CN108564607A - 三维脑图谱数据集空间校准方法及系统 - Google Patents
三维脑图谱数据集空间校准方法及系统 Download PDFInfo
- Publication number
- CN108564607A CN108564607A CN201810307539.XA CN201810307539A CN108564607A CN 108564607 A CN108564607 A CN 108564607A CN 201810307539 A CN201810307539 A CN 201810307539A CN 108564607 A CN108564607 A CN 108564607A
- Authority
- CN
- China
- Prior art keywords
- registration
- linear
- image
- parameter
- data set
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种三维脑图谱数据集空间校准方法及系统,所述三维脑图谱数据集空间校准方法包括以下步骤:S1.初步方位校正;S2.特征分割;S3.降采样;S4.线性配准;S5.非线性配准;S6.升采样;S7.线性及非线性校正。本发明克服了不同个体的三维脑图谱数据集、不同模态三维脑图谱数据集、不同成像质量三维脑图谱数据集等空间校准困难以及校准不准确的问题,采取了一种更加客观、准确、足量的特征提取的方式,实现了不同个体的三维脑图谱数据集、不同模态三维脑图谱数据集、不同成像质量三维脑图谱数据集等空间校准,具有一定的通用性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种三维脑图谱数据集空间校准方法及系统。
背景技术
随着脑科学研究中成像技术的发展,研究人员能够对全脑进行高分辨率的成像,成像甚至能够达到单个的神经元水平,这为我们研究神经元在不同脑区间的联系以及投射提供了机遇。但是由于不同脑之间个体的差异性,样本制作过程中带来的脑变形等为我们分析神经元间的连接、图谱绘制以及脑区分割带来了一定的困难。如何将不同个体、不同模态、不同成像质量的带有细胞构筑信息的脑图谱数据集在较高分辨率水平快速的校准到一个标准的空间,进而完成标准脑图谱的构建,或其他与脑空间定位相关的神经科学等分析是一个非常大的挑战。
在中国发明专利说明书CN103337065B中提出了小鼠三维ct图像的非刚性配准方法来对小鼠图像进行空间校准。该方法通过刚性配准初步校准空间方位;通过阈值分割的方法提取骨骼图像进一步提取特征点;通过特征点匹配,薄板样条位移场变换得到点配准图像;通过点配准图像和目标图像精细配准得到灰度匹配图像。这种特征点匹配的方法确实可以沿用至脑图谱的配准中,但是该方法针对的是相同模态的数据进行配准,对于不同模态数据会很难提取出对应的特征点。而且在图像质量较差的情况下,阈值分割的方法会有很大的误差,无法准确的提取出特征点,甚至造成错误的配准。
相比国外的三维脑数据集校准技术,在文献“Evaluation of 14 nonlineardeformation algorithms applied to human brain MRI registration.( Arno Klein,Jesper Andersson, Babak A. Ardekani, et al., NeuroImage 46, 786-802 (2009))”中对14种非线性的配准算法进行一个评估,该文献包含了绝大部分的非线性配准算法的研究,对三维的人脑的MRI数据进行了大量的配准以及评估。但是里面的算法都是应用于MRI的数据,相同模态之间的数据,不具有一定的通用性。而且MRI数据形变比较小,若在样本形变比较大或者图像质量较差的情况下,往往达不到理想的配准效果。
综合上述的专利以及文献,图像配准的方法有很多,有基于特征点匹配的方法,有基于图像灰度值的方法。基于自动提取特征点的方法经常局限于特征点提取的准确性与特征点匹配的准确性,无法对灰度差异大或者图像质量差的三维脑图谱进行处理;基于手动提取特征点的方法无法在三维脑空图像中客观的、足量的提取特征点,难以在全脑范围对数据很好配准;而基于灰度的方法往往只能处理相同模态之间的数据,对于灰度差异较大的不同模态之间的数据无法很好的配准。
到目前为止,现有的图像配准的技术,没有一种通用的图像配准的方法能够广泛的对不同个体的三维脑图谱数据集、不同模态三维脑图谱数据集、不同成像质量三维脑图谱数据集等进行空间校准。因此,发展一种通用的、准确的适合于不同个体、不同模态、不同成像质量等数据集的空间校准的方法是很有必要的。
发明内容
本发明的目的是提供一种三维脑图谱数据集空间校准方法及系统,能够对不同个体的三维脑图谱数据集、不同模态三维脑图谱数据集、不同成像质量三维脑图谱数据集等进行空间校准。
为实现上述目的,本发明的三维脑图谱数据集空间校准方法,包括以下步骤:
S1. 初步方位校正步骤;对待校准图像进行方位校正,与预设的参考图像方位一致;
S2. 特征分割步骤;对步骤S1中得到的方位校正后的待校准图像以及参考图像同时进行特征分割,并保存分割之后的文件,为特征文件;
S3. 降采样步骤;对步骤S2中得到的两个特征文件进行降采样;
S4. 线性配准步骤;对步骤S3中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数;
S5. 非线性配准步骤;对步骤S4中得到的线性配准之后的待校准图像的特征文件与步骤3)中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数;
S6. 升采样步骤;对步骤S4产生的线性配准的参数以及步骤S5产生的非线性配准的参数进行与降采样等倍数的升采样;
S7. 线性及非线性校正步骤;
将步骤S6中升采样之后的线性配准的参数以及非线性配准的参数应用至步骤S1产生的方位校正后的待校准图像进行线性及非线性校正。
进一步,所述的步骤S1中参考图像与待校准图像分辨率相同。
进一步,所述的步骤S1中方位校正,x,y,z方向的角度相差不超过90°。
进一步,所述的步骤S4中线性配准操作所选的变换模型为仿射变换,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
进一步,所述的步骤S5中非线性配准操作所选的变换模型为无参数的非线性模型,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
进一步,所述的步骤S6中升采样包括对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样。
进一步,所述的步骤S7中所述的线性及非线性校正包括,线性配准的平移部分的参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到更加准确的校正之后的图像,其中所述线性配准的平移部分的参数为矩阵参数。
一种三维脑图谱数据集空间校准系统,包括以下单元:
初步方位校正单元;用以对待校准图像进行方位校正,与预设的参考图像方位一致;
特征分割单元;用以对初步方位校正单元中得到的方位校正后的待校准图像以及参考图像同时进行特征分割,并保存分割之后的文件,为特征文件;
降采样单元;用以对特征分割单元中得到的两个特征文件进行降采样;
线性配准单元;用以对降采样单元中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数;
非线性配准单元;用以对线性配准单元中得到的线性配准之后的待校准图像的特征文件与降采样单元中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数;
升采样单元;用以对线性配准单元产生的线性配准的参数以及非线性配准单元产生的非线性配准的参数进行与降采样等倍数的升采样;
线性及非线性校正单元;用以将升采样单元升采样之后的线性配准的参数以及非线性配准的参数应用至初步方位校正单元产生的方位校正后的待校准图像进行线性及非线性校正。
进一步,所述的初步方位校正单元中所述的参考图像与待校准图像分辨率相同。
进一步,所述的初步方位校正单元中所述的方位校正,x,y,z方向的角度相差不超过90°。
进一步,所述的线性配准单元中所述的线性配准操作所选的变换模型为仿射变换,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
进一步,所述的非线性配准单元中所述的非线性配准操作所选的变换模型为无参数的非线性模型,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
进一步,所述的升采样单元中所述的升采样包括对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样。
进一步,所述的线性及非线性校正单元包括,线性配准的平移部分的参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到更加准确的校正之后的图像,其中所述线性配准的平移部分的参数为矩阵参数。
本发明具有的优点:能够实现不同个体的三维脑图谱数据集、不同模态三维脑图谱数据集、不同成像质量三维脑图谱数据集等空间校准,具有一定的通用性;在图像配准时,利用一种数据集降采样,参数升采样的策略,同时受益于多层金字塔策略,在保证校准质量的情况下,能够在较低内存消耗的情况下完成一个较高分辨率的快速的空间校准工作。本发明提出了一种新的在三维全脑数据中提取特征区域的方法,在三维脑空间中去描绘一根线或者区域相比于去寻找一个点更具有客观性、准确性,并且能够保证有足够的特征对三维的非线性形变进行约束。
附图说明
图1是本发明具体实施方式三维脑图谱数据集空间校准方法的流程图;
图2是本发明具体实施方式的参考图像,待校准图像以及待校准图像方位校正后的三维展示图及二维冠状面展示图;
图3是本发明具体实施方式的参考图像与待校准图像提取的特征图像;
图4是本发明具体实施方式配准结果三维展示图以及二维冠状面对比图;
图5是本发明具体实施方式三维脑图谱数据集空间校准系统的结构方框图。
具体实施方式
下面结合附图及实施方式对本发明作进一步的详细描述。如图1所示,本发明具体实施方式提供的一种通用的三维脑图谱数据集空间校准方法,包括以下步骤:
步骤S1. 初步方位校正步骤;
所述初步方位校正,是对待校准图像进行方位校正,与预设的参考图像方位一致。
图2分别展示了(a)参考图像的三维展示图,(b)待校准图像的三维展示图,(c)参考图像的二维冠状面,(d)待校准图像的二维冠状面。参考图像是选自于CCFv3小鼠脑图谱数据集,它是一种在神经科学领域广泛应用的三维小鼠脑图谱数据集;待校准图像是选自于结构光成像的小鼠脑图谱数据集。这两种数据集所选取的个体、染色方式、成像方式以及得到的成像质量是完全不同的。
参考图像的数据集大小是10 μm各向同性,体素大小为1140×800×1320 voxels;待校准图像数据集大小是10 μm各向同性,体素大小为813×1018×1051 voxels。
根据图2所示,只需将待校准图像左旋转90°即可完成方位校正,得到方位校正之后的待校准图像。(b’)展示的是方位校正之后待校准图像的三维展示图。(d’)展示的是方位校正之后的待校准图像的二维展示图。这一步骤可以用商业软件Amira完成,也可以用Fiji的Transform功能完成。
待校准图像进行方位校正后,与预设的参考图像方位大致一致即可,图像的方位在 x,y,z方向的角度相差不超过90°。
步骤S2. 特征分割步骤;
所述特征分割,是对步骤S1中得到的方位校正之后的待校准图像以及参考图像同时进行特征分割,提取特征,并保存分割之后的文件,为特征文件。
图3展示的提取特征之后的结果图,(a)与(a’)分别展示的是原始的参考图像与特征分割的结果;(b)与(b’)分别展示的是待校准图像与特征分割的结果。
特征分割,最基本的需要是分割出轮廓并且用对应的灰度值标记出来,其次为了更加精确的配准,可以分割出如图3所示的胼胝体、脑室、海马、小脑等区域,同样用对应的灰度值标记出来,最后都保存为三维的tif格式。这些区域都是非常好辨识的。特征分割这一步骤可以利用能够进行交互式分割以及重建的工具来完成,如:Amira、Coreldraw等。
步骤S3. 降采样步骤;
所述降采样,是对步骤S2中得到的两个特征文件进行降采样。
将步骤S2中得到的10 μm的体素大小为1140×800×1320 voxels的参考特征文件、体素大小为813×1018×1051voxels的待配准特征文件分别降采样至25 μm的体素大小为456×320×528 voxels的参考特征文件、体素大小为325×407×420的待配准特征文件。这一步骤利用ANTS(Advanced Normalization Tools)工具即可完成。
步骤S4. 线性配准步骤;
所述线性配准,是对步骤S3中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数。选择仿射变换(affine)为线性配准的变换模型,选择归一化互信息(MI)为线性配准的相似性测度,同时选用多层金字塔模型为线性配准部分进行加速,在本实施方式中为四层金字塔模型。这一步骤利用ANTS(Advanced Normalization Tools)工具即可完成。
步骤S5. 非线性配准步骤;
所述非线性配准,是对步骤S4中得到的线性配准之后的待校准图像的特征文件与步骤3)中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数。选择无参数的非线性模型为非线性配准的变换模型,选择归一化互信息(MI)为非线性配准的相似性测度,同时选用多层金字塔模型为线性配准部分进行加速,在本实施方式中为四层金字塔模型。这一步骤利用ANTS(Advanced Normalization Tools)工具即可完成。
步骤S6. 升采样步骤;
所述升采样,是对步骤S4产生的线性配准的参数以及步骤S5产生的非线性配准的参数进行与降采样等倍数的升采样。
对线性配准的参数以及非线性配准的参数进行与降采样等倍数升采样,只需要对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样即可。
将线性配准的mat格式的参数文件转换成txt格式的文件,并且修改平移部分的参数,将平移部分的参数乘以升采样的倍数。
将非线性配准形变场的三个通道(分别代表每个像素点在XYZ方向移动的距离)分解成三个单独的图像文件,以.GIF格式保存。
将三个单独的形变场文件分别进行与降采样等倍数的升采样,得到另外三个单独的升采样之后的形变场文件。单通道下,升采样之后的形变场的尺寸为1140×800×1320voxels。
将升采样之后的三个单独的形变场文件重新合成为一个三通道的升采样之后的形变场文件。
步骤S7. 线性及非线性校正步骤;
所述线性及非线性校正,是将升采样之后的线性配准的参数以及非线性配准的参数应用到方位校正之后的待校准图像进行线性及非线性校正。所述线性配准的参数以及非线性配准的参数,为线性配准的平移部分的参数以及非线性配准的形变场部分的参数。线性配准的平移部分的参数即矩阵参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到更加准确的校正之后的图像。
图4(a)展示的是参考图像的三维形状和四张二维的冠状面,图4(b)展示的是待校准图像配准到参考图像之后的三维形状和四张与参考图像对应的二维冠状面。
可以看出本发明三维脑图谱数据集空间校准方法,无论成像的个体是否相同,成像的模态是否相同,图像的质量是否好坏,都能够用这种通用的方法对脑图谱数据集进行空间校准,而且能够达到比较好的效果。
如图5所示,本发明具体实施方式提供的三维脑图谱数据集空间校准系统,包括以下单元:
初步方位校正单元;用以对待校准图像进行方位校正,与预设的参考图像方位一致;
特征分割单元;用以对初步方位校正单元中得到的方位校正后的待校准图像以及参考图像同时进行特征分割,并保存分割之后的文件,为特征文件;
降采样单元;用以对特征分割单元中得到的两个特征文件进行降采样;
线性配准单元;用以对降采样单元中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数;
非线性配准单元;用以对线性配准单元中得到的线性配准之后的待校准图像的特征文件与降采样单元中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数;
升采样单元;用以对线性配准单元产生的线性配准的参数以及非线性配准单元产生的非线性配准的参数进行与降采样等倍数的升采样;
线性及非线性校正单元;用以将升采样单元升采样之后的线性配准的参数以及非线性配准的参数应用至初步方位校正单元产生的方位校正后的待校准图像进行线性及非线性校正。
所述的初步方位校正单元中,所述的参考图像与待校准图像分辨率相同,所述的方位校正,x,y,z方向的角度相差不超过90°。
所述的特征分割单元中,所述的特征分割,包括分割出脑轮廓,还包括分割出胼胝体、脑室、海马、小脑等区域。
所述的线性配准单元中,所述的线性配准操作所选的变换模型为仿射变换,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速,在本实施方式中为四层金字塔模型。所述的非线性配准单元中,所述的非线性配准操作所选的变换模型为无参数的非线性模型,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速,在本实施方式中为四层金字塔模型。
所述的升采样单元中,所述的升采样包括对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样。所述的线性及非线性校正单元包括,线性配准的平移部分的参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到更加准确的校正之后的图像,其中所述线性配准的平移部分的参数为矩阵参数。
可以看出本发明三维脑图谱数据集空间校准系统,无论成像的个体是否相同,成像的模态是否相同,图像的质量是否好坏,都能够用这种通用的方法对脑图谱数据集进行空间校准,而且能够达到比较好的效果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (12)
1.一种三维脑图谱数据集空间校准方法,其特征在于,包括以下步骤:
S1. 初步方位校正步骤;
对待校准图像进行方位校正,使之与预设的参考图像方位一致;
S2. 特征分割步骤;
对步骤S1中得到的方位校正后的待校准图像以及参考图像同时进行特征分割,并保存分割之后的文件,设为特征文件;
S3. 降采样步骤;
对步骤S2中得到的两个特征文件进行降采样;
S4. 线性配准步骤;
对步骤S3中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数;
S5. 非线性配准步骤;
对步骤S4中得到的线性配准之后的待校准图像的特征文件与步骤S3中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数;
S6. 升采样步骤;
对步骤S4产生的线性配准的参数以及步骤S5产生的非线性配准的参数进行与降采样等倍数的升采样;
S7. 线性及非线性校正步骤;
将步骤S6中升采样之后的线性配准的参数以及非线性配准的参数应用至步骤S1产生的方位校正后的待校准图像进行线性及非线性校正。
2.根据权利要求1所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S1中所述的参考图像与待校准图像分辨率相同。
3.根据权利要求1所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S1中所述的方位校正,x,y,z方向的角度相差不超过90°。
4.根据权利要求1所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S4中所述的线性配准所选的变换模型为仿射变换,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
5.根据权利要求1所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S5中所述的非线性配准所选的变换模型为无参数的非线性模型,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
6.根据权利要求1所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S6中所述的升采样包括对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样。
7.根据权利要求6所述的三维脑图谱数据集空间校准方法,其特征在于,所述的步骤S7中所述的线性及非线性校正包括,线性配准的平移部分的参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到准确的校正之后的图像,其中所述线性配准的平移部分的参数为矩阵参数。
8.一种三维脑图谱数据集空间校准系统,其特征在于,包括以下单元:
初步方位校正单元;用以对待校准图像进行方位校正,与预设的参考图像方位一致;
特征分割单元;用以对初步方位校正单元中得到的方位校正后的待校准图像以及参考图像同时进行特征分割,并保存分割之后的文件,为特征文件;
降采样单元;用以对特征分割单元中得到的两个特征文件进行降采样;
线性配准单元;用以对降采样单元中得到的降采样后的两个特征文件进行线性配准,并记录线性配准产生的参数;
非线性配准单元;用以对线性配准单元中得到的线性配准之后的待校准图像的特征文件与降采样单元中降采样之后的参考图像的特征文件进行非线性配准,并记录非线性配准产生的参数;
升采样单元;用以对线性配准单元产生的线性配准的参数以及非线性配准单元产生的非线性配准的参数进行与降采样等倍数的升采样;
线性及非线性校正单元;用以将升采样单元升采样之后的线性配准的参数以及非线性配准的参数应用至初步方位校正单元产生的方位校正后的待校准图像进行线性及非线性校正。
9.根据权利要求8所述的三维脑图谱数据集空间校准系统,其特征在于,所述的线性配准单元中,所述的线性配准所选的变换模型为仿射变换,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
10.根据权利要求8所述的三维脑图谱数据集空间校准系统,其特征在于,所述的非线性配准单元中,所述的非线性配准所选的变换模型为无参数的非线性模型,配准的测度选择归一化互信息作为测度,同时选择多层金字塔模型对配准进行加速。
11.根据权利要求8所述的三维脑图谱数据集空间校准系统,其特征在于,所述的升采样单元中,所述的升采样包括对线性配准的平移部分的参数以及非线性配准的形变场部分的参数进行升采样。
12.根据权利要求11所述的三维脑图谱数据集空间校准系统,其特征在于,所述的线性及非线性校正单元包括,线性配准的平移部分的参数对待校准图像的大小、角度、方位进行校正,非线性配准的形变场部分的参数对线性配准的图像中每个像素点都进行移动,得到准确的校正之后的图像,其中所述线性配准的平移部分的参数为矩阵参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307539.XA CN108564607B (zh) | 2018-04-08 | 2018-04-08 | 三维脑图谱数据集空间校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307539.XA CN108564607B (zh) | 2018-04-08 | 2018-04-08 | 三维脑图谱数据集空间校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564607A true CN108564607A (zh) | 2018-09-21 |
CN108564607B CN108564607B (zh) | 2021-08-03 |
Family
ID=63534203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810307539.XA Active CN108564607B (zh) | 2018-04-08 | 2018-04-08 | 三维脑图谱数据集空间校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564607B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599529A (zh) * | 2019-09-10 | 2019-12-20 | 华中科技大学苏州脑空间信息研究院 | 显微光学图像的脑区扩张校正方法 |
CN110782488A (zh) * | 2019-10-11 | 2020-02-11 | 华中科技大学 | 一种基于形状约束的连续脑片图像三维配准方法 |
CN110807778A (zh) * | 2019-10-11 | 2020-02-18 | 华中科技大学 | 一种迭代式的三维脑空间位置自动计算方法 |
WO2023093470A1 (zh) * | 2021-11-27 | 2023-06-01 | 华为云计算技术有限公司 | 一种脑图谱绘制方法、系统及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140369584A1 (en) * | 2012-02-03 | 2014-12-18 | The Trustees Of Dartmouth College | Method And Apparatus For Determining Tumor Shift During Surgery Using A Stereo-Optical Three-Dimensional Surface-Mapping System |
CN105816192A (zh) * | 2016-03-03 | 2016-08-03 | 王雪原 | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 |
CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
CN105938619A (zh) * | 2016-04-11 | 2016-09-14 | 中国矿业大学 | 一种融合RGB和Depth信息的视觉里程计实现方法 |
CN107274381A (zh) * | 2017-07-20 | 2017-10-20 | 深圳市唯特视科技有限公司 | 一种基于双识别流卷积网络的动态纹理合成方法 |
-
2018
- 2018-04-08 CN CN201810307539.XA patent/CN108564607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140369584A1 (en) * | 2012-02-03 | 2014-12-18 | The Trustees Of Dartmouth College | Method And Apparatus For Determining Tumor Shift During Surgery Using A Stereo-Optical Three-Dimensional Surface-Mapping System |
CN105816192A (zh) * | 2016-03-03 | 2016-08-03 | 王雪原 | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 |
CN105938619A (zh) * | 2016-04-11 | 2016-09-14 | 中国矿业大学 | 一种融合RGB和Depth信息的视觉里程计实现方法 |
CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
CN107274381A (zh) * | 2017-07-20 | 2017-10-20 | 深圳市唯特视科技有限公司 | 一种基于双识别流卷积网络的动态纹理合成方法 |
Non-Patent Citations (1)
Title |
---|
刘新刚: "医学图像弹性配准新算法的研究", 《中国优秀硕博士学位论文全文数据库(博士)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599529A (zh) * | 2019-09-10 | 2019-12-20 | 华中科技大学苏州脑空间信息研究院 | 显微光学图像的脑区扩张校正方法 |
