CN111227834A - 静息态脑功能连接的自动化快速可视化方法 - Google Patents
静息态脑功能连接的自动化快速可视化方法 Download PDFInfo
- Publication number
- CN111227834A CN111227834A CN202010040241.4A CN202010040241A CN111227834A CN 111227834 A CN111227834 A CN 111227834A CN 202010040241 A CN202010040241 A CN 202010040241A CN 111227834 A CN111227834 A CN 111227834A
- Authority
- CN
- China
- Prior art keywords
- brain
- functional
- image
- functional image
- pixel
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种静息态脑功能连接的自动化快速可视化方法。通过分析脑功能磁共振成像数据,自动获取功能图像,自动完成数据分析,然后再自动把分析得到的脑网络连接强度信息回传给PACS以方便用户随时调阅,本发明将弥补当前医用磁共振扫描设备的技术支持盲区,将丰富可供医技人员参考的生物学信息指标,从而提升临床诊断或干预评价环节的全面性和客观性。
Description
技术领域
本发明属神经影像诊断技术领域,涉及一种静息态脑功能连接的自动化快速可视化方法。
背景技术
脑功能磁共振成像是探究大脑功能机制的重要手段。基于血氧水平依赖(BloodOxygen Level Dependent)的局部信号变化,我们可以在各种病理条件下(例如脑卒中)检查大脑不同区域内部活动以及各区域之间功能连接强度的改变,从而为相关的科学研究和医疗诊断提供必要的生物医学证据。
目前,虽然功能影像数据在各医院配备的主流磁共振扫描设备上均可采集,但临床医生的诊断和干预评价还主要依赖于结构影像,这使得很多结构上未见器质性病变但行为功能表现出明显损伤的病例(例如因微出血或精神科病因导致的语言,运动,感觉,记忆,以及情绪调控方面的障碍)相对难以得到较为全面客观的诊断和评价。
造成这一问题的重要原因在于脑功能磁共振成像数据分析的复杂性及其结果呈现的非直观性。另外,由于脑功能磁共振数据分析过程对计算机硬件要求高,后处理时间长(平均2-3天/病例),也极大地限制了其在临床日常诊疗中的应用。一般临床和放射科医生所受的专业训练来自于基础医学领域,这样的专业背景通常不包含生物医学工程领域的数字信号分析;而磁共振设备本身又只提供原始的图像,对于需要进行复杂图像后处理才能进行的功能评价方面却缺乏必要的技术支持。在“静息态”脑功能网络分析手段逐渐成熟并被越来越多地应用于神经系统疾病诊断和干预的今天,临床和放射科医护人员急需一款能够分析脑功能磁共振成像数据的技术,它可以从医院的图像归档和传输系统(PictureArchiving and Communication System,PACS)中自动获取功能图像,自动完成数据分析,然后再自动把分析得到的脑网络连接强度信息回传给PACS以方便用户随时调阅。而这样的技术在目前还不存在于日常的自动化医疗诊断系统之中。由于这一缺失,很多神经科和精神科的临床医生甚至都不知道脑功能磁共振成像的存在及其价值。
发明内容
基于神经影像诊断领域中存在的上述问题,本发明的目的在于帮助医技人员更加充分地发挥现有磁共振扫描设备所提供的功能,极大缩短脑功能磁共振成像的后处理时间,把脑功能磁共振成像技术应用于日常的医疗实践。本发明所要解决的技术问题是能够分析脑功能磁共振成像数据,自动获取功能图像,自动完成数据分析,然后再自动把分析得到的脑网络连接强度信息回传给PACS以方便用户随时调阅,将弥补当前医用磁共振扫描设备的技术支持盲区,将丰富可供医技人员参考的生物学信息指标,从而提升临床诊断或干预评价环节的全面性和客观性,本发明提供一种静息态脑功能连接的自动化快速可视化方法。
在一线临床医生手中,当前并不存在“现有”的技术手段能够实现静息态脑功能磁共振成像数据的一键式自动获取,自动分析,以及功能连接特征指标的可视化。因此,在所有基于磁共振脑成像的放射科检查报告中当前均不存在描述“脑功能连接”的生物医学指标。基于这样的事实,利用学术研究领域常用的AFNI开源程序,本发明提出了静息态脑功能连接的自动化快速可视化方法的解决方案。
本发明的静息态脑功能连接的自动化快速可视化方法,将磁共振脑成像数据从PACS数据库中实时地抓取出来进行脑功能连接分析,得到功能连接矩阵并可视化呈现用户指定的相关AAL脑区。
本发明的静息态脑功能连接的自动化快速可视化方法,包括以下步骤:
(1)磁共振脑结构和脑功能成像数据的提取;
实时分别抓取磁共振脑图像中的结构图像和功能图像;
(2)结构图像的头皮去除和组织分割;
去除所述脑结构图像中的头皮和头骨影像;然后依据像素信号的强度和空间位置分布分割为三个部分,即脑白质、脑灰质以及脑脊液;
(3)功能图像的异常时间点标记;
在所述功能图像中,一个时间点上带有异常值的像素如果多于全脑的10%,则把这个时间点标记为异常时间点;
(4)功能图像的尖峰去除;
尖峰,定义为s>c1的信号峰值。所述尖峰去除是指将该尖峰值用c1+(c2-c1)*tanh((s-c1)/(c2-c1))替代;
其中c1=2.5,c2=4,s=(value-curve)/sigma;
curve是信号的L1拟合,value是像素在尖峰时间点的值,sigma是真实数据与拟合数据之间残差的标准差;
(5)功能图像的层时间矫正;
用时间维度上的傅里叶插值对经尖峰去除后的功能图像进行层时间矫正;
(6)结构图像与功能图像配准;
使用仿射模型将结构图像配准到功能图像上;
(7)结构图像的空间标准化;
将结构图像通过非线性标准化的过程配准到“MNI152”标准大脑空间;
(8)功能图像的头动矫正;
根据3个平动方向和3个转动方向上共6个维度的头动时间变化曲线来矫正每个时间点上的头动;
(9)功能图像噪声排除;
大脑中每个像素的信号均采用多重回归的方式对功能图像中来自于脑白质、脑脊液以及头动的噪声进行排除;所述功能图像噪声排除过程屏蔽上述第(3)步中标记出的异常时间点;
(10)功能图像带通滤波;
功能图像中每个像素的信号均采用傅里叶变换的方式进行带通滤波;所述带通滤波屏蔽上述第(3)步中标记出的异常时间点;
(11)功能图像空间平滑;
功能图像中的大脑皮层灰质部位,在执行步骤(10)的带通滤波后通过高斯平滑核进行空间平滑;
(12)功能图像的空间标准化;
根据步骤(6)和(7),将功能图像标准化到分辨率为2mm3的MNI空间;
(13)功能图像的脑功能连接;
在MNI标准空间里,屏蔽上述第(3)步中标记出的异常时间点后,AAL大脑分区模板的116个脑区将两两进行信号曲线相关分析,相关系数被转换为Fisher’s-Z分数(z=0.5×ln((1+r)/(1-r)))之后会被视觉呈现给用户,这个116×116的信号相关矩阵即为功能连接矩阵;
(14)弱功能连接数值的相对描述;
在总共116个AAL脑区中,与其它115个脑区的平均功能连接相对较弱的会被报告。这一“相对较弱”的相对参考点是个体全脑所有功能连接的平均值。这一报告具体分为4档,即脑区功能连接相对于全脑平均水平下降了20%以上但还未到30%,下降了30%以上但还未到40%,下降了50%
以上但还未到50%,以及下降了50%以上;
(15)可视化呈现AAL脑区;
基于上述第(13)步和第(14)步,用户可自行指定需要可视化呈现的AAL脑区,据此绘制该区域在被试自身结构像上面的定位。
作为优选的技术方案:
如上所述的静息态脑功能连接的自动化快速可视化方法,步骤(1)中,识别DICOM数据头信息中的“0008 103e 14[924]//ID Series Description//t1_mpr_tra_iso”和“0008 103e 20[924]//ID Series Description//ep2d_fid_basic_bold”字段。
如上所述的静息态脑功能连接的自动化快速可视化方法,步骤(3)中,像素值高于alpha*sqrt(PI/2)*MAD就视为异常值;其中MAD是中位数绝对偏移,alpha=qginv(0.001/N),N是时间序列的长度,PI是圆周率。
如上所述的静息态脑功能连接的自动化快速可视化方法,步骤(10)中,带通滤波仅保留0.08Hz-0.009Hz的频带。
如上所述的静息态脑功能连接的自动化快速可视化方法,步骤(11)中,高斯平滑核的半高宽为5mm。
本发明的特点是:(1)基于实时PACS抓取图像数据库的建立和动态维护,(2)基于Linux和AFNI环境的数据分析和可视化代码,以及(3)基于前期研究探索所积累归纳出的自动化分析步骤和这些步骤中所涉及的优化参数。
有益效果
本发明的有益效果在于帮助临床医技人员基于静息态脑功能磁共振成像进行快速一键式的自动化脑功能连接分析和结果可视化。目前现有技术的脑部磁共振影像学诊断绝大部分依赖于扫描仪能够直接提供的结构图像,但广大医技人员所拥有的“现有技术”并不包括功能成像信息,因为功能信息需要经过本发明所述的复杂的分析流程才能获得,不能由图像扫描设备直接提供。因此,本发明的积极效果就在于拓展医技人员所能快速获得的生物医学信息,提升诊断和治疗评价环节中的全面性和客观性。
附图说明
图1为AAL脑区(116个)两两之间的功能连接矩阵;
图2为尾状核图示(图中的红色区域);
其中,图1的原始图像尺寸为3600×2880,水平分辨率和垂直分辨率均为96dpi,位深度24,文件大小928KB,文件格式为jpg格式。图中横坐标与纵坐标均为脑内所有116个功能区,对应整张图像为116×116个矩阵色块组成。每一个色块代表一个脑区与其他脑区的相对功能连接强度。功能连接强弱分别用伪彩暖色与冷色表示,越偏暖色调,表示功能连接强度越强;越偏冷色调,表示功能连接强度越弱。整张图像可以清晰直观地显示功能连接减低的脑区,方便影像和临床医生进行分析研读,并放在研究结果论文中;图2的原始图像尺寸为1820×872,水平分辨率和垂直分辨率均为96dpi,位深度24,文件大小415KB,文件格式为jpg格式。用户可以将发现有功能连接减低的脑区作为感兴趣区,通过一键操作即可将感兴趣区可视化投射在患者自身的磁共振T1WI图像上,方便医生和患者清晰直观地了解异常脑区所对应的解剖位置,并可插入至图文诊断报告和研究论文中,为医生进行患者纵向对比和随访跟踪研究提供便利。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
按数据处理的流程将包含如下步骤的一键式自动分析过程以及用户定制绘图过程:
(1)磁共振脑结构和脑功能数据的提取。当影像科技师把一个或多个病人的磁共振脑图像上传到医院PACS系统之后,本发明将根据图像自带的“医学数字图像和传输”(Digital Imaging and Communications in Medicine,DICOM)数据头信息分别抓取“0008103e 14[924]//ID Series Description//t1_mpr_tra_iso”和“0008 103e 20[924]//IDSeries Description//ep2d_fid_basic_bold”字段,据此实现结构像和功能像的选择性获取。
(2)结构图像的头皮去除和组织分割。头皮和头骨影像是脑功能图像分析中的无效信息,将首先从三维结构图像中去除。此后剩下的脑组织将依据像素信号的强度和空间位置分布被分割为三个部分,即脑白质、脑灰质、以及脑脊液。
(3)功能图像的异常时间点标记。功能图像受被试头动或机器噪声等影响会产生异常值,一个时间点上带有异常值的像素如果多于10%,则把这个时间点标记为异常时间点。所有的异常时间点会在后续的功能连接分析中排除。这里异常值的定义是“alpha*sqrt(PI/2)*MAD”;其中MAD是中位数绝对偏移(median absolute deviation),alpha=qginv(0.001/N),N是时间序列的长度。
(4)功能图像的尖峰去除。功能图像受被试头动或机器噪声等影响还会产生异常的“尖峰”。这样的尖峰值将由“c1+(c2-c1)*tanh((s-c1)/(c2-c1))”替代。其中c1=2.5,c2=4,s=(value-curve)/sigma。“curve”是信号的L1拟合,“value”是像素在某个时间点的值,“signa”是真实数据与拟合数据之间残差的标准差。
(5)功能图像的层时间矫正。功能图像一个时间点上不同层的获取时间是有差异的。这一差异会影响不同脑区之间信号相关度的计算,所以会在功能连接分析过程中用时间维度上的傅里叶插值实现。
(6)结构与功能图像配准。同一个被试自身的结构和功能图像需要在空间上配准之后用户才能把解剖学标记与功能信号对应起来。本发明使用仿射模型将结构像配准到功能像上。
(7)结构图像的空间标准化。为把正常人群的大脑图谱应用于病人个体,每个病人的3D数据会通过一个非线性标准化的过程配准到“MNI152”标准大脑空间。
(8)功能图像的头动矫正。头动造成功能图像中与神经元活动无关的信号变化。这一过程会测量被试在3个平动方向和3个转动方向上共6个维度的头动时间变化曲线。
(9)功能像噪声排除。大脑中每个像素的信号均采用多重回归的方式对来自于白质,脑脊液,以及头动的噪声进行排除。这里三个方面的噪声信号分别来自于上述分析的第2和第9步。
(10)功能像带通滤波。因为神经元的自发放信号有其自身的频率特征,所以大脑中每个像素的信号均采用傅里叶变换的方式进行带通滤波,仅保留0.08Hz-0.009Hz的频带。
(11)功能像空间平滑。为优化个体数据与群体模板的匹配以及提升图像的信噪比,带通滤波之后的数据会通过一个半高宽为5mm的高斯平滑核进行空间平滑。因为神经元胞体主要分布在大脑皮层灰质,所以这一平滑只局限在灰质中进行。
(12)功能图像的空间标准化。使用上述第(7)步所获得的转换矩阵,四维功能图像会被标准化到分辨率为2mm的MNI空间。
(13)功能图像的脑功能连接。在MNI标准空间里,AAL(Anatomical AutomaticLabeling)大脑分区模板的116个脑区将两两进行信号曲线相关分析,相关系数被转换为Fisher’s-Z分数(z=0.5×ln((1+r)/(1-r)))之后会被视觉呈现给用户(见图1)。这个116×116的信号相关矩阵在领域内通常也被称之为功能连接矩阵。
(14)弱功能连接数值的相对描述。在总共116个AAL脑区中,与其它115个脑区的平均功能连接相对较弱的会被报告。这一“相对较弱”的相对参考点是个体全脑所有功能连接的平均值。这一报告具体分为4档,即脑区功能连接相对于全脑平均水平下降了20%以上但还未到30%,下降了30%以上但还未到40%,下降了50%以上但还未到50%,以及下降了50%以上(见表1)。
表1.软件提供给用户关于116个AAL脑区功能连接的相对报告
(15)基于上述第(13)步和第(14)步的汇报,用户可自行指定需要可视化呈现的AAL脑区,据此绘制该区域在被试自身结构像上面的定位(见图2)。
Claims (6)
1.静息态脑功能连接的自动化快速可视化方法,其特征是:将磁共振脑成像数据从PACS数据库中实时地抓取出来进行脑功能连接分析,得到功能连接矩阵并可视化呈现用户指定的相关AAL脑区。
2.根据权利要求1所述的静息态脑功能连接的自动化快速可视化方法,其特征是具体包括以下步骤:
(1)磁共振脑结构和脑功能成像数据的提取;
实时分别抓取磁共振脑图像中的结构图像和功能图像;
(2)结构图像的头皮去除和组织分割;
去除所述脑结构图像中的头皮和头骨影像;然后依据像素信号的强度和空间位置分布分割为三个部分,即脑白质、脑灰质以及脑脊液;
(3)功能图像的异常时间点标记;
在所述功能图像中,一个时间点上带有异常值的像素如果多于全脑的10%,则把这个时间点标记为异常时间点;
(4)功能图像的尖峰去除;
尖峰,定义为s>c1的信号峰值;所述尖峰去除是指将该尖峰值用c1+(c2-c1)*tanh((s-c1)/(c2-c1))替代;
其中c1=2.5,c2=4,s=(value-curve)/sigma;
curve是信号的L1拟合,value是像素在尖峰时间点的值,sigma是真实数据与拟合数据之间残差的标准差;
(5)功能图像的层时间矫正;
用时间维度上的傅里叶插值对经尖峰去除后的功能图像进行层时间矫正;
(6)结构图像与功能图像配准;
使用仿射模型将结构图像配准到功能图像上;
(7)结构图像的空间标准化;
将结构图像通过非线性标准化的过程配准到“MNI152”标准大脑空间;
(8)功能图像的头动矫正;
根据3个平动方向和3个转动方向上共6个维度的头动时间变化曲线来矫正每个时间点上的头动;
(9)功能图像噪声排除;
大脑中每个像素的信号均采用多重回归的方式对功能图像中来自于脑白质、脑脊液以及头动的噪声进行排除;所述功能图像噪声排除过程屏蔽上述第(3)步中标记出的异常时间点;
(10)功能图像带通滤波;
功能图像中每个像素的信号均采用傅里叶变换的方式进行带通滤波;所述带通滤波屏蔽上述第(3)步中标记出的异常时间点;
(11)功能图像空间平滑;
功能图像中的大脑皮层灰质部位,在执行步骤(10)的带通滤波后通过高斯平滑核进行空间平滑;
(12)功能图像的空间标准化;
根据步骤(6)和(7),将功能图像标准化到分辨率为2mm3的MNI空间;
(13)功能图像的脑功能连接;
在MNI标准空间里,屏蔽上述第(3)步中标记出的异常时间点后,AAL大脑分区模板的116个脑区将两两进行信号曲线相关分析,相关系数被转换为Fisher’s-Z分数(z=0.5×ln((1+r)/(1-r)))之后会被视觉呈现给用户,这个116×116的信号相关矩阵即为功能连接矩阵;
(14)弱功能连接数值的相对描述;
在总共116个AAL脑区中,与其它115个脑区的平均功能连接相对较弱的会被报告;这一“相对较弱”的相对参考点是个体全脑所有功能连接的平均值;这一报告具体分为4档,即脑区功能连接相对于全脑平均水平下降了20%以上但还未到30%,下降了30%以上但还未到40%,下降了50%以上但还未到50%,以及下降了50%以上;
(15)可视化呈现AAL脑区;
基于上述第(13)步和第(14)步,用户可自行指定需要可视化呈现的AAL脑区,据此绘制该区域在被试自身结构像上面的定位。
3.根据权利要求2所述的静息态脑功能连接的自动化快速可视化方法,其特征在于,步骤(1)中,识别DICOM数据头信息中的“0008 103e 14[924]//ID Series Description//t1_mpr_tra_iso”和“0008 103e 20[924]//ID Series Description//ep2d_fid_basic_bold”字段。
4.根据权利要求2所述的静息态脑功能连接的自动化快速可视化方法,其特征在于,步骤(3)中,像素值高于alpha*sqrt(PI/2)*MAD就视为异常值;其中MAD是中位数绝对偏移,alpha=qginv(0.001/N),N是时间序列的长度,PI是圆周率。
5.根据权利要求2所述的静息态脑功能连接的自动化快速可视化方法,其特征在于,步骤(10)中,带通滤波仅保留0.08Hz-0.009Hz的频带。
6.根据权利要求2所述的静息态脑功能连接的自动化快速可视化方法,其特征在于,步骤(11)中,高斯平滑核的半高宽为5mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040241.4A CN111227834B (zh) | 2020-01-15 | 2020-01-15 | 静息态脑功能连接的自动化快速可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040241.4A CN111227834B (zh) | 2020-01-15 | 2020-01-15 | 静息态脑功能连接的自动化快速可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111227834A true CN111227834A (zh) | 2020-06-05 |
CN111227834B CN111227834B (zh) | 2023-05-30 |
Family
ID=70874558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010040241.4A Active CN111227834B (zh) | 2020-01-15 | 2020-01-15 | 静息态脑功能连接的自动化快速可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227834B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成系统、设备及存储介质 |
CN113571142A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像一体化系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN108846810A (zh) * | 2018-05-29 | 2018-11-20 | 重庆邮电大学 | 一种静息态功能磁共振影像噪声抑制的预处理优化方法 |
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
-
2020
- 2020-01-15 CN CN202010040241.4A patent/CN111227834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150272468A1 (en) * | 2014-03-31 | 2015-10-01 | Hesheng Liu | System And Method For Functional Brain Organization Mapping |
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN108846810A (zh) * | 2018-05-29 | 2018-11-20 | 重庆邮电大学 | 一种静息态功能磁共振影像噪声抑制的预处理优化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571148A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 一键式精神影像个体化脑功能报告生成系统、设备及存储介质 |
CN113571142A (zh) * | 2021-06-07 | 2021-10-29 | 四川大学华西医院 | 精神影像一体化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111227834B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2494669C2 (ru) | Средства диагностики нейродегенеративных заболеваний | |
US20030228042A1 (en) | Method and system for preparation of customized imaging atlas and registration with patient images | |
DE102004055767A1 (de) | Verfahren und Vorrichtung zum Verarbeiten von Bilddaten, um die Erfassung einer Erkrankung zu untersützen | |
CN108171738B (zh) | 基于脑功能模板的多模态医学图像配准方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN111785363A (zh) | 一种基于ai引导的慢性病辅助诊断系统 | |
CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
US20110052024A1 (en) | method of analysing stroke images | |
CN111227834B (zh) | 静息态脑功能连接的自动化快速可视化方法 | |
CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测系统 | |
CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
JP4025524B2 (ja) | 異条件下における脳機能画像の画像間差補正法 | |
CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
CN114334130A (zh) | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 | |
US20240046454A1 (en) | Method and system for extracting multi-dimensional disconnection network region of symptom mapping | |
CN111227833B (zh) | 一种基于广义线性模型的机器学习的术前定位方法 | |
JP6821036B2 (ja) | 医用画像処理装置、方法およびプログラム | |
CN112545468A (zh) | 一种自动处理磁共振脑灌注图像的方法 | |
CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
JP6788113B2 (ja) | 医用画像処理装置、方法およびプログラム | |
CN113610742A (zh) | 一种基于深度学习的全脑结构体积测量方法及系统 | |
US11369268B2 (en) | Brain-function image data augmentation method |
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 |