CN116468655A - 基于胎儿磁共振成像的脑发育图谱与影像处理系统 - Google Patents
基于胎儿磁共振成像的脑发育图谱与影像处理系统 Download PDFInfo
- Publication number
- CN116468655A CN116468655A CN202310120528.1A CN202310120528A CN116468655A CN 116468655 A CN116468655 A CN 116468655A CN 202310120528 A CN202310120528 A CN 202310120528A CN 116468655 A CN116468655 A CN 116468655A
- Authority
- CN
- China
- Prior art keywords
- image
- fetal
- brain
- magnetic resonance
- fetal brain
- 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
- 230000001605 fetal effect Effects 0.000 title claims abstract description 89
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 230000004641 brain development Effects 0.000 title claims abstract description 24
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 55
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 21
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 20
- 230000001054 cortical effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 12
- 210000004884 grey matter Anatomy 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 210000001161 mammalian embryo Anatomy 0.000 claims description 6
- 210000003754 fetus Anatomy 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 210000004885 white matter Anatomy 0.000 claims description 4
- 230000011157 brain segmentation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008175 fetal development Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 208000027205 Congenital disease Diseases 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000017511 neuron migration Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于胎儿磁共振成像的脑发育图谱与影像处理系统,属于医学影像技术领域,具体包括:图像采集模块,用于定期对核磁共振影像数据进行采集和预处理;图像分割模块,用于分割核磁共振影像中的胎儿大脑图像,获取大脑参数,并识别大脑子区域;三维重建模块,用于检测胎儿大脑图像是否合格,使用切片‑体配准算法对胎儿大脑图像进行三维重建,对三维脑组织结构进行分割与提取,对分割结果进行皮质重建,生成胎儿脑组织三维结构;图谱生成模块,用于从预设角度获取胎儿脑组织三维结构的剖面图像,并将剖面图像根据时间顺序进行排列,生成胎儿脑发育图谱;本发明提升了对胎儿发育信息的识别效率和准确率。
Description
技术领域
本发明涉及医学影像技术领域,具体涉及基于胎儿磁共振成像的脑发育图谱与影像处理系统。
背景技术
胎儿大脑发育具有快速的结构、功能和代谢变化,包括神经元网络的发育、神经元迁移以及脑沟和脑回的形成等;为了充分了解正常胎儿和先天性疾病胎儿的神经发育情况,先天性疾病的早期发现和治疗,产前母婴健康检查和发育中的人类胎儿大脑的定量分析是必不可少的。胎儿大脑核磁共振图谱则可以填补正常大脑发育量化模板的空白。然而,由于胎儿大脑形态学变化迅速,用构建胎脑图谱比成人大脑更具挑战性,不仅需要额外的处理技术,更需要大量的数据支持。
除此之外,对于胎儿核磁共振原始数据的处理,包括质检、分割标签、重建、发育指标量化等步骤都是繁琐、耗时和容易出错的,必须由专业的临床医生辅助完成,一套全自动化的分析处理流程是缺少的。在人工智能方法的发展下,医学影像处理领域也有了更多高精度的方法,替代传统图像处理的手段,比如基于卷积神经网络的深度学习方法在医学影像处理中得到了广泛的应用,它直接从数据本身自动学习复杂的代表性特征,利用卷积神经网络研究胎儿脑核磁共振可以获得更精确的结果。因此,本发明基于胎儿磁共振成像数据,研发一种基于胎儿磁共振成像的脑发育图谱与影像处理系统。
发明内容
本发明的目的在于提供基于胎儿磁共振成像的脑发育图谱与影像处理系统,解决以下技术问题:
目前对于胎儿脑核磁共振的分析研究,数据的处理与分析仍需要大量人工参与,且利用核磁共振量化胎儿脑正常发育仍没有统一标准,需要一种基于核磁共振影像的胎儿脑发育图谱自动处理生成系统。
本发明的目的可以通过以下技术方案实现:
基于胎儿磁共振成像的脑发育图谱与影像处理系统,包括:
图像采集模块,用于定期对核磁共振影像数据进行采集和预处理;
图像分割模块,用于分割所述核磁共振影像中的胎儿大脑图像,扫描所述胎儿大脑图像,获取胎儿大脑参数,并识别胎儿大脑子区域;
三维重建模块,用于检测胎儿大脑图像是否符合三维重建要求,使用切片-体配准算法对检测合格的胎儿大脑图像进行三维重建获得三维脑组织结构,对所述三维脑组织结构进行分割与提取,对分割结果进行皮质重建,生成完整的胎儿脑组织三维结构;
图谱生成模块,用于从预设角度获取所述胎儿脑组织三维结构的剖面图像,并将所述剖面图像根据时间顺序进行排列,生成胎儿脑发育图谱。
作为本发明进一步的方案:所述图像采集模块的预处理包括对所述核磁共振影像进行N4偏置场强矫正与运动矫正。
作为本发明进一步的方案:所述图像分割模块对分割所述胎儿大脑图像的过程为:
对胎儿大脑进行定位,将所述核磁共振图像输入卷积神经网络获得胎儿大脑图像的粗分割结果,结合不确定的分割边缘图像,经人工进行识别,获得精确的胎儿大脑分割边缘。
作为本发明进一步的方案:所述卷积神经网络的计算分割的损失函数包括:
尺度损失函数:Ll=∫Ωδò(φ(x))|▽φ(x)|dx;
距离损失函数:Ld=∫Ωp(|▽φ(x)|)dx;
区域损失函数:Lr=∫Ω(|P-c1|2H蝌(φ(x))+|P-c2|2(H(-φ(x))))dx;
人工损失函数:Lu=-∫Ω(H蝌(φ(x))log(η(x))+H(-φ(x))log(1-η(x)))dx;
所述卷积神经网络的整体损失L(φ)=αLr+βLu+λLl+μLd,其中x表示像素,δò表示迪利克雷函数,Hò表示亥维赛函数,表示交互误差。
作为本发明进一步的方案:所述图谱生成模块包括:
图谱生成的最小化能量函数为:
其中Kr表示变宽高斯核,tn表示扫描时胎儿n的孕周,表示初始模板的微分胚,/>表示模板变换后的微分胚,φn(In,1)表示被试In与模板之间的微分胚变换,D表示拓扑坐标系中的结构相似性度量。
作为本发明进一步的方案:所述数据处理模块包括:
选取符合要求的切片,通过卷积神经网络提取胎儿大脑图像的剖面特征,提取所述胎儿大脑参数并识别所述子区域。
作为本发明进一步的方案:所述胎儿大脑参数包括双顶径和枕额径指标,所述子区域包括灰质、白质和脑脊液。
作为本发明进一步的方案:所述三维重建模块包括:
基于卷积神经网络对三维脑组织结构进行分割,提取灰质分割结果,进入皮质重建网络。
本发明的有益效果:
本发明首先对核磁共振影像中的胎儿大脑进行定位,基于神经网络和人工辅助将胎儿大脑图像与背景图像进行分割,并对胎儿大脑子区域进行识别,获得胎儿大脑各项参数,从而判断图像是否符合三维重建要求,通过SVR算法对胎儿大脑进行三维重建,并再次识别脑组织中的子区域,生成胎儿脑发育图谱;本发明基于胎儿核磁共振成像数据,利用卷积神经网络和图像配准方法自动生成胎儿随孕周正常发育的时空图谱,提升了胎儿发育信息识别的效率和准确率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的模块示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为基于胎儿磁共振成像的脑发育图谱与影像处理系统,包括:
图像采集模块,用于定期对核磁共振影像数据进行采集和预处理;
图像分割模块,用于分割所述核磁共振影像中的胎儿大脑图像,扫描所述胎儿大脑图像,获取胎儿大脑参数,并识别胎儿大脑子区域;
三维重建模块,用于检测胎儿大脑图像是否符合三维重建要求,使用切片-体配准算法对检测合格的胎儿大脑图像进行三维重建获得三维脑组织结构,对所述三维脑组织结构进行分割与提取,对分割结果进行皮质重建,生成完整的胎儿脑组织三维结构;
图谱生成模块,用于从预设角度获取所述胎儿脑组织三维结构的剖面图像,并将所述剖面图像根据时间顺序进行排列,生成胎儿脑发育图谱;
在本发明的一种优选的实施例中,包括以下步骤:
S1.胎儿核磁共振影像数据采集与预处理;
S2.进行胎儿大脑定位与卷积神经网络粗分割;
S3.对所粗分割结果,结合不确定边缘图像,提供给用户进行调整,从而获得精确的分割;
S4.对分割后的二维影像,生成如双顶径,枕额径等量化指标,以及如灰质、白质、脑脊液等进一步分割结果;
S5.对数据进行质量检测是否能够成功进行三维超分辨重建;
S6.使用切片-体配准算法(SVR)对质检合格的数据进行重建;
S7.使用超分辨重建体进行三维脑组织结构的分割与提取;
S8.对三维组织分割结果进行皮质重建,从而进行后续分析。
在本发明的另一种优选的实施例中,所述图像采集模块的预处理包括对所述核磁共振影像进行N4偏置场强矫正与运动矫正。
在本发明的另一种优选的实施例中,所述图像分割模块对分割所述胎儿大脑图像的过程为:
对胎儿大脑进行定位,将所述核磁共振图像输入卷积神经网络获得胎儿大脑图像的粗分割结果,结合不确定的分割边缘图像,经人工进行识别,获得精确的胎儿大脑分割边缘;
该卷积神经网络可分别使用二维卷积神经网络(2D CNN)和三维卷积神经网络(3DCNN)提取每个层面和参考体积的特征信息,这两个基于卷积的神经网络使用了标准的卷积神经网络模块,每个模块包含了卷积层和对应的批量标准化层、激活层和池化层
在本实施例的一种优选的情况中,所述卷积神经网络的计算分割的损失函数包括:
尺度损失函数:Ll=∫Ωδò(φ(x))|▽φ(x)|dx;
距离损失函数:Ld=∫Ωp(|▽φ(x)|)dx;
区域损失函数:Lr=∫Ω(|P-c1|2H蝌(φ(x))+|P-c2|2(H(-φ(x))))dx;
人工损失函数:Lu=-∫Ω(H蝌(φ(x))log(η(x))+H(-φ(x))log(1-η(x)))dx;
所述卷积神经网络的整体损失L(φ)=αLr+βLu+λLl+μLd,其中x表示像素,δò表示迪利克雷函数,Hò表示亥维赛函数,表示交互误差;
医学影像中,往往一幅图像中只有一个或者两个目标,而且目标的像素比例比较小,使网络训练较为困难,因此,选择合适的损失函数,对网络进行合理的优化,从而关注较小的目标,损失函数主要是用于评估模型的预测值和真实标签的匹配程度的重要指标;
卷积神经网络用于提取输入图像的空间信息,对于每个输入的层面,都有一个与之对应的二维卷积神经网络,它可以生成输入层面的特征图,提取更高阶特征输入至双向循环神经网络,对于参考体积,有一个对应的三维卷积神经网络用于提取体积的特征信息,二维和三维卷积神经网络的结构分别包含多个有不同大小卷积核与不同通道的卷积层,用于提取输入的高阶特征,每个卷积层后还有对应的批量标准化层、激活层和池化层,批量标准化层用于对特征图进行归一化,防止输入激活层的数据发生偏移或增大;激活层用于增加网络的非线性表达能力;池化层用于压缩数据和参数的量,加快训练速度,避免出现过拟合,
在本发明的另一种优选的实施例中,所述图谱生成模块包括:
图谱生成的最小化能量函数为:
其中Kr表示变宽高斯核,tn表示扫描时胎儿n的孕周,表示初始模板的微分胚,/>表示模板变换后的微分胚,φn(In,1)表示被试In与模板之间的微分胚变换,D表示拓扑坐标系中的结构相似性度量。
在本实施例的另一种优选的情况中,所述数据处理模块包括:
选取符合要求的切片,通过卷积神经网络提取胎儿大脑图像的剖面特征,提取所述胎儿大脑参数并识别所述子区域。
在本发明的另一种优选的实施例中,所述胎儿大脑参数包括双顶径和枕额径指标,所述子区域包括灰质、白质和脑脊液。
在本发明的另一种优选的实施例中,所述三维重建模块包括:
基于卷积神经网络对三维脑组织结构进行分割,提取灰质分割结果,进入皮质重建网络;
SVR是一个二维到三维配准的过程,各层面集中的每个二维层面都需要向三维的参考体积配准,以得到对应的运动参数,可以根据得到的运动参数重建出高分辨率的三维体积。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,包括:
图像采集模块,用于定期对核磁共振影像数据进行采集和预处理;
图像分割模块,用于分割所述核磁共振影像中的胎儿大脑图像,扫描所述胎儿大脑图像,获取胎儿大脑参数,并识别胎儿大脑子区域;
三维重建模块,用于检测胎儿大脑图像是否符合三维重建要求,使用切片-体配准算法对检测合格的胎儿大脑图像进行三维重建获得三维脑组织结构,对所述三维脑组织结构进行分割与提取,对分割结果进行皮质重建,生成完整的胎儿脑组织三维结构;
图谱生成模块,用于从预设角度获取所述胎儿脑组织三维结构的剖面图像,并将所述剖面图像根据时间顺序进行排列,生成胎儿脑发育图谱。
2.根据权利要求1所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述图像采集模块的预处理包括对所述核磁共振影像进行N4偏置场强矫正与运动矫正。
3.根据权利要求1所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述图像分割模块对分割所述胎儿大脑图像的过程为:
对胎儿大脑进行定位,将所述核磁共振图像输入卷积神经网络获得胎儿大脑图像的粗分割结果,结合不确定的分割边缘图像,经人工进行识别,获得精确的胎儿大脑分割边缘。
4.根据权利要求3所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述卷积神经网络的计算分割的损失函数包括:
尺度损失函数:
距离损失函数:
区域损失函数:Lr=∫Ω(|P-c1|2H蝌(φ(x))+|P-c2|2(H(-φ(x))))dx;
人工损失函数:Lu=-∫Ω(H蝌(φ(x))log(η(x))+H(-φ(x))log(1-η(x)))dx;
所述卷积神经网络的整体损失L(φ)=αLr+βLu+λLl+μLd,其中x表示像素,δò表示迪利克雷函数,Hò表示亥维赛函数,表示交互误差。
5.根据权利要求1所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述图谱生成模块包括:
图谱生成的最小化能量函数为:
其中Kr表示变宽高斯核,tn表示扫描时胎儿n的孕周,表示初始模板的微分胚,表示模板变换后的微分胚,φn(In,1)表示被试In与模板之间的微分胚变换,D表示拓扑坐标系中的结构相似性度量。
6.根据权利要求3所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述数据处理模块包括:
选取符合要求的切片,通过卷积神经网络提取胎儿大脑图像的剖面特征,提取所述胎儿大脑参数并识别所述子区域。
7.根据权利要求1所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述胎儿大脑参数包括双顶径和枕额径指标,所述子区域包括灰质、白质和脑脊液。
8.根据权利要求3所述的基于胎儿磁共振成像的脑发育图谱与影像处理系统,其特征在于,所述三维重建模块包括:
基于卷积神经网络对三维脑组织结构进行分割,提取灰质分割结果,进入皮质重建网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120528.1A CN116468655A (zh) | 2023-02-14 | 2023-02-14 | 基于胎儿磁共振成像的脑发育图谱与影像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120528.1A CN116468655A (zh) | 2023-02-14 | 2023-02-14 | 基于胎儿磁共振成像的脑发育图谱与影像处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468655A true CN116468655A (zh) | 2023-07-21 |
Family
ID=87179502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120528.1A Pending CN116468655A (zh) | 2023-02-14 | 2023-02-14 | 基于胎儿磁共振成像的脑发育图谱与影像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468655A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883397A (zh) * | 2023-09-06 | 2023-10-13 | 佳木斯大学 | 一种应用于解剖病理学的自动精益方法及系统 |
CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
-
2023
- 2023-02-14 CN CN202310120528.1A patent/CN116468655A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883397A (zh) * | 2023-09-06 | 2023-10-13 | 佳木斯大学 | 一种应用于解剖病理学的自动精益方法及系统 |
CN116883397B (zh) * | 2023-09-06 | 2023-12-08 | 佳木斯大学 | 一种应用于解剖病理学的自动精益方法及系统 |
CN117438080A (zh) * | 2023-12-19 | 2024-01-23 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
CN117438080B (zh) * | 2023-12-19 | 2024-03-12 | 四川大学华西第二医院 | 一种儿童脑部发育状态的综合判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN116468655A (zh) | 基于胎儿磁共振成像的脑发育图谱与影像处理系统 | |
CN109087298B (zh) | 一种阿尔兹海默病mri图像分类方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
CN108171697B (zh) | 一种基于簇的wmh自动提取系统 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN103249358A (zh) | 医用图像处理装置 | |
CN110555835A (zh) | 一种脑片图像区域划分方法及装置 | |
CN111161272B (zh) | 一种基于生成对抗网络的胚胎组织分割方法 | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
CN114266939B (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN112348785A (zh) | 一种癫痫病灶定位方法及系统 | |
CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN110458869B (zh) | 一种新生儿磁共振结构脑影像的配准方法及其系统 | |
CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
CN116030063B (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 |
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 |