CN112200811A - 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 - Google Patents

一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 Download PDF

Info

Publication number
CN112200811A
CN112200811A CN202011164826.3A CN202011164826A CN112200811A CN 112200811 A CN112200811 A CN 112200811A CN 202011164826 A CN202011164826 A CN 202011164826A CN 112200811 A CN112200811 A CN 112200811A
Authority
CN
China
Prior art keywords
glioma
magnetic resonance
nuclear magnetic
segmentation
imgsg
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
Application number
CN202011164826.3A
Other languages
English (en)
Inventor
夏勇
赵国靖
张建鹏
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.)
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical 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 Northwestern Polytechnical University, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011164826.3A priority Critical patent/CN112200811A/zh
Publication of CN112200811A publication Critical patent/CN112200811A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，该方法构建了一个由编码器模块、分割模块和生成器模块组成的ImgSG模型；在ImgSG模型训练阶段，选择胶质瘤核磁共振图像4个序列中的3个作为网络的输入进行胶质瘤的分割，剩余的一个序列作为生成序列来辅助模型分割，根据生成序列的不同训练出3个相同结构但是参数不同的分割模型；在测试阶段，将待测试胶质瘤核磁共振图像分别输入3个分割模型，将得到的三个分割置信概率结果求均值，经过后处理得到最终的胶质瘤分割结果。该方法能够改变医生通过逐帧阅读核磁共振图像来判断是否有胶质瘤的现状，避免依靠医生经验而带来的主观偏差。

Description

一种采用跨序列核磁共振图像生成改进胶质瘤分割方法
技术领域
本发明属于医学领域，具体涉及一种分割方法。
背景技术
脑胶质瘤是中枢神经***中最常见的原发性肿瘤，占颅脑肿瘤的40％以上。在传统的医学处理领域，对脑肿瘤进行定性的最好方法是活组织切片检查。但由于人脑的精密性，可能造成某些难以预料的后果。因此以核磁共振图像为代表的无创伤方式已经成为了脑瘤分析的主要手段。然而基于核磁共振图像的胶质瘤诊断都是通过医生逐帧阅读来判断图层实现的。依靠医生进行诊断不可避免的会带入医生的主观偏差。除此此外，我国的影像医师的增长速度远远比不上医学影像数据的增长速度，对胶质瘤的自动分割有了迫切需求。
发明内容
为了克服现有技术的不足，本发明提供了一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，该方法构建了一个由编码器模块、分割模块和生成器模块组成的ImgSG模型；在ImgSG模型训练阶段，选择胶质瘤核磁共振图像4个序列中的3个作为网络的输入进行胶质瘤的分割，剩余的一个序列作为生成序列来辅助模型分割，根据生成序列的不同训练出3个相同结构但是参数不同的分割模型；在测试阶段，将待测试胶质瘤核磁共振图像分别输入3个分割模型，将得到的三个分割置信概率结果求均值，经过后处理得到最终的胶质瘤分割结果。该方法能够改变医生通过逐帧阅读核磁共振图像来判断是否有胶质瘤的现状，避免依靠医生经验而带来的主观偏差。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：对胶质瘤核磁共振图像按式(1)进行处理，将胶质瘤核磁共振图像的体素值限制在[0,1]范围内；
Figure BDA0002745430320000011
式中，x是将胶质瘤核磁共振图像的体素值限制在[0,1]范围内的结果，xo是胶质瘤核磁共振图像原始体素值，xmean是胶质瘤核磁共振图像中非0体素区域的均值，σ为胶质瘤核磁共振图像中非0体素区域的标准差；
步骤2：将经过步骤1处理后的胶质瘤核磁共振图像数据进行颅骨去除和图像配准，并将体素大小值重采样到1mm×1mm×1mm；再将处理后的图像随机切割为多个a1×a2×a3的数据块；
步骤3：构建ImgSG模型；
所述ImgSG模型包括编码器模块、分割模块和生成器模块；所述编码器模块由3DResUNet网络的编码器模块将批处理归一化改换为实例构成；所述编码器模块输出的特征分别输入到分割模块和生成器模块；
所述分割模块由3D ResUNet网络的分割模块将批处理归一化改换为实例构成；所述分割模块对从编码器模块输入的特征进行多次上采样，在每次上采样时叠加编码器相同特征通道数层的特征，得到分割结果；
所述生成器模块首先将从编码器模块输入的特征通过变分自编码器进行分布转换，然后通过1×1×1的卷积核和线性插值将特征的通道数目减半且分辨率变为原来的两倍，再将处理结果叠加编码器相同特征通道数层的特征，再经过实例归一化、第一修正线性单元、第一3×3×3的卷积核、实例归一化、第二修正线性单元、第二3×3×3的卷积核进行特征提取；将生成器中的上述过程重复三次，则得到的特征图通道数目减少到32且大小等于输入编码器的图像的大小，最后通过步长为1的第三3×3×3的卷积核得到生成序列；
步骤4：训练ImgSG模型；
胶质瘤核磁共振图像有四个序列，分别为T1、T1ce、Flair和T2；
将经过步骤2处理的T1、T1ce和T2拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将Flair作为生成标签，对ImgSG模型进行训练，得到第一ImgSG模型；
将经过步骤2处理的T1、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T2作为生成标签，对ImgSG模型进行训练，得到第二ImgSG模型；
将经过步骤2处理的T2、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T1作为生成标签，对ImgSG模型进行训练，得到第三ImgSG模型；
步骤5：将待测试胶质瘤核磁共振图像的T1、T1ce和T2经过步骤1和步骤2处理后拼接作为第一ImgSG模型的输入数据，第一ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第一置信概率；
将待测试胶质瘤核磁共振图像的T1、T1ce和Flair经过步骤1和步骤2处理后拼接作为第二ImgSG模型的输入数据，第二ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第二置信概率；
将待测试胶质瘤核磁共振图像的T2、T1ce和Flair经过步骤1和步骤2处理后拼接作为第三ImgSG模型的输入数据，第三ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第三置信概率；
步骤6：求取第一置信概率、第二置信概率和第三置信概率三者的均值，若均值大于等于阈值C则待测试胶质瘤核磁共振图像中包含有胶质瘤，均值小于阈值C则待测试胶质瘤核磁共振图像不包含胶质瘤。
优选地，所述a1＝80，a2＝160，a3＝160。
优选地，所述阈值C＝0.5。
本发明的有益效果是：由于采用了本发明的一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，能够改变医生通过逐帧阅读核磁共振图像来判断是否有胶质瘤的现状，避免依靠医生经验而带来的主观偏差；同时也解决了影像医师的增长速度远远低于医学影像数据的增长速度，导致不能对核磁共振图像进行处理的问题。
附图说明
图1为本发明方法ImgSG模型网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明提供了一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，包括以下步骤：
步骤1：由于核磁共振图像体素范围广，对胶质瘤核磁共振图像按式(1)进行处理，将胶质瘤核磁共振图像的体素值限制在[0,1]范围内；
Figure BDA0002745430320000031
式中，x是将胶质瘤核磁共振图像的体素值限制在[0,1]范围内的结果，xo是胶质瘤核磁共振图像原始体素值，xmean是胶质瘤核磁共振图像中非0体素区域的均值，σ为胶质瘤核磁共振图像中非0体素区域的标准差；
步骤2：将经过步骤1处理后的胶质瘤核磁共振图像数据进行颅骨去除和图像配准，并将体素大小值重采样到1mm×1mm×1mm；再将处理后的图像随机切割为多个80×160×160的数据块；
步骤3：构建ImgSG模型；
所述ImgSG模型包括编码器模块、分割模块和生成器模块；所述编码器模块由3DResUNet网络的编码器