CN107818567B - 一种基于皮层顶点云的大脑局部形态特征描述方法 - Google Patents

一种基于皮层顶点云的大脑局部形态特征描述方法 Download PDF

Info

Publication number
CN107818567B
CN107818567B CN201711025350.3A CN201711025350A CN107818567B CN 107818567 B CN107818567 B CN 107818567B CN 201711025350 A CN201711025350 A CN 201711025350A CN 107818567 B CN107818567 B CN 107818567B
Authority
CN
China
Prior art keywords
brain
vertex
cloud
point cloud
local
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
CN201711025350.3A
Other languages
English (en)
Other versions
CN107818567A (zh
Inventor
曾令李
胡德文
彭立旻
李福全
沈辉
郭裕兰
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201711025350.3A priority Critical patent/CN107818567B/zh
Publication of CN107818567A publication Critical patent/CN107818567A/zh
Application granted granted Critical
Publication of CN107818567B publication Critical patent/CN107818567B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于皮层顶点云的大脑局部形态特征描述方法，实施步骤包括：获取脑结构磁共振成像的原始数据；根据脑结构磁共振成像进行皮层顶点云采样并重构获取大脑曲面重构图像；针对大脑曲面重构图像的目标局部区域选取关键点，确定关键点的局部表面；使用旋转投影统计量算法RoPS提取局部表面的三维特征描述量，从而得到局部表面对应的皮层局部形态特征描述。本发明具有计算迅速、数据处理效果理想，使用顶点云描述的大脑皮层局部形态特征不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良的优点。

Description

一种基于皮层顶点云的大脑局部形态特征描述方法
技术领域
本发明涉及大脑形态学特征描述方法，具体涉及一种基于皮层顶点云的大脑局部形态特征描述方法。
背景技术
大脑皮层结构的可塑性是脑科学与认知神经科学领域的关键科学问题之一。发育、老化、长期训练和部分严重脑疾病等都伴随有大脑皮层结构的形态学变化。结构磁共振成像等非侵入式的脑成像手段，可以测量这些形态学变化，若能够设计合适的局部特征描述方法，将为构建脑结构发展的生物学标记提供方法学支撑。
目前，大脑皮层局部形态特征描述方法包括灰质密度(或灰质容量)、皮层面积、皮层厚度、皮层曲率等，这些特征能够描述“点”位置的灰质变化，具有精度高、计算简便等优势。然而，这些特征描述方法也存在以下问题：(1)对磁共振扫描仪型号和参数敏感。由于以上特征描述依赖于成像信号幅值的绝对值，而磁共振扫描仪型号和参数的变化会引起成像信号幅值的绝对值变化，从而使得以上特征描述在多中心脑影像数据分析中存在困难。(2)难以捕捉脑皮层曲面的空间变化特性，不能够将局部皮层表面作为整体来描述。在发育、老化、长期训练和脑疾病发展过程中，皮层的三维表面形态发展变化，而这些变化在具体“点”的灰质密度、皮层面积和厚度上却不明显。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种计算迅速、数据处理效果理想，使用顶点云描述的大脑皮层局部形态特征不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良的基于皮层顶点云的大脑局部形态特征描述方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于皮层顶点云的大脑局部形态特征描述方法，实施步骤包括：
1)获取脑结构磁共振成像的原始数据；
2)根据脑结构磁共振成像进行皮层顶点云采样并重构获取大脑曲面重构图像；
3)针对大脑曲面重构图像的目标局部区域选取关键点，确定关键点的局部表面；
4)使用旋转投影统计量算法RoPS提取局部表面的三维特征描述量，从而得到局部表面对应的皮层局部形态特征描述。
优选地，步骤2)的详细步骤包括：
2.1)采用FreeSurfer软件对脑结构磁共振成像进行灰白质分割；
2.2)针对灰白质分割后的脑结构磁共振成像进行皮层顶点云采样；
2.3)视皮层顶点云采样得到的稠密顶点为顶点云，基于顶点云计算关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像。
优选地，步骤2.3)的详细步骤包括：
2.3.1)视皮层顶点云采样得到的稠密顶点为顶点云；
2.3.2)计算顶点云每个点的相关顶点和邻接三角形；
2.3.3)针对每个点的相关顶点和邻接三角形，统计所有三角形边长，获得边长的平均值与方差，然后删除长于平均值加两倍方差的边，每个点的相关顶点和剩余的邻接三角形的边作为该点的关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像。
优选地，步骤4)的详细步骤包括：
4.1)输入局部表面的点云Q，对于一幅输入的点云Q，将点云Q绕x轴旋转角度θk得到旋转后的点云Q(θk)，将旋转角度θk后的点云Q(θk)投影到xy、xz、yz三个坐标平面上以获得投影点云Qi(θk)，其中i＝1，2，3；
4.2)对于每一个投影点云Qi(θk)，计算投影点云在两个坐标轴上的取值区间，获得一个二维的包围矩形，将该包围矩形均匀划分成Nb×Nb个单元格，其中Nb为指定的整数，并统计落入每个单元格内的投影点数量，从而获得一个Nb×Nb的分布矩阵D；为获得对数据分辨率变化的不变性，将分布矩阵D进一步归一化以使得所有单元格中的数值和为1；
4.3)针对分布矩阵D中的每一个投影点云Qi(θk)，采用数学统计量对分布矩阵D的信息做进一步提取，首先选用中心矩实现对分布矩阵D信息的抽取和压缩、然后利用香农熵提取矩阵D中的信息，得到每一个投影点云Qi(θk)的统计向量；
4.4)每一个投影点云Qi(θk)在xy，xz和yz平面上的三个统计向量连接在一起便得到一个子特征fx(θk),该子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量；为全面记录局部表面的信息，将点云Q绕x轴旋转一系列角度{θk}，k＝1，2，…，Nθ，从而得到一系列子特征{fx(θk)}，k＝1，2，…，Nθ；将点云Q绕y轴旋转一系列角度以得到一系列子特征{fy(θk)}，k＝1，2，…，Nθ；将点云Q绕z轴旋转一系列角度以得到一系列子特征{fz(θk)}，k＝1，2，…，Nθ，其中Nθ为指定的整数，θk为旋转角度；
4.5)将绕所有坐标轴进行旋转得到的子特征连接起来便得到如式(1)所示的最终的特征描述子作为局部表面对应的皮层局部形态特征描述；
f＝{fx(θk)，fy(θk)，fz(θk)}，k＝1，2，…，Nθ (1)
式(1)中，f为局部表面对应的皮层局部形态特征描述，子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量，子特征fy(θk)代表了绕y轴的第k次旋转所得到的统计量，子特征fz(θk)代表了绕z轴的第k次旋转所得到的统计量，Nθ为指定的整数，θk为旋转角度。
优选地，步骤4.3)中得到每一个投影点云Qi(θk)的统计向量分别包括投影点云Qi(θk)的低阶中心矩及香农熵。
本发明基于皮层顶点云的大脑局部形态特征描述方法具有下述优点：
1、本发明计算迅速，数据处理效果理想。
2、本发明使用顶点云描述的大脑皮层局部形态特征不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中脑结构磁共振成像的原始数据图像。
图3为本发明实施例中灰白质分割后得到的图像示意图。
图4为本发明实施例中皮层顶点云采样得到的图像示意图。
图5为本发明实施例中得到的大脑皮层的三维重构图像。
图6为本发明实施例中得到的局部表面。
图7为本发明实施例中提取局部表面的三维特征描述量的原理示意图。
具体实施方式
如图1所示，本实施例基于皮层顶点云的大脑局部形态特征描述方法的实施步骤包括：
1)获取脑结构磁共振成像的原始数据，如图2所示；
2)根据脑结构磁共振成像进行皮层顶点云采样并重构获取大脑曲面重构图像；
3)针对大脑曲面重构图像的目标局部区域选取关键点，确定关键点的局部表面；
4)使用旋转投影统计量算法RoPS提取局部表面的三维特征描述量，从而得到局部表面对应的皮层局部形态特征描述。
本实施例基于皮层顶点云的大脑局部形态特征描述方法通过根据脑结构磁共振成像进行皮层顶点云采样并重构获取大脑曲面重构图像，针对大脑曲面重构图像的目标局部区域选取关键点，确定关键点的局部表面，使用旋转投影统计量算法RoPS提取局部表面的三维特征描述量，从而得到局部表面对应的皮层局部形态特征描述，提取的特征具有不依赖于成像信号的幅值绝对值、不同MRI机器间可迁移、分类判别性能优良的优点。
本实施例中，步骤2)的详细步骤包括：
2.1)采用FreeSurfer软件对脑结构磁共振成像进行灰白质分割，灰白质分割后得到的图像如图3所示；
2.2)针对灰白质分割后的脑结构磁共振成像进行皮层顶点云采样，得到的结果如图4所示；
2.3)视皮层顶点云采样得到的稠密顶点为顶点云，基于顶点云计算关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像，得到的结果如图5所示。
本实施例中，步骤2.3)的详细步骤包括：
2.3.1)视皮层顶点云采样得到的稠密顶点为顶点云；
2.3.2)计算顶点云每个点的相关顶点和邻接三角形；
2.3.3)针对每个点的相关顶点和邻接三角形，统计所有三角形边长，获得边长的平均值与方差，然后删除长于平均值加两倍方差的边，每个点的相关顶点和剩余的邻接三角形的边作为该点的关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像。
本实施例中，步骤3)针对大脑皮层的局部三维重构图像，根据已有知识选取出关键局部，然后使用点云局部特征描述方法提取大脑皮层的局部特征作为皮层局部形态特征描述。本实施例中，点云局部特征描述方法的步骤包括选取关键点，确定关键点的局部表面，以便于计算关键点的局部表面的点云特征描述。本实施例中，确定关键点的局部表面具体如图6所示。
本实施例中，步骤4)的详细步骤包括：
4.1)输入局部表面的点云Q，对于一幅输入的点云Q，将点云Q绕x轴旋转角度θk得到旋转后的点云Q(θk)，将旋转角度θk后的点云Q(θk)投影到xy、xz、yz三个坐标平面上以获得投影点云Qi(θk)，其中i＝1，2，3；
4.2)对于每一个投影点云Qi(θk)，计算投影点云在两个坐标轴上的取值区间，获得一个二维的包围矩形，将该包围矩形均匀划分成Nb×Nb个单元格，其中Nb为指定的整数(本实施例中Nb＝5)，并统计落入每个单元格内的投影点数量，从而获得一个Nb×Nb的分布矩阵D；为获得对数据分辨率变化的不变性，将分布矩阵D进一步归一化以使得所有单元格中的数值和为1；
4.3)针对分布矩阵D中的每一个投影点云Qi(θk)，采用数学统计量对分布矩阵D的信息做进一步提取，首先选用中心矩实现对分布矩阵D信息的抽取和压缩、然后利用香农熵提取矩阵D中的信息，得到每一个投影点云Qi(θk)的统计向量；
4.4)每一个投影点云Qi(θk)在xy，xz和yz平面上的三个统计向量连接在一起便得到一个子特征fx(θk),该子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量；为全面记录局部表面的信息，将点云Q绕x轴旋转一系列角度{θk}，k＝1，2，…，Nθ(本实施例中Nθ＝3)，从而得到一系列子特征{fx(θk)}，k＝1，2，…，Nθ；将点云Q绕y轴旋转一系列角度以得到一系列子特征{fy(θk)}，k＝1，2，…，Nθ；将点云Q绕z轴旋转一系列角度以得到一系列子特征{fz(θk)}，k＝1，2，…，Nθ，其中Nθ为指定的整数，θk为旋转角度；
4.5)将绕所有坐标轴进行旋转得到的子特征连接起来便得到如式(1)所示的最终的特征描述子作为局部表面对应的皮层局部形态特征描述；
f＝{fx(θk)，fy(θk)，fz(θk)}，k＝1，2，…，Nθ (1)
式(1)中，f为局部表面对应的皮层局部形态特征描述，子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量，子特征fy(θk)代表了绕y轴的第k次旋转所得到的统计量，子特征fz(θk)代表了绕z轴的第k次旋转所得到的统计量，Nθ为指定的整数，θk为旋转角度。
本实施例中，步骤4.3)中得到每一个投影点云Qi(θk)的统计向量分别包括投影点云Qi(θk)的低阶中心矩及香农熵。
对于分布矩阵D而言，其低阶中心矩的定义如式(2)所示；
式(2)中，μmn表示m+n阶中心矩，Nb为步骤4.2)中将包围矩形划分单元格的行数或列数(本实施例中Nb＝5)，D(i,j)表示分布矩阵D中第i行第j列的元素，和的定义如式(3)和式(4)所示；
式(3)和式(4)中，Nb为步骤4.2)中将包围矩形划分单元格的行数或列数(本实施例中Nb＝5)，D(i,j)表示分布矩阵D中第i行第j列的元素。
本实施例中，低阶中心矩具体选用μ11、μ21、μ12、μ22四个低阶中心矩，即：1+1阶中心矩、2+1阶中心矩、1+2阶中心矩以及2+2阶中心矩，此外也可以根据需要选择其它低阶中心矩。分布矩阵D的香农熵e定义如式(5)所示；
式(5)中，Nb为步骤4.2)中将包围矩形划分单元格的行数或列数(本实施例中Nb＝5)，D(i,j)表示分布矩阵D中第i行第j列的元素。
为了验证本实施例基于皮层顶点云的大脑局部形态特征描述方法得到的皮层局部形态特征描述是否含有大脑皮层结构形态信息，本实施例中采用了如下方法来验证：
I、参见图7，本实施例中使用旋转投影统计量算法(RoPS)提取该三维重构皮层顶点云的三维特征描述量，RoPS描述子是最近提出的一种三维点云特征提取算法，该算法基于生物视觉认知机理，通过设置多个视点，记录三维顶点云的多个二维平面，提取每个平面的信息，将他们合在一起作为该三维重构皮层顶点云的一个特征描述。其具体操作步骤详见前述步骤4.1)～4.4)。由于旋转投影统计量算法RoPS的特征描述子从多个角度记录了局部表面的几何信息，因此其拥有很高的鉴别力。
II、根据相关信息设置关键点，本实施例中采用FreeSurfer重构的32k数据(半脑大约3.2万个顶点)，全脑选择了10834个关键点，使用RoPS算法提取关键点的多重信息，作为对每个三维重构皮层顶点云图各关键点的特征描述。
III、最后将所选取的10834个关键点的特征描述合在一起，得到该脑图三维顶点云图像的特征描述，为了评估该三维顶点云的具体性能，一个因素必须被考虑：信息完整性。通过使用线性判别分类器(LDA)，检验它是否可以用来作为分类的判别特征(例如：脑结构性别二态性分类)。本实施例针对性别分类共1090人(男性498人，女性592人)的同一批被试，得到了1090个标准三维顶点云脑图，提取它们的三维顶点云RoPS特征描述子，作为对其的描述，然后使用主成分分析(PCA)进行降维，并采用LDA进行分类，得到分类准确率。
分类准确率是指通过训练样本训练后的分类器，对测试样本类别分类的准确率。本实施例中，对1090个样本进行10折交叉验证，最后得到平均分类准确率为89％左右。
目前对于顶点云的研究才刚刚起步，本实施例基于皮层顶点云的大脑局部形态特征描述方法基于FreeSurfer软件，获得大脑皮层顶点云信息，并利用大脑皮层顶点云信息，获得大脑皮层局部形态特征描述。通过大脑结构性别二态性分类测试，验证了该局部特征描述信息量充足，含有局部表面的特征信息，用来作为分类的判断结果良好，同时该方法扩展性好，可以和其他方法组合一起提升脑结构影像分类的准确度。测试例仅展示了该方法的一部分优良特性，该方法所具有的计算速度快，特征信息保持度高，可以用在其他需要提取大脑皮层信息作为后续处理依据的应用上。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于皮层顶点云的大脑局部形态特征描述方法，其特征在于实施步骤包括：
1)获取脑结构磁共振成像的原始数据；
2)根据脑结构磁共振成像进行皮层顶点云采样并重构获取大脑曲面重构图像；
3)针对大脑曲面重构图像的目标局部区域选取关键点，确定关键点的局部表面；
4)使用旋转投影统计量算法RoPS提取局部表面的三维特征描述量，从而得到局部表面对应的皮层局部形态特征描述；
步骤2)的详细步骤包括：
2.1)采用FreeSurfer软件对脑结构磁共振成像进行灰白质分割；
2.2)针对灰白质分割后的脑结构磁共振成像进行皮层顶点云采样；
2.3)视皮层顶点云采样得到的稠密顶点为顶点云，基于顶点云计算关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像；
步骤2.3)的详细步骤包括：
2.3.1)视皮层顶点云采样得到的稠密顶点为顶点云；
2.3.2)计算顶点云每个点的相关顶点和邻接三角形；
2.3.3)针对每个点的相关顶点和邻接三角形，统计所有三角形边长，获得边长的平均值与方差，然后删除长于平均值加两倍方差的边，每个点的相关顶点和剩余的邻接三角形的边作为该点的关键顶点及邻域，基于关键顶点及邻域重构获取大脑曲面重构图像。
2.根据权利要求1所述的基于皮层顶点云的大脑局部形态特征描述方法，其特征在于，步骤4)的详细步骤包括：
4.1)输入局部表面的点云Q，对于一幅输入的点云Q，将点云Q绕x轴旋转角度θk得到旋转后的点云Q(θk)，将旋转角度θk后的点云Q(θk)投影到xy、xz、yz三个坐标平面上以获得投影点云Qi(θk)，其中i＝1，2，3；
4.2)对于每一个投影点云Qi(θk)，计算投影点云在两个坐标轴上的取值区间，获得一个二维的包围矩形，将该包围矩形均匀划分成Nb×Nb个单元格，其中Nb为指定的整数，并统计落入每个单元格内的投影点数量，从而获得一个Nb×Nb的分布矩阵D；为获得对数据分辨率变化的不变性，将分布矩阵D进一步归一化以使得所有单元格中的数值和为1；
4.3)针对分布矩阵D中的每一个投影点云Qi(θk)，采用数学统计量对分布矩阵D的信息做进一步提取，首先选用中心矩实现对分布矩阵D信息的抽取和压缩、然后利用香农熵提取矩阵D中的信息，得到每一个投影点云Qi(θk)的统计向量；
4.4)每一个投影点云Qi(θk)在xy，xz和yz平面上的三个统计向量连接在一起便得到一个子特征fx(θk)，该子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量；为全面记录局部表面的信息，将点云Q绕x轴旋转一系列角度{θk}，k＝1，2，…，Nθ，从而得到一系列子特征{fx(θk)}，k＝1，2，…，Nθ；将点云Q绕y轴旋转一系列角度以得到一系列子特征{fy(θk)}，k＝1，2，…，Nθ；将点云Q绕z轴旋转一系列角度以得到一系列子特征{fz(θk)}，k＝1，2，…，Nθ，其中Nθ为指定的整数，θk为旋转角度；
4.5)将绕所有坐标轴进行旋转得到的子特征连接起来便得到如式(1)所示的最终的特征描述子作为局部表面对应的皮层局部形态特征描述；
f＝{fx(θk)，fy(θk)，fz(θk)}，k＝1，2，…，Nθ (1)
式(1)中，f为局部表面对应的皮层局部形态特征描述，子特征fx(θk)代表了绕x轴的第k次旋转所得到的统计量，子特征fy(θk)代表了绕y轴的第k次旋转所得到的统计量，子特征fz(θk)代表了绕z轴的第k次旋转所得到的统计量，Nθ为指定的整数，θk为旋转角度。
3.根据权利要求2所述的基于皮层顶点云的大脑局部形态特征描述方法，其特征在于，步骤4.3)中得到每一个投影点云Qi(θk)的统计向量分别包括投影点云Qi(θk)的低阶中心矩及香农熵。
CN201711025350.3A 2017-10-27 2017-10-27 一种基于皮层顶点云的大脑局部形态特征描述方法 Active CN107818567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711025350.3A CN107818567B (zh) 2017-10-27 2017-10-27 一种基于皮层顶点云的大脑局部形态特征描述方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711025350.3A CN107818567B (zh) 2017-10-27 2017-10-27 一种基于皮层顶点云的大脑局部形态特征描述方法

Publications (2)

Publication Number Publication Date
CN107818567A CN107818567A (zh) 2018-03-20
CN107818567B true CN107818567B (zh) 2018-11-13

Family

ID=61604404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711025350.3A Active CN107818567B (zh) 2017-10-27 2017-10-27 一种基于皮层顶点云的大脑局部形态特征描述方法

Country Status (1)

Country Link
CN (1) CN107818567B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214402A1 (en) * 2022-05-01 2023-11-09 Sheba Impact Ltd. Subject-specific image-based multimodal automatic 3d pre-surgical and real-time guidance system for neural intervention

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087342A (zh) * 2018-07-12 2018-12-25 武汉尺子科技有限公司 一种基于特征匹配的三维点云全局配准方法及系统
CN110547869B (zh) * 2019-09-17 2022-08-19 上海交通大学 一种基于虚拟现实的术前辅助规划装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127263A (zh) * 2016-07-06 2016-11-16 中国人民解放军国防科学技术大学 基于三维特征提取的人脑磁共振图像分类识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7103399B2 (en) * 2003-09-08 2006-09-05 Vanderbilt University Apparatus and methods of cortical surface registration and deformation tracking for patient-to-image alignment in relation to image-guided surgery

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127263A (zh) * 2016-07-06 2016-11-16 中国人民解放军国防科学技术大学 基于三维特征提取的人脑磁共振图像分类识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
3D SHAPE CONTEXT SURFACE REGISTRATION FOR CORTICAL MAPPING;Oscar Acosta等;《2010 IEEE International Symposium on Biomedical Imaging: From Nano to Macro》;20100417;第119卷(第5期);第1节，第2.1节，图1 *
On the Repeatability and Quality of Keypoints for Local Feature-based 3D Object Retrieval from Cluttered Scenes;A.Mian 等;《International Journal of Computer Vision》;20100930;第89卷(第2-3期);1-14 *
Rotational Projection Statistics for 3D Local Surface Description and Object Recognition;Yulan Guo 等;《International Journal of Computer Vision》;20131031;第105卷(第1期);63-86 *
基于FreeSurfer面数据的网格点脑分区定位及其可视化;袁现坤 等;《北京生物医学工程》;20150430;第34卷(第2期);146-150 *
基于功能磁共振成像的脑网络研究;曾令李;《中国博士学位论文全文数据库医药卫生科技辑》;20160115;第2016年卷(第1期);E060-28 *
多目标场景下基于局部表面特征的3D物体识别与理解算法研究;吴凡;《中国优秀硕士学位论文全文数据库信息科技辑》;20170615;第2017年卷(第6期);第3.5.1-3.5.2节 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214402A1 (en) * 2022-05-01 2023-11-09 Sheba Impact Ltd. Subject-specific image-based multimodal automatic 3d pre-surgical and real-time guidance system for neural intervention

Also Published As

Publication number Publication date
CN107818567A (zh) 2018-03-20

Similar Documents

Publication Publication Date Title
WO2020215985A1 (zh) 医学影像分割方法、装置、电子设备和存储介质
CN108334848A (zh) 一种基于生成对抗网络的微小人脸识别方法
CN106951669B (zh) 一种基于视觉认知的滚动轴承变工况故障诊断方法
CN103678504B (zh) 基于相似度的乳腺图像的匹配图像检索方法及检索系统
CN108334847A (zh) 一种真实场景下的基于深度学习的人脸识别方法
CN107818567B (zh) 一种基于皮层顶点云的大脑局部形态特征描述方法
CN103699904B (zh) 多序列核磁共振影像的图像计算机辅助判断方法
CN109284704A (zh) 基于cnn的复杂背景sar车辆目标检测方法
CN106296638A (zh) 显著性信息取得装置以及显著性信息取得方法
CN103279744B (zh) 基于多尺度三模式纹理特征的仿造指纹检测方法和系统
CN107958235A (zh) 一种人脸图像检测方法、装置、介质和电子设备
CN106127263A (zh) 基于三维特征提取的人脑磁共振图像分类识别方法及系统
CN106780591A (zh) 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法
CN103699578B (zh) 一种基于谱图分析的图像检索方法
CN107358260A (zh) 一种基于表面波cnn的多光谱图像分类方法
CN107424145A (zh) 基于三维全卷积神经网络的核磁共振图像的分割方法
CN108053401A (zh) 一种b超图像处理方法及装置
Messadi et al. Extraction of specific parameters for skin tumour classification
CN114565976A (zh) 一种训练智能测试方法以及装置
CN110097499A (zh) 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法
CN107590806A (zh) 一种基于大脑医学成像的检测方法和系统
Guo et al. Pathological Detection of Micro and Fuzzy Gastric Cancer Cells Based on Deep Learning.
Cetindag et al. Transfer Learning Methods for Using Textural Features in Histopathological Image Classification
CN110264404A (zh) 一种超分辨图像纹理优化的方法和装置
CN105760872A (zh) 一种基于鲁棒图像特征提取的识别方法及系统

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