CN114494320A - 一种三维mri病灶图像分割方法及系统 - Google Patents
一种三维mri病灶图像分割方法及系统 Download PDFInfo
- Publication number
- CN114494320A CN114494320A CN202111516419.9A CN202111516419A CN114494320A CN 114494320 A CN114494320 A CN 114494320A CN 202111516419 A CN202111516419 A CN 202111516419A CN 114494320 A CN114494320 A CN 114494320A
- Authority
- CN
- China
- Prior art keywords
- focus
- image
- weighted imaging
- mri
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 238000003384 imaging method Methods 0.000 claims abstract description 177
- 230000003902 lesion Effects 0.000 claims abstract description 114
- 238000012512 characterization method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000007906 compression Methods 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 116
- 230000001575 pathological effect Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010053942 Cerebral haematoma Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 206010018852 Haematoma Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 206010042928 Syringomyelia Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 201000011096 spinal cancer Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003325 tomography 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种三维MRI病灶图像分割方法及系统,步骤S1、在多种加权成像模态下将多模态MRI图像中得到病灶重要特征影像序列;步骤S2、依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;步骤S3、基于所述病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像。本发明实现了将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度,提高医生对病症诊断的辅助精度。
Description
技术领域
本发明涉及病灶识别技术领域,具体涉及一种三维MRI病灶图像分割方法及系统。
背景技术
随着数字医疗技术的发展,医学图像在医学诊断过程中的作用越来越明显,逐渐成为医生观察人体病变的主要工具。在对病情进行诊断时,一般是医生根据经验人为的从医学图像中查找表示病灶的感兴趣区域。
MRI(英文全称:Magnetic Resonance Imaging,中文全称:核磁共振成像)图像是常用的医学图像之一,MRI成像是断层成像的一种,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息,从而得到MRI图像。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像,不会产生CT检测中的伪影;不需注射造影剂;无电离辐射,对机体没有不良影响。MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效。
但是,MRI图像与其它的医学图像不同,是一种多序列的图像,每个序列通过不同的方法成像,表示不同的图像特征,例如:T1序列突出组织T1驰豫差别,是观察解剖结构较好的序列;T2序列突出组织T2驰豫差别,是观察病变较好的时序;T1FLAIR序列常用于对CSF抑制。医生在通过MRI图像诊断病情时,需要根据多个时序的图像去诊断,不仅增加了医生的工作量,而且对医生的专业性也有很高的要求,很容易出现漏检的情况。
发明内容
本发明的目的在于提供一种三维MRI病灶图像分割方法及系统,以解决现有技术中医生在通过MRI图像诊断病情时,需要根据多个时序的图像去诊断,不仅增加了医生的工作量,而且对医生的专业性也有很高的要求,很容易出现漏检的情况的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种三维MRI病灶图像分割方法,包括以下步骤:
步骤S1、在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的所述病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列,其中,所述多模态MRI图像包括在多种加权成像模态下获得的多张形为表征为目标对象病灶特征的切片影像序列的三维MRI图像,所述病灶特征影像序列中每张病灶特征影像均包含有病灶特征;
步骤S2、依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
步骤S3、基于所述病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
作为本发明的一种优选方案,所述在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,包括:
在历史病案大数据中抽取一组历史多模态MRI图像,并提取出一组历史多模态MRI图像的在各种加权成像模态下的历史三维MRI图像,再在各种加权成像模态下历史三维MRI图像对应的历史切片影像序列中的每张历史切片影像中提取出表征病灶特征的体素点,以及提取出所述体素点的像素值和坐标值;
基于所述体素点的像素值和坐标值为所述多模态MRI图像设定各种加权成像模态下的二值化像素阈值,并依据所述二值化阈值将各种加权成像模态下的所述切片影像进行二值化处理得到切片二值化影像,再统计所述切片二值化影像中的像素值的取值种类,其中,
当切片二值化影像中的像素值取值种类为两种,则判定对应的切片影像包含有病灶特征;
当切片二值化影像中的像素值取值种类为一种,则判定对应的切片影像不包含病灶特征;
依次将各种加权成像模态下的所述包含有病灶特征所有切片影像按切片影像序列进行序列链接得到对应加权成像模态下的所述病灶特征影像序列。
作为本发明的一种优选方案,所述基于所述体素点的像素值和坐标值为所述多模态MRI图像设定各种加权成像模态下的二值化像素阈值,包括:
为每种加权成像模态设定表征二值化像素阈值的灰度像素参数RGBi,x,其中,RGBi,x表征为第i种加权成像模态下的所述灰度像素参数;
统计每种加权成像模态下的所有所述体素点的像素值进行并集处理得到体素点的灰度像素值范围以作为所述灰度像素参数的取值范围,并依次将每种加权成像模态下的每张历史切片影像按所述灰度像素参数分别进行二值化处理得到历史切片二值化影像;
依次提取出历史切片二值化影像的体素点,以及体素点的坐标值,并将所有历史切片二值化影像的体素点与所有历史切片影像的体素点进行总和重叠度统计,并选取最高所述总和重叠度对应的灰度像素参数的取值项作为对应加权成像模态下的二值化像素阈值,所述总和重叠度为:
式中,Si表征为第i种加权成像模态下的所述总和重叠度,Pi,l,j表征为第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值,Pi,l,k表征为第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值,在所述第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pi,l,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k相同时,则函数体(Pi,l,k==Pi,l,j)=1,在所述第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pl,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k不相同时,则函数体(Pi,l,k==Pi,l,j)=0,ni,l表征为第l张所述历史切片影像的体素点的总数目,Ni,l表征为第i种加权成像模态下的第l张所述历史切片二值化影像的体素点的总数目,mi表征为第i种加权成像模态下的历史切片影像/历史切片二值化影像的总数目,i,j,k,l均为计量常数,无实质含义;
优选的,每种加权成像模态下的每张历史切片影像按所述灰度像素参数分别进行二值化处理得到历史切片二值化影像,包括:
将所述取值范围内的每个取值项依次作为所述灰度像素参数RGBi,x,并将每张历史切片影像中每个像素点的灰度像素值与所述灰度像素参数进行比较,其中,
当所述像素点的灰度像素值大于所述灰度像素参数RGBi,x,则将所述像素点的灰度像素值均转换为0;
当所述像素点的灰度像素值大于所述灰度像素参数RGBi,x,则将所述像素点的灰度像素值均转换为255;
将所述历史切片影像中的像素点均转换为仅由灰度像素值为0或255表征的像素点,以完成将历史切片影像转换为历史切片二值化影像;
优选的,若在每张历史切片二值化影像中灰度像素值为0的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为0的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l]);
若在每张历史切片二值化影像中灰度像素值为255的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为255的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l])。
作为本发明的一种优选方案,所述依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,包括:
依次计算每组病灶特征影像序列中相邻两张病灶特征影像中体素点的匹配度,其中,
当所述体素点的匹配度大于等于匹配阈值,则将两张病灶特征影像中体素点数量少的病灶特征影像予以剔除;
当所述体素点的匹配度小于匹配阈值,则将两张病灶特征影像均予以保留;
优选的,所述匹配度的计算公式为:
式中,ei,r,r+1表征为第i种加权成像模态下的相邻两张病灶特征影像中体素点的匹配度,Pi,r+1,k表征为第i种加权成像模态下的第r+1个病灶特征影像中的第k个体素点坐标值,Pi,r,j表征为第i种加权成像模态下的第r个病灶特征影像中的第j个体素点坐标值,ni,r、ni,r+1分别表征为第i种加权成像模态下的第r、r+1个病灶特征影像中的体素点总数目,在Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=1,在Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]不成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=0,i,j,k,r均为计量常数,无实质含义。
作为本发明的一种优选方案,将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列,包括:
将压缩后的所述病灶特征影像序列中原始的序列编号进行重排布为递增顺序,并将重排布后的病灶特征影像序列作为病灶重要特征序列。
作为本发明的一种优选方案,所述依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,包括:
根据每种加权成像模态下的病灶重要特征图像序列的每张病灶重要特征图像中体素点的坐标值映射得到与病灶重要特征图像序列编号相同的切片影像中体素点的灰度像素值,并依次在病灶重要特征图像序列中统计出每个体素点具有的所有灰度像素值,再对每个体素点的所有像素值进行均值化处理得到每个体素点的平均灰度像素值;
在对应的加权成像模态下的切片影像序列中随机选择一张切片影像,并将切片影像中与所述体素点具有一致坐标值处的像素点的灰度像素值替换为对应体素点的平均灰度像素值,以实现将切片影像重构为对应加权成像模态下的MRI病灶图像。
作为本发明的一种优选方案,所述并依次计算每张MRI病灶图像的病灶信息度,包括:
计算每张MRI病灶图像中所有体素点的灰度直方图,并依据所述灰度直方图计算所有体素点的信息熵作为MRI病灶图像的病灶信息度,所述病灶信息度的计算公式为:
式中,Hi表征为第i张病灶图像的病灶信息度,RGBmin,i、RGBmax,i表征为第i张灰度直方图中灰度像素值最低值、灰度像素值最高值,pc,i表征为第i张病灶图像中灰度像素c在所有体素点中出现的概率。
作为本发明的一种优选方案,所述基于所述病灶信息度构建对应加权成像模态的模态权重,包括:
将所有病灶信息度进行归一化处理得到归一化病灶信息度,所述归一化病灶信息度为:
式中,hi表征为第i张病灶图像的归一化病灶信息度,M表征为病灶图像的总数目;
将所述归一化病灶信息度hi作为第i个所述加权成像模态的模态权重。
作为本发明的一种优选方案,所述依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,包括:
将所述模态权重与对应的MRI病灶图像中像素点的像素权重,并对所有MRI病灶图像的像素权重和像素点的像素值进行乘积求和得到所述三维MRI病灶图像,所述三维MRI病灶图像的像素点的像素值重构公式:
式中,O表征为多模态MRI病灶图像的像素点矩阵,Ai表征为第i张MRI病灶图像的像素点矩阵。
作为本发明的一种优选方案,本实施例提供了一种根据所述的三维MRI病灶图像分割方法的分割系统,包括:
序列压缩单元,用于在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的所述病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列;
病灶重构单元,用于依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
模态重构单元,用于基于所述病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
本发明与现有技术相比较具有如下有益效果:
本发明通过对多种加权成像模态下的病灶重点特征的识别提取,完成了对MRI病灶图像的重构,实现了将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度,提高医生对病症诊断的辅助精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的三维MRI病灶图像分割方法流程图;
图2为本发明实施例提供的分割系统结构框图。
图中的标号分别表示如下:
1-序列压缩单元;2-病灶重构单元;3-模态重构单元。
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。
如图1所示,在MRI成像的过程中,通过改变MR信号的影响因素,可以得到不同的切片影像,这些不同的切片影像就称之为切片影像序列,如根据T1值加权,可得T1切片影像序列,根据T2值加权可得T2切片影像序列,一个病例可以有多个切片影像序列,T1切片影像序列、T2切片影像序列、T2FLAIR切片影像序列、T1C切片影像序列、T1W切片影像序列、T2W切片影像序列,每个切片影像序列由许多切片影像组成,医生在通过MRI图像诊断病情时,需要根据多个切片影像序列去诊断,不仅增加了医生的工作量,而且对医生的专业性和经验性也有很高的要求,很容易出现漏检的情况,因此本发明提供了一种三维MRI病灶图像分割方法,在切片影像序列识别出病症重要特征并进行三维MRI病灶图像的重构,实现对病灶特征的共性化和个性化的统筹表征,以提高对目标对象病灶特征的表达准确度,更为直观的向医生展示病灶特征。
一种三维MRI病灶图像分割方法,包括以下步骤:
步骤S1、在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的病灶特征影像序列作为病灶重要特征影像序列,其中,多模态MRI图像包括在多种加权成像模态下获得的多张形为表征为目标对象病灶特征的切片影像序列的三维MRI图像,病灶特征影像序列中每张病灶特征影像均包含有病灶特征;
在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,包括:
在历史病案大数据中抽取一组历史多模态MRI图像,并提取出一组历史多模态MRI图像的在各种加权成像模态下的历史三维MRI图像,再在各种加权成像模态下历史三维MRI图像对应的历史切片影像序列中的每张历史切片影像中提取出表征病灶特征的体素点,以及提取出体素点的像素值和坐标值;
基于体素点的像素值和坐标值为多模态MRI图像设定各种加权成像模态下的二值化像素阈值,并依据二值化阈值将各种加权成像模态下的切片影像进行二值化处理得到切片二值化影像,再统计切片二值化影像中的像素值的取值种类,其中,
当切片二值化影像中的像素值取值种类为两种,则判定对应的切片影像包含有病灶特征;
当切片二值化影像中的像素值取值种类为一种,则判定对应的切片影像不包含病灶特征;
将切片影像进行二值化处理,即将每张切片图像中的表征病灶特征和非病灶特征的像素点的灰度像素值转换为0(呈白色)或255(呈黑色),将切片影像序列中每个切片影像进行二值化处理得到一组切片二值化影像,识别出切片二值化影像中存在的像素值种类,其中,存在两种灰度像素值,即既存在灰度像素值0也存在灰度像素值255,则表明该切片二值化影像中存在有病灶特征,而如果仅存在一种灰度像素值,即仅存在灰度像素值0或仅存在灰度像素值255,若灰度像素值0/255表征病灶特征时,切片二值化影像全部表征病灶特征的情况属于不可能事件,因为不存在切片影像中所有像素点均表征为病灶特征,若病患的器官切片影像出现该种情况,该患者病灶已经完全替换了器官,患者进行病灶图像的重构的意义已经不大,可认为该事件为不可能事件,则说明该切片二值化影像仅存在一种灰度像素值时只能为不存在病灶特征的情况,因此可通过灰度像素值种类的识别对不包含病灶特征的切片影像的提出,是切片影像序列中每个切片影像均包含病灶特征,实现了影像数据量的压缩。
依次将各种加权成像模态(T1加权成像模态、T2加权成像模态、T2FLAIR加权成像模态、T1C加权成像模态、T1W加权成像模态、T2W加权成像模态)下的包含有病灶特征所有切片影像按切片影像序列进行序列链接得到对应加权成像模态下的病灶特征影像序列。
对切片影像进行二值化处理的重要步骤就是计算出能够精准区分出表征病灶特征的体素点和非病灶特征的像素点,从而建立在各个加权成像模态下历史切片影像中进行测算,从而得到各个加权成像模态的二值化像素阈值,能够直接迁移应用到对后续待识别的多模态MRI图像的二值化处理,具体方法如下:
基于体素点的像素值和坐标值为多模态MRI图像设定各种加权成像模态下的二值化像素阈值,包括:
为每种加权成像模态设定表征二值化像素阈值的灰度像素参数RGBi,x,其中,RGBi,x表征为第i种加权成像模态下的灰度像素参数;
统计每种加权成像模态下的所有体素点的像素值进行并集处理得到体素点的灰度像素值范围以作为灰度像素参数的取值范围,并依次将每种加权成像模态下的每张历史切片影像按灰度像素参数分别进行二值化处理得到历史切片二值化影像;
依次提取出历史切片二值化影像的体素点,以及体素点的坐标值,并将所有历史切片二值化影像的体素点与所有历史切片影像的体素点进行总和重叠度统计,并选取最高总和重叠度对应的灰度像素参数的取值项作为对应加权成像模态下的二值化像素阈值,总和重叠度为:
式中,Si表征为第i种加权成像模态下的总和重叠度,Pi,l,j表征为第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值,Pi,l,k表征为第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值,在第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pi,l,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k相同时,则函数体(Pi,l,k==Pi,l,j)=1,在第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pl,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k不相同时,则函数体(Pi,l,k==Pi,l,j)=0,ni,l表征为第l张历史切片影像的体素点的总数目,Ni,l表征为第i种加权成像模态下的第l张历史切片二值化影像的体素点的总数目,mi表征为第i种加权成像模态下的历史切片影像/历史切片二值化影像的总数目,i,j,k,l均为计量常数,无实质含义;
优选的,每种加权成像模态下的每张历史切片影像按灰度像素参数分别进行二值化处理得到历史切片二值化影像,包括:
将取值范围内的每个取值项依次作为灰度像素参数RGBi,x,并将每张历史切片影像中每个像素点的灰度像素值与灰度像素参数进行比较,其中,
当像素点的灰度像素值大于灰度像素参数RGBi,x,则将像素点的灰度像素值均转换为0;
当像素点的灰度像素值大于灰度像素参数RGBi,x,则将像素点的灰度像素值均转换为255;
将历史切片影像中的像素点均转换为仅由灰度像素值为0或255表征的像素点,以完成将历史切片影像转换为历史切片二值化影像;
优选的,若在每张历史切片二值化影像中灰度像素值为0的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为0的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l]);
若在每张历史切片二值化影像中灰度像素值为255的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为255的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l])。
虽然病灶特征影像序列中每张病灶特征影像均含有病灶特征,但是相邻的病灶特征影像之间可能会存在较高的包含性,比如前一个病灶特征影像中表征病灶特征的体素点完全覆盖后一个病灶特征影像中表征病灶特征的体素点,相交而言前一个病灶特征影像包含有后一个病灶特征影像的所有病灶特征,则可只保留前一个病灶特征影像即可,将后一个病灶特征影像进行剔除,从而实现病灶冗余特征的去除,以对病灶特征影像序列进行进一步数据压缩,在不影响精度结果的情况下降低数据处理量,即提高处理效率。
依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,包括:
依次计算每组病灶特征影像序列中相邻两张病灶特征影像中体素点的匹配度,其中,
当体素点的匹配度大于等于匹配阈值,则将两张病灶特征影像中体素点数量少的病灶特征影像予以剔除;
当体素点的匹配度小于匹配阈值,则将两张病灶特征影像均予以保留;
优选的,匹配度的计算公式为:
式中,ei,r,r+1表征为第i种加权成像模态下的相邻两张病灶特征影像中体素点的匹配度,Pi,r+1,k表征为第i种加权成像模态下的第r+1个病灶特征影像中的第k个体素点坐标值,Pi,r,j表征为第i种加权成像模态下的第r个病灶特征影像中的第j个体素点坐标值,ni,r、ni,r+1分别表征为第i种加权成像模态下的第r、r+1个病灶特征影像中的体素点总数目,在Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=1,在Pi,r+1,k∈[Pi,r,j|j∈[1,ni,r]不成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=0,i,j,k,r均为计量常数,无实质含义,ei,r,r+1=ni,r≥ni,r+1,即将体素点总数目多的病灶特征影像作为前一个病灶特征影像,可实现当后一个病灶特征影像所有体素点均属于前一个病灶特征影像所有体素点的范围内时,则ei,r,r+1=1,说明后一个病灶特征影像冗余,实现当后一个病灶特征影像所有体素点不均属于前一个病灶特征影像所有体素点的范围内时,则ei,r,r+1=0,说明后一个病灶特征影像较前一个病灶特征影像存在新的病灶特征,不为冗余的图像。
将压缩后的病灶特征影像序列作为病灶重要特征影像序列,包括:
将压缩后的病灶特征影像序列中原始的序列编号进行重排布为递增顺序,并将重排布后的病灶特征影像序列作为病灶重要特征序列。
步骤S2、依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,包括:
根据每种加权成像模态下的病灶重要特征图像序列的每张病灶重要特征图像中体素点的坐标值映射得到与病灶重要特征图像序列编号相同的切片影像中体素点的灰度像素值,并依次在病灶重要特征图像序列中统计出每个体素点具有的所有灰度像素值,再对每个体素点的所有像素值进行均值化处理得到每个体素点的平均灰度像素值;
在对应的加权成像模态下的切片影像序列中随机选择一张切片影像,并将切片影像中与体素点具有一致坐标值处的像素点的灰度像素值替换为对应体素点的平均灰度像素值,以实现将切片影像重构为对应加权成像模态下的MRI病灶图像。
实现对每种加权成像模态下的MRI病灶图像的重构,实现对每种加权成像模态下的MRI病灶图像的病灶特征进行凸显,比如T1加权成像模态下的MRI病灶图像,更为凸显出病灶的解剖结构,T2加权成像模态下的MRI病灶图像,更为凸显出病灶的组织病变,等等。
并依次计算每张MRI病灶图像的病灶信息度,包括:
计算每张MRI病灶图像中所有体素点的灰度直方图,并依据灰度直方图计算所有体素点的信息熵作为MRI病灶图像的病灶信息度,病灶信息度的计算公式为:
式中,Hi表征为第i张病灶图像的病灶信息度,RGBmin,i、RGBmax,i表征为第i张灰度直方图中灰度像素值最低值、灰度像素值最高值,pc,i表征为第i张病灶图像中灰度像素c在所有体素点中出现的概率。
经过上述MRI病灶图像的重构得到T1加权成像模态下的MRI病灶图像(第1张病灶图像)、T2加权成像模态下的MRI病灶图像(第2张病灶图像)、T2FLAIR加权成像模态下的MRI病灶图像(第3张病灶图像)、T1C加权成像模态下的MRI病灶图像(第4张病灶图像)、T1W加权成像模态下的MRI病灶图像(第5张病灶图像)、T2W加权成像模态下的MRI病灶图像(第6张病灶图像),从而依次计算出第1~6张病灶图像的病灶信息度H1~H6,病灶信息度越高,则表明该病灶图像中表征的病灶特征越丰富,对其赋予高权重可以对病灶特征的丰富度进行保留,从而直接将信息度作为病灶图像的权重,可对各个加权成型模态下的病灶特征实现按丰富度进行保留。
步骤S3、基于病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
基于病灶信息度构建对应加权成像模态的模态权重,包括:
将所有病灶信息度进行归一化处理得到归一化病灶信息度,归一化病灶信息度为:
式中,hi表征为第i张病灶图像的归一化病灶信息度,M表征为病灶图像的总数目;
将归一化病灶信息度hi作为第i个加权成像模态的模态权重。
依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,包括:
将模态权重与对应的MRI病灶图像中像素点的像素权重,并对所有MRI病灶图像的像素权重和像素点的像素值进行乘积求和得到三维MRI病灶图像,三维MRI病灶图像的像素点的像素值重构公式:
式中,O表征为多模态MRI病灶图像的像素点矩阵,Ai表征为第i张MRI病灶图像的像素点矩阵。
将T1加权成像模态下的MRI病灶图像(第1张病灶图像)、T2加权成像模态下的MRI病灶图像(第2张病灶图像)、T2FLAIR加权成像模态下的MRI病灶图像(第3张病灶图像)、T1C加权成像模态下的MRI病灶图像(第4张病灶图像)、T1W加权成像模态下的MRI病灶图像(第5张病灶图像)、T2W加权成像模态下的MRI病灶图像(第6张病灶图像)进行像素叠加,从而最终获得了一个由6张病灶图像构成的三维MRI病灶图像,实现了对6种加权成像模态下的各个病态特征均予以保留,因此任意三维MRI病灶图像均包含6种加权成像模态下对应的6病态特征实现了共性化表征,而利用模态权重,由对6种加权成像模态下的各个病态特征予以保留强度不同,因此每个三维MRI病灶图像包含6病态特征均具有唯一的组合方式实现了个性化表征,以突显出三维MRI病灶图像中丰富度高的病灶特征,更直观的向医生展示出病灶特征的侧重方向,比如是偏重于病灶特征属于组织病变还是结构损坏。
如图2所示,基于上述三维MRI病灶图像分割方法,本发明提供了一种分割系统,包括:
序列压缩单元1,用于在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的病灶特征影像序列作为病灶重要特征影像序列;
病灶重构单元2,用于依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
模态重构单元3,用于基于病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
本发明通过对多种加权成像模态下的病灶重点特征的识别提取,完成了对MRI病灶图像的重构,实现了将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度,提高医生对病症诊断的辅助精度。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种三维MRI病灶图像分割方法,其特征在于,包括以下步骤:
步骤S1、在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的所述病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列,其中,所述多模态MRI图像包括在多种加权成像模态下获得的多张形为表征为目标对象病灶特征的切片影像序列的三维MRI图像,所述病灶特征影像序列中每张病灶特征影像均包含有病灶特征;
步骤S2、依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
步骤S3、基于所述病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
2.根据权利要求1所述的一种三维MRI病灶图像分割方法,其特征在于:所述在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,包括:
在历史病案大数据中抽取一组历史多模态MRI图像,并提取出一组历史多模态MRI图像的在各种加权成像模态下的历史三维MRI图像,再在各种加权成像模态下历史三维MRI图像对应的历史切片影像序列中的每张历史切片影像中提取出表征病灶特征的体素点,以及提取出所述体素点的像素值和坐标值;
基于所述体素点的像素值和坐标值为所述多模态MRI图像设定各种加权成像模态下的二值化像素阈值,并依据所述二值化阈值将各种加权成像模态下的所述切片影像进行二值化处理得到切片二值化影像,再统计所述切片二值化影像中的像素值的取值种类,其中,
当切片二值化影像中的像素值取值种类为两种,则判定对应的切片影像包含有病灶特征;
当切片二值化影像中的像素值取值种类为一种,则判定对应的切片影像不包含病灶特征;
依次将各种加权成像模态下的所述包含有病灶特征所有切片影像按切片影像序列进行序列链接得到对应加权成像模态下的所述病灶特征影像序列。
3.根据权利要求2所述的一种三维MRI病灶图像分割方法,其特征在于:所述基于所述体素点的像素值和坐标值为所述多模态MRI图像设定各种加权成像模态下的二值化像素阈值,包括:
为每种加权成像模态设定表征二值化像素阈值的灰度像素参数RGBi,x,其中,RGBi,x表征为第i种加权成像模态下的所述灰度像素参数;
统计每种加权成像模态下的所有所述体素点的像素值进行并集处理得到体素点的灰度像素值范围以作为所述灰度像素参数的取值范围,并依次将每种加权成像模态下的每张历史切片影像按所述灰度像素参数分别进行二值化处理得到历史切片二值化影像;
依次提取出历史切片二值化影像的体素点,以及体素点的坐标值,并将所有历史切片二值化影像的体素点与所有历史切片影像的体素点进行总和重叠度统计,并选取最高所述总和重叠度对应的灰度像素参数的取值项作为对应加权成像模态下的二值化像素阈值,所述总和重叠度为:
式中,Si表征为第i种加权成像模态下的所述总和重叠度,Pi,l,j表征为第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值,Pi,l,k表征为第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值,在所述第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pi,l,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k相同时,则函数体(Pi,l,k==Pi,l,j)=1,在所述第i种加权成像模态下的第l个历史切片影像中的第j个体素点的坐标值Pl,j与第i种加权成像模态下的第l个历史切片二值化影像中的第k个体素点的坐标值Pi,l,k不相同时,则函数体(Pi,l,k==Pi,l,j)=0,ni,l表征为第l张所述历史切片影像的体素点的总数目,Ni,l表征为第i种加权成像模态下的第l张所述历史切片二值化影像的体素点的总数目,mi表征为第i种加权成像模态下的历史切片影像/历史切片二值化影像的总数目,i,j,k,l均为计量常数,无实质含义;
优选的,每种加权成像模态下的每张历史切片影像按所述灰度像素参数分别进行二值化处理得到历史切片二值化影像,包括:
将所述取值范围内的每个取值项依次作为所述灰度像素参数RGBi,x,并将每张历史切片影像中每个像素点的灰度像素值与所述灰度像素参数进行比较,其中,
当所述像素点的灰度像素值大于所述灰度像素参数RGBi,x,则将所述像素点的灰度像素值均转换为0;
当所述像素点的灰度像素值大于所述灰度像素参数RGBi,x,则将所述像素点的灰度像素值均转换为255;
将所述历史切片影像中的像素点均转换为仅由灰度像素值为0或255表征的像素点,以完成将历史切片影像转换为历史切片二值化影像;
优选的,若在每张历史切片二值化影像中灰度像素值为0的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为0的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l]);
若在每张历史切片二值化影像中灰度像素值为255的像素点为体素点,则将历史切片二值化影像中所有灰度像素值为255的像素点的坐标值提取出作为Pi,l,k(k∈[1,Ni,l])。
4.根据权利要求3所述的一种三维MRI病灶图像分割方法,其特征在于:所述依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,包括:
依次计算每组病灶特征影像序列中相邻两张病灶特征影像中体素点的匹配度,其中,
当所述体素点的匹配度大于等于匹配阈值,则将两张病灶特征影像中体素点数量少的病灶特征影像予以剔除;
当所述体素点的匹配度小于匹配阈值,则将两张病灶特征影像均予以保留;
优选的,所述匹配度的计算公式为:
式中,ei,r,r+1表征为第i种加权成像模态下的相邻两张病灶特征影像中体素点的匹配度,Pi,r+1,k表征为第i种加权成像模态下的第r+1个病灶特征影像中的第k个体素点坐标值,Pi,r,j表征为第i种加权成像模态下的第r个病灶特征影像中的第j个体素点坐标值,ni,r、ni,r+1分别表征为第i种加权成像模态下的第r、r+1个病灶特征影像中的体素点总数目,在Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=1,在Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]不成立时,则(Pi,r+1,k∈{Pi,r,j|j∈[1,ni,r]})=0,i,j,k,r均为计量常数,无实质含义。
5.根据权利要求4所述的一种三维MRI病灶图像分割方法,其特征在于:将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列,包括:
将压缩后的所述病灶特征影像序列中原始的序列编号进行重排布为递增顺序,并将重排布后的病灶特征影像序列作为病灶重要特征序列。
6.根据权利要求5所述的一种三维MRI病灶图像分割方法,其特征在于:所述依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,包括:
根据每种加权成像模态下的病灶重要特征图像序列的每张病灶重要特征图像中体素点的坐标值映射得到与病灶重要特征图像序列编号相同的切片影像中体素点的灰度像素值,并依次在病灶重要特征图像序列中统计出每个体素点具有的所有灰度像素值,再对每个体素点的所有像素值进行均值化处理得到每个体素点的平均灰度像素值;
在对应的加权成像模态下的切片影像序列中随机选择一张切片影像,并将切片影像中与所述体素点具有一致坐标值处的像素点的灰度像素值替换为对应体素点的平均灰度像素值,以实现将切片影像重构为对应加权成像模态下的MRI病灶图像。
10.一种根据权利要求1-9任一项所述的三维MRI病灶图像分割方法的分割系统,其特征在于,包括:
序列压缩单元(1),用于在多种加权成像模态下将多模态MRI图像中的多组切片影像序列分别进行病灶识别得到在多种加权成像模态下的多组病灶特征影像序列,并依次对每组病灶特征影像序列进行病灶冗余特征的去除以实现对病灶特征影像序列的序列有效压缩,来得到在对应加权成像模态下压缩后的所述病灶特征影像序列中每张病灶特征影像均唯一表征病灶重要特征,再将压缩后的所述病灶特征影像序列作为病灶重要特征影像序列;
病灶重构单元(2),用于依次将每组病灶重要特征图像序列进行病灶特征重构得到在对应加权成像模态下的MRI病灶图像,并依次计算每张MRI病灶图像的病灶信息度;
模态重构单元(3),用于基于所述病灶信息度构建对应加权成像模态的模态权重,并依据模态权重对所有MRI病灶图像进行模态特征重构得到三维MRI病灶图像,以实现将多种加权成像模态下的所有病灶特征在三维MRI病灶图像中进行共性化和个性化的统筹表征来提高对目标对象病灶特征的表达准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516419.9A CN114494320A (zh) | 2021-12-09 | 2021-12-09 | 一种三维mri病灶图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516419.9A CN114494320A (zh) | 2021-12-09 | 2021-12-09 | 一种三维mri病灶图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494320A true CN114494320A (zh) | 2022-05-13 |
Family
ID=81492327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111516419.9A Pending CN114494320A (zh) | 2021-12-09 | 2021-12-09 | 一种三维mri病灶图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494320A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN117558428A (zh) * | 2024-01-12 | 2024-02-13 | 华中科技大学同济医学院附属同济医院 | 一种用于肝脏mri的成像优化方法及系统 |
-
2021
- 2021-12-09 CN CN202111516419.9A patent/CN114494320A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN116863146B (zh) * | 2023-06-09 | 2024-03-08 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN117558428A (zh) * | 2024-01-12 | 2024-02-13 | 华中科技大学同济医学院附属同济医院 | 一种用于肝脏mri的成像优化方法及系统 |
CN117558428B (zh) * | 2024-01-12 | 2024-03-22 | 华中科技大学同济医学院附属同济医院 | 一种用于肝脏mri的成像优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494320A (zh) | 一种三维mri病灶图像分割方法及系统 | |
Mahapatra et al. | Automatic detection and segmentation of Crohn's disease tissues from abdominal MRI | |
CN103249358B (zh) | 医用图像处理装置 | |
EP2117428B1 (en) | Identification and analysis of lesions in medical imaging | |
JP2020517946A (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
AU2002234436B2 (en) | Method of predicting stroke evolution utilising MRI | |
JP5699936B2 (ja) | 医用画像処理装置の作動方法、装置およびプログラム | |
JP6036009B2 (ja) | 医用画像処理装置、およびプログラム | |
AU2002234436A1 (en) | Method of predicting stroke evolution utilising MRI | |
Saad et al. | Review of brain lesion detection and classification using neuroimaging analysis techniques | |
WO2013086026A1 (en) | System and method of automatically detecting tissue abnormalities | |
CN113160994A (zh) | 一种无创筛查非酒精性脂肪性肝炎模型的构建方法、预测系统、设备及存储介质 | |
JP7270917B2 (ja) | コンピュータプログラム、及び画像処理装置 | |
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 | |
Lata et al. | A review of deep learning-based methods for cancer detection and classification | |
Ying et al. | A novel computerized approach to enhancing lung tumor detection in whole-body PET images | |
Guo et al. | Novel survival features generated by clinical text information and radiomics features may improve the prediction of ischemic stroke outcome. Diagnostics (Basel). 2022; 12 | |
Susomboon et al. | A co-occurrence texture semi-invariance to direction, distance, and patient size | |
JP2014161388A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
US20170178338A1 (en) | Identification and analysis of lesions in medical imaging | |
Gia et al. | A Computer-Aided Detection to Intracranial Hemorrhage by Using Deep Learning: A Case Study | |
Memon et al. | A Hybrid Learning Algorithm for Automatic MRI Segmentation of Neurodegenerative Diseases | |
Yiğit et al. | Dementia Detection with Deep Networks Using Multi-Modal Image Data | |
Kumar et al. | Simulating cross‐modal medical images using multi‐task adversarial learning of a deep convolutional neural network | |
Lee et al. | Impact of Diffusion–Perfusion Mismatch on Predicting Final Infarction Lesion Using Deep Learning |
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 |