CN110363778A - 一种基于ct图像的多触点电极自动分割方法 - Google Patents
一种基于ct图像的多触点电极自动分割方法 Download PDFInfo
- Publication number
- CN110363778A CN110363778A CN201910648551.1A CN201910648551A CN110363778A CN 110363778 A CN110363778 A CN 110363778A CN 201910648551 A CN201910648551 A CN 201910648551A CN 110363778 A CN110363778 A CN 110363778A
- Authority
- CN
- China
- Prior art keywords
- electrode
- contact
- segmentation
- connected component
- threshold
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30008—Bone
-
- 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
本发明涉及医学影像处理技术领域,一种基于CT图像的多触点电极的自动分割方法,包括以下步骤:S1.图像预处理;S2.利用电极灰度与人体组织不同的特点初步分割采用阈值分割进行;S3.利用形态学方法,将阈值分割后图像中属于同一电极的触点连接起来,并对识别出的电极进行编号;S4.利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果。本方法是一种具有高鲁棒性、易实现的基于CT图像的多触点电极的自动分割方法。该方法可以在不同CT金属伪影条件下,更有效的去除各种干扰,稳健地对多触点脑外科植入电极进行自动分割。该方法考虑了CT图像中各类可引起干扰的情况,对于不同CT伪影强度有较好的适应性。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其涉及一种基于CT图像的多触点电极自动分割方法。
背景技术
近年来,神经系统疾病(如癫痫、帕金森等)的发病率逐年增加,严重危害人类健康。可植入脑部的多触点电极(如立体定向脑电电极、深部脑刺激电极等)为脑内部的刺激和信号检测提供可能。因此,多触点脑外科植入电极的分割和精准定位非常重要。目前在临床上多用人工识别和手动标记的方法,耗时耗力,且受CT伪影的影响会产生很大的误差。已有一些研究者提出了多触点脑外科植入电极的计算机辅助分割方法。然而,这类方法的自动化程度、鲁棒性等都有待进一步的提高。实现稳健的全自动分割要克服许多干扰的影响,这些干扰有可能来自颅骨等结构,也可能是靠得很近的其他电极,甚至可能是电极自身的弯曲。而CT金属伪影较强时,这些干扰的去除变得更加困难。
发明内容
针对上述问题,本发明提出了一种具有高鲁棒性、易实现的基于CT图像的多触点电极的自动分割方法。该方法可以在不同CT金属伪影条件下,更有效的去除各种干扰,稳健地对多触点脑外科植入电极进行自动分割。
为了解决现有技术的不足,本发明技术方案为:
一种基于CT图像的多触点电极的自动分割方法,包括以下步骤:
S1.图像预处理;
S2.对预处理后的图像,利用电极灰度与人体组织不同的特点采用阈值分割进行初步分割;
S3.利用形态学方法,将阈值分割后图像中属于同一电极的触点连接起来,并对识别出的电极进行编号;
S4.利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果。
优选的,步骤S1图像预处理的具体过程为:将电极植入后的CT配准到电极植入术前的MRI图像上,利用大脑掩模剥离颅骨外的组织及导线。
优选的,步骤S2的具体过程为:
对剥离颅骨外组织及导线的图像进行阈值分割以去除绝大部分大脑组织,即利用电极与人体组织的CT值区别,对电极进行第一次分割得到断开的电极,此时同属于一根电极的触点有可能不在同一连通分量里;
上述阈值分割方法采用基于图像灰度的阈值分割法、简单阈值分割、最优阈值分割或自适应阈值分割中的一种。
优选的,步骤S3的具体实现过程为:
S31.形态学闭操作,即在三维空间中对阈值分割结果中的连通分量进行闭运算,把同一电极且距离较近的触点连接起来;
S32.降阈值区域生长,即以阈值分割结果中的连通分量为种子,选择低于步骤S2中所选阈值分割的阈值进行区域生长,直至达到生长终止条件;所述生长终止条件是指属于同一电极的连通分量已被生长区域包含;不属于电极的干扰都被排除。
优选的,所述步骤S32中的电极的干扰都被排除,其中的干扰为颅骨、硬脑膜或距离较近但属于其他电极的触点。
优选的,在进行排除时,对所有的干扰按其与颅骨的空间关系分类,并依类进行排除;具体为:
基于电极的几何信息建立多种约束条件,包括体积、方向、角度、距离四类约束条件,其中
体积约束:根据触点的形状和大小等已知信息对当前连通分量是触点还是干扰加以判断;
方向约束:根据电极应该朝向大脑深部而非沿皮层表面植入这一信息,对当前连通分量是电极还是干扰进行判断;
角度约束:属于同一电极的两个线状连通分量的轴线所成夹角小于设定角度,据此判断这两个连通分量是否属于同一电极;
距离约束:如果连通分量的中心到电极轴线的距离小于设定值,认为当前连通分量有较大的概率属于该电极;
优选的,步骤S3中所述对识别出的电极进行编号,是从1开始利用自然数进行顺序编号,最大编号与植入电极总数相同。
优选的,S4.利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果,其具体过程为:
S41.对每根电极的连通分量体素进行主成分分析,第一主成分结合电极位置信息可确定电极的轴线,主成分分析法对于弯曲程度较小的电极具有通用性;
上述电极位置信息为电极的连通分量体素的中心、电极的连通分量中灰度值最大的体素等;
S42.对每根电极的连通分量体素分段进行曲线拟合,得到电极主轴;
S43.根据电极规格,即根据电极规格触点长度、相邻两触点间的距离的信息,在电极轴上等间距取点分割触点,得到分割结果。
与现有技术相比,本发明的有益效果为:可以在不同CT金属伪影条件下,更有效地排除各种干扰,如颅骨、硬脑膜等非电极成分以及距离较近但属于其他电极的触点,稳健可靠地实现多触点脑外科植入电极的全自动分割。
附图说明
图1为本发明实施例的流程图。
图2为经过预处理的CT图。
图3为阈值处理后的CT图。
图4为连通到一起并编号的电极示意图。
图5为触点分割结果示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示:本发明方法的实现过程为:
一种基于CT图像的多触点电极的自动分割方法,包括以下步骤:
S1.图像预处理;具体过程为:将电极植入后的CT配准到电极植入术前的MRI图像上,利用大脑掩模剥离颅骨外的组织及导线;
S2.对预处理后的图像,利用电极灰度与人体组织不同的特点初步分割采用阈值分割进行;
对剥离颅骨外组织及导线的图像进行阈值分割以去除绝大部分大脑组织,即利用电极与人体组织的CT值区别,对电极进行第一次分割得到断开的电极,此时同属于一根电极的触点有可能不在同一连通分量里;
在本实施方式中,阈值分割方法采用基于图像灰度的阈值分割法、简单阈值分割、最优阈值分割或自适应阈值分割中任意的一种。
S3.利用形态学方法,将阈值分割后图像中属于同一电极的触点连接起来,并对识别出的电极进行编号;
具体实现过程为:
S31.形态学闭操作,即在三维空间中对阈值分割结果中的连通分量进行闭运算,把同一电极且距离较近的触点连接起来;
S32.降阈值区域生长,即以阈值分割结果中的连通分量为种子,选择低于步骤S2中所选阈值分割的阈值进行区域生长,直至达到生长终止条件;所述生长终止条件是指属于同一电极的连通分量已被生长区域包含;不属于电极的干扰都被排除。
上述步骤S32中的电极的干扰都被排除,其中的干扰为颅骨、硬脑膜或距离较近但属于其他电极的触点,在本实施例中,进行干扰排除时,对所有的干扰按其与颅骨的空间关系分类,并依类进行排除;具体为:
基于电极的几何信息建立多种约束条件,包括体积、方向、角度、距离四类约束条件,其中
体积约束:根据触点的形状和大小等已知信息对当前连通分量是触点还是干扰加以判断;
方向约束:根据电极应该朝向大脑深部而非沿皮层表面植入这一信息,对当前连通分量是电极还是干扰进行判断;
角度约束:属于同一电极的两个线状连通分量的轴线所成夹角应该较小,即小于预审角度10°,据此判断这两个连通分量是否属于同一电极;
距离约束:如果连通分量的中心到电极轴线的距离较小,即小于预设值6mm,认为当前连通分量有较大的概率属于该电极。
最后,对识别出的电极进行编号,是从1开始利用自然数进行顺序编号,最大编号与植入电极总数相同。
S4.利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果,其具体过程为:
S41.对每根电极的连通分量体素进行主成分分析,第一主成分结合电极位置信息可确定电极的轴线,主成分分析法对于弯曲程度较小的电极具有通用性;
上述电极位置信息为电极的连通分量体素的中心、电极的连通分量中灰度值最大的体素等;
S42.对每根电极的连通分量体素分段进行曲线拟合,得到电极主轴;
S43.根据电极规格,即根据电极规格触点长度、相邻两触点间的距离的信息,在电极轴上等间距取点分割触点,得到分割结果。
本实施例的数据来源于佛山第一人民医院影像科。植入前的T1像是由3T的MRI扫描仪产生,面内各向同性分辨率为0.42~0.55mm(TR=7~8ms;TE=2.8~3.3ms;TI=450ms;FOV=24×24)。植入后的CT扫描通过0.38~0.52mm的面内各向同性分辨率获取(FOV=512×512)。SEEG电极包含5-18个触点,相邻两个触点的中心距为3.5mm,所有触点在电极上等间距排列。每个触点为直径0.8mm、长2mm的铂铱圆柱体。本实施例的目标就是从CT图像中自动地分割出这些电极触点,并将触点对应的脑分区结构由T1像得到。具体步骤如下:
1)首先,在医院采集患者的电极植入术后的CT扫描和电极植入术前的MRI图像并进行预处理,包括:将CT图像配准到MRI的T1结构像上,再制作大脑掩模剥离颅骨外的组织及导线。大脑掩模可利用Freesurfer软件获取,预处理的结果如图2所示,其中较亮的呈直线状的部分即为电极。
2)对预处理后的图像,利用电极灰度与人体组织不同的特点进行初步分割,例如:用阈值分割方法去除绝大部分大脑组织,即利用电极与人体组织的CT值区别,对电极进行第一次分割得到断开的电极,此时同属于一根电极的触点有可能不在同一连通分量里,如图3所示,其中可见电极已断开。
3)利用形态学方法,将阈值分割后图像中属于同一电极的触点连接起来。具体实现过程为:首先利用形态学闭操作,即在三维空间中对阈值分割结果中的连通分量进行闭运算,把同一电极且距离较近的触点连接起来;接着采用降阈值区域生长的方法,即以阈值分割结果中的连通分量为种子,选择低于步骤S2中所选阈值分割的阈值进行区域生长,直至达到生长终止条件;所述生长终止条件是指属于同一电极的连通分量已被生长区域包含;不属于电极的干扰(例如,颅骨、硬脑膜或距离较近但属于其他电极的触点等)都被排除。干扰排除是指对所有的干扰按其与颅骨的空间关系分类,并依类进行排除;具体为:基于电极的几何信息建立多种约束条件,包括体积、方向、角度、距离四类约束条件,其中(a)体积约束:根据触点的尺寸(例如,电极直径0.8mm,长度在18mm以上)等已知信息;(b)方向约束:电极应该基本垂直于颅骨并朝向大脑深部;(c)角度约束:属于同一电极的两个线状连通分量的轴线所成夹角应该较小,如小于10°;(d)距离约束:如果连通分量的中心到电极轴线的距离较小,如小于6mm,认为当前连通分量有较大的概率属于该电极。
4)在将断开的触点连接起来得到完整的重建电极后对它们进行编号,即从1开始利用自然数进行顺序编号,最大编号与植入电极总数相同。如图4显示了9根完整电极的自动提取结果,且所有的干扰已经被去除。
5)利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果,其具体过程为:首先,对每根电极的连通分量体素进行主成分分析,第一主成分结合电极位置信息(例如,电极的连通分量体素的中心、电极的连通分量中灰度值最大的体素等)可确定电极的轴线,主成分分析法对于弯曲程度较小的电极具有通用性;接着,对每根电极的连通分量体素分段进行曲线拟合,得到电极主轴;最后,根据电极规格,即根据电极规格触点长度、相邻两触点间的距离的信息,在电极轴上等间距取点分割触点,得到分割结果,如图5中的圆点即为自动分割得到的电极触点。
6)利用已有的脑图谱(例如,AAL、Brainnetome图谱等),确定分割得到的触点所在的脑分区,包括结构分区和功能分区信息。具体为:将患者的电极植入术前的MRI图像配准到标准脑(多个大脑的T1结构像的平均结果)上,得到个体脑和标准脑之间的变换关系,由该变换关系可以得到触点在标准脑中的位置坐标,再根据该触点坐标在脑图谱中查询得到触点所在的大脑结构分区和功能分区。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于CT图像的多触点电极的自动分割方法,其特征在于,包括以下步骤:
S1.图像预处理;
S2.对预处理后的图像,利用电极灰度与人体组织不同的特点采用阈值分割方式进行初步分割;
S3.利用形态学方法,将阈值分割后图像中属于同一电极的触点连接起来,并对识别出的电极进行编号;
S4.利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果。
2.根据权利要求1所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,步骤S1图像预处理的具体过程为:将电极植入后的CT配准到电极植入术前的MRI图像上,利用大脑掩模剥离颅骨外的组织及导线。
3.根据权利要求1或2所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,步骤S2的具体过程为:
对剥离颅骨外组织及导线的图像进行阈值分割以去除绝大部分大脑组织,即利用电极与人体组织的CT值区别,对电极进行第一次分割得到断开的电极,此时同属于一根电极的触点有可能不在同一连通分量里;
上述阈值分割方法采用基于图像灰度的阈值分割法、简单阈值分割、最优阈值分割或自适应阈值分割中的一种。
4.根据权利要求3所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,步骤S3的具体实现过程为:
S31.形态学闭操作,即在三维空间中对阈值分割结果中的连通分量进行闭运算,把同一电极且距离较近的触点连接起来;
S32.降阈值区域生长,即以阈值分割结果中的连通分量为种子,选择低于步骤S2中所选阈值分割的阈值进行区域生长,直至达到生长终止条件;所述生长终止条件是指属于同一电极的连通分量已被生长区域包含;不属于电极的干扰都被排除。
5.根据权利要求4所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,所述步骤S32中的电极的干扰都被排除,其中的干扰为颅骨、硬脑膜或距离较近但属于其他电极的触点。
6.根据权利要求5所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,在进行排除时,对所有的干扰按其与颅骨的空间关系分类,并依类进行排除;具体为:
基于电极的几何信息建立多种约束条件,包括体积、方向、角度、距离四类约束条件,其中
体积约束:根据触点的形状和大小此类已知信息对当前连通分量是触点还是干扰加以判断;
方向约束:根据电极应该朝向大脑深部而非沿皮层表面植入这一信息,对当前连通分量是电极还是干扰进行判断;
角度约束:属于同一电极的两个线状连通分量的轴线所成夹角小于设定角度,据此判断这两个连通分量是否属于同一电极;
距离约束:如果连通分量的中心到电极轴线的距离小于设定值,认为当前连通分量有较大的概率属于该电极。
7.根据权利要求6所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,步骤S3中所述对识别出的电极进行编号,是从1开始利用自然数进行顺序编号,最大编号与植入电极总数相同。
8.根据权利要求7所述的一种基于CT图像的多触点电极的自动分割方法,其特征在于,步骤S4中利用统计学方法,将电极主轴提取出来并根据电极规格分割触点,得到触点分割结果,其具体过程为:
S41.对每根电极的连通分量体素进行主成分分析,第一主成分结合电极位置信息可确定电极的轴线,主成分分析法对于弯曲程度较小的电极具有通用性;
上述电极位置信息为电极的连通分量体素的中心、电极的连通分量中灰度值最大的体素等;
S42.对每根电极的连通分量体素分段进行曲线拟合,得到电极主轴;
S43.根据电极规格,即根据电极规格触点长度、相邻两触点间的距离的信息,在电极轴上等间距取点分割触点,得到分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648551.1A CN110363778B (zh) | 2019-07-18 | 2019-07-18 | 一种基于ct图像的多触点电极自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648551.1A CN110363778B (zh) | 2019-07-18 | 2019-07-18 | 一种基于ct图像的多触点电极自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363778A true CN110363778A (zh) | 2019-10-22 |
CN110363778B CN110363778B (zh) | 2023-05-02 |
Family
ID=68220321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910648551.1A Active CN110363778B (zh) | 2019-07-18 | 2019-07-18 | 一种基于ct图像的多触点电极自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363778B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114631885A (zh) * | 2020-12-15 | 2022-06-17 | 上海微创卜算子医疗科技有限公司 | 模拟系统及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120271151A1 (en) * | 2009-10-08 | 2012-10-25 | Lavoilette Peter S | Method for Determining Locations of Implanted Electrodes with Medical Images |
CN105395196A (zh) * | 2015-12-17 | 2016-03-16 | 中国科学院苏州生物医学工程技术研究所 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN109662778A (zh) * | 2019-03-01 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
-
2019
- 2019-07-18 CN CN201910648551.1A patent/CN110363778B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120271151A1 (en) * | 2009-10-08 | 2012-10-25 | Lavoilette Peter S | Method for Determining Locations of Implanted Electrodes with Medical Images |
CN105395196A (zh) * | 2015-12-17 | 2016-03-16 | 中国科学院苏州生物医学工程技术研究所 | Eeg或meg电极在脑mr图像中的定位装置和方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN109662778A (zh) * | 2019-03-01 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于三维卷积的人机交互式颅内电极定位方法与系统 |
Non-Patent Citations (1)
Title |
---|
ALEJANDRO GRANADOS 等: "Automatic segmentation of stereoelectroencephalography (SEEG) electrodes post-implantation considering bending", 《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114631885A (zh) * | 2020-12-15 | 2022-06-17 | 上海微创卜算子医疗科技有限公司 | 模拟系统及可读存储介质 |
WO2022127219A1 (zh) * | 2020-12-15 | 2022-06-23 | 上海微创卜算子医疗科技有限公司 | 模拟系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110363778B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109662778B (zh) | 基于三维卷积的人机交互式颅内电极定位方法与系统 | |
CN105433988B (zh) | 一种目标图像识别方法、装置及其超声设备 | |
US20140341457A1 (en) | Composite image generation and interactive display technology | |
JP6545591B2 (ja) | 診断支援装置、方法及びコンピュータプログラム | |
CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
CN110599494A (zh) | 肋骨图像重建系统及方法、终端及可读存储介质 | |
TWI680744B (zh) | 定位顱內電極的方法和系統 | |
CN108806776A (zh) | 一种基于深度学习的多模态医学影像的方法 | |
Migliorelli et al. | Automated detection of epileptic ripples in MEG using beamformer-based virtual sensors | |
CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
CN111640111A (zh) | 医学图像处理方法、装置及存储介质 | |
CN110226929B (zh) | 一种自动化听觉脑干植入体的电生理测试装置 | |
CN113469945A (zh) | 基于ct与mri显像融合的骶神经建模方法及系统 | |
WO2005048844A1 (en) | Automatic identification of the anterior and posterior commissure landmarks | |
CN113469935B (zh) | 一种基于ct图像的髂后上棘自动检测与定位方法 | |
Perlbarg et al. | NEDICA: Detection of group functional networks in fMRI using spatial independent component analysis | |
CN110363778A (zh) | 一种基于ct图像的多触点电极自动分割方法 | |
Chakraborty et al. | A semi-automated system for optic nerve head segmentation in digital retinal images | |
US20150206300A1 (en) | Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data | |
CN108030514B (zh) | 超声三维胎儿成像方法及系统 | |
CN111091574A (zh) | 一种基于单像素特征的医学图像分割方法 | |
CN116109571B (zh) | 一种面听神经自动化纤维束重建方法及系统 | |
CN106354990B (zh) | 一种EEG和fMRI一致性的检测方法 | |
US10061979B2 (en) | Image processing apparatus and method | |
CN108389613B (zh) | 一种基于图像几何对称属性的侧旋姿态校正方法 |
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 |