CN114463304B - 一种对脑图谱进行分割与标注的方法及手术导航系统 - Google Patents

一种对脑图谱进行分割与标注的方法及手术导航系统 Download PDF

Info

Publication number
CN114463304B
CN114463304B CN202210116246.XA CN202210116246A CN114463304B CN 114463304 B CN114463304 B CN 114463304B CN 202210116246 A CN202210116246 A CN 202210116246A CN 114463304 B CN114463304 B CN 114463304B
Authority
CN
China
Prior art keywords
image
brain
atlas
label
registration
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
CN202210116246.XA
Other languages
English (en)
Other versions
CN114463304A (zh
Inventor
苏紫昱
刘文博
旷雅唯
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.)
Sinovation Beijing Medical Technology Co ltd
Original Assignee
Sinovation Beijing Medical Technology Co ltd
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 Sinovation Beijing Medical Technology Co ltd filed Critical Sinovation Beijing Medical Technology Co ltd
Priority to CN202210116246.XA priority Critical patent/CN114463304B/zh
Publication of CN114463304A publication Critical patent/CN114463304A/zh
Application granted granted Critical
Publication of CN114463304B publication Critical patent/CN114463304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • 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
    • G06T7/10—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
    • G06T7/30—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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开一种对脑图谱进行分割与标注的方法及装置，该方法包括：获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；将所述去噪图像I0与标准脑图像Is配准，得到配准关系T,获得所述去噪图像I0在标准脑空间下的图像I1，I1＝T(I0)；基于多图谱和马尔可夫场对所述图像I1进行分割，并对点x标注标签xs；对经标注图像进行逆配准，将经标注图像转回原图像空间。

Description

一种对脑图谱进行分割与标注的方法及手术导航系统
技术领域
本发明涉及医学图像处理领域，具体而言，涉及一种对脑图谱进行分割与标注的方法及手术导航系统。
背景技术
大脑是人类的重要器官，脑部的疾病对于病人日常生活的影响十分显著。尽可能早的根据病人的行为来推测脑部何处可能有问题，以及在出现问题后评估手术可能的风险对于疾病的预防与诊治有重要意义。
脑图谱的划分可以为临床医生判断病人大脑病灶位于何处提供基础数据，以及方便评估通过手术消除病灶的可能性和副作用。使用脑图谱对大脑进行划分后，有助于后续的临床操作，例如：神经外科手术的导航；脑胶质瘤等病灶的精确评估切除；更好的保护功能脑区等。
目前临床上进行脑区分割辅助判断时往往使用影像预处理、配准及形态学处理来完成，其代表技术为Freesurfer。但Freesurfer存在以下局限性：流程冗余，表面重建等操作在实际应用中并不是必要的，这导致其运行时间较长，例如，采用Freesurfer在单台计算机上分割一例脑影像通常需要若干小时，这抑制了其在临床的推广应用；另外临床采集图像包含噪声，但其并未针对噪声进行处理。
发明内容
本申请提供了一种对脑图谱进行分割与标注的方法，其包括以下步骤：
S1，获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；
S2，将所述去噪图像I0与标准脑图像IS配准，得到配准关系T,获得所述噪图像I0在标准脑空间下的图像I1，I1＝T(I0)，对于所述配准关系T，使用GPU通过以下公式计算互信息(Csim)达到极值时获得：
Figure BDA0003495226690000011
Ω0指的是像素点x的所有取值范围，I(x)表示图像I中像素点x处的灰度值；
S3，基于多图谱和马尔可夫场对所述图像I1进行分割，并对像素点x标注标签xs，所述标签xs类型的序号s的最大值等于所述多图谱的脑区数量，
Figure BDA0003495226690000021
其中：P(x|s)＝αp1(xs)+βp2(xs)+γp3(xs)，
Figure BDA0003495226690000022
P(x|s)表示标签序号为s的像素点x的似然估计，p1代表平均图谱，p2代表平均曲率图谱，p3代表平均灰度图谱，α，β，γ为归一化常数，Z为归一化常数，U(s)为吉布斯采样时的势能函数；
S4，对经标注图像进行逆配准，将经标注图像转回原图像空间。
医学影像信息包括脑部的影响数据，例如T1核磁共振影像；
预处理包括消除随机噪声和灰度归一化，可选地，消除随机噪声是通过使用高斯加权滤波器进行滤波进行的，灰度归一化将灰度值缩放至0-1；进一步地，高斯加权滤波器的参数是：方差为0.75，大小为3*3*3。
标准脑图像IS是使用至少10位健康成年人的脑影像进行对齐、缩放至同一尺度，脑区对齐后进行平均获得的。制作标准脑图像IS可以使用多种数量的脑图像，例如11张、12张、13张等。
多图谱指的是在n张原始影像上，由经验丰富的临床医师手工标注的标准脑空间下的脑区图谱，可以是选自以下的商业化数字化脑图谱：Bordmann图谱，Talairach脑图谱，WholeBrain脑图谱，VOXEL-MAN脑图谱，BrainWeb脑图谱；其中原始影像包括标准脑影像、实际病人影像(实际病人影像涵盖不同年龄、不同性别、患病与否等情况)患病通常不包括占位性疾病的情况；进一步地，n为大于等于5的自然数。
进一步地，将前述n张脑区图谱进行位置统计，求得平均图谱p1，p1的每一个像素点记录了此像素点是各个标签的概率；将前述n张脑区图谱进行曲率统计，求得平均曲率图谱p2，p2的每一个像素点记录了不同曲率大小对应各个标签的概率；将前述n张脑区图谱进行灰度统计，求得平均灰度图谱p3，p3的每一个像素点记录了不同灰度大小对应各个标签的概率。
本发明的第二方面，提供了一种用于脑图谱分割与标注的装置，其包括：
去噪模块，用于获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；
配准模块，用于将所述去噪图像I0与标准脑图像IS配准，得到配准关系T,获得所述去噪图像I0在标准脑空间下的图像I1，I1＝T(I0)；
分割标注模块，用于基于多图谱和马尔可夫场对所述图像I1进行分割，并对点x标注标签xs；
Figure BDA0003495226690000031
其中：P(x|s)＝αp1(xs)+βp2(xs)+γp3(xs)，
Figure BDA0003495226690000032
P(x|s)表示标签序号为s的像素点x的似然估计，p1代表平均图谱，p2代表平均曲率图谱，p3代表平均灰度图谱，α，β，γ为归一化常数，Z为归一化常数，U(s)为吉布斯采样时的势能函数；
标签还原模块，使用经标注图像和逆配准关系T-1，将经标注图像转回原图像空间。
本发明的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现前文所述的对脑图谱进行分割与标注的方法。
本发明的第四方面，提供一种手术导航系统，其特征在于，所述手术导航系统包括第二方面描述的用于脑图谱分割与标注的装置。
本发明的第五方面，提供一种手术机器人系统，其特征在于，所述手术导航系统包括第二方面描述的用于脑图谱分割与标注的装置。
本申请的优点至少包括以下：
1、可以适用于多种数据类型，例如正常脑影像/带有肿瘤的脑影像/脑部存在缺失的影像等，通过预处理即可进一步处理；
2、根据新方法开发了新的计算公式，过程简洁，GPU并行计算互信息，效率高；
3、基于多图谱和马尔可夫场，同时进行了脑图形分割和标签标注，计算速度快，进一步提高了效率。
附图说明
为了更清楚地说明本申请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介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例。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为本发明实施例提供的对脑图谱进行分割与标注的方法的流程图；
图2为本申请实施例提供的获取配准关系步骤的图示；
图3为本申请实施例中获取最大似然估计的图示。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
参照图1，详细描述本申请提供的对脑图谱进行分割与标注的方法，其包括以下步骤：
S1，获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；
获取待处理的病人头部T1原始核磁影像，该原始核磁影像至少包括头部，通常还包括脖子等其他组织，由于不同厂商的磁共振的分辨率不同、图像尺寸也不相同，所以有些型号的磁共振及其得到的原始核磁影像不能直接使用；
对所述影像进行预处理得到去噪图像I0，即对原始核磁影像进行使用高斯滤波器进行平滑去噪，以此消除图像采集和传输过程中的噪声(像素灰度突变)的影响，在一个实例中，高斯滤波器的参数为：方差0.4，大小3*3*3；
S2，将所述去噪图像I0与标准脑图像IS配准，得到配准关系T,获得所述去噪图像I0在标准脑空间下的图像I1，I1＝T(I0)，对于所述配准关系T使用GPU计算图像互信息Csim达到极值：对于所述配准关系T，使用GPU通过以下公式计算互信息(Csim)达到极值时获得：
Figure BDA0003495226690000051
S2.1获得一张标准脑(平均脑)的影像IS，其是这样获得的，使用多张相同分辨率的脑影像(通常1*1*1mm3)进行平均，最终结果裁取平均的脑区(即去掉脖子区域，将脑区放至正中央)，一个实例中，标准脑影像尺寸为256*256*192，分辨率为1*1*1mm3；
S2.2将I0配准至Is。此步骤使用的配准为刚性配准，配准过程包括旋转、平移、缩放步骤。此处特征提取选取基于灰度的特征提取，互信息的公式如下：
Figure BDA0003495226690000052
优化策略选择梯度下降法，以此快速找到最优解。Ω0指的是像素点x的所有取值范围，即参考图像图像尺寸范围；I(x)表示图像I中像素点x处的灰度值。步骤完成后，得到配准后的图像I1以及由I0配准至Is的配准关系(即转换矩阵)T；
特别地，此步骤的互信息使用GPU并行计算，使得程序可以快速准确的完成配准过程。
此步骤图解在图2中示出。
S3，基于多图谱和马尔可夫场对所述图像I1进行分割，并对点x标注标签xs，
S3.1、选取5张标准脑，每一张标准脑由经验丰富的临床医生手工标注Bordmann图谱，分别记为Stan1～Stan5，同理可以理解，可以选取n张标准脑，记为Stan1～Stann。
S3.2、针对标准脑各个像素点的曲率与标签建立曲率图谱，再根据多张标准脑求平均，得到通过曲率与标签的映射关系；根据标准脑各个像素点的灰度与标签建立灰度图谱，再根据多张标准脑求平均；根据标准脑各个像素点的位置与标签建立位置图谱，再根据多张标准脑求平均。
其中，根据各个标准脑划分后的脑区，计算与其相邻的脑区的类别，所述脑区是指标注结果相同的像素点构成的集合。
曲率图谱、灰度图谱和位置图谱的图谱表示一种图像的某个属性与标签映射关系；脑图谱表示解剖脑结构。
S3.3、由贝叶斯公式(下式)可知，对每一个已知图像中的像素点x，该点的最大后验概率(即该点可能性最大的标签)可以由根据该点的似然估计以及该点的先验概率计算得到：
Figure BDA0003495226690000061
Figure BDA0003495226690000062
S3.4、使用s表示标签，该点的似然估计P(x|s)可以通过下式计算得出：
P(x|s)＝αp1(xs)+βp2(xs)+γp3(xs)
其中α，β，γ是归一化常量，
针对各个点，求出该点处的最大似然估计作为该点处的先验标签，最大似然估计的具体步骤参见附图3；
S3.5、针对每一个像素点，该点处的先验概率计算如下：
(1)对该点及该点周围26邻域内所有像素点(即33个像素点组成的立方体)进行类别检验，二者相同为1，不同为0；N(x)指的是像素点x周围26邻域内所有相邻的像素点。公式如下：
Figure BDA0003495226690000063
Figure BDA0003495226690000064
(2)使用各个点的先验标签，将相同的标签进行脑区的融合标记。对于某一特定标签s0，将所有标签为s0的像素点标注为脑区r0，针对各个脑区进行类别检验。其中，reg(r,r′)是通过所有手工标注的标准脑图谱计算后设立，Z为归一化常数。r代表某个脑区，N(r)代表与其直接相邻的脑区。
Figure BDA0003495226690000065
由Hammcrslcy-Clifford定理知，马尔可夫场与吉布斯随机场等价，因此可以使用吉布斯随机场概率表示马尔可夫场的先验概率，即：
Figure BDA0003495226690000066
S3.6、结合步骤S3.4，S3.5的结果，可计算得到最终结果xs。
S4，用经标注图像和逆配准关系T-1，将经标注图像转回原图像空间。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。

Claims (10)

1.一种对脑图谱进行分割与标注的方法，其特征在于，包括：
S1，获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；
S2，将所述去噪图像I0与标准脑图像IS配准，得到配准关系T,获得所述去噪图像I0在标准脑空间下的图像I1，I1＝T(I0)，对于所述配准关系T，使用GPU通过以下公式计算互信息(Csim)达到极值时获得：
Ω0指的是像素点x的所有取值范围，I(x)表示图像I中像素点x处的灰度值；
S3，基于多图谱和马尔可夫场对所述图像I1进行分割，并对像素点x标注标签xs，所述标签xs类型的序号s的最大值等于所述多图谱的脑区数量，
其中：P(x|s)＝αp1(xs)+βp2(xs)+γp3(xs)，
P(x|s)表示标签序号为s的像素点x的似然估计，p1代表平均图谱，p2代表平均曲率图谱，p3代表平均灰度图谱，α，β，γ为归一化常数，Z为归一化常数，U(s)为吉布斯采样时的势能函数；
S4，使用经标注图像和逆配准关系T-1，将经标注图像转回原图像空间。
2.如权利要求1所述的方法，其特征在于，所述预处理包括消除随机噪声和灰度归一化。
3.如权利要求2所述的方法，其特征在于，所述消除随机噪声是通过使用高斯加权滤波器进行滤波进行的。
4.如权利要求2所述的方法，其特征在于，所述灰度归一化将灰度值缩放至0-1。
5.如权利要求1所述的方法，其特征在于，所述标准脑图像IS是使用至少10位健康成年人的脑影像进行对齐、缩放至同一尺度，脑区对齐后进行平均获得的。
6.如权利要求1所述的方法，其特征在于，所述多图谱指的是在n张原始影像上，由经验丰富的临床医师手工标注的标准脑空间下的脑区图谱，可以是选自以下的商业化数字化脑图谱：Bordmann图谱，Talairach脑图谱，WholeBrain脑图谱，VOXEL-MAN脑图谱，BrainWeb脑图谱。
7.一种用于脑图谱分割与标注的装置，其特征在于，包括：
去噪模块，用于获取待处理的医学影像，对所述医学影像进行预处理得到去噪图像I0；
配准模块，用于将所述去噪图像I0与标准脑图像IS配准，得到配准关系T,获得所述去噪图像I0在标准脑空间下的图像I1，I1＝T(I0)；
分割标注模块，用于基于多图谱和马尔可夫场对所述图像I1进行分割，并对点x标注标签xs；
其中：P(x|s)＝αp1(xs)+βp2(xs)+γp3(xs)，
P(x|s)表示标签序号为s的像素点x的似然估计，p1代表平均图谱，p2代表平均曲率图谱，p3代表平均灰度图谱，α，β，γ为归一化常数，Z为归一化常数，U(s)为吉布斯采样时的势能函数；
标签还原模块，用于使用经标注图像和逆配准关系T-1，将经标注图像转回原图像空间。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1-6中任一项所述的方法。
9.一种手术导航系统，其特征在于，所述手术导航系统包括如权利要求7所述的用于脑图谱分割与标注的装置。
10.一种手术机器人系统，其特征在于，所述手术机器人系统包括如权利要求7所述的用于脑图谱分割与标注的装置。
CN202210116246.XA 2022-01-29 2022-01-29 一种对脑图谱进行分割与标注的方法及手术导航系统 Active CN114463304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210116246.XA CN114463304B (zh) 2022-01-29 2022-01-29 一种对脑图谱进行分割与标注的方法及手术导航系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210116246.XA CN114463304B (zh) 2022-01-29 2022-01-29 一种对脑图谱进行分割与标注的方法及手术导航系统

Publications (2)

Publication Number Publication Date
CN114463304A CN114463304A (zh) 2022-05-10
CN114463304B true CN114463304B (zh) 2023-04-07

Family

ID=81411736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210116246.XA Active CN114463304B (zh) 2022-01-29 2022-01-29 一种对脑图谱进行分割与标注的方法及手术导航系统

Country Status (1)

Country Link
CN (1) CN114463304B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920228A (zh) * 2017-01-19 2017-07-04 北京理工大学 脑图谱与脑图像的配准方法及装置
CN109416939A (zh) * 2017-12-05 2019-03-01 北京师范大学 面向群体应用的经颅脑图谱生成方法、预测方法及其装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019109574A1 (zh) * 2017-12-05 2019-06-13 北京师范大学 面向群体应用的经颅脑图谱生成方法、预测方法及其装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920228A (zh) * 2017-01-19 2017-07-04 北京理工大学 脑图谱与脑图像的配准方法及装置
CN109416939A (zh) * 2017-12-05 2019-03-01 北京师范大学 面向群体应用的经颅脑图谱生成方法、预测方法及其装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张万 等.基于多参数配准模型的脑核磁影像分割算法.电子学报.2017,第45卷(第09期),第2202-2208页. *
程有娥 ; .基于多图谱最优标签融合的脑MR图像分割.浙江工贸职业技术学院学报.2017,第17卷(第02期),第30-34页. *
胡凯.基于马尔可夫多特征随机场模型的脑部MR图像分割研究.中国博士学位论文全文数据库 信息科技辑.2014,第3-4章. *

Also Published As

Publication number Publication date
CN114463304A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
De Leener et al. Automatic segmentation of the spinal cord and spinal canal coupled with vertebral labeling
CN106659424B (zh) 医用图像显示处理方法、医用图像显示处理装置及程序
Gloger et al. A fully automatic three-step liver segmentation method on LDA-based probability maps for multiple contrast MR images
Goubran et al. Image registration of ex-vivo MRI to sparsely sectioned histology of hippocampal and neocortical temporal lobe specimens
CN105816192A (zh) 个体化人脑多模态医学影像的三维配准及提取脑组织方法
CN106846346B (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
WO2012074039A1 (ja) 医用画像処理装置
CN112508965A (zh) 医学影像中正常器官的轮廓线自动勾画系统
Aboutanos et al. Model creation and deformation for the automatic segmentation of the brain in MR images
Doran et al. Breast MRI segmentation for density estimation: Do different methods give the same results and how much do differences matter?
Ibragimov et al. Segmentation of tongue muscles from super-resolution magnetic resonance images
CN110782428B (zh) 一种用于构建临床脑部ct图像roi模板的方法及系统
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN112465779B (zh) 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN115830016A (zh) 医学图像配准模型训练方法及设备
CN114419181A (zh) Cta图像的重建方法及重建装置、显示方法及显示装置
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
Paniagua et al. 3D of brain shape and volume after cranial vault remodeling surgery for craniosynostosis correction in infants
CN114463304B (zh) 一种对脑图谱进行分割与标注的方法及手术导航系统
JP6705528B2 (ja) 医用画像表示処理方法、医用画像表示処理装置およびプログラム
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
Li et al. Enhancement of histological volumes through averaging and their use for the analysis of magnetic resonance images
Gorbenko et al. Automatic segmentation of facial soft tissue in MRI data based on non-rigid normalization in application to soft tissue thickness measurement

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