CN107110944B - 连接性制图之系统及方法 - Google Patents

连接性制图之系统及方法 Download PDF

Info

Publication number
CN107110944B
CN107110944B CN201480083738.7A CN201480083738A CN107110944B CN 107110944 B CN107110944 B CN 107110944B CN 201480083738 A CN201480083738 A CN 201480083738A CN 107110944 B CN107110944 B CN 107110944B
Authority
CN
China
Prior art keywords
region
data
external
fibre bundle
area
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
Application number
CN201480083738.7A
Other languages
English (en)
Other versions
CN107110944A (zh
Inventor
凯利·诺埃尔·戴尔
阿里·拉扎汗
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.)
SANAP medical Co.
Original Assignee
Saint Nap Medical (barbados) Co
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 Saint Nap Medical (barbados) Co filed Critical Saint Nap Medical (barbados) Co
Publication of CN107110944A publication Critical patent/CN107110944A/zh
Application granted granted Critical
Publication of CN107110944B publication Critical patent/CN107110944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种分段生理成像之处理系统及方法。当接收生理影像后，随之接收诠释其外基体的外置数据。另外，诠释至小一个其内置基体之内置数据亦为所接收，而每一内置基体与一个外置基体相应。然；在主要修定过程中，至小一个均有相应内置基体之外置基体，其形状大小而根据该相应内置基体形状大小为所修订，而产生其修订外置数据。此修订外置数据则对其生理影像进行分段，而每一分段基体含有一个相应的内置基体，而此内置基体代表一个来自这内置基体之主要修定。

Description

连接性制图之系统及方法
技术领域
本发明与一般的生理成像有关。进一步说，本发明与生理成像的映射采集连接制图有关。
背景技术
磁共振图像(MRI)是一医学上的主要的造影技术。MRI能产生各软组织的详细图像，如脑脏、肌肉、及肾脏。利用组织中含有的化合物，如水份与或脂肪，其特有的性质来创造图像。举例，在一个强力磁场影响之下，大量拥有核自旋角动量的原子，如水份或脂肪中所含之氢原子,此氢原子的总核磁矩矢量和会产生一个与上述磁场成一直线对准的净磁矩。这净磁矩会进一步进动于一个与磁场正比的确定频率。经由无线射频冲脉激励之后,这净磁化能便可提供一个可检测之信号。
上述所获取的信号成为被扫描的组织图像设定的基础。通常,这些图像是能反映被扫描组织的剖析结构。然而，把这剖析结构分段成为各所关注的区域可以使该图像获得进一步的增进改善。所述的关注的区域的分段通常是利用参照由一个或多个不同过去的组织样本构成的通用舆图，或是依靠专家经验来完成。不过，从这方法取得的资料数据未必能按照目前的组织有一定的表达反映。因此是有需要利用区域的关注来准确地增进剖结图像。
发明内容
本发明提供了一个对MRI扫描系统和方法的创新系统和方法去消除或减缓至少一个以上确认之现有存在的现有技术缺点。
在一方面上，本发明提供一种利用电脑履行的生理成像分段之方法。所述的方法可包括接收诠释外置基体的外置数据。为一个主要修定过程中而至少一个诠释内置区域的内置数据也可接收。每一个内置区域均与一个外置区域而对应，至少一个外置区域之状与大小会被修定而提供外置修定数据，而此外置区域与一个内置区域有对应。此生理成像可利用这个己修定的外置数据而分段。每一分段区域可包括一个相应的内置区域，而此内置区域可代表一个来自这内置区域之主要修定。
本方法可进一步包括各接收内置纤维束数据之集成纤维束。航点区域亦一起被接收,而一组包含各确定纤维束子集的确定纤维束束把亦根据其航点区域而被识别。此航点区域可包括至少一个端点区域，而此束把可以由至少有一个端点区域而终止的纤维束去识别。此航点区域可也包括至少一个贯穿区域，而此束把亦可以由至少有一个贯穿区域而穿过的纤维束去识别。
从另一方面,本发明提供了一个数据处理系统。所述的数据处理系统可接收一个生理成像，诠释外置区域的外置数据，和诠释至少一个内置区域的内置数据。每一个内置区域可以与一个外置区域有对应。为一个主要修定过程中，至少一个外置区域之状与大小会被修定而提供外置修定数据，而此外置区域与一个内置区域有对应。此生理成像可利用这个己修定的外置数据而分段。每一分段区域可包括一个相应的内置区域，而此内置区域可代表一个来自这内置区域之主要修定。
这些跟其他方域及其优点后来之可以彰显乃在于本发明之构造和操作详情，而此详情会随后完全地描述和声称。附图之引用至引用相应附图之说明部分亦构成此详情之一部分，其中相同的编号表示其相同的部件。
附图说明
图1示出一个根据实践形式的磁共振成像(MRI)系统的功能子系统之框图。
图2示出一个根据实践形式的数据处理系统典范之描述框图。
图3示出一个按实施例子的成像分段方法，其成像分段方法采用图1示出的MRI系统。
具体实施例
传统的磁共振图像(MRI)系统是一种成像模式，其主要是利用物体中如氢原子内质子发出的磁共振(MR)信号来构成图像。在医学MRI上,一般是关注 MR信号来自组织中主要含氢的成份,如水份和脂肪。
现在参照图1，示于(100)是一个根据实践形式例子的磁共振成像(MRI) 系统之框图。此MRI系统实践例子只插图之用，可以容许合各单元的变动，包括增加、减小,或改换其部件部分。
从图1示出，此显示的MRI系统(100)包括一个数据处理系统(105)。现在参照图2，其图示出一个电脑系统的例子，该电脑系统可成此数据处理系统 (105)之一部分，以负责处理数据和图像。此电脑系统(200)包括一个处理器(210)，一或多个输入仪器(220)，输出仪器(230)和记忆体(240)。此处理器(210)运行与执行在记忆体(240)储存的指示和程序(250)，以为此数据处理系统(105)履行多样不同的功能。此处理器(210)包括一或多个微处理器，微控制器，数字信号处理器(DSP)，状态机，逻辑电路，或任何处理资料之设备，而其设备根据在记忆体(240)储存内之操作或编程性指示或程序(250)来处理资料。根据实施例，此处理器(210)进行有关图像收获及其数据处理之功能。
此输入仪器(220)是指任何能让MRI系统(100)接收由操作人员输入的仪器。例；该输入仪器(220)可以是一个键盘、触摸板、显示器触摸组件、传声器、手势传感器、按钮、开关、或可用于接收操作员输入的仪器。在不同情况下，多样的仪器可能共同使用。
此输出仪器(230)是一个任何能够提供反馈给操作员的仪器。因此，此输出仪器(230)可以是作以下形式，例如一个扬声器、触觉设备如振动器、视觉仪器如显示器或光二极管(LED)、或多样其仪器组合。
此记忆体(240)是任何能够储存数码信息的仪器或非暂时媒體。因此，此记忆体(240)可包括一个含任何随机存取存储器(RAM)或只读内存(ROM)之集成电路(IC)存储器、可重复录写光碟(CD-RW)、硬盘、可重复录写数码多功能影音光碟(DVD-RW)、闪存卡、外置用户身份模块(SIM)卡、或任何其他可储存数码信息的非暂时媒体。此记忆体(240)保留一切使用程序(250)。此程序(250)包括多样不同的软件与或固件，而其软件与或固件对此MRI系统 (100)之操作必要，如图像采集及数据处理等，以满足操作员的特定要求。
此数据处理系统(105)能进一步包罗一个或多个可通讯介面(260)适应于MRI系统(100)在执行扫描中所有控制系统及各硬件之通讯及数据交换。
接续图1，此范例MRI系统(100)亦包括一个主磁力场(110)。这主场磁铁(110)可由一个如永久的、超导体的、或电阻性的磁铁去落实。其他类型的磁铁，包括适合这MRI系统(100)使用的混合型磁铁，现这可从一个所属技术领域的技术人员实施与考虑。此主场磁铁(110)可被操作而产生一个实质均匀主磁场,而此磁场具有磁场强度B0以及沿主轴的方向。此主力磁场为用作产生一个图像体积。其中所要求的物体中的原子核心如处于水份和脂肪中的氢质子处于对齐磁场排列作扫描准备。在某实践过程中,如这个实践范例中，一个与数据处理系统(105)沟通的主场磁铁操纵单元(115)可作控制主场磁铁(110) 之用。
此MRI系统(100)还包括梯度线圈(120)对沿着主磁场的空间信息进行编码,如三垂直梯度轴心。梯度线圈(120)的大小和配置可以令其产生一个可受控制而且均匀的线性梯度。例如，可以设计在主场磁铁(110)内的三对载运正交电流的主线圈去产生所期望的线性梯度磁场。
在某实施方案中，此梯度线圈(120)可被屏蔽并且可包括外层屏蔽线圈，其可产生一个反向磁场而抵消由主梯度线圈产生的梯度磁场，而作成一个主屏蔽线圈对。在这种线圈对中，其「主」线圈可负责产生梯度场，而其「屏蔽」可负责减小在某一体积外的主线圈杂散场，如成像体积。在此梯度线圈(120) 的的主及屏蔽线圈可串联连接。而且，在任何一起成屏蔽梯度线圈的梯度轴中，也可有于两层线圈。此屏蔽梯度线圈(120)可减少能导致扫描图像中伪影之涡流和其它干扰。由于涡流主要流过MRI系统(100)的导电部件，并且由梯度线圈120外部的时变磁场(又称「边缘场」)引起，所以减少由梯度线圈120产生的泄漏场可能减小干扰。因此，此主屏蔽线圈对之形状与大小、导线之图案与大小、及电流之幅度与图案可以作为选择，以促成一个在于梯度线圈(120) 外部，而强度接近零的净磁场。如对于圆柱形磁体，其两个线圈能以由共同轴心定位，而对于垂直磁场磁体，其两个线圈能以由共同轴盘定位。
此梯度线圈(120)的导电组件，不论屏蔽或非屏蔽，并包括主线圈及屏蔽线圈，可以由一个电导体(如铜，铝等)而组成。当此梯度线圈(120)之端子受一个电压差施加时，其内部电连接可使电流在预想的路径上流动。此在三个梯度轴，用于主梯度线圈和梯度屏蔽线圈的导电部件可从物理分离与或非导电屏障而隔离。
由此梯度线圈(120)产生的磁场，不论齐发与或顺序，可以叠加在主磁场上，以得在成像体积内之物体受选择性空间激发。除了允许空间激发之外，此梯度线圈(120)可将空间特定的频率与周期资料附置在成像体积内的原子核，从而允由所得MR信号重建有用图像。一个梯度线圈操纵单元(125)与其数据处理系统(105)互相通信，以用来操作此梯度线圈(120)。
在某此MRI系统(100)之实施方案中，有可能带有额外电磁线圈(无在图上表出)，如匀场线圈(通常包括但不限产生二阶或更高的球谐函数的磁场分布)、或一个均匀场偏移线圈、或其他校正电磁铁。为执行有效的匀场过程(即校正当不同物体放置在系统之内或周围时引入的磁场失真)，如此纠正电磁铁，如匀场线圈，具有用来提供磁场的一种电流，而令主磁场更均匀。举例，这由此线圈产生的磁场可助于校正主磁场中的不均匀性，其由于主场磁铁(110)中的不完善点、或外部铁磁物体、或由于成像区域内物质的磁化率差、或任何其他静态或时变的现象而引起。
此MRI系统(100)还包括射频(RF)线圈(130)。此RF线圈(130)用于建立具有强度B1的RF磁场，以其激发原子核或「旋转」。此RF线圈(130) 亦可检测从被成像对象内旋转「弛豫」时发出的信号。因此，此RF线圈(130) 可有分开发射和接收线圈之形式，或可有共合发射和接收线圈形式，其有发射和接收模式可用一个切换机构切换。
此RF线圈(130)可实现为表面线圈，其通常当为纯粹接收线圈，与或体积线圈，其可当为接收和发送线圈。此RF线圈(130)能与主场磁铁(110) 之孔綜合。此外，此RF线圈(130)或可以设于靠近扫描对象的位置，例如头部，其并且可具有类似这对象的形状，例如一个紧密头盔。一个射频线圈操纵单元(135)与其数据处理系统(105)互相通信，以用来操作此RF线圈(130)。
有很多不同技术可以用此MRI系统(100)来获取图像，包括T1与T2加权图像。以下一个非限示例简述收获质子密度加权图像的进程，为提供一个本MRI 系统(100)功能之简述。根据前述的示例简述来创建图像，当一个物体受一个较强的磁场影响时，此MRI系统(100)检测一个物体中所存而含有旋转角动量核子之存在，如组织内水份和脂肪所有的氢质子。在该实施例中，此主磁场有强度B0并含有旋转角动量、类似氢质子的核子。该主磁场将在主场磁铁(110) 成像中体积里的物体中的氢质子部分极化。然后，此质子会通过适当调整的RF 辐射激发，形成如B1强度的RF磁场。最后，当质子从磁相互作用下「弛豫」时，来自此激发质子的弱RF辐射信号会检测为MR信号。而此检测到的MR信号频率与经受磁场成正比。
从其获得信号物体上可以通过在物体上产生磁场梯度来选择横截面，以使得主磁场的磁场值可沿物体中不同位置转变。因信号频率与此产生磁场的变化成正比，所以这变化允许将一个特定信号频率分配给相位分配给一个在此物体中的位置。因此，由此获得的MR信号中可以足够的信息，以用质子所存为物本体构成一张解剖图，此是传统MRI图像的基础。举例，由于质子密度随组织类型变化，此组织变化可以在所获得的信号被处理之后映射为图像对比度变化。
在某变动中，各种其他成像系统和方法可以使用而获得所获取图像。如在某变动中，解剖图像可以使用计算机断层成像(CT)扫描获得。通过CT扫描获得的解剖图像对致密之组织如骨骼更灵敏，因此能对于在关注组织是致密组织的情况下适合应用。但CT扫描也可用于软组织成像，例如当MRI系统可用之时。而其他获得的图像方法可从一个技术人员实施与在范围之内。
所获取的图像可以是二维或三维。举例，一个典型MRI图像是通过被扫描的组织的二维体积切片。此梯度线圈(120)可允许扫描组织特定切片之选择。类似，典型CT图像是基于X射线成像技术获得的二维切片。通过MRI或CT扫描获得的二维图像可以通过各种图像处理技术进行组合以形成三维图像，代表关注组织的体积，例如脑部或脑部分。其他成像技术允许获得具有不同维数的图像。例如，基于脑电图(EEG)的图像通常是表示沿着脑的表面直一定深度的电活动图像。
当一个表示被摄体的获取图像获得后，如关注组织，一旦获得表示诸如感目标组织的被摄体的获取的图像，则可以通过使用允许获取的图像的区域分割的数据来增强所获取的图像。例如，在一些实现中，所获取的图像可被分割以显示不同的关注区域。
其关注区域可由基于各种考虑因素而作为定义。例如，此区域定义可以基于其解剖子结构定义作。脑图像也可以被辨认分割如脑海马体，小脑和脑室等。此外，肺图像也可以被分割以表现肺泡和支气管。在其他实现中，可以基于组织功能来识别区域。例如，大脑图像区域可从其他区域中辨认出主要视觉区，运动神经区和主要听觉区等。
关注区域的定义数据可以从各种不同来源而获得。功能性MRI(fMRI)图像是其一个来源。例如，fMRI图像可以是用于确定大脑功能区域数据来源。具有优化参数的具体脉冲序列的选择可被MRI系统(100)用于组织对比而以获得能够描绘组织不同之特点和物质的图像。例如，实时经90°RF脉冲后的T2*弛豫对于相对信号强度有重大贡献。T2*弛豫可以是GRE脉冲序列的图像对比的主要决定因素之一，并且成为许多包括fMRI的磁共振(MR)应用的基础。
fMRI研究区域区内大脑血液流量差异来描摹出区域活性。血液氧量成像法(Blood Oxygenation Level Dependent Imaging或BOLD)是一项用于在功能 MRI研究的图像产生技术。部分由于原氧化血红蛋白和脱氧血红蛋白的顺磁性区别,因此BOLD-fMRI能够检测出大脑血流量的差异。脱氧血红蛋白比氧化血红蛋白更具有顺磁性，因此前者能导致较大的质子局部去相。局部去相可以减少其与组织紧邻的MR信号。T2*加权脉冲序列是可于用于检测该项变化。因此，当要获取fMRI图像之同时,病人亦要进行适当的差事活动，由于各被扫描组织含氧差别,而可辨认出脑子中执行该差事活动之相关区域。
另一可用作关注区域成像的定义数据源是来自磁力共振(MR)扩散纤维束圖。例如，纤维束图像可以作为识别大脑白质子结构的基础。纤维束图可用来鉴别连接脑中各区域的神经元或神经结及其形成的至少部份脑白质。白质通常是由有髓轴突束群所组成。白质的扩散系数一般比水为低。此外，与沿束管长度相反，沿横跨束管直径的扩散系数是比较低的。因此，通过沿着多个方向测量扩散现象并观察其一个比其他扩散得快的方向,则可以测量到束管的取向。一旦测量了束管的取向，就可以将它们结合起来重建整个束道。
在其最简单的形式中，可以使用确定性纤维束图方法来检测束管。因此，该方法包括在一个初始(种子)位置执行方向测量，并且沿着其测量方向连续进行测量，直至检测到新方向。随后循着这个新方向进行测量，直到描绘出整个束道为止。
白质束通常具直径约1微米(μm),但是每次测量(例如，在每个图像的体素)尺度都是大约2-3毫米(mm)。然而，通常大脑各区域之间的连接是由数十万大部份连贯一起的轴突排列成的大型束把所组织而成。对此，体素可以提供足够的分辨率来识别这些束把。在演变中，可以使用更尖端的纤维束图技术来检测其束把。在进一步的演变，跟踪造影可以作为全脑的纤维束图或特定纤维束的纤维束图。在全脑纤维束图中，整个全脑是被用作种子。在特定束把纤维束图中，其关注区域则被用作种子。
在一些实现方式中，一旦检测到纤维束，纤维束可进一步被分割而成其子结构或成为各功能区分，例如束捆。其分割可以基于额外数据与或以人手输入来执行，而其获取的成像本身亦可以基于纤维束区分而分割。例如，可以根据各航点去确定束捆。因此，获得成像的分割区域可包括被确定为解剖或功能航点所标志的解剖或功能结构，于此白质束可以开始，传递或终止。作为示例，束捆可以基于它们连接的功能终点区域来定义,例如连接视觉皮质端点区域和丘脑之外侧膝状体的端点区域的光辐射束捆。作另一示例，束捆可以基于它们连接的解剖湍点区域作定义，例如连接在脑半球中的颞极端点和枕骨极端点区域的下纵向筋膜束捆。其他束捆可以通过其通路之解剖位置作定义，例如胼胝体纤维，其通过胼胝体来连接两个半球。然其他的束捆亦可以基于通过束捆穿过之穿透区域而被识别。在一些变型中，一些区域可以被识别为排斥区域。通过或连接这些排斥区域的纤维束是可以被从已识别之束捆除去。
在进一步的变动中，来自多个源头的数据可以被组合以识别不同的关注区域。例如，在一个变动中，可以用fMRI成像来识别所获取的脑或像的功能区域。此外，纤维束图的数据可用于识别所获取成像中白质中的束把。因此，表达主体(己被扫描的大脑)的成像可以基于由数据来源所确定的功能范围和束捆来进行分割。分割后的解剖成像可让目测到每一个功能范围是如何去连接其他的功能范图。在进一步演变中，可以由获得之附加数据让目测到不同大脑结构如脑海马，从而可显视功能范围和解剖子结构之间的关系，和束把之间的连通性。
在一些实现方式中，用作识别在得到成像中之关注区域的数据可以被分为内置和外置二种。具体地，外置数据包括从被扫描的被扫描主体以外的来源获得的数据。例如，在一些演变中，外置数据可包括图集数据。图集数据可以基于单一主体的解剖结构，但更典型地是来自多个源头，例如不同的组织样本或病人。源头的数据利用各种图像和数据处理技术将来自从多个源头的数据互相关联并组合一起使其和多个主体的解剖结构一起对齐。因此，图集中的区域通常是总体平均值。图集数据也可以由人工生成。例如，可以通过输入机制用表达区域的接收数据来设立图集。输入机制可以例如是鼠标标，数字笔或其他类似的输入机制，其允许用者作例如数码输入和区域的操作。图集数据亦可以不同的成像和数据处理技术从一个图集转送到另一个图集，以对齐各图集的解剖图。
因为外置数据可以独立从于正在成像中主体中所获取，所以通常有足够的时间来产生外置数据，如确定己知组织中的全部或大部分区域的图集数据。例如，可供使用的确定大脑全部或大部分功能范围之图集数据。
另一方面，内置数据通常是直接或间接地从解剖图像中获得的。例如，可以使用各种自动，手动或辅助图像处理技术来确定来自主体的解剖成像例如脑海马中的功能范围或其子结构。随此之外，可从基于主体组织或病人中一个或多个可确定的区域中获取之进一步的成像和数据基。附加图像可以由如fMRI成像的MRI图像，或由基于其他成像和数据采集模式如例如CT扫描和EEG等去获取。
由于内置数据是由主体上获得的，一般时间是为关键。例如，内置数据可在准备手术或手术过程中取得。因此，资源和时间很小能足够去获取内置数据可作全部或大部分主体区域的确定。相反，通常是选出一个或多个重要或相关的区域，根据例如在手术的切口处，从而可获取内数来确定那些已选择之区域。因此，通常基于内置数据来定性的区域数量是比基于外置数据所定的区域数量为小。
使用内置数据的一个主要优点是内置数据通常可以标明与特定主体相关联的任何变异而其外置数据是不能检测到的。例如，在大脑中，功能范围的大小可以变化很大。作为一个例子，当一位专业钢琴家成主体时，他的有关细微手指控制的区域可能会与比普通人的大得多。或者，当盲人成为主体时，通常在相关视力的范围中可以获取视力以外的功能。这获取的功能通常是不能被外在数据准确地去识别的。
进一步变动中，主体可能带有通常在一般人群中不存在的外加的肿块。例如，大脑中可存有的肿囊或肿瘤。这种外加的肿块通常会引起周边组织的变形，而显著地改变了和一般人群相比的主体组织区域结构。因此，在围绕外加肿块的范围所获得内置数据对于准确地去识别在主体的解剖成像中所有关注区域是为关键。
外置数据可以和所获取的成像对齐，例如以取得之空间翘曲而使到其外映像与所得成像作紧密之对齐。这翘曲可以是粗糙的，包括全局移位，旋转，伸延，压缩和剪切，或者可以是细微的，包括图像的局部变形。
在某变动中，内置数据可以来调整外置数据。例如，可以获得对应于至少一些外置数据的内置数据。因此，部份相对于内置数据的外置数据是以被修改而可以对齐其外置数据。作为示例，功能范围之图集，以及确定脑运动范围的内置数据均可被接收。与脑活动范围有关的图集数据是可依照内置数据的确定而作改变。例如，图集数据可被改变，使其所确定的脑活动范围在大小和形状上匹配其由内置数据识别的范围。或者，例如成为一个中途插入值，其大小和形状是可以改变而落于图集数据和内置数据之间。将对本领域技术人员来说其他改变图集数据的方法以达到改善其与内置数据的对应关系是可以预期实现。
在某变动中，内置数据可能不可用于由外置数据所识别的完整区域。例如，继续上述脑运动范国的例子，外置数据可只能确定在图集中所识别的脑活动范围的一部分。在这演变中，可用不同的方法根据内置数据来估计区域的完整形状。然后可以修饰外置数据来对照该估计之形状。或者，外置数据只能为内置数据所确定的区域部份而作修改。
在进一步变动中，一旦一个或部份由外置数据确定的区域被内置数据作主要修改,其余下由外数据所确定的区域亦能按主要修改对已修改之区域作调整而成为次要修改。例如,继续上述示例，内置数据可以表示由于肿瘤引起的显著的大脑运动皮层压缩。一旦调整了运动皮层的图集范围以反映有关的压缩成主要修改后,对与运动皮质相邻的范围亦可作次要修改调整，以反映在认范围内可能由肿瘤引起任何压缩。可以基于各种预测方法对相邻范围作调整，可以基于在一般人群中不存在的由外加肿块导致在范围中的压缩。或者，在一些演变中，由图集数据所确定的区域的形状可以利用内置数据而作修改,形状的差异亦可由在个体内除了外加肿块外例如大脑可塑性变异所形成。在这些演变中，其他预测方法可以解释由内置数据修改的区域周边形状的变化。
在另外的变动中，外置数据的调整可以根据由一个或多个来源所得多于一个的内数据集。例如，确定脑活动范围的内置数据可以由fMRI图像以及EEG数据来获取。在某变动中，一个内置数据集可用来验证另一个内置数据集。在其他变动中，内置数据集可以基于彼此之间而作改变。例如，当两个内数据集的形状与或大小不同时，其数据集可平均化，并且可以用其平均值来调整其外置数据。
在其他变动中，外置数据可以从多个来源获得。例如，可以基于fMRI数据以及人手制定的数据来获得确定功能范围的外置数据。在某变动中，一个外置数据集可以用于验证另一个外置数据集。在其他变动中，外置数据集可以基于彼此之间而作改变。例如，当由两个外置数据集确定的区域形状与或大小不同时，其数据集可平均化。
由MRI系统(100)所获取的成像以及其内置和外置数据可以用数据处理系统(105)来处理，例如，结合，分割或除此之外的转换。数据处理系统(105) 可以是任何之计算设备其可沟通及处理来自MRI系统(100)的各控制单元和硬组摸块的数据。数据处理系统(105)可以采取然不限于桌面，膝上形或笔记本形计算机计算器，计算机计算服务器等等之形式。实施例子可以有利于实现使用MRI系统(100)去执行数据和成像的处理。
在变动中，成像和数据处理可以由和MRI系统(100)不同而且分离的数据处理系统，例如桌面计算器，服务器，笔记本计算器或任何其他可操作执行成像和数据处理的计算系统去进行。
所得之主体成像此大脑成像可以被处理去识别和分割成多个关注区域。例如，一个由MRI系统(100)按脉冲序列而产生的质子加权密度成像可被外与或内数据所分割以指示成像中的不同区域。如上所述，这些区域可以相应各不同范围，例如不同的子结构和功能范围。可以使用各种技术来执行其分割。例如，如果其用来去分割成像的数据是和相同或相似的机制所获得的成像同一形式,如MRI质子加权密度成像和数据整合功能MRI成像，其数据成像和所得成像可以用已知的机制来寄存而使所取的成像正确地与成像对齐，这使区域信息对准其主体成像。该注册可涉及所获取的成像和数据成像其中的一个或两个的一个或多个变换，例如旋转，移位,伸延，收缩和其他等。
在某变动中，其数据可以用与以与所得的成像不同的格式来表示。例如，在一些演变中，图集可以由区域界限坐目标几何数据形式来表达。对于这些变动，可以使用适当的方法将数据映像到所获成像的适当部分。
一旦区域与解剖成像正确对准后，其成像可被由数据确定的区域来分割。分割区域可以使用如颜色，阴影，轮廓和其地方法在所获取的成像上表示，这些方法现在将会向技术人员产生。在某演变中，文字卷标或其他符号亦可以单独或与其他表达区域的的方法组合使用。
为了进一步增进所获得的成像，可以用上所述的扩散成像法从成象中取得纤维束数据而形成附加的内数据。在某演变中，可以从纤维束图集中获得纤维束数据以作为外数据。其纤维束数据可以被注册并映像到所得的成像，以视化纤维束信息。
纤维束数据可根据已选出已识别之关住区域之各项去识别束把而进一步提供束把位置信息。束把位置的认识可会是无价的。例如，为外科医生提供在计划手术路线中那些可会损坏的束把的指示,俾能给了改变手术路线的机会，以避开更重要如涉及主要视觉区域的连接性的那些束把。
在某变动中其已修改之外置数据未能被充分修改以解决个体之变异，其所得束把可能包括非特定束把成员之纤维束(阳性判断错误)，或者可末能包括纤维束其为真正特定束把成员者(阴性判断错误)。因此，可以通过人手校正航点或限定以识别束把之排斥区域来重新分割该束把以反映其在所获取成像中之名界面。
在进一步的变动中，如从从的主体成像中获取得内置数据而为纤维束数据，此纤维束数据可能存在缺陷。例如，可有情况其可能所取的扩散图像包含低方向性信息的区域，如由肿瘤引起之相关水肿。在这些情况下，识别穿过这些区域的解剖束把路线的航点可能无法提供足够的信息来抽出束地并导致大量因路线中断所产生的阳性判断错误。为了减轻这一点，可以使用附加或替代形式的识别束把，其不依赖于航点定义，而是依赖于纤维束之空间坐标与外置束把图集间的重迭。外置束把图集可以包括束把之表达概率，或可以包括从附加模式例如fMRI所获得的空间纤维束数据。
根据这种替代方法，可以将外置束把图集立案并映像到纤维束数据。可以从外置束把图集中选出其束把。至少部分与已识别的束把重迭的空间坐目标内置纤维束数据的纤维束可能被识别其属于所选出的束把。该部分可以是预早确定，并基于例如长度之一部分。在变动中，可以基于所选择的航点来识别束把，并且可以利用把外置束把图集加于由航点选出的纤维束所识别的纤维束数据所成之重叠来作其纤维束识别。
上述之束把分割的方法结果在每一束把中成一纤维束集，因此一个特定的纤维束可以属于一个或多个束把。在一些演变中，可进一步处理纤维束数据以将每个纤维束与每个单束把相联。因此，首先为每个解剖束把识别出其有代表性的纤维束。例如，平均代表位可以是每个束把的平均空间中点。代表管远可以通过把平均束把内的所有纵向纤维束位置或选择其与在束把中其他纤维束最小空间距离的纤维束来识别。例如，圆柱形束把的代表纤维束路可以是沿着圆柱体纵向轴线延伸的纤维束。在某变动中，特别是复杂的束把，可以使用多个束把来表示单一的束把。
第二，整个大脑上所有已接收纤维束数据的所有纤维束,可以与每个代表性纤维束作比较，以确定每个纤维束和代表性纤维束之间的距离。该确定可以基于适当的距离度量，例如最近点距离或最大的最近点距离(又称豪斯多夫距离)的平均值。
第三，可以基于确定的距离来确定每个纤维束束的关系。因此，只要其距离低于特定的阈值，每条纤维束可以与其最近距离的代表纤维束路的束把联系在一起。纤维束其离所有代表纤维束大于阈值距离者则被标记为未分类者。在某变动中，可以改变阈值以不同可信度来视化大脑中的束把。在进一步的变动里，这些束把标签可以被分级确定，这样纤维束可以属于多个束把，而其中一个束把可以被确定为另一束把的子束。
在某变动中，外置纤维束数据也可以基于对其他外置和内置数据的调整来作修改，在此例中如已修改的外置功能区域的图集数据。例如，纤维束数据与己被图集数据所识别之功能区相交。因此，可自己调校和己调校图谱数据之部分相交的纤维束，使其相交是继续恰当地产生，例如防止与肿瘤的相交。
现在参考图3，基于内置和外置数据所成的医学图成像分割方法一般在(300) 中表示。为帮助解释该方法，将假设方法(300)是部分使用如图1所示的MRI 系统(100)来操作。此外，以下对方法(300)的讨论带来对系统(100)的进一步了解。然而，这应当理解到系统(100)和方法(300)可以改变的，并且不需要如本文所讨论的那样大家准确的结合工作，并且这种改变是在范围之内。
从(310)开始，所获成像已被接收。在该示例中，成像是从一系列所获取作截面图像而成的脑的三维MRI成像。具体来说，每个截面图像都是用基于脉冲序列用MRI系统(100)来产生的T1加权图像。
继续方法(300)，在(320)中,对应于大脑功能区域之外置数据被为接收。所确定的功能区域包括相应于主视觉区的区域。在该示例中，图集信息是被理解为由(310)获取成像主体以外的来源中获得。例如，可以合并之前扫描不同病人中所得之图集并以人手分割来确定各功能区域。因此，在此示例中，外置数据可以与MRI之格式相同。
返回图3，内置数据定在(330)处接收。在该示例中，其一类型的内置数据包括fMRI图像，其可以被处理来识别主视觉皮层。在其些演动中，内置数据包括由人手或通过计算器辅助方法所得到一种对肿瘤或病变的分割。变异可以包括病变子部分的分割，例如渗透成分，囊性成分或坏死成分。进一步的变异可包括从所得成像中来识别的解剖标记，例如前连合。
继续方法(300)，在(340)，可以基于内置数据来改外置数据。为执行修改,可首先把和外置数据相关的解剖成像和内置数据作粗略对齐。一旦数据集成粗略对齐，外置图集数据中的区域可基于内置数据的大小，形状，位置和性质进行修改或空间扭曲。在该示例中，内置数据包括由fMRI所得相关主视觉皮层的区域。在另一种变动中，其内置数据包括肿瘤或病变的分割，而利用病变分割所具有可以去压缩外置图集中邻近解剖结构的变形特性来对外置数据作修改。在某变动里，在鉴是病变的子部分的情况下，可以更具体地修改外置数据，例如，渗透成分不会对解剖区作其移位或压缩。
继续图3，在(350)，利用己修改的外置数据来分割所获成像以视化其成像中之不同区域。为了完成此分割，其已修改的外置数据可被登记并映射到从 (310)获得的成像。所获成像然后可被分割并且可用适当之标签来识别基分割区域。因此，可以用从(310)所得的三维图像来视化各种功能区域，以及在解剖区和其他关注区域中的变化。此外，其被认为重要的至少部份之功能区域是被外置数据修改后的内置数据作为分段，因此被认为是更准确表示出主体成像中的功能区域。
继续使用方法(300)，纤维束数据是从(360)中获取。基于上述之扩散成像，可以从主体所获取之纤维束数据去形成内置数据。纤维束数据可以被注册并映像到在(310)所获得的成像来视化的纤维束信息。
在(370)中选出一个或多个航点来用纤维束数据去识别束把。在所获取成像中一个或多个分段区域可被选择为各航点。或者，可用以人为识别其不相应于所获成像分割区的区域来作人手航点选择。
在该示例中，所选出的航点是由人手从所取得成像中识别之区域，其对应于在大脑手术将被切除以到达肿瘤的大脑部分。这在所得成像内之人手识别之区域不相应于其一分段区域，并且代表一个被一束把穿过航点的贯穿区域。附加选出的航点相应于其非常重要的终点区域，在这个案中是基于所获成像的分割区域去识别的大脑的视觉区。
接下来，在(380)处，其纤维束数据被分段以去识别相应所选航点的束把。因此，在本例中，从纤维束数据中提取的束把是连接穿过进行手术区的大脑的视觉区的束把。纤维束其通过已识别的贯穿点但不属于由选出端点所识别侈指定解剖束把者可以被除去。因此，分割可以由选出通过贯穿点集之纤维束去进行，其贯穿点集是从所获成像人手识别而与其被选出之分割区域相联。
尽管在上述示例实施方法(300)中，在成像分割前去修改外置数据，但是本技术人员应理解，外置数据的修改和成像的分割可以任何顺序产生。例如，在演变中，成像可基于外置数据被分割，而分割则可基于其内置数据来进行修改。
上述实施例目的是作为示例，其所属技术领域的技术人员可以对其进行更改和修改，而不脱离由于此附加的权利要求独自去确定的范围。例如，所讨论的方法，系统和实施例可以全部或部分变改和组合。

Claims (18)

1.一种由电脑执行之分段生理成像方法，其包括：
接收定义外置区域的外置数据；
接收定义至少一个内置区域的内置数据，每个内置区域均与一个外置区域对应；并且
根据相应的内置区域的形状和大小，修定具有所述相应的内置区域的至少一个外置区域的形状和大小，以形成一个已修定的外置数据；
从已修定之外置数据,分割所述生理成像成各分段区，而每一分段区均有一个相应的内置区域，代表一个基于此相应内置区域之修定；
接收包含纤维束之内置纤维束数据；
接收航点区；
识别一个束把，所述束把包括一个已识别的纤维束子集；并且
利用表示所述束把的纤维束数据更新所述修定的外置数据。
2.根据权利要求1所述的方法，此外包括：
修定至少一个外置区域之形状和大小，唯至少一个具有相应内置区域之外置区域除外。
3.根据权利要求1所述的方法，其中，所述航点区包括至少一个终点区，而所述束把是根据在所述至少一个终点区终止的纤维束来识别。
4.根据权利要求1至3任一项所述的方法，其中，所述航点区包括至少一个贯穿区，而所述束把是根据通过所述至少一个贯穿区的纤维束来识别。
5.根据权利要求1所述的方法，此外包括：
接收一个排斥区；并且
从被识别了的纤维束子集中，排除与该排斥区相关之所述纤维束。
6.根据权利要求1所述的方法，其中，至少一个航点区从所述分段区被选出。
7.根据权利要求1所述的方法，其中，至少一个航点区经手工从所述生理成像被选出。
8.根据权利要求1所述的方法，此外包括：
接收包含外置束把之外置束把舆图；
根据此纤维束及所述外置束把识别其他纤维束；
修定所述已识别的束把以包含所述其他纤维束。
9.根据权利要求8所述的方法，此外包括
接收选择的一个所述外置束把，
其中，所述识别所述其他纤维束进一步包括：
从所述已选择的外置束把中确定所述其他纤维束至少部分交叠。
10.根据权利要求1所述的方法，此外包括：
根据所述航点区及所述纤维束识别其他束把；
为已识别的束把及每一个其他束把去识别一个相应的代表纤维束；
对于每一纤维束，根据到每个代表纤维束的距离去确定一个最近的代表纤维束；
对于每一个纤维束：
当所述最近的代表纤维束比某一阀值更远时，其纤维束会被辨认为未分类者；并且
当所述最近的代表纤维束比所述阀值更近时，将所述纤维束与对应于所述最近的代表纤维束的所述束把相关联。
11.根据权利要求1所述的方法，其中，所述外置数据从至少两个不同的来源获取。
12.根据权利要求1所述的方法，其中，所述内置数据从第一来源和第二个异於所述第一来源的来源获取。
13.根据权利要求1所述的方法，其中，所述纤维束数据是基于内部扩散磁共振纤维束圖。
14.根据权利要求12所述的方法，其中，从所述第二来源所获取之所述内置数据用来执行以下至少之一：
验证从所述第一来源获取的所述内置数据；并且
修定从所述第一来源获取的所述内置数据。
15.一种由电脑执行之分段生理成像系统，其包括：
一个处理器，其操作用于：
接收生理成像；
接收定义外置区域的外置数据；
接收定义至少一个内置区域的内置数据，每个内置区域对应一个外置区域；并且
根据相应的内置区域的形状和大小，修定具有所述相应的内置区域的至少一个外置区域的形状和大小以形成一个已修定的外置数据；并且
从已修定之外置数据，分割其生理成像为各分段区，而每一区域分段区均有一个相应的内置区域，代表一个基于此相应内置区域的修定；
其中，所述处理器进一步操作以便：
接收包含纤维束的内置纤维束数据；
接收航点区；
识别一个束把，所述束把包括一个被识别的纤维束子集；并且
利用表示所述束把的纤维束数据更新所述修定的外置数据。
16.根据权利要求15所述的由电脑执行之分段生理成像系统，其中，所述处理器进一步操作用于：
修定至少一个外置区域之形状和大少，唯具有一个相应内置区域之至少一个外置区域除外。
17.根据权利要求15所述的由电脑执行之分段生理成像系统，其中，所述航点区域包括至少一个终点区，并且，所述被识别的束把是根据在所述至少一个终点区终止的所述纤维束被识别。
18.根据权利要求15至17任一项所述的由电脑执行之分段生理成像系统，其中，所述航点区包括至少一个通过区，并且，所述被识别的束把是根据通过所述至少一个通过区的所述纤维束被识别。
CN201480083738.7A 2014-10-17 2014-10-17 连接性制图之系统及方法 Active CN107110944B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CA2014/000740 WO2016058075A1 (en) 2014-10-17 2014-10-17 System and method for connectivity mapping

Publications (2)

Publication Number Publication Date
CN107110944A CN107110944A (zh) 2017-08-29
CN107110944B true CN107110944B (zh) 2019-11-22

Family

ID=55745904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480083738.7A Active CN107110944B (zh) 2014-10-17 2014-10-17 连接性制图之系统及方法

Country Status (8)

Country Link
US (2) US9818188B2 (zh)
JP (1) JP6636514B2 (zh)
CN (1) CN107110944B (zh)
AU (1) AU2014409090B2 (zh)
CA (1) CA2957445C (zh)
DE (1) DE112014007064T5 (zh)
GB (1) GB2547833B (zh)
WO (1) WO2016058075A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107110944B (zh) * 2014-10-17 2019-11-22 圣纳普医疗(巴巴多斯)公司 连接性制图之系统及方法
CN108022234B (zh) * 2016-10-28 2022-03-01 东芝医疗系统株式会社 医用图像处理装置及医用图像处理方法
CN109620407B (zh) 2017-10-06 2024-02-06 皇家飞利浦有限公司 治疗轨迹引导系统
US11288803B2 (en) 2017-10-09 2022-03-29 Koninklijke Philips N.V. Ablation result validation system
US10783699B2 (en) * 2018-02-16 2020-09-22 AI Analysis, Inc. Sub-voxel refinement of anatomical models
US20210342655A1 (en) * 2020-04-30 2021-11-04 Medtronic Navigation, Inc. Method And Apparatus To Classify Structures In An Image
US11354803B1 (en) * 2021-12-03 2022-06-07 Omniscient Neurotechnology Pty Limited Identifying spurious tracts in neuro-networks

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1104883A (zh) * 1993-09-30 1995-07-12 株式会社岛津制作所 磁共振成像装置
US5594849A (en) * 1991-08-09 1997-01-14 Yale University Biomedical magnetism imaging apparatus and method
CN1681439A (zh) * 2002-09-12 2005-10-12 株式会社日立医药 生物体组织动状态跟踪方法、使用该方法的图像诊断装置
CN103228215A (zh) * 2011-09-08 2013-07-31 株式会社东芝 多层ct装置及数据预处理方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070165989A1 (en) * 2005-11-30 2007-07-19 Luis Serra Del Molino Method and systems for diffusion tensor imaging
WO2007099525A2 (en) * 2006-03-03 2007-09-07 Medic Vision - Brain Technologies Ltd. System and method of automatic prioritization and analysis of medical images
US8014578B2 (en) * 2007-02-05 2011-09-06 General Electric Company Method and system for image segmentation using models
EP2184010B1 (en) * 2007-06-29 2019-05-08 Toshinori Kato White matter enhancing method
US8666128B2 (en) * 2007-10-18 2014-03-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for mapping regions in a model of an object comprising an anatomical structure from one image data set to images used in a diagnostic or therapeutic intervention
WO2009088965A1 (en) * 2008-01-03 2009-07-16 The Johns Hopkins University Automated fiber tracking of human brain white matter using diffusion tensor imaging
EP2161594B1 (en) * 2008-09-09 2017-11-08 Multi Magnetics Incorporated System and method for correcting attenuation in hybrid medical imaging
US8588486B2 (en) * 2009-06-18 2013-11-19 General Electric Company Apparatus and method for isolating a region in an image
US20130172727A1 (en) * 2010-04-30 2013-07-04 The Johns Hopkins University Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging
EP2632546B1 (en) * 2010-10-29 2014-09-10 Sapiens Steering Brain Stimulation B.V. Planning system for neurostimulation therapy
WO2012058217A2 (en) * 2010-10-29 2012-05-03 The Johns Hopkins University Image search engine
US8958614B2 (en) * 2011-11-28 2015-02-17 Siemens Medical Solutions Usa, Inc. Image-based detection using hierarchical learning
JP2014046034A (ja) * 2012-08-31 2014-03-17 Toshiba Corp 画像処理装置
US11229362B2 (en) * 2013-01-24 2022-01-25 Tylerton International Holdings Inc. Body structure imaging
JP6568478B2 (ja) * 2013-03-15 2019-08-28 シナプティヴ メディカル （バルバドス） インコーポレイテッドＳｙｎａｐｔｉｖｅ Ｍｅｄｉｃａｌ （Ｂａｒｂａｄｏｓ） Ｉｎｃ． 低侵襲治療のための計画、誘導およびシミュレーションシステムおよび方法
CN107110944B (zh) * 2014-10-17 2019-11-22 圣纳普医疗(巴巴多斯)公司 连接性制图之系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5594849A (en) * 1991-08-09 1997-01-14 Yale University Biomedical magnetism imaging apparatus and method
CN1104883A (zh) * 1993-09-30 1995-07-12 株式会社岛津制作所 磁共振成像装置
CN1681439A (zh) * 2002-09-12 2005-10-12 株式会社日立医药 生物体组织动状态跟踪方法、使用该方法的图像诊断装置
CN103228215A (zh) * 2011-09-08 2013-07-31 株式会社东芝 多层ct装置及数据预处理方法

Also Published As

Publication number Publication date
JP2017531501A (ja) 2017-10-26
GB201707725D0 (en) 2017-06-28
AU2014409090B2 (en) 2020-07-02
JP6636514B2 (ja) 2020-01-29
AU2014409090A1 (en) 2017-04-27
CN107110944A (zh) 2017-08-29
DE112014007064T5 (de) 2017-06-29
WO2016058075A1 (en) 2016-04-21
US9818188B2 (en) 2017-11-14
GB2547833B (en) 2020-11-25
US20180018769A1 (en) 2018-01-18
GB2547833A (en) 2017-08-30
CA2957445C (en) 2017-10-31
US20170221208A1 (en) 2017-08-03
CA2957445A1 (en) 2016-04-21
US10078896B2 (en) 2018-09-18

Similar Documents

Publication Publication Date Title
CN107110944B (zh) 连接性制图之系统及方法
US9662083B2 (en) Medical image display apparatus and medical image display system
JP6169573B2 (ja) 磁気共鳴撮像中における既定の体積内の無線周波数伝送場の減少
US20190223750A1 (en) Medical image diagnostic apparatus and medical image display apparatus for volume image correlations
CN105431746B (zh) 用于为独立像素或体素分配组织特异pet衰减值的mri方法
US20180344161A1 (en) Medical instrument for analysis of white matter brain lesions
Gargiulo et al. New directions in 3D medical modeling: 3D‐printing anatomy and functions in neurosurgical planning
CN108351395A (zh) 来自磁共振图像的虚拟ct图像
JPWO2013027540A1 (ja) 医用画像撮影装置
US8238999B2 (en) Method for display of at least one medical finding
CN108778418A (zh) 合成计算机断层摄影成像
CN105342701A (zh) 一种基于影像信息融合的病灶虚拟穿刺系统
JP2018505748A (ja) Ｍｒｉ又はｃｔ用のスキャンジオメトリプランニング方法
CN109998676A (zh) 耳鼻喉骨距离彩色编码面部图
CN105408760B (zh) 利用使用具有mdixon脉冲序列的多回波超短te(ute)的mri来区分组织
KR20190124002A (ko) 의료 영상 장치 및 의료 영상을 처리하는 방법
CN104737200B (zh) 多结构图集和/或其应用
CN109658377A (zh) 一种基于多维度信息融合的乳腺mri病变区域检测方法
CN105931290B (zh) 混合模态个性化人体组织介电特性电磁模型及其建立方法和应用
Faliagka et al. Diagnosis-a global alignment and fusion medical system
CN106510707A (zh) 磁共振成像装置及图像处理装置
US20220011392A1 (en) Diffusion magnetic resonance imaging using spherical neural networks
Teich et al. MITK-based segmentation of co-registered MRI for subject-related regional anesthesia simulation
JP2005253706A (ja) 手術ナビゲーション装置を備えた磁気共鳴イメージング装置
JP2005044299A (ja) 医用情報管理装置、方法およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1237415

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201224

Address after: Toronto, Ontario, Canada

Patentee after: SANAP medical Co.

Address before: Bridgeton, Barbados

Patentee before: SYNAPTIVE MEDICAL (BARBADOS) Inc.

TR01 Transfer of patent right