CN112651976B - 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 - Google Patents
基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 Download PDFInfo
- Publication number
- CN112651976B CN112651976B CN202011088945.5A CN202011088945A CN112651976B CN 112651976 B CN112651976 B CN 112651976B CN 202011088945 A CN202011088945 A CN 202011088945A CN 112651976 B CN112651976 B CN 112651976B
- Authority
- CN
- China
- Prior art keywords
- ischemic stroke
- brain
- patient
- network
- 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.)
- Active
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
- G06T7/11—Region-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
- G06T7/136—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
- G06T7/187—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
- G06T2207/10—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
- 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低分辨率核磁数据的病灶区域脑网络确定方法及系统,方法包括:提取缺血性卒中患者的多个BOLD信号;构建健康人标准脑模版,将每个BOLD信号分别映射到标准脑模板中;提取缺血性卒中患者的病灶分割区域;将缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;对缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;将二值化网络进行刷新覆盖,形成病灶区域脑网络。本发明基于缺血性卒中患者的病灶分割区域能够准确和快速确定病灶区域脑网络,过程客观准确,且具有可靠性、易用性及广泛性。
Description
技术领域
本发明涉及病灶区域脑网络确定技术领域,特别是涉及一种基于低分辨率核磁数据的病灶区域脑网络确定方法及系统。
背景技术
脑卒中(cerebral stroke)是一种急性脑血管疾病,目前已经成为全球导致死亡的第二大疾病。脑卒中分为缺血性脑卒中与出血脑卒中。其中,缺血性卒中(IschemicStroke)因其隐秘性与突发性强,致残率与复发率高等特点,成为成年人致残的主要原因之一。缺血性卒中的诊断与治疗过程中,个体患者有不同的危险因素和临床表现,短期和长期临床预后、早期复发及死亡率方面均存在明显差异。
当前,医护人员主要通过低分辨率影像直接观察分析患者的临床症状与病变结构位置,这种方法使用极为广泛,但有一定的局限性,当患者具有相似病灶结构位置但临床症状不同时,医护人员无法准确、快速确定患者病灶区域脑网络。
发明内容
基于此,本发明的目的是提供一种基于低分辨率核磁数据的病灶区域脑网络确定方法及系统,以实现快速、准确确定缺血性卒中患者的病灶区域脑网络。
为实现上述目的,本发明提供了一种基于低分辨率核磁数据的病灶区域脑网络确定方法,所述方法包括:
步骤S1:对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号;
步骤S2:构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中;
步骤S3:提取缺血性卒中患者的病灶分割区域;
步骤S4:将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;
步骤S5:对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;
步骤S6:将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。
可选地,所述构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中,具体包括:
步骤S21:选取与患者相同信息的健康人的静息态功能核磁共振rs-fMRI数据;
步骤S22:根据健康人的rs-fMRI数据构建标准脑模版;
步骤S23:利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
可选地,所述提取缺血性卒中患者的病灶分割区域,具体包括:
步骤S31:分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型;
步骤S32:将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图;
步骤S33:对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域。
可选地,所述将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络,具体包括:
步骤S41:将所述缺血性卒中患者的病灶分割区域作为种子区域;
步骤S42:将映射后的标准脑模板分成多个脑区域;
步骤S43:利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性;
步骤S44:根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
本发明还提供一种基于低分辨率核磁数据的病灶区域脑网络确定系统,所述系统包括:
预处理模块,用于对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号;
映射模块,用于构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中;
提取模块,用于提取缺血性卒中患者的病灶分割区域;
脑功能网络构建模块,用于将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;
二值化处理模块,用于对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;
病灶区域脑网络确定模块,用于将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。
可选地,所述映射模块,具体包括:
选取单元,用于选取与患者相同信息的健康人的静息态功能核磁共振rs-fMRI数据;
标准脑模版构建单元,用于根据健康人的rs-fMRI数据构建标准脑模版;
映射单元,用于利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
可选地,所述提取模块,具体包括:
分割模型构建单元,用于分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型;
分割概率图确定单元,用于将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图;
病灶分割区域确定单元,用于对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域。
可选地,所述脑功能网络构建模块,具体包括:
种子区域确定单元,用于将所述缺血性卒中患者的病灶分割区域作为种子区域;
划分单元,用于将映射后的标准脑模板分成多个脑区域;
正负相关性计算单元,用于利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性;
脑功能网络构建单元,用于根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于低分辨率核磁数据的病灶区域脑网络确定方法及系统,方法包括:对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号;构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中;提取缺血性卒中患者的病灶分割区域;将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。本发明基于缺血性卒中患者的病灶分割区域构建病灶区域脑网络,能够准确和快速确定病灶区域脑网络,过程客观准确,且具有可靠性、易用性及广泛性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于低分辨率核磁数据的病灶区域脑网络确定方法流程图;
图2为本发明实施例第一病灶分割模型结构图;
图3为本发明实施例基于低分辨率核磁数据的病灶区域脑网络确定系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明的目的是提供一种基于低分辨率核磁数据的病灶区域脑网络确定方法及系统,以实现快速、准确确定缺血性卒中患者的病灶区域。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明公开一种基于低分辨率核磁数据的病灶区域脑网络确定方法,所述方法包括:
步骤S1:对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号。
步骤S2:构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中。
步骤S3:提取缺血性卒中患者的病灶分割区域。
步骤S4:将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络。
步骤S5:对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络。
步骤S6:将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。
下面对各个步骤进行详细论述:
步骤S1:对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号。
具体的,利用Gretna软件对所述FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行预处理,提取缺血性卒中患者的BOLD信号;所述预处理包括去除不稳定时间点,对时间层矫正、头动矫正、空间标准化、空间平滑、回归斜变量和滤波;FLAIR和T1WI两种模态影像均为低分辨率影像。
步骤S2:构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中,具体包括:
步骤S21:选取与患者相同信息的健康人的静息态功能核磁共振(Resting StateFunctional Magnetic Resonance Imaging,rs-fMRI)数据。
步骤S22:根据健康人的rs-fMRI数据构建标准脑模版;其中脑模版制作因素考虑年龄和性别。
步骤S23:利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
步骤S3:提取缺血性卒中患者的病灶分割区域,具体包括:
步骤S31:分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型。
如图2所示,第一病灶分割模型包括编码器和解码器,所述编码器和解码器的深度均为5层,每层包括两个级联的卷积层,所述编码器中采用下采样后作为下一个卷积层的输入,所述解码器采用上采样作为下一个卷积层的输入,卷积层包含一个3x3的卷积核与激活函数ReLU。
将所述第一病灶分割模型中第一层的3x3的卷积核替换为5x5的卷积核,并在编码过程中引入密集连接,获得所述第二病灶分割模型。
将所述第二病灶分割模型中增加卷积层的个数,获得所述第三病灶分割模型,所述第三病灶分割模型通过增加卷积层的个数进一步提高特征提取能力。
步骤S32:将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图;
步骤S33:对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域。
步骤S4:将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络,具体包括:
步骤S41:将所述缺血性卒中患者的病灶分割区域作为种子区域。
步骤S42:将映射后的标准脑模板分成多个脑区域。
步骤S43:利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性。
步骤S44:根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
步骤S5:对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络。
步骤S6:将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。
如图3所示,本发明还提供一种基于低分辨率核磁数据的病灶区域脑网络确定系统,所述系统包括:
预处理模块1,用于对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号。
映射模块2,用于构建健康人标准脑模版,将每个所述BOLD信号分别映射到标准脑模板中。
提取模块3,用于提取缺血性卒中患者的病灶分割区域。
脑功能网络构建模块4,用于将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络。
二值化处理模块5,用于对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络。
病灶区域脑网络确定模块6,用于将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络。
本发明所述映射模块2,具体包括:
选取单元,用于选取与患者相同信息的健康人的静息态功能核磁共振rs-fMRI数据。
标准脑模版构建单元,用于根据健康人的rs-fMRI数据构建标准脑模版。
映射单元,用于利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
本发明所述提取模块3,具体包括:
分割模型构建单元,用于分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型。
分割概率图确定单元,用于将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图。
病灶分割区域确定单元,用于对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域。
本发明所述脑功能网络构建模块4,具体包括:
种子区域确定单元,用于将所述缺血性卒中患者的病灶分割区域作为种子区域。
划分单元,用于将映射后的标准脑模板分成多个脑区域。
正负相关性计算单元,用于利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性。
脑功能网络构建单元,用于根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
本发明基于多网络集成的脑白质高信号分割方法对不同缺血性卒中患者的病灶分割区域特征进行提取,将个体化患者病灶区域映射到标准脑模版中,准确和快速的确定病灶区域,过程客观准确,且具有可靠性、易用性及广泛性。
本发明采用多网络集成的脑白质信号分割方法提取缺血性卒中病灶区域,提高缺血性卒中病灶区域分割效率与精准度。另外,本发明基于低分辨率的功能性核磁共振影像数据进行研究,实验结果客观呈现,避免医护人员由于认知能力限制、主观因素干扰造成的错误的确定病灶区域对应的脑功能网络。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于低分辨率核磁数据的病灶区域脑网络确定方法,其特征在于,所述方法包括:
步骤S1:对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号;FLAIR和T1WI两种模态影像均为低分辨率影像;
步骤S2:构建健康人标准脑模板,将每个所述BOLD信号分别映射到标准脑模板中;
步骤S3:提取缺血性卒中患者的病灶分割区域;
步骤S4:将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;
步骤S5:对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;
步骤S6:将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络;
所述提取缺血性卒中患者的病灶分割区域,具体包括:
步骤S31:分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型;
步骤S32:将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图;
步骤S33:对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域;
所述将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络,具体包括:
步骤S41:将所述缺血性卒中患者的病灶分割区域作为种子区域;
步骤S42:将映射后的标准脑模板分成多个脑区域;
步骤S43:利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性;
步骤S44:根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
2.根据权利要求1所述的基于低分辨率核磁数据的病灶区域脑网络确定方法,其特征在于,所述构建健康人标准脑模板,将每个所述BOLD信号分别映射到标准脑模板中,具体包括:
步骤S21:选取与患者相同信息的健康人的静息态功能核磁共振rs-fMRI数据;
步骤S22:根据健康人的rs-fMRI数据构建标准脑模板;
步骤S23:利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
3.一种基于低分辨率核磁数据的病灶区域脑网络确定系统,其特征在于,所述系统包括:
预处理模块,用于对缺血性卒中患者的FLAIR和T1WI两种模态影像对应的rs-fMRI数据进行数据预处理,提取缺血性卒中患者的多个BOLD信号;
映射模块,用于构建健康人标准脑模板,将每个所述BOLD信号分别映射到标准脑模板中;
提取模块,用于提取缺血性卒中患者的病灶分割区域;
脑功能网络构建模块,用于将所述缺血性卒中患者的病灶分割区域作为种子区域,基于映射后的标准脑模板构建缺血性卒中患者的脑功能网络;
二值化处理模块,用于对所述缺血性卒中患者的脑功能网络进行阈值化二值化处理,获得缺血性卒中患者的二值化网络;
病灶区域脑网络确定模块,用于将所述缺血性卒中患者的二值化网络进行刷新覆盖,形成病灶区域脑网络;
所述提取模块,具体包括:
分割模型构建单元,用于分别构建第一病灶分割模型、第二病灶分割模型和第三病灶分割模型;
分割概率图确定单元,用于将缺血性卒中患者的FLAIR和T1WI两种模态影像分别输入第一病灶分割模型、第二病灶分割模型和第三病灶分割模型,采用多网络集成的脑白质信号分割方法,分别各获得一张脑白质高信号的分割概率图;
病灶分割区域确定单元,用于对三张所述脑白质高信号的分割概率图取平均、阈值化处理以及二值化处理后,获得缺血性卒中患者的病灶分割区域;
所述脑功能网络构建模块,具体包括:
种子区域确定单元,用于将所述缺血性卒中患者的病灶分割区域作为种子区域;
划分单元,用于将映射后的标准脑模板分成多个脑区域;
正负相关性计算单元,用于利用Pearson相关系数计算所述种子区域与各所述脑区域之间的正负相关性;
脑功能网络构建单元,用于根据所述种子区域与各所述脑区域之间的正负相关性构建缺血性卒中患者的脑功能网络。
4.根据权利要求3所述的基于低分辨率核磁数据的病灶区域脑网络确定系统,其特征在于,所述映射模块,具体包括:
选取单元,用于选取与患者相同信息的健康人的静息态功能核磁共振rs-fMRI数据;
标准脑模板构建单元,用于根据健康人的rs-fMRI数据构建标准脑模板;
映射单元,用于利用FSL软件将每个所述BOLD信号分别映射到标准脑模板中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088945.5A CN112651976B (zh) | 2020-10-13 | 2020-10-13 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088945.5A CN112651976B (zh) | 2020-10-13 | 2020-10-13 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651976A CN112651976A (zh) | 2021-04-13 |
CN112651976B true CN112651976B (zh) | 2022-07-19 |
Family
ID=75346760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011088945.5A Active CN112651976B (zh) | 2020-10-13 | 2020-10-13 | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651976B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
CN115984266B (zh) * | 2023-03-20 | 2023-07-04 | 首都医科大学附属北京天坛医院 | 一种脑区中靶点定位方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
CN105726026A (zh) * | 2016-01-28 | 2016-07-06 | 电子科技大学 | 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法 |
CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
CN109259764A (zh) * | 2018-07-27 | 2019-01-25 | 昆明理工大学 | 一种确定动态脑功能网络阈值方法 |
CN109671065A (zh) * | 2018-12-14 | 2019-04-23 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的取栓判断的方法及系统 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2784748B1 (en) * | 2013-03-28 | 2017-11-01 | Expert Ymaging, SL | A computer implemented method for assessing vascular networks from medical images and uses thereof |
-
2020
- 2020-10-13 CN CN202011088945.5A patent/CN112651976B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886328A (zh) * | 2014-03-19 | 2014-06-25 | 太原理工大学 | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 |
CN105726026A (zh) * | 2016-01-28 | 2016-07-06 | 电子科技大学 | 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法 |
CN106295709A (zh) * | 2016-08-18 | 2017-01-04 | 太原理工大学 | 基于多尺度脑网络特征的功能磁共振影像数据分类方法 |
CN107242873A (zh) * | 2017-07-05 | 2017-10-13 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
CN109259764A (zh) * | 2018-07-27 | 2019-01-25 | 昆明理工大学 | 一种确定动态脑功能网络阈值方法 |
CN109671065A (zh) * | 2018-12-14 | 2019-04-23 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的取栓判断的方法及系统 |
CN111415324A (zh) * | 2019-08-09 | 2020-07-14 | 复旦大学附属华山医院 | 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法 |
CN110491501A (zh) * | 2019-08-14 | 2019-11-22 | 电子科技大学 | 一种青少年孤独症大脑功能网络模型分析方法 |
CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112651976A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101740464B1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
CN112651976B (zh) | 基于低分辨率核磁数据的病灶区域脑网络确定方法及系统 | |
CN110853111B (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
JP5878125B2 (ja) | 認知症診断支援装置及び認知症診断支援方法 | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
EP1542589B1 (en) | Display of image data information | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
Chesebro et al. | Automated detection of cerebral microbleeds on T2*-weighted MRI | |
Wu et al. | A residual fusion network for osteosarcoma MRI image segmentation in developing countries | |
CN110910335B (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
JP2009226043A (ja) | 医用画像処理装置及び異常陰影検出方法 | |
CN115222992A (zh) | 基于术前术中影像的乳腺癌淋巴结良恶性分类系统及方法 | |
KR101590483B1 (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
CN113674251A (zh) | 基于多模态影像的腰椎图像分类识别系统、设备和介质 | |
CN113538464A (zh) | 脑部影像分割模型训练方法、分割方法及装置 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
WO2019044089A1 (ja) | 医用情報表示装置、方法及びプログラム | |
CN115089112A (zh) | 卒中后认知障碍风险评估模型建立方法、装置及电子设备 | |
CN113379770A (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN114098714A (zh) | 基于机器视觉建立冻结步态识别模型的方法 | |
CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
CN115148365B (zh) | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 |
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 |