CN114862799B - 一种用于flair-mri序列的全自动脑体积分割方法 - Google Patents

一种用于flair-mri序列的全自动脑体积分割方法 Download PDF

Info

Publication number
CN114862799B
CN114862799B CN202210507103.1A CN202210507103A CN114862799B CN 114862799 B CN114862799 B CN 114862799B CN 202210507103 A CN202210507103 A CN 202210507103A CN 114862799 B CN114862799 B CN 114862799B
Authority
CN
China
Prior art keywords
flair
brain
mri data
image
mri
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
CN202210507103.1A
Other languages
English (en)
Other versions
CN114862799A (zh
Inventor
刘伟奇
马学升
陈金钢
徐鹏
赵友源
陈磊
陈韵如
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.)
Tongxin Yilian Technology Beijing Co ltd
Original Assignee
Tongxin Yilian Technology Beijing 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 Tongxin Yilian Technology Beijing Co ltd filed Critical Tongxin Yilian Technology Beijing Co ltd
Priority to CN202210507103.1A priority Critical patent/CN114862799B/zh
Publication of CN114862799A publication Critical patent/CN114862799A/zh
Application granted granted Critical
Publication of CN114862799B publication Critical patent/CN114862799B/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请公开了一种用于FLAIR‑MRI序列的全自动脑体积分割方法。所述算法包括：采用标准化框架对多中心FLAIR‑MRI数据图像进行预处理，得到标准化FLAIR‑MRI数据图像，基于标准化FLAIR‑MRI数据图像，从标准化FLAIR‑MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略，基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR‑MRI数据图像中的脑体积，采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。本申请解决相关技术中现有技术中一些针对FLAIR‑MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题。

Description

一种用于FLAIR-MRI序列的全自动脑体积分割方法
技术领域
本申请涉及人工智能算法辅助医学分析技术领域，具体而言，涉及一种用于FLAIR-MRI序列的全自动脑体积分割方法。
背景技术
神经退行性疾病严重影响患者健康和生活质量，给医疗系统带来巨大的经济负担。头颅核磁共振成像(magnetic resonance images,MRI)帮助识别神经退行性疾病先兆和病变特征，从而在患者进展为不可逆脑损伤之前采取早期干预措施。脑白质病变(whitematter lesions,WML)是在疾病早期通过MRI识别的与缺血性、血管性、痴呆和脱髓鞘疾病相关的病理特征之一。从MRI结果中定量提取WML体积以及其他生物标记物(如脑体积)以模拟疾病进展，进而探索疾病及预后相关的影响因素，有助于更好地理解神经退行性疾病和WML之间的相关性。然而，手动测量此类定量指标具有一定的主观性且难度较大，难以开展大规模研究。自动化人工智能算法则更加客观、准确、高效地计算数千名患者的脑部病变体积和其他定量指标，极大地提高效率和精确度。
液体衰减反转恢复(Fluid-Attenuated Inversion Recovery,FLAIR)MRI序列扫描技术抑制脑脊液(cerebral spinal fluid,CSF)高信号，从而强化周围WML显像，使得对病变体积的定量分析更加容易，这对于神经退行性疾病的诊断和治疗十分重要。有研究通过综合T1和T2加权像MRI以及FLAIR序列进行多膜态分析，但由于三个序列对比度不同，这种方法增加了图像采集成本和误差。因此，有研究针对FLAIR序列开发了WML自动分割算法，其关键步骤是脑组织提取的预处理，即移除其他非脑组织(如颅骨和眼睛)或颅骨剥离，同时自动化测量脑体积。目前，已有针对T1和T2加权像磁共振序列的脑体积分割算法。ROBEX算法使用一种机器学习方法基于T1加权像序列进行训练，但由于不同序列的组织信号强度不同，这种方法不适用于FLAIR序列。另一种较常用的方法是脑提取工具(brainextraction tool,BET)，使用一个可变形模型在脑体积中心进行初始化，当模型扩展到WML部位时会达到一定的阈值，但其体积分割往往是不足的。以上算法在分析FLAIR-MRI时都不能满足脑体积分割需求，有研究使用卷积神经网络，但其计算量巨大且存在较多变异。除此之外，这些算法的运行需要专业硬件系统支持，从而限制了其转化应用以及临床实用性。
现有的一些针对FLAIR-MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，既耗时耗力又增加了操作的复杂性，同时由于手工操作具有一定程度的主观性，导致这种半自动化的方法难以输出稳定客观的结果。还有一些需要结合多膜态序列(即T1、T2等)，但多序列分析很可能造成分割错误。此外，人工智能算法在处理变异度较高的多中心图像时，图像的标准化也是需要重点关注并解决的问题。由于多中心效应(multicentre effect,MCE)的存在，人工智能算法目前在应用于多中心数据时仍然有所限制。在分析大量高维度多中心图像数据时，不同的图像采集系统会产生不同的噪声、强度、对比度和分辨率，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高。不同脑血管疾病的病变特征也有所区别，中风的脑组织损伤其病变负荷较大，而痴呆则往往表现为脑萎缩。这些变异性来源都会影响自动分割算法的结果。由于算法是定量的，图像中的微小变化(例如，强度值)就可能对结果的可靠性产生很大的负面影响。此外，假阳性错误是基于机器学习的脑体积分割算法中的常见问题，往往需要更加复杂的模型来处理，例如生成模型或图形切割。
综上所述，现有技术存在以下技术问题：
(1)现有的一些针对FLAIR-MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题。
(2)人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高。
(3)机器学习的脑体积分割算法中会存在假阳性错误的问题。
发明内容
本申请的主要目的在于提供一种用于FLAIR-MRI序列的全自动脑体积分割方法，以解决现有技术中一些针对FLAIR-MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题、人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高以及机器学习的脑体积分割算法中会存在假阳性错误的问题。
一种用于FLAIR-MRI序列的全自动脑体积分割方法，算法具体包括：
步骤一：采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
步骤二：基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
步骤三：基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积；
步骤四：采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用伪影采集抑制是对FLAIR-MRI数据图像进行降噪和背景抑制，使用中值滤波器去除杂散像素，保留边缘信息，裁剪FLAIR-MRI数据图像直方图的上下2％以去除异常值强度，并使用K均值分类器将FLAIR-MRI数据图像分割为前景和背景，进行形态学处理和填充，以确保前景区域保留所有脑室结构，并使用背景掩膜消除所有非组织像素和背景噪声，对FLAIR-MRI数据图像进行偏置场校正，每个FLAIR-MRI数据图像切片被其自身的低通滤波版本分割，代表其低频偏置场伪影，以抑制来自同一组织类别内的强度调制。
进一步地，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用图像强度标度标准化是将数据库中所有FLAIR-MRI数据图像的直方图与图谱对齐，从而为FLAIR-MRI数据图像之间的相同组织产生一致的强度间隔，通过对齐不同体积直方图最大模式，即对应脑灰质和脑白质强度，从而在FLAIR-MRI数据图像之间产生相似的直方图。
进一步地，在FLAIR-MRI数据图像之间产生相似的直方图是通过确定体积的脑灰质/脑白质峰值的强度，并将图谱的大脑峰值强度除以大脑峰值体积以计算比例因子，将比例因子乘以原始体积，以得大脑峰值与图谱峰值对齐。
进一步地，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用体素分辨率标准化和患者体位标准化是使用基于demons算法的仿射配准根据图谱对图像进行配准，使用平方差作为误差度量，并使用梯度下降进行优化，迭代次数限制为100次，通过三次插值进行图像变换以使得变换伪影最小化。
进一步地，步骤二中基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
基于标准化FLAIR-MRI数据图像，从每个脑体积的每个体素中提取一个特征集，基于一个特征集提取28个特征。
进一步地，通过强度特征、空间特征和梯度特征中提取28个特征。
进一步地，步骤三中基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积；
使用相应的二进制脑掩膜，将训练集中脑体积中的每个体素分类为阳性、阴性或限制性阴性，阳性体素代表脑组织，阴性体素代表非脑组织，限制性阴性体素代表位于脑组织与颅骨边界的阴性病例，所有体素的分类标签都由二进制脑掩膜生成，然后随机选择训练体素，并选择偶数个的阴性、阳性两种情况，在阴性类别中，75％的阴性样本被限制在大脑边界10mm以内，为了采集限制性阴性训练体素样本，使用边缘检测和形态学相结合的方法以提供一个体素索引池，从中对分类困难的阴性训练样本进行采样，每个体积的训练体素数量均匀分布，从每个选择性采样的体素中，计算出28个特征。
进一步地，步骤四中采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割；
对二进制脑掩膜进行侵蚀，使用大小为4的内核来移除连接大脑和非大脑组织的小结构，使用连接性分析移除所有未连接到中央大脑块的小体素簇，将剩余的掩膜使用大小为6的内核进行放大，以减少初始侵蚀步骤的影响，最后填充孔洞，实现对脑体积进行精确分割。
进一步地，通过计算骰子相似系数、计算Hausdorff距离或灵敏度计算脑体积的分割精度。
本发明具有如下优点：
本申请通过采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像，基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略，基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积，采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。本发明解决了现有技术中一些针对FLAIR-MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题、人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高以及机器学习的脑体积分割算法中会存在假阳性错误的问题。
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为本发明提供的一种用于FLAIR-MRIFLAIR-MRI序列的全自动脑体积分割算法的流程图；
图2为本发明提供的未经标准化FLAIR-MRI数据图像的脑体积直方图(左侧)和经标准化FLAIR-MRI数据图像的脑体积直方图(右侧)；
图3为本发明提供的电气(General Electric Company，GE)、西门子(Siemens)和飞利浦(Philips)设备经标准化处理之前(左侧)和经标准化处理之后(右侧)的图像；
图4为本发明提供的通过分类准确度选择最优特征集的示意图；
图5为本发明提供的选择随机森林分类器的最优训练样本数的示意图；
图6为本发明提供的不同设备和疾病的样本分割结果的示意图；
图7为本发明提供的自动化分割脑体积的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征相互组合。下面将参考附图并结合实施例来详细说明本申请。
具体实施方式一：结合图1说明本实施方式，本实施方式的一种用于FLAIR-MRI序列的全自动脑体积分割方法，包括如下步骤：
步骤一：采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
步骤二：基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
步骤三：基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积；
步骤四：采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。
本实施方式通过在横轴位MRI中，体积以I(x,y,z)表示，其中x、y代表在切片中的空间坐标，z为切片编号。通过一个二进制脑掩膜b(x,y,z)识别不同类型脑组织的体素，并与原FLAIR-MRI数据图像相乘，即可从全图像中提取脑组织。本实施方式通过采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像，基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略，基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积，采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。本发明解决了现有技术中一些针对FLAIR-MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题、人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高以及机器学习的脑体积分割算法中会存在假阳性错误的问题。
本实施方式中步骤一是通过标准化框架输出FLAIR-MRI数据图像之间的标准化体素以及脑部定位，从而最大限度地对齐不同FLAIR-MRI数据图像之间的脑解剖结构。
本实施方式中通过标准化技术对FLAIR-MRI数据图像进行预处理，减少多中心FLAIR-MRI数据图像的高度变异性，减少了FLAIR-MRI数据图像噪声和偏置，使FLAIR-MRI数据图像的强度分布在多中心影像系统之间和其内部保持一致，并使脑部定向和体素分辨率标准化，从而增强了FLAIR-MRI数据图像分析和机器学习算法在处理多中心影像数据的性能，并且不需要专业硬件支持，使其易于融入常规临床工作流程。基于标准化技术的预处理FLAIR-MRI数据图像，提取出简单直观的特征集，便于对故障进行实时分析。进而，基于简化特征集训练并构建的随机森林分类器，在降低模型复杂程度的同时提高了其泛化程度，并且使用数学形态学进行简单的后处理以减少假阳性。通过FLAIR-MRI数据图像的标准化极大地简化了算法，同时提高了分割精度和稳健性，从而产生稳健、准确的脑体积分割结果。FLAIR-MRI序列对WML的可视化效果更好，适合于神经退行性疾病的诊断和早期筛查，本申请仅针对FLAIR序列进行分析，不需要结合其他如T1、T2加权像序列，从而减少了图像采集成本和因多个序列之间的配准而引入的偏倚。本申请为现有WML分析算法在大型多中心数据集的稳健应用提供了技术参考，代表了仅使用FLAIR序列在多中心和多神经系统疾病影像实现全自动脑体积分割的首批方法之一。
优选实施例中，本实施方式步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用伪影采集抑制是对FLAIR-MRI数据图像进行降噪和背景抑制，使用中值滤波器去除杂散像素，保留边缘信息，裁剪FLAIR-MRI数据图像直方图的上下2％以去除异常值强度，并使用K(K＝2)均值分类器将FLAIR-MRI数据图像分割为前景和背景，进行形态学处理和填充，以确保前景区域保留所有脑室结构，并使用背景掩膜消除所有非组织像素和背景噪声，对FLAIR-MRI数据图像进行偏置场校正，每个FLAIR-MRI数据图像切片被其自身的低通滤波版本分割，代表其低频偏置场伪影，以抑制来自同一组织类别内的强度调制。
优选实施例中，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用图像强度标度标准化是将数据库中所有FLAIR-MRI数据图像的直方图与图谱对齐，从而为FLAIR-MRI数据图像之间的相同组织产生一致的强度间隔，通过对齐不同体积直方图最大模式，即对应脑灰质和脑白质强度，从而在FLAIR-MRI数据图像之间产生相似的直方图。
本实施方式在FLAIR-MRI数据图像之间产生相似的直方图后，通过切片细化，检测每个切片的峰值，并将其移动到与体积峰值对齐的位置，以确保每个切片的大脑峰值均与体积峰值对齐。未经标准化的FLAIR-MRI数据图像的脑体积直方图见图2中的左侧直方图，经标准化的FLAIR-MRI数据图像的脑体积直方图见图2中的右侧直方图。经不同设备供应商包括通用电气(General Electric Company，GE)、西门子(Siemens)和飞利浦(Philips)扫描仪获取的经标准化处理前后的实例图像见图3，其中图3中左侧是在进行标准化之前的图像中相同组织类别具有不同的强度和对比度，图3右侧是在进行标准化之后的图像中每个组织类别的强度在不同数据集以及不同设备供应商之间得到一致化。
本实施方式中通过图像强度标度标准化可使直方图对齐，并使强度范围和分布更加相似，并保证相同的组织都映射到相同的强度范围。
优选实施例中，本实施方式在FLAIR-MRI数据图像之间产生相似的直方图是通过确定体积的脑灰质/脑白质峰值的强度，并将图谱的大脑峰值强度除以大脑峰值体积以计算比例因子，将比例因子乘以原始体积，以得大脑峰值与图谱峰值对齐。
本实施方式在FLAIR-MRI数据图像之间产生相似的直方图后，通过切片细化，检测每个切片的峰值，并将其移动到与体积峰值对齐的位置，以确保每个切片的大脑峰值均与体积峰值对齐。
优选实施例中，本实施方式步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用体素分辨率标准化和患者体位标准化是使用基于demons算法的仿射配准根据图谱对图像进行配准，使用平方差作为误差度量，并使用梯度下降进行优化，迭代次数限制为100次，通过三次插值进行图像变换以使得变换伪影最小化。
优选实施例中，步骤二中基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
基于标准化FLAIR-MRI数据图像，从每个脑体积的每个体素中提取一个特征集，基于一个特征集提取28个特征。
优选实施例中，通过强度特征、空间特征和梯度特征中提取28个特征。
本实施方式中基于强度特征，图像强度已经过标准化处理，以确保不同图像间的同一脑组织被映射到类似的强度范围，从而在不同体积的组织中产生一致的强度间隔，见图2和图3。视觉上，由于脑组织通常比非脑组织(即颅骨、耳朵、眼睛)暗，因此强度应该是一个高度区分性的特征。因此，体素强度是首要考虑的提取特征，即F1(x,y,z)＝I(x,y,z)。为了进一步利用强度信息，同时最小化图像噪声，计算图像的平滑版本，并计算5mm和7mm大小的内核的像素强度的平均邻域值，得到F2(x,y,z)和F3(x,y,z)。选择这些大小的内核是为了显著降低图像噪声，同时保留全局的强度特征。
本实施方式基于空间特征，标准化框架的空间配准功能将图像中的空间坐标标准化，从而使脑组织位置在各体积中大致一致。因此，空间位置特征是一种必要选择。空间位置特征包括每个体素的(x,y,z)坐标，其中F4(x,y,z)＝x，F5(x,y,z)＝y，F6(x,y,z)＝z。
本实施方式基于梯度特征，脑组织的一个关键特征是其相对于周围组织的平滑度，即具有锋利的边缘。例如，大脑内部区域的强度大致相同，而颅骨和外部组织的强度变化甚异。此外，尽管WML的强度通常与头骨和非脑组织相似，但WML的边缘内容差异很大。由于部分体积平均化，WML边界的边缘强度通常较低且分散，因此需要一个在将WML识别为“脑”组织的同时能够显著区分脑组织和非脑组织的特征。为了捕捉不同大小和尺度的边缘，例如强度明显的大脑边界，同时正确区分WML和正常脑组织之间较模糊的边界，需要提取不同大小邻域和尺度的图像梯度。较大的邻域很可能对识别较为分散的WML边缘具有稳健性，但较小的邻域会捕获更明显的边缘特征，如大脑背景边界。需要分别计算两种类型的梯度特征，第一种是基于一阶梯度等级(梯度等级特征)，由三个不同大小区域的平均值计算得出，第二阶梯度特征是基于高斯尺度空间计算的，其中一阶梯度和二阶梯度分别针对三个不同尺度的x、y和z方向进行计算。这些特征分别称为一阶和二阶高斯尺度空间特征。对于梯度等级特征，图像梯度的等级需要在3D中计算：
Figure GDA0004235499440000181
公式(1)中，使用Sobel算子估计数字梯度。为了捕捉不同尺度下的边缘信息，计算了四个不同大小区域中每个像素周围邻域的平均梯度大小，以获得该区域的主要边缘强度值，同时降低图像噪声。所考虑的四个区域的宽度分别为4、5、8和16mm，形成了四个梯度等级特征F7(x,y,z)、F8(x,y,z)、F9(x,y,z)和F10(x,y,z)。选择这些尺度是为了分别捕捉小尺度和大尺度的边缘特征。
由于梯度对噪声非常敏感，因此还考虑了高斯尺度的空间特征。高斯尺度空间边缘检测涉及到用某个宽度σ的高斯核以平滑(卷积)图像，然后获取平滑图像的梯度。使用高斯尺度空间计算梯度的好处是能够研究不同尺度下的边缘内容。根据平滑核的大小，分化较大或较小的边缘特征。例如，一个较大的σ平滑小的边缘，同时保留与σ大小大致相同的大边缘。然后，取平滑图像的梯度检查这些大边缘的内容。因此，高斯尺度空间允许我们稳健地研究不同大小对象的边缘内容和边缘强度，非常有效地区分脑和非脑组织。
为了提取高斯尺度空间梯度特征，首先使用3D高斯平滑核：
Figure GDA0004235499440000182
其中σ是高斯函数的标准偏差，与被检测对象的比例成正比。使用1mm、2mm和8mm的比例是因为它们在不同的比例下提供了每个图像的有价值的局部信息。为了计算特定尺度下的特征，原始图像用3D高斯平滑核进行卷积，并检测边缘，即：
Figure GDA0004235499440000191
对于高斯尺度空间特征，不需要查看结合了所有方向的边缘信息的梯度大小，而是单独研究各个梯度方向，因为图像已经经过平滑处理，且噪声较少。基于此，确定单个边缘方向是否是有可区分的特征。提取沿每个方向计算的单个梯度为特征，其中F11(x,y,z)、F12(x,y,z)、F13(x,y,z)是三种不同比例沿x方向的梯度，F14(x,y,z)、F15(x,y,z)、F16(x,y,z)是三种不同比例沿y方向的梯度，F17(x,y,z)、F18(x,y,z)、F19(x,y,z)是三种不同比例沿z方向的梯度。除此之外，还计算了二阶梯度，并对每个刻度沿各自方向取梯度，结果为F20(x,y,z)、F21(x,y,z)、F22(x,y,z)、F23(x,y,z)、F24(x,y,z)、F25(x,y,z)、F26(x,y,z)、F27(x,y,z)、F28(x,y,z)。
优选实施例中，步骤三中基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积；
使用相应的二进制脑掩膜，将训练集中脑体积中的每个体素分类为阳性、阴性或限制性阴性，阳性体素代表脑组织，阴性体素代表非脑组织，限制性阴性体素代表位于脑组织与颅骨边界的阴性病例，所有体素的分类标签都由二进制脑掩膜生成，然后随机选择训练体素，并选择偶数个的阴性、阳性两种情况，在阴性类别中，75％的阴性样本被限制在大脑边界10mm以内，为了采集限制性阴性训练体素样本，使用边缘检测和形态学相结合的方法以提供一个体素索引池，从中对分类困难的阴性训练样本进行采样，每个体积的训练体素数量均匀分布，从每个选择性采样的体素中，计算出28个特征。
本实施方式中随机森林分类器的构建采用了基于特征、树和示例数量的最优化参数，见图4和5，在每个节点上分析的特征数被设置为2，因为对于大量树，单个树的强度相关性较小，该参数的值越高，树之间的相关性就越大，这会增加误差。节点和叶子上存在的最小训练体素数设置为20。通过在训练后执行修剪，即在训练后随机删除每棵树的一些分支，以确保模型的泛化，抑制训练集的过度拟合，从而增加对新数据的泛化。由于图像体中体素的高度相关性，构建分类器并不需要训练体积样本中的所有体素，降低分类器的复杂度和计算量，采用选择性训练采样策略，从训练集中随机采样体素来构建模型。使用相应的二进制脑掩膜，将训练集中脑体积中的每个体素分类为阳性、阴性或限制性阴性，阳性体素代表脑组织，阴性体素代表非脑组织，限制性阴性体素代表位于脑组织与颅骨边界的阴性病例，所有体素的分类标签都由二进制脑掩膜生成，然后随机选择训练体素，并选择偶数个的阴性、阳性两种情况，在阴性类别中，75％的阴性样本被限制在大脑边界10mm以内，为了采集限制性阴性训练体素样本，使用边缘检测和形态学相结合的方法以提供一个体素索引池，从中对分类困难的阴性训练样本进行采样，每个体积的训练体素数量均匀分布(即，对于150000个训练体素，76个训练体积，约1974个体素将从每个体积中随机选择)，从每个选择性采样的体素中，计算出28个特征。与整个体积(例如，512×512×45个体素)相比，本采样策略可用于构建计算效率更高、内存占用更少的模型。
优选实施例中，步骤四中采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割；
对二进制脑掩膜进行侵蚀，使用大小为4的内核来移除连接大脑和非大脑组织的小结构，使用连接性分析移除所有未连接到中央大脑块的小体素簇，将剩余的掩膜使用大小为6的内核进行放大，以减少初始侵蚀步骤的影响，最后填充孔洞，实现对脑体积进行精确分割。
本实施方式中实现对脑体积进行精确分割，对于不同设备和疾病的样本分割结果见图6，其中上半部分是原图像和正确体积轮廓标记，下半部分是对应的自动分割结果。自动化分割脑体积的示意图见图7。
优选实施例中，通过计算骰子相似系数、计算Hausdorff距离或灵敏度计算脑体积的分割精度。
本实施方式中骰子相似系数(Dice Similarity Coefficient,DSC)的公式如下：
Figure GDA0004235499440000221
其中A和B分别是基于真实值和自动分割的脑二进制掩膜。
Hausdorff距离(Hausdorff Distance,HD)为自动分割的边界点和它们在真实值掩膜中的最近邻点之间的距离之和。与DSC不同的是，如果两个重叠的对象仍然具有不同的边界，则将进行相应的收缩惩罚。
灵敏度(sens)也称为重叠分数，是真阳性(true positive，TP)率的一个衡量指标：
Figure GDA0004235499440000222
其中FN为假阴性。此外，特异性(spec)是作为真阴性(true negative,TN)率的衡量标准计算的：
Figure GDA0004235499440000223
其中FP为假阳性。计算额外分数(Extra Fraction,EF)，为假阳性率的一个衡量标准：
Figure GDA0004235499440000231
在上述实施方式在理想的自动分割中，DSC、特异性和灵敏度应接近于1，而HD和EF应接近于零。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，所述方法包括：
步骤一：采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
步骤二：基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
步骤三：基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR-MRI数据图像中的脑体积；
使用相应的二进制脑掩膜，将训练集中脑体积中的每个体素分类为阳性、阴性或限制性阴性，阳性体素代表脑组织，阴性体素代表非脑组织，限制性阴性体素代表位于脑组织与颅骨边界的阴性病例，所有体素的分类标签都由二进制脑掩膜生成，然后随机选择训练体素，并选择偶数个的阴性、阳性两种情况，在阴性类别中，75％的阴性样本被限制在大脑边界10mm以内，为了采集限制性阴性训练体素样本，使用边缘检测和形态学相结合的方法以提供一个体素索引池，从中对分类困难的阴性训练样本进行采样，每个体积的训练体素数量均匀分布，从每个选择性采样的体素中，计算出28个特征；
步骤四：采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。
2.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用伪影采集抑制是对FLAIR-MRI数据图像进行降噪和背景抑制，使用中值滤波器去除杂散像素，保留边缘信息，裁剪FLAIR-MRI数据图像直方图的上下2％以去除异常值强度，并使用K均值分类器将FLAIR-MRI数据图像分割为前景和背景，进行形态学处理和填充，以确保前景区域保留所有脑室结构，并使用背景掩膜消除所有非组织像素和背景噪声，对FLAIR-MRI数据图像进行偏置场校正，每个FLAIR-MRI数据图像切片被其自身的低通滤波版本分割，代表其低频偏置场伪影，以抑制来自同一组织类别内的强度调制。
3.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用图像强度标度标准化是将数据库中所有FLAIR-MRI数据图像的直方图与图谱对齐，从而为FLAIR-MRI数据图像之间的相同组织产生一致的强度间隔，通过对齐不同体积直方图最大模式，即对应脑灰质和脑白质强度，从而在FLAIR-MRI数据图像之间产生相似的直方图。
4.如权利要求3所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，在FLAIR-MRI数据图像之间产生相似的直方图是通过确定体积的脑灰质/脑白质峰值的强度，并将图谱的大脑峰值强度除以大脑峰值体积以计算比例因子，将比例因子乘以原始体积，以得大脑峰值与图谱峰值对齐。
5.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，步骤一中采用标准化框架对多中心FLAIR-MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR-MRI数据图像的变异性，得到标准化FLAIR-MRI数据图像；
采用体素分辨率标准化和患者体位标准化是使用基于demons算法的仿射配准根据图谱对图像进行配准，使用平方差作为误差度量，并使用梯度下降进行优化，迭代次数限制为100次，通过三次插值进行图像变换以使得变换伪影最小化。
6.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，步骤二中基于标准化FLAIR-MRI数据图像，从标准化FLAIR-MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
基于标准化FLAIR-MRI数据图像，从每个脑体积的每个体素中提取一个特征集，基于一个特征集提取28个特征。
7.如权利要求6所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，通过强度特征、空间特征和梯度特征中提取28个特征。
8.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，步骤四中采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割；
对二进制脑掩膜进行侵蚀，使用大小为4的内核来移除连接大脑和非大脑组织的小结构，使用连接性分析移除所有未连接到中央大脑块的小体素簇，将剩余的掩膜使用大小为6的内核进行放大，以减少初始侵蚀步骤的影响，最后填充孔洞，实现对脑体积进行精确分割。
9.如权利要求1所述的一种用于FLAIR-MRI序列的全自动脑体积分割方法，其特征在于，通过计算骰子相似系数、计算Hausdorff距离或灵敏度计算脑体积的分割精度。
CN202210507103.1A 2022-05-10 2022-05-10 一种用于flair-mri序列的全自动脑体积分割方法 Active CN114862799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210507103.1A CN114862799B (zh) 2022-05-10 2022-05-10 一种用于flair-mri序列的全自动脑体积分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507103.1A CN114862799B (zh) 2022-05-10 2022-05-10 一种用于flair-mri序列的全自动脑体积分割方法

Publications (2)

Publication Number Publication Date
CN114862799A CN114862799A (zh) 2022-08-05
CN114862799B true CN114862799B (zh) 2023-06-23

Family

ID=82637371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507103.1A Active CN114862799B (zh) 2022-05-10 2022-05-10 一种用于flair-mri序列的全自动脑体积分割方法

Country Status (1)

Country Link
CN (1) CN114862799B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402917B (zh) * 2023-06-09 2023-08-15 之江实验室 宽谱光散斑自相关成像的待重建图像的确定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600621B (zh) * 2016-12-08 2019-07-19 温州医科大学 基于婴幼儿脑瘤多模态mri图的时空协同分割方法
EP3379281A1 (en) * 2017-03-20 2018-09-26 Koninklijke Philips N.V. Image segmentation using reference gray scale values
CN110428426A (zh) * 2019-07-02 2019-11-08 温州医科大学 一种基于改进随机森林算法的mri图像自动分割方法
CN111681230A (zh) * 2020-06-10 2020-09-18 华中科技大学同济医学院附属同济医院 脑白质高信号评分系统及其评分方法
CN113012173A (zh) * 2021-04-12 2021-06-22 中国医学科学院北京协和医院 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置

Also Published As

Publication number Publication date
CN114862799A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN103249358B (zh) 医用图像处理装置
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN107292312B (zh) 肿瘤ct图像处理方法
Koh et al. An automatic segmentation method of the spinal canal from clinical MR images based on an attention model and an active contour model
Giordano et al. Epiphysis and metaphysis extraction and classification by adaptive thresholding and DoG filtering for automated skeletal bone age analysis
CN107292835B (zh) 一种眼底图像视网膜血管自动矢量化的方法及装置
Chen et al. Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
JP2017520354A (ja) 体組織の自動的なセグメンテーションおよび定量化のための方法
Maitra et al. Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm
CN110969204A (zh) 基于磁共振图像与数字病理图像融合的样本分类系统
CN110956634A (zh) 一种基于深度学习的脑微出血自动检测方法及系统
CN116630762B (zh) 一种基于深度学习的多模态医学图像融合方法
Khademi et al. Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
Li et al. BrainK for structural image processing: creating electrical models of the human head
Maglietta et al. Random forest classification for hippocampal segmentation in 3D MR images
Subudhi et al. Extraction of brain from MRI images by skull stripping using histogram partitioning with maximum entropy divergence
Somasundaram et al. Brain extraction method for T1-weighted magnetic resonance scans
US10943350B2 (en) Automated segmentation of histological sections for vasculature quantification
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Zhang et al. Atlas-driven lung lobe segmentation in volumetric X-ray CT images
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
CN115496743A (zh) 脑血管病变分割方法、装置、存储介质、电子装置
CN111292285A (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法

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