CN110555835B - 一种脑片图像区域划分方法及装置 - Google Patents

一种脑片图像区域划分方法及装置 Download PDF

Info

Publication number
CN110555835B
CN110555835B CN201910833200.8A CN201910833200A CN110555835B CN 110555835 B CN110555835 B CN 110555835B CN 201910833200 A CN201910833200 A CN 201910833200A CN 110555835 B CN110555835 B CN 110555835B
Authority
CN
China
Prior art keywords
brain
standard brain
atlas
image
original image
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
CN201910833200.8A
Other languages
English (en)
Other versions
CN110555835A (zh
Inventor
王松伟
赵秋阳
师丽
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201910833200.8A priority Critical patent/CN110555835B/zh
Publication of CN110555835A publication Critical patent/CN110555835A/zh
Application granted granted Critical
Publication of CN110555835B publication Critical patent/CN110555835B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/13—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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种脑片图像区域划分方法及装置，属于图像配准技术领域。其中方法包括：获取多组图像，每组图像包括待区域划分的原始图像和与其对应的灰度、彩色标准脑图谱；将灰度、彩色标准脑图谱做仿射变换，得到仿射变换后的灰度、彩色标准脑图谱；将原始图像和仿射变换后的灰度标准脑图谱分别进行特征提取，得到单模原始图像和单模灰度标准脑图谱；将单模原始图像和单模灰度标准脑图谱作为训练样本，训练配准网络；将仿射变换后的彩色标准脑图谱输入训练好的配准网络，得到配准好的彩色标准脑图；进而与原始图像融合，以完成区域划分。本发明实现多模态脑片图像全自动、快速的区域划分，且操作简单便捷，区域划分准确。

