CN113777546A - 一种基于三维映射的磁共振多参数脑白质高信号量化方法 - Google Patents
一种基于三维映射的磁共振多参数脑白质高信号量化方法 Download PDFInfo
- Publication number
- CN113777546A CN113777546A CN202111069511.5A CN202111069511A CN113777546A CN 113777546 A CN113777546 A CN 113777546A CN 202111069511 A CN202111069511 A CN 202111069511A CN 113777546 A CN113777546 A CN 113777546A
- Authority
- CN
- China
- Prior art keywords
- white matter
- dimensional mapping
- magnetic resonance
- signal
- quantification method
- 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
- 210000004885 white matter Anatomy 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013507 mapping Methods 0.000 title claims abstract description 27
- 238000011002 quantification Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000004556 brain Anatomy 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001054 cortical effect Effects 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical group CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 abstract description 6
- 208000024248 Vascular System injury Diseases 0.000 abstract description 5
- 208000012339 Vascular injury Diseases 0.000 abstract description 5
- 230000001788 irregular Effects 0.000 abstract description 5
- 230000003902 lesion Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006378 damage Effects 0.000 description 9
- 208000014674 injury Diseases 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于三维映射的磁共振多参数脑白质高信号量化方法,包括以下步骤：S1、对磁共振影像进行预处理，结合T1WI、T2WI和PD成像序列构建三维映射空间；S2、获取脑白质信号异常的标签，基于所述三维映射空间，构建多模态高斯分类器阵列；S3、根据所述T1WI、T2WI和PD进行强度分布，再结合所述多模态高斯分类器阵列，对给定类别中的最大后置概率进行分类，构成基于马氏距离的图像模板；S4、生成最终标记的脑白质信号异常的标签。本申请克服传统T2或FLAIR序列无法有效鉴别由血管损伤造成的影像表征问题及不规则信号可导致病灶边界模糊，实现对全脑白质信号异常的精确定量和分布特征描述。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于三维映射的磁共振多参数脑白质高信号量化方法。
背景技术
微血管损伤在T2和FLAIR序列中常见为白质高信号，在临床工作中，特别是在老龄化人群中，是十分常见的影像学征象之一。但由于脑白质炎症反应与水肿反应可呈现出相似的高信号特征，导致从T2或FLAIR序列中有效鉴别由血管损伤造成的影像表征成为亟需解决的问题。另一方面，T2序列中部分受损组织可能会显示与脑脊液相同亮度的信号强度，而其他受损组织可能仅显示相对于正常白质略微变亮的信号强度。这种不规则的信号可导致病灶边界模糊，致使在白质损伤自动分割过程中信号提取的精确性面临挑战。研发表征白质信号异常与正常白质分布距离的新型量化技术，以弥补信号强度异质性和病理损伤类型差异导致白质高信号精确识别的自动分割技术，将有助于建立微血管损伤的白质改变分布区域特征的分析方法。
发明内容
本发明的目的是提供一种基于三维映射的磁共振多参数脑白质高信号量化方法，以解决上述现有技术存在的问题，使克服传统T2或FLAIR序列无法有效鉴别由血管损伤造成的影像表征问题及不规则信号可导致病灶边界模糊，实现对全脑白质信号异常的精确定量和分布特征描述。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于三维映射的磁共振多参数脑白质高信号量化方法，包括以下步骤：
S1、对磁共振影像进行预处理，结合T1WI、T2WI和PD成像序列构建三维映射空间；
S2、获取脑白质信号异常的标签，基于所述三维映射空间，构建多模态高斯分类器阵列；
S3、根据所述T1WI、T2WI和PD进行强度分布，再结合所述多模态高斯分类器阵列，对给定类别中的最大后置概率进行分类，构成基于马氏距离的图像模板；
S4、将所述脑白质信号异常的标签和正常白质之间的马氏距离对所述多模态高斯分类器阵列进行改进，验证成功后，获取未被标记的脑白质信号异常区域，生成最终标记的脑白质信号异常的标签。
可选的，所述S1预处理过程包括：
首先基于结构数据，将T1的解剖图像，进行新的皮层表面重建并根据体积分割感兴趣区域，从而进行全脑白质的标记。
可选的，所述获取标签的过程包括：
基于T1WI去除脑壳部分，并存储起来，进行原始TIWI体积到MNI305图集的仿射变换。
可选的，所述仿射变换包括：灰质和白质的分割，利用强度和近邻平滑限制进行白质分离，并将信号强度归一化。
可选的，所述归一化的过程中，将三角形顶点为曲面的图形膨胀成球形，并且将度量失真最小化。
可选的，所述S3中分类的过程包括：
给定个体体素的T1/T2/PD强度分布和所述个体体素的MMGCA概率，获得个体体素处于给定类别中。
可选的，所述S4中所述马氏距离的计算方法包括：
式中，MD为脑白质信号异常的标签和正常白质之间的马氏距离，yv为体素v时的多模态信号强度向量，μH为NAWM时的平均多模态信号强度向量，而
是NAWM中多模态强度的协方差矩阵。
可选的，所述验证的过程包括：
首先进行手动标签，在通过获取的所述脑白质异常的标签之间的重叠进行量化，
其中A对应于评分器标记的体素集，B对应于自动程序标记的体素集；生成的Dice分数中，较低Dice分数主要是由于体素被自动程序标记为WMSA，而手工评分者没有标记。
本发明公开了以下技术效果：
本发明区别于以往微血管损伤负担的T2和FLAIR序列分析探测敏感与精确度低的技术瓶颈。本发明联合T1、T2和PD序列构建三维映射空间，突破白质高信号血管损伤和其他因素的影像表征鉴别困难以及不规则信号导致的自动分割能力薄弱的瓶颈，研发白质信号异常新型量化技术，实现微血管损伤“白质信号”总负担的定量分析。
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为本发明实施例的整体方案流程图。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本发明中所述的“份”如无特别说明，均按质量份计。
如图1所示，本发明提供一种基于三维映射的磁共振多参数脑白质高信号量化方法，包括以下步骤：
S1、对磁共振影像进行预处理，结合T1WI、T2WI和PD成像序列构建三维映射空间；
S2、获取脑白质信号异常的标签，基于所述三维映射空间，构建多模态高斯分类器阵列；
S3、根据所述T1WI、T2WI和PD进行强度分布，再结合所述多模态高斯分类器阵列，对给定类别中的最大后置概率进行分类，构成基于马氏距离的图像模板；
S4、将所述脑白质信号异常的标签和正常白质之间的马氏距离对所述多模态高斯分类器阵列进行改进，验证成功后，获取未被标记的脑白质信号异常区域，生成最终标记的脑白质信号异常的标签。
可选的，所述S1预处理过程包括：
首先基于结构数据，将T1的解剖图像，进行新的皮层表面重建并根据体积分割感兴趣区域，从而进行全脑白质的标记。
可选的，所述获取标签的过程包括：
基于T1WI去除脑壳部分，并存储起来，进行原始TIWI体积到MNI305图集的仿射变换。
可选的，所述仿射变换包括：灰质和白质的分割，利用强度和近邻平滑限制进行白质分离，并将信号强度归一化。
可选的，所述归一化的过程中，将三角形顶点为曲面的图形膨胀成球形，并且将度量失真最小化。
可选的，所述S3中分类的过程包括：
给定个体体素的T1/T2/PD强度分布和所述个体体素的MMGCA概率，获得个体体素处于给定类别中。
可选的，所述S4中所述马氏距离的计算方法包括：
式中，MD为脑白质信号异常的标签和正常白质之间的马氏距离，yv为体素v时的多模态信号强度向量，μH为NAWM时的平均多模态信号强度向量，而
是NAWM中多模态强度的协方差矩阵。
可选的，所述验证的过程包括：
首先进行手动标签，在通过获取的所述脑白质异常的标签之间的重叠进行量化，
其中A对应于评分器标记的体素集，B对应于自动程序标记的体素集；生成的Dice分数中，较低Dice分数主要是由于体素被自动程序标记为WMSA，而手工评分者没有标记。
本发明区别于以往微血管损伤负担的T2和FLAIR序列分析探测敏感与精确度低的技术瓶颈。本发明联合T1、T2和PD序列构建三维映射空间，突破白质高信号血管损伤和其他因素的影像表征鉴别困难以及不规则信号导致的自动分割能力薄弱的瓶颈，研发白质信号异常新型量化技术，实现微血管损伤“白质信号”总负担的定量分析。
综上所述，本发明借助磁共振多参数灵敏成像技术，结合T1WI、T2WI和PD成像序列构建三维映射空间对于微血管损伤表征的脑白质改变有着实际的临床应用价值。提出了白质信号异常与正常白质分布距离的新型量化技术(马氏距离计算，MahalanobisDistance)，弥补信号强度异质性和病理损伤类型差异导致白质高信号精确识别和自动分割技术局限，建立轻度脑外伤微血管损伤的“白质信号异常”分布区域特征的分析方法。本发明思路新颖，过程简单，有重要的临床和科研价值。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于，包括以下步骤：
S1、对磁共振影像进行预处理，结合T1WI、T2WI和PD成像序列构建三维映射空间；
S2、获取脑白质信号异常的标签，基于所述三维映射空间，构建多模态高斯分类器阵列；
S3、根据所述T1WI、T2WI和PD进行强度分布，再结合所述多模态高斯分类器阵列，对给定类别中的最大后置概率进行分类，构成基于马氏距离的图像模板；
S4、将所述脑白质信号异常的标签和正常白质之间的马氏距离对所述多模态高斯分类器阵列进行改进，验证成功后，获取未被标记的脑白质信号异常区域，生成最终标记的脑白质信号异常的标签。
2.根据权利要求1所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述S1预处理过程包括：
首先基于结构数据，将T1的解剖图像，进行新的皮层表面重建并根据体积分割感兴趣区域，从而进行全脑白质的标记。
3.根据权利要求1所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述获取标签的过程包括：
基于T1WI去除脑壳部分，并存储起来，进行原始TIWI体积到MNI305图集的仿射变换。
4.根据权利要求3所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述仿射变换包括：灰质和白质的分割，利用强度和近邻平滑限制进行白质分离，并将信号强度归一化。
5.根据权利要求4所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述归一化的过程中，将三角形顶点为曲面的图形膨胀成球形，并且将度量失真最小化。
6.根据权利要求5所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述S3中分类的过程包括：
给定个体体素的T1/T2/PD强度分布和所述个体体素的MMGCA概率，获得个体体素处于给定类别中。
7.根据权利要求6所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述S4中所述马氏距离的计算方法包括：
式中，MD为脑白质信号异常的标签和正常白质之间的马氏距离，yv为体素v时的多模态信号强度向量，μH为NAWM时的平均多模态信号强度向量，而
是NAWM中多模态强度的协方差矩阵。
8.根据权利要求7所述的基于三维映射的磁共振多参数脑白质高信号量化方法，其特征在于：所述验证的过程包括：
首先进行手动标签，在通过获取的所述脑白质异常的标签之间的重叠进行量化，
其中A对应于评分器标记的体素集，B对应于自动程序标记的体素集；生成的Dice分数中，较低Dice分数主要是由于体素被自动程序标记为WMSA，而手工评分者没有标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069511.5A CN113777546B (zh) | 2021-09-13 | 2021-09-13 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069511.5A CN113777546B (zh) | 2021-09-13 | 2021-09-13 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113777546A true CN113777546A (zh) | 2021-12-10 |
| CN113777546B CN113777546B (zh) | 2023-04-25 |
Family
ID=78843156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111069511.5A Active CN113777546B (zh) | 2021-09-13 | 2021-09-13 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113777546B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030009098A1 (en) * | 2001-04-05 | 2003-01-09 | Jack Clifford R. | Histogram segmentation of FLAIR images |
| WO2011040473A1 (ja) * | 2009-09-29 | 2011-04-07 | 大日本印刷株式会社 | 医用画像処理方法、装置およびプログラム |
| CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
| US20150045651A1 (en) * | 2012-03-21 | 2015-02-12 | The Johns Hopkins University | Method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject |
| CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
| CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取系统 |
| CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
| CN109886944A (zh) * | 2019-02-02 | 2019-06-14 | 浙江大学 | 一种基于多图谱的脑白质高信号检测和定位方法 |
| CN113256654A (zh) * | 2021-05-26 | 2021-08-13 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及系统 |
-
2021
- 2021-09-13 CN CN202111069511.5A patent/CN113777546B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030009098A1 (en) * | 2001-04-05 | 2003-01-09 | Jack Clifford R. | Histogram segmentation of FLAIR images |
| WO2011040473A1 (ja) * | 2009-09-29 | 2011-04-07 | 大日本印刷株式会社 | 医用画像処理方法、装置およびプログラム |
| CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
| US20150045651A1 (en) * | 2012-03-21 | 2015-02-12 | The Johns Hopkins University | Method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject |
| CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
| CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取系统 |
| CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
| CN109886944A (zh) * | 2019-02-02 | 2019-06-14 | 浙江大学 | 一种基于多图谱的脑白质高信号检测和定位方法 |
| CN113256654A (zh) * | 2021-05-26 | 2021-08-13 | 西安交通大学 | 一种基于病变扩散算法的白质高信号提取方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| MAHSA DADAR 等: "Validation of a Regression Technique for Segmentation of White Matter Hyperintensities in Alzheimer’s Disease", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113777546B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bouix et al. | Hippocampal shape analysis using medial surfaces | |
| Barnes et al. | Semiautomated detection of cerebral microbleeds in magnetic resonance images | |
| CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
| US20100260396A1 (en) | integrated segmentation and classification approach applied to medical applications analysis | |
| Zhang et al. | Structured learning for 3-D perivascular space segmentation using vascular features | |
| CN111931811A (zh) | 一种基于超像素图像相似度的计算方法 | |
| Tu et al. | Automated extraction of the cortical sulci based on a supervised learning approach | |
| Chen et al. | Automatic brain tumor segmentation based on features of separated local square | |
| US20050135695A1 (en) | Method for radiological image processing | |
| Zaaboub et al. | Optic disc detection and segmentation using saliency mask in retinal fundus images | |
| JP2021519920A (ja) | 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法 | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| Senyukova et al. | Automated atlas-based segmentation of NISSL-stained mouse brain sections using supervised learning | |
| US20240304007A1 (en) | Method and system for the segmentation and clustering of nuclei based on single-cell pathological images | |
| CN113777546B (zh) | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 | |
| CN108805181A (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
| Somasundaram et al. | Fetal head localization and fetal brain segmentation from MRI using the center of gravity | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
| Liu et al. | Retinal vessel segmentation from simple to difficult | |
| CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
| Ghosh et al. | Brain tumor detection from MRI image: An approach | |
| Imtiaz et al. | Segmentation of skin lesion using harris corner detection and region growing | |
| Nandy et al. | Automatic nuclei segmentation and spatial FISH analysis for cancer detection | |
| Bernart et al. | Segmentation and classification of melanocytic skin lesions using local and contextual features |
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 |