CN108416761B - 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 - Google Patents
针对弥散磁共振影像所估计的人脑白质连接特征优化方法 Download PDFInfo
- Publication number
- CN108416761B CN108416761B CN201810050051.3A CN201810050051A CN108416761B CN 108416761 B CN108416761 B CN 108416761B CN 201810050051 A CN201810050051 A CN 201810050051A CN 108416761 B CN108416761 B CN 108416761B
- Authority
- CN
- China
- Prior art keywords
- white matter
- structure connection
- brain white
- brain
- matrix
- 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
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
- G06T7/60—Analysis of geometric attributes
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种针对弥散磁共振影像所估计的人脑白质连接特征优化方法,包括步骤A、获取各被试对象大脑的弥散磁共振影像,据此确定出各被试对象的人脑白质纤维结构连接特征信息;B、将每个所述被试对象的大脑皮层划分为n个感兴趣的大脑区域;C、针对每个被试对象,提取该被试对象所述n个感兴趣的大脑区域中任意两个区域间的人脑白质纤维结构连接特征,组成人脑白质纤维结构连接矩阵;D、确定各个被试对象的人脑白质纤维结构连接矩阵上共同存在的结构连接特征;以此作为约束条件,分别与各被试对象的人脑白质纤维结构连接矩阵比较,去掉各被试对象人脑白质纤维结构连接矩阵中的虚假人脑白质纤维结构连接特征。
Description
技术领域
本发明涉及人脑磁共振影像技术领域,特别是一种针对弥散磁共振影像所估计的人脑白质连接特征优化方法。
背景技术
弥散磁共振成像技术通过检测脑体素内水分子在各个方向上的弥散程度,结合脑白质纤维追踪算法就可以得到人脑白质纤维连接特征信息。具体的,脑白质纤维追踪算法可以描述为:首先选取一定数量的初始点,针对每一个初始点,根据当前位置的脑白质纤维方向,按照一定的步进规则前进,进行到下一位置点,再根据该位置点的脑白质纤维方向前进,迭代上述过程直到达到终止条件,这样得到的一条轨迹就是追踪到的脑白质纤维。基于所追踪到脑白质纤维便可获知其两端端点位置信息(坐标信息)以及长度信息等。
但是考虑到信号噪声的影响以及脑白质纤维追踪算法的误差,每名个体所估计出来的脑白质纤维连接特征信息可能存在虚假脑白质纤维连接特征,也称虚假脑白质连边。但现有技术没有考虑人脑白质纤维的生物合理性以及忽略了个体脑白质纤维连接中存在的虚假脑白质连边对后续分析的影响。
发明内容
本发明的主要目的在于提供一种针对弥散磁共振影像所估计的人脑白质连接特征优化方法,利用多个被试对象作为群组,各被试的人脑白质纤维连接需以群组中共同存在作为约束条件,从而去掉了个体脑白质纤维连接中存在的虚假脑白质连边。为后续的分析工作提供精度更高的数据支持。
为实现上述发明目的,所述方法包括以下步骤:
A、获取各被试对象大脑的弥散磁共振影像,据此确定出各被试对象的人脑白质纤维结构连接特征信息;
B、将每个所述被试对象的大脑皮层划分为n个感兴趣的大脑区域;
C、针对每个被试对象,提取该被试对象所述n个感兴趣的大脑区域中任意两个区域间的人脑白质纤维结构连接特征,组成人脑白质纤维结构连接矩阵:
其中,SCij表示感兴趣的大脑区域i和感兴趣的大脑区域j间的人脑白质纤维结构连接特征;
D、确定各个被试对象的人脑白质纤维结构连接矩阵上共同存在的结构连接特征,以此作为约束条件,分别与各被试对象的人脑白质纤维结构连接矩阵比较,去掉各被试对象人脑白质纤维结构连接矩阵中的虚假人脑白质纤维结构连接特征。
其中,步骤A确定出各被试对象的人脑白质纤维结构连接特征信息的步骤中还包括:对于每个被试对象:
获取该被试对象大脑的结构磁共振脑影像,识别出该结构磁共振脑影像的大脑的脑白质、灰质区域和脑脊液;
