CN110211166B - 磁共振图像中视神经分割方法及装置 - Google Patents

磁共振图像中视神经分割方法及装置 Download PDF

Info

Publication number
CN110211166B
CN110211166B CN201910509876.1A CN201910509876A CN110211166B CN 110211166 B CN110211166 B CN 110211166B CN 201910509876 A CN201910509876 A CN 201910509876A CN 110211166 B CN110211166 B CN 110211166B
Authority
CN
China
Prior art keywords
magnetic resonance
probability distribution
resonance image
visual
distribution information
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
CN201910509876.1A
Other languages
English (en)
Other versions
CN110211166A (zh
Inventor
杨健
王涌天
范敬凡
艾丹妮
赵志奇
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910509876.1A priority Critical patent/CN110211166B/zh
Publication of CN110211166A publication Critical patent/CN110211166A/zh
Application granted granted Critical
Publication of CN110211166B publication Critical patent/CN110211166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种磁共振图像中视神经分割方法及装置，包括：对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。本发明实施例通过获取磁共振图像中视觉通路的空间概率分布信息，根据空间概率分布信息的形状信息和位置信息，对磁共振图像中的视觉通路进行分割，有效地克服了视觉通路边界模糊的问题，实现了视觉通路的精确分割。

Description

磁共振图像中视神经分割方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种磁共振图像中视神经分割方法及装置。
背景技术
磁共振(Magnetic Resonance，简称MR)成像是利用原子核在强磁场内发生共振产生的信号经图像重建的一种成像技术，如今，基于磁共振图像的图像引导手术导航已经成为鼻窦和颅底外科手术重要的辅助方式。
由于鼻窦、颅底以及临近的眼眶区域的解剖结构错综复杂，包含了重要的神经和血管结构，例如，视觉通路，其细长的解剖结构，在磁共振图像中呈现的低对比度和模糊的边界，基于阈值或边缘检测的目标分割方法根本无法取得效果，又由于视觉通路占整个头部体数据的比例很小，导致现有的视觉通路的分割方法精确度较低。
因此，现在亟需一种磁共振图像中视神经分割方法及装置来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种磁共振图像中视神经分割方法及装置。
第一方面，本发明实施例提供了一种磁共振图像中视神经分割方法，包括：
对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；
基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
第二方面，本发明实施例提供了一种磁共振图像中视神经分割装置，包括：
图像配准模块，用于对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；
视觉通路获取模块，用于基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种磁共振图像中视神经分割方法及装置，通过获取磁共振图像中视觉通路的空间概率分布信息，并根据空间概率分布信息的形状信息和位置信息，对磁共振图像中的视觉通路进行分割，有效地克服了视觉通路边界模糊的问题，实现了视觉通路的精确分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的磁共振图像中视神经分割方法的流程示意图；
图2为本发明实施例提供的3D全卷积神经网络的结构示意图；
图3为本发明实施例提供的磁共振图像中视神经分割装置的结构示意图；
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前的视觉通路分割方法主要分为基于图谱的分割方法、基于统计模型的分割方法和基于学习的分割方法。基于图谱的方法通常是通过图像配准计算参考图谱与待分割图像之间的形变场，然后通过形变场将图谱中的标签传递到待分割图像上，完成对目标图像的分割。基于多图谱的分割就是利用图谱集得到多个投影之后的标签，然后通过标签融合策略得到最后的分割结果。但是实验结果表明基于图谱的方法不鲁棒。基于统计模型的分割方法通过并入形状或外观模型先验信息，依据图像信息和形状信息迭代优化，产生最终的分割表面网格，其中有可能需要人工选取初始轮廓。基于学习的分割方法通过提取体素的特征向量训练分类器，从而实现体素级的分类，具有辨别度的特征和分类器的性能是影响基于学习的分割方法结果的关键因素，但是由于视觉通路与周围组织的低对比度，得到的分割结果的精确度较低。
图1为本发明实施例提供的磁共振图像中视神经分割方法的流程示意图，如图1所示，本发明实施例提供了一种磁共振图像中视神经分割方法，包括：
步骤101，对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息。
在本发明实施例中，在对目标磁共振图像上的视觉通路进行分割之前，首先对目标磁共振图像进行图像配准，从而得到在目标磁共振图像中关于视觉通路的空间概率分布图，根据空间概率分布图，得到视觉通路的形状信息和位置信息，即空间概率分布信息，实现视觉通路感兴趣区域(Region Of Interest，简称ROI)的定位。在本发明实施例中，通过计算空间概率分布图像在横断面、冠状面和矢状面上的起始和终止切片位置，并向外扩张形成90×54×90大小的包围盒，从而实现视觉通路ROI的定位。
步骤102，基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
在本发明实施例中，将目标磁共振图像以及目标磁共振图像对应的空间概率分布信息输入到训练好的视觉通路分割模型中，视觉通路分割模型根据空间概率分布信息中的视觉通路的形状信息和位置信息，对目标磁共振图像上的视觉通路进行预测识别，并将识别得到的视觉通路区域添加标签，从而在目标磁共振图像上分割出视觉通路图像。
本发明实施例提供的磁共振图像中视神经分割方法，通过获取磁共振图像中视觉通路的空间概率分布信息，并根据空间概率分布信息的形状信息和位置信息，对磁共振图像中的视觉通路进行分割，有效地克服了视觉通路边界模糊的问题，实现了视觉通路的精确分割。
在上述实施例的基础上，所述训练好的视觉通路分割模型通过以下步骤训练得到：
将样本磁共振图像上的视觉通路添加标签，得到第一样本训练集；
将所述第一样本训练集进行图像配准，得到样本空间概率分布信息；
根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型。
在本发明实施例中，首先将样本磁共振图像上的视觉通路区域进行标注，将添加标签后的样本磁共振图像作为第一磁共振样本图像，以用于构建第一样本训练集，然后，根据第一样本训练集中的第一磁共振图像构建空间概率分布图，以得到第一磁共振图像对应的空间概率分布信息，最后，将第一样本训练集以及对应的空间概率分布信息输入到待训练的视觉通路分割模型中，最终得到训练好的视觉通路分割模型。需要说明的是，在本发明实施例中，通过Xavier初始化对视觉通路分割模型的网络权重进行初始化处理，并通过自适应矩估计(adaptive moment estimation，简称Adam)算法进行优化，另外，在对模型进行训练时，采用学习率衰减策略进行训练，在训练前期使用较大的学习率加速收敛，后期用较小的学习率保证稳定。
进一步地，在本发明实施例中，在得到训练完成的视觉通路分割模型之后，在测试阶段，首先将空间概率分布图配准到待分割的磁共振图像上，得到与待分割的磁共振图像对应的空间概率分布图，完成视觉通路ROI的定位。然后，将待分割的磁共振图像与对应的空间概率分布信息裁成子块送入视觉通路分割模型中进行预测，将得到的预测结果子块按顺序拼接起来，得到最终的分割结果。
在上述实施例的基础上，所述将所述第一样本训练集进行图像配准，得到样本空间概率分布信息，包括：
将所述第一样本训练集的第一磁共振图像对齐到预设参考图像上，得到第二磁共振图像和对应的形变场；
根据所述形变场将所述第一磁共振图像上的标签转换到参考空间，得到所述第二磁共振图像对应的标签；
将所述第二磁共振图像的标签进行求和平均处理，得到样本空间概率分布信息。
在本发明实施例中，通过空间概率分布图反映磁共振图像中某个位置的体素属于视觉通路的概率。在训练阶段时，首先对第一样本训练集中的图像进行配准，将第一样本训练集的图像对齐到预设参考图像上，并根据得到的形变场将第一样本训练集中图像对应的标签转换到参考空间，在完成图像配准之后，将完成转换后的所有标签通过求和平均，得到空间概率分布图，在本发明实施例中，空间概率分布图提供了视觉通路的形状信息和位置信息，利用空间概率分布图，实现视觉通路感兴趣区域的定位。
在上述实施例的基础上，所述视觉通路分割模型通过3D全卷积神经网络构建得到。
进一步地，在上述实施例的基础上，所述3D全卷积神经网络是由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层构成。
在本发明实施例中，图2为本发明实施例提供的3D全卷积神经网络的结构示意图，可参考图2所示，3D全卷积神经网络由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层组成。优选地，在本发明实施例中，为了获得更深的网络以提取更有辨别度的特征，本发明实施例采用三层连续的3×3×3大小的卷积核代替7×7×7大小的卷积核，这两者具有相同大小的感受野，并且在每个卷积层后面连接PRelu非线性激活层，其中，最后一个卷积层采用的是Softmax损失函数，具体地，在本发明实施例中损失函数采用的是交叉熵。另外，为了利用不同级别的信息，本发明实施例将不同阶段得到的特征图连结起来，用于最终的分类。
在上述实施例的基础上，所述根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型，包括：
将所述第一样本训练集和所述样本空间概率分布信息裁成子块，对视觉通路分割模型进行训练，得到样本预测结果子块；
根据所述样本预测结果子块的顺序进行拼接，获取样本视觉通路分割图像，以得到训练好的视觉通路分割模型。
在本发明实施例中，将第一样本训练集中的各个图像和对应的空间概率分布信息作为3D全卷积神经网络输入的两个通道，输入到3D全卷积神经网络进行训练学***衡的问题，本发明实施例在选取包含了视觉通路的三维子块的同时，也添加了相同数目的只含有背景的三维子块进行训练。
在上述实施例的基础上，所述根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型，还包括：
基于早停止策略，根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型。
在本发明实施例中，为了防止过拟合，采用了早停止(Early Stopping)策略对3D全卷积神经网络进行训练，计算3D全卷积神经网络模型在验证集上的表现，当模型在验证集上的表现不再下降的时候，停止训练，这样就能避免继续训练导致过拟合的问题。具体地，在本发明实施例中，即当验证集的损失函数在10个epoch之后不再下降时，终止训练，从而得到训练好的视觉通路分割模型。
图3为本发明实施例提供的磁共振图像中视神经分割装置的结构示意图，如图3所示，本发明实施例提供了一种磁共振图像中视神经分割装置，包括图像配准模块301和视觉通路获取模块302，其中，图像配准模块301用于对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；视觉通路获取模块302用于基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
在本发明实施例中，在对目标磁共振图像上的视觉通路进行分割之前，图像配准模块301首先对目标磁共振图像进行图像配准，从而得到在目标磁共振图像中关于视觉通路的空间概率分布图，并根据空间概率分布图，得到视觉通路的形状信息和位置信息，即空间概率分布信息，实现视觉通路感兴趣区域(Region Of Interest，简称ROI)的定位。然后，视觉通路获取模块302根据空间概率分布信息中的视觉通路的形状信息和位置信息，对目标磁共振图像上的视觉通路进行预测识别，并将识别得到的视觉通路区域添加标签，从而在目标磁共振图像上分割出视觉通路图像。
本发明实施例提供的一种磁共振图像中视神经分割装置，通过获取磁共振图像中视觉通路的空间概率分布信息，并根据空间概率分布信息的形状信息和位置信息，对磁共振图像中的视觉通路进行分割，有效地克服了视觉通路边界模糊的问题，实现了视觉通路的精确分割。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)401、通信接口(Communications Interface)402、存储器(Memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述实施例所提供的磁共振图像中视神经分割方法，例如包括：对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种磁共振图像中视神经分割方法，其特征在于，包括：
对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；
基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
2.根据权利要求1所述的磁共振图像中视神经分割方法，其特征在于，所述训练好的视觉通路分割模型通过以下步骤训练得到：
将样本磁共振图像上的视觉通路添加标签，得到第一样本训练集；
将所述第一样本训练集进行图像配准，得到样本空间概率分布信息；
根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型。
3.根据权利要求2所述的磁共振图像中视神经分割方法，其特征在于，所述将所述第一样本训练集进行图像配准，得到样本空间概率分布信息，包括：
将所述第一样本训练集的第一磁共振图像对齐到预设参考图像上，得到第二磁共振图像和对应的形变场；
根据所述形变场将所述第一磁共振图像上的标签转换到参考空间，得到所述第二磁共振图像对应的标签；
将所述第二磁共振图像的标签进行求和平均处理，得到样本空间概率分布信息。
4.根据权利要求2所述的磁共振图像中视神经分割方法，其特征在于，所述视觉通路分割模型通过3D全卷积神经网络构建得到。
5.根据权利要求4所述的磁共振图像中视神经分割方法，其特征在于，所述3D全卷积神经网络是由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层构成。
6.根据权利要求2所述的磁共振图像中视神经分割方法，其特征在于，所述根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型，包括：
将所述第一样本训练集和所述样本空间概率分布信息裁成多个子块，对视觉通路分割模型进行训练，得到样本预测结果子块；
根据所述样本预测结果子块的顺序进行拼接，获取样本视觉通路分割图像，以得到训练好的视觉通路分割模型。
7.根据权利要求2所述的磁共振图像中视神经分割方法，其特征在于，所述根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型，还包括：
基于早停止策略，根据所述第一样本训练集和所述样本空间概率分布信息，对视觉通路分割模型进行训练，得到训练好的视觉通路分割模型。
8.一种磁共振图像中视神经分割装置，其特征在于，包括：
图像配准模块，用于对目标磁共振图像进行图像配准，得到所述目标磁共振图像的空间概率分布信息，所述空间概率分布信息包括视觉通路的形状信息和位置信息；
视觉通路获取模块，用于基于训练好的视觉通路分割模型，对所述目标磁共振图像和所述空间概率分布信息进行预测，获取到所述目标磁共振图像的视觉通路分割图像；所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201910509876.1A 2019-06-13 2019-06-13 磁共振图像中视神经分割方法及装置 Active CN110211166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509876.1A CN110211166B (zh) 2019-06-13 2019-06-13 磁共振图像中视神经分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509876.1A CN110211166B (zh) 2019-06-13 2019-06-13 磁共振图像中视神经分割方法及装置

Publications (2)

Publication Number Publication Date
CN110211166A CN110211166A (zh) 2019-09-06
CN110211166B true CN110211166B (zh) 2021-10-12

Family

ID=67792370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509876.1A Active CN110211166B (zh) 2019-06-13 2019-06-13 磁共振图像中视神经分割方法及装置

Country Status (1)

Country Link
CN (1) CN110211166B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738635A (zh) * 2019-09-11 2020-01-31 深圳先进技术研究院 一种特征追踪方法及装置
CN111862022B (zh) * 2020-07-13 2022-08-16 广州柏视医疗科技有限公司 全身多部位放射治疗危及器官自动勾画方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090163800A1 (en) * 2007-12-20 2009-06-25 Siemens Corporate Research, Inc. Tools and methods for visualization and motion compensation during electrophysiology procedures
CN107563996A (zh) * 2017-08-23 2018-01-09 东北大学 一种新型视神经盘分割方法及***
CN107886508A (zh) * 2017-11-23 2018-04-06 上海联影医疗科技有限公司 差分减影方法和医学图像处理方法及***
CN108492302A (zh) * 2018-03-26 2018-09-04 北京市商汤科技开发有限公司 神经层分割方法和装置、电子设备、存储介质、程序
CN109785334A (zh) * 2018-12-17 2019-05-21 深圳先进技术研究院 心脏磁共振图像分割方法、装置、终端设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090163800A1 (en) * 2007-12-20 2009-06-25 Siemens Corporate Research, Inc. Tools and methods for visualization and motion compensation during electrophysiology procedures
CN107563996A (zh) * 2017-08-23 2018-01-09 东北大学 一种新型视神经盘分割方法及***
CN107886508A (zh) * 2017-11-23 2018-04-06 上海联影医疗科技有限公司 差分减影方法和医学图像处理方法及***
CN108492302A (zh) * 2018-03-26 2018-09-04 北京市商汤科技开发有限公司 神经层分割方法和装置、电子设备、存储介质、程序
CN109785334A (zh) * 2018-12-17 2019-05-21 深圳先进技术研究院 心脏磁共振图像分割方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN110211166A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别***
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN105574859B (zh) 一种基于ct图像的肝脏肿瘤分割方法及装置
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
US20230104173A1 (en) Method and system for determining blood vessel information in an image
CN111640120B (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
Wen et al. A novel statistical cerebrovascular segmentation algorithm with particle swarm optimization
CN109741343B (zh) 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法
CN109829918B (zh) 一种基于密集特征金字塔网络的肝脏图像分割方法
CN111105424A (zh) ***自动勾画方法及装置
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN108550156B (zh) 用于图像引导治疗计划的结构形状的自动描绘的方法和装置
CN102324109B (zh) 基于模糊隶属度模型的非实质性肺结节三维分割方法
US20100027865A1 (en) Method and System for Brain Tumor Segmentation in 3D Magnetic Resonance Images
US20230005140A1 (en) Automated detection of tumors based on image processing
CN110110727B (zh) 基于条件随机场和贝叶斯后处理的图像分割方法
RU2654199C1 (ru) Сегментация тканей человека на компьютерном изображении
CN112037171B (zh) 基于多模态特征融合的多任务mri脑瘤图像分割方法
CN113096169B (zh) 一种非刚性多模医学图像的配准模型建立方法及其应用
CN110211166B (zh) 磁共振图像中视神经分割方法及装置
CN116309571B (zh) 一种基于半监督学习的三维脑血管分割方法和装置
CN115222713A (zh) 一种冠状动脉钙化积分的计算方法、装置及存储介质
CN113763371A (zh) 病理图像的细胞核分割方法及装置
CN117710317A (zh) 检测模型的训练方法及检测方法
CN115359046B (zh) 一种脏器血管分割方法、装置、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant