CN117838089A - 基于磁共振成像的大脑海马体分析方法、系统及电子设备 - Google Patents
基于磁共振成像的大脑海马体分析方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117838089A CN117838089A CN202410056576.3A CN202410056576A CN117838089A CN 117838089 A CN117838089 A CN 117838089A CN 202410056576 A CN202410056576 A CN 202410056576A CN 117838089 A CN117838089 A CN 117838089A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- analysis
- hippocampus
- hippocampal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 61
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 40
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 46
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 claims abstract description 46
- 241001559542 Hippocampus hippocampus Species 0.000 claims abstract description 46
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000001149 cognitive effect Effects 0.000 claims abstract description 7
- 238000010191 image analysis Methods 0.000 claims abstract description 7
- 230000000971 hippocampal effect Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 208000010877 cognitive disease Diseases 0.000 description 19
- 230000011218 segmentation Effects 0.000 description 12
- 208000024827 Alzheimer disease Diseases 0.000 description 7
- 208000028698 Cognitive impairment Diseases 0.000 description 7
- 230000032683 aging Effects 0.000 description 6
- 210000005013 brain tissue Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 206010003694 Atrophy Diseases 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000006998 cognitive state Effects 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 230000000626 neurodegenerative effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开基于磁共振成像的大脑海马体分析方法、系统及电子设备,涉及图像分析处理领域;该方法包括:获取目标图像;目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像;根据目标图像,采用设定模板框定海马体范围,并计算海马体体积;根据海马体体积和海马体常模进行对比分析,得到分析结果;分析结果用于表征目标大脑认知情况;本发明能够准确的对大脑海马体进行分析。
Description
技术领域
本发明涉及图像分析处理领域,特别是涉及一种基于磁共振成像的大脑海马体分析方法、系统及电子设备。
背景技术
认知障碍是老年人常见的老化症状,其中严重的认知障碍可能会发展成阿尔茨海默症(Alzheimer's Disease,AD)。阿尔茨海默症是一种老年期进行性神经退变性疾病,以记忆障碍为最早的症状和最突出的认知障碍。临床上诊断老年人是否患有阿尔茨海默症或者评估认知障碍的情况,主要借助传统的神经心理学测验结果,神经心理学测验是一种行为层面外显的结果,经常受到受试者接受测试时的精神状态以及动机的影响。此外,同一认知结果可能对应着不同的大脑区域的改变,预示着不同原因的造成的认知衰退,因此,引入脑影像的结果对于评估认知障碍有着十分重要的意义。
海马体(Hippocampus)作为人类认知功能中最重要的大脑区域之一,以表征记忆力为最核心的功能,并且与老化以及认知障碍的关系密切,故将海马体体积的显著萎缩作为阿尔茨海默症的诊断以及鉴别的重要神经退行性指标(见文献Jack,C.R.,et al.(2018).Nia-aa research framework:toward a biological definition of alzheimer’s disease.Alzheimers & Dementia,14(4),535-562.)。然而,在影像学上的诊断,主要通过临床医生肉眼观察MRI图像中海马体体积的萎缩情况,这种方式极大依赖于医生的经验,并且无法定量的得到海马体的体积,使得诊断评估可能存在一定的误差,并且需要借助专业的神经内科医生来操作,使得影像学诊断阿尔茨海默症或者评估认知障碍的应用较为局限。
随着认知神经科学的研究进步,人类对于大脑的结构和功能组织的模式有了更多了解,得到了一般共性化的大脑结构区域划分的模板,例如Neuromorphometrics(2012)大脑模板将人的大脑分成了142个区域,其中包括了前文中提到的海马体区域。此外,一些大脑MRI数据分析软件(例如SPM12、CAT12)的出现使得定量计算大脑各个区域的体积更加准确。但是由于缺乏中国老年人群的海马体体积常模作为对比标准,以及脑数据分析软件存在一定的上手门槛,原始MRI数据的预处理过程较为繁琐复杂,使得海马体体积定量分析的认知障碍评估方法在临床上应用较少。
正如前述,现有技术存在下述问题。
1)传统的神经心理学测验对于评估认知障碍存在一定的局限,得到的结果可能存在误差并且无法判断病因。
2)海马体体积是与认知障碍十分相关的脑区,但在临床上评估认知障碍情况主要通过医生肉眼进行定型判断,存在一定误差并需要专业的人员操作。
3)现有的技术已经可以较为定量地分析海马体体积,但由于缺乏中国老年人群的海马体体积常模,使得海马体体积定量的结果没有可以参照的标准,使得其临床应用较少。
脑数据分析软件需要一定的上手门槛,缺乏系统地、自动化地对MRI原始数据进行一步式处理的方法,使得海马体体积定量计算在临床上应用较少。
发明内容
本发明的目的是提供一种基于磁共振成像的大脑海马体分析方法、系统及电子设备,能够准确的对大脑海马体进行分析。
为实现上述目的,本发明提供了如下方案:一种基于磁共振成像的大脑海马体分析方法,所述方法包括:获取目标图像和海马体常模;所述目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像;采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积;根据所述海马体体积和所述海马体常模进行对比分析,得到分析结果;所述分析结果用于表征目标大脑的认知情况。
可选地,采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积,具体包括:提取所述目标图像的感兴趣区域;所述感兴趣区域为包含海马体的区域;根据所述感兴趣区域对所述目标图形进行分割,得到分割图像;对所述分割图像进行校正处理,得到校正图像;采用设定模块对多数校正图像进行框选,得到海马体范围;采用区域生长算法对所述海马体范围内的像素点基于相似性进行识别,得到识别数据;所述识别数据为所述海马体范围内海马体体素的数目;根据所述识别数据计算海马体体积。
可选地,根据所述识别数据计算海马体体积,具体包括:在所述海马体范围内,基于海马体体素进行定量测定,得到所述海马体体积。
可选地,提取所述目标图像的感兴趣区域,具体包括:对所述目标图像进行去噪处理,得到去噪目标图像;对所述去噪目标图像进行强度归一化处理,得到处理图像;根据所述处理图像进行偏斜校正和重采样处理,得到重采样图像;对所述重采样图像进行伪影去除和空间标准化处理,得到标准化图像;基于计算机视觉和图像分析技术,对所述标准化图像进行区域提取处理,提取得到所述目标图像的感兴趣区域。
可选地,所述海马体常模是通过对设定数量的研究对象进行统计分析确定的。
一种基于磁共振成像的大脑海马体分析系统,所述系统包括:图像获取模块,用于获取目标图像和海马体常模;所述目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像;体积计算模块,用于采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积;对比分析模块,用于根据所述海马体体积和所述海马体常模进行对比分析,得到分析结果;所述分析结果用于表征目标大脑的认知情况。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于磁共振成像的大脑海马体分析方法。
可选地,所述存储器为可读存储介质。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种基于磁共振成像的大脑海马体分析方法、系统及电子设备,通过获取目标图像,然后根据目标图像,采用设定模板框定海马体范围,并计算海马体体积;根据海马体体积和海马体常模进行对比分析,得到分析结果;该过程不需要专业的脑影像数据分析人员的进行软件操作,也不需要临床上专业的神经内科医生对MRI图像进行定量读片,大大降低了人力物力,并且提高了认知障碍评估的准确性和科学性;因此,本发明能够准确的对大脑海马体进行分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于磁共振成像的大脑海马体分析方法的流程图。
图2为本发明实施例提供的基于磁共振成像的大脑海马体分析系统的结构图。
符号说明:图像获取模块-1、体积计算模块-2、对比分析模块-3。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有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。
本发明的目的是提供一种基于磁共振成像的大脑海马体分析方法、系统及电子设备,能够准确的对大脑海马体进行分析。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:如图1所示,本发明实施例提供了基于磁共振成像的大脑海马体分析方法,该方法包括:步骤100:获取目标图像和海马体常模。目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像。
步骤200:采用设定模板,框定目标图像中的海马体的范围,并计算海马体体积。
具体地,海马体常模是通过对设定数量的研究对象进行统计分析确定的。
采用设定模板,框定目标图像中的海马体的范围,并计算海马体体积,具体包括:提取目标图像的感兴趣区域;感兴趣区域为包含海马体的区域;根据感兴趣区域对目标图形进行分割,得到分割图像;对分割图像进行校正处理,得到校正图像;采用设定模块对多数校正图像进行框选,得到海马体范围;采用区域生长算法对海马体范围内的像素点基于相似性进行识别,得到识别数据;识别数据为海马体范围内海马体体素的数目;根据识别数据计算海马体体积。
其中,根据识别数据计算海马体体积,具体包括:在海马体范围内,基于海马体体素进行定量测定,得到海马体体积。
此外,提取目标图像的感兴趣区域,具体包括:对目标图像进行去噪处理,得到去噪目标图像;对去噪目标图像进行强度归一化处理,得到处理图像;根据处理图像进行偏斜校正和重采样处理,得到重采样图像;对重采样图像进行伪影去除和空间标准化处理,得到标准化图像;基于计算机视觉和图像分析技术,对标准化图像进行区域提取处理,提取得到目标图像的感兴趣区域。
步骤300:根据海马体体积和海马体常模进行对比分析,得到分析结果。分析结果用于表征目标大脑的认知情况。
在实际应用中,本发明提供的方法,具体包括如下步骤。
步骤一:对目标大脑做磁共振成像的T1加权像扫描。
步骤二:自动化计算出目标大脑中的海马体体积。
步骤三:对比海马体常模,对其认知障碍的情况进行评估。
步骤一中的基于磁共振成像(Magnetic Resonance Imaging,MRI)的T1加权像扫描为突出大脑组织纵向弛豫的磁共振扫描方法。该图像对脑组织的灰质和白质有很好的对比度,因此适合用于分割海马体等大脑结构。
步骤二指的是步骤一中得到的T1加权像图像在经过了包括去除非脑组织、标准化、分割、平滑的预处理后,根据Neuromorphometrics(2012)大脑模板给定的左侧海马体和右侧海马体框定海马体范围,计算其总体积并进行颅内总体积的矫正。具体的操作过程如下。
(1)数据预处理,数据预处理是进行海马体分割的关键步骤之一,其目标是提高MRI图像的质量、一致性和可比性,以便后续的海马体分割算法能够更准确地识别和分割出目标结构。具体步骤包括去噪处理、强度归一化、头骨去除、偏斜校正、图像重采样、伪影去除、空间标准化等。为了比较不同被试验对象之间的数据或将数据与标准模板对齐,可以进行空间标准化。这通常涉及将图像与模板图像进行配准,以校正解剖差异。
(2)提取感兴趣区域(Region of Interest,ROI),这部分涉及定义和选择磁共振成像图像中包含海马体的区域。ROI提取的主要目的是限制分割算法的计算范围,使其只关注图像中包含海马体的区域,以减少计算的复杂性和提高分割的效率。主要采用自动选择ROI通常需要使用计算机视觉和图像分析技术,用于控制感兴趣区域,确保分割算法不会误分割其他脑结构或组织。提取ROI是分割流程中的重要一步,它有助于提高分割算法的准确性和效率。选择合适的ROI通常依赖于研究的目标和图像的特点,同时需要保证ROI的准确性和一致性。一旦ROI被定义和提取,它将成为分割算法的关键输入,用于识别和分割出MRI图像中的海马体区域。
(3)图像配准,其主要目的是校正图像之间的解剖和几何差异,以使它们对齐在相同的坐标空间中,这有助于减小不同数据来源或被试验对象之间的变异,使分析和比较更为准确和可靠。采用刚体变换(Rigid Registration)或非刚体变换(Non-rigidRegistration)的方法。刚体变换包括平移、旋转和缩放,适用于对准整个图像,但不适用于纠正局部形状差异。非刚体变换允许更复杂的形变,适用于解决更具挑战性的图像差异。
(4)脑组织分割,该步骤主要目的是将脑部MRI图像中的不同脑组织成分区分开,以便更精确地识别海马体所在的位置。这种分割
通常包括灰质、白质和脑脊髓液。
(5)海马体分割,是神经影像学和医学图像分析中的重要任务,旨在将脑部MRI图像中的海马体区域准确分割出来,这一步骤是研究神经退行性疾病、认知功能和神经科学等领域的关键前提。采用区域生长算法,根据像素之间的相似性来增长或合并像素区域。在海马体分割中,从一些种子点开始,然后逐渐增长以识别整个海马体区域。最后计算分割得到的海马体体素数目,进而计算海马体体积。
步骤三中的海马体常模为995名年龄50到80岁的中国老年人的海马体体积根据年龄、性别、教育分组分别计算得到。
主要是通过两步配准(标准空间到年龄性别匹配的模板空间,模板空间再到个体空间)将海马体分区图谱配准到个体空间中,进而计算得到个体的海马体体积。按照以上步骤提取认知995名老年人的海马体体积,使用位置、规模和形状的广义加法模型(Generalized Additive Models for Location,Scale and Shape,GAMLSS)建模海马体的衰老常模/图表。对于需要评估的受试者,通过海马体衰老常模/图表可以得到其海马体体积相对于其同龄人海马体体积平均模式(中位数)的偏离程度,并将其作为量化海马体老化程度的指标,若偏离程度高于中位数/50%分位数,则说明相对于其同龄人群,该受试海马体体积保持得越好;反之则说明相对于同龄人群,其海马体有更大的老化程度,即认知障碍风险高。海马体体积基于体素进行定量测定。
个体求得的海马体体积对比海马体常模,可以对其认知障碍的情况进行评估。整个计算和评估过程都为计算机的自动化处理,并且耗时短。
实施例2提供了一种基于磁共振成像的大脑海马体分析系统。
如图2所示,本发明实施例提供的基于磁共振成像的大脑海马体分析系统,包括:图像获取模块1、体积计算模块2和对比分析模块3。
图像获取模块1,用于获取目标图像和海马体常模;目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像。
体积计算模块2,用于采用设定模板,框定目标图像中的海马体的范围,并计算海马体体积。
对比分析模块3,用于根据海马体体积和海马体常模进行对比分析,得到分析结果;分析结果用于表征目标大脑的认知情况。
实施例3提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1中的基于磁共振成像的大脑海马体分析方法。
作为一种可选的实施方式,存储器为可读存储介质。
本发明的有益之处在于:本发明使用磁共振成像的T1加权像图像,进行自动快速地海马体体积计算,并对比基于大样本建立的中国老年人群的海马体体积常模,一步式得到受试者的认知障碍评估结果,使用方便快速,结果科学有参考价值,具有很好的临床应用情景。
本发明可以对原始的MRI数据进行快速自动地预处理并定量计算出海马体体积,根据给定的海马体体积常模评估个体认知障碍的情况,该过程不需要专业的脑影像数据分析人员的进行软件操作,也不需要临床上专业的神经内科医生对MRI图像进行定量读片,大大降低了人力物力,并且提高了认知障碍评估的准确性和科学性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于磁共振成像的大脑海马体分析方法,其特征在于,所述方法包括:
获取目标图像和海马体常模;所述目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像;
采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积;
根据所述海马体体积和所述海马体常模进行对比分析,得到分析结果;所述分析结果用于表征目标大脑的认知情况。
2.根据权利要求1所述的基于磁共振成像的大脑海马体分析方法,其特征在于,采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积,具体包括:
提取所述目标图像的感兴趣区域;所述感兴趣区域为包含海马体的区域;
根据所述感兴趣区域对所述目标图形进行分割,得到分割图像;
对所述分割图像进行校正处理,得到校正图像;
采用设定模块对多数校正图像进行框选,得到海马体范围;
采用区域生长算法对所述海马体范围内的像素点基于相似性进行识别,得到识别数据;所述识别数据为所述海马体范围内海马体体素的数目;
根据所述识别数据计算海马体体积。
3.根据权利要求2所述的基于磁共振成像的大脑海马体分析方法,其特征在于,根据所述识别数据计算海马体体积,具体包括:
在所述海马体范围内,基于海马体体素进行定量测定,得到所述海马体体积。
4.根据权利要求2所述的基于磁共振成像的大脑海马体分析方法,其特征在于,提取所述目标图像的感兴趣区域,具体包括:
对所述目标图像进行去噪处理,得到去噪目标图像;
对所述去噪目标图像进行强度归一化处理,得到处理图像;
根据所述处理图像进行偏斜校正和重采样处理,得到重采样图像;
对所述重采样图像进行伪影去除和空间标准化处理,得到标准化图像;
基于计算机视觉和图像分析技术,对所述标准化图像进行区域提取处理,提取得到所述目标图像的感兴趣区域。
5.根据权利要求1所述的基于磁共振成像的大脑海马体分析方法,其特征在于,所述海马体常模是通过对设定数量的研究对象进行统计分析确定的。
6.一种基于磁共振成像的大脑海马体分析系统,其特征在于,所述系统包括:
图像获取模块,用于获取目标图像和海马体常模;所述目标图像为采用磁共振扫描方法对目标大脑进行T1加权像扫描,得到的扫描图像;
体积计算模块,用于采用设定模板,框定所述目标图像中的海马体的范围,并计算海马体体积;
对比分析模块,用于根据所述海马体体积和所述海马体常模进行对比分析,得到分析结果;所述分析结果用于表征目标大脑的认知情况。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的基于磁共振成像的大脑海马体分析方法。
8.根据权利要求7所述的一种电子设备,其特征在于,所述存储器为可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056576.3A CN117838089A (zh) | 2024-01-15 | 2024-01-15 | 基于磁共振成像的大脑海马体分析方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056576.3A CN117838089A (zh) | 2024-01-15 | 2024-01-15 | 基于磁共振成像的大脑海马体分析方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117838089A true CN117838089A (zh) | 2024-04-09 |
Family
ID=90546068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056576.3A Pending CN117838089A (zh) | 2024-01-15 | 2024-01-15 | 基于磁共振成像的大脑海马体分析方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117838089A (zh) |
-
2024
- 2024-01-15 CN CN202410056576.3A patent/CN117838089A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4025823B2 (ja) | 脳疾患の診断支援方法及び装置 | |
US8280482B2 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
WO2007023522A1 (ja) | 脳疾患の診断支援方法及び装置 | |
JP5601378B2 (ja) | 医用画像処理装置 | |
JP5699936B2 (ja) | 医用画像処理装置の作動方法、装置およびプログラム | |
US20130102877A1 (en) | Atlas-based analysis for image-based anatomic and functional data of organism | |
Gouttard et al. | Subcortical structure segmentation using probabilistic atlas priors | |
CN111753833A (zh) | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
JP4022587B2 (ja) | 脳疾患の診断支援方法及び装置 | |
CN116664578B (zh) | 脑血流和脑功能之间的跨模态耦合图像处理方法及装置 | |
Avants et al. | Spatiotemporal normalization for longitudinal analysis of gray matter atrophy in frontotemporal dementia | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
CN117838089A (zh) | 基于磁共振成像的大脑海马体分析方法、系统及电子设备 | |
KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
Wang et al. | Semi-automatic segmentation of the fetal brain from magnetic resonance imaging | |
Cárdenes et al. | Analysis of the pyramidal tract in tumor patients using diffusion tensor imaging | |
KR102349360B1 (ko) | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 | |
Winzeck | Methods for Data Management in Multi-Centre MRI Studies and Applications to Traumatic Brain Injury | |
KR102319326B1 (ko) | 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
TWI477798B (zh) | 自動化分析大腦纖維資訊的方法 | |
US10849546B2 (en) | Diagnosis of normal pressure hydrocephalus by automated processing of MRI images | |
Nakamura | MRI analysis to detect gray matter tissue loss in multiple sclerosis | |
CN115312181B (zh) | 脑网络疾病手术预后判断方法、系统及装置 |
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 |