CN110458869A - 一种新生儿磁共振结构脑影像的配准方法及其系统 - Google Patents
一种新生儿磁共振结构脑影像的配准方法及其系统 Download PDFInfo
- Publication number
- CN110458869A CN110458869A CN201910390016.0A CN201910390016A CN110458869A CN 110458869 A CN110458869 A CN 110458869A CN 201910390016 A CN201910390016 A CN 201910390016A CN 110458869 A CN110458869 A CN 110458869A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- newborn
- magnetic resonance
- space
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
Abstract
本发明公开了一种新生儿磁共振结构脑影像的配准方法及其系统,该方法包括:A、对新生儿脑组织图像进行分割,生成各种脑组织即脑灰质和脑白质的概率分布图的步骤;B、将所述脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间下脑组织图像的步骤;C、将不同被试的新生儿脑组织概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。采用本发明,不但能够解决新生儿的脑组织图像的配准化问题,而且克服现有新生儿MRI影像因大脑形状差异明显、配准效果差的不足。
Description
技术领域
本发明涉及医学影像和磁共振影像(MRI)图像处理技术,尤其涉及一种新生儿磁共振结构脑影像的配准方法及其系统。
背景技术
磁共振影像,又名磁共振结构脑成像(MRI)通过突出组织间T1纵向弛豫差别来反应脑组织密度,是研究大脑解剖结构的理想方法。成年人的T1图像中,脑灰质、脑白质之间具备良好的对比度——脑灰质呈较低信号、脑白质呈较高信号,因此可以清晰的分辨边界。而新生儿的脑组织中,由于脑白质尚未髓鞘化,在MRI影像中脑白质会呈现较低的信号,因而脑灰质和脑白质的信号差异很小,会导致两者对比度不足,不能清晰的分辨其界限。
在脑科学研究领域,需要将不同个体之间的脑影像配准为具有相近的、可对比的空间解剖位置,以消除个体之间的空间差异。脑影像配准是进行脑影像分析的基础,国际上已提出很多方法对结构像进行统计分析。常用的方法是,通过采用不同维度的仿射变换和非线性变换,如高级规范化工具(Advanced Normalization Tools,ANTs)和FMRIB软件库(FMRIB Software Library,FSL)工具,实现不同个体脑影像到标准模板的配准,其具有快捷、通用性强的优点。
但是,上述现有的线性和非线性配准方法(包括AFNI、FS、ANTS等),只适用于脑灰质、脑白质边界清晰的健康成年人群;对于脑灰质、脑白质信号容易混淆的新生儿大脑,上述的线性和非线性配准方法并不适用。同时,新生儿的大脑还由于形状差异较大,依靠现有的标准模板进行配准的线性和非线性工具难以实现较高的准确度。
发明内容
有鉴于此,本发明的主要目的在于提供一种新生儿磁共振结构脑影像的配准方法及其系统,通过对新生儿MRI影像数据进行预处理、分割处理、仿射变换以及群组模板配准处理,得到配准的群组模板,不但解决了新生儿的脑组织图像的配准化问题,而且克服了现有新生儿MRI影像因大脑形状差异明显、配准效果差的不足。
为达到上述目的,本发明的技术方案是这样实现的:
一种新生儿磁共振结构脑影像的配准方法,包括:
A、对新生儿脑组织图像进行分割,生成各种脑组织即脑灰质和脑白质的概率分布图的步骤;
B、将所述脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间下脑组织图像的步骤;
C、将不同被试的新生儿脑组织概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。
其中:步骤A之前还包括:
对新生儿磁共振结构脑影像进行预处理的步骤;具体包括:对新生儿磁共振的T1w脑结构影像进行:
(1)数据格式转换处理,将原始的磁共振设备产生的DICOM格式的影像转换为通用的医学图像格式NIFTI;
(2)图像裁切处理,将非脑组织部分的图像裁切掉,只保留脑组织和颅骨;
(3)提取脑组织的处理过程,利用BET算法,将非脑组织部分去除。
所述步骤A具体包括:
A1、对新生儿脑组织图像进行分割,并对脑组织图像进行灰度值均匀性校正,获得所述新生儿脑组织图像的灰度图和灰度值;
A2、使用贝叶斯先验概率算法将脑组织图像分成三种类型:脑灰质、脑白质和脑脊液;
A3、生成新生儿脑组织图像在个体空间下的脑灰质、脑白质和脑脊液的概率密度图。
步骤A2所述的贝叶斯先验概率算法,不仅使用所述脑组织图像的灰度值作为概率计算依据,还使用基于空间模板的先验概率信息,该贝叶斯先验概率pijk计算公式为:
其中:I*J为图像尺寸;i、j分别为第i行、第j列体素,所述的i=1,2,…,I,j=1,2,…,J;k为脑组织的类型,其中k=1,2,3;pijk代表体素ij属于组织类型k的后验概率;sijk代表体素ij属于组织类型k的先验概率,则似然函数rijk公式如下:
其中:fij为体素ij的灰度值,uij为校正值,vk和ck分别为组织类型k的灰度值的平均值和标准差。
步骤B所述将所述脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间脑组织图像,具体为:采用MNI标准模板,将新生儿脑组织图像转换至MNI空间;标准空间的脑组织图像即为MNI空间的脑组织图像。
步骤C还包括:将所有被试的新生儿脑组织的脑灰质和脑白质图像统一配准到该群组模板中。
步骤C之后还包括:D、生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
一种新生儿磁共振结构脑影像的配准系统,该配准系统包括图像分割及概率密度生成模块、仿射变换模块和群组模板配准模块;
图像分割及概率密度生成模块,用于对新生儿脑组织图像进行分割,生成各种脑组织的概率分布图;
仿射变换模块,用于将个体空间下的脑灰质和脑白质概率密度图通过仿射变换转换到标准MNI空间下;
群组模板配准模块,用于将不同被试的新生儿脑组织图像概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。
其中:所述图像分割及概率密度生成模块之前还包括:
MRI影像预处理模块,用于对新生儿磁共振结构脑影像MRI进行:数据格式转换、图像裁切和脑组织提取;得到只包含脑组织和颅骨的影像。
还包括:标准MNI图像生成模块,用于生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
本发明的新生儿磁共振结构脑影像的配准方法及其系统,具有如下有益效果:
1)本发明对新生儿MRI影像数据进行预处理、分割处理、仿射变换以及群组模板配准处理,其中,先将新生儿脑组织图像分割成脑灰质、脑白质和脑脊液,再利用上述的分割结果计算从新生儿磁共振结构脑影像(MRI)到新生儿脑灰质、脑白质先验密度模板的配准矩阵,解决了利用现有线性和非线性配准方法处理新生儿脑组织数据配准效果不理想的技术难题。
2)本发明通过对新生儿脑组织图像进行自动化的配准处理,使用数据驱动的方法自定义群组模板,解决了现有技术中新生儿MRI影像因大脑形状差异明显、配准效果差的问题。
附图说明
图1为本发明实施例新生儿磁共振结构脑影像的配准方法的流程示意图;
图2为本发明图1所示新生儿磁共振结构脑影像的配准过程中的各步骤处理结果示意图;
图3为本发明实施例新生儿磁共振结构脑影像的配准系统的功能框图。
具体实施方式
下面结合附图及本发明的实施例对本发明作进一步详细的说明。
图1为本发明实施例新生儿磁共振结构脑影像的配准方法的流程示意图。
如图1所示,该新生儿磁共振结构脑影像的配准方法,包括如下步骤:
步骤11:对新生儿磁共振结构脑影像进行预处理的步骤。
具体包括:对新生儿磁共振的T1w脑结构影像进行预处理。所述预处理过程包括:1)进行数据格式转换;2)图像裁切;3)脑组织提取。
其中:数据格式转换,是指将原始的磁共振设备产生的DICOM格式的影像(参考图2,原始的新生儿MRI结构像)转换为通用的医学图像格式NIFTI。
图像裁切(Crop),是指将非脑组织部分的图像裁切掉,只保留脑组织和颅骨。
提取脑组织的过程,是指通过BET算法(Smith),将脑壳等非脑组织部分去除。
上述的预处理过程为脑影像分析的标准流程,由于该过程不涉及到脑组织内的图像操作,因此无论对于成人的脑组织图像还是新生儿脑组织图像均可以获得较好图像效果。预处理后的新生儿MRI结构像,参考图2。
步骤12:对新生儿脑组织图像进行分割,生成各组织的概率分布图的步骤。该步骤12具体包括:
步骤121:对新生儿脑组织图像进行分割,是指对脑组织图像进行灰度值均匀性校正。这样,获得所述新生儿脑组织图像的灰度图和灰度值。
步骤122:使用贝叶斯先验概率算法将脑组织图像分成3种类型:脑灰质、脑白质和脑脊液。
所述的贝叶斯先验概率算法,不仅使用所述脑组织图像的灰度值作为概率计算依据,也使用了基于空间模板的先验概率信息,该贝叶斯先验概率pijk计算公式如下:
其中:I*J为图像尺寸;i、j分别为第i行、第j列体素,所述的i=1,2,…,I,j=1,2,…,J;k为脑组织的类型,其中k=1,2,…,K(本实施例中,K=3)。pijk代表体素ij属于组织类型k的后验概率。sijk代表体素ij属于组织类型k的先验概率,则似然函数rijk公式如下:
其中:fij为体素ij的灰度值,uij为校正值,vk和ck分别为组织类型k的灰度值的平均值和标准差。
步骤123:生成新生儿脑组织图像在个体空间下的脑灰质、脑白质和脑脊液的概率密度图。参考图2的分割结果。
步骤13:将所述个体空间下的脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间下。
这里,所述MNI空间是蒙特利尔神经病学研究所(Montreal NeurologicalInstitute)根据一系列正常人脑的磁共振图像而建立的坐标系统。脑组织图像未经任何变换时就是在原始空间,即Native空间。在这个空间中,脑组织图像的维度、原点、voxel size等都是不同的,不同被试的脑组织图像之间不具有可比性,因此计算出来的任何特征都不能进行统计分析,或是用于机器学习。所以必须对所有被试的脑组织图像进行配准标准化到同一个模板上,得到标准空间的脑组织图像。这样可以使被试的脑组织图像的维度、原点、voxel size就统一了。
本发明实施例中,通过使用MNI标准模板,将新生儿脑组织图像转换至MNI空间。这里,标准空间的脑组织图像是指MNI空间的图像。Talairach空间和MNI空间的坐标有对应的关系,很多软件也提供该功能,如Mricron、REST等。在Talairach空间通过判别当前坐标在什么结构上,即可转换至MNI空间。
步骤14:将不同被试的新生儿脑组织概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。
这样,将所有被试的新生儿脑组织的脑灰质和脑白质图像统一配准到该群组模板中。配准后的分割结果、配准后的新生儿MRI结构像,请参考图2。
步骤15:生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
这里,所述的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图,可用于后续的科研分析和临床应用。
图3为本发明实施例新生儿磁共振结构脑影像的配准系统的功能框图。
如图3所示,该新生儿的磁共振结构脑影像的配准系统,主要包括MRI影像预处理模块、图像分割及概率密度生成模块、仿射变换模块、群组模板配准模块、标准MNI图像生成模块。其中:
所述MRI影像预处理模块,用于对新生儿磁共振结构脑影像(MRI)进行预处理。所述预处理,是指数据格式转换、图像裁切和脑组织提取。经过所述的预处理过程,得到不包含脑组织之外的结构的图像,例如不包含颅骨、眼球等颅部组织,只保留了脑组织的影像。
所述图像分割及概率密度生成模块,用于对新生儿脑组织图像进行分割,生成各种脑组织的概率分布图。更进一步的,所述图像分割及概率密度生成模块,具体包括脑组织图像分割子模块、贝叶斯先验概率算法模块、新生儿脑组织图像概率密度图生成模块。
所述仿射变换模块,用于将个体空间下的脑灰质和脑白质概率密度图通过仿射变换转换到标准MNI空间下。
所述群组模板配准模块,用于将不同被试的新生儿脑组织图像概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板。
所述标准MNI图像生成模块,用于生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种新生儿磁共振结构脑影像的配准方法,其特征在于,包括:
A、对新生儿脑组织图像进行分割,生成各种脑组织即脑灰质和脑白质的概率分布图的步骤;
B、将所述脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间下脑组织图像的步骤;
C、将不同被试的新生儿脑组织概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。
2.根据权利要求1所述新生儿磁共振结构脑影像的配准方法,其特征在于,步骤A之前还包括:
对新生儿磁共振结构脑影像进行预处理的步骤;具体包括:对新生儿磁共振的T1w脑结构影像进行:
(1)数据格式转换处理,将原始的磁共振设备产生的DICOM格式的影像转换为通用的医学图像格式NIFTI;
(2)图像裁切处理,将非脑组织部分的图像裁切掉,只保留脑组织和颅骨;
(3)提取脑组织的处理过程,利用BET算法,将非脑组织部分去除。
3.根据权利要求1所述新生儿磁共振结构脑影像的配准方法,其特征在于,所述步骤A具体包括:
A1、对新生儿脑组织图像进行分割,并对脑组织图像进行灰度值均匀性校正,获得所述新生儿脑组织图像的灰度图和灰度值;
A2、使用贝叶斯先验概率算法将脑组织图像分成三种类型:脑灰质、脑白质和脑脊液;
A3、生成新生儿脑组织图像在个体空间下的脑灰质、脑白质和脑脊液的概率密度图。
4.根据权利要求3所述新生儿磁共振结构脑影像的配准方法,其特征在于,步骤A2所述的贝叶斯先验概率算法,不仅使用所述脑组织图像的灰度值作为概率计算依据,还使用基于空间模板的先验概率信息,该贝叶斯先验概率pijk计算公式为:
其中:I*J为图像尺寸;i、j分别为第i行、第j列体素,所述的i=1,2,…,I,j=1,2,…,J;k为脑组织的类型,其中k=1,2,3;pijk代表体素ij属于组织类型k的后验概率;sijk代表体素ij属于组织类型k的先验概率,则似然函数rijk公式如下:
其中:fij为体素ij的灰度值,uij为校正值,vk和ck分别为组织类型k的灰度值的平均值和标准差。
5.根据权利要求1所述新生儿磁共振结构脑影像的配准方法,其特征在于,步骤B所述将所述脑灰质和脑白质概率密度图通过仿射变换,转换到标准MNI空间脑组织图像,具体为:采用MNI标准模板,将新生儿脑组织图像转换至MNI空间;标准空间的脑组织图像即为MNI空间的脑组织图像。
6.根据权利要求1所述新生儿磁共振结构脑影像的配准方法,其特征在于,步骤C还包括:将所有被试的新生儿脑组织的脑灰质和脑白质图像统一配准到该群组模板中。
7.根据权利要求1所述新生儿磁共振结构脑影像的配准方法,其特征在于,步骤C之后还包括:
D、生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
8.一种新生儿磁共振结构脑影像的配准系统,其特征在于,该配准系统包括图像分割及概率密度生成模块、仿射变换模块和群组模板配准模块;
图像分割及概率密度生成模块,用于对新生儿脑组织图像进行分割,生成各种脑组织的概率分布图;
仿射变换模块,用于将个体空间下的脑灰质和脑白质概率密度图通过仿射变换转换到标准MNI空间下;
群组模板配准模块,用于将不同被试的新生儿脑组织图像概率密度图通过基于流场理论的DAREL算法配准到一起,进行多次迭代,然后创建群组模板,统一配准到该群组模板中。
9.根据权利要求8所述新生儿磁共振结构脑影像的配准系统,其特征在于,所述图像分割及概率密度生成模块之前还包括:
MRI影像预处理模块,用于对新生儿磁共振结构脑影像MRI进行:数据格式转换、图像裁切和脑组织提取;得到只包含脑组织和颅骨的影像。
10.根据权利要求8所述新生儿磁共振结构脑影像的配准系统,其特征在于,还包括:
标准MNI图像生成模块,用于生成每个被试新生儿脑组织图像在标准MNI空间下的大脑结构图、各组织概率密度图、原始个体空间到标准空间的变换场图和反变换场图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390016.0A CN110458869B (zh) | 2019-05-10 | 2019-05-10 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390016.0A CN110458869B (zh) | 2019-05-10 | 2019-05-10 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458869A true CN110458869A (zh) | 2019-11-15 |
CN110458869B CN110458869B (zh) | 2021-10-19 |
Family
ID=68480951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910390016.0A Active CN110458869B (zh) | 2019-05-10 | 2019-05-10 | 一种新生儿磁共振结构脑影像的配准方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458869B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257430A (zh) * | 2021-05-17 | 2021-08-13 | 北京航空航天大学 | 一种基于不确定性脑影像数据的挖掘方法 |
CN114927201A (zh) * | 2022-05-25 | 2022-08-19 | 北京银河方圆科技有限公司 | 神经医学影像数据的获取方法、装置及存储介质 |
CN116309751A (zh) * | 2023-03-15 | 2023-06-23 | 北京医准智能科技有限公司 | 影像处理方法、装置、电子设备及介质 |
EP4290453A1 (en) * | 2022-06-07 | 2023-12-13 | Gil Medical Center | System and method for segmentating brain in mri images |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
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 |
CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取系统 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
-
2019
- 2019-05-10 CN CN201910390016.0A patent/CN110458869B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
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 |
CN106204562A (zh) * | 2016-07-04 | 2016-12-07 | 西安交通大学 | 一种基于fMRI与DTI融合的穹隆白质分割的方法 |
CN106897993A (zh) * | 2017-01-12 | 2017-06-27 | 华东师范大学 | 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 |
CN107330267A (zh) * | 2017-06-28 | 2017-11-07 | 首都医科大学宣武医院 | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 |
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取系统 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
Non-Patent Citations (1)
Title |
---|
沈瑾: "儿童大脑白质纤维磁共振弥散张量成像的研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257430A (zh) * | 2021-05-17 | 2021-08-13 | 北京航空航天大学 | 一种基于不确定性脑影像数据的挖掘方法 |
CN114927201A (zh) * | 2022-05-25 | 2022-08-19 | 北京银河方圆科技有限公司 | 神经医学影像数据的获取方法、装置及存储介质 |
EP4290453A1 (en) * | 2022-06-07 | 2023-12-13 | Gil Medical Center | System and method for segmentating brain in mri images |
CN116309751A (zh) * | 2023-03-15 | 2023-06-23 | 北京医准智能科技有限公司 | 影像处理方法、装置、电子设备及介质 |
CN116309751B (zh) * | 2023-03-15 | 2023-12-19 | 浙江医准智能科技有限公司 | 影像处理方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110458869B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458869A (zh) | 一种新生儿磁共振结构脑影像的配准方法及其系统 | |
Devi et al. | Neonatal brain MRI segmentation: A review | |
Sanchez et al. | Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age | |
EP2481349B1 (en) | Method, device, and program for processing images obtained from asl mri | |
CN107330267A (zh) | 利用弥散张量成像医学影像的白质纤维脑图谱构建方法 | |
Doyen et al. | Connectivity‐based parcellation of normal and anatomically distorted human cerebral cortex | |
Nieto-Castanon | Brain-wide connectome inferences using functional connectivity MultiVariate Pattern Analyses (fc-MVPA) | |
CN109086809A (zh) | 基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法 | |
CN116468655A (zh) | 基于胎儿磁共振成像的脑发育图谱与影像处理系统 | |
Ciceri et al. | Review on deep learning fetal brain segmentation from Magnetic Resonance images | |
Billot et al. | Robust segmentation of brain MRI in the wild with hierarchical CNNs and no retraining | |
CN111488934A (zh) | 脑影像数据处理方法、存储介质、计算机设备和装置 | |
Guevara et al. | Disentangling the variability of the superficial white matter organization using regional-tractogram-based population stratification | |
Fjell et al. | A multi-modal investigation of behavioral adjustment: post-error slowing is associated with white matter characteristics | |
Maldjian et al. | Vervet MRI atlas and label map for fully automated morphometric analyses | |
Pineda-Pardo et al. | Disparate connectivity for structural and functional networks is revealed when physical location of the connected nodes is considered | |
CN111938644A (zh) | 基于lle的阿尔茨海默病早期诊断方法、装置、系统 | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
CN115937581A (zh) | 一种多站点fMRI数据的分类识别方法 | |
CN111583281B (zh) | 多模态连接模式的脑区划分方法 | |
CN111080572B (zh) | 白质高信号定位方法、装置、设备和存储介质 | |
CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
Kelley et al. | Boosting skull-stripping performance for pediatric brain images | |
CN112070742A (zh) | 基于自适应感受野3d空间注意力的脑影像分类装置 | |
CN113610742A (zh) | 一种基于深度学习的全脑结构体积测量方法及系统 |
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: 20230316 Address after: No. 160, Floor 1, Building 1, Zone B, No. 80, Xingshikou Road, Haidian District, Beijing, 100195 Patentee after: BEIJING HUINAO CLOUD COMPUTING Co.,Ltd. Address before: 519000 room 110-242, building 18, creative Valley, No. 1889, Huandao East Road, Hengqin new area, Zhuhai, Guangdong Patentee before: Zhuhai huinao cloud computing Co.,Ltd. |
|
TR01 | Transfer of patent right |