CN109886972A - 一种基于多层字典的脑磁共振图像分割方法 - Google Patents
一种基于多层字典的脑磁共振图像分割方法 Download PDFInfo
- Publication number
- CN109886972A CN109886972A CN201910068621.6A CN201910068621A CN109886972A CN 109886972 A CN109886972 A CN 109886972A CN 201910068621 A CN201910068621 A CN 201910068621A CN 109886972 A CN109886972 A CN 109886972A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- image
- image block
- split
- magnetic resonance
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多层字典的脑磁共振图像分割方法,通过构建中间字典连通图像域和标记域,逐步优化标记融合的权重,使得权重最终对于标记融合是最优的,而不是像在传统方法中那样仅使用基于灰度信息的图像块得到的权重作为最终标记融合的权重。通过本发明,可提高脑磁共振图像的分割精度。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于多层字典的脑磁共振图像分割方法。
背景技术
国际脑研究组织把21世纪称为“脑的世纪”。自2000年开始,我国将每年的9月16日命名为“脑健康日”,每年的9月定为“脑健康月”,旨在通过宣传普及脑科学知识和脑疾病防治措施,引发全民对脑健康的重视。然而由于环境因素、生活节奏紧张、人口老龄化、交通意外等多种因素的影响,颅脑损伤、颅内肿瘤和脑血管病等发病率均在上升,已成为人类健康的第一杀手;癫痫、脑瘫及帕金森氏病等疾病的发病率也在逐年增加;抑郁症的发病率已位居世界150种常见病的第四位,并有进一步上升的趋势。据报道,我国每年有超过200多万人发生脑疾,其中每年死于脑疾病的患者约有100万以上,脑疾病死亡率约为45%。因此,脑部疾病具有死亡率高、致残率高及并发症多的特点,成为危害人类健康的主要杀手。
根据美国疾病预防与控制中心的报告,如果脑疾病能够得到有效的诊断和治疗,病人的平均预期寿命将会提高10-20年。已有研究表明:许多疾病都与大脑病变密切关联。为此,世界上很多国家均制定了关于脑科学研究的长远计划。美国于上世纪90年代开始资助关于人脑的长期研究计划,欧洲各发达国家也随之开展了相应的脑科学研究。我国同样关注脑功能和脑疾病的基础研究、脑图像处理研究、以及学习、记忆、语言加工等与脑功能相关的机制研究,与之相关的课题均是国家优先资助的基础研究项目。脑部疾病的预防治疗已成为全人类共同面对的挑战。
近二十多年来,医学影像已成为医学诊断的重要技术手段,在临床诊断、治疗、手术规划导航中发挥着重要的作用。其中磁共振成像(Magnetic Resonance Imaging,MRI)以其独特的成像方式对生物体内的软组织十分有效,被广泛的使用在脑图像中。使用MRI技术对脑这样的软组织进行成像,不仅能直接观察到人脑内部的病变组织,还可以通过对大脑内各组织结构的定量分析,揭示人脑发育和衰老的规律,描述各种疾病造成的脑结构变异。随着医学图像成像技术的发展,海量的数据需要分析和处理,使用计算机进行图像分析成为必要。其中,医学图像分割是进行计算机图像处理和分析的关键,是制约医学图像处理领域相关技术发展和应用的瓶颈,也是医学图像理解的基础。因此,医学图像分割在生物医学研究、临床诊断、病理分析等方面具有重要的意义,已成为临床领域和医学图像处理领域共同关注的一个核心问题。
综上所述,基于磁共振图像定性和定量地分析脑组织,采取有效的预防或治疗措施,对降低脑疾病给人类健康带来的巨大威胁具有重要意义。
近几十年来,针对脑磁共振图像的分割算法种类繁多,且仍层出不穷,但依然无法完全满足人们的实际需求。其原因相当复杂,包括:无法完全用数学模型来简单描述人们所面临的实际问题;由于个体以及病变差异导致医学图像具有复杂性与多样性;图像退化以及人们对分割结果预期目标互不相同等。这些都决定了不可能实现一种普适、通用的分割方法。只能针对特定问题和具体的需求给予合理选择,在精度、速度和鲁棒性等关键性指标上做出均衡或侧重。因此,相应分割方法的类型也表现为形式多样,如有数据驱动和模型驱动之分;有基于区域、基于边界以及它们的融合算法之分;有自动、半自动与手工之分;有监督与无监督之分;有基于模型和基于特征之分;有软分割与硬分割之分;有基于解剖学知识和基于先验概率图谱之分等。其中,基于多图谱的分割方法已经成为代表性脑图像分割方法。基于多图谱配准的分割方法在2004年,由Rohlfing等人首先提出。该方法使用了先验模型的思想,通过图谱(图谱包括图谱灰度图像及其手动分割好的图谱标记图像)与待分割图像配准,将图谱中存储的先验信息直接映射到待分割图像中,实现一种专家“图谱”指导下的图像分割。由于可以通过标记值的映射完成分割,且可以提供一个研究形态学特征的标准***,多图谱方法广泛应用于图像分割。
在所有上述现有基于多图谱的脑磁共振图像分割方法中,权重是由图像块之间的灰度相似性决定。由图像的灰度信息计算出的权重直接用于确定目标图像的标记。尽管其简单有效,但是并没有证据表明这样的权重是域不变的,也就是说从基于灰度信息的图像块所计算出的权重可能不会导致最佳标记融合结果。
发明内容
本发明的目的是为解决上述现有技术的不足之处而提供一种基于多层字典的脑磁共振图像分割方法。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于多层字典的脑磁共振图像分割方法,该方法的步骤包括:
获取以待分割像素为中心的待分割图像块,在现有图谱图像中根据灰度相似性构建初始灰度字典,并在图谱标记图像中构造与初始灰度字典对应的标记字典;
指定初始灰度字典中任意的图像块为初始灰度字典第一图像块,初始灰度字典中其余图像块组成针对初始灰度字典第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成初始灰度字典第一图像块的标记子字典;使用灰度子字典对初始灰度字典第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对初始灰度字典中的每一图像块执行前述操作,生成中间字典的第一层;
再指定中间字典第一层任意图像块为中间字典第一层第一图像块,中间字典第一层中其余图像块组成针对中间字典第一层第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成中间字典第一层第一图像块的标记子字典;使用灰度子字典对中间字典第一层第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对中间字典第一层中的每一图像块执行前述操作,并迭代执行本步骤,构建多层次的中间字典;
将待分割图像块与初始灰度字典进行多图谱表示,得到待分割图像块的第一权重向量,并将第一权重向量与标记字典进行标记融合,得到待分割图像块的第一概率图像,将第一概率图像输入中间字典,逐层与中间字典的每一层进行多图谱表示操作,得到权重向量后与标记字典进行标记融合操作,逐步处理,得到的概率图像作为最终的标记融合结果;
对得到的最终标记融合结果通过阈值进行二值化,确认待分割图像中像素点为待分割目标或背景,最终得到整个待分割图像的分割结果。
其中,在构建指定一组脑磁共振图像的初始灰度字典和对应的标记字典的步骤之前,包括对初始灰度字典中的图像和待分割图像进行图像预处理的步骤,具体包括:
对所有磁共振图像及待分割图像进行去脑壳操作;
对所有磁共振图像及待分割图像使用N4ITK算法进行偏移场校正;
对所有磁共振图像及待分割图像使用灰度归一化,对图像灰度进行调整;
对所有磁共振图像都与待分割图像进行配准,包括线性配准和非线性配准;
对所有磁共振图像都与待分割图像进行基于灰度相似性的筛选处理。
其中,待分割图像经过中间字典的每一层处理后,得到的概率图像通过阈值对概率进行二值化,二值化结果与预设阈值进行比较,若大于预设阈值,则作为待分割图像的分割结果输出。
其中,对概率图像进行二值化,使用0.5作为阈值,当概率大于0.5时即认为该像素点为待分割目标;反之,当概率值低于0.5时认为该像素点为背景。
其中,标记融合操作的方式为非局部均值或者稀疏表示。
区别于现有技术,本发明的基于多层字典的图像分割方法通过逐层构建中间字典,由中间字典逐步优化标记融合的权重,使得权重最终对于标记融合是最优的,而不是像在传统方法中那样仅使用基于灰度信息的图像块得到的权重作为对标记融合最优的权重。通过本发明,可提高脑磁共振图像的分割精度。
附图说明
图1是本发明提供的一种基于多层字典的脑磁共振图像分割方法的流程示意图。
图2是本发明提供的一种基于多层字典的脑磁共振图像分割方法的计算逻辑示意图。
图3是本发明提供的一种基于多层字典的脑磁共振图像分割方法中验证字典中每个元素的熵值变化情况的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,示意图只是实例,其在此不应限制本发明保护的范围。
如图1和图2所示,图1为本发明的一种基于多层字典的图像分割方法的流程示意图,图2是本发明的计算逻辑示意图。该方法的步骤包括:
S110:获取以待分割像素为中心的待分割图像块,在现有图谱图像中根据灰度相似性构建初始灰度字典,并在图谱标记图像中构造与初始灰度字典对应的标记字典。
S120:指定初始灰度字典中任意的图像块为初始灰度字典第一图像块,初始灰度字典中其余图像块组成针对初始灰度字典第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成初始灰度字典第一图像块的标记子字典;使用灰度子字典对初始灰度字典第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对初始灰度字典中的每一图像块执行前述操作,生成中间字典的第一层。
S130:再指定中间字典第一层任意图像块为中间字典第一层第一图像块,中间字典第一层中其余图像块组成针对中间字典第一层第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成中间字典第一层第一图像块的标记子字典;使用灰度子字典对中间字典第一层第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对中间字典第一层中的每一图像块执行前述操作,并迭代执行本步骤,构建多层次的中间字典。
S140:将待分割图像块与初始灰度字典进行多图谱表示,得到待分割图像块的第一权重向量,并将第一权重向量与标记字典进行标记融合,得到待分割图像块的第一概率图像,将第一概率图像输入中间字典,逐层与中间字典的每一层进行多图谱表示操作,得到权重向量后与标记字典进行标记融合操作,逐步处理,得到的概率图像作为最终的标记融合结果。
S150:对得到的最终标记融合结果通过阈值进行二值化,确认待分割图像中像素点为待分割目标或背景,最终得到整个待分割图像的分割结果。
其中,在构建指定一组脑磁共振图像的初始灰度字典和对应的标记字典的步骤之前,包括对初始灰度字典中的图像和待分割图像进行图像预处理的步骤,具体包括:
对所有磁共振图像及待分割图像进行去脑壳操作;
对所有磁共振图像及待分割图像使用N4ITK算法进行偏移场校正;
对所有磁共振图像及待分割图像使用灰度归一化,对图像灰度进行调整。
其中,待分割图像经过中间字典的每一层处理后,得到的概率图像通过阈值对概率进行二值化,二值化结果与预设阈值进行比较,若大于预设阈值,则作为待分割图像的分割结果输出。
其中,对概率图像进行二值化,使用0.5作为阈值,当概率大于0.5时即认为该像素点为待分割目标;反之,当概率值低于0.5时认为该像素点为背景。
其中,融合操作的方式为非局部均值或者稀疏表示。
通过实验发现当对图像块进行标记融合时图像的灰度域与标记域的权重并不是完全一致的。为了解决这个问题,本发明提出了一个新的标记融合框架,通过构造一系列中间字典将权重从图像域转换为标记域最终得到最佳标记融合权重。这些字典连通了图像域与标记域。已知一组基于灰度信息的图谱图像块和他们对应的已标记图像块,即分别为灰度图像字典和标记字典。构造的中间字典描述了一种从从模糊概率到标记的路径。以此方式,可以通过中间字典逐层优化权重向量,最终得到基于标记域的权重信息。
本发明提供一种上下文结构信息,提高图像块表示的鲁棒性。具体来说,对于每个目标图像块,初始字典的构造与大多数传统的标记融合方法一致,即由原始图谱(图像域)中的图像块组成。由于每个图谱图像有其对应的人工标记图像,因此可以使用与初始字典中图谱相同的顺序构造对应的标记字典(标记域)。为了减小图像域和标记域之间的差距,首先对于初始字典中的每个图像块,将除当前图像块之外的其余所有图像块作为该图像块的图谱集,使用已知的图像标记融合技术得到该图像块的权重向量。然后,将该权重向量作用于标记字典,得到该图像块对应的概率图像块。对初始字典中的每个图像块都重复上述过程,得到整个初始字典中所有灰度图像块对应的概率图像块。
在进行实验之前先对所有实验数据执行以下三个预处理步骤。首先,对所有磁共振图像进行了去脑壳操作。第二,使用N4ITK算法进行了偏移场校正。第三,使用灰度归一化对图像灰度进行了调整。第四对所有磁共振图像都与待分割图像进行配准,包括线性配准和非线性配准。第五对所有磁共振图像都与待分割图像进行基于灰度相似性的筛选处理。
具体实施方式包括以下过程:
1、图谱选择
为了提高算法的时间有效性,本发明基于灰度相似性预先对图谱和图像块进行了筛选处理,选择与测试图像灰度最为相似的图谱图像作为所选图谱图像。并且为了测试图谱数量对实验结果的影响,本发明分别使用不同数量的图谱进行了测试。实验结果显示,随着图谱数量的增加,分割精度逐渐变高,但是当图谱数量超过15时,分割精度的提高变得十分微小,因此考虑到算法计算时间,在本发明的所有实验中对每个测试图像都选取了15个图谱。
2、灰度字典构造
很多研究已经发现图像中具有很多相似结构的图像块,因此利用这些相似的图像块去估计待测图像块得到的信息更加准确。对于测试图像中的每个像素,通过图像块之间的相似性替代像素之间的相似性,以该像素为中心选取图像块,且为每个像素提供一个搜索窗口,对于每个目标图像块,在所选图谱上相同像素点的位置通过搜索窗口选取灰度最为相似的图谱图像块,所选取的图像块构成了初始图谱灰度字典。
3、标记字典构造
由于每个图谱图像有其对应的人工标记图像,因此可以使用与初始图谱灰度字典中相同的图像块顺序构造对应的标记字典。
4、多层字典构造
假设初始图像图谱灰度字典中有 K个图像块,则对每个图像块,循环以下步骤逐步构造中间字典。
对于字典中的每一个图像块,该字典中的其余所有图像块组成了一个新的针对该图像块的特定子字典。该子字典的维数为。因此通过标记融合策略(非局部均值或者稀疏表示)使用该子字典来表示该图像块进而得到权重向量。同样,该权重向量的维数为。
对于子字典中的每个图像块都有其在标记字典中所对应的标记图像块,因此通过使用与子字典中元素相同的排列顺序可以得到该子图像字典所对应的子标记字典。
将第一步得到的权重向量作用于第二步中的子标记字典可以得到新的图像块,该图像块作为下一层的图谱灰度图像块。
对于字典中的每一个图像块都重复上述步骤,可以得到每个元素所对应的新图像块,进而用这些新图像块构造下一层的字典。
中间字典的层数对分割结果至关重要,本发明分别设置不同层数的字典对图像进行测试,实验结果显示,随着字典层数的增加,分割精度逐渐变高,当图字典层数为4时,其分割精度达到一个稳定值。因此,本发明的所有实验中都设定中间字典的层数为4。
5、多层标记融合
如图2所示,在最初始层,本发明使用灰度图像块字典来表示以像素点为中心的目标图像块,从而得到最初的权重向量。传统的基于多图谱的分割方法将该权重向量直接应用于标记图像块得到最终的分割结果。为了优化该权重向量,本发明将该权重向量作用于标记字典,得到该初始灰度图像块的概率图像块。然后逐层优化该概率图像块直至它接近标记图像块为止。将该概率图像块作为新的目标图像块,使用新的字典表示该图像块进而得到新的概率图像块。重复上述步骤直到最后一层,如图2所示使得估计得到的概率图像块越来越接近标记图像。因此最终的权重向量将作为标记融合的最优权重向量来决定像素点的标记。
6、二值化
对每个像素都重复上述操作得到对应的概率图像块之后通过阈值可以对概率进行二值化,本发明使用0.5作为阈值,当概率大于0.5时即认为该像素点为待分割目标。当概率值低于0.5时认为该像素点为背景。
7、多层字典熵验证
最小熵作为评价分类方法的一个准则已经被广泛使用。当为常数分布时例如标记图谱其熵值越小,即未受偏移影响的图像的熵值要小于受偏移影响的图像的熵值。因此对于概率图像,其所包含的信息要比标记图谱信息多,因此概率越不稳定,其熵值越大。因此本发明使用熵值来验证中间字典的演化过程,随着字典层数的增加,其概率应该趋于稳定值,对应的熵值也应该逐渐减小。
图3描述了随着字典层数的增加,其字典中每个元素的熵值变化情况。对待分割图像中的每一个像素点为中心的图像块,在图谱上搜索得到一系列相似的图像块和他们所对应的标记图像块。红色虚线框内的图像块是所构造的多层中间字典,从上到下层数依次增加。右侧的表格为每个图像块所对应的熵值大小。需要指出的是,本发明分别计算了原始灰度图像块和标记图像块的熵。与上述描述一致,标记图像块的熵值最小(如图3最右侧底部表格所示)。相反,灰度图像块的熵值最高。由于熵与编码强度分布所需的最小位数相关,因此像素标记的可预测性与熵的概念密切相关。当随机变量可预测时其熵值较低,反之熵值较高。如图3所示,当字典层数从第1层到第4层,对于大多数图像块其熵值逐渐减小,这意味着其概率值与真实标记值更为接近,即该图像块的标记更容易预测。随着层数的增加,字典变得更为尖锐最终接近其真实的二进制标记,验证了本发明对图像分割的有效性。
区别于现有技术,本发明的基于多层字典的图像分割方法通过逐层构建中间字典,由中间字典逐步优化标记融合的权重,使得权重最终对于标记融合是最优的,而不是像在传统方法中那样仅使用基于灰度信息的图像块得到的权重作为对标记融合最优的权重。通过本发明,可提高脑磁共振图像的分割精度。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (5)
1.一种基于多层字典的脑磁共振图像分割方法,其特征在于,包括以下步骤:
获取以待分割像素为中心的待分割图像块,在现有图谱图像中根据灰度相似性构建初始灰度字典,并在图谱标记图像中构造与初始灰度字典对应的标记字典;
指定初始灰度字典中任意的图像块为初始灰度字典第一图像块,初始灰度字典中其余图像块组成针对初始灰度字典第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成初始灰度字典第一图像块的标记子字典;使用灰度子字典对初始灰度字典第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对初始灰度字典中的每一图像块执行前述操作,生成中间字典的第一层;
再指定中间字典第一层任意图像块为中间字典第一层第一图像块,中间字典第一层中其余图像块组成针对中间字典第一层第一图像块的灰度子字典,标记字典中与灰度子字典对应顺序的图像块组成中间字典第一层第一图像块的标记子字典;使用灰度子字典对中间字典第一层第一图像块进行多图谱表示,得到权重向量,使用该权重向量对标记子字典进行标记融合操作,得到新的图像块,对中间字典第一层中的每一图像块执行前述操作,并迭代执行本步骤,构建多层次的中间字典;
将待分割图像块与初始灰度字典进行多图谱表示,得到待分割图像块的初始权重向量,并将初始权重向量与标记字典进行标记融合,得到待分割图像块的初始概率图像块,将初始概率图像块输入中间字典,逐层与中间字典的每一层进行多图谱表示操作,得到权重向量后与标记字典进行标记融合操作,通过逐步更新权重向量,逐层优化概率图像片直至它接近标记图像片为止,最后得到的概率图像作为最终的标记融合结果;
对得到的最终标记融合结果通过阈值进行二值化,确认待分割图像中像素点为待分割目标或背景,最终得到整个待分割图像的分割结果。
2.根据权利要求1所述的基于多层字典的脑磁共振图像分割方法,其特征在于,在构建指定一组脑磁共振图像的初始灰度字典和对应的标记字典的步骤之前,包括对初始灰度字典中的图像和待分割图像进行图像预处理的步骤,具体包括:
对所有磁共振图像及待分割图像进行去脑壳操作;
对所有磁共振图像及待分割图像使用N4ITK算法进行偏移场校正;
对所有磁共振图像及待分割图像使用灰度归一化,对图像灰度进行调整;
对所有磁共振图像都与待分割图像进行配准,包括线性配准和非线性配准;
对所有磁共振图像都与待分割图像进行基于灰度相似性的筛选处理。
3.根据权利要求1所述的基于多层字典的脑磁共振图像分割方法,其特征在于,待分割图像经过中间字典的每一层处理后,得到的概率图像通过阈值对概率进行二值化,二值化结果与预设阈值进行比较,若大于预设阈值,则作为待分割图像的分割结果输出。
4.根据权利要求3所述的基于多层字典的脑磁共振图像分割方法,其特征在于,对概率图像进行二值化,使用0.5作为阈值,当概率大于0.5时即认为该像素点为待分割目标;反之,当概率值低于0.5时认为该像素点为背景。
5.根据权利要求1所述的基于多层字典的脑磁共振图像分割方法,其特征在于,标记融合操作的方式为非局部均值或者稀疏表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068621.6A CN109886972A (zh) | 2019-01-24 | 2019-01-24 | 一种基于多层字典的脑磁共振图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068621.6A CN109886972A (zh) | 2019-01-24 | 2019-01-24 | 一种基于多层字典的脑磁共振图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886972A true CN109886972A (zh) | 2019-06-14 |
Family
ID=66926799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910068621.6A Pending CN109886972A (zh) | 2019-01-24 | 2019-01-24 | 一种基于多层字典的脑磁共振图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561921A (zh) * | 2020-11-10 | 2021-03-26 | 联想(北京)有限公司 | 一种图像分割方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
US20150301141A1 (en) * | 2014-04-21 | 2015-10-22 | Case Western Reserve University | Nuclear Magnetic Resonance (NMR) Fingerprinting Tissue Classification And Image Segmentation |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
CN106204600A (zh) * | 2016-07-07 | 2016-12-07 | 广东技术师范学院 | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 |
CN107392914A (zh) * | 2017-08-31 | 2017-11-24 | 齐鲁工业大学 | 基于自适应聚类算法的核磁共振图像分割方法 |
-
2019
- 2019-01-24 CN CN201910068621.6A patent/CN109886972A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
US20150301141A1 (en) * | 2014-04-21 | 2015-10-22 | Case Western Reserve University | Nuclear Magnetic Resonance (NMR) Fingerprinting Tissue Classification And Image Segmentation |
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
CN106204600A (zh) * | 2016-07-07 | 2016-12-07 | 广东技术师范学院 | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 |
CN107392914A (zh) * | 2017-08-31 | 2017-11-24 | 齐鲁工业大学 | 基于自适应聚类算法的核磁共振图像分割方法 |
Non-Patent Citations (1)
Title |
---|
宋艳涛: "基于磁共振成像的脑组织及病变分割方法研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561921A (zh) * | 2020-11-10 | 2021-03-26 | 联想(北京)有限公司 | 一种图像分割方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khojaste-Sarakhsi et al. | Deep learning for Alzheimer's disease diagnosis: A survey | |
Shao et al. | Brain ventricle parcellation using a deep neural network: Application to patients with ventriculomegaly | |
CN105760874B (zh) | 面向尘肺的ct图像处理***及其ct图像处理方法 | |
CN106204600A (zh) | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 | |
CN111967495A (zh) | 一种分类识别模型构建方法 | |
CN109685804B (zh) | 一种多通道头部磁共振成像组织分割方法 | |
CN112862805B (zh) | 听神经瘤图像自动化分割方法及*** | |
CN109102512A (zh) | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 | |
Spitzer et al. | Parcellation of visual cortex on high-resolution histological brain sections using convolutional neural networks | |
Kori et al. | Ensemble of fully convolutional neural network for brain tumor segmentation from magnetic resonance images | |
CN107292103A (zh) | 一种预测图像生成方法及装置 | |
Wegmayr et al. | Generative aging of brain MR-images and prediction of Alzheimer progression | |
CN112633416A (zh) | 一种融合多尺度超像素的脑ct图像分类方法 | |
CN115601346A (zh) | 一种基于深度学习的多模态mri对膝关节软骨损伤的多层次分类方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN109886972A (zh) | 一种基于多层字典的脑磁共振图像分割方法 | |
Xu et al. | Bi-MGAN: bidirectional T1-to-T2 MRI images prediction using multi-generative multi-adversarial nets | |
Yao et al. | Brain hematoma segmentation using active learning and an active contour model | |
Corso et al. | Segmentation of sub-cortical structures by the graph-shifts algorithm | |
CN115147605A (zh) | 一种基于信息损失区域检测机制的舌图像分割方法 | |
CN115937083A (zh) | 一种融合先验信息的***磁共振图像区域分割方法 | |
CN115496732A (zh) | 一种半监督心脏语义分割算法 | |
CN111798427B (zh) | 基于迁移学习的胃肠道间质瘤中核***象检测*** | |
Liu et al. | Hpcseg-Net: Hippocampus segmentation network integrating autofocus attention mechanism and feature recombination and recalibration module | |
Guo et al. | Automatic segmentation of Hippocampus for longitudinal infant brain MR image sequence by spatial-temporal hypergraph learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |