CN116630342A - 腹部mri图像分割系统、方法、电子设备及存储介质 - Google Patents

腹部mri图像分割系统、方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116630342A
CN116630342A CN202310514251.0A CN202310514251A CN116630342A CN 116630342 A CN116630342 A CN 116630342A CN 202310514251 A CN202310514251 A CN 202310514251A CN 116630342 A CN116630342 A CN 116630342A
Authority
CN
China
Prior art keywords
image
abdominal
segmentation
abdomen
segmentation model
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
Application number
CN202310514251.0A
Other languages
English (en)
Inventor
李洁
王立学
韩晨光
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 Tsinghua Changgeng Hospital
Original Assignee
Beijing Tsinghua Changgeng 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 Tsinghua Changgeng Hospital filed Critical Beijing Tsinghua Changgeng Hospital
Priority to CN202310514251.0A priority Critical patent/CN116630342A/zh
Publication of CN116630342A publication Critical patent/CN116630342A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开了一种腹部MRI图像分割系统、方法、电子设备及存储介质，腹部MRI图像分割方法包括：构建循环对抗生成网络，基于循环对抗生成网络将腹部MRI图像转换为等效的合成CT图像，基于合成CT图像构建训练集；构建VAT分割模型和SAT分割模型；将训练集分别输入至VAT分割模型和SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；基于分割结果对腹部MRI图像进行脂肪体积定量分析得到脂肪体积定量分析结果。该腹部MRI图像分割方法解决现有技术中腹部MRI图像分割在训练时需要大量经过手动标记的MRI图像的问题。

Description

腹部MRI图像分割系统、方法、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种腹部MRI图像分割系统、方法、电子设备及存储介质。
背景技术
肥胖已经被证明与多种疾病的发病风险存在着正相关，内脏脂肪组织(visceraladipose tissue，VAT)和皮下脂肪组织(subcutaneous adipose tissue，SAT)这两种形式的腹部脂肪组织的定量分析有助于更好地了解和评估患者的病情。目前已经有一些非侵入性成像技术可以对脂肪组织(SAT和VAT)进行识别，如计算机断层扫描(computedtomography，CT)、双能X射线吸收测量(dual x-ray absorptiometry，DEXA)和磁共振成像(magnetic resonance imaging，MRI)。DEXA是目前使用最广泛的监测体脂的方法，但DEXA并不能提供任何解剖学信息，也不能对VAT和SAT进行分割。
MRI与CT相比是一种更安全的成像方式，因为它不使用潜在有害的电离辐射。尽管MRI安全性更高且可以提供更丰富、准确度更高的解剖信息，但与CT图像相比，在MRI图像中分割脂肪组织十分困难。目前广泛应用于CT图像的基于Hounsfield单位(Hounsfieldunit，HU)的阈值分割方法并不能直接应用于MRI图像中的脂肪组织分割。
而传统的手动方法需要经过专业培训的医生绘制整个腹部区域的边界，并分别描绘VAT和SAT区域，这种手动方法需要耗费大量的人工精力和时间，并且具有较强的主观性。半自动方法使用可调节阈值、边界增强和其他图像处理工具来帮助观察者识别脂肪组织，与手动分割方法相比，这种方法相对省时省力，但经过专业培训的医生处理一个切片平均仍需要5-10分钟的时间。整个腹部扫描通常由15至50个切片组成，当通过半自动分割方法进行处理时，会产生大量的图像处理任务。手动和半自动方法都需要医生手动的干预，不仅费时费力，且由于主观因素会导致观察者之间和观察者内部的差异，从而破坏数据的可靠性。
通过使用适当的特征选择和机器学习技术(如深度学习)开发高精度的自动分割算法可以节省医生的人工精力和时间，但这种算法训练将需要大量经过手动标记的MRI图像。
现亟需一种不需要对MRI图像进行手动标记，便可以训练VAT和SAT的自动化分割模型的方法。
发明内容
本发明实施例的目的在于提供一种腹部MRI图像分割系统、方法、电子设备及存储介质，用以解决现有技术中腹部MRI图像分割在训练时需要大量经过手动标记的MRI图像的问题。
为实现上述目的，本发明实施例提供一种腹部MRI图像分割方法，所述方法具体包括：
获取腹部MRI图像；
构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；
构建VAT分割模型和SAT分割模型；
将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；
基于所述训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；
基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集，包括：
所述循环对抗生成网络包括第一生成器、第二生成器、第一鉴别器和第二鉴别器；
基于所述第一生成器从I B生成I BA，基于所述第二生成器从IA生成IAB；
基于所述第一鉴别器从I BA识别I A，基于所述第二鉴别器从IAB识别I B；
其中，所述IA为MRI图像，所述I B为CT图像，所述IAB为合成MRI图像，I BA为合成CT图像。
进一步地，所述构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集，包括：
对所述腹部MRI图像进行腹部组织掩膜计算；
对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正；
对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理；
对进行图像聚类处理后的腹部MR I图像进行图像转换处理得到所述合成CT图像。
进一步地，所述对所述腹部MR I图像进行腹部组织掩膜计算，包括：
基于区域生长迭代算法从空气背景和不重要的肢体中分离腹部组织体素得到新体素；
计算空气背景体素的平均值μb和标准差σb；
计算新体素的新体素值；
判断所述新体素值是否小于μb+3σb，当所述新体素值小于μb+3σb时，将新体素确定为背景，当所述新体素值大于μb+3σb时，将所述新体素确定为组织，并采用图像形态学算法得到代表腹部的最大组织区域。
进一步地，所述对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正，包括：
通过公式1计算观察到的不均匀MRI图像；
Ib＝IcB+n 公式1；
其中，Ib为观察到的不均匀MRI图像，B为具有强度变化的偏置场，Ic为经过校正的图像，n为附加噪声；
基于局部熵最小化法进行偏置场的校正，通过使用高于Ib平均强度的体素将2D多项式函数拟合到Ib来预测初始偏置场B0；
通过公式2计算初始校正图像；
Ic0＝Ib/B0 公式2；
其中，Ic0为初始校正图像，B0为初始偏置场，Ic0从B0值最高的节点处开始进行第一区域R1的熵优化处理；
在B0值第二高的节点处开始进行第二区域R2的熵优化处理，判断R2中校正的Ic0的平均强度值与R1中校正的Ic0的平均强度值是否相似，若是，在熵优化处理之前将R1和R2进行合并处理，否则，对R2进行单独的熵优化处理。
进一步地，所述对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理，包括：
使用具有欧几里德范数的模糊c均值算法，将进行强度不均匀校正后的MRI图像自动分类为腹部脂肪组织和腹部非脂肪组织。
进一步地，所述基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果，包括：
根据体积数据对所述腹部脂肪组织进行量化，在MR I序列中，选择中间切片作为起始切片，使用该起始切片计算的偏置场为剩余切片提供初始值；
在每个切片中计算的活动轮廓被用作相邻切片中的初始轮廓，通过将体素数量乘以体素体积从一个切片中计算VAT和SAT；
在所有切片被处理后，根据切片的位置和厚度堆叠每个切片的VAT和SAT，从而构建表示腹部VAT和SAT总体积的3D图像，并通过对序列中每个切片的脂肪体积求和来获得VAT、SAT和TAT的总测量值。
一种腹部MR I图像分割系统，包括：
获取模块，用于获取腹部MR I图像；
第一构建模块，用于构建循环对抗生成网络；
基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像；
第二构建模块，用于基于所述合成CT图像构建训练集；
第三构建模块，用于构建VAT分割模型和SAT分割模型；
训练模块，用于将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；
基于所述训练好的VAT分割模型和SAT分割模型对腹部MR I图像进行分割得到分割结果；
分析模块，用于基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中腹部MR I图像分割方法，获取腹部MRI图像；
构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；构建VAT分割模型和SAT分割模型；将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于所述训练好的VAT分割模型和SAT分割模型对腹部MR I图像进行分割得到分割结果；基于所述分割结果对腹部MRI图像进行脂肪体积定量分析得到脂肪体积定量分析结果；解决了现有技术中腹部MRI图像分割在训练时需要大量经过手动标记的MRI图像的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明腹部MRI图像分割方法的流程图；
图2为本发明腹部MRI图像分割系统的架构图；
图3为本发明基于循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像的示意图；
图4为本发明VAT分割模型和SAT分割模型的示意图；
图5为本发明皮下和内脏脂肪分割的结果示意图；
图6为本发明利用MRI切片重建的腹部脂肪体积的可视化结果示意图。
图7为本发明提供的电子设备实体结构示意图。
其中附图标记为：
获取模块10，第一构建模块20，第二构建模块30，第三构建模块40，训练模块50，分析模块60，电子设备70，处理器701，存储器702，总线703。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1为本发明腹部MRI图像分割方法实施例流程图，如图1所示，本发明实施例提供的一种腹部MRI图像分割方法包括以下步骤：
S101，获取腹部MRI图像；
具体的，磁共振成像(MRI)是根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理而采用的一项新检查技术。
MRI是通过体外高频磁场作用，由体内物质向周围环境辐射能量产生信号实现的，成像过程与图像重建和CT相近，只是MRI既不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场和物体的相互作用来成像，高能磁场对人体无害。
MRI与CT比较，其主要优点是：
①离子化放射对脑组织无放射性损害，也无生物学损害。
②可以直接做出横断面、矢状面、冠状面和各种斜面的体层图像。
③没有CT图像中那种射线硬化等伪影。
④不受骨像干扰，对后颅凹底和脑干等处的小病变能满意显示，对颅骨顶部和矢状窦旁、外侧裂结构和广泛转移的肿瘤有很高的诊断价值。
⑤显示疾病的病理过程较CT更广泛，结构更清楚。能发现CT显示完全正常的等密度病灶，特别能发现脱髓鞘性疾病、脑炎、感染性脱髓鞘、缺血性病变及低度胶质瘤。
S102，构建循环对抗生成网络，基于循环对抗生成网络将腹部MRI图像转换为等效的合成CT图像，基于合成CT图像构建训练集；
具体的，与CT图像相比，在MRI图像中分割脂肪组织十分困难。目前广泛应用于CT图像的基于Hounsfield单位(Hounsfield unit，HU)的阈值分割方法并不能直接应用于MRI图像中的脂肪组织分割。
所以，要将腹部MRI图像转换为等效的合成CT图像；
所述循环对抗生成网络包括第一生成器、第二生成器、第一鉴别器和第二鉴别器：
基于所述第一生成器从IB生成IBA，基于所述第二生成器从IA生成IAB；
基于所述第一鉴别器从IBA识别IA，基于所述第二鉴别器从IAB识别IB；
其中，所述IA为MRI图像，所述IB为CT图像，所述IAB为合成MRI图像，IBA为合成CT图像。
对所述腹部MRI图像进行腹部组织掩膜计算；
对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正；
对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理；
对进行图像聚类处理后的腹部MRI图像进行图像转换处理得到所述合成CT图像。
所述对所述腹部MRI图像进行腹部组织掩膜计算，包括：
基于区域生长迭代算法从空气背景和不重要的肢体中分离腹部组织体素得到新体素；
计算空气背景体素的平均值μb和标准差σb；
计算新体素的新体素值；
判断所述新体素值是否小于μb+3σb，当所述新体素值小于μb+3σb时，将新体素确定为背景，当所述新体素值大于μb+3σb时，将所述新体素确定为组织，并采用图像形态学算法得到代表腹部的最大组织区域。
采用图像形态学算法来闭合图像并填充孔洞，测量图像中每个组织区域的大小，移除包含四肢的较小区域，仅保留代表腹部的最大组织区域。如图3a所示为T1加权腹部MRI切片，其两侧有多余的肢体；如图3b所示为腹部组织掩模；图3c显示了移除四肢后保留腹部组织的图像。该掩膜可以限制图像处理步骤的计算区域，可以加快计算速度并减少腹部以外躯体所造成的图像伪影或噪声。
所述对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正，包括：
MRI线圈灵敏度和主磁场的空间不均匀性导致MRI切片上存在信号强度不均匀的伪影。导致这种不均匀性的偏置场模型可以概括为公式1：
通过公式1计算观察到的不均匀MRI图像；
Ib＝IcB+n 公式1；
其中，Ib为观察到的不均匀MRI图像，B为具有强度变化的偏置场，Ic为经过校正的图像，n为附加噪声；原始T1加权MRI图像(图3a)具有明显的不均匀强度，如果不进行校正，同一组织(即脂肪或肌肉)内的这种变化通常会误导分割过程。
基于局部熵最小化法进行偏置场的校正，通过使用高于Ib平均强度的体素将2D多项式函数拟合到Ib来预测初始偏置场B0；
通过公式2计算初始校正图像；
Ic0＝Ib/B0 公式2；
其中，Ic0为初始校正图像，B0为初始偏置场，Ic0从B0值最高的节点处开始进行第一区域R1的熵优化处理；
在B0值第二高的节点处开始进行第二区域R2的熵优化处理，判断R2中校正的Ic0的平均强度值与R1中校正的Ic0的平均强度值是否相似，若是，在熵优化处理之前将R1和R2进行合并处理，否则，对R2进行单独的熵优化处理。这种自适应分段优化过程一直持续到处理完所有节点，最终形成校正图像Ic。基于LEMS法的偏置场校正提高了中MRI图像种相同组织的均匀性，同时可以防止非脂肪区域的过度校正(图3d)。
所述对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理，包括：
使用具有欧几里德范数的模糊c均值算法，将进行强度不均匀校正后的MRI图像自动分类为腹部脂肪组织和腹部非脂肪组织。
使用具有欧几里德范数的模糊c均值(fuzzy c-means，FCM)算法，将强度校正后的MRI图像自动分类为脂肪组织和非脂肪组织。FCM迭代期间要最小化的能量函数定义为：
其中，N是MRI图像的体素总数，K是聚类的数量(K＝3，即脂肪组织、非脂肪组织和背景)，yi是体素强度，ck是第K个聚类的中心强度。
在FCM算法中，模糊隶属函数以及聚类中心/>的更新分别定义如下：
其中，是第n次迭代时体素强度yi属于类别k的模糊隶属度概率，/>是第n次迭代中类别k的更新后的类别中心强度值，b是用户定义参数且0＜b＜1。通过更新每个聚类的中心强度，对上述函数进行迭代优化。当中心强度/>达到稳定时，迭代停止。图3e-图3h显示了经过强度不均匀校正后的MRI图像的聚类结果。
对进行图像聚类处理后的腹部MRI图像进行图像转换处理得到所述合成CT图像，包括：
C-GAN架构建立在GAN模型上，可以实现来自域A(MRI)和B(CT)的图像之间的双域图像转换。C-GAN使用两个生成器(GA从IB生成IBA，GB从IA生成IAB)以及两个鉴别器(DA从IBA识别IA，DB从IAB识别IB)。使用均方误差(mean square error，MSE)定义生成器的损失函数：
Gloss＝MSE(1，DB(IAB))+MSE(1，DA(IBA))+α[MSE(IABA，IA)+MSE(IBAB，IB)]+β[MSE(IBA，IB)+MSE(IAB，IA)]
其中α和β分别优化为10.0和2.0。所述IA为MRI图像，所述IB为CT图像，所述IAB为合成MRI图像，IBA为合成CT图像，IABA和IBAB代表经C-GAN处理之后生成的图像。
S103，构建VAT分割模型和SAT分割模型；
S104，将训练集分别输入至VAT分割模型和SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型。
具体的，将合成CT图像划分为训练集、测试集和验证集；
基于所述训练集训练所述VAT分割模型和SAT分割模型；基于所述验证集分别对所述VAT分割模型和SAT分割模型进行性能验证，保存满足性能条件的改进VB-Net神经网络模型；基于所述测试集评估所述VAT分割模型和SAT分割模型的分割结果。
S105，基于训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果。
具体的，基于U-Net算法分别训练VAT和SAT分割模型(如图4所示)，使用主动轮廓模型通过定位腹肌壁(即目标轮廓)并基于最小化图像能量分割VAT和SAT。假设图像μ0由两个分段恒定强度近似的区域形成，并具有不同的值和/>进一步假设要检测的对象由值为/>的区域表示，用C0表示其边界轮廓。则在C0内部：/>而在C0外部：使用如下公式进行拟合：
F1(C)+F2(C)＝∫inside(C)|μ0(x，y)-c1|2dxdy+∫outside(C)|μ0(x，y)-c2|2dx dy
其中C是任何其他变量曲线，常数c1和c2分别是C内部和外部的μ0平均值，则边界轮廓C0为拟合函数的最小值：
在前一区域生长迭代中获得的腹部轮廓被用作初始轮廓。当轮廓稳定或达到最大迭代次数时，迭代自动停止，优化后的最终轮廓可以包围所有内脏区域。最终分割结果如图5所示，分割结果覆盖在经过校正的MR I图像上。
S106，基于分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
具体的，根据体积数据对所述腹部脂肪组织进行量化，在MR I序列中，选择中间切片作为起始切片，使用该起始切片计算的偏置场为剩余切片提供初始值；
在每个切片中计算的活动轮廓被用作相邻切片中的初始轮廓，通过将体素数量乘以体素体积从一个切片中计算VAT和SAT；
在所有切片被处理后，根据切片的位置和厚度堆叠每个切片的VAT和SAT，从而构建表示腹部VAT和SAT总体积的3D图像，并通过对序列中每个切片的脂肪体积求和来获得VAT、SAT和TAT的总测量值。如图6a、图6b和图6c所示分别为从一个MR I序列中的多个切片重建的SAT、VAT和TAT体积。
本发明中腹部MR I图像分割方法，获取腹部MR I图像；构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；构建VAT分割模型和SAT分割模型；将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于所述训练好的VAT分割模型和SAT分割模型对腹部MR I图像进行分割得到分割结果；基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果；解决了现有技术中腹部MRI图像分割在训练时需要大量经过手动标记的MRI图像的问题。
本专利发明了一种用于腹部MR I图像中脂肪组织自动化定量分割的深度学习算法，可以更高效地对脂肪组织进行分割和定量分析，节省人工精力和时间。在一个MR I切片中对VAT和SAT进行人工手动分割需要大约5-10分钟，而使用自动化深度学习算法只需要20到103秒。在对脂肪组织的定量分析中，手动操作需要大约1.5小时来分析一个MR I序列中的所有切片，但使用自动化深度学习算法处理一个MRI序列只需要10到20分钟。因此，本专利所发明的基于深度学习的全自动算法极大地提高了从MRI切片中分割脂肪组织的效率。此外，自动化算法不需要手工操作和任何先验信息，可以避免人工操作的主观性差异对分割结果造成的影响，从而提高脂肪组织分割以及定量分析结果的稳健性。
图2为本发明腹部MRI图像分割系统实施例流程图；如图2所示，本发明实施例提供的一种腹部MRI图像分割系统，包括以下步骤：
获取模块10，用于获取腹部MRI图像；
第一构建模块20，用于构建循环对抗生成网络；
基于所述循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像；所述循环对抗生成网络包括第一生成器、第二生成器、第一鉴别器和第二鉴别器；
基于所述第一生成器从IB生成IBA，基于所述第二生成器从IA生成IAB；
基于所述第一鉴别器从IBA识别IA，基于所述第二鉴别器从IAB识别IB；
其中，所述IA为MRI图像，所述IB为CT图像，所述IAB为合成MRI图像，IBA为合成CT图像。
对所述腹部MRI图像进行腹部组织掩膜计算；
对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正；
对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理；
对进行图像聚类处理后的腹部MRI图像进行图像转换处理得到所述合成CT图像。
基于区域生长迭代算法从空气背景和不重要的肢体中分离腹部组织体素得到新体素；
计算空气背景体素的平均值μb和标准差σb；
计算新体素的新体素值；
判断所述新体素值是否小于μb+3σb，当所述新体素值小于μb+3σb时，将新体素确定为背景，当所述新体素值大于μb+3σb时，将所述新体素确定为组织，并采用图像形态学算法得到代表腹部的最大组织区域。
通过公式1计算观察到的不均匀MRI图像；
Ib＝IcB+n 公式1；
其中，Ib为观察到的不均匀MRI图像，B为具有强度变化的偏置场，Ic为经过校正的图像，n为附加噪声；
基于局部熵最小化法进行偏置场的校正，通过使用高于Ib平均强度的体素将2D多项式函数拟合到Ib来预测初始偏置场B0；
通过公式2计算初始校正图像；
Ic0＝Ib/B0 公式2；
其中，Ic0为初始校正图像，B0为初始偏置场，Ic0从B0值最高的节点处开始进行第一区域R1的熵优化处理；
在B0值第二高的节点处开始进行第二区域R2的熵优化处理，判断R2中校正的Ic0的平均强度值与R1中校正的Ic0的平均强度值是否相似，若是，在熵优化处理之前将R1和R2进行合并处理，否则，对R2进行单独的熵优化处理。
用具有欧几里德范数的模糊c均值算法，将进行强度不均匀校正后的MRI图像自动分类为腹部脂肪组织和腹部非脂肪组织。
第二构建模块30，用于基于所述合成CT图像构建训练集；
第三构建模块40，用于构建VAT分割模型和SAT分割模型；
训练模块50，用于将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；
基于所述训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；
分析模块60，用于基于所述分割结果对腹部MRI图像进行脂肪体积定量分析得到脂肪体积定量分析结果。根据体积数据对所述腹部脂肪组织进行量化，在MRI序列中，选择中间切片作为起始切片，使用该起始切片计算的偏置场为剩余切片提供初始值；
在每个切片中计算的活动轮廓被用作相邻切片中的初始轮廓，通过将体素数量乘以体素体积从一个切片中计算VAT和SAT；
在所有切片被处理后，根据切片的位置和厚度堆叠每个切片的VAT和SAT，从而构建表示腹部VAT和SAT总体积的3D图像，并通过对序列中每个切片的脂肪体积求和来获得VAT、SAT和TAT的总测量值。
本发明中腹部MR I图像分割系统，通过获取模块10获取腹部MRI图像；通过第一构建模块20构建循环对抗生成网络；基于所述循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像；通过第二构建模块30基于所述合成CT图像构建训练集；通过第三构建模块40构建VAT分割模型和SAT分割模型；通过训练模块50将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于所述训练好的VAT分割模型和SAT分割模型对腹部MR I图像进行分割得到分割结果；通过分析模块60基于所述分割结果对腹部MRI图像进行脂肪体积定量分析得到脂肪体积定量分析结果；解决了现有技术中腹部MRI图像分割在训练时需要大量经过手动标记的MRI图像的问题。
图7为本发明实施例提供的电子设备实体结构示意图，如图7所示，电子设备70包括：处理器701(processor)、存储器702(memory)和总线703；
其中，处理器701、存储器702通过总线703完成相互间的通信；
处理器701用于调用存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取腹部MR I图像；构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；构建VAT分割模型和SAT分割模型；将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于所述训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取腹部MRI图像；构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；构建VAT分割模型和SAT分割模型；将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；基于所述训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；基于所述分割结果对腹部MRI图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种腹部MR I图像分割方法，其特征在于，所述方法包括：
获取腹部MRI图像；
构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MRI图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集；
构建VAT分割模型和SAT分割模型；
将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；
基于所述训练好的VAT分割模型和SAT分割模型对腹部MRI图像进行分割得到分割结果；
基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
2.根据权利要求1所述腹部MRI图像分割方法，其特征在于，所述构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集，包括：
所述循环对抗生成网络包括第一生成器、第二生成器、第一鉴别器和第二鉴别器；
基于所述第一生成器从IB生成IBA，基于所述第二生成器从IA生成IAB；
基于所述第一鉴别器从IBA识别I A，基于所述第二鉴别器从IAB识别I B；
其中，所述IA为MRI图像，所述IB为CT图像，所述IAB为合成MRI图像，IBA为合成CT图像。
3.根据权利要求1所述腹部MRI图像分割方法，其特征在于，所述构建循环对抗生成网络，基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像，基于所述合成CT图像构建训练集，包括：
对所述腹部MRI图像进行腹部组织掩膜计算；
对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正；
对进行强度不均匀校正后的腹部MRI图像进行图像聚类处理；
对进行图像聚类处理后的腹部MRI图像进行图像转换处理得到所述合成CT图像。
4.根据权利要求3所述腹部MRI图像分割方法，其特征在于，所述对所述腹部MRI图像进行腹部组织掩膜计算，包括：
基于区域生长迭代算法从空气背景和不重要的肢体中分离腹部组织体素得到新体素；
计算空气背景体素的平均值μb和标准差σb；
计算新体素的新体素值；
判断所述新体素值是否小于μb+3σb，当所述新体素值小于μb+3σb时，将新体素确定为背景，当所述新体素值大于μb+3σb时，将所述新体素确定为组织，并采用图像形态学算法得到代表腹部的最大组织区域。
5.根据权利要求3所述腹部MRI图像分割方法，其特征在于，所述对进行腹部组织掩膜计算后的腹部MRI图像进行强度不均匀校正，包括：
通过公式1计算观察到的不均匀MRI图像；
Ib＝IcB+n 公式1；
其中，Ib为观察到的不均匀MRI图像，B为具有强度变化的偏置场，Ic为经过校正的图像，n为附加噪声；
基于局部熵最小化法进行偏置场的校正，通过使用高于Ib平均强度的体素将2D多项式函数拟合到Ib来预测初始偏置场B0；
通过公式2计算初始校正图像；
Ic0＝Ib/B0 公式2；
其中，Ic0为初始校正图像，B0为初始偏置场，Ic0从B0值最高的节点处开始进行第一区域R1的熵优化处理；
在B0值第二高的节点处开始进行第二区域R2的熵优化处理，判断R2中校正的Ic0的平均强度值与R1中校正的Ic0的平均强度值是否相似，若是，在熵优化处理之前将R1和R2进行合并处理，否则，对R2进行单独的熵优化处理。
6.根据权利要求3所述腹部MR I图像分割方法，其特征在于，所述对进行强度不均匀校正后的腹部MR I图像进行图像聚类处理，包括：
使用具有欧几里德范数的模糊c均值算法，将进行强度不均匀校正后的MRI图像自动分类为腹部脂肪组织和腹部非脂肪组织。
7.根据权利要求6所述腹部MR I图像分割方法，其特征在于，所述基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果，包括：
根据体积数据对所述腹部脂肪组织进行量化，在MRI序列中，选择中间切片作为起始切片，使用该起始切片计算的偏置场为剩余切片提供初始值；
在每个切片中计算的活动轮廓被用作相邻切片中的初始轮廓，通过将体素数量乘以体素体积从一个切片中计算VAT和SAT；
在所有切片被处理后，根据切片的位置和厚度堆叠每个切片的VAT和SAT，从而构建表示腹部VAT和SAT总体积的3D图像，并通过对序列中每个切片的脂肪体积求和来获得VAT、SAT和TAT的总测量值。
8.一种腹部MR I图像分割系统，其特征在于，包括：
获取模块，用于获取腹部MR I图像；
第一构建模块，用于构建循环对抗生成网络；
基于所述循环对抗生成网络将所述腹部MR I图像转换为等效的合成CT图像；
第二构建模块，用于基于所述合成CT图像构建训练集；
第三构建模块，用于构建VAT分割模型和SAT分割模型；
训练模块，用于将所述训练集分别输入至所述VAT分割模型和所述SAT分割模型进行训练，得到训练好的VAT分割模型和SAT分割模型；
基于所述训练好的VAT分割模型和SAT分割模型对腹部MR I图像进行分割得到分割结果；
分析模块，用于基于所述分割结果对腹部MR I图像进行脂肪体积定量分析得到脂肪体积定量分析结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。
CN202310514251.0A 2023-05-09 2023-05-09 腹部mri图像分割系统、方法、电子设备及存储介质 Pending CN116630342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310514251.0A CN116630342A (zh) 2023-05-09 2023-05-09 腹部mri图像分割系统、方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310514251.0A CN116630342A (zh) 2023-05-09 2023-05-09 腹部mri图像分割系统、方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116630342A true CN116630342A (zh) 2023-08-22

Family

ID=87616276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310514251.0A Pending CN116630342A (zh) 2023-05-09 2023-05-09 腹部mri图像分割系统、方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116630342A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078703A (zh) * 2023-08-30 2023-11-17 深圳扬奇医芯智能科技有限公司 一种基于mri引导的ct图像分割方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078703A (zh) * 2023-08-30 2023-11-17 深圳扬奇医芯智能科技有限公司 一种基于mri引导的ct图像分割方法及系统
CN117078703B (zh) * 2023-08-30 2024-05-28 深圳扬奇医芯智能科技有限公司 一种基于mri引导的ct图像分割方法及系统

Similar Documents

Publication Publication Date Title
AU2017377003B2 (en) Treating patients with TTFields with the electrode positions optimized using deformable templates
CN106558045B (zh) 一种肺组织分割方法、装置，医学图像处理系统
JP6567179B2 (ja) 特徴回帰モデルを用いたｍｒデータからの疑似ｃｔ生成
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN106133790B (zh) 用于在组织种类分离的帮助下基于磁共振图像生成一幅或多幅计算机断层摄影图像的方法和设备
CN107292889B (zh) 一种肿瘤分割的方法、系统和可读介质
CN106997594B (zh) 一种眼部组织的定位方法及装置
WO2013142706A1 (en) A method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject
Kainz et al. Motion corrected 3D reconstruction of the fetal thorax from prenatal MRI
CN116630342A (zh) 腹部mri图像分割系统、方法、电子设备及存储介质
Yin et al. Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator
Paniagua et al. 3D of brain shape and volume after cranial vault remodeling surgery for craniosynostosis correction in infants
Chen et al. Image segmentation and nonuniformity correction methods
US11847721B2 (en) Analysis of medical images
US20090069666A1 (en) Correction of Intensity Inhomogeneity in Breast MRI
Larroza et al. Deep learning for MRI-based CT synthesis: A comparison of MRI sequences and neural network architectures
Ashfaq et al. A modified fuzzy C means algorithm for shading correction in craniofacial CBCT images
US11763429B2 (en) Deep learning based medical system and method for image acquisition
CN107427690B (zh) Mrcat图像中的不确定区域的后退解决方案
Thieu et al. Segmentation by a local and global fuzzy Gaussian distribution energy minimization of an active contour model
Zhang et al. Computing Optimization Technique in Enhancing Magnetic Resonance Imaging and Brain Segmentation of Hypophysis Cerebri Based on Morphological Based Image Processing
Debus Medical Image Processing
Elyamani et al. Adaptive image denoising approach for low-dose computed tomography
WO2023278288A1 (en) A system and a method for determining cognitive capabilities based on brain image

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