CN110599560A - 磁共振成像方法、装置、存储介质及计算机设备 - Google Patents
磁共振成像方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110599560A CN110599560A CN201910717158.3A CN201910717158A CN110599560A CN 110599560 A CN110599560 A CN 110599560A CN 201910717158 A CN201910717158 A CN 201910717158A CN 110599560 A CN110599560 A CN 110599560A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- tissue
- interested
- interest
- tracking
- 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
- G06T7/0002—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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振成像方法、装置、存储介质及计算机设备,在通过磁共振扫描得到对应的扫描数据之后,根据待追踪的感兴趣组织类型信息追踪对应的目标感兴趣组织,从而,在扫描结果图像中可以直接显示感兴趣组织类型信息对应的目标感兴趣组织,由于不需要人工给定感兴趣区域,从而可以避免其他人为因素带来的影响,提高追踪准确性和一致性。另外,也可以大大减少医生的工作量,进而可以提高工作效率。
Description
技术领域
本申请涉及磁共振技术领域,特别是涉及一种磁共振成像方法、装置、存储介质及计算机设备。
背景技术
人类大脑是自然界中最复杂的系统之一,而脑白质纤维是构成大脑复杂结构和各脑区信息交流的物质基础。传统的解剖染色方法在研究脑白质纤维时,因其有创性而只能局限于动物和人类尸体,而不适合活体人脑的研究。随着核磁共振技术的兴起,尤其是扩散张量成像(diffusion tensor imaging,DTI)技术和脑白质纤维束追踪(white mattertractography,WMT)技术的出现,使得活体人脑的白质纤维解剖结构能够无创地三维重建出来,让人类对脑白质纤维的认知产生了质的飞跃。
现有技术中,医生在进行纤维束追踪时,首先需要根据磁共振扫描图像确定感兴趣区域(region of interest,ROI),然后追踪系统根据医生给定的ROI追踪对应的纤维束。然而,不同医生在操作过程中选择的ROI的位置和/或大小可能不一致,并且大部分纤维束需要多个ROI才能准确追踪,从而导致现有技术存在纤维束追踪误差大的问题。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种提高追踪准确性的磁共振成像方法、装置、存储介质及计算机设备。
一种磁共振成像方法,包括:
获取待追踪的感兴趣组织类型信息;
获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;
根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理;
根据所述磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
在其中一个实施例中,所述磁共振扫描为扩散张量成像。
在其中一个实施例中,根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理,包括:
根据所述磁共振扫描数据以及所述感兴趣组织类型信息,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织。
在其中一个实施例中,根据所述磁共振扫描数据以及所述感兴趣组织类型信息,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织,包括:
通过所述感兴趣组织追踪算法对所述磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;
根据识别匹配处理结果,从所述所有感兴趣组织中筛选与所述感兴趣组织类型信息匹配的感兴趣组织作为所述感兴趣组织类型信息对应的目标感兴趣组织。
在其中一个实施例中,所述感兴趣组织追踪算法包括确定性追踪算法、概率性追踪算法、基于高角分辨率弥散成像数据的跟踪算法以及基于压缩感知理论的跟踪算法中的至少一种。
在其中一个实施例中,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织之后,还包括:
去除所述目标感兴趣组织中包含的噪声组织。
在其中一个实施例中,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像之后,还包括:
输出和/或显示所述磁共振扫描图像。
一种磁共振成像装置,包括:
类型获取模块,用于获取待追踪的感兴趣组织类型信息;
数据获取模块,用于获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;
组织追踪模块,用于根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理;
图像获取模块,用于根据所述磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述磁共振成像方法、装置、存储介质及计算机设备,在通过磁共振扫描得到对应的扫描数据之后,根据待追踪的感兴趣组织类型信息追踪对应的目标感兴趣组织,从而,在扫描结果图像中可以直接显示感兴趣组织类型信息对应的目标感兴趣组织,由于不需要人工给定感兴趣区域,从而可以避免其他人为因素带来的影响,提高追踪准确性和一致性。另外,也可以大大减少医生的工作量,进而可以提高工作效率。
附图说明
图1为一个实施例中磁共振成像方法的流程示意图;
图2为一个实施例中根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织的流程示意图;
图3为一个实施例中磁共振成像装置的结构示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供一种磁共振成像方法,以该方法应用于可以进行磁共振成像的处理器为例进行解释说明,该方法包括以下步骤:
步骤S100,获取待追踪的感兴趣组织类型信息。
感兴趣组织可以是在病人的医疗诊断过程中需要观察的组织,包括纤维束、脊髓、肌肉等。为了便于理解,本申请各实施例中以感兴趣组织为纤维束进行解释说明,纤维束(Fiber Bundle)由中枢神经系统内中起止、行程和功能相同的神经纤维集聚组成,如脊髓丘脑束,皮质脊髓束等。进一步地,本申请各实施例中的纤维束具体可以是脑神经纤维。
本步骤中,处理器首先获取待追踪的纤维束类型信息,处理器获取纤维束类型信息的方式可以是采用通过与用户终端进行通信交互的方式,也可以是获取用户通过与处理器连接的人机交互装置输入的信息等,还可以是采取其他纤维束类型信息获取方法,在此不做具体限定。
步骤S200,获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据。本步骤中,处理器获取目标对象的磁共振扫描数据的方式可以多样,例如,首先使用磁共振扫描设备实时对目标对象进行磁共振扫描,从而得到目标对象的磁共振扫描数据,然后处理器通过与磁共振扫描数据进行实时通信交互以获取磁共振扫描数据。此外,磁共振扫描数据也可以预先已获取得到,并存储在与处理器连接的存储器中,当需要对其进行处理时,直接从存储器中读取磁共振扫描数据。另外,处理器也可以从外部设备获取磁共振扫描数据。比如,将目标对象的磁共振扫描数据存储在与处理器进行通信的云端(服务器),当需要进行处理操作时,处理器从云端获取该目标对象的磁共振扫描数据。本实施例对处理器获取磁共振扫描数据的方式不做限定。
需要说明的是,在实际应用中,并不严格限定步骤S100与步骤S200的执行顺序,具体可以是先执行步骤S100,再执行步骤S200,即处理器先获取感兴趣组织类型信息,再获取磁共振扫描数据;也可以是先执行步骤S200,再执行步骤S100,即处理器先获取磁共振扫描数据,再获取感兴趣组织类型信息;还可以是同时执行步骤S100和步骤S200,即处理器同时获取感兴趣组织类型信息以及磁共振扫描数据。
步骤S300,根据磁共振扫描数据以及感兴趣组织类型信息进行感兴趣组织追踪处理。
处理器在获取纤维束类型信息以及磁共振扫描数据之后,根据获取的信息和数据进行纤维束追踪处理。纤维束追踪处理是指对纤维束进行追踪显示的过程,通过对纤维束进行追踪处理,医生可以根据追踪结果了解纤维束的病理状态及其与邻近病变的解剖关系,从而便于医生进行医疗诊断。例如,当需要进行手术时,医生通过纤维束追踪结果可以了解纤维束的解剖关系,从而能在手术中有效保护患者的神经功能,提高手术质量。
步骤S400,根据磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
处理器在完成纤维束追踪处理后,根据磁共振扫描数据以及追踪结果进行图像重建处理,并在得到的重建图像中显示所需要追踪的纤维束,从而便于医生可以根据磁共振扫描图像直接观察目标纤维束。
本实施例提供一种磁共振成像方法,在通过磁共振扫描得到对应的扫描数据之后,根据待追踪的感兴趣组织类型信息追踪对应的目标感兴趣组织,从而,在扫描结果图像中可以直接显示感兴趣组织类型信息对应的目标感兴趣组织,由于不需要人工给定感兴趣区域,从而可以避免其他人为因素带来的影响,提高追踪准确性和一致性。另外,也可以大大减少医生的工作量,进而可以提高工作效率。
在一个实施例中,磁共振扫描为扩散张量成像。处理器获取的磁共振扫描数据可以是扩散张量成像扫描数据,扩散张量是水分子在人体组织中扩散运动方向的数学表达,脑神经纤维追踪技术能够有效利用扩散张量数据得到脑神经纤维的路径以及分布,有利于临床医学的可视化分析脑组织病变和诊断疾病。在脑神经中,由于脑神经纤维细胞对水分子扩散运动造成显著影响,平行于细胞膜的扩散运动抑制较小,而垂直于细胞膜的扩散运动抑制较大,故水分子的扩散运动主要平行于脑神经纤维方向,根据每个体素内水分子运动强烈方向而产生的一条空间路径来代表脑神经纤维。
扩散张量成像具体可以是高角度分辨率扩散成像(High Angular ResolutionDiffusion Imaging,HARDI)、扩散峰度成像(Diffusion Kurtosis Imaging,DKI)以及扩散谱成像(Diffusion Spectrum Imaging,DSI)中的至少一种。其中,磁共振扩散峰度成像是一种在传统扩散张量成像的基础上延伸的新兴扩散成像技术,反映生物组织中水分子非高斯扩散特性。它能够敏感地反映组织微观结构的复杂程度,也可以反映疾病相应的病理生理改变。扩散谱成像的物理基础是生物组织中水分子的随机扩散运动,其目的是通过研究水分子的扩散运动获得局部组织微观结构的几何特征,再将这些特征信息提取重建,最终以可视化的形式来展示微观结构。
在一个实施例中,根据磁共振扫描数据以及感兴趣组织类型信息进行感兴趣组织追踪处理,包括:根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织。
以脑白质纤维追踪为例,脑白质纤维追踪算法是基于扩散线(StreamlinePropagation)的方法,即线性方法,其基本原理是:利用局部张量信息进行纤维追踪,即从一个被称为“种子点”的体素为起始点开始追踪,计算该种子点前进方向的向量,沿该向量方向追踪一段距离之后,再以轨迹上新的体素作为起点继续追踪,反复迭代上述过程,最后将这些点连接起来就可以代表白质纤维的走行。
具体地,如图2所示,根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织,包括步骤S310至步骤S320。
步骤S310,通过感兴趣组织追踪算法对磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;
步骤S320,根据识别匹配处理结果,从所有感兴趣组织中筛选与感兴趣组织类型信息匹配的感兴趣组织作为感兴趣组织类型信息对应的目标感兴趣组织。
本实施例根据磁共振扫描数据对待追踪的目标纤维束进行识别匹配追踪,从而可以在重建图像中将追踪到的目标纤维束进行显示,方便医生进行观察诊断。
在一个实施例中,感兴趣组织追踪算法包括确定性追踪算法、概率性追踪算法、基于高角分辨率弥散成像(HARDI)数据的追踪算法以及基于压缩感知理论的追踪算法中的至少一种。
其中,确定性追踪算法基于通过扩散张量得到的各向异性和最大扩散方向来确定体素间的脑神经纤维连接,其基本思想为相邻体素的最大扩散方向相连,当两个体素的最大扩散方向夹角小于阈值时,继续追踪;反之停止。另外,当追踪过程中当前体素的扩散张量各向异性值超过阈值,追踪也停止。确定性追踪算法具有计算复杂度低,追踪速度快,稳定性高的优势。
概率性追踪算法主要研究两个或多个区域间脑神经纤维可能性概率分布情况,其对每一个种子点进行多次(如100-10000次)概率性追踪,计算每条脑神经纤维的概率,从而获得满足要求的脑神经纤维,其主要利用概率分布函数(Probability DistributionFunction,PDF)确定脑神经纤维追踪的主方向。概率性追踪算法可以减少噪声以及部分容积效应的影响,追踪进度高,能显示脑神经纤维交叉、汇聚、分散的真实解剖学结构。
基于HARDI数据的追踪算法是从数据采集的视角提出的算法,HARDI数据的特点是多梯度(至少50个以上的梯度)、大b值(实验室常用3000s/mm3),成像时常采用多张量模型和QBI(Q-Ball Imaging)技术。该算法可选多个方向,并采用现有的各种算法进行追踪,能够较准确地解决纤维束交叉的问题,追踪结果的精确度和准确性高。
基于压缩感知理论的追踪算法可以同时解决纤维束追踪的速度和精度问题,压缩感知(Compressed Sensing,CS)理论主要利用信号稀疏性的特征,用远低于奈奎斯特采样定理要求的速率对信号随机稀疏采样,获取少量图像信息,通过在变换空间建立新的信号描述和处理理论框架,结合先验知识直接重构出图像。
可以理解,在实际应用中,可以是只使用上述跟踪算法中的任一种,也可以是同时采用两种或者多种追踪算法。例如,采用基于HARDI+CS的追踪算法,HARDI可以对诸如交叉、分叉、扇形等复杂结构的纤维束进行准确成像,但是需要获取多个梯度的数据,而CS理论采样的稀疏性恰好可以弥补这一缺陷。
在一个实施例中,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织之后,还包括:去除目标感兴趣组织中包含的噪声组织。
在对目标进行磁共振扫描的过程中,磁共振扫描数据不可避免地会包括一些噪声数据,噪声数据会导致一些细小纤维束的产生,因此,通过去除目标纤维束中的噪声神经纤维,可以提高扫描数据的准确性。
在一个实施例中,得到显示感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像之后,还包括:输出和/或显示磁共振扫描图像。
在得到磁共振扫描图像后,该磁共振扫描图像显示有待追踪的目标纤维束,因此,处理器可以直接将该磁共振扫描图像输出至与处理器连接的显示设备进行显示,或者,处理器将该磁共振扫描图像输出至其他终端或者云端,医生可以通过其他终端或者云端进行查看。
在具体临床应用中,医生通过显示有目标纤维束的磁共振扫描图像可以直接观察纤维束与脑部肿瘤的位置关系,分析肿瘤浸润脑内纤维束的情况,从而确定白质纤维束的受损程度,这有助于脑肿瘤、多发性硬化、阿尔茨海默病与帕金森病、精神分裂等多种神经疾病的诊断,也使得基于神经纤维束的肿瘤分级、手术计划制定、术后评估等技术在临床上发挥重要作用。
在合理条件下应当理解,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供一种磁共振成像装置,该磁共振成像装置包括:类型获取模块100、数据获取模块200、组织追踪模块300、图像获取模块400。
类型获取模块100用于获取待追踪的感兴趣组织类型信息;
数据获取模块200用于获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;
组织追踪模块300用于根据磁共振扫描数据以及感兴趣组织类型信息进行感兴趣组织追踪处理;
图像获取模块400用于根据磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
本实施例提供一种磁共振成像装置,在通过磁共振扫描得到对应的扫描数据之后,根据待追踪的感兴趣组织类型信息追踪对应的目标感兴趣组织,从而,在扫描结果图像中可以直接显示感兴趣组织类型信息对应的目标感兴趣组织,由于不需要人工给定感兴趣区域,从而可以避免其他人为因素带来的影响,提高追踪准确性和一致性。另外,也可以大大减少医生的工作量,进而可以提高工作效率。
在一个实施例中,组织追踪模块300还用于:根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,组织追踪模块300还用于:通过感兴趣组织追踪算法对磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;根据识别匹配处理结果,从所有感兴趣组织中筛选与感兴趣组织类型信息匹配的感兴趣组织作为感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,组织追踪模块300还用于:去除目标感兴趣组织中包含的噪声组织。
在一个实施例中,图像获取模块400还用于:输出和/或显示磁共振扫描图像。
关于磁共振成像装置的具体限定可以参见上文中对于磁共振成像方法的限定,在此不再赘述。上述磁共振成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待追踪的感兴趣组织类型信息;获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;根据磁共振扫描数据以及感兴趣组织类型信息进行感兴趣组织追踪处理;根据磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过感兴趣组织追踪算法对磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;根据识别匹配处理结果,从所有感兴趣组织中筛选与感兴趣组织类型信息匹配的感兴趣组织作为感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:去除目标感兴趣组织中包含的噪声组织。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:输出和/或显示磁共振扫描图像。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图4所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现视频码率控制方法以及视频转码方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行视频码率控制方法以及视频转码方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待追踪的感兴趣组织类型信息;获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;根据磁共振扫描数据以及感兴趣组织类型信息进行感兴趣组织追踪处理;根据磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据磁共振扫描数据以及感兴趣组织类型信息,通过感兴趣组织追踪算法追踪感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过感兴趣组织追踪算法对磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;根据识别匹配处理结果,从所有感兴趣组织中筛选与感兴趣组织类型信息匹配的感兴趣组织作为感兴趣组织类型信息对应的目标感兴趣组织。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:去除目标感兴趣组织中包含的噪声组织。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:输出和/或显示磁共振扫描图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振成像方法,其特征在于,包括:
获取待追踪的感兴趣组织类型信息;
获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;
根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理;
根据所述磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
2.根据权利要求1所述的磁共振成像方法,其特征在于,所述磁共振扫描为扩散张量成像。
3.根据权利要求1所述的磁共振成像方法,其特征在于,根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理,包括:
根据所述磁共振扫描数据以及所述感兴趣组织类型信息,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织。
4.根据权利要求3所述的磁共振成像方法,其特征在于,根据所述磁共振扫描数据以及所述感兴趣组织类型信息,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织,包括:
通过所述感兴趣组织追踪算法对所述磁共振扫描数据中的所有感兴趣组织进行识别匹配处理;
根据识别匹配处理结果,从所述所有感兴趣组织中筛选与所述感兴趣组织类型信息匹配的感兴趣组织作为所述感兴趣组织类型信息对应的目标感兴趣组织。
5.根据权利要求3所述的磁共振成像方法,其特征在于,所述感兴趣组织追踪算法包括确定性追踪算法、概率性追踪算法、基于高角分辨率弥散成像数据的跟踪算法以及基于压缩感知理论的跟踪算法中的至少一种。
6.根据权利要求3所述的磁共振成像方法,其特征在于,通过感兴趣组织追踪算法追踪所述感兴趣组织类型信息对应的目标感兴趣组织之后,还包括:
去除所述目标感兴趣组织中包含的噪声组织。
7.根据权利要求1所述的磁共振成像方法,其特征在于,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像之后,还包括:
输出和/或显示所述磁共振扫描图像。
8.一种磁共振成像装置,其特征在于,包括:
类型获取模块,用于获取待追踪的感兴趣组织类型信息;
数据获取模块,用于获取通过对目标对象进行磁共振扫描得到的磁共振扫描数据;
组织追踪模块,用于根据所述磁共振扫描数据以及所述感兴趣组织类型信息进行感兴趣组织追踪处理;
图像获取模块,用于根据所述磁共振扫描数据以及感兴趣组织追踪处理结果,得到显示所述感兴趣组织类型信息对应的目标感兴趣组织的磁共振扫描图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717158.3A CN110599560B (zh) | 2019-08-05 | 2019-08-05 | 磁共振成像方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717158.3A CN110599560B (zh) | 2019-08-05 | 2019-08-05 | 磁共振成像方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599560A true CN110599560A (zh) | 2019-12-20 |
CN110599560B CN110599560B (zh) | 2023-07-25 |
Family
ID=68853660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717158.3A Active CN110599560B (zh) | 2019-08-05 | 2019-08-05 | 磁共振成像方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599560B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542997A (zh) * | 2023-07-04 | 2023-08-04 | 首都医科大学附属北京朝阳医院 | 磁共振图像的处理方法、装置以及计算机设备 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030166999A1 (en) * | 2001-07-18 | 2003-09-04 | Marconi Medical Systems, Inc. | Automatic vessel identification for angiographic screening |
JP2003250804A (ja) * | 2002-03-05 | 2003-09-09 | Toshiba Corp | 画像処理装置及び超音波診断装置 |
US20030214289A1 (en) * | 2002-05-15 | 2003-11-20 | Van Muiswinkel Arianne M.C. | Diffusion tensor magnetic resonance imaging including local weighted interpolation |
EP2161568A2 (en) * | 2008-09-08 | 2010-03-10 | General Electric Company | MRI system and method for tracking a tissue point using a double pencil beam RF pulse |
US20100079140A1 (en) * | 2006-12-11 | 2010-04-01 | Koninklijke Philips Electronics N. V. | Fibre tracking on the basis of macroscopic information |
CN101854855A (zh) * | 2007-09-25 | 2010-10-06 | 国立大学法人岐阜大学 | 磁共振成像装置及其工作方法、图像诊断系统及诊断方法 |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
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 |
CN103279633A (zh) * | 2013-03-26 | 2013-09-04 | 浙江工业大学 | 基于扩散加权磁共振数据的脑纤维三维显示方法 |
CN103462606A (zh) * | 2013-09-09 | 2013-12-25 | 深圳先进技术研究院 | 应用于神经外科手术的成像方法及其系统 |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
WO2015042519A2 (en) * | 2013-09-20 | 2015-03-26 | Mayo Foundation For Medical Education And Research | Systems and methods for producing imaging biomarkers indicative of a neurological disease state using gray matter suppression via double inversion-recovery magnetic resonance imaging |
CN104537711A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 一种基于健康人群的白质纤维参数化模型构建方法 |
CN105022719A (zh) * | 2014-04-23 | 2015-11-04 | Ge医疗系统环球技术有限公司 | 医学造影系统及方法 |
WO2016131489A1 (en) * | 2015-02-19 | 2016-08-25 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
CN105913458A (zh) * | 2016-05-04 | 2016-08-31 | 浙江工业大学 | 一种基于群体跟踪的脑白质纤维成像方法 |
CN106456046A (zh) * | 2014-04-17 | 2017-02-22 | 皇家飞利浦有限公司 | 经改进的多时相动态对比增强磁共振成像的方法 |
US20170052241A1 (en) * | 2015-08-17 | 2017-02-23 | Siemens Healthcare Gmbh | Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis |
CN107174248A (zh) * | 2017-06-09 | 2017-09-19 | 河北医科大学第二医院 | 一种基于磁共振扩散张量成像的脊神经根病变定量评价方法 |
CN108734163A (zh) * | 2018-05-04 | 2018-11-02 | 北京雅森科技发展有限公司 | 确定弥散张量成像感兴趣区的方法 |
EP3407295A1 (en) * | 2017-05-22 | 2018-11-28 | Koninklijke Philips N.V. | Fibre-tracking from a diffusion-weighted magnetic resonance image |
CN109741290A (zh) * | 2017-10-30 | 2019-05-10 | 林庆波 | 用于神经追踪的方法、非暂时性计算机可读媒体及设备 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
-
2019
- 2019-08-05 CN CN201910717158.3A patent/CN110599560B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030166999A1 (en) * | 2001-07-18 | 2003-09-04 | Marconi Medical Systems, Inc. | Automatic vessel identification for angiographic screening |
JP2003250804A (ja) * | 2002-03-05 | 2003-09-09 | Toshiba Corp | 画像処理装置及び超音波診断装置 |
US20030214289A1 (en) * | 2002-05-15 | 2003-11-20 | Van Muiswinkel Arianne M.C. | Diffusion tensor magnetic resonance imaging including local weighted interpolation |
US20100079140A1 (en) * | 2006-12-11 | 2010-04-01 | Koninklijke Philips Electronics N. V. | Fibre tracking on the basis of macroscopic information |
CN101854855A (zh) * | 2007-09-25 | 2010-10-06 | 国立大学法人岐阜大学 | 磁共振成像装置及其工作方法、图像诊断系统及诊断方法 |
EP2161568A2 (en) * | 2008-09-08 | 2010-03-10 | General Electric Company | MRI system and method for tracking a tissue point using a double pencil beam RF pulse |
CN102332054A (zh) * | 2011-08-25 | 2012-01-25 | 西北工业大学 | 三维大脑磁共振图像的大脑皮层表面标志区域识别方法 |
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 |
CN103279633A (zh) * | 2013-03-26 | 2013-09-04 | 浙江工业大学 | 基于扩散加权磁共振数据的脑纤维三维显示方法 |
CN103462606A (zh) * | 2013-09-09 | 2013-12-25 | 深圳先进技术研究院 | 应用于神经外科手术的成像方法及其系统 |
WO2015042519A2 (en) * | 2013-09-20 | 2015-03-26 | Mayo Foundation For Medical Education And Research | Systems and methods for producing imaging biomarkers indicative of a neurological disease state using gray matter suppression via double inversion-recovery magnetic resonance imaging |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
CN106456046A (zh) * | 2014-04-17 | 2017-02-22 | 皇家飞利浦有限公司 | 经改进的多时相动态对比增强磁共振成像的方法 |
CN105022719A (zh) * | 2014-04-23 | 2015-11-04 | Ge医疗系统环球技术有限公司 | 医学造影系统及方法 |
CN104537711A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 一种基于健康人群的白质纤维参数化模型构建方法 |
WO2016131489A1 (en) * | 2015-02-19 | 2016-08-25 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
US20180005380A1 (en) * | 2015-02-19 | 2018-01-04 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
US20170052241A1 (en) * | 2015-08-17 | 2017-02-23 | Siemens Healthcare Gmbh | Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis |
CN105913458A (zh) * | 2016-05-04 | 2016-08-31 | 浙江工业大学 | 一种基于群体跟踪的脑白质纤维成像方法 |
EP3407295A1 (en) * | 2017-05-22 | 2018-11-28 | Koninklijke Philips N.V. | Fibre-tracking from a diffusion-weighted magnetic resonance image |
CN107174248A (zh) * | 2017-06-09 | 2017-09-19 | 河北医科大学第二医院 | 一种基于磁共振扩散张量成像的脊神经根病变定量评价方法 |
CN109741290A (zh) * | 2017-10-30 | 2019-05-10 | 林庆波 | 用于神经追踪的方法、非暂时性计算机可读媒体及设备 |
CN108734163A (zh) * | 2018-05-04 | 2018-11-02 | 北京雅森科技发展有限公司 | 确定弥散张量成像感兴趣区的方法 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
Non-Patent Citations (1)
Title |
---|
刘晓东;蔡子凡;王婷婷;姚力;卢洁;: "全张量步长适应性脑白质纤维跟踪改进算法", 北京师范大学学报(自然科学版), no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542997A (zh) * | 2023-07-04 | 2023-08-04 | 首都医科大学附属北京朝阳医院 | 磁共振图像的处理方法、装置以及计算机设备 |
CN116542997B (zh) * | 2023-07-04 | 2023-11-17 | 首都医科大学附属北京朝阳医院 | 磁共振图像的处理方法、装置以及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110599560B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11116404B2 (en) | Patch guide method and program | |
TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
US20170238836A1 (en) | System and method for data reconstruction in soft-field tomography | |
Yang et al. | Diffusion MRI tractography for neurosurgery: the basics, current state, technical reliability and challenges | |
US9271679B2 (en) | Method and apparatus for processing medical image signal | |
CN111599432B (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
US11229377B2 (en) | System and method for next-generation MRI spine evaluation | |
WO2023280086A1 (zh) | 靶点确定方法、装置、电子设备、存储介质及神经调控设备 | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN111311703A (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN114092475A (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN115311191A (zh) | 使用深度学习估计的扫描方案遮罩来生成三维解剖结构扫描的重新格式化视图 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN110599560B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
TWI477798B (zh) | 自動化分析大腦纖維資訊的方法 | |
EP2174292A1 (en) | A method, apparatus, computer-readable medium and use for pharmacokinetic modeling | |
Zhang et al. | Multimodality neurological data visualization with multi-VOI-based DTI fiber dynamic integration | |
CN114266848A (zh) | 医学图像三维重建方法和装置 | |
KR20210068189A (ko) | 의료 영상을 이용한 병변 여부 판단 방법 | |
CN110673071A (zh) | 磁共振成像方法、装置、计算机设备及可读存储介质 | |
JP6692001B2 (ja) | 表面空間における器官の動脈/組織/静脈の動態系の生理的信号を再構築するためのシステム及び方法 | |
US20230341492A1 (en) | Systems, Methods, and Media for Estimating a Mechanical Property Based on a Transformation of Magnetic Resonance Elastography Data Using a Trained Artificial Neural Network |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |