TWI415029B - 連續結構影像的量化分析自動追蹤演算法 - Google Patents

連續結構影像的量化分析自動追蹤演算法 Download PDF

Info

Publication number
TWI415029B
TWI415029B TW099144337A TW99144337A TWI415029B TW I415029 B TWI415029 B TW I415029B TW 099144337 A TW099144337 A TW 099144337A TW 99144337 A TW99144337 A TW 99144337A TW I415029 B TWI415029 B TW I415029B
Authority
TW
Taiwan
Prior art keywords
pixel
dimensional image
voxel
tracking
code
Prior art date
Application number
TW099144337A
Other languages
English (en)
Other versions
TW201137789A (en
Inventor
Nan Yow Chen
Ting Kuo Lee
Original Assignee
Academia Sinica
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 Academia Sinica filed Critical Academia Sinica
Publication of TW201137789A publication Critical patent/TW201137789A/zh
Application granted granted Critical
Publication of TWI415029B publication Critical patent/TWI415029B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Description

連續結構影像的量化分析自動追蹤演算法
本發明是有關於一種連續結構的量化分析自動追蹤演算法，特別是涉及將連續結構的影像，將體素予以編碼及自動化追蹤其結構，進以量化分析的演算法。
近年來，電腦軟體的蓬勃發展，使得數位影像有大幅的進展，例如，將腦部的核磁共振造影的結果，依據各個組織的特性，分別拆開成像，建構出各組織的獨立三維立體影像，以進行分析；或如血管攝影術，將血管經由同調斷層顯微鏡(OCT Confocal imaging microscope)攝影後形成二維或三維的影像，以進行分析；或利用共軛對焦顯微鏡(confocal laser scanning microscope)或其他影像技巧的方式，取得神經結構、血管分佈等複雜的結構的三維數位影像。然而，如何分析這些大量的二維或三維的數位影像以取得有用的資訊是一個非常具有挑戰性的問題。
例如美國專利US5,872,861提出在血管造影的影像中，利用像素(pixel)的強度(intensity)與血管中心線的像素比較，以找到血管狹窄處(stenoses of vessel)的方法。或如，美國專利 US7,480,400揭露使用神經纖維追蹤技術(neural fiber tractography)，於磁振造影水分子擴散張量影像(diffusion tensor imaging；DTI)的三維數位影像的分析，主要採用的方法係由一組選定的(selected)三維體素(three-dimensional voxels)，可利用不同的方法找到追蹤核(seed points)，再利用與追蹤核的距離區域閥值(distance threshold)以消去體素，藉以追蹤神經纖維的路徑(pathway of neural fiber)；其中，找到追蹤核的方法，例如該專利使用的鄰近像素的擴散張量主軸方向(亦即神經纖維方向)，或可使用鄰近像素相對位置與此主軸的夾角、擴散不等向性的強烈程度參數(fractional anisotropy)所同決定。
對於神經纖維、血管、皮膚膠原蛋白、或許多的聚合材料纖維等均屬於連續結構，例如線狀結構(line-structure)、樹狀結構(tree-like structure)、網路狀結構(network-like structure)或神經狀結構(neuron-like structure)；當分析連續結構的影像，在定量化的分析(quantitative analysis)上，主要在追蹤該結構的走向。例如美國專利公開號US2006/0056694揭露樹狀結構的解剖冠狀血管(anatomical coronary vessel)三維影像，係在三維影像中設定一個明確的起點(starting point)，再利用片段(segment)沿著明確的血管影像，一段一段的前進，並同時建立距離的資訊，用以追蹤血管的走向；然而這個方法由於在走向的判斷上，尤其在分岔(branch)上或迴路(loop)上常需要由人來加以判斷；再者，此方法僅能分析主要路徑，對於樹 狀結構的分岔的分析，則要經由多次的重複選擇起點再利用追蹤標碼串分析，其不但耗費人力且容易因為人為因素而影響結果，通常結果也缺乏客觀性，並不能達到自動分析的目的。
再如Zlatko V.與Armen S.於2009年Journal of Neuroscience Methods,178,P.197~204之論文或如美國專利US7,072,515揭露一種全自動化的線狀結構的二維或三維同調螢光顯微影像(fluorescence confocal microscopy image)的追蹤方法，其方法主要為在線狀結構先選擇一個種子點(seed point)為起始點(starting point)，由此起始點出發追蹤該線狀結構的中心線至下一個位置，由該下一個位置為一個新的起始點，重複前述追蹤該線狀結構的中心線直至線狀結構的終點為止；說明如第1圖，線狀結構的神經纖維在追蹤該線狀結構的中心線X-Y平面上與Z方向上以NxM的網格(grid)為表示，在共使用四個模板(template)，在X-Y平面上左與右方向使用二個二維的模板，在Z方向的上與下的方向也二個二維的模板，線狀結構則可分隔為N2個方向，例如N=32，則四個模板共分為4x322=4096個方向，使起始點Pi依據線狀結構的軸向推向下一個起始點位置Pi+1，由此可追蹤至整個線狀結構。雖然此方法可以自動追蹤整個線狀結構，但該方法為追蹤線狀結構的中心線，對於神經纖維之分岔點或迴圈等較為複雜之結構時則難以使用此方法追蹤；再者，這些種子點的產生係基於一些條件所選定，當某些條件沒有適當的定義時，種子點將會不足以用來追蹤整個結構，因此會使結構形成不連接的片段，此時便需要人工介入將這些片段連接起來。
又如Alfredo R.,Douglas B.E.,Patrick R.H.與Susan L.W.於2009年Journal of Neuroscience Methods,184,P.169~175之論文，提出使用動態數據線段(dynamic data segment)運用形成漏斗狀的三維體素(voxel)，在追蹤時利用位移以計算移動距離，進而追蹤整個共焦顯微影像；此種方法雖可對具有分枝影像(branch)的共焦顯微影像進行追蹤，但此種方法的計算量太大，不利於快速的運算。
對於共焦顯微影像分枝的骨幹結構(skeleton)進行三維體素的編碼，Hamid S.Z.,Ali S.,Mohammad-Mehdi K.,Zheng G.Z.,Reza A.Z.,Mahnaz M.及Michael C.於2005年Computers in Biology and Medicine,35,P.791~813論文提出將共焦顯微影像以數據化的方式重建，此方法可將斷枝的共焦顯微影像分枝連接成完整影像，或可進行影像分枝的修剪，並可運用編碼的結果計算長度，但卻存在需要使用者介入的運算，不易達到自動演算的目的。
有鑑於先前技術的不足，發展了一個不需要使用者介入的自動化連續結構的追蹤演算法，且運算量最小的追蹤演算法，可用來自動追蹤分析連續結構的影像資料，如線狀結構、樹狀結構、網路狀結構或神經狀結構的神經纖維、血管、皮膚膠原蛋白、或許多的聚合材料纖維形態的影像，則為迫切所需。
有鑑於上述習知技術之問題，本發明之主要目的之一，提出一種連續結構的量化分析自動追蹤演算法；該追蹤演算法係用於連續 結構之二維影像或三維影像的自動化追蹤與量化分析，該連續結構可為線狀結構、樹狀結構、網路狀結構或神經狀結構，但不以此為限，該連續結構至少由一個特性元素所組成，該特性元素可為體質(soma)、纖維(fiber)、分岔(branch)、環圈(loop)、突觸(synapse)及終端(dead-end)之任一；該二維影像或三維影像可由X-光顯微鏡(X-ray microscope)、穿隧電子顯微鏡(tunneling microscopy)、同調斷層顯微鏡(OCT confocal microscope)、雷射共焦掃描顯微鏡(confocal laser scanning microscope)等不限定的設備，攝影後形成二維或三維的影像，以進行分析；對於三維影像的量化分析自動追蹤演算法，包含下列步驟：S1：擷取一連續結構的三維影像，將該三維影像予以數位化，使該三維影像由三維體素(voxel)所構成；S2：選擇一起點體素，給予該起點體素一起點編碼，該起點編碼可為N1，但不以此為限；其中，該起點體素可選自該三維影像任一邊緣之任一體素或任一體質的中心區域任一體素；S3：設定該三維影像之一強度閥值(intensity threshold)；以該起點體素N1出發，使用源場編碼原理(source field encodingmethod)，將該三維影像符合該強度閥值之全部體素予以編碼，其中該源場編碼原理包含下列步驟；其中該強度閥值可由三維影像的品質、雜訊狀況或選擇特定的顏色或灰階；S31：對臨接於該起點體素N1之符合該強度閥值的所有的體素 給予一體素編碼，該體素編碼係以該起點編碼N1增加一個整數，即臨接於該起點體素N1之該體素的體素編碼為N2；S32：以體素編碼為N2為下一個起點，對臨接於體素編碼為N2符合該強度閥值的每一個體素，給予體素編碼為N3；S33：以此類推，重複步驟S32，直到該三維影像之符合該強度閥值的全部像素予以編碼完成，存入電腦系統或其他儲存媒體中；S4：使用標碼追蹤，以決定該三維影像之特性元素，其中，該標碼追蹤包含下列步驟；S41：自起點體素N1之任一方向，以三個或三個以上相連的體素構成追蹤標碼串(tracing codelet)[Np+t-1,Np+t-2,…,Ng,…,Nt]，其中，該追蹤標碼串長度為p個體素；追蹤標碼串起點為體素編碼Np+t-1之體素、追蹤標碼串的質量中心為體素編碼Ncp之體素、終點為體素編碼Nt之體素；若該追蹤標碼串為三個體素所構成(p=3)，則追蹤標碼串在起點體素N1起算，t=1，追蹤標碼串為[N3,N2,N1]，追蹤標碼串起點為N3、質量中心為N2、終點為N1；S42：將該追蹤標碼串[Np+t-1,Np+t-2,..,Nt]由追蹤標碼串起點Np+t-1起，使用源場編碼原理在每一個方向每次追蹤至下一個體素編碼；S43：以下一個體素編碼為追蹤標碼串起點(t=t+1)，以此類推，重複步驟S42，直到該三維影像之全部體素編碼追蹤完成； S44：決定三維影像中之各特性元素，記錄該連續結構之特性元素位置的體素編碼，存入電腦系統或其他儲存媒體中。
本發明之另一個主要目的之一，係提出一種連續結構的量化分析自動追蹤演算法；該量化分析自動追蹤演算法可進一步計算特性元素的數量、特性元素長度、特性元素截面的半徑、特性元素表面積、特性元素體積、任二個特性元素在連續結構的距離、任二個特性元素的相對的位置之角度、特性元素的中心線走向等。
本發明之又一個主要目的之一，係提出一種連續結構的量化分析自動追蹤演算法；其中前述的步驟S1與S3，可先以一強度閥值先對該三維影像予以過濾，擷取在強度閥值範圍內的該三維影像的體素，如此可進一步減化該三維影像的編碼程序。
對於連續結構之二維影像，本發明之連續結構的量化分析自動追蹤演算法，也可直接使用於二維影像，首先將連續結構的二維影像予以數位化，使該二維影像由二維像素(pixel)所構成；其編碼、追蹤與量化計算的步驟如同前述，僅以二維影像之像素更換為前述的三維影像的體素，在此不再贅述。
承上所述，依本發明之連續結構的量化分析自動追蹤演算法，其可具有一或多個下述優點：
(1)可使用於連續結構的二維影像像素或三維影像體素的自動化編碼：在選擇一起點體素(起點像素)後，依據所設定的強度閥值，以源場編碼原理，可將整個連續結構影像的體素(像素)予以編碼，使各體素(像素)賦予一個體素編碼(像素編碼)，該體素編碼 (像素編碼)代表了鄰近程度與衍生的關係。
(2)編碼完成的二維影像像素或三維影像體素，可使用於自動化追蹤分析：藉由追蹤標碼串可決定出影像中的各個特性元素，如體質、纖維、分岔、環圈、突觸及終端等。
(3)由各個特性元素之體素編碼，可使用於量化分析：藉由特性元素的體素編碼區間，可快速計算出特性元素的個數、任二點的距離、特性元素截面的半徑、任二個特性元素在連續結構的距離或相對角度等量化的資訊，以供給實際的運用，如分析血管滋生、神經組織、膠原蛋白組成、紙張纖維長度與密度、生物組織的老化程度或病理切片分析等等；各種運用不為如上列所限。
(4)若更換另一設定的強度閥值，如更換特定顏色或特定灰階，則可對該特定顏色或該特定灰階的影像，進行編碼、追蹤與量化分析。如此可達成不同密度的組織或不同顯色的組織之分析，將擴大實際的應用。
1‧‧‧編碼前二維影像
10‧‧‧追蹤標碼串
11‧‧‧起點(start point)
12‧‧‧分岔(branch)
13‧‧‧終端(end point)
14‧‧‧環圈(loop)
15‧‧‧突觸(synapses)
16‧‧‧體質(soma)
17‧‧‧纖維(fiber)
2‧‧‧編碼後二維影像
3‧‧‧編碼前三維影像
4‧‧‧編碼後三維影像
41‧‧‧第一截面
42‧‧‧第二截面
43‧‧‧第三截面
44‧‧‧第四截面
S1~S5‧‧‧演算法步驟(steps)
SS1~SS5‧‧‧演算法步驟(steps)
第1圖係為昔知全自動化的線狀結構的同調螢光顯微影像的追蹤方法；第2圖係為本發明之連續結構影像的量化分析自動追蹤演算法步驟示意圖；第3圖係為本發明之連續結構影像的量化分析自動追蹤演算法於二維影像編碼之示意圖一；第4圖係為本發明之連續結構影像的量化分析自動追蹤演算法二維影像編碼之示意圖二； 第5圖係為本發明之連續結構影像的量化分析自動追蹤演算法二維影像編碼之示意圖三；第6圖係為本發明之連續結構影像的量化分析自動追蹤演算法步驟示意圖；第7圖係為本發明之連續結構影像的量化分析自動追蹤演算法三維影像編碼之示意圖一；第8圖係為本發明之連續結構影像的量化分析自動追蹤演算法三維影像編碼之示意圖二；第9圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖一；第10圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖二；第11圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖三；第12圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖四；第13圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖五；第14圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖六；第15圖係為本發明標碼追蹤及特性元素之分岔點決定的步驟示意圖七；第16圖係為本發明特性元素之終端決定的步驟示意圖；第17圖係為本發明特性元素之環圈與突觸決定的步驟示意圖； 第18圖係為本發明由特性元素位置的體素編碼進行量化分析的示意圖；第19圖係為果蠅嗅覺局域神經連續結構之二維影像；第20圖係為本發明應用於果蠅嗅覺局域神經元連續結構經由量化分析自動追蹤演算法後只顯示神經纖維之示意圖；第21圖係為本發明應用於果蠅嗅覺局域神經元連續結構經由量化分析自動追蹤演算法後只顯示分岔點之示意圖；第22圖係為本發明應用於果蠅嗅覺局域神經元連續結構經由量化分析自動追蹤演算法後只顯示終端之示意圖；第23圖係為本發明應用於果蠅嗅覺局域神經元連續結構經由量化分析自動追蹤演算法後只顯示環圈之示意圖；以及第24圖係為本發明應用於果蠅嗅覺局域神經元連續結構經由量化分析自動追蹤演算法後結果之示意圖。
如第2圖，為本發明連續結構的量化分析自動追蹤演算法應用於連續結構的二維影像的分析，說明如下列步驟：SS1：擷取一連續結構的二維影像，將該二維影像予以數位化，使該二維影像由二維像素(pixel)所構成；SS2：請參見第3~5圖，第3~5圖為連續結構的二維影像的一部份的編碼之示意圖(為便於說明僅分別顯示二維影像的一部份)；在第3圖，選擇在二維影像任一邊緣之任一像素為起點像素(start point，SP)，給予該起點像素編碼為N1；SS31：在該二維影像背景顏色為高於125灰階亮度值的灰黑色， 為能擷取連續結構的二維影像，設定一強度閥值Y，此強度閥值Y為低於100、高於50的灰階亮度值(50≦Y≦100)，經由此強度閥值Y的二維影像為編碼前二維影像1；以編碼前二維影像1之起點像素N1出發，使用源場編碼原理(source field encoding method)，將該二維影像符合該強度閥值Y之全部像素予以編碼，編碼後形成編碼後二維影像2，其中該源場編碼原理包含下列步驟；對臨接於該起點像素N1之符合該強度閥值Y的所有的像素給予一像素編碼，該像素編碼係以該起點編碼N1增加一個整數，即臨接於該起點像素N1之該像素的像素編碼為N2；在第3、5圖中，臨接於起點像素N1，且符合該強度閥值Y之該像素只有右側的一個像素，給予此像素的像素編碼為N2；第4圖為連續結構的二維影像的一部份的編碼之示意圖，但為說明運用源場編碼原理的編碼步驟，乃以編碼前二維影像1之任一點為起點像素，在第4圖中，係以邊緣的任一點為起點像素SP，給予起點像素編碼為N1；由點像素編碼N1出發，臨接於起點像素N1任一個方向(圖中右側及下側)的像素給予像素編碼為N2；SS32：以像素編碼為N2為下一個起點，對臨接於像素編碼為N2符合該強度閥值的每一個像素，給予像素編碼為N3；如第3、5圖中，臨接於像素N2，且符合該強度閥值Y只有右側的一個像素，給予此像素的像素編碼為N3；或如第4圖，以每一個像素編碼N2出發，以源場編碼的方式(source field encoding methodology)，臨接於二個像素編碼N2任一個方向，共臨接3個 像素，給予像素編碼為N3；SS33：以此類推，重複步驟SS32，直到二維影像之符合該強度閥值的全部像素予以編碼完成，形成編碼後二維影像2；如第5圖中，臨接於像素N10共有二個像素，均給予編碼為N10，分別由二個像素編碼N10出發，對臨接於不同方向的像素給予編碼N11；像素編碼N14與二個像素編碼N15的編碼方式也相同；SS41：如第9~15圖，自起點像素N1之任一方向，以三個或三個以上相連的像素構成追蹤標碼串10(tracing codelet)[Np+t-1,Np+t-2,…,Ng,…,Nt]，其中，該追蹤標碼串10長度為p個像素；追蹤標碼串10起點為像素編碼Np+t-1之像素、追蹤標碼串10的質量中心為像素編碼Ncp之像素、終點為像素編碼Nt之像素；在第9圖中，採用追蹤標碼串10為三個像素所構成(p=3)，追蹤標碼串10在起點像素N1起算，t=1，追蹤標碼串10為[N3,N2,N1]，追蹤標碼串10起點為N3、質量中心為N2、終點為N1；SS42：將該追蹤標碼串10，[Np+t-1,Np+t-2,..,Nt]由追蹤標碼串10起點Np+t-1起，使用源場編碼原理在每一個方向每次追蹤至下一個像素編碼；當由追蹤標碼串10[N3,N2,N1]自像素編碼N3起，追蹤至下一個像素編碼N4；SS43：以下一個像素編碼為追蹤標碼串起點(t=t+1)，以此類推，重複步驟SS42，直到該二維影像之全部像素編碼追蹤完成；當由追蹤標碼串10[N3,N2,N1]自像素編碼N3起，追蹤至像素編碼N4 時，追蹤標碼串10即為[N4,N3,N2]；當追蹤第4次，如第10圖，追蹤標碼串10為[N6,N5,N4]、當追蹤第6次，如第11圖，追蹤標碼串10為[N8,N7,N6]、當追蹤第7次，如第12圖，追蹤標碼串10為[N9,N8,N7]；SS44：決定二維影像中之各特性元素，記錄該連續結構之特性元素位置的像素編碼；追蹤標碼串10[Np+t-1,Np+t-2,..,Nt]的質量中心點設為Ncp；當追蹤時，追蹤標碼串10起點Np+t-1被分成二個或二個以上的像素，此時該特性元素為分岔(branch)，分岔點(branch point)位於體素編碼Ncp處；例如，當追蹤第8次時，如第13圖，追蹤標碼串10為[N10,N9,N8]，此時追蹤標碼串10的起點為N10共分成二個像素、質量中心為N9、終點為N8；此時即可決定二維影像在此處有一分岔點12，分岔點12的位置位於此時的追蹤標碼串10的質量中心點Ncp處(Ncp=N9)；當追蹤第9次時，如第14圖，形成二個追蹤標碼串10[N11,N10,N9]；當追蹤第10次時，如第15圖，二個追蹤標碼串10[N12,N11,N10]分別沿不同分向繼續追蹤。
對於追蹤過程中，可決定出各種的不同特性元素；如：(1)當追蹤標碼串10由體質(soma)16出發，當已無更高像素編碼的像素可繼續追蹤時，此時特性元素為終端(dead end)13，終端13的位置位於此時的追蹤標碼串10的質量中心點Ncp處，稱為終端點(ending point，EP)；如第16圖，當追蹤標碼串10分別到達像素編碼為N18及N20時，已無更高像素編碼的像素可繼續追蹤，此時特性元素為終端13，終端13分別位於像素編碼為N17 (Ncp=N17)及N19(Ncp=N19)之終端點EP；(2)當追蹤標碼串10到達曾經追蹤過的像素編碼時，此時特性元素為環圈(loop)14，環圈14的位置位於此時的追蹤標碼串10的質量中心點Ncp處；如第17圖，當追蹤標碼串10分別到達像素編碼為N27及N32時，已到達曾經追蹤過的像素編碼，此時特性元素為環圈14，環圈14分別位於像素編碼為N26(Ncp=N26)及N31(Ncp=N31)；在第11圖中，二個環圈14分別為等長度環圈(位於N26)與不等長度環圈(位於N31)；(3)當追蹤標碼串10到達一密集的像素編碼區域時，此時特性元素為突觸(synapse)15，突觸15的位置位於此時的追蹤標碼串10的質量中心點Ncp處；如第17圖，當追蹤標碼串10分別到達像素編碼為N38及N38時，已到達密集的像素編碼區域，此時特性元素為突觸15，突觸15分別位於像素編碼為N38(Ncp=N38)及N38(Ncp=N38)；(4)任意二個特性元素間係以纖維(fiber)17相連；如第17圖中，體質16與位於分岔點N9之分岔12之間為纖維17，其像素編碼為N3至N8；或如第17圖中，分岔點N13之分岔12與位於像素編碼為N38之突觸15之間為另一段的纖維17，其像素編碼為N13至N38。
SS5：由特性元素位置的體素編碼進行量化分析，該量化分析可包含下列計算：(1)計算特性元素的數量：經由步驟SS41~SS44追蹤後，可決定出全部的特性元素，經由同類的特性元素即可計算出特性元素的數 量；如第18圖中，可計算出特性元素為終端13者計有4個、特性元素為環圈14者計有2個、特性元素為突觸15者計有2個及特性元素為分岔12者計有4個等；(2)計算特性元素長度：經由步驟SS41~SS44追蹤後，可決定出全部的特性元素之位置，經由兩個特性元素間的位置即可計算出特性元素的長度；特性元素的長度係由以下方程式所計算：Lab=(| Na-Nb |+1)×δ
其中，Lab為特性元素中像素編碼為Na至Nb之間的實際長度(如μm)、δ為像素的實際長度；如第18圖中，此二維影像為放大後1000倍的影像，每個像素大小為0.127mm，位於像素編碼為N13之分岔12到像素編碼為N38之突觸15之間的纖維17之長度，L=(| 13-38 |+1)×(0.127mm/1000)=3.30μm
(3)計算特性元素截面的寬度：經由特性元素截面兩端的像素編碼，即可計算出特性元素截面的寬度；如第18圖中，右上側之突觸15在圖示的截面像素編碼為N40至N43，截面寬度為，R=(| 40-43 |+1)×(0.127mm/1000)=0.508μm
再如第18圖中，上側之環圈14於圖示的直徑的像素編碼為N21至N32，環圈14的直徑為，D=(| 21-32 |+1)×(0.127mm/1000)/π=0.889μm
計算特性元素截面的截面積：經由特性元素的標碼串裡的像素總數，除以標碼串的長度，即可計算出特性元素截面的截面積。
(4)計算特性元素的中心線走向：特性元素中每個像素編碼由最小的編碼連接至最大的編碼，其連接像素編碼就構成了特性元素的中心線走向的像素編碼；(5)計算任二個特性元素在連續結構的距離：由於連續結構的任二個特性元素係直接相連接或經由另一個特性元素相連接；對於直接相連接的二個特性元素，經由兩個特性元素間的位置即可計算出特性元素的距離；對於以另一個特性元素相連接的二個特性元素，經由該特性元素間的中心線走向，以該中心線走向最大的像素編碼與最小的像素編碼，即可計算出二個特性元素在連續結構的距離；(6)計算任二個特性元素的相對位置之角度：當中心線走向已經獲得之後，便可由其求得中心線在任何位置(像素)的切線向量，而任兩個特性元素的相對位置之角度便可由其對應的切線向量之內積所求得。
為進一步減化二維影像的像素編碼，本發明之連續結構的量化分析自動追蹤演算法，其中前述的步驟SS1與SS3，可先以一強度閥值先對該二維影像予以過濾，擷取在強度閥值範圍內的該二維影像的像素，如此可進一步減化該二維影像的編碼程序，說明如下：SS1’：將二維影像予以數位化，設定二維影像之一強度閥值， 將該二維影像以該強度閥值過濾，使過濾後的該二維影像由像素所構成；例如，此強度閥值Y為低於100、高於50的灰階亮度值(50≦Y≦100)；如此，各像素的強度為符合該強度閥值的範圍，已濾除二維影像中不要的像素；SS2’：同第3~5圖，選擇一起點像素SP，給予該起點像素SP一起點編碼N1；SS31’：以源場編碼的方式，對臨接於該起點像素N1的像素給予一像素編碼，該像素編碼係以該起點編碼N1增加一個整數為N2；SS32’：以像素編碼為N2之像素為下一個起點，以源場編碼的方式，臨接於像素編碼N2任一個方向的每一個像素，給予像素編碼為N3；SS33’：以此類推，重複步驟SS32’，直到該二維影像的全部像素予以編碼完成；至於步驟SS4(SS41~SS44)及SS5則與前述相同，在此不再贅述。
對於連續結構的三維影像，參見第6圖，本發明之連續結構影像的量化分析自動追蹤演算法步驟如下：
S1：擷取一連續結構的三維影像，將該三維影像予以數位化，使該三維影像由三維體素(voxel)所構成；
S2：請參見第7、8圖，第7、8圖為連續結構的三維影像的一部份的編碼之示意圖(為便於說明僅分別顯示三維影像的一部份)；在第7圖，選擇在三維影像任一邊緣之任一體素為起點體素(start point，SP)，給予該起點體素編碼為N1；
S31：在該三維影像背景顏色為高於125灰階亮度值的灰黑色，為能擷取連續結構的三維影像，設定一強度閥值Y，經由此強度閥值Y的三維影像為編碼前三維影像3；以編碼前三維影像3之起點體素N1出發，使用源場編碼(source field encoding method)，將該三維影像符合該強度閥值Y之全部體素予以編碼，編碼後形成編碼後三維影像4，其中該源場編碼原理包含下列步驟；對臨接於該起點體素N1之符合該強度閥值Y的所有的體素給予一體素編碼，該體素編碼係以該起點編碼N1增加一個整數，即臨接於該起點體素N1之該體素的體素編碼為N2；在第7圖中，如第7圖之三維影像的第一截面41上，臨接於起點體素N1，且符合該強度閥值Y之該體素有X-Y方向平面的三個體素，給予此體素的體素編碼為N2，符合該強度閥值Y之該體素有Z方向有一個體素，給予此體素的體素編碼為N2；
S32：以體素編碼為N2為下一個起點，以源場編碼的方式(source field encoding methodology)，對X-Y-Z方向臨接於體素編碼為N2符合該強度閥值的每一個體素，給予體素編碼為N3；如第7圖中，臨接於體素N2，且符合該強度閥值Y在X-Y方向有三個體素，給予此些體素的體素編碼為N3，在Z方向也有三個體素，給予此些體素的體素編碼為N3；
S33：以此類推，重複步驟S32，直到三維影像之符合該強度閥值的全部體素予以編碼完成，形成編碼後三維影像4；對於分岔的 三維影像，如第8圖中，在三維影像的第二截面42上，在X-Y方向上臨接於體素N2共有三個體素，均給予編碼為N3；在Z方向的分枝之第三截面43上，臨接於第二截面42體素編碼為N2之體素共有一個體素編碼，給予編碼為N3；在Z方向的分枝之第四截面44上，臨接於第二截面42上體素編碼為N4之體素共有一個體素編碼，給予編碼為N5；以此方法可將第三截面43的每個體素予以編碼及將該分枝的每個體素予以編碼、可將第四截面44的每個體素予以編碼及將該分枝的每個體素予以編碼完成；
S41：自起點體素N1之X-Y方向及Z方向，以三個或三個以上相連的體素構成追蹤標碼串10[Np+t-1,Np+t-2,…,Ng,…,Nt]，其中，該追蹤標碼串10長度為p個體素；追蹤標碼串10起點為體素編碼Np+t-1之體素、追蹤標碼串10的質量中心為體素編碼Ncp之體素、終點為體素編碼Nt之體素；
S42：將該追蹤標碼串10，[Np+t-1,Np+t-2,..,Nt]由追蹤標碼串10起點Np+t-1起，使用源場編碼原理在每一個方向每次追蹤至下一個體素編碼；
S43：以下一個體素編碼為追蹤標碼串起點(t=t+1)，以此類推，重複步驟S42，直到該三維影像之全部體素編碼追蹤完成；
S44：決定三維影像中之各特性元素，記錄該連續結構之特性元素位置的體素編碼；追蹤標碼串10[Np+t-1,Np+t-2,..,Nt]的質量中心點設為Ncp；當追蹤時，追蹤標碼串10起點Np+t-1被分成二個或二個以上的體素，此時該特性元素為分岔(branch)，分岔 點(branch point)位於體素編碼Ncp處；對於追蹤過程中，可決定出各種的不同特性元素，其方法與前述之二維影相同，在此不再贅述。
S5：由特性元素位置的體素編碼進行量化分析，該量化分析可包含下列計算：計算特性元素的數量、計算特性元素長度、計算特性元素截面的寬度、計算特性元素表面積、計算特性元素的截面積、計算特性元素體積、計算特性元素的中心線走向、計算任二個特性元素在連續結構的距離、計算任二個特性元素的相對的位置之角度，其計算方法與二維影像的量化方法類似，在此不再贅述。
為進一步減化三維影像的體素編碼，本發明之連續結構的量化分析自動追蹤演算法，其中前述的步驟S1與S3，可先以一強度閥值先對該三維影像予以過濾，擷取在強度閥值範圍內的該三維影像的體素，如此可進一步減化該三維影像的編碼程序。
S1’：將三維影像予以數位化，設定三維影像之一強度閥值，將該三維影像以該強度閥值過濾，使過濾後的該三維影像由體素所構成；如此，各體素的強度為符合該強度閥值的範圍，已濾除三維影像中不要的體素；S2’：同第7、8圖，選擇一起點體素SP，給予該起點體素SP一起點編碼N1；S31’：以源場編碼的方式，對臨接於該起點體素N1的體素給予一體素編碼，該體素編碼係以該起點編碼N1增加一個整數為N2； S32’：以體素編碼為N2之像素為下一個起點，以源場編碼的方式，臨接於體素編碼N2任一個方向的每一個體素，給予體素編碼為N3；S33’：以此類推，重複步驟S32’，直到該三維影像的全部體素予以編碼完成；至於步驟S4(S41~S44)及S5則與前述相同，在此不再贅述。
第19~24圖為本發明之連續結構影像的量化分析自動追蹤演算法應用於果蠅嗅覺局域神經元(antennal lobe local neurons in Drosophila)連續結構三維影像的實例。對於微小的組織樣本，可由三維同調共焦顯微儀(3D confocal microscope)、三維同調斷層式共焦顯微儀(3D OCT confocal imaging apparatus)、3D X-光顯微儀(3D X-ray microscope)或3D穿隧電子顯微鏡(3D tunneling microscopy)等所獲得，不為所限。在本實例中，第24圖係由三維同調共焦顯微儀對果蠅嗅覺局域神經元所取得的三維影像。
在第24圖中，果蠅嗅覺局域神經元為一連續結構，三維影像3係由許多個體質16、突觸15、環圈14、纖維17以及分岔12等的影像等；當使用灰階為90以下為強度閥值，經像素編碼及以三個體素編碼之追蹤編碼串10進行自動化追蹤後，如第18圖所顯示；由追蹤編碼串10追蹤後，可決定出各特性元素，可決定出特性元素為纖維17(如第20圖)、可決定出特性元素為分岔12(如第21圖，分岔12的位置以圓點表示)、可決定出特性元素為終端13(如第22圖，終端13的位置以圓點表示)、可決定出特性元素為環圈14(如第 23圖，環圈14的位置以圓點表示)等。可量化分析出特性元素的數量、長度、截面的寬度、表面積、截面積、體積、中心線走向、任二個特性元素的距離、任二個特性元素相對位置的角度等。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
S1~S5‧‧‧演算法步驟(steps)
S31~S33‧‧‧演算法步驟(steps)
S41~S44‧‧‧演算法步驟(steps)

Claims (14)

  1. 一種連續結構影像的量化分析自動追蹤演算法，係用於連續結構之三維影像的分析，該連續結構至少由一個特性元素所組成，包含下列步驟：S1：擷取該連續結構的一三維影像，將該三維影像予以數位化，使該三維影像由體素所構成；S2：選擇一起點體素，給予該起點體素一起點編碼N1；其中，該起點體素係選自該三維影像任一體素；S3：設定該三維影像之一強度閥值，該三維影像之該強度閥值係依下列之一或其組合為設定：三維影像的品質、雜訊狀況、選定的顏色或選定灰階；以該起點體素出發，將該三維影像符合該強度閥值之全部體素予以編碼，包含下列S31~S33步驟；S31：對臨接於該起點體素N1之符合該強度閥值的所有的體素給予一體素編碼，該體素編碼係以該起點編碼N1增加一個整數為N2；S32：以體素編碼為N2之體素為下一個起點，對臨接於體素編碼為N2的體素且符合該強度閥值的每一個體素，給予體素編碼為N3；以及S33：以此類推，重複步驟S32，直到該三維影像之符合該強度閥值的全部體素予以編碼完成；以及S4：使用標碼追蹤，以決定該三維影像之特性元素，其中，該標碼追蹤包含S41~S44下列步驟； S41：設定一追蹤標碼串，該追蹤標碼串係以三個或三個以上相連的體素構成；S42：自起點體素N1之每一個方向，使用該追蹤標碼串，以源場編碼追蹤至下一個體素編碼；S43：以下一個體素編碼為該追蹤標碼串起點，以此類推，重複步驟S42，直到該三維影像之全部體素編碼追蹤完成；以及S44：決定連續結構三維影像中之各特性元素，記錄該連續結構之特性元素位置的體素編碼。
  2. 如申請專利範圍第1項所述之連續結構影像的量化分析自動追蹤演算法，進一步包含下列步驟：S5：由特性元素位置的體素編碼進行量化分析，該量化分析包含下列計算之一或其組合：計算特性元素的數量、計算特性元素長度、計算特性元素截面的寬度、計算特性元素表面積、計算特性元素截面積、計算特性元素體積、計算特性元素的中心線走向、計算任二個特性元素在連續結構的距離、計算任二個特性元素的相對的位置之角度。
  3. 如申請專利範圍第1項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟S2中，該起點體素係選自該三維影像任一邊緣之任一體素或任一特性元素之任一中心區域之任一體素，兩者之一。
  4. 一種連續結構影像的量化分析自動追蹤演算法，係用於連續結構之三維影像的分析，該連續結構至少由一個特性元素所組成，包含下列步驟：S1’：擷取該連續結構的一三維影像，將該三維影像予以數位化 ，設定該三維影像之一強度閥值，將該三維影像以該強度閥值過濾，使過濾後的該三維影像由體素所構成，該三維影像之該強度閥值係依下列之一或其組合為設定：三維影像的品質、雜訊狀況、選定的顏色或選定灰階；S2’：選擇一起點體素，給予該起點體素一起點編碼N1；其中，該起點體素係選自該三維影像任一體素；S3’：將該三維影像之全部體素予以編碼，包含下列S31’~S33’步驟；S31’：對臨接於該起點體素N1的所有的體素給予一體素編碼，該體素編碼係以該起點編碼N1增加一個整數為N2；S32’：以體素編碼為N2之體素為下一個起點，對臨接於體素編碼為N2的體素的每一個體素，給予體素編碼為N3；以及S33’：以此類推，重複步驟S32，直到該三維影像的全部體素予以編碼完成；以及S4：使用標碼追蹤，以決定該三維影像之特性元素，其中，該標碼追蹤包含下列S41~S44步驟；S41：設定一追蹤標碼串，該追蹤標碼串係以三個或三個以上相連的體素構成；S42：自起點體素N1之每一個方向，使用該追蹤標碼串，以源場編碼原理追蹤至下一個體素編碼；S43：以下一個體素編碼為該追蹤標碼串起點，以此類推，重複步驟S42，直到該三維影像之全部體素編碼追蹤完成；以及S44：決定連續結構三維影像中之各特性元素，記錄該連續結構之特性元素位置的體素編碼。
  5. 如申請專利範圍第4項所述之連續結構影像的量化分析自動追蹤演算法，進一步包含下列步驟：S5：由特性元素位置的體素編碼進行量化分析，該量化分析包含下列計算之一或其組合：計算特性元素的數量、計算特性元素長度、計算特性元素截面的寬度、計算特性元素表面積、計算特性元素之截面積、計算特性元素體積、計算特性元素的中心線走向、計算任二個特性元素在連續結構的距離、計算任二個特性元素的相對的位置之角度。
  6. 如申請專利範圍第4項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟S2’中，該起點體素係選自該三維影像任一邊緣之任一體素或任一特性元素之任一中心區域之任一體素，兩者之一。
  7. 一種連續結構影像的量化分析自動追蹤演算法，係用於連續結構之二維影像的分析，該連續結構至少由一個特性元素所組成，包含下列步驟：SS1：擷取該連續結構的一二維影像，將該二維影像予以數位化，使該二維影像由像素所構成；SS2：選擇一起點像素，給予該起點像素一起點編碼N1；其中，該起點像素係選自該二維影像任一像素；SS3：設定該二維影像之一強度閥值；以該起點像素出發，將該二維影像符合該強度閥值之全部像素予以編碼，包含下列SS31~SS33步驟；SS31：對臨接於該起點像素N1之符合該強度閥值的所有的像素給予一像素編碼，該像素編碼係以該起點編碼N1增加一個整數為N2 ；SS32：以像素編碼為N2之像素為下一個起點，對臨接於像素編碼為N2的像素且符合該強度閥值的每一個像素，給予像素編碼為N3；SS33：以此類推，重複步驟SS32，直到該二維影像之符合該強度閥值的全部像素予以編碼完成；以及SS4：使用標碼追蹤，以決定該二維影像之特性元素，其中，該標碼追蹤包含下列SS41~SS44步驟；SS41：設定一追蹤標碼串，該追蹤標碼串係以三個或三個以上相連的像素構成；SS42：自起點像素之每一個方向，使用該追蹤標碼串，以源場編碼追蹤至下一個像素編碼；SS43：以下一個像素編碼為該追蹤標碼串起點，以此類推，重複步驟SS42，直到該二維影像之全部像素編碼追蹤完成；以及SS44：決定連續結構二維影像中之各特性元素，記錄該連續結構之特性元素位置的像素編碼。
  8. 如申請專利範圍第7項所述之連續結構影像的量化分析自動追蹤演算法，進一步包含下列步驟：SS5：由特性元素位置的像素編碼進行量化分析，該量化分析包含下列計算之一或其組合：計算特性元素的數量、計算特性元素長度、計算特性元素截面的寬度、計算特性元素的表面積、計算特行元素的截面積、計算特性元素的體積、計算特性元素的中心線走向、計算任二個特性元素在連續結構的距離、計算任二個特性元素的相對的位置之角度。
  9. 如申請專利範圍第7項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟SS2中，該起點像素係選自該二維影像任一邊緣之任一像素或任一特性元素之任一中心區域之任一像素，兩者之一。
  10. 如申請專利範圍第7項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟SS3中，該二維影像之該強度閥值係依下列之一或其組合為設定：二維影像的品質、雜訊狀況、選定的顏色或選定灰階。
  11. 一種連續結構影像的量化分析自動追蹤演算法，係用於連續結構之二維影像的分析，該連續結構至少由一個特性元素所組成，包含下列步驟：SS1’：擷取該連續結構的二維影像，將該二維影像予以數位化，設定該二維影像之一強度閥值，將該二維影像以該強度閥值過濾，使過濾後的該二維影像由像素所構成；SS2’：選擇一起點像素，給予該起點像素一起點編碼N1；其中，該起點像素係選自該二維影像任一像素；SS3’：將該二維影像之全部像素予以編碼，包含下列SS31’~SS33’步驟；SS31’：對臨接於該起點像素N1的像素給予一像素編碼，該像素編碼係以該起點編碼N1增加一個整數為N2；SS32’：以像素編碼為N2之像素為下一個起點，對臨接於像素編碼為N2的像素的每一個像素，給予像素編碼為N3；以及SS33’：以此類推，重複步驟SS32，直到該二維影像的全部像素予以編碼完成；以及 SS4：使用標碼追蹤，以決定該二維影像之特性元素，其中，該標碼追蹤包含下列SS41~SS44步驟；SS41：設定一追蹤標碼串，該追蹤標碼串係以三個或三個以上相連的像素構成；SS42：自起點像素之每一個方向，使用該追蹤標碼串，以源場編碼追蹤至下一個像素編碼；SS43：以下一個像素編碼為該追蹤標碼串起點，以此類推，重複步驟SS42，直到該二維影像之全部像素編碼追蹤完成；以及SS44：決定連續結構二維影像中之各特性元素，記錄該連續結構之特性元素位置的像素編碼。
  12. 如申請專利範圍第11項所述之連續結構影像的量化分析自動追蹤演算法，進一步包含下列步驟：SS5：由特性元素位置的像素編碼進行量化分析，該量化分析包含下列計算之一或其組合：計算特性元素的數量、計算特性元素長度、計算特性元素截面的寬度、計算特性元素的表面積、計算特性元素的截面積、計算特性元素的體積、計算特性元素的中心線走向、計算任二個特性元素在連續結構的距離、計算任二個特性元素的相對的位置之角度。
  13. 如申請專利範圍第11項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟SS2’中，該起點像素係選自該二維影像任一邊緣之任一像素或任一特性元素之任一中心區域之任一像素，兩者之一。
  14. 如申請專利範圍第11項所述之連續結構影像的量化分析自動追蹤演算法，其中步驟SS1’中，該二維影像之該強度閥值係依下列 之一或其組合為設定：二維影像的品質、雜訊狀況、選定的顏色或選定灰階。
TW099144337A 2009-12-25 2010-12-16 連續結構影像的量化分析自動追蹤演算法 TWI415029B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US29017609P 2009-12-25 2009-12-25

Publications (2)

Publication Number Publication Date
TW201137789A TW201137789A (en) 2011-11-01
TWI415029B true TWI415029B (zh) 2013-11-11

Family

ID=44186946

Family Applications (1)

Application Number Title Priority Date Filing Date
TW099144337A TWI415029B (zh) 2009-12-25 2010-12-16 連續結構影像的量化分析自動追蹤演算法

Country Status (2)

Country Link
US (1) US8913061B2 (zh)
TW (1) TWI415029B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI584225B (zh) * 2016-01-05 2017-05-21 財團法人工業技術研究院 皮膚組織估測方法及應用其之系統
US10127661B2 (en) 2016-01-05 2018-11-13 Industrial Technology Research Institute Method for evaluating skin tissue and system using the same
TWI704577B (zh) * 2019-05-10 2020-09-11 長庚醫學科技股份有限公司 循血綠螢光影像分析方法及裝置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013534841A (ja) * 2010-06-13 2013-09-09 アンジオメトリックス コーポレーション バルーン寸法を生体内で測定するための診断キットおよび方法
KR101401969B1 (ko) * 2013-02-20 2014-06-30 한양대학교 산학협력단 Ｍｒｉ 시스템을 이용하여 대상체 내의 신경 섬유에 관한 섬유 구조 정보를 획득하기 위한 방법 및 장치
RU2622375C2 (ru) * 2013-03-13 2017-06-14 Медела Холдинг Аг Система и способ управления запасами грудного молока
TWI626621B (zh) * 2016-07-12 2018-06-11 國立清華大學 以高動態範圍臨界值切割單一神經元影像的方法及其電腦可讀儲存媒體
CN109448004B (zh) * 2018-10-26 2021-04-02 强联智创（北京）科技有限公司 一种基于中心线的颅内血管图像的截取方法及系统
EP3864383A4 (en) * 2019-07-10 2021-12-22 Vibrant Corporation DIGITAL TWIN MODEL INVERSION FOR TEST
WO2023027901A1 (en) * 2021-08-27 2023-03-02 Domtar Paper Company, Llc System and method for quantifying a degree of fibrillation of fibers within pulp using image processing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5872861A (en) * 1993-07-22 1999-02-16 U.S. Philips Corporation Digital image processing method for automatic detection of stenoses
TW514513B (en) * 1996-02-06 2002-12-21 Deus Technologies Inc Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network
US20060056694A1 (en) * 2004-09-09 2006-03-16 Daniel Rinck Method for segmenting anatomical structures from 3D image data by using topological information
US7072515B2 (en) * 2001-01-26 2006-07-04 Rensselaer Polytechnic Institute Method and apparatus for automatically tracing line-structure images
US7480400B2 (en) * 2006-03-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Detection of fiber pathways

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1780651A1 (en) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Method and system for automatic processing and evaluation of images, particularly diagnostic images
US8041141B2 (en) * 2006-06-30 2011-10-18 The University Of Louisville Research Foundation, Inc. Method and software for shape representation with curve skeletons
US7953262B2 (en) * 2007-02-05 2011-05-31 General Electric Company Vascular image extraction and labeling system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5872861A (en) * 1993-07-22 1999-02-16 U.S. Philips Corporation Digital image processing method for automatic detection of stenoses
TW514513B (en) * 1996-02-06 2002-12-21 Deus Technologies Inc Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network
US7072515B2 (en) * 2001-01-26 2006-07-04 Rensselaer Polytechnic Institute Method and apparatus for automatically tracing line-structure images
US20060056694A1 (en) * 2004-09-09 2006-03-16 Daniel Rinck Method for segmenting anatomical structures from 3D image data by using topological information
US7480400B2 (en) * 2006-03-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Detection of fiber pathways

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI584225B (zh) * 2016-01-05 2017-05-21 財團法人工業技術研究院 皮膚組織估測方法及應用其之系統
US10127661B2 (en) 2016-01-05 2018-11-13 Industrial Technology Research Institute Method for evaluating skin tissue and system using the same
TWI704577B (zh) * 2019-05-10 2020-09-11 長庚醫學科技股份有限公司 循血綠螢光影像分析方法及裝置

Also Published As

Publication number Publication date
US20110157177A1 (en) 2011-06-30
US8913061B2 (en) 2014-12-16
TW201137789A (en) 2011-11-01

Similar Documents

Publication Publication Date Title
TWI415029B (zh) 連續結構影像的量化分析自動追蹤演算法
Rudyanto et al. Comparing algorithms for automated vessel segmentation in computed tomography scans of the lung: the VESSEL12 study
Wearne et al. New techniques for imaging, digitization and analysis of three-dimensional neural morphology on multiple scales
Yang et al. Blockwise human brain network visual comparison using nodetrix representation
CN106815481A (zh) 一种基于影像组学的生存期预测方法及装置
Vasilkoski et al. Detection of the optimal neuron traces in confocal microscopy images
CN113160138B (zh) 一种脑部核磁共振图像分割方法及系统
Viji et al. Modified texture based region growing segmentation of MR brain images
Yang et al. An overview of ICA/BSS-based application to Alzheimer’s brain signal processing
Legarreta et al. Generative sampling in bundle tractography using autoencoders (GESTA)
Lioi et al. Simultaneous MRI-EEG during a motor imagery neurofeedback task: an open access brain imaging dataset for multi-modal data integration
Zhang et al. A Review of deep learning methods for denoising of medical low-dose CT images
Ngo et al. Joint-embeddings reveal functional differences in default-mode network architecture between marmosets and humans
Tang et al. High angular diffusion tensor imaging estimation from minimal evenly distributed diffusion gradient directions
Mihelic et al. Segmentation-less, automated vascular vectorization robustly extracts neurovascular network statistics from in vivo two-photon images
Garehdaghi et al. Positron emission tomography image enhancement using magnetic resonance images and U-net structure
Hou et al. Reconstruction of perceived face images from brain activities based on multi-attribute constraints
Luo et al. 3D reconstruction of elastin fibres in coronary adventitia
Bindellini et al. Discovering fiber type architecture over the entire muscle using data‐driven analysis
Legarreta et al. Tractography filtering using autoencoders.
Stępień et al. No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures
Cheng et al. Self-supervised learning for modal transfer of brain imaging
DE102006043348A1 (de) System und Verfahren zum Gruppieren von Atemwegen und Arterien zur quantitativen Analyse
Praschl et al. U-Net based vessel segmentation for murine brains with small micro-magnetic resonance imaging reference datasets
Mostapha et al. Braided Networks for Scan-Aware MRI Brain Tissue Segmentation

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees