CN106510708A - 用于多对比度脑磁共振数据中异常检测的框架 - Google Patents

用于多对比度脑磁共振数据中异常检测的框架 Download PDF

Info

Publication number
CN106510708A
CN106510708A CN201610827542.5A CN201610827542A CN106510708A CN 106510708 A CN106510708 A CN 106510708A CN 201610827542 A CN201610827542 A CN 201610827542A CN 106510708 A CN106510708 A CN 106510708A
Authority
CN
China
Prior art keywords
abnormal
view data
computer
brain
voxel
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
Application number
CN201610827542.5A
Other languages
English (en)
Other versions
CN106510708B (zh
Inventor
H.E.策廷古尔
M.S.纳达尔
B.L.奥德里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Ag
Original Assignee
Siemens AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to CN201910992877.6A priority Critical patent/CN110710973B/zh
Publication of CN106510708A publication Critical patent/CN106510708A/zh
Application granted granted Critical
Publication of CN106510708B publication Critical patent/CN106510708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0013—Medical image data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/201—Assessing renal or kidney functions

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种用于在磁共振(MR)脑图像数据中识别异常的计算机实现的方法包括：计算机接收对象的脑部的多对比度MR图像数据；以及在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域。所述计算机创建健康区域的模型，基于异常区域和模型为多对比度MR图像数据中的每个体素计算新奇得分，以及基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。

Description

用于多对比度脑磁共振数据中异常检测的框架
技术领域
本发明一般地涉及用于在多对比度磁共振成像(MRI)脑数据中检测异常的方法、系统和设备。公开的技术可被应用于例如多发性硬化(MS)、创伤性脑损伤、缺血性中风和非典型神经胶质瘤的检测。
背景技术
在成像数据中自动地检测异常(例如，肿瘤、损害或诸如金属植入物之类的结构等形式的病状)的问题已在几年间成为感兴趣的话题。特别地，自从出现现在的多对比度(例如，T1/T2/PD/FLAIR/SWI) MR成像协议以来，扩散异常损害(例如，在具有多发性硬化、创伤性脑损伤的病人的脑图像中遇到的超强度)的检测和描绘已获得进步。然而，由于获取的图像中的病状(例如，高度扩散与以某种方式聚焦的空间分布、高度可变的对比度分布等)的复杂表现，这个问题充满挑战性。因此，手工描绘仍然是临床中的惯例。另外，现有技术医疗图像分析方案经常采用监督学习方案，所述监督学习方案为了“鲁棒性”而需要仔细设计的特征/生物标记和大量的训练数据。这些方案可能无法提升病人特定试验台，并且它们隐含地或明确地旨在推断可能不需要的针对异常的模型或表示。
新奇检测(ND)(在文献中也被称为异常或异常点检测)已在二十多年间成为研究人员感兴趣的话题。已有新奇检测技术能够被分类为概率、基于距离、基于域、基于重构和信息理论ND，其中应用范围为从IT安全、文本挖掘、工业监测和损伤检测到健康护理信息学和医学诊断和监测。
因此，给定ND中可用的能力，希望提供一种用于在多对比度磁共振成像(MRI)脑数据中检测异常的情况下应用ND的框架。
发明内容
通过提供与在多对比度脑MR数据中检测异常的完整医疗图像分析框架相关的方法、系统和设备，本发明的实施例解决和克服一个或多个以上短处和缺点。公开的技术可被应用于例如脑异常的诊断/预后成像。可能的临床使用非限制性地包括多发性硬化、创伤性脑损伤、缺血性中风和非典型神经胶质瘤。这里描述的技术的扩展也能够被用于其它器官(诸如，肝脏和肺)中的肿瘤检测。
根据本发明的一些实施例，用于在磁共振(MR)脑图像数据中识别异常的计算机实现的方法包括：计算机接收对象的脑部的多对比度MR图像数据；以及在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域。所述计算机创建健康区域的模型，基于异常区域和模型为多对比度MR图像数据中的每个体素计算新奇得分，以及基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
可在本发明的不同实施例中改进、增强、补充或以其它方式修改前述方法的特征。例如，在一些实施例中，在识别异常区域和健康区域之前，一个或多个图像预处理过程被应用于多对比度MR图像数据。这些图像预处理过程可包括例如不均匀性校正过程、运动校正过程、头骨剥离过程、重采样过程、滤波/去噪声过程和/或高级组织分割过程。在一些实施例中，使用分析多变量极值理论(EVT)近似来为每个体素计算新奇得分。在一些实施例中，前述方法还包括：识别与高于预定阈值的新奇得分对应的多对比度MR图像数据中的体素。这些体素可随后被用于描述异常图中的异常。在一些实施例中，一个或多个解剖掩模可被用于识别异常图中的误报体素。这些误报体素可随后被识别为异常图中的健康组织。
在不同实施例中，前述方法中限定异常区域的过程也可不同。在一些实施例中，通过由用户使用可操作地耦合到计算机的图形用户界面手动地绘制的边框来限定异常区域。在其它实施例中，通过由计算机使用无监督变化检测方法自动产生的边框来限定异常区域，所述无监督变化检测方法搜索对象的左和右半脑中的最不同区域。在再其它实施例中，由计算机使用全自动过程限定异常区域，所述全自动过程分析多对比度MR图像数据并且产生被怀疑为异常的体素的列表。
各种类型的参数和非参数模型可被用于前述方法中。例如，在一些实施例中，使用高斯混合模型(GMM)。在这些实施例中，以上讨论的全自动过程可包括通过多个迭代经期望最大化(EM)将GMM拟合到多对比度MR图像数据。在这个全自动过程的每个迭代期间检查多对比度MR图像数据的每个体素以确定它应该被放置在异常区域中还是应该被放置在健康区域中。
根据本发明的其它实施例，一种用于在MR脑图像数据中识别异常的制品包括非临时性有形计算机可读介质，所述非临时性有形计算机可读介质保存用于执行具有或不具有以上讨论的附加特征的前述方法的计算机可执行指令。
根据其它实施例，一种用于在MR脑图像数据中识别异常的系统包括成像装置和计算机。所述成像装置被配置为获取对象的脑部的多对比度MR图像数据。所述计算机包括一个或多个处理器，所述一个或多个处理器被配置为：在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域，创建健康区域的模型，基于异常区域和模型为多对比度MR图像数据中的每个体素计算新奇得分，以及基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
通过下面参照附图进行的对说明性实施例的详细描述，本发明的另外的特征和优点将会变得显而易见。
附图说明
在结合附图阅读下面的详细描述时，根据下面的详细描述最好地理解本发明的前述和其它方面。出于说明本发明的目的，在附图中示出目前优选的实施例，然而，应该理解，本发明不限于公开的特定手段。附图中包括下面的图：
图1示出由本发明的一些实施例使用的用于对频域分量的获取进行排序的系统，该频域分量表示用于存储在k空间存储阵列中的磁共振图像数据；
图2提供根据本发明的一些实施例的图像分析框架的图示；
图3示出应用于在典型扩散和灌注图中缺血性中风的自动定位的边框的示例；
图4提供示出根据一些实施例的在图2中的步骤210D执行的过程的流程图；
图5A示出输入图像数据、模仿的损害和由图2中示出的框架给出的异常区域；
图5B示出输入图像、经注释损害和处于新奇得分阈值的不同水平的、由图2中示出的框架给出的结果；
图6示出输入图像、用于排除可疑异常的二元掩模和由我们的框架给出的异常区域；和
图7图示可在其中实现本发明的实施例的示例性计算环境。
具体实施方式
下面的公开根据几个实施例描述本发明，所述几个实施例涉及与在多对比度脑磁共振(MR)数据中检测异常的完整医疗图像分析框架相关的方法、系统和设备。更具体地讲，这里描述的医疗图像分析框架接受单个对象的多对比度(T1/T2/PD/FLAIR/SWI)脑MR数据，在具有用户引导或没有用户引导的情况下识别正常组织，执行这些正常组织的参数建模，并且把利用多变量极值理论(EVT)稍微修改的新奇检测(ND) 的版本应用于全部图像数据以便检测对象的脑部中的异常(如果存在的话)。这种框架可被应用于例如多发性硬化、创伤性脑损伤、缺血性中风和非典型神经胶质瘤的检测，并且因此，可被用于监测治疗。
图1示出由本发明的一些实施例使用的用于对频域分量的获取进行排序的系统100，该频域分量表示用于存储在k空间存储阵列中的MRI数据。在系统100中，磁线圈18在将要被成像并且位于台上的病人11的身体中创建静态基本磁场。梯度线圈14位于磁体系统内，梯度线圈14用于产生叠加在所述静态磁场上的位置相关磁场梯度。响应于由梯度和匀场线圈控制模块16提供给梯度线圈14的梯度信号，梯度线圈14在三个正交方向上产生位置相关并且已匀场的磁场梯度，并且产生磁场脉冲序列。已匀场的梯度补偿由病人解剖变化和其它源导致的MRI装置磁场中的不均匀性和可变性。磁场梯度包括应用于病人11的切片选择梯度磁场、相位编码梯度磁场和读出梯度磁场。
另外，射频(RF)模块20向RF线圈18提供RF脉冲信号，作为响应，所述RF线圈18产生磁场脉冲，所述磁场脉冲使成像的病人11的身体中的质子的自旋旋转九十度或旋转一百八十度以用于所谓的“自旋回声”成像，或者使成像的病人11的身体中的质子的自旋旋转小于或等于90度的角度以用于所谓的“梯度回声”成像。如中央控制单元26所指示的，梯度和匀场线圈控制模块16结合RF模块20控制切片选择、相位编码、读出梯度磁场、射频传送和磁共振信号检测，以获取表示病人11的平面切片的磁共振信号。
响应于应用的RF脉冲信号，当身体内的受激发的质子返回到由静态和梯度磁场建立的平衡位置时，RF线圈18接收磁共振信号，即来自身体内的受激发的质子的信号。磁共振信号由RF模块20内的检测器和k空间分量处理器单元34检测和处理以向图像数据处理器提供磁共振数据集从而处理成图像。在一些实施例中，图像数据处理器位于中央控制单元26中。然而，在其它实施例(诸如，图1中描述的实施例)中，图像数据处理器位于分开的单元27中。心电图(ECG)同步信号发生器30提供用于脉冲序列和成像同步的ECG信号。k空间分量处理器单元34中的个体数据元素的二维或三维k空间存储阵列存储包括磁共振数据集的对应个体频率分量。个体数据元素的k空间阵列具有指定的中心，并且个体数据元素具有相对于指定的中心的半径。
磁场发生器(包括线圈18、14和18)产生用于获取与存储阵列中的个体数据元素对应的多个个体频率分量的磁场。当在获取表示磁共振图像的磁共振数据集期间顺序地获取多个个体频率分量时，沿着基本上螺旋形的路径按照相应对应的个体数据元素的半径增加和减小的次序连续地获取个体频率分量。k空间分量处理器单元34中的存储处理器存储在阵列中的对应个体数据元素中使用磁场获取的个体频率分量。当获取多个顺序个体频率分量时，相应对应的个体数据元素的半径交替地增加和减小。磁场按照与阵列中的基本上相邻的个体数据元素的序列对应的次序获取个体频率分量，并且基本上使连续地获取的频率分量之间的磁场梯度变化最小化。
中央控制单元26使用存储在内部数据库中的信息以协调的方式处理检测到的磁共振信号以产生身体的选择的（一个或多个）切片的高质量图像(例如，使用图像数据处理器)，并且调整系统100的其它参数。存储的信息包括预定脉冲序列和磁场梯度和强度数据以及指示将要在成像中应用的梯度磁场的定时、取向和空间体积的数据。在操作人员接口的显示器40上呈现产生的图像。操作人员接口的计算机28包括图形用户界面(GUI)，所述GUI实现与中央控制单元26的用户交互并且基本上实时地实现磁共振成像信号的用户修改。继续参照图1，显示处理器37处理磁共振信号以重构用于在例如显示器40上呈现的一个或多个图像。各种技术可被用于重构。例如，如以下更详细描述的，应用优化算法以迭代地求解导致重构图像的成本函数。
图2提供根据本发明的一些实施例的图像分析框架200的图示。例如，使用图1中图示的系统100获取多对比度MR数据。数据的类型可根据临床应用而不同。例如，在MS损害检测的情况下，多对比度MR数据可以是T1/T2/PD或T1/T2/FLAIR数据。为了分析缺血性中风，可使用在分析缺血性中风的情况下的灌注和扩散图(例如，脑血容量、脑血流量、平均通过时间、达峰时间以及表观扩散系数和/或踪迹加权图像)。在步骤205，应用图像预处理步骤以提高获取的多对比度MR数据的质量。这些图像预处理步骤可包括例如不均匀性校正、运动校正、头骨剥离、重采样、滤波/去噪声、高级组织分割等。例如，在一个实施例中，关于正在研究的病状的临床先验信息（priors）(例如，MS损害在白质中发生)和某些结构MR图像(诸如，T1、T2和/或质子密度(PD))可被用于将灰质(GM)、白质(WM)和/或脑脊髓液(CSF)分割应用于图像数据以获得这些脑组织的粗糙轮廓。所获得的分割以及头骨剥离图像可根据需要被用作二元掩模。
继续参照图2，在步骤210，具有可疑异常的图像的区域被排除。图2中的虚线表示可选的路线。在一些实施例中，通过手动绘制(例如，经图形用户界面)或自动地放置松散地包围可疑异常的单个或多个边框来执行这种排除。这分别由步骤210A和210B描述。对于自动边框技术(即，步骤210B)，通过使用关于左右脑对称的强度信息来放置边框以包围相对较大并且聚焦的颅内质。这种方法能够被视为搜索左和右半脑之间的最不同区域的无监督变化检测方法：它通过基于从灰度强度直方图计算的Bhattacharya系数找到得分函数的极值来放置轴线平行边框。如本领域中众所周知的，Bhattacharya系数提供两个统计样本之间的交叠量的近似测量。图3示出由步骤210B给出的边框的示例，其应用于典型扩散和灌注图中的缺血性中风的自动定位。
在步骤210A或210B的排除之后，在步骤210C，使用高斯混合模型(GMM)对剩余正常组织进行建模。GMM可根据正在采用的特定对比度而被参数化(例如，对于GM/WM/CSF，混合分量的数量K=3；对于T1/T2/PD，特征维度d=3)。
在其它实施例中，使用全自动机构排除具有可疑异常的图像的区域，所述全自动机构分析全部成像数据并且产生在某种确定程度上被怀疑为异常的体素的列表。这由图2中的步骤210D图示。这个步骤210D经期望最大化(EM)多次应用高斯混合建模，并且在每个迭代时检查体素是属于正常组织/区域(GM、WM或CSF)还是属于经具有pdf的经典极值分布(即，Gumbel分布)以概率方式描述的“异常”。这里，c和d是取决于采样数据的量和最接近的正态分布的参数。
图4提供示出根据一些实施例的在图2中的步骤210D执行的过程400的流程图。在步骤405，参数(混合分量的数量K和维度d)根据数据源而被初始化。例如，如果GM、WM和CSF被用作组织，则K=3；如果T1、T2和PD被用作图像体积，则d=3。另外，的值被设置为初始图像X，并且被设置为0。在步骤410，通过使用多对比度(强度)轮廓（profile）作为输入向量 ，对执行EM算法以将脑部的每个体素i分类为K个不同种类。EM为种类k=1、2……K计算参数。
接下来，在步骤415，计算每个体素i与高斯分量的Mahalanobis距离。在步骤420，最接近体素i的分量被定位并且由k*表示。然后，在步骤425，利用表示与第k*分量相关的参数的集合和，计算和。在步骤430，如果，则体素i被视为候选WM损害。它随后可被从所有数据点的集合去除，并且被存储为新的集合的元素。每次体素被发现是候选WM损害时，这两个集合被更新。在针对异常搜索候选体素期间自动地执行正常组织的参数建模。如步骤435中所示，如果对数似然值的差异(在步骤410中)低于阈值；在几个迭代期间未改变；或者达到迭代的最大数量，则过程400结束。否则，过程400在步骤410重复第二个迭代，将连续更新的集合视为输入。最终集合包含候选WM损害体素。
返回到图2，在步骤215，利用经GMM建模的正常组织，应用分析多变量EVT近似以便为图像数据中的每个体素计算在概率上有意义的新奇得分。它通过在基础n变量上以递归方式计算分布而开始：
这里，y表示概率空间中的变量。通过确定P中的的EVD，人们能够确定数据空间中的极值分布(EVD)。使用这种观察，在某种递归公式化之后，人们能够发现EVD的近似为
，
并且新奇得分被计算为
。
这里，cm和am是EVD的参数，cn是常数，并且M(x)是数据向量x和它的最接近高斯分量的Mahalanobis距离，即。在步骤220，针对某个用户指定阈值t的一组体素被发现为“异常”。t的典型值针对非常小的处于范围中。最后，在步骤225，使用解剖掩模和/或形态操作对异常图进行后处理以消除误报。在此时，能够产生一图像(在这里被称为“异常图”)，该图像示出脑部的异常区域(例如，使用颜色或其它视觉指示符突出显示以区分正常组织和异常组织)。
为了图示以上参照图2描述的框架的适用性，基于多个数据集(包括与MS损害和缺血性中风相关的数据集)评估该框架。以下参照图5A、5B和6中显示的异常图讨论这些评估的结果。在这些图像中的每个图像中，以条纹呈现并且由一个或多个箭头指示该框架的结果。
关于MS损害，对BrainWeb数据集执行初始评估，其中在T1、T2和PD图像体积中模仿具有不同水平(轻微、中等、严重)的MS损害。图5A示出输入图像数据、所模仿的损害和由图2中示出的框架给出的异常区域。检测到的异常区域被发现与真实损害很好地交叠。对MSGC08数据集执行另外的实验，所述MSGC08数据集包含针对在MICCAI’08的MS重大挑战的几个经注释和非经注释MS损害数据。图5B示出输入图像、经注释损害和在不同水平的新奇得分阈值由图2中示出的框架给出的结果。观察到，检测到的区域是损害的超集，但需要另外的后处理以消除误报。
也对用于中风分割的许多扩散图(表观扩散系数图像、处于不同b值的踪迹加权图像)测试图2中示出的框架。图6示出输入图像、用于排除可疑异常的二元掩模和由我们的框架给出的异常区域。观察到的是，分割的区域很好地描绘病状的范围。
图7图示可在其中实现本发明的实施例的示例性计算环境700。例如，这个计算环境700可被用于实现图2中描述的框架200。在一些实施例中，计算环境700可被用于实现图1的系统100中图示的一个或多个部件。计算环境700可包括计算机系统710，计算机系统710是可在其上实现本发明的实施例的计算系统的一个示例。计算机和计算环境(诸如，计算机系统710和计算环境700)对于本领域技术人员而言是已知的，并且因此在这里被简要地描述。
如图7中所示，计算机系统710可包括诸如总线721的通信机构或用于在计算机系统710内传送信息的其它通信机构。计算机系统710还包括用于处理信息的与总线721耦合的一个或多个处理器720。处理器720可包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或本领域已知的任何其它处理器。
计算机系统710还包括耦合到总线721的系统存储器730，系统存储器730用于存储将要由处理器720执行的信息和指令。系统存储器730可包括具有易失性和/或非易失性存储器的形式的计算机可读存储介质，诸如只读存储器(ROM) 731和/或随机存取存储器(RAM) 732。系统存储器RAM 732可包括（一个或多个）其它动态存储装置(例如，动态RAM、静态RAM和同步DRAM)。系统存储器ROM 731可包括（一个或多个）其它静态存储装置(例如，可编程ROM、可擦除PROM和电可擦除PROM)。另外，系统存储器730可被用于在由处理器720对指令的执行期间存储临时变量或其它中间信息。基本输入/输出系统(BIOS) 733可被存储在ROM 731中，基本输入/输出系统733包含帮助诸如在启动期间在计算机系统710内的元件之间传送信息的基本例程。RAM 732可包含可由处理器720立即访问和/或目前在处理器720上操作的数据和/或程序模块。系统存储器730可另外包括例如操作系统734、应用程序735、其它程序模块736和程序数据737。
计算机系统710还包括耦合到总线721的盘控制器740以控制用于存储信息和指令的一个或多个存储装置，诸如硬盘741和可移动介质驱动器742(例如，软盘驱动器、压缩盘驱动器、磁带驱动器和/或固态驱动器)。可使用合适的装置接口(例如，小型计算机系统接口(SCSI)、集成电路设备(IDE)、通用串行总线(USB)或FireWire)将存储装置添加到计算机系统710。
计算机系统710还可包括耦合到总线721的显示控制器765以控制用于向计算机用户显示信息的显示器766(诸如，阴极射线管(CRT)或液晶显示器(LCD))。计算机系统包括用于与计算机用户交互并且向处理器720提供信息的输入接口760和一个或多个输入装置(诸如，键盘762和指示装置761)。例如，指示装置761可以是用于向处理器720传送方向信息和命令选择以及用于控制显示器766上的光标移动的鼠标、跟踪球或指示棒。显示器766可提供触摸屏幕界面，所述触摸屏幕界面允许输入来补充或替换由指示装置761执行的方向信息和命令选择的传送。
计算机系统710可响应于处理器720执行存储器(诸如，系统存储器730)中所包含的一个或多个指令的一个或多个序列而执行本发明的实施例的一部分或全部处理步骤。这种指令可从另一计算机可读介质(诸如，硬盘741或可移动介质驱动器742) 被读取到系统存储器730中。硬盘741可包含由本发明的实施例使用的一个或多个数据仓库和数据文件。数据仓库内容和数据文件可被加密以提高安全性。还可在多处理布置中采用处理器720以执行系统存储器730中所包含的指令的所述一个或多个序列。在替代实施例中，可替代于软件指令而使用硬连线电路或者结合软件指令使用硬连线电路。因此，实施例不限于硬件电路和软件的任何特定组合。
如上所述，计算机系统710可包括用于保存根据本发明的实施例编写的指令以及用于包含这里描述的数据结构、表、记录或其它数据的至少一个计算机可读介质或存储器。如这里所使用的，术语“计算机可读介质”表示参与向处理器720提供用于执行的指令的任何介质。计算机可读介质可采用许多形式，包括但不限于非易失性介质、易失性介质和传送介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘(诸如，硬盘741或可移动介质驱动器742)。易失性介质的非限制性示例包括动态存储器(诸如，系统存储器730)。传送介质的非限制性示例包括同轴线缆、铜线和光纤，所述同轴线缆、铜线和光纤包括构成总线721的导线。传送介质还可采用声波或光波的形式，诸如在无线电波和红外数据通信期间产生的声波或光波。
计算环境700还可包括使用到一个或多个远程计算机(诸如，远程计算机780)的逻辑连接在联网环境中操作的计算机系统710。远程计算机780可以是个人计算机(膝上型计算机或桌上型计算机)、移动装置、服务器、路由器、网络PC、对等装置或其它常见网络节点，并且通常包括以上相对于计算机系统710描述的许多或全部元件。当在联网环境中使用时，计算机系统710可包括用于通过网络771(诸如，互联网)建立通信的调制解调器772。调制解调器772可经用户网络接口770或经另一合适的机构连接到总线721。
网络771可以是本领域通常已知的任何网络或系统，包括互联网、内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络或者能够促进计算机系统710和其它计算机(例如，远程计算机780)之间的通信的任何其它网络或介质。网络771可以是有线的、无线的或者其组合。可使用以太网、通用串行总线(USB)、RJ-11或本领域通常已知的任何其它有线连接实现有线连接。可使用Wi-Fi、WiMAX和Bluetooth、红外、蜂窝网络、卫星或本领域通常已知的任何其它无线连接方法实现无线连接。另外，几个网络可单独地或彼此通信地工作以促进网络771中的通信。
可利用硬件和软件的任何组合实现本公开的实施例。另外，本公开的实施例可被包括在具有例如计算机可读非临时性介质的一件制品(例如，一个或多个计算机程序产品)中。该介质具有体现于其中的例如用于提供和促进本公开的实施例的机构的计算机可读程序代码。所述制品能够被包括作为计算机系统的一部分或单独销售。
尽管已在这里公开了各种方面和实施例，但其它方面和实施例对于本领域技术人员而言将会是显而易见的。这里公开的各种方面和实施例用于说明的目的，并且不意图是限制性的，真实范围和精神由所附的权利要求指示。
如这里所使用的，可执行应用包括用于例如响应于用户命令或输入而调节处理器以实现预定功能(诸如，操作系统、情境数据获取系统或其它信息处理系统的功能)的代码或机器可读指令。可执行过程是代码或机器可读指令的片段、子程序或用于执行一个或多个特定过程的可执行应用的一部分或代码的其它不同区段。这些过程可包括：接收输入数据和/或参数，对接收的输入数据执行操作和/或响应于接收的输入参数而执行功能，并且提供所获得的输出数据和/或参数。
如这里所使用的，图形用户界面(GUI)包括一个或多个显示图像，该显示图像由显示处理器产生并且实现与处理器或其它装置的用户交互以及关联的数据采集和处理功能。该GUI还包括可执行过程或可执行应用。可执行过程或可执行应用调节显示处理器以产生表示GUI显示图像的信号。这些信号被提供给显示装置，显示装置显示图像以便由用户观看。在可执行过程或可执行应用的控制下，处理器响应于从输入装置接收的信号而操纵GUI显示图像。以这种方式，用户可使用输入装置与显示图像交互，从而实现与处理器或其它装置的用户交互。
这里，可自动地执行功能和过程步骤，或者完全或部分地响应于用户命令而执行功能和过程步骤。自动地执行的活动(包括步骤)在没有用户直接启动该活动的情况下响应于一个或多个可执行指令或装置操作而被执行。
附图的系统和过程不是排他性的。可根据本发明的原理得出其它系统、过程和菜单以完成相同目的。虽然已参照特定实施例描述本发明，但应该理解，这里示出和描述的实施例和变型仅用于说明目的。在不脱离本发明的范围的情况下，可由本领域技术人员实现对当前设计的修改。如这里所述的，能够使用硬件部件、软件部件和/或其组合来实现各种系统、子系统、代理、管理器和过程。不应该在35 U.S.C. 112第六款的条款下解释这里的权利要求元素，除非使用短语“用于...的装置”明确地叙述该元素。

Claims (20)

1.一种用于在磁共振(MR)脑图像数据中识别异常的计算机实现的方法，所述方法包括：
由计算机接收对象的脑部的多对比度MR图像数据；
在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域；
由计算机创建健康区域的模型；
由计算机基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分；以及
由计算机基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
2.如权利要求1所述的方法，还包括：
在识别异常区域和健康区域之前，将一个或多个图像预处理过程应用于多对比度MR图像数据。
3.如权利要求2所述的方法，其中所述一个或多个图像预处理过程包括如下各项中的一个或多个：不均匀性校正过程、运动校正过程、头骨剥离过程、重采样过程、滤波/去噪声过程或高级组织分割过程。
4.如权利要求1所述的方法，其中通过由用户使用可操作地耦合到计算机的图形用户界面手动地绘制的边框来限定异常区域。
5.如权利要求1所述的方法，其中通过由计算机使用无监督变化检测方法自动产生的边框来限定异常区域，所述无监督变化检测方法搜索对象的左和右半脑的最不同区域。
6.如权利要求1所述的方法，其中由计算机使用全自动过程限定异常区域，所述全自动过程分析多对比度MR图像数据并且产生被怀疑为异常的体素的列表。
7.如权利要求6所述的方法，其中所述全自动过程包括：
通过多个迭代经期望最大化(EM)将高斯混合模型(GMM)拟合到多对比度MR图像数据，其中在全自动过程的每个迭代期间检查多对比度MR图像数据的每个体素以确定它应该被放置在异常区域中还是应该被放置在健康区域中。
8.如权利要求1所述的方法，其中所述模型包括参数模型。
9.如权利要求8所述的方法，其中所述参数模型包括高斯混合模型(GMM)。
10.如权利要求1所述的方法，其中所述模型包括非参数模型。
11.如权利要求1所述的方法，其中使用分析多变量极值理论(EVT)近似来为每个体素计算新奇得分。
12.如权利要求1所述的方法，还包括：
识别与高于预定阈值的新奇得分对应的多对比度MR图像数据中的多个体素，
其中所述异常图描述在所述多个体素的异常。
13.如权利要求1所述的方法，还包括：
使用一个或多个解剖掩模识别异常图中的一个或多个误报体素；以及
将所述一个或多个误报体素识别为异常图中的健康组织。
14.一种用于在磁共振(MR)脑图像数据中识别异常的制品，所述制品包括非临时性有形计算机可读介质，所述非临时性有形计算机可读介质保存用于执行一种方法的计算机可执行指令，所述方法包括：
在对象的脑部的多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域；
创建健康区域的模型；
基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分；以及
基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
15.如权利要求14所述的制品，其中通过由用户手动地绘制的边框来限定异常区域。
16.如权利要求15所述的制品，其中通过使用无监督变化检测方法自动限定的边框来限定异常区域，所述无监督变化检测方法搜索对象的左和右半脑的最不同区域。
17.如权利要求15所述的制品，其中使用全自动过程限定异常区域，所述全自动过程分析多对比度MR图像数据并且产生被怀疑为异常的体素的列表。
18.如权利要求17所述的制品，其中所述全自动过程包括：
通过多个迭代经期望最大化(EM)将高斯混合模型(GMM)拟合到多对比度MR图像数据，其中在全自动过程的每个迭代期间检查多对比度MR图像数据的每个体素以确定它应该被放置在异常区域中还是应该被放置在健康区域中。
19.如权利要求14所述的制品，其中使用分析多变量极值理论(EVT)近似来为每个体素计算新奇得分。
20.一种用于在磁共振(MR)脑图像数据中识别异常的系统，所述系统包括：
成像装置，被配置为获取对象的脑部的多对比度MR图像数据；和
计算机，包括一个或多个处理器，所述一个或多个处理器被配置为：
在多对比度MR图像数据内识别(i)包括一个或多个可疑异常的异常区域和(ii)包括健康组织的健康区域，
创建健康区域的模型，
基于所述异常区域和所述模型为多对比度MR图像数据中的每个体素计算新奇得分，以及
基于为多对比度MR图像数据中的每个体素计算的新奇得分创建对象的脑部的异常图。
CN201610827542.5A 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架 Active CN106510708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910992877.6A CN110710973B (zh) 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/854,330 US20170071470A1 (en) 2015-09-15 2015-09-15 Framework for Abnormality Detection in Multi-Contrast Brain Magnetic Resonance Data
US14/854330 2015-09-15

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201910992877.6A Division CN110710973B (zh) 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架

Publications (2)

Publication Number Publication Date
CN106510708A true CN106510708A (zh) 2017-03-22
CN106510708B CN106510708B (zh) 2021-10-22

Family

ID=58257040

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610827542.5A Active CN106510708B (zh) 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架
CN201910992877.6A Active CN110710973B (zh) 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910992877.6A Active CN110710973B (zh) 2015-09-15 2016-09-14 用于多对比度脑磁共振数据中异常检测的框架

Country Status (2)

Country Link
US (1) US20170071470A1 (zh)
CN (2) CN106510708B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242169A (zh) * 2019-12-31 2020-06-05 浙江工业大学 一种基于图片相似度计算的脑纤维视角自动选择方法
CN111696113A (zh) * 2019-03-14 2020-09-22 西门子医疗有限公司 用于监视生物过程的方法和系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170071470A1 (en) * 2015-09-15 2017-03-16 Siemens Healthcare Gmbh Framework for Abnormality Detection in Multi-Contrast Brain Magnetic Resonance Data
US20200037962A1 (en) * 2018-08-01 2020-02-06 General Electric Company Plane selection using localizer images
US20230389879A1 (en) * 2022-06-03 2023-12-07 Optum, Inc. Machine learning techniques for mri processing using regional scoring of non-parametric voxel integrity rankings

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040148140A1 (en) * 2001-05-31 2004-07-29 Lionel Tarassenko Patient condition display
CN102939616A (zh) * 2010-06-14 2013-02-20 皇家飞利浦电子股份有限公司 组织分类
US20140149325A1 (en) * 2011-05-24 2014-05-29 Isis Innovation Limited System monitor and method of system monitoring
CN104881687A (zh) * 2015-06-02 2015-09-02 四川理工学院 基于半监督高斯混合模型的磁共振图像分类方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1066380A (zh) * 1991-05-07 1992-11-25 王宪举 脑电向量分析仪及其方法
DE10155790B4 (de) * 2001-11-14 2005-04-07 Siemens Ag Magnet-Resonanz-Bildgebung unter Verwendung einer interaktiven Kontrastoptimierung
DE10162927A1 (de) * 2001-12-20 2003-07-17 Siemens Ag Auswerten von mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildern des Gehirns
CN101068498A (zh) * 2004-10-04 2007-11-07 旗帜健康公司 链接来自多模态数据集的图案的方法
JP4921882B2 (ja) * 2006-07-31 2012-04-25 株式会社東芝 脳血管診断装置及び医用画像診断装置
CN101896942B (zh) * 2007-12-14 2014-09-10 皇家飞利浦电子股份有限公司 脑图像数据的图像分析
GB0914915D0 (en) * 2009-08-26 2009-09-30 Oxford Biosignals Ltd System monitoring
DE102011005445B4 (de) * 2011-03-11 2014-10-09 Siemens Aktiengesellschaft Normalisierung von Magnetresonanzbilddaten bei bewegtem Tisch
WO2012149401A1 (en) * 2011-04-29 2012-11-01 Magnetic Resonance Innovations, Inc. Tissue similarity mapping
US9888876B2 (en) * 2012-03-21 2018-02-13 The Johns Hopkins University Method of analyzing multi-sequence MRI data for analysing brain abnormalities in a subject
US9734573B2 (en) * 2013-04-17 2017-08-15 The United States Of America, As Represented By The Secretary, Dept. Of Health And Human Services Methods and systems for automatically determining magnetic field inversion time of a tissue species
US9324155B2 (en) * 2014-03-10 2016-04-26 General Electric Company Systems and methods for determining parameters for image analysis
US20170071470A1 (en) * 2015-09-15 2017-03-16 Siemens Healthcare Gmbh Framework for Abnormality Detection in Multi-Contrast Brain Magnetic Resonance Data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040148140A1 (en) * 2001-05-31 2004-07-29 Lionel Tarassenko Patient condition display
CN102939616A (zh) * 2010-06-14 2013-02-20 皇家飞利浦电子股份有限公司 组织分类
US20140149325A1 (en) * 2011-05-24 2014-05-29 Isis Innovation Limited System monitor and method of system monitoring
CN104881687A (zh) * 2015-06-02 2015-09-02 四川理工学院 基于半监督高斯混合模型的磁共振图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RACHANA RANA 等: "Brain Tumour Extraction from MRI Images Using Bounding-Box with Level Set Method", 《2013 SIXTH INTERNATIONAL CONFERENCE ON CONTEMPORARY COMPUTING》 *
S.J.ROBERTS: "Extreme value statistics for novelty detection in biomedical data processing", 《MEDICAL SIGNAL PROCESSING》 *
SAMUEL HUGUENY等: "NOVELTY DETECTION WITH MULTIVARIATE EXTREME VALUE THEORY, PART II: AN ANALYTICAL APPROACH TO UNIMODAL ESTIMATION", 《2009 IEEE INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696113A (zh) * 2019-03-14 2020-09-22 西门子医疗有限公司 用于监视生物过程的方法和系统
CN111696113B (zh) * 2019-03-14 2023-11-21 西门子医疗有限公司 用于监视生物过程的方法和系统
CN111242169A (zh) * 2019-12-31 2020-06-05 浙江工业大学 一种基于图片相似度计算的脑纤维视角自动选择方法
CN111242169B (zh) * 2019-12-31 2024-03-26 浙江工业大学 一种基于图片相似度计算的脑纤维视角自动选择方法

Also Published As

Publication number Publication date
US20170071470A1 (en) 2017-03-16
CN106510708B (zh) 2021-10-22
CN110710973B (zh) 2024-04-16
CN110710973A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
US11741601B2 (en) Systems and methods for analyzing perfusion-weighted medical imaging using deep neural networks
EP3207521B1 (en) Image analysis method supporting illness development prediction for a neoplasm in a human or animal body
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
CN106510708A (zh) 用于多对比度脑磁共振数据中异常检测的框架
Mehmood et al. Prioritization of brain MRI volumes using medical image perception model and tumor region segmentation
Ristovski et al. Uncertainty in medical visualization: Towards a taxonomy
CN110415234A (zh) 基于多参数磁共振成像的脑部肿瘤分割方法
Yang et al. A deep learning segmentation approach in free‐breathing real‐time cardiac magnetic resonance imaging
US11900606B2 (en) Tumor segmentation tool
Singh et al. Classification of first trimester ultrasound images using deep convolutional neural network
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
US20230386032A1 (en) Lesion Detection and Segmentation
CN114332132A (zh) 图像分割方法、装置和计算机设备
Li et al. BrainK for structural image processing: creating electrical models of the human head
Yerukalareddy et al. Brain tumor classification based on mr images using GAN as a pre-trained model
US20240346805A1 (en) Object reconstruction in digital images
Wein et al. Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures
Lee et al. Detection of cerebral microbleeds in MR images using a single‐stage triplanar ensemble detection network (TPE‐Det)
US11435422B2 (en) Anomaly detection using magnetic resonance fingerprinting
Lim et al. Fitting a directional microstructure model to diffusion-relaxation mri data with self-supervised machine learning
US20230337987A1 (en) Detecting motion artifacts from k-space data in segmentedmagnetic resonance imaging
Abd-Elmoniem et al. Direct pixel to pixel principal strain mapping from tagging MRI using end to end deep convolutional neural network (DeepStrain)
US20220346659A1 (en) Mapping peritumoral infiltration and prediction of recurrence using multi-parametric magnetic resonance fingerprinting radiomics
Moghtaderi et al. Advancing multimodal medical image fusion: an adaptive image decomposition approach based on multilevel Guided filtering
Nunes et al. A Survey on Visualizing Magnetic Resonance Spectroscopy 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
CB02 Change of applicant information

Address after: Erlangen, Germany

Applicant after: Siemens Healthineers AG

Address before: Erlangen, Germany

Applicant before: SIEMENS HEALTHCARE GmbH

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240830

Address after: German Phu F Haim

Patentee after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Patentee before: Siemens Healthineers AG

Country or region before: Germany

TR01 Transfer of patent right