CN116542997A - 磁共振图像的处理方法、装置以及计算机设备 - Google Patents

磁共振图像的处理方法、装置以及计算机设备 Download PDF

Info

Publication number
CN116542997A
CN116542997A CN202310807121.6A CN202310807121A CN116542997A CN 116542997 A CN116542997 A CN 116542997A CN 202310807121 A CN202310807121 A CN 202310807121A CN 116542997 A CN116542997 A CN 116542997A
Authority
CN
China
Prior art keywords
magnetic resonance
resonance image
nerve fiber
determining
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.)
Granted
Application number
CN202310807121.6A
Other languages
English (en)
Other versions
CN116542997B (zh
Inventor
杨旗
贾秀琴
边钺岩
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.)
Beijing Chaoyang Hospital
Original Assignee
Beijing Chaoyang Hospital
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 Beijing Chaoyang Hospital filed Critical Beijing Chaoyang Hospital
Priority to CN202310807121.6A priority Critical patent/CN116542997B/zh
Publication of CN116542997A publication Critical patent/CN116542997A/zh
Application granted granted Critical
Publication of CN116542997B publication Critical patent/CN116542997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开提供了一种磁共振图像的处理方法、装置以及计算机设备，其中，该方法包括：获取头部的磁共振图像，并对所述磁共振图像进行伪影矫正处理，得到矫正磁共振图像；在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；确定所述脑部神经纤维束的分布信息的结构信息；确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。

Description

磁共振图像的处理方法、装置以及计算机设备
技术领域
本公开涉及图像处理的技术领域，具体而言，涉及一种磁共振图像的处理方法、装置以及计算机设备。
背景技术
磁共振成像技术广泛地应用于多个领域，用于探测物体的内部结构。磁共振成像的原理为：当施加外在磁场后，采用射频脉冲激励被测组织内的质子，质子吸收一定的能量而发生共振；当停止发射射频脉冲后，被激励的质子将吸收的能量以信号的形式逐步释放出来，对这些信号进行采集，并采用图像重建技术对信号进行处理就可获得被测物体的扫描图像。
现有技术一般通过人工手动标记的方式在扫描图像中划分感兴趣区域（RegionOf Interest，简称ROI）区域。由于不同扫描图像的复杂程度不同，人工划分感兴趣区域的方式，会增加工作人员的工作成本，降低工作人员的工作效率，同时导致一定的误差。
发明内容
本公开实施例至少提供一种磁共振图像的处理方法、装置以及计算机设备。
第一方面，本公开实施例提供了一种磁共振图像的处理方法，包括：获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；确定所述脑部神经纤维束的分布信息的结构信息；确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
一种可选的实施方式中，所述在所述矫正磁共振图像中提取脑部神经纤维束的分布信息，包括：在所述矫正磁共振图像中确定脑实质区域，并在所述脑实质区域中确定脑白质区域；基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息；其中，所述神经纤维束的识别模型用于指示神经纤维束在脑白质区域中的正常生理位置。
一种可选的实施方式中，所述基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息，包括：确定所述正常生理位置在所述脑白质区域中的映射位置，并基于所述映射位置确定所述脑部神经纤维束的分布信息。
一种可选的实施方式中，所述确定所述脑部神经纤维束的分布信息的结构信息，包括：确定所述矫正磁共振图像中位于所述分布信息内的部分磁共振图像的距离场图像；其中，所述距离场图像用于指示位于所述部分磁共振图像的每个像素点的距离场值，所述距离场值用于指示该像素点到所述神经纤维束的边缘的最小距离；根据所述距离场图像确定所述脑部神经纤维束的结构信息。
一种可选的实施方式中，所述根据所述距离场图像确定所述脑部神经纤维束的结构信息，包括：将所述距离场图像划分为多个图像区域，并确定每个所述图像区域中最大距离场值所对应的目标像素点，得到多个目标像素点；将所述多个目标像素点进行连接，连接后获得所述脑部神经纤维束的结构信息。
一种可选的实施方式中，所述确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，包括：确定所述矫正磁共振图像中位于所述结构信息内的各像素点的目标灰度值；基于所述目标灰度值确定每个预设灰度值所对应像素点的数量，并基于各所述预设灰度值所对应像素点的数量构建所述灰度值分布曲线。
一种可选的实施方式中，所述基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域，包括：计算所述灰度值分布曲线的分布统计指标；基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域。
一种可选的实施方式中，所述基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域，包括：确定所述感兴趣脑部特征所对应的指标阈值；将所述分布统计指标和所述指标阈值进行比较，得到指标比较结果；在基于所述指标比较结果确定所述分布统计指标满足阈值要求的情况下，基于满足所述阈值要求的神经纤维束所在位置确定所述感兴趣区域；其中，所述阈值要求的神经纤维束所在位置用于指示所述感兴趣脑部特征在所述磁共振图像中的位置。
第二方面，本公开实施例提供了一种磁共振图像的处理装置，包括：获取单元，用于获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；提取单元，用于在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；第一确定单元，用于确定所述脑部神经纤维束的分布信息的结构信息；第二确定单元，用于确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本公开实施例提供了一种磁共振图像的处理方法、装置以及计算机设备。在本公开实施例中，首先获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；之后，可以在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，接下来，可以确定正磁共振图像中位于结构信息内像素点的灰度值分布曲线，并基于灰度值分布曲线确定磁共振图像的感兴趣区域。
上述实施方式中，通过在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，进而根据该结构信息确定灰度值分布曲线，以根据该灰度值分布曲线确定磁共振图像的感兴趣区域的方式，能够实现对磁共振图像进行自动化图像处理，从而在磁共振图像中自动地确定出感兴趣区域。相对于现有技术基于手动方式对扫描图像进行处理的方式，本公开实施例所提供的方法，能够降低工作人员的工作成本，提高工作人员的工作效率，同时可以提高对磁共振图像的图像识别的准确度。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本公开实施例所提供的一种磁共振图像的处理方法的流程图；
图2示出了本公开实施例所提供的磁共振图像的处理方法中，在所述矫正磁共振图像中提取脑部神经纤维束的分布信息的具体方法的流程图；
图3示出了本公开实施例所提供的磁共振图像的处理方法中，确定脑部神经纤维束的分布信息的结构信息的具体方法的流程图；
图4示出了本公开实施例所提供的磁共振图像的处理方法中，确定矫正磁共振图像中位于结构信息内像素点的灰度值分布曲线的具体方法的流程图；
图5示出了本公开实施例所提供的一种磁共振图像的处理装置的示意图；
图6示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
磁共振成像技术广泛地应用于多个领域，用于探测物体的内部结构。磁共振成像的原理为：当施加外在磁场后，采用射频脉冲激励被测组织内的质子，质子吸收一定的能量而发生共振；当停止发射射频脉冲后，被激励的质子将吸收的能量以信号的形式逐步释放出来，对这些信号进行采集，并采用图像重建技术对信号进行处理就可获得被测物体的扫描图像。
现有技术一般通过人工手动标记的方式在扫描图像中划分感兴趣ROI区域。由于不同扫描图像的复杂程度不同，人工划分感兴趣区域的方式，会增加工作人员的工作成本，降低工作人员的工作效率，同时导致一定的误差。
基于上述研究，本公开提供了一种磁共振图像的处理方法、装置以及计算机设备。在本公开实施例中，首先获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；之后，可以在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，接下来，可以确定正磁共振图像中位于结构信息内像素点的灰度值分布曲线，并基于灰度值分布曲线确定磁共振图像的感兴趣区域。
上述实施方式中，通过在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，进而根据该结构信息确定灰度值分布曲线，以根据该灰度值分布曲线确定磁共振图像的感兴趣区域的方式，能够实现对磁共振图像进行自动化图像处理，从而在磁共振图像中自动地确定出感兴趣区域。相对于现有技术基于手动方式对扫描图像进行处理的方式，本公开实施例所提供的方法，能够降低工作人员的工作成本，提高工作人员的工作效率，同时可以提高对磁共振图像的图像识别的准确度。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种磁共振图像的处理方法进行详细介绍，本公开实施例所提供的磁共振图像的处理方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备。在一些可能的实现方式中，该磁共振图像的处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面对本公开实施例提供的磁共振图像的处理方法加以说明。
实施例一
参见图1所示，为本公开实施例提供的一种磁共振图像的处理方法的流程图，所述方法包括步骤S101~S104，其中：
S101：获取头部的磁共振图像，并对所述磁共振图像进行伪影矫正处理，得到矫正磁共振图像。
这里，可以通过磁共振扫描设备，对目标对象的头部进行扫描，从而得到磁共振图像。在获取到磁共振图像之后，可以对磁共振图像进行伪影矫正处理，其中，伪影矫正处理包括但不限于以下处理：运动伪影、磁敏感伪影、涡流伪影矫正。具体实施时，可以通过FMRIB工具对磁共振图像进行伪影矫正处理，从而得到矫正磁共振图像。
在本公开实施例中，磁共振图像包括但限于T1、T2、FLAIR、SWI、MRA、DTI、DKI、DWI、ADC、ASL等成像，本公开对此不做具体限定。
S102：在所述矫正磁共振图像中提取脑部神经纤维束的分布信息。
在得到矫正磁共振图像之后，可以对矫正磁共振图像进行处理，从而在矫正磁共振图像中确定脑部神经纤维束的分布信息。这里，脑部神经纤维束的分布信息又可以称为脑部神经纤维束的分布模板。其中，该分布信息用于指示矫正磁共振图像的每个像素点是否为脑部神经纤维束。例如，当像素点是脑部神经纤维束时，则该像素点的像素值为1；当像素点不是脑部神经纤维束时，该像素点的像素值为0。
S103：确定所述脑部神经纤维束的分布信息的结构信息。
这里，脑部神经纤维束的结构信息又可以称为脑部神经纤维束的骨架信息。其中，该骨架信息（或者，结构信息）包含多个骨架像素点和每个骨架像素点的像素坐标。通过将多个骨架像素点进行连接，可以得到骨架信息（或者，结构信息）。
S104：确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
在本公开实施例中，在确定出脑部神经纤维束的结构信息之后，可以确定矫正磁共振图像中位于结构信息内像素点的灰度值分布曲线。
这里，可以确定矫正磁共振图像中位于结构信息内每个像素点的灰度值，进而确定每个像素点的灰度值的灰度分布信息，从而基于该灰度分布信息确定灰度值分布曲线。之后，可以基于该灰度值分布曲线确定磁共振图像的感兴趣区域。例如，可以基于该灰度值分布曲线在磁共振图像中确定已发生病变的位置、即将发生病变的位置、未发生病变的位置等感兴趣区域。
在本公开实施例中，可以基于灰度值分布曲线的曲线指标在磁共振图像中确定感兴趣区域；其中，曲线指标可以为灰度值分布曲线统计类指标，比如，可以为用于描述灰度值分布曲线的发散程度的指标。
上述实施方式中，通过在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，进而根据该结构信息确定灰度值分布曲线，以根据该灰度值分布曲线确定磁共振图像的感兴趣区域的方式，能够实现对磁共振图像进行自动化图像处理，从而在磁共振图像中自动地确定出感兴趣区域。相对于现有技术基于手动方式对扫描图像进行处理的方式，本公开实施例所提供的方法，能够降低工作人员的工作成本，提高工作人员的工作效率，同时可以提高对磁共振图像的图像识别的准确度。
在一个可选的实施方式中，如图2所示，上述步骤S102在所述矫正磁共振图像中提取脑部神经纤维束的分布信息，具体包括如下步骤：
步骤S11：在所述矫正磁共振图像中确定脑实质区域，并在所述脑实质区域中确定脑白质区域；
步骤S12：基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息；其中，所述神经纤维束的识别模型用于指示神经纤维束在脑白质区域中的正常生理位置。
在本公开实施例中，首先，在上述步骤所获得的矫正磁共振图像中提取脑实质区域Mbrain。这里，可以通过FMRIB等方法或工具对矫正磁共振图像/>进行处理，从而得到矫正磁共振图像/>中的每个像素点是否为脑实质区域，其中，如果该像素点为脑实质区域，则该像素点的像素值为1；如果该像素点不是脑实质区域，则该像素点的像素值为0。通过对像素点的像素值进行处理，可以在矫正磁共振图像中确定出脑实质区域。其中，脑实质是硬脑膜以下大脑中的物质，例如，脑组织的所有皮质、灰质和白质都为脑实质。
在确定出脑实质区域Mbrain之后，就可以在脑实质区域的范围内，提取脑白质区域Mwhite；然后，在脑白质区域Mwhite范围内，以神经纤维束的识别模型在脑白质区域中识别脑部神经纤维束的分布信息Mfiber。
这里，神经纤维束的识别模型可以为一个模型文件，该模型文件包含头部的标准磁共振图像，以及神经纤维束在该头部的标准磁共振图像的脑白质区域中的正常生理位置。
在本公开实施例中，神经纤维束的识别模型的数量可以为多个，例如，可以按照对象的年龄、性别设置多个神经纤维束的识别模型。
具体实施时，可以在多个神经纤维束的识别模型中选择与目标对象相匹配的神经纤维束的识别模型，并通过该相匹配的神经纤维束的识别模型在脑白质区域中识别脑部神经纤维束的分布信息。
例如，可以为0-12岁的儿童设置一个或多个神经纤维束的识别模型；可以为12-30岁的人群设置一个或多个神经纤维束的识别模型；可以为30-50岁的人群设置一个或多个神经纤维束的识别模型；可以为50岁以上的人群设置一个或多个神经纤维束的识别模型。
上述实施方式中，通过在矫正磁共振图像的脑实质区域中确定脑白质区域，并根据神经纤维束的识别模型在脑白质区域中识别脑部神经纤维束的分布信息的方式，可以实现全自动在矫正磁共振图像中确定脑部神经纤维束的分布信息；通过该神经纤维束的识别模型，可以从脑白质区域中准确并快速识别脑部神经纤维束的分布信息。
在一个可选的实施方式中，上述步骤S12基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息，具体包括如下步骤：
步骤S121：确定所述正常生理位置在所述脑白质区域中的映射位置，并基于所述映射位置确定所述脑部神经纤维束的分布信息。
在本公开实施例中，可以在脑白质区域中确定正常生理位置的映射位置。其中，该映射位置可以理解为矫正磁共振图像的脑白质区域中与该正常生理位置相对应的位置。
在一个可能的实施方式中，正常生理位置可以包含多个位置坐标，此时，可以在脑白质区域中确定与每个位置坐标相同的映射坐标，得到多个映射坐标。具体实施时，可以将脑白质区域中与多个位置坐标相同的坐标确定为映射坐标，并将该映射坐标所在像素点的像素值修改为1。之后，基于该多个映射坐标确定映射位置，即，将多个映射坐标所在位置（即，像素值为1的像素点所在位置）确定为映射位置，进而，将该映射位置确定为脑部神经纤维束的分布信息。
在另一个可能的实施方式中，可以将矫正磁共振图像的脑白质区域和头部的标准磁共振图像的脑白质区域进行重叠处理，然后，将头部的标准磁共振图像的脑白质区域中神经纤维束的正常生理位置，映射在矫正磁共振图像的脑白质区域，得到映射位置；然后，将该映射位置确定为脑部神经纤维束的分布信息。
这里，在将矫正磁共振图像的脑白质区域和头部的标准磁共振图像的脑白质区域进行重叠处理之后，如果矫正磁共振图像的脑白质区域和头部的标准磁共振图像的脑白质区域的大小存在差异，则可以对矫正磁共振图像或头部的标准磁共振图像进行缩放处理，使得矫正磁共振图像的脑白质区域和头部的标准磁共振图像的脑白质区域之间的区域误差在误差范围内。
上述实施方式中，通过确定正常生理位置在脑白质区域中的映射位置的方式确定脑部神经纤维束的分布信息的方式，能够实现自动地在矫正磁共振图像中确定该分布信息，同时可以提高分布信息的识别效率和识别准确性。
在一个可选的实施方式中，如图3所示，上述步骤S103确定所述脑部神经纤维束的分布信息的结构信息，具体包括如下步骤：
步骤S21：确定所述矫正磁共振图像中位于所述分布信息内的部分磁共振图像的距离场图像；其中，所述距离场图像用于指示位于所述部分磁共振图像的每个像素点的距离场值，所述距离场值用于指示该像素点到所述神经纤维束的边缘的最小距离；
步骤S22：根据所述距离场图像确定所述脑部神经纤维束的结构信息。
在本公开实施例中，首先，根据距离场计算函数Fdist确定矫正磁共振图像中位于该分布信息内的部分磁共振图像的距离场图像Idist，其中，距离场函数Fdist可以通过下述公式进行表示：
。
其中，Fdist是距离场计算函数，x，y分别指部分磁共振图像中每个像素点的x，y轴坐标，C指脑部神经纤维束的分布信息Mfiber的外围图像轮廓，xi，yi分别指外围图像轮廓C上的每个轮廓像素点的x，y轴坐标。
通过上述公式可知，针对部分磁共振图像中的每个像素点，可以计算该像素点和每个轮廓像素点之间的距离，从而得到多个距离；之后，可以在多个距离中选择最小距离（即像素点到神经纤维束的边缘的最小距离）作为该像素点的距离场值。然后，可以基于部分磁共振图像中每个像素点的距离场值确定距离场图像；其中，距离场图像中每个像素点的像素值即为该像素点的距离场值。
在确定出距离场图像之后，可以根据该距离场图像确定脑部神经纤维束的结构信息。
具体实施时，可以提取距离场图像Idist的所有局部最大值V(pk-local)以及所有局部最大值所在位置L(pk-local)；然后，将所有局部最大值所有局部最大值所在位置L(pk-local)按就近原则进行连接，从而得到脑部神经纤维束的分布信息的结构信息M(fiber-skl)。
在一个可选的实施方式中，步骤S22根据所述距离场图像确定所述脑部神经纤维束的结构信息，具体包括如下步骤：
步骤S221：将所述距离场图像划分为多个图像区域，并确定每个所述图像区域中最大距离场值所对应的目标像素点，得到多个目标像素点；
步骤S222：将所述多个目标像素点进行连接，连接后获得所述脑部神经纤维束的结构信息。
在本公开实施例中，可以将距离场图像划分为多个图像区域，其中，可以根据实际需要设置图像区域的数量，本公开对此不做具体限定。
这里，可以确定每个图像区域的最大距离场值（即局部最大值V(pk-local)），并确定最大距离场值所对应的目标像素点（即，上述所描述的骨架像素点，也即局部最大值所在位置L(pk-local)），从而得到多个目标像素点。接下来，可以按照就近原则将多个目标像素点进行连接，从而连接得到脑部神经纤维束的结构信息。
通过上述处理方式，可以实现自动化提取脑部神经纤维束的结构信息，从而为感兴趣区域的自动化确定提供相应的基础。
在一个可选的实施方式中，如图4所示，上述步骤S104确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，具体包括如下步骤：
步骤S31：确定所述矫正磁共振图像中位于所述结构信息内的各像素点的目标灰度值；
步骤S32：基于所述目标灰度值确定每个预设灰度值所对应像素点的数量，并基于各所述预设灰度值所对应像素点的数量构建所述灰度值分布曲线。
在本公开实施例中，可以提取矫正磁共振图像中位于结构信息M(fiber-skl)内的各像素点的灰度值V(fiber-skl)，从而得到目标灰度值；然后，提取灰度值V(fiber-skl)的灰度分布曲线，得到灰度值分布曲线。
具体实施时，可以预先设置多个预设灰度值，例如，该多个预设灰度值可以为0-255范围内的256个整数。此时，可以确定多个目标灰度值中数值为各预设灰度值的像素点的数量，从而基于该数量构建灰度值分布曲线。也就是说，该灰度值分布曲线的横坐标为预设灰度值，该灰度值分布曲线的纵坐标为多个目标灰度值中数值为各预设灰度值的像素点的数量。
在确定出灰度值分布曲线之后，就可以基于灰度值分布曲线确定所述磁共振图像的感兴趣区域。
在一个可选的实施方式中，步骤S104基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域，具体包括如下步骤：
步骤S33：计算所述灰度值分布曲线的分布统计指标；
在本公开实施例中，可以计算骨架信息内的灰度值分布曲线的分布统计指标（即，上述所描述的曲线指标）。具体实施时，可以在上述灰度值V(fiber-skl)的灰度分布曲线中，计算其相关分布统计指标，其中，该分布统计指标包括但不限于灰度值分布曲线的峰值位置Lh，灰度值分布曲线的方差Varh，灰度值分布曲线的标准差Stdh，灰度值分布曲线的均值Meanh等指标。
步骤S34：基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域，具体包括如下步骤：
首先，确定所述感兴趣脑部特征所对应的指标阈值；然后，将所述分布统计指标和所述指标阈值进行比较，得到指标比较结果；最后，在基于所述指标比较结果确定所述分布统计指标满足阈值要求的情况下，基于满足所述阈值要求的神经纤维束所在位置确定所述感兴趣区域；其中，所述阈值要求的神经纤维束所在位置用于指示所述感兴趣脑部特征在所述磁共振图像中的位置。
由于不同的感兴趣区域携带不同的感兴趣脑部特征，不同的感兴趣脑部特征对应的指标阈值也不完全相同。基于此，可以根据感兴趣区域的区域类型，确定感兴趣脑部特征所对应的指标阈值；然后，将分布统计指标和所述指标阈值进行比较，得到指标比较结果。如果根据指标比较结果确定满足阈值要求，则根据满足所述阈值要求的神经纤维束所在位置确定所述感兴趣区域，例如，可以根据满足所述阈值要求的神经纤维束所在位置确定发生病变的脑部位置。
通过上述处理方式，可以实现全自动化分析图像评估指标，无需人工操作，提升效率。且该处理方式，能够适用于任意类型的磁共振图像，具有广泛的实用性。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与磁共振图像的处理方法对应的磁共振图像的处理装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述磁共振图像的处理方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
实施例二
参照图5所示，为本公开实施例提供的一种磁共振图像的处理装置的架构示意图，所述装置包括：获取单元10、提取单元20、第一确定单元30和第二确定单元40；其中，
获取单元10，用于获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；
提取单元20，用于在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；
第一确定单元30，用于确定所述脑部神经纤维束的分布信息的结构信息；
第二确定单元40，用于确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
上述实施方式中，通过在矫正磁共振图像中提取脑部神经纤维束的分布信息，并基于该分布信息确定脑部神经纤维束的结构信息，进而根据该结构信息确定灰度值分布曲线，以根据该灰度值分布曲线确定磁共振图像的感兴趣区域的方式，能够实现对磁共振图像进行自动化图像处理，从而在磁共振图像中自动地确定出感兴趣区域。相对于现有技术基于手动方式对扫描图像进行处理的方式，本公开实施例所提供的方法，能够降低工作人员的工作成本，提高工作人员的工作效率，同时可以提高对磁共振图像的图像识别的准确度。
一种可能的实施方式中，提取单元，用于：在所述矫正磁共振图像中确定脑实质区域，并在所述脑实质区域中确定脑白质区域；基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息；其中，所述神经纤维束的识别模型用于指示神经纤维束在脑白质区域中的正常生理位置。
一种可能的实施方式中，提取单元，用于：确定所述正常生理位置在所述脑白质区域中的映射位置，并基于所述映射位置确定所述脑部神经纤维束的分布信息。
一种可能的实施方式中，第一确定单元，用于：确定所述矫正磁共振图像中位于所述分布信息内的部分磁共振图像的距离场图像；其中，所述距离场图像用于指示位于所述部分磁共振图像的每个像素点的距离场值，所述距离场值用于指示该像素点到所述神经纤维束的边缘的最小距离；根据所述距离场图像确定所述脑部神经纤维束的结构信息。
一种可能的实施方式中，第一确定单元，用于：将所述距离场图像划分为多个图像区域，并确定每个所述图像区域中最大距离场值所对应的目标像素点，得到多个目标像素点；将所述多个目标像素点进行连接，连接后获得所述脑部神经纤维束的结构信息。
一种可能的实施方式中，第二确定单元，用于：确定所述矫正磁共振图像中位于所述结构信息内的各像素点的目标灰度值；基于所述目标灰度值确定每个预设灰度值所对应像素点的数量，并基于各所述预设灰度值所对应像素点的数量构建所述灰度值分布曲线。
一种可能的实施方式中，第二确定单元，用于：计算所述灰度值分布曲线的分布统计指标；基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域。
一种可能的实施方式中，第二确定单元，用于：确定所述感兴趣脑部特征所对应的指标阈值；将所述分布统计指标和所述指标阈值进行比较，得到指标比较结果；在基于所述指标比较结果确定所述分布统计指标满足阈值要求的情况下，基于满足所述阈值要求的神经纤维束所在位置确定所述感兴趣区域；其中，所述阈值要求的神经纤维束所在位置用于指示所述感兴趣脑部特征在所述磁共振图像中的位置。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
实施例三
对应于图1中的基于磁共振图像的处理方法，本公开实施例还提供了一种计算机设备600，如图6所示，为本公开实施例提供的计算机设备600结构示意图，包括：
处理器61、存储器62、和总线63；存储器62用于存储执行指令，包括内存621和外部存储器622；这里的内存621也称内存储器，用于暂时存放处理器61中的运算数据，以及与硬盘等外部存储器622交换的数据，处理器61通过内存621与外部存储器622进行数据交换，当所述计算机设备600运行时，所述处理器61与所述存储器62之间通过总线63通信，使得所述处理器61执行以下指令：
获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；
在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；
确定所述脑部神经纤维束的分布信息的结构信息；
确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的磁共振图像的处理方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的磁共振图像的处理方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包（Software Development Kit，SDK）等等。
所属领域技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种磁共振图像的处理方法，其特征在于，包括：
获取头部的磁共振图像，并对所述磁共振图像进行伪影矫正处理，得到矫正磁共振图像；
在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；
确定所述脑部神经纤维束的分布信息的结构信息；
确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
2.根据权利要求1所述的方法，其特征在于，所述在所述矫正磁共振图像中提取脑部神经纤维束的分布信息，包括：
在所述矫正磁共振图像中确定脑实质区域，并在所述脑实质区域中确定脑白质区域；
基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息；其中，所述神经纤维束的识别模型用于指示神经纤维束在脑白质区域中的正常生理位置。
3.根据权利要求2所述的方法，其特征在于，所述基于神经纤维束的识别模型，在所述脑白质区域中识别所述脑部神经纤维束的分布信息，包括：
确定所述正常生理位置在所述脑白质区域中的映射位置，并基于所述映射位置确定所述脑部神经纤维束的分布信息。
4.根据权利要求1所述的方法，其特征在于，所述确定所述脑部神经纤维束的分布信息的结构信息，包括：
确定所述矫正磁共振图像中位于所述分布信息内的部分磁共振图像的距离场图像；其中，所述距离场图像用于指示位于所述部分磁共振图像的每个像素点的距离场值，所述距离场值用于指示该像素点到所述神经纤维束的边缘的最小距离；
根据所述距离场图像确定所述脑部神经纤维束的结构信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述距离场图像确定所述脑部神经纤维束的结构信息，包括：
将所述距离场图像划分为多个图像区域，并确定每个所述图像区域中最大距离场值所对应的目标像素点，得到多个目标像素点；
将所述多个目标像素点进行连接，连接后获得所述脑部神经纤维束的结构信息。
6.根据权利要求1所述的方法，其特征在于，所述确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，包括：
确定所述矫正磁共振图像中位于所述结构信息内的各像素点的目标灰度值；
基于所述目标灰度值确定每个预设灰度值所对应像素点的数量，并基于各所述预设灰度值所对应像素点的数量构建所述灰度值分布曲线。
7.根据权利要求1所述的方法，其特征在于，所述基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域，包括：
计算所述灰度值分布曲线的分布统计指标；
基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域。
8.根据权利要求7所述的方法，其特征在于，所述基于所述分布统计指标确定所述感兴趣脑部特征在所述磁共振图像中的位置，得到所述感兴趣区域，包括：
确定所述感兴趣脑部特征所对应的指标阈值；
将所述分布统计指标和所述指标阈值进行比较，得到指标比较结果；
在基于所述指标比较结果确定所述分布统计指标满足阈值要求的情况下，基于满足所述阈值要求的神经纤维束所在位置确定所述感兴趣区域；其中，所述阈值要求的神经纤维束所在位置用于指示所述感兴趣脑部特征在所述磁共振图像中的位置。
9.一种磁共振图像的处理装置，其特征在于，包括：
获取单元，用于获取头部的磁共振图像，并对磁共振图像进行伪影矫正处理，得到矫正磁共振图像；
提取单元，用于在所述矫正磁共振图像中提取脑部神经纤维束的分布信息；
第一确定单元，用于确定所述脑部神经纤维束的分布信息的结构信息；
第二确定单元，用于确定所述矫正磁共振图像中位于所述结构信息内像素点的灰度值分布曲线，并基于所述灰度值分布曲线确定所述磁共振图像的感兴趣区域；其中，所述感兴趣区域用于指示感兴趣脑部特征在所述磁共振图像中的位置。
10.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一项所述的磁共振图像的处理方法的步骤。
CN202310807121.6A 2023-07-04 2023-07-04 磁共振图像的处理方法、装置以及计算机设备 Active CN116542997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310807121.6A CN116542997B (zh) 2023-07-04 2023-07-04 磁共振图像的处理方法、装置以及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310807121.6A CN116542997B (zh) 2023-07-04 2023-07-04 磁共振图像的处理方法、装置以及计算机设备

Publications (2)

Publication Number Publication Date
CN116542997A true CN116542997A (zh) 2023-08-04
CN116542997B CN116542997B (zh) 2023-11-17

Family

ID=87458128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310807121.6A Active CN116542997B (zh) 2023-07-04 2023-07-04 磁共振图像的处理方法、装置以及计算机设备

Country Status (1)

Country Link
CN (1) CN116542997B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170052241A1 (en) * 2015-08-17 2017-02-23 Siemens Healthcare Gmbh Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis
CN107146235A (zh) * 2017-05-02 2017-09-08 厦门大学 一种基于自适应卷积核的磁共振相位图的背景场去除方法
US20180020974A1 (en) * 2015-01-19 2018-01-25 Brainlab Ag Tissue-orientation-based simulation of deep brain stimulation
US20180344161A1 (en) * 2015-11-12 2018-12-06 Koninklijke Philips N.V. Medical instrument for analysis of white matter brain lesions
US20190139236A1 (en) * 2016-12-28 2019-05-09 Shanghai United Imaging Healthcare Co., Ltd. Method and system for processing multi-modality image
CN110533664A (zh) * 2019-07-26 2019-12-03 浙江工业大学 一种基于大样本数据驱动的颅神经自动分割方法
CN110599560A (zh) * 2019-08-05 2019-12-20 上海联影医疗科技有限公司 磁共振成像方法、装置、存储介质及计算机设备
CN111091561A (zh) * 2019-12-20 2020-05-01 上海联影医疗科技有限公司 感兴趣区的神经纤维提取方法、系统、设备及存储介质
CN112036678A (zh) * 2020-06-12 2020-12-04 北京师范大学 一种磁共振影像的综合质量评价体系构建方法及质控方法
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180020974A1 (en) * 2015-01-19 2018-01-25 Brainlab Ag Tissue-orientation-based simulation of deep brain stimulation
US20170052241A1 (en) * 2015-08-17 2017-02-23 Siemens Healthcare Gmbh Tractography Framework With Magnetic Resonance Imaging For Brain Connectivity Analysis
US20180344161A1 (en) * 2015-11-12 2018-12-06 Koninklijke Philips N.V. Medical instrument for analysis of white matter brain lesions
US20190139236A1 (en) * 2016-12-28 2019-05-09 Shanghai United Imaging Healthcare Co., Ltd. Method and system for processing multi-modality image
CN107146235A (zh) * 2017-05-02 2017-09-08 厦门大学 一种基于自适应卷积核的磁共振相位图的背景场去除方法
CN110533664A (zh) * 2019-07-26 2019-12-03 浙江工业大学 一种基于大样本数据驱动的颅神经自动分割方法
CN110599560A (zh) * 2019-08-05 2019-12-20 上海联影医疗科技有限公司 磁共振成像方法、装置、存储介质及计算机设备
CN111091561A (zh) * 2019-12-20 2020-05-01 上海联影医疗科技有限公司 感兴趣区的神经纤维提取方法、系统、设备及存储介质
CN112036678A (zh) * 2020-06-12 2020-12-04 北京师范大学 一种磁共振影像的综合质量评价体系构建方法及质控方法
CN115359305A (zh) * 2022-10-19 2022-11-18 之江实验室 一种大脑纤维束异常区域精准定位系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李川;彭甫;陆建峰;: "基于距离场细化的骨架提取算法", 微电子学与计算机, no. 10 *
杜光伟, 曹会志, 罗述谦: "一种脑MRA图像自动分割算法及其在图像导引神经外科中的应用", 中国生物医学工程学报, no. 04 *

Also Published As

Publication number Publication date
CN116542997B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
EP2483863B1 (en) Method and apparatus for processing medical images
CN107492097B (zh) 一种识别mri图像感兴趣区域的方法及装置
US7916919B2 (en) System and method for segmenting chambers of a heart in a three dimensional image
US20200214619A1 (en) Automated co-registration of prostate mri data
CN103249358B (zh) 医用图像处理装置
US8498459B2 (en) System and method for verifying registration accuracy in digital medical images
US8076937B2 (en) Fibre tracking on the basis of macroscopic information
US8831311B2 (en) Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images
EP1974313A2 (en) An integrated segmentation and classification approach applied to medical applications analysis
US20110064289A1 (en) Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images
CN110782428A (zh) 一种用于构建临床脑部ct图像roi模板的方法及系统
WO2007058631A1 (en) Method and device for correction of magnetic resonance images
Goceri Automatic kidney segmentation using Gaussian mixture model on MRI sequences
Ceranka et al. Multi‐atlas segmentation of the skeleton from whole‐body MRI—Impact of iterative background masking
Konukoglu et al. Monitoring slowly evolving tumors
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN116542997B (zh) 磁共振图像的处理方法、装置以及计算机设备
US11551371B2 (en) Analyzing symmetry in image data
Paknezhad et al. Improved tagged cardiac MRI myocardium strain analysis by leveraging cine segmentation
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
KR20120050595A (ko) 좌심실 자동 분할 방법
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
CN114862799A (zh) 一种用于flair-mri序列的全自动脑体积分割算法
CN113223033A (zh) 基于图像融合的家禽体温检测方法、设备以及介质
Billet et al. The use of robust local Hausdorff distances in accuracy assessment for image alignment of brain MRI

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