血区在DWI上表现的异常高信号并不明显,且边界比较模糊,分布也不均匀。第二种情况,伪影的干扰。对于这两种情况,基于DWI的阈值分割方法通常很难精确分割出缺血区。
现有方法一:Tsai等人利用模糊聚类方法(FCM),采用10天内的脑缺血DWI与ADC,通过一个非监督分类与FCM聚类测定DWI的灰度直方图分布,得到具有自我调整能力的DWI灰度阈值。根据DWI阈值进行初步分割得到初始分割区域,去掉边界模糊的区域。再通过计算ADC的灰度直方图分布,得出ADC的灰度阈值,进一步对上述分割结果进行限制,得到最终的缺血区域。由于有边界限制,对于超急性期的边界模糊图像难以得到好的分割结果。请参考图2所示,基于ADC的阈值分割方法虽然可以避免伪影的干扰,但却会受到ADC假正常化的干扰。ADC假正常化可能表现为在缺血区对应ADC的值并没有降低或者降低程度不明显,另外,ADC降低的区域不一定对应于缺血。这些都会使ADC阈值分割方法的分割精度受到影响。
现有方法二:Prakash等人利用缺血图像的灰度直方图对中矢状面的非对称性,即散度(divergencemeasure,DM)寻找脑缺血所在的区域,然后寻找合适的灰度阈值区分DWI上的缺血与非缺血,因此基本上是一个全局灰度阈值分割方法,难以适应超急性期DWI图像灰度不均匀的变化。
发明内容
缺血性卒中是最常见的卒中类型。如何在发病后最短的时间内对缺血性卒中的缺血区域进行定性和定位诊断,从而指导临床进行正确的诊治,一直是神经影像学研究的重点。本发明目的在于提供一种超急性缺血性卒中(发病6小时内)缺血区域分割方法,为临床诊治提供指导。
为达上述目的,本发明具体提供一种急性缺血性卒中磁共振图像分析处理方法,包含:获得磁共振图像数据,对磁共振图像数据作金标准处理,将金标准处理后的图像数据设定为正样本集;通过金标准处理后的图像数据得到的负样本与基于初始缺血区域图像数据得到的负样本,获得负样本集;对所述正样本集与所述负样本集进行特征向量提取,将提取的特征向量合并为训练字典;通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述通过金标准处理后的图像数据得到的负样本包含:对缺血金标准的图像数据进行特定半径的膨胀操作后得到的非缺血点集,整合所述非缺血点集获得所述负样本。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述特定半径为2毫米。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述基于初始缺血区域图像数据得到的负样本包含:对初始缺血区域的图像数据进行特定半径的膨胀操作,得到初始缺血候选区域的图像数据,初始缺血区域的图像数据减去缺血金标准的图像数据即为基于初始缺血区域的负样本。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述对所述正样本集与所述负样本集进行特征向量提取,将提取的特征向量合并为训练字典包含:通过在线字典算法对所述正样本集的特征向量与所述负样本集的特征向量分别进行处理,获得第一子字典与第二子字典;将所述第一子字典与所述第二子字典合并,获得训练字典。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述根据训练字典判断待分割体素是否为缺血体素包含:通过训练字典对待分割体素进行稀疏表示,得到稀疏系数,再根据稀疏系数分别计算第一子字典及第二子字典对每个测试点的重构误差,由重构误差判断待分割体素是否为缺血体素。
在上述急性缺血性卒中磁共振图像分析处理方法中,所述通过初始缺血候选区域图像数据获得待分割体素还包含:选择初始缺血候选区域图像数据作为待分割数据,对所述待分割数据进行特征提取,获得待分割体素。
本发明的有益技术效果在于:通过本发明所提供的急性缺血性卒中磁共振图像分析处理方法能够更准确地分割缺血区,分割准确率高,受噪声或伪影的影响小。相比其他阈值算法,在DWI或ADC的缺血区灰度分布不均匀或不明显的情况下,分割精度也更好。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为现有技术中DWI的伪影示意图;
图2为现有技术中ADC假正常化示意图;
图3为本发明所提供的急性缺血性卒中磁共振图像分析处理方法的流程图;
图4为本发明所提供的急性缺血性卒中磁共振图像分析处理方法一实施例的流程图;
图5A为ADC处理后的效果示意图;
图5B为DWI处理后的效果示意图;
图5C为初始缺血候选区域效果示意图(箭头所指的灰色与黑色区域);
图5D为正负样本的效果示意图(箭头所指的黑色区域);
图6A为现有ADC处理后的效果图;
图6B为现有DWI处理后的效果图;
图6C为采用缺血金标准处理后的效果图;(黑色区域为金标准)
图6D为本发明提供的字典学习算法的分割结果效果图;(黑色区域为分割的区域)
图6E为背景技术中通过现有方法一处理后的效果图;(黑色区域为分割的区域)
图6F为背景技术中通过现有方法二处理后的效果图。(黑色区域为分割的区域)
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
请参考图3所示,图3为本发明提供急性缺血性卒中磁共振图像分析处理方法的流程图,具体包含:
S101:获得磁共振图像数据,对磁共振图像数据作金标准处理,将金标准处理后的图像数据设定为正样本集;
S102:通过金标准处理后的图像数据得到的负样本与基于初始缺血区域图像数据得到的负样本,获得负样本集;
S103:对所述正样本集与所述负样本集进行特征向量提取,将提取的特征向量合并为训练字典;
S104:通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。
在上述实施例中,该处理方法总的来说可以分两个阶段:训练阶段、分割阶段。其中步骤S101-S103皆为在训练阶段,在该阶段中首先选一部分数据作为训练集。对训练集图像,由专家手动画出缺血区金标准,以此作为训练的正样本集;负样本包括缺血区域金标准膨胀后的邻接点、缺血金标准对中矢状面的对称区域、以及对结合ADC与DWI得到的初始缺血区域进行膨胀与中矢状面对称的初始缺血候选区域中的非缺血体素。对训练样本集进行特征提取,得到训练集的特征向量。由此分别建立第一子字典,第二子字典。然后由两个子字典合并成最终的训练字典。在分割阶段,选择初始缺血候选区域作为待分割体素,初始缺血候选区域外的体素作为非缺血体素。利用训练字典对待分割体素进行稀疏表示,得到稀疏系数。再根据稀疏系数分别计算第一子字典及第二子字典对每个测试点的重构误差,由重构误差判断待分割体素是否为缺血体素。
再请参考图4所示,图4为将本发明所提供的急性缺血性卒中磁共振图像分析处理方法运用到实际工作中的流程图;以下将详细解释将本发明运用到实际工作中的过程;
首先进行训练阶段,即上述实施例中的S101-S103阶段:
在上述步骤S101及S102中,需要对获得的图像数据标记正负样本,即,对缺血金标准的图像数据进行特定半径的膨胀操作后得到的非缺血点集,整合所述非缺血点集获得所述负样本。所述基于初始缺血区域图像数据得到的负样本包含:对初始缺血区域的图像数据进行特定半径的膨胀操作,得到初始缺血候选区域的图像数据,初始缺血区域的图像数据减去缺血金标准的图像数据即为基于初始缺血区域的负样本。具体方法如下:
请参考图5A到图5D所示,图5A到图5D为初始缺血候选区域及正负样本的确定示意图;实际工作中,首先获取磁共振图像数据标记出的脑缺血的边界,即金标准处理。选该金标准处理后的图像数据为正样本集。负样本集由两部分的逻辑并构成,一部分是基于缺血金标准得到的负样本,另一部分是基于初始缺血区域得到的负样本。基于缺血金标准的负样本的方法为:对缺血金标准的图像数据进行半径为2毫米的膨胀操作后得到的非缺血点集。基于初始缺血区域图像数据得到的负样本的方法为:初始缺血区域包括缺血核心与过渡区域,缺血核心区域的ADC值不大于C1*ADCref(C1为常数,比如取值0.75),同时要求核心区域的DWI信号也要不低(即不低于所在切片的DWI均值+CC1*DWI标准差,CC1为常数,可取值0到1之间数),过渡区域与核心区域在空间相邻且其ADC值小于0.85*ADCref,这里ADCref是该对象的正常脑组织的ADC值,可以用脑组织中出现频率最高的ADC值来逼近ADCref。对初始缺血区域图像数据进行半径为2毫米的膨胀操作,得到初始缺血候选区域图像数据。初始缺血区域图像数据减去缺血金标准图像数据即为基于初始缺血区域图像数据的负样本。上述两个负样本的集合即为负样本集。
在上述步骤S103中,需要对正负样本进行特征提取及特征向量的构造,即对所述正样本集与所述负样本集进行特征向量提取,通过在线字典算法对所述正样本集的特征向量与所述负样本集的特征向量分别进行处理,获得第一子字典与第二子字典;将所述第一子字典与所述第二子字典合并,获得训练字典;具体方法如下:
对上述步骤中得到的样本点进行特征提取。所选择的特征包括:B0图像、DWI、ADC、(DWI-ADC)对中矢状面的非对称性图像(记为asymDWI-ADC(x,y,z))对应的邻域(如3x3邻域)的灰度均值,分别用b0_mean、b1000_mean、adc_mean、symDWI-ADC_mean表示,3X3X3邻接区域中的每个点的灰度值,用b0_patch[i],b1000_patch[i],adc_patch[i],asymDWI-ADC_patch[i](i=0,1,2,…,26)表示。由此,构造了维数为112的特征向量,表示为X0i=(b0_mean0i,b1000_mean0i,adc_mean0i,asymDWI-ADC_mean0i,
b0_patch[0]0i,…,b0_patch[26]0i,b1000_patch[0]0i,…,b1000_patch[26]0i,adc_patch[0]0i,…,adc_patch[26]0i,asymDWI-ADC_patch[0]0i,…,asymDWI-ADC_patch[26]0i]T.由此进一步构造出训练正负样本集表示为 其中p为特征数目,在本算法中为112,n0为正样本集的点的数目,n1为负样本的点的数目。注意,特征维数可以改变,112仅为一种可能的实现方式。
其中symDWI-ADC(x,y,z)可采用如下方式计算,
s(x,y,z)=DWI(x,y,z)-ADC(x,y,z).
中矢状面的方程为a*x*voxX+b*voxY*y+c*voxZ*z+d=0,其中a2+b2+c2=1,voxX/voxY/voxZ分别为原图像在X轴/Y轴/Z轴的体素大小(毫米),(x,y,z)为体素坐标,为非负整数。a,b,c,d可基于局部对称性与奇异点踢除得到,详细计算方法可见现已公开论文HuQM,NowinskiWL*.Arapidalgorithmforrobustandautomaticextractionofthemidsagittalplaneofthehumancerebrumfromneuroimagesbasedonlocalsymmetryandoutlierremoval.Neuroimage2003;20(4):2154-2166。
对于给定的轴向切片,对应于z为常数的平面,记为z0,中矢状面变成一条直线(中矢状线),直线方程为a*x*voxX+b*voxY*y+c*voxZ*z0+d=0。给定该平面的任意点(u,v)(即x=u,y=v),计算该点对中矢状线的对称点记为(u0,v0).计算以(u0,v0)为中心的一个邻域(如5*5邻域)内的s(x,y,z0)的最大值,记为smax(u0,v0,z0),则asymDWI-ADC(u,v,z0)取如下数值
s(u,v,z0)-smax(u0,v0,z0)若s(u,v,z0)>smax(u0,v0,z0),
0,若s(u,v,z0)<=smax(u0,v0,z0)
通过在线字典算法对所述正样本集的特征向量与所述负样本集的特征向量分别进行处理,获得第一子字典与第二子字典;将所述第一子字典与所述第二子字典合并,获得训练字典具体步骤如下:
利用上述步骤得到的两个正负样本集X0,X1作为输入,通过一种基于随机逼近的在线字典学习算法(MairalJ,BachF,PonceJ,SapiroG.Onlinelearningformatrixfactorizationandsparsecoding.JournalofMachineLearningResearch,11:19–60,2010)训练出两个子字典D1,D2。合并这两个子字典得到训练字典。
字典学习的目标函数为:
其中γ为正的常数,t为样本数,xi是输入的样本点,||·||1,||·||2分别为1阶及2阶范数,D为学习的字典。
在本算法中,分别用正样本X0,负样本X1作为输入,对应得到两个字典,记为将D1与D2合并,得到训练字典D={D1,D2}。D∈Rpxn,其中n=n0+n1,为所有训练样本的数目。
其次进行分割阶段,即上述实施例中的步骤S104阶段,在步骤S104中包含:通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。通过训练字典对待分割体素进行稀疏表示,得到稀疏系数,再根据稀疏系数分别计算第一子字典及第二子字典对每个测试点的重构误差,由重构误差判断待分割体素是否为缺血体素。选择初始缺血候选区域图像数据作为待分割数据,对所述待分割数据进行特征提取,获得待分割体素。该步骤具体如下:
在步骤104阶段中,通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。
对上述步骤得到的待分割样本点进行特征提取。所选择的特征包括:B0图像,DWI,ADC、asymDWI-ADC图像对应的邻域(如3X3邻域)的灰度均值,分别用b0_mean,b1000_mean,adc_mean,asymDWI-ADC_mean表示,3X3X3邻接区域中的每个点的灰度值,用b0_patch[i],b1000_patch[i],adc_patch[i],asymDWI-ADC_patch[i]表示(i=0,1,…,26)。由此,构造了维数为112的特征向量,表示为Yi=(b0_meani,b1000_meani,adc_meani,asymDWI-ADC_meani,b0_patch[0]i,…,b0_patch[26]i,b1000_patch[0]i,…,b1000_patch[26]i,adc_patch[0]i,…,adc_patch[26]i,asymDWI-ADC_patch[0]i,asymDWI-AD C_patch[26]i,]T。
由此进一步构造出待分割样本集合Y,表示为Y={Y0,…,Yi,…,Y.},其中m为待分割样本集的样本点的数目。
利用训练字典D,对测试集Y进行稀疏表示。有很多种方法实现稀疏表示,例如采用开源代码(http://spams-devel.gforge.inria.fr/documentation.html)。已知测试集Y={Y0,…,Yi,…,Y.}∈Rpxm,其中p=112,为特征的个数,m是测试集中样本点的个数。对训练字典D∈Rpxn,利用稀疏表示可以得到一个稀疏矩阵A∈Rnxm,该矩阵满足:
或
或
其中,γ与γ2是指定的常数,可去0.01到0.2之间的一个常数。
上述步骤中得到的稀疏矩阵A可以进一步表示为A={A0,A1}。其中 分别对应为用第一子字典D1、第二子字典D2表示的稀疏系数矩阵。
对R00[R00,…,R0i,…,R0.],R10[R10,…,R1i,…,R1.],R0,R1∈Rpx.,其中对待分割点Yi,由子字典D1稀疏表示得到的重构误差为R0i,由子字典D2稀疏表示得到的重构误差为R1i。比较重构误差R0i,R1i的L2范数‖R0i‖2和‖R1i‖2,如果‖R0i‖2<‖R1i‖2,则认为测试点Yi用子字典D1重构的误差更小,则将Yi判定为缺血;如果‖R0i‖2>‖R1i‖2,则认为测试点Yi用子字典D2重构的误差更小,则将Yi判定为非缺血;如果‖R0i‖2=‖R1i‖2,则根据测试点Yi是否属于初始核心缺血区来判断,若Yi属于初始缺血区域,则判定为缺血,若Yi属于初始缺血区域的邻接区域,则将Yi判定为正常。
最后请参考图6A到图6F所示,图6D为字典学习算法的分割结果效果图;可以看出,本发明的分割精度最高,效果较现有技术也更为清晰。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述处理方法包含:
获得磁共振图像数据,对磁共振图像数据作金标准处理,将金标准处理后的图像数据设定为正样本集;
通过金标准处理后的图像数据得到的负样本与基于初始缺血区域图像数据得到的负样本,获得负样本集;
对所述正样本集与所述负样本集进行特征向量提取,将提取的特征向量合并为训练字典;
通过初始缺血候选区域图像数据获得待分割体素;根据训练字典判断待分割体素是否为缺血体素。
2.根据权利要求1所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述通过金标准处理后的图像数据得到的负样本包含:对缺血金标准的图像数据进行特定半径的膨胀操作后得到的非缺血点集,整合所述非缺血点集获得所述负样本。
3.根据权利要求2所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述特定半径为2毫米。
4.根据权利要求1所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述基于初始缺血区域图像数据得到的负样本包含:对初始缺血区域的图像数据进行特定半径的膨胀操作,得到初始缺血候选区域的图像数据,初始缺血区域的图像数据减去缺血金标准的图像数据即为基于初始缺血区域的负样本。
5.根据权利要求4所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述特定半径为2毫米。
6.根据权利要求4所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述对所述正样本集与所述负样本集进行特征向量提取,将提取的特征向量合并为训练字典包含:通过在线字典算法对所述正样本集的特征向量与所述负样本集的特征向量分别进行处理,获得第一子字典与第二子字典;将所述第一子字典与所述第二子字典合并,获得训练字典。
7.根据权利要求6所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述根据训练字典判断待分割体素是否为缺血体素包含:通过训练字典对待分割体素进行稀疏表示,得到稀疏系数,再根据稀疏系数分别计算第一子字典及第二子字典对每个测试点的重构误差,由重构误差判断待分割体素是否为缺血体素。
8.根据权利要求1所述的急性缺血性卒中磁共振图像分析处理方法,其特征在于,所述通过初始缺血候选区域图像数据获得待分割体素还包含:选择初始缺血候选区域图像数据作为待分割数据,对所述待分割数据进行特征提取,获得待分割体素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410811369.0A CN105787918B (zh) | 2014-12-22 | 2014-12-22 | 一种急性缺血性卒中磁共振图像分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410811369.0A CN105787918B (zh) | 2014-12-22 | 2014-12-22 | 一种急性缺血性卒中磁共振图像分析处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787918A true CN105787918A (zh) | 2016-07-20 |
CN105787918B CN105787918B (zh) | 2020-09-25 |
Family
ID=56377232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410811369.0A Active CN105787918B (zh) | 2014-12-22 | 2014-12-22 | 一种急性缺血性卒中磁共振图像分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787918B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
CN108665465A (zh) * | 2018-05-14 | 2018-10-16 | 沈阳东软医疗系统有限公司 | 分割缺血半暗带的方法、装置、存储介质及设备 |
CN110859622A (zh) * | 2019-11-18 | 2020-03-06 | 东软医疗系统股份有限公司 | 成像方法、装置及核磁系统 |
CN112102233A (zh) * | 2020-08-05 | 2020-12-18 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005096227A1 (en) * | 2004-04-02 | 2005-10-13 | Agency For Science, Technology And Research | Locating a mid-sagittal plane |
CN101077301A (zh) * | 2006-05-26 | 2007-11-28 | 株式会社东芝 | 图像处理装置和磁共振成像装置 |
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 |
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
-
2014
- 2014-12-22 CN CN201410811369.0A patent/CN105787918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005096227A1 (en) * | 2004-04-02 | 2005-10-13 | Agency For Science, Technology And Research | Locating a mid-sagittal plane |
CN101077301A (zh) * | 2006-05-26 | 2007-11-28 | 株式会社东芝 | 图像处理装置和磁共振成像装置 |
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 |
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
CN108122221B (zh) * | 2016-11-29 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
CN108665465A (zh) * | 2018-05-14 | 2018-10-16 | 沈阳东软医疗系统有限公司 | 分割缺血半暗带的方法、装置、存储介质及设备 |
CN110859622A (zh) * | 2019-11-18 | 2020-03-06 | 东软医疗系统股份有限公司 | 成像方法、装置及核磁系统 |
CN110859622B (zh) * | 2019-11-18 | 2023-07-04 | 东软医疗系统股份有限公司 | 成像方法、装置及核磁系统 |
CN112102233A (zh) * | 2020-08-05 | 2020-12-18 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
CN112102233B (zh) * | 2020-08-05 | 2023-12-26 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105787918B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beheshti et al. | Structural MRI-based detection of Alzheimer's disease using feature ranking and classification error | |
CN105787918A (zh) | 一种急性缺血性卒中磁共振图像分析处理方法 | |
Mayer et al. | An adaptive mean-shift framework for MRI brain segmentation | |
Chan et al. | A two-stage image segmentation method for blurry images with poisson or multiplicative gamma noise | |
CN107016395B (zh) | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 | |
Bowles et al. | Brain lesion segmentation through image synthesis and outlier detection | |
Zhang et al. | Structured learning for 3-D perivascular space segmentation using vascular features | |
Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
WO2020123767A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
Hamad et al. | Brain's tumor edge detection on low contrast medical images | |
Usman et al. | Gaussian smoothing and modified histogram normalization methods to improve neural-biomarker interpretations for dyslexia classification mechanism | |
Liu et al. | Tree-guided sparse coding for brain disease classification | |
DiGregorio et al. | Intracranial volume segmentation for neurodegenerative populations using multicentre FLAIR MRI | |
Zhan et al. | Multimodal spatial-based segmentation framework for white matter lesions in multi-sequence magnetic resonance images | |
Michikawa et al. | Automatic extraction of endocranial surfaces from CT images of crania | |
Zu et al. | Multi-modality feature selection with adaptive similarity learning for classification of Alzheimer's disease | |
Ong et al. | Detection of subtle white matter lesions in MRI through texture feature extraction and boundary delineation using an embedded clustering strategy | |
CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
He et al. | Multi-channel features based automated segmentation of diffusion tensor imaging using an improved FCM with spatial constraints | |
Somasundaram et al. | Binarization of MRI with intensity inhomogeneity using K-Means clustering for segmenting Hippocampus | |
Aswathy et al. | MRI brain tumor segmentation using genetic algorithm with SVM classifier | |
Wang et al. | Rapid and automatic detection of brain tumors in MR images | |
Huang et al. | Segmentation and tracking of lymphocytes based on modified active contour models in phase contrast microscopy images | |
Yazdani et al. | Automatic region-based brain classification of MRI-T1 data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |