CN117011352A - 标准脑图谱构建方法、装置和计算机设备 - Google Patents
标准脑图谱构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117011352A CN117011352A CN202311259233.9A CN202311259233A CN117011352A CN 117011352 A CN117011352 A CN 117011352A CN 202311259233 A CN202311259233 A CN 202311259233A CN 117011352 A CN117011352 A CN 117011352A
- Authority
- CN
- China
- Prior art keywords
- brain
- standard
- volume space
- space
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 350
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 10
- 230000037430 deletion Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 7
- 210000003625 skull Anatomy 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000001054 cortical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 230000003925 brain function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本申请涉及一种标准脑图谱构建方法、装置和计算机设备。所述方法包括:将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。采用本方法能够实现高精度的不同模板空间脑图谱的统一映射,提高了脑图谱的利用效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种标准脑图谱构建方法、装置和计算机设备。
背景技术
在脑影像学研究中,脑图谱种类繁多,将脑图谱所处的坐标系进行分类,可以得到两种主要坐标系包括体积坐标系、表面坐标系。脑图谱中主流的体积坐标系有MNI152NLin2009cAsym空间坐标系、MNI152NLin6Asym空间坐标系,主流的表面坐标系有fsaverage空间坐标系、fsLR空间坐标系。与只关注大脑皮层的表面坐标系相比,体积坐标系可以同时表示皮层和皮层下的结构。但表面坐标系可以得到大脑皮层更精细的拓扑结构。
但是大多数脑影像研究课题都需要受试者们的脑部磁共振图像处于同一个坐标系中,才可以利用脑图谱提取脑区的影像学指标进行组间分析。而不同脑图谱所处的坐标系在空间、方向、分辨率各不相同,这导致不同脑图谱之间无法进行精确比较,使得脑影像学研究在不同脑图谱数据上难以复现。
发明内容
基于此,有必要针对上述技术问题,提供一种能够使位于不同模板空间的脑图谱映射到统一模板上并得到准确的结果、实现不同图谱的高精度对比的标准脑图谱构建方法、装置和计算机设备。
第一方面,本申请提供了一种标准脑图谱构建方法,所述方法包括:
将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;
将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;
基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
在其中一个实施例中,将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系包括:
将所述脑部图像配准到至少一个所述参考体积空间,得到至少一个第一配准关系;
将所述脑部图像配准到所述标准体积空间,得到第二配准关系;
基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在其中一个实施例中,基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系包括:
将多个所述脑部图像对应的所述至少一个第一配准关系与所述第二配准关系进行顺序拼接,得到多个拼接后的体积空间关系;
对所述多个拼接后的体积空间关系进行平均计算,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在其中一个实施例中,所述将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系包括:
将所述脑部图像配准到至少一个所述参考表面空间,得到至少一个第三配准关系;
将所述脑部图像配准到所述标准体积空间,得到第二配准关系;
基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在其中一个实施例中,所述基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系包括:
将多个所述脑部图像对应的所述至少一个第三配准关系以及所述第二配准关系进行顺序拼接,得到多个拼接后的表面空间关系;
对所述多个拼接后的表面空间关系进行平均计算,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在其中一个实施例中,在所述基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间之后,所述方法还包括:
根据所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间中,得到待修正脑图谱;
利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱。
在其中一个实施例中,所述利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱包括:
获取所述待修正脑图谱的边界区域,并利用所述模板脑图谱的边界区域减去所述待修正脑图谱的边界区域,得到所述模板脑图谱的剩余区域;
去除所述模板脑图谱的剩余区域的最大连通区域,得到所述模板脑图谱的边界缺失区域;
将所述边界缺失区域加入所述待修正脑图谱中,生成所述待修正脑图谱对应的新的掩膜;
对所述待修正脑图谱对应的新的掩膜进行众值滤波和高斯滤波,得到所述标准脑图谱。
在其中一个实施例中,所述得到标准脑图谱之后,所述方法还包括:
获取所述标准脑图谱中各脑区的标准参考信息,对所述标准脑图谱的脑区节点编号以及名称进行订正,得到订正后的标准脑图谱;
基于所述订正后的标准脑图谱,构建标准脑图谱库。
第二方面,本申请还提供了一种标准脑图谱构建装置,所述装置包括:
第一映射获取模块,用于将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;
第二映射获取模块,用于将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;
脑图谱配准模块,用于基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面的内容。
上述标准脑图谱构建方法、装置和计算机设备,通过将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱,实现了高精度的不同模板空间脑图谱的统一映射,提高了脑图谱的利用效率。
附图说明
图1为一个实施例中标准脑图谱构建方法的应用环境图;
图2为一个实施例中标准脑图谱构建方法的流程示意图;
图3为一个实施例中S202的具体流程示意图;
图4为一个实施例中S204的具体流程示意图;
图5为一个实施例中对待修正脑图谱进行修正的具体流程示意图;
图6为一个实施例中标准脑图谱构建装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请实施例提供的标准脑图谱构建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统106可以存储服务器104需要处理的脑图谱数据。数据存储系统106可以集成在服务器104上,也可以放在云上或其他网络服务器上。在服务器104上,将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱返回至终端102。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、智能手表等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种标准脑图谱构建方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
具体地,主流的脑图谱体积空间坐标系有MNI152NLin2009cAsym空间坐标系和MNI152NLin6Asym空间坐标系,以及其他非主流的体积空间坐标系。可以将其中任一种空间坐标系作为标准体积空间,剩余体积空间坐标系作为参考体积空间。
S204,将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
具体地,主流的脑图谱表面空间坐标系有fsaverage空间坐标系和fsLR空间坐标系,以及其他非主流的表面空间坐标系,这些表面空间坐标系均可作为所述参考表面空间。
可选地,在S202-S204中,可以将上述表面空间坐标系中的任一表面空间坐标系作为标准表面空间,将所有体积空间坐标系作为参考体积空间,将除标准表面空间外的其余表面空间坐标系作为参考表面空间。
S206,基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
具体地,根据待配准脑图谱所处的空间,从所有的第一映射关系中选择所述目标映射关系,或者从所有的第二映射关系中选择所述目标映射关系,利用目标映射关系进行标准脑图谱的映射。
上述标准脑图谱构建方法中,通过将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱,实现了高精度的不同模板空间脑图谱的统一映射,提高了脑图谱的利用效率。
在一个实施例中,在进行脑部图像的配准之前,需要先获取脑部图像,具体包括以下内容:
从现有的磁共振图像数据集中选取至少100例高分辨率的T1加权图像。由于原始的磁共振图像数据中包含一些非脑结构,比如头骨等,因此利用头骨去除算法对T1加权图像进行预处理,得到去除头骨的T1加权图像。而去除头骨后的T1加权图像仍存在因为磁共振扫描时B0场不均匀性导致的图像不均匀问题,因此利用N4偏置场校正方法(N4BiasFieldCorrection)对去除头骨后的T1加权图像进行校正,得到最终的脑部图像。
在一个实施例中,如图3所示,S202将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系,具体包括以下步骤:
S302,将所述脑部图像配准到至少一个所述参考体积空间,得到至少一个第一配准关系。
S304,将所述脑部图像配准到所述标准体积空间,得到第二配准关系。
具体地,在S302-S304中,进行脑部图像的体积空间的配准时,先通过12自由度的线形配准,将脑部图像分别配准到所述参考体积空间和所述标准体积空间中,得到初始的第一配准关系和第二配准关系。再利用非线性配准对初始的第一配准关系和第二配准关系进行修正,得到脑部图像在参考体积空间中的第一配准关系、在参考表面空间中的第二配准关系。
S306,基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
具体地,将多个所述脑部图像对应的所述至少一个第一配准关系逐一与所述第二配准关系进行顺序拼接,得到多个拼接后的体积空间关系。对所述多个拼接后的体积空间关系进行平均计算,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
示例性地,将100张脑部图像,分别配准到A参考体积空间和B标准体积空间中。每张脑部图像都对应有一个第一配准关系和一个第二配准关系,将每张图像的第一配准关系和第二配准关系进行顺序拼接,得到A参考体积空间和B标准体积空间的一对体积空间关系。100张脑部图像对应A参考体积空间和B标准体积空间的100对体积空间关系。对100对体积空间关系进行平均计算,得到A参考体积空间和B标准体积空间之间的第一映射关系。
本实施例中,通过拼接脑部图像在参考体积空间和标准体积空间中的配准关系,获得参考体积空间到标准体积空间的第一映射关系,实现了不同体积空间的统一映射。
在一个实施例中,如图4所示,S204将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系,具体包括以下步骤:
S402,将所述脑部图像配准到至少一个所述参考表面空间,得到至少一个第三配准关系。
具体地,将脑部图像进行皮层重构,得到量化脑部功能、连接以及结构属性的结构像。对结构像进行三维重建,生成展平图像或胀平图像配准到参考表面空间,得到第三配准关系。
S404,将所述脑部图像配准到所述标准体积空间,得到第二配准关系。
具体地,该步骤的配准过程与S202中获取第二配准关系的步骤相同。
S406,基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
具体地,将多个所述脑部图像对应的所述至少一个第三配准关系以及所述第二配准关系进行顺序拼接,得到多个拼接后的表面空间关系;对所述多个拼接后的表面空间关系进行平均计算,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
示例性地,将100张脑部图像,分别配准到C参考表面空间和B标准体积空间中。每张脑部图像都对应有一个第三配准关系和一个第二配准关系,将每张图像的第三配准关系和第二配准关系进行顺序拼接,得到C参考表面空间和B标准体积空间的一对表面空间关系。100张脑部图像对应C参考表面空间和B标准体积空间的100对表面空间关系。对100对表面空间关系进行平均计算,得到C参考表面空间和B标准体积空间之间的第二映射关系。
在本实施例中,通过拼接脑部图像在参考表面空间和标准体积空间中的配准关系,获得参考表面空间到标准体积空间的第二映射关系,实现了表面空间到体积空间的统一映射。
在一个实施例中,在基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间之后,所述方法还包括:
根据所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间中,得到待修正脑图谱;利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱。
具体地,配准后的脑图谱可能会因为配准导致散点以及边界不齐等问题,所以配准后的脑图谱并非最终的标准脑图谱,还需利用标准体积空间中的模板脑图谱进行修正。
其中,如图5所示,所述利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱,具体包括以下步骤:
S502,获取所述待修正脑图谱的边界区域,并利用所述模板脑图谱的边界区域减去所述待修正脑图谱的边界区域,得到所述模板脑图谱的剩余区域。
具体地,利用区域生长的方法,从种子点开始,通过迭代地合并与当前区域相似的相邻像素逐渐生长出边界,以此获取待修正脑图谱和模板脑图谱各自的边界区域。用模板脑图像的边界区域减去待修正脑图谱的边界区域,得到模板脑图谱的剩余区域。所述剩余区域主要包括了白质区域、脑脊液区域以及由于边界不齐导致的边界缺失区域。
S504,去除所述模板脑图谱的剩余区域的最大连通区域,得到所述模板脑图谱的边界缺失区域。
具体地,利用阈值分割法,基于像素灰度值将模板脑图像的剩余区域划分为目标区域和背景区域,像素数量最多的目标区域即为所述模板脑图像的剩余区域中的最大连通区域。去除所述最大连通区域,得到所述模板脑图像的边界缺失区域。利用该方法就能将去除剩余区域中的白质区域和脑脊液区域,只保留由于边界不齐导致的边界缺失区域。
S506,将所述边界缺失区域加入所述待修正脑图谱中,生成所述待修正脑图谱对应的新的掩膜。
S508,对所述待修正脑图谱对应的新的掩膜进行众值滤波和高斯滤波,得到所述标准脑图谱。
具体地,将边界缺失区域与待修正脑图谱的所占区域相加,得到待修正脑图谱的最终所占区域,生成新的掩膜。在新的掩膜中对脑图谱的标签数据进行众值滤波去除噪点,众值滤波的窗口大小为3,将窗口放置在脑图谱的每一个像素上获取像素值,并统计每个像素值出现的频率,找到频率最高的像素值作为当前像素的新值。对众值滤波后的脑图谱进行高斯滤波,高斯平滑的半高宽值为4毫米,得到最终的标准脑图谱。
在本实施例中,通过对配准后的待修正脑图谱进行修正,解决配准后图像中存在散点和边界不齐的问题,提高了统一映射后标准脑图谱的质量和利用效率。
在一个实施例中,得到标准脑图谱之后,所述方法还包括:
获取所述标准脑图谱中各脑区的标准参考信息,对所述标准脑图谱的脑区节点编号以及名称进行订正,得到订正后的标准脑图谱;基于所述订正后的标准脑图谱,构建标准脑图谱库。
具体地,查阅脑图谱文献确定各个脑区的标准参考信息,包括各脑区的参考节点编号以及参考名称,对标准脑图谱的脑区节点编号以及名称进行订正得到订正后的标准脑图谱,并生成图谱库描述文件,构建标准脑图谱库。
在一个示例实施例中,以MNI152NLin2009cAsym体积空间作为标准体积空间,提供一种标准脑图谱构建方法,具体包括以下内容:
S1,从UK biobank数据集中挑选100例结构清晰的T1加权图像,利用头骨去除算法antsBrainExtraction去除图像中的非脑结构,并利用N4偏置场校正方法(N4BiasFieldCorrection)对去除头骨后的T1加权图像进行不均匀性校正,得到100例脑部图像。
S2,先利用12自由度的线性配准将100例脑部图像分别配准到MNI152NLin2009cAsym体积空间和MNI152NLin6Asym体积空间的标准脑模板上,再用非线性配准对细节进行进一步修正,分别得到100个MNI152NLin2009cAsym体积空间的第二配准关系和100个MNI152NLin6Asym体积空间的第一配准关系。将这100对配准关系进行顺序拼接,得到100对MNI152NLin2009cAsym体积空间和MNI152NLin6Asym体积空间的体积空间关系。对100对体积空间关系计算平均值,确定MNI152NLin2009cAsym体积空间和MNI152NLin6Asym体积空间最终的第一映射关系。
S3,通过上述S2的配准方式,获取100例脑部图像配准到MNI152NLin2009cAsym体积空间的第二配准关系。再将这100例脑部图像利用freesurfer进行皮层重构,得到量化脑部功能、连接以及结构属性的结构像。对结构像进行三维重建,生成展平图像或胀平图像配准到fsaverage表面空间,得到第三配准关系。将100例脑部图像的第二配准关系和对应的第三配准关系进行顺序拼接,得到100对MNI152NLin2009cAsym体积空间和fsaverage表面空间的表面空间关系,对100对表面空间关系计算平均值,确定MNI152NLin2009cAsym体积空间和fsaverage表面空间最终的第二映射关系。
同理,将这100例脑部图像利用freesurfer进行皮层重构后,利用ciftify_recon_all函数可以获得配准到fsLR表面空间的第四配准关系。运用与上述相同的方法,确定MNI152NLin2009cAsym体积空间和fsLR表面空间最终的第三映射关系。
S4,当待配准脑图谱所在的空间为MNI152NLin6Asym体积空间,选择第一映射关系进行配准,得到处于MNI152NLin2009cAsym体积空间的标准脑图谱。当待配准脑图谱所在的空间为fsaverage表面空间,选择第二映射关系进行配准,得到处于MNI152NLin2009cAsym体积空间的标准脑图谱。当待配准脑图谱所在的空间为fsLR表面空间,选择第三映射关系进行配准,得到处于MNI152NLin2009cAsym体积空间的待修正图谱。
S5,利用区域生长法提取MNI152NLin2009cAsym体积空间中的模板脑图谱和待修正脑图谱的边界区域。利用模板脑图谱的边界区域减去待修正脑图谱的边界区域,得到模板脑图谱的剩余区域,该剩余区域包括了无关的白质区域和脑脊液区域以及由于边界不齐导致的边界缺失区域。利用阈值分割法获取剩余区域的最大连通区域,去除剩余区域中的最大连通区域,保留边界缺失区域。将边界缺失区域与待修正脑图谱所占的区域相加,产生新的掩膜。对新的掩膜进行众值滤波,对滤波后的掩膜进行高斯空间平滑,得到最终的标准脑图谱。该方式对于配准后边界超出或者缺失的情况表现非常理想,且不会对已分好的分区形成干扰。
S6,查阅脑图谱文献确定各个脑区的标准参考信息,包括各脑区的参考节点编号以及参考名称,对标准脑图谱中乱序的脑区节点标号进行重排序,并将脑区节点编号与标准参考信息中各脑区体素值不同的编号进行修正,得到订正后的标准脑图谱生成图谱库描述文件,文件格式为json(JavaScript Object Notation),对图谱库描述文件统一命名规范和存储格式,构建标准脑图谱库。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的标准脑图谱构建方法的标准脑图谱构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个标准脑图谱构建装置实施例中的具体限定可以参见上文中对于标准脑图谱构建方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种标准脑图谱构建装置,包括:第一映射获取模块61、第二映射获取模块62和脑图谱配准模块63,其中:
第一映射获取模块61,用于将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
第二映射获取模块62,用于将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
脑图谱配准模块63,用于基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
在其中一个实施例中,所述第一映射获取模块61还用于:
将所述脑部图像配准到至少一个所述参考体积空间,得到至少一个第一配准关系;将所述脑部图像配准到所述标准体积空间,得到第二配准关系;基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在一个实施例中,所述第一映射获取模块61还用于:
将多个所述脑部图像对应的所述至少一个第一配准关系与所述第二配准关系进行顺序拼接,得到多个拼接后的体积空间关系;对所述多个拼接后的体积空间关系进行平均计算,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在一个实施例中,所述第二映射获取模块62还用于:
将所述脑部图像配准到至少一个所述参考表面空间,得到至少一个第三配准关系;将所述脑部图像配准到所述标准体积空间,得到第二配准关系;基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在一个实施例中,所述第二映射获取模块62还用于:
将多个所述脑部图像对应的所述至少一个第三配准关系以及所述第二配准关系进行顺序拼接,得到多个拼接后的表面空间关系;对所述多个拼接后的表面空间关系进行平均计算,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在一个实施例中,所述脑图谱配准模块63还用于:
根据所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间中,得到待修正脑图谱;利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱。
在一个实施例中,所述脑图谱配准模块63还用于:
获取所述待修正脑图谱的边界区域,并利用所述模板脑图谱的边界区域减去所述待修正脑图谱的边界区域,得到所述模板脑图谱的剩余区域;去除所述模板脑图谱的剩余区域的最大连通区域,得到所述模板脑图谱的边界缺失区域;将所述边界缺失区域加入所述待修正脑图谱中,生成所述待修正脑图谱对应的新的掩膜;对所述待修正脑图谱对应的新的掩膜进行众值滤波和高斯滤波,得到所述标准脑图谱。
在一个实施例中,所述装置还包括脑图谱构建模块64,用于:
获取所述标准脑图谱中各脑区的标准参考信息,对所述标准脑图谱的脑区节点编号以及名称进行订正,得到订正后的标准脑图谱;基于所述订正后的标准脑图谱,构建标准脑图谱库。
上述标准脑图谱构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储脑图谱相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种标准脑图谱构建方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
S1将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
S2将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
S3基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述脑部图像配准到至少一个所述参考体积空间,得到至少一个第一配准关系;将所述脑部图像配准到所述标准体积空间,得到第二配准关系;基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将多个所述脑部图像对应的所述至少一个第一配准关系与所述第二配准关系进行顺序拼接,得到多个拼接后的体积空间关系;对所述多个拼接后的体积空间关系进行平均计算,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述脑部图像配准到至少一个所述参考表面空间,得到至少一个第三配准关系;将所述脑部图像配准到所述标准体积空间,得到第二配准关系;基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将多个所述脑部图像对应的所述至少一个第三配准关系以及所述第二配准关系进行顺序拼接,得到多个拼接后的表面空间关系;对所述多个拼接后的表面空间关系进行平均计算,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间中,得到待修正脑图谱;利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述待修正脑图谱的边界区域,并利用所述模板脑图谱的边界区域减去所述待修正脑图谱的边界区域,得到所述模板脑图谱的剩余区域;去除所述模板脑图谱的剩余区域的最大连通区域,得到所述模板脑图谱的边界缺失区域;将所述边界缺失区域加入所述待修正脑图谱中,生成所述待修正脑图谱对应的新的掩膜;对所述待修正脑图谱对应的新的掩膜进行众值滤波和高斯滤波,得到所述标准脑图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述标准脑图谱中各脑区的标准参考信息,对所述标准脑图谱的脑区节点编号以及名称进行订正,得到订正后的标准脑图谱;基于所述订正后的标准脑图谱,构建标准脑图谱库。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各实施例所述的方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各实施例所述的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种标准脑图谱构建方法,其特征在于,所述方法包括:
将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;
将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;
基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
2.根据权利要求1所述的标准脑图谱构建方法,其特征在于,所述将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系包括:
将所述脑部图像配准到至少一个所述参考体积空间,得到至少一个第一配准关系;
将所述脑部图像配准到所述标准体积空间,得到第二配准关系;
基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
3.根据权利要求2所述的标准脑图谱构建方法,其特征在于,所述基于所述至少一个第一配准关系以及所述第二配准关系,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系包括:
将多个所述脑部图像对应的所述至少一个第一配准关系与所述第二配准关系进行顺序拼接,得到多个拼接后的体积空间关系;
对所述多个拼接后的体积空间关系进行平均计算,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系。
4.根据权利要求1所述的标准脑图谱构建方法,其特征在于,所述将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系包括:
将所述脑部图像配准到至少一个所述参考表面空间,得到至少一个第三配准关系;
将所述脑部图像配准到所述标准体积空间,得到第二配准关系;
基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
5.根据权利要求4所述的标准脑图谱构建方法,其特征在于,所述基于所述至少一个第三配准关系以及所述第二配准关系,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系包括:
将多个所述脑部图像对应的所述至少一个第三配准关系以及所述第二配准关系进行顺序拼接,得到多个拼接后的表面空间关系;
对所述多个拼接后的表面空间关系进行平均计算,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系。
6.根据权利要求1所述的标准脑图谱构建方法,其特征在于,在所述基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间之后,所述方法还包括:
根据所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间中,得到待修正脑图谱;
利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱。
7.根据权利要求6所述的标准脑图谱构建方法,其特征在于,所述利用所述标准体积空间中的模板脑图谱,对所述待修正脑图谱进行修正,得到所述标准脑图谱包括:
获取所述待修正脑图谱的边界区域,并利用所述模板脑图谱的边界区域减去所述待修正脑图谱的边界区域,得到所述模板脑图谱的剩余区域;
去除所述模板脑图谱的剩余区域的最大连通区域,得到所述模板脑图谱的边界缺失区域;
将所述边界缺失区域加入所述待修正脑图谱中,生成所述待修正脑图谱对应的新的掩膜;
对所述待修正脑图谱对应的新的掩膜进行众值滤波和高斯滤波,得到所述标准脑图谱。
8.据权利要求1所述的标准脑图谱构建方法,其特征在于,所述得到标准脑图谱之后,所述方法还包括:
获取所述标准脑图谱中各脑区的标准参考信息,对所述标准脑图谱的脑区节点编号以及名称进行订正,得到订正后的标准脑图谱;
基于所述订正后的标准脑图谱,构建标准脑图谱库。
9.一种标准脑图谱构建装置,其特征在于,所述装置包括:
第一映射获取模块,用于将脑部图像配准到至少一个参考体积空间以及标准体积空间,得到至少一个所述参考体积空间与所述标准体积空间的第一映射关系;
第二映射获取模块,用于将所述脑部图像配准到至少一个参考表面空间以及所述标准体积空间,得到至少一个所述参考表面空间与所述标准体积空间的第二映射关系;
脑图谱配准模块,用于基于待配准脑图谱所在的空间,确定至少一个所述第一映射关系或至少一个所述第二映射关系中对应的目标映射关系,并基于所述目标映射关系将所述待配准脑图谱配准到所述标准体积空间,得到标准脑图谱。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259233.9A CN117011352B (zh) | 2023-09-27 | 2023-09-27 | 标准脑图谱构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259233.9A CN117011352B (zh) | 2023-09-27 | 2023-09-27 | 标准脑图谱构建方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011352A true CN117011352A (zh) | 2023-11-07 |
CN117011352B CN117011352B (zh) | 2024-01-16 |
Family
ID=88569368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311259233.9A Active CN117011352B (zh) | 2023-09-27 | 2023-09-27 | 标准脑图谱构建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011352B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050070781A1 (en) * | 2003-04-28 | 2005-03-31 | Vanderbilt University | Electrophysiological atlas and applications of same |
US20140187908A1 (en) * | 2012-11-24 | 2014-07-03 | Jutta Ellermann | System and Method for Patient-Specific Planar Visualization of Volumetric MRI Data |
CN104573742A (zh) * | 2014-12-30 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 医学图像分类方法和系统 |
US20160343127A1 (en) * | 2014-01-17 | 2016-11-24 | The Johns Hopkins University | Automated anatomical labeling by multi-contrast diffeomorphic probability fusion |
CN113658234A (zh) * | 2021-07-21 | 2021-11-16 | 南方科技大学 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
WO2022127219A1 (zh) * | 2020-12-15 | 2022-06-23 | 上海微创卜算子医疗科技有限公司 | 模拟系统及可读存储介质 |
WO2022132772A1 (en) * | 2020-12-14 | 2022-06-23 | University Of Virginia Patent Foundation | Systems, methods, and computer readable mediums for performing dynamic positron emission tomography |
CN114842003A (zh) * | 2022-07-04 | 2022-08-02 | 杭州健培科技有限公司 | 一种医学影像随访目标配对方法、装置及应用 |
CN116433469A (zh) * | 2023-02-23 | 2023-07-14 | 山东大学 | 一种基于脑干图谱的脑干图像配准方法及系统 |
-
2023
- 2023-09-27 CN CN202311259233.9A patent/CN117011352B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050070781A1 (en) * | 2003-04-28 | 2005-03-31 | Vanderbilt University | Electrophysiological atlas and applications of same |
US20140187908A1 (en) * | 2012-11-24 | 2014-07-03 | Jutta Ellermann | System and Method for Patient-Specific Planar Visualization of Volumetric MRI Data |
US20160343127A1 (en) * | 2014-01-17 | 2016-11-24 | The Johns Hopkins University | Automated anatomical labeling by multi-contrast diffeomorphic probability fusion |
CN104573742A (zh) * | 2014-12-30 | 2015-04-29 | 中国科学院深圳先进技术研究院 | 医学图像分类方法和系统 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
WO2022132772A1 (en) * | 2020-12-14 | 2022-06-23 | University Of Virginia Patent Foundation | Systems, methods, and computer readable mediums for performing dynamic positron emission tomography |
WO2022127219A1 (zh) * | 2020-12-15 | 2022-06-23 | 上海微创卜算子医疗科技有限公司 | 模拟系统及可读存储介质 |
CN113658234A (zh) * | 2021-07-21 | 2021-11-16 | 南方科技大学 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
CN114842003A (zh) * | 2022-07-04 | 2022-08-02 | 杭州健培科技有限公司 | 一种医学影像随访目标配对方法、装置及应用 |
CN116433469A (zh) * | 2023-02-23 | 2023-07-14 | 山东大学 | 一种基于脑干图谱的脑干图像配准方法及系统 |
Non-Patent Citations (1)
Title |
---|
肖化;戴飞鹏;陈小兰;陈思平;: "基于Talairach坐标系统的脑图谱配准算法的实现", 华南师范大学学报(自然科学版), no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN117011352B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650559B2 (en) | Methods and systems for simplified graphical depictions of bipartite graphs | |
US9865037B2 (en) | Method for upscaling an image and apparatus for upscaling an image | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
JP2012038317A (ja) | データセンター顧客費用決定メカニズム | |
CN111932460A (zh) | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 | |
US7672511B2 (en) | System and method for lattice-preserving multigrid method for image segmentation and filtering | |
Goldluecke et al. | Tight convex relaxations for vector-valued labeling | |
CN109584201A (zh) | 医学图像配准方法、配准系统、存储介质、及电子设备 | |
CN115115855A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN111367649B (zh) | 高精地图数据并行处理方法和装置 | |
CN116012241A (zh) | 图像畸变校正方法、装置、计算机设备和存储介质 | |
Preibisch et al. | Image-based representation of massive spatial transcriptomics datasets | |
WO2022134766A1 (zh) | 场景迁移方法、装置及电子设备 | |
CN114692725A (zh) | 面向多时相图像序列的解耦表示学习方法及系统 | |
CN117011352B (zh) | 标准脑图谱构建方法、装置和计算机设备 | |
CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 | |
CN111898742A (zh) | 一种用于监控神经网络模型训练状态的方法与设备 | |
CN107957865B (zh) | 一种神经元重建结果匹配方法 | |
CN114972026A (zh) | 图像处理方法和存储介质 | |
US10504000B2 (en) | Methods, systems, and computer readable media for image overlap detection | |
Bardera et al. | Multiresolution image registration based on tree data structures | |
Zhu et al. | Image phylogeny tree construction based on local inheritance relationship correction | |
CN112115289B (zh) | 一种图数据采样方法和系统 | |
CN116309140A (zh) | 图像清晰度的评分方法及装置、存储介质、计算机设备 | |
Bardera et al. | Medical image registration based on BSP and quad-tree partitioning |
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 |