CN111754523A - 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 - Google Patents
应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 Download PDFInfo
- Publication number
- CN111754523A CN111754523A CN202010571081.6A CN202010571081A CN111754523A CN 111754523 A CN111754523 A CN 111754523A CN 202010571081 A CN202010571081 A CN 202010571081A CN 111754523 A CN111754523 A CN 111754523A
- Authority
- CN
- China
- Prior art keywords
- image
- mri
- neurons
- brain
- segmentation
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 210000004556 brain Anatomy 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 title claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 22
- 208000003174 Brain Neoplasms Diseases 0.000 claims abstract description 13
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 37
- 238000003384 imaging method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002980 postoperative effect Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- QJVKUMXDEUEQLH-UHFFFAOYSA-N [B].[Fe].[Nd] Chemical compound [B].[Fe].[Nd] QJVKUMXDEUEQLH-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000001767 medulla oblongata Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229910001172 neodymium magnet Inorganic materials 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于自组织映射网络的脑部MRI图像分割方法以及MRI设备，方法包括：步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取；步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，选用在先经过标定的脑部MRI图像对神经网络进行训练；步骤(3)，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。本方法可以有效跳出局部最优，对脑部肿瘤MRI图像分割精度高，边缘平滑。
Description
技术领域
本发明涉及MRI图像采集及医学图像处理技术领域，特别是一种MRI脑部图像中脑部肿瘤分割方法以及MRI设备。
背景技术
核磁共振成像(MRI)具有辐射低，软组织成像敏感度高，多方位成像，以及具有多种成像方式等优点，得到了极其广泛的应用。MRI目前成为医学工作者研究大脑的重要手段之一，其主要优点有：(1)对软组织、解剖结构和病变形态显示清楚；(2)各种参数均可用来调节成像结果，同时获得丰富的诊断信息；(3)对任意剖面均可成像，可以得到其他成像技术难以接近部位的图像；(4)对人体无电离辐射损伤，对人体安全无创；然而，MRI图像会受到噪声、偏移场(也称为强度不均匀)、部分容积效应等因素的影响，使得缺乏医学先验知识的以计算机为基础的自动分割算法的性能严重下降。图像分割就是把图像按照不同区域特点分割为多个部分。图像分割得到的结果应具有不同的特点，并且各分割部分之间要满足一定的一致性。图像分割就是为了从整个图像中分离出感兴趣区域(ROI)，为后续分析、研究做铺垫。人脑图像分割是人脑疾病诊断、人脑手术精准定位及治疗的基础，为人脑研究人员提供了先验知识。而且人脑图像分割也是人脑三维重建和可视化的前提，因此人脑图像分割在颅脑图像处理中占有着极其重要的地位。
现有的分割方法中，手工标定边界的分割方法在分割过程中需要操作人员在每帧图像中描绘出待分割目标对象的边缘，在整个过程中都需要人工操作、缺乏自动化，检测结果受操作人员主观因素影响较大。基于区域增长的分割方法必须设置种子点，算法执行速度慢，缺少通用的收敛准则，且种子点以及收敛准则的选取对结果有很大的影响。基于传统活动轮廓模型的分割方法可以在较少人工干预下实现三维目标对象分割，但是这种方法对复杂拓扑结构的处理能力较弱，分割效果和分割精度等性能指标很难满足临床应用需求。
人脑图像的分割可以分为两种，一种是将人脑分为白质、灰质和脑脊液的脑组织分割。另一种是将人脑按照结构如脑室，海马体，胼胝体等进行的脑组织分割。大脑结构十分复杂，大脑外层有皮肤脂肪，肌肉，颅骨等组织结构，脑内除了灰质，白质，脑脊液外，还包含着胶质物，结缔组织等组织结构，他们在MRI图像上有相互重叠的部分，不容易区分。因此，如何提高MRI图像分割方法的准确率已经成为急需解决的技术问题。
发明内容
本发明的目的就在于为解决上述问题，本发明提出一种基于自组织映射网络的图像分割方法，用于对脑部图像的分析，包含以下步骤：
步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取，其中，对多个不同尺度参数的输入图像进行Savitzky-Golay滤波从而得到多个滤波之后的图像；通过Savitzky-Golay滤波对输入图像分析，得到细节和一般特征，滤波后图像和原始图像的像素强度形成了本方法中网络模型的输入特征空间；
步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，第一层的神经元数量根据专家库经验数据设定，选择一个N×N网络，网络中所包含的神经元的数量为K，选用在先经过标定的脑部MRI图像对神经网络进行训练；
步骤(3)，图像分割，为了把输入脑部MRI图像分割成不同的对象，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；
步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。
进一步，步骤(2)中包括，每个神经元相关的遍历向量的数量与分割性能相关，在一定范围内增加遍历向量的数量将提高分割性能，超出该范围，性能不能提高而运算量显著提高；本方法中选择遍历向量数量等于4，分割方法能够获得正常的性能并且运算量低。
具体的，步骤(3)包括：
为识别网络结构中现有的聚类，定义阈值向量T
T＝(ti)1×ｚ，ti＝T0+iΔt，i＝1，…，Z (1)
式中：T0是初始阈值；Z是表示阈值范围的正整数；Δt是表示阈值精度的步长，每个ti，组成一个跟第一层神经元结构同样大小的近邻矩阵B
B＝[bf，g]F×G (2)
式中：每个bf，g都有一个二进制值，表示神经元f和g之间的相似度；然后计算神经元f和g的权向量之间的距离，若这个距离大于ti，则bf，g的值为1，否则，为0；
式中：d(f，g)是神经元f和g的权向量之间的欧氏距离，邻近矩阵形成之后，使用式(4)确定具有最多邻居的神经元
这个神经元和它的邻居形成聚类(c)，定义量值(Sc)为
Sc＝(Z(mc)X(d(v，l)))N (5)
式中：mc是聚类中神经元的数量；N是特征空间的维数；1是属于这个聚类的一个神经元，
然后，从网络中移除这个聚类及其神经元，对于相同的ti，利用式对剩余的神经元再进行合并，重复上述过程，直到网络中所有的聚类均被识别。
具体的，步骤(3)中还包括：在聚类识别之后，计算最佳阈值为
在式(6)中，Tbest是最佳阈值
式中：η和λ是两个参数分别用于控制聚类的量值和神经元数量；C是对应于ti的神经元结构中聚类的数量；Dti是对应于ti的神经元结构中聚类的密度；在确定最合适的阈值之后，它所对应的聚类可以通过式(3)-式(6)找到，然后，对于每个聚类，将分割后的图像中属于这个聚类的神经元的对象连接起来。
上述步骤1)中输入的MRI图像采用的融合方法为一种基于图像多尺度分解的MRI图像融合方法，用于对脑部MRI图像处理，包括步骤：
步骤1：针对脑部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)，其中，所述多幅源图像分别来自于多个射频接收线圈针对同一检测部位得到的图像；
步骤2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
步骤3：对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
步骤4，对近似层图像和细节层图像进行融合得到最终融合图像；具体的，将经过视觉显著性映射和图像统计融合规则处理后的近似层图
和细节层图像
进行线性组合，得到最终的融合图像F，记为：
权重系数bi，j，di，j与接收线圈与发射线圈的距离和方向，接收线圈个数，信号强度有关，可通过经验公式得到。
进一步的，所述步骤2具体实现为，
其中，Aa(i，j)，Ba(i，j)…Ma(i，j)表示各细节层图像，VA(i，j)，VB(i，j)…WVM(i，j)表示采用图像统计的融合规则得到最佳权重。
进一步的，所述步骤3具体实现为，在该像素点的周围取一个大小为w×w的窗口来计算图像中像素点(i，j)处对应的权重，主要是根据水平和垂直细节层强度寻找对应图像位置的最佳权重；
首先，假设图像块为矩阵K，将矩阵K的每一行作为观测值，每一列作为变量，其协方差矩阵为
Dh(K)＝E[(K-E[K])(K-E[K])T]
E(Z)表示矩阵Z中元素zij的数学期望所构成的矩阵；然后，计算图像中像素位置(i，j)处的协方差矩阵的无偏估计
为
其中，Kt是w维变量的第t个观测值，
是观测值的平均值；
然后，计算矩阵
的特征值
因为矩阵的大小为w×w，所以得到特征值的数量是w个；水平细节层强度βh(i，j)是通过矩阵所有特征值之和而获得，记为：
同理，将矩阵K的每一列作为观测值，每一行作为变量，计算其协方差矩阵Dv(K)及无偏估计
再计算
的特征值
求和获取垂直细节层强度，记为：
通过将水平和垂直这两个相应的细节层强度相加得到图像细节层系数的权重，记为：W(i，j)＝βh(i，j)+βv(i，j)；
对细节层图像Ad(i，j)，Bd(i，j)…Md(i，j)分别采用图像统计的融合规则得到最佳权重WA(i，j)，WB(i，j)…WM(i，j)，再与源图像进行加权平均得到融合后的细节层图像，记为：
有益效果：(1)本发明中的分割方法克服了现有技术得到的分割结果达到一定程度时停滞进化而陷入一个局部最优的状态的缺点，实验表明本方法分割精度高，软组织边界明显，图案对比度高，自动化程度高无需设置大量参数从而提高了算法的鲁棒性。同时，克服了现有技术医学图像分割分多类时，随着类别的增多，时间增长过快，在可承受时间范围内不能达到正确分割结果的缺点。
(2)本发明中的多个接收只需根据每个线圈单元的理论坐标，将多个线圈的数据进行融合得到目标图像，无需人工参与，降低了操作MRI设备的工作难度，也降低了因操作者个人失误导致的成像错误发生的可能，提高了磁共振成像的准确率，鲁棒性。
(3)本发明采用的基于图像多尺度分解的MRI图像融合方法，充分利用了多个接收线圈提供的冗余信息和互补信息，对融合图像的精确性、可靠性、信息含量有了很大的提升，融合图像特征更明显，边缘更清晰；同时，利用小波变化多尺度，多分辨率分解的特点，将MRI原图像的不同细节分解到不同层图像中，进而针对不同层采用不同的融合算法，提高了细节的分辨率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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现有技术中磁共振成像系统示意图。
图2是本申请中梯度控制器示意图。
图3是本申请中磁共振成像设备中多个接收线圈布置示意图。
图4是本申请中运算和图像处理系统示意图。
图5是本申请中基于自组织映射网络的脑部MRI图像分割算法。
具体实施方式
以下结合附图对本发明作更进一步的说明。
本发明实施例中，一种基于多接收线圈的磁共振成像设备包括：主磁体系统，梯度磁场系统，射频系统，运算和图像处理系统。
一、主磁体系统
本申请采用的双柱型主磁体，主要包括磁体，磁轭，极靴和机架等部件。磁体设计成左、右柱形，提供磁能、产生成像静磁场，材料为钕铁硼；机架用于支撑磁体构架；磁轭分别覆盖磁体主、右柱体的上下表面、构成导磁磁路，保证磁场工作区内磁场强度和分布状况满足预定的要求，减小漏磁，材料通常为钢。在此主磁体中，上下两个磁轭表面为平面，它的中心附近区域内磁场分布是均匀的，但越靠近“端部”越不均匀，呈现所谓的“端部效应”，研究表明，在主磁体的上下磁扼表面加装软磁材料制成的极靴，并恰当地设计极靴表面的形状，可以减弱“端部效应”。同时，又可以扩大主磁体内沿轴向的均匀磁场区域。又可以扩大主磁体内沿轴向。
二、梯度磁场系统
梯度系统实现可快速开关的线性梯度磁场，在成像过程中对主磁场进行动态叠加，以实现三维空间定位。主要由梯度线圈、梯度控制器、梯度放大器等部分组成。为获得任意方向上的空间信息，需要在主磁场的基础上沿x、y和z每个方向上都施加一个梯度磁场。根据梯度磁场的方向，把它们称为Gx、Gy和Gz，定义为Gx＝dBz/dx，Gy＝dBz/dy，Gz＝dBz/dz。根据梯度的功能把它们称为：层面选择梯度(Gz)、相位编码梯度(Gy)、读出或频率编码梯度(Gx)。梯度磁场沿主磁场方向的分量在X、Y、Z三个方向呈线性变化，通过叠加到主磁场之上而产生作用，来实现空间定位和编码。
梯度控制器主要包括序列产生模块、数值运算模块、波形存储模块、数据缓存模块、D/A模块等。序列产生模块用来接收脉冲控制板的指令来产生控制信号，波形存储模块用来存储从PC机传递过来的波形数据，数值运算模块用来计算变换矩阵和矩阵乘法采用可编程逻辑器FPGA和DSP来实现。数据缓存模块为FIFO存储器。
数值运算模块主要实现：(1)变换矩阵计算，矩阵变换的系数在脉冲控制器的控制下由数值运算模块进行计算。处理器运行一段程序来计算由脉冲控制器所指定的如梯度旋转、线性梯度定标及决定是相位编码还是水平编码等应用于变换矩阵的操作，并把矩阵写到DSP数据存储器中，以便于矩阵乘法操作。(2)矩阵乘法，DSP具有高速计算性能，使其矩阵乘法器来把波形存储模块的数据和变换矩阵相乘以转化为3路实际输出，这些输出随后被放到数据缓存模块上，以便于根据时序要求进行输出。
序列发生模块根据脉冲控制器传来的控制信号，得出序列存储器上分配给每个通道的通道地址，根据地址读出指令，进行译码，一方面得出即将进行运算的波形存储单元的地址，传递给数值计算单元；另一方面得出控制FIFO输出的读出信号。主要实现三个功能：(l)主采样时钟，根据可编程指令，产生D/A转换器所需要的从FIFO读出数据的控制信号。(2)波形地址产生，用以产生和变换矩阵相乘的波形值所在的波形存储单元的地址。(3)序列地址产生，用以产生各个通道运行时的通道地址。
三、射频系统
射频系统包括以下：发射模块、发射线圈接口、发射线圈、接收模块、接收线圈接口、接收线圈。射频系统实现功能有两个：一是产生一个射频场用于激发样品产生共振，一是负责接收核磁共振信号。具体来说首先在发射端产生一个的射频正弦波信号，经过功率调整以后送至发射线圈，发射线圈将激发出一个射频场使样品产生共振；在接收端，接收模块首先对接收线圈中感应到的核磁共振信号进行放大、滤波和变频等处理，然后再将处理后的固定中频信号送到数字信号处理系统进行后续的信号处理。发射线圈接口和接收线圈接口主要是解决发射模块和接收模块与线圈的接口匹配问题。发射模块包括：有源晶振，锁相环PLL电路，数字频率合成器DDS，放大器，控制器。接收模块包括：各功能滤波器、LNA、混频器、AGC电路、本振源等。
现有技术中，使用配置在患者31上方的上部接收射频线圈32、配置在患者31下方的下部射频发射线圈33进行核磁共振成像拍摄，其中在线圈单元固定装置34的表面上安装单个上部射频接收线圈32。拍摄时，在配置为圆筒形的线圈单元固定装置35和上部接收射频线圈覆32盖了患者之后，使顶板34向患者的体轴方向移动，检测空间形成在核磁共振成像装置的托台中，上部接收射频线圈32和下部射频发射线圈33对准后进行拍摄。可见，现有技术需要将上部接收射频线圈32和下部射频发射线圈33精确对准，对准的精度将影响测量的精度，该上部射频接收线圈32、下部射频发射线圈33的设定上需要花费较多时间。
本发明中，将多个上部射频接收线圈32布置在线圈固定装置35中，不同的上部射频接收线圈32与患者31身上不同检测部位对应。检测时，操作者首先调整患者31的位置使得诊断部位位于下部射频发射线圈33上，之后进行配置以使圆筒形的线圈单元固定装置35覆盖患者31，进而，沿着线圈单元固定装置35的上表面配置柔性的多个上部接收射频线圈32表面和患者不同检测部位相对。
本发明中，采用多个上部射频接收线圈32分布在线圈单元固定装置35中可以克服现有技术中需要上部接收射频线圈32和下部射频发射线圈33精确对准的缺点。不同的上部射频接收线圈32可以对患者不同位置同时进行检测，提高了测试的效率。同时，利用本发明核磁共振成像设备中与下部发送射频线圈33相对设置的上部发射射频线圈阵列，增加了测量维度，通过进行相应的数据融合算法，提高了对单个部位的测量的精度和可靠性。
四、运算和图像处理系统
运算和图像处理系统包括多通道数据采集单元、时序逻辑控制单元、运算单元、数据传输单元、显示器和键盘，电源模块，时钟模块，存储模块等。
多通道数据采集单元包括滤波器、放大器、模数转换器，其各个输入端口分别与射频系统中的接收模块的输出端连接，将采集到的射频信号经过滤波，模数转换，放大后得到数字信号，并将其输入存储模块。
时序逻辑控制单元与多通道数据采集单元、运算单元、存储模块连接，核心为FPGA模块，负责整个电路的时序，逻辑控制。
存储单元位于多通道数据采集单元与运算单元之间，将采集到的数据进行缓存，解决运算单元与采集单元数据处理速度不匹配的问题。优选的，存储器选择高速双端口RAM。
数据传输单元实现与远程服务器的连接，将本地获得的数据及分析结果上传至服务器端，同时接收服务器端控制信息。优选的，数据传输单元优选为4G，5G，GPRS模块。
运算单元的核心为数字运算处理器DSP，借助其强大的运算能力在其中完成相应的数据融合，图像分割等算法。
显示器和键盘实现人机交互；电源模块为各个单元提供所需的不同电源；时钟模块包括分频器，锁相器等单元，为各模块提供不同频率时钟。
本发明中DSP处理器采用TT公司的8核处理器TMS320C6657CZH，在处理器领域，多核DSP在处理性能、功耗和面积上都有很大优势，得到了广泛应用。TMS320C6657CZH基于KeyStone多核结构，具有高性能的浮点、定点计算能力，单核具有1GHz的主频，运算速度可达320GMACS/160GFLOPS。该DSP采用同构多核架构，每个核可以独立地执行不同的计算任务，具有512KB的私有内存。芯片具有4MB共享内存供8个核心访问，而且具有SRIO、PCIe等多种接口，能够满足各种数据传输的需求。TMS320C6657CZH集成了支持SRIOv2.1通信协议的4通道SRIO接口，可以实现每条通路1.25Gbps、2.5Gbps、3.125Gbps、5Gbps的通信速率。
本发明中FPGA选择Xilinx公司Virtex6LXT系列FPGA芯片XC6VLX550T-2FFG1759I，FPGA因其功能强大、接口灵活，成为当前的主流处理器之一，FPGA与DSP芯片有机结合不仅能够高效地实现复杂算法，而且还可以提高系统数据传输的效率和结构的灵活性。XC6VLX550T-2FFG1759I是一款具有高级串行数据传输功能的高性能逻辑器件，基于硬件GTX串行收发器，可以实现多种高速数据传输接口。采用SRIOIP核可以实现FPGA和DSP之间的SRIO协议通信。XC6VLX550T-2FFG1759I的GTX模块嵌入SerialRapidIOIP核，可支持线速率为1.25Gbps，2.5Gbps～3.125Gbps，因此可实现异构处理器DSP与FPGA之间的SRIO高速串行通信。
发明中DSP和FPGA作为SRIO连接的端点器件，两者可互为从属。主设备需要管理通信的发起、配置、结束等一系列过程，从设备只需要被动地响应通信。基于DSP的编程比FPGA高效，为了降低开发难度和工作量，采用DSP作为主设备，是通信的发起端；FPGA作为从设备，是通信的目的端。为了最大程度地体现RapidIO串行接口的性能，本设计中采用3.125Gbps的线速率，处理器之间采用4xSRIO连接方式，1个1x接口即是一个差分对的一对读/写信号，一个4x接口即4个此类差分对的结合，因此采用4xSRIO连接可实现最高12.5Gbps的数据传输速率。只需要将DSP的TX、RX端口与FPGA的RX、TX端口对应相接，由于SRIO采用差分线对实现数据传输，所以需要在异构处理器的RX端口的差分线上串联一个0.1μF的电容，做交流耦合使用。
本发明为图像数据采集处理系统，当采集后的图像数据经数据采集单元处理后输入到双端口RAM芯片中，DSP处理器接收到数据请求后，接收图像数据，对数据进行存储和传输工作，最终将图像经过运算处理后进行输出和显示。
尽管对脑肿瘤的理论研究有相当大的进展，但是对于患者的病情评估、手术治疗和术后恢复等方面仍然不足。对脑瘤患者来说，一般的疗程方案是手术摘除，然后配合放射治疗和化疗。在术后恢复阶段，需要通过观察进一步判断肿瘤是否转移或者复发。因此在肿瘤治疗的任何阶段，准确的脑肿瘤位置检测和分类是重中之重，而自动化的脑肿瘤检测更是未来发展的重大方向。自动化的脑肿瘤检测一方面可以把医生从繁琐地找肿瘤任务中解放出来，从而更专注肿瘤治疗的术中和术后阶段；另一方面，通过机器检测的标准化流程，可以极大缓解因我国幅员辽阔而导致的医疗资源匮乏、分布不均、各地医生水平层次不齐的窘况。
脑肿瘤分布具有以下特点：1)出现任意性，肿瘤没有固定的病发位置，可能出现在脑部任何区域；2)形态任意性，肿瘤的形状、大小各异；3)局部聚合性，不同类型肿瘤有聚合的特点，不同类型肿瘤往往成簇出现为了解决出现任意性和形态任意性的问题，本文设计了注意力网络。
对上述基于多接收线圈的磁共振成像设备获得的对于同一部位的多幅源图像进行图像融合，本申请中提出一种基于图像多尺度分解的MRI图像融合方法，用于对脑部MRI图像处理，包括步骤：
步骤1：针对脑部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)；
步骤2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
具体的，
其中，Aa(i，j)，Ba(i，j)…Ma(i，j)表示各细节层图像，VA(i，j)，VB(i，j)…WVM(i，j)表示采用图像统计的融合规则得到最佳权重。
步骤3：对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
具体的，在该像素点的周围取一个大小为w×w的窗口来计算图像中像素点(i，j)处对应的权重，主要是根据水平和垂直细节层强度寻找对应图像位置的最佳权重。
首先，假设图像块为矩阵K，将矩阵K的每一行作为观测值，每一列作为变量，其协方差矩阵为
Dh(K)＝E[(K-E[K])(K-E[K])T]
E(Z)表示矩阵Z中元素zij的数学期望所构成的矩阵；然后，计算图像中像素位置(i，j)处的协方差矩阵的无偏估计
为
其中，Kt是w维变量的第t个观测值，
是观测值的平均值；
然后，计算矩阵
的特征值
因为矩阵的大小为w×w，所以得到特征值的数量是w个；水平细节层强度βh(i，j)是通过矩阵所有特征值之和而获得，记为：
同理，将矩阵K的每一列作为观测值，每一行作为变量，计算其协方差矩阵Dv(K)及无偏估计
再计算
的特征值
求和获取垂直细节层强度，记为：
通过将水平和垂直这两个相应的细节层强度相加得到图像细节层系数的权重，记为
W(i，j)＝βh(i，j)+βv(i，j)
对细节层图像Ad(i，j)，Bd(i，j)…Md(i，j)分别采用图像统计的融合规则得到最佳权重WA(i，j)，WB(i，j)…WM(i，j)，再与源图像进行加权平均得到融合后的细节层图像，记为
步骤4，对近似层图像和细节层图像进行融合得到最终融合图像；
具体的，将经过视觉显著性映射和图像统计融合规则处理后的近似层图
和细节层图像
进行线性组合，得到最终的融合图像F，记为：
权重系数bi，j，di，j与成像线圈与发射线圈的距离，方向，信号强度有关，可通过经验公式得到。
针对脑部肿瘤的特点，本申请提出一种基于自组织映射网络的图像分割方法，用于对脑部图像的分析，包含以下步骤：
步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取，其中，对多个不同尺度参数的输入图像进行Savitzky-Golay滤波从而得到多个滤波之后的图像；通过Savitzky-Golay滤波对输入图像分析，得到细节和一般特征，滤波后图像和原始图像的像素强度形成了本方法中网络模型的输入特征空间；
步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，第一层的神经元数量根据专家库经验数据设定，选择一个N×N网络，网络中所包含的神经元的数量为K，选用在先经过标定的脑部MRI图像对神经网络进行训练；其中，每个神经元相关的遍历向量的数量与分割性能相关，在一定范围内增加遍历向量的数量将提高分割性能，超出该范围，性能不能提高而运算量显著提高；本方法中选择遍历向量数量等于4，分割方法能够获得正常的性能并且运算量低。
步骤(3)，图像分割，为了把输入脑部MRI图像分割成不同的对象，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；为识别网络结构中现有的聚类，定义阈值向量T
T＝(ti)1×z，ti＝T0+iΔt，i＝1，…，Z (1)
式中：T0是初始阈值；Z是表示阈值范围的正整数；Δt是表示阈值精度的步长，每个ti，组成一个跟第一层神经元结构同样大小的近邻矩阵B
B＝［bf，g]F×Ｇ (2)
式中：每个bf，g都有一个二进制值，表示神经元f和g之间的相似度；然后计算神经元f和g的权向量之间的距离，若这个距离大于ti，则bf，g的值为1，否则，为0；
式中：d(f，g)是神经元f和g的权向量之间的欧氏距离，邻近矩阵形成之后，使用式(4)确定具有最多邻居的神经元
这个神经元和它的邻居形成聚类(c)，定义量值(Sc)为
Sc＝(Z(mc)X(d(v，l)))N (5)
式中：mc是聚类中神经元的数量；N是特征空间的维数；1是属于这个聚类的一个神经元，
然后，从网络中移除这个聚类及其神经元，对于相同的ti，利用式对剩余的神经元再进行合并，重复上述过程，直到网络中所有的聚类均被识别。
在聚类识别之后，计算最佳阈值为
在式(6)中，Tbest是最佳阈值
式中：η和λ是两个参数分别用于控制聚类的量值和神经元数量；C是对应于ti的神经元结构中聚类的数量；Dti是对应于ti的神经元结构中聚类的密度；在确定最合适的阈值之后，它所对应的聚类可以通过式(3)-式(6)找到，然后，对于每个聚类，将分割后的图像中属于这个聚类的神经元的对象连接起来。
步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。
最后，对本申请中方法进行实验验证，实验中，从英国帝国理工学院脑发展研究中心的公开MRI数据库中提取50名成人受试者数据。由于数据库中MRI图像中含有的脑组织并不完全相同，需要提取待分割图像中的目标区域也不完全一样，有的图像需要提取大脑，另一些图像提取小脑或延髓或视顶盖，还有一些是若干个组织的混合。该数据库提供原始MRI图像以及对特定组织分割后的标准图像。
图像分割评价方法种类众多，本文采用下式定量计算图像分割的准确率。定量计算应用的最多，并且运用该类评价准则对图像分割的性能也最有说服力。
S1表示数据库中的标准样本的面积，S2表示用本文算法分割得到区域的面积。分子是两部分区域的公共面积，分母是公共面积、标准样本中原有的目标域没有被分割出来的区域面积、标准样本中没有的区域被错误分割出来的面积之和。
综合对50个测试样本的分割结果，本发明提出的方法取得了较好的分割效果，取得了80％以上的分割准确率。
以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。
Claims (8)
1.一种基于自组织映射网络的图像分割方法，用于对脑部图像的分析，包含以下步骤：
步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取，对多个不同尺度参数的输入图像进行Savitzky-Golay滤波从而得到多个滤波之后的图像，通过Savitzky-Golay滤波对输入图像分析，得到细节和一般特征，滤波后图像和原始图像的像素强度形成了本方法中网络模型的输入特征空间，其中，用于融合的源图像来自于多个射频接收线圈针对同一检测部位得到的脑部MRI图像；
步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，第一层的神经元数量根据专家库经验数据设定，选择一个N×N网络，网络中所包含的神经元的数量为K，选用在先经过标定的脑部MRI图像对神经网络进行训练；
步骤(3)，图像分割，为了把输入脑部MRI图像分割成不同的对象，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；
步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。
2.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤(1)中输入的MRI图像采用基于图像多尺度分解的MRI图像融合方法进行融合。
3.根据权利要求1所述的MRI图像分割方法，其特征在于，所述步骤(2)中包括，每个神经元相关的遍历向量的数量与分割性能相关，在一定范围内增加遍历向量的数量将提高分割性能，超出该范围，性能不能提高而运算量显著提高；本方法中选择遍历向量数量等于4，分割方法能够获得正常的性能并且运算量低。
4.根据权利要求3所述的MRI图像分割方法，其特征在于，步骤(3)包括：
为识别网络结构中现有的聚类，定义阈值向量T
T＝(ti)1×z，ti＝T0+iΔt，i＝1，…，Z (1)
式中：T0是初始阈值；Z是表示阈值范围的正整数；Δt是表示阈值精度的步长，每个ti，组成一个跟第一层神经元结构同样大小的近邻矩阵B
B＝[bf，g]F×G (2)
式中：每个bf，g都有一个二进制值，表示神经元f和g之间的相似度；然后计算神经元f和g的权向量之间的距离，若这个距离大于ti，则bf，g的值为1，否则，为0；
式中：d(f，g)是神经元f和g的权向量之间的欧氏距离，邻近矩阵形成之后，使用式(4)确定具有最多邻居的神经元
这个神经元和它的邻居形成聚类(c)，定义量值(Sc)为
Sc＝(Z(mc)X(d(v，l)))N (5)
式中：mc是聚类中神经元的数量；N是特征空间的维数；1是属于这个聚类的一个神经元，
然后，从网络中移除这个聚类及其神经元，对于相同的ti，利用式对剩余的神经元再进行合并，重复上述过程，直到网络中所有的聚类均被识别。
5.根据权利要求4所述的MRI图像分割方法，其特征在于，步骤(3)进一步包括：在聚类识别之后，计算最佳阈值为
在式(6)中，Tbest是最佳阈值
式中：η和λ是两个参数分别用于控制聚类的量值和神经元数量；C是对应于ti的神经元结构中聚类的数量；Dti是对应于ti的神经元结构中聚类的密度；在确定最合适的阈值之后，它所对应的聚类可以通过式(3)式(6)找到，然后，对于每个聚类，将分割后的图像中属于这个聚类的神经元的对象连接起来。
6.一种用于实现如权利要求1-5任意一项所述的MRI图像分割方法的MRI设备，其特征在于：包括：主磁体系统，梯度磁场系统，射频系统，运算和图像处理系统；其中射频系统包括多个射频线圈，多个射频线圈分别布置在线圈固定装置中，不同的射频接收线圈与受测者身上不同检测部位对应；图像采集时，上述多个射频线圈可以对同一部位进行检测，也可对不同部位分别检测。
7.根据权利要求6所述的MRI设备，其特征在于：运算和图像处理系统包括多通道数据采集单元、时序逻辑控制单元、运算单元、数据传输单元、显示器和键盘，电源模块，时钟模块，存储模块。
8.根据权利要求7所述的MRI设备，其特征在于：时序逻辑控制单元核心为FPGA模块，运算单元的核心为数字运算处理器DSP，FPGA和DSP之间通过SRIO协议通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571081.6A CN111754523A (zh) | 2020-06-19 | 2020-06-19 | 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571081.6A CN111754523A (zh) | 2020-06-19 | 2020-06-19 | 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111754523A true CN111754523A (zh) | 2020-10-09 |
Family
ID=72674946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010571081.6A Withdrawn CN111754523A (zh) | 2020-06-19 | 2020-06-19 | 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754523A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693693A (zh) * | 2022-03-31 | 2022-07-01 | 四川大学华西医院 | 一种基于卷积神经网络的胎儿胼胝体超声图像分割方法 |
-
2020
- 2020-06-19 CN CN202010571081.6A patent/CN111754523A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693693A (zh) * | 2022-03-31 | 2022-07-01 | 四川大学华西医院 | 一种基于卷积神经网络的胎儿胼胝体超声图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11741601B2 (en) | Systems and methods for analyzing perfusion-weighted medical imaging using deep neural networks | |
| AU2016339009B2 (en) | Pseudo-CT generation from MR data using tissue parameter estimation | |
| JP7019568B2 (ja) | 白質脳病変の分析のための医療機器 | |
| US10672126B2 (en) | Image processing apparatus and magnetic resonance imaging apparatus | |
| US20190223750A1 (en) | Medical image diagnostic apparatus and medical image display apparatus for volume image correlations | |
| US20090326363A1 (en) | Fused image modalities guidance | |
| US10191126B2 (en) | Systems and methods for spatial gradient-based electrical property properties tomography using magnetic resonance imaging | |
| EP4075380B1 (en) | Medical image-based tumor detection and diagnostic device | |
| CN111598820A (zh) | 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 | |
| US20130070990A1 (en) | Method for automatic three-dimensional segmentation of magnetic resonance images | |
| US20130018596A1 (en) | Method and device for determining target brain segments in human or animal brains | |
| Somasundaram et al. | Fully automatic method to identify abnormal MRI head scans using fuzzy segmentation and fuzzy symmetric measure | |
| CN103948389B (zh) | 磁共振断层成像方式获得人体组织电性能参数分布的方法 | |
| CN111754523A (zh) | 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备 | |
| CN111739052A (zh) | 应用于医疗的基于自适应轮廓模型肺部mri图像分割方法及mri设备 | |
| US20160061923A1 (en) | Sheet tractography using diffusion tensor mri | |
| CN111598898A (zh) | 应用于医疗的基于超像素心脏mri图像分割方法以及mri设备 | |
| CN111598821A (zh) | 应用于医疗的基于图像多尺度分解mri图像融合方法及mri设备 | |
| Flores et al. | Machine learning approach to microwave imaging for cancer detection | |
| Zhang et al. | Multimodality neurological data visualization with multi-VOI-based DTI fiber dynamic integration | |
| Meça | Applications of Deep Learning to Magnetic Resonance Imaging (MRI) | |
| Liu et al. | A fusion method in frequency domain for multi-wavelength transmission image | |
| CN109498016A (zh) | 一种磁共振电特性断层成像方法 | |
| Greeshma | Methods and Techniques for Brain Image Segmentation | |
| Ye et al. | A Bayesian approach to fiber orientation estimation guided by volumetric tract segmentation |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201009 |
|
| WW01 | Invention patent application withdrawn after publication |