CN113822863A - 一种鼻咽癌概率图谱获取及定量分析方法 - Google Patents
一种鼻咽癌概率图谱获取及定量分析方法 Download PDFInfo
- Publication number
- CN113822863A CN113822863A CN202111070710.8A CN202111070710A CN113822863A CN 113822863 A CN113822863 A CN 113822863A CN 202111070710 A CN202111070710 A CN 202111070710A CN 113822863 A CN113822863 A CN 113822863A
- Authority
- CN
- China
- Prior art keywords
- nasopharyngeal carcinoma
- image
- standard
- transformation
- head
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种鼻咽癌概率图谱获取及定量分析方法,该方法通过建立头颈部标准三维坐标系,尽量消除个体间头颅大小和形状的差异,可以更好地描述肿瘤位置和浸润深度。同时在标准三维坐标系中获取鼻咽癌概率图谱,并提供一种概率图谱特征描述与定量分析方法,同时可以为大样本的头颈部肿瘤定量分析提供新的技术手段,生成鼻咽癌概率图像并研究概率图谱特征描述方法,形成标准空间下的影像学特征,完善现有鼻咽癌影像组学特征体系,并通过大数据医学影像分析,提高鼻咽癌预后模型的准确度,为制订鼻咽癌精准个性化治疗方案提供技术支持。
Description
技术领域
本发明涉及医学图像处理技术领域,具体是一种鼻咽癌概率图谱获取与定量分析方法。
背景技术
鼻咽癌(Nasopharyngeal carcinoma,NPC)是我国华南地区“特色”恶性肿瘤,是我国死亡率最高的头颈部恶性肿瘤,具有高侵袭率和早期远处转移等特征,严重威胁我国人民生命健康。随着医学图像处理技术、大数据、人工智能等技术的发展以及影像组学的出现,为鼻咽癌辅助诊断和预后预测研究等提供了有力的技术手段和方法。然而,鼻咽癌预后分析中存在特征不完善且来自于个体图像、ROI由人工标定等瓶颈,大样本鼻咽癌影像分析和预后预测研究受到极大地限制。
影像组学能够深度挖掘磁共振成像(MRI)、计算机断层成像(CT)、正电子发射计算机断层成像(PET)等图像中包含的数据信息,通过深度学习等技术构建鼻咽癌预后模型。通过无病生存率、总生存率、无远处转移生存率和无局部复发生存率的聚类和预后模型分析,证实了MRI可以对鼻咽癌患者的良好预后估计。利用鼻咽癌PET和CT图像特征可以构建可靠的NPC预后模型。利用增强T1加权图像特征和T2加权图像特征建立Cox比例风险模型,结合多个临床变量的放射线列线图在验证队列中具有良好的评价能力。增强MRI影像纹理信息对于鼻咽癌患者预后有价值。MRI影像中的鼻咽癌形态学特征、影像直方图特征、高斯拉普拉斯变换特征、小波变换特征以及纹理特征,可用于分析调强放疗治疗鼻咽癌的复发模式及原因。治疗前T1WI图像中的鼻咽癌特征可以用来预测鼻咽癌诱导化疗早期反应。利用大数据智能平台,根据竞争风险分析建立列线图模型可以确定接受调强放疗鼻咽癌患者。
但当前鼻咽癌影像组学预后预测研究中还存在一些问题。这些问题主要有:(1)目前的影像组学预后预测模型的特征大多都以医学图像的灰度、纹理、统计、变换等构成。特征描述存在一定的局限性,有必要根据鼻咽癌的一些先验信息探索新的有针对性的影像特征描述方法。(2)用于影像组学分析的影像特征大多都是来自个体图像的特征描述。由于患者之间的头颈部结构和组织差异比较大,目前还没有切实可行用于鼻咽癌预后分析的头颈部标准空间,也缺乏统一的分析平台和技术,在大样本影像数据分析方面存在技术瓶颈。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种鼻咽癌概率图谱获取及定量分析方法,该方法建立了一种头颈部标准三维坐标系,并应用于鼻咽癌概率图谱获取与定量分析,该方法可以消除个体间头颅大小和形状差异对体积测量的影响,从而定量、精准地反映肿瘤负荷及浸润深度,为肿瘤分期评估、预后预测及疗效评估提供客观的影像学依据。另外,本发明所生成的鼻咽癌概率图谱可以提高肿瘤识别的准确性,优化图像分割和肿瘤放疗靶区的勾画。
实现本发明目的的技术方案是:
一种鼻咽癌概率图谱获取及定量分析方法,包括如下步骤:
1)分别获取鼻咽癌患者和健康者的头部MRI图像,从鼻咽癌患者的头部MRI图像中获取T1W、T2W、DCE-MRI和DWI扫描图像,并从扫描图像中获取常用参数,将获取的参数采用DICOM格式存储;采用相同的参数,从健康者的头部MRI图像中获取健康者的T1W、T2W、DCE-MRI和DWI扫描图像,作为标准参考图像;
2)对鼻咽癌患者头部MRI图像进行归一化显示,对MRI图像中的鼻咽癌ROI区域和四个稳定解剖结构点进行勾画,获取到头部四个稳定解剖结构点;
3)根据步骤2)获得的四个稳定解剖结构点构建头部医学影像标准三维坐标系,并将鼻咽癌患者的医学图像和肿瘤ROI配准到标准三维坐标系的空间中进行图像配准,利用叠加的方法获取鼻咽癌概率图谱;
4)对步骤3)获得的鼻咽癌概率图谱进行定量分析和特征描述,获得肿瘤的位置信息、肿瘤体积,以及肿瘤区域的平均概率、肿瘤边界的概率分布、概率的梯度方向。
步骤1)中,所述的常用参数为图像矩阵大小为512像素×512像素,视野为25.6厘米×25.6厘米,切片厚度为6mm,在每个被试图像中,16个切片覆盖整个头部。
步骤2)中,所述的勾画,是由工作经历五年以上的影像医师进行勾画,并由医学影像学主任医师确认,确保数据真实可靠,不包括肿瘤ROI的自动勾画和稳定解剖结构点的自动定位。
步骤2)中,所述的四个稳定解剖结构点为双侧内耳门的2个点和双侧颈内动脉海绵窦段垂直部的2个点。
步骤3)中,所述的头部医学影像标准三维坐标系,是将坐标原点定位在两侧内耳门连线的中点,两侧内耳门的连线方向为X轴方向,在该横断面内垂直该连线的方向为Y轴,与横断面垂直的方向为Z轴。
步骤3)中,图像配准是对图像进行变换,包括平移变换、尺寸变换和转换变换,得到标准空间的变换矩阵,设分别表示头部医学影像标准三维坐标系空间下四个解剖点的坐标值;分别表示移动图像(患者)中的四个解剖点的坐标值,变换过程具体如下:
平移变换的参数矩阵MShift为:
其中(CSx,CSy,CSz)为标准空间坐标系的原点坐标,(CTx,CTy,CTz)为移动图像中的原点坐标,其中:
尺度变换的参数矩阵MScale为:
其中S1=LS/LT,LS和LT分别为标准空间和移动图像中的LIA/RIA连线的长度,
S2=L1/L2,L1和L2分别为标准空间和移动图像中的LIA/RIA连线中点与LAS/RAS连线中点的线段长度,
旋转变换的参数矩阵MRotate为:
其中θ为标准空间和移动图像中的LIA/RIA连线的夹角;
则将参考图像配准到标准空间的变换矩阵为:
M=MShift*MScale*MRotate
本发明提供的一种鼻咽癌概率图谱获取及定量分析方法,该方法通过建立头颈部标准三维坐标系,尽量消除个体间头颅大小和形状的差异,可以更好地描述肿瘤位置和浸润深度。同时在标准三维坐标系中获取鼻咽癌概率图谱,并提供一种概率图谱特征描述与定量分析方法,同时可以为大样本的头颈部肿瘤定量分析提供新的技术手段,生成鼻咽癌概率图像并研究概率图谱特征描述方法,形成标准空间下的影像学特征,完善现有鼻咽癌影像组学特征体系,并通过大数据医学影像分析,提高鼻咽癌预后模型的准确度,为制订鼻咽癌精准个性化治疗方案提供技术支持。
附图说明
图1为一种鼻咽癌概率图谱获取及定量分析方法的流程图;
图2为头部医学影像标准三维坐标系的示意图;
图3为鼻咽癌标准空间下概率图谱定量分析方法示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
一种鼻咽癌概率图谱获取及定量分析方法,如图1所示,包括如下步骤:
1)利用图像获取模块分别获取鼻咽癌患者和健康者的头部MRI图像,从鼻咽癌患者的头部MRI图像中获取T1W、T2W、DCE-MRI和DWI扫描图像,并从扫描图像中获取常用参数,将获取的参数采用DICOM格式存储;采用相同的参数,从健康者的头部MRI图像中获取健康者的T1W、T2W、DCE-MRI和DWI扫描图像,作为标准参考图像,健康者无头部疾病,且在医学图像中头部结构清楚;
步骤1)中,所述的常用参数为图像矩阵大小为512像素×512像素,视野为25.6厘米×25.6厘米,切片厚度为6mm,在每个被试图像中,16个切片覆盖整个头部。
2)利用图像预处理模块对鼻咽癌患者头部MRI图像进行归一化显示,对MRI图像中的鼻咽癌ROI区域和四个稳定解剖结构点进行勾画,获取到头部四个稳定解剖结构点,包括双侧内耳门的2个点和双侧颈内动脉海绵窦段垂直部的2个点;
所述的勾画,是由工作经历五年以上的影像医师进行勾画,并由医学影像学主任医师确认,确保数据真实可靠,不包括肿瘤ROI的自动勾画和稳定解剖结构点的自动定位。
3)图像处理模块根据步骤2)获得的四个稳定解剖结构点构建头部医学影像标准三维坐标系,并将鼻咽癌患者的医学图像和肿瘤ROI配准到标准三维坐标系的空间中进行图像配准,利用叠加的方法获取鼻咽癌概率图谱;
所述的头部医学影像标准三维坐标系,如图2所示,是将坐标原点定位在两侧内耳门连线的中点,两侧内耳门的连线方向为X轴方向,在该横断面内垂直该连线的方向为Y轴,与横断面垂直的方向为Z轴。
对22例正常人的头部进行MRI扫描并由医生勾画出双侧翼外肌,将所有被试的双侧翼外肌配准到标准空间。可以看出,22例翼外肌基本上都能够重叠在一起。其表明了本申请构建的头部医学影像标准三维坐标系空间是稳定的,可以用于鼻咽癌的概率图谱分析。
图像配准是对图像进行变换,包括平移变换、尺寸变换和转换变换,得到标准空间的变换矩阵,设分别表示头部医学影像标准三维坐标系空间下四个解剖点的坐标值;分别表示移动图像(患者)中的四个解剖点的坐标值,变换过程具体如下:
平移变换的参数矩阵MShift为:
其中(CSx,CSy,CSz)为标准空间坐标系的原点坐标,(CTx,CTy,CTz)为移动图像中的原点坐标,其中:
尺度变换的参数矩阵MScale为:
其中S1=LS/LT,LS和LT分别为标准空间和移动图像中的LIA/RIA连线的长度,
S2=L1/L2,L1和L2分别为标准空间和移动图像中的LIA/RIA连线中点与LAS/RAS连线中点的线段长度,
旋转变换的参数矩阵MRotate为:
其中θ为标准空间和移动图像中的LIA/RIA连线的夹角;
则将参考图像配准到标准空间的变换矩阵为:
M=MShift*MScale*MRotate
4)对步骤3)获得的鼻咽癌概率图谱进行定量分析和特征描述,获得肿瘤的位置信息、肿瘤体积,以及肿瘤区域的平均概率、肿瘤边界的概率分布、概率的梯度方向。
4-1)标准空间下的鼻咽癌肿瘤定量分析方法如图3所示。一个被试的肿瘤区域经过配准到标准坐标空间后,可以在同一标准下测得该肿瘤位置信息,向左或向右的最大侵犯长度,以及标准空间下的肿瘤体积等。这可以为多被试之间的定量分析提供了一种新的技术手段。
4-2)鼻咽癌概率图谱的特征定量描述主要包括鼻咽癌概率图谱特征,主要有肿瘤区域的平均概率、肿瘤边界的概率分布、概率的梯度方向(即肿瘤的生长方向)等。肿瘤区域的平均概率为整个肿瘤区域的概率的平均值;肿瘤边界的概率分布将采用轮廓上各点的概率分布。肿瘤生长方向通过肿瘤边界上的概率最大值(MaxP)和概率最小值点(MinP)在坐标系中的位置来进行估计。这些特征描述,将为鼻咽癌影像组学提供新的特征。
Claims (6)
1.一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,包括如下步骤:
1)分别获取鼻咽癌患者和健康者的头部MRI图像,从鼻咽癌患者的头部MRI图像中获取T1W、T2W、DCE-MRI和DWI扫描图像,并从扫描图像中获取常用参数,将获取的参数采用DICOM格式存储;采用相同的参数,从健康者的头部MRI图像中获取健康者的T1W、T2W、DCE-MRI和DWI扫描图像,作为标准参考图像;
2)对鼻咽癌患者头部MRI图像进行归一化显示,对MRI图像中的鼻咽癌ROI区域和四个稳定解剖结构点进行勾画,获取到头部四个稳定解剖结构点;
3)根据步骤2)获得的四个稳定解剖结构点构建头部医学影像标准三维坐标系,并将鼻咽癌患者的医学图像和肿瘤ROI配准到标准三维坐标系的空间中进行图像配准,利用叠加的方法获取鼻咽癌概率图谱;
4)对步骤3)获得的鼻咽癌概率图谱进行定量分析和特征描述,获得肿瘤的位置信息、肿瘤体积,以及肿瘤区域的平均概率、肿瘤边界的概率分布、概率的梯度方向。
2.根据权利要求1所述的一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,步骤1)中,所述的常用参数为图像矩阵大小为512像素×512像素,视野为25.6厘米×25.6厘米,切片厚度为6mm,在每个被试图像中,16个切片覆盖整个头部。
3.根据权利要求1所述的一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,步骤2)中,所述的勾画,是由工作经历五年以上的影像医师进行勾画,并由医学影像学主任医师确认,确保数据真实可靠,不包括肿瘤ROI的自动勾画和稳定解剖结构点的自动定位。
4.根据权利要求1所述的一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,步骤2)中,所述的四个稳定解剖结构点为双侧内耳门的2个点和双侧颈内动脉海绵窦段垂直部的2个点。
5.根据权利要求1所述的一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,步骤3)中,所述的头部医学影像标准三维坐标系,是将坐标原点定位在两侧内耳门连线的中点,两侧内耳门的连线方向为X轴方向,在该横断面内垂直该连线的方向为Y轴,与横断面垂直的方向为Z轴。
6.根据权利要求1所述的一种鼻咽癌概率图谱获取及定量分析方法,其特征在于,步骤3)中,图像配准是对图像进行变换,包括平移变换、尺寸变换和转换变换,得到标准空间的变换矩阵,设分别表示头部医学影像标准三维坐标系空间下四个解剖点的坐标值;分别表示移动图像(患者)中的四个解剖点的坐标值,变换过程具体如下:
平移变换的参数矩阵MShift为:
其中(CSx,CSy,CSz)为标准空间坐标系的原点坐标,(CTx,CTy,CTz)为移动图像中的原点坐标,其中:
尺度变换的参数矩阵MScale为:
其中S1=LS/LT,LS和LT分别为标准空间和移动图像中的LIA/RIA连线的长度,
S2=L1/L2,L1和L2分别为标准空间和移动图像中的LIA/RIA连线中点与LAS/RAS连线中点的线段长度,
旋转变换的参数矩阵MRotate为:
其中θ为标准空间和移动图像中的LIA/RIA连线的夹角;
则将参考图像配准到标准空间的变换矩阵为:
M=MShift*MScale*MRotate
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070710.8A CN113822863B (zh) | 2021-09-13 | 2021-09-13 | 一种鼻咽癌概率图谱获取及定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070710.8A CN113822863B (zh) | 2021-09-13 | 2021-09-13 | 一种鼻咽癌概率图谱获取及定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822863A true CN113822863A (zh) | 2021-12-21 |
CN113822863B CN113822863B (zh) | 2023-05-26 |
Family
ID=78914503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070710.8A Active CN113822863B (zh) | 2021-09-13 | 2021-09-13 | 一种鼻咽癌概率图谱获取及定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822863B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016116136A1 (en) * | 2015-01-20 | 2016-07-28 | Brainlab Ag | Atlas-based determination of tumour growth direction |
CN106204514A (zh) * | 2015-04-30 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种基于三维ct图像的肝脏定位方法及装置 |
CN111128328A (zh) * | 2019-10-25 | 2020-05-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 鼻咽癌结构化影像报告及数据处理系统和方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
-
2021
- 2021-09-13 CN CN202111070710.8A patent/CN113822863B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016116136A1 (en) * | 2015-01-20 | 2016-07-28 | Brainlab Ag | Atlas-based determination of tumour growth direction |
CN106204514A (zh) * | 2015-04-30 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种基于三维ct图像的肝脏定位方法及装置 |
CN111128328A (zh) * | 2019-10-25 | 2020-05-08 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 鼻咽癌结构化影像报告及数据处理系统和方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
Non-Patent Citations (1)
Title |
---|
蔡文琴;王远军;: "基于磁共振成像的人脑图谱构建方法研究进展", 波谱学杂志 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822863B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
JP6567179B2 (ja) | 特徴回帰モデルを用いたmrデータからの疑似ct生成 | |
JP7030050B2 (ja) | 組織パラメータ推定を用いたmrデータからの疑似ct生成 | |
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
Zhang et al. | Review of breast cancer pathologigcal image processing | |
JP2017532092A (ja) | 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法 | |
CN108629785B (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
Li et al. | Learning image context for segmentation of prostate in CT-guided radiotherapy | |
Ibragimov et al. | Segmentation of tongue muscles from super-resolution magnetic resonance images | |
CN106709920B (zh) | 血管提取方法及其装置 | |
Roniotis et al. | High-grade glioma diffusive modeling using statistical tissue information and diffusion tensors extracted from atlases | |
Nandihal et al. | Glioma Detection using Improved Artificial Neural Network in MRI Images | |
CN106898000B (zh) | 一种磁共振成像大脑灰质核团的自动分割方法 | |
US20240127447A1 (en) | Quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases | |
CN110880195B (zh) | 4dct的影像组学特征提取图像重建方法、介质和装置 | |
CN106651875A (zh) | 基于多模态mri纵向数据的脑瘤时空协同分割方法 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
Fu et al. | Advancements of medical image enhancement in healthcare applications | |
US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
Li et al. | Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion | |
Largent et al. | Pseudo-CT generation by conditional inference random forest for MRI-based radiotherapy treatment planning | |
Kim et al. | NEOCIVET: Extraction of cortical surface and analysis of neonatal gyrification using a modified CIVET pipeline |
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 |