对该被试对象的弥散磁共振脑影像中的脑白质纤维进行约束,将脑白质纤维的两个端点约束在所述灰质区域内。
由上,通过上述约束条件,可以将脑白质纤维的两端锁定在灰质区域内,从而提高判断脑白质纤维是否发生连接的准确性。
其中,所述步骤D包括:
D1、将每个被试对象的人脑白质纤维结构连接矩阵SC进行二值化处理得到二值化后的矩阵SC二值化,该SC二值化中各元素SC二值化ij置1表示对应的该结构连接特征有效,置0表示对应的该结构连接特征无效;
D2、将二值化处理后的各所述人脑白质纤维结构连接矩阵SC二值化相加运算,得到的新矩阵再进行二值化处理得到约束矩阵SC约束,该约束矩阵中的各元素SC约束ij置1表示共同存在对应的该结构连接特征,置0表示不共同存在对应的该结构连接特征;
D3、对于每个被试对象的人脑白质纤维结构连接矩阵,将其矩阵中的各人脑白质纤维结构连接特征SCij与所述约束矩阵中对应的各元素SC约束ij分别对应做逻辑与运算,得到各被试对象的去掉虚假人脑白质纤维结构连接特征的矩阵。
由上,由于所述矩阵SC二值化中采用数值1表示存在连边,数值0表示不存在连边,因此可以针对所有被试对象,当且仅当约束矩阵中对应数值为1时才可以表示共同存在的连边信息。以此作为约束条件,将约束矩阵与所有个体的矩阵分别采用逻辑与运算,可最快速的将各个体的矩阵中虚假的连边直接去除。
其中,步骤C所述两个区域间的人脑白质纤维结构连接特征包括脑白质纤维连边有无;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间脑白质纤维连边有无,若有则该人脑白质纤维结构连接特征置1,否则置0。
其中,步骤C所述两个区域间的人脑白质纤维结构连接特征包括脑白质纤维数量;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间脑白质纤维数量,若大于设定值则该人脑白质纤维结构连接特征置1,否则置0。
其中,步骤C所述两个区域间的人脑白质纤维结构连接特征包括平均脑白质纤维长度;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间平均脑白质纤维长度,若大于设定值则该人脑白质纤维结构连接特征置1,否则置0。
由上,上述三种结构连接矩阵,是以采用了一种结构连接特征构建,矩阵中的每个值均采用纤维数量这单一信息,包括两个区域间有无脑白质连边、两个区域间的人脑白质纤维数量或两个区域间的人脑白质平均长度,实现矩阵的构建。
其中,所述设定值为0。
由上,针对两个区域间的人脑白质纤维数量或两个区域间的人脑白质平均长度两种情况时,当只要出现脑白质纤维数量或平均长度时,就表示存在脑白质纤维连边。
其中,步骤C所述两个区域间的人脑白质纤维结构连接特征包括多个特征参数y1、y2、……、yl;
对应的,对所述人脑白质纤维结构连接矩阵二值化包括:采用公式
对所述元素进行二值化处理,a1%、a2%、......、al%分别表示y1、y2、……、yl的不同权重,且a1%+a2%+……+al%=1;所述门限值为一常数。
由上,当结构连接矩阵采用多种结构连接特征构建时,采用降维公式将结构连接矩阵降维,并进行二值化,从而提高计算效率。
其中,步骤D2所述新矩阵再进行二值化处理得到约束矩阵的步骤包括:
所述新矩阵中,某元素值大于一设定值时置1,否则置0。
由上,引入了设定值的概念。该设定值可以与被试对象的数量相等,既保证所有被试对象共同存在的脑白质连边作为约束条件。该设定值也可以为一门限值,即满足以大多数被试对象共同存在的脑白质连边作为约束条件。
附图说明
图1所示为针对弥散磁共振影像所估计的人脑白质连接特征优化方法的流程图;
图2所示为约束脑白质纤维追踪的示意图;
图3所示为连接特征为平均脑白质纤维长度时,各被试对象的人脑白质纤维结构连接矩阵示意图;
图4所示为约束矩阵的示意图;
图5所示为连接特征为平均脑白质纤维长度时,各被试对象去除虚假连边后的人脑白质纤维结构连接矩阵示意图。
具体实施方式
下面参见图1~图5对本发明所述的针对弥散磁共振影像所估计的人脑白质连接特征优化方法进行详细说明。
如图1所示,包括以下步骤:
S101:获取各被试对象大脑的弥散磁共振和结构磁共振脑影像。
本实施例中需要采集多个被试对象的样本,通过足够多的样本作为群组,以实现群组数据的多样性。
S102:将所述各被试对象的大脑皮层均划分为n个感兴趣的大脑区域。
本实施例中,基于先验的国际上通用的脑图谱或者高分辨率随机脑区划分模板,将各被试对象的大脑皮层均划分为n个感兴趣的大脑区域。
S103:基于结构磁共振脑影像对大脑结构的划分,对其所述弥散磁共振脑影像中的脑白质纤维追踪进行约束,将脑白质纤维锁定在所述灰质区域内。所述步骤S103作为步骤S102的补充。
本步骤中,针对每个被试对象,首先需要对该被试对象的弥散磁共振脑影像进行预处理,例如包括空间扭曲校正、头动校正等。
其次,利用该被试对象的结构磁共振脑影像将大脑分割成灰质皮层201、皮下核团202(所述灰质皮层201和皮下核团202统称为灰质区域200)、脑白质203以及脑脊液204这些区域。利用人脑本身的生物信息,即所述结构磁共振脑影像对大脑的分区来约束脑白质纤维205追踪的结果。如图2所示,具体约束包括以下步骤:
①、判断脑白质纤维205的两个端点是否均进入灰质区域200,若是,则终止并接受该脑白质纤维205,否则拒绝该脑白质纤维205;所述终止是指使纤维终止在所述两端点处而不继续追踪,接受是指将追踪到的该脑白质纤维205保留,所述拒绝指舍弃该脑白质纤维而不予保留;
②、判断脑白质纤维205的两个端点是否任一进入脑脊液204,若是,则拒绝该脑白质纤维205,否则接受脑白质纤维205;
③、判断脑白质纤维205的两个端点是否任一离开人脑的区域,若是,则终止并接受该脑白质纤维205,否则拒绝该脑白质纤维205;
④、判断脑白质纤维205弯曲程度是否过大,若是,则将该脑白质纤维205终止在脑白质203内部,拒绝该脑白质纤维205;所述脑白质纤维弯曲程度可依据经验值设置;
⑤、判断脑白质纤维205的两个端点是否任一进入皮下核团区域202,若是,则终止并接受该脑白质纤维205,否则拒绝该脑白质纤维205;
⑥、判断脑白质纤维是否从皮下核团202穿出,若是,则终止在皮下核团202表面,并接受该脑白质纤维205。
通过上述约束步骤,可以将脑白质纤维的两端锁定在灰质区域内。上述约束的目的在于:根据人脑本身结构,脑白质纤维是连接灰质区域的,所以脑白质纤维应该终止在灰质区域从而符合人脑构造。
当然,在实际应用过程中,也可不进行上述约束的步骤,由此可能会导致脑白质纤维出现在脑白质内部的情况,从而降低后续判断的准确性。
S104:针对每个被试对象,提取该被试对象所述n个感兴趣的大脑区域中任意两个区域间的人脑白质纤维结构连接特征,组成该被试对象的n*n的人脑白质纤维结构连接矩阵SC:
结合上述人脑生物信息约束的脑白质纤维追踪结果以及所述n个感兴趣的大脑区域,提取各个被试对象的所述n个感兴趣的大脑区域中任意两个区域的人脑白质纤维结构连接特征,即可得到各个被试对象的n*n的人脑白质纤维结构连接矩阵。所述结构连接特征包括脑白质纤维有无脑白质纤维连边、脑白质纤维数量或平均脑白质纤维长度等,这些与连边相关的信息本文统称连边信息。
举例来说,现有脑白质纤维追踪算法的结果,可得知各脑白质纤维的端点信息,通过端点信息即可获取各脑白质纤维的长度。结合n个感兴趣的大脑区域(后文简称区域),便能判断出各脑白质纤维的端点落在哪两个区域,即表示以上两个区域有无连边。
然后根据各脑白质纤维的端点落在哪两个区域,哪些脑白质纤维一端在区域i,另一端在区域j,就可以得到i、j区域间的脑白质纤维连接数量,从而扩展至任意区域间的连接数量。
更进一步的,基于各区域间的不同连接数量的脑白质纤维的长度,可以获取到各区域间平均脑白质纤维长度。
当连接特征为有无连接时,n*n表示的是人脑白质纤维结构连接矩阵是一个二值矩阵。SCij表示人脑白质纤维结构连接矩阵中的区域i和区域j之间是否存在连接。当SCij=0表示区域i和区域j不存在连接,SCij=1区域i和区域j存在连接。
再举例来说,当连接特征为平均脑白质纤维长度时,n*n表示的是人脑白质纤维结构连接矩阵是一个非二值矩阵。SCij表示人脑白质纤维结构连接矩阵中的区域i和区域j所连接的脑白质纤维长度。如图3任一的矩形图所示,n=90,即该矩阵为90*90的矩阵,上述矩阵的各元素即表示对应区域间的平均脑白质纤维长度。例如SCij=0,即表示区域i和区域j无连边,对应图3中该位置为白色;而SCij=200即表示区域i和区域j的所述脑白质纤维长度最长达到200,对应图3中该位置为黑色。在对应0(白色)-200(黑色)之间的各位置,依据其所表示的各区域间连边的不同平均脑白质纤维长度对应为不同深浅的灰色。
同理如连接特征为脑白质纤维数量也是一个非二值矩阵。
S105:确定各个被试对象的人脑白质纤维结构连接矩阵上共同存在的连边信息,以此去掉个体脑白质纤维连接中存在的虚假脑白质连边。
首先将各被试对象的n*n结构连接矩阵二值化。本例中以被试对象为m个为例进行说明。当结构连接特征值大于0(纤维数量大于0、平均脑白质纤维长度大于0、或者有连边)时,就把该连边的值置1,当结构连接特征值等于0时,就把该连边的值置0,以得到m个二值化的n*n矩阵。
另外,对于非二值矩阵进行结构连接特征值二值化时,除了上述以脑白质纤维数量大于0、平均脑白质纤维长度大于0为依据二值化外,也可以设置一门限值,例如脑白质纤维数量大于x1、平均脑白质纤维长度大于x2时,对应的结构连接特征值置为1,否则为0。
另外,上述的结构连接矩阵,是以采用了一种结构连接特征构建,如矩阵中的每个值均采用脑白质纤维数量这单一信息。若为了数据更加精确、高效,上述的结构连接矩阵还可以采用多种结构连接特征构建,例如矩阵中的每个值为一个二维子矩阵SCij(y1、y2),y1、y2分别表示脑白质纤维数量和平均脑白质纤维长度,结构连接特征值二值化时将SCij(y1、y2)降维二值化,简单的可以以下述公式降维和二值化:
式中a1%、a2%分别表示不同权重,且a1%+a2%=1。同理,矩阵中的每个值还可为一个三维子矩阵,由于本实施例中脑白质纤维数量和平均脑白质纤维长度已经涵盖了有无连边的情况,故在此不再赘述三维子矩阵的实施例。
将m个二值化n*n矩阵累加,所谓矩阵累加是指:把各矩阵中对应位置的值加起来,得到一个相加后的n*n(如本实施例90*90)新矩阵。在新矩阵中,各位置的数值取值范围为0~m。
而后,将所述n*n新矩阵进行二值化处理,从而得到如图4所示的约束矩阵。具体为,在约束矩阵中,将原新矩阵中取值为m置为1(代表m个被试对象都存在这条连边),将原新矩阵中取值小于m置为0(代表不是m个被试对象都存在这条连边)。另外,实际二值化时,可以设置一门限值x3,当新矩阵中某位置值大于x3时置为1,否则为0,以当某被试对象为特殊情况(视为噪声对象)时,将这种特殊情况的对象的干扰降低。
最后,将约束矩阵分别与每个被试对象的n*n结构连接矩阵进行逻辑与运算,从而去掉每个被试对象的虚假脑白质连边,即如图5所示的示意图。所述逻辑与运算是指:当两矩阵任一在相对应位置为0时,其运算结果仍为0,仅当两矩阵相对应位置均为1时,其运算结果为1。
由此,利用多个被试对象作为群组,各被试的人脑白质纤维连接需以群组中共同存在作为约束条件。从而去掉了个体脑白质纤维连接中存在的虚假脑白质连边。
去除虚假脑白质连边后的数据,可以用来进行脑网络连接水平的分析,利用图论理论计算脑网络属性。基于脑网络连接以及脑网络衍生的图论属性可以作为脑表型特征,与其他特征(例如,心理或生理状态)进行关联分析。这些脑表型特征也可以用来进行分类,作为机器学习的特征。
以上所述仅为本发明的较佳实施例,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 (8)
1.一种针对弥散磁共振影像所估计的人脑白质连接特征优化方法,其特征在于,包括步骤:
A、获取各被试对象大脑的弥散磁共振影像,据此确定出各被试对象的人脑白质纤维结构连接特征信息;
B、将每个所述被试对象的大脑皮层划分为n个感兴趣的大脑区域;
C、针对每个被试对象,提取该被试对象所述n个感兴趣的大脑区域中任意两个区域间的人脑白质纤维结构连接特征,组成人脑白质纤维结构连接矩阵:
其中,SCij表示感兴趣的大脑区域i和感兴趣的大脑区域j间的人脑白质纤维结构连接特征;
D、确定各个被试对象的人脑白质纤维结构连接矩阵上共同存在的结构连接特征,以此作为约束条件,分别与各被试对象的人脑白质纤维结构连接矩阵比较,去掉各被试对象人脑白质纤维结构连接矩阵中的虚假人脑白质纤维结构连接特征;
步骤A确定出各被试对象的人脑白质纤维结构连接特征信息的步骤中还包括:对于每个被试对象:
获取该被试对象大脑的结构磁共振脑影像,识别出该结构磁共振脑影像的大脑的脑白质、灰质区域和脑脊液;
对该被试对象的弥散磁共振脑影像中的脑白质纤维进行约束,将脑白质纤维的两个端点约束在所述灰质区域内;
所述步骤D包括:
D1、将每个被试对象的人脑白质纤维结构连接矩阵SC进行二值化处理得到二值化后的矩阵SC二值化,该SC二值化中各元素SC二值化ij置1表示对应的该结构连接特征有效,置0表示对应的该结构连接特征无效;
D2、将二值化处理后的各所述人脑白质纤维结构连接矩阵SC二值化相加运算,得到的新矩阵再进行二值化处理得到约束矩阵SC约束,该约束矩阵中的各元素SC约束ij置1表示共同存在对应的该结构连接特征,置0表示不存在共同对应的该结构连接特征;
D3、对于每个被试对象的人脑白质纤维结构连接矩阵,将其矩阵中的各人脑白质纤维结构连接特征SCij与所述约束矩阵中对应的各元素SC约束ij分别对应做逻辑与运算,得到各被试对象的去掉虚假人脑白质纤维结构连接特征的矩阵。
2.根据权利要求1所述的方法,其特征在于,步骤C所述两个区域间的人脑白质纤维结构连接特征包括脑白质纤维连边有无;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间脑白质纤维连边有无,若有则该人脑白质纤维结构连接特征置1,否则置0。
3.根据权利要求1所述的方法,其特征在于,步骤C所述两个区域间的人脑白质纤维结构连接特征包括脑白质纤维数量;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间脑白质纤维数量,若大于设定值则该人脑白质纤维结构连接特征置1,否则置0。
4.根据权利要求1所述的方法,其特征在于,步骤C所述两个区域间的人脑白质纤维结构连接特征包括平均脑白质纤维长度;
对应的,步骤D1所述二值化处理的步骤包括:针对两个区域间平均脑白质纤维长度,若大于设定值则该人脑白质纤维结构连接特征置1,否则置0。
5.根据权利要求3所述的方法,其特征在于,所述设定值为0。
6.根据权利要求4所述的方法,其特征在于,所述设定值为0。
7.根据权利要求1至6任一所述的方法,其特征在于,步骤C所述两个区域间的人脑白质纤维结构连接特征包括多个特征参数y1、y2、……、yl;
对应的,对所述人脑白质纤维结构连接矩阵二值化包括:采用公式
对所述元素进行二值化处理,a1%、a2%、......、al%分别表示y1、y2、……、yl的不同权重,且a1%+a2%+……+al%=1;所述门限值为一常数。
8.根据权利要求1所述的方法,其特征在于,步骤D2所述新矩阵再进行二值化处理得到约束矩阵的步骤包括:
所述新矩阵中,某元素值大于一设定值时置1,否则置0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050051.3A CN108416761B (zh) | 2018-01-18 | 2018-01-18 | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050051.3A CN108416761B (zh) | 2018-01-18 | 2018-01-18 | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416761A CN108416761A (zh) | 2018-08-17 |
CN108416761B true CN108416761B (zh) | 2019-06-14 |
Family
ID=63126071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810050051.3A Active CN108416761B (zh) | 2018-01-18 | 2018-01-18 | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416761B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763638A (zh) * | 2009-12-14 | 2010-06-30 | 西北工业大学 | 一种弥散张量核磁共振图像的大脑白质纤维束分类方法 |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
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 |
-
2018
- 2018-01-18 CN CN201810050051.3A patent/CN108416761B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763638A (zh) * | 2009-12-14 | 2010-06-30 | 西北工业大学 | 一种弥散张量核磁共振图像的大脑白质纤维束分类方法 |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
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 |
Non-Patent Citations (1)
Title |
---|
《磁共振弥散张量成像的脑白质纤维优化重建》;吴锡等;《中国生物医学工程学报》;20091231;第28卷(第6期);931-934 |
Also Published As
Publication number | Publication date |
---|---|
CN108416761A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292884A (zh) | 一种识别mri图像中水肿和血肿的方法及装置 | |
TWI415029B (zh) | 連續結構影像的量化分析自動追蹤演算法 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN106295555A (zh) | 一种活体指纹图像的检测方法 | |
DE102015210878B4 (de) | Authentifizierungssystem, das biometerische Informationen nutzt | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN101334834B (zh) | 一种自底向上的注意信息提取方法 | |
JP2018089142A (ja) | 脳機能イメージングデータからヒトの脳活動状態を推定する方法 | |
Polzehl et al. | Structural adaptive segmentation for statistical parametric mapping | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
CN109766838A (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN108416761B (zh) | 针对弥散磁共振影像所估计的人脑白质连接特征优化方法 | |
CN108364007B (zh) | 一种基于脑结构连接约束的脑功能连接特征提取方法 | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
EP1766579A2 (de) | Verfahren zur detektion geometrischer strukturen in bildern | |
Wang | Research on the computer vision cracked eggs detecting method | |
CN108256569A (zh) | 一种复杂背景下的对象识别方法及使用的计算机技术 | |
CN107527365A (zh) | 一种动态计算类圆物体形态学直径的方法及装置 | |
CN108961171B (zh) | 一种乳腺dti图像去噪方法 | |
Fiorina et al. | Fully automated hippocampus segmentation with virtual ant colonies | |
DE102006043348A1 (de) | System und Verfahren zum Gruppieren von Atemwegen und Arterien zur quantitativen Analyse | |
Faghiri et al. | Using gradient as a new metric for dynamic connectivity estimation from resting fMRI data | |
Wu et al. | White Matter Fiber Tractography Using Nonuniform Rational B‐Splines Curve Fitting | |
Olding et al. | Joint localization and parameter estimation for localized calcium release events in video microscopy |
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 |