CN107492104A - 低磁场磁共振图像的皮层下结构子区域的自动分割方法 - Google Patents
低磁场磁共振图像的皮层下结构子区域的自动分割方法 Download PDFInfo
- Publication number
- CN107492104A CN107492104A CN201710607779.7A CN201710607779A CN107492104A CN 107492104 A CN107492104 A CN 107492104A CN 201710607779 A CN201710607779 A CN 201710607779A CN 107492104 A CN107492104 A CN 107492104A
- Authority
- CN
- China
- Prior art keywords
- subcortical
- mri
- subcortical structure
- subregion
- template
- 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
- 230000002739 subcortical effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000005192 partition Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000013519 translation Methods 0.000 claims abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 23
- 210000001320 hippocampus Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 210000001159 caudate nucleus Anatomy 0.000 claims description 5
- 210000004940 nucleus Anatomy 0.000 claims description 5
- 210000001103 thalamus Anatomy 0.000 claims description 5
- 210000004974 shell Anatomy 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种低磁场磁共振图像的皮层下结构子区域的自动分割方法,包括以下步骤:(1)基于已进行子区域分割的皮层下结构进行模板的构建;(2)将低磁场磁共振图像中待进行子区域分割的皮层下结构A进行基于平移和旋转的刚性变换;(3)将步骤(2)进行刚性变换的皮层下结构A通过高度形变微分同胚度量映射算法进行形变,得到形变后的皮层下结构B;(4)对皮层下结构B进行基于提升采样的表面细化;(5)找到皮层下结构B表面与模板表面之间距离最短的各对顶点对,然后将模板各个顶点所属的子区域赋给经过表面细化后的皮层下结构A表面相应的顶点,皮层下结构A根据顶点完成子区域的分割。
Description
技术领域
本发明涉及计算解剖学技术领域,更具体地,涉及一种低磁场磁共振图像的皮层下结构子区域的自动分割方法。
背景技术
大脑皮层下结构,如海马体,由多个功能不同的子区域组成。现有的对大脑皮层下结构进行子区域分割的技术大多是通过对极高磁场(如:7T或者11T)的磁共振扫描得到的图像进行手动分割来得到各个子区域的定义,其分割的准确性和难易程度根据分割者经验的不同有很大差异。此外,针对活体大脑的极高磁场扫描仪目前非常稀少,尤其是在国内。大多数的大脑磁共振图像仍然是从1.5T或者3T的成像仪得到。由于图像分辨率有限,在1.5T或者3T的磁共振图像上无法进行子区域的手动分割。
发明内容
本发明为解决以上现有技术无法对低磁场磁共振图像中的皮层下结构进行子区域分割的技术缺陷,提供了一种低磁场磁共振图像的皮层下结构子区域的自动分割方法。
为实现以上发明目的,采用的技术方案是:
低磁场磁共振图像的皮层下结构子区域的自动分割方法,包括以下步骤:
(1)基于已进行子区域分割的皮层下结构进行模板的构建;
(2)将低磁场磁共振图像中待进行子区域分割的皮层下结构A进行基于平移和旋转的刚性变换;
(3)将步骤(2)进行刚性变换的皮层下结构A通过高度形变微分同胚度量映射算法进行形变,得到形变后的皮层下结构B;
(4)对皮层下结构B进行基于提升采样的表面细化;
(5)找到皮层下结构B表面与模板表面之间距离最短的各对顶点对,然后将模板各个顶点所属的子区域赋给经过表面细化后的皮层下结构A表面相应的顶点,皮层下结构A根据顶点完成子区域的分割。
上述方案中,采用LDDMM高度形变微分同胚度量映射算法得到与模板形状基本相同的形变3D表面结构,为后面找到模板和待分割结构之间的空间关系以及从已分割模板到待分割结构各个区域的映射提供了保障。LDDMM算法是计算解剖学研究领域被广泛认可的具有高配准精度的微分同胚非刚性配准范式。配准的过程是将表面的每个顶点进行位置改变使得变形得到的表面的位置和形状接近于模板。这个过程中每个顶点的位置变化轨迹可以测量得到。LDDMM配准方法的好处是可以找到模板和待分割个体每个区域对应位置的关系,并且在形变的过程中不会改变结构所有顶点的相对位置关系(拓扑结构)。
与现有技术相比,本发明的有益效果是:
本发明,基于高度形变微分同胚度量映射算法以及表面细化,将模板上已分割好的皮层下结构的子区域映射到需要进行子区域分割的低磁场(1.5T或者3T)图像上,得到和专家分割相似的皮层下结构子区域的分割边界,解决了基于低磁场磁共振图像的皮层下结构子区域自动分割这一技术难题。
附图说明
图1为本发明的具体实现过程图。
图2为海马体结构表面细化结果图。
图3为杏仁核的子区域分割结果图。
图4为海马体的子区域的分割结果图。
图5为尾状核的子区域分割结果图。
图6为丘脑的子区域分割结果图。
图7为壳核的子区域分割结果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明提供的皮层下结构包括海马体、杏仁核、丘脑、尾状核和壳核。
如图1所示,以海马体为例,本发明提供的自动分割方法具体包括以下步骤:
(1)基于已进行子区域分割的皮层下结构进行模板的构建;
(2)将低磁场磁共振图像中待进行子区域分割的皮层下结构A进行基于平移和旋转的刚性变换;
(3)将步骤(2)进行刚性变换的皮层下结构A通过高度形变微分同胚度量映射算法进行形变,得到形变后的皮层下结构B;
(4)对皮层下结构B进行基于提升采样的表面细化;
(5)找到皮层下结构B表面与模板表面之间距离最短的各对顶点对,然后将模板各个顶点所属的子区域赋给经过表面细化后的皮层下结构A表面相应的顶点,皮层下结构A根据顶点完成子区域的分割。
上述方案中,采用LDDMM高度形变微分同胚度量映射算法得到与模板形状基本相同的形变3D表面结构,为后面找到模板和待分割结构之间的空间关系以及从已分割模板到待分割结构各个区域的映射提供了保障。LDDMM算法是计算解剖学研究领域被广泛认可的具有高配准精度的微分同胚非刚性配准范式。配准的过程是将表面的每个顶点进行位置改变使得变形得到的表面的位置和形状接近于模板。这个过程中每个顶点的位置变化轨迹可以测量得到。LDDMM配准方法的好处是可以找到模板和待分割个体每个区域对应位置的关系,并且在形变的过程中不会改变结构所有顶点的相对位置关系(拓扑结构)。
上述方案中,对结构表面进行细化是通过编写脚本算法实现,如图2所示,即在每个三角面边缘的中点处添加顶点,然后在三角面内部将这三个顶点直线连接起来,使得一个三角面变成了四个,从而完成整个结构表面的细分。通过该处理,目标结构表面变得更加均匀,表面信息更加具体丰富,并且区域分割界限更加明显。
在具体的实施过程中,所述步骤(1)进行模板的构建的具体过程为:
对于海马体和杏仁核,首先通过专家对高磁场磁共振图像中的皮层下结构进行子区域的分割,然后基于专家已进行分割的的皮层下结构进行模板的构建;
对于丘脑、尾状核和壳核,是通过功能磁共振图像以及弥散张量图像得到的其子区域分割结果,然后基于分割结果进行模板的构建。
在具体的实施过程中,所述高磁场磁共振图像为7T或者11T的的磁场磁共振图像,所述低磁场磁共振图像为1.5T或者3T的磁场磁共振图像。
同时,本发明还进行了具体的仿真实验,实验结果如图3~7所示,实验证明,本发明提供的皮层下结构子区域分割方法分割精准,只要可以提供已分割好的皮层下结构,通过本发明提供的方法可以把该结构的各个分割区域映射到待分割的结构上,从而实现皮层下结构子区域的自动分割。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.低磁场磁共振图像的皮层下结构子区域的自动分割方法,其特征在于:包括以下步骤:
(1)基于已进行子区域分割的皮层下结构进行模板的构建;
(2)将低磁场磁共振图像中待进行子区域分割的皮层下结构A进行基于平移和旋转的刚性变换;
(3)将步骤(2)进行刚性变换的皮层下结构A通过高度形变微分同胚度量映射算法进行形变,得到形变后的皮层下结构B;
(4)对皮层下结构B进行基于提升采样的表面细化;
(5)找到皮层下结构B表面与模板表面之间距离最短的各对顶点对,然后将模板各个顶点所属的子区域赋给经过表面细化后的皮层下结构A表面相应的顶点,皮层下结构A根据顶点完成子区域的分割。
2.根据权利要求1所述的低磁场磁共振图像的皮层下结构子区域的自动分割方法,其特征在于:所述皮层下结构包括海马体、杏仁核、丘脑、尾状核和壳核。
3.根据权利要求2所述的低磁场磁共振图像的皮层下结构子区域的自动分割方法,其特征在于:所述步骤(1)进行模板的构建的具体过程为:
对于海马体和杏仁核,首先通过专家对高磁场磁共振图像中的皮层下结构进行子区域的分割,然后基于专家已进行分割的的皮层下结构进行模板的构建;
对于丘脑、尾状核和壳核,是通过功能磁共振图像以及弥散张量图像得到的其子区域分割结果,然后基于分割结果进行模板的构建。
4.根据权利要求1所述的低磁场磁共振图像的皮层下结构子区域的自动分割方法,其特征在于:所述高磁场磁共振图像为7T或者11T的的磁场磁共振图像,所述低磁场磁共振图像为1.5T或者3T的磁场磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607779.7A CN107492104B (zh) | 2017-07-24 | 2017-07-24 | 低磁场磁共振图像的皮层下结构子区域的自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607779.7A CN107492104B (zh) | 2017-07-24 | 2017-07-24 | 低磁场磁共振图像的皮层下结构子区域的自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107492104A true CN107492104A (zh) | 2017-12-19 |
CN107492104B CN107492104B (zh) | 2020-09-15 |
Family
ID=60644663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710607779.7A Active CN107492104B (zh) | 2017-07-24 | 2017-07-24 | 低磁场磁共振图像的皮层下结构子区域的自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107492104B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830887A (zh) * | 2018-04-18 | 2018-11-16 | 佛山市顺德区中山大学研究院 | 基于lddmm的高维空间多条非交叉曲线的匹配方法及装置 |
CN113838187A (zh) * | 2021-08-27 | 2021-12-24 | 南方科技大学 | 大脑皮质下结构的三维表面生成方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411780A (zh) * | 2011-09-07 | 2012-04-11 | 华南理工大学 | 一种基于配准的ct图像全心脏自动分割系统 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN106157320A (zh) * | 2016-07-29 | 2016-11-23 | 上海联影医疗科技有限公司 | 一种图像血管分割方法及装置 |
-
2017