CN110599529B (zh) * | 2019-09-10 | 2022-06-03 | 华中科技大学苏州脑空间信息研究院 | 显微光学图像的脑区扩张校正方法 |
CN110782488A (zh) * | 2019-10-11 | 2020-02-11 | 华中科技大学 | 一种基于形状约束的连续脑片图像三维配准方法 |
CN110807778A (zh) * | 2019-10-11 | 2020-02-18 | 华中科技大学 | 一种迭代式的三维脑空间位置自动计算方法 |
CN110807778B (zh) * | 2019-10-11 | 2022-07-15 | 华中科技大学 | 一种迭代式的三维脑空间位置自动计算方法 |
CN110782488B (zh) * | 2019-10-11 | 2022-08-12 | 华中科技大学 | 一种基于形状约束的连续脑片图像三维配准方法 |
WO2023093470A1 (zh) * | 2021-11-27 | 2023-06-01 | 华为云计算技术有限公司 | 一种脑图谱绘制方法、系统及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108564607B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934821B (zh) | 一种基于icp算法和b样条的锥形束ct和ct图像配准方法 | |
Likar et al. | A hierarchical approach to elastic registration based on mutual information | |
Jog et al. | MR image synthesis by contrast learning on neighborhood ensembles | |
US20200214619A1 (en) | Automated co-registration of prostate mri data | |
CN108564607A (zh) | 三维脑图谱数据集空间校准方法及系统 | |
Ashburner et al. | Spatial normalization using basis functions | |
Wu et al. | S‐HAMMER: Hierarchical attribute‐guided, symmetric diffeomorphic registration for MR brain images | |
US20080292164A1 (en) | System and method for coregistration and analysis of non-concurrent diffuse optical and magnetic resonance breast images | |
JP2007054636A (ja) | イメージの対を位置合わせする方法およびコンピュータによって実行される命令からなるプログラムを具現化して該方法を実施するプログラム記憶装置 | |
CN109544606B (zh) | 基于多个Kinect的快速自动配准方法及系统 | |
WO2008024352A2 (en) | Methods and systems for registration of images | |
CN104021547A (zh) | 肺部 ct 的三维配准方法 | |
AU2015202937A1 (en) | Systems and methods for registration of images | |
CN104867104A (zh) | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 | |
Kalra et al. | An automatic image registration scheme using Tsallis entropy | |
Tong et al. | Registration of histopathology images using self supervised fine grained feature maps | |
Awan et al. | Deep feature based cross-slide registration | |
Chen et al. | Image Registration: Fundamentals and Recent Advances Based on Deep Learning | |
CN112149728B (zh) | 一种快速的多模态图像模板匹配方法 | |
CN113610923A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
JP4824034B2 (ja) | 合成記録ベクトルを用いた最適化された画像記録 | |
Anwar et al. | Image processing technique for brain abnormality detection | |
CN111738999B (zh) | 基于弥散张量成像的大脑张量模板构建方法 | |
CN111166373B (zh) | 一种定位注册方法、装置和系统 | |
Dickens et al. | Volumetric segmentation via 3D active shape models |
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 |