CN108154554A - 基于脑部数据统计分析的立体图像生成方法及系统 - Google Patents
基于脑部数据统计分析的立体图像生成方法及系统 Download PDFInfo
- Publication number
- CN108154554A CN108154554A CN201810073169.8A CN201810073169A CN108154554A CN 108154554 A CN108154554 A CN 108154554A CN 201810073169 A CN201810073169 A CN 201810073169A CN 108154554 A CN108154554 A CN 108154554A
- Authority
- CN
- China
- Prior art keywords
- flat image
- pixel
- convex
- image
- parameter
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种基于脑部数据统计分析的立体图像生成方法及系统,所述方法包括以下步骤:步骤S1:接收SPM输出的第一平面图像,计算得到激活区域的参数数据;步骤S2:根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;步骤S3:将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;步骤S4:合并所述第一平面图像和第二平面图像,生成立体图像。本发明实现了直观显示不同区域的脑部数据的变化,便于识别脑部的增高减低区域,提高脑部数据统计分析的准确度及分析效率。
Description
技术领域
本发明涉及医学检测技术领域,特别涉及一种基于脑部数据统计分析的立体图像生成方法及系统。
背景技术
随着医学技术的发展,医学影像技术已经越来越多地被应用到实际医学研究及临床治疗中。而神经影像SPM(Statistical Parametric Mapping)软件是由UCL(UniversityCollege London)的Wellcome Trust Centre中心的成员及其合作者开发的应用于神经影像的软件。SPM是用来验证功能影像数据假说的一种能创建和评估的空间的统计方法,其主要目的是对被试间或者被试内的不同成像结果作比较,得出一个具有统计学意义的结果,SPM指的是统计参数图像,也就是这个软件的最终输出。它对所有成像数据的每一个像素点都分别计算,得出包含有每个像素点参数值的图像,这个参数图像是许多单次扫描图像所包含信息的精简和压缩。目前SPM版本可用来分析fMRI(Functional Magnetic ResonanceImaging,功能磁共振成像),PET(Positron Emission Tomography,正电子发射断层扫描),SPECT(单光子发射计算机化断层显像),EEG(electroencephalo- graph,脑电图)和MEG(magnetoencephalogram,脑磁图)。
SPM的主要贡献是解决了不同图像数据间的比较问题,给出了具有统计学意义的结果。对大多数的成像技术(比如fMRI,PET,EEG等)所得的数据,我们都会遇到两个关键的问题,第一是不知道应该用什么统计模型来处理分析:首先,难以判断所采集数据的分布形式;其次,成像技术的空间分辨率不够高,使得每个体素都包含了周围组织的信息;另外,数据预处理过程中的对齐,又使得每个体素和周围的体素产生了更大的关联。鉴于上述原因,我们无法用普通的统计分布模型(比如泊松分布,高斯分布等)来处理这些数据。第二是由于体素之间的关联性,我们在做多组图像数据的比较时,有必要对结果作矫正。
发明内容
本发明的目的是提出一种基于脑部数据统计分析的立体图像生成方法及系统,能直观显示不同区域的脑部数据的变化,便于识别脑部的增高减低区域,提高脑部数据统计分析的准确度及有效性。
为达到上述目的,本发明提出了一种基于脑部数据统计分析的立体图像生成方法,包括以下步骤:
步骤S1:接收SPM输出的第一平面图像,计算得到激活区域的参数数据;
步骤S2:根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;
步骤S3:将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;
步骤S4:合并所述第一平面图像和第二平面图像,生成立体图像。
进一步,在上述的基于脑部数据统计分析的立体图像生成方法中,所述步骤S3还包括:
根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
进一步,在上述的基于脑部数据统计分析的立体图像生成方法中,所述步骤S3具体包括:
当参数数据为降低趋势,以第一颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像;
当参数数据为增高趋势,以第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
进一步,在上述的基于脑部数据统计分析的立体图像生成方法中,所述第一颜色为蓝色,所述第二颜色为红色及黄色。
进一步,在上述的基于脑部数据统计分析的立体图像生成方法中,所述根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数的步骤包括:
根据所述激活区域上第一像素到该激活区域上各特征像素的距离以及各特征像素的凸凹参数计算获得所述第一像素的凸凹参数;重复本步骤获得所述对象上所有像素的凸凹参数;对第一平面图像上所有对象执行上述操步骤,得到第一平面图像上每个像素对应的凸凹参数。
另,本发明还提供一种基于脑部数据统计分析的立体图像生成系统,包括:
第一计算单元,用于根据SPM输出的第一平面图像计算得到激活区域的参数数据;
第二计算单元,根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;
像素偏移单元,用于将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;
图像合成单元,用于合并所述第一平面图像和第二平面图像,生成立体图像。
进一步,在上述的基于脑部数据统计分析的立体图像生成系统中,所述像素偏移单元还用于根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
本发明基于脑部数据统计分析的立体图像生成方法及系统实现直观显示不同区域的脑部数据的变化,便于识别脑部的增高减低区域,提高脑部数据统计分析的准确度及分析效率。
附图说明
图1为本发明基于脑部数据统计分析的立体图像生成方法的流程示意图。
图2为本发明中脑部数据统计分析的区域中增高趋势生成立体图像的示意图。
图3为本发明中脑部数据统计分析的区域中降低趋势生成立体图像的示意图。
图4为本发明基于脑部数据统计分析的立体图像生成系统的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
请参阅图1,图1为本发明基于脑部数据统计分析的立体图像生成方法的流程示意图。所述方法包括以下步骤:
步骤S1:接收SPM输出的第一平面图像,计算得到激活区域的参数数据;
具体实现时,SPM可以通过许多方式察看结果,甚至可以用别的程序,比如MRIcro来察看。这几样解决了两个关键的问题:第一是显示了明显激活的区域;第二是给出了激活区域的坐标,使我们能够找出这些激活区的精确的解剖部位,从而可以通过不同的手段来控制某一个像素或者某一簇像素的激活。这些激活依赖于所选择的显著性水平阈值,阈值的不同,给出不同的激活。通过调节置信度,也可以控制激活区域,在fMRI数据中,如果大脑的边缘区域有许多兴奋点,那么其中有一部分就有可能是运动伪影。得到激活区域的精确坐标以后,通过MNI脑图谱和Talairach图谱之间的关系,用一种非线性的变换,把MNI的坐标转换成Talairach坐标,这样就可以查出每个激活区的解剖位置。
步骤S2:根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;
步骤S3:将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;
步骤S4:合并所述第一平面图像和第二平面图像,生成立体图像。
所述根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数的步骤包括:
根据所述激活区域上第一像素到该激活区域上各特征像素的距离以及各特征像素的凸凹参数计算获得所述第一像素的凸凹参数;重复本步骤获得所述对象上所有像素的凸凹参数;对第一平面图像上所有对象执行上述操步骤,得到第一平面图像上每个像素对应的凸凹参数。
由于激活区域的参数数据变化不同,例如不同程度或不同高度。因此,可根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,并通过颜色来区别不同程度或不同高度区域,例如蓝色表示降低,红色及黄色表示增高。
所述步骤S3还包括:
根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
其中,当参数数据为降低趋势,以第一颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像;
当参数数据为增高趋势,以第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
本实施例中,所述第一颜色为蓝色,所述第二颜色为红色及黄色。
请参阅图2,图2为本发明中脑部数据统计分析的区域中增高趋势生成立体图像的示意图。可见,该区域内部最高部分为红色,周围部分为黄色,即内阴影上浅下深表示凸。
请参阅图3,图3为本发明中脑部数据统计分析的区域中降低趋势生成立体图像的示意图。可见,该区域均为蓝色,内部颜色最浅部分为最凹,周围部分为颜色较深,即内阴影上深下浅表示凹。
这样,本发明通过凹凸设置对脑部数据统计分析结果生成立体图像并进行颜色标识,实现了直观显示不同区域的脑部数据的变化,便于识别脑部的增高减低区域,提高脑部数据统计分析的准确度及有效性。
另,请参阅图4,本发明还提供一种基于脑部数据统计分析的立体图像生成系统,包括:第一计算单元10,用于根据SPM输出的第一平面图像计算得到激活区域的参数数据;第二计算单元20,根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;像素偏移单元30,用于将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;图像合成单元40,用于合并所述第一平面图像和第二平面图像,生成立体图像。
其中,所述像素偏移单元30还用于根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
相比于现有技术,本发明基于脑部数据统计分析的立体图像生成方法及系统实现直观显示不同区域的脑部数据的变化,便于识别脑部的增高减低区域,提高脑部数据统计分析的准确度及分析效率。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (7)
1.一种基于脑部数据统计分析的立体图像生成方法,其特征在于,包括以下步骤:
步骤S1:接收SPM输出的第一平面图像,计算得到激活区域的参数数据;
步骤S2:根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;
步骤S3:将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;
步骤S4:合并所述第一平面图像和第二平面图像,生成立体图像。
2.根据权利要求1所述的基于脑部数据统计分析的立体图像生成方法,其特征在于,所述步骤S3还包括:
根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
3.根据权利要求2所述的基于脑部数据统计分析的立体图像生成方法,其特征在于,所述步骤S3具体包括:
当参数数据为降低趋势,以第一颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像;
当参数数据为增高趋势,以第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
4.根据权利要求3所述的基于脑部数据统计分析的立体图像生成方法,其特征在于,所述第一颜色为蓝色,所述第二颜色为红色及黄色。
5.根据权利要求 1-4任一项所述的基于脑部数据统计分析的立体图像生成方法,其特征在于,所述根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数的步骤包括:
根据所述激活区域上第一像素到该激活区域上各特征像素的距离以及各特征像素的凸凹参数计算获得所述第一像素的凸凹参数;重复本步骤获得所述第一平面图像上所有像素的凸凹参数;对第一平面图像上所有对象执行上述操作步骤,得到第一平面图像上每个像素对应的凸凹参数。
6.一种基于脑部数据统计分析的立体图像生成系统,其特征在于,包括:
第一计算单元,用于根据SPM输出的第一平面图像计算得到激活区域的参数数据;
第二计算单元,根据激活区域的参数数据计算第一平面图像中特征像素的凸凹参数,根据该特征像素的凸凹参数计算该第一平面图像上每个像素对应的凸凹参数;
像素偏移单元,用于将第一平面图像上各像素对应的凸凹参数转化为偏移参数,对第一平面图像上每个像素进行偏移,得到第二平面图像;
图像合成单元,用于合并所述第一平面图像和第二平面图像,生成立体图像。
7.根据权利要求6所述的基于脑部数据统计分析的立体图像生成系统,其特征在于,所述像素偏移单元还用于根据所述参数数据的变化趋势,以第一颜色或第二颜色显示第一平面图像上进行偏移的像素区域,得到第二平面图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810073169.8A CN108154554A (zh) | 2018-01-25 | 2018-01-25 | 基于脑部数据统计分析的立体图像生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810073169.8A CN108154554A (zh) | 2018-01-25 | 2018-01-25 | 基于脑部数据统计分析的立体图像生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154554A true CN108154554A (zh) | 2018-06-12 |
Family
ID=62456832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810073169.8A Pending CN108154554A (zh) | 2018-01-25 | 2018-01-25 | 基于脑部数据统计分析的立体图像生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154554A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158725A (zh) * | 2011-05-06 | 2011-08-17 | 深圳超多维光电子有限公司 | 一种生成立体图像的方法和系统 |
CN102695446A (zh) * | 2009-12-28 | 2012-09-26 | 奥林巴斯株式会社 | 图像处理装置、电子设备、程序和图像处理方法 |
CN103228216A (zh) * | 2011-01-19 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、x射线ct装置以及医用图像处理程序 |
CN105025775A (zh) * | 2013-02-26 | 2015-11-04 | 奥林巴斯株式会社 | 图像处理装置、内窥镜装置、图像处理方法和图像处理程序 |
-
2018
- 2018-01-25 CN CN201810073169.8A patent/CN108154554A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102695446A (zh) * | 2009-12-28 | 2012-09-26 | 奥林巴斯株式会社 | 图像处理装置、电子设备、程序和图像处理方法 |
CN103228216A (zh) * | 2011-01-19 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、x射线ct装置以及医用图像处理程序 |
CN102158725A (zh) * | 2011-05-06 | 2011-08-17 | 深圳超多维光电子有限公司 | 一种生成立体图像的方法和系统 |
CN105025775A (zh) * | 2013-02-26 | 2015-11-04 | 奥林巴斯株式会社 | 图像处理装置、内窥镜装置、图像处理方法和图像处理程序 |
Non-Patent Citations (1)
Title |
---|
骆姚星: "脑功能成像分析软件SPM使用介绍", 《中国医学影像技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7405818B2 (ja) | 変形可能テンプレートを使用して最適化された電極位置を有するttフィールドを用いて患者を治療する | |
Studholme et al. | Deformation-based mapping of volume change from serial brain MRI in the presence of local tissue contrast change | |
US9984283B2 (en) | Methods, systems, and computer readable media for automated detection of abnormalities in medical images | |
CN102473300B (zh) | 多模态乳房成像 | |
Ashburner | Computational neuroanatomy | |
Geng et al. | Implicit reference-based group-wise image registration and its application to structural and functional MRI | |
CN109102532A (zh) | 用于医学成像的深度学习的组织变形 | |
Dalca et al. | Medical image imputation from image collections | |
Du et al. | Fusion of anatomical and functional images using parallel saliency features | |
Robinson et al. | Multimodal surface matching: fast and generalisable cortical registration using discrete optimisation | |
Qiu et al. | Combining anatomical manifold information via diffeomorphic metric mappings for studying cortical thinning of the cingulate gyrus in schizophrenia | |
Liu et al. | Patch-based augmentation of Expectation–Maximization for brain MRI tissue segmentation at arbitrary age after premature birth | |
Zhang et al. | Brain atlas fusion from high-thickness diagnostic magnetic resonance images by learning-based super-resolution | |
Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
Chiang et al. | Fluid registration of medical images using jensen-renyi divergence reveals 3d profile of brain atrophy in HIV/AIDS | |
CN108154554A (zh) | 基于脑部数据统计分析的立体图像生成方法及系统 | |
Rao et al. | Deep learning-based medical image fusion using integrated joint slope analysis with probabilistic parametric steered image filter | |
Sebastian et al. | Comparative analysis and fusion of MRI and PET images based on wavelets for clinical diagnosis | |
Little et al. | The registration of multiple medical images acquired from a single subject: why, how, what next? | |
Kawala et al. | Eyeing the Human Brain’s Segmentation Methods | |
Chowdhury et al. | Higher-order singular value decomposition-based lung parcellation for breathing motion management | |
Alam et al. | Feature selection of manifold learning using principal component analysis in brain MR image | |
Fookes et al. | Rigid and non-rigid image registration and its association with mutual information: A review | |
Lee et al. | Robust and fast shell registration in PET and MR/CT brain images | |
Parraguez | Fast and robust methods for non-rigid registration of medical images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |