CN109978871B - 融合概率型和确定型纤维束追踪的纤维束筛选方法 - Google Patents

融合概率型和确定型纤维束追踪的纤维束筛选方法 Download PDF

Info

Publication number
CN109978871B
CN109978871B CN201910254180.9A CN201910254180A CN109978871B CN 109978871 B CN109978871 B CN 109978871B CN 201910254180 A CN201910254180 A CN 201910254180A CN 109978871 B CN109978871 B CN 109978871B
Authority
CN
China
Prior art keywords
fiber bundle
image
fiber
images
tensor
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
CN201910254180.9A
Other languages
English (en)
Other versions
CN109978871A (zh
Inventor
刘继欣
薛倩雯
李睿枭
穆俊娅
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201910254180.9A priority Critical patent/CN109978871B/zh
Publication of CN109978871A publication Critical patent/CN109978871A/zh
Application granted granted Critical
Publication of CN109978871B publication Critical patent/CN109978871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/30—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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

Abstract

本发明公开了一种融合概率型和确定型纤维束追踪的纤维束筛选方法，主要解决了现有技术所提取白质微结构特征真实性、准确性低的问题。其实现步骤是：1、读取DTI图像和FA图像，2、构建张量模板，3、提取张量模板的感兴趣纤维束，4、构建纤维束参数化模型，5、提取个体DTI图像的感兴趣纤维束，6、构建纤维束频率图谱，7、筛选感兴趣纤维束，本发明基于概率型纤维束追踪结果构建纤维束频率图谱，利用该图谱对纤维束参数化后的感兴趣纤维束进行筛选，使得纤维束参数化所提取的白质微结构特征精细化，有效克服了现有技术所提取白质微结构特征真实性，准确性低问题。

Description

融合概率型和确定型纤维束追踪的纤维束筛选方法
技术领域
本发明属于物理技术领域，更进一步涉及影像处理技术领域中的一种融合概率型和确定型纤维束追踪的纤维束筛选方法。本发明利用所构建纤维束频率图谱，对经过纤维束参数化分析后的纤维束进行筛选，可以降低纤维束参数化分析所提取白质微结构特征的误差。
背景技术
目前沿白质纤维束分析的主要思路之一是在张量模板图像上提取感兴趣纤维束，在对张量模板图像上的感兴趣纤维束进行定量化后，将该纤维束映射到个体脑部弥散张量成像DTI(Diffusion Tensor Imaging)图像上，实现不同个体间纤维束的对应。
西安电子科技大学在其拥有的专利技术“一种基于健康人群的白质纤维参数化模型构建方法”(申请号：2014108358310，授权公告号：CN104537711 B)中公开了一种基于白质纤维束的纤维束参数化分析方法。该方法首先在张量模板上用确定型纤维束追踪方法提取出感兴趣纤维束，然后在感兴趣纤维束中选取一条代表性纤维，通过点匹配算法，在该代表性纤维上的点与其他纤维上的点之间建立对应关系。最后，将点匹配后的白质纤维束映射到个体图像中，提取纤维束所有点对应位置的白质扩散特性值，得到个体的白质微结构特征。该方法存在的不足之处在于，在张量模板上提取出感兴趣纤维束，所提取纤维束中的某些纤维，在个体图像上不存在对应纤维，导致所提取白质微结构特征真实性较低。并且，将点匹配后的纤维束映射到个体图像的过程中，可能由于映射误差导致白质纤维束映射到灰质区域，影响所提取白质微结构特征的准确性。
发明内容
本发明的目的是针对上述现有方法的不足，提供了一种融合概率型和确定型纤维束追踪的纤维束筛选方法。本发明解决现有技术所提取白质微结构特征真实性、准确性较低的问题。
实现本发明目的的思路是，对每个个体的DTI图像进行概率型纤维束追踪，基于概率性纤维束追踪结果构建纤维束频率图谱，利用该图谱对纤维束参数化后的感兴趣纤维束进行筛选，融合确定型和概率型纤维束追踪，使得纤维束参数化分析所提取的白质微结构特征真实可靠，并且提高了所提取白质微结构的准确性。
本发明的方法包括如下步骤：
(1)读取DTI图像和FA图像：
读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部DTI图像和各向异性FA(FractionalAnisotropy)图像；所述的待测图像组中包含格式均为.nii的52人的脑部DTI图像和FA图像，同一人的脑部DTI图像和FA图像所处空间一致，组成该个体的个体空间；
(2)构建张量模板：
利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；
(3)提取张量模板的感兴趣纤维束：
利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；
(4)构建纤维束参数化模型：
利用纤维束参数化方法，构建纤维束参数化模型；
(5)提取个体DTI图像的感兴趣纤维束：
(5a)利用追踪软件，对两组图像中每张DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；
(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；
(6)构建纤维束频率图谱：
(6a)将两组图像中每张FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；
(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；
(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；
(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；
(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；
(7)筛选感兴趣纤维束：
(7a)寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；
(7b)利用输入的两组图像中每张FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；
(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；
(7d)利用三线性插值公式，插值计算出输入的两组图像中每张FA图像上对应个体空间下筛选后的纤维束上所有点的FA值；
(7e)在输入的两组图像中每张FA图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的FA值的平均值，将所有对应位置上点的FA值的平均值组成FA值平均值向量，输入的两组图像对应得到两组FA值平均值向量；
本发明与现有的技术相比具有以下优点：
第一，由于本发明的方法采用构建纤维束频率图谱的方法，克服了现有技术所提取白质微结构特征真实性较低的不足，使得本发明所筛选后纤维束的白质微结构特征具有真实性。
第二，由于本发明的方法采用构建纤维束参数化模型，筛选感兴趣纤维束的方法，克服了现有技术所提取白质微结构特征准确性低的不足，使得本发明提高了纤维束参数化分析所提取白质微结构特征的准确性。
附图说明
图1是本发明方法的流程图；
图2是本发明所构建的张量图谱；
图3是本发明构建的纤维束频率图谱。
具体实施方式
下面结合附图，对本发明作进一步的详细描述。
参照附图1，对本发明的方法做进一步的详细描述。
步骤1，读取DTI图像和FA图像。
读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部DTI图像和FA图像；所述的待测图像组中包含格式均为.nii的52人的脑部DTI图像和FA图像，同一人的脑部DTI图像和FA图像所处空间一致，组成该个体的个体空间。
步骤2，构建张量模板。
利用FA图像和ICBM标准模板，构建得到张量图谱，得到的结果如图2所示。
利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间。
所述张量模板构建方法的步骤如下：
第1步，利用FSL软件，将对照图像组中格式为.nii的每张FA图像配准到格式为.nii的国际大脑图谱协会ICBM(International Consortium for Brain Mapping)标准模板，得到配准参数。
第2步，在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数。
第3步，利用FSL软件，将配准参数与平均配准参数融合，得到所选FA图像到标准空间下其余FA图像的变换参数。
第4步，利用FSL软件，将所选FA图像的变换参数作用到对应的DTI图像上，得到标准化后的DTI图像。
第5步，判断是否已选取完标准空间下的所有图像，若是，则执行第6步，否则，执行第2步。
第6步，求所有标准化后的DTI图像中对应位置上体素灰度值的平均值。
第7步，将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板。
步骤3，提取张量模板的感兴趣纤维束。
利用exploreDTI软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束。
步骤4，构建纤维束参数化模型。
利用纤维束参数化方法，构建纤维束参数化模型。
所述纤维束参数化方法的步骤如下：
按照下式，计算感兴趣纤维束中每条纤维的纤维密度：
Figure BDA0002013234140000051
其中，Dl表示感兴趣纤维束中第l条纤维的纤维密度，nl表示感兴趣纤维束中第l条纤维上点的总数，∑表示求和操作，i表示感兴趣纤维束中第l条纤维上点的序号，Mli表示感兴趣纤维束中第l条纤维上第i个点的纤维轨迹数目；
选取感兴趣纤维束中所有纤维的纤维密度中的最大值，作为原型纤维；
计算原型纤维上每个点处的切向量，对切向量做垂线，垂线与其他纤维相交得到原型纤维上每个点的匹配点的坐标。
步骤5，提取个体DTI图像的感兴趣纤维束。
利用FSL软件，对两组图像中每张DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图。
将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像。
步骤6，构建纤维束频率图谱。
利用所有标准化的感兴趣纤维束图像，构建纤维束频率图谱，得到的结果如图3所示。
利用FSL软件，将两组图像中每张FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数。
利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间。
在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像。
求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像。
将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱。
步骤7，筛选感兴趣纤维束。
寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束。
利用FSL软件，对输入的两组图像中每张FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数
利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间。
利用三线性插值公式，插值计算出输入的两组图像中每张FA图像上对应个体空间下筛选后的纤维束上所有点的FA值。
所述的三线性插值公式如下：
Figure BDA0002013234140000061
其中，f(xi,yi,zi)表示筛选后的纤维束上(xi,yi,zi)点的FA值，(xi,yi,zi)表示筛选后的纤维束上第i个点处的坐标，
Figure BDA0002013234140000062
分别表示沿x,y,z轴正方向上与(xi,yi,zi)点最近的整数坐标值，
Figure BDA0002013234140000063
分别表示沿x,y,z轴负方向上与(xi,yi,zi)点最近的整数坐标值；
Figure BDA0002013234140000064
Figure BDA0002013234140000065
分别表示FA图像上
Figure BDA0002013234140000066
Figure BDA0002013234140000071
点的FA值。
在输入的两组图像中每张FA图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的FA值的平均值，将所有对应位置上点的FA值的平均值组成FA值平均值向量，输入的两组图像对应得到两组FA值平均值向量。

Claims (4)

1.一种融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，构建纤维束频率图谱，筛选感兴趣纤维束，该方法包括如下步骤：
(1)读取弥散张量成像DTI图像和各向异性FA图像：
读入两组图像，一组为标准图像作为对照图像组，另一组为待测图像组，所述的对照图像组中包含格式均为.nii的44人的脑部弥散张量成像DTI图像和各向异性FA图像；所述的待测图像组中包含格式均为.nii的52人的脑部弥散张量成像DTI图像和各向异性FA图像，同一人的脑部弥散张量成像DTI图像和各向异性FA图像所处空间一致，组成该人的个体空间；
(2)构建张量模板：
利用张量模板构建方法，构建张量模板，该张量模板所处的图像空间称为张量模板空间；
(3)提取张量模板的感兴趣纤维束：
利用追踪软件，对所构建张量模板进行确定型纤维束追踪，提取感兴趣纤维束；
(4)构建纤维束参数化模型：
利用纤维束参数化方法，构建纤维束参数化模型；
(5)提取个体弥散张量成像DTI图像的感兴趣纤维束：
(5a)利用追踪软件，对两组图像中每张弥散张量成像DTI图像上的感兴趣纤维束进行概率型纤维束追踪，得到纤维连接分布图；
(5b)将纤维连接分布图中所有不为零的纤维连接分布值，按照从大到小排列，选取排序中前千分之一的体素，将所选体素标记为1，纤维连接分布图中的其余体素标记为0，组成感兴趣纤维束图像；
(6)构建纤维束频率图谱：
(6a)将两组图像中每张各向异性FA图像配准到所构建的张量模板，得到其个体空间到张量模板空间的的配准参数；
(6b)利用配准参数，将每幅感兴趣纤维束图像映射到张量模板空间；
(6c)在张量模板空间下将感兴趣纤维束图像上的非零体素标记为1，得到标准化的感兴趣纤维束图像；
(6d)求所有标准化的感兴趣纤维束图像中对应位置上体素灰度值的平均值，将所有体素灰度值的平均值组成一张平均图像；
(6e)将平均图像上灰度值小于0.7的体素标记为0，其余体素上的灰度值不变得到所构建的纤维束频率图谱；
(7)筛选感兴趣纤维束：
(7a)寻找纤维束频率图谱中灰度值为零的点，去掉纤维束参数化后的感兴趣纤维束上对应坐标位置的点，得到筛选后的纤维束；
(7b)利用输入的两组图像中每张各向异性FA图像的个体空间到张量模板空间的配准参数，计算对应的逆配准参数；
(7c)利用对应的逆配准参数，将筛选后的纤维束上所有点的坐标，映射到每个个体空间；
(7d)利用三线性插值公式，插值计算出输入的两组图像中每张各向异性FA图像上对应个体空间下筛选后的纤维束上所有点的各向异性FA值；
(7e)在输入的两组图像中每张各向异性FA图像的个体空间下，求筛选后的纤维束中所有纤维中每个对应位置上点的各向异性FA值的平均值，将所有对应位置上点的各向异性FA值的平均值组成FA值平均值向量，输入的两组图像对应得到两组FA值平均值向量。
2.根据权利要求1所述的融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，步骤(2)中所述张量模板构建方法的步骤如下：
第一步，利用图像配准软件，将对照图像组中格式为.nii的每张各向异性FA图像配准到格式为.nii的标准模板，得到配准参数；
第二步，在标准空间下的所有图像中选取一幅未选图像，将所选图像分别非线性配准到其余未选的每幅图像上，得到所选图像配准到其余的每幅图像上的配准参数，将所有配准参数进行平均，得到所选图像到其余图像上的平均配准参数；
第三步，将配准参数与平均配准参数融合，得到所选各向异性FA图像到标准空间下其余各向异性FA图像的变换参数；
第四步，将所选各向异性FA图像的变换参数作用到对应的弥散张量成像DTI图像上，得到标准化后的弥散张量成像DTI图像；
第五步，判断是否已选取完标准空间下的所有图像，若是，则执行第六步，否则，执行第二步；
第六步，求所有标准化后的弥散张量成像DTI图像中对应位置上体素灰度值的平均值；
第七步，将所有体素灰度的平均值组成一张平均图像，将该平均图像作为构建好的张量模板。
3.根据权利要求1所述的融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，步骤(4)中所述纤维束参数化方法的步骤如下：
第一步，按照下式，计算感兴趣纤维束中每条纤维的纤维密度：
Figure FDA0003023286880000031
其中，Dl表示感兴趣纤维束中第l条纤维的纤维密度，nl表示感兴趣纤维束中第l条纤维上点的总数，∑表示求和操作，i表示感兴趣纤维束中第l条纤维上点的序号，Mli表示感兴趣纤维束中第l条纤维上第i个点的纤维轨迹数目；
第二步，选取感兴趣纤维束中所有纤维的纤维密度中的最大值，作为原型纤维；
第三步，计算原型纤维上每个点处的切向量，对切向量做垂线，垂线与其他纤维相交得到原型纤维上每个点的匹配点的坐标。
4.根据权利要求1所述的融合概率型和确定型纤维束追踪的纤维束筛选方法，其特征在于，步骤(7d)中所述三线性插值公式如下：
Figure FDA0003023286880000032
其中，f(xi,yi,zi)表示筛选后的纤维束上(xi,yi,zi)点的各向异性FA值，(xi,yi,zi)表示筛选后的纤维束上第i个点处的坐标，
Figure FDA0003023286880000041
分别表示沿x,y,z轴正方向上与(xi,yi,zi)点最近的整数坐标值，
Figure FDA0003023286880000042
分别表示沿x,y,z轴负方向上与(xi,yi,zi)点最近的整数坐标值；
Figure FDA0003023286880000043
Figure FDA0003023286880000044
Figure FDA0003023286880000045
分别表示各向异性FA图像上
Figure FDA0003023286880000046
Figure FDA0003023286880000047
点的各向异性FA值。
CN201910254180.9A 2019-03-30 2019-03-30 融合概率型和确定型纤维束追踪的纤维束筛选方法 Active CN109978871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910254180.9A CN109978871B (zh) 2019-03-30 2019-03-30 融合概率型和确定型纤维束追踪的纤维束筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910254180.9A CN109978871B (zh) 2019-03-30 2019-03-30 融合概率型和确定型纤维束追踪的纤维束筛选方法

Publications (2)

Publication Number Publication Date
CN109978871A CN109978871A (zh) 2019-07-05
CN109978871B true CN109978871B (zh) 2021-06-25

Family

ID=67081885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910254180.9A Active CN109978871B (zh) 2019-03-30 2019-03-30 融合概率型和确定型纤维束追踪的纤维束筛选方法

Country Status (1)

Country Link
CN (1) CN109978871B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533664B (zh) * 2019-07-26 2022-05-03 浙江工业大学 一种基于大样本数据驱动的颅神经自动分割方法
CN110599560B (zh) * 2019-08-05 2023-07-25 上海联影医疗科技股份有限公司 磁共振成像方法、装置、存储介质及计算机设备
CN110992439B (zh) * 2019-12-02 2023-09-26 上海联影智能医疗科技有限公司 纤维束追踪方法、计算机设备和存储介质
CN111738999B (zh) * 2020-06-15 2022-04-19 西安电子科技大学 基于弥散张量成像的大脑张量模板构建方法
CN112037210B (zh) * 2020-09-02 2024-01-26 上海爱谨人工智能科技有限公司 一种将神经束与大脑灰质连接终点投影在大脑皮质的方法
CN114627283B (zh) * 2022-03-16 2023-04-28 西安市儿童医院 基于聚类去噪的感兴趣脑区纤维束提取系统及方法
CN115294084A (zh) * 2022-08-17 2022-11-04 太原理工大学 一种基于白质纤维束的脑区同源性比较方法

Citations (9)

* Cited by examiner, † Cited by third party
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
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
US8742754B2 (en) * 2010-02-16 2014-06-03 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
CN103996196A (zh) * 2014-05-28 2014-08-20 西安电子科技大学 一种基于多变量的dti图像分析方法
EP2827167A1 (en) * 2013-07-17 2015-01-21 Samsung Electronics Co., Ltd Method and apparatus for selecting seed area for tracking nerve fibers in brain
CN104361318A (zh) * 2014-11-10 2015-02-18 中国科学院深圳先进技术研究院 一种基于弥散张量成像技术的疾病诊断辅助系统及方法
CN104392019A (zh) * 2013-12-23 2015-03-04 浙江工业大学 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法
CN104523275A (zh) * 2014-12-25 2015-04-22 西安电子科技大学 一种健康人群白质纤维束图谱构建方法
CN107680107A (zh) * 2017-10-30 2018-02-09 西北工业大学 一种基于多图谱的扩散张量磁共振图像的自动分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7657071B2 (en) * 2005-04-11 2010-02-02 Siemens Medical Solutions Usa, Inc. Systems, devices, and methods for bundle segmentation in diffusion tensor magnetic resonance imaging
US8280133B2 (en) * 2008-08-01 2012-10-02 Siemens Aktiengesellschaft Method and system for brain tumor segmentation in 3D magnetic resonance images

Patent Citations (9)

* Cited by examiner, † Cited by third party
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
US8742754B2 (en) * 2010-02-16 2014-06-03 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
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
EP2827167A1 (en) * 2013-07-17 2015-01-21 Samsung Electronics Co., Ltd Method and apparatus for selecting seed area for tracking nerve fibers in brain
CN104392019A (zh) * 2013-12-23 2015-03-04 浙江工业大学 用于脑白质纤维跟踪的高阶扩散张量混合稀疏成像方法
CN103996196A (zh) * 2014-05-28 2014-08-20 西安电子科技大学 一种基于多变量的dti图像分析方法
CN104361318A (zh) * 2014-11-10 2015-02-18 中国科学院深圳先进技术研究院 一种基于弥散张量成像技术的疾病诊断辅助系统及方法
CN104523275A (zh) * 2014-12-25 2015-04-22 西安电子科技大学 一种健康人群白质纤维束图谱构建方法
CN107680107A (zh) * 2017-10-30 2018-02-09 西北工业大学 一种基于多图谱的扩散张量磁共振图像的自动分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Qualitative and quantitative analysis of probabilistic and deterministic fiber tracking;Jan Klein 等;《Medical Imaging 2010: Image Processing》;SPIE;20100312;1-8 *
Tract-based spatial statistics: Voxelwise analysis of multi-subject diffusion data;Stephen M.Smith 等;《NeuroImage》;20060715;第31卷(第4期);1485-1505 *
Tractography atlas-based spatial statistics: Statistical analysis of diffusion tensor image along fiber pathways;Defeng Wang 等;《NeuroImage》;20160115;第125卷;301-310 *
脑白质纤维束跟踪算法的研究进展;张艳 等;《复旦报（医学版）》;20140131;1-7 *

Also Published As

Publication number Publication date
CN109978871A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978871B (zh) 融合概率型和确定型纤维束追踪的纤维束筛选方法
CN104008538B (zh) 基于单张图像超分辨率方法
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN105069746A (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
CN109978872B (zh) 基于白质纤维束的白质微结构特征筛选系统及方法
CN106296638A (zh) 显著性信息取得装置以及显著性信息取得方法
US20130070997A1 (en) Systems, methods, and media for on-line boosting of a classifier
CN104240256A (zh) 一种基于层次化稀疏建模的图像显著性检测方法
CN110363802B (zh) 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN111738318A (zh) 一种基于图神经网络的超大图像分类方法
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN109241867A (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN113838064B (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN108460833A (zh) 一种基于bim构建传统建筑数字化保护与修复的信息平台
CN110992366A (zh) 一种图像语义分割方法、装置及存储介质
CN114117614A (zh) 一种建筑物立面纹理自动生成方法和系统
CN114612664A (zh) 一种基于双边分割网络的细胞核分割方法
CN112785540B (zh) 一种扩散加权图像的生成系统及方法
CN109886320B (zh) 一种人体股骨x光片智能识读方法及系统
CN116245861A (zh) 基于交叉多尺度的无参考图像质量评价方法
CN114627283B (zh) 基于聚类去噪的感兴趣脑区纤维束提取系统及方法
CN115270904B (zh) 一种义务教育阶段适龄常住人口空间化方法和系统
CN112232102A (zh) 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统
CN113610863B (zh) 多曝光图像融合质量评估方法
CN109785318A (zh) 基于面线基元关联约束的遥感图像变化检测方法

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