CN110599529A - 显微光学图像的脑区扩张校正方法 - Google Patents

显微光学图像的脑区扩张校正方法 Download PDF

Info

Publication number
CN110599529A
CN110599529A CN201910853269.7A CN201910853269A CN110599529A CN 110599529 A CN110599529 A CN 110599529A CN 201910853269 A CN201910853269 A CN 201910853269A CN 110599529 A CN110599529 A CN 110599529A
Authority
CN
China
Prior art keywords
data set
image data
registered
brain
point cloud
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
Application number
CN201910853269.7A
Other languages
English (en)
Other versions
CN110599529B (zh
Inventor
丰钊
李安安
罗悦
龚辉
骆清铭
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.)
Suzhou Institute Of Brain Space Information Huazhong University Of Science And Technology
Original Assignee
Suzhou Institute Of Brain Space Information Huazhong University Of Science And Technology
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 Suzhou Institute Of Brain Space Information Huazhong University Of Science And Technology filed Critical Suzhou Institute Of Brain Space Information Huazhong University Of Science And Technology
Priority to CN201910853269.7A priority Critical patent/CN110599529B/zh
Publication of CN110599529A publication Critical patent/CN110599529A/zh
Application granted granted Critical
Publication of CN110599529B publication Critical patent/CN110599529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种显微光学图像的脑区扩张校正方法，所述方法包括如下步骤：步骤S1，区域特征提取及三维表面重建；步骤S2，点云非线性配准；步骤S3，图像非线性配准；步骤S4，高分辨非线性配准。本发明首先基于点云非线性配准，确定脑组织形变的强度和拉伸方向，然后利用薄板样条非线性形变模型，结合点云数据获取的强度和方向信息，构造非线性形变场。由于薄板样条模型可以构造出全局范围、拉伸均匀的形变，因此可以避免传统非线性配准计算中形变仅发生在脑室周边的问题，使得脑室周围的图像形变能够符合生物组织形变的真实情况，避免过度拉伸。

Description

显微光学图像的脑区扩张校正方法
技术领域
本发明涉及图像配准处理领域，尤其涉及一种显微光学图像的脑区扩张校正方法。
背景技术
随着显微光学成像技术的进步，人们得以在微米分辨水平获取哺乳动物的全脑组织精细图像，从而能够在三维空间中得到完整的神经元胞体形态、神经纤维投射等此前无法获取的信息，为绘制特定脑功能的输入和输出环路、精细的细胞分型等多种研究奠定了数据基础。
然而全脑组织的空间体积远远大于传统的脑块或脑片，使得制备哺乳动物脑组织样本过程中，染色包埋等操作所需的时间更长，脑组织形变情况加剧，特别是脑室周边组织的形变程度远远超过传统样本制备方法，严重影响了后续的脑空间定位、脑功能环路分析、投射靶区分析等科学研究结论的准确性。
针对全脑组织的样本制备方法往往会引发脑组织的剧烈形变，使得脑室严重扩张，造成脑室周边乃至更远区域的各解剖结构偏离标准解剖位置，对基于脑图像的神经科学研究产生严重的阻碍。传统的非线性图像配准算法，一部分是基于轻微形变假设开发的，无法应用于形变剧烈的情况；另一部分虽然可以修正剧烈形变，但也会同时造成脑室周围组织发生过度拉伸，脑的整体形状虽然得到了校正，但在显微水平的信息，例如神经元胞体，则从正确的近球形被拉伸为错误的长条状，不符合生物组织的真实情况。
脑室扩张的校正通常采用图像处理领域的图像配准技术来解决。然而传统的脑室扩张校正算法基本上都是针对磁共振图像开发的，以用于在宏观水平评估阿尔茨海默病等神经退行性疾病造成的脑组织缩水。磁共振图像的分辨率通常只有百微米量级，远低于显微光学成像技术的微米级空间分辨率。针对磁共振图像开发的脑室扩张校正算法，通常会使得靠近脑室的区域被过度拉伸，而远离脑室的区域则不发生形变，从而导致脑室周围的局部脑组织发生过度的、不符合生物组织均匀形变特性的拉伸。由于磁共振分辨率较低，所以过度拉伸带来的信号局部失真不会过多地影响基于磁共振成像的神经科学研究，然而当待处理的图像变为分辨率高出2个数量级的显微光学图像时，脑室周围过度拉伸的问题就会变得非常严重，那些近球形的神经元胞体，在配准图像上甚至被过度拉伸为长条形状，不符合生物组织的真实情况，为后续的解析功能环路等定量分析工作带来了严重的障碍。
此外，微米分辨水平的全脑图像数据量往往可达TB甚至10TB量级，体量远远超过磁共振、CT等经典脑成像技术所获取的图像。数据量的增大意味着图像处理的计算时间、内存资源等计算开销会指数级上涨，为针对脑组织形变的校正带来了额外的困难。
为此，需要针对显微光学成像技术所获取的全脑微米分辨水平图像数据集可能存在的脑室剧烈扩张等脑组织形变问题，开发相应的图像校正手段。
发明内容
鉴于目前现有技术的不足，本发明的目的在于提供一种显微光学图像的脑区扩张校正方法。
为达到上述目的，本发明的实施例采用如下技术方案：
一种显微光学图像的脑区扩张校正方法，所述方法包括如下步骤：
步骤S1，区域特征提取及三维表面重建：对待配准图像数据集和参考图像数据集进行降采样，获得降采样待配准图像数据集和降采样参考图像数据集，所述降采样待配准图像数据集和所述降采样参考图像数据集的体素分辨率相同，在所述降采样待配准图像数据集和所述降采样参考图像数据集上，手动标记区域特征，获得待配准图像数据集区域特征和参考图像数据集区域特征，基于所述待配准图像数据集区域特征和所述参考图像数据集区域特征，在三维空间中分别构建各区域特征的外表面模型，获得待配准图像数据集区域特征外表面模型和参考图像数据集区域特征外表面模型；
步骤S2，点云非线性配准：从所述待配准图像数据集区域特征外表面模型和所述参考图像数据集区域特征外表面模型中提取各区域特征的外表面模型的顶点，构造点云数据集，获得待配准图像数据集点云数据集和参考图像数据集点云数据集，将所述待配准图像数据集点云数据集非线性地配准到所述参考图像数据集点云数据集上，获得配准后图像数据集，所述配准后图像数据集中的各个点及其索引顺序与所述待配准图像数据集点云数据集相同；
步骤S3，图像非线性配准：基于所述待配准图像数据集点云数据集和所述配准后图像数据集配准前后的空间位置变化，构造特征点对应列表，并以所述特征点对应列表为基础，构建覆盖全脑、且全脑各处形变程度均匀的全局非线性形变场；
步骤S4，高分辨非线性配准：对所述全局非线性形变场进行升采样，获得高分辨形变场，然后将所述高分辨形变场应用到所述待配准图像数据集，实现对脑室扩张的校正。
进一步，所述待配准图像数据集的水平分辨率为1μm/pixel、轴向分辨率为2μm/pixel，所述降采样待配准图像数据集的水平分辨率和轴向分辨率均为25μm/pixel。
进一步，所述参考图像数据集为Common Coordinate Framework参考脑图谱。
进一步，所述手动标记区域特征，包括：围绕第三脑室和侧脑室，分别手动标记海马、皮层和基底神经节三个围绕脑室的解剖结构；围绕第四脑室，分别手动标记基底神经节和延髓两个围绕脑室的解剖结构。
进一步，所述构建各区域特征的外表面模型，是基于移动立方体算法，使用FV面模型进行构建。
进一步，所述构造点云数据集，是从所述待配准图像数据集区域特征外表面模型和所述参考图像数据集区域特征外表面模型的顶点中，以1%的比例随机挑选出部分顶点，构成点云数据集。
进一步，所述将所述待配准图像数据集点云数据集非线性地配准到所述参考图像数据集点云数据集上，采用Non-Rigid Iterative Closest Points (NRICP)算法。
进一步，所述步骤S3，图像非线性配准，具体包括：遍历所述待配准图像数据集点云数据集和所述配准后图像数据集中的每个点，记录其空间坐标位置，然后寻找所述待配准图像数据集区域特征外表面模型中该位置处的像素是否与脑室相邻，对于与脑室相邻的像素，相应点分别置入待配准图像数据集点云数据集相邻像素和配准后图像数据集相邻像素中，反之分别置入待配准图像数据集点云数据集非相邻像素和配准后图像数据集非相邻像素中，根据所述待配准图像数据集点云数据集相邻像素、所述配准后图像数据集相邻像素、所述待配准图像数据集点云数据集非相邻像素、所述配准后图像数据集非相邻像素，构造所述特征点对应列表，所述特征点对应列表中的每一行为一对特征点，基于所述特征点对应列表，使用薄板样条（Thin Plate Spline，TPS）算法开展非线性配准，构造所述全局非线性形变场。
进一步，所述步骤S3，图像非线性配准，还包括：对所述全局非线性形变场进行均值滤波，消除过度拉伸现象，获得滤波后全局非线性形变场。
进一步，所述升采样使用线性插值算法。
本发明首先基于点云非线性配准，确定脑组织形变的强度和拉伸方向，然后利用薄板样条非线性形变模型，结合点云数据获取的强度和方向信息，构造非线性形变场。由于薄板样条模型可以构造出全局范围、拉伸均匀的形变，因此可以避免传统非线性配准计算中形变仅发生在脑室周边的问题，使得脑室周围的图像形变能够符合生物组织形变的真实情况，避免过度拉伸。
本发明所提出的方法，一方面可以实现对脑室扩张的校正，另一方面也能够模拟生物组织的均匀拉伸特性，避免脑室周围组织因校正算法发生过度拉伸。该方法适用于微米分辨水平的显微光学图像的脑室扩张校正。该方法同时也能够应用于磁共振、CT等经典脑成像技术获取的百微米分辨水平的图像数据集。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述一实施方式一种显微光学图像的脑区扩张校正方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1所示，本发明一实施方式一种显微光学图像的脑区扩张校正方法，所述方法包括如下步骤：
步骤S1，区域特征提取及三维表面重建：对待配准图像数据集和参考图像数据集进行降采样，获得降采样待配准图像数据集和降采样参考图像数据集，所述降采样待配准图像数据集和所述降采样参考图像数据集的体素分辨率相同，在所述降采样待配准图像数据集和所述降采样参考图像数据集上，手动标记区域特征，获得待配准图像数据集区域特征和参考图像数据集区域特征，基于所述待配准图像数据集区域特征和所述参考图像数据集区域特征，在三维空间中分别构建各区域特征的外表面模型，获得待配准图像数据集区域特征外表面模型和参考图像数据集区域特征外表面模型；
在一实施例中，选取C57品系小鼠作为实验动物，使用PI染色技术制备脑组织样本，通过荧光显微光学切片断层成像技术采集一套全脑图像数据集，作为待配准图像数据集M1。所述待配准图像数据集M1的水平分辨率为1μm/pixel、轴向分辨率为2μm/pixel，未经压缩的数据量为1.09TB。所述降采样待配准图像数据集M2的水平分辨率和轴向分辨率均为25μm/pixel。所述参考图像数据集F1为Common Coordinate Framework参考脑图谱，降采样后获得降采样参考图像数据集F2。
所述手动标记区域特征，具体包括：围绕第三脑室和侧脑室，分别手动标记海马、皮层和基底神经节三个围绕脑室的解剖结构；围绕第四脑室，分别手动标记基底神经节和延髓两个围绕脑室的解剖结构。如此，分别获得待配准图像数据集区域特征M3和参考图像数据集区域特征F3。
所述构建各区域特征的外表面模型，是基于移动立方体算法，使用FV面模型进行构建，分别获得待配准图像数据集区域特征外表面模型GM和参考图像数据集区域特征外表面模型GF。
步骤S2，点云非线性配准：从所述待配准图像数据集区域特征外表面模型和所述参考图像数据集区域特征外表面模型中提取各区域特征的外表面模型的顶点，构造点云数据集，获得待配准图像数据集点云数据集和参考图像数据集点云数据集，将所述待配准图像数据集点云数据集非线性地配准到所述参考图像数据集点云数据集上，获得配准后图像数据集，所述配准后图像数据集中的各个点及其索引顺序与所述待配准图像数据集点云数据集相同；
具体的，在一实施例中，是从所述待配准图像数据集区域特征外表面模型GM和所述参考图像数据集区域特征外表面模型GF的顶点中，以1%的比例随机挑选出部分顶点，构成点云数据集，分别获得待配准图像数据集点云数据集PM和参考图像数据集点云数据集PF。
其中，所述将所述待配准图像数据集点云数据集PM非线性地配准到所述参考图像数据集点云数据集PF上，采用Non-Rigid Iterative Closest Points (NRICP)算法，获得配准后图像数据集PM’。 所述配准方法，要求能够基于点云数据构建三维空间域中的非线性形变场。
步骤S3，图像非线性配准：基于所述待配准图像数据集点云数据集和所述配准后图像数据集配准前后的空间位置变化，构造特征点对应列表，并以所述特征点对应列表为基础，构建覆盖全脑、且全脑各处形变程度均匀的全局非线性形变场；
具体的，在一实施例中，所述步骤S3，图像非线性配准，具体包括：遍历所述待配准图像数据集点云数据集PM和所述配准后图像数据集PM’中的每个点，记录其空间坐标位置，然后寻找所述待配准图像数据集区域特征外表面模型中该位置处的像素是否与脑室相邻，对于与脑室相邻的像素，相应点分别置入待配准图像数据集点云数据集相邻像素PM1和配准后图像数据集相邻像素PM1’中，反之分别置入待配准图像数据集点云数据集非相邻像素PM2和配准后图像数据集非相邻像素PM2’中，根据所述待配准图像数据集点云数据集相邻像素PM1、所述配准后图像数据集相邻像素PM1’、所述待配准图像数据集点云数据集非相邻像素PM2、所述配准后图像数据集非相邻像素PM2’，构造所述特征点对应列表L，所述特征点对应列表L中的每一行为一对特征点，即所述待配准图像数据集点云数据集相邻像素PM1中的特征点与所述配准后图像数据集相邻像素PM1’ 中的特征点一一配对，所述待配准图像数据集点云数据集非相邻像素PM2中的特征点与所述配准后图像数据集非相邻像素PM2’ 中的特征点一一配对，基于所述特征点对应列表L，使用薄板样条（Thin Plate Spline，TPS）算法开展非线性配准，构造所述全局非线性形变场D1。
进一步，所述步骤S3，图像非线性配准，还包括：对所述全局非线性形变场D1进行均值滤波，消除过度拉伸现象，获得滤波后全局非线性形变场D2。
步骤S4，高分辨非线性配准：对所述全局非线性形变场进行升采样，获得高分辨形变场，然后将所述高分辨形变场应用到所述待配准图像数据集，实现对脑室扩张的校正。
具体的，在一实施例中，所述升采样使用线性插值算法，对所述滤波后全局非线性形变场D2进行升采样，获得高分辨形变场D3。然后将所述高分辨形变场D3应用到所述待配准图像数据集M1，实现对原始分辨率图像的脑室校正。
本发明首先基于点云非线性配准，确定脑组织形变的强度和拉伸方向，然后利用薄板样条非线性形变模型，结合点云数据获取的强度和方向信息，构造非线性形变场。由于薄板样条模型可以构造出全局范围、拉伸均匀的形变，因此可以避免传统非线性配准计算中形变仅发生在脑室周边的问题，使得脑室周围的图像形变能够符合生物组织形变的真实情况，避免过度拉伸。
本发明所提出的方法，一方面可以实现对脑室扩张的校正，另一方面也能够模拟生物组织的均匀拉伸特性，避免脑室周围组织因校正算法发生过度拉伸。该方法适用于微米分辨水平的显微光学图像的脑室扩张校正。该方法同时也能够应用于磁共振、CT等经典脑成像技术获取的百微米分辨水平的图像数据集。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种显微光学图像的脑区扩张校正方法，其特征在于，所述方法包括如下步骤：
步骤S1，区域特征提取及三维表面重建：对待配准图像数据集和参考图像数据集进行降采样，获得降采样待配准图像数据集和降采样参考图像数据集，所述降采样待配准图像数据集和所述降采样参考图像数据集的体素分辨率相同，在所述降采样待配准图像数据集和所述降采样参考图像数据集上，手动标记区域特征，获得待配准图像数据集区域特征和参考图像数据集区域特征，基于所述待配准图像数据集区域特征和所述参考图像数据集区域特征，在三维空间中分别构建各区域特征的外表面模型，获得待配准图像数据集区域特征外表面模型和参考图像数据集区域特征外表面模型；
步骤S2，点云非线性配准：从所述待配准图像数据集区域特征外表面模型和所述参考图像数据集区域特征外表面模型中提取各区域特征的外表面模型的顶点，构造点云数据集，获得待配准图像数据集点云数据集和参考图像数据集点云数据集，将所述待配准图像数据集点云数据集非线性地配准到所述参考图像数据集点云数据集上，获得配准后图像数据集，所述配准后图像数据集中的各个点及其索引顺序与所述待配准图像数据集点云数据集相同；
步骤S3，图像非线性配准：基于所述待配准图像数据集点云数据集和所述配准后图像数据集配准前后的空间位置变化，构造特征点对应列表，并以所述特征点对应列表为基础，构建覆盖全脑、且全脑各处形变程度均匀的全局非线性形变场；
步骤S4，高分辨非线性配准：对所述全局非线性形变场进行升采样，获得高分辨形变场，然后将所述高分辨形变场应用到所述待配准图像数据集，实现对脑室扩张的校正。
2.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述待配准图像数据集的水平分辨率为1μm/pixel、轴向分辨率为2μm/pixel，所述降采样待配准图像数据集的水平分辨率和轴向分辨率均为25μm/pixel。
3.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述参考图像数据集为具有三维立体定位的参考脑图谱。
4.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述手动标记区域特征，包括：围绕第三脑室和侧脑室，分别手动标记海马、皮层和基底神经节三个围绕脑室的解剖结构；围绕第四脑室，分别手动标记基底神经节和延髓两个围绕脑室的解剖结构。
5.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述构建各区域特征的外表面模型，是基于移动立方体算法，使用FV面模型进行构建。
6.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述构造点云数据集，是从所述待配准图像数据集区域特征外表面模型和所述参考图像数据集区域特征外表面模型的顶点中，以1%的比例随机挑选出部分顶点，构成点云数据集。
7.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述将所述待配准图像数据集点云数据集非线性地配准到所述参考图像数据集点云数据集上，采用Non-Rigid Iterative Closest Points (NRICP)算法。
8.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述步骤S3，图像非线性配准，具体包括：遍历所述待配准图像数据集点云数据集和所述配准后图像数据集中的每个点，记录其空间坐标位置，然后寻找所述待配准图像数据集区域特征外表面模型中该位置处的像素是否与脑室相邻，对于与脑室相邻的像素，相应点分别置入待配准图像数据集点云数据集相邻像素和配准后图像数据集相邻像素中，反之分别置入待配准图像数据集点云数据集非相邻像素和配准后图像数据集非相邻像素中，根据所述待配准图像数据集点云数据集相邻像素、所述配准后图像数据集相邻像素、所述待配准图像数据集点云数据集非相邻像素、所述配准后图像数据集非相邻像素，构造所述特征点对应列表，所述特征点对应列表中的每一行为一对特征点，基于所述特征点对应列表，使用薄板样条（Thin Plate Spline，TPS）算法开展非线性配准，构造所述全局非线性形变场。
9.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述步骤S3，图像非线性配准，还包括：对所述全局非线性形变场进行均值滤波，消除过度拉伸现象，获得滤波后全局非线性形变场。
10.根据权利要求1所述的显微光学图像的脑区扩张校正方法，其特征在于，所述升采样使用线性插值算法。
CN201910853269.7A 2019-09-10 2019-09-10 显微光学图像的脑区扩张校正方法 Active CN110599529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910853269.7A CN110599529B (zh) 2019-09-10 2019-09-10 显微光学图像的脑区扩张校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910853269.7A CN110599529B (zh) 2019-09-10 2019-09-10 显微光学图像的脑区扩张校正方法

Publications (2)

Publication Number Publication Date
CN110599529A true CN110599529A (zh) 2019-12-20
CN110599529B CN110599529B (zh) 2022-06-03

Family

ID=68858525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910853269.7A Active CN110599529B (zh) 2019-09-10 2019-09-10 显微光学图像的脑区扩张校正方法

Country Status (1)

Country Link
CN (1) CN110599529B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130315463A1 (en) * 2011-02-03 2013-11-28 Brainlab Ag Retrospective mri image distortion correction
US20140161338A1 (en) * 2012-12-10 2014-06-12 The Cleveland Clinic Foundation Image fusion with automated compensation for brain deformation
US20140357978A1 (en) * 2013-06-04 2014-12-04 Akshay Pai Computer Based Method for Determining the Size of an Object in an Image
US20150362575A1 (en) * 2013-02-01 2015-12-17 Ucl Business Plc Apparatus and method for correcting susceptibility artefacts in a magnetic resonance image
CN106420055A (zh) * 2016-02-15 2017-02-22 复旦大学 一种基于无线传输的脑组织变形矫正系统
US20170178349A1 (en) * 2015-12-18 2017-06-22 The Johns Hopkins University Method for deformable 3d-2d registration using multiple locally rigid registrations
CN107862706A (zh) * 2017-11-01 2018-03-30 天津大学 一种基于特征向量的改进光流场模型算法
CN108564607A (zh) * 2018-04-08 2018-09-21 华中科技大学苏州脑空间信息研究院 三维脑图谱数据集空间校准方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130315463A1 (en) * 2011-02-03 2013-11-28 Brainlab Ag Retrospective mri image distortion correction
US20140161338A1 (en) * 2012-12-10 2014-06-12 The Cleveland Clinic Foundation Image fusion with automated compensation for brain deformation
US20150362575A1 (en) * 2013-02-01 2015-12-17 Ucl Business Plc Apparatus and method for correcting susceptibility artefacts in a magnetic resonance image
US20140357978A1 (en) * 2013-06-04 2014-12-04 Akshay Pai Computer Based Method for Determining the Size of an Object in an Image
US20170178349A1 (en) * 2015-12-18 2017-06-22 The Johns Hopkins University Method for deformable 3d-2d registration using multiple locally rigid registrations
CN106420055A (zh) * 2016-02-15 2017-02-22 复旦大学 一种基于无线传输的脑组织变形矫正系统
CN107862706A (zh) * 2017-11-01 2018-03-30 天津大学 一种基于特征向量的改进光流场模型算法
CN108564607A (zh) * 2018-04-08 2018-09-21 华中科技大学苏州脑空间信息研究院 三维脑图谱数据集空间校准方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BENYI XIONG等: ""Precise Cerebral Vascular Atlas in Stereotaxic Coordinates of Whole Mouse Brain"", 《FRONT. NEUROANAT.》 *
H. HUFNAGEL等: ""Non-linear 2D and 3D Registration Using Block-Matching and B-Splines"", 《BILDVERARBEITUNG FÜR DIE MEDIZIN 2005》 *
於锋等: ""基于图像非线性配准的MRI几何失真校正"", 《生物医学工程研究》 *

Also Published As

Publication number Publication date
CN110599529B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Adler et al. Histology-derived volumetric annotation of the human hippocampal subfields in postmortem MRI
CN109410219B (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
Rohlfing et al. The SRI24 multichannel atlas of normal adult human brain structure
CN105205810B (zh) 基于距离场融合的mr图像海马体分割方法
US20170069086A1 (en) Method and device for constructing brain templates
EP2996085A1 (en) Method and system for analyzing image data
CN112862805B (zh) 听神经瘤图像自动化分割方法及系统
Huo et al. Combining multi-atlas segmentation with brain surface estimation
CN108898135A (zh) 一种大脑边缘系统图谱构建方法
Abe et al. 3D reconstruction of brain section images for creating axonal projection maps in marmosets
Kalavathi et al. Automatic segmentation of cerebral hemispheres in MR human head scans
CN108564607A (zh) 三维脑图谱数据集空间校准方法及系统
CN112348779A (zh) 基于卷积神经网络的核磁影像大脑灰质核团分割方法
Li et al. Deep learning based neuronal soma detection and counting for Alzheimer's disease analysis
CN110782488B (zh) 一种基于形状约束的连续脑片图像三维配准方法
CN114065825A (zh) 一种基于结构相似性的脑磁meg源定位方法
CN110599529B (zh) 显微光学图像的脑区扩张校正方法
Zhou et al. Application of 3D whole-brain texture analysis and the feature selection method based on within-class scatter in the classification and diagnosis of Alzheimer’s disease
WO2019044082A1 (ja) 医用画像処理装置、方法およびプログラム
WO2019044077A1 (ja) 医用画像処理装置、方法およびプログラム
Chandra et al. Corpus callosum segmentation from brain mri and its possible application in detection of diseases
Grandhe et al. Adaptive analysis & reconstruction of 3D DICOM images using enhancement based SBIR algorithm over MRI
Kazemifar et al. Automated algorithm to measure changes in medial temporal lobe volume in Alzheimer disease
Rheault et al. Bundle-specific fornix reconstruction for dual-tracer PET-tractometry
Liang et al. 3D MRI image super‐resolution for brain combining rigid and large diffeomorphic registration

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