CN116309355A - 用于脑影像图像的冗余信息处理方法、装置及存储介质 - Google Patents
用于脑影像图像的冗余信息处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116309355A CN116309355A CN202310124409.3A CN202310124409A CN116309355A CN 116309355 A CN116309355 A CN 116309355A CN 202310124409 A CN202310124409 A CN 202310124409A CN 116309355 A CN116309355 A CN 116309355A
- Authority
- CN
- China
- Prior art keywords
- brain
- template
- region
- interest
- image
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 493
- 230000010365 information processing Effects 0.000 title claims abstract description 69
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 41
- 230000003925 brain function Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 description 29
- 239000011159 matrix material Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000000844 transformation Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 210000004885 white matter Anatomy 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 206010020649 Hyperkeratosis Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 210000001638 cerebellum Anatomy 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002598 diffusion tensor imaging Methods 0.000 description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000004727 amygdala Anatomy 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000001159 caudate nucleus Anatomy 0.000 description 2
- 210000003198 cerebellar cortex Anatomy 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 210000001905 globus pallidus Anatomy 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000001009 nucleus accumben Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000002637 putamen Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000001073 episodic memory Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 210000004055 fourth ventricle Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000000211 third ventricle Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30—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)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质，属于医学图像处理领域。该冗余信息处理方法包括以下步骤：确定受试者的脑影像图像与脑模板之间的空间映射关系；标记所述脑模板以获得标记有感兴趣区域和非感兴趣区域的第一脑模板；基于该空间映射关系将该第一脑模板投射至该受试者的脑影像图像的个体脑空间中，以获得位于该个体脑空间的第二脑模板；基于该第二脑模板去除该受试者的脑影像图像的该非感兴趣区域。本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质能够快速、便捷且无需人工干预即可去除脑影像图像中的非感兴趣区域。
Description
相关申请的交叉引用
本申请要求于2023年1月31日提交的在先申请202310047180.8的优先权，这些申请通过引用全文并入本文。
技术领域
本发明涉及医学图像处理领域，特别涉及一种用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)是利用核磁共振原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。在脑部的科学研究场景和脑疾病的临床数据处理场景中，对脑部磁共振成像图像重建得到脑部的三维结构是一种常见的图像预处理手段。通过预处理后的图像可以进一步进行科研或者临床数据分析。
但是，大多数脑部磁共振成像图像会包含一些除了感兴趣区域(例如，整个脑部区域)之外的其他区域(例如，颈部)。而这些多余区域是图像重建中的冗余信息(例如，非感兴趣区域)，这些冗余信息使得在重建过程中计算量增大，进而造成计算机开销大、耗时长，同时由于这些冗余信息的存在还增大了脑部结构重建失败的风险。
因此，确有必要提供一种在脑部图像结构重建之前能够快速、准确去除非感兴趣区域的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质。
发明内容
为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明提供了一种用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质，能够至少部分地实现减少图像重建过程中对冗余信息的处理、能够快速且准确地去除图像中的非感兴趣区域。所述技术方法如下：
根据本发明的一个方面，提供了一种用于脑影像图像的冗余信息处理方法，所述冗余信息处理方法包括以下步骤：
确定受试者的脑影像图像与初始脑模板之间的空间映射关系；
标记所述初始脑模板以获得标记有感兴趣区域和非感兴趣区域的第一脑模板；
基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，以获得位于所述个体脑空间的第二脑模板；
基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
具体地，将所述第一脑模板进行膨胀处理以扩大所述第一脑模板的边缘中的所述感兴趣区域并获得扩大的第一脑模板，
所述受试者的脑影像图像基于所述空间映射关系将所述扩大的第一脑模板投射到所述个体脑空间中，以获得位于所述个体脑空间的第二脑模板。
优选地，边缘中的感兴趣区域扩大的体素范围为1～3个体素。
进一步地，确定所述空间映射关系的方法为刚性配准方法，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域。
具体地，确定所述空间映射关系的方法为非线性配准方法，
所述初始脑模板为具有脑功能分区的模板，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域，或
所述感兴趣区域为感兴趣的脑功能区，非感兴趣区域为除感兴趣的脑功能区以外的其他区域。
具体地，确定所述空间映射关系的方法为非线性配准方法，
所述初始脑模板为具有脑结构分区的模板，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域，或
所述感兴趣区域为感兴趣的脑结构区，非感兴趣区域为除感兴趣的脑结构区以外的其他区域。
具体地，所述受试者的脑影像图像为灰度值脑影像图像，所述灰度值脑影像图像通过不同的灰度值标记不同的组织，以确定受试者的脑影像图像中的非感兴趣区域。
进一步地，所述空间映射关系为至少一个自由度的空间映射关系，
所去除的所述非感兴趣区域为基于对应自由度的空间映射关系和对应自由度的第二脑模板所去除的区域，
所述第一脑模板的非感兴趣区域与所述受试者的脑影像图像的非感兴趣区域彼此一一对应。
根据本发明的另一方面，提供了一种存储介质，其中，
所述冗余信息处理装置包括：
配准模块，所述配准模块被配置成用于确定受试者的脑影像图像与初始脑模板之间的空间映射关系；
标记模块，所述标记模块被配置成用于标记初始脑模板中的感兴趣区域和非感兴趣区域并生成第一脑模板；
模板调整模块，所述模板调整模块被配置成用于基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，并生成位于所述个体脑空间的第二脑模板；和
冗余信息处理模块，所述冗余信息处理模块被配置成用于基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
具体地，所述冗余信息处理装置还包括：
形态学处理模块，所述形态学处理模块被配置成用于将所述第一脑模板进行膨胀处理以扩大所述第一脑模板的边缘中的所述感兴趣区域并生成扩大的第一脑模板，所述扩大的第一脑模板作为所述模板调整模块的输入。
根据本发明的还一方面，提供了一种存储介质，其中，
所述存储介质上存储程序或指令，所述程序或指令被处理器执行时以执行上述的用于脑影像图像的冗余信息处理方法。
根据本发明实施例的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质具有以下优点中的至少一个：
(1)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质能够快速、便捷且无需人工干预即可去除脑影像图像中的非感兴趣区域；
(2)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质所得到的第二脑模板能够完全框住受试者的整个感兴趣区域(例如，整个脑部区域)，使得非感兴趣区域能够被准确地去除，从而保证了感兴趣区域的完整性；
(3)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质图像适用于不同受试者的脑影像处理，也适用于大量形态迥异的脑影像处理。
附图说明
本发明的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的用于脑影像图像的冗余信息处理方法的流程图；
图2是图1所示的初始脑模板与受试者的脑影像图像位于不同的图像空间中无法重叠的效果示意图；
图3是图1所示的第一脑模板中的感兴趣区域的效果示意图；
图4是图3所示的第一脑模板中的感兴趣区域的边缘经膨胀处理后的效果示意图；
图5是第二脑模板与受试者的脑影像图像位于同一空间坐标系下的效果示意图；
图6是图5所示的第二脑模板基于空间映射关系投射至个体脑空间中与受试者的脑影像图像重叠的效果示意图；
图7是图1所示的受试者的脑影像图像基于第二脑模板去除非感兴趣区域后的图像的效果示意图；
图8是图1所示用于脑影像图像的冗余信息处理装置的结构示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种限制。
近年来，在脑部的科学研究场景和脑疾病的临床数据处理场景中，通常需要对脑部磁共振成像图像进行图像重建以得到脑部三维结构。而脑部三维结构中带有丰富的信息，这些信息非常有助于对脑部的科学研究和临床数据分析。
但是，大多数脑部磁共振成像图像会包含一些冗余信息(例如，非感兴趣区域)，这些冗余信息的存在增大了脑部结构重建失败的风险。如果采用人工逐步分析的方式去除是非常耗时费力的，尤其针对既包含感兴趣区域同时也包含非感兴趣区域的部分，逐层分析去除不仅耗时费力，而且效果也极为不好，常常会保留较多的非感兴趣区域，或者会去除较多的感兴趣区域，使得需要的有用信息同时被去除。
同时，由于采用人工逐步分析的方式去除非感兴趣区域非常地耗时，这也大大拖延了整个用于科学研究或者临床分析的数据分析时间，而对于急需得到数据分析结果的某些科学研究或者某些临床分析是非常不利的。
由此，我们提出了一种用于脑影像图像的冗余信息处理方法。本文中所使用的术语“脑影像图像”应当广义地理解为为了医疗或医学研究，对脑部以非侵入方式取得的内部组织影像图像。
脑部影像图像包括采集脑部的医学影像图像，具体包括解剖成像图像和功能成像图像。解剖成像图像包括X射线摄影(Digital Radiography，DR)成像图像、电子计算机断层扫描(Computed Tomography，CT)成像图像、超声成像(Ultrasound，US)图像、磁共振成像(Magnetic Resonance Imaging，MRI)图像、内窥镜成像图像以及数字减影血管造影(Digital Subtraction Angiography，DSA)图像。功能成像图像包括正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)图像、单光子发射计算机断层成像(Single-Photon Emission Computed Tomography，SPECT)图像、功能性磁共振成像(functional magnetic resonance imaging，FMRI)图像。
优选地，脑部的医学影像图像包括CT图像、MRI图像和FMRI图像。具体地，MRI图像可以为T1加权成像(T1 weighted imaging，T1WI)图像、T2加权成像(T2 weightedimaging，T2WI)图像、弥散加权成像(Diffusion Weighted Imaging，DWI)图像、弥散张量成像(Diffusion Tensor Imaging，DTI)图像和/或灌注成像图像。
本文中所使用的术语“数据”应当被广义地理解为连续的模拟数据，例如图形、图像、音频、视频等；也可以是离散的数字数据，例如符号、文字等。
本文中所使用的术语“脑模板”应当被广义地理解为是通过将正常人大脑皮层表面进行平均得到的具有代表性的大脑结构或者特性分布。
本文中所使用的术语“脑部影像结构重建”应当被广义地理解为通过脑部成像技术获得多维影像数据，之后将该多维影像数据利用计算机软件进行分析和处理以重建脑部的三维结构。
参见图1，其示出了根据本发明一个实施例的用于脑影像图像的冗余信息处理方法100。该冗余信息处理方法包括以下步骤：
确定受试者的脑影像图像与初始脑模板之间的空间映射关系；
标记所述初始脑模板以获得标记有感兴趣区域和非感兴趣区域的第一脑模板；
基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，以获得位于所述个体脑空间的第二脑模板；
基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
在一个实施例中，确定受试者的脑影像图像与脑模板之间的空间映射关系可以通过配准方法将初始脑模板配准到受试者的脑影像图像所在的空间中。所述配准为将初始脑模板通过空间变换映射至受试者的脑影像图像的个体脑空间中，使得它们在个体脑空间中的同一位置的点能够一一对应起来，从而达到彼此信息融合的目的。
如图2所示，将初始脑模板与受试者的脑影像图像放置于同一坐标系下，它们并不能相互重叠，这是由于它们并不位于同一图像空间中。本示例仅示出了初始脑模板和受试者的脑影像图像的三维图像中的一个二维截面，此示例仅是一种说明性示例，不应当理解为对本发明的一种限制。在实际应用中，初始脑模板和受试者的脑影像图像均为三维图像(例如，三维矩阵)。也就是说，初始脑模板和受试者的脑影像图像在不投射至同一空间的情况下，它们在各个方向上都会存在着无法重叠的现象。
在一个示例中，配准方法为刚性配准方法。将初始脑模板通过刚性配准方法配准至受试者的脑影像图像(即，个体脑影像图像)所在的个体脑空间中。所述刚性配准方法为将配准过程中，将初始脑模板通过平移、旋转、刚体变换、仿射变换、旋转变换、错切变换等至少一种线性变换方式映射至所述个体脑空间中。优选地，在刚性配准过程中采用仿射变换将初始脑模板映射至个体脑空间中，并得到刚性变换的空间映射关系(例如，空间变换矩阵)。
在一个示例中，个体脑影像图像为个体水平的脑部影像图像，即不同的受试者在单次医学扫描(例如，磁共振成像扫描、CT扫描、超声成像扫描)时得到的影像数据。个体脑空间为个体脑所在的图像空间。
所述感兴趣区域为脑部区域，也可以为脑部中任意一个部分。例如，整个大脑和/或整个小脑、整个脑部、任意一个结构区、任意一个功能区、多个结构区的组合或者多个功能区的组合等。所述非感兴趣区域为非脑部区域，即为图像中的冗余信息，例如除整个大脑以外的其他区域和/或除整个小脑以外的其他区域、除整个脑部以外的其他区域(例如，颈部)。
例如，将初始脑模板的T1图像的三维矩阵A1(256，256，256)通过刚性配准至受试者的脑影像图像的个体脑空间中，该受试者的脑影像图像为三维矩阵B1。通过刚性配准得到了A1与B1的空间变换关系C1，该空间变换关系C1为4×4的二维矩阵。在将初始脑模板A1配准至受试者的脑影像图像B1的个体脑空间中时，通过检测两个三维矩阵的边缘区域，并在12个自由度上将两个三维矩阵对齐，从而实现了A1与B1之间的配准。
空间映射关系的确定为后续仅基于对初始脑模板的感兴趣区域和非感兴趣区域的位置标记就可以准确地去除个体脑上的非感兴趣区域做好了铺垫，使仅需针对每个受试者计算其脑影像图像与本发明所配置的脑模板之间的空间映射关系，并结合本发明的所配置的第一脑模板(将在下文详述)或第二脑模板(将在下文详述)就能够高效快捷准确且无需人工干预即可去除个体脑上的非感兴趣区域成为了可能。
也就是说，在具有本发明所提供的第一脑模板或第二脑模板的情况下，对于不同的受试者仅需要计算空间映射关系(例如，空间变换矩阵)即可实现非感兴趣区域的去除，由此大大减少了计算量，降低了计算机开销，并缩短了图像处理时间。
在一个示例中，空间映射关系可以是6个自由度上的空间映射关系，例如在解剖学空间坐标体系(例如，右手坐标系RAS)中，沿人体上下、左右和前后三轴分别进行平移、错切和缩放中的任意两种变换(即，每个轴2个自由度上的变换)。例如每个轴均进行平移和旋转变换。
在一个示例中，空间映射关系还可以是9个自由度上的空间映射关系，即沿人体上下、左右和前后三轴分别进行旋转、平移、错切和缩放中的任意三种变换(即，每个轴3个自由度上的变换)，例如每个轴均进行旋转、平移和错切变换。
在一个示例中，空间映射关系还可以是12个自由度上的空间映射关系，即沿人体上下、左右和前后三轴分别进行旋转、平移、错切和缩放变换(即，每个轴4个自由度上的变换)。
在一个示例中，还可以将空间映射关系设置成在任意一个轴上进行1个自由度的变换、也可以在任意一个轴上进行3个或4个自由度的变换，当然还可以在三个轴上分别进行1个自由度的变换。
在一个示例中，受试者的脑影像图像为灰度值脑影像图像，所述灰度值脑影像图像通过不同的灰度值来表示不同的组织以确定受试者的脑影像图像中的非感兴趣区域。例如，不同的组织可以为脑部的灰质、白质、脑脊液、颈部等分别采用不同的灰度值来表示，还可以为不同的脑结构区分别采用不同的灰度值来表示，还可以为不同的脑功能区分别采用不同的灰度值来表示。
在一个示例中，配准方法为非线性配准。将初始脑模板通过非线性配准方法配准至受试者的脑影像图像(即，个体脑影像图像)所在的个体脑空间中。所述非线性配准为将初始脑模板通过非线性转换映射至脑影像图像的个体脑空间中。非线性转换包括扭曲变形，局部非线性缩放等。
在一个示例中，初始脑模板可以为整个脑部的三维模板，还可以为大脑的三维模板，还可以为小脑的三维模板，当然也可以为脑部的某个/某些结构区的三维模板，还可以为脑部的某个/某些功能区的模板，还可以是群体受试者的脑影像模板。
在一个示例中，初始脑模板为整个脑部的模板时，可以为MNI152脑模板、MNI305Atlas脑模板或者Talairach Atlas脑模板。其中，MNI152脑模板是一种用于医学影像成像的脑部模型。它的名字中的152是指该模板是基于152个正常人大脑皮层表面进行平均得到的具有代表性的大脑结构的模型。MNI152脑模板包括MNI152Lin脑模板、MNI152NLin6Sym脑模板、MNI152NLin2009脑模板等。
当基于整个脑模板去除脑部以外其他区域(例如，颈部)的图像时，可以采用刚性配准方法进行配准，这是由于刚性配准方法在配准过程中较为注重边缘对齐，因此使用刚性配准可以快速准确地实现初始脑模板与受试者的脑影像图像边缘对齐。当基于脑部的某个/某些结构区或某个/某些功能区去除其中非感兴趣的部分的图像时，可以采用刚性配准方法进行配准。非感兴趣区域可以为某个区中的某部分(例如，灰质、白质、脑脊液等)或者某些区中的某一个结构区或功能区。
当基于整个脑模板去除脑部中的某个/某些结构区时，可以采用具有结构分区的脑模板通过非线性配准方式配准。当基于整个脑模板去除脑部中的某个/某些功能区时，可以采用具有功能分区的脑模板通过非线性配准方式配准。这是由于非线性配准能够实现初始脑模板与受试者的脑影像图像中对应的结构区边缘的精细配准、对应的功能区边缘的精细配准。
脑部的结构区包括左侧脑室、左侧脑室下角(颞角)、右侧脑室、右侧脑室下角(颞角)、第三脑室、第四脑室、第五脑室、左侧小脑半球白质、左小脑皮质、右侧小脑半球白质、右小脑皮质、左侧丘脑、右侧丘脑、侧尾状核、右侧尾状核、左侧壳核、右侧壳核、左侧苍白球、右侧苍白球、脑干、左侧海马、右侧海马、左侧杏仁核、右侧杏仁核、脑脊液、左侧伏隔核、右侧伏隔核、左腹侧间脑、右腹侧间脑、左侧脉络丛、右侧脉络丛、左侧血管、右侧血管、白质低信号、灰质低信号、视交叉、胼胝体后部、胼胝体中后部、胼胝体中部、胼胝体中前部、胼胝体前部等。
脑部的功能区包括情景记忆内顶网络、外侧视觉网络、内侧视觉网络、腹侧注意网络A、腹侧注意网路B、背侧注意网络A、背侧注意网络B、语言网络B、语言网络A、颞叶边缘网络、额叶边缘网络、执行控制网络A、执行控制网络B、上肢感觉运动区、下肢感觉运动区、面部感觉运动区等。
在一个实施例中，将初始脑模板中的感兴趣区域标记为1，且使脑模板的感兴趣区域与受试者的脑影像图像的感兴趣区域彼此一一对应。同时将脑模板的非感兴趣区域标记为0，且使脑模板的非感兴趣区域与所述受试者的脑影像图像的非感兴趣区域彼此一一对应，由此形成了感兴趣区域和非感兴趣区域均与受试者的感兴趣区域和非感兴趣区域一一对应的第一脑模板。通过这样一一对应的设计，使第一脑模板的非感兴趣区域与受试者的脑影像图像的非感兴趣区域之间建立了间接的联系，进而可以基于这种间接的联系并结合它们之间的空间映射关系，使得在图像处理过程中能够快捷准确地去除受试者的脑影像图像中的非感兴趣区域。
本领域技术人员可以根据需要存储不同需求的第一脑模板，在使用时根据对应的需求进行选取。例如将整个脑部R标记为感兴趣区域，将脑部以外的其他区域R’标记为非感兴趣区域，之后将该模板存储为第一脑模板R，也可以称为第一脑模板R’。还可以将脑部中的某个或某些结构区/功能区S(例如，病变区域、反射行为所对应的脑区或者其他感兴趣的脑区等)标记为感兴趣区域，将剩余的区域S’标记为非感兴趣区域，之后将该模板存储为第一脑模板S，也可以称为第一脑模板S’。在使用时，仅需要根据受试者的脑影像图像中待需要去除的区域来确定和直接选用对应的那一种模板，例如第一脑模板R或者第一脑模板S，之后建立初始脑模板或者所选取的第一脑模板与受试者的脑影像图像之间的空间映射关系，就可以基于该所选取的第一脑模板快捷准确地去除受试者的脑影像图像中的脑部以外区域。
在一个示例中，第一脑模板可以是整个脑部的脑模板，例如MNI152脑模板。标记感兴趣区域和非感兴趣区域的方法可以为：当对受试者的脑影像图像中的感兴趣区域为整个脑部时，将该脑模板中整个脑部全部标记为1，其余部分标记为0，由此建立了第一脑模板与受试者的脑影像图像的感兴趣区域之间一一对应的关系，以及非感兴趣区域之间的一一对应关系，这样的一一对应关系为后续能够准确去除受试者的脑影像图像中非感兴趣区域做好了准备。当对受试者的脑影像图像中的感兴趣区域为结构区Y时，可以选择具有结构分区的初始脑模板，之后将该初始脑模板中与结构区Y对应的区域标记为1，其余区域标记为0，由此得到了第一脑模板，通过第一脑模板建立了与受试者的感兴趣区域和非感兴趣区域的一一对应关系。当对受试者的脑影像图像中的感兴趣区域为功能区X时，可以选择具有功能分区的初始脑模板，之后将该初始脑模板中与功能区X对应的区域标记为1，其余区域标记为0，由此得到了第一脑模板，通过第一脑模板建立了与受试者的感兴趣区域和非感兴趣区域的一一对应关系。
在一个示例中，标记感兴趣区域和非感兴趣区域的方法还可以为：首先，选择初始脑模板为群体受试者的原始脑影像模板并统计该原始脑影像图像中的灰度值，之后基于对受试者的脑影像图像中的感兴趣区域来确定该原始脑影像模板中对应的感兴趣区域，并确定该感兴趣区域中所有体素的灰度值所在范围，然后将该灰度值范围内的所有体素标记为1，其余体素标记为0。例如，在原始脑影像模板中统计得到颅骨内区域的体素的灰度值占比95％，也就是说将统计的脑影像图像的灰度值按照从小到大排列，第95百分位对应的灰度值以下的所有灰度值都属于颅骨内区域。
之后，对标记的原始脑影像模板(例如，颅骨mask)沿矢状面进行切片(即二维图像)操作，并对每一张切片进行如下操作：
a)对标记的原始脑影像模板(例如，颅骨mask)的切片进行凸包运算，之后将凸包运算所得图像再进行腐蚀操作，腐蚀的大小取值为3个体素，由此得到经腐蚀后的原始脑影像模板切片(例如，颅骨mask2)。
b)将经腐蚀后的原始脑影像模板切片(例如，颅骨mask2)与标记的原始脑影像模板(例如，颅骨mask)的切片进行相减，可以得到原始脑影像模板中的感兴趣区域模板(例如，颅骨内区域mask3)；
c)将所有切片的感兴趣区域模板拼接以获得三维的第一脑模板。
由于上述两种标记方法均仅是对初始脑模板中的体素进行了区分和标记，使得得到的第一脑模板保留了初始脑模板中除灰度值以外属性，例如初始脑模板在灰度值处理前后尺寸、形状、各个体素所在的位置均没有被改变(比如，依然保持为(256，256，256)的三维矩阵)，因此第一脑模板与受试者的脑影像图像之间的空间映射关系没有改变。
同时由于上述属性未被改变，因此在对受试者的脑影像图像进行冗余信息处理时，可以首先标记初始脑模板的感兴趣区域和非感兴趣区域并生成第一脑模板时，之后再建立第一脑模板与受试者的脑影像图像的空间映射关系。也就是说，无论上述两个步骤的顺序如何，受试者的脑影像图像分别与初始脑模板和第一脑模板之间的空间映射关系总是保持不变。
在一个示例中，当去除的图像中的冗余信息为脑部以外的其他区域时，将初始脑模板中的所有灰度值进行排序，并得到所有体素的灰度值中位数，该灰度值中位数正好能将受试者的脑影像图像中的脑部和脑部以外的区域进行区分。之后将初始脑模板中灰度值大于该灰度值中位数的体素值置为1，小于等于该灰度值中位数的体素值置为0。
如图3所示，标记所得的第一脑模板中的感兴趣区域(如图3所示的白色区域)并不能够完全或者很好地覆盖受试者的脑影像图像中的感兴趣区域(例如，整个脑部)，在其边缘处还有诸多的感兴趣区域(如图3所示的箭头所指部分)未被覆盖。如果基于此时的第一脑模板对受试者的脑影像图像进行冗余信息处理将会丢失较多的感兴趣区域的信息，因此需要对第一脑模板进行边缘扩大处理。
为了不仅能够保持第一脑模板在扩大之后与受试者的脑影像图像之间的空间映射关系不变，还可以完全覆盖或者很好地覆盖受试者的脑影像图像中的感兴趣区域以减少冗余信息处理过程中感兴趣区域的信息丢失，因此将标记所得的第一脑模板进行膨胀处理。通过这样的设计，不仅同时弥补了由于配准过程中初始脑模板或第一脑模板与受试者的脑影像图像之间边缘对齐效果不理想的缺陷，还可以将扩大后的第一脑模板用于不同受试者之间因个体差异所得到的形态迥异的脑影像图像中，即消除了不同受试者之间脑影像图像的差异性。
在一个示例中，对感兴趣区域进行膨胀处理。膨胀处理的方法为遍历感兴趣区域的体素，并基于预设的膨胀扩大体素值将感兴趣区域内体素的26连通区域标记为1，即将距离为1的相邻体素均标记为1，具体膨胀处理的次数可以根据设置的膨胀扩大体素值来确定，这样就可以实现将第一脑模板中的感兴趣区域的边缘仅需向外扩大1～3个体素。通过这种微小扩大的设计，不仅可以使感兴趣区域能够几乎被覆盖，甚至完全被覆盖，还可以保证所覆盖的区域中只有极少的非感兴趣区域的体素，甚至没有非感兴趣区域的体素。在一个示例中，膨胀处理次数与膨胀扩大体素值的比例关系是1:1。例如，基于第一脑模板中感兴趣区域的标记为1，将膨胀的结构元素设置为3×3×3的矩阵，并将矩阵的元素全部设置为1。之后将结构元素遍历标记所得的第一脑模板以进行膨胀处理，使得经2次膨胀处理后的脑模板的感兴趣区域的边缘向外扩大了2个体素，即将3×3×3区域中心处的体素经过2次膨胀后，该区域变成7×7×7的区域，所得图像如图4所示，该第一脑模板的感兴趣区域的边缘向外扩大了2个体素(如图4所示的箭头所指部分)，即在第一脑模板的感兴趣区域的边缘填充了2个体素的1(为了显示扩大后的效果，将扩大部分采用灰色表示)。
由于第一脑模板在膨胀前后的属性保持不变，因此可以基于前述所得的空间映射关系(例如，仿射变换矩阵)将扩大的第一脑模板投射至受试者的脑影像图像的个体脑空间中，并生成了位于个体脑空间中的第二脑模板，即第二脑模板与受试者的脑影像图像位于同一空间中，使三维的第二脑模板包围受试者的三维的脑影像图像的感兴趣区域，由此在后续去除过程中能够保护受试者的脑影像图像中的感兴趣区域，而仅去除其中的非感兴趣区域。
例如，将扩大后的第一脑模板基于仿射变换矩阵进行旋转、平移、错切和缩放变换至受试者的脑影像图像的个体脑空间中。旋转、平移、错切和缩放变换的具体参数在确定空间映射关系时(例如，配准过程中)同时获得。
如图5所示，将扩大后的第一脑模板与受试者的脑影像图像置于同一空间坐标系(例如，解剖学空间坐标系、图像空间坐标系等)下，此时扩大的第一脑模板与受试者的脑影像图像不能相互重叠。也就是说，当将扩大的第一脑模板不基于上述所得的空间映射关系投射时，虽然与受试者的脑影像图像位于同一空间中，但是仍然不能实现脑模板的感兴趣区域与受试者的脑影像图像的感兴趣区域重叠。此时，对图像进行冗余信息处理。则将会导致大量的感兴趣区域被去除，所得图像将远不如通过人眼分析逐层去除的效果。
如图6所示，第二脑模板与受试者的脑影像图像能够很好地或者完全地相互重叠，即受试者的脑影像图像中的感兴趣区域被第二脑模板几乎完全覆盖，且第二脑模板与受试者的脑影像图像的边缘几乎彼此对齐重叠。
在一个示例中，在将扩大后的第一脑模板基于仿射变换矩阵映射至受试者的脑影像图像的个体脑空间的过程中，扩大后的第一脑模板基于仿射变换矩阵中的缩放变换矩阵进行空间变换时将被放大或缩小。
当缩放变换矩阵中的元素为放大参数时，则扩大后的第一脑模板将被放大生成第二脑模板，此时第二脑模板中将会出现较多的孔洞，需要对孔洞进行填充，且在填充过程中保持感兴趣区域依然被填充为1，非感兴趣区域依然被填充为0。当缩放变换矩阵中的元素为缩小参数时，则扩大后的第一脑模板将被缩小成第二脑模板，在此过程中需要保持感兴趣区域在缩小前后位置保持不变，非感兴趣区域位置同样保持不变。例如，将扩大后的第一脑模板中的4个体素映射为第二脑模板中的1个体素时，需要保持该1个体素所表示的属性不变，例如其表示的感兴趣区域和非感兴趣区域的属性不能变，所表示的相对位置(即该体素在该组织中的相对位置)大体相同。因此，需要将第二脑模板通过最邻近插值法进行重采样(如图6所示的第二脑模板)以解决上述问题。
在一个示例中，基于经过重采样的第二脑模板去除受试者的脑影像图像中的非感兴趣区域。例如，如图7所示，将第二脑模板或重采样后的第二脑模板中被标记为1的感兴趣区域所覆盖的受试者的脑影像图像中的区域的体素值置为1，将第二脑模板或重采样后的第二脑模板中被标记为0的非感兴趣区域所覆盖的受试者的脑影像图像中的区域的体素值置为0。
参见图8，其示出了根据本发明的另一实施例的用于脑影像图像的冗余信息处理装置200。冗余信息处理装置200包括：
配准模块210，所述配准模块210被配置成用于确定受试者的脑影像图像与脑模板之间的空间映射关系；
标记模块220，所述标记模块220被配置成用于标记脑模板中的感兴趣区域和非感兴趣区域并生成第一脑模板；
模板调整模块230，所述模板调整模块230被配置成用于基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，并生成位于所述个体脑空间的第二脑模板；和
冗余信息处理模块240，所述冗余信息处理模块240被配置成用于基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
在一个示例中，所述冗余信息处理装置200还包括形态学处理模块250，所述形态学处理模块250被配置成用于将所述第一脑模板进行膨胀处理以扩大第一脑模板中的感兴趣区域的边缘并生成扩大的第一脑模板，所述扩大的第一脑模板作为所述模板调整模块的输入。所述扩大的第一脑模板的感兴趣区域的边缘被向外填充了1～3个体素，例如2个体素。
在一个示例中，将扩大的第一脑模板在基于所述空间映射关系映射至受试者的脑影像图像的个体脑空间中后，对第二脑模板进行重采样(例如，最邻近插值法)，以获得重采样后的第二脑模板。然后将重采样后的第二脑模板输入冗余信息处理模块240中，冗余信息处理模块240基于重采样后的第二脑模板出去受试者的脑影像图像中的非感兴趣区域。
在一个示例中，所述冗余信息处理装置200采用上述任一实施例或上述任一示例中所述的冗余信息处理方法100去除受试者的脑影像图像的非感兴趣区域。
在一个示例中，根据本发明的还一实施例提供了一种存储介质。该存储介质为可读存储介质。本发明的实施例的“可读存储介质”是指参与向处理器提供程序或指令以供执行的任何介质。所述介质可以采用多种形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如存储设备。易失性介质包括动态存储器，诸如主存储器。传输介质包括同轴电缆、铜线和光纤，包括包含总线的导线。传输介质还可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间生成的声波或光波。可读存储介质的常见形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、任何具有孔图案的其他物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或盒、如下所述的载波、或计算机可从其中进行读取的任何其他介质。
该可读存储介质上存储程序或指令，所述程序或指令被处理器执行时以执行上述的用于脑影像图像的冗余信息处理方法。
根据本发明实施例的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质具有以下优点中的至少一个：
(1)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质能够快速、便捷且无需人工干预即可去除脑影像图像中的非感兴趣区域；
(2)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质所得到的第二脑模板能够完全框住受试者的整个感兴趣区域(例如，整个脑部区域)，使得非感兴趣区域能够被准确地去除，从而保证了感兴趣区域的完整性；
(3)本发明提供的用于脑影像图像的冗余信息处理方法、用于脑影像图像的冗余信息处理装置及存储介质图像适用于不同受试者的脑影像处理，也适用于大量形态迥异的脑影像处理。
虽然本总体发明构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。
Claims (11)
1.一种用于脑影像图像的冗余信息处理方法，所述冗余信息处理方法包括以下步骤：
确定受试者的脑影像图像与初始脑模板之间的空间映射关系；
标记所述初始脑模板以获得标记有感兴趣区域和非感兴趣区域的第一脑模板；
基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，以获得位于所述个体脑空间的第二脑模板；
基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
2.根据权利要求1所述的用于脑影像图像的冗余信息处理方法，其中，
将所述第一脑模板进行膨胀处理以扩大所述第一脑模板中的所述感兴趣区域的边缘并获得扩大的第一脑模板，
所述受试者的脑影像图像基于所述空间映射关系将所述扩大的第一脑模板投射到所述个体脑空间中，以获得位于所述个体脑空间的第二脑模板。
3.根据权利要求2所述的用于脑影像图像的冗余信息处理方法，其中，
边缘中的感兴趣区域扩大的体素范围为1～3个体素。
4.根据权利要求1-3中任一项所述的用于脑影像图像的冗余信息处理方法，其中，
确定所述空间映射关系的方法为刚性配准方法，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域。
5.根据权利要求1-3中任一项所述的用于脑影像图像的冗余信息处理方法，其中，
确定所述空间映射关系的方法为非线性配准方法，
所述初始脑模板为具有脑功能分区的模板，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域，或
所述感兴趣区域为感兴趣的脑功能区，非感兴趣区域为除感兴趣的脑功能区以外的其他区域。
6.根据权利要求1-3中任一项所述的用于脑影像图像的冗余信息处理方法，其中，
确定所述空间映射关系的方法为非线性配准方法，
所述初始脑模板为具有脑结构分区的模板，
所述感兴趣区域为脑部区域，所述非感兴趣区域为非脑部区域，或
所述感兴趣区域为感兴趣的脑结构区，非感兴趣区域为除感兴趣的脑结构区以外的其他区域。
7.根据权利要求1-3中任一项所述的用于脑影像图像的冗余信息处理方法，其中，
所述受试者的脑影像图像为灰度值脑影像图像，所述灰度值脑影像图像通过不同的灰度值标记不同的组织，以确定受试者的脑影像图像中的非感兴趣区域，
所述第一脑模板的非感兴趣区域与所述受试者的脑影像图像的非感兴趣区域彼此一一对应。
8.根据权利要求1-3中任一项所述的用于脑影像图像的冗余信息处理方法，其中，
所述空间映射关系为至少一个自由度的空间映射关系，
所去除的所述非感兴趣区域为基于对应自由度的空间映射关系和对应自由度的第二脑模板所去除的区域。
9.一种用于脑影像图像的冗余信息处理装置，其特征在于，
所述冗余信息处理装置包括：
配准模块，所述配准模块被配置成用于确定受试者的脑影像图像与初始脑模板之间的空间映射关系；
标记模块，所述标记模块被配置成用于标记初始脑模板中的感兴趣区域和非感兴趣区域并生成第一脑模板；
模板调整模块，所述模板调整模块被配置成用于基于所述空间映射关系将所述第一脑模板投射至所述受试者的脑影像图像的个体脑空间中，并生成位于所述个体脑空间的第二脑模板；和
冗余信息处理模块，所述冗余信息处理模块被配置成用于基于所述第二脑模板去除所述受试者的脑影像图像的所述非感兴趣区域。
10.根据权利要求9所述的冗余信息处理装置，其特征在于，
所述冗余信息处理装置还包括：
形态学处理模块，所述形态学处理模块被配置成用于将所述第一脑模板进行膨胀处理以扩大所述第一脑模板的边缘中的所述感兴趣区域并生成扩大的第一脑模板，所述扩大的第一脑模板作为所述模板调整模块的输入。
11.一种存储介质，其特征在于，
所述存储介质上存储程序或指令，所述程序或指令被处理器执行时以执行权利要求1-8中任一项所述的用于脑影像图像的冗余信息处理方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047180 | 2023-01-31 | ||
| CN2023100471808 | 2023-01-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116309355A true CN116309355A (zh) | 2023-06-23 |
Family
ID=86786073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310124409.3A Pending CN116309355A (zh) | 2023-01-31 | 2023-02-16 | 用于脑影像图像的冗余信息处理方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309355A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101097628A (zh) * | 2006-06-28 | 2008-01-02 | 西门子公司 | 用于分析两张成像图像的方法以及医学成像系统 |
| CN111402356A (zh) * | 2020-03-19 | 2020-07-10 | 上海联影医疗科技有限公司 | 参数成像输入函数提取方法、装置和计算机设备 |
| CN111968130A (zh) * | 2020-07-23 | 2020-11-20 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
| CN113610742A (zh) * | 2020-04-16 | 2021-11-05 | 同心医联科技（北京）有限公司 | 一种基于深度学习的全脑结构体积测量方法及系统 |
| CN114723937A (zh) * | 2022-03-25 | 2022-07-08 | 首都医科大学附属北京天坛医院 | 一种基于核磁共振影像的血管周围间隙分类方法及系统 |
| CN114972366A (zh) * | 2022-07-27 | 2022-08-30 | 山东大学 | 基于图网络的大脑皮层表面全自动分割方法及系统 |
-
2023
- 2023-02-16 CN CN202310124409.3A patent/CN116309355A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101097628A (zh) * | 2006-06-28 | 2008-01-02 | 西门子公司 | 用于分析两张成像图像的方法以及医学成像系统 |
| CN111402356A (zh) * | 2020-03-19 | 2020-07-10 | 上海联影医疗科技有限公司 | 参数成像输入函数提取方法、装置和计算机设备 |
| CN113610742A (zh) * | 2020-04-16 | 2021-11-05 | 同心医联科技（北京）有限公司 | 一种基于深度学习的全脑结构体积测量方法及系统 |
| CN111968130A (zh) * | 2020-07-23 | 2020-11-20 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
| CN114723937A (zh) * | 2022-03-25 | 2022-07-08 | 首都医科大学附属北京天坛医院 | 一种基于核磁共振影像的血管周围间隙分类方法及系统 |
| CN114972366A (zh) * | 2022-07-27 | 2022-08-30 | 山东大学 | 基于图网络的大脑皮层表面全自动分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2545527B1 (en) | Probabilistic refinement of model-based segmentation | |
| WO2018120644A1 (zh) | 血管提取方法及系统 | |
| Lell et al. | New techniques in CT angiography | |
| US8588486B2 (en) | Apparatus and method for isolating a region in an image | |
| 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 | |
| JP5366356B2 (ja) | 医用画像処理装置及び医用画像処理方法 | |
| US20130172727A1 (en) | Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging | |
| US8041088B2 (en) | Brain image alignment method and system | |
| US8588498B2 (en) | System and method for segmenting bones on MR images | |
| EP1516290A2 (en) | Physiological model based non-rigid image registration | |
| JP7055872B2 (ja) | 二次元／三次元画像コレジストレーションのためにコンピュータによって実現される情報処理方法、プログラム、医用画像分析システム、および、放射線療法治療システム | |
| US8938107B2 (en) | System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas | |
| Vakharia et al. | The effect of vascular segmentation methods on stereotactic trajectory planning for drug-resistant focal epilepsy: a retrospective cohort study | |
| CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
| Cizadlo et al. | Image registration issues in the analysis of multiple injection 15OH2O PET studies: BRAINFIT | |
| Park et al. | MRI-based computed tomography metal artifact correction method for improving proton range calculation accuracy | |
| CN111402277B (zh) | 一种医学影像的物体外轮廓分割方法及装置 | |
| CN113361689A (zh) | 超分辨率重建网络模型的训练方法和扫描图像处理方法 | |
| CN116309355A (zh) | 用于脑影像图像的冗余信息处理方法、装置及存储介质 | |
| KR20210066074A (ko) | 3차원 해부학적 기준점 검출 방법 및 장치 | |
| CN114841996A (zh) | 一种图像分析系统及方法 | |
| CN111862312B (zh) | 一种脑部血管显示装置及方法 | |
| Boettger et al. | Radiation therapy planning and simulation with magnetic resonance images | |
| Faber et al. | Automatic alignment of myocardial perfusion images with contrast-enhanced cardiac computed tomography | |
| Vasilache et al. | Unified wavelet and gaussian filtering for segmentation of CT images; application in segmentation of bone in pelvic CT images |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240510 Address after: Room 504, floor 5, building 2, hospital 9, Yiyi Road, Life Science Park, Changping District, Beijing 102206 Applicant after: Beijing Yinhe Fangyuan Technology Co.,Ltd. Country or region after: China Address before: 311100 Room 712, Building 4, No. 998, Wenyi West Road, Wuchang Subdistrict, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Yonao Galaxy (Zhejiang) Technology Co.,Ltd. Country or region before: China |