CN111292348B - 一种基于自主探针与三维标注置换的mra颅骨剥离方法 - Google Patents

一种基于自主探针与三维标注置换的mra颅骨剥离方法 Download PDF

Info

Publication number
CN111292348B
CN111292348B CN202010070435.9A CN202010070435A CN111292348B CN 111292348 B CN111292348 B CN 111292348B CN 202010070435 A CN202010070435 A CN 202010070435A CN 111292348 B CN111292348 B CN 111292348B
Authority
CN
China
Prior art keywords
skull
mra
probe
labeling
dimensional
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
CN202010070435.9A
Other languages
English (en)
Other versions
CN111292348A (zh
Inventor
冯国营
朱杰
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.)
Binzhou Medical College
Original Assignee
Binzhou Medical College
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 Binzhou Medical College filed Critical Binzhou Medical College
Priority to CN202010070435.9A priority Critical patent/CN111292348B/zh
Publication of CN111292348A publication Critical patent/CN111292348A/zh
Application granted granted Critical
Publication of CN111292348B publication Critical patent/CN111292348B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种基于自主探针与三维标注置换的MRA颅骨剥离方法及其应用，其特征在于，所述MRA颅骨剥离方法以开源图像处理函数库为基础，通过探针自主探查多点颅骨标记源，并以所述颅骨标记源为基础，对脑图像三维矩阵做颅骨位置标记，最后以0灰度值替换所述颅骨位置标记的区域，剔除颅骨，获得颅骨剥离图像。本发明的有益效果在于：本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法及其应用，采用了自动设置调整探针查找颅骨位置源，并综合运用了26邻域三维生长、梯度算法、改进分水岭算法等多种算法，根据MRA图像处理的目的，进行了有针对性的颅骨剥离，最终实现了高处理效率、高准确度、高针对性的颅骨剥离处理。

Description

一种基于自主探针与三维标注置换的MRA颅骨剥离方法
技术领域
本发明属于图像处理技术领域，涉及一种MRA颅骨剥离技术，具体涉及一种基于自主探针与三维标注置换的MRA颅骨剥离方法。
背景技术
磁共振成像技术以其无创性、信噪比高、扫描角度灵活以及在软组织成像上的优势而广泛应用于大脑病理学研究，如脑肿瘤、脑萎缩、脑积水、脑多发硬化症以及老年痴呆病等。这些病情严重威胁着人的健康和生命，而要对这些疾病做出准确的诊断，离不开对人脑相关组织的定量测量和分析。通常需要将感兴趣区域从整个颅脑图像中精确的分割出来。而进行准确分割的一个先决条件就是从脑部 MR 图像中将头皮、颅骨、肌肉、血管等组织剔除，只保留脑组织。这是因为，一方面，在对神经系统疾病如老年痴呆进行病理研究时，整个大脑就是所研究的对象 ；另一方面，将脑组织进一步分割为脑脊液、脑灰质和脑白质时，头皮、颅骨等组织的存在会使得情况变得复杂，给分割带来很多不便。
为了使后续的脑组织分割更加准确易行，首先需要在处理前将磁共振图像中的头皮、颅骨、肌肉、血管等组织剔除，实现颅骨的剥离，目前主要有三种方法来实现颅骨的剥离：人工手动分割的方法、基于形态学的方法和基于表面模型的方法。
人工分割的方法，顾名思义，是需要受过专门训练的人对图像进行分割。一般情况下，分割结果准确性最高，通常用来作为检验其他分割方法的标准。但是人工分割的方法需要耗费大量的人力，分割一组颅脑MR图像通常需要花15分钟到2个小时。在处理大量的数据时，这种时间的开销显然是巨大的。
基于形态学的方法是考虑到脑组织的一个先验信息，即，在颅脑 MR 图像中，脑组织所在区域是最大的连通区域，可以通过形态学的方法寻找到这个连通区域，进而实现颅骨的剥离。算法的最终目的是寻找 MR 图像中最大的连通区域。常常采用边界检测算子寻找脑部区域所在的边界，然后通过形态学方法处理，将间断的不连续的边界连接成封闭的曲线，曲线内部的区域就是脑组织所在区域。但是，该算法的结果依赖于边界检测的结果，对于包含眼球的MR图像，边界检测算子所得结果较差，难以分割出准确的结果。
基于表面模型的方法，是采用可形变的表面模型，在外力和内力的驱使下逐渐逼近脑组织表面的一种方法。外力促使模型向脑组织表面移动，而内力则用来保持模型表面的光滑性和连贯性，避免模型表面发生断裂。该算法需要构造一个初始表面模型，初始表面模型的形 状和位置与算法的运算速度密切相关，一般的，在颅脑内部构造一个圆球状初始表面模型，但是该初始表面模型与脑组织外表面的形状不同，位置也相距较远，算法的运算速度仍然有待提高。
现有的这些颅骨剥离方法多数是依先验模型为基础，依据二维方法预处理MR图像，这样的方法存在颅骨剥离过度或剥离程度欠缺的缺点，并且需要根据操作者的主观经验不断调整修正，需要花费很多的时间和精力。特别是MRA图像中需要包含轴向口、鼻以下部分切面的图像，所以使用现有技术的方法，处理效果非常差。因此，继续开发一种处理效率高、图像处理精度高的颅骨剥离方法。
发明内容
为了弥补现有技术的不足，本发明提供了一种基于自主探针与三维标注置换的MRA颅骨剥离方法，自动设置调整探针查找颅骨位置源，通过26邻域三维生长、梯度算法、改进分水岭算法等多种算法综合运用，根据MRA图像处理的目的，进行有针对性的颅骨剥离处理，最终实现了颅骨剥离方法的高处理效率、高准确度、高针对性。
一种基于自主探针与三维标注置换的MRA颅骨剥离方法，以开源图像处理函数库为基础，通过探针自主探查多点颅骨标记源，并以所述颅骨标记源为基础，对脑图像三维矩阵做颅骨位置标记，最后以0灰度值替换所述颅骨位置标记的区域，剔除颅骨，获得颅骨剥离图像；
所述MRA颅骨剥离方法具体包括以下步骤：
（1）通过python的SimpleITK和dicom包读取dicom文件，获取扫描层数及Z轴精度，并获取X轴与Y轴精度以及X轴与Y轴长度；
（2）通过差值算法统一三个方向的精度，方便体素单位三个方向上和mm单位的转换；
（3）通过多个位置探针设置颅骨标记源；
（4）通过改进分水岭算法和三维的区域增长算法标注颅骨位置；
（5）通过统一改变颅骨标注位置矩阵中的值，这里置0，消除颅骨；
（6）通过SimpleITK包输出脱掉颅骨的矩阵，或者保存为NII文件格式，获得颅骨剥离处理的MRA效果图。
优选的，步骤（2）所述差值算法为卷积三差值算法，具体为：
；
其中，f(i+u,j+v)表示目标像素值，S(x)表示对sin(x*Pi)的逼近，Pi表示圆周率；
有X,Y,Z三个方向插值变量： x=abs(1-Φx)，y=abs(1-Φy)，z=abs(1-Φz)；
Φx，Φy，Φz分别是三个方向的精度。
优选的，步骤（3）所述通过多个位置探针设置颅骨标记源，具体为：读取所述dicom文件序列中图片数量，根据图片数量选取倒数第3-5张及中间数量的2张图片，根据所述合理部分图片中矩阵图像位置设置探针查找颅骨位置，并根据磁场偏转量确定真正图像的位置，确定颅骨的大致位置，从不同部位出发的虚拟探针从真正图像开始进入到颅骨的大致位置，并获取到颅骨的磁场偏离值停止，选择部分点作为标记。
优选的，步骤（4）所述改进分水岭算法，具体为：
①首先用集合递归表示：
，表示周围高偏离度体素点集合；
，表示n阶段i区周围高偏离度体素点集合；
，表示n阶段高偏离度体素点集合；
，表示所有高偏离度体素点集合；
②之后计算偏离点梯度：
；
③最后根据所述偏离点梯度计算的参数变化值确定读取dicom文件时获取矩阵的颅骨标注更新情况，并通过分水岭位置限制标注的范围不会超出颅骨范围。
优选的，步骤（4）所述区域增长算法标注颅骨位置，具体为令R表示整个3d图像矩阵，创建大小相同值全部置0的矩阵R1用作位置标注，则所述位置标注可以看成将区域R划分为n个子区域R1,R2,......Rn的过程，并需要满足以下条件：
a: U(Ri) = R;
b: Ri是一个连通区域，i=1,2,3,......n；
c: Ri ∩ Rj =空集，对于任何的i，j；都有i≠j；
d: P(Ri) = Ture，对i=1,2,......n；
e: R(Pi U Rj) = False， i≠j；
同时满足邻域变化范围符合下面的分水岭条件：划分过程在R1上标注，最后统一更新到R上，防止更新过程对生长造成阻断。
本发明的有益效果在于：本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法及其应用具有以下优势：
本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法以开源图像处理函数库为基础，通过探针自主探查多点颅骨标记源，并以标记源为基础，对脑图像三维矩阵做颅骨位置标记，最后以0灰度值替换颅骨标记区域，剔除颅骨，获得颅骨剥离图像。
本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法采用自动设置调整探针查找颅骨位置源，并使用了26邻域三维生长、梯度算法、改进分水岭算法等多种算法，实现了图像的高效处理。
本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，根据MRA图像处理的目的，进行有针对性的颅骨剥离处理。
本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，增加了MRI图像处理的精度。
本发明提供的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，实现了高处理效率、高准确度、高针对性的颅骨剥离。
附图说明
图1为本发明实施例1中的一种基于自主探针与三维标注置换的MRA颅骨剥离方法的流程示意图；
图2为本发明实施例1中采用一种基于自主探针与三维标注置换的MRA颅骨剥离方法的获得的颅骨剥离的MRA效果示意图；
图3为本发明对比实施例1中采用现有技术的颅骨剥离方法的获得的颅骨剥离的MRI效果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
实施例1
一种基于自主探针与三维标注置换的MRA颅骨剥离方法，以开源图像处理函数库为基础，通过探针自主探查多点颅骨标记源，并以颅骨标记源为基础，对脑图像三维矩阵做颅骨位置标记，最后以0灰度值替换颅骨位置标记的区域，剔除颅骨，获得颅骨剥离图像，具体流程参见图1，包括以下步骤：
（1）通过python的SimpleITK和dicom包读取dicom文件，获取扫描层数及Z轴精度，并获取X轴与Y轴精度以及X轴与Y轴长度。
（2）通过差值算法统一三个方向的精度，方便体素单位三个方向上和mm单位的转换；其中差值算法为卷积三差值算法，具体为：
；
其中，f(i+u，j+v)表示目标像素值，S(x)表示对sin(x*Pi)的逼近，Pi表示圆周率；
有X,Y,Z三个方向插值变量： x=abs(1-Φx)，y=abs(1-Φy)，z=abs(1-Φz)；
Φx，Φy，Φz分别是三个方向的精度。
（3）通过多个位置探针设置颅骨标记源，具体为：读取所述dicom文件序列中图片数量，根据所述图片数量选取倒数第3-5张及中间数量的2张图片，根据所述合理部分图片中矩阵图像位置设置探针查找颅骨位置，并根据磁场偏转量确定真正图像的位置，确定颅骨的大致位置，从不同部位出发的虚拟探针从真正图像开始进入到颅骨的大致位置，并获取到颅骨的磁场偏离值停止，选择部分点作为标记。
（4）通过改进分水岭算法和三维的区域增长算法标注颅骨位置；其中改进分水岭算法，具体为：
①首先用集合递归表示：
，表示周围高偏离度体素点集合；
，表示n阶段i区周围高偏离度体素点集合；
，表示n阶段高偏离度体素点集合；
，表示所有高偏离度体素点集合；
②之后计算偏离点梯度：
；
③最后根据所述偏离点梯度计算的参数变化值确定读取dicom文件时获取矩阵的颅骨标注更新情况，并通过分水岭位置限制标注的范围不会超出颅骨范围。
其中区域增长算法标注颅骨位置的具体方法为令R表示整个3d图像矩阵，创建大小相同值全部置0的矩阵R1用作位置标注，则位置标注可以看成将区域R划分为n个子区域R1,R2,......Rn的过程，并需要满足以下条件：
a.U(Ri) = R;
b.Ri是一个连通区域，i=1,2,3,......n；
c.Ri ∩ Rj =空集，对于任何的i，j；都有i≠j；
d.P(Ri) = Ture，对i=1,2,......n；
e.R(Pi U Rj) = False， i≠j；
同时满足邻域变化范围符合下面的分水岭条件：划分过程在R1上标注，最后统一更新到R上，防止更新过程对生长造成阻断。
（5）通过统一改变颅骨标注位置矩阵中的值，这里置0，消除颅骨；
（6）通过SimpleITK包输出脱掉颅骨的矩阵，或者保存为NII文件格式，获得颅骨剥离处理的MRA效果图，具体MRA效果参见图2。
对比实施例1
根据现有技术，依先验模型为基础，采用Matlab软件的二维方法预处理MR图像，进行颅骨分离，其颅骨剥离的MRI效果图参见图3。从图中可以看出此方法存在颅骨剥离过度或剥离程度欠缺的缺点，并且需要根据操作者的主观经验不断调整修正，花费很多的时间和精力。
应当理解，以上所描述的具体实施例仅用于解释本发明，并不用于限定本发明。由本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (5)

1.一种基于自主探针与三维标注置换的MRA颅骨剥离方法，其特征在于，所述MRA颅骨剥离方法以开源图像处理函数库为基础，通过探针自主探查多点颅骨标记源，并以所述颅骨标记源为基础，对脑图像三维矩阵做颅骨位置标记，最后以0灰度值替换所述颅骨位置标记的区域，剔除颅骨，获得颅骨剥离图像;
所述MRA颅骨剥离方法具体包括以下步骤：
（1）通过python的SimpleITK和dicom包读取dicom文件，获取扫描层数及Z轴精度，并获取X轴与Y轴精度以及X轴与Y轴长度；
（2）通过差值算法统一三个方向的精度，方便体素单位三个方向上和mm单位的转换；
（3）通过多个位置探针设置颅骨标记源；
（4）通过改进分水岭算法和三维的区域增长算法标注颅骨位置；
（5）通过统一改变颅骨标注位置矩阵中的值，这里置0，消除颅骨；
（6）通过SimpleITK包输出脱掉颅骨的矩阵，或者保存为NII文件格式，获得颅骨剥离处理的MRA效果图。
2.根据权利要求1所述的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，其特征在于，步骤（2）所述差值算法为卷积三差值算法，具体为：
；
其中，f(i+u，j+v)表示目标像素值，S(x)表示对sin(x*Pi)的逼近，Pi表示圆周率；
有X,Y,Z三个方向插值变量： x=abs(1-Φx)，y=abs(1-Φy)，z=abs(1-Φz)；
Φx，Φy，Φz分别是三个方向的精度。
3.根据权利要求2所述的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，其特征在于，步骤（3）所述通过多个位置探针设置颅骨标记源，具体为：读取所述dicom文件序列中图片数量，根据所述图片数量选取倒数第3-5张及中间数量的2张图片，根据合理部分图片中矩阵图像位置设置探针查找颅骨位置，并根据磁场偏转量确定真正图像的位置，确定颅骨的大致位置，从不同部位出发的虚拟探针从真正图像开始进入到颅骨的大致位置，并获取到颅骨的磁场偏离值停止，选择部分点作为标记。
4.根据权利要求3所述的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，其特征在于，步骤（4）所述改进分水岭算法，具体为：
①首先用集合递归表示：
，表示周围高偏离度体素点集合；
，表示n阶段i区周围高偏离度体素点集合；
，表示n阶段高偏离度体素点集合；
，表示所有高偏离度体素点集合；
②之后计算偏离点梯度：
；
③最后根据所述偏离点梯度计算的参数变化值确定读取dicom文件时获取矩阵的颅骨标注更新情况，并通过分水岭位置限制标注的范围不会超出颅骨范围。
5.根据权利要求4所述的一种基于自主探针与三维标注置换的MRA颅骨剥离方法，其特征在于，步骤（4）所述区域增长算法标注颅骨位置，具体为令R表示整个3d图像矩阵，创建大小相同值全部置0的矩阵R1用作位置标注，则所述位置标注可以看成将区域R划分为n个子区域R1,R2,......Rn的过程，并需要满足以下条件：
a: U(Ri) = R;
b: Ri是一个连通区域，i=1,2,3,......n；
c: Ri ∩ Rj =空集，对于任何的i，j；都有i≠j；
d: P(Ri) = Ture，对i=1,2,......n；
e: R(Pi U Rj) = False， i≠j；
同时满足邻域变化范围符合下面的分水岭条件：划分过程在R1上标注，最后统一更新到R上，防止更新过程对生长造成阻断。
CN202010070435.9A 2020-01-21 2020-01-21 一种基于自主探针与三维标注置换的mra颅骨剥离方法 Active CN111292348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010070435.9A CN111292348B (zh) 2020-01-21 2020-01-21 一种基于自主探针与三维标注置换的mra颅骨剥离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010070435.9A CN111292348B (zh) 2020-01-21 2020-01-21 一种基于自主探针与三维标注置换的mra颅骨剥离方法

Publications (2)

Publication Number Publication Date
CN111292348A CN111292348A (zh) 2020-06-16
CN111292348B true CN111292348B (zh) 2023-07-28

Family

ID=71026436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010070435.9A Active CN111292348B (zh) 2020-01-21 2020-01-21 一种基于自主探针与三维标注置换的mra颅骨剥离方法

Country Status (1)

Country Link
CN (1) CN111292348B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393963A (zh) * 2011-07-05 2012-03-28 电子科技大学 一种基于可形变表面模型的mr图像颅骨剥离方法
CN104254296A (zh) * 2011-04-08 2014-12-31 曼特瑞斯医药有限责任公司 头部固定系统和方法
CN105636541A (zh) * 2013-03-15 2016-06-01 圣纳普医疗(巴巴多斯)公司 用于微创疗法的规划、导航和模拟系统及方法
CN107437251A (zh) * 2017-07-26 2017-12-05 广州慧扬健康科技有限公司 头部mri影像颅骨剥离模块
CN107851312A (zh) * 2015-07-29 2018-03-27 珀金埃尔默健康科学公司 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT509040B1 (de) * 2009-08-11 2012-09-15 Univ Wien Med Verfahren und vorrichtung zur verarbeitung von 3d-bilddaten eines schädels

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104254296A (zh) * 2011-04-08 2014-12-31 曼特瑞斯医药有限责任公司 头部固定系统和方法
CN102393963A (zh) * 2011-07-05 2012-03-28 电子科技大学 一种基于可形变表面模型的mr图像颅骨剥离方法
CN105636541A (zh) * 2013-03-15 2016-06-01 圣纳普医疗(巴巴多斯)公司 用于微创疗法的规划、导航和模拟系统及方法
CN107851312A (zh) * 2015-07-29 2018-03-27 珀金埃尔默健康科学公司 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法
CN107437251A (zh) * 2017-07-26 2017-12-05 广州慧扬健康科技有限公司 头部mri影像颅骨剥离模块

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
颅骨三维模型制作和数据库的构建;税午阳 等;中国法医学杂志;第31卷(第01期);1-8 *

Also Published As

Publication number Publication date
CN111292348A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
Shanthi et al. Skull stripping and automatic segmentation of brain MRI using seed growth and threshold techniques
Hong et al. Automated detection of cortical dysplasia type II in MRI-negative epilepsy
CN110338840B (zh) 三维成像数据的显示处理方法和三维超声成像方法及系统
Lin et al. Computer-aided kidney segmentation on abdominal CT images
Chupin et al. Anatomically constrained region deformation for the automated segmentation of the hippocampus and the amygdala: Method and validation on controls and patients with Alzheimer’s disease
Nakamura et al. Segmentation of brain magnetic resonance images for measurement of gray matter atrophy in multiple sclerosis patients
US7783132B2 (en) Method and apparatus for atlas-assisted interpretation of magnetic resonance diffusion and perfusion images
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
US10198815B2 (en) Method and system for analyzing image data
Kochunov et al. A library of cortical morphology analysis tools to study development, aging and genetics of cerebral cortex
Coupé et al. 3D rigid registration of intraoperative ultrasound and preoperative MR brain images based on hyperechogenic structures
CN107016683A (zh) 基于区域生长初始化的水平集海马图像分割方法
Colliot et al. Segmentation of focal cortical dysplasia lesions on MRI using level set evolution
US20070076927A1 (en) Automatic identification of the anterior and posterior commissure landmarks
Reddy et al. Developing an approach to brain MRI image preprocessing for tumor detection
CN111292348B (zh) 一种基于自主探针与三维标注置换的mra颅骨剥离方法
KR101251822B1 (ko) 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
Gaser Structural MRI: morphometry
Cover et al. Data-driven corpus callosum parcellation method through diffusion tensor imaging
Montenegro et al. Focal cortical dysplasia: improving diagnosis and localization with magnetic resonance imaging multiplanar and curvilinear reconstruction
Schwing et al. Reliable extraction of the mid-sagittal plane in 3D brain MRI via hierarchical landmark detection
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images
Shanthi et al. Image segmentation an early detection to Alzheimer's disease
Gan Automated segmentation of the lateral ventricle in MR images of human brain
Meier et al. Atlas‐based anatomic labeling in neurodegenerative disease via structure‐driven atlas warping

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