TWI477798B - 自動化分析大腦纖維資訊的方法 - Google Patents

自動化分析大腦纖維資訊的方法 Download PDF

Info

Publication number
TWI477798B
TWI477798B TW102112718A TW102112718A TWI477798B TW I477798 B TWI477798 B TW I477798B TW 102112718 A TW102112718 A TW 102112718A TW 102112718 A TW102112718 A TW 102112718A TW I477798 B TWI477798 B TW I477798B
Authority
TW
Taiwan
Prior art keywords
information
brain
fiber
target
fiber bundles
Prior art date
Application number
TW102112718A
Other languages
English (en)
Other versions
TW201439571A (zh
Inventor
Wen Yih Tseng
Yu Jen Chen
Yu Chun Lo
Yung Chin Hsu
Original Assignee
Univ Nat Taiwan
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 Univ Nat Taiwan filed Critical Univ Nat Taiwan
Priority to TW102112718A priority Critical patent/TWI477798B/zh
Priority to US13/971,473 priority patent/US20140309517A1/en
Publication of TW201439571A publication Critical patent/TW201439571A/zh
Application granted granted Critical
Publication of TWI477798B publication Critical patent/TWI477798B/zh

Links

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
    • G01R33/5608—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
    • G01R33/563—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

Landscapes

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

Description

自動化分析大腦纖維資訊的方法
本發明係關於一種分析方法，特別是關於自動化分析大腦纖維資訊的方法。
磁振造影(Magnetic Resonance Imaging,MRI)技術目前已廣泛應用於臨床診斷與學術研究上，其中擴散磁振造影技術(diffusion MRI,dMRI)已發展成為探討大腦白質神經束的主要方法，dMRI係藉由量測水分子的布朗運動(Brownian motion)所產生的位移來探索組織中的微細構造，其可以反應出神經纖維的細微結構，包括神經纖維的大小以及方向。
在生物組織中，水分子的擴散運動路徑會受到周圍其他物質及環境的影響而產生阻礙，導致水分子在生物組織內的流動性往往是呈現非等向性(anisotropy)的，意即流動方向的速度不一。例如神經細胞纖維(白質)具有強烈的非等向性，這使得水分子擴散會有特定走向；神經元(灰質)則非等向性擴散較弱，因此無法單以一個擴散係數來表示其擴散特性。利用這樣的特性，目前有幾種dMRI的技術來量測組織中神經纖維的方向，藉 由量測多張使用不同擴散梯度方向的dMRI。
擴散張量影像(Diffusion Tensor Imaging,DTI)可以用來描述水分子擴散的方向，透過演算法運算可以衍生出一些代表非等向性的指標，如部分非等向性指標(Fractional Anisotropy,FA)，主要是評估擴散張量中非等向性的大小，其定義為擴散非等向性部份佔整個擴散張量的比例，值愈大代表其擴散的非等向性愈強，表示越具方向性。而擴散頻譜影像(Diffusion Spectrum Imaging,DSI)則使用不同擴散梯度方向與強度的組合，進而量測水分子的擴散機率分布，DSI技術是一種包含六個維度資訊的取樣技術，可以計算出三維影像空間中的水分子在三維Q空間的擴散機率。因此透過DSI技術對大腦進行取樣，可以計算出神經纖維在三維空間中更完整的方向性，能夠有效地找出正確的神經束路徑。
此外，在習知技術中，假設水分子主要擴散方向與神經束走向一致的前提下，要擷取個體上大腦纖維的資訊前，必須先決定個體之DTI或DSI所欲分析之纖維束，並設定參數以決定興趣區域(Region of Interest,ROI)，此興趣區域之決定需利用專家手動圈選，興趣區域確認後，在一平台上進行大腦纖維束重建參數之設定，重建出若干纖維束後，還需透過足夠經驗的專家對該些纖維束中的每一條纖維進行修剪和篩選，挑選出合理的纖維來進行後續處理，此步驟相當耗時，且可能還會遇到許多重建錯誤，甚至也可能會有重建不出合理的纖維束的問題。
本案為提供一大腦影像處理技術，為方便診療人員對於判讀 腦部疾病與確認相關組織位置，用以解決現有磁振造影於影像解讀時，人工直接選取的困難度與所消耗的時間成本，進一步更能準確發現早期腦部病變的可能性。
本案所提供的第一實施例自動化分析大腦纖維資訊的方法包含下列步驟：
步驟1. 提供一大腦參考模板，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊；在一較佳實施例中，該大腦參考模板係利用高度形變微分同胚度量映射法(Large Deformation Diffeomorphic Metric Mapping,LDDMM)對複數個正常人的大腦影像進行分析及對位而產生的，且該些正常人的大腦影像為擴散頻譜影像(DSI)。
該大腦參考模板係透過纖維束重建法或藉由一特定模板轉換而得到複數條參考纖維束，其中特定模板具有複數條大腦纖維束；一實施例中，該些參考纖維束為大腦白質纖維束(atlas)，但本案不以此為限。
該些參考纖維束係經過對位處理後，而使該每一條參考纖維束皆具有至少一座標資訊。
步驟2. 提供一目標影像，該目標影像具有複數條目標纖維束，且該些目標纖維束皆具有至少一目標資訊。一實施例中，該些目標纖維束亦為白質纖維束，但本案不以此為限。
另外，神經纖維在三維空間中是具有方向性的，若以方向分佈函數來表示的話，一實施例中，每一目標纖維束所具有的目標資訊為綜合非等向性指標(Generalized Fractional Anisotropy,GFA)，本案不以此為限。
步驟3a. 將該目標影像對應該大腦參考模板進行一形變轉換，得到一形變轉換後之目標影像；在一實施例中，該目標影像係利用LDDMM運算對應該大腦參考模板進行形變轉換。
步驟4a. 將該形變轉換後之目標影像對應該大腦參考模板，進而使該些目標資訊分別對應該些座標資訊，而得到該些目標資訊的一分析結果。
本案所提供的第二實施例自動化分析大腦纖維資訊的方法包含下列步驟：
步驟1. 提供一大腦參考模板，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊；其細節與第一實施例相同，於此不再贅述。
步驟2. 提供一目標影像，該目標影像具有複數條目標纖維束，且該每一目標纖維束皆具有至少一目標資訊；其細節與第一實施例相同，於此不再贅述。
步驟3b. 將該目標影像對應該大腦參考模板進行一形變轉換，其細節與第一實施例相同，唯一不同的部分是，該目標影像對應該大腦參考模板進行形變轉換完後將產生一轉換矩陣(transformation matrix)。
步驟4b. 將該些參考纖維束利用該轉換矩陣進行反轉換，以分別得到複數條反轉換後之參考纖維束，其中，該些反轉換後之參考纖維束皆具有至少一第二座標資訊，該些目標資訊分別對應該些第二座標資訊，而得到該些目標資訊的一分析結果。
本案所提供自動化分析大腦纖維資訊的方法，透過先建立一 大腦參考模板，而能夠取得所有目標影像的重要資訊，且將其目標資訊的分析結果自動化分析出來，有效地改善習知技術需透過足夠經驗的專家對每一條纖維進行修剪和篩選的耗時問題，也不會有重建錯誤或重建不出合理的纖維束的問題。
本案的目標資訊若為大腦白質纖維束，其所分析出來的GFA資訊除了能表示大腦纖維束從頭到尾的完整性，再加上座標位置的資訊，便能呈現大腦灰白質之間的連結關係，更能真實呈現大腦中複雜的神經結構，進而能提供臨床疾病之比對及神經科學研究使用。
關於本發明之優點與精神，以及更詳細的實施方式可以藉由以下的實施方式以及所附圖式得到進一步的瞭解。
10‧‧‧複數個正常人的大腦影像
11‧‧‧大腦參考模板
12‧‧‧參考纖維束
13‧‧‧反轉換後之參考纖維束
20‧‧‧目標影像
21‧‧‧形變轉換後之目標影像
22‧‧‧分析結果
第一圖：本案自動化分析大腦纖維資訊的方法之第一實施例步驟圖；第二圖：本案步驟1的示意圖；第三圖：本案第一實施例之步驟3a以及步驟4a的示意圖；第四圖：本案自動化分析大腦纖維資訊的方法之第二實施例步驟圖；以及第五圖：本案第二實施例之步驟3b以及步驟4b的示意圖。
請參考第一圖，其係本案自動化分析大腦纖維資訊的方法之 第一實施例步驟圖，本案所提供的第一實施例自動化分析大腦纖維資訊的方法包含下列所敘之步驟：步驟1. 提供一大腦參考模板11，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊；在一較佳實施例中，請參考第二圖，其係本案步驟1的示意圖，該大腦參考模板11係利用高度形變微分同胚度量映射法(Large Deformation Diffeomorphic Metric Mapping,LDDMM)對複數個正常人的大腦影像10進行分析及對位而產生的，且該些正常人的大腦影像為一擴散頻譜影像(Diffusion Spectrum Imaging,DSI)。除了使用DSI技術，也可以使用擴散張量影像(Diffusion Tensor Imaging,DTI)技術，本案不以此為限。
LDDMM係將兩個影像間的對位過程模擬成液體的流動，並定義兩影像間的差異函數，而推導出兩影像間的最短路徑，因此可將高度變異的非線性解剖影像置於同一座標空間進行線性分析。
LDDMM係一種對於資料結構發展相對應的對位方法，影像在對位過程中將產生變形，但變形後的資料結構會保持不變，舉例來說，一張大腦的影像變形後，影像中原本的大腦纖維資訊仍會存在。
也因為LDDMM具有此特點，因此在一較佳實施例中，本案係採用LDDMM來進行製作該大腦參考模板11，但並不以此為限。從醫學上來看，不同正常個體的同源結構雖大小不同，但形狀係類似的，且具有同樣的資料結構，透過LDDMM將影像進行對位，可以使影像變形後仍保持內部的連線性，且結構之間的鄰接關係不變，很適合進行後續的分析處理。
在另一實施例中，本案的大腦參考模板11也可以透過該些正 常人的大腦影像灰質訊號進行形變轉換對位，或白質訊號進行形變轉換對位而產生，但本案不以此為限。
此外，本案的大腦參考模板11係透過對複數個正常人的大腦影像10進行分析及對位而產生的，若之後有收集到其他正常人的大腦影像，也能夠同步更新此大腦模板11，本案不以此為限。
本案的大腦參考模板11係透過纖維束重建或藉由一特定模板轉換，以得到複數條參考纖維束12，其中該特定模板具有複數條大腦纖維束；一實施例中，該些參考纖維束12為大腦白質纖維束(atlas)，但本案不以此為限。一實施例中，請參考第二圖，該大腦參考模板11係利用纖維束成像法(tractography)進行纖維束重建，本案不以此為限。
本案的參考纖維束12係經過對位處理，而使該些參考纖維束12具有至少一座標資訊；該大腦參考模板11上的訊號可以藉由複數個正常人的大腦影像10累積而強化訊號強度，因此每一條參考纖維束12皆可以清楚呈現，且可以對應其所在位置而分別被賦予座標資訊，一條參考纖維束12可以同時具有複數個座標資訊，本案不以此為限。
神經纖維是分布在三維空間中的，因此座標資訊可以以三維座標資訊為表示，如座標資訊(X1 ,Y1 ,Z1 )，本案不以此為限。
步驟2. 提供一目標影像20，該目標影像20具有複數條目標纖維束，且該些目標纖維束皆具有至少一目標資訊；因為單一張影像能夠表現的訊號較弱，因此其資訊結構也無法清楚呈現，也就是說，此時的目標纖維束訊號較弱，因此目標影像並無法清楚呈現出每一條完整的目標纖維束。一實施例中，該些目標纖維束亦為白質纖維束(atlas)，但本案不以此 為限。
且因為神經纖維在三維空間中是具有方向性的，若以方向分佈函數來表示的話，在本案一較佳實施例中，每一目標纖維束所具有的目標資訊為綜合非等向性指標(Generalized Fractional Anisotropy,GFA)，GFA也可以用來說明非等向性的大小，值愈大代表其擴散的非等向性愈強，表示纖維束越具方向性。若以特徵向量來表示的話，本案所指的目標資訊也可以為部分非等向性指標(Fractional Anisotropy,FA)，本案不以此為限。
步驟3a. 將該目標影像20對應該大腦參考模板11進行一形變轉換，得到一形變轉換後之目標影像21；在一較佳實施例中，請參考第三圖，其係本案第一實施例之步驟3a以及步驟4a的示意圖，該目標影像20係利用LDDMM運算對應該大腦參考模板11進行形變轉換，也就是說，目標影像20形變轉換後，只有輪廓及其結構對應該大腦參考模板11，其內部的結構資訊都還是保留，纖維束間的鄰接關係仍然都存在。
在另一實施例中，該目標影像係利用該目標影像的灰質訊號對應該大腦參考模板11的灰質訊號進行形變轉換，或利用該目標影像的白質訊號對應該大腦參考模板11的白質訊號進行形變轉換，但本案不以此為限。
步驟4a. 將該形變轉換後之目標影像21對應該大腦參考模板11，進而使該些目標資訊分別對應該些座標資訊，而得到該些目標資訊的一分析結果22。
如上所述，請參考第三圖，目標影像20因為無法清楚呈現出每一條完整的目標纖維束，而在經過形變轉換後，該形變轉換後之目標影 像21輪廓已經能夠對應該大腦參考模板11，且該大腦參考模板11上的每一條參考纖維束12除了可以清楚呈現也具有對應的座標資訊，因此目標影像可以藉由對應該些座標資訊，而得到每一目標資訊的分析結果。
在一實施例中，該形變轉換後之目標影像21可以透過將該些目標纖維束分別對應該些參考纖維束12而對應該大腦參考模板11，本案不以此為限。
在一實施例中，分析結果可以為每一目標資訊之GFA結合其對應的座標資訊，也可以是FA結合其對應的座標資訊，本案不以此為限。
在一實施例中，本案可以將該些分析結果22經由分析運算，以提供訊息做後續的判斷，例如將分析結果22分析運算以產生一聯結體(connectome)資訊，該聯結體資訊是大腦神經元對應組合的訊息，若當已經存在的突觸或連接出現強度變化，其傳輸資訊的能力則會發生改變，此訊息就可以提供醫師對病患進行進一步的檢查。
請參考第四圖，其係本案自動化分析大腦纖維資訊的方法之第二實施例步驟圖，本案所提供的第二實施例自動化分析大腦纖維資訊的方法包含下列步驟：
步驟1. 提供一大腦參考模板11，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊；其細節與第一實施例相同，於此不再贅述。
步驟2. 提供一目標影像20，該目標影像20具有複數條目標纖維束，且該些目標纖維束皆具有至少一目標資訊；其細節與第一實施例相同，於此不再贅述。
步驟3b. 將該目標影像20對應該大腦參考模板11進行一形變轉換，其細節與第一實施例相同，唯一不同的部分是，請參考第五圖，其係本案第二實施例之步驟3b以及步驟4b的示意圖，該目標影像20對應該大腦參考模板11進行該形變轉換完後將產生一轉換矩陣(transformation matrix)。
步驟4b. 將該些參考纖維束12利用該轉換矩陣進行反轉換，以分別得到複數條反轉換後之參考纖維束13，其中，該些反轉換後之參考纖維束13皆具有至少一第二座標資訊，該些目標資訊分別對應該些第二座標資訊，而得到該些目標資訊的一分析結果22。
第二實施例與第一實施例不同的是：第一實施例係將該些目標資訊分別對應該些座標資訊，而得到每一目標資訊的分析結果22。第二實施例係將參考纖維束12原本有的座標資訊對應步驟3b中的轉換矩陣進行反轉換，而產生新的座標資訊，使該些目標資訊分別對應新的座標資訊，而得到每一目標資訊的分析結果22。
在一實施例中，該些反轉後之參考纖維束13係分別對應該些目標纖維束，進而使該些目標資訊分別對應該些第二座標資訊，但本案不以此為限。
在一實施例中，分析結果22可以為每一目標資訊之GFA結合其對應的座標資訊，也可以是FA結合其對應的座標資訊，本案不以此為限。
在一實施例中，本案可以將該些分析結22果經由分析運算，以提供訊息做後續的判斷，例如將分析結果22分析運算以產生一聯結體資訊，該聯結體資訊是大腦神經元對應組合的訊息，若當已經存在的突觸或 連接出現強度變化，其傳輸資訊的能力則會發生改變，此訊息就可以提供醫師對病患進行進一步的檢查。
透過本案所提供自動化分析大腦纖維資訊的方法，透過先建立一大腦參考模板11，而能夠取得所有目標影像的重要資訊，且將其目標資訊的分析結果22自動化分析出來，有效地改善習知技術需透過足夠經驗的專家對每一條纖維進行修剪和篩選的耗時問題，也不會有重建錯誤或重建不出合理的纖維束的問題。
本案的目標資訊若為大腦白質纖維束，其所分析出來的GFA資訊除了能表示大腦纖維束從頭到尾的完整性，再加上三維座標位置的資訊，便能呈現大腦灰白質之間的連結關係，更能真實呈現大腦中複雜的神經結構，進而能提供臨床疾病之比對及神經科學研究使用。
本發明雖以較佳實例闡明如上，然其並非用以限定本發明精神與發明實體僅止於上述實施例爾。對熟悉此項技術者，當可輕易了解並利用其它元件或方式來產生相同的功效。是以，在不脫離本發明之精神與範圍內所作之修改，均應包含在下述之申請專利範圍內。
步驟1-步驟4a

Claims (16)

  1. 一種自動化分析大腦纖維資訊的方法，包含下列所敘之步驟：步驟1.提供一高度形變微分同胚度量映射法(Large Deformation Diffeomorphic Metric Mapping,LDDMM)運算對複數個正常人的大腦影像進行分析及對位所產生之一大腦參考模板，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊，其中該大腦參考模板係利用一纖維束成像法(tractography)進行纖維束重建或藉由一特定模板轉換，其中該特定模板具有複數條大腦纖維束，以得到該些參考纖維束；步驟2.提供一目標影像，該目標影像具有複數條目標纖維束，且該些目標纖維束皆具有至少一目標資訊；步驟3.將該目標影像利用該LDDMM運算對應該大腦參考模板進行一形變轉換，得到一形變轉換後之目標影像；以及步驟4.將該形變轉換後之目標影像對應該大腦參考模板，進而使該些目標資訊分別對應該些座標資訊，而得到該些目標資訊的一分析結果。
  2. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，其中該些正常人的大腦影像為一擴散頻譜影像(Diffusion Spectrum Imaging,DSI)或一擴散張量影像(Diffusion Tensor Imaging,DTI)。
  3. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，其中該些參考纖維束係經過對位處理後，而使該些參考纖維束具有該至少一座標資訊。
  4. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，其中該些目標資訊為一綜合非等向性指標(Generalized Fractional Anisotropy,GFA)資訊或一部分非等向性指標(FractionalAnisotropy,FA)。
  5. 如申請專利範圍第4項所述之自動化分析大腦纖維資訊的方法，其中該分析結果為該些目標資訊之GFA結合其對應的該些座標資訊。
  6. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，其中該形變轉換係利用該目標影像的灰質訊號對應該大腦參考模板的灰質訊號，或利用該目標影像的白質訊號對應該大腦參考模板的白質訊號。
  7. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，其中該形變轉換之該目標影像對應該大腦參考模板，係透過將該些目標纖維束分別對應該些參考纖維束。
  8. 如申請專利範圍第1項所述之自動化分析大腦纖維資訊的方法，進一步包含將該分析結果經由分析運算，產生一聯結體(connectome)資訊。
  9. 一種自動化分析大腦纖維資訊的方法，包含下列所敘之步驟：步驟1.提供一高度形變微分同胚度量映射法(Large Deformation Diffeomorphic Metric Mapping,LDDMM)運算對複數個正常人的大腦影像進行分析及對位所產生之一大腦參考模板，該大腦參考模板具有複數條參考纖維束，且該些參考纖維束具有至少一座標資訊，其中該大腦參考模板係利用一纖維束成像法(tractography)進行纖維束重建或藉由一特定模板轉換，其中該特定模板具有複數條大腦纖維束，以得到該些參考纖維束；步驟2.提供一目標影像，該目標影像具有複數條目標纖維束，且該些目標纖維束皆具有至少一目標資訊；步驟3.將該目標影像利用該LDDMM運算對應該大腦參考模板進行一形變轉換，得到一形變轉換之轉換矩陣(transformation matrix)；以及步驟4.將該些參考纖維束利用該轉換矩陣進行反轉換，以分別得到複數條反轉換後之參考纖維束，其中，該些反轉換後之參考纖維束皆具有至 少一第二座標資訊，該些目標資訊分別對應該些第二座標資訊，而得到該些目標資訊的一分析結果。
  10. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，其中該些正常人的大腦影像為一擴散頻譜影像(Diffusion Spectrum Imaging,DSI)或一擴散張量影像(Diffusion Tensor Imaging,DTI)。
  11. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，其中該些參考纖維束係經過對位處理後，而使該些參考纖維束具有該至少一座標資訊。
  12. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，其中該些目標資訊為一綜合非等向性指標(Generalized Fractional Anisotropy,GFA)資訊或一部分非等向性指標(FractionalAnisotropy,FA)。
  13. 如申請專利範圍第12項所述之自動化分析大腦纖維資訊的方法，其中該分析結果為該些目標資訊之GFA結合其對應的該些座標資訊。
  14. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，其中該形變轉換係利用該目標影像的灰質訊號對應該大腦參考模板的灰質訊號，或利用該目標影像的白質訊號對應該大腦參考模板的白質訊號。
  15. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，其中係將該些反轉換後之參考纖維束分別對應該些目標纖維束，進而使該些目標資訊分別對應該些第二座標資訊。
  16. 如申請專利範圍第9項所述之自動化分析大腦纖維資訊的方法，進一步包含將該分析結果經由分析運算，以產生一聯結體(connectome)資訊。
TW102112718A 2013-04-10 2013-04-10 自動化分析大腦纖維資訊的方法 TWI477798B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102112718A TWI477798B (zh) 2013-04-10 2013-04-10 自動化分析大腦纖維資訊的方法
US13/971,473 US20140309517A1 (en) 2013-04-10 2013-08-20 Method of Automatically Analyzing Brain Fiber Tracts Information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102112718A TWI477798B (zh) 2013-04-10 2013-04-10 自動化分析大腦纖維資訊的方法

Publications (2)

Publication Number Publication Date
TW201439571A TW201439571A (zh) 2014-10-16
TWI477798B true TWI477798B (zh) 2015-03-21

Family

ID=51687254

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102112718A TWI477798B (zh) 2013-04-10 2013-04-10 自動化分析大腦纖維資訊的方法

Country Status (2)

Country Link
US (1) US20140309517A1 (zh)
TW (1) TWI477798B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101845222B1 (ko) * 2011-11-09 2018-04-05 삼성전자주식회사 고차 확산자기공명 영상의 인공물 저감 장치 및 방법
TWI509534B (zh) * 2014-05-12 2015-11-21 Univ Nat Taiwan 自動化計算大腦纖維連結強度的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7742878B2 (en) * 2005-06-30 2010-06-22 National Tsing Hua University Bio-expression system and the method of the same
TW201042574A (en) * 2009-05-19 2010-12-01 Nat Univ Tsing Hua Image preprocessing system for 3D image database construction
US20110103672A1 (en) * 2008-07-07 2011-05-05 The John Hopkins University Advanced cost functions for image registration for automated image analysis: multi-channel, hypertemplate and atlas with built-in variability
TW201137809A (en) * 2010-04-22 2011-11-01 Ching-Po Lin Method and system for multi-dimensional stereo visualization of physiological image
TW201142758A (en) * 2010-05-27 2011-12-01 Nat Univ Tsing Hua Method of three-dimensional image data processing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7742878B2 (en) * 2005-06-30 2010-06-22 National Tsing Hua University Bio-expression system and the method of the same
US20110103672A1 (en) * 2008-07-07 2011-05-05 The John Hopkins University Advanced cost functions for image registration for automated image analysis: multi-channel, hypertemplate and atlas with built-in variability
TW201042574A (en) * 2009-05-19 2010-12-01 Nat Univ Tsing Hua Image preprocessing system for 3D image database construction
TW201137809A (en) * 2010-04-22 2011-11-01 Ching-Po Lin Method and system for multi-dimensional stereo visualization of physiological image
TW201142758A (en) * 2010-05-27 2011-12-01 Nat Univ Tsing Hua Method of three-dimensional image data processing

Also Published As

Publication number Publication date
TW201439571A (zh) 2014-10-16
US20140309517A1 (en) 2014-10-16

Similar Documents

Publication Publication Date Title
Schilling et al. Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions
Dewey et al. Reliability and validity of MRI-based automated volumetry software relative to auto-assisted manual measurement of subcortical structures in HIV-infected patients from a multisite study
Dauguet et al. Comparison of fiber tracts derived from in-vivo DTI tractography with 3D histological neural tract tracer reconstruction on a macaque brain
CN110490851B (zh) 基于人工智能的乳腺图像分割方法、装置及系统
US10881321B2 (en) Automatic tract extraction via atlas based adaptive connectivity-based clustering
Nath et al. Deep learning reveals untapped information for local white-matter fiber reconstruction in diffusion-weighted MRI
Jannin et al. Validation in medical image processing.
US9402562B2 (en) Systems and methods for improved tractographic processing
CN104523275A (zh) 一种健康人群白质纤维束图谱构建方法
CN103142229A (zh) 扩散峭度张量成像的高阶张量特征参数提取方法
CN108324244A (zh) 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统
Attye et al. TractLearn: A geodesic learning framework for quantitative analysis of brain bundles
Govyadinov et al. Robust tracing and visualization of heterogeneous microvascular networks
Yang et al. Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial
Aja-Fernández et al. Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies
Wang et al. A fast 3D brain extraction and visualization framework using active contour and modern OpenGL pipelines
TWI477798B (zh) 自動化分析大腦纖維資訊的方法
Ge et al. Resting state fMRI-guided fiber clustering: methods and applications
Li et al. Diffusion tensor-based fast marching for modeling human brain connectivity network
Nbonsou Tegang et al. A gaussian process model based generative framework for data augmentation of multi-modal 3d image volumes
Dzyubachyk et al. Comparative exploration of whole-body MR through locally rigid transforms
CN114494132A (zh) 基于深度学习和纤维束空间统计分析的疾病分类系统
CN110599560B (zh) 磁共振成像方法、装置、存储介质及计算机设备
Wang et al. Semi-automatic segmentation of the fetal brain from magnetic resonance imaging
Menzel et al. Using light and X-ray scattering to untangle complex neuronal orientations and validate diffusion MRI