CN118037583B - 一种用于肌少症诊断和评估的核磁数据优化方法 - Google Patents
一种用于肌少症诊断和评估的核磁数据优化方法 Download PDFInfo
- Publication number
- CN118037583B CN118037583B CN202410435291.0A CN202410435291A CN118037583B CN 118037583 B CN118037583 B CN 118037583B CN 202410435291 A CN202410435291 A CN 202410435291A CN 118037583 B CN118037583 B CN 118037583B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target
- muscle tissue
- tissue image
- artifact
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 208000001076 sarcopenia Diseases 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 210000003205 muscle Anatomy 0.000 claims abstract description 157
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 201000000585 muscular atrophy Diseases 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 206010028289 Muscle atrophy Diseases 0.000 description 3
- 230000020763 muscle atrophy Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010060820 Joint injury Diseases 0.000 description 1
- 208000021642 Muscular disease Diseases 0.000 description 1
- 201000009623 Myopathy Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 201000006938 muscular dystrophy Diseases 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种用于肌少症诊断和评估的核磁数据优化方法，包括：采集肌肉组织图像；获取像素点的伪影初始可能性；根据肌肉组织图像中像素点的灰度值得到肌肉组织图像中像素点的梯度连续因子；对肌肉组织图像进行聚类；获取类簇的异常程度；根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中像素点的伪影最终可能性；获取肌肉组织图像中像素点的卷积核；根据肌肉组织图像中像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像。本发明通过对图像进行自适应去噪，完成肌少症诊断的核磁图像数据的优化，便于医护人员对肌少症的诊断和评估。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于肌少症诊断和评估的核磁数据优化方法。
背景技术
肌少症全称肌肉减少症，是指因持续骨骼肌量流失、强度和功能下降而引起的综合症，通常由衰老引起，非常容易引发骨折以及关节损伤等问题，严重时可能会致人死亡。核磁共振是最常见的一种肌少症影像检查方式，利用核磁共振技术可以获得较为清晰的肌肉图像，便于医护人员分析肌肉和脂肪组织的分布情况，以对患者的身体状况做出准确的评估。
核磁共振在成像时需要患者保持静止，但核磁共振扫描通常需要相当长的时间，若患者移动或呼吸不稳定就可能导致图像中出现运动伪影，而伪影会使图像原始区域变模糊，降低图像质量，现有方法在利用高斯滤波对图像进行去噪时，由于伪影区域的大小通常比高斯滤波的卷积核更大，导致像素在卷积时邻域中包括较多的伪影像素，且高斯滤波是以到中心像素的距离作为权重进行卷积操作的，可能导致伪影像素在卷积时占有较高的权重，导致图像去噪效果不佳，从而影响医护人员对肌少症的诊断和评估。
发明内容
为解决上述问题，本发明提供一种用于肌少症诊断和评估的核磁数据优化方法。
本发明的一种用于肌少症诊断和评估的核磁数据优化方法采用如下技术方案：
本发明一个实施例提供了一种用于肌少症诊断和评估的核磁数据优化方法，该方法包括以下步骤：
采集患者的肌肉组织图像；
根据肌肉组织图像获取肌肉组织图像中每个像素点的局部窗口；根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性；
根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列；根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子；
根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇；根据类簇中像素点之间的距离得到每个类簇的长度和宽度；根据每个类簇的长度、宽度及类簇之间质心的距离，得到每个类簇的异常程度；根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性；
根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核大小；根据伪影最终可能性和卷积核大小得到肌肉组织图像中每个像素点的卷积核；根据肌肉组织图像中每个像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像。
进一步地，所述根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；
式中，为目标像素点的局部窗口内灰度值的信息熵；/>为目标像素点的灰度值，/>为目标像素点的局部窗口内除目标像素点外第/>个像素点的灰度值，/>为取绝对值，/>为目标像素点的局部窗口内像素点的个数，/>为目标像素点的局部窗口的灰度混乱因子；
获取肌肉组织图像中每个像素点的局部窗口的灰度混乱因子，将所有灰度混乱因子进行线性归一化处理，得到的结果作为每个像素点的局部窗口的灰度混乱程度，将目标像素点的局部窗口的灰度混乱程度作为目标像素点的伪影初始可能性。
进一步地，所述根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；以目标像素点为中心，将目标像素点沿-45°方向两侧各选取个像素点，记为第一像素点，将所有第一像素点的灰度值沿-45°方向对应第一像素点的顺序进行排列，得到一个序列，记为第一灰度序列，为预设的一个第二数值；以目标像素点为中心，将目标像素点沿0°方向两侧各选取个像素点，记为第二像素点，将所有第二像素点的灰度值沿0°方向对应第二像素点的顺序进行排列，得到一个序列，记为第二灰度序列；以目标像素点为中心，将目标像素点沿45°方向两侧各选取/>个像素点，记为第三像素点，将所有第三像素点的灰度值沿45°方向对应第三像素点的顺序进行排列，得到一个序列，记为第三灰度序列；以目标像素点为中心，将目标像素点沿90°方向两侧各选取/>个像素点，记为第四像素点，将所有第四像素点的灰度值沿90°方向对应第四像素点的顺序进行排列，得到一个序列，记为第四灰度序列。
进一步地，所述根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；
式中，为目标像素点的第/>个灰度序列中第/>个灰度值的二阶前向差分，/>为取绝对值，/>为目标像素点的灰度序列的个数，/>为目标像素点的任意一个灰度序列中灰度值的个数；/>为以自然常数为底的指数函数；/>为目标像素点的第/>个灰度序列中第/>个灰度值的一阶前向差分，/>为符号函数，/>为目标像素点的梯度连续参数；
获取肌肉组织图像中每个像素点的梯度连续参数，将所有梯度连续参数进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的梯度连续因子。
进一步地，所述根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点的伪影初始可能性与目标像素点的梯度连续因子的比值，记为目标像素点的第一参数，对肌肉组织图像进行K-means聚类，距离度量采用像素点之间的第一参数的差值绝对值，得到肌肉组织图像的若干类簇。
进一步地，所述根据类簇中像素点之间的距离得到每个类簇的长度和宽度，包括的具体步骤如下：
将任意一个类簇，记为目标类簇；将目标类簇的中像素点之间的最大欧式距离，作为目标类簇的长度；将目标类簇的长度对应的线段，记为第一线段；将经过目标类簇的质心且与第一线段垂直的直线，记为第一直线，将第一直线中属于目标类簇的像素点，记为第五像素点，将第五像素点之间的最大欧式距离，记为目标类簇的宽度。
进一步地，所述根据每个类簇的长度、宽度及类簇之间质心的距离，得到每个类簇的异常程度，包括的具体步骤如下：
将任意一个类簇，记为目标类簇；
式中，为目标类簇的长度，/>为目标类簇的宽度，/>为除目标类簇外第/>个类簇的长度，/>为除目标类簇外第/>个类簇的宽度，/>为类簇的个数，/>为取绝对值，/>为目标类簇的长度与水平右向的夹角值，/>为所有类簇的长度与水平右向的夹角值的平均值；为以自然常数为底的指数函数；/>为预设的一个第三数值，/>的具体获取方法如下：获取与目标类簇距离最近的/>个类簇；将与目标类簇距离最近的第/>个类簇的质心，记为第一质心，将目标类簇的质心，记为第二质心，将第一质心和第二质心之间的欧式距离，记为/>；/>为目标类簇的异常因子；
获取每个类簇的异常因子，将所有类簇的异常因子进行线性归一化处理，得到的结果作为每个类簇的异常程度。
进一步地，所述根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点所在的类簇，记为第一类簇；
式中，为目标像素点的伪影初始可能性，/>为目标像素点的梯度连续因子，/>为第一类簇的异常程度，/>为目标像素点与第一类簇的质心之间的欧式距离；/>为预设的一个超参数；/>为目标像素点的伪影最终可能因子；
获取肌肉组织图像中每个像素点的伪影最终可能因子，将所有伪影最终可能因子进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的伪影最终可能性。
进一步地，所述根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核大小，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；以目标像素点为中心，获取一个的窗口，记为目标像素点的第一窗口，将第一窗口内所有像素点的伪影最终可能性的平均值，记为/>，预设一个第一阈值，记为/>，若/>，将第一窗口作为目标像素点的卷积核大小；若/>，以目标像素点为中心，获取一个/>的窗口，记为目标像素点的第二窗口，将第二窗口内所有像素点的伪影最终可能性的平均值，记为/>，若/>，继续扩大窗口，每次窗口扩大时，窗口的大小增加2，直至窗口内所有像素点的伪影最终可能性的平均值小于或等于第一阈值，或者窗口的大小达到预设参数，得到目标像素点的卷积核大小。
进一步地，所述根据伪影最终可能性和卷积核大小得到肌肉组织图像中每个像素点的卷积核，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点的卷积核大小记为，在肌肉组织图像中以目标像素点为中心，构建一个/>窗口，记为目标窗口；
其中，为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中像素点的个数，/>为目标窗口中第/>个像素点的权重；
将目标窗口中每个像素点的权重作为目标像素点的卷积核中对应位置的元素值，得到目标像素点的卷积核。
本发明的技术方案的有益效果是：本发明在采集到患者的肌肉组织图像后，通过对肌肉组织图像中像素点构建局部窗口，分析局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性，伪影初始可能性表示像素点属于伪影区域的初始可能性，能够区分灰度值和形状较为相似的脂肪组织像素与伪影像素，避免因脂肪代偿而出现的脂肪组织被误判为伪影，而后通过分析像素点的灰度序列中灰度值的差分，获取到肌肉组织图像中每个像素点的梯度连续因子，灰度序列表示像素点在不同方向上灰度的变化，梯度连续因子反映像素点周围的梯度连续性情况，通过对肌肉组织图像进行聚类，分析每个类簇的异常程度，进而得到肌肉组织图像中每个像素点的伪影最终可能性，能够区分部分模糊的肌肉组织像素和伪影区域像素，避免因肌肉萎缩而出现模导致糊肌肉组织被误判为伪影的情况，最终利用伪影最终可能性自适应获取肌肉组织图像中每个像素点的卷积核，并完成高斯滤波去噪，使得图像去噪效果较佳，完成肌少症诊断的核磁图像数据的优化，后续便于医护人员对肌少症的诊断和评估。
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为本发明一个实施例所提供的一种用于肌少症诊断和评估的核磁数据优化方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于肌少症诊断和评估的核磁数据优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于肌少症诊断和评估的核磁数据优化方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于肌少症诊断和评估的核磁数据优化方法的步骤流程图，该方法包括以下步骤：
步骤S001、采集患者的肌肉组织图像。
需要说明的是，本实施例目的是利用高斯滤波，通过像素周围的灰度与梯度表现，结合伪影分布特征得到像素属于伪影区域的可能性，之后利用可能性自适应不同像素的卷积核大小以及卷积核内的像素权重，最终得到一个消除伪影效果较好的肌肉组织核磁共振图像，开始分析之前，首先采集图像。
具体的，利用核磁共振仪获取患者大腿横截面的肌肉图像；需要说明的是，肌肉图像为灰度图像；将肌肉图像输入到语义分割网络中，得到肌肉组织区域和背景区域，将肌肉图像中肌肉组织区域内所有像素点构成的图像，记为肌肉组织图像。
需要说明的是，本实施例使用的语义分割网络为DeepLabV3网络，该网络是公知技术，本实施例不再赘述该网络的具体结果和训练方法，通过分割减少无关区域对检测结果的影响，肌肉组织图像中存在伪影区域。
至此，得到患者的肌肉组织图像。
步骤S002、根据肌肉组织图像获取肌肉组织图像中每个像素点的局部窗口；根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性。
需要说明的是，在利用常规的高斯滤波处理带有伪影的肌肉组织图像时，由于伪影区域的面积较大且像素较为集中，使得其会在卷积过程中占有较大的权重，最终的去噪效果很不明显，因此本实施例根据像素特点计算相应的属于伪影区域的可能性，并通过可能性自适应卷积核的大小与像素的权重。在计算可能性时，由于部分脂肪组织与伪影的图像表现近似，所以首先需要利用像素周围的灰度表现来计算初始可能性；而肌少症患者存在肌肉萎缩现象，这些萎缩边缘区域的灰度表现与伪影区域的灰度表现相似，所以还需要结合像素周围的梯度表现和伪影分布特征确定最终的可能性，减少可能出现的误差，最终利用优化后的高斯滤波算法增强图像，获得去除伪影效果较好的肌肉组织图像。
需要说明的是，运动伪影是因患者在核磁共振成像时移动或呼吸不稳定而产生的图像模糊区域，该伪影通常表现为长条状且层次较多，受伪影覆盖的肌肉区域像素灰度值可能会变高，产生较为明显的白色长条状区域。而在肌少症患者的肌肉组织图像中，由于患者的部分肌肉组织发生萎缩，身体往往会试图通过脂肪代偿来填补空间，使得肌肉组织的间隙中被脂肪所填满，这些被填充的区域也会表现为白色的长条状区域，这就导致伪影区域和脂肪代偿区域难以进行区分。然而，伪影是因核磁共振成像过程中异常相位的累积而产生的，它会导致覆盖区域模糊或畸变，出现灰度混乱的情况，而脂肪代偿区域没有这个特征。
具体的，根据肌肉组织图像获取肌肉组织图像中每个像素点的局部窗口，具体如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；以目标像素点为中心，构建一个的窗口，记为目标像素点的局部窗口，/>为预设的一个第一数值，本实施例以/>进行叙述。需要说明的是，若局部窗口超过肌肉组织图像的范围时，本实施例采用二次线性插值的方法将超出肌肉组织图像范围的部分进行插值填充数据。
进一步地，根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性，具体如下：
式中，为目标像素点的局部窗口内灰度值的信息熵；需要说明的是，获取局部窗口内灰度值的信息熵为现有方法，本实施例不再赘述；/>为目标像素点的灰度值，/>为目标像素点的局部窗口内除目标像素点外第/>个像素点的灰度值，/>为取绝对值，/>为目标像素点的局部窗口内像素点的个数，/>为目标像素点的局部窗口的灰度混乱因子。
获取肌肉组织图像中每个像素点的局部窗口的灰度混乱因子，将所有灰度混乱因子进行线性归一化处理，得到的结果作为每个像素点的局部窗口的灰度混乱程度，将目标像素点的局部窗口的灰度混乱程度作为目标像素点的伪影初始可能性。
需要说明的是，表示目标像素点与目标像素点的局部窗口内其他像素点的灰度值差异的均值，通过结合局部窗口内灰度值的信息熵得到每个像素点的局部窗口的灰度混乱程度；通过像素点周围的信息量大小以及像素点与周围像素点的灰度差异来获得相应的灰度混乱程度，则该灰度混乱程度表示像素点属于伪影区域的初始可能性即伪影初始可能性，灰度混乱程度越大则像素属于伪影区域的可能性就越大，利用初始可能性能够降低脂肪代偿区域对计算的干扰。
至此，得到肌肉组织图像中每个像素点的伪影初始可能性。
步骤S003、根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列；根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子。
需要说明的是，上述得到的伪影初始可能性够体现出伪影像素点周围的灰度混乱特点，然后利用伪影初始可能性较高的像素点在图像中的分布特点来进一步确定最终可能性。通常情况下，肌少症患者的肌肉组织各处会出现肌肉萎缩现象，萎缩现象会导致肌肉组织受到拉伸和挤压，因此其肌肉组织图像中的肌肉萎缩边界区域也会因变形而出现较为模糊的区域。这些模糊区域中的像素点与伪影区域像素点有着相似的灰度表现特点，仅通过灰度混乱程度难以将它们进行区分。但肌肉萎缩边界区域的组织通常会形成由厚到薄的形态，呈现出平滑的连续性密度变化，而伪影区域的像素则是不规则的形态，区域内部的密度变化并不连续。不仅如此，运动伪影是因异常相位的累积而产生的，其在肌肉组织图像中通常会以多层结构集中出现，即多个长条状伪影集中分布在一起，且方向和形状基本一致，而肌肉萎缩则是无规律地随机分布。
具体的，根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列，具体如下：
以目标像素点为中心，将目标像素点沿-45°方向两侧（正反两个方向即两侧）各选取个像素点，记为第一像素点，将所有第一像素点的灰度值沿-45°方向对应第一像素点的顺序进行排列，得到一个序列，记为第一灰度序列，/>为预设的一个第二数值，本实施例以/>进行叙述；以目标像素点为中心，将目标像素点沿0°方向两侧各选取个像素点，记为第二像素点，将所有第二像素点的灰度值沿0°方向对应第二像素点的顺序进行排列，得到一个序列，记为第二灰度序列；以目标像素点为中心，将目标像素点沿45°方向两侧各选取/>个像素点，记为第三像素点，将所有第三像素点的灰度值沿45°方向对应第三像素点的顺序进行排列，得到一个序列，记为第三灰度序列；以目标像素点为中心，将目标像素点沿90°方向两侧各选取/>个像素点，记为第四像素点，将所有第四像素点的灰度值沿90°方向对应第四像素点的顺序进行排列，得到一个序列，记为第四灰度序列；需要说明的是，若选取像素点时，超过肌肉组织图像的边界时，此时本实施例利用二次线性插值的方法将肌肉组织图像的超出边界的部分进行插值填充数据。
进一步地，根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子，具体如下：
式中，为目标像素点的第/>个灰度序列中第/>个灰度值的二阶前向差分，/>为取绝对值，/>为目标像素点的灰度序列的个数，/>为目标像素点的任意一个灰度序列中灰度值的个数；需要说明的是，目标像素点的每个灰度序列中灰度值的个数都是相同的；为以自然常数为底的指数函数，本实施例采用/>模型来呈现反比例关系，为模型的输入，实施者可根据具体实施情况设置反比例函数；/>为目标像素点的第/>个灰度序列中第/>个灰度值的一阶前向差分，/>为符号函数，/>为目标像素点的梯度连续参数；需要说明的是，灰度序列中第/>个灰度值的一阶前向差分为第/>个灰度值减第/>个灰度值，灰度序列中第/>个灰度值的二阶前向差分为第/>个灰度值减去2倍的第个灰度值加上第/>个灰度值。
获取肌肉组织图像中每个像素点的梯度连续参数，将所有梯度连续参数进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的梯度连续因子。
需要说明的是，目标像素点的梯度连续因子反映目标像素点周围的梯度连续性情况，反映目标像素点的所有灰度序列中灰度值的变化稳定程度，该值越大则灰度变化稳定程度越小，目标像素点周围的梯度连续性就越差；反映目标像素点的所有灰度序列中灰度值变化的一致性，该值越大说明灰度变化方向越一致，则目标像素点周围的梯度连续性就越好；通过像素点在各个方向上的灰度变化特点获得其周围的梯度连续性，梯度连续性越强则像素属于伪影区域的可能性就越小，利用梯度连续性可以降低肌肉萎缩边界区域对计算的影响，同时增加像素属于伪影区域的准确性。
至此，得到肌肉组织图像中每个像素点的梯度连续因子。
步骤S004、根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇；获取每个类簇的异常程度；根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性。
需要说明的是，获得肌肉组织图像中每个像素点的梯度连续因子和像素点的伪影初始可能性后，利用像素点的梯度连续因子和伪影初始可能性筛选出疑似伪影区域的像素点，之后再通过这些像素点的分布来确定它们属于伪影的最终可能性。
具体的，根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇，具体如下：
将目标像素点的伪影初始可能性与目标像素点的梯度连续因子的比值，记为目标像素点的第一参数，对肌肉组织图像进行K-means聚类，距离度量采用像素点之间的第一参数的差值绝对值，得到肌肉组织图像的若干类簇；需要说明的是，第一参数可以反映目标像素点属于伪影区域的可能性，因此采用第一参数作为距离度量，本实施例中预设K-means聚类时的K值为15；同时第一参数计算过程中，为避免出现分母为0的情况影响计算结果，在分母加上超参数，本实施例采用0.001进行叙述，即分母为梯度连续因子与超参数的和。
需要说明的是，已知运动伪影的方向和形状基本一致，趋近于长条状，且它们会以多层结构集中出现，因此对每个类簇的分布特点进行分析，可以得到每个类簇的异常程度。
具体的，根据类簇中像素点之间的距离得到每个类簇的长度和宽度，具体如下：
将任意一个类簇，记为目标类簇；将目标类簇的中像素点之间的最大欧式距离，作为目标类簇的长度；将目标类簇的长度对应的线段，记为第一线段；将经过目标类簇的质心且与第一线段垂直的直线，记为第一直线，将第一直线中属于目标类簇的像素点，记为第五像素点，将第五像素点之间的最大欧式距离，记为目标类簇的宽度。
进一步地，根据每个类簇的长度、宽度及类簇之间质心的距离，得到每个类簇的异常程度，具体如下：
式中，为目标类簇的长度，/>为目标类簇的宽度，/>为除目标类簇外第/>个类簇的长度，/>为除目标类簇外第/>个类簇的宽度，/>为类簇的个数，/>为取绝对值，/>为目标类簇的长度与水平右向的夹角值，/>为每个类簇的长度与水平右向的夹角值的平均值；为以自然常数为底的指数函数，本实施例采用/>模型来呈现反比例关系，为模型的输入，实施者可根据具体实施情况设置反比例函数；/>为预设的一个第三数值，本实施例以/>进行叙述，/>的具体获取方法如下：获取与目标类簇距离最近的个类簇；需要说明的是，获取与目标类簇距离最近的/>个类簇时，距离度量采用类簇质心之间的欧式距离；将与目标类簇距离最近的第/>个类簇的质心，记为第一质心，将目标类簇的质心，记为第二质心，将第一质心和第二质心之间的欧式距离，记为/>；/>为目标类簇的异常因子。
获取每个类簇的异常因子，将所有类簇的异常因子进行线性归一化处理，得到的结果作为每个类簇的异常程度。
需要说明的是，类簇的异常程度反映类簇趋近于伪影的程度，表示目标类簇的长宽比，该值越大说明目标类簇形状越趋近于长条状，则目标类簇趋近于伪影的程度也越大即异常程度越大；/>表示目标类簇与其它类簇的形状差异，该值越小说明形状差异越小，则目标类簇趋近于伪影的程度越大；/>表示目标类簇与其它类簇的方向差异，该值越小说明方向差异越小，则目标类簇趋近于伪影的程度越大；/>表示目标类簇与周围相近的类簇之间的距离，距离越小说明类簇分布越集中，则目标类簇趋近于伪影的程度也越大。
进一步地，根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性，具体如下：
将目标像素点所在的类簇，记为第一类簇。
式中，为目标像素点的伪影初始可能性，/>为目标像素点的梯度连续因子，/>为第一类簇的异常程度，/>为目标像素点与第一类簇的质心之间的欧式距离；/>为预设的一个超参数，本实施例以/>进行叙述，目的是防止分母为0；/>为目标像素点的伪影最终可能因子。
获取肌肉组织图像中每个像素点的伪影最终可能因子，将所有伪影最终可能因子进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的伪影最终可能性。
至此，得到肌肉组织图像中每个像素点的伪影最终可能性。
步骤S005、根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核；根据肌肉组织图像中每个像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像。
需要说明的是，常规高斯滤波中卷积核的大小通常为，因此我们设定卷积核基础大小为/>。之后对卷积核中的像素点进行伪影最终可能性分析自适应确定每个像素点的卷积核，进而完成图像的去噪。
具体的，根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核大小，具体如下：
以目标像素点为中心，获取一个的窗口，记为目标像素点的第一窗口，将第一窗口内所有像素点的伪影最终可能性的平均值，记为/>，预设一个第一阈值，记为/>，本实施例以/>进行叙述，若/>，将第一窗口作为目标像素点的卷积核大小，若/>，以目标像素点为中心，获取一个/>的窗口，记为目标像素点的第二窗口，将第二窗口内所有像素点的伪影最终可能性的平均值，记为/>，若/>，继续扩大窗口，每次窗口扩大时，窗口的大小增加2，直至窗口内所有像素点的伪影最终可能性的平均值小于或等于第一阈值，或者窗口的大小达到预设参数，本实施例中以预设参数为/>进行叙述，得到目标像素点的卷积核大小；需要说明的是，若在窗口扩大过程中或像素点位于肌肉组织图像的边界，窗口可能会超过肌肉组织图像的范围，此时本实施例利用二次线性插值的方法将超出肌肉组织图像的部分进行插值填充数据。
进一步地，根据伪影最终可能性和卷积核大小得到肌肉组织图像中每个像素点的卷积核，具体如下：
将目标像素点的卷积核大小记为，在肌肉组织图像中以目标像素点为中心，构建一个/>窗口，记为目标窗口；需要说明的是，若目标窗口超过肌肉组织图像的范围，此时本实施例利用二次线性插值的方法将超出肌肉组织图像的部分进行插值填充数据。
其中，为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中像素点的个数，/>为目标窗口中第/>个像素点的权重。
将目标窗口中每个像素点的权重作为目标像素点的卷积核中对应位置的元素值，得到目标像素点的卷积核。
进一步地，根据肌肉组织图像中每个像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像；需要说明的是，根据肌肉组织图像中每个像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像为高斯滤波的现有方法，本实施例不再赘述。
至此，通过确定肌肉组织图像中每个像素点的卷积核对图像进行去噪，完成肌少症诊断的核磁图像数据的优化。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，该方法包括以下步骤：
采集患者的肌肉组织图像；
根据肌肉组织图像获取肌肉组织图像中每个像素点的局部窗口；根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性；
根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列；根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子；
根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇；根据类簇中像素点之间的距离得到每个类簇的长度和宽度；根据每个类簇的长度、宽度及类簇之间质心的距离，得到每个类簇的异常程度；根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性；
根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核大小；根据伪影最终可能性和卷积核大小得到肌肉组织图像中每个像素点的卷积核；根据肌肉组织图像中每个像素点的卷积核对肌肉组织图像进行高斯滤波去噪，得到去噪之后的肌肉组织图像；
所述根据局部窗口内像素点的灰度值，得到肌肉组织图像中每个像素点的伪影初始可能性，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；
式中，为目标像素点的局部窗口内灰度值的信息熵；/>为目标像素点的灰度值，/>为目标像素点的局部窗口内除目标像素点外第/>个像素点的灰度值，/>为取绝对值，/>为目标像素点的局部窗口内像素点的个数，/>为目标像素点的局部窗口的灰度混乱因子；
获取肌肉组织图像中每个像素点的局部窗口的灰度混乱因子，将所有灰度混乱因子进行线性归一化处理，得到的结果作为每个像素点的局部窗口的灰度混乱程度，将目标像素点的局部窗口的灰度混乱程度作为目标像素点的伪影初始可能性；
所述根据像素点的灰度序列中灰度值的差分，得到肌肉组织图像中每个像素点的梯度连续因子，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；
式中，为目标像素点的第/>个灰度序列中第/>个灰度值的二阶前向差分，/>为取绝对值，/>为目标像素点的灰度序列的个数，/>为目标像素点的任意一个灰度序列中灰度值的个数；/>为以自然常数为底的指数函数；/>为目标像素点的第/>个灰度序列中第/>个灰度值的一阶前向差分，/>为符号函数，/>为目标像素点的梯度连续参数；
获取肌肉组织图像中每个像素点的梯度连续参数，将所有梯度连续参数进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的梯度连续因子。
2.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据肌肉组织图像中像素点的灰度值，得到肌肉组织图像中每个像素点的若干灰度序列，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；以目标像素点为中心，将目标像素点沿-45°方向两侧各选取个像素点，记为第一像素点，将所有第一像素点的灰度值沿-45°方向对应第一像素点的顺序进行排列，得到一个序列，记为第一灰度序列，/>为预设的一个第二数值；以目标像素点为中心，将目标像素点沿0°方向两侧各选取/>个像素点，记为第二像素点，将所有第二像素点的灰度值沿0°方向对应第二像素点的顺序进行排列，得到一个序列，记为第二灰度序列；以目标像素点为中心，将目标像素点沿45°方向两侧各选取/>个像素点，记为第三像素点，将所有第三像素点的灰度值沿45°方向对应第三像素点的顺序进行排列，得到一个序列，记为第三灰度序列；以目标像素点为中心，将目标像素点沿90°方向两侧各选取/>个像素点，记为第四像素点，将所有第四像素点的灰度值沿90°方向对应第四像素点的顺序进行排列，得到一个序列，记为第四灰度序列。
3.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据伪影初始可能性和梯度连续因子对像素点进行聚类，得到若干类簇，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点的伪影初始可能性与目标像素点的梯度连续因子的比值，记为目标像素点的第一参数，对肌肉组织图像进行K-means聚类，距离度量采用像素点之间的第一参数的差值绝对值，得到肌肉组织图像的若干类簇。
4.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据类簇中像素点之间的距离得到每个类簇的长度和宽度，包括的具体步骤如下：
将任意一个类簇，记为目标类簇；将目标类簇的中像素点之间的最大欧式距离，作为目标类簇的长度；将目标类簇的长度对应的线段，记为第一线段；将经过目标类簇的质心且与第一线段垂直的直线，记为第一直线，将第一直线中属于目标类簇的像素点，记为第五像素点，将第五像素点之间的最大欧式距离，记为目标类簇的宽度。
5.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据每个类簇的长度、宽度及类簇之间质心的距离，得到每个类簇的异常程度，包括的具体步骤如下：
将任意一个类簇，记为目标类簇；
式中，为目标类簇的长度，/>为目标类簇的宽度，/>为除目标类簇外第/>个类簇的长度，/>为除目标类簇外第/>个类簇的宽度，/>为类簇的个数，/>为取绝对值，/>为目标类簇的长度与水平右向的夹角值，/>为所有类簇的长度与水平右向的夹角值的平均值；/>为以自然常数为底的指数函数；/>为预设的一个第三数值，/>的具体获取方法如下：获取与目标类簇距离最近的/>个类簇；将与目标类簇距离最近的第/>个类簇的质心，记为第一质心，将目标类簇的质心，记为第二质心，将第一质心和第二质心之间的欧式距离，记为；/>为目标类簇的异常因子；
获取每个类簇的异常因子，将所有类簇的异常因子进行线性归一化处理，得到的结果作为每个类簇的异常程度。
6.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据伪影初始可能性、梯度连续因子及异常程度，得到肌肉组织图像中每个像素点的伪影最终可能性，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点所在的类簇，记为第一类簇；
式中，为目标像素点的伪影初始可能性，/>为目标像素点的梯度连续因子，/>为第一类簇的异常程度，/>为目标像素点与第一类簇的质心之间的欧式距离；/>为预设的一个超参数；/>为目标像素点的伪影最终可能因子；
获取肌肉组织图像中每个像素点的伪影最终可能因子，将所有伪影最终可能因子进行线性归一化处理，得到的结果作为肌肉组织图像中每个像素点的伪影最终可能性。
7.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据伪影最终可能性得到肌肉组织图像中每个像素点的卷积核大小，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；以目标像素点为中心，获取一个的窗口，记为目标像素点的第一窗口，将第一窗口内所有像素点的伪影最终可能性的平均值，记为/>，预设一个第一阈值，记为/>，若/>，将第一窗口作为目标像素点的卷积核大小；若/>，以目标像素点为中心，获取一个/>的窗口，记为目标像素点的第二窗口，将第二窗口内所有像素点的伪影最终可能性的平均值，记为/>，若，继续扩大窗口，每次窗口扩大时，窗口的大小增加2，直至窗口内所有像素点的伪影最终可能性的平均值小于或等于第一阈值，或者窗口的大小达到预设参数，得到目标像素点的卷积核大小。
8.根据权利要求1所述一种用于肌少症诊断和评估的核磁数据优化方法，其特征在于，所述根据伪影最终可能性和卷积核大小得到肌肉组织图像中每个像素点的卷积核，包括的具体步骤如下：
将肌肉组织图像中任意一个像素点，记为目标像素点；将目标像素点的卷积核大小记为，在肌肉组织图像中以目标像素点为中心，构建一个/>窗口，记为目标窗口；
其中，为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中第/>个像素点的伪影最终可能性，/>为目标窗口中像素点的个数，/>为目标窗口中第/>个像素点的权重；
将目标窗口中每个像素点的权重作为目标像素点的卷积核中对应位置的元素值，得到目标像素点的卷积核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410435291.0A CN118037583B (zh) | 2024-04-11 | 2024-04-11 | 一种用于肌少症诊断和评估的核磁数据优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410435291.0A CN118037583B (zh) | 2024-04-11 | 2024-04-11 | 一种用于肌少症诊断和评估的核磁数据优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118037583A CN118037583A (zh) | 2024-05-14 |
| CN118037583B true CN118037583B (zh) | 2024-06-21 |
Family
ID=91004531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410435291.0A Active CN118037583B (zh) | 2024-04-11 | 2024-04-11 | 一种用于肌少症诊断和评估的核磁数据优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037583B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509113A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种脑瘤mib-1指数范围检测方法 |
| CN104463844A (zh) * | 2014-11-03 | 2015-03-25 | 中国人民解放军第三军医大学第三附属医院 | 基于brox光流法的超声造影图像血管灌注区提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
| US10768261B2 (en) * | 2017-03-15 | 2020-09-08 | The Board Of Trustees Of The Leland Stanford Junior University | Alternating gradients for metal-induced artifacts correction in magnetic resonance imaging |
| CN110322408A (zh) * | 2019-06-11 | 2019-10-11 | 浙江大学 | 基于云平台的多中心磁共振图像自动质量控制方法 |
| CN117408929B (zh) * | 2023-12-12 | 2024-02-09 | 日照天一生物医疗科技有限公司 | 基于图像特征的肿瘤ct图像区域动态增强方法 |
-
2024
- 2024-04-11 CN CN202410435291.0A patent/CN118037583B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509113A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种脑瘤mib-1指数范围检测方法 |
| CN104463844A (zh) * | 2014-11-03 | 2015-03-25 | 中国人民解放军第三军医大学第三附属医院 | 基于brox光流法的超声造影图像血管灌注区提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118037583A (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2869261B1 (en) | Method for processing image data representing a three-dimensional volume | |
| US8050734B2 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
| US11055565B2 (en) | Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (MRI) | |
| CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
| JP2009512527A (ja) | 画像登録方法及び前記画像登録方法を実施するためのアルゴリズム及び前記アルゴリズムを用いて画像を登録するためのプログラム及び対象の移動による画像アーチファクトを低減するための生体医学画像の取り扱い方法 | |
| CN109767448B (zh) | 分割模型训练方法及装置 | |
| CN111553849B (zh) | 基于局部特征匹配的锥束ct几何伪影去除方法及装置 | |
| Godtliebsen et al. | A nonlinear Gaussian filter applied to images with discontinuities | |
| CN105167798A (zh) | 一种冠状动脉cta影像中提取血管方法 | |
| CN114565711A (zh) | 基于深度学习的心脏图像重建方法及系统 | |
| CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
| CN118037583B (zh) | 一种用于肌少症诊断和评估的核磁数据优化方法 | |
| KR20120017356A (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| Kiraly et al. | Boundary-specific cost functions for quantitative airway analysis | |
| CN111093506A (zh) | 运动补偿心脏瓣膜重建 | |
| CN110276762A (zh) | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 | |
| Stankiewicz et al. | Matching 3d oct retina images into super-resolution dataset | |
| CN114514554A (zh) | 用于生成生物标记物的方法及系统 | |
| CN118229538B (zh) | 一种骨质量ct影像智能增强方法 | |
| Garamendi et al. | Automatic segmentation of the liver in CT using level sets without edges | |
| Comte et al. | Realignment of myocardial first-pass MR perfusion images using an automatic detection of the heart-lung interface | |
| Torheim et al. | Analysis of contrast‐enhanced dynamic MR images of the lung | |
| Yim et al. | Analytic surface reconstruction by local threshold estimation in the case of simple intensity contrasts | |
| WO2024108438A1 (zh) | 一种速度编码磁共振成像的运动伪影校正方法 | |
| CN117994271B (zh) | 基于分水岭算法的人脑图像分割方法 |
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 |