CN1818707A - 扩散张量表面显象 - Google Patents

扩散张量表面显象 Download PDF

Info

Publication number
CN1818707A
CN1818707A CNA2006100673492A CN200610067349A CN1818707A CN 1818707 A CN1818707 A CN 1818707A CN A2006100673492 A CNA2006100673492 A CN A2006100673492A CN 200610067349 A CN200610067349 A CN 200610067349A CN 1818707 A CN1818707 A CN 1818707A
Authority
CN
China
Prior art keywords
field
diffusion
determining
computer
intensity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2006100673492A
Other languages
English (en)
Other versions
CN1818707B (zh
Inventor
T·麦格劳
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.)
Siemens Corp
Original Assignee
Siemens Corporate Research 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 Siemens Corporate Research Inc filed Critical Siemens Corporate Research Inc
Publication of CN1818707A publication Critical patent/CN1818707A/zh
Application granted granted Critical
Publication of CN1818707B publication Critical patent/CN1818707B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Vascular Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种用于扩散张量显象的方法，包括：分割扩散张量场(201)；确定部分各向异性场和主扩散方向场(202)；利用主扩散方向场确定穿过分割的表面上每个可见点的流线(203)；根据流线确定定向纹理强度(204)；通过将定向纹理强度、根据主扩散方向场确定的颜色、以及该点处部分各向异性的值进行组合来确定表面颜色(205)；通过绘制具有相应确定颜色的表面上的每个点对表面进行显象(206)。

Description

扩散张量表面显象
本申请要求2005年2月9日提交的序列号为60/651155的美国临时申请的权益，通过引用将其全部内容结合于本文。
技术领域
本发明涉及图象处理，更具体地说，涉及一种用于扩散张量MRI表面显象的系统和方法。
背景技术
扩散张量(DT)图象扫描包含至少六个梯度方向，足以确定脑内的扩散张量。根据扩散张量可以确定扩散各向异性测量值、诸如部分各向异性(FA)。而且，扩散张量的主方向能够用于推断作为束的脑白质连通度。
用于这种束的显象策略是在数据点的子集处绘制扩散椭圆体。由于椭圆体的三维场相互封闭，该显象典型的用于数据的二维切片。此外，为了识别每个椭圆体，仅能绘制稀疏网格上的椭圆体。这种类型的显象可能在视觉上变得混乱，并且传达非常少的信息甚至基本上没有价值。
先前用于显象的技术包括基于纹理的方法(texture base approach)，通过在每个点的矢量场方向使源象模糊来生成图象。线积分卷积(LIC)是一种用于实现这种显象的技术。具有基本上类似视觉效果的另一种方法利用偏微分方程(PDE)的解。
用于基于纹理的DT-MRI显象的绘制技术包括平面绘制和体绘制。在平面绘制中，确定DT-MRI数据的平面切片的图象，并显示为纹理化的四边形(参见图1)。体绘制技术包括确定该体积内每个点的纹理，并通过射线造型法或类似的技术绘制该场。这些技术可能在计算上花费比较大。
因此，存在对大比例解剖信息显象的需求。
发明内容
根据本发明实施例，一种扩散张量显象的计算机实现方法，包括：接收扩散加权图象切片数据；根据扩散加权图象切片数据分割扩散张量场，以确定三维三角网；以及确定扩散张量场的部分各向异性场和主扩散方向场。该方法包括根据主扩散方向场确定穿过扩散张量场的分割的表面上每个表面点的流线；根据相应的流线确定表面点的定向纹理强度；通过将定向纹理强度、根据主扩散方向场确定的颜色、以及表面点处部分各向异性场的值进行组合来确定表面点的表面颜色；以及通过绘制具有相应表面颜色的表面点对表面点进行显象。
根据本发明实施例，提供一种机器可读程序存储装置，该装置明确包含可由机器执行的程序指令，以执行扩散张量显象的方法步骤。该方法包括：接收扩散加权图象切片数据；根据扩散加权图象切片数据分割扩散张量场，以确定三维三角网；以及确定扩散张量场的部分各向异性场和主扩散方向场。该方法包括根据主扩散方向场确定穿过扩散张量场的分割的表面上每个表面点的流线；根据相应的流线确定表面点的定向纹理强度；通过将定向纹理强度、根据主扩散方向场确定的颜色、以及表面点处部分各向异性场的值进行组合来确定表面点的表面颜色；以及通过绘制具有相应表面颜色的表面点对表面点进行显象。
根据本发明实施例，一种扩散张量显象的计算机实现方法，包括：接收扩散加权图象切片数据；根据扩散加权图象切片数据分割扩散张量场，以确定三维三角网；以及确定扩散张量场的部分各向异性场和主扩散方向场。该方法包括：根据主扩散方向场确定穿过扩散张量场的分割的表面上每个表面点的流线；根据相应的流线确定表面点的定向纹理强度；通过将定向纹理强度、根据主扩散方向场确定的颜色、以及表面点处部分各向异性场的值中的至少两个进行组合来确定表面点的表面颜色；以及通过绘制具有相应表面颜色的表面点对表面点进行显象。
附图说明
本发明的优选实施例将在下面结合附图进行更加详细的描述：
图1是根据本发明实施例的示范性平面LIC。
图2是根据本发明实施例的方法的流程图。
图3是根据本发明实施例的示范性表面显象。
图4是根据本发明实施例的系统的图。
具体实施方式
根据本发明的实施例，一种方法包括大比例解剖信息和体素方式(voxel-wise)张量信息的DT图象的显象。体素方式张量信息可包括各向异性或方向相关(directionally dependent)信息及主扩散方向信息。
DT核磁共振成象(DT-MRI)是一种测量生物结构中水扩散速率的方法。规则晶格上每个位置处的DT利用对称的正定矩阵、例如3×3矩阵来描述每个体素内水扩散的方向性的体积平均值。通过扩散在白质纤维束区域内是各向异性的观察结果，DT-MRI使得能够从所确定的张量场推断出白质纤维方向。这些纤维束能够在三维内显象为流线或流管。
流管是流线的三维类似物。通过使流线作为管的中心线确定流管。流管直径用于对关于显象的张量场的附加信息、诸如部分各向异性(FA)值进行编码。
参考图2，该方法包括：步骤200，输入图象数据；步骤201，根据输入图象数据分割DT场；步骤202，确定FA场和主扩散方向(PDD)场。该方法包括：步骤203，根据PDD场，确定穿过所分割的表面上的每个点(例如如果显象可以看到的每个点)的流线。该方法进一步包括：步骤204，根据流线确定线积分卷积(LIC)强度；步骤205，通过对LIC强度、根据PDD场确定的颜色和该点的FA值进行组合来确定每个表面点的表面色；步骤206，通过绘制表面上具有其相应确定的颜色的每个点绘制该表面。
方框200输入图象数据可以是记录到张量场的扩散加权MRI图象切片或CT图象切片。这里，结合MRI图象切片呈现本发明的示范性实施例。
参考方框201，利用产生三维三角网格的测量活动轮廓线(geodesicactive contour)对DT-MRI捕获的DT场进行分割。分割的另一种方式包括例如纤维追踪方法、基于PDD的直接阈值、扩散的标量测量等等。
DT场分割的示例包括将张量转化为特征值/特征向量表示，这是旋转不变量。所转化的张量能够解释为具有沿特征向量取向的主轴、半径等于相应特征值的椭圆体。该椭圆体描述了水分子在固定扩散时间之后的概率分布。利用特征值/特征向量能够确定包括FA的各向异性测量值。
参考方框202，确定FA场。FA场为灰度级图象，例如参见图3中的302，这使白质变暗使其区别于灰质和脑内的脑室或脊柱扫描。FA是DT大小的部分的测量值，其能够归因于各向异性扩散。只要对DT进行了预算(见方框201)，就能够通过得出对应于当前张量的主特征值的特征向量确定PPD。通过对穿过特征向量的场的流线进行显象可描绘纤维束。描绘包括通过RGB配色方案对PPD进行编码，其中，例如，利用绿色对沿前后方向的纤维束进行编码，可用红色对从左向右延伸的纤维束进行编码，垂直于图象平面的纤维由蓝色编码。
在方框203，为三角形网格的分割的表面上的点确定流线。流线沿每个点的DT的主特征向量的方向。
参考方框204，通过LIC将对应于扩散张量的主特征值的三维向量场显象为基于纹理的向量。LIC通过将噪声纹理和与穿过每个象素的流线一致的曲线核(curvilinear kernel)O进行卷积生成强度灰度级值(例如在核内确定流线)。
能够利用LIC技术将对应于扩散张量主特征值的三维向量场显象。LIC技术显象本地向量场的切线。
根据LIC，通过将噪声纹理和与穿过每个象素的流线一致的曲线核进行卷积生成强度值(例如在核内确定流线)，诸如通过
I ( x 0 ) = ∫ s 0 - L s 0 + L T ( σ ( s ) ) k ( s 0 - s ) ds
这里I(x0)是象素x0处LIC纹理的强度。k是宽度2L的滤波器核(filterkernel)。T是输入噪声纹理，σ是穿过点x0的流线。给定特征向量的离散场，流线σ能够通过数值积分得出。
LIC结果是具有相同流线上相邻象素之间的高相关值和不共享流线的象素的对比值的灰度级纹理。例如，由于扩散场在低FA值不再具有主方向，因此在特定阈值以下的FA值可为积分的停止标准。
由于纤维方向平行于扩散张量的主特征向量，纤维路径(fiber path)可确定为主特征向量场的积分曲线。停止标准基于FA值。例如，当FA下降低于大约0.17时，认为扩散几乎是各向同性的，不再跟踪纤维。
参考方框205，表面颜色由两个或两个以上LIC灰度级强度、根据PDD场确定的颜色以及每个点或象素处FA灰度级值的组合确定，从而根据PDD使DT的可见点(例如表面)的向量场获得颜色。LIC、FA和PDD的组合可以使用乘法、例如将PDD的RGB值、LIC的灰度值和FA的灰度值相乘从而得出绘制包括关于LIC和FA信息的表面的修正颜色值。组合可由PPD和LIC或PDD和FA限定。
在方框206，以颜色绘制出表面点，并可输出到显示器或存储介质。
根据本发明的实施例，DT显象(例如，参见图3)的方法O将测定和显象限制到关注的、解剖的或其他方面的表面。在利用水平集合技术的体积内或在三角网格表面上，均能够以这种方式求解LIC和PDE方法。结果可能为由将三角网格纹理化而绘制的表面或通过射线造型法绘制的体积。因为生成整个扫描体积的子集(例如已确定的表面)的纹理，这种方法可使计算节省。例如，图3表示胼胝体301(哺乳动物脑中连接左右脑半球的白质结构)的段，用1024×1024纹理描绘建立纹理，其中LIC计算为1048576个点，其中白质大约为10个切片厚，并且需要确定512×512纹理O的10个切片(2621440个点)。在图3中，二维FA图象302用作胼胝体301表面的参考。诸如F0的其他图象可用作参考。
应理解，当以灰度级说明图3时，可采用使用LIC的灰度级值和PA值修正的PDD颜色值的颜色绘制图3的扩散张量。
此外，显象使得用户可以更加清楚地看到组织类别之间的分界线，并且看到界面处的扩散。
可以理解的是，本发明可通过不同形式的硬件、软件、固件、专用处理器或其组合实现。在一个实施例中，本发明可通过作为明确包含在程序存储装置中的应用程序软件实现。该应用程序可上传到包含任何适合的体系结构的机器并由其执行。
参考图4，根据本发明的实施例，用于实现扩散张量表面显象方法的计算机系统401可包括中央处理单元(CPU)402、存储器403和输入/输出(I/O)接口404。计算机系统401通常通过I/O接口404与显示器405及诸如鼠标和键盘的各种输入装置406相连。辅助电路可包括诸如高速缓冲存储器、电源、时钟脉冲电路以及通信总线的电路。存储器403可包括随机存取存储器(RAM))、只读存储器(ROM))、磁盘驱动器、磁带驱动器等或其组合。本发明可实现为存储在存储器403内并由CPU 402执行以处理来自信号源408的信号的例程407。同样地，当执行本发明的例程407时，计算机系统401是变为专用计算机系统的通用计算机系统。
计算机平台401还包括操作系统和微指令代码。在此描述的各种处理和功能可以是通过操作系统执行的微指令代码部分或应用程序部分(或其组合)。此外，各种其他外围设备、诸如附加数据存储装置和打印装置可连接到计算机平台。
可以进一步理解的是，因为附图中描述的一些组成系统组件和方法步骤可通过软件实现，所以系统组件(或过程步骤)之间的实际连接可根据对本发明编程的方式而不同。在本文提供的本发明的论述的条件下，本领域技术人员能够想到这些及类似的实现或配置。
已经描述了用于扩散张量表面显象的系统和方法，应注意的是，本领域技术人员能够根据上面的论述作出更改和变化。因此应该理解，对本发明实施例作出的改变在本发明的范围和精神内。

Claims (17)

1.一种用于扩散张量显象的计算机实现方法，包括：
接收扩散加权图象切片数据；
根据所述扩散加权图象切片数据分割扩散张量场，以确定三维三角网格；
确定所述扩散张量场的部分各向异性场和主扩散方向场；
根据所述主扩散方向场确定穿过所述扩散张量场的分割的表面上每个表面点的流线；
根据相应的流线确定所述表面点的定向纹理强度；
通过将所述定向纹理强度、根据所述主扩散方向场确定的颜色、以及所述表面点处部分各向异性场的值进行组合来确定所述表面点的表面颜色；以及
通过绘制具有相应表面颜色的所述表面点对所述表面点进行显象。
2.如权利要求1所述的计算机实现方法，其中不是确定点而是确定所述表面点的流线。
3.如权利要求1所述的计算机实现方法，其中根据所述流线的方向以配色方案对所述主扩散方向场编码。
4.如权利要求1所述的计算机实现方法，其中所述定向纹理强度是线积分卷积强度。
5.如权利要求4所述的计算机实现方法，其中所述线积分卷积通过将噪声纹理和与穿过每个象素的所述流线一致的曲线核进行卷积生成强度值。
6.如权利要求5所述的计算机实现方法，其中所述线积分卷积根据以下公式确定：
I ( x 0 ) = ∫ s 0 - L s 0 + L T ( σ ( s ) ) k ( s 0 - s ) ds
这里I(x0)是点x0处线积分卷积纹理的强度，k是宽度2L的滤波器核，T是噪声纹理，σ是穿过所述点x0的流线，其中给定特征向量的离散场，所述流线σ能够通过数值积分得出。
7.如权利要求1所述的计算机实现方法，其中确定所述表面颜色包括将每个表面点的所述定向纹理强度、根据所述主扩散方向场确定的所述颜色以及部分各向异性场的值相乘。
8.一种机器可读程序存储装置，所述装置明确包含可由所述机器执行的程序指令，以执行扩散张量显象的方法步骤，所述方法步骤包括：
接收扩散加权图象切片数据；
根据所述扩散加权图象切片数据分割扩散张量场，以确定三维三角网格；
确定所述扩散张量场的部分各向异性场和主扩散方向场；
根据所述主扩散方向场确定穿过所述扩散张量场的分割的表面上每个表面点的流线；
根据相应的流线确定所述表面点的定向纹理强度；
通过将所述定向纹理强度、根据所述主扩散方向场确定的颜色、以及所述表面点处部分各向异性场的值进行组合来确定所述表面点的表面颜色；以及
通过绘制具有相应表面颜色的所述表面点对所述表面点进行显象。
9.如权利要求8所述的方法，其中不是确定点而是确定所述表面点的流线。
10.如权利要求8所述的方法，其中根据所述流线的方向以配色方案对所述主扩散方向场编码。
11.如权利要求8所述的计算机实现方法，其中所述定向纹理强度是线积分卷积强度。
12.如权利要求11所述的计算机实现方法，其中所述线积分卷积通过将噪声纹理和与穿过每个象素的所述流线一致的曲线核进行卷积生成强度值。
13.如权利要求12所述的计算机实现方法，其中所述线积分卷积根据以下公式确定：
I ( x 0 ) = ∫ s 0 - L s 0 + L T ( σ ( s ) ) k ( s 0 - s ) ds
这里I(x0)是点x0处线积分卷积纹理的强度，k是宽度2L的滤波器核，T是噪声纹理，σ是穿过所述所述点x0的流线，其中给定特征向量的离散场，所述流线σ能够通过数值积分得出。
14.如权利要求8所述的计算机实现方法，其中确定所述表面颜色包括将每个表面点的所述定向纹理强度、根据所述主扩散方向场确定的所述颜色以及部分各向异性场的值相乘。
15.一种用于扩散张量显象的计算机实现方法，包括：
接收扩散加权图象切片数据；
根据所述扩散加权图象切片数据分割扩散张量场，以确定三维三角网格；
确定所述扩散张量场的部分各向异性场和主扩散方向场；
根据所述主扩散方向场确定穿过所述扩散张量场的分割的表面上每个表面点的流线；
根据相应的流线确定所述表面点的定向纹理强度；
通过将所述定向纹理强度、根据所述主扩散方向场确定的颜色、以及所述表面点处部分各向异性场的值中的至少两个进行组合来确定所述表面点的表面颜色；以及
通过绘制具有相应表面颜色的所述表面点对所述表面点进行显象。
16.如权利要求15所述的计算机实现方法，其中不是确定点而是确定所述表面点的流线。
17.如权利要求15所述的计算机实现方法，其中所述定向纹理强度是线积分卷积强度。
CN2006100673492A 2005-02-09 2006-02-09 扩散张量表面显象 Expired - Fee Related CN1818707B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US65115505P 2005-02-09 2005-02-09
US60/651155 2005-02-09
US11/347039 2006-02-03
US11/347,039 US8077938B2 (en) 2005-02-09 2006-02-03 Diffusion tensor surface visualization

Publications (2)

Publication Number Publication Date
CN1818707A true CN1818707A (zh) 2006-08-16
CN1818707B CN1818707B (zh) 2010-12-01

Family

ID=36779585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006100673492A Expired - Fee Related CN1818707B (zh) 2005-02-09 2006-02-09 扩散张量表面显象

Country Status (2)

Country Link
US (1) US8077938B2 (zh)
CN (1) CN1818707B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101275993A (zh) * 2006-11-02 2008-10-01 美国西门子医疗解决公司 基于纹理的快速dt-mri张量场可视化系统和方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5654237B2 (ja) * 2006-12-11 2015-01-14 コーニンクレッカ フィリップス エヌ ヴェ 巨視的情報に基づくファイバ追跡
US9965862B2 (en) * 2008-08-07 2018-05-08 New York University System, method and computer accessible medium for providing real-time diffusional kurtosis imaging and for facilitating estimation of tensors and tensor-derived measures in diffusional kurtosis imaging
BR112012028653B1 (pt) 2010-05-28 2020-11-10 Exxonmobil Upstream Research Company método para análise sísmica de sistema de hidrocarbonetos
US9721338B2 (en) 2011-01-11 2017-08-01 Rutgers, The State University Of New Jersey Method and apparatus for segmentation and registration of longitudinal images
US10088596B2 (en) 2013-03-15 2018-10-02 Schlumberger Technology Corporation Meshless representation of a geologic environment
US11145119B2 (en) 2019-10-18 2021-10-12 Omniscient Neurotechnology Pty Limited Differential brain network analysis
CN111145278B (zh) * 2019-12-31 2024-01-09 上海联影医疗科技股份有限公司 弥散张量图像的颜色编码方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625660A (en) * 1995-06-30 1997-04-29 Picker International, Inc. Image reconstruction from helical partial cone-beam data
US6591004B1 (en) * 1998-09-21 2003-07-08 Washington University Sure-fit: an automated method for modeling the shape of cerebral cortex and other complex structures using customized filters and transformations
US6526305B1 (en) * 1998-11-25 2003-02-25 The Johns Hopkins University Method of fiber reconstruction employing data acquired by magnetic resonance imaging
US7355597B2 (en) * 2002-05-06 2008-04-08 Brown University Research Foundation Method, apparatus and computer program product for the interactive rendering of multivalued volume data with layered complementary values
US6806705B2 (en) * 2002-05-15 2004-10-19 Koninklijke Philips Electronics N.V. Diffusion tensor magnetic resonance imaging including local weighted interpolation
US6642716B1 (en) * 2002-05-15 2003-11-04 Koninklijke Philips Electronics, N.V. Diffusion tensor magnetic resonance imaging including fiber rendering using hyperstreamlines
US7034531B1 (en) * 2003-01-09 2006-04-25 The General Hospital Corporation Diffusion MRI using spherical shell sampling

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101275993A (zh) * 2006-11-02 2008-10-01 美国西门子医疗解决公司 基于纹理的快速dt-mri张量场可视化系统和方法
CN101275993B (zh) * 2006-11-02 2012-11-28 美国西门子医疗解决公司 基于纹理的快速dt-mri张量场可视化系统和方法

Also Published As

Publication number Publication date
CN1818707B (zh) 2010-12-01
US20060176488A1 (en) 2006-08-10
US8077938B2 (en) 2011-12-13

Similar Documents

Publication Publication Date Title
CN1818707B (zh) 扩散张量表面显象
Chen et al. Noise removal in magnetic resonance diffusion tensor imaging
US8076937B2 (en) Fibre tracking on the basis of macroscopic information
US7525543B2 (en) High performance shading of large volumetric data using screen-space partial derivatives
US8731334B2 (en) Multilevel thresholding for mutual information based registration and image registration using a GPU
US20080109171A1 (en) System and method for stochastic dt-mri connectivity mapping on the gpu
US20080112614A1 (en) Histogram tile map for gpu based histogram computation
Li et al. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images
US7602180B2 (en) System and method for fast texture-based tensor field visualization for DT-MRI
CN101887581B (zh) 图像融合方法及设备
JP2004520923A (ja) デジタル画像をセグメント化する方法
EP2347391B1 (en) Visualization and quantization of newly formed vasculature
CN1853197A (zh) 管结构的局部可视化技术的自动定向的方法及系统
WO2009149403A1 (en) Method and system for explicit control of lighting type in direct volume rendering
CN117649400B (zh) 一种异常检测框架下的影像组学分析方法及系统
CN1836258A (zh) 采用结构张量来检测肺结节和结肠息肉的方法和系统
US9047695B2 (en) Transformation method for diffusion spectrum imaging using large deformation diffeomorphic metric mapping
Adeshina et al. Locating abnormalities in brain blood vessels using parallel computing architecture
US20120268459A1 (en) Processing a dataset representing a plurality of pathways in a three-dimensional space
Hlawitschka et al. Fast and memory efficient gpu-based rendering of tensor data
Fan et al. Optimized GPU implementation of learning-based non-rigid multi-modal registration
Braggio et al. VBM sensitivity to localization and extent of mouse brain lesions: a simulation approach
Höller et al. Fiber visualization with LIC maps using multidirectional anisotropic glyph samples
You et al. Automatic cortical surface parcellation in the fetal brain using attention-gated spherical u-net
JP4019146B2 (ja) 拡散テンソル場の構造強調濃淡画像表示方法及び装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: SIEMENS AKTIENGESELLSCHAFT

Free format text: FORMER OWNER: SIEMENS CORPORATE RESEARCH, INC.

Effective date: 20100727

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20100727

Address after: new jersey

Applicant after: Siemens AG

Address before: new jersey

Applicant before: Siemens Corporate Research, Inc.

C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20101201

Termination date: 20160209

CF01 Termination of patent right due to non-payment of annual fee