CN108171697A - 一种基于簇的wmh自动提取系统 - Google Patents
一种基于簇的wmh自动提取系统 Download PDFInfo
- Publication number
- CN108171697A CN108171697A CN201810011181.6A CN201810011181A CN108171697A CN 108171697 A CN108171697 A CN 108171697A CN 201810011181 A CN201810011181 A CN 201810011181A CN 108171697 A CN108171697 A CN 108171697A
- Authority
- CN
- China
- Prior art keywords
- images
- wmh
- dartel
- cluster
- flair
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于簇的WMH自动提取系统,包括:组织类型分割模块,用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理;DARTEL标准分割模块,用于将所述组织类型分割模块得到的图像映射到DARTEL空间;去非脑组织模块,用于对DARTEL空间的FLAIR图像和T1图像去除非脑组织,得到的图像分别记为D‑FLAIR图像和D‑T1图像;WMH分割模块,用于基于DARTEL空间对所述D‑FLAIR图像和D‑T1图像进行分割,得到WMH图谱;WMH精细划分模块,用于对所述WMH图谱进行精细划分,得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH。本系统是一种自动的WMH提取系统,可以基于纵向数据集把白质病灶分割出来,并对能WMH进行精细划分,且具有良好的泛化性。
Description
技术领域
本发明属于图像处理领域,具体来说,涉及一种基于簇的脑白质高信号(WMH)自动提取系统。
背景技术
脑白质高信号(WMH),也称为未知的高亮物体(UBO)是在T2加权磁共振成像(MRI)扫描中观察到的脑白质中的异常高信号区域,例如流体衰减反转恢复(FLAIR)序列。缺血诱导的脱髓鞘和轴突损失被认为是潜在的形成机制。许多因素,包括血管和遗传成分,都促进WMH的形成和发展。人群中约50%的40多岁成年人中存在且WHM比例随年龄增长而增加。
WHM作为脑缺血的生物标志物,与各种病理过程密切相关,包括中风和痴呆。中风患者的WMH积累显著高于健康对照组,更多的WMH负担与较差的卒中后认知表现有关。阿尔茨海默症(AD)是最常见的痴呆类型,在AD临床诊断6-10年前,发现了更大的WMH负担,这使WMH成为早期预测AD风险因子。此外,还有研究表明不同的认知领域和神经病理过程与异常的WMH位置相关。因此,提取WMH对于了解脑缺血在神经病理过程中的作用至关重要。
在评估WMH负担中常用视觉评估的方法。目前已经有为临床和研究目的开发了各种评估量表,包括与年龄有关的白质变化,Fazekas和Scheltens评级协议。随着对WMH与神经心理病理学之间关联的新认识,还有越来越多的对区域性的WMH的研究兴趣,以及快速增加的神经影像学数据集,这迫切需要一种有效的自动化WMH分割工具,而且该分割工具还具有可靠的结果。以前的研究提及了一些内部的WMH分割工具。然而,大多数这些工具都是为特定研究而设计的,而不是作为用户友好性和全面的软件包公开提供的。然而,大多数可用的WMH分割工具箱尚未在具有不同扫描仪和参数的不同样本中进行评估,或者通常不会在次区域提供关于WMH的综合信息。此外,他们通常不是完全自动化,需要手动跟踪研究队列中的几个大脑进行训练;大多数可用的WMH分割工具箱主要用于横向研究,不能适用于对纵向数据集的处理。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于簇的WMH自动提取系统,本系统是一种自动的WMH提取系统,可以基于纵向数据集把白质病灶分割出来,并对能WMH进行精细划分,且具有良好的泛化性。
为实现上述技术目的,本发明的技术方案如下:
一种基于簇的WMH自动提取系统,包括:
组织类型分割模块,用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理,所述FLAIR图像和所述T1图像数量相等,且一一对应;
DARTEL标准分割模块,分别连接所述组织类型分割模块和所述去非脑组织模块,用于生成DARTEL模板,并将所述组织类型分割模块得到的图像映射到DARTEL空间;
去非脑组织模块,分别连接所述DARTEL标准分割模块和所述WMH分割模块,用于对所述DARTEL标准分割模块得到的DARTEL空间的FLAIR图像和T1图像去除非脑组织,得到的图像分别记为D-FLAIR图像和D-T1图像;
WMH分割模块,分别连接所述去非脑组织模块和所述WMH精细划分模块,用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割,得到WMH图谱;
WMH精细划分模块,用于对所述WMH图谱进行精细划分,运用距离阈值和脑模板的方法对所述WMH图谱进行进一步分割标注,得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH。
在本发明的一个实施例中,所述多个FLAIR图像为纵向数据集中的图像,所述纵向数据集是指对于同一位参与者,在不同时间点上采集到的所述FLAIR图像构成的图像数据集合,是医学领域的一种特殊形式的数据。
对于纵向数据集,所述组织类型分割模块进一步包括:
配准单元,用于对每个所述FLAIR图像执行刚体配准,以第一时间点的T1图像为参考,对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样,得到配准并重采样的FLAIR图像;
T1图像分割单元,用于对每个所述T1图像进行组织类型分割,得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图,以及其他时间点的T1图像配准到第一时间点的T1图像。
对于纵向数据集,所述DARTEL标准分割模块进一步包括:
生成模板单元,用于基于所述第一时间点的T1图像生成DARTEL模板,并为所述第一时间点的T1图像生成一个从个体空间到DARTEL空间的变形流场;所述DARTEL模板的生成方式有两种:
创建模板:
所述创建模板的具体步骤包括:在DARTEL空间生成所述第一时间点的T1图像的模板;
现有模板:
将所述第一时间点的T1图像映射到本地空间已经建立的模板;
DARTEL空间映射单元,用于按照所述个体空间到DARTEL空间的变形流场,将每个所述配准并重采样的FLAIR图像、每个所述其他时间点的T1图像配准到第一时间点的T1图像、以及每个所述其他时间点的T1图像配准到第一时间点的T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间,得到DARTEL空间的FLAIR图像和T1图像。
在本发明的另一实施例中,所述多个FLAIR图像为横向数据集中的图像,所述横向数据集是指对于所有参与者,在同一时间点采集的所述FLAIR图像构成的图像数据集合。
对于横向数据集,所述组织类型分割模块进一步包括:
配准单元,用于对每个所述FLAIR图像执行刚体配准,以所述FLAIR图像为源图像,以对应的所述T1图像为参考,得到配准并重采样的FLAIR图像;
T1图像分割单元,用于对每个所述T1图像进行组织类型分割,得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图。
对于横向数据集,所述DARTEL标准分割模块进一步包括:
生成模板单元,用于基于所有所述T1图像生成DARTEL模板,并为每个所述T1图像生成一个从个体空间到DARTEL空间的变形流场;所述DARTEL模板的生成方式有两种:
创建模板:
所述创建模板的具体步骤包括:在DARTEL空间生成所有所述T1图像的平均模板;将每个所述T1图像映射到平均模板;
现有模板:
将所述T1图像映射到本地空间已经建立的模板;
DARTEL空间映射单元,用于按照所述个体空间到DARTEL空间的变形流场,将每个所述配准的FLAIR图像、每个所述T1图像、以及每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间,得到DARTEL空间的FLAIR图像和T1图像。
所述WMH分割模块进一步包括:
FAST分割单元,用于对所述D-FLAIR图像进行三级组织类型分割,从所述D-FLAIR图像中分割候选簇,所述三级组织类型是WMH,灰质和白质,以及脑脊液;
KNN算法分割单元,用于基于簇和KNN算法从所述候选簇中划分出WMH和非WMH。
进一步地,所述基于簇和KNN算法从所述候选簇中划分出WMH和非WMH具体是基于解剖位置特征ALF、图像灰度特征IF和簇的尺寸特征来提取WMH;所述解剖位置特征ALF是采用组织概率描述所述簇的位置;所述图像灰度特征IF是采用图像灰度比来适应图像的不同灰度值;所述簇的尺寸特征为经过对数转换的簇的尺寸特征。
进一步地,所述簇为符合六连接计算规则的簇。
本发明的有益效果:
1.本发明通过引入DARTEL算法,按照个体空间到DARTEL空间流场,将T1图像和FLAIR图像映射到DARTEL空间,实现了对纵向数据集或横向数据集中的FLAIR图像或T1图像上的WMH的自动提取。同时通过建立针对纵向数据集的组织类型处理流程,克服了现有的WMH的提取方法仅适用于横向数据集的缺点,可以有效地将基于纵向数据集的白质病灶分割出来;
2.本发明是一种基于簇,并结合FAST和KNN算法对WMH进行提取的系统,本系统可以在具有不同扫描仪和参数的不同样本中进行评估,适用范围更广,提取结果更准确、更稳定,且可以对提取的WMH进行精细划分,在次区域提供关于WMH的综合信息。
3.本发明是一种全自动的提取系统,具有良好的泛化性,通过对任意选取的样本进行训练,即可实现对WMH的完全自动化的提取,并适用于其他样本,而不需要针对新的样本重新手动跟踪训练。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的基于簇的WMH自动提取系统的模块图;
图2是根据本发明的基于簇的WMH自动提取系统的流程图。
图2中相关的英文解释如下:
INPUT:输入;raw FLAIR:(原始的)FLAIR图像;Raw T1:(原始的)T1图像;
COREGISTRATION:配准;Coreg FLAIR:配准的LFLAIR图像;
T1SEGMENTATION:T1分割;GM seg:灰质的概率图;WM seg:白质的概率图;CSFseg:脑脊液的概率图;
FAST:FMRIB’s Automated Segmentation Tool
DARTEL:Diffeomorphic Anatomical Registration Through ExponentiatedLie
RUN DARTEL:运行DARTEL;Flow Field:变形流场;
REGISTER TO DARTEL:配准到DARTEL空间;DARTEL T1:DARTEL空间的T1图像;DARTEL FLAIR:DARTEL空间的FLAIR图像;DARTEL GM:DARTEL空间的灰质的概率图;DARTELWM:DARTEL空间的白质的概率图;DARTEL CSF:DARTEL空间的脑脊液的概率图;
NON-BRAIN TISSUE REMOVAL:移除非脑组织;NBTR DARTEL T1:DAETEL空间中移除非脑组织的T1图像,即D-T1图像;NBTR DARTEL FLAIR:DAETEL空间中移除非脑组织的FLAIR图像,即D-FLAIR图像;
FAST SEGMENTATION:用FAST工具包进行分割;Bias field-corrected FLAIR:偏置场校正的D-FLAIR图像;Segments:用FAST分割D-FLAIR图像所得到的候选簇;
k-NN WMH EXTRACTION:用KNN算法提取WMH;DARTEL FLAIR:D-FLAIR图像;WMHprob.:WMH概率图;WMH:WMH图谱;
PARCELLATION INTO SUB-REGIONS:划分子区域;PV mask:脑室掩膜;Lobar mask:脑叶掩膜;Arterial mask:动脉掩膜。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
特别说明下,本发明中所述“一一对应”是指每位参与者都有一个T1图像和一个FLAIR图像,T1图像和FLAIR图像是一对一配对的,即T1图像和FLAIR图像的数量相等。“对应”是指当选定某一位参与者在某一个时间点的FLAIR图像时,则该位参与者在该时间点的T1图像即为“对应”的T1图像,其他的“对应”关系均同此理。
本实施例任意选取纵向数据集中的10位参与者的T1图像和FLAIR图像,利用本发明的基于簇的WMH自动提取系统进行WMH的提取及WMH的精细划分。参见图1和图2,以下详细介绍本发明的各个模块的工作流程:
实施例一:
对于纵向数据集,即对于同一位参与者,在不同时间点上采集到的FLAIR图像构成的图像数据集合,各模块工作流程如下:
一、组织类型分割模块
本模块是对T1图像和FLAIR图像进行预处理:对FLAIR图像进行配准,对T1图像进行组织分割,为T1图像和FLAIR图像映射到DARTEL空间做准备。
组织类型分割模块包括以下单元:
1)配准单元:由于T1图像通常比FLAIR图像分辨率高,而且有更好的对比度信息,可以用于生成DARTEL空间。因此,对于纵向数据集,以第一时间点的T1图像为参考,对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样。
2)T1图像分割单元:T1图像的组织分割对于将T1图像和FLAIR图像映射到DARTEL空间是至关重要的。因此,通过T1图像分割单元对每个T1图像进行组织分割,得到对应的白质的概率图、灰质的概率图和脑脊液的概率图。在纵向数据集中,此分割还包括其他时间点的T1图像配准到第一时间点的T1图像。
二、DARTEL标准分割模块
本模块用于生成DARTEL模板,并将配准的FLAIR图像、T1图像及T1图像分割得到的对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间。本模块包括以下单元:
1)生成模板单元:此单元目的是为每个T1图像生成一个从个体空间到DARTEL空间的变形流场。对于纵向数据集,本单元只对第一时间点的T1图像进行操作,将第一时间点的T1图像映射到DARTEL空间,创建DARTEL模板。也可根据“现有模板”:包括针对小于55岁,65到75岁,70到80岁的已创建模板进行模板选择。与实施例一相同,“现有模板”选项将本地空间中的T1图像映射到已建立的模板,这比“创建模板”耗费的计算时间要少很多。
2)DARTEL空间映射单元:按照个体空间到DARTEL空间变形流场,对于纵向数据集,每个配准并重采样的FLAIR图像、其他时间点的T1图像配准到第一时间点的T1图像,以及其他时间点的T1图像配准到第一时间点的T1图像对应的灰质、白质、脑脊液概率图都被映射到DARTEL空间。
三、去非脑组织模块
由于FAST分割单元需要颅骨剥离的脑图像作为输入,去非脑组织模块是利用DARTEL空间中的脑膜从DARTEL空间的FLAIR图像和T1图像中去除非脑组织,得到的图像分别记为D-FLAIR图像和D-T1图像。
四、WMH分割模块
本模块用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割,得到WMH概率图。本模块包括以下单元:
1)FAST分割单元:本单元基于FAST算法得到的三级组织掩膜,运用体素六连接计算规则,即构成簇的体素之间至少有一个面连接,得到全脑的候选簇。具体步骤为使用FAST工具包分割D-FLAIR图像,为KNN算法分割单元提供候选三级组织掩膜。考虑到空间强度变化,本单元首先对D-FLAIR图像进行偏置场校正,随后在校正后的D-FLAIR图像上使用FAST进行三级组织分割。FAST是考虑空间邻域信息的可靠和鲁棒的分割算法,通常用于组织类型分割(例如灰质(GM),白质(WM),脑脊液(CSF))。与GM或WM区域的强度不同,D-FLAIR图像中的WMH通常非常明亮。此外,D-FLAIR图像中的GM和WM对比度相对较低。本系统采用的D-FLAIR图像的三级组织类型分割,并生成候选三级掩膜。三级组织类型是指WMH,GM和WM,以及CSF。最后基于体素六连接计算规则构建全脑的候选簇。
2)KNN算法分割单元:基于簇和KNN算法从候选簇中划分出WMH和非WMH:
(1)KNN算法概述
KNN算法是一种用于分类的监督学习算法,其核心思想是:如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的k个样本中的大多数样本的类别来决定待分样本所属的类别。该方法为训练集中的每个成员计算n个特征,以建立分类模型。当查询新的观察结果时,对新观察值(即新的簇)计算相同的n个特征,形成一个n维向量。在n维特征空间中,找到最接近查询向量的训练集中的k个向量,并且这些k邻近向量中的多数投票决定了新观察值的类别标签(即超过半数投票决定这个新的簇的类别是WHM)。同时,对新观察值计算类别得分(即概率),以表明新观测值属于WHM类的可能性。
(2)训练集和分类模型建立
在纵向数据集的10位参与者中,从分割算法的结果中导出的候选簇中目视检查并选择了WMH区域,剩下的候选簇被视为非WMH。将这10个大脑的WMH和非WMH簇作为内置KNN分类模型的训练集。
(3)特征空间计算
本发明的基于簇的WMH自动提取系统使用九个特征来提取WMH,九个特征包括图像灰度特征(IF)、解剖位置特征(ALF)和簇的尺寸特征三类,各类的具体特征如下:
IF包括以下四个特征:
本系统采用图像灰度比作为IF,而不是绝对灰度,以适应来自不同扫描仪设置的不同灰度值。具体来说,IF包括:
IF1:将候选簇的掩膜映射到D-T1图像上,以提取D-T1图像上对应区域的平均灰度,并计算其与D-T1图像上GM区域的平均灰度的比值。
IF2:D-FLAIR图像上候选簇的平均灰度与GM区域的平均灰度的比值。
IF3:将候选簇的掩膜映射到D-T1图像上,以提取D-T1图像上对应区域的平均灰度,并计算其与D-T1图像上WM区域的平均灰度的比值。
IF4:D-FLAIR图像上WM区域的候选簇平均灰度与D-FLAIR图像上候选簇的平均灰度的比值。
ALF也包括以下四个特征:
本系统采用组织概率来描述簇的位置,而不是质心的x-y-z坐标,通过测试中产生的组织概率来描述簇的位置可以使提取结果更准确、更稳定。对于所有ALF,我们使用平均值,而不是单个组织概率图,因为单个组织分割可能受到由于病理学异常强度的区域(如腔隙性梗塞和WMH)的显著影响,特别是当病变从WM扩散到GM时,可能混淆WM在单个空间中的分割。组织概率图的选择取决于DARTEL模板的选择。具体来说,ALF包括:
ALF1:簇的平均GM概率,即簇中所有体素的GM概率之和除以簇中的体素数。
ALF2:簇的平均WM概率,即簇中所有体素的WM概率之和除以簇中的体素数。
ALF3:簇的平均CSF概率,即簇中所有体素的CSF概率之和除以簇中的体素数。
ALF4:与侧脑室的平均距离。距离图是从DARTEL空间的脑室掩膜产生的。簇中所有体素的平均距离用作ALF4。
簇的尺寸特征为一个:
本系统采用对数转换的方式来描述簇的大小,而不是用实际的簇大小来描述簇的大小。
(4)使用KNN算法分割WMH
从FAST分割单元生成的候选簇中,使用基于本模块第(3)部分中所述的九个特征所构建的KNN分类模型,预测WMH概率图,得到最终WMH的簇。研究表明,相对较小的k对于基于簇的WMH提取是足够的。在本系统中,我们使用k=5进行所有WMH提取,然后将自定义的概率阈值应用于WMH概率图以产生WMH分割掩膜,得到WMH图谱。当k=5时,概率阈值取0.7,得到的WMH图谱的效果最好。
五、WHM精细划分模块
本模块将WMH分割模块提取的WMH图谱进一步细分为脑室白质高信号区域(PVWMH)和非PVWMH。通过将自定义的距离阈值应用于DARTEL空间中的侧脑室模板的距离图来生成脑室周围掩模。通过使用脑室掩膜可以将WMH图谱划分成PVWMH区域和非PVWMH区域。当距离阈值为10毫米时,得到的PVWMH和非PVWMH的分割结果最佳;当距离阈值为12毫米时,得到的PVWMH和非PVWMH的分割结果良好。非PVWMH区域包括在小脑、脑干和深层白质高信号区域(DWMH)。DWMH可以再进一步划分为脑叶区或动脉区的白质高信号区域。
实施例二:
对于横向数据集,即对于所有参与者,在同一时间点采集的FLAIR图像构成的图像数据集合,各模块工作流程如下:
一、组织类型分割模块
本模块是对T1图像和FLAIR图像进行预处理:对FLAIR图像进行配准,对T1图像进行组织分割,为T1图像和FLAIR图像映射到DARTEL空间做准备。
组织类型分割模块包括以下单元:
1)配准单元:由于T1图像通常比FLAIR图像分辨率高,而且有更好的对比度信息,可以用于生成DARTEL空间。因此,对于横向数据集,首先以T1图像为参考,以对应的FLAIR图像作为源图像执行刚体配准,然后,对刚体配准后的FLAIR图像进行重采样得到配准并重采样的FLAIR图像。
2)T1图像分割单元:T1图像的组织分割对于将T1图像和FLAIR图像映射到DARTEL空间是至关重要的。因此,通过T1图像分割单元对每个T1图像进行组织分割,得到对应的白质的概率图、灰质的概率图和脑脊液的概率图。
二、DARTEL标准分割模块
本模块用于生成DARTEL模板,并将配准的FLAIR图像、T1图像及T1图像分割得到的对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间。本模块包括以下单元:
1)生成模板单元:此单元目的是为每个T1图像生成一个从个体空间到DARTEL空间的变形流场。本单元提供了“创建模板”和使用“现有模板”两个选项。“创建模板”选项将首先在DARTEL空间上生成所有T1图像的平均模板,然后将每个T1图像映射到平均模板。“现有模板”选项将本地空间中的T1图像映射到已建立的模板,这比“创建模板”耗费的计算时间要少很多。“现有模板”包括针对小于55岁,65到75岁,70到80岁的已创建模板可供选择。
2)DARTEL空间映射单元:按照个体空间到DARTEL空间变形流场,对于横向数据集,将每个配准并重采样的FLAIR图像、每个T1图像、以及每个T1图像对应的灰质的概率图、白质的概率图和脑脊液的概率图映射到DARTEL空间。
在本实施例中,去非脑组织模块、WMH分割模块和WMH精细划分模块的工作流程与实施例一相同,此处不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于簇的WMH自动提取系统,其特征在于,包括:
组织类型分割模块,用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理,所述FLAIR图像和所述T1图像数量相等,且一一对应;
DARTEL标准分割模块,分别连接所述组织类型分割模块和所述去非脑组织模块,用于生成DARTEL模板,并将所述组织类型分割模块得到的图像映射到DARTEL空间;
去非脑组织模块,分别连接所述DARTEL标准分割模块和所述WMH分割模块,用于对所述DARTEL标准分割模块得到的DARTEL空间的FLAIR图像和T1图像去除非脑组织,得到的图像分别记为D-FLAIR图像和D-T1图像;
WMH分割模块,分别连接所述去非脑组织模块和所述WMH精细划分模块,用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割,得到WMH图谱;
WMH精细划分模块,用于对所述WMH图谱进行精细划分,运用距离阈值和脑模板的方法对所述WMH图谱进行进一步分割标注,得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH。
2.根据权利要求1所述的基于簇的WMH自动提取系统,其特征在于,所述多个FLAIR图像为纵向数据集中的图像,所述纵向数据集是指对于同一位参与者,在不同时间点上采集到的所述FLAIR图像构成的图像数据集合。
3.根据权利要求1所述的基于簇的WMH自动提取系统,其特征在于,所述多个FLAIR图像为横向数据集中的图像,所述横向数据集是指对于所有参与者,在同一时间点采集的所述FLAIR图像构成的图像数据集合。
4.根据权利要求2所述的基于簇的WMH自动提取系统,其特征在于,所述组织类型分割模块进一步包括:
配准单元,用于对每个所述FLAIR图像执行刚体配准,以第一时间点的T1图像为参考,对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样,得到配准并重采样的FLAIR图像;
T1图像分割单元,用于对每个所述T1图像进行组织类型分割,得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图,以及其他时间点的T1图像配准到第一时间点的T1图像。
5.根据权利要求4所述的基于簇的WMH自动提取系统,其特征在于,所述DARTEL标准分割模块进一步包括:
生成模板单元,用于基于所述第一时间点的T1图像生成DARTEL模板,并为所述第一时间点的T1图像生成一个从个体空间到DARTEL空间的变形流场;所述DARTEL模板的生成方式有两种:
创建模板:
所述创建模板的具体步骤包括:在DARTEL空间生成所述第一时间点的T1图像的模板;
现有模板:
将所述第一时间点的T1图像映射到本地空间已经建立的模板;
DARTEL空间映射单元,用于按照所述个体空间到DARTEL空间的变形流场,将每个所述配准并重采样的FLAIR图像、每个所述其他时间点的T1图像配准到第一时间点的T1图像、以及每个所述其他时间点的T1图像配准到第一时间点的T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间,得到DARTEL空间的FLAIR图像和T1图像。
6.根据权利要求3所述的基于簇的WMH自动提取系统,其特征在于,所述组织类型分割模块进一步包括:
配准单元,用于对每个所述FLAIR图像执行刚体配准,以所述FLAIR图像为源图像,以对应的所述T1图像为参考,得到配准并重采样的FLAIR图像;
T1图像分割单元,用于对每个所述T1图像进行组织类型分割,得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图。
7.根据权利要求6所述的基于簇的WMH自动提取系统,其特征在于,所述DARTEL标准分割模块进一步包括:
生成模板单元,用于基于所有所述T1图像生成DARTEL模板,并为每个所述T1图像生成一个从个体空间到DARTEL空间的变形流场;所述DARTEL模板的生成方式有两种:
创建模板:
所述创建模板的具体步骤包括:在DARTEL空间生成所有所述T1图像的平均模板;将每个所述T1图像映射到平均模板;
现有模板:
将所述T1图像映射到本地空间已经建立的模板;
DARTEL空间映射单元,用于按照所述个体空间到DARTEL空间的变形流场,将每个所述配准的FLAIR图像、每个所述T1图像、以及每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间,得到DARTEL空间的FLAIR图像和T1图像。
8.根据权利要求5或7所述的基于簇的WMH自动提取系统,其特征在于,所述WMH分割模块进一步包括:
FAST分割单元,用于对所述D-FLAIR图像进行三级组织类型分割,从所述D-FLAIR图像中分割候选簇,所述三级组织类型是WMH,灰质和白质,以及脑脊液;
KNN算法分割单元,用于基于簇和KNN算法从所述候选簇中划分出WMH和非WMH。
9.根据权利要求8所述的基于簇的WMH自动提取系统,其特征在于,所述基于簇和KNN算法从所述候选簇中划分出WMH和非WMH具体是基于解剖位置特征ALF、图像灰度特征IF和簇的尺寸特征来提取WMH;所述解剖位置特征ALF是采用组织概率描述所述簇的位置;所述图像灰度特征IF是采用图像灰度比来适应图像的不同灰度值;所述簇的尺寸特征为经过对数转换的簇的尺寸特征。
10.根据权利要求1-9任一项所述的基于簇的WMH自动提取系统,其特征在于,所述簇为符合六连接计算规则的簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810011181.6A CN108171697B (zh) | 2018-01-05 | 2018-01-05 | 一种基于簇的wmh自动提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810011181.6A CN108171697B (zh) | 2018-01-05 | 2018-01-05 | 一种基于簇的wmh自动提取系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171697A true CN108171697A (zh) | 2018-06-15 |
CN108171697B CN108171697B (zh) | 2022-03-01 |
Family
ID=62517755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810011181.6A Active CN108171697B (zh) | 2018-01-05 | 2018-01-05 | 一种基于簇的wmh自动提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171697B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110991408A (zh) * | 2019-12-19 | 2020-04-10 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
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 |
CN113256654A (zh) * | 2021-05-26 | 2021-08-13 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及系统 |
CN113777546A (zh) * | 2021-09-13 | 2021-12-10 | 西安交通大学医学院第一附属医院 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
EP4272635A4 (en) * | 2020-12-30 | 2024-09-04 | Neurophet Inc | METHOD FOR PROVIDING DIAGNOSTIC ASSISTANCE INFORMATION, AND DEVICE IMPLEMENTING SAME |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106875406A (zh) * | 2017-01-24 | 2017-06-20 | 北京航空航天大学 | 图像引导的视频语义对象分割方法及装置 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
-
2018
- 2018-01-05 CN CN201810011181.6A patent/CN108171697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093455A (zh) * | 2012-12-21 | 2013-05-08 | 西北工业大学 | 一种扩散张量成像大脑白质纤维聚类方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106875406A (zh) * | 2017-01-24 | 2017-06-20 | 北京航空航天大学 | 图像引导的视频语义对象分割方法及装置 |
CN107507162A (zh) * | 2017-06-29 | 2017-12-22 | 南京航空航天大学 | 一种基于多模态脑影像的基因型分析方法 |
Non-Patent Citations (3)
Title |
---|
JOHN ASHBURNER: "A fast diffeomorphic image registration algorithm", 《NEUROIMAGE》 * |
WEI WEN 等: "White Matter Hyperintensities in the Forties: Their Prevalence and Topography in an Epidemiological Sample Aged 44–48", 《HUM. BRAIN MAPP》 * |
YONGYUE ZHANG 等: "Segmentation of Brain MR Images Through a Hidden Markov Random Field Model and the Expectation-Maximization Algorithm", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
CN109859215B (zh) * | 2019-01-30 | 2021-11-02 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
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 |
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 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110458869B (zh) * | 2019-05-10 | 2021-10-19 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
CN110991408A (zh) * | 2019-12-19 | 2020-04-10 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
CN110991408B (zh) * | 2019-12-19 | 2022-09-06 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
EP4272635A4 (en) * | 2020-12-30 | 2024-09-04 | Neurophet Inc | METHOD FOR PROVIDING DIAGNOSTIC ASSISTANCE INFORMATION, AND DEVICE IMPLEMENTING SAME |
CN113256654A (zh) * | 2021-05-26 | 2021-08-13 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及系统 |
CN113256654B (zh) * | 2021-05-26 | 2023-09-12 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及系统 |
CN113777546A (zh) * | 2021-09-13 | 2021-12-10 | 西安交通大学医学院第一附属医院 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108171697B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171697A (zh) | 一种基于簇的wmh自动提取系统 | |
CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
US20240153272A1 (en) | Method for detecting urine formed elements based on deep learning and context relation | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN108765408A (zh) | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN111860406A (zh) | 基于区域混淆机制神经网络的血细胞显微图像分类方法 | |
CN110705639A (zh) | 一种基于深度学习的医学精子图像识别系统 | |
CN107680107A (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
CN112330616A (zh) | 一种脑脊液细胞图像自动化识别和计数的方法 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN112785603A (zh) | 一种基于Unet和超像素的脑组织分割方法 | |
Chen et al. | Tensor distribution regression based on the 3D conventional neural networks | |
Tripathi et al. | Sub-cortical shape morphology and voxel-based features for Alzheimer's disease classification | |
CN112233085A (zh) | 一种基于像素预测增强的宫颈细胞图像分割方法 | |
CN115496732A (zh) | 一种半监督心脏语义分割算法 | |
Duan et al. | Aux-vit: classification of Alzheimer's disease from mri based on vision transformer with auxiliary branch | |
CN106570880A (zh) | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 | |
CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
CN110097552A (zh) | 一种小鼠前额叶神经元双光子荧光图像的自动分割方法 | |
Rasool et al. | TransResUNet: Revolutionizing Glioma Brain Tumor Segmentation through Transformer-Enhanced Residual UNet |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230705 Address after: 811, 8th Floor, Building 1, No. 158 West Fourth Ring North Road, Haidian District, Beijing, 100142 Patentee after: Beijing Tianzhi Xunze Technology Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |