CN103514607A - 动态对比度增强核磁共振图像检测方法 - Google Patents
动态对比度增强核磁共振图像检测方法 Download PDFInfo
- Publication number
- CN103514607A CN103514607A CN201310493679.8A CN201310493679A CN103514607A CN 103514607 A CN103514607 A CN 103514607A CN 201310493679 A CN201310493679 A CN 201310493679A CN 103514607 A CN103514607 A CN 103514607A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- magnetic resonance
- resonance image
- dynamic contrast
- 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.)
- Pending
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了动态对比度增强核磁共振图像检测方法,将基于残差复杂度相似性度量的非刚性配准应用于核磁共振图像的检测中。本发明方法包括以下步骤:图像的预处理、采用B样条函数法进行图像插值、计算相似测度、设置阈值循环迭代、求差值图像作为较为精确的图像区域显示图。本发明以动态对比度磁共振图像为研究对象,和传统的基于像素点的强度值相似的非刚性配准方法相比,在相同的实验条件下,图像的配准结果更加准确。
Description
技术领域
本发明涉及图像信息处理技术领域,尤其涉及一种动态对比度增强核磁共振图像检测方法。
背景技术
图像配准是医学图像分析中的一种重要技术,它是获取医学图像中的更加准确信息的重要途径,在临床诊断和治疗有着重要意义。图像配准的目标是确定一个或多个待配准图像的相应位置到一幅参考图像中的对应位置的空间变换或映射,使得待配准图像和参考图像上的对应点达到空间上的一致。根据图像的成像模式,放射医学图像可以大体分为两大类:第一类是解剖结构图像(如电子计算机X射线断层扫描技术(CT)、核磁共振成像(MRI)等),第二类是功能图像(如单光子发射计算机断层成像术(SPECT),正电子发射断层成像术(PET)等)。一般而言,解剖图像因为分辨率高进而能够提供器官的解剖形态信息,然而器官的功能情况却无法反应;功能图像的缺点就是分辨率较差,但是它能够提供的器官功能信息,这些功能信息是医生对疾病进行早期诊断的依据。由于不同模态图像分别能够体现器官不同的信息,通过图像配准可以将多种模态的图像信息融合成一幅新的图像,从而为医生提供更丰富的信息,使得各种影像设备在信息表达上的优势得到互补。对于同一模态成像方式,同一个器官在不同的时刻、不同的视角的图像以及采用不同的传感器所采集拥有共同场景的图像,通过图像配准可以把多幅待配准图像配准到同一个坐标系下,从而便于医生直接比较,组合及分析感兴趣的区域。
核磁共振是一种非侵入性医疗检测仪器,它根据核磁共振成像原理,通过外加梯度磁场检测所发射出的电磁波,绘制成人体内的解剖组织和邻近器官的详细结构图像。核磁共振成像通过构建体现三维体内的解剖组织高分辨率、高对比度,多角度,多平面二维切片图像能更客观更具体地显示人体内的解剖组织及相邻关系,对病灶能更好地进行定位定性。对全身各***疾病的诊断,尤其是早期肿瘤的诊断有很大的价值。与X放射图像相比,核磁共振图像可以构建人体更为精细内部结构,大大提高了医生的诊断和治疗的效率,可以避免一些不必要的剖胸或剖腹探查诊断的手术。
动态对比度增强核磁共振成像(DCE-MRI)技术广泛地应用于肿瘤灌注和毛细血管渗漏检查,该技术已经成为有价值的临床研究的生物标志物。对患者静脉注射合适的造影剂如Gd-DTPA后,在不同的时间点对体内重复成像,通过分析器官病灶像素级的灰度变化评估器官的功能变化。比如乳腺癌属血管依赖性疾病,Gd-DTPA注入后病灶的灰度强度明显增强,但是非病灶区域却无变化,通过分析同一个场景不同时间点的DCE-MRI图像便于医生分析病灶。
到目前为止,人们已经提出了基于空间变换和基于物理模型两个大类的方法。前者采用的图像的空间变换拟合图像的形变,后者通基于图像间的差异由物理变形引起这一假设,从而建立能够拟合这种形变的物理模型。
第一类基于空间变换的方法:
第一种方法是多项式函数法,该法能够模拟全局形变,不能调整局部形变,高多项式次数可能导致赝像。
第二种方法是样条法,该法基于可以在参考图像和待配准图像当中确定一组对应点即控制点,在变换中将待配准图像中的控制点映射到参考图像中的对应点。薄板样条是目前使用较多的一种样条配准法但其缺点是因为控制点对变换具有全局影响,导致难以模拟局部形变。B样条法函数由于其仅影响周围四个控制点,能够模拟自由形变,可以用来控制局部形变。
第三种是基函数法,使用一组基函数的线性组合来描述形变场,常用的有傅里叶基函数和小波基函数的线性组合。
第二类是物理模型法:
一种是弹性模型,原理是将源图像到目标图像的形变过程建模为一个类似于拉伸橡皮这样的弹性材料的物理过程。该过程由两种力即外力和内力来控制,外力是外界作用于弹性体的力,内力是抵消使弹性体从平衡形状变形的力,当内力和外力达到平衡时变形过程结束。在弹性模型中,因为压力导致变形能量随变形强度按比例增加,不能模拟高度的局部变形,但适用于组织变形较小的情形。
第二种是粘性流体模型,原理是将源图像建模为粘性流体,该流体在内力作用下拟合目标图像。内力在图像随时间变形的过程中得到释放,完全释放后流体停止流动。粘性流体模型能够模拟高度局部化的变形,也能够模拟大变形,原则上可以实现任何复杂的变形。第三种是光流场模型。光流的概念最早出现在计算机视觉中,是为了补偿时序图像的两幅连续帧之间物体和视点的相对运动。目前最著名的是Demons算法,它把图像配准问题看作物理学中的扩散问题,把固定图像中对象的边界看作半可渗透的薄膜,把浮动图像看作可形变的网格。网格在位于薄膜中的受动器作用下进行扩散。算法判断出浮动图像上各个像素点的运动方法,通过对各个像素点的移动来实现医学图像的非刚性配准。
发明内容
本发明所要解决的技术问题在于提供动态对比度增强核磁共振图像检测方法,该方法采用非刚性配准方法以及基于残差复杂度的相似测度计算方法,来获得最优配准参数,并将最后一层配准结果作为最终的配准结果,实现图像的局部形变校正以及图像的灰度校正。
技术方案
动态对比度增强核磁共振图像检测方法,包括以下步骤:
步骤1:对核磁共振图像的预处理,包含图像的大小像素以及灰度值归一化;
步骤2:从不同时间段的核磁共振图像中分别选择患者不同时刻同一角度的待配准图像与参考图像,通过下采样的方法将待配准图像分为N层,N为大于1的自然数;
步骤3、采用B样条函数法对待配准图像进行第一层插值;
步骤4、得到配准后的图像通过相似测度方法来计算相似测度值;
步骤5、计算步骤4得到相似测度值是否达到最优化,若是,则直接将配准参数送至下一层,执行下一骤;若不是,循环执行步骤3-步骤4直到满足配准误差阈值或者最大循环步数,得到该层配准后的结果图,并将配准参数送至下一层;
步骤6:将送至下一层的配准参数作为该层配准的初始参数,循环执行步骤3-步骤5,依此类推得到第二、第三、......第N层配准结果,最后把第N层配准结果作为最终配准结果;
步骤7:利用最终配准结果图与参考图像做差,得出差值,即可以作为检测图像结果图。作为本发明的进一步优化方案,所述下采样的方法为:对于一个样值序列间隔m个样值取样一次,这样得到新序列就是原序列的下采样,也就是下采样后得到的序列信息是原样值序列信息的一部分,经过不同间隔的下采样抽取,得到不同参数分辨率的输出图像;m取值范围是大于等于2。
作为本发明的进一步优化方案,采用的相似测度方法为残差复杂度法。
作为本发明的进一步优化方案,所述的N选取值为3。
有益效果
⑴采用非刚性配准方法,本方法的结果使图视觉效果更好,大大减少了图像含有噪声或者强度失真对配准结果的影响;
⑵采用下采样的方法,将图像分为N层,实现由粗到精搜索变换系数、可以提高计算的效率、减少时间成本、避免了局部极值、进而实现了更加精确的配准结果。
⑶在同样的实验条件下,经过相同次数的迭代,由于采用残差复杂度的相似性度量方法,使得本发明方法的配准准确率比基于像素的强度方法如SSD的准确率高。
附图说明
图1是本发明动态对比度增强核磁共振图像检测方法的流程示意图;
图2(a)至图2(e)是基于相似测度为残差复杂度乳腺动态对比度增强核磁共振图像肿瘤区域检测方法的实验案例图;其中,
图2(a)为加造影剂Gd-DTPA前乳腺MR图像G;
图2(b)为加造影剂Gd-DTPA后乳腺MR图像F;
图2(c)为配准后图像H;
图2(d)为配准前差值图像G-F;
图2(e)为配准后差值图像G-H;
图3(a)至图3(e)是基于相似测度为差值平方和乳腺动态对比度增强核磁共振图像肿瘤区域检测方法的实验案例图;其中,
图3(a)为加造影剂Gd-DTPA前乳腺MR图像G;
图3(b)为加造影剂Gd-DTPA后乳腺MR图像F;
图3(c)为配准后图像H;
图3(d)为配准前差值图像G-F;
图3(e)为配准后差值图像G-H;
图4(a)至图4(e)是基于相似测度为互信息乳腺动态对比度增强核磁共振图像肿瘤区域检测方法的实验案例图;其中,
图4(a)为加造影剂Gd-DTPA前乳腺MR图像G;
图4(b)为加造影剂Gd-DTPA后乳腺MR图像F;
图4(c)为配准后图像H;
图4(d)为配准前差值图像G-F;
图4(e)为配准后差值图像G-H。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明:
如图1所示,为本发明动态对比度增强核磁共振图像检测方法的流程示意图。它包括如下步骤:输入待配准图像和参考图像,都通过下采样,得到初次采样图像,该层图像像素最低,然后对经过采样的图像进行B样条法第一次插值计算得到新图像,并计算相应的RC值并判断是否达到最值,若不是,继续通过B样条法插值得到新图像T,进行计算新一轮RC值,再次判断RC值是否达到最值。如此,循环直至RC达到最优解,输出该层配准优化参数作为第二次下采样后的图像的初始参数,再次经过B样条差值,计算RC值,判断是否最优化,循环直至得到第二层优化层数,作为第三层初始参数,如此循环得到最终配准后图像。
本发明中使用的DCE-MRI数据库,在美国宾夕法尼亚大学附属医院采集,数据中包括50个病例(30个恶性,20个良性),数据库中MRI尺寸为512×512体素,切片厚度大约为3mm,图片获取的时间分辨率最小为90s。
以乳腺核磁共振为例,本发明动态对比度增强核磁共振图像检测方法,如图1所示,包括以下步骤:
步骤1、对乳腺动态对比度增强核磁共振图像的预处理,包含图像的大小像素以及灰度值归一化。
对参考图像以及待配准图像调整图像大小相同均为512×512,灰度值归一化。
步骤2:从不同时间段的乳腺动态对比度增强核磁共振图像中分别选择患者不同时刻同一角度的待配准图像与参考图像,通过下采样的方法将等配准图像分为N层,下采样为:下采样为:对于一个样值序列间隔m个样值取样一次,这样得到新序列就是原序列的下采样,也就是下采样后得到的序列信息是原样值序列信息的一部分。下采样使得抽取后的图像变得模糊,并且经过不同间隔的下采样抽取,可以得到不同参数分辨率的输出图像。其中m取值为大于等于2。
根据背景技术,可知由于我们研究的是动态对比度增强核磁共振图像通常分析同一个场景不同时间点的DCE-MRI图像,所以我们需要图像的局部发生形变,采用B样条函数法较合适。
步骤3:采用B样条函数法对待配准图像进行第一层插值;
均匀三次B样条曲线是均匀三次B样条基函数的线性加权和,均匀三次B样条曲线定义为
f(x)为均匀三次B样条曲线,β3(x)为均匀三次B样条基函数,系数bi为n+1个控制顶点,其中每相邻四个点可以构造出一段三次均匀B样条。
均匀三次B样条曲线的矩阵计算形式如下:
步骤4、得到配准后的图像通过相似测度方法计算相似测度值;
本发明方案中可使用现有的各种相似测度方法,下面以三种常用的相似测度方法
差值平方和法(SSD:Sum of squared difference);互信息法(MI:Mutual information);
残差复杂度法(RC:Residual Complexity))为例分别进行说明。
差值平方和法(SSD:Sum of squared difference)度量方法假设两幅图像很相似,那么相似的部分的灰度值也是近似相似的。SSD通过计算两幅图像中各个未知的像素点的灰度值的差来表示两幅图的相似度。定义为:
其中T(x)是图像在像素x处的灰度值。S(t(x))是当前待配准图像经过t变换后对应位置像素点x的灰度值。SSD相似性度量函数寻找变换t使得式(3)取得最小值,如果当两幅图像完全相同时SSD的值应该为0。
MI相似测度方法:在多模态问题中SSD度量方法的假设通常是不成立的。互信息方法(MI:Mutual information)就是一种常用于多模态图像配准的相似性度量方法。互信息方法不依赖于图像的灰度信息,而是通过计算量化两幅图像之间的共有信息量
MI=HT+HS+HTS (4)
其中
由上式可以得到,当两幅图像逐步相似时,联合熵信息HTS会逐步减小,而互信息则不断增大。
RC相似测度方法:基于强度相似的度量方法如SSD往往基于像素的独立性和平稳性的假设,但是这种度量方法不能捕捉像素强度之间复杂的相互作用,尤其是当图像间存在非平稳强度扭曲的情形。通过运用一种新颖的相似性度量—残差复杂度(RC:ResidualComplexity)方法来度量待配准图像的强度和空间都有不同强度的扭曲情况。当图像的灰度受到非均匀场影响时或者含有噪声时在待配准图像之间引入了一个灰度校正场。通过解析求解的校正场和自适应规整,可以得出相似度量。
假设I和J为两幅待配准图像且:
I=J(τ)+S+u (5)
则
RC=I-J(τ) (6)
其中,S为形变场,u为均值为零的高斯噪声,τ为图像I和J之间的几何变换。
步骤5、计算步骤4得到相似测度值是否达到最优化,若不是,循环执行步骤3-步骤4直到满足配准误差阈值或者终止条件(最大循环步数),得到该层配准后的结果图,并将配准参数送至第二层;若是,则直接将配准参数送至第二层,执行下一步骤。
具体实施时,底层像素一般迭代次数小于最大迭代步数时,误差阈值会小于设定阈值,自动更新参数,进行下一层迭代优化计算。高层像素,由于其运算量较大,且到第三层计算时,配准结果已经较为精确,到达设定最大迭代步数时,配准结果已经较为精确,满足临床需求。
步骤6:将送至下一层的配准参数作为第二层更高分辨率配准的初始参数,循环执行步骤3-步骤5,依此类推得到第二、第三、......第N层配准结果,最后把第N层配准结果作为最终配准结果;
在本发明的优选方案中,N取值为3。
步骤3-步骤5是一个反复迭代过程,不断地优化配准参数,直到满足误差阈值要求或者最大迭代步数。此时即得到配准后的图像。
步骤7:利用配准后的结果图与参考图像做差,得出差值,即可以作为检测图像结果图。
为了便于公众理解本发明技术方案,下面给出一个具体实施例。
本实施例将本发明所提供的技术方案应用在临床乳腺动态对比度增强核磁共振图像(DCE-MRI)中。该图像由美国宾夕法尼亚大学附属医院采集,数据中包括50个病例(30个恶性,20个良性),数据库中MRI尺寸为512×512体素,切片厚度大约为3mm,图片获取的时间分辨率最小为90s。
本实施例中,相似测度选用残差复杂度,为了验证本发明的有效性,分别采用了三种不同相似测度方法,分别为:RC,SSD,MI,图像块的大小为512×512。
本实施例的分类过程具体如下:
1、对乳腺动态对比度增强核磁共振图像(DCE-MRI)的预处理,包含图像的大小像素以及灰度值归一化。
步骤2:从不同时间段的乳腺动态对比度增强核磁共振图像中分别选择患者不同时刻同一角度的待配准图像与参考图像,通过下采样的方法将图像分为N层,下采样法为:
对于一个样值序列间隔几个样值取样一次,这样得到新序列就是原序列的下采样,也就是下采样后得到的序列信息是原样值序列信息的一部分,经过不同间隔的下采样抽取,可以得到不同参数分辨率的输出图像;
步骤3、采用B样条函数法进行图像第一层插值;
步骤4:得到配准后的图像通过相似测度方法计算相似测度值;
步骤5:计算步骤4得到相似测度值是否达到最优化,若不是循环执行步骤3-步骤5直到满足配准误差阈值或者终止条件(最大循环步数300),得到该层配准后的结果图,并将参数送至下一层;若是,则直接将配准参数送至下一层,执行下一步骤;
步骤6:将送至下一层的配准参数作为下一层更高分辨率配准的初始参数,循环执行步骤3-步骤5,依此类推得到第二、第三、......第N层配准结果,最后把第N层配准结果作为最终配准结果;
如下表所示给出了本发明未经配准的差分图像矩阵及经配准后的差分图像矩阵示例;
未经配准的差分图像矩阵为:
经配准后的差分图像矩阵为:
为了验证本发明方法的效果,同时进行了分别采用上述三种相似测度方法配准结果与本发明方法进行比较。为了保证比较的公平性,对于每种相似测度均采用相同的参考图像以及待配准图像,最大迭代步数均为300,设置相同的误差阈值。
图2(a)至图2(e)、图3(a)至图3(e)、图4(a)至图4(e)分别为本发明方法与现有基于相似测度SSD以及MI比较。从图中可以看出,对于三种不同相似测度而言,采用本发明基于残差复杂度方法,其准确率高于基于SSD和基于MI非刚性配准方法。这说明当进行同样次数的迭代时,本发明方法可以获得更高的配准精确率;从另一个角度说,当获得相同误差阈值时,本发明方法所需的迭代次数更少,并且基于SSD方法配准后的结果反而不利于病理医生的观测及诊断。
综上可知,相对于现有基于相似测度SSD以及MI方法,本发明方法无论是从准确率还是从视觉效果上来看,都具有明显的优势。
Claims (4)
1.动态对比度增强核磁共振图像检测方法,其特征在于,包括以下步骤:
步骤1:对核磁共振图像的预处理,包含图像的大小像素以及灰度值归一化;
步骤2:从不同时间段的核磁共振图像中分别选择患者不同时刻同一角度的待配准图像与参考图像,通过下采样的方法将待配准图像分为N层,N为大于1的自然数;
步骤3、采用B样条函数法对待配准图像进行第一层插值;
步骤4、得到配准后的图像通过相似测度方法来计算相似测度值;
步骤5、计算步骤4得到相似测度值是否达到最优化,若是,则直接将配准参数送至下一层,执行下一骤;若不是,循环执行步骤3-步骤4直到满足配准误差阈值或者最大循环步数,得到该层配准后的结果图,并将配准参数送至下一层;
步骤6:将送至下一层的配准参数作为该层配准的初始参数,循环执行步骤3-步骤5,依此类推得到第二、第三、......第N层配准结果,最后把第N层配准结果作为最终配准结果;
步骤7:利用最终配准结果图与参考图像做差,得出差值,即可以作为检测图像结果图。
2.如权利要求1所述动态对比度增强核磁共振图像检测方法,其特征在于,所述下采样的方法为:对于一个样值序列间隔m个样值取样一次,这样得到新序列就是原序列的下采样,也就是下采样后得到的序列信息是原样值序列信息的一部分,经过不同间隔的下采样抽取,得到不同参数分辨率的输出图像;m取值范围是大于等于2。
3.如权利要求1所述动态对比度增强核磁共振图像检测方法,其特征在于,采用的相似测度方法为残差复杂度法。
4.如权利要求1所述动态对比度增强核磁共振图像检测方法,其特征在于,所述的N选取值为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310493679.8A CN103514607A (zh) | 2013-10-18 | 2013-10-18 | 动态对比度增强核磁共振图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310493679.8A CN103514607A (zh) | 2013-10-18 | 2013-10-18 | 动态对比度增强核磁共振图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103514607A true CN103514607A (zh) | 2014-01-15 |
Family
ID=49897284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310493679.8A Pending CN103514607A (zh) | 2013-10-18 | 2013-10-18 | 动态对比度增强核磁共振图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514607A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949274A (zh) * | 2019-02-25 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及*** |
CN111445505A (zh) * | 2020-03-25 | 2020-07-24 | 哈尔滨工程大学 | 一种基于二次配准的水对空成像畸变校正算法 |
WO2021004465A1 (zh) * | 2019-07-10 | 2021-01-14 | 浙江大学 | 一种动态对比增强磁共振图像的分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080119712A1 (en) * | 2006-11-20 | 2008-05-22 | General Electric Company | Systems and Methods for Automated Image Registration |
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
-
2013
- 2013-10-18 CN CN201310493679.8A patent/CN103514607A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080119712A1 (en) * | 2006-11-20 | 2008-05-22 | General Electric Company | Systems and Methods for Automated Image Registration |
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
Non-Patent Citations (4)
Title |
---|
MYRONENKO A ET AL.: "Intensity-based Image Registration by Minimizing Residual Complexity", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 29, no. 11, 30 June 2010 (2010-06-30) * |
李明晏: "基于B样条的图像弹性配准算法研究", 《中国优秀硕士论文全文数据库 信息科技辑》, 15 April 2012 (2012-04-15), pages 20 * |
王丽: "医学图像配准技术研究", 《中国优秀硕士论文全文数据库 信息科技辑》, 15 January 2013 (2013-01-15), pages 19 - 25 * |
郑永新: "基于小波分解的多分辨率腹部CT图像的配准", 《广西轻工业》, 31 March 2008 (2008-03-31) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949274A (zh) * | 2019-02-25 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及*** |
US11928816B2 (en) | 2019-02-25 | 2024-03-12 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, and system, electronic device, and storage medium |
WO2021004465A1 (zh) * | 2019-07-10 | 2021-01-14 | 浙江大学 | 一种动态对比增强磁共振图像的分析方法 |
US11828826B2 (en) | 2019-07-10 | 2023-11-28 | Zhejiang University | Analysis method of dynamic contrast-enhanced MRI |
CN111445505A (zh) * | 2020-03-25 | 2020-07-24 | 哈尔滨工程大学 | 一种基于二次配准的水对空成像畸变校正算法 |
CN111445505B (zh) * | 2020-03-25 | 2023-05-30 | 哈尔滨工程大学 | 一种基于二次配准的水对空成像畸变校正算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11967072B2 (en) | Three-dimensional object segmentation of medical images localized with object detection | |
US10699394B2 (en) | System and method for image calibration | |
Raffelt et al. | Apparent fibre density: a novel measure for the analysis of diffusion-weighted magnetic resonance images | |
Fonov et al. | Framework for integrated MRI average of the spinal cord white and gray matter: the MNI–Poly–AMU template | |
US10083506B2 (en) | Whole body image registration method and method for analyzing images thereof | |
CN103295234B (zh) | 基于形变表面模型的医学图像分割***及方法 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
Cai et al. | A framework combining window width-level adjustment and Gaussian filter-based multi-resolution for automatic whole heart segmentation | |
Qiu et al. | 3D MR ventricle segmentation in pre-term infants with post-hemorrhagic ventricle dilatation (PHVD) using multi-phase geodesic level-sets | |
Visvikis et al. | Respiratory motion in positron emission tomography for oncology applications: Problems and solutions | |
Tanner et al. | In vivo validation of spatio-temporal liver motion prediction from motion tracked on MR thermometry images | |
Agarwal et al. | A combination of bias-field corrected fuzzy c-means and level set approach for brain MRI image segmentation | |
Attye et al. | TractLearn: A geodesic learning framework for quantitative analysis of brain bundles | |
Du et al. | Geodesic regression on orientation distribution functions with its application to an aging study | |
CN103514607A (zh) | 动态对比度增强核磁共振图像检测方法 | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
WO2016072926A1 (en) | Whole body image registration method and method for analyzing images thereof | |
Lee et al. | Automated segmentation of whole-body CT images for body composition analysis in pediatric patients using a deep neural network | |
Commowick et al. | Diffusion MRI abnormalities detection with orientation distribution functions: A multiple sclerosis longitudinal study | |
Marias et al. | Image analysis for assessing molecular activity changes in time-dependent geometries | |
Mansour et al. | Abdominal motion tracking with free-breathing XD-GRASP acquisitions using spatio-temporal geodesic trajectories | |
US20240221162A1 (en) | Three dimensional object segmentation of medical images localized with object detection | |
He et al. | Reconstruction of four-dimensional computed tomography lung images by applying spatial and temporal anatomical constraints using a Bayesian model | |
Pai et al. | Evaluation of bias in brain atrophy estimation | |
Zhang | Development of Five-dimensional Magnetic Resonance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140115 |
|
RJ01 | Rejection of invention patent application after publication |