TWI509534B - 自動化計算大腦纖維連結強度的方法 - Google Patents

自動化計算大腦纖維連結強度的方法 Download PDF

Info

Publication number
TWI509534B
TWI509534B TW103116654A TW103116654A TWI509534B TW I509534 B TWI509534 B TW I509534B TW 103116654 A TW103116654 A TW 103116654A TW 103116654 A TW103116654 A TW 103116654A TW I509534 B TWI509534 B TW I509534B
Authority
TW
Taiwan
Prior art keywords
brain
interest
target
strength
fiber
Prior art date
Application number
TW103116654A
Other languages
English (en)
Other versions
TW201543380A (zh
Inventor
Wen Yih Tseng
Sung Chieh Liu
Yu Jen Chen
Yao Chia Shih
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 TW103116654A priority Critical patent/TWI509534B/zh
Priority to US14/506,365 priority patent/US20150324994A1/en
Publication of TW201543380A publication Critical patent/TW201543380A/zh
Application granted granted Critical
Publication of TWI509534B publication Critical patent/TWI509534B/zh

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Description

自動化計算大腦纖維連結強度的方法
本發明係關於一種分析方法，特別是關於自動化計算大腦纖維連結強度的方法。
在昔知技術中，擴散磁振造影(diffusion Magnetic Resonance Imaging)技術建構大腦纖維連結含含了四個步驟，1)擴散磁振造影資料的擷取，係利用三個特斯拉(3T)磁振造影系統取得；2)白質纖維圖(white matter tractography)的重建，為一種基於擴散映圖(diffusion map)的後處理方法，係以建構具有最大擴散連貫的三維(3-dimensional)隨機曲線；3)由白質與灰質邊界進行興趣區域(Region of Interest)的分割，係依據經驗法則定義出不同數量的興趣區域：4)連結網路(connectivity network)的建構，係依據白質纖維圖與興趣區域建構出興趣區域之間的直接連結強度。
然則，其結果產生了相當多數量的神經纖維(neuron fiber)、節點(node)和邊緣(edge)，不僅增加了電腦計算所需之時間和空間的複雜度，且昔知技術只有考慮興趣區域(ROI)的直接連結強度，而忽略了興趣區域(ROI)的間接連結強度，故此隨機性計算大腦纖維連結強度的方法並不符合解剖學(anatomy)中對已知神經纖維的認識，而作為一臨床佐證的使用。
有鑑於此，發明人本於多年從事相關領域開發與設計經驗，針對上述昔知技術所產生之問題，提供了一種非隨機性自動化計算大腦纖維連結強度的方法，係由相關數值驗證，得到一確具實用性之本發明。
本案所提供的自動化計算大腦纖維連結強度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。
步驟2.提供一目標影像，該目標影像具有一影像資訊。
步驟3.將該影像資訊對應該大腦參考模板進行對位，同時將該些參考纖維束形變且映射至該目標影像，以使該目標影像具有複數條目標纖維束。
步驟4.定義複數個興趣區域，分析並統計該些目標纖維束於該些興趣區域連結之數量以及長度，並計算每一興趣區域連結所具有之一平均目標資訊。
步驟5.分別將該些興趣區域連結之數量除以長度再乘以該平均目標資訊，以產生複數個興趣區域連結之強度值。
步驟6.將該些目標纖維束連結強度值繪製為一矩陣圖像。
本案所提供自動化計算大腦纖維連結強度的方法可以將目標影像的各個興趣區域依照不同腦區進行排列，不同的目標纖維束連結強度值以不同的色階表示，而建立出全腦的神經纖維連結矩陣圖像，由該全腦的神經纖維連結矩陣圖像可以清楚看出各個興趣點之間的連結強度，不 論是直接連接或間接連結，都可以一目了然，除了可以真實呈現大腦中複雜的神經結構，對於臨床疾病之比對及神經科學研究亦具有相當大的幫助。
緣是，本發明係針對以上問題加以研究，經長時間之設計與開發，進而完成本案「自動化計算大腦纖維連結強度的方法」，用以解決昔知技術未能達成之標的。
10‧‧‧大腦影像
11‧‧‧大腦參考模板
12‧‧‧參考纖維束
20‧‧‧目標影像
21‧‧‧目標纖維束
第一圖，本案自動化計算大腦纖維連結強度的方法之步驟圖；第二圖：本案步驟1的示意圖；第三圖：本案步驟3的示意圖；第四圖：本案目標影像對應大腦模板經過對位後目標纖維束之示意圖；第五A圖：本案透過各個目標纖維束連結強度值所繪製出的直接連接關係之矩陣圖像；第五B圖：本案透過各個目標纖維束連結強度值所繪製出的直接連接加上一階間接連接關係之矩陣圖像；第五C圖：本案透過各個目標纖維束連結強度值所繪製出的直接連接加上一階與二階間接連接關係之矩陣圖像；第六A圖：全腦各個興趣區域的直接連接加上一階與二階間接連接關係之矩陣圖像；第六B圖：全腦各個興趣區域所對應之不同腦區進行排列的直接連接加上一階與二階間接連接關係之矩陣圖像；以及第七圖：皮爾森相關係數盒子圖。
為讓 鈞局貴審查委員及習於此技術人士，對本發明之功效完全了解，茲配合圖示及圖號，就本發明較佳之實施例說明如下：本發明提供一種自動化計算大腦纖維連結強度的方法，主要針對目標影像取得之訊號進行數值分析，甫以大腦參考模板11進行神經纖維連結的估算，則可藉由比較患者與正常人之間神經纖維連結矩陣的不同，評估病變的可能(如：阿茲海默症)或比較腦部手術前與術後的狀況，評估患者的恢復狀況。
請參考第一圖，其係本案自動化計算大腦纖維連結強度的方法之步驟圖，本案所提供的自動化計算大腦纖維連結強度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11具有複數條參考纖維束12。
一實施例中，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10可為擴散頻譜影像(Diffusion Spectrum Imaging,DSI)也可以為擴散張量影像(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。
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。
接著，對該大腦參考模板11進行纖維束重建，以得到複數條參考纖維束12；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。
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。
步驟2.提供一目標影像20，該目標影像20具有一影像資訊。一實施例中，該影像資訊係可為該目標影像20各個訊號點(pixel)所包含之座標資訊以及數值資訊，本案不以此為限。
步驟3.將該目標影像20對應該大腦參考模板11進行對位，同時將該些參考纖維束12形變且映射至該目標影像20，以使該目標影像20可以具有清楚的目標纖維束21。
在一實施例中，請參考第三圖，其係本案步驟3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進行對位，參考纖維束12轉換可利用此對位結果轉換至目標影像20上，而在目標影像20上形 成目標纖維束21。
如上所述，由於目標影像20因為訊號較弱而無法計算出每一條完整的目標纖維束21的資訊，透過對應該大腦參考模板11映射其參考纖維束12所得到的目標纖維束21可以對應其所在位置而分別被賦予相關之資訊數值，，本案不以此為限。
步驟4.定義複數個興趣區域，分析並統計該些目標纖維束21於該些興趣區域連結之數量以及長度，並計算每一興趣區域連結所具有之一平均目標資訊。
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，在本案一實施例中，每一目標纖維束21所具有的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，該資訊也可以為部分非等向性指標(FA)，本案不以此為限。
呈上，目標纖維束於一興趣區域之連結具有複數個目標纖維束21的資訊，本案將該些資訊加總起來再進行平均，以使該興趣區域連結具有一平均目標資訊，平均綜合非等向性指標(mean Generalized Fractional Anisotropy,mGFA)。
步驟5.分別將該些興趣區域連結之數量除以長度再乘以該平均目標資訊，以產生複數個興趣區域連結之強度值。
在一實施例中，該些興趣區域連結為該些目標纖維束21於任意二個興趣區域之間的直接連結，係以單一目標纖維束21進行兩個興趣區域的連結。
又一實施例中，該些興趣區域連結為該些目標纖維束21之組合於任意二個興趣區域之間的直接與多階間接連結，係以單一目標纖維束21以及多個目標纖維束21之組合(如：一階間接連結、二階間接連結等，本案不以此為限)，進行兩個興趣區域的連結。
步驟6.將該些興趣區域連結之強度值繪製為一矩陣圖像或一腦部連結關係圖，本案不以此為限。
在一實施例中，本案可以將該些興趣區域連結之強度值經由分析運算，以提供訊息做後續的判斷，例如將分析結果分析運算以產生一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。
一實施例中，請參考第四圖，其係本案目標影像20對應大腦模板11經過對位後目標纖維束21之示意圖，由圖上可以先假設目標影像20具有複數個興趣區域A、B、C、D、E，若想要知道興趣區域A和B之間的連結之強度值，則可以透過將A和B之間興趣區域連結之目標纖維束21的數量(AB) 除以長度(AB) 再乘以該平均目標資訊mGFA(AB) ，以產生A和B之間的興趣區域連結之強度值SC(AB) 。
重複上述步驟，還可以找出興趣區域連結之強度值SC(AC) 、SC(BD) 、SC(DE) 、SC(CD) ，這部分是屬於該些目標纖維束於任意二個興趣區域之間的直接連結關係，請參考第五A圖，其係本案透過各個目標纖維束21連結強度值所繪製出的直接連接關係之矩陣圖像，本案不以此為限。
重複上述步驟，更可以找出興趣區域連結之強度值SC(ACD) 、SC(ABD) 、SC(CDE) 、SC(CDB) 、SC(BDE) 、SC(BAC) ，這部分是屬於該些目標纖維束21之組合於任意二個興趣區域之間的一階間接連結關係，請參考第五 B圖，其係本案透過各個目標纖維束21連結強度值所繪製出的直接連接加上一階間接連接關係之矩陣圖像，本案不以此為限。
重複上述步驟，更可以找出興趣區域連結之強度值SC(ABDE) 、SC(ABDC) 、SC(CABD) 、SC(ABDE) 、SC(ACDE) ，這部分是屬於該些目標纖維束21之組合於任意二個興趣區域之間的二階間接連結關係，請參考第五C圖，其係本案透過各個目標纖維束21連結強度值所繪製出的直接連接加上一階與二階間接連接關係之矩陣圖像，本案不以此為限。
一實施例中，係討論兩個興趣區域的一階間接連結，若想要知道興趣區域A和D之間的該些目標纖維束21之組合的連結強度值，則將多個目標纖維束21之組合的連結視為電導串並聯，可以透過數學式：1/SC(A CD) =1/SC(AC) +1/SC(CD) ，1/SC(A BD) =1/SC(AB) +1/SC(BD) 以及SC(AD) =SC(A CD)) +SC(A BD) ，計算求得SC(AD) ，係本案不以此為限。
此外，請參考第六A圖，其係全腦各個興趣區域的直接連接加上一階與二階間接連接關係之矩陣圖像，本案所提供之自動化計算大腦纖維連結強度的方法可以將目標影像20的各個興趣區域依照不同腦區(A、B、C、D...)進行排列，不同的腦區相關性之連結強度值以不同的色階表示，而建立出全腦的神經纖維連結強度值之矩陣圖像。
請參考第六B圖，其係全腦各個興趣區域所對應之不同腦區進行排列的直接連接加上一階與二階間接連接關係之矩陣圖像，由該全腦的神經纖維連結矩陣圖像可以清楚看出各個興趣點之間直接連接與一階、二階間接連結的連結強度組合，除了可以真實呈現大腦中複雜的神經結構，亦可配合解剖學(anatomy)的已知神經纖維知識作為臨床佐證，對於臨床疾病之比對及神經科學研究亦具有相當大的幫助。
請參考第七圖，藉由連結強度的計算結果與20個實驗對象 間的皮爾森相關係數(Pearson correlation coefficient)盒子圖(box plot)的可靠度(reliability)驗證，可得知，本發明相較於昔知技術的計算，同時考慮了興趣區域的直接連結強度和間接連結強度有著一較佳可靠度的表現。
上述實施例僅為說明本發明之原理及其功效，並非限制本發明。因此習於此技術之人士對上述實施例進行修改及變化仍不脫本發明之精神。發明人將於2014年5月13日的相關會議(International Society for Magnetic Resonance in Medicine，ISMRM)中發表，提供相關性的技術報告。
本發明之權利範圍應如後述之申請專利範圍所列。

Claims (9)

  1. 一種自動化計算大腦纖維連結強度的方法，包含：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；步驟2.提供一目標影像，該目標影像具有一影像資訊；步驟3.將該影像資訊對應該大腦參考模板進行對位，同時將該些參考纖維束形變且映射至該目標影像，以使該目標影像具有複數條目標纖維束；步驟4.定義複數個興趣區域，分析並統計該些目標纖維束於該些興趣區域連結之數量以及長度，並計算每一興趣區域連結所具有之一平均目標資訊；以及步驟5.分別將該些興趣區域連結之數量除以長度再乘以該平均目標資訊，以產生複數個興趣區域連結之強度值。
  2. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其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。
  3. 如申請專利範圍第2項所述之自動化計算大腦纖維連結強度的方法，其中該些正常人的大腦影像為擴散頻譜影像(Diffusion Spectrum Imaging,DSI)或擴散張量影像(Diffusion Tensor Imaging,DTI)。
  4. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其中步驟1中，該大腦參考模板係利用纖維束成像法(tractography)進行纖維束重建，以得到該些參考纖維束。
  5. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其中該些平均目標資訊為平均綜合非等向性指標(mean Generalized Fractional Anisotropy,mGFA)資訊或平均部分非等向性指標(mean Fractional Anisotropy,mFA)。
  6. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其中步驟3中，該目標影像係利用高度形變微分同胚度量映射法運算對應該大腦參考模板進行對位。
  7. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其中該些興趣區域連結為該些目標纖維束於任意二個興趣區域之間的直接連結。
  8. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法，其中該些興趣區域連結為該些目標纖維束之組合於任意二個興趣區域之間的直接與多階間接連結。
  9. 如申請專利範圍第1項所述之自動化計算大腦纖維連結強度的方法更包含步驟6，將該些興趣區域連結之強度值繪製為一矩陣圖像。
TW103116654A 2014-05-12 2014-05-12 自動化計算大腦纖維連結強度的方法 TWI509534B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW103116654A TWI509534B (zh) 2014-05-12 2014-05-12 自動化計算大腦纖維連結強度的方法
US14/506,365 US20150324994A1 (en) 2014-05-12 2014-10-03 Method of Automatically Calculating Linking Strength of Brain Fiber Tracts

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW103116654A TWI509534B (zh) 2014-05-12 2014-05-12 自動化計算大腦纖維連結強度的方法

Publications (2)

Publication Number Publication Date
TW201543380A TW201543380A (zh) 2015-11-16
TWI509534B true TWI509534B (zh) 2015-11-21

Family

ID=54368292

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103116654A TWI509534B (zh) 2014-05-12 2014-05-12 自動化計算大腦纖維連結強度的方法

Country Status (2)

Country Link
US (1) US20150324994A1 (zh)
TW (1) TWI509534B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6707330B2 (ja) * 2015-09-10 2020-06-10 キヤノンメディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置
EP3512415A4 (en) 2016-09-13 2020-08-19 Ohio State Innovation Foundation NEURAL ARCHITECTURE MODELING SYSTEMS AND METHODS
AU2020259995A1 (en) * 2019-04-17 2021-12-23 Douglas J. Cook Methods and apparatus for detecting injury using multiple types of magnetic resonance imaging data
CN111242169B (zh) * 2019-12-31 2024-03-26 浙江工业大学 一种基于图片相似度计算的脑纤维视角自动选择方法
CN114627283B (zh) * 2022-03-16 2023-04-28 西安市儿童医院 基于聚类去噪的感兴趣脑区纤维束提取系统及方法
CN115359305B (zh) * 2022-10-19 2023-01-10 之江实验室 一种大脑纤维束异常区域精准定位系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872385A (zh) * 2010-04-30 2010-10-27 天津大学 基于拓扑保持的快速行进纤维跟踪方法
CN102609946A (zh) * 2012-02-08 2012-07-25 中国科学院自动化研究所 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法
TW201249991A (en) * 2010-09-30 2012-12-16 Nitto Denko Corp Modulation of TIMP1 and TIMP2 expression
TW201340935A (zh) * 2012-04-03 2013-10-16 Univ Nat Taiwan 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480400B2 (en) * 2006-03-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Detection of fiber pathways
WO2009097612A1 (en) * 2008-01-31 2009-08-06 The Johns Hopkins University Automated image analysis for magnetic resonance imaging
US9720062B2 (en) * 2010-03-03 2017-08-01 Brain Research Institute Foundation Pty Ltd. Image processing system
WO2011163391A2 (en) * 2010-06-22 2011-12-29 The Johns Hopkins University Atlas-based analysis for image-based anatomic and functional data of organism
US9921283B2 (en) * 2011-01-28 2018-03-20 The Board Of Trustees Of The Leland Stanford Junior University Methods for detecting abnormalities and degenerative processes in soft tissue using magnetic resonance imaging
WO2012125829A2 (en) * 2011-03-15 2012-09-20 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Directional diffusion fiber tracking
US9404986B2 (en) * 2011-05-06 2016-08-02 The Regents Of The University Of California Measuring biological tissue parameters using diffusion magnetic resonance imaging
TWI478103B (zh) * 2012-08-10 2015-03-21 Univ Nat Taiwan 使用高度形變微分同胚度量映射法的擴散頻譜造影轉換方法
FR2996746B1 (fr) * 2012-10-17 2015-11-13 Assist Publ Hopitaux De Paris Procede de quantification des lesions cerebrales
US10504222B2 (en) * 2013-04-05 2019-12-10 New York University System, method and computer-accessible medium for obtaining and/or determining mesoscopic structure and orientation with fiber tracking
TWI477798B (zh) * 2013-04-10 2015-03-21 Univ Nat Taiwan 自動化分析大腦纖維資訊的方法
WO2015109331A1 (en) * 2014-01-17 2015-07-23 The Johns Hopkins University Automated anatomical labeling by multi-contrast diffeomorphic probability fusion
WO2016014949A1 (en) * 2014-07-24 2016-01-28 Blake Robert C System and method for cardiac ablation
JP6448356B2 (ja) * 2014-12-22 2019-01-09 キヤノン株式会社 画像処理装置、画像処理方法、画像処理システム、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872385A (zh) * 2010-04-30 2010-10-27 天津大学 基于拓扑保持的快速行进纤维跟踪方法
TW201249991A (en) * 2010-09-30 2012-12-16 Nitto Denko Corp Modulation of TIMP1 and TIMP2 expression
CN102609946A (zh) * 2012-02-08 2012-07-25 中国科学院自动化研究所 一种基于黎曼流形的脑白质纤维束跟踪的组间处理方法
TW201340935A (zh) * 2012-04-03 2013-10-16 Univ Nat Taiwan 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法

Also Published As

Publication number Publication date
US20150324994A1 (en) 2015-11-12
TW201543380A (zh) 2015-11-16

Similar Documents

Publication Publication Date Title
TWI509534B (zh) 自動化計算大腦纖維連結強度的方法
Tian et al. Characterizing the functional connectivity diversity of the insula cortex: Subregions, diversity curves and behavior
Jie et al. Hyper-connectivity of functional networks for brain disease diagnosis
Tang et al. The diffeomorphometry of regional shape change rates and its relevance to cognitive deterioration in mild cognitive impairment and A lzheimer's disease
Shattuck et al. Construction of a 3D probabilistic atlas of human cortical structures
Maier-Hein et al. Tractography-based connectomes are dominated by false-positive connections
Tucholka et al. An empirical comparison of surface-based and volume-based group studies in neuroimaging
TWI474804B (zh) 針對擴散磁振造影資料以體積像素為基礎的轉換方法及利用該方法的群體檢定方法
US20210097381A1 (en) Model training method and apparatus
Ying et al. Hierarchical unbiased graph shrinkage (HUGS): a novel groupwise registration for large data set
Wu et al. Registration of longitudinal brain image sequences with implicit template and spatial–temporal heuristics
Jia et al. Intermediate templates guided groupwise registration of diffusion tensor images
Gerig et al. Longitudinal modeling of appearance and shape and its potential for clinical use
Klemm et al. Visualization and analysis of lumbar spine canal variability in cohort study data.
Chung et al. Scalable brain network construction on white matter fibers
Fonov et al. DARQ: Deep learning of quality control for stereotaxic registration of human brain MRI to the T1w MNI-ICBM 152 template
Maillard et al. A deep residual learning implementation of metamorphosis
Dattola et al. Testing graph robustness indexes for EEG analysis in Alzheimer’s disease diagnosis
Leng et al. Multimodal cross enhanced fusion network for diagnosis of Alzheimer’s disease and subjective memory complaints
CN115409843B (zh) 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
Astola et al. A Riemannian scalar measure for diffusion tensor images
Rekik et al. Multidirectional and topography-based dynamic-scale varifold representations with application to matching developing cortical surfaces
TWI477798B (zh) 自動化分析大腦纖維資訊的方法
Rutherford et al. Observing the origins of human brain development: automated processing of fetal fMRI
Rekik et al. Estimation of shape and growth brain network atlases for connectomic brain mapping in developing infants

Legal Events

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