CN105816192A - 个体化人脑多模态医学影像的三维配准及提取脑组织方法 - Google Patents
个体化人脑多模态医学影像的三维配准及提取脑组织方法 Download PDFInfo
- Publication number
- CN105816192A CN105816192A CN201610121168.7A CN201610121168A CN105816192A CN 105816192 A CN105816192 A CN 105816192A CN 201610121168 A CN201610121168 A CN 201610121168A CN 105816192 A CN105816192 A CN 105816192A
- Authority
- CN
- China
- Prior art keywords
- registration
- probability
- sigma
- data
- cerebral tissue
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种个体化人脑多模态医学影像的三维配准及提取脑组织方法,其步骤:读取DICOM医学影像数据,并将DICOM格式数据转换为NIfTI格式;将核磁共振结构像分层:采用ICBM的东亚大脑结构模板和东亚大脑组织概率图谱,建立混合高斯模型,将核磁数据分为灰质、白质以及脑脊液部分;其他模态数据与核磁结构像配准方法相同;依据分层和配准结果去除各模态颅骨及以外部分,保留颅骨以内部分结构;以结构像分层获得的灰质、白质和脑脊液三种组织概率图加权相加获得脑组织概率图,并以高斯核平滑;设定阈值,将阈值应用于配准和重采样后的各个模态影像数据,去除其中的头骨和头骨以外的部分;保存结果为NIfTI格式输出。本发明能同时完成一名被试的多种结构像与多平面重建像的配准。
Description
技术领域
本发明涉及一种医学领域中图像三维配准及提取脑组织方法,特别是关于一种个体化人脑多模态医学影像的三维配准及提取脑组织方法。
背景技术
癫痫外科涉及到致痫灶定位、大脑皮层功能定位及颅内电极定位问题。颅内电极采集到的发作期特征性脑电信号和皮层电刺激结果均需要绘制到大脑皮层的对应结构上,这对于致痫灶的定位和手术切除范围的制定都具有显而易见的帮助。这些问题的解决离不开医学影像和计算机技术的发展。
针对颅内电极埋置术后的患者,为了显示手术中暴露的大脑皮层、埋藏的颅内电极与大脑整体形态之间关系,人们开发了很多种方法,列举如下:第一种方法是将术中数码照片与磁共振成像(magneticresonanceimaging,MRI)影像融合,但是重建的皮层形态不佳,也缺乏血管作为定位标志,由于部分电极位于骨窗以外,即使术中进行拍照也无法将其与皮层表面进行位置关系对应,这种情况对于皮层功能的电刺激绘图和手术中的重要功能保护都是不利的。第二种方法是采用颅内电极埋置术后的头颅X光和术前MRI进行配准,可以显示颅内电极在皮层上的位置,但是对于颅底和中线部位的电极不能很好的显示。第三种方法是采用AFNI软件将计算机断层扫描(computedtomography,CT)显示的颅内电极的伪影投射至根据MRI重建的脑软膜表面,在SUMA软件中进行显示,与实际电极位置仍存在差距。第四种方法是采用自编Matalab程序对术中照片进行采样,按脑表曲线进行勾画得到颅内电极位置,但是与实际电极位置同样存在差异,对于骨窗外被遮挡的电极仍无法定位。第五种方法是采用FSL软件中的FLIRT模块进行图像配准,选择9参数刚性配准,结果并不是很稳定,对于正电子发射型计算机断层显像(positronemissiontomography,PET)和薄层Flair冠状位成像配准结果不理想,并且只能分次进行单个图像配准(以MRI结构像为参考),不能同时进行多个影像的配准,并且因为配准的CT影像未去除颅骨以外结构,生成的电极三维图像包括电极的延长导线以及颞骨的高密度骨质,手工去除这些结构需要耗费很长时间。
上述这些方法大多只是涉及到两种医学影像的配准问题,如MRI与X光检查或者MRI与CT检查。而随着医学影像检查手段的进步,癫痫外科针对致痫灶的定位范围也从脑区向脑回方向过渡。局灶性皮质发育不良(focalcorticaldysplasia,FCD)是一种典型并且常见的导致癫痫发作的病理类型,有约1/3的II型FCD患者的MRI检查呈阴性,而通过PET与MRI融合成像能使这种微小致痫病灶被发现,从而使此类病灶导致的药物难治性癫痫患者的手术治疗效果也越来越好。目前PET/MRI检查采用的有同机扫瞄和异机扫瞄2种,同机扫描由于可以使患者头位保持不变,图像不经过配准就可以很方便的融合,但是目前这种设备还未经过国家相关部门的审批用于临床,而且设备本身价格也很昂贵。异机扫描由于是在不同的检查仪器上得到的图像,患者头部相对于扫描线圈位置存在变动,这时就需要进行图像的配准,才能达到图像融合的目的。
目前采用的医学影像配准软件包括商用导航软件(如美敦力公司的StealthStationS7SurgicalNavigationSystem、BrainLabCranialNavigation等)以及其他一些开源软件(如BioImageSuite、3Dslicer、Analyze、SPM、FSL、AFNI等)。但是这些商用导航软件配准后的图像无法导出到其他的软件中进行三维成像,而其本身又无法调节PET成像需要的颜色设置,无法满足临床需求。尽管导航软件也可以很好的将颅内电极埋置术后的CT与术前MRI进行配准,但是无法进行电极位置校正和颅骨去除,影响颅内电极的三维呈现。而开源软件存在不能自动配准、不能进行多模态影像同时处理等问题,不能适应临床对稳定性和处理效率的需求。
发明内容
针对上述问题,本发明的目的是提供一种个体化人脑多模态医学影像的三维配准及提取脑组织方法,该方法能同时完成一名被试的CT、磁共振血管造影(magneticresonanceangiography,MRA)、磁共振静脉成像(magneticresonancevenography,MRV)、PET、脑磁图(magnetoencephalogram,MEG)与多平面重建像(multi-planarreconstruction,MPR)的配准,并保存为NIfTI格式(NIfTI,全称NeuroimagingInformaticsTechnologyInitiative,神经影像学信息技术倡议),进而方便导入到其他三维成像软件中进一步加工处理。
为实现上述目的,本发明采取以下技术方案:一种个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于,该方法包括以下步骤:(1)读取DICOM医学影像数据,并将DICOM格式数据转换为NIfTI格式;(2)将核磁共振结构像分层:采用ICBM的东亚大脑结构模板和东亚大脑组织概率图谱,建立混合高斯模型,将核磁数据分为灰质、白质以及脑脊液部分;(3)其他模态数据与核磁结构像配准方法相同,如步骤(2);(4)依据分层和配准结果去除各模态颅骨及以外部分,保留颅骨以内部分结构;(4.1)以结构像分层获得的灰质、白质和脑脊液三种组织概率图加权相加获得脑组织概率图,并以高斯核平滑;(4.2)设定阈值,将阈值应用于配准和重采样后的各个模态影像数据,去除其中的颅骨和颅骨以外的部分;(5)保存结果为NIfTI格式输出。
进一步,所述步骤(1)中,将核磁共振结构像DICOM格式数据、需要配准的各模态的DICOM格式影像数据都转换为NIfTI格式文件并保存。
进一步,所述步骤(2)中,核磁共振结构像分层方法具体如下:(2.1)将核磁共振结构像与ICBM东亚大脑结构模板配准,(2.2)通过建立混合高斯模型,并用ICBM东亚大脑组织概率图谱作为先验概率输入,优化求得空间每种脑组织的概率分布,对核磁数据进行分层。
进一步,所述步骤(2.1)中,配准方法如下:(2.1.1)计算核磁共振结构像数据的标准分数Z分数,使图像数据取值范围与模板一致,实现核磁共振结构像数据标准化;(2.1.2)采用现有技术中的仿射变换配准模板数据矩阵和影像数据矩阵,仿射变换后采用4阶B-样条法重新采样;优化目标函数为模板数据矩阵与核磁数据矩阵的互信息。
进一步,所述步骤(2.1.2)中,两个数据矩阵的互信息表示为:
式中,I(X;Y)表示两个数据矩阵的互信息,X表示标准化后影像数据矩阵;Y表示模板数据矩阵;p(x,y)是X和Y的联合概率分布函数;p(x)和p(y)分别是X和Y的边缘概率分布函数。
进一步,所述步骤(2.2)中,某一体素亮度值在混合高斯模型下的概率为:
式中,P(yi|μ,σ2,γ)表示混合高斯模型的概率密度;μ表示高斯分布的均值;σ2表示高斯分布的方差;γ表示高斯分布的权重;K表示高斯分布的个数,即有多少种不同的组织;μk表示第k个高斯分布的均值;表示第k个高斯分布的方差;yi表示某一亮度值。
进一步,所述步骤(2.2)中,分层方法如下:(2.2.1)加入偏移场参数以去除伪迹:对影像数据矩阵施以偏移场参数β,得到ρi(β),则每个高斯分布的均值为μk/ρi(β)、方差为(σk/ρi(β))2,并代入混合高斯模型;(2.2.2)在脑组织概率图谱中加入变形场参数,以应对脑结构个体差异以及任何可能的病变带来的脑结构变化;变形场参数用α表示,以bik(α)表示在给定k种组织概率权重γ的情况下,体素i属于组织k的概率,则每个像素在该变形场参数作用下属于每种组织的概率为:
(2.2.3)目标函数为所有体素在所有组织中的联合概率E;(2.2.4)求解目标函数的各参数:先对变形场α、偏移场参数β采用Levenberg-Marquardt优化法求得,再采用E-M优化法求得μ、σ和γ,重复此过程直至结果收敛。
进一步,联合概率E为:
进一步,所述步骤(4.2)中,阈值在[0.40.7]之间选取。
本发明由于采取以上技术方案,其具有以下优点:1、本发明不需要在图像上进行手工标定来配准,完全自动化运行,节省人力和时间成本。2、本发明可以同时完成全部医学影像的配准(以MPR像为参考),分次完成也具有很好的重复性。3、本发明同时实现脑皮层以外颅骨及头皮结构的去除,减少颅内电极埋置术后颅内电极外置接口及延长线对根据CT阈值进行的颅内电极三维模型重建的干扰。4、本发明由于输出为NIfTI格式文件,因此可以广泛用在其它三维成像软件中,进行阈值分割,三维重建。
附图说明
图1是本发明的整体流程示意图;
图2a是本发明的ICBM东亚大脑结构模板灰质组织概率示意图;
图2b是本发明的ICBM的东亚大脑结构模板白质组织概率示意图;
图2c是本发明的ICBM的东亚大脑结构模板脑脊液和其他软组织概率图示意图;
图2d是本发明的ICBM的东亚大脑结构模板头骨外空间概率示意图;
图3a是本发明的核磁共振结构像分层中二维7阶偏移场示意图;
图3b是本发明的核磁共振结构像分层中未加偏移场图像示意图;
图3c是本发明的核磁共振结构像分层中采用优化求解得到的偏移场参数二维示意图;
图3d是本发明的核磁共振结构像分层中从原始图像中去除偏移场项得到的校正后的图像示意图;
图4a是本发明的核磁共振结构像分层中二维的位移场强度示意图;
图4b是本发明的核磁共振结构像分层中二维的位移场效果示意图;
图4c是本发明的核磁共振结构像分层中优化求解得到的二维的位移场施加于图像之前和之后的效果示意图;
图5a是本发明配准后的PET影像示意图;
图5b是本发明去除颅骨及颅骨外部分的PET影像示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种个体化人脑多模态医学影像的三维配准及提取脑组织方法,其包括以下步骤:
(1)读取DICOM医学影像数据,并将DICOM格式数据转换为NIfTI格式;
(1.1)将核磁共振结构像(3TT1-MPR)DICOM格式数据转换为NIfTI格式并保存;
(1.2)将需要配准的各模态(例如CT、MRA、MRV、T2-flair、MEG、18FDG-PET代谢成像等)的DICOM格式影像数据转换为NIfTI格式文件并保存;
(2)将核磁共振结构像分层:采用ICBM(internationalconsortiumforbrainmapping,人脑舆图联盟)的东亚大脑结构模板和东亚大脑组织概率图谱,建立混合高斯模型,将核磁数据分为灰质、白质以及脑脊液等部分;
核磁共振结构像分层方法具体如下:
(2.1)将核磁共振结构像与ICBM东亚大脑结构模板配准,其步骤如下:
(2.1.1)计算核磁共振结构像数据的标准分数Z分数,使图像数据取值范围与模板一致,实现核磁共振结构像数据标准化;
(2.1.2)采用现有技术中的仿射变换配准模板数据矩阵和影像数据矩阵(即核磁数据矩阵),仿射变换后采用4阶B-样条法重新采样。优化目标函数为模板数据矩阵与核磁数据矩阵的互信息,两个数据矩阵的互信息表示为:
式中,I(X;Y)表示两个数据矩阵的互信息,X表示标准化后影像数据矩阵;Y表示模板数据矩阵;p(x,y)是X和Y的联合概率分布函数;p(x)和p(y)分别是X和Y的边缘概率分布函数。优化过程采用Powell算法。
其中,影像数据矩阵的仿射变换可表示为:
式中,(y1,y2,y3)T为仿射变换后的坐标,(x1,x2,x3)T为仿射变换前的坐标。
(2.2)通过建立混合高斯模型,并用ICBM东亚大脑组织概率图谱(如图2a~图2d所示)作为先验概率输入,优化求得空间每种脑组织的概率分布,对核磁数据进行分层;
其中,某一体素亮度值在混合高斯模型下的概率可表示为:
式中,P(yi|μ,σ2,γ)表示混合高斯模型的概率密度;μ表示高斯分布的均值;σ2表示高斯分布的方差;γ表示高斯分布的权重;K表示高斯分布的个数,即有多少种不同的组织;μk表示第k个高斯分布的均值;表示第k个高斯分布的方差;yi表示某一亮度值;
(2.2.1)加入偏移场参数以去除伪迹:对影像数据矩阵施以偏移场参数β(如图3a~图3d所示),得到ρi(β),则每个高斯分布的均值为μk/ρi(β)、方差为(σk/ρi(β))2,并代入混合高斯模型:
(2.2.2)在脑组织概率图谱中加入变形场参数,以应对脑结构个体差异以及任何可能的病变带来的脑结构变化(如图4a~图4c所示)。变形场参数用α表示,以bik(α)表示在给定k种组织概率权重γ的情况下,体素i属于组织k的概率。则每个像素在该变形场参数作用下属于每种组织的概率为:
(2.2.3)目标函数为所有体素在所有组织中的联合概率E,取负对数得到:
(2.2.4)求解目标函数的各参数:先对变形场α、偏移场参数β采用Levenberg-Marquardt优化法求得,再采用E-M优化法求得μ、σ和γ,重复此过程直至结果收敛。
(3)其他模态数据与核磁结构像配准方法相同,如步骤(2.1)。
(4)依据分层和配准结果去除各模态颅骨及以外部分,保留颅骨以内部分结构。
(4.1)以结构像分层获得的灰质、白质和脑脊液三种组织概率图加权相加获得脑组织概率图,并以高斯核平滑;
(4.2)设定阈值,将阈值应用于配准和重采样后的各个模态影像数据,去除其中的颅骨和颅骨以外的部分,如图5a、图5b所示。其中,阈值取值可在[0.40.7]之间选取。
(5)保存结果为NIfTI格式输出,可以输入其他成像软件查看和校验。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (9)
1.一种个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于,该方法包括以下步骤:
(1)读取DICOM医学影像数据,并将DICOM格式数据转换为NIfTI格式;
(2)将核磁共振结构像分层:采用ICBM的东亚大脑结构模板和东亚大脑组织概率图谱,建立混合高斯模型,将核磁数据分为灰质、白质以及脑脊液部分;
(3)其他模态数据与核磁结构像配准方法相同,如步骤(2);
(4)依据分层和配准结果去除各模态颅骨及以外部分,保留颅骨以内部分结构;
(4.1)以结构像分层获得的灰质、白质和脑脊液三种组织概率图加权相加获得脑组织概率图,并以高斯核平滑;
(4.2)设定阈值,将阈值应用于配准和重采样后的各个模态影像数据,去除其中的颅骨和颅骨以外的部分;
(5)保存结果为NIfTI格式输出。
2.如权利要求1所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(1)中,将核磁共振结构像DICOM格式数据、需要配准的各模态的DICOM格式影像数据都转换为NIfTI格式文件并保存。
3.如权利要求1所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(2)中,核磁共振结构像分层方法具体如下:
(2.1)将核磁共振结构像与ICBM东亚大脑结构模板配准,
(2.2)通过建立混合高斯模型,并用ICBM东亚大脑组织概率图谱作为先验概率输入,优化求得空间每种脑组织的概率分布,对核磁数据进行分层。
4.如权利要求3所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(2.1)中,配准方法如下:
(2.1.1)计算核磁共振结构像数据的标准分数Z分数,使图像数据取值范围与模板一致,实现核磁共振结构像数据标准化;
(2.1.2)采用现有技术中的仿射变换配准模板数据矩阵和影像数据矩阵,仿射变换后采用4阶B-样条法重新采样;优化目标函数为模板数据矩阵与核磁数据矩阵的互信息。
5.如权利要求4所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(2.1.2)中,两个数据矩阵的互信息表示为:
式中,I(X;Y)表示两个数据矩阵的互信息,X表示标准化后影像数据矩阵;Y表示模板数据矩阵;p(x,y)是X和Y的联合概率分布函数;p(x)和p(y)分别是X和Y的边缘概率分布函数。
6.如权利要求3所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(2.2)中,某一体素亮度值在混合高斯模型下的概率为:
式中,P(yi|μ,σ2,γ)表示混合高斯模型的概率密度;μ表示高斯分布的均值;σ2表示高斯分布的方差;γ表示高斯分布的权重;K表示高斯分布的个数,即有多少种不同的组织;μk表示第k个高斯分布的均值;表示第k个高斯分布的方差;yi表示某一亮度值。
7.如权利要求3所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(2.2)中,分层方法如下:
(2.2.1)加入偏移场参数以去除伪迹:对影像数据矩阵施以偏移场参数β,得到ρi(β),则每个高斯分布的均值为μk/ρi(β)、方差为(σk/ρi(β))2,并代入混合高斯模型;
(2.2.2)在脑组织概率图谱中加入变形场参数,以应对脑结构个体差异以及任何可能的病变带来的脑结构变化;变形场参数用α表示,以bik(α)表示在给定k种组织概率权重γ的情况下,体素i属于组织k的概率,则每个像素在该变形场参数作用下属于每种组织的概率为:
(2.2.3)目标函数为所有体素在所有组织中的联合概率E;
(2.2.4)求解目标函数的各参数:先对变形场α、偏移场参数β采用Levenberg-Marquardt优化法求得,再采用E-M优化法求得μ、σ和γ,重复此过程直至结果收敛。
8.如权利要求7所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:联合概率E为:
9.如权利要求1所述的个体化人脑多模态医学影像的三维配准及提取脑组织方法,其特征在于:所述步骤(4.2)中,阈值在[0.40.7]之间选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610121168.7A CN105816192A (zh) | 2016-03-03 | 2016-03-03 | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610121168.7A CN105816192A (zh) | 2016-03-03 | 2016-03-03 | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105816192A true CN105816192A (zh) | 2016-08-03 |
Family
ID=56987453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610121168.7A Pending CN105816192A (zh) | 2016-03-03 | 2016-03-03 | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105816192A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570837A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
CN107507212A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院深圳先进技术研究院 | 数字脑可视化方法、装置、计算设备及存储介质 |
CN108013933A (zh) * | 2017-12-14 | 2018-05-11 | 复旦大学 | 基于集成学习的大脑功能影像定位方法 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN108564607A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学苏州脑空间信息研究院 | 三维脑图谱数据集空间校准方法及系统 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN109427058A (zh) * | 2017-08-17 | 2019-03-05 | 西门子保健有限责任公司 | 医学图像中的自动变化检测 |
CN109620201A (zh) * | 2018-12-07 | 2019-04-16 | 南京国科医工科技发展有限公司 | 柔性多导联帽式脑磁仪及其高精度成像方法 |
US10346719B2 (en) | 2017-09-19 | 2019-07-09 | Taipei Veterans General Hospital | Magnetic resonance image analysis method and method for evaluating the risks of radiotherapy |
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
CN112396584A (zh) * | 2020-11-19 | 2021-02-23 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN115312181A (zh) * | 2022-07-22 | 2022-11-08 | 首都医科大学宣武医院 | 脑网络疾病手术预后判断方法、系统及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080064950A1 (en) * | 2006-09-13 | 2008-03-13 | Jarmo Ruohonen | Method and Apparatus for Correcting an Error in the Co-Registration of Coordinate Systems Used to Represent Objects Displayed During Navigated Brain Stimulation |
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
CN101866485A (zh) * | 2010-06-10 | 2010-10-20 | 西北工业大学 | 三维大脑磁共振图像大脑皮层表面最大主方向场弥散方法 |
CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
EP2654592A1 (en) * | 2010-12-21 | 2013-10-30 | Renishaw (Ireland) Limited | Method and apparatus for analysing images |
CN103945765A (zh) * | 2011-11-16 | 2014-07-23 | 皇家飞利浦有限公司 | 计算并呈现灰质中的脑部淀粉样物质的方法 |
CN104050666A (zh) * | 2014-06-10 | 2014-09-17 | 电子科技大学 | 基于分割的脑部mr图像配准方法 |
WO2014138997A1 (en) * | 2013-03-15 | 2014-09-18 | Synaptive Medical (Barbados) Inc. | System and method for detecting tissue and fiber tract deformation |
WO2015055599A2 (en) * | 2013-10-18 | 2015-04-23 | Koninklijke Philips N.V. | Registration of medical images |
-
2016
- 2016-03-03 CN CN201610121168.7A patent/CN105816192A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080064950A1 (en) * | 2006-09-13 | 2008-03-13 | Jarmo Ruohonen | Method and Apparatus for Correcting an Error in the Co-Registration of Coordinate Systems Used to Represent Objects Displayed During Navigated Brain Stimulation |
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN101739681A (zh) * | 2009-12-14 | 2010-06-16 | 西北工业大学 | 基于相关预测模型的磁共振图像中检测结构形变的方法 |
CN101866485A (zh) * | 2010-06-10 | 2010-10-20 | 西北工业大学 | 三维大脑磁共振图像大脑皮层表面最大主方向场弥散方法 |
EP2654592A1 (en) * | 2010-12-21 | 2013-10-30 | Renishaw (Ireland) Limited | Method and apparatus for analysing images |
CN102222156A (zh) * | 2011-03-30 | 2011-10-19 | 南京大学医学院附属鼓楼医院 | 人脑中水分子弥散模型的建立方法 |
CN103945765A (zh) * | 2011-11-16 | 2014-07-23 | 皇家飞利浦有限公司 | 计算并呈现灰质中的脑部淀粉样物质的方法 |
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
WO2014138997A1 (en) * | 2013-03-15 | 2014-09-18 | Synaptive Medical (Barbados) Inc. | System and method for detecting tissue and fiber tract deformation |
WO2015055599A2 (en) * | 2013-10-18 | 2015-04-23 | Koninklijke Philips N.V. | Registration of medical images |
CN104050666A (zh) * | 2014-06-10 | 2014-09-17 | 电子科技大学 | 基于分割的脑部mr图像配准方法 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570837A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 |
CN106570837B (zh) * | 2016-10-28 | 2019-12-17 | 中国人民解放军第三军医大学 | 基于高斯多尺度空间的脑组织mri图像偏移场校正方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
CN106780515B (zh) * | 2017-01-04 | 2019-09-27 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN106897993B (zh) * | 2017-01-12 | 2019-07-26 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN107103612B (zh) * | 2017-03-28 | 2018-12-07 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
WO2018176985A1 (zh) * | 2017-03-28 | 2018-10-04 | 深圳博脑医疗科技有限公司 | 自动化区分脑萎缩程度的定量计算方法 |
CN107103612A (zh) * | 2017-03-28 | 2017-08-29 | 深圳博脑医疗科技有限公司 | 自动化分区域脑萎缩程度的定量计算方法 |
CN109427058A (zh) * | 2017-08-17 | 2019-03-05 | 西门子保健有限责任公司 | 医学图像中的自动变化检测 |
CN107507212A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院深圳先进技术研究院 | 数字脑可视化方法、装置、计算设备及存储介质 |
US10346719B2 (en) | 2017-09-19 | 2019-07-09 | Taipei Veterans General Hospital | Magnetic resonance image analysis method and method for evaluating the risks of radiotherapy |
CN108013933A (zh) * | 2017-12-14 | 2018-05-11 | 复旦大学 | 基于集成学习的大脑功能影像定位方法 |
WO2019136745A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳博脑医疗科技有限公司 | 一种基于磁共振图像的脑龄测试方法及脑龄测试装置 |
CN108210072A (zh) * | 2018-02-08 | 2018-06-29 | 扈玉华 | 基于mri和cta的脑组织及血管实体复合模型的制备方法 |
CN108564607A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学苏州脑空间信息研究院 | 三维脑图谱数据集空间校准方法及系统 |
CN108564607B (zh) * | 2018-04-08 | 2021-08-03 | 华中科技大学苏州脑空间信息研究院 | 三维脑图谱数据集空间校准方法及系统 |
CN109410221B (zh) * | 2018-10-31 | 2022-01-11 | 上海联影医疗科技股份有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN109620201A (zh) * | 2018-12-07 | 2019-04-16 | 南京国科医工科技发展有限公司 | 柔性多导联帽式脑磁仪及其高精度成像方法 |
CN109620201B (zh) * | 2018-12-07 | 2023-04-14 | 南京国科精准医学科技有限公司 | 柔性多导联帽式脑磁仪及其高精度成像方法 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110458869B (zh) * | 2019-05-10 | 2021-10-19 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
CN111973180B (zh) * | 2020-09-03 | 2021-09-17 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
CN112396584A (zh) * | 2020-11-19 | 2021-02-23 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN112396584B (zh) * | 2020-11-19 | 2023-09-08 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN115312181A (zh) * | 2022-07-22 | 2022-11-08 | 首都医科大学宣武医院 | 脑网络疾病手术预后判断方法、系统及装置 |
CN115312181B (zh) * | 2022-07-22 | 2023-05-09 | 首都医科大学宣武医院 | 脑网络疾病手术预后判断方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105816192A (zh) | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 | |
Yushkevich et al. | ITK-SNAP: an intractive medical image segmentation tool to meet the need for expert-guided segmentation of complex medical images | |
Collins et al. | Automatic 3‐D model‐based neuroanatomical segmentation | |
ES2414614T3 (es) | Herramientas para ayudar en el diagnóstico de enfermedades neurodegenerativas | |
Rousseau et al. | BTK: an open-source toolkit for fetal brain MR image processing | |
US9741131B2 (en) | Anatomy aware articulated registration for image segmentation | |
Matsubara et al. | A review on AI in PET imaging | |
Liu | Symmetry and asymmetry analysis and its implications to computer-aided diagnosis: A review of the literature | |
US8588498B2 (en) | System and method for segmenting bones on MR images | |
US9224204B2 (en) | Method and apparatus for registration of multimodal imaging data using constraints | |
US9730615B2 (en) | Automated surface-based anatomical analysis based on atlas-based segmentation of medical imaging | |
Li et al. | Simultaneous and consistent labeling of longitudinal dynamic developing cortical surfaces in infants | |
Mertzanidou et al. | MRI to X-ray mammography registration using a volume-preserving affine transformation | |
Yang et al. | Research and development of medical image fusion | |
CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
Liu et al. | Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets | |
Mohtasebi et al. | Modeling of neonatal skull development using computed tomography images | |
Garcia et al. | Multimodal breast parenchymal patterns correlation using a patient-specific biomechanical model | |
Lauritzen et al. | Evaluation of CT image synthesis methods: From atlas-based registration to deep learning | |
Singh et al. | Accurate estimation of total intracranial volume in MRI using a multi-tasked image-to-image translation network | |
Ghadimi et al. | Segmentation of scalp and skull in neonatal MR images using probabilistic atlas and level set method | |
Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
Jiao et al. | Anatomy-aware self-supervised fetal MRI synthesis from unpaired ultrasound images | |
Positano et al. | Automatic characterization of myocardial perfusion in contrast enhanced MRI | |
Kim et al. | SLIMMER: SLIce MRI motion estimation and reconstruction tool for studies of fetal anatomy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160803 |