CN107430690A - 根据t1 mri的自动3d分割和皮层表面重建 - Google Patents

根据t1 mri的自动3d分割和皮层表面重建 Download PDF

Info

Publication number
CN107430690A
CN107430690A CN201680013772.6A CN201680013772A CN107430690A CN 107430690 A CN107430690 A CN 107430690A CN 201680013772 A CN201680013772 A CN 201680013772A CN 107430690 A CN107430690 A CN 107430690A
Authority
CN
China
Prior art keywords
brain
processor
instruction
image
ventricles
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.)
Granted
Application number
CN201680013772.6A
Other languages
English (en)
Other versions
CN107430690B (zh
Inventor
刘明昌
宋璧
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Publication of CN107430690A publication Critical patent/CN107430690A/zh
Application granted granted Critical
Publication of CN107430690B publication Critical patent/CN107430690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/028—Multiple view windows (top-side-front-sagittal-orthogonal)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Architecture (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

给出了一种用于执行器官结构的自动3D图像分割和重建的装置和方法，其特别适用于皮层表面。脑提取过程去除非脑图像元素，然后按类型将脑组织分类以为大脑分割过程进行准备，该过程确定图像信息的哪些部分属于特定生理结构。基于来自脑室提取过程的信息对图像数据执行脑室填充。跟随的是重建特定表面(诸如白质(WM)和灰质(GM))的重建过程。

Description

根据T1 MRI的自动3D分割和皮层表面重建
对相关申请的交叉引用
不适用
关于联邦资助的研究或开发的声明
不适用
计算机程序附录通过引用结合
不适用
受版权保护的素材的通知
本专利文献中的素材的一部分依据美国和其它国家的版权法受版权保护。版权所有者不反对任何人对专利文档或专利公开内容按照它在专利商标局的专利文件或记录中出现的那样进行传真复制，但是除此之外在任何情况下都保留所有版权。版权所有者并不因此放弃其保密本专利文件的权利，包括但不限于根据37C.F.R.§1.14的权利。
技术领域
本公开一般而言涉及医学成像，并且更具体而言涉及3D医学图像的自动分割以及根据医学图像重建结构表面。
背景技术
医学成像的一个重要领域是诊断脑状况。根据T1加权磁共振图像(MRI)的大脑皮层表面的分割和重建是神经科学和医学中的重要课题。这个过程是定量脑分析、可视化、皮层测绘和外科手术计划所需要的。
已经给出了用于脑提取的利用可变形模型的许多方法，这些模型或者手动地或者自动地初始化，但是仅对半头(half-head)数据(即，较不复杂的上半部分)进行操作。通常，脑室的填充是手动步骤，或者基于配准过程，诸如寰椎(atlas)配准，这是缓慢的处理器密集型技术，一般需要超过大约10小时。在表面重建期间，许多方法仅仅解决了重建大脑皮层的几何中心层或白质(WM)表面的问题。一些重建技术利用使用球体初始化的变形模型来实现具有球形拓扑的最终表面，这需要一般需要超过20小时的大量处理。
此外，在目前，执行分割和重建的过程涉及大量人为干预/交互，以提供准确的表示。
因此，存在对大脑皮层表面的MRI图像的分割和重建的完全自动化处理的需要。
发明内容
所给出的技术提供了用于处理脑或其它器官(诸如肝、脾或其它要成像的器官)的医学图像(诸如MRI或CT图像)的精确和全自动化的手段。医学成像数据与用于被成像的身体元素的解剖信息结合使用。在优选实施例中，分割和重建对脑区域进行，因为这些可能是最复杂的，但是这些技术可以一般地应用于其它生理结构。在脑的医学成像的情况下，***在去除非脑图像元素的脑提取过程中自动地确定脑结构。然后按脑组织类型将脑组织分类，为大脑分割过程进行准备，该过程确定图像信息的哪些部分属于特定生理结构，诸如与大脑不同的小脑和脑干。然后基于来自脑室提取过程的信息对图像数据进行脑室填充。跟随的是重建特定表面(诸如白质(WM)和灰质(GM))的重建过程。
使用该技术可以获得许多益处，诸如精简手术工作流程，以获得更好的临床结果。
在本说明书的以下部分中将给出本公开的其它方面，其中“具体实施方式”是为了在不进行限制的情况下完全公开本公开的优选实施例。
附图说明
参考附图将更全面地理解本公开，附图仅用于说明目的：
图1A至图1D是根据所给出的技术的实施例的脑结构表面重建的流程图。
图2A至图2E是根据所给出的技术的实施例的分割过程中的步骤的流程图。
图3A和图3B是根据所给出的技术的实施例的在解剖细化过程中校正皮层下区域的步骤的流程图。
图4A至图4E是根据所公开的技术的实施例的在接收到时、在初始化时和在提取之后的全头图像数据的图像。
图5A至图5E是根据所公开的技术的实施例的在接收到时、在初始化时和在提取之后的半头图像数据的图像。
图6A和图6B是根据所公开的技术的实施例的示出脑组织分类和不均一性校正的图像。
图7是根据所公开的技术的实施例的在脑组织分割和重建过程中被识别为种子区域的脑结构的图像。
图8A至图8C是从不同角度(侧面、前面、背面)所示出的根据所公开的技术的实施例的分割结果的图像。
图9A和图9B是根据所公开的技术的实施例的闭合表面的过程的图像。
图10是根据所公开的技术的实施例的用于闭合表面的过程的流程图。
具体实施方式
本公开解决分割和皮层表面的重建的问题，包括重建皮层的内表面和外表面。外表面是软脑膜(pial)面，以下称为灰质(GM)表面。内表面为灰-白边界，以下称为白质(WM)表面。皮层表面的重建是一个复杂的过程，它被分解成多个子任务。
图1A至图1D图示根据T1-MRI数据的自动3D分割和皮层表面重建过程的示例实施例10。以接收输入信息12、提取14、分割16、解剖细化18、重建20和输出22的原理步骤示出该过程。
在图1A中，从MRI机器接收原始脑MRI数据24，并且诸如从数据库接收附加解剖信息26。提取处理14在图1B中开始，以去除头部MRI体积中的非脑体素28，诸如皮肤、骨骼、肌肉、脂肪和硬脑膜。还优选的是，脑提取过程包括非均匀性校正，其校正原始MRI数据中由于磁场不均一性而引起的非均匀性。
分割过程16以基于从脑提取过程输出的脑信息对脑组织进行分类30(示出GM32a、WM 32b和CSF 32c)开始。在组织分类期间，MRI数据中的区域按脑组织类型(诸如根据灰质(GM)32a、白质(WM)32b和脑脊液(CSF)32c)标记(分类)。执行大脑分割过程34，以将关于小脑和脑干的图像信息与关于大脑的图像信息分开。通过首先响应于搜索医学图像(例如，MRI)数据的空间中关于其提供最大对称性的平面的过程识别正中矢状平面(MSP)来执行大脑分割。之后，从MSP与作为组织分类的输出的WM成员函数的交叉处识别出胼胝体和脑桥。结构的一个集合的身份然后被用于识别结构的其它集合；在这种情况下，通过将图形切割应用于分割大脑成像，胼胝体和脑桥分别用作大脑和小脑/脑干识别的初始种子。
在图1C中，解剖细化过程18接收分割信息并对经分类和分割的组织区域执行脑室填充过程36。该图示出填充之前38a和填充之后38b。从脑室填充过程期间利用的脑室提取过程接收脑室信息。脑室信息优选地是从多个朝向接收的，诸如由前面、侧面和背面表示。在脑室填充处理36期间，在执行表面重建之前填充WM中的内腔，以便保持皮层的物理形状，诸如球形拓扑。对于球形拓扑表面，欧拉示性数x＝2，诸如在关系x＝V-E+F中，其中V是表面的顶点、E是边，并且F是面。解剖细化18以硬脑膜去除过程40继续，由之前的图像42a以及之后的图像42b(该图像描绘了去除了的硬脑膜43)例示。在去除硬脑膜之后，皮层下区域被校正44，如用之前的图像46a和之后的图像46b(该图像描绘与视神经47a和非脑组织47b对应的图像区域的去除)例示。
在图1D中，重建过程20然后发生，该重建过程包括生成表面网格48并校正网格拓扑50。来自重建的输出22用灰质(GM)表面重建52和白质(WM)表面重建54描绘。
WM表面重建优选地利用一种或多种计算机图形技术，诸如作为示例而非限制的步进立方体(marching cube)，以根据WM体积数据生成等值面网格。本领域普通技术人员将认识到，步进立方体是众所周知的步进立方体计算机图形算法的特殊情况，该算法从三维标量场(有时称为体素(voxel))提取等值面的多边形网格，以呈现元表面(metasurface)。接下来，图像噪声被减小并且表面的拓扑缺陷被校正。
灰质(GM)表面重建利用WM分割结果来细化GM和脑脊液(CSF)分类以改善脑沟(sulci)描述，随后是表面网格生成方法，例如用于生成WM表面的相同方法。要注意的是，在神经解剖学中，脑沟(sulcus)(sulcus是“furrow”的拉丁语，furrow的复数形式是sulcus)包括大脑皮层中的凹陷或凹槽。脑沟围绕脑回(gyrus，其复数形式是gyri)，从而在人类和其它哺乳动物中形成脑的特有折叠外观。
在GM表面重建期间优选地利用脑沟细化过程。***考虑到WM常常被更精确地分割，并且，GM覆盖WM并且脑沟常常在GM谷中且被脑脊液(CSF)填充。因此，***利用WM分割来细化GM和CSF分类以改善重建的GM表面的脑沟描述。
图2A至图2E图示硬脑膜(大脑镰，Falx Cerebri)去除过程的更详细的示例实施例70，如先前在解剖细化过程内图1C的方框40中所看到的那样。信息从分割过程被接收72，用来自3D分割的侧视图74a和前视图74b例示。诸如基于脑和皮层厚度的空间关系，硬脑膜从GM被分割76，硬脑膜在图2B中的图像78和图2C中的图像80中示出。细化脑边界的过程82在2D和图2E中看到。这种边界细化过程82基于向内的相邻体素和相邻非脑信息的强度差来执行，并且看到输出具有细化的边界，其在图2D中的图像84和图2E中的图像86中示出。
图3A和图3B图示皮层下区域校正的更详细的示例实施例90，如先前在解剖细化过程内的图1C的方框44中所看到的那样。分割结果92被利用，该分割结果提供至少GM 94a、脑室94b和WM94c分割。解剖元素的信息然后被利用96，诸如关于皮层厚度(c.f.2.5mm)以及脑室的空间关系。在第一步骤98中，提取杏仁核100，用图像102中的结果示出。在图3B中，以填充豆状核(lenticular nucleus)(水平集(level-set))106的方框104继续处理，伴随的图像108示出豆状核(lentiform nucleus)。之后执行方框110，用于去除非脑组织112，如伴随的图像114所示，其指示非脑组织的示例。示出用于分割视神经118(3D图形切割)的最后步骤116，伴随的图像120指示视神经的示例。
使用解剖信息用于分割医学图像内的生理结构允许以完全自动的方式对这些表面进行图像重建。对于脑的结构，所给出的技术在少于30分钟的时间内对一组MRI图像重建了严密(闭合)的拓扑正确的表面。
利用这种技术使用用于根据输入MRI数据识别头部朝向和脑界限框的自动方法执行脑提取。首先发现MRI数据的质心(COM)，之后检查通过这个COM的三个正交平面。关于其具有最大对称性的平面被认为是矢状平面。之后，根据矢状平面确定“头部的底部”以进一步识别冠状平面和轴向平面。在识别出输入MRI数据的朝向之后，估计脑的边界框。在边界框的中心处执行几何局部化(localization)(诸如椭圆体的形状)作为初始化。然后通过从初始化开始演化水平集函数来从图像数据集中提取脑区域。
图4A至图4E描绘根据本技术的实施例的全头图像数据(图4A)、初始化(图4B和图4C)和提取结果(图4D和图4E)。
图5A至图5E类似地描绘根据本技术的实施例的半头图像数据(图5A)、初始化(图5B和图5C)以及提取结果(图5D和图5E)。
图6A和图6B图示用于分类脑组织和校正不均一性的过程。作为示例，图6A描绘被分类为灰质(GM)、白质(WM)和脑脊液(CSF)的脑的不同结构。在图6B中，原始图像的示例在图的上部示出，并且在根据给出的技术校正不均一性之后的示例在图的下部示出。在优选实施例中，这两个过程被集成到一个模糊C均值聚类框架中。本领域普通技术人员将认识到的是，模糊聚类均值(C-均值)是提供聚类分析的一类算法，其中数据点到聚类的分配不是固定的或“硬的”(全有或全无，all-or-nothing)而是“模糊的”，与对于模糊逻辑(例如，启发式确定)所理解的有相同的性质。
图7描绘脑的结构，示出大脑皮层、胼胝体、小脑、脑干和脑桥。在所给出的技术中，大脑和脑干的种子被确定，如通过图中所示的虚线区域所看到的那样。
图8A至图8C图示通过使用上述种子和在分割从这些图中侧面、前面和背面看到的不同的脑区域时确定图形切割而产生的分割结果。应当认识到的是，这些元素的实际输出优选地是以不同的颜色输出，而不是以在本申请中提供的这些黑白图像中看到的阴影输出。
图9A和图9B图示闭合表面的过程。在这种情况下，闭合脑干处的表面。在重建皮层表面时，重要的是保留皮层的物理形状，因为它是单片的连接的组织。通过闭合脑干处的表面，其可以被描述为具有球体的拓扑结构。在图9A中，这种皮层表面的开放元素用虚线椭圆形突出显示，如图9B中所看到的那样，该开放元素已经闭合。如在图中最右侧的图例栏所看到的明暗度指示距相机的归一化距离。
图10图示在闭合结构(诸如作为例示的脑干)的表面时的一般步骤150。首先，在脑干中找到(区分)“密封平面”152，提取脑室结构154，然后所提取的脑室被用作种子来填充WM中的凹部156。
虽然上面的讨论基本上针对脑结构，但应当认识到的是，用于分割和重建结构表面的本公开可适用于来自任何期望的3D成像方法(例如，MRI或CT)的其它器官(例如，腹部器官，如肝、脾)。
所给出的技术中描述的增强可以容易地在各种医学图像处理***内实现。将认识到的是，医学成像***被实现为包括一个或多个计算机处理器设备(例如，CPU、微处理器、微控制器、启用计算机的ASIC等)和相关联的存储器(例如，RAM、DRAM、NVRAM、FLASH、计算机可读介质等)，由此存储在存储器中的指令(编程)在处理器上执行，从而执行所描述的步骤。为了简化说明，没有在图中绘出计算机和存储设备，因为本领域普通技术人员认识到使用用于执行涉及对医学图像的任何形式的图像处理的步骤的计算机设备。所给出的技术关于存储器和计算机可读介质是非限制性的，只要它们是非暂态的并且因此不构成暂态电子信号即可。
本公开的实施例可以参考根据本公开的实施例的方法和***流程图图示和/或算法、公式或其它计算描绘来描述，其也可以被实现为计算机程序产品。在这点上，流程图的每个方框或步骤以及流程图中方框(和/或步骤)的组合、算法、公式或其它计算描绘可以通过各种手段(诸如包括体现在计算机可读程序代码逻辑中的一条或多条计算机程序指令的硬件、固件和/或软件)来实现。如将认识到的是，任何这种计算机程序指令都可以被加载到计算机上，包括但不限于通用计算机或专用计算机或产生机器的其它可编程处理装置，使得在计算机或其它可编程处理装置上执行的计算机程序指令创建用于实现在(一个或多个)流程图的(一个或多个)方框中指定的功能的构件。
因此，流程图的方框、算法、公式或计算描绘支持用于执行指定功能的构件的组合、支持用于执行指定功能的步骤的组合以及支持用于执行指定功能的计算机程序指令，诸如体现在计算机可读程序代码逻辑构件中的计算机程序指令。还将理解的是，本文所述的流程图图示的每个方框、算法、公式或计算描绘及其组合可以由执行指定功能或步骤的专用的基于硬件的计算机***实现或者由专用硬件和计算机可读程序代码逻辑构件的组合实现。
此外，这些计算机程序指令(诸如体现在计算机可读程序代码逻辑中)也可以存储在计算机可读存储器中，该计算机程序指令可以指引计算机或其它可编程处理装置以特定方式工作，使得存储在计算机可读存储器中的指令产生包括实现(一个或多个)流程图的(一个或多个)方框中指定的功能的指令构件的制造品。计算机程序指令还可以被加载到计算机或其它可编程处理装置上，以使得在计算机或其它可编程处理装置上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机或其它可编程处理装置上执行的指令提供用于实现在(一个或多个)流程图的(一个或多个)方框、(一个或多个)算法、(一个或多个)公式或(一个或多个)计算描绘中指定的功能的步骤。
还将认识到的是，如本文所使用的，“编程”是指可以由处理器执行以执行如本文所述的功能的一条或多条指令。编程可以以软件、固件或软件和固件的组合来体现。编程可以在非暂态介质中本地存储在设备上，或者可以远程存储在诸如服务器上，或者编程的全部或部分可以在本地和远程存储。远程存储的编程可以通过用户发起下载(推送)到设备或基于一个或多个因素自动地下载(推送)到设备。还将认识到的是，如本文所使用的，术语处理器、中央处理单元(CPU)和计算机被同义地用来表示能够执行编程和与输入/输出接口和/或***设备的通信的设备。
从本文的描述中将认识到的是，本公开涵盖多个实施例，包括但不限于以下：
1、一种用于自动处理脑区域的医学图像的装置，包括：(a)医学成像***，被配置用于三维扫描患者的脑，以生成三维(3D)医学脑图像数据；(b)至少一个处理器，被配置用于对所述3D医学脑图像数据自动执行图像处理；(c)存储器，存储可由所述处理器执行的指令；以及(d)显示设备，耦合到所述计算机处理器，所述显示设备被配置用于显示3D医学图像；(e)所述指令在被执行时执行步骤，包括：(e)(i)在去除非脑图像元素的脑提取过程中确定脑结构；(e)(ii)分类脑组织类型；(e)(iii)分割大脑成像，确定图像信息的哪些部分属于特定的生理结构；(e)(iv)解剖细化，包括响应于从图像提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；(e)(v)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；(e)(vi)其中上述步骤中的每一个步骤是在没有用户交互或介入的情况下响应于编程执行的；以及(e)(vii)在所述显示器上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
2、如前述任一实施例所述的装置，其中所述三维(3D)医学图像数据包括磁共振图像(MRI)的形式。
3、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于执行包括重建皮层的内表面和外表面两者的皮层表面的所述分割和重建。
4如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于基于所存储的解剖信息的脑提取处理。
5、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于脑提取处理，以去除头部区域中的非脑体素，所述非脑体素包括皮肤、骨骼、肌肉、脂肪和硬脑膜。
6、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于执行包括非均匀性校正的所述脑提取处理，所述非均匀性校正对原始磁成像数据中由于磁场不均一性引起的非均匀性进行校正。
7、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于在执行所述分割大脑成像的过程中将小脑和脑干图像信息与大脑特异性生理结构分开。
8、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于所述分割大脑成像，所述分割大脑成像包括：(a)响应于在医学图像空间中搜索关于其具有最大对称性的平面的过程来识别正中矢状平面(MSP)；(b)从MSP与作为组织分类的输出的白质(WM)成员函数的交叉处识别出胼胝体和脑桥；以及(c)结构的一个集合的身份然后用于识别结构的其它集合。
9、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于执行所述分割大脑成像，其中通过将图形切割用于分割大脑成像，胼胝体和脑桥的身份被用作大脑和小脑和脑干识别的初始种子。
10、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于所述脑室填充并且响应于从多个朝向接收的脑室信息而执行。
11、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于从至少前视图、侧视图和后视图提供脑室信息的多个朝向。
12、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于执行所述脑室填充，其中为了保持皮层的物理形状在执行表面重建之前填充白质(WM)的内腔。
13、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于保持皮层的物理形状，响应于使用欧拉示性数所述物理形状被估计为球形拓扑。
14、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于通过根据白质(WM)体积数据生成等值面网格来执行WM的所述表面重建。
15、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于基于WM分割结果来执行灰质(GM)的所述表面重建，以细化GM和脑脊液(CSF)分类以改善脑沟描述，随后生成表面网格。
16、如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于执行所述重建，所述重建包括GM表面重建期间的脑沟细化过程。
17、如如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于通过输出以不同颜色表示脑的不同区域的图像数据来重建脑表面。
18、如如前述任一实施例所述的装置，其中用于所述处理器的所述指令被配置用于重建脑表面同时保留皮层的物理形状，因为所述皮层是单片的连接的组织，由此所述编程被配置用于在脑干处闭合这个表面。
19、一种用于自动处理脑区域的医学图像的装置，包括：(a)医学成像***，被配置用于三维扫描患者的脑，以生成三维(3D)医学脑图像数据；(b)计算机处理器，被配置用于对所述3D医学脑图像数据自动执行图像处理；(c)显示设备，耦合到所述计算机处理器，所述显示设备被配置用于显示3D医学图像；以及(d)存储器，存储可在计算机处理器上执行的编程；(e)所述编程在被执行时执行步骤，包括：(e)(i)在去除非脑图像元素的脑提取过程中确定脑结构；(e)(ii)分类脑组织类型；(e)(iii)响应于以下来分割大脑成像，确定图像信息的哪些部分属于特定的生理结构：(e)(iii)(A)响应于在医学图像空间中搜索关于其具有最大对称性的平面的过程来识别正中矢状平面(MSP)，(e)(iii)(B)从MSP与作为组织分类的输出的WM成员函数的交叉处识别出胼胝体和脑桥以及(e)(iii)(C)结构的一个集合的识别随后被用于识别结构的其它集合；(e)(iv)解剖细化，包括响应于从图像提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；以及(e)(v)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；(e)(vi)其中上述步骤中的每一个步骤是在无需用户交互或介入的情况下响应于所述编程执行的；以及(e)(vii)在所述显示器上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
20、一种自动处理脑区域的医学图像的方法，包括：(a)执行对患者的脑的医学扫描，以创建三维医学脑图像数据；(b)在被配置用于执行三维医学图像处理的计算机处理器上执行的脑提取过程中确定脑结构；(c)在确定脑结构时去除非脑图像元素；(d)分类脑组织类型；(e)分割大脑成像，确定图像信息的哪些部分属于特定的生理结构；(f)细化解剖元素，包括响应于从图像中提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；(g)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；以及(h)在显示设备上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
虽然本文的描述包含许多细节，但是这些细节不应当被解释为限制本公开的范围，而仅仅是提供一些当前优选实施例的图示。因此，将认识到的是，本公开的范围完全涵盖对于本领域技术人员来说可能变得显而易见的其它实施例。
在权利要求中，除非明确如此陈述，否则对单数的元素的引用并不意味着“一个且仅一个”，而是“一个或多个”。本领域普通技术人员已知的所公开实施例的元素的所有结构和功能等同物通过引用被明确地并入本文，并且旨在被本权利要求所涵盖。此外，不管元素、组件或方法步骤是否在权利要求中被明确地叙述，本公开中没有元素、组件或方法步骤旨在贡献给公众。除非使用短语“用于…的构件”来明确地叙述元素，否则本文陈述的元素都不应当被解释为“构件+功能”元素。除非使用短语“用于…的步骤”明确地叙述元素，否则本文陈述的元素都不应当被解释为“步骤+功能”元素。

Claims (20)

1.一种用于自动处理脑区域的医学图像的装置，包括：
(a)医学成像***，被配置用于三维扫描患者的脑，以生成三维(3D)医学脑图像数据；
(b)至少一个处理器，被配置用于对所述3D医学脑图像数据自动执行图像处理；
(c)存储器，存储可由所述处理器执行的指令；以及
(d)显示设备，耦合到所述计算机处理器，所述显示设备被配置用于显示3D医学图像；
(e)所述指令在被执行时执行步骤，包括：
(i)在去除非脑图像元素的脑提取过程中确定脑结构；
(ii)分类脑组织类型；
(iii)分割大脑成像，确定图像信息的哪些部分属于特定的生理结构；
(iv)解剖细化，包括响应于从图像提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；
(v)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；
(vi)其中上述步骤中的每一个步骤是在没有用户交互或介入的情况下响应于编程执行的；以及
(vii)在所述显示器上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
2.如权利要求1所述的装置，其中所述三维(3D)医学图像数据包括磁共振图像(MRI)的形式。
3.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于执行包括重建皮层的内表面和外表面两者的皮层表面的所述分割和重建。
4.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于基于所存储的解剖信息的脑提取处理。
5.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于脑提取处理，以去除头部区域中的非脑体素，所述非脑体素包括皮肤、骨骼、肌肉、脂肪和硬脑膜。
6.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于执行包括非均匀性校正的所述脑提取处理，所述非均匀性校正对原始磁成像数据中由于磁场不均一性引起的非均匀性进行校正。
7.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于在执行所述分割大脑成像的过程中将小脑和脑干图像信息与大脑特异性生理结构分开。
8.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于所述分割大脑成像，所述分割大脑成像包括：
(a)响应于在医学图像空间中搜索关于其具有最大对称性的平面的过程来识别正中矢状平面(MSP)；
(b)从MSP与作为组织分类的输出的白质(WM)成员函数的交叉处识别出胼胝体和脑桥；以及
(c)利用结构的一个集合的身份来识别结构的其它集合。
9.如权利要求8所述的装置，其中用于所述处理器的所述指令被配置用于执行所述分割大脑成像，其中通过将图形切割用于分割大脑成像，胼胝体和脑桥的身份被用作大脑和小脑和脑干识别的初始种子。
10.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于所述脑室填充并且响应于从多个朝向接收的脑室信息而执行。
11.如权利要求10所述的装置，其中用于所述处理器的所述指令被配置用于从至少前视图、侧视图和后视图提供脑室信息的多个朝向。
12.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于执行所述脑室填充，其中为了保持皮层的物理形状在执行表面重建之前填充白质(WM)的内腔。
13.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于保持皮层的物理形状，响应于使用欧拉示性数所述物理形状被估计为球形拓扑。
14.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于通过根据白质(WM)体积数据生成等值面网格来执行WM的所述表面重建。
15.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于基于WM分割结果来执行灰质(GM)的所述表面重建，以细化GM和脑脊液(CSF)分类以改善脑沟描述，随后生成表面网格。
16.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于执行所述重建，所述重建包括GM表面重建期间的脑沟细化过程。
17.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于通过输出以不同颜色表示脑的不同区域的图像数据来重建脑表面。
18.如权利要求1所述的装置，其中用于所述处理器的所述指令被配置用于重建脑表面同时保留皮层的物理形状，因为所述皮层是单片的连接的组织，由此所述编程被配置用于在脑干处闭合这个表面。
19.一种用于自动处理脑区域的医学图像的装置，包括：
(a)医学成像***，被配置用于三维扫描患者的脑，以生成三维(3D)医学脑图像数据；
(b)计算机处理器，被配置用于对所述3D医学脑图像数据自动执行图像处理；
(c)显示设备，耦合到所述计算机处理器，所述显示设备被配置用于显示3D医学图像；以及
(d)存储器，存储可在计算机处理器上执行的编程；
(e)所述编程在被执行时执行步骤，包括：
(i)在去除非脑图像元素的脑提取过程中确定脑结构；
(ii)分类脑组织类型；
(iii)响应于以下来分割大脑成像，确定图像信息的哪些部分属于特定的生理结构：(iii)(A)响应于在医学图像空间中搜索关于其具有最大对称性的平面的过程来识别正中矢状平面(MSP)，(iii)(B)从MSP与作为组织分类的输出的WM成员函数的交叉处识别出胼胝体和脑桥以及(iii)(C)结构的一个集合的识别随后被用于识别结构的其它集合；
(iv)解剖细化，包括响应于从图像提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；
(v)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；
(vi)其中上述步骤中的每一个步骤是在无需用户交互或介入的情况下响应于所述编程执行的；以及
(vii)在所述显示器上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
20.一种自动处理脑区域的医学图像的方法，包括：
(a)执行对患者的脑的医学扫描，以创建三维医学脑图像数据；
(b)在被配置用于执行三维医学图像处理的计算机处理器上执行的脑提取过程中确定脑结构；
(c)在确定脑结构时去除非脑图像元素；
(d)分类脑组织类型；
(e)分割大脑成像，确定图像信息的哪些部分属于特定的生理结构；
(f)细化解剖元素，包括响应于从图像中提取的脑室信息进行脑室填充、去除硬脑膜以及校正皮层下区域；
(g)响应于生成表面网格和校正网格拓扑而重建包括白质和灰质两者的脑表面；以及
(h)在显示设备上显示3D脑图像，示出脑组织的分类、不同脑部分的分割以及利用脑室填充的表面重建。
CN201680013772.6A 2015-03-31 2016-01-18 根据t1 mri的自动3d分割和皮层表面重建 Active CN107430690B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/675,265 US9530206B2 (en) 2015-03-31 2015-03-31 Automatic 3D segmentation and cortical surfaces reconstruction from T1 MRI
US14/675,265 2015-03-31
PCT/US2016/013805 WO2016160094A1 (en) 2015-03-31 2016-01-18 Automatic 3d segmentation and cortical surfaces reconstruction from t1 mri

Publications (2)

Publication Number Publication Date
CN107430690A true CN107430690A (zh) 2017-12-01
CN107430690B CN107430690B (zh) 2021-01-29

Family

ID=57006466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680013772.6A Active CN107430690B (zh) 2015-03-31 2016-01-18 根据t1 mri的自动3d分割和皮层表面重建

Country Status (6)

Country Link
US (2) US9530206B2 (zh)
EP (1) EP3254237B1 (zh)
JP (1) JP6544540B2 (zh)
KR (1) KR101966575B1 (zh)
CN (1) CN107430690B (zh)
WO (1) WO2016160094A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，***及存储设备
CN114187281A (zh) * 2021-12-14 2022-03-15 数坤(北京)网络科技股份有限公司 一种图像处理方法、装置、电子设备和存储介质

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11449985B2 (en) * 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition
US11915412B2 (en) 2017-01-06 2024-02-27 Koninklijke Philips N.V. Cortical malformation identification
RU184014U1 (ru) * 2018-01-25 2018-10-11 Федеральное государственное бюджетное учреждение науки Центр информационных технологий в проектировании Российской академии наук Вычислительное устройство для формирования трехмерной модели внутренних органов по данным магнитно-резонансного и компьютерного томографа
US10621728B2 (en) * 2018-06-26 2020-04-14 Sony Corporation Internal organ localization in computed tomography (CT) images
US11995854B2 (en) * 2018-12-19 2024-05-28 Nvidia Corporation Mesh reconstruction using data-driven priors
CN109872328B (zh) * 2019-01-25 2021-05-07 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置和存储介质
US10902675B2 (en) * 2019-02-22 2021-01-26 Alyn Rockwood Graphical modelling by smoothing polyhedral meshes with multi-sided patches
KR102207824B1 (ko) 2019-03-05 2021-01-26 뉴로핏 주식회사 뇌 구조를 이용한 뇌 영상 보정 방법 및 장치
CN110047078B (zh) * 2019-04-18 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
KR102537214B1 (ko) * 2019-11-26 2023-05-31 주식회사 고영테크놀러지 자기 공명 이미지들에서 정중시상 평면을 결정하기 위한 방법 및 장치
EP3839895A1 (en) * 2019-12-19 2021-06-23 Koninklijke Philips N.V. Mesh correction depending on mesh normal direction
KR102497900B1 (ko) * 2020-08-10 2023-02-09 영남대학교 산학협력단 3d 프린터 및 3d 스캐너를 이용한 개폐 가능한 깁스 제조 방법 및 이의 장치
KR102454742B1 (ko) * 2020-10-26 2022-10-17 주식회사 뷰노 뇌 피질 영역의 두께를 분석하는 방법
JPWO2022138960A1 (zh) * 2020-12-25 2022-06-30
US11915416B2 (en) * 2021-04-20 2024-02-27 Biosense Webster (Israel) Ltd. Multi-layered visualization of data points over heart map
KR20220150649A (ko) 2021-05-04 2022-11-11 주식회사 엔에스솔루션 홀로렌즈를 활용한 뇌 시각화 시스템
CN114581628B (zh) * 2022-03-03 2023-08-08 北京银河方圆科技有限公司 大脑皮层表面重建方法和可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030068074A1 (en) * 2001-10-05 2003-04-10 Horst Hahn Computer system and a method for segmentation of a digital image
CN102332054A (zh) * 2011-08-25 2012-01-25 西北工业大学 三维大脑磁共振图像的大脑皮层表面标志区域识别方法
CN103415779A (zh) * 2011-03-07 2013-11-27 皇家飞利浦有限公司 利用混合式核成像/mr中的核发射数据进行mr分割

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9512012D0 (en) * 1995-06-13 1995-08-09 British Tech Group Apparatus for image enhancement and related method
US6754374B1 (en) * 1998-12-16 2004-06-22 Surgical Navigation Technologies, Inc. Method and apparatus for processing images with regions representing target objects
US6430430B1 (en) 1999-04-29 2002-08-06 University Of South Florida Method and system for knowledge guided hyperintensity detection and volumetric measurement
EP1597701A1 (en) * 2003-02-27 2005-11-23 Agency for Science, Technology and Research Method and apparatus for extracting cerebral ventricular system from images
JP4022587B2 (ja) * 2004-02-23 2007-12-19 国立精神・神経センター総長 脳疾患の診断支援方法及び装置
EP1603076A1 (en) 2004-05-13 2005-12-07 Aalborg Universitet Computerized cortex boundary extraction from MR images
US9471978B2 (en) * 2004-10-04 2016-10-18 Banner Health Methodologies linking patterns from multi-modality datasets
JP3779982B1 (ja) * 2005-02-04 2006-05-31 国立大学法人岐阜大学 医用画像処理装置及びプログラム
US7903849B2 (en) * 2005-04-15 2011-03-08 Kabushiki Kaisha Toshiba Medical image processing apparatus
US8160677B2 (en) * 2006-09-08 2012-04-17 Medtronic, Inc. Method for identification of anatomical landmarks
US8160676B2 (en) * 2006-09-08 2012-04-17 Medtronic, Inc. Method for planning a surgical procedure
JP5098393B2 (ja) * 2007-03-28 2012-12-12 大日本印刷株式会社 関心領域決定装置
DE102007029364A1 (de) * 2007-06-26 2009-01-02 Siemens Ag Verfahren zum Bestimmen eines Zugangs zu einem Areal von einem Gehirn
SG188181A1 (en) * 2008-02-29 2013-03-28 Agency Science Tech & Res A method and system for anatomy structure segmentation and modeling in an image
US20100074480A1 (en) * 2008-09-22 2010-03-25 University Of Washington Device for generating alternative of normal brain database
US8831328B2 (en) * 2009-06-23 2014-09-09 Agency For Science, Technology And Research Method and system for segmenting a brain image
US20120197104A1 (en) 2009-10-24 2012-08-02 Stc.Unm System and methods for automatic placement of spatial supression regions in mri and mrsi
CN102844790B (zh) * 2010-03-02 2016-06-29 皇家飞利浦电子股份有限公司 用于识别整个大脑的至少一部分的异常的方法和***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030068074A1 (en) * 2001-10-05 2003-04-10 Horst Hahn Computer system and a method for segmentation of a digital image
CN103415779A (zh) * 2011-03-07 2013-11-27 皇家飞利浦有限公司 利用混合式核成像/mr中的核发射数据进行mr分割
CN102332054A (zh) * 2011-08-25 2012-01-25 西北工业大学 三维大脑磁共振图像的大脑皮层表面标志区域识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAVID W. SHATTUCK: "Magnetic Resonance Image Tissue Classification Using a Partial Volume Model", 《NEUROIMAGE》 *
DUYGU TOSUN: "Cortical Surface Segmentation and Mapping", 《NEUROIMAGE》 *
SALVATORE NIGRO: "Fully Automated Segmentation of the Pons and Midbrain Using Human T1 MR Brain Images", 《PLOS ONE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111403032A (zh) * 2020-03-05 2020-07-10 上海市精神卫生中心（上海市心理咨询培训中心） 一种儿童脑发育水平评估方法，***及存储设备
CN114187281A (zh) * 2021-12-14 2022-03-15 数坤(北京)网络科技股份有限公司 一种图像处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN107430690B (zh) 2021-01-29
EP3254237A1 (en) 2017-12-13
JP2018509216A (ja) 2018-04-05
US9721360B2 (en) 2017-08-01
JP6544540B2 (ja) 2019-07-17
KR101966575B1 (ko) 2019-04-05
US20170061650A1 (en) 2017-03-02
US20160292847A1 (en) 2016-10-06
WO2016160094A1 (en) 2016-10-06
US9530206B2 (en) 2016-12-27
KR20170116100A (ko) 2017-10-18
EP3254237B1 (en) 2019-08-28
EP3254237A4 (en) 2018-08-01

Similar Documents

Publication Publication Date Title
CN107430690A (zh) 根据t1 mri的自动3d分割和皮层表面重建
Huo et al. Consistent cortical reconstruction and multi-atlas brain segmentation
CN111833359B (zh) 基于生成对抗网络的脑瘤分割数据增强方法
WO2018120644A1 (zh) 血管提取方法及***
Tosun et al. Cortical surface segmentation and mapping
Wang et al. Automated segmentation of CBCT image using spiral CT atlases and convex optimization
CN106573150A (zh) 图像中血管结构的遮盖
EP3588438A1 (en) Method and system for generating colour medical images
Cabrera et al. Segmentation of axillary and supraclavicular tumoral lymph nodes in PET/CT: A hybrid CNN/component-tree approach
Piao et al. Segmentation of cysts in kidney and 3-D volume calculation from CT images
Zhang et al. Volumetric registration-based cleft volume estimation of alveolar cleft grafting procedures
Abdolali et al. Mandibular canal segmentation using 3D Active Appearance Models and shape context registration
Wang et al. Modeling 4D changes in pathological anatomy using domain adaptation: Analysis of TBI imaging using a tumor database
Kwon et al. 3D segmentation for high-resolution image datasets using a commercial editing tool in the IoT environment
CN102609981A (zh) 构建三维脑模型的方法
Ghadimi et al. Segmentation of scalp and skull in neonatal MR images using probabilistic atlas and level set method
Somasundaram et al. Brain portion extraction scheme using region growing and morphological operation from MRI of human head scans
He et al. Rapid and high-quality 3D fusion of heterogeneous CT and MRI data for the human brain
Athertya et al. 3D CT image reconstruction of the vertebral column
Chen et al. Statistical atlases of human anatomy and computer assisted diagnostic system
Geng et al. Scene-based Segmentation of Multiple Muscles from MRI in MITK
US20240144472A1 (en) Medical image augmentation
Zeng et al. Unsupervised segmentation for multiple sclerosis lesions in multimodality magnetic resonance images
Liu et al. Three dimensional digital atlas of the orbit constructed from multi-modal radiological images
Ye et al. Fully automatic segmentation of the dentate nucleus using diffusion weighted images

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