CN117177704A - 用于解剖结构的基于模板的自动检测的系统和方法 - Google Patents

用于解剖结构的基于模板的自动检测的系统和方法 Download PDF

Info

Publication number
CN117177704A
CN117177704A CN202280026893.XA CN202280026893A CN117177704A CN 117177704 A CN117177704 A CN 117177704A CN 202280026893 A CN202280026893 A CN 202280026893A CN 117177704 A CN117177704 A CN 117177704A
Authority
CN
China
Prior art keywords
image
template
interest
training object
training
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
CN202280026893.XA
Other languages
English (en)
Inventor
E·M·哈克
王英
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.)
Spintech Inc
Original Assignee
Spintech Inc
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 Spintech Inc filed Critical Spintech Inc
Publication of CN117177704A publication Critical patent/CN117177704A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/18—Image warping, e.g. rearranging pixels individually
    • 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
    • G06T7/12—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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

用于检测解剖结构的系统和方法包括，针对多个训练对象中的每个训练对象，对应MR图像，以及基于所述多个训练对象中的第一训练对象产生初始解剖模板。计算装置可以通过应用全局变换然后是局部变换而将其他训练对象的MR图像映射到模板空间上。所述计算装置可以将所映射的MR图像与初始解剖模板进行平均，以产生最终解剖模板，且可以在所述最终解剖模板中绘制感兴趣的解剖结构的边界。所述计算装置可以使用边缘检测算法来微调所述边界。所述最终解剖模板可用于在非训练对象中自动(例如，无需人工干预)识别感兴趣的解剖结构的边界。

Description

用于解剖结构的基于模板的自动检测的系统和方法
相关申请的交叉引用
本申请要求2021年4月2日提交且标题为“SYSTEMS AND METHODS FOR AUTOMATICTEMPLATE-BASED DETECTION OF ANATOMICAL STRUCTURES”的美国临时申请号63/170,229的优先权和权益，其内容通过引用方式全文并入本文。
技术领域
本公开总体上涉及检测或识别解剖结构的边界的领域。具体地，本公开涉及用于产生标准化模板并使用此类模板来自动检测或识别解剖结构的边界的方法和系统。
背景技术
一种需要识别解剖结构的边界的疾病是帕金森病(PD)，其为一种慢性进行性神经退行性疾病，影响约1％的60岁以上的个体。PD的病理学特征是黑质致密部(SNpc)中神经黑色素(NM)的早期神经变性和黑质(SN)中铁沉积的增加。SN的退变是许多神经退行性疾病进展的标志。SNpc的广泛神经元损失也发生在非典型帕金森病中，包括进行性核上性麻痹(PSP)和多系统萎缩(MSA)，尽管在这些病症中SN的不同亚区受到影响。
SN由两个解剖和功能上不同的区域，即SN网状部(SNpr)和SNpc构成。SNpc含有密集分布的含NM的多巴胺能神经元，而SNpr中的铁含量往往更高。然而，SNpc多巴胺能神经元簇(称为黑质体)深深地嵌入在SNpr中，因此SNpr与SNpc之间的边界难以描绘，特别是在SN的尾侧区域中。PD的区域选择性是相对特异性的，在SNpc的腹侧层(在症状开始时)有50％至70％的色素神经元丧失。据报道，对于SN，红核(RN)和丘脑下核(STN)的铁沉积和体积变化与疾病状态和进展速度相关联，且也用作PD患者的深部脑刺激(DBS)治疗的重要靶标。
发明内容
根据至少一个方面，一种磁共振成像(MRI)系统包括被配置成采集磁共振(MR)数据的MRI扫描仪、至少一个处理器和其上存储有计算机代码指令的存储器。当由至少一个处理器执行时，计算机代码指令使得至少一个处理器经由MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，该图像示出一个或多个感兴趣的解剖结构。至少一个处理器可基于多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像。初始解剖模板图像可以定义模板空间。对于多个训练对象的除第一训练对象之外的每个训练对象，至少一个处理器可以(i)将全局变换应用于训练对象的MR图像，以产生表示模板空间中训练对象的MR数据的第一估计的MR图像的第一变形版本，以及(ii)将局部变换应用于训练对象的MR图像的第一变形版本，以产生表示模板空间中训练对象的MR数据的第二估计的MR图像的第二变形版本。至少一个处理器可以对初始解剖模板图像和多个训练对象的MR图像的第二变形版本进行平均，以生成最终解剖模板图像。至少一个处理器可以在最终解剖模板中描绘一个或多个感兴趣的解剖结构的边界，并使用最终解剖模板针对其他非训练对象识别一个或多个感兴趣的解剖结构的边界。
根据至少一个方面，一种方法可以包括经由MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，该图像示出一个或多个感兴趣的解剖结构。方法可以包括计算装置基于多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像。初始解剖模板图像可以定义模板空间。对于多个训练对象的除第一训练对象之外的每个训练对象，计算装置可以(i)将全局变换应用于训练对象的MR图像，以产生表示模板空间中训练对象的MR数据的第一估计的MR图像的第一变形版本，以及(ii)将局部变换应用于训练对象的MR图像的第一变形版本，以产生表示模板空间中训练对象的MR数据的第二估计的MR图像的第二变形版本。方法可以包括将初始解剖模板图像和多个训练对象的除第一训练对象之外的MR图像的第二变形版本进行平均，以产生最终解剖模板图像。方法可包括在最终解剖模板中描绘一个或多个感兴趣的解剖结构的边界，并使用最终解剖模板针对其他非训练对象识别一个或多个感兴趣的解剖结构的边界。
根据至少一个方面，一种非暂时性计算机可读介质可以包括存储在其上的计算机代码指令。当由处理器执行时，计算机代码指令可使得处理器经由MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，该图像示出一个或多个感兴趣的解剖结构。处理器可基于多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像。初始解剖模板图像可以定义模板空间。对于多个训练对象的除第一训练对象之外的每个训练对象，处理器可以(i)将全局变换应用于训练对象的MR图像，以产生表示模板空间中训练对象的MR数据的第一估计的MR图像的第一变形版本，以及(ii)将局部变换应用于训练对象的MR图像的第一变形版本，以产生表示模板空间中训练对象的MR数据的第二估计的MR图像的第二变形版本。处理器可以包括将初始解剖模板图像和多个训练对象的除第一训练对象之外的MR图像的第二变形版本进行平均，以产生最终解剖模板图像。处理器可包括在最终解剖模板中描绘一个或多个感兴趣的解剖结构的边界，并使用最终解剖模板针对其他非训练对象识别一个或多个感兴趣的解剖结构的边界。
附图说明
图1是示出根据本公开的发明概念的用于产生解剖模板的方法的流程图；
图2是示出根据本公开的发明概念的解剖结构特征的自动基于模板的识别方法的流程图；
图3示出说明根据本公开的发明概念的用于检测或识别解剖结构的边界的系统的图；
图4示出磁共振(MR)图像，其绘示NM-MRI模板空间中NM的透视图以及QSM模板空间中SN、RN和STN的透视图；
图5示出说明用于将NM边界从模板空间映射到原始空间的各个步骤的图像；
图6示出说明用于将SN、RN边界和STN边界从模板空间映射到原始空间的各个步骤的图像；
图7A和7B示出基于各种场景相对于神经黑色素(NM)的体积比值标绘的DICE相似性系数；
图8A和8B示出基于各种场景，相对于黑质(SN)的体积比值标绘的DICE相似性系数；
图9示出基于各种场景，相对于红核(RN)的体积比值标绘的DICE相似性系数；
图10示出基于各种场景，相对于丘脑下核(STN)的体积比值标绘的DICE相似性系数；
图11示出说明SN、RN和STN铁含量之间的相关性的图，该相关性由30个训练案例(上图)和57个验证案例(下图)的人工分割和模板分割产生；
图12示出绘示30个健康对照的人工和模板神经黑色素(NM)背景测量之间的一致性的图；
图13示出说明相对于使用动态编程算法(DPA)识别的NM边界的背景边界的图像；
图14示出说明从模板空间变换到原始空间之后的背景边界和NM DPA边界的图像；
图15示出说明用DPA的参数α的不同值重建的边界的图像；
图16示出使用DPA识别具有两个不同强度的矩形区域的边界的模拟结果；
图17示出使用DPA识别具有两个不同强度的新月形区域的边界的模拟结果；和
图18示出使用DPA识别具有两个不同强度的腰果形区域的边界的模拟结果。
具体实施方式
对于一些疾病，诸如帕金森病(PD)，关于疾病状态的信息和/或在一些治疗中有用的信息可以从一些解剖结构的体积或其他几何特征中推断出来。在PD的情况下，对于黑质(SN)，红核(RN)和丘脑下核(STN)的铁沉积和体积变化已知与疾病状态和进展速度相关联，且也用作PD患者的深部脑刺激(DBS)治疗的重要靶标。因此，对SN及其亚区、RN和STN的准确和全面的体内描绘可能有助于全面研究PD和影响中脑的其他运动病症中的铁组成和神经黑色素(NM)变化。因此，对SN、其亚区和其他中脑结构(诸如红核(RN)和丘脑下核(STN))的准确体内描绘可能有助于全面研究PD中铁和NM的变化。
迄今为止，许多研究仍然使用手动或半自动方法来划分大脑深部灰质。然而，手动分割非常耗时，尤其是当需要评估大量数据时。而且，除非评价人训练有素，否则在个体与个体之间或位点与位点之间复制手工绘图的可靠性较低。一些用于体内描绘的方法可以包括使用模板来绘制铁和NM含量的图。在此种方法中，创建标准化模板可能对(a)辨识铁和NM分布的变化，(b)自动计算与此种分布相关联的体积，(c)量化铁含量和NM信号的变化，以及(d)这些测量的可靠性具有重大影响。以前在一些研究中已经使用了使用常规结构MR序列的SN的解剖模板。T1加权(T1W)和T2加权(T2W)图像可用于创建高分辨率的概率性体内皮质下核图谱，并能够将SN分割为黑质致密部(SNpc)和黑质网状部(SNpr)。当基于来自年轻成年人群的图像时(例如，平均值±标准偏差年龄：28.9±3.6岁)，此种图谱可能不适合对老年对象的研究。此外，T1W和T2W对比度图像都不能容易地用于描绘老年对象中SNpc与SNpr之间的高度交叉指状边界。基于SN亚区与大脑不同部分的解剖连接，基于扩散的追踪成像可用于将SN分割成SNpc和SNpr，或将SN/腹侧被盖区(VTA)细分成背内侧和腹外侧亚区。然而，所估计的结构连接性具有众所周知的偏差，且高度依赖于数据采集和纤维跟踪算法，并且扩散成像受到低分辨率数据采集的影响。因此，使用高分辨率成像对SN及其亚区进行直接可视化和分割将是更准确的选择，尤其是在检测SN的细微病理变化时。
确定中脑核边界和研究PD患者病理变化的一种方法可能是基于使用T2*加权梯度回波(GRE)成像和磁敏感加权成像(SWI)，其中含铁区域呈现低信号。另一方面，定量磁化率映射(QSM)的发展使得储存在铁蛋白和含铁血黄素中的铁的定量成为可能。基于QSM的技术表明，PD患者的组织磁化率与脑铁密切相关。此外，QSM在DBS术前靶区引导方面优于传统的T2*W成像。然而，单独的QSM不能将SNpc与SNpr分开，因为SNpc和SNpr都含铁。此种限制可以通过使用最近几年发展的神经黑色素敏感MRI(NM-MRI)来解决。SNpc和腹侧被盖区(VTA)主要由含NM的多巴胺能神经元构成，而SNpr不是。因此，在中脑NM-MRI中看到的高信号在空间上与SNpc和VTA区域相关联(且此已经通过死后组织学研究得到证实)。因此，NM体积(SNpc加VTA)与含铁SN体积(SNpc加SNpr)之间的重叠被认为表示SNpc。
到目前为止，现有的方法不能使用QSM和/或NM-MRI成像准确可靠地分割SNpc。仅使用QSM就可以获得SN图谱。替代地，可以采用基于NM-MRI成像的NM模板，例如，使用手动绘图、自动分割或人工智能创建的NM模板。使用模板的目的是使边界的识别更容易。然而，模板映射并不完美，且标记边界的理想空间是最初的原始数据空间。无论是在模板空间(所有其他大脑都映射到的标准的固定大脑或志愿者)还是在原始空间(给定个体的原始大脑成像数据)，简单的阈值方法都有其缺点。将阈值设置为相对高或相对低的值可导致NM的估计体积或铁含量的显著变化，尤其是在具有严重NM退变和SN中铁沉积的PD患者中。图像中的可变对比度也使得难以使用许多算法，诸如区域生长。尽管与周围区域相比，SN具有高的铁含量，但它的分布并不均匀，且在黑质体1(N1)区域中存在铁减少。诸如N1区域的结构中的间隙也可增加自动分割感兴趣的SN和NM区域(ROI)的难度。
在本公开中，用于检测解剖结构的系统和方法可以包括使用来自单个多回波NMMRI序列的高分辨率成像来创建NM和铁模板，并计算模板空间中每个结构的边界。具体地，来自单个高分辨率NM MRI序列的NM和铁模板可用于(i)计算模板空间中每个结构的边界，(ii)将这些边界映射回原始空间，然后(iii)使用动态编程算法(DPA)微调原始空间中的边界，以匹配每个个体的NM和SN特征的细节。SN的NM以及SN、STN和RN的铁含量的实验结果都表明在DICE值和体积比方面非常一致，前者分别为0.85、0.87、0.75和0.92，且后者分别为0.99、0.95、0.89、1.05。这些高品质结果表明，可放心地测量组织特性，诸如体积、铁含量和神经黑色素含量。也可以使用对NM和铁敏感的多个序列，但可能需要两者之间的共同配准。
参考图1，根据本公开的发明概念，示出说明用于产生解剖模板的方法100的流程图。方法100可以包括计算装置或系统针对多个训练对象中的每个训练对象采集对应MR图像(步骤102)，并且基于多个训练对象中的第一训练对象的所选MR图像产生初始解剖模板(步骤104)。方法100可以包括计算装置或系统通过应用全局变换随后是局部变换，将其他训练对象的MR图像映射到由初始解剖模板定义的模板空间上(步骤106)。方法100可以包括对映射的MR图像和初始解剖模板进行平均，以产生最终解剖模板(步骤108)。方法100可以包括在最终解剖模板中绘制感兴趣的解剖结构的边界(步骤110)。方法100可以包括使用最终解剖模板来识别非训练对象中感兴趣的解剖结构的边界(步骤112)。
方法100可以包括计算装置或系统针对多个训练对象中的每个训练对象采集对应MR图像(步骤102)。可以基于一些预定义的标准(诸如每个对象的年龄、健康状况或条件和/或历史)来选择训练对象。本文所述的研究得到了当地伦理委员会的批准，且所有对象都签署了同意书。八十七个健康对象(平均年龄：63.4±6.2岁，范围：45-81岁，53个女性)通过广告从当地社区招募。潜在训练对象的排除标准包括(a)结构异常，诸如肿瘤、硬膜下血肿或先前头部外伤造成的挫伤，(b)中风、成瘾、神经或精神疾病史，以及(c)大血管疾病和/或具有大体积白质病变的疾病(例如，Fazekas级III)。
训练对象的MR图像可经由MRI扫描仪采集。例如，在进行的研究中，使用15通道头阵列线圈在3T Ingenia扫描仪(Philips Healthcare,Netherlands)上进行MR成像。具有激活的磁化传递对比度(MTC)脉冲的3D梯度回波SWI序列的成像参数包括回波时间(TE)＝7.5ms，ΔTE＝7.5ms，总共7个回波，重复时间(TR)＝62ms，翻转角＝30°，像素带宽＝174Hz/像素，矩阵尺寸＝384×144，切片厚度＝2mm，切片数量＝64，空间平面内分辨率＝0.67×1.34mm2，内插为0.67×0.67mm2，感觉因子为2，k空间椭圆采样，且总扫描时间等于4分47秒。磁化传递(MT)共振射频脉冲使用90°的标称翻转角、零频率偏移和一组3块脉冲，每个脉冲持续时间为1.914毫秒(ms)。基于特定的吸收率安全考虑，使用最小允许TR。由于62ms的长重复时间，收集了7个回波。
在一些实施方案中，计算装置或系统可以使用MTC-SWI幅值图像的第一回波(TE＝7.5ms)来描绘NM含量，因为该回波提供关键的MT对比度。计算装置或系统可以使用第二回波(TE＝15ms)或来自2个或更多个回波的QSM图像的组合来进行QSM重建，以评估SN中的铁沉积。计算装置或系统可以通过以下方式创建磁化率图：(i)使用脑提取工具BET来分割脑，(ii)使用3D相位展开算法(3DSRNCP)来展开原始相位数据，(iii)使用复杂的谐波伪影减少(SHARP)来移除不想要的背景场，以及(iv)使用基于截断k空间分割(TKD)的逆滤波技术以及迭代方法来重建最终的QSM图。
手动感兴趣的区域(ROI)分割可用于追踪感兴趣的解剖结构的边界。为了测量NM和铁含量，NM、SN、RN和STN的感兴趣的区域(ROI)可由单个评定者使用SPIN软件(SpinTech,Inc.,Bingham Farms,MI,USA)在放大四倍的MTC幅值和QSM图上手动追踪。基于NM的SN边界可从4到5个切片的最后一个尾部切片开始向头部追踪，直到当使用2mm厚的切片时NM不再可见(或超过8到10mm的总厚度)。基于铁的SN边界可以从丘脑下核可见的最头部切片下面的一个切片开始追踪，并且可以持续4-6个连续切片到最尾部切片，或者在8到12mm的总厚度上追踪。RN ROI可以从最后的尾部切片开始描绘，并且在头部持续3至4个切片，或者在6到8mm的总厚度上。STN ROI可在头部追踪2个切片，或在约4mm的总厚度上进行追踪。对于所有的ROI，可以使用动态编程算法(DPA)来确定最终边界，以减轻主观偏差。然后，所有这些界限可以由第二个评定者逐一审核，并在第一个审核者的同意下进行相应的修改。
应当理解，上述数据采集参数和/或数据处理场景表示为说明性而非限制性目的提供的示例实施方案。例如，上面提供的切片数量特定于在切片厚度等于2mm情况下的给定分辨率。如果使用1mm厚的切片，则所有这些切片数量将加倍。此外，虽然描述主要集中在对PD和中脑的解剖结构的应用，但是本文描述的方法和技术也可以应用于其他应用或其他解剖区域，诸如小脑深部核团或纹状体和尾状核或任何其他感兴趣的区。
在一些实施方案中，计算装置或系统可以使MR扫描仪针对多个训练对象中的每个训练对象执行MR数据采集，例如，从原始全脑64切片数据开始的7.5ms回波时间MTC数据采集。MR扫描仪可以基于对应的采集的MR数据针对每个训练对象构建对应的三维(3-D)图像(或多个对应的二维(2-D)图像)。在采集多个训练对象的MR数据时，MR扫描仪可以配置有参数，该参数经选择以产生带有/具有示出一个或多个感兴趣的解剖结构(例如SN、RN和/或STN区域)的对比度的MR图像。MR扫描仪可以针对多个训练对象中的每个训练对象采集NM-MRI数据(例如，NM-MRI图像)和/或QSM数据(QSM图像)。
方法100可以包括计算装置或系统基于多个训练对象中的第一训练对象的所选择的MR图像产生初始解剖模板(步骤104)。计算装置或系统(或其用户)可以从多个训练对象的MR图像中选择第一训练对象的第一3-D MR图像(或对应的2-D图像)。选择可以是随机的，或者根据预定义偏好或标准进行。在产生初始解剖模板时，对于第一训练对象的所有采集切片，计算装置或系统可以在平面内缩放第一3-D图像(或对应2-D图像)，例如，根据期望的最终分辨率，缩放两倍、四倍或更高的倍数。该步骤还可以包括在切片选择方向上内插，以获得模板空间中的各向同性分辨率。模板空间可以期望的分辨率或高于所采集的MR数据的分辨率来定义。在一些实施方案中，计算装置或系统可以分别基于第一训练对象的NM数据和QSM数据产生初始NM-MRI模板和初始QSM模板。如下面进一步详细讨论的，计算装置或系统可以使用初始解剖模板来将其他训练对象的MR图像映射到模板空间。
方法100可以包括计算装置或系统通过应用全局变换随后是局部变换，将其他训练对象的MR图像映射到由初始解剖模板定义的模板空间上(步骤106)。计算装置或系统可以将全局变换和局部变换应用于其他训练对象(除第一训练对象之外)的每个图像。计算装置或系统可以在针对所有切片以缩放系数(例如，二、三或更高的系数)缩放平面内MR图像的每个MR图像之后，在覆盖其他训练对象的除第一训练对象之外的每个MR图像内的感兴趣的区域的一系列切片上应用全局变换。例如，对于中脑，当切片厚度为2mm时，覆盖感兴趣的区域的一系列切片可以是一组50个中心切片。全局变换可以包括刚性变换，随后是例如，使用洞察力分割和注册工具包免费软件(ITK)应用了b样条内插的仿射变换。计算装置或系统可以应用相同的全局变换来将其他训练对象中的每一个的QSM数据映射到初始QSM模板。
计算装置或系统可以将全局变换应用于其他训练对象的每个MR图像(例如，QSM图像和/或NM-MRI图像)，以产生MR图像的对应的第一变形版本，其表示模板空间中初始模板的对应第一估计。也就是说，全局变换用于将其他训练对象(除第一训练对象之外)的每个MR图像匹配到模板空间中的初始解剖模板。然而，全局变换通常不提供与初始解剖模板中的解剖结构的准确匹配。
为了改善经变换的MR图像与模板空间中的初始解剖模板之间的匹配，计算装置或系统可以将局部变换应用于其他训练对象(除第一训练对象之外)的MR图像的第一变形版本。计算装置或系统可以在平面内裁剪MR图像的第一变形版本以覆盖中脑，并且裁剪至约16个切片(例如，当切片厚度为2mm时)以确保中脑区域的覆盖。计算装置或系统可以将局部变换应用于经裁剪的图像体积，以产生其他训练对象的MR图像的第二变形版本。对于训练对象(除该训练对象之外)的每个MR图像，对应的第二变形版本表示与模板空间中的初始解剖模板的更好匹配。
作为示例性实施方案，可以使用总计26个训练对象。计算装置或系统可以选择这些训练对象中的一个(此处称为第一训练对象)的MR数据来产生初始解剖模板。然后，计算装置或系统可以将全局变换和局部变换应用于其他25个训练对象中的每一个的MR数据，以在应用全局变换和局部变换之后，将其他25个训练对象中的每一个的MR数据映射到模板空间中的初始解剖模板。
方法100可以包括对映射的MR图像和初始解剖模板进行平均，以产生最终解剖模板(步骤108)。计算装置或系统可以将所映射的MR图像与初始解剖模板进行平均，以产生最终解剖模板。结果是例如针对囊括中脑区域的16个切片定义的平均模板。与基于单个训练对象的MR数据产生的初始解剖模板相比，或者与通过对第一变形版本和初始解剖模板进行平均而产生的模板相比，平均解剖模板具有感兴趣的解剖结构的更具代表性的边界。计算装置或系统可以在切片选择方向上线性内插平均解剖模板，例如，以创建具有0.167各向同性分辨率的模板(总计192个切片)。
方法100可以包括在最终解剖模板中绘制感兴趣的解剖结构的边界(步骤110)。感兴趣的解剖结构(或区域)的边界的追踪可以由例如医生或放射科医师手动执行。根据方法100的步骤102-108产生的最终解剖模板描绘了感兴趣的解剖结构的增强的对比度，因此，允许更精确地追踪此类结构的边界。
在最终解剖模板中，平均值可被视为找到边界的概率图的指示。在一些实施方案中，可以产生多于一个最终解剖模板。例如，可以分别基于NM数据和QSM数据产生一个QSM模板和一个NM-MRI模板。在一些实施方案中，NM、红核(RN)、SN和丘脑下核(STN)的边界都可以手动绘制。对于神经黑色素(NM)数据，来自总共192个内插切片的切片44-98可用于绘制边界，而对于QSM数据，可以使用切片44-126。切片数量的实际选择取决于所使用的分辨率和内插的程度。
方法100可进一步包括使用边界检测算法来微调最终解剖模板中感兴趣的解剖结构的边界。边界检测算法可以作为动态编程算法(DPA)来实施。计算装置或系统可以运行(或执行)用于边界检测的DPA来最终确定模板边界。DPA可以使用相依于局部曲率半径和信号梯度的成本函数。下面提供该算法的进一步细节。
方法100可以包括计算装置或系统使用最终解剖模板来识别非训练对象中感兴趣的解剖结构的边界(步骤112)。下面关于图2详细讨论使用最终解剖模板来识别非训练对象中感兴趣的解剖结构的边界。
现在参考图2，根据本公开的发明概念，示出说明解剖结构特征的自动基于模板的识别方法200的流程图。方法200可以包括采集非训练对象的MR图像(或MR数据)(步骤202)。方法200可以包括通过应用全局变换随后是局部变换，将非训练对象的MR图像映射到模板空间内的最终解剖模板(步骤204)。方法200可以包括将一个或多个感兴趣的解剖结构的边界从最终解剖模板投影到非训练对象的映射的MR图像上(步骤206)。方法200还可以包括将逆变换应用于感兴趣的解剖结构的投影边界，以在非训练对象的MR图像中产生边界估计(步骤208)。
方法200允许使用最终解剖模板自动识别非训练对象的感兴趣的解剖结构的边界。虽然用于产生解剖模板的方法100可能涉及人工干预(例如，在步骤110处手动绘制边界)，但是用于自动识别非训练对象的感兴趣的解剖结构的边界的方法200可以在没有任何人工干预的情况下自动执行/实施。
方法200可以包括计算装置采集非训练对象的MR图像(或MR数据)(步骤202)。MR扫描仪可以与上面关于图1的方法100的步骤102所讨论的类似方式采集非训练对象的MR数据(例如，一个3-D MR图像或多个2-D MR图像)。非训练对象可以是不属于方法100中用于产生最终解剖模板的多个训练对象的人(例如，患者或研究对象)。MR扫描仪可以采集非训练对象的NM数据和/或QSM数据。
方法200可以包括通过应用全局变换随后是局部变换，将非训练对象的MR图像映射到模板空间内的最终解剖模板(步骤204)。全局变换和局部变换可以类似于关于图1的方法100的步骤106描述的那些。计算装置或系统可以首先将全局变换应用于非训练对象的MR图像(例如NM和QSM图像)，以产生非训练对象的MR图像的第一变形版本。
在应用全局变换之后，计算装置或系统可以裁剪非训练对象的MR图像的第一变形版本。例如，计算装置或系统可以在模板数据的两个中心切片中标记RN，并将它们转换回原始的完整大脑。如果RN仍然仅在两个切片中明显，则最低切片被设置为切片10。如果它在3个切片中，则中间的切片被设置为切片10。这提供一种在最终转换回模板空间之前最好地将数据居中的方法。计算装置或系统可以在平面内以系数4(或其他缩放系数)缩放经裁剪的图像体积，然后将局部变换应用于缩放的经裁剪的图像体积，以获得具有各向同性图像的非训练对象的MR图像的第二变形版本(该变换允许在切片选择方向上的内插，以及使得图像具有各向同性)。非训练对象的MR图像的第二变形版本表示模板空间中最终解剖模板的相对良好的匹配。内插的平面内分辨率提供一种更准确的方法来使用DPA算法估计最终的对象尺寸。
方法200可以包括将一个或多个感兴趣的解剖结构的边界从最终解剖模板投影到非训练对象的映射的MR图像上(步骤206)。一旦非训练对象的MR图像匹配或映射到最终解剖模板(通过应用全局和局部变换)，计算装置或系统可将在最终解剖模板中绘制的感兴趣的解剖结构的边界投影到非训练对象的MR图像的第二变形版本上。
方法200可以包括将逆变换应用于感兴趣的解剖结构的投影边界，以在非训练对象的MR图像中产生边界估计(步骤208)。执行逆变换以将感兴趣的解剖结构的模板边界映射回非训练对象的MR图像的中脑上(例如，原始图像空间上)。然而，由于每个人都是不同的且模板映射也不是完美的，因此不能保证投影的边界会很好地匹配。
方法200可以进一步包括计算装置或系统使用边界检测算法(或DPA)来微调非训练对象的原始采集的MR图像中的感兴趣的解剖结构的边界。计算装置或系统可以对QSM数据的变换边界内的区域应用阈值处理以移除负值，且可以使用图像细化来确定对应的中心线。为了最好地选择DPA的初始起始点，可使用Otsu直方图分析和基于阈值的方法来确定原始边界是否延伸到感兴趣的结构之外太远。对于NM数据，计算装置或系统可以确定背景强度和等于在所有25个训练对象(或除第一训练对象之外的训练对象)上平均的背景标准偏差的四倍的常数，该常数相加以产生阈值，低于阈值信号被设置为零。对于QSM数据，起始阈值可以设置为零。当Otsu阈值给出导致感兴趣的结构(或区域)内的像素被移除的值时，模板变换的边界可以相应地收缩。对于QSM数据，如果Otsu阈值大于30ppb，则阈值可以设置为30ppb。最后，计算装置或系统可以使用模板空间中使用的相同DPA再次修改所得边界(如以上关于图1所讨论的)。该DPA与RN边界一起防止SN泄漏到RN中，且在模板边界的帮助下可以区分STN和SN。
参考图3，该图示出根据本公开的发明概念的用于检测或识别解剖结构的边界的系统300。系统300可以包括用于采集MR数据的MR扫描仪302和用于处理所采集的MR数据以检测或识别解剖结构的边界的计算装置304。计算装置304可以包括处理器306和存储器308。存储器308可以存储由处理器306执行的计算机代码指令。计算机代码指令当由处理器306执行时可以使计算装置304执行上面讨论的方法100和/或方法200。计算装置304可进一步包括显示装置310以显示MR图像、方法100和/或方法200的输出结果或其他数据。
在一些实施方案中，计算装置304可以是与MR扫描仪302分离的电子装置。在此种实施方案中，计算装置304可以或可以不通信地耦合到MR扫描仪302。例如，由MR扫描仪302采集的MR数据可以经由闪存存储器、光盘(CD)或其他存储装置传输到计算装置304。如果计算装置304通信地耦合到MR扫描仪302，则由MR扫描仪302采集的MR数据可以经由MR扫描仪302与计算装置304之间的任何通信链路传输到计算装置304。
在一些实施方案中，计算装置304可以集成在MR扫描仪302内。例如，处理器306、存储器308和/或显示装置310可以集成在MR扫描仪302内。在此种实施方案中，MR扫描仪302可以采集MR数据并执行方法100和/或方法200。
总之，最初可以在模板空间中针对SN、RN和STN中的每一个手动绘制边界，并且系统300或计算装置304可以运行DPA来微调边界。系统300或计算装置304可以将这些边界映射回原始空间，并再次运行DPA来提供最终边界，使得此为一个完全自动化的过程。在手动绘图完成之后，系统300或计算装置304可以运行DPA，使得最终边界确定为完全自动化的。使用最终边界，系统300或计算装置304可以计算体积、信号强度、磁化率和/或重叠部分。
系统300或计算装置304可以通过分别叠加来自MTC和QSM数据的两个ROI来计算NM复合体积(SNpc加VTA)与含铁SN体积(SNpc和SNpr)之间的重叠。系统300或计算装置304可以通过含铁SN体积将重叠标准化，产生总重叠分数(OOF)测量，其基本上测量相对于整个SN体积的SNpc分数，如下所示：
使用各种对照对象的MR数据来评估上面关于图1描述的产生最终解剖模板的过程。该评估是基于产生最终解剖模板的过程的性能与感兴趣的解剖结构的手动绘制的边界的比较。
总共扫描了87个健康对照(HC)。针对所有87个案例，手动追踪SN、STN和RN。其中，30个(测试数据集：年龄范围66±7.2岁，包括17名男性和13名女性)用于上述模板方法的初始训练。一旦算法的所有方面都就绪，我们就用接下来的57个案例来验证该方法(验证数据集：年龄范围为61.9±5.0岁，包括17名男性和40名女性)。为了评估解剖模板产生过程的性能，使用了两种测量。这些是DICE相似性系数，其显示与手动和模板分割方法相关联的结构之间的空间重叠，以及模板体积除以手动分割的结构的体积比(VR)。
最后，将所有数据组合，得出关于结构体积、NM和铁含量以及SN与NM区域重叠的定量信息。总铁含量是通过将绘制结构的所有切片的体积和结构的平均磁化率的乘积相加来计算的。类似地，总NM含量由对应切片上的NM体积和NM对比度的乘积之和得出。
参考图4，示出绘示NM-MRI模板空间中NM的透视图以及QSM模板空间中SN、RN和STN的透视图的MR图像。具体地，图像(a)-(c)示出使用验证数据集的NM-MRI模板中NM 402的各种透视图。NM 402的边界是手动绘制的。图像(d)-(f)示出SN 404、RN 406和STN 408的透视图。图4的图像(d)-(f)中的SN 404、RN 406和STN 408的边界是手动绘制的。
参考图5，示出说明用于将NM边界从模板空间映射到原始空间的各个步骤的图像。具体地，针对NM数据，示出从0.167mm各向同性模板空间中的每第12个切片中取出的16个切片的边界被上覆到原始2mm厚的中脑切片之上。边界仅出现在这些切片中的4个上，因为中脑仅在这4个切片上可见。图5中的每列图像表示一个单独的切片。表示为行A的最上面的图像行示出所构建的神经黑色素模板的各种切片的图像。表示为行B的第二行(从顶部开始)示出与行A中相同的图像，但是具有神经黑色素DPA边界502。表示为行C的第三行示出叠加的模板边界504，表示变换到原始图像504上的边界502。表示为行D的最后一行示出具有NM的最终边界506的对象的中脑图像，该NM的最终边界是通过使用DPA微调叠加的模板边界504而获得的。
参考图6，示出说明用于将SN、RN和STN边界从模板空间映射到QSM数据的原始图像空间的各种步骤的图像。每列表示一个不同的切片。表示为行A第一行(最上面的)示出绘示所构建的QSM模板的各个切片的图像。表示为行B的第二行示出具有SN 602、RN 604和STN606的QSM DPA边界的相同图像。表示为行C的第三行示出SN 602、RN 604和STN 606转换到原始空间的边界。表示为行D的最后一行示出绘示具有SN 602、RN 604和STN 606的最终边界的对象的各种中脑切片的图像，该最终边界是在将DPA应用于行C中的边界之后获得的。
关于模板的初始训练，针对MTC和QSM数据处理30个案例。模板自动MTC背景强度的完整性由以下事实来证明：一个与另一个相关的斜率为0.99，R2为0.53，且p值<0.001。背景值是正确设定NM和铁含量信号阈值的关键。
对MTC和QSM图像的不同阈值进行DICE相似性系数和体积比(VR)测量，且相对于VR绘制的与NM和SN DICE系数相关联的数据分别示于图7A-7B和8A-8B中。参考图7A和7B，基于各种场景示出相对于神经黑色素(NM)的VR值标绘的DICE相似性系数。在图7A和7B中，曲线A对应于没有应用阈值的场景，曲线B对应于大于1000的NM对比度的阈值，曲线C对应于大于1250的NM对比度的阈值，且曲线D对应于大于1500的NM对比度的阈值。图7A中的曲线是使用30个训练案例的数据产生的，而图7B中的曲线是使用57个验证案例的数据产生的。对于每个阈值，引用与模板和手动绘制的数据相关联的平均DICE、体积比和体积损失。1000个单位的阈值保持体积损失最小，并产生极好的结果。
参考图8A和8B，基于各种场景示出相对于SN的VR值标绘的DICE相似性系数。在图8A和8B中，曲线A对应于没有应用阈值的场景，曲线B对应于大于50ppb的磁化率值的阈值，曲线C对应于大于75ppb的磁化率值的阈值，且曲线D对应于大于100ppb的磁化率值的阈值。图8A中的曲线是使用30个训练案例的数据产生的，而图8B中的曲线是使用57个验证案例的数据产生的。对于每个阈值，引用与模板和手动绘制的数据相关联的平均DICE、体积比和体积损失。50ppb的阈值产生最小的SN体积损失。
阈值越高，理论上分布越紧密，最终在两个轴上接近一致。然而，较高的阈值也导致较高的体积损失。因此，必须在令人满意的DICE及体积比与体积损失之间进行权衡。对于NM对比度，在阈值为1000情况下，所有案例的模板数据的平均体积损失小于10％，分别产生0.90和0.95的平均DICE和VR值。较高的阈值(诸如1250)产生略高于10％的平均体积损失(平均DICE＝0.92；平均VR＝0.96)，并且显示超过1500的NM对比度的数据产生了20％的平均损失，具有比较低阈值(分别为0.94和0.98)相对较高的DICE和VR。看到阈值1000将体积损失保持低于10％，同时产生可接受的DICE和VR值。类似地，如图8A-8B所示，对于SN，50ppb的平均磁化率阈值产生了刚好低于10％的平均体积损失，而平均DICE和VR值分别为0.88和0.94。
图9示出基于各种场景相对于红核(RN)的VR值标绘的DICE相似性系数。图表A(左栏)对应于没有应用阈值的场景，而图表B(右栏)对应于应用50ppb阈值的场景。使用30个训练案例的数据集产生顶行中的图表，而使用57个验证案例的数据集产生底行中的图表。在每个图表内引用了与模板和手动绘制的所选阈值数据相关联的平均DICE、体积比和体积损失。50ppb的阈值将体积损失限制为大约10％。
图10示出基于各种场景相对于丘脑下核(STN)的VR值标绘的DICE相似性系数。图表A(左栏中)表示没有应用阈值的场景，而图表B(右栏)表示阈值为50ppb的场景。使用30个训练案例的数据集产生顶行中的图表，而使用57个验证案例的数据集产生底行中的图表。在每个图表内引用了与模板和手动绘制的所选阈值数据相关联的平均DICE、体积比和体积损失。50ppb的阈值将体积损失保持为约10％。
关于图9和10，在对QSM数据应用任何阈值之前，RN的平均DICE和体积比为0.93和1.06，且STN的平均DICE和体积比为0.76和0.95。然而，对QSM数据应用50ppb的阈值，得到RN的平均DICE和VR为0.95和1.04，且STN的平均DICE和VR为0.83和0.98。大于一的平均VR表明通过全自动模板/DPA方法发现的大多数结构倾向于比手动/DPA方法中的结构大。
参考图11，示出说明由人工和模板分割产生的SN、RN和STN铁含量之间的相关性的图表。由30个训练案例的人工和模板分割产生的SN、RN和STN铁含量之间的相关性示于上部图表中，而由57个验证案例的人工和模板分割产生的SN、RN和STN铁含量之间的相关性示于下部图表中。使用与SN、RN和STN相关联的ROI和50ppb的阈值，铁含量的模板与手动绘图的最终结果示于不同的图表中。对于SN、RN和STN结构中的每一个，斜率和R2示于图11的每一个图表中。SN和RN的p值小于0.001，且STN的p值等于0.006。
关于模板的验证，验证数据集包括用于处理QSM和MTC数据的57个病例。相对于NM和SN的VR值标绘DICE相似系数，且这些结果分别示于图7B和8B中。对于NM对比度，在阈值为1000情况下，所有案例的模板数据的平均体积损失为约5％，产生的平均DICE和VR值分别为0.88和1.06。类似地，对于SN的平均磁化率，50ppb的阈值产生了几乎5％的平均体积损失，而平均DICE和VR值分别为0.89和0.97。与之前的数据集类似，NM对比度的阈值为1000，且SN的平均磁化率的阈值为50ppb，在57个病例中，在平均DICE、VR和体积损失方面产生了令人满意的结果。
RN和STN的DICE相似系数与VR的关系分别示于图9和10中。在对QSM数据应用任何阈值之前，RN和STN的平均DICE和VR值分别为0.92和1.05，以及0.74和0.86。与前一数据集的结果类似，应用阈值会改善这些值。对QSM数据使用50ppb的阈值时，产生了RN和STN的平均DICE和VR分别为0.95和1.03以及0.81和0.90，且这两种结构的模板平均体积损失为大约12％。
图11示出模板和人工数据的SN、RN和STN铁含量之间的相关性。每个结构的相应斜率和R2如图10所示。SN和RN的p值小于<0.001，且STN的p值等于0.008。下表1总结了与每个结构的所估计模板体积、VR测量和DICE相似性系数相关联的结果。显示了第一数据集和第二数据集以及合并数据的平均值和标准偏差值。
表1.每个结构的体积估计值、DICE相似性系数和体积比(VR)平均值和标准差(SD)值。
在关于图4-12描述的研究中，使用从单一序列(在少于5分钟内)得到的NM和QSM图像对原始空间中SN、STN和RN进行自动分割，而不需要针对非基于模板的对象手动绘制ROI。描述并验证了与DPA结合的多对比度图谱，用于在模板空间和从模板空间转换回后的原始图像中进行边界检测。DICE值和体积比显示出自动模板方法与手动绘图之间的体积和铁含量测量的极好的一致性。
大多数现有模板不包括NM、SN、STN和RN，且分辨率也没有本文中给出的高。例如，MNI模板是1mm各向同性的，而本文描述的方法使用内插的0.67mm面内各向同性数据，并进一步将其内插至0.167mm 3D各向同性分辨率。实际上，我们发现，使用具有0.67mm各向同性分辨率的全脑全局可变形配准，使用ANTs或SpinITK均无法获得能够成功匹配跨对象一致的中脑结构形状的形态变换。因此，添加了局部配准(在此也称为局部变换)步骤来解决该问题，并得到大幅改善的结果。通过这种局部变换方法，铁和神经黑色素模板都是从单一多回波序列中产生的。
以前的研究试图通过使用基于T1和/或T2加权序列的结构MRI图谱来分割SN。然而，SN是中脑中的一个小结构，在这些图像中具有低对比度，使得难以准确地定义SN边界。为了克服此种限制，一些其他研究试图使用NM-MRI或QSM获得SN图谱。通过使用由NM增强的脑图像构成的动态图谱来自动分割SN，一组显示出DICE值小于0.75。在他们的研究中应用的NM敏感T1加权快速自旋回波序列并非清晰描绘SN的最佳序列。通过使用MT-MRI采集序列可以大幅改善NM的对比度。据发明人所知，没有研究试图使用NM-MRI和QSM来自动分割SN、SNpr和SNpc。
之前的研究通过纳入较年轻(>5岁且<18岁)或较年长(>60岁)对象对SN进行了细分。使用仅基于较年轻健康对象的图谱可能不适合研究患有影响中脑结构的神经退行性疾病的患者。这些对象之间和对象内部的年龄和疾病相关的形态变化可能是重要的，并影响在定位SN时使用模板方法的成功。对于给定的研究，最合适的图谱是需要最少的从本地对象空间到图谱空间的全局或区域扭曲的图谱；因此，我们使用年长HC对象(平均年龄：63.4岁)来创建图谱以研究神经退行性疾病患者。为了减轻对象间差异引起的偏差，一些研究使用了概率图谱，并试图基于NMS-MRI序列构建SNpc的概率图谱，以使用扩散MRI研究PD患者中SNpc方面的微结构异常。他们应用对称微分同胚配准将T1图像和27HC的SNpc掩模配准到MNI空间，且图谱以50％的概率被阈值化。然而，与人类评定者相比，图谱的平均dice系数小于0.61。阈值可以导致NM描绘的显著变化，从而降低图谱的再现性。
就验证阶段而言，第二数据集显示出，对于结构，DICE相似性系数和VR值与第一数据集非常接近；这证实了由本文提出的自动模板处理方法产生的结果的一致性。此外，这些值非常接近于统一的事实表明了这种方法的优异性能。
在本文描述的方法中，在创建SNpc的概率图谱之后，使用DPA(实施边缘检测算法)，以进一步改善NM图谱的有效性。
总之，本文描述的用于中脑深部灰质(或一般解剖结构)的全自动分割的新方法使用模板方法作为指导，但使用具有动态编程算法的原始数据来微调边界。使用这种方法，可以量化SN中的神经黑色素以及所有SN、STN和RN的体积和铁含量。这种方法应该可以研究各种神经退行性疾病的这些成像生物标志物的变化，而不需要人工追踪这些结构。
关于神经黑色素(NM)背景测量，由于背景值是正确设定NM信号阈值的关键，因此对30个MTC案例进行处理以获得神经黑色素(NM)背景测量。参考图12，示出绘示30个健康对照(或训练对象)的人工和模板神经黑色素(NM)背景测量之间的一致性的图表。具体地，该图说明模板自动MTC背景强度测量相对于手动绘图的完整性。手动和模板MTC背景测量之间的一致显示出斜率为0.99，R2为0.53，且p值<0.001。
关于DPA，所有感兴趣的结构的最终模板边界可以使用用于模板空间和原始空间中的边界检测的动态编程算法(DPA)来确定。DPA算法的示例性详细步骤如下：
1.初始边界可以绘制在NM和QSM的模板数据上。
2.然后可以在模板图像上绘制背景，如图13所示。在图13中，示出NM 702和背景区域704。
3.然后，可将边界和背景变换到原始空间，如图14所示。在图14中，示出从模板空间变换到原始空间之后的NM区域802和背景区域804。使用背景值加1000可以更容易地细化DPA边界，以提供更快的收敛，并使用更小且更安全的搜索半径来防止算法泄漏到原始边界之外。
4.背景平均值+4σ，其中σ是感兴趣的背景区域的标准偏差(在本研究中发现其大约为250个单位)，可用作MTC数据的阈值，以移除低于该阈值的所有点，从而确定NM细化边界。对于QSM数据，在对所有SN、STN和RN运行DPA之前，可以移除磁化率小于零ppb的像素。
5.可以使用3×3高斯滤波器来平滑初始边界。
6.然后可以使用细化方法来确定中心线。
7.DPA之前的边界细化：由于结构周围可能存在一些强度变化，因此全局阈值可能对于MTC数据中的整个结构来说是不好的。因此，Otsu的方法[1979IEEE“A ThresholdSelection Method from Gray-Level Histograms”,Nobuyuki Otsu]可以在经滤波的局部图像上，在围绕每个单一中心线点的40×40像素的正方形中，且可以移除低于Otsu阈值的所有点。如果初始边界在通过Otsu阈值获得的边界之外，则可以将边界修改为那些剩余的最近点(称为Otsu边界)。该步骤有助于DPA更快地收敛。
8.实施DPA：对于沿着中心线的每个点，可以在对应的搜索框中运行DPA。考虑到曲线形状，中心线的中心可用于确定初始射线。然后可以通过沿着与初始边界相关联的中心线移动一个像素来对下一组射线应用DPA。对于每次DPA迭代，可以更新中心线。一旦到达终点，这些射线就可以扫过180°。然后该算法可以沿着中心线返回，直到它到达扫过另一个180°的相对端点。最后，中心点可以沿中心线往回移动，返回到起点以闭合边界。这个过程可以重复五次，在边界内外搜索最佳结果。对于NM、STN和SN，该步骤之后可以仅使用内部搜索进行多于五次迭代。
此DPA中使用的成本函数包括导数项和曲率半径项，它避免了感兴趣的结构泄漏到邻近物体中，尽管搜索半径被限制于缩放空间中边界内外的四个像素。对于边界外的点，当从中心线向外搜索时，负导数值被设置为零。此种限制防止了边界泄漏到附近明亮的物体中。成本函数由下式给出：
其中
并且在第r点处沿着第m条射线的梯度和半径分别由G(r，m)和R(r，m)表示。术语Gmax表示图像内部的最大导数，且Ravg是前三个半径的平均半径。常数α表示导数和半径项的相对权重，其可以设置为0与1之间的值。感兴趣的结构的形状越接近圆形，α可以设置得越高。如果有尖锐的边缘，可以通过对α的大量选择来平滑这些边缘。介于0.05与0.15之间的α值在忠实地寻找边缘方面均做了类似的工作，因此选择α＝0.1的值是保守的。
参考图15，示出说明用DPA的参数α的不同值重建的边界的图像。α的选择可显著影响最终DPA边界。左上图像中的NM边界是使用α＝0.05获得的。在右上图像中，NM边界是使用α＝0.10确定的。在左下图像中，NM边界是使用α＝0.15获得的。在右下图像中，NM边界是使用α＝0.20获得的。请注意，α值越小，半径约束的平滑程度越低，而α值越大，则平滑程度越高。α值越高，结构越圆，且其越向圆形收缩。低值会导致非常锯齿状的边界。最后，可以通过最大化每条射线的上述成本函数来选择新边界的候选点。
图16-18中示出了不同形状的一些示例性模拟。参考图16，示出了使用DPA识别具有两个不同强度的矩形区域的边界的模拟结果。图像(a)示出具有两种不同强度的矩形区域。图像(b)示出具有围绕中心区域绘制的边界的矩形区域，且图像(c)进一步示出在应用DPA进行5次迭代之后找到的中心线和更新的边界。图像(d)类似于图像(b)，除了添加了基于第二矩形边界内的中心区域和边框区域的信号强度差的对比度噪声比(CNR)为7:1的噪声。图像(e)示出在5次DPA迭代后找到的最终边界，其匹配1400个像素的正确区域。
对于对应于图16的模拟，中心区域被设置为100个单位，第二边界内但在第一边界外的外框区域被设置为30个单位，并且第二边界外的背景被设置为零。将平均值为零且标准偏差为10个单位的高斯噪声添加到图像中。具有清晰定义的角和1400个像素的矩形的第一个实例示于图16中。尽管存在噪音，边界还是被完美地找到了。
图17示出使用DPA识别具有两个不同强度的新月形区域的边界的模拟结果。图像(a)示出具有两种不同强度的新月形区域，而图像(b)示出相同区域是围绕新月形区域的中心区域绘制的边界。图像(c)示出在DPA的5次迭代后具有对应中心线和更新边界的新月形区域。图像(d)和(e)分别示出在DPA的10次迭代和15次迭代之后中心线和边界的更新。图像(f)示出在使用自适应Otsu阈值方法时，仅5次迭代后的中心线和边界。图像(g)类似于图像(c)，但添加了噪声，其中CNR为7:1，图像(h)示出在使用自适应Otsu阈值方法时DPA的仅5次迭代后的中心线和边界。
选择图17的新月形区域来模拟检测弯曲物体的边界的更困难的情况。图17示出运行不同迭代次数的效果。运行总共35次迭代后的平均值(图像(f))被发现为990.5，标准偏差为1.5，而在SNR为10:1的情况下使用Otsu方法时，平均值为984，且标准偏差为2.0。
图18示出使用DPA识别具有两个不同强度的腰果形区域的边界的模拟结果。图像(a)示出具有两种不同强度的腰果形区域，而图像(b)示出具有围绕中心区域绘制的初始边界的腰果形区域。图像(c)示出当使用自适应Otsu阈值方法时，在DPA的5次迭代之后具有对应中心线和更新的边界的腰果形区域。图像(d)类似于图像(b)，但添加了噪声，其中CNR为7:1。当使用自适应Otsu阈值方法且存在噪声时，在DPA的5次迭代之后，边界和中心线的最终结果示于图像(e)中。
最后，选择图18的腰果形区域来模拟SN，且在不存在尖锐边缘时评估该方法。在运行初始的35次迭代后，发现平均值为1086.5，且标准偏差＝2.5。在SNR为10:1存在下使用Otsu方法，且再运行30次迭代，发现平均值为1097，且标准偏差为0.0。
本领域技术人员应理解，本公开中描述的过程可以使用可由处理器执行的计算机代码指令来实施。计算机代码指令可以存储在非临时性或有形的计算机可读介质(诸如存储器)上。存储器可以是随机存取存储器(RAM)、只读存储器(ROM)、高速缓冲存储器、磁盘存储器、任何其他存储器或任何其他计算机可读介质。本公开中描述的过程可以由包括至少一个处理器和/或存储可执行代码指令的存储器的设备来实施。当由至少一个处理器执行时，代码指令可以导致执行本公开中描述的过程或操作中的任一个。该设备可以是例如MRI扫描仪或计算装置。

Claims (20)

1.一种磁共振成像(MRI)系统，其包括：
MRI扫描仪，其被配置成采集磁共振(MR)数据；
至少一个处理器；和
存储器，其上存储有计算机代码指令，当由所述至少一个处理器执行时，所述计算机代码指令使得所述至少一个处理器：
经由所述MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，所述图像示出一个或多个感兴趣的解剖结构；
基于所述多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像，所述初始解剖模板图像定义模板空间；
针对所述多个训练对象中除所述第一训练对象之外的每个训练对象，
将全局变换应用于所述训练对象的所述MR图像，以产生表示所述模板空间中所述训练对象的MR数据的第一估计的所述MR图像的第一变形版本；和
将局部变换应用于所述训练对象的所述MR图像的所述第一变形版本，以产生表示所述模板空间中所述训练对象的所述MR数据的第二估计的所述MR图像的第二变形版本；
将所述初始解剖模板图像与所述多个训练对象的除所述第一训练对象之外的所述MR图像的第二变形版本进行平均，以产生最终解剖模板图像；
在所述最终解剖模板中描绘所述一个或多个感兴趣的解剖结构的边界；和
使用所述最终解剖模板针对其他非训练对象识别所述一个或多个感兴趣的解剖结构的边界。
2.根据权利要求1所述的MRI系统，其中在确定所述MR图像内的所述一个或多个感兴趣的解剖结构的所述边界时，所述至少一个处理器被配置成：
使用边界检测算法来微调所述最终解剖模板中的所述一个或多个感兴趣的解剖结构的所述边界。
3.根据权利要求1所述的MRI系统，其中在确定所述MR图像内的所述一个或多个感兴趣的解剖结构的所述边界时，所述至少一个处理器被配置成：
经由所述MRI扫描仪采集具有对比度的非训练对象的MR图像，所述图像示出所述一个或多个感兴趣的解剖结构；
将全局变换应用于所述非训练对象的MR图像，以产生所述非训练对象的MR图像的第一变形版本；
将局部变换应用于所述非训练对象的MR图像的所述第一变形版本，以产生所述非训练对象的MR图像的第二变形版本；
将所述一个或多个感兴趣的解剖结构的所述最终解剖模板的所述边界投影到所述非训练对象的MR图像的所述第二变形版本上，以确定所述非训练对象的所述模板空间内的所述一个或多个感兴趣的结构的边界的估计；和
将逆变换应用于所述一个或多个感兴趣的结构的所述模板空间内的所述边界的所述估计，以确定原始非训练对象的MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的第一估计。
4.根据权利要求3所述的MRI系统，其中所述至少一个处理器被配置成：
使用边界检测算法来微调所述非训练对象的原始MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的所述第一估计，并产生所述非训练对象的所述第二MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的第二估计。
5.根据权利要求3所述的MRI系统，其中所述逆变换包括局部变换的逆变换然后是全局变换的逆变换的连接。
6.根据权利要求1所述的MRI系统，其中将所述局部变换应用于所述MR图像的所述第一变形版本包括将所述局部变换应用于所述MR图像的所述第一变形版本的裁剪区域。
7.根据权利要求1所述的MRI系统，其中所述对应MR图像包括定量磁化率图(QSM)或神经黑色素图像。
8.根据权利要求3所述的MRI系统，其中所述至少一个处理器被配置成基于所述非训练对象的原始MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的体积。
9.根据权利要求3所述的MRI系统，其中所述至少一个处理器被配置成基于所述非训练对象的原始MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的平均强度。
10.根据权利要求3所述的MRI系统，其中所述至少一个处理器被配置成基于所述第二MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的总信号。
11.一种方法，包括：
经由所述MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，所述图像示出一个或多个感兴趣的解剖结构；
由计算装置基于所述多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像，所述初始解剖模板图像定义模板空间；
针对所述多个训练对象中除所述第一训练对象之外的每个训练对象，
将全局变换应用于所述训练对象的所述MR图像，以产生表示所述模板空间中所述训练对象的MR数据的第一估计的所述MR图像的第一变形版本；和
将局部变换应用于所述训练对象的所述MR图像的所述第一变形版本，以产生表示所述模板空间中所述训练对象的所述MR数据的第二估计的所述MR图像的第二变形版本；
将所述初始解剖模板图像与所述多个训练对象的除所述第一训练对象之外的所述MR图像的第二变形版本进行平均，以产生最终解剖模板图像；
在所述最终解剖模板中描绘所述一个或多个感兴趣的解剖结构的边界；和
使用所述最终解剖模板针对其他非训练对象识别所述一个或多个感兴趣的解剖结构的边界。
12.根据权利要求11所述的方法，其中确定所述MR图像内的所述一个或多个感兴趣的解剖结构的所述边界包括：
使用边界检测算法来微调所述最终解剖模板中的所述一个或多个感兴趣的解剖结构的所述边界。
13.根据权利要求11所述的方法，其中确定所述MR图像内的所述一个或多个感兴趣的解剖结构的所述边界包括：
经由所述MRI扫描仪采集具有对比度的非训练对象的MR图像，所述图像示出所述一个或多个感兴趣的解剖结构；
将全局变换应用于所述非训练对象的MR图像，以产生所述非训练对象的MR图像的第一变形版本；
将局部变换应用于所述非训练对象的MR图像的所述第一变形版本，以产生所述非训练对象的MR图像的第二变形版本；
将所述一个或多个感兴趣的解剖结构的所述最终解剖模板的所述边界投影到所述非训练对象的MR图像的所述第二变形版本上，以确定所述非训练对象的所述模板空间内的所述一个或多个感兴趣的结构的所述边界的估计；和
将逆变换应用于所述一个或多个感兴趣的结构的所述模板空间内的所述边界的所述估计，以确定原始非训练对象的MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的第一估计。
14.根据权利要求13所述的方法，其进一步包括：
使用边界检测算法来微调所述非训练对象的原始MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的所述第一估计，并产生所述非训练对象的所述第二MR图像内的所述一个或多个感兴趣的解剖结构的所述边界的第二估计。
15.根据权利要求13所述的方法，其中所述逆变换包括局部变换的逆变换然后是全局变换的逆变换的连接。
16.根据权利要求11所述的方法，其中将所述局部变换应用于所述MR图像的所述第一变形版本包括将所述局部变换应用于所述MR图像的所述第一变形版本的裁剪区域。
17.根据权利要求11所述的方法，其中所述对应MR图像包括定量磁化率图(QSM)或神经黑色素图像。
18.根据权利要求13所述的方法，其中所述至少一个处理器被配置成基于所述非训练对象的原始MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的体积。
19.根据权利要求13所述的方法，其进一步包括：
基于所述非训练对象的原始MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的平均强度；或
基于所述第二MR图像内所述一个或多个感兴趣的解剖结构的所述边界来确定所述一个或多个感兴趣的解剖结构中的至少一个的总信号。
20.一种非暂时性计算机可读介质，包括存储在其上的计算机代码指令，当由处理器执行时，所述计算机代码指令使所述处理器：
经由所述MRI扫描仪，针对多个训练对象中的每个训练对象采集具有对比度的对应MR图像，所述图像示出一个或多个感兴趣的解剖结构；
基于所述多个训练对象中的第一训练对象的第一MR数据产生初始解剖模板图像，所述初始解剖模板图像定义模板空间；
针对所述多个训练对象中除所述第一训练对象之外的每个训练对象，
将全局变换应用于所述训练对象的所述MR图像，以产生表示所述模板空间中所述训练对象的MR数据的第一估计的所述MR图像的第一变形版本；和
将局部变换应用于所述训练对象的所述MR图像的所述第一变形版本，以
产生表示所述模板空间中所述训练对象的所述MR数据的第二估计的所述MR图像的第二变形版本；
将所述初始解剖模板图像与所述多个训练对象的除所述第一训练对象之外的所述MR图像的第二变形版本进行平均，以产生最终解剖模板图像；
在所述最终解剖模板中描绘所述一个或多个感兴趣的解剖结构的边界；和
使用所述最终解剖模板针对其他非训练对象识别所述一个或多个感兴趣的解剖结构的边界。
CN202280026893.XA 2021-04-02 2022-03-30 用于解剖结构的基于模板的自动检测的系统和方法 Pending CN117177704A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163170229P 2021-04-02 2021-04-02
US63/170,229 2021-04-02
PCT/US2022/022576 WO2022212526A1 (en) 2021-04-02 2022-03-30 Systems and methods for template-based automatic detection of anatomical structures

Publications (1)

Publication Number Publication Date
CN117177704A true CN117177704A (zh) 2023-12-05

Family

ID=83459900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280026893.XA Pending CN117177704A (zh) 2021-04-02 2022-03-30 用于解剖结构的基于模板的自动检测的系统和方法

Country Status (6)

Country Link
US (2) US11651490B2 (zh)
EP (1) EP4312729A1 (zh)
JP (1) JP2024513845A (zh)
KR (1) KR20230164161A (zh)
CN (1) CN117177704A (zh)
WO (1) WO2022212526A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0610916A3 (en) * 1993-02-09 1994-10-12 Cedars Sinai Medical Center Method and device for generating preferred segmented numerical images.
US7660453B2 (en) * 2000-10-11 2010-02-09 Imaging Therapeutics, Inc. Methods and devices for analysis of x-ray images
US6757442B1 (en) * 2000-11-22 2004-06-29 Ge Medical Systems Global Technology Company, Llc Image enhancement method with simultaneous noise reduction, non-uniformity equalization, and contrast enhancement
EP1605824A2 (en) * 2003-03-25 2005-12-21 Imaging Therapeutics, Inc. Methods for the compensation of imaging technique in the processing of radiographic images
US9247880B2 (en) * 2012-02-23 2016-02-02 Siemens Aktiengesellschaft Image fusion for interventional guidance
EP2932470A2 (en) * 2013-10-18 2015-10-21 Koninklijke Philips N.V. Registration of medical images
US11282601B2 (en) * 2020-04-06 2022-03-22 International Business Machines Corporation Automatic bounding region annotation for localization of abnormalities

Also Published As

Publication number Publication date
US20230281814A1 (en) 2023-09-07
US11651490B2 (en) 2023-05-16
WO2022212526A1 (en) 2022-10-06
US20220327699A1 (en) 2022-10-13
EP4312729A1 (en) 2024-02-07
JP2024513845A (ja) 2024-03-27
KR20230164161A (ko) 2023-12-01

Similar Documents

Publication Publication Date Title
De Leener et al. Segmentation of the human spinal cord
Adler et al. Histology-derived volumetric annotation of the human hippocampal subfields in postmortem MRI
Eskildsen et al. BEaST: brain extraction based on nonlocal segmentation technique
Wang et al. Threshold segmentation algorithm for automatic extraction of cerebral vessels from brain magnetic resonance angiography images
CN107644420A (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
Park et al. Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features
CN115496771A (zh) 一种基于脑部三维mri图像设计的脑肿瘤分割方法
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
US9990719B2 (en) Method and system for generating multiparametric nosological images
CA2752370A1 (en) Segmentation of structures for state determination
Eriksson et al. Correlation of quantitative MRI and neuropathology in epilepsy surgical resection specimens—T2 correlates with neuronal tissue in gray matter
Lemaitre Computer-aided diagnosis for prostate cancer using multi-parametric magnetic resonance imaging
Hwang et al. An automatic cerebellum extraction method in T1-weighted brain MR images using an active contour model with a shape prior
CN110706218B (zh) 基于动态增强磁共振成像的乳腺肿瘤定位分析方法
Jin et al. Automatic detection of neuromelanin and iron in the midbrain nuclei using a magnetic resonance imaging‐based brain template
Gulban et al. Mesoscopic in vivo human T2* dataset acquired using quantitative MRI at 7 Tesla
Gadermayr et al. Image-to-image translation for simplified MRI muscle segmentation
US20200074635A1 (en) Image processor, image processing method, program for image processing, and magnetic resonance imaging apparatus
Li et al. Deep attention super-resolution of brain magnetic resonance images acquired under clinical protocols
EP0832468B1 (en) Apparatus for image enhancement, and related method
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
US11651490B2 (en) Systems and methods for automatic template-based detection of anatomical structures
Koppers et al. Sodium image denoising based on a convolutional denoising autoencoder
Yousefi et al. A fully automated segmentation of radius bone based on active contour in wrist MRI data set
Koompairojn et al. Semi-automatic segmentation and volume determination of brain mass-like lesion

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40098716

Country of ref document: HK