Description

一种脑片图像区域划分方法及装置
技术领域
本发明涉及一种脑片图像区域划分方法及装置，属于图像配准技术领域。
背景技术
大脑是动物体内最复杂的器官，其由数目庞大、具有不同形态及功能的细胞组成，并且通过不同的神经网络主导动物的各种心理、生理活动。研究大脑是治疗脑神经疾病、模拟脑网络功能、优化人工智能的基础。免疫组织化学染色、乙酰胆碱酯酶染色和尼氏染色等神经组织染色方法的出现和大量应用，促使人们制作完成了小鼠、大鼠和人等多种动物的脑区结构精细的标准脑图谱。随着神经环路标记及神经染色技术的进一步发展和磁共振成像技术的应用，往往需要对各个脑区的细胞数目、荧光信号强度以及分子表达水平进行量化分析，进而对脑网络组成结构及神经细胞分布特性进行研究。标准脑图谱的建立为脑科学研究人员进行脑区研究提供了极大的便利。
参照标准脑图谱对脑片(即脑切片)进行区域划分是脑区研究的基础，因此对脑片图像区域划分的效果非常关键，其直接影响标记神经元及荧光信号在不同脑区分布的统计结果，从而对整体研究结论产生较大影响。在区域划分时，一般先进行脑切片图像与标准脑图谱进行配准，之后进行这两幅图像的融合，以实现区域划分，但是在实际研究中，由于现有脑切片与标准脑图谱相比存在较大形变且两者为不同模态结构，所以配准难度极大。目前常见的脑切片与标准脑图谱配准方法有三种：一，参照标准图谱，在脑切片图像上人工识别脑分区，并对脑区轮廓进行手绘，但手绘需要依靠专家经验且标准不一，只适用于少量样本绘制，不适用大量样本规模化处理；二，通过Photoshop图像处理软件，进行简易脑片图像的半自动区域划分，此方法人工参与较多，同样需要专家经验，且费时费力，无法进行规模化的脑区划分；三，采用传统多模态配准方式进行配准，与模态内配准相比，模态间配准是更具挑战性的任务，因为很难定义有效的相似性度量以指导跨模态的局部配准。一般来说，互信息(Mutual Information，MI)及其变体是解决模态间配准问题的常用方法，然而，MI是一种全局相似性度量，其精确进行局部匹配的能力有限，因为局部区域中的体素数不足使得在计算MI时强度分布鲁棒性较差。因此，采用多模态配准算法对本研究任务进行配准时，其配准精度较低，进而导致进行区域划分时，划分不准确。
发明内容
本发明的目的在于提供一种脑片图像区域划分方法，用以解决现有区域划分方法划分不准确的问题；同时还提供一种脑片图像区域划分装置，用以解决现有区域划分装置划分不准确的问题。
为实现上述目的，本发明提出一种脑片图像区域划分方法，包括以下步骤：
获取多组图像，每组图像包括待区域划分的原始图像和与其对应的灰度标准脑图谱、彩色标准脑图谱；
对于其中一组图像，将灰度标准脑图谱、彩色标准脑图谱做仿射变换，得到仿射变换后的灰度标准脑图谱、彩色标准脑图谱；
将原始图像和仿射变换后的灰度标准脑图谱分别进行特征提取，得到单模原始图像和单模灰度标准脑图谱，单模原始图像和单模灰度标准脑图谱为同一模态图像；
将单模原始图像和单模灰度标准脑图谱作为训练样本，训练配准网络；训练时，以单模原始图像为参考图像，单模灰度标准脑图谱为浮动图像，得到训练好的配准网络；
将仿射变换后的彩色标准脑图谱输入训练好的配准网络，得到配准好的彩色标准脑图；
将配准好的彩色标准脑图谱与原始图像融合，以完成区域划分。
另外，本发明还提出一种图像区域划分装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述脑片图像区域划分方法。
有益效果是：本发明对原始图像与灰度标准脑图谱处理后进行配准网络的训练，得到配准网络，之后直接将配准网络作用于彩色标准脑图谱，实现彩色标准脑图谱的配准，进而对原始图像进行区域划分，本发明实现多模态脑片图像全自动、快速的区域划分，且操作简单便捷，区域划分准确。
进一步的，上述脑片图像区域划分方法及装置中，为了实现仿射变换，将灰度标准脑图谱、彩色标准脑图谱做仿射变换的过程包括：将灰度标准脑图谱以原始图像为参考进行仿射变换，得到仿射变换旋转、平移、缩放的三个参数，将这三个参数作用在彩色标准脑图谱上，实现彩色标准脑图谱的仿射变换。
进一步的，上述脑片图像区域划分方法及装置中，为了更准确的进行模态转换，通过PCANet将原始图像和仿射变换后的灰度标准脑图谱分别进行特征提取。
进一步的，上述脑片图像区域划分方法及装置中，所述配准网络包括Unet和空间变换网络。
进一步的，上述脑片图像区域划分方法及装置中，为了实现图像融合，将配准好的彩色标准脑图谱与原始图像融合包括：提取配准好的彩色标准脑图谱的边缘轮廓图，将边缘轮廓图与原始图像融合。
进一步的，上述脑片图像区域划分方法及装置中，为了更加精确的提取边缘轮廓图，通过Canny检测器提取配准好的彩色标准脑图谱的边缘轮廓图。
附图说明
图1为本发明脑片图像区域划分方法的流程图；
图2-1为本发明荧光染色脑切片；
图2-2为本发明进行仿射变换前后的Average Template脑图谱；
图2-3为本发明进行仿射变换前后的Atlas脑图谱；
图3为本发明的PCANet的网络架构；
图4为本发明整体配准网络的网络框架；
图5为本发明图像配准神经网络M的原理图；
图6-1为本发明荧光染色脑切片的PSR单模态表示图像；
图6-2为本发明浮动的Average Template脑图谱图像；
图6-3为本发明配准后的Average Template脑图谱；
图6-4为本发明浮动的Atlas脑图谱图像；
图6-5为本发明配准后的Atlas脑图谱；
图6-6为本发明荧光染色脑切片的区域划分结果图；
图7-1为本发明荧光染色脑切片与原始脑图谱融合后的区域划分结果图；
图7-2为本发明荧光染色脑切片与B样条配准后的脑谱图融合后的区域划分结果图；
图7-3为本发明荧光染色脑切片与仿射变换后的脑图谱融合后的区域划分结果图；
图7-4为本发明荧光染色脑切片与经过仿射变换和PSR预处理后的B样条配准后的脑图谱融合后的区域划分结果图；
图7-5为本发明荧光染色脑切片与经过本发明的方法进行配准后的脑图谱融合后的区域划分结果图。
具体实施方式
脑片图像区域划分方法实施例：
本实施例提出的脑片图像区域划分方法，如图1所示，包括以下步骤：
1)仿射变换，预配准。
该步骤的目的是获取多组图像，每组图像中包括待区域划分的原始图像(这里为脑切片图像)以及对应的标准脑图谱图像，将标准脑图谱图像进行仿射变换以实现脑图谱图像的预配准。
这里的脑切片图像为大小为m*m的免疫组化及共聚焦成像的脑切片图像，对应的标准脑图谱图像为两种脑图谱图像：Average Template脑图谱和Atlas脑图谱。而且标准脑图谱图像包括Average Template脑图谱和Atlas脑图谱，Average Template脑图谱为灰度标准脑图谱，Atlas脑图谱为彩色标准脑图谱。
一般情况下，由于脑切片上进行不同颜色的标记，因此在进行区域划分时，一般选用单通道(即灰度)的标准脑图谱，但是由于进行脑区划分后所需要的数据的需求，需要采用彩色标准脑图谱进行区域划分。
Average Template脑图谱仿射变换的过程为：首先，提取脑切片与AverageTemplate脑图谱灰度特征，并对脑切片灰度值进行调整；然后，通过高斯滤波平滑处理，再使用优化函数对脑切片与Average Template脑图谱灰度的均方误差进行优化；最后，对变换图像进行插值，以达到对Average Template脑图谱仿射变换的目的。
Atlas脑图谱仿射变换的过程为：Average Template脑图谱仿射变换过程中，学习到仿射变换旋转、平移、缩放的三个参数，将这三个参数作用到Atlas脑图谱上，对Atlas脑图谱进行仿射变换。
2)模态转换。
该步骤的目的是将脑切片图像和对应的仿射变换后的Average Template脑图谱进行特征提取，使脑切片图像与对应的仿射变换后的Average Template脑图谱转化为同一模态图像，得到单模脑切片图像和对应的单模Average Template脑图谱。
这里的多模态为不同设备拍摄出的图像，因此本步骤中，通过PCANet进行特征提取，将不同模态的图像转换为同一模态的图像。
模态转换的具体过程是：首先，训练PCANet的卷积核，将脑切片图像和对应的仿射变换后的Average Template脑图谱送入PCANet中进行训练；接着，训练完成后，输入脑切片图像和对应的仿射变换后的Average Template脑图谱进行PSR单模态表示。
3)训练配准网络。
以步骤2)中同样的方式处理多组脑切片图像和对应的仿射变换后的AverageTemplate脑图谱，制作PSR单模态的训练集数据和测试集数据，该数据均包括单模态脑切片图像和对应的单模态Average Template脑图谱；
配准网络包括图像配准神经网络M、变形场Φ和空间变换网络T，图像配准神经网络M为类似于U-net结构的网络；将训练集数据输入配准网络，训练时，单模脑切片图像为参考图像，对应的单模Average Template脑图谱为浮动图像，并且进行训练时是基于以Tensorflow为后端的Keras实现，配准神经网络在Nvidia P4000GPU上训练；采用Adam优化策略，学习率为0.01；当损失函数没有显著降低时，停止训练，得到空间变形场参数；
通过测试集数据评估训练好的配准网络的配准精度。
4)彩色标准脑图谱的配准。
将步骤3)中得到的空间变形场参数作用到仿射变换后的Atlas脑图谱上，使得仿射变换后的Atlas脑图谱进行变形，得到配准好的Atlas脑图谱。
5)融合，区域划分。
利用MATLAB图像处理学工具包中的Canny检测器提取配准好的Atlas脑图谱的边缘轮廓图。将边缘轮廓图与原始脑切片(即未经过PSR单模态表示的脑切片图像)进行融合，对原始脑切片的各个脑分区进行精确划分。
本实施例中，以荧光染色脑切片为例对本发明的区域划分方法进行详细说明，如图2-1所示，荧光染色脑切片为小鼠的荧光染色脑切片，此种脑切片通过嗜神经工具病毒JEV对小鼠大脑神经网络进行标记，可以提取小鼠脑切片中荧光细胞的数量。尽管已经开发了许多小鼠脑图谱，包括基于磁共振、计算机断层扫描和尼氏染色脑图谱，但由于该技术的新颖性，并不存在小鼠荧光染色图谱。因此，采用常见的单模态(计算机断层扫描CT-CT、磁共振成像MRI-MRI)、多模态(CT-MRI)配准算法对小鼠脑图谱与小鼠荧光染色脑切片配准时，由于两种图像并不存在映射的对称性，导致配准效果较差。而且为保证小鼠脑切片中各个脑分区标记神经元数量统计的准确性，需要保持脑切片的不变性，将标准脑图谱配准到小鼠脑切片上。
以下利用本发明的方法对小鼠的荧光染色脑切片进行区域划分：
脑切片图像如图2-1所示，对应的Average Template脑图谱如图2-2的上图，对应的Atlas脑图谱如图2-3的上图；将对应的Average Template脑图谱和对应的Atlas脑图谱进行仿射变换，得到如图2-2中的下图所示的仿射变换后的Average Template脑图谱以及如图2-3中的下图所示的仿射变换后的Atlas脑图谱；
将脑切片图像与仿射变换后的Average Template脑图谱输入如图3所示的PCANet(PCANet的结构表示(PSR)方法用于提取图像的多级特征，具有输入层、输出层以及两个隐藏层)中，得到如图6-1所示的脑切片图像的PSR单模态表示和如图6-2所示的对应的仿射变换后的Average Template脑图谱的PSR单模态表示；
将多组脑切片图像的PSR单模态表示和对应的仿射变换后的Average Template脑图谱的PSR单模态表示输入如图4所示的配准网络中，对配准网络进行训练，训练配准网络时，脑切片图像的PSR单模态表示为参考图像FPSR(由于后续需要检测脑切片各个脑分区标记神经元的数量和位置，所以需要保证脑切片的图像信息保持不变)，对应的仿射变换后的Average Template脑图谱为浮动图像MPSR，参考图像以及浮动图像的大小为512*512(单位为像素)，参考图像及相对应的浮动图像输入图5所示的图像配准神经网络M中，经过concatenate(融合)操作生成512*512*2的输入(图5中的数字表示卷积层进行特征提取后的特征图(feature map)数量)，经过卷积、上采样和跳跃连接结构最终输出512*512*2大小的变形场φ。
浮动图像MPSR经过配准网络M生成的变形场φ和空间变换网络T生成扭曲后的浮动图像M1 PSR，通过优化损失函数局部归一化相关系数NCC，当损失函数没有显著降低时，停止训练，进而得到如图6-3所示的配准后的Average Template脑图谱和空间变形场参数，本次训练耗时约15小时；
将训练好的空间变形场参数作用到仿射变换后的Atlas脑图谱上(也即如图6-4所示的浮动的Atlas脑图谱)，得到如图6-5所示的配准后的Atlas脑图谱，提取配准后的Atlas脑图谱的边缘轮廓图；
将边缘轮廓图与原始脑切片(即2-1所示的脑切片)进行融合，得到如图6-6所示的原始脑切片的区域划分结果图。
将本发明的区域划分方法与现有的区域划分方法进行比对，如图7-1、7-2、7-3、7-4、7-5所示，图7-1为脑切片图像与原始脑图谱融合结果，图7-2为脑切片图像与B样条配准后的脑谱图融合结果，图7-3为脑切片图像与仿射变换后的脑图谱融合结果，图7-4为脑切片图像与仿射变换和PSR预处理后进行B样条配准后的脑图谱融合结果，图7-5为本发明提出的方法融合结果；配准精度指标可以根据三个指标进行表示：均方根误差(MSE)、相关系数(CC)、互信息值(MI)，MSE越小，配准效果越好，CC与MI越大，配准效果越好。本发明的方法与现有技术的方法的配准精度指标相比如表一所示：
表一本发明的方法与现有技术的方法的配准精度指标比较
Figure BDA0002191391900000071
通过上述表格发现，本发明提出的方法MSE最小，CC与MI最大，配准效果好、性能最优且配准速度非常快，可实现批量化脑片区域划分。
脑片图像区域划分装置实施例：
本实施例提出的脑片图像区域划分装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器在执行计算机程序时实现脑片图像区域划分方法。
脑片图像区域划分方法的具体实施过程在上述脑片图像区域划分方法实施例中已经介绍，这里不做赘述。

Claims (7)

1.一种脑片图像区域划分方法，其特征在于，包括以下步骤：
获取多组图像，每组图像包括待区域划分的原始图像和与其对应的灰度标准脑图谱、彩色标准脑图谱；
对于其中一组图像，将灰度标准脑图谱、彩色标准脑图谱做仿射变换，得到仿射变换后的灰度标准脑图谱、彩色标准脑图谱；
将原始图像和仿射变换后的灰度标准脑图谱分别进行特征提取，得到单模原始图像和单模灰度标准脑图谱，单模原始图像和单模灰度标准脑图谱为同一模态图像；
将单模原始图像和单模灰度标准脑图谱作为训练样本，训练配准网络；训练时，以单模原始图像为参考图像，单模灰度标准脑图谱为浮动图像，得到训练好的配准网络；
将仿射变换后的彩色标准脑图谱输入训练好的配准网络，得到配准好的彩色标准脑图；
将配准好的彩色标准脑图谱与原始图像融合，以完成区域划分。
2.根据权利要求1所述的脑片图像区域划分方法，其特征在于，将灰度标准脑图谱、彩色标准脑图谱做仿射变换的过程包括：将灰度标准脑图谱以原始图像为参考进行仿射变换，得到仿射变换旋转、平移、缩放的三个参数，将这三个参数作用在彩色标准脑图谱上，实现彩色标准脑图谱的仿射变换。
3.根据权利要求1所述的脑片图像区域划分方法，其特征在于，通过PCANet将原始图像和仿射变换后的灰度标准脑图谱分别进行特征提取。
4.根据权利要求1所述的脑片图像区域划分方法，其特征在于，所述配准网络包括Unet和空间变换网络。
5.根据权利要求1所述的脑片图像区域划分方法，其特征在于，将配准好的彩色标准脑图谱与原始图像融合包括：提取配准好的彩色标准脑图谱的边缘轮廓图，将边缘轮廓图与原始图像融合。
6.根据权利要求5所述的脑片图像区域划分方法，其特征在于，通过Canny检测器提取配准好的彩色标准脑图谱的边缘轮廓图。
7.一种脑片图像区域划分装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现如权利要求1-6中任意一项所述的脑片图像区域划分方法。
CN201910833200.8A 2019-09-04 2019-09-04 一种脑片图像区域划分方法及装置 Active CN110555835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833200.8A CN110555835B (zh) 2019-09-04 2019-09-04 一种脑片图像区域划分方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833200.8A CN110555835B (zh) 2019-09-04 2019-09-04 一种脑片图像区域划分方法及装置

Publications (2)

Publication Number Publication Date
CN110555835A CN110555835A (zh) 2019-12-10
CN110555835B true CN110555835B (zh) 2022-12-02

Family

ID=68739016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833200.8A Active CN110555835B (zh) 2019-09-04 2019-09-04 一种脑片图像区域划分方法及装置

Country Status (1)

Country Link
CN (1) CN110555835B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260699B (zh) * 2019-12-30 2024-02-06 上海镜观生物科技有限公司 高清病理影像配准方法、装置、设备及存储介质
CN111751371B (zh) * 2020-06-24 2021-01-08 武汉中纪生物科技有限公司 一种免疫组化数字玻片阅片系统及方法
CN111768394A (zh) * 2020-07-01 2020-10-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111915480B (zh) * 2020-07-16 2023-05-23 抖音视界有限公司 生成特征提取网络的方法、装置、设备和计算机可读介质
CN112862872B (zh) * 2021-02-05 2022-09-06 中国科学技术大学 一种质谱成像数据的自动配准方法
CN113012129A (zh) * 2021-03-18 2021-06-22 郑州大学 一种脑切片图像的区域定位及标记神经细胞计数系统及装置
CN113362339A (zh) * 2021-05-27 2021-09-07 郑州大学 一种基于统一模态转换的脑切片区域定位方法及装置
CN114445362A (zh) * 2022-01-25 2022-05-06 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、可读存储介质及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920228A (zh) * 2017-01-19 2017-07-04 北京理工大学 脑图谱与脑图像的配准方法及装置
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
CN108846828A (zh) * 2018-05-04 2018-11-20 上海交通大学 一种基于深度学习的病理图像目标区域定位方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977029B2 (en) * 2012-08-24 2015-03-10 Siemens Aktiengesellschaft Method and system for multi-atlas segmentation of brain computed tomography image data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920228A (zh) * 2017-01-19 2017-07-04 北京理工大学 脑图谱与脑图像的配准方法及装置
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
CN108846828A (zh) * 2018-05-04 2018-11-20 上海交通大学 一种基于深度学习的病理图像目标区域定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种简易的脑片图像的半自动区域划分及细胞计数方法;朱续涛等;《波谱学杂志》;20180615(第02期);全文 *

Also Published As

Publication number Publication date
CN110555835A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555835B (zh) 一种脑片图像区域划分方法及装置
WO2021104056A1 (zh) 一种肿瘤自动分割系统、方法及电子设备
CN109166133B (zh) 基于关键点检测和深度学习的软组织器官图像分割方法
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
CN107369160B (zh) 一种oct图像中脉络膜新生血管分割算法
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN111784706B (zh) 鼻咽癌原发肿瘤图像自动识别方法及系统
CN112102385B (zh) 一种基于深度学习的多模态肝脏磁共振影像配准系统
CN109509193B (zh) 一种基于高精度配准的肝脏ct图谱分割方法及系统
CN113379764B (zh) 一种基于域对抗自监督学习的病理图像分割方法
Li et al. Natural tongue physique identification using hybrid deep learning methods
Sheng et al. Second-order ResU-Net for automatic MRI brain tumor segmentation
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN113012129A (zh) 一种脑切片图像的区域定位及标记神经细胞计数系统及装置
Cao et al. An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features
CN110334566A (zh) 一种基于三维全卷积神经网络的oct内外指纹提取方法
CN116468655A (zh) 基于胎儿磁共振成像的脑发育图谱与影像处理系统
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
CN109919216B (zh) 一种用于计算机辅助诊断前列腺癌的对抗学习方法
Liu et al. BTMF-GAN: A multi-modal MRI fusion generative adversarial network for brain tumors
CN116385467B (zh) 基于自监督学习的脑血管分割方法及相关设备
CN105528791B (zh) 一种面向触摸屏手绘图像的质量评价装置及其评价方法
CN111986216A (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN112102327A (zh) 一种图像处理方法、装置及计算机可读存储介质

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