JP2021109110A - マルチスケールフィルタリングによるmri脳画像の正規化及び強調の方法 - Google Patents
マルチスケールフィルタリングによるmri脳画像の正規化及び強調の方法 Download PDFInfo
- Publication number
- JP2021109110A JP2021109110A JP2021002627A JP2021002627A JP2021109110A JP 2021109110 A JP2021109110 A JP 2021109110A JP 2021002627 A JP2021002627 A JP 2021002627A JP 2021002627 A JP2021002627 A JP 2021002627A JP 2021109110 A JP2021109110 A JP 2021109110A
- Authority
- JP
- Japan
- Prior art keywords
- image
- voxels
- computer system
- method implemented
- brain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000004556 brain Anatomy 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 title abstract description 12
- 210000004885 white matter Anatomy 0.000 claims abstract description 20
- 210000004884 grey matter Anatomy 0.000 claims abstract description 19
- 241000023320 Luma <angiosperm> Species 0.000 claims abstract description 12
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims abstract description 12
- 239000000126 substance Substances 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims 6
- 238000013459 approach Methods 0.000 abstract description 7
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 230000004075 alteration Effects 0.000 abstract 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 28
- 210000003128 head Anatomy 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000011157 brain segmentation Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56572—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of a gradient magnetic field, e.g. non-linearity of a gradient magnetic field
-
- 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
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56563—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the main magnetic field B0, e.g. temporal variation of the magnitude or spatial inhomogeneity of B0
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nonlinear Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
【課題】脳物質を含むボクセルの3次元MRI画像の処理方法を提供する。【解決手段】マルチスケールフィルタリングが、MRI画像内のボクセルの強度を正規化するために使用される。マルチスケールフィルタがローMRI画像に適用されて生成された画像が原画像と比較され、比較に基づきルーマ異常(すなわち、強度変化)は補正される。1つのアプローチで、画像の強度は、マルチスケールフィルタをかけられたバージョンよりも暗いボクセルについては増大され、マルチスケールフィルタをかけられたバージョンよりも明るいボクセルについては低減される。他の態様では、更なる特徴がマルチスケール勾配に基づきもたらされ、それらは、MRI画像をセグメント化するために他のアプローチと組み合わせて使用され得る。正勾配のボクセルは、脳白質によって境界される脳灰白質を、負勾配のボクセルは、脳灰白質によって境界される脳白質を表し得る。【選択図】図1
Description
本開示は、概して、MRI画像の脳セグメンテーションに関係がある。
セグメンテーションは、脳のMRI(Magnetic Resonance Imaging)画像の解析における1つのステップである。脳の3次元MRI画像は、通常、ボクセルの3次元アレイであり、各ボクセルは、MRI撮像プロセスに対するそのボクセル内の物質の反応を表す値(強度)を有している。セグメンテーションステップは、どのボクセルが脳物質であって、どのボクセルがそうでないのかを決定する。MRI画像がセグメント化された後、脳物質であるボクセルは、それから更に解析され得る。
セグメンテーションは、通常、MRI画像内のボクセルの強度に基づきしばしば行われる。例えば、1つのアプローチでは、類似した強度のボクセルは同じタイプの物質に相当するという前提で、類似した強度のボクセルのクラスタがグループ化される。しかし、これは、常に優れた前提というわけではない。
例えば、MRI撮像プロセスにおけるノイズ及び強度変化は、間違った結果をもたらす可能性がある。バイアス場分散は、同じタイプの脳物質についてさえ、MRI画像の一方の側で他方と比べて強くないボクセルを生じさせる可能性がある。その上、異なる生理学的部位が類似した強度のボクセルを有することがあり、強度に基づきボクセルをクラスタ化することは、そのような異なる部位を区別できない。例えば、脳灰白質は脳白質よりも強くないが、非脳構造と強度が似ていることがある。強度のみに基づくクラスタ化は、脳灰白質をセグメント化することに失敗する可能性がある。
よって、MRI画像の脳セグメンテーションのためのより良いアプローチが必要とされる。
一態様で、マルチスケールフィルタリングが、MRI画像内のボクセルの強度を正規化するために使用される。マルチスケールフィルタはMRI画像に適用される。マルチスケールフィルタは、異なるスケールの(例えば、異なるサイズのカーネルを使用する)フィルタを画像に適用する。1つのアプローチで、1×1×1フィルタ、3×3×3フィルタ、5×5×5フィルタ、などが適用され、このようなコンポーネントフィルタをかけられた画像の加重和が、マルチスケールフィルタをかけられた画像を生成するために計算される。ルーマ異常(すなわち、強度変化)は、マルチスケールフィルタをかけられた画像と原画像との比較に基づき補正される。1つのアプローチで、画像の強度は、マルチスケールフィルタをかけられたバージョンよりも暗い原画像内のボクセルについては増大され、マルチスケールフィルタをかけられたバージョンよりも明るいボクセルについては低減される。
他の態様で、更なる特徴は、マルチスケール勾配に基づきもたらされる。それらは、MRI画像をセグメント化するために他の特徴と組み合わせて使用され得る。MRI画像は、異なるスケールkのフィルタを用いてフィルタをかけられる。kに関して勾配は計算される。ボクセルごとに、これは、kに対するそのボクセルの強度の変化である。正勾配のボクセルは、脳白質によって境界される脳灰白質を表し得る。負勾配のボクセルは、脳灰白質によって境界される脳白質を表し得る。
2つの技術は組み合わされてよい。最初に、正規化がMRI画像に適用され得る。次いで、正規化されたバージョンについてマルチスケール勾配が計算され得る。
他の態様として、上記のいずれかに関係があるコンポーネント、デバイス、システム、改善、方法、プロセス、アプリケーション、コンピュータ可読媒体、及び他の技術がある。
本開示の実施形態は、添付の図面の例とともに理解される場合に、より容易に以下の詳細な説明及び添付の特許請求の範囲から明らかである他の利点及び特徴を有している。
図及び以下の記載は、単に例示として、好適な実施形態を参照する。以下の説明から、本明細書で開示されている構造及び方法の代替の実施形態は、請求されているものの原理から逸脱せずに用いられ得る実行可能な代案として容易に認識されることが留意されるべきである。
図1は、一実施形態に従って、MRI画像のボリューム強度正規化のためのフロー図である。プロセスは、頭又は頭の部分の3次元MRI画像Aから開始する。通常、画像Aは、ボクセルの3次元アレイによって表現される。次の例では、Aは、ボクセルの256×256×256アレイであるとする。画像Aの個々のボクセルを表すために、A(X)との語が使用される。xは、ボクセルのインデックスであり、A(x)は、ボクセルxの強度である。
図2(先行技術)は、頭の3次元MRI画像の1つのスライスを示す。この例で、各ボクセルxは、MRI撮像プロセスに対するそのボクセル内の物質の反応を表す値(強度)A(x)を有している。強度値は、黒から白までの範囲に及ぶグレースケールによって図2では表されている。MRI画像Aは脳物質を含むが、非脳物質、例えば、目、鼻腔、頭蓋骨、筋肉、なども含むことがある。画像Aはまた、例えば、ノイズ又は組織的バイアスによって引き起こされる強度異常(ルーマ異常)を伴うことがある。
図1のプロセス100は、ルーマ異常を補正して、正規化された画像Hを得る。正規化された画像Hは、次いで、どのボクセルが脳物質であるかを識別するセグメンテーションプロセス190で使用されてよい。適切に正規化された画像Hは、ロー画像Aに基づくセグメント化と比較して、より正確な結果をもたらす。
プロセス100は、次のように進む。マルチスケールフィルタ110が入力画像Aに適用され、フィルタをかけられた画像Bを得る。1つのアプローチで、マルチスケールフィルタ110は、異なるスケールのフィルタFkを使用する。ここで、kは、スケールのインデックスである。入力画像Aは、コンポーネントフィルタをかけられた画像Bkを生成するよう各フィルタFkによってフィルタをかけられ、Bkの加重和は、統合的な、フィルタをかけられた画像Bをもたらす。数学的に:
B=Σkwk*Bk (1)
ここで、Bk=A**Fk
wkは重みであり、総和は異なるスケールkにわたり、*は乗算であり、**は畳み込みである。
B=Σkwk*Bk (1)
ここで、Bk=A**Fk
wkは重みであり、総和は異なるスケールkにわたり、*は乗算であり、**は畳み込みである。
異なるスケールフィルタFkは、異なる形を取り得る。図3Aは、異なるサイズのカーネルを使用するマルチスケールフィルタリングを示す。フィルタF1は、1×1のカーネルサイズを有し、フィルタF2は、3×3のカーネルサイズを有し、フィルタF3は、5×5のカーネルサイズを有する、など。例示の都合上、図3Aでは2次元フィルタリングが示されているが、マルチスケールフィルタリングは何次元でもあってよい。画像Aは、異なるサイズのフィルタFkの夫々で畳み込まれる。フィルタをかけられた画像は、マルチスケールフィルタをかけられたバージョンBを生成するよう重み付けされ足し合わされる。
図3Bは、サイズは同じであるが幅が異なるカーネルを使用するマルチスケールフィルタリングを示す。ここでは、全てのカーネルは5×5であるが、それらは、フィルタごとにガウス曲線によって示されるように、異なる幅のガウス分布に相当する。フィルタF1は、最も狭いガウス分布であり、フィルタF2は、より広く、フィルタF3は、更に広い、など。
マルチスケールフィルタリングは、畳み込みに基づく必要がない。例えば、空間不変性フィルタリングが使用され得る。スケールが異なるサイズのフィルタによって実装される場合に、ボクセルxの各コンポーネント画像Bkは、xの特定の近傍内にあるボクセルの強度に基づく。このとき、近傍のサイズは、スケールkにより変化する。
画像Bは、画像Aのマルチスケールフィルタをかけられたバージョンであるから、B(x)は、ボクセルxの局所近傍でのある種の“平均”強度を表し、一方、A(x)は、まさにボクセルxの強度である。プロセス100の残りで、画像A及びBは比較され、画像Aの強度は、この比較に基づき、ルーマ異常を補正される。
図1に戻ると、112で、比C=B/Aが計算される。ここで、除算はボクセルに基づく。すなわち、ボクセルxごとに、C(x)=B(x)/A(x)。B(x)>A(x)の場合、すなわち、同様に、C(x)>1の場合、ボクセルxは、近傍平均よりも強度が低く、これが異常であるならば、ボクセルA(x)の強度は増大されるべきである。対照的に、B(x)<A(x)、すなわちC(x)<1の場合、ボクセルxは、近傍平均よりも強度が高く、ボクセルA(x)の強度は低減されるべきである。図1中、比Cは、114で、フィルタをかけられた比Dを生成するようガウスフィルタによってフィルタをかけられる。これは、正規化効果が極端すぎないように、比Cを平滑化する。
図1では、正規化の効果を抑えるよう、ヘッドマスクEも使用される。図4は、図2のMRI画像に対応するヘッドマスクEの1つのスライスである。ヘッドマスクは、頭の部分であるボクセルに対しては1(図4では白として示される)であり、頭の外のボクセルに対しては0(図4では黒)である。ヘッドマスクEも、122で、頭と頭以外との間の境界を滑らかにするようガウスフィルタによってフィルタをかけられ、そして、フィルタをかけられたマスクFが得られる。これは、130で、フィルタをかけられた比Dに適用されて、正規化マスクG=D/Fを得る。このとき、除算はボクセルに基づき、頭ボリューム内にあるボクセルに対してのみ実行される。
正規化マスクGは、次いで135で、ルーマ補正された画像H=G*Aを得るよう原画像Aに適用される。このとき、乗算はボクセルに基づく。すなわち、H(x)=G(x)*A(x)。
別の態様で、図5は、一実施形態に従って、マルチスケール勾配特徴を表すフロー図である。マルチスケール勾配特徴は、スケールに対する強度の勾配に基づく特徴である。プロセスは、頭又は頭の部分から開始する。これは、図1と同じ画像Aであってよく、あるいは、図1の正規化された画像Hのような、別の画像であってもよい。異なるスケールkの複数のフィルタFkは、510で、フィルタをかけられた画像Bkを生成するよう入力画像Aに適用される。ここで、kは、スケールのインデックス又は次元である。プロセス100に関して上述された異なるスケールフィルタFkが、ここでも使用されてよい。夫々の、フィルタをかけられた画像Bkは、ボクセルxのアレイであり、Bk(x)は、スケールkでのボクセルxの強度である。Bk(x)は、xの関数であるが、それは、スケールkの関数でもある。kに関して勾配が520で計算される。これは、差ΔBk(x)=Bk+1(x)−Bk(x)を取ること、又はスケール(k+1)及び(k)の間の“距離”によって正規化される差ΔBk(x)を使用すること、によって行われてよい。代替的に、数値法が、導関数∂Bk(x)/∂kを推定するために使用されてもよい。勾配の特徴530は抽出され、脳セグメンテーションのプロセス590で使用され得る。
図5はまた、具体的な例を示す。この例で、特徴530は、正勾配を有しているボクセル532Pと、負勾配を有しているボクセル532Nとを含む。クラスタ化アルゴリズムは、脳をセグメント化するよう592でMRI画像に適用されるが、白質及び灰白質は別々に考えられる。正勾配のボクセル532Pは、灰白質クラスタ化592Pの部分として含まれる。負勾配のボクセル532Nは、白質クラスタ化592Nの部分として含まれる。
図6Aは、MRI画像のスライスである。円で囲まれた領域は、灰白質によって境界される白質を含むエリアの拡大である。白質610は、より高い強度を有し、周囲の灰白質615は、より低い強度を有する。図6Bは、白質ボリューム内のボクセルxについてのスケールkの関数としての強度のグラフである。小さいスケールkで、フィルタリングは、ボクセルxの周りの小さい近傍622内のボクセルのみを含む。近傍622は、ほぼ白質ボクセルである。従って、kの小さい値でのフィルタをかけられた強度Bk(x)632は、白質についての高い強度レベルでほとんど一定である。スケールkが大きくなるにつれて、近傍624は、周囲の灰白質を含むように広がり、フィルタをかけられた強度Bk(x)634は下がるので、負勾配644が存在する。灰白質のボリュームが大きい場合に、大きいスケール626で、フィルタをかけられた強度Bk(x)636は飽和し始める。よって、負勾配644は、灰白質によって境界される白質を示し、対応するスケールkは、白質の幅の指標である。
同じ状況は、白質によって境界される灰白質について起こる。スケールが小さい場合に、近傍内のボクセルはほぼ灰白質であるから、フィルタをかけられた強度は低いままである。近傍のサイズが大きくなるにつれて、より多くの白質ボクセルが含まれる。フィルタをかけられた強度は増大し、スケールkに関して強度の正勾配が存在する。
このようにして、正勾配のボクセル及び負勾配のボクセル並びにそれらの対応するスケールkは、MRI画像を脳物質及び非脳物質にセグメント化するための更なる特徴として使用され得る。
詳細な説明には多くの詳細が含まれているが、それらは、発明の範囲を制限するものと解釈されるべきではなく、単に種々の例を表すものにすぎない。当然ながら、本開示の範囲は、先に上述されていない他の実施形態を含む。当業者に明らかである様々な他の改良、変更、及び変形は、添付の特許請求の範囲で定義されている精神及び範囲から逸脱せずに、本明細書で開示されている方法及び装置の配置、動作及び詳細において行われてよい。従って、発明の範囲は、添付の特許請求の範囲及びそれらの法上の均等によって決定されるべきである。
代替の実施形態は、コンピュータハードウェア、ファームウェア、ソフトウェア、及び/又はそれらの組み合わせで実装される。実施は、プログラム可能なプロセッサによる実行のためにコンピュータ可読記憶デバイスに有形に具現されたコンピュータプログラム製品で実装可能であり、方法ステップは、入力に作用して出力を生成することによって機能を実行するよう命令のプログラムを実行するプログラム可能なプロセッサによって実行可能である。実施形態は、データ及び命令フォームを受けるよう、かつデータ及び命令をデータ記憶システム、少なくとも1つの入力デバイス、及び少なくとも1つの出力デバイスへ送るよう結合された少なくとも1つのプログラム可能なプロセッサを含むプログラム可能なコンピュータシステムで実行可能である1つ以上のコンピュータプログラムで有利に実装可能である。各コンピュータプログラムは、高位プロシージャ又はオブジェクト指向プログラミング言語で、あるいは、望まれる場合にはアセンブリ又は機械言語で実装可能であり、いずれの場合にも、言語は、コンパイル済み又は解釈済みの言語であることができる。適切なプロセッサには、例として、汎用のマイクロプロセッサ及び専用のマイクロプロセッサの両方が含まれる。一般に、プロセッサは、リードオンリーメモリ及び/又はランダムアクセスメモリから命令及びデータを受け取る。一般に、コンピュータは、データファイルを記憶する1つ以上の大容量記憶デバイスを含み、そのようなデバイスには、内蔵ハードディスク及びリムーバブルディスクのような磁気ディスク、光学磁気ディスク、並びに光ディスクが含まれる。コンピュータプログラム命令及びデータを有形に具現するのに適した記憶デバイスには、例として、EPROM、EEPROM、及びフラッシュメモリデバイスのような半導体メモリ、内蔵ハードディスク及びリムーバブルディスクのような磁気ディスク、光学磁気ディスク、並びにCD−ROMディスクを含む全ての形態の不揮発性メモリが含まれる。上記のいずれも、ASIC(Application-Specific Integrated Circuits)、FPGA及び他の形態のハードウェアに組み込まれるか、あるいは、それらによって補われ得る。
532P 正勾配のボクセル
532N 負勾配のボクセル
610 白質
615 灰白質
A 入力画像
B マルチスケールフィルタをかけられた画像
E ヘッドマスク
G 正規化マスク
H ルーマ補正された画像
k スケール
x ボクセル
532N 負勾配のボクセル
610 白質
615 灰白質
A 入力画像
B マルチスケールフィルタをかけられた画像
E ヘッドマスク
G 正規化マスク
H ルーマ補正された画像
k スケール
x ボクセル
Claims (20)
- 脳物質を含むボクセルの3次元MRI画像Aを処理する方法であって、
当該方法は、
前記画像Aにマルチスケールフィルタを適用して画像Bを生成することと、
前記画像A及び前記画像Bを比較することと、
前記画像A及び前記画像Bの前記比較に基づき前記画像Aのルーマ異常を補正することと、
前記画像Aのルーマ補正されたバージョンに基づき脳物質をセグメント化することと
を有する命令を実行するコンピュータシステムで実装される方法。 - 前記画像Aに前記マルチスケールフィルタを適用することは、
前記画像Aに異なるスケールkの複数のフィルタを適用することと、
前記フィルタをかけられた前記画像Aの加重和を計算することと
を有する、
請求項1に記載のコンピュータシステムで実装される方法。 - 前記異なるスケールkの複数のフィルタは、異なるサイズのカーネルによるフィルタを有する、
請求項2に記載のコンピュータシステムで実装される方法。 - 前記異なるスケールkの複数のフィルタは、サイズは同じだが幅が異なるカーネルによるフィルタを有する、
請求項2に記載のコンピュータシステムで実装される方法。 - 前記画像A及び前記画像Bを比較することは、
除算がボクセル単位で実行されるとして比C=B/Aを計算することを有する、
請求項1に記載のコンピュータシステムで実装される方法。 - 前記画像Aのルーマ異常を補正することは、
C>1でボクセルの強度を増大させることを有する、
請求項5に記載のコンピュータシステムで実装される方法。 - 前記画像Aのルーマ異常を補正することは、
C<1でボクセルの強度を低減させることを有する、
請求項5に記載のコンピュータシステムで実装される方法。 - 前記画像A及び前記画像Bを比較することは、
前記比Cにガウスフィルタを適用して、フィルタをかけられた比Dを生成することを有し、
前記画像Aのルーマ異常を補正することは、前記フィルタをかけられた比Dに基づく、
請求項5に記載のコンピュータシステムで実装される方法。 - 前記画像A及び前記画像Bを比較することは、隣接するボクセルと一致しない強度を有する前記画像A内のボクセルを識別する、
請求項1に記載のコンピュータシステムで実装される方法。 - 前記画像Aのルーマ異常を補正することは、
頭の部分として識別されている前記画像A内のボクセルにラベルを付けるヘッドマスクEにガウスフィルタを適用して、フィルタをかけられたヘッドマスクFを生成することと、
前記フィルタをかけられたヘッドマスクFに基づきルーマ異常を補正することと
を更に有する、
請求項1に記載のコンピュータシステムで実装される方法。 - 脳物質を含むボクセルの3次元MRI画像Aを処理する方法であって、
当該方法は、
画像Aに異なるサイズのカーネルによる複数のフィルタを適用することと、
前記フィルタをかけられた前記画像Aの加重和を計算して画像Bを生成することと、
除算がボクセル単位で実行されるとして比C=B/Aを計算することと、
前記比Cにガウスフィルタを適用して、フィルタをかけられた比Dを生成することと、
頭の部分として識別されている前記画像A内のボクセルにラベルを付けるヘッドマスクEにガウスフィルタを適用して、フィルタをかけられたヘッドマスクFを生成することと、
除算がボクセル単位で実行されるとして正規化マスクG=D/Fを計算することと、
前記正規化マスクGに基づき前記画像Aのルーマ異常を補正することと、
前記画像Aのルーマ補正されたバージョンに基づき脳物質をセグメント化することと
を有する命令を実行するコンピュータシステムで実装される方法。 - 脳物質を含むボクセルの3次元MRI画像Aを処理する方法であって、
当該方法は、
画像Aに異なるスケールkの複数のフィルタを適用して複数の画像Bkを生成することと、
スケールkに関して画像Bのボクセルの勾配を計算することと、
正勾配のボクセル及び負勾配のボクセルを識別することと、
前記正勾配のボクセル及び/又は前記負勾配のボクセルに基づき前記画像から脳物質をセグメント化することと
を有する命令を実行するコンピュータシステムで実装される方法。 - 前記異なるスケールkの複数のフィルタは、異なるサイズのカーネルによるフィルタを有する、
請求項12に記載のコンピュータシステムで実装される方法。 - 前記画像Aから前記脳物質をセグメント化することは、前記画像Aから脳白質及び脳灰白質を別々にセグメント化することを有する、
請求項12に記載のコンピュータシステムで実装される方法。 - 前記脳灰白質をセグメント化することは、前記正勾配のボクセルに基づく、
請求項14に記載のコンピュータシステムで実装される方法。 - 前記脳白質をセグメント化することは、前記負勾配のボクセルに基づく、
請求項14に記載のコンピュータシステムで実装される方法。 - 前記画像Aから前記脳物質をセグメント化することは、ボクセルをそれらの強度に基づきクラスタ化することを更に有する、
請求項12に記載のコンピュータシステムで実装される方法。 - 前記画像Aから前記脳物質をセグメント化することは、ボクセルが正勾配及び/又は負勾配を有している前記スケールkに更に基づく、
請求項12に記載のコンピュータシステムで実装される方法。 - 前記画像Aは、ルーマ補正された画像である、
請求項12に記載のコンピュータシステムで実装される方法。 - 前記画像Aの補正されていないバージョンにマルチスケールフィルタを適用して画像Bを生成することと、
前記画像Aの前記補正されていないバージョン及び前記画像Bを比較することとと、
前記画像Aの前記補正されていないバージョン及び前記画像Bの前記比較に基づき前記画像Aのルーマ異常を補正することと
を更に有する、
請求項19に記載のコンピュータシステムで実装される方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/744,081 US20210217173A1 (en) | 2020-01-15 | 2020-01-15 | Normalization and enhancement of mri brain images using multiscale filtering |
US16/744081 | 2020-01-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021109110A true JP2021109110A (ja) | 2021-08-02 |
JP7014312B2 JP7014312B2 (ja) | 2022-02-01 |
Family
ID=76763974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021002627A Active JP7014312B2 (ja) | 2020-01-15 | 2021-01-12 | マルチスケールフィルタリングによるmri脳画像の正規化及び強調の方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210217173A1 (ja) |
JP (1) | JP7014312B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781338A (zh) * | 2021-08-31 | 2021-12-10 | 咪咕文化科技有限公司 | 图像增强方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
US20190059840A1 (en) * | 2016-03-04 | 2019-02-28 | 4Dx Limited | Method and system for imaging |
WO2019099641A1 (en) * | 2017-11-16 | 2019-05-23 | General Electric Company | System and method for single channel whole cell segmentation |
JP2019523065A (ja) * | 2016-07-25 | 2019-08-22 | ソニー株式会社 | 自動3d脳腫瘍セグメンテーション及び分類 |
-
2020
- 2020-01-15 US US16/744,081 patent/US20210217173A1/en not_active Abandoned
-
2021
- 2021-01-12 JP JP2021002627A patent/JP7014312B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
US20190059840A1 (en) * | 2016-03-04 | 2019-02-28 | 4Dx Limited | Method and system for imaging |
JP2019512295A (ja) * | 2016-03-04 | 2019-05-16 | 4ディーエックス リミテッド | 撮像方法およびシステム |
JP2019523065A (ja) * | 2016-07-25 | 2019-08-22 | ソニー株式会社 | 自動3d脳腫瘍セグメンテーション及び分類 |
WO2019099641A1 (en) * | 2017-11-16 | 2019-05-23 | General Electric Company | System and method for single channel whole cell segmentation |
Also Published As
Publication number | Publication date |
---|---|
US20210217173A1 (en) | 2021-07-15 |
JP7014312B2 (ja) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2238742B1 (en) | Noise reduction of images | |
Mayer et al. | An adaptive mean-shift framework for MRI brain segmentation | |
Tomaževič et al. | Comparative evaluation of retrospective shading correction methods | |
US8090214B2 (en) | Method for automatic detection and correction of halo artifacts in images | |
EP3806030B1 (en) | Bilateral filter with data model | |
US9418410B2 (en) | Image processing apparatus and method thereof | |
Thacker et al. | Statistical interpretation of non-local means | |
CN115546136A (zh) | 一种医学图像的图像处理方法、设备及装置 | |
US20090046915A1 (en) | Method and device for correction of magnetic resonance images | |
JP7014312B2 (ja) | マルチスケールフィルタリングによるmri脳画像の正規化及び強調の方法 | |
Fernández Patón et al. | MR denoising increases radiomic biomarker precision and reproducibility in oncologic imaging | |
Kim et al. | Rician nonlocal means denoising for MR images using nonparametric principal component analysis | |
Yang et al. | Split Bregman method based level set formulations for segmentation and correction with application to MR images and color images | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
Kheradmand et al. | Non-linear structure-aware image sharpening with difference of smoothing operators | |
Simi et al. | An inverse mathematical technique for improving the sharpness of magnetic resonance images | |
Galiano et al. | Non-convex non-local reactive flows for saliency detection and segmentation | |
Jeba Derwin et al. | An efficient multi-level pre-processing algorithm for the enhancement of dermoscopy images in melanoma detection | |
Gambaruto | Processing the image gradient field using a topographic primal sketch approach | |
Singh et al. | A novel approach for brain MRI segmentation and image restoration under intensity inhomogeneity and noisy conditions | |
Han et al. | Inhomogeneity correction in magnetic resonance images using deep image priors | |
Phan et al. | Edge coherence-weighted second-order variational model for image denoising | |
Kim et al. | On statistical analysis of neuroimages with imperfect registration | |
Niethammer et al. | Outlier rejection for diffusion weighted imaging | |
CN117237375A (zh) | 一种磁共振成像的脑分割系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210112 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211130 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220103 |