CN111091561A - 感兴趣区的神经纤维提取方法、系统、设备及存储介质 - Google Patents
感兴趣区的神经纤维提取方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111091561A CN111091561A CN201911326191.XA CN201911326191A CN111091561A CN 111091561 A CN111091561 A CN 111091561A CN 201911326191 A CN201911326191 A CN 201911326191A CN 111091561 A CN111091561 A CN 111091561A
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- data
- image
- diffusion
- 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
Images
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
- G06T7/136—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
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B2090/364—Correlation of different images or relation of image positions in respect to the body
-
- 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
-
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20156—Automatic seed setting
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种感兴趣区的神经纤维提取方法、系统、设备及存储介质,通过获取当前检测部位的解剖图像和弥散张量图像,由于可以基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据建立任意两类数据的映射关系或者映射矩阵,以获得弥散数据和感兴趣区蒙版数据的对应关系,可以自动确定弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
Description
技术领域
本发明实施例涉及医学影像处理技术,尤其涉及一种感兴趣区的神经纤维提取方法、系统、设备及存储介质。
背景技术
弥散张量成像(diffusion tensor imaging,简称DTI)是一种先进的核磁共振(Magnetic Resonance Imaging,简称MRI)技术,可以无创性的观察脑白质纤维的宏观及微观解剖结构的成像方法,能定量的探测大脑组织的微观结构,主要利用对水分子的布朗运动的感知进行成像。
现有技术中进行DTI成像方法时,通常采用DTI处理软件进行追踪以获取大脑的神经纤维,医生根据解剖相数据在DTI图像上手动绘制感兴趣区,然后对手动绘制的感兴趣区的神经纤维进行追踪,得到感兴趣区的神经纤维的追踪结果。
但是,现有技术中通过手动绘制的方式获得DTI图像的感兴趣区过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低。
发明内容
本发明实施例提供了一种感兴趣区的神经纤维提取方法、系统、设备及存储介质,可以自动提取感兴趣区,提高感兴趣区的神经纤维的追踪效率。
第一方面,本发明实施例提供了一种感兴趣区的神经纤维提取方法,其中,包括:
获取当前检测部位的解剖图像和弥散张量图像,其中,所述弥散张量图像包括所述当前检测部位的弥散数据,所述解剖图像包含所述当前检测部位的解剖相数据;
基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区;
采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
第二方面,本发明实施例还提供了一种感兴趣区的神经纤维提取系统,其中,包括:
获取模块,用于获取当前检测部位的解剖图像和弥散张量图像;其中,所述弥散张量图像包括所述当前检测部位的弥散数据,所述解剖图像包含所述当前检测部位的解剖相数据;
提取模块,用于基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区;
追踪模块,用于采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
第三方面,本发明实施例还提供了一种感兴趣区的神经纤维提取设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的感兴趣区的神经纤维提取方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的感兴趣区的神经纤维提取方法。
本实施例提供的技术方案,通过获取当前检测部位的解剖图像和弥散张量图像,由于可以基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据建立任意两类数据的映射关系或者映射矩阵,以获得弥散数据和感兴趣区蒙版数据的对应关系,进而可以自动得到弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
附图说明
图1为本发明实施例一提供的一种感兴趣区的神经纤维提取方法的流程示意图;
图2为本发明实施例二提供的一种感兴趣区的神经纤维提取方法的流程示意图;
图3为本发明实施例三提供的一种感兴趣区的神经纤维提取方法的流程示意图;
图4为本发明实施例四提供的一种感兴趣区的神经纤维提取方法的流程示意图;
图5为本发明实施例四提供的一种感兴趣区的神经纤维提取方法的逻辑示意图;
图6为本发明实施例五提供的一种感兴趣区的神经纤维提取方法的流程示意图;
图7为本发明实施例五提供的一种感兴趣区的神经纤维提取系统的结构示意图;
图8为本发明实施例六提供的一种感兴趣区的神经纤维提取设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种感兴趣区的神经纤维提取方法的流程图,本实施例可适用于自动提取感兴趣区,并基于自动提取的感兴趣区进行神经纤维追踪的情况,该方法可以由一种感兴趣区的神经纤维提取系统来执行,其中该装置可由软件和/或硬件实现,并一般集成在一种感兴趣区的神经纤维提取设备中。具体包括如下步骤:
S110,获取当前检测部位的解剖图像和弥散张量图像。
其中,当前检测部位可以是头部、胸部以及其他部位,可选地,本实施例以头部作为当前检测部位进行介绍。
弥散张量图像是通过弥散张量成像技术利用水分子在大脑组织结构中的扩散特性的差异对大脑进行造影成像而得到的一种磁共振图像,因而,弥散张量图像可以通过展示水分子的方向,进而展示神经纤维的走向。
其中,弥散张量图像包括当前检测部位的弥散数据,解剖图像包含当前检测部位的解剖相数据。
可选地,每个弥散张量图像可以由多组矩阵形式的弥散数据组成,可选地,弥散数据可以包括没施加梯度的DWI图像B0、第1个施加梯度的DWI图像D1、第2个施加梯度的DWI图像D2…第n个施加梯度的DWI图像Dn,其中B0数据至少包含一个,n不小于6。
S120,基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据,提取弥散张量图像的至少一个感兴趣区。
其中,预先存储的当前检测部位的感兴趣区蒙版数据可以是对当前检测部位通过手动处理方式获取标准的蒙版数据。
可选地,可以建立解剖相数据、弥散数据以及感兴趣区蒙版数据中的任意两类数据的映射关系或者映射矩阵,以获得弥散数据和感兴趣区蒙版数据的对应关系,进而自动得到弥散张量图像的至少一个感兴趣区。
可选地,如果自动提取的感兴趣区不满足要求,可以多次获取对弥散张量图像的感兴趣区的编辑指令,根据编辑指令更新弥散张量图像的感兴趣区,以重新提取弥散张量图像的感兴趣区,直到自动提取的感兴趣区满足要求。
S130,采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
其中,预设追踪算法可以包括纤维赋值连续跟踪(Fiber AssignmentContinuousTracking,简称FACT)算法以及张量线算法TensorLine等算法中的至少一个。具体地,FACT算法对感兴趣的神经纤维进行追踪的原理可以理解为:从一个种子体素的中心点开始,沿着弥散张量主特征方向延伸直至与一个相邻体素相遇,然后改变追踪方向为新提速的主弥散方向,按照此过程前进直到满足根据结束条件的体素。因而,自动提取完弥散张量图像的至少一个感兴趣区后,可以在每个感兴趣区选择其中一个体素点作为种子点,结合水分子在大脑组织结构中的扩散特性,以每个种子点为起点并沿着水分子的扩散方向进行生长,直至每个感兴趣的神经纤维完成生长,就可以自动得到至少一个感兴趣区的目标神经纤维。
可选地,目标神经纤维可以包括皮质脊髓束、视束、上纵束、下纵束、扣带以及胼胝体等中的至少一束。
本实施例提供了一种感兴趣区的神经纤维提取方法,通过获取当前检测部位的解剖图像和弥散张量图像,由于可以基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据建立任意两类数据的映射关系或者映射矩阵,以获得弥散数据和感兴趣区蒙版数据的对应关系,进而可以自动得到弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
实施例二
图2为本发明实施例二提供的一种感兴趣区的神经纤维提取方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化,可选地,所述基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区,包括:将所述弥散数据与所述解剖相数据进行配准,得到所述弥散数据与所述解剖相数据的配准矩阵;将所述解剖相数据与所述当前检测部位的感兴趣区蒙版数据进行配准,得到所述解剖相数据与所述感兴趣区蒙版数据之间的第一映射关系;基于所述配准矩阵和所述第一映射关系,确定所述当前检测部位的感兴趣区蒙版数据与所述弥散数据的第二映射关系;根据所述第二映射关系,确定所述弥散张量图像的至少一个感兴趣区。
具体参见图2所示,本实施例的方法可以包括如下步骤:
S210,获取当前检测部位的解剖图像和弥散张量图像。
S220,将弥散数据与解剖相数据进行配准,得到弥散数据与解剖相数据的配准矩阵。
可选地,弥散数据与解剖相数据的配准方式可以是刚性配准,也可以是非刚性配准。可选地,可以将弥散数据的B0数据与解剖相数据进行配准,也可以将弥散数据的Di(1<=i<=n)数据与解剖相数据进行配准,本实施例对于与解剖相数据进行配准的弥散数据不做具体限定。
S230,将解剖相数据与当前检测部位的感兴趣区蒙版数据进行配准,得到解剖相数据与感兴趣区蒙版数据之间的第一映射关系。
可选地,弥散数据与当前检测部位的感兴趣区蒙版数据的配准方式可以是刚性配准,也可以是非刚性配准。
S240,基于配准矩阵和第一映射关系,确定当前检测部位的感兴趣区蒙版数据与弥散数据的第二映射关系。
可以理解的是,该配准矩阵可以包含弥散数据与解剖相数据的对应关系,第一映射关系可以包含解剖相数据与当前检测部位的感兴趣区蒙版数据的对应关系,因而,基于配准矩阵和第一映射关系,就可以得到当前检测部位的感兴趣区蒙版数据与弥散数据的第二映射关系,即得到感兴趣区蒙版数据与弥散数据的对应关系。
S250,根据第二映射关系,确定弥散张量图像的至少一个感兴趣区。
可以理解的是,由于第二映射关系包含当前检测部位的感兴趣区蒙版数据与弥散数据的对应关系,因而,根据第二映射关系就可以自动确定该弥散张量图像的至少一个感兴趣区。
S260,采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
本实施例提供了一种感兴趣区的神经纤维提取方法,通过获取当前检测部位的解剖图像和弥散张量图像,并将弥散数据与解剖相数据进行配准,得到弥散数据与解剖相数据的配准矩阵,将解剖相数据与当前检测部位的感兴趣区蒙版数据进行配准,得到解剖相数据与所述感兴趣区蒙版数据之间的第一映射关系,基于配准矩阵和第一映射关系,确定当前检测部位的感兴趣区蒙版数据与弥散数据的第二映射关系,根据第二映射关系,确定弥散张量图像的至少一个感兴趣区,可以自动得到弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
实施例三
图3为本发明实施例三提供的一种感兴趣区的神经纤维提取方法的流程示意图。本实施例的技术方案基于深度学习方式提取弥散张量图像的至少一个感兴趣区,可选地,提取所述弥散张量图像的至少一个感兴趣区,包括:将所述解剖相数据输入至训练完成的第二提取模型,得到所述解剖图像的至少一个感兴趣区;其中,所述第二提取模型根据人工划分得到的多个历史解剖图像的感兴趣区和多个历史解剖图像的解剖相数据对第二原始神经网络模型训练获得;将所述解剖图像与所述弥散张量图像进行配准,确定所述弥散张量图像的至少一个感兴趣区。具体参见图3所示,本实施例的方法可以包括如下步骤:
S310,获取当前检测部位的解剖图像和弥散张量图像。
S320,将解剖相数据输入至训练完成的提取模型,得到解剖图像的至少一个感兴趣区。
其中,提取模型根据人工划分得到的多个历史解剖图像的感兴趣区和多个历史解剖图像的解剖相数据对原始神经网络模型训练获得。
可选地,原始神经网络模型可以是深度学习网络模型,也可以是卷积神经网络模型,本实施例不做具体限定。
可以理解的是,人工划分得到的多个历史解剖图像的感兴趣区可以是标准感兴趣区,历史解剖图像的解剖相数据可以是标准解剖相数据,因而,通过多个标准感兴趣区标准解剖相数据训练得到的提取模型准确度较高,然后将当前检测部位的解剖相数据输入至该提取模型就可以自动得到解剖图像的至少一个感兴趣区。
S330,将解剖图像与弥散张量图像进行配准,确定弥散张量图像的至少一个感兴趣区。
可选地,解剖图像的至少一个感兴趣区与弥散张量图像的配准方式可以是刚性配准,也可以是非刚性配准。
S340,采用预设追踪算法追踪处于通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
可选地,还可以采用至少一个标准弥散图像的感兴趣区和标准弥散张量图像对原始神经网络进行训练,得到训练完成的提取模型,然后将获取到的当前检测部位的弥散张量图像输入至训练完成的提取模型,就可以得到弥散张量图像的至少一个感兴趣区。
本实施例提供了一种感兴趣区的神经纤维提取方法,通过获取当前检测部位的解剖图像和弥散张量图像,将解剖相数据输入至训练完成的提取模型,得到解剖图像的至少一个感兴趣区,然后将解剖图像与弥散张量图像进行配准,可以自动得到弥散张量图像的至少一个感兴趣区,或者将弥散数据输入至训练完成的提取模型,自动得到弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
实施例四
图4为本发明实施例四提供的一种感兴趣区的神经纤维提取方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化,可选地,所述采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维之前,还包括:根据所述弥散数据进行计算,确定出特征数据,并根据所述特征数据确定所述弥散张量数据的阈值蒙版图像;或者,对所述弥散张量图像的特征区域进行分割,得到所述当前检测部位的特征区域蒙版图像。
具体参见图4所示,本实施例的方法可以包括如下步骤:
S410,获取当前检测部位的解剖图像和弥散张量图像。
S420,基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据,提取弥散张量图像的至少一个感兴趣区。
S430,对弥散张量图像的特征区域进行分割,得到当前检测部位的特征区域蒙版图像。
其中,特征区域可以是脑部、胸部等部位,可选地,如果特征区域为脑部,则通过对弥散张量图像进行去头皮操作实现对弥散张量图像的特征区域进行分割,得到当前检测部位的脑蒙版图像。
S440,根据弥散数据进行计算,确定出特征数据,并根据特征数据确定弥散张量数据的阈值蒙版图像。
可选地,弥散数据可以包括弥散张量的迹(Trace)以及其他数据,弥散张量的迹(Trace)=λ1+λ2+λ3,其中,λ1、λ2、λ3分别为弥散数据的三个特征方向,特征数据可以是部分各向异性指数FA、容积比指数(Volume Ratio,简称VR)以及相对各向异性指数RA等,其中,FA、VR以及RA均是由λ1、λ2、λ3计算得到,因而,得到了特征数据之后,可以调整特征数据的阈值,以确定弥散张量数据的阈值蒙版图像。
S450,采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
可选地,可以按照预设追踪算法对弥散张量图像进行神经纤维追踪,得到处于阈值蒙版或特征区域蒙版内的至少一条待选神经纤维,然后基于追踪到的处于阈值蒙版图像的至少一条待选神经纤维或特征区域蒙版图像中的至少一条待选神经纤维以及至少一个感兴趣区,得到通过至少一个感兴趣区的至少一条目标神经纤维。
其中,待选神经纤维可以是弥散张量图像中处于阈值蒙版或特征区域蒙版内的所有的神经纤维。可以理解的是,根据所有的神经纤维再结合至少一个感兴趣区,就可以得到弥散张量图像的感兴趣区的至少一条目标神经纤维。
可以理解的是,上述方法是通过后台实现的,在用户操作界面端,用户可以通过向感兴趣区的神经纤维提取设备导入配置文件和/或输入指令控制追踪弥散张量图像的感兴趣区的至少一条目标神经纤维。因而,该设备可以根据获取到的预先导入的配置文件和/或接收到的用户输入指令,确定目标神经纤维的至少一个感兴趣区域,然后根据至少一个感兴趣区和至少一条待选神经纤维,确定通过阈值蒙版图像或特征区域蒙版图像中的至少一条目标神经纤维。
其中,配置文件和输入指令可以包括用户想要追踪神经纤维的感兴趣区域,例如想要追踪通过下丘脑的神经纤维,用户可以导入下丘脑对应的配置文件或者在用户操作界面上点击或者选择下丘脑对应的选项。因而,用户通过在前端向感兴趣区的神经纤维提取设备导入配置文件和/或输入指令结合上述后台实现的方法,就可以得到弥散张量图像的感兴趣区的至少一条目标神经纤维。
图5本发明实施例提供的一种感兴趣区的神经纤维提取方法的逻辑示意图,结合图5所示,在获取到解剖图像的解剖相数据和弥散图像的弥散数据之后,将上述数据导入感兴趣区的神经纤维提取设备中,并根据弥散数据计算特征数据,例如计算λ1、λ2、λ3、FA、VR以及RA,可选地,通过调整上述特征数据的阈值得到阈值蒙版图像,或者,将预先获得的感兴趣区蒙版数据作为金标准数据,将预先获得的感兴趣区蒙版数据与解剖相数据进行配准,以及将弥散数据与解剖相数据进行配准,得到弥散张量图像的至少一个感兴趣区,如果在用户操作界面端对弥散张量图像的至少一个感兴趣区进行勾选去头皮,则可以得到脑蒙版图像,并基于阈值蒙版图像或者脑蒙版图像对全脑的神经纤维进行追踪,得到处于阈值蒙版图像或特征区域蒙版图像中的至少一条目标神经纤维,可选地,获取到弥散张量图像的至少一个感兴趣区之后,如果用户在用户操作界面端选择神经纤维,则可以筛选出选择的神经纤维所在的感兴趣区,感兴趣区的神经纤维提取设备判断筛选出的感兴趣是否需要编辑,如果需要编辑,对感兴趣区进行编辑,如果不需要编辑,结合处于阈值蒙版图像或特征区域蒙版图像中的至少一条目标神经纤维以及感兴趣区,就可以得到自动大神经纤维,即得到弥散张量图像的感兴趣区的至少一条目标神经纤维。
因而,通过上述利用阈值蒙版图像或特征区域蒙版图像的中的神经纤维结合弥散张量图像的至少一个感兴趣区,进而得到弥散张量图像的感兴趣区的至少一条目标神经纤维的方法,以及通过在前台导入配置文件和/或输入指令选择可以随时选择不同追踪不同部位,达到了分别在前台和后台提供多种追踪方式的目的,实现提高自动追踪弥散张量图像的至少一个感兴趣区的目标神经纤维的灵活性的效果。
实施例五
图6为本发明实施例五提供的一种感兴趣区的神经纤维提取方法的流程示意图。本实施例的技术方案通过将感兴趣区作为种子点对弥散张量图像的至少一个感兴趣的目标神经纤维进行追踪,可选地,所述采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维,包括:确定出至少一条目标神经纤维;获取所述阈值蒙版图像或所述特征区域蒙版图像;将至少一个所述感兴趣区作为种子点;基于所述种子点,按照预设追踪算法在所述阈值蒙版图像或所述特征区域蒙版内进行追踪,确定通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
具体参见图6所示,本实施例的方法可以包括如下步骤:
S510,获取当前检测部位的解剖图像和弥散张量图像。
S520,基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据,提取弥散张量图像的至少一个感兴趣区。
S530,确定出至少一条目标神经纤维。
S540,获取阈值蒙版图像或特征区域蒙版图像。
S550,将至少一个感兴趣区作为种子点。
可选地,通过上述实施例或者本实施例获得感兴趣区之后,用户可以在融合界面或者曲面重建(MPR)界面的图像上直接点取感兴趣区(ROI),或者,在操作界面的ROI列表选择相应的ROI,或者,利用上述实施例提供的方式获取ROI。可选地,用户进入编辑状态可以包括:在编辑功能区选择相应的控件或通过图像点取ROI后右击进入菜单栏。可选地,提供给用户的编辑方案可以包括:通过勾绘曲线(直线)后计算得到相应的封闭区域或利用刷子工具进行点选或涂抹,其中,编辑效果包括增加或消除。
S560,基于种子点和至少一条目标神经纤维,按照预设追踪算法在阈值蒙版图像或特征区域蒙版内进行追踪,确定通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
可以理解的是,可以根据不同感兴趣区之间的逻辑关系以及至少一条目标神经纤维,并按照上述实施例提供的追踪算法进行追踪,就可以得到弥散张量图像的至少一个感兴趣区的目标神经纤维。其中,不同感兴趣区之间的逻辑关系可以是“和/或/非”等逻辑关系。
本实施例提供了一种感兴趣区的神经纤维提取方法,用户可以通过自动选择种子点的方式获得感兴趣区,增加了感兴趣区的获取方式,在得到弥散张量图像的至少一个感兴趣区之后,可以确定出至少一条目标神经纤维,将得到的至少一个感兴趣区作为种子点,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,实现为用户提供多种弥散张量图像的感兴趣区的目标神经纤维的追踪方式的效果。
实施例六
图7为本发明实施例六提供的一种感兴趣区的神经纤维提取系统的结构示意图。参见图7所示,该系统包括:获取模块61、提取模块62和追踪模块63。
其中,获取模块61,用于获取当前检测部位的解剖图像和弥散张量图像;其中,弥散张量图像包括当前检测部位的弥散数据,解剖图像包含当前检测部位的解剖相数据;提取模块62,用于基于解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区;追踪模块63,用于采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
在上述各技术方案的基础上,提取模块62,还用于将弥散数据与解剖相数据进行配准,得到弥散数据与解剖相数据的配准矩阵;将解剖相数据与当前检测部位的感兴趣区蒙版数据进行配准,得到解剖相数据与感兴趣区蒙版数据之间的第一映射关系;基于配准矩阵和第一映射关系,确定当前检测部位的感兴趣区蒙版数据与弥散数据的第二映射关系;根据第二映射关系,确定弥散张量图像的至少一个感兴趣区。
在上述各技术方案的基础上,提取模块62,还用于将解剖相数据输入至训练完成的提取模型,得到解剖图像的至少一个感兴趣区;其中,提取模型根据人工划分得到的多个历史解剖图像的感兴趣区和多个历史解剖图像的解剖相数据对原始神经网络模型训练获得;
将解剖图像与弥散张量图像进行配准,确定弥散张量图像的至少一个感兴趣区。
在上述各技术方案的基础上,还包括:
计算模块,用于根据弥散数据进行计算,确定出特征数据,并根据特征数据确定弥散张量数据的阈值蒙版图像;或者,
分割模块,用于对弥散张量图像的特征区进行分割,得到当前检测部位的特征区域蒙版图像。
在上述各技术方案的基础上,追踪模块63还用于,获取阈值蒙版图像或特征区域蒙版图像;
按照预设追踪算法对所述弥散张量图像进行神经纤维追踪,得到处于所述阈值蒙版图像或所述特征区域蒙版内至少一条待选神经纤维;
基于处于所述阈值蒙版图像的所述至少一条待选神经纤维或所述特征区域蒙版图像中的所述至少一条待选神经纤维以及至少一个所述感兴趣区,得到通过所述弥散张量图像的至少一个感兴趣区的至少一条目标神经纤维。
在上述各技术方案的基础上,追踪模块63还用于,根据获取到的预先导入的配置文件和/或接收到的用户输入指令,确定目标神经纤维的至少一个感兴趣区;根据至少一个感兴趣区和至少一条待选神经纤维,确定通过所述至少一个感兴趣区的至少一条目标神经纤维。
在上述各技术方案的基础上,追踪模块63,还用于确定出至少一条目标神经纤维;获取阈值蒙版图像或所述特征区域蒙版图像;将至少一个感兴趣区作为种子点;基于种子点和至少一条目标神经纤维,按照预设追踪算法在阈值蒙版图像或特征区域蒙版内进行追踪,确定通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
在上述各技术方案的基础上,还包括:
更新模块,用于获取对弥散张量图像的感兴趣区的编辑指令,根据编辑指令更新弥散张量图像的感兴趣区。
本实施例提供了一种感兴趣区的神经纤维提取系统,通过获取当前检测部位的解剖图像和弥散张量图像,由于可以基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据建立任意两类数据的映射关系或者映射矩阵,以获得弥散数据和感兴趣区蒙版数据的对应关系,进而可以自动得到弥散张量图像的至少一个感兴趣区,然后采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维,解决了现有技术中因为通过手动绘制的方式导致获得感兴趣区的过程较为繁琐,进而导致感兴趣区的神经纤维追踪的效率较低的问题,实现提高感兴趣区的神经纤维的追踪效率的效果。
实施例七
图8为本发明实施例七提供的一种感兴趣区的神经纤维提取设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性感兴趣区的神经纤维提取设备12的框图。图8显示的感兴趣区的神经纤维提取设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,感兴趣区的神经纤维提取设备12以通用计算设备的形式表现。感兴趣区的神经纤维提取设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
感兴趣区的神经纤维提取设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被感兴趣区的神经纤维提取设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。感兴趣区的神经纤维提取设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如感兴趣区的神经纤维提取系统的获取模块61、提取模块62和追踪模块63)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如感兴趣区的神经纤维提取系统的获取模块61、提取模块62和追踪模块63)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
感兴趣区的神经纤维提取设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该感兴趣区的神经纤维提取设备12交互的设备通信,和/或与使得该感兴趣区的神经纤维提取设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,感兴趣区的神经纤维提取设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与感兴趣区的神经纤维提取设备12的其它模块通信。应当明白,尽管图中未示出,可以结合感兴趣区的神经纤维提取设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种感兴趣区的神经纤维提取方法,该方法包括:获取当前检测部位的解剖图像和弥散张量图像,其中,弥散张量图像包括当前检测部位的弥散数据,解剖图像包含当前检测部位的解剖相数据;基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据,提取弥散张量图像的至少一个感兴趣区;采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种感兴趣区的神经纤维提取方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种感兴趣区的神经纤维提取方法的技术方案。
实施例八
本发明实施例八还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种感兴趣区的神经纤维提取方法,该方法包括:
获取当前检测部位的解剖图像和弥散张量图像,其中,弥散张量图像包括当前检测部位的弥散数据,解剖图像包含当前检测部位的解剖相数据;
基于解剖相数据、弥散数据以及预先存储的当前检测部位的感兴趣区蒙版数据,提取弥散张量图像的至少一个感兴趣区;
采用预设追踪算法追踪通过弥散张量图像的至少一个感兴趣区的目标神经纤维。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种感兴趣区的神经纤维提取方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在弥散数据、解剖相数据、感兴趣区蒙版数据等,其中承载了计算机可读的程序代码。这种传播的弥散数据、解剖相数据、感兴趣区蒙版数据可以采用多种形式,包括但不限于数据帧等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述图像分割装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种感兴趣区的神经纤维提取方法,其特征在于,包括:
获取当前检测部位的解剖图像和弥散张量图像,其中,所述弥散张量图像包括所述当前检测部位的弥散数据,所述解剖图像包含所述当前检测部位的解剖相数据;
基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区;
采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
2.根据权利要求1所述的方法,其特征在于,基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区,包括:
将所述弥散数据与所述解剖相数据进行配准,得到所述弥散数据与所述解剖相数据的配准矩阵;
将所述解剖相数据与所述当前检测部位的感兴趣区蒙版数据进行配准,得到所述解剖相数据与所述感兴趣区蒙版数据之间的第一映射关系;
基于所述配准矩阵和所述第一映射关系,确定所述当前检测部位的感兴趣区蒙版数据与所述弥散数据的第二映射关系;
根据所述第二映射关系,确定所述弥散张量图像的至少一个感兴趣区。
3.根据权利要求1所述的方法,其特征在于,提取所述弥散张量图像的至少一个感兴趣区,包括:
将所述解剖相数据输入至训练完成的提取模型,得到所述解剖图像的至少一个感兴趣区;其中,所述提取模型根据人工划分得到的多个历史解剖图像的感兴趣区和多个历史解剖图像的解剖相数据对原始神经网络模型训练获得;
将所述解剖图像与所述弥散张量图像进行配准,确定所述弥散张量图像的至少一个感兴趣区。
4.根据权利要求1所述的方法,其特征在于,采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维之前,还包括:
根据所述弥散数据进行计算,确定出特征数据,并根据所述特征数据确定所述弥散张量数据的阈值蒙版图像;或者,
对所述弥散张量图像的特征区域进行分割,得到所述当前检测部位的特征区域蒙版图像。
5.根据权利要求4所述的方法,其特征在于,采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维,包括:
获取所述阈值蒙版图像或所述特征区域蒙版图像;
按照预设追踪算法对所述弥散张量图像进行神经纤维追踪,得到处于所述阈值蒙版图像或所述特征区域蒙版内至少一条待选神经纤维;
基于处于所述阈值蒙版图像的所述至少一条待选神经纤维或所述特征区域蒙版图像中的所述至少一条待选神经纤维以及至少一个所述感兴趣区,得到通过所述弥散张量图像的至少一个感兴趣区的至少一条目标神经纤维。
6.根据权利要求5所述的方法,其特征在于,基于处于所述阈值蒙版图像的所述至少一条待选神经纤维或所述特征区域蒙版图像中的所述至少一条待选神经纤维以及至少一个所述感兴趣区,得到通过所述弥散张量图像的至少一个感兴趣区的至少一条目标神经纤维,包括:
根据获取到的预先导入的配置文件和/或接收到的用户输入指令,确定所述目标神经纤维的至少一个感兴趣区;
根据所述至少一个感兴趣区和所述至少一条待选神经纤维,确定通过所述至少一个感兴趣区的至少一条目标神经纤维。
7.根据权利要求4所述的方法,其特征在于,采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维,包括:
确定出至少一条目标神经纤维;
获取所述阈值蒙版图像或所述特征区域蒙版图像;
将至少一个所述感兴趣区作为种子点;
基于所述种子点和所述至少一条目标神经纤维,按照预设追踪算法在所述阈值蒙版图像或所述特征区域蒙版内进行追踪,确定通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
8.根据权利要求1所述的方法,其特征在于,还包括:
获取对所述弥散张量图像的感兴趣区的编辑指令,根据所述编辑指令更新所述弥散张量图像的感兴趣区。
9.一种感兴趣区的神经纤维提取系统,其特征在于,包括:
获取模块,用于获取当前检测部位的解剖图像和弥散张量图像;其中,所述弥散张量图像包括所述当前检测部位的弥散数据,所述解剖图像包含所述当前检测部位的解剖相数据;
提取模块,用于基于所述解剖相数据、所述弥散数据以及预先存储的所述当前检测部位的感兴趣区蒙版数据,提取所述弥散张量图像的至少一个感兴趣区;
追踪模块,用于采用预设追踪算法追踪通过所述弥散张量图像的所述至少一个感兴趣区的目标神经纤维。
10.一种感兴趣区的神经纤维提取设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的感兴趣区的神经纤维提取方法。
11.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-8中任一项所述的感兴趣区的神经纤维提取方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326191.XA CN111091561B (zh) | 2019-12-20 | 2019-12-20 | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 |
EP20903966.8A EP4066206A4 (en) | 2019-12-20 | 2020-12-20 | SYSTEMS AND METHODS FOR IMAGE-BASED NERVE FIBER EXTRACTION |
PCT/CN2020/137836 WO2021121415A1 (en) | 2019-12-20 | 2020-12-20 | Systems and methods for image-based nerve fiber extraction |
US17/807,856 US20220313384A1 (en) | 2019-12-20 | 2022-06-20 | Systems and methods for image-based nerve fiber extraction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326191.XA CN111091561B (zh) | 2019-12-20 | 2019-12-20 | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091561A true CN111091561A (zh) | 2020-05-01 |
CN111091561B CN111091561B (zh) | 2023-09-22 |
Family
ID=70396173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911326191.XA Active CN111091561B (zh) | 2019-12-20 | 2019-12-20 | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220313384A1 (zh) |
EP (1) | EP4066206A4 (zh) |
CN (1) | CN111091561B (zh) |
WO (1) | WO2021121415A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
WO2021121415A1 (en) * | 2019-12-20 | 2021-06-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image-based nerve fiber extraction |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
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 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591616B (zh) * | 2021-07-14 | 2024-02-13 | 华中科技大学 | 一种基于前景点聚类的神经纤维重建方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124117A1 (en) * | 2005-11-30 | 2007-05-31 | Wei Zhang | Method and system for fiber tracking |
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 |
EP2827167A1 (en) * | 2013-07-17 | 2015-01-21 | Samsung Electronics Co., Ltd | Method and apparatus for selecting seed area for tracking nerve fibers in brain |
US20150293200A1 (en) * | 2014-04-11 | 2015-10-15 | The Medical College Of Wisconsin, Inc. | Methods for Generating Imaging Biomarkers Based on Diffusion Tensor Imaging of the Spinal Cord |
US20170103525A1 (en) * | 2015-10-09 | 2017-04-13 | Mayo Foundation For Medical Education And Research | System and Method for Tissue Characterization Based on Texture Information Using Multi-Parametric MRI |
US20180005380A1 (en) * | 2015-02-19 | 2018-01-04 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
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 |
WO2019070764A1 (en) * | 2017-10-03 | 2019-04-11 | Mint Labs Inc. | MONITORING AND SEGMENTATION OF FIBER |
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 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
WO2019135234A1 (en) * | 2018-01-03 | 2019-07-11 | Ramot At Tel-Aviv University Ltd. | Systems and methods for the segmentation of multi-modal image data |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091561B (zh) * | 2019-12-20 | 2023-09-22 | 上海联影医疗科技股份有限公司 | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 |
-
2019
- 2019-12-20 CN CN201911326191.XA patent/CN111091561B/zh active Active
-
2020
- 2020-12-20 WO PCT/CN2020/137836 patent/WO2021121415A1/en unknown
- 2020-12-20 EP EP20903966.8A patent/EP4066206A4/en active Pending
-
2022
- 2022-06-20 US US17/807,856 patent/US20220313384A1/en active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124117A1 (en) * | 2005-11-30 | 2007-05-31 | Wei Zhang | Method and system for fiber tracking |
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 |
EP2827167A1 (en) * | 2013-07-17 | 2015-01-21 | Samsung Electronics Co., Ltd | Method and apparatus for selecting seed area for tracking nerve fibers in brain |
US20150293200A1 (en) * | 2014-04-11 | 2015-10-15 | The Medical College Of Wisconsin, Inc. | Methods for Generating Imaging Biomarkers Based on Diffusion Tensor Imaging of the Spinal Cord |
US20180005380A1 (en) * | 2015-02-19 | 2018-01-04 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
US20170103525A1 (en) * | 2015-10-09 | 2017-04-13 | Mayo Foundation For Medical Education And Research | System and Method for Tissue Characterization Based on Texture Information Using Multi-Parametric MRI |
EP3407295A1 (en) * | 2017-05-22 | 2018-11-28 | Koninklijke Philips N.V. | Fibre-tracking from a diffusion-weighted magnetic resonance image |
WO2019070764A1 (en) * | 2017-10-03 | 2019-04-11 | Mint Labs Inc. | MONITORING AND SEGMENTATION OF FIBER |
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 |
WO2019135234A1 (en) * | 2018-01-03 | 2019-07-11 | Ramot At Tel-Aviv University Ltd. | Systems and methods for the segmentation of multi-modal image data |
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 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
ANG DEFENG ET AL: "Tractography atlas-based spatial statistics: Statistical analysis of diffusion tensor image along fiber pathways", NEUROIMAGE, vol. 125, pages 301 - 310, XP029352238, DOI: 10.1016/j.neuroimage.2015.10.032 * |
姚旭峰等: "磁共振弥散张量成像纤维束追踪算法的研究进展", 医学研究杂志, vol. 41, no. 06, pages 174 - 176 * |
马凯等: "应用弥散张量成像实现神经纤维追踪的方法", 中国组织工程研究与临床康复, vol. 14, no. 43, pages 7983 - 7986 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021121415A1 (en) * | 2019-12-20 | 2021-06-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image-based nerve fiber extraction |
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN111429456B (zh) * | 2020-05-06 | 2023-09-05 | 上海联影医疗科技股份有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
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 |
---|---|
EP4066206A1 (en) | 2022-10-05 |
EP4066206A4 (en) | 2023-05-24 |
CN111091561B (zh) | 2023-09-22 |
WO2021121415A1 (en) | 2021-06-24 |
US20220313384A1 (en) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091561B (zh) | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 | |
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
JP6636678B2 (ja) | 画像内物体の注釈付けの学習 | |
CN109567843B (zh) | 一种成像扫描自动定位方法、装置、设备及介质 | |
CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
US8076937B2 (en) | Fibre tracking on the basis of macroscopic information | |
KR101540946B1 (ko) | 뇌 신경 섬유를 추적하기 위한 시드 영역 선택 방법 및 장치 | |
CN111369542B (zh) | 血管标记方法、图像处理系统和存储介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN106388843A (zh) | 医学影像设备及其扫描方法 | |
KR20210038987A (ko) | 자동 종양 검출 및 분류를 위한 시스템 | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
US9317926B2 (en) | Automatic spinal canal segmentation using cascaded random walks | |
US7539333B2 (en) | System and method for processing human body image | |
US20200143934A1 (en) | Systems and methods for semi-automatic tumor segmentation | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
CN112634309B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Di Biase et al. | Connectomes for 40,000 UK Biobank participants: A multi-modal, multi-scale brain network resource | |
Kok et al. | Structural network analysis using diffusion MRI tractography in Parkinson's disease and correlations with motor impairment | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN113409273B (zh) | 一种图像分析方法、装置、设备和介质 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 |
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 |
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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |