CN1689510A - 磁共振灌注成像的数字化方法 - Google Patents
磁共振灌注成像的数字化方法 Download PDFInfo
- Publication number
- CN1689510A CN1689510A CN 200410036820 CN200410036820A CN1689510A CN 1689510 A CN1689510 A CN 1689510A CN 200410036820 CN200410036820 CN 200410036820 CN 200410036820 A CN200410036820 A CN 200410036820A CN 1689510 A CN1689510 A CN 1689510A
- Authority
- CN
- China
- Prior art keywords
- perfusion imaging
- time
- aif
- calculating
- curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003384 imaging method Methods 0.000 title claims abstract description 31
- 230000010412 perfusion Effects 0.000 title claims abstract description 26
- 230000005291 magnetic effect Effects 0.000 title abstract description 8
- 238000012905 input function Methods 0.000 claims abstract description 9
- 230000003727 cerebral blood flow Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000002490 cerebral effect Effects 0.000 abstract description 7
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 210000001367 artery Anatomy 0.000 abstract description 2
- 239000003814 drug Substances 0.000 abstract 1
- 208000019553 vascular disease Diseases 0.000 abstract 1
- 239000002872 contrast media Substances 0.000 description 12
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 206010061216 Infarction Diseases 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007574 infarction Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000036285 pathological change Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000036770 blood supply Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010915 Glioblastoma multiforme Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 208000005017 glioblastoma Diseases 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000005298 paramagnetic effect Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 150000000921 Gadolinium Chemical class 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000034800 Leukoencephalopathies Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 201000004559 cerebral degeneration Diseases 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 231100000683 possible toxicity Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及模式识别技术领域,特别是一种磁共振灌注成像的数字化方法。包括:动脉输入函数的自动分割技术;时间浓度曲线的校正方法;灌注成像PWI图像的显示。步骤包括:S1,数据采集;S2,时间浓度计算;S3,Gamma拟合;S4,AIF分割;S5,分割结果;S6,去卷积计算;S7,脑血流容积CBV;S8,平均通过时间MTT;S9,脑血流速度CBF。本发明能够当脑血管病发病时对大脑中各病灶区的精确定位和评估,可清晰地确定病灶部位的大小和组织的空间解剖关系,在医学领域具有重要的应用价值。采用自动方法和基于绝对量化理论,运算速度快,能满足医生交互的要求。因此,此方法具有高可信度、可应用性和准确性。
Description
技术领域
本发明涉及模式识别技术领域,特别是一种磁共振灌注成像的数字化方法。涉及信息处理技术和磁共振成像技术,本发明是利用磁共振原理和统计理论实现脑功能图像中病灶区的定位和提取方法。
背景技术
现有技术磁共振成像(magnetic resonance imaging,MRI)技术起源于20世纪70年代,经过短短30多年的发展,该技术已经广泛应用于医学、地质、生物学等领域。在医学领域,MRI的优点主要包括:(1)成像过程中对人体无创、无损、无电磁辐射。(2)MRI可选择质子密度、T1和T2等不同的参数成像。与X-CT相比,这些成像参数对软组织比较敏感,正常组织与病态组织的差异较大。同时,MRI还可用于测定血流和人体的代谢功能等。(3)MRI无需设计机械上的旋转扫描系统就可以方便地获取人体不同部位的二维断面图,并可较容易地进行三维成像。MRI的主要问题是数据采集的时间较长,这样就影响了对一些运动部位的成像。另外,被检查的病人身上不允许带任何铁磁物质。
最近,动态磁化对比材料增强梯度回波磁共振成像(Dynamicsusceptibility contrast material-enhanced gradient-echo MR imaging,DSC-MRI)使得通过分析第一次顺磁介质信号强度的变化评估区域大脑血流动力成为可能。该技术具有容易与其它成像方式结合的优点,越来越被人们注意。
现有的磁共振灌注成像的计算原理都是基于释浠理论(IndicatorDilution Theory)。该理论可再细分为可扩散的释浠理论和非可扩散的释浠理论,这两种理论在50~60年代已有广泛研究。但在磁共振灌注成像的应用中还有很多不足。其中有血管结构与计算精确性的关系问题,造影剂扩散和非扩散的问题等有待解决。
现有的计算磁共振灌注成像的方法主要两种,一种是非绝对定量化的确定方法,该方法已经能够满足大部分临床需要,但不能满足进一步研究或不同病人之间对比的需要。另一种是绝对定量化的方法,可以用于不同病人之间的比较。绝对量化方法可细分为两种实现方法。第一种为咖玛拟合(Gamma fits)方法。用该方法主要平滑浓度时间曲线。另外还可用对数正态分布和随机走动函数来平滑时间浓度曲线。这几种方法都能较好的拟合组织时间浓度曲线。具体采用的拟合算法有最小二乘法,非线性迭代算法如高斯-牛顿法,马阔尔特方法等。但非线性方法对初值选取敏感,收敛较慢。第二种为冲击响应法。该方法的缺点是对动脉输入函数引起的延时和扩散敏感。目前,在该方法中关于延时和扩散问题的计算建立在很多假设上,缺乏严紧的证明。
绝对定量的数字化方法需要知道动脉输入函数(Arterial InputFunction,,AIF),现有的确定方法分三大类,一类是完全手动的方法;第二类是交互式的方法;第三类是全自动的方法包括有基于统计的方法分割方法和基于模糊C均值(Fuzzy C-mean)的分割算法等。
相对脑血流速度(rCBF),相对脑血流容积(rCBV)和相对平均通过时间(rMTT)的计算算法主要是基于奇异值分解的算法,本研究中将提出一种绝对量化的数字化方法。
发明内容
本发明的目的是提供一种实用的磁共振灌注图像的数字化方法,能够达到对脑血管疾病的早期可靠诊断和治疗。
为实现上述目的,采用的方法包括:
时间浓度曲线校正方法中的非线性算法初值的确定;由于很多非线性优化算法对初值的选取非常敏感,初值的确定是成功拟合的关键。目前对初值的估算方法主要是基于随机走动函数几何特性,该方法能够较好的估计初值,实现灌注图像的数字化。
CBV(Cerebral Blood Volume)脑血流容积,CBF(Cerebral Blood Flow)脑血流速度和MTT(Mean Transmit Time)平均通过时间图像的数字化方法研究;利用中心容积定理和校正曲线,提高CBV,CBF和MTT图像的计算精度。
MTT,CBV,CBF图像的显示和增强。由于这种图像对比度一般不好,需要进行增强。
一种全自动的磁共振灌注成像的数字化方法,包括:
(1)动脉输入函数(Arterial Input Function,AIF)的自动分割技术方法;
(2)时间浓度曲线的校正方法;
(3)灌注成像PWI图像的显示。
步骤(1)的AIF的分割,是从医学动态图像中自动提取出动脉输入函数;
本发明能够达到当脑血管病发病时对大脑中各病灶区的精确定位和评估,可清晰地确定病灶部位的大小和组织的空间解剖关系,在医学领域具有重要的应用价值。并且由于采用了自己设计自动方法和基于绝对量化理论,运算速度快,能满足医生实时交互的要求。因此,此方法具有高可信度、可应用性和准确性。
本发明是基于鲁棒统计理论和先进的磁共振技术的。简单的说,鲁棒性是指对外界的抗干扰性。并且由于采用了稳定可靠的设计方法,运算速度快,能满足医生的要求。因此,此方法具有高可信度、可应用性。
附图说明
图1磁共振灌注成像的数字化方法流程图。
图2是PWI的时间-磁敏感性变化(ΔR2)曲线图。
图3a,b,c分别为脑血流容积CBV、脑血流速度CBF和平均通过时间MTT图像。
图4a与b分别为胶质母细胞瘤手术及放疗术后的T2加权像与CBV图像。
具体实施方式
1,临床观察与灌注成像(Perfusion Weighted Imaging,PWI)图像的显示;相结合:PWI与缺血半暗带区域构建同时应用与分析,并将常规磁共振成像(T1加权、T2加权、增强扫描)用于临床参考;
2,图像分析、处理及数字化方法:首先用磁共振设备采集原始动态磁共振图像。其次,应用信息处理手段,并在必要时针对采集的图像用绝对量化的方法实现图像的重建;
3,数字化图像方法的临床应用:在临床上使用所提出的数字化成像方法,可以达到对急性缺血性脑血管病的早期阶段进行明确诊断并给予相应的治疗,并达到这类患者尽早康复的目的。根据这种数字化图像的分析结果,对不同阶段的脑血管病患者进行动态观察,并对不同时期脑损伤恢复情况和半暗带的变化情况进行分析,结果表明了该方法的可靠性。该方法可以应用于脑部疾病如肿瘤、炎症、脑变性病与白质病,脑损伤与脑出血等,通过该数字化方法,找出这些疾病之间的不同特征,进行鉴别诊断。
图1所表示的是灌注成像的数字化流程图。右侧大脑梗死。局部CBV、CBF降低而MTT增高。
在图1中用步骤S1,表示原始数据采集,数据采集后及进入图1中第
2部步骤S2。多数是基于是内源性对比剂的方法,称为动脉质子标定法。虽然钆类造影剂没有放射性,但考虑重复应用造影剂所产生的潜在肾脏毒性,个体的团注量还是要受到限制。动脉质子标定是一个T1加权的非侵入技术,它是首先对感兴趣层面外的动脉液流中的氢原子进行标记,这些氢原子通过血液流动,进入到感兴趣层面时再进行成像。该技术不涉及静脉团注射,因此可以在个体反复进行。但是,该技术的主要缺陷是扫描时间过长,如要获得某一感兴趣层面的信息可能需要几分钟的时间,不能进行多层扫描,也不能进行某一层的不同时间段的多图像数目扫描,目前只能进行特殊脑区的检查。因此,此方法的应用受到一定限制,如果扫描时间不缩短,该方法不是一个有用的成像方法。本方法中采用基于浓度稀释理论的方法,该方法利用以下公式:采用上述公式并根据指示剂稀释理论,可将将MRI信号转化为Gd浓度。这里,Cm(t)为所测Gd浓度,随时间变化。K比例常数,与回波时间(TE)成反比,并与MRI设备有关。S(t)为MRI信号强度;S0为应用Gd前的基线信号强度。K值实际很难估计,但由于各层TE相同,可假定每个组织类型(如大小血管)有相同的比例常数,因而K值可以忽略不计。S0用第2~4张图像计算。Cm(t)可以根据感兴趣区(ROI)或者逐个体素为基础的方法计算。得到Cm(t)后,然后采用鲁棒滤波方法进行滤波,该方法基于鲁棒统计理论。在对它进行Gamma拟合,即图1中步骤S3步。我们采用了非线性鲁棒最优化方法,该方法基于非线性初值的估计算法。然后利用拟合后的曲线特点对AIF进行分割,在图1中用步骤S4表示,所采用的方法是基于Gamma函数的特点如半宽高等。对分割出的曲线再进行拟合以提高计算精度,这一步在图1中用步骤S5表示,该拟合方法与时间浓度曲线的拟合方法相同。在步骤S6步中,对得到的信号曲线进行按递推的去卷积方法实现理想时间浓度曲线;这是因为,实际上动脉团注不可能瞬间完成,因而组织C(t)对瞬间动脉团注的反应可以通过下述关系计算:
C(t)=Cm(t)-1AIF(t)
Cm(t)测得的组织曲线;-1为去卷积;AIF(t)测得的AIF曲线。根据SanjitK.Mitra计算方法,上式的离散形式为,
当t=0时有:
Cm(0)=C(0)AIF(0);
当t=1时有:
Cm(1)=C(0)AIF(1)+C(1)AIF(0)
依次类推:
即递推的方法计算理想时间浓度曲线。在此基础上,步骤S7步完成,CBV的计算。利用以上结果,CBV可以由下式计算:
校正因子K=(1-HCTLV)/(1-HCTSV),其中,大血管红细胞压积HCTLV为0.45;小血管红细胞压积HCTSV为0.25,P脑组织密度,1.04g/ml。基于理想时间浓度曲线,MTT的数字化方法可以通过以下公式获得:
在图1中用步骤S8步表示。在步骤S9中,利用步骤S2-8所得的计算CBF和MTT的结果,可计算出CBF。当理想的瞬间动脉团注Gd进入组织区域,参数间存在以下关系:
其中C(t)为组织区域的Gd浓度,Cmax为该曲线的最大值。
图2中,PWI的时间-磁敏感性变化(ΔR2)曲线亦可以说明脑梗死特点(图2)。如图所示(图2),红线(曲线2)表示健侧脑组织的造影剂灌注状况,可见曲线在15秒左右迅速下降,在23秒左右达低谷峰值,然后又迅速回升;而蓝线(曲线1)表示梗死脑区的造影剂灌注状况,由于血液供应障碍,造影剂需要很长时间才能进入局部脑组织(通过一些侧枝循环),造成了该曲线下降缓慢,大约在20秒左右开始下降,在近30秒处才达低谷峰值,且这个峰值约为健侧曲线峰值的一半,然后又开始缓慢恢复。这就说明了该区域的血流供应障碍,动脉血管阻塞。
图3中,应用灌注成像(PWI)是通过注射造影剂并应用快速成像如快速回波技术EPI技术,进行T2加权像扫描。由于造影剂较强的顺磁效应,有血流供应的脑组织便产生信号缺失,CBV、CBF和MTT均正常;而梗死部位无血流供应则表现为高信号区,CBV和CBF不同程度下降,若二者比值增大,MTT升高,表示如果治疗及时,病变有希望得到改善;若二者比值不变或者下降,即MTT下降,表示病变区脑组织死亡。研究表明,在梗死1小时内应用灌注成像方法可检出病变(图3)。
图4中,PWI亦可以用于诊断和鉴别诊,如图所示。胶质母细胞瘤手术及放疗术后。第一图为T2加权像,显示右侧顶叶异常高信号,但是,高信号内是否有病变显示不清。第二图为CBV图像,显示右侧顶叶异常低信号,但是,低信号内尚可见有高信号存在,是为复发肿瘤病变。一般说来,由于肿瘤血管丰富,血液供应良好,造影剂将会很快到达局部组织。因此可以根据不同疾病的不同特征,对各种疾病进行鉴别。
上述实验结果与发明人对利用全自动的PWI图像计算方法,具有高可信度、避免人为因素的干扰、准确性和临床可应用性的优点。
Claims (3)
1.一种全自动的磁共振灌注成像的数字化方法,包括:
(1)动脉输入函数AIF的自动分割技术方法;
(2)时间浓度曲线的校正方法;
(3)灌注成像PWI图像的显示。
2.根据权利要求1的全自动的磁共振灌注成像的数字化方法,其特征在于,
步骤(1)的AIF的分割,是从医学动态图像中自动提取出动脉输入函数;
3.根据权利要求1的全自动的磁共振灌注成像的数字化方法,其具体步骤如下:
步骤S1,原始数据采集;
步骤S2,时间浓度计算,包括时间浓度曲线的鲁棒滤波及预处理方法;
步骤S3,Gamma拟合,包括初值估计和非线性鲁棒最优化方法;
步骤S4,AIF分割,包括按步骤2-3方法上的所有分割方法;
步骤S5,分割结果,包括按步骤S4方法得出的曲线的再拟和方法;
步骤S6,去卷积计算,包括按递推的去卷积方法实现理想时间浓度曲线;
步骤S7,脑血流容积(CBV),包括按步骤S2-6的到的结果的数字化方法;
步骤S8,平均通过时间(MTT),包括基于理想时间浓度曲线得到的MTT的数字化方法;
步骤S9,脑血流速度(CBF),包括利用步骤S2-8所得结果计算的CBF方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410036820 CN1689510A (zh) | 2004-04-19 | 2004-04-19 | 磁共振灌注成像的数字化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410036820 CN1689510A (zh) | 2004-04-19 | 2004-04-19 | 磁共振灌注成像的数字化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1689510A true CN1689510A (zh) | 2005-11-02 |
Family
ID=35345488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200410036820 Pending CN1689510A (zh) | 2004-04-19 | 2004-04-19 | 磁共振灌注成像的数字化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1689510A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100382756C (zh) * | 2006-06-07 | 2008-04-23 | 华中科技大学 | 在数字减影血管造影图像中分割血管数据的方法 |
CN101658415A (zh) * | 2008-08-27 | 2010-03-03 | 通用电气公司 | 用于脉管系统的描绘的方法和系统 |
CN101718848A (zh) * | 2009-12-14 | 2010-06-02 | 西北工业大学 | 一种优化的磁共振灌注成像图像中血容量量化方法 |
CN101103917B (zh) * | 2006-07-14 | 2011-06-15 | 西门子公司 | 磁共振设备 |
WO2011069283A1 (zh) * | 2009-12-07 | 2011-06-16 | 北京大学第三医院 | 脑组织间液与脑细胞外间隙的生理参数测量方法 |
CN102113016A (zh) * | 2008-03-06 | 2011-06-29 | 皇家飞利浦电子股份有限公司 | 对数据集进行选择性交互式处理的方法 |
CN102651997A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 侧支血流评估 |
CN101506842B (zh) * | 2006-05-15 | 2013-12-11 | 卑尔根大学研究基金会 | 灌注成像的方法 |
CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
CN105809670A (zh) * | 2016-02-29 | 2016-07-27 | 上海联影医疗科技有限公司 | 灌注分析方法 |
CN108814601A (zh) * | 2018-05-04 | 2018-11-16 | 浙江工业大学 | 基于动态对比增强mri的生理参数定量统计优化方法 |
US10198817B2 (en) | 2014-04-17 | 2019-02-05 | The Trustees Of Columbia University In The City Of New York | Technologies for diagnosing neurological or psychiatric illnesses |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
CN110313925A (zh) * | 2018-03-30 | 2019-10-11 | 萨摩亚商亚茂医疗科技有限公司 | 应用于脑部造影的显影系统及其显影方法 |
CN112450961A (zh) * | 2021-01-21 | 2021-03-09 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据动脉输入函数自动提取方法 |
-
2004
- 2004-04-19 CN CN 200410036820 patent/CN1689510A/zh active Pending
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101506842B (zh) * | 2006-05-15 | 2013-12-11 | 卑尔根大学研究基金会 | 灌注成像的方法 |
CN100382756C (zh) * | 2006-06-07 | 2008-04-23 | 华中科技大学 | 在数字减影血管造影图像中分割血管数据的方法 |
CN101103917B (zh) * | 2006-07-14 | 2011-06-15 | 西门子公司 | 磁共振设备 |
CN102113016B (zh) * | 2008-03-06 | 2017-12-26 | 皇家飞利浦电子股份有限公司 | 对数据集进行选择性交互式处理的方法 |
CN102113016A (zh) * | 2008-03-06 | 2011-06-29 | 皇家飞利浦电子股份有限公司 | 对数据集进行选择性交互式处理的方法 |
CN101658415A (zh) * | 2008-08-27 | 2010-03-03 | 通用电气公司 | 用于脉管系统的描绘的方法和系统 |
CN101658415B (zh) * | 2008-08-27 | 2013-08-07 | 通用电气公司 | 用于脉管系统的描绘的方法和系统 |
WO2011069283A1 (zh) * | 2009-12-07 | 2011-06-16 | 北京大学第三医院 | 脑组织间液与脑细胞外间隙的生理参数测量方法 |
CN102238908B (zh) * | 2009-12-07 | 2013-01-23 | 北京大学第三医院 | 脑组织间液与脑细胞外间隙的生理参数测量方法 |
CN102651997A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 侧支血流评估 |
CN102651997B (zh) * | 2009-12-10 | 2015-09-09 | 皇家飞利浦电子股份有限公司 | 侧支血流评估 |
CN101718848A (zh) * | 2009-12-14 | 2010-06-02 | 西北工业大学 | 一种优化的磁共振灌注成像图像中血容量量化方法 |
US10846858B2 (en) | 2014-04-17 | 2020-11-24 | The Trustees Of Columbia University In The City Of New York | Technologies for diagnosing neurological or psychiatric illnesses |
US10198817B2 (en) | 2014-04-17 | 2019-02-05 | The Trustees Of Columbia University In The City Of New York | Technologies for diagnosing neurological or psychiatric illnesses |
CN105701815B (zh) * | 2016-01-12 | 2018-11-02 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
US11004200B2 (en) | 2016-02-29 | 2021-05-11 | Shanghai United Imaging Healthcare Co., Ltd. | Method and device for perfusion analysis |
CN105809670B (zh) * | 2016-02-29 | 2019-07-19 | 上海联影医疗科技有限公司 | 灌注分析方法 |
CN105809670A (zh) * | 2016-02-29 | 2016-07-27 | 上海联影医疗科技有限公司 | 灌注分析方法 |
US11631178B2 (en) | 2016-02-29 | 2023-04-18 | Shanghai United Imaging Healthcare Co., Ltd. | Method and device for perfusion analysis |
CN110313925A (zh) * | 2018-03-30 | 2019-10-11 | 萨摩亚商亚茂医疗科技有限公司 | 应用于脑部造影的显影系统及其显影方法 |
CN110313925B (zh) * | 2018-03-30 | 2023-07-04 | 萨摩亚商亚茂医疗科技有限公司 | 应用于脑部造影的显影系统及其显影方法 |
CN108814601A (zh) * | 2018-05-04 | 2018-11-16 | 浙江工业大学 | 基于动态对比增强mri的生理参数定量统计优化方法 |
CN108814601B (zh) * | 2018-05-04 | 2021-12-07 | 浙江工业大学 | 基于动态对比增强mri的生理参数定量统计优化方法 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109410216B (zh) * | 2018-09-14 | 2020-12-29 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109431531A (zh) * | 2018-12-25 | 2019-03-08 | 上海联影医疗科技有限公司 | 基于灌注成像的血管分割方法及装置和计算机装置 |
CN112450961A (zh) * | 2021-01-21 | 2021-03-09 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据动脉输入函数自动提取方法 |
CN112450961B (zh) * | 2021-01-21 | 2021-04-30 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据动脉输入函数自动提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1689510A (zh) | 磁共振灌注成像的数字化方法 | |
Goceri et al. | Quantification of liver fat: A comprehensive review | |
Ulas et al. | Convolutional neural networks for direct inference of pharmacokinetic parameters: application to stroke dynamic contrast-enhanced MRI | |
CN101912262B (zh) | 磁共振成像定量参数计算方法及系统 | |
EP1269212B1 (en) | Magnetic resonance angiography with automated vessel segmentation | |
CN107361791B (zh) | 一种快速超分辨血流成像方法 | |
CN101506842B (zh) | 灌注成像的方法 | |
CN108629816A (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
CN104463844B (zh) | 基于brox光流法的超声造影图像血管灌注区提取方法 | |
CN100561518C (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN100501439C (zh) | 微脉管血容量磁共振成像 | |
CN105005012B (zh) | 基于压缩感知的腹部器官动态对比增强磁共振成像方法 | |
CN1777898A (zh) | 无创式左心室的容积测定 | |
CN101856228A (zh) | 磁共振成像装置 | |
CN103985099A (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN104688269B (zh) | 一种时间强度曲线的呼吸运动补偿及双峰拟合的方法 | |
US20040057607A1 (en) | Display of image data information | |
CN107292858A (zh) | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 | |
CN110346743A (zh) | 一种磁共振弥散加权成像方法和装置 | |
Kubassova et al. | Fast and robust analysis of dynamic contrast enhanced MRI datasets | |
Li et al. | Low‐dose T1W DCE‐MRI for early time points perfusion measurement in patients with intracranial tumors: A pilot study applying the microsphere model to measure absolute cerebral blood flow | |
CN111751770A (zh) | 一种非磁共振造影剂依赖的定量测量血管内外水分子交换速度的方法 | |
CN107076820A (zh) | 用于评估和提高在精细结构分析数据中的数据质量的方法 | |
Dou et al. | Brain tumor segmentation through data fusion of T2-weighted image and MR spectroscopy | |
Siega et al. | Automatic Volumetric Segmentation of Encephalon by Combination of Axial, Coronal, and Sagittal Planes. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |