CN115349847A - 基于分离式定量apt成像的乳腺肿瘤辨别系统 - Google Patents
基于分离式定量apt成像的乳腺肿瘤辨别系统 Download PDFInfo
- Publication number
- CN115349847A CN115349847A CN202211276609.2A CN202211276609A CN115349847A CN 115349847 A CN115349847 A CN 115349847A CN 202211276609 A CN202211276609 A CN 202211276609A CN 115349847 A CN115349847 A CN 115349847A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- imaging
- background reference
- module
- mammary gland
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 90
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 46
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 148
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 52
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims description 74
- 125000003368 amide group Chemical group 0.000 claims description 53
- 230000000694 effects Effects 0.000 claims description 35
- 239000000126 substance Substances 0.000 claims description 34
- 229920006395 saturated elastomer Polymers 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 201000011510 cancer Diseases 0.000 claims description 19
- 230000001575 pathological effect Effects 0.000 claims description 16
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 15
- 229910001566 austenite Inorganic materials 0.000 claims description 12
- 230000003211 malignant effect Effects 0.000 claims description 12
- 210000001519 tissue Anatomy 0.000 claims description 12
- 230000036210 malignancy Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 206010004243 Benign breast neoplasm Diseases 0.000 claims description 8
- 206010027476 Metastases Diseases 0.000 claims description 7
- 230000009401 metastasis Effects 0.000 claims description 7
- 206010072360 Peritumoural oedema Diseases 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 125000003473 lipid group Chemical group 0.000 claims 2
- 230000011218 segmentation Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 206010030113 Oedema Diseases 0.000 abstract description 4
- 210000000481 breast Anatomy 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 150000002632 lipids Chemical class 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 201000007295 breast benign neoplasm Diseases 0.000 description 5
- 230000005415 magnetization Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于分离式定量APT成像的乳腺肿瘤辨别系统,包括背景参考Z谱仿真模块、预测模型训练模块、图像采集模块、水峰偏移预矫正模块、图像重建模块和鉴别模块,本发明首先通过机器学习模拟乳腺生理环境及病理环境仿真的理论背景参考Z谱,并建立模型,再通过模型对采集的逐像素的Z谱进行预测得到对应的主磁场偏移量与背景参考Z谱,最终得到酰胺质子饱和转移成像,最后通过病灶区成像的对比度来判断乳腺肿瘤的良恶性。本发明提出的基于分离式定量APT成像的乳腺肿瘤辨别系统的处理流程有效地避免了乳腺脂肪、水肿等信号的干扰,同时极大程度上降低了磁体主磁场不均匀性的影响,故对诊断的准确度有着显著的提升。
Description
技术领域
本发明涉及磁共振成像技术领域,特别涉及一种基于分离式定量APT成像的乳腺肿瘤辨别系统。
背景技术
对于癌症而言,肿瘤良恶性的鉴别尤为关键,这不仅对早期癌症的判断带来巨大的意义,同时对于为疾病制定准确有效的治疗方式也起到导向性作用。可以说,一种对于乳腺癌良恶性辨别高效的技术可以有效地帮助患者更早地得到良好的治疗,从而显著地降低其死亡率。
乳腺肿瘤主要可分为良性肿瘤和恶性肿瘤。手术是卵巢肿瘤最常见的治疗方法,而治疗计划可能取决于具体的肿瘤类型。临床上,根据不同的形态学、组织病理学和分子学等特征,不同情况的处理方式可能有所不同,对于那些希望进行保守或保留生育能力手术的患者,可以考虑进行保守或保留生育能力手术。妇科医生利用术中冰冻切片诊断的结果,为他们选择最适合患者的手术方式提供参考。然而,由于癌症的巨大规模和多样性以及形态学特例等原因,冰冻切片诊断对早期恶性肿瘤的准确率仅为81%,对边缘性肿瘤的准确率仅为60%-75%。同时,术中切片对患者带来的痛苦与风险也远高于术前影像诊断。因此,术前的定性诊断和对特定肿瘤类型的准确预测对于最佳临床治疗策略至关重要。
磁共振成像(MRI)由于其高空间分辨率和软组织对比度,已被证明对乳腺肿瘤的鉴别诊断有所帮助。然而,临床医生对于直观的磁共振影像描述的一些形态学特征的判断是极具主观性的。因此,一种具有合适定量指标的客观方法十分重要。
化学交换磁化转移成像技术是磁共振成像技术领域中的一种分子影像学技术,其不仅可以对极低浓度的化学基团进行单独成像,而且可对基团所在环境(如酸碱度、温度等)进行检测。当外源性或内源性分子中的可交换质子被频率选择性射频饱和后,饱和效应可通过化学交换传递给自由水的质子,最终基于水信号的改变间接地对包含可交换质子的分子进行成像。酰胺质子饱和转移(Amide proton transfer, APT)成像便是将酰胺基团(–NH) 质子作为交换点位置(δ3.5),是最为广泛使用的一种化学交换饱和转移成像的亚型。大量研究表明,酰胺质子饱和转移成像可以很好地提示肿瘤、缺血性中风及神经退行性病变等病理信息。
目前临床的定量酰胺质子饱和转移成像一般采用非对称性分析法,所得到的对比度信息并不是纯净的酰胺质子饱和转移对比度。脂质等化合物中的氢核普遍存在核奥氏增强效应,其分布于δ-2到δ-5之间,因此目前的技术缺陷使得最终得到的成像对比度并不完全为酰胺质子转移效应,这对临床利用酰胺质子饱和转移成像来进行乳腺肿瘤良恶性的准确度带来了很不利的影响。
为了能在临床上更好地对乳腺肿瘤患者的术前肿瘤良恶度进行筛查,同时也更合理地利用酰胺质子的化学交换饱和转移特性,本发明描述了一种基于分离式定量酰胺质子饱和转移成像的乳腺肿瘤良恶性辨别方法。通过此方法,临床应用中可以无创且不注入造影剂的前提下对乳腺肿瘤良恶性进行高效可靠的筛查。
发明内容
本发明的目的在于提供一种基于分离式定量APT成像的乳腺肿瘤辨别系统,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本发明公开了一种基于分离式定量APT成像的乳腺肿瘤辨别系统,包括如下模块:
背景参考Z谱仿真模块:通过化学交换饱和转移的数值仿真方法对乳腺生理环境及病理环境背景参考Z谱进行仿真;
预测模型训练模块:根据背景参考Z谱仿真模块的仿真结果,采用机器学习的方法进行训练,得到乳腺区域背景参考Z谱的预测模型;
图像采集模块:使用化学交换饱和转移磁共振序列采集磁共振成像系统中的乳腺影像数据;
水峰偏移预矫正模块:通过乳腺影像的磁共振数据形成原始Z谱,通过其形态数值计算对原始Z谱所受到水峰偏移影响进行矫正,得到预矫正Z谱;
图像重建模块:用于将采集的乳腺影像数据逐像素的通过训练好的预测模型进行背景参考Z谱预测,得到乳腺区域每个像素的酰胺质子饱和转移率,进行重建得到分离式定量化学交换饱和转移成像;
鉴别模块:通过对肿瘤成像中肿瘤病灶区域进行半自动分割,并自动标记肿周水肿及肿瘤实质区域,对其实质区域中分离式化学交换饱和转移成像对比度信息提取并进行乳腺肿瘤良恶性鉴别。
作为优选的,所述背景参考Z的构建方法具体为:每个体素不同的饱和频率下剩余归一化水信号的强度形成Z谱,从每个Z谱中去除化学交换饱和转移成像效应及核奥氏增强效应影响,形成背景参考Z谱。
作为优选的,所述背景参考Z谱仿真模块的具体操作如下:对影响乳腺区域正常组织及病理组织的背景参考Z谱的参数在所有生理及病理范围中进行组合遍历,同时给定Z谱随着水峰在体部磁共振主磁场变化范围内随机偏移从而模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集。
作为优选的,所述预测模型训练模块具体操作如下:对于每个模拟的背景参考Z谱,将频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用机器学习的方法进行训练,得到由S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络模型,即为乳腺区域背景参考Z谱的预测模型。
作为优选的,所述图像采集模块的具体操作如下:使用化学交换饱和转移磁共振序列在磁共振成像系统中使用不同频率的饱和射频照射采集模图信息,额外采集一个没有饱和射频照射的条件下的参考图像。
作为优选的,所述水峰偏移预矫正模块的具体操作如下:
步骤1、根据图像采集模块采集到的每个射频频率偏移位置的数据点信息,通过参考扫描的图像进行归一化,再进行插值后绘制成原始的Z谱;
步骤2、对Z谱中值最低的M个点取出进行分析,对非最低的M-1个点的归一化水信号与最低点处归一化水信号计算得到差值;
步骤3、对位于Z谱左侧点的差值与右侧点的差值分别求得均值,通过两个均值的比值乘以两侧点在Z谱中的频率差可以得到初步的主磁场偏移量,并进行初步的原始Z谱矫正,得到预矫正Z谱。
作为优选的,所述图像重建模块具体操作如下:
步骤1、根据图像采集模块采集到的每个射频频率偏移位置的数据点信息,通过参考扫描的图像进行归一化,再进行插值后绘制成原始的Z谱;对Z谱中值最低的M个点取出进行分析,通过与最低点归一化水信号的比值得到初步的主磁场偏移量,并进行初步的矫正;
步骤2、逐像素的将频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号数据输入到预测模型训练模块所建立的预测模型中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正预处理的Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
步骤3、将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应的交换点相减后得到酰胺质子饱和转移成像对比度;逐像素的Z谱相减提取成像信号即得到乳腺区域的酰胺质子饱和转移成像。
作为优选的,所述Z谱相减提取成像信号采用如下公式:
作为优选的,所述鉴别模块的具体操作如下:
步骤1、通过常规肿瘤检查中T1结构成像对病灶区进行半自动分割,分别对肿瘤的肿周水肿区域与肿瘤实质区域勾画;
步骤2、将肿瘤实质区域掩膜应用在图像重建模块所获得的酰胺质子饱和转移成像中,随后计算该区域中所有体素平均的酰胺质子饱和转移成像对比度,并以此作为乳腺肿瘤良恶性鉴别标准;所得成像对比度的高低对应肿瘤恶性怀疑度高低。
本发明的有益效果:
本发明基于分离式定量APT成像的乳腺肿瘤辨别系统,本发明首先通过机器学习模拟乳腺生理环境及病理环境仿真的理论背景参考Z谱,并建立模型,再通过模型对采集的逐像素的Z谱进行预测得到对应的主磁场偏移量与背景参考Z谱,最终得到酰胺质子饱和转移成像,最后通过病灶区成像的对比度来判断乳腺肿瘤的良恶性。与基于常规酰胺质子饱和转移成像的乳腺肿瘤良恶性筛查相比,本发明提出的基于分离式定量APT成像的乳腺肿瘤辨别系统的处理流程有效地避免了乳腺脂肪、水肿等信号的干扰,同时极大程度上降低了磁体主磁场不均匀性的影响,故对诊断的准确度有着显著的提升;本发明乳腺肿瘤辨别系统处理流程自动化且客观定量,排除临床医生主观判断的干扰,同时能辅助临床医生从而减轻临床医生工作量;该乳腺肿瘤辨别系统处理流程使用分子成像手段,因此准确度较高,可以更好在术前检查中带来帮助;在术前应用本发明乳腺肿瘤辨别系统,与传统磁共振增强成像方法相比无需注射带放射性物质的造影剂,因此在临床诊断上更为安全且方便快速;另外乳腺肿瘤辨别系统的辨别操作无需组织活检,因此无创、无痛且对人体无害。
附图说明
图1为本发明中分离式酰胺质子饱和转移成像实施的技术路线图;
图2为本发明实施中某一患者的乳腺肿瘤酰胺质子饱和转移成像图;
图3为本发明实施中对对乳腺或病灶感兴趣区域勾画的示例图;
图4 为本发明实施中良恶性肿瘤患者的分离式酰胺质子饱和转移率统计结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提出了一种基于分离式定量APT成像的乳腺肿瘤辨别系统。如图1所示,该系统首先通过机器学习模拟乳腺生理环境及病理环境仿真的理论背景参考Z谱,并建立模型,再通过模型对采集的逐像素的Z谱进行预测得到对应的主磁场偏移量与背景参考Z谱,最终得到酰胺质子饱和转移成像,最后通过病灶区成像的对比度来判断乳腺肿瘤的良恶性。通过此系统的处理流程,临床应用中可以在无创且不注入造影剂的前提下对乳腺肿瘤良恶性进行高效可靠的筛查。同时,我们对该方法在临床病例中进行了测试,测试结果表明该辨别方法对乳腺肿瘤良恶性的鉴别具有较高的准确性。
本发明实施例提供一种基于分离式定量APT成像的乳腺肿瘤辨别系统,包括如下模块:
背景参考Z谱仿真模块:通过化学交换饱和转移的数值仿真方法对乳腺生理环境及病理环境背景参考Z谱进行仿真;
预测模型训练模块:根据背景参考Z谱仿真模块的仿真结果,采用机器学习的方法进行训练,得到乳腺区域背景参考Z谱的预测模型;
图像采集模块:使用化学交换饱和转移磁共振序列采集磁共振成像系统中的乳腺影像数据;
水峰偏移预矫正模块:通过乳腺影像的磁共振数据形成原始Z谱,通过其形态数值计算对原始Z谱所受到水峰偏移影响进行矫正,得到较为理想的原始Z谱,得到预矫正Z谱;
图像重建模块:用于将采集的乳腺影像数据逐像素的通过训练好的预测模型进行背景参考Z谱预测,得到乳腺区域每个像素的酰胺质子饱和转移率,进行重建得到分离式定量化学交换饱和转移成像;
鉴别模块:通过对肿瘤成像中肿瘤病灶区域进行半自动分割,并自动标记肿周水肿及肿瘤实质区域,对其实质区域中分离式化学交换饱和转移成像对比度信息提取并进行乳腺肿瘤良恶性鉴别。
所述背景参考Z的构建方法具体为:每个体素不同的饱和频率下剩余归一化水信号的强度形成Z谱,从每个Z谱中去除化学交换饱和转移成像效应及核奥氏增强效应影响,形成背景参考Z谱。
所述背景参考Z谱仿真模块的具体操作如下:对影响乳腺区域正常组织及病理组织的背景参考Z谱的参数在所有生理及病理范围中进行组合遍历,同时给定Z谱随着水峰在体部磁共振主磁场变化范围内随机偏移从而模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集。
所述预测模型训练模块具体操作如下:对于每个模拟的背景参考Z谱,将频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用机器学习的方法进行训练,得到由S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络模型,即为乳腺区域背景参考Z谱的预测模型。
所述图像采集模块的具体操作如下:使用化学交换饱和转移磁共振序列在磁共振成像系统中使用不同频率的饱和射频照射采集模图信息,额外采集一个没有饱和射频照射的条件下的参考图像。
所述水峰偏移预矫正模块的具体操作如下:
步骤1、根据图像采集模块采集到的每个射频频率偏移位置的数据点信息,通过参考扫描的图像进行归一化,再进行插值后绘制成原始的Z谱;
步骤2、对Z谱中值最低的M个点(M为奇数)取出进行分析,对非最低的M-1个点的归一化水信号S1,2,…,M-1与最低点处归一化水信号Smin计算得到差值Gap1,2,…,M-1。
步骤3、对位于Z谱左侧点的差值与右侧点的差值分别求得均值Gapneg与Gappos,通过Gapneg与Gappos的比值乘以两侧点在Z谱中的频率差可以得到初步的主磁场偏移量,并进行初步的原始Z谱矫正;
所述水峰偏移量的计算采用如下公式:
其中,dFreq表示水峰偏移量,Gapneg与Gappos分别选取的点表示位于Z谱左侧点的差值与右侧点的差值分别求得的均值,M表示用于矫正时选取的Z谱中点的数量,I表示采集Z谱时每个点频率的间隔。
所述图像重建模块具体操作如下:
步骤1、逐像素的将预矫正Z谱中频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号数据输入到预测模型训练模块所建立的预测模型中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正预处理的Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
步骤2、将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应的交换点相减后得到酰胺质子饱和转移成像对比度;逐像素的Z谱相减提取成像信号即得到乳腺区域的酰胺质子饱和转移成像。
作为优选的,所述Z谱相减提取成像信号采用如下公式:
所述鉴别模块的具体操作如下:
步骤1、通过常规肿瘤检查中T1结构成像对病灶区进行半自动分割,分别对肿瘤的肿周水肿区域与肿瘤实质区域进行勾画;
步骤2、将肿瘤实质区域掩膜应用在图像重建模块所获得的酰胺质子饱和转移成像中,随后计算该区域中所有体素平均的酰胺质子饱和转移成像对比度,并以此作为乳腺肿瘤良恶性鉴别标准;所得成像对比度的高低对应肿瘤恶性怀疑度高低。
进一步地,本发明系统的具体操作流程如下:
步骤1:乳腺生理环境及病理环境背景参考Z谱仿真。
在磁共振化学交换饱和转移成像(Chemical exchange saturation transfer,CEST)中,频率选择性饱和脉冲导致水信号衰减主要来源于直接饱和(Direct Saturation,DS)效应、磁化强度转移(Magnetization transfer, MT)效应、不同交换位点的CEST效应以及核奥氏增强(Nuclear Overhauser enhancement, NOE)效应。对于每个体素而言,不同的饱和频率下剩余归一化水信号的强度形成了Z谱。其中,我们设定从每个Z谱中去除CEST效应及NOE效应影响的为背景参考Z谱。
对影响乳腺区域正常组织及病理组织的背景参考Z谱的参数在所有生理及病理范围中进行组合遍历,同时给定Z谱随着水峰在体部磁共振主磁场变化范围内随机偏移从而模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集;双池布洛赫方程如下:
其中,分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量,是射频脉冲辐照幅度,是射频脉冲偏照频率,双池中弛豫率和支配纵向磁化矢量的恢复,分别为双池的横向弛豫率,两池间磁化矢量交换率用表示;
通过此方程,根据人体部乳腺及周边组织生理参数,以及肿瘤病变组织参数的先验知识的范围,可以得到所有可能情况的背景参考Z谱。
参数覆盖范围见下表:
表1 乳腺仿真背景参考Z谱遍历的磁共振参数信息
步骤2:通过机器学习训练乳腺背景参考Z谱模型。
对于每个模拟的背景参考Z谱,将频率偏移避开酰胺质子(δ3.5)、氨基质子(δ2.0)、羟基质子(δ1.0)的化学交换饱和转移效应与脂质质子(δ-2~δ-5)的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用Levenberg-Marquardt算法对神经网络进行训练,得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络;
步骤3:图像采集。
本实施例的临床数据均通过3T磁共振成像系统(Ingenia CX 3.0T,飞利浦医疗,荷兰)采集完成。人体乳腺实验采用特制的乳腺线圈。实验均采用CEST-FSE序列,扫描参数如下:视野(FOV) = 302 × 380 mm2,矩阵大小 = 280 × 352,重复时间(TR) = 1400ms,回波时间(TE) = 6.8ms,视野(FOV) = 150 × 150 mm2,层厚 = 7mm,单层,矩阵大小 =150 × 150,回波链长度 = 31,并行成像加速因子 = 1.6,接收带宽为每像素320Hz。CEST饱和模块采用双射频激发,射频脉冲强度为1μT,总时长为2s。整个扫描流程共施加32个射频频率偏移点,其相对水质子共振的频率顺序为-10、10、-8、8、-6、6、-5、5、-4.5、4.5、-4、4、-3.75、3.75、-3.5、3.5、-3.25、3.25、-3、3、-2.5、2.5、-2、2、-1.5、1.5、-1、1、-0.5、0.5、0ppm,另外采集一次未施加CEST饱和脉冲的图像作为参考成像。
作为对比,采集双回波梯度回波图像计算得到主磁场B0图,其扫描参数为:视野(FOV) = 302 × 380 mm2,矩阵尺寸 = 280 × 352,重复时间(TR) = 45ms,第一个回波的时间(TE1) = 4.6ms, 第二个回波的时间 (TE2) = 6.9ms,翻转角 = 10°,层面位置与CEST-FSE序列一致。
步骤4:图像重建。
将步骤3采集的图像数据通过步骤2所得到的多层前馈式神经网络进行图像重建:
4.1:当采集到每个射频频率偏移位置的数据点后,先通过参考扫描的图像进行归一化,再进行三次样条插值后绘制成原始的Z谱;
4.2:对Z谱中值最低的3个点取出进行分析,通过与最低点距离的比值得到初步的主磁场偏移量,并进行初步的矫正;
4.3:将δ-9.5、δ-9、δ-8.5、δ-8、δ-7.5、δ-1.5、δ-1、δ-0.5、δ7.5、δ8、δ8.5、δ9和δ9.5(其中δ表示ppm,即为百万分之一)对应的归一化水信号数据输入到步骤2所建立的模型中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正预处理的Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
4.4:将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应的交换点(δ3.5)相减后得到酰胺质子饱和转移成像对比度;逐像素的Z谱相减提取成像信号即得到乳腺区域的酰胺质子饱和转移成像;所述Z谱相减提取逐像素的成像信号采用的公式如下:
步骤5:病灶区对比度信息提取及乳腺肿瘤良恶性鉴别。
本次实施例共计采集了8例乳腺肿瘤患者的胸部磁共振成像数据,其中可同时获得患病侧与正常测的数据。采集时间均在手术治疗前,且未经过任何手术治疗。在后续手术治疗中,采取冷冻切片技术以确定肿瘤的良恶性。
5.1:利用医学影像查看软件导入检查中常规T1(一种磁共振成像检查中的常规模态,常规检查的序列,即为磁共振常规检查得到的一种影像)结构成像序列对乳腺或病灶进行感兴趣区域(Region of interest, ROI)勾画,图3展示了某一病人影像病灶区域与对侧正常乳腺ROI勾画图。
5.2:通过ITK-SNAP软件将勾画的ROI映射到酰胺质子饱和转移成像中,使用软件计算ROI中每个像素的酰胺质子饱和转移对比度均值,作为该区域的乳腺病灶良恶性鉴别标准。如所得成像对比度较高,说明具有更多得游离小分子蛋白,说明肿瘤代谢活跃度较高,临床恶性怀疑度应更高。在此,酰胺质子饱和转移对比度小于5的病灶为良性肿瘤的概率较大,且酰胺质子饱和转移对比度值越低良性的可能性越大;酰胺质子饱和转移对比度大于等于5的病灶为恶性肿瘤的概率较大,且酰胺质子饱和转移对比度值越高恶性的可能性越大。
5.3:将不同组织后续手术冷冻切片的病理结果与本发明中使用分离式酰胺质子饱和转移对比度的结果进行比较,对比结果如图4所示。
其中,对通过传统非对称性分析获得的对比度(MTR)进行观察,发现良性肿瘤的MTR指标虽低于恶性肿瘤,但效果并不明显,同时存在与活检结果不匹配的数据,这是因为传统方法容易受到水肿信号及脂肪信号的干扰。而通过本发明得到的基于分离式定量酰胺质子饱和转移成像的方法所得到的对比度指标(APT)进行比较,可以发现良性肿瘤对应的指标远低于恶性肿瘤对应的指标,以5%作为良恶性的划分标准准确度较好,且肿瘤的恶性程度越高则对比度越高。这说明本发明所提出的基于分离式定量酰胺质子饱和转移成像的乳腺肿瘤良恶性判断方法可以很好地对乳腺肿瘤的良恶性进行鉴别,同时可以极大程度地规避脂肪信号与水肿信号所带来的干扰。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:包括如下模块:
背景参考Z谱仿真模块:通过化学交换饱和转移的数值仿真方法对乳腺生理环境及病理环境背景参考Z谱进行仿真;
预测模型训练模块:根据背景参考Z谱仿真模块的仿真结果,采用机器学习的方法进行训练,得到乳腺区域背景参考Z谱的预测模型;
图像采集模块:使用化学交换饱和转移磁共振序列采集磁共振成像系统中的乳腺影像数据;
水峰偏移预矫正模块:通过乳腺影像的磁共振数据形成原始Z谱,通过其形态数值计算对原始Z谱所受到水峰偏移影响进行矫正,得到预矫正Z谱;
图像重建模块:用于将采集的乳腺影像数据逐像素的通过训练好的预测模型进行背景参考Z谱预测,得到乳腺区域每个像素的酰胺质子饱和转移率,进行重建得到分离式定量化学交换饱和转移成像;
鉴别模块:通过对肿瘤成像中肿瘤病灶区域进行半自动分割,并自动标记肿周水肿及肿瘤实质区域,对其实质区域中分离式化学交换饱和转移成像对比度信息提取并进行乳腺肿瘤良恶性鉴别。
2.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述背景参考Z谱的构建方法具体为:每个体素不同的饱和频率下剩余归一化水信号的强度形成Z谱,从每个Z谱中去除化学交换饱和转移成像效应及核奥氏增强效应影响,形成背景参考Z谱。
3.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述背景参考Z谱仿真模块的具体操作如下:对影响乳腺区域正常组织及病理组织的背景参考Z谱的参数在所有生理及病理范围中进行组合遍历,同时给定Z谱随着水峰在体部磁共振主磁场变化范围内随机偏移从而模拟主磁场偏移,通过双池布洛赫方程仿真得到涵盖生理环境中存在的所有情况的背景参考Z谱集。
4.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述预测模型训练模块具体操作如下:对于每个模拟的背景参考Z谱,将频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号作为模型训练输入,将整个背景参考Z谱以及自由水池化学位移偏移量作为模型的训练输出;采用机器学习的方法进行训练,得到由S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络模型,即为乳腺区域背景参考Z谱的预测模型。
5.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述图像采集模块的具体操作如下:使用化学交换饱和转移磁共振序列在磁共振成像系统中使用不同频率的饱和射频照射采集模图信息,额外采集一个没有饱和射频照射的条件下的参考图像。
6.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述水峰偏移预矫正模块的具体操作如下:
步骤1、根据图像采集模块采集到的每个射频频率偏移位置的数据点信息,通过参考扫描的图像进行归一化,再进行插值后绘制成原始的Z谱;
步骤2、对Z谱中值最低的M个点取出进行分析,对非最低的M-1个点的归一化水信号与最低点处归一化水信号计算得到差值;
步骤3、对位于Z谱左侧点的差值与右侧点的差值分别求得均值,通过两个均值的比值乘以两侧点在Z谱中的频率差可以得到初步的主磁场偏移量,并进行初步的原始Z谱矫正,得到预矫正Z谱。
7.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述图像重建模块具体操作如下:
步骤1、逐像素的将预矫正Z谱中频率偏移避开乳腺化学交换饱和转移效应与脂质质子的核奥氏增强效应交换点位置的归一化水信号数据输入到预测模型训练模块所建立的预测模型中进行预测,得到背景参考Z谱与自由水的水峰偏移量,随后用自由水的水峰偏移量来矫正预处理的Z谱与背景参考Z谱,得到矫正后的原始Z谱与背景参考Z谱;
步骤2、将矫正后的背景参考Z谱与矫正后的通过磁共振成像采集得到的Z谱在酰胺质子饱和转移效应的交换点相减后得到酰胺质子饱和转移成像对比度;逐像素的Z谱相减提取成像信号即得到乳腺区域的酰胺质子饱和转移成像。
9.如权利要求1所述的基于分离式定量APT成像的乳腺肿瘤辨别系统,其特征在于:所述鉴别模块的具体操作如下:
步骤1、通过常规肿瘤检查中T1结构成像对病灶区进行半自动分割,分别对肿瘤的肿周水肿区域与肿瘤实质区域勾画;
步骤2、将肿瘤实质区域掩膜应用在图像重建模块所获得的酰胺质子饱和转移成像中,随后计算该区域中所有体素平均的酰胺质子饱和转移成像对比度,并以此作为乳腺肿瘤良恶性鉴别标准;所得成像对比度的高低对应肿瘤恶性怀疑度高低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276609.2A CN115349847B (zh) | 2022-10-19 | 2022-10-19 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276609.2A CN115349847B (zh) | 2022-10-19 | 2022-10-19 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115349847A true CN115349847A (zh) | 2022-11-18 |
CN115349847B CN115349847B (zh) | 2023-01-31 |
Family
ID=84008491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276609.2A Active CN115349847B (zh) | 2022-10-19 | 2022-10-19 | 基于分离式定量apt成像的乳腺肿瘤辨别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115349847B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
CN104997511A (zh) * | 2015-06-01 | 2015-10-28 | 中国科学院深圳先进技术研究院 | 用于磁共振化学交换饱和转移成像的cestr测量方法和系统 |
CN105030201A (zh) * | 2015-07-27 | 2015-11-11 | 浙江大学 | 基于静态区域信息的扫频oct数字相位矫正方法与系统 |
US20190011516A1 (en) * | 2017-07-05 | 2019-01-10 | The General Hospital Corporation | System and method for direct saturation-corrected chemical exchange saturation transfer (disc-cest) |
CN110706199A (zh) * | 2019-08-29 | 2020-01-17 | 西北大学 | 基于伪佛克脱线型的z谱拟合方法及cest mri量化方法 |
CN111712718A (zh) * | 2018-01-12 | 2020-09-25 | 皇家飞利浦有限公司 | 根据b0参考扫描和wassr扫描的场图 |
CN111837047A (zh) * | 2018-01-12 | 2020-10-27 | 皇家飞利浦有限公司 | 用于在化学交换饱和转移磁共振成像中的脂肪-水分离的单点dixon方法 |
US20210215782A1 (en) * | 2018-05-29 | 2021-07-15 | Koninklijke Philips N.V. | Motion detection in cest magnetic resonance imaging based on z-spectrum analysis |
CN113171076A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于外插磁化转移信号的cest数据拟合方法、装置及介质 |
CN113777543A (zh) * | 2021-07-27 | 2021-12-10 | 华东师范大学 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
-
2022
- 2022-10-19 CN CN202211276609.2A patent/CN115349847B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
CN104997511A (zh) * | 2015-06-01 | 2015-10-28 | 中国科学院深圳先进技术研究院 | 用于磁共振化学交换饱和转移成像的cestr测量方法和系统 |
CN105030201A (zh) * | 2015-07-27 | 2015-11-11 | 浙江大学 | 基于静态区域信息的扫频oct数字相位矫正方法与系统 |
US20190011516A1 (en) * | 2017-07-05 | 2019-01-10 | The General Hospital Corporation | System and method for direct saturation-corrected chemical exchange saturation transfer (disc-cest) |
CN111712718A (zh) * | 2018-01-12 | 2020-09-25 | 皇家飞利浦有限公司 | 根据b0参考扫描和wassr扫描的场图 |
CN111837047A (zh) * | 2018-01-12 | 2020-10-27 | 皇家飞利浦有限公司 | 用于在化学交换饱和转移磁共振成像中的脂肪-水分离的单点dixon方法 |
US20200348382A1 (en) * | 2018-01-12 | 2020-11-05 | Koninklijke Philips N.V. | Single-point dixon method for fat-water separation in chemical exchange saturation transfer magnetic resonance imaging |
US20210215782A1 (en) * | 2018-05-29 | 2021-07-15 | Koninklijke Philips N.V. | Motion detection in cest magnetic resonance imaging based on z-spectrum analysis |
CN110706199A (zh) * | 2019-08-29 | 2020-01-17 | 西北大学 | 基于伪佛克脱线型的z谱拟合方法及cest mri量化方法 |
CN113171076A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于外插磁化转移信号的cest数据拟合方法、装置及介质 |
CN113777543A (zh) * | 2021-07-27 | 2021-12-10 | 华东师范大学 | 基于神经网络拟合的化学交换饱和转移成像后处理方法 |
Non-Patent Citations (4)
Title |
---|
HOONJAE LEE等: "Model-Based Chemical Exchange", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
LIHONG ZHANG等: "Enhanced CEST MRI Using the Residual of Inversed Z-Spectra for Ischemia Detection", 《IEEE ACCESS》 * |
王志超等: "基于神经网络拟合的腹部化学交换饱和转移成像", 《波谱学杂志》 * |
贾绚等: "酰胺质子转移成像的临床研究进展", 《中国医疗器械杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115349847B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106716167B (zh) | 用于评估结构空间频率的基于选择性采样磁共振的方法 | |
JP2022544229A (ja) | オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション | |
Zheng et al. | Magnetic resonance–based automatic air segmentation for generation of synthetic computed tomography scans in the head region | |
US9980704B2 (en) | Non-invasive image analysis techniques for diagnosing diseases | |
US8326400B2 (en) | Method of MR imaging | |
US8965089B2 (en) | Method of analyzing a medical image | |
TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
Li et al. | Virtual contrast-enhanced magnetic resonance images synthesis for patients with nasopharyngeal carcinoma using multimodality-guided synergistic neural network | |
CN109242866B (zh) | 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统 | |
Wong et al. | A comparison of peripheral imaging technologies for bone and muscle quantification: a review of segmentation techniques | |
CN115349847B (zh) | 基于分离式定量apt成像的乳腺肿瘤辨别系统 | |
Li et al. | Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion | |
Rajeev et al. | A review on magnetic resonance spectroscopy for clinical diagnosis of brain tumour using deep learning | |
CN116473592A (zh) | 一种用超声定位显微镜评估乳腺癌新辅助化疗疗效的方法 | |
US9788795B2 (en) | Magnetic resonance imaging method | |
Gu et al. | Cross-modality image translation: CT image synthesis of MR brain images using multi generative network with perceptual supervision | |
CN114544689A (zh) | 测量水分子跨细胞膜流出速率的方法及应用、胶质瘤磁共振影像学标志物的测量方法及系统 | |
Ampeliotis et al. | Computer aided detection of prostate cancer using fused information from dynamic contrast enhanced and morphological magnetic resonance images | |
Laruelo et al. | Spatio‐spectral regularization to improve magnetic resonance spectroscopic imaging quantification | |
Yousefi et al. | A fully automated segmentation of radius bone based on active contour in wrist MRI data set | |
US20230255506A1 (en) | Magnetic Resonance Imaging | |
Nissan | Development and Applications in Breast and Pancreatic MRI: Tools for Investigating Structural and Physiological Features of Neoplastic Tissue | |
Naik et al. | Brain Tumor De-noising MRI Image and Superpixel SLIC segmentation | |
Litjens | Computerized detection of cancer in multi-parametric prostate MRI | |
CN118330529A (zh) | 一种快速磁共振成像和图像重建方法 |
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 |