- 2017-07-24 CN CN201710607779.7A patent/CN107492104B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411780A (zh) * | 2011-09-07 | 2012-04-11 | 华南理工大学 | 一种基于配准的ct图像全心脏自动分割系统 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN106157320A (zh) * | 2016-07-29 | 2016-11-23 | 上海联影医疗科技有限公司 | 一种图像血管分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐峰: "基于配准的颅脑CT图像分割的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830887A (zh) * | 2018-04-18 | 2018-11-16 | 佛山市顺德区中山大学研究院 | 基于lddmm的高维空间多条非交叉曲线的匹配方法及装置 |
CN113838187A (zh) * | 2021-08-27 | 2021-12-24 | 南方科技大学 | 大脑皮质下结构的三维表面生成方法、装置及存储介质 |
CN113838187B (zh) * | 2021-08-27 | 2024-07-12 | 南方科技大学 | 大脑皮质下结构的三维表面生成方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107492104B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127791B (zh) | 一种航空遥感影像的建筑物轮廓线提取方法 | |
Caspers et al. | Cytoarchitectonical analysis and probabilistic mapping of two extrastriate areas of the human posterior fusiform gyrus | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107610162A (zh) | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 | |
CN104050666B (zh) | 基于分割的脑部mr图像配准方法 | |
CN110349207A (zh) | 一种复杂环境下的视觉定位方法 | |
CN109685732A (zh) | 一种基于边界捕捉的深度图像高精度修复方法 | |
Kim et al. | Multivariate hippocampal subfield analysis of local MRI intensity and volume: application to temporal lobe epilepsy | |
CN103679816B (zh) | 一种面向刑侦的未知身源颅骨的计算机辅助面貌复原方法 | |
CN107103612A (zh) | 自动化分区域脑萎缩程度的定量计算方法 | |
CN110136178B (zh) | 一种基于端点拟合的三维激光点云配准方法及装置 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN110533664A (zh) | 一种基于大样本数据驱动的颅神经自动分割方法 | |
CN107492104A (zh) | 低磁场磁共振图像的皮层下结构子区域的自动分割方法 | |
Jiang et al. | Brain extraction from cerebral MRI volume using a hybrid level set based active contour neighborhood model | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
Bokde et al. | Reliable manual segmentation of the frontal, parietal, temporal, and occipital lobes on magnetic resonance images of healthy subjects | |
Guo et al. | Seed point discontinuity‐based segmentation method for the substantia nigra and the red nucleus in quantitative susceptibility maps | |
Dida et al. | Image registration of computed tomography of lung infected with COVID-19 using an improved sine cosine algorithm | |
Glaister et al. | Falx cerebri segmentation via multi-atlas boundary fusion | |
CN110136179B (zh) | 一种基于直线拟合的三维激光点云配准方法及装置 | |
Unkelbach et al. | Glioblastoma growth modeling for radiotherapy target delineation | |
Anbazhagan et al. | Automatic estimation of midsagittal plane and AC-PC alignment on nonrigid registration | |
Avila et al. | Inference of an extended short fiber bundle atlas using sulcus-based constraints for a diffeomorphic inter-subject alignment | |
Hett et al. | Patch-based DTI grading: Application to Alzheimer’s disease classification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |