CN106897993B - 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 - Google Patents

基于定量磁化率成像人脑灰质核团概率图谱的构建方法 Download PDF

Info

Publication number
CN106897993B
CN106897993B CN201710020265.1A CN201710020265A CN106897993B CN 106897993 B CN106897993 B CN 106897993B CN 201710020265 A CN201710020265 A CN 201710020265A CN 106897993 B CN106897993 B CN 106897993B
Authority
CN
China
Prior art keywords
map
subject
space
magnetic susceptibility
probability map
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.)
Active
Application number
CN201710020265.1A
Other languages
English (en)
Other versions
CN106897993A (zh
Inventor
薄斌仕
李建奇
翟国强
张苗
李改英
赵羽
童睿
王乙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN201710020265.1A priority Critical patent/CN106897993B/zh
Publication of CN106897993A publication Critical patent/CN106897993A/zh
Application granted granted Critical
Publication of CN106897993B publication Critical patent/CN106897993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain

Landscapes

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

Abstract

本发明公开了一种基于定量磁化率成像人脑灰质核团概率图谱的构建方法,包括以下步骤:使用磁共振成像设备采集数据;将被试的定量磁化率图像配准到标准空间即MNI空间中;在配准后的标准空间的磁化率图上手工勾画出大脑深层灰质核团区域,并按照不同重叠比例制作不同概率图谱;在用于评价的磁化率图像中,对不同概率图谱的自动分割结果与手工勾画的金标准进行相似度和覆盖率值的测量,取相似度达到峰值时的重叠比例的图谱构建最终的概率图谱。本发明构建的概率图谱对大脑深层灰质核团的自动分割可以避免手工勾画引入的人为差异,核团分割结果准确性较高,优于现有的AAL和JH图谱;而且比手工勾画的方法节约时间,提高图像分析工作的效率。

Description

基于定量磁化率成像人脑灰质核团概率图谱的构建方法
技术领域
本发明属于磁共振成像技术领域,尤其是基于定量磁化率成像的人脑深层灰质核团概率性图谱的构建方法。
背景技术
三维立体脑图谱可为大脑成像数据分析提供有用的解剖参考,通过被试与脑模板之间的自动配准,脑图谱可有效将被试大脑分割成相应的感兴趣区。人脑的结构和功能复杂多样,每部分都有其特异性。空间标准化能够减小个体间大脑解剖结构的差异,因此它是人脑图谱研究中一个重要的步骤。目前,磁共振研究广泛采用的大脑图谱源于T1加权图像,如Talairach和Tournoux图谱、基于Colin27模板的自动解剖标记(AAL)图谱等。
随着高场磁共振成像技术的发展,定量磁化率成像提供了一种新颖的对比机制,它利用一般磁共振成像技术舍弃的相位信息得到局部磁场变化特性,再通过复杂的场到源反演计算,可直接得到定量磁化率分布图。大脑磁化率图像的对比机制主要来源于含铁的深部灰质核团和含髓磷脂的白质,对于深部核团来说其对比度非常好。最近来自JohnsHopkins大学的研究团队制作了一个基于定量磁化率图的大脑图谱(JH图谱),但是其图谱是基于单个被试的大脑,不能充分反映大量正常大脑的解剖结构的多样性。
发明内容
本发明的目的是为了解决自动分割大脑深层灰质核团问题而提出的一种基于定量磁化率成像技术创建一种深层灰质核团自动分割测量图谱的构建方法,该方法采用一组被试的高分辨率定量磁化率图像创建一个新的概率性大脑深层灰质核团分割图谱,该图谱可以作为一个有用的模板自动进行大脑深层核团的识别以及进行大数据的组分析测量。
本发明的目的是这样实现的:
一种基于定量磁化率成像人脑深层灰质核团概率性图谱的构建方法,该方法包括以下具体步骤:
步骤1:招募一批健康被试,随机选取其中一部分被试作为图谱制作对象,其余被试作为后期检验图谱评价的对象;
步骤2:使用磁共振成像设备采集数据及对数据进行重建得到定量磁化率图像;
步骤3:将所有被试的定量磁化率图像配准到标准空间即MNI空间中;
步骤4:在所有图谱制作对象被试配准后的标准空间的磁化率图上,手工勾画出大脑深层灰质核团区域,并按照不同重叠比例制作不同概率图谱;
步骤5:在用于图谱评价对象被试配准后的标准空间的磁化率图像中,由两位研究者手工勾画得到大脑深层灰质核团区域;
步骤6:采用步骤4得到的不同概率图谱对用于图谱评价对象被试的磁化率图像进行自动分割,并将自动分割得到的核团与步骤5中两位研究者手工勾画得到的核团即金标准,进行相似度和覆盖率值的测量,取相似度达到峰值时的重叠比例的图谱构建最终的概率图谱。
本发明的方法中,步骤3所述将被试的定量磁化率图像配准到标准空间中,具体包括以下步骤:
步骤a1:将被试矢状位高分辨T1结构像重建为横断位,并去除头皮、头盖骨,提取脑组织部分;
步骤a2:对被试的模图进行去除头皮、头盖骨,提取脑组织部分;
步骤a3:使用线性配准算法将被试的T1结构像与被试的模图进行配准,得到被试模图空间中的T1图;
步骤a4:将步骤a3得到的被试模图空间中的T1图使用线性配准算法与标准空间中的ICBM T1图进行配准,得到标准空间中的被试T1结构图和从被试模图空间到标准空间转换的一个矩阵;
步骤a5:使用步骤a4得到的转换矩阵将被试的磁化率图变换到标准空间中,得到标准空间中的被试的磁化率图像。
本发明的方法中,步骤6所述在用于评价的磁化率图像中,对不同概率图谱自动分割得到的核团与两位研究者手工勾画得到的核团即金标准,进行相似度和覆盖率值的测量,采用如下评价参数:
Kappa系数:
Dice系数:
覆盖率:
其中,相似度Dice系数是指正确分割结果的像素数目占整个分割区域(包含手工分割和图谱自动分割的所有区域)的比率,其对两个区域大小和位置的差异很敏感,取值范围为[0,1],1表示完全一致。由于TN像素数目相对于目标核团像素数目为无穷大,从而使Kappa系数与Dice系数相等,而且已经有研究指出Dice系数是Kappa系数的一种特例。覆盖率是指正确分割出的像素数目占手工分割结果与图谱分割结果共同包含区域的比率。
本发明制作的概率图谱对大脑深层灰质核团的自动分割可以避免手工勾画引入的人为差异,核团分割结果的准确性较高,优于现有的AAL图谱和JH图谱;另外,本发明制作的概率图谱比手工勾画感兴趣区的传统方法节约时间,可以有效的提高图像分析工作的效率。
附图说明
图1为本发明流程图;
图2为本发明构建概率图谱实施例的流程图;
图3为本发明评价原理示意图;
图4为本发明实施例制作的不同概率图谱自动分割得到的基底节区域中各个核团Dice系数和覆盖率分布趋势曲线图;
图5为本发明实施例制作的不同概率图谱自动分割得到的颅底和小脑中各个核团Dice系数和覆盖率分布趋势曲线图。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步详细说明。实施本发明的过程、条件、实验方案方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明定量磁化率成像人脑深层灰质核团概率性图谱的构建方法,在基于对大脑深部核团对比度非常好的定量磁化率图的基础上,采用多人取最佳概率的方法,制作的概率性图谱。该方法一定程度上能够提高图像分析工作的效率。
以下分别介绍本发明对采集得到的原始数据经过配准、勾画、评价,得到最优概率图谱的具体实施过程。其中,数据来源于3T磁共振成像设备***(西门子MAGNETOM Trio aTim 3T),定量磁化率成像扫描序列为三维多回波梯度回波(Gradient echo,GRE)序列,具体扫描参数如下:重复时间(TR)=60ms,第一回波时间(TE1)=6.8ms,回波间隔(ΔTE)=6.8ms,回波数=8,翻转角(FA)=15°,视野(FOV)=240×180mm2,体素大小=0.625mm×0.625mm×2mm,层数=96。为减少采样时间,在相位编码方向(被试左右方向)采用并行采样技术,加速因子为2。T1加权高分辨结构像采用三维磁化准备快速梯度回波(Magnetization-Prepared Rapid Gradient Echo,MPRAGE)序列,具体参数如下:正中矢状位扫描,TR=2530ms,反转时间(TI)=1100ms,FA=7°,TE=2.34ms,FOV=256×256mm2,体素大小=1mm×1mm×1mm,层数=192。
本实施例招募了15名健康被试(7名女性,8名男性,平均年龄24.3±1.0岁),随机选取其中10名(男女各5名)被试作为图谱制作对象,其余5名被试作为后期检验图谱有效性的对象。
由梯度回波序列采集到的复数数据经过相位拟合、相位解缠绕、去背景场、基于形态学的偶极子反演算法(Morphology Enabled Dipole Inversion,MEDI)等步骤重建出颅脑横断位磁化率图。
图1-2显示的是本发明图谱制作的流程图,包括:将被试的定量磁化率图像配准到标准空间(MNI空间)中、在配准后的标准空间的磁化率图上手工勾画出大脑深层灰质核团区域、对勾画得到的不同情况的概率图谱进行相似度和覆盖率值的测量,取相似度达到峰值时的重叠比例的图谱制作最终的概率图谱。具体流程如下:
1)使用扫描仪自带的三维后处理软件将被试矢状位高分辨T1结构像重建为横断位图像(T1 MPRAGE图),本实施例重建后的图像分辨率为:1mm×1mm×1mm;然后使用FSL5.0.9工具包中的BET软件(Brain Extraction Tool)去除头皮、头盖骨,提取脑组织部分。
2)对被试三维GRE序列得到的模图(GreRawMag图),也使用FSL 5.0.9工具包中的BET软件,去除头皮、头盖骨,进行提取脑组织部分。
3)使用FSL 5.0.9工具包中的FLIRT线性配准算法中的刚体变换算法将去头皮和脑壳之后被试的横断位图配准到去脑壳之后的被试模图空间中,得到被试模图空间中的T1图(Mag T1图)。
4)使用FSL 5.0.9工具包中的FLIRT线性配准算法中的12参数仿射变换方法将被试的Mag T1图配准到ICBM T1图的标准空间(MNI)中,得到MNI空间中被试的T1图(MNI T1图)与被试模图空间到MNI空间的转换矩阵。
5)将转换矩阵运用到被试的QSM图上,将其变换到标准空间中,得到标准空间的被试QSM图(MNI QSM图)。
6)在上述经过预处理得到的单个被试的标准空间QSM图上,由一位研究者利用ITK-SNAP 3.2软件手动勾画出六个双侧脑深部灰质核团ROI(尾状核:CN,壳核:PU,苍白球:GP,黑质:SN,红核:RN,齿状核:DN),从而得到每个被试在MNI坐标系的深部灰质分割图(Deep Gray Matter Parcellation Map,DGMPM)。
7)将所有图谱制作对象被试的DGMPM图,以将每一类ROI按照重叠比例从10%-100%依次递增10%的方式分别保存为一个概率图谱,之后采用相应的图谱评价方法选择最优重叠比例的图谱作为最终的概率图谱。
所述图谱评价方法具体如下:
由两位研究者利用ITK-SNAP 3.2软件在用于评价的5名被试的标准空间QSM图上手动勾画出深部核团ROI,以此作为评价图谱分割精确度的金标准。
对于每一个ROI的分割结果准确性的量化评价采用图3所示原理进行。假设研究者手工分割得到目标核团的像素为T,本发明概率图谱、AAL图谱、Johns Hopkins(JH)图谱得到的目标核团的像素为R,研究者手工分割和图谱自动分割得到的目标图像的重叠区域的像素数目为真阳性(TP),而手工分割结果与图谱自动分割结果之外包含区域像素数目为真阴性(TN),图谱自动分割结果中不包含手工分割结果区域的像素数目为假阳性(FP),手工分割结果中不包含图谱自动分割结果区域的像素数目为假阴性(FN)。采用Kappa系数、Dice系数和覆盖率(Overlap Ratio,OR)来对分割结果可靠性进行分析:
Kappa系数:
Dice系数:
覆盖率:
其中,相似度Dice系数是指正确分割结果的像素数目占整个分割区域(包含手工分割和图谱自动分割的所有区域)的比率,其对两个区域大小和位置的差异很敏感,取值范围为[0,1],1表示完全一致。由于TN像素数目相对于目标核团像素数目为无穷大,从而使Kappa系数与Dice系数相等。覆盖率是指正确分割出的像素数目占手工分割结果与图谱分割结果共同包含区域的比率。
所述选择最优重叠比例的图谱方法如下:
在本实施例中,对于用于评测的5名被试磁化率图,分别使用本发明制作的10种不同重叠率的概率图谱配准和手工勾画的方法得到两组ROI,然后对这两组ROI区域进行Dice系数和覆盖率测量,并对两者结果进行权衡,选择最佳重叠比例的概率图谱作为最终的概率图谱。
为了保证最优图谱选择的可靠性,使用多次平均的方法:首先,求出每一个被试由每位研究者手动勾画的ROI与图谱自动分割的ROI之间的Dice系数和覆盖率,将两位研究者得到的数值求平均值,得到各被试每一个区域两位研究者评测的平均值;其次,对所有被试的平均Dice系数和平均覆盖率再求平均,从而得到每一个研究核团的最终Dice系数值和覆盖率值。每一类情况的图谱均使用多次平均的方法得到每一个研究核团的最终Dice系数和覆盖率,然后分析他们的分布趋势,最后得出最优图谱,参阅附图4、5所示。
图4中a和b分别是以5名正常被试为测试对象,进行每一种概率图谱自动分割与两位研究者手工分割基底节所有感兴趣区域的灰质核团之间的平均相似度(Dice系数)和覆盖率的比较结果,图中各核团分别表示为:尾状核(CN)、壳核(PU)、苍白球(GP)、左(L)、右(R),可见概率图谱重叠百分比取50%时所有核团的Dice系数达到最大值,此时覆盖率达到了70%以上,包含了核团大部分区域,因此基底节部分最终取重叠百分比为50%时的图谱制作最终的概率图谱。
同图4一样,图5中a和b是对5名测试对象的颅底和小脑中的感兴趣区域的灰质核团进行评估,图中各核团分别表示为:黑质(SN)、红核(RN)、齿状核(DN)、左(L)、右(R),可见概率图谱重叠百分比同样在50%时所有核团的Dice系数达到最大值,此时覆盖率达到60%以上,包含了核团大部分区域,因此颅底和小脑中的核团也以重叠百分比为50%时的图谱制作最终的概率图谱。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。

Claims (2)

1.一种基于定量磁化率成像人脑灰质核团概率图谱的构建方法,其特征在于,所述方法包括以下步骤:
步骤1:招募一批健康被试,随机选取其中部分被试作为图谱制作对象,其余被试作为后期检验图谱评价的对象;
步骤2:使用磁共振成像设备采集数据及对数据进行重建得到定量磁化率图像;
步骤3:将所有被试的定量磁化率图像配准到标准空间即MNI空间中;
步骤4:在所有图谱制作对象被试配准后的标准空间的磁化率图上,手工勾画出大脑深层灰质核团区域,并按照不同重叠比例制作不同概率图谱;
步骤5:在用于图谱评价对象被试配准后的标准空间的磁化率图像中,由两位研究者手工勾画得到大脑深层灰质核团区域;
步骤6:采用步骤4得到的不同概率图谱对用于图谱评价对象被试的磁化率图像进行自动分割,并将自动分割得到的核团与步骤5中两位研究者手工勾画得到的核团即金标准,进行相似度和覆盖率值的测量,取相似度达到峰值时的重叠比例的图谱构建所述的概率图谱。
2.根据权利要求1所述的构建方法,其特征在于,步骤3所述将被试的定量磁化率图像配准到标准空间中,包括以下具体步骤:
步骤a1:将被试矢状位高分辨T1结构像重建为横断位,并去除头皮和头盖骨,提取脑组织部分;
步骤a2:对被试的模图进行去除头皮和头盖骨,提取脑组织部分;
步骤a3:使用线性配准算法将被试的T1结构像与被试的模图进行配准,得到被试模图空间中的T1图;
步骤a4:将步骤a3得到的被试模图空间中的T1图使用线性配准算法与标准空间中的ICBM T1图进行配准,得到标准空间中的被试T1结构图和从被试模图空间到标准空间转换的一个矩阵;
步骤a5:使用步骤a4得到的转换矩阵将被试的磁化率图变换到标准空间中,得到标准空间中的被试的磁化率图像。
CN201710020265.1A 2017-01-12 2017-01-12 基于定量磁化率成像人脑灰质核团概率图谱的构建方法 Active CN106897993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710020265.1A CN106897993B (zh) 2017-01-12 2017-01-12 基于定量磁化率成像人脑灰质核团概率图谱的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710020265.1A CN106897993B (zh) 2017-01-12 2017-01-12 基于定量磁化率成像人脑灰质核团概率图谱的构建方法

Publications (2)

Publication Number Publication Date
CN106897993A CN106897993A (zh) 2017-06-27
CN106897993B true CN106897993B (zh) 2019-07-26

Family

ID=59199173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710020265.1A Active CN106897993B (zh) 2017-01-12 2017-01-12 基于定量磁化率成像人脑灰质核团概率图谱的构建方法

Country Status (1)

Country Link
CN (1) CN106897993B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10896508B2 (en) 2018-02-07 2021-01-19 International Business Machines Corporation System for segmentation of anatomical structures in cardiac CTA using fully convolutional neural networks
CN109034136B (zh) * 2018-09-06 2021-07-20 湖北亿咖通科技有限公司 图像处理方法、装置、摄像设备及存储介质
CN109272514B (zh) * 2018-10-05 2021-07-13 数坤(北京)网络科技股份有限公司 冠脉分割模型的样本评价方法及模型训练方法
CN110458869B (zh) * 2019-05-10 2021-10-19 珠海慧脑云计算有限公司 一种新生儿磁共振结构脑影像的配准方法及其***
CN111127526B (zh) * 2019-11-27 2023-03-31 华东师范大学 一种利用定量磁化率图进行大脑深部核团定位的方法
CN111481827B (zh) * 2020-04-17 2023-10-20 上海深透科技有限公司 定量磁化率成像及用于dbs潜在刺激靶区定位的方法
CN111445520B (zh) * 2020-05-26 2021-09-24 河南省人民医院 一种基于磁共振定量磁敏感图像的丘脑腹中间核定位方法及定位装置
CN111681230A (zh) * 2020-06-10 2020-09-18 华中科技大学同济医学院附属同济医院 脑白质高信号评分***及其评分方法
CN113066113B (zh) * 2021-04-27 2022-01-11 河北医科大学第二医院 自发性高血压大鼠脑模板和地图集的构建方法及设备
CN113592847B (zh) * 2021-08-10 2023-10-10 浙江大学 一种基于深度学习的qsm脑深部核团自动分割方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887583A (zh) * 2010-06-24 2010-11-17 东软集团股份有限公司 提取脑组织影像的方法及设备
CN103442765A (zh) * 2011-03-29 2013-12-11 瓦尔克公司 用于改变脑中的神经递质水平的设备和方法
CN103826536A (zh) * 2011-09-26 2014-05-28 大日本印刷株式会社 医用图像处理装置、医用图像处理方法、程序
CN104523275A (zh) * 2014-12-25 2015-04-22 西安电子科技大学 一种健康人群白质纤维束图谱构建方法
CN104644173A (zh) * 2015-01-14 2015-05-27 北京工业大学 一种抑郁风险三级预警方法及***
CN104921741A (zh) * 2014-03-19 2015-09-23 柯尼卡美能达株式会社 图像解析装置、图像拍摄***以及图像解析方法
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542763B2 (en) * 2014-04-25 2017-01-10 The General Hospital Corporation Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging
US20160054410A1 (en) * 2014-08-19 2016-02-25 General Electric Company System and method for locating and quantifying a biomarker for neurological disease

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887583A (zh) * 2010-06-24 2010-11-17 东软集团股份有限公司 提取脑组织影像的方法及设备
CN103442765A (zh) * 2011-03-29 2013-12-11 瓦尔克公司 用于改变脑中的神经递质水平的设备和方法
CN103826536A (zh) * 2011-09-26 2014-05-28 大日本印刷株式会社 医用图像处理装置、医用图像处理方法、程序
CN104921741A (zh) * 2014-03-19 2015-09-23 柯尼卡美能达株式会社 图像解析装置、图像拍摄***以及图像解析方法
CN104523275A (zh) * 2014-12-25 2015-04-22 西安电子科技大学 一种健康人群白质纤维束图谱构建方法
CN104644173A (zh) * 2015-01-14 2015-05-27 北京工业大学 一种抑郁风险三级预警方法及***
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Human brain atlas for automated region of interest selection in quantitative susceptibility mapping:Application to determine iron content in deep gray matter structures;Issel Anne L.Lim等;《NeuroImage》;20131115;第82卷(第22期);第449-469页

Also Published As

Publication number Publication date
CN106897993A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
CN106897993B (zh) 基于定量磁化率成像人脑灰质核团概率图谱的构建方法
Heiervang et al. Between session reproducibility and between subject variability of diffusion MR and tractography measures
Renvall et al. Automatic cortical surface reconstruction of high-resolution T1 echo planar imaging data
Gao et al. A universal intensity standardization method based on a many-to-one weak-paired cycle generative adversarial network for magnetic resonance images
Parker et al. Probabilistic Monte Carlo based mapping of cerebral connections utilising whole-brain crossing fibre information
Pannek et al. The average pathlength map: a diffusion MRI tractography-derived index for studying brain pathology
Gao et al. Validation of DTI tractography-based measures of primary motor area connectivity in the squirrel monkey brain
Kawahara et al. T1-weighted and T2-weighted MRI image synthesis with convolutional generative adversarial networks
Yang et al. Computer-aided detection of metastatic brain tumors using magnetic resonance black-blood imaging
Feng et al. MoDL-QSM: Model-based deep learning for quantitative susceptibility mapping
US20100226552A1 (en) Identification and visualization of regions of interest in medical imaging
CN104523275A (zh) 一种健康人群白质纤维束图谱构建方法
Voineskos et al. Quantitative examination of a novel clustering method using magnetic resonance diffusion tensor tractography
CN106898000A (zh) 一种磁共振成像大脑灰质核团的自动分割方法
Mills et al. Sensitive and automated detection of iron-oxide-labeled cells using phase image cross-correlation analysis
CN109242866A (zh) 基于扩散磁共振图像的乳腺肿瘤自动辅助检测***
CN106023236B (zh) 基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法
Kim et al. NEOCIVET: Extraction of cortical surface and analysis of neonatal gyrification using a modified CIVET pipeline
German et al. Brain tissues have single-voxel signatures in multi-spectral MRI
Patel et al. Scalar connectivity measures from fast-marching tractography reveal heritability of white matter architecture
Chen et al. Preserving-texture generative adversarial networks for fast multi-weighted MRI
CN111557663B (zh) 一种基于交叉模态的人脑磁化率张量成像方法
Li et al. Stability of MRI radiomic features of the hippocampus: An integrated analysis of test-retest variability
Haroon et al. Probabilistic quantification of regional cortical microstructural complexity
Zhang et al. A framework of automatic brain tumor segmentation method based on information fusion of structural and functional MRI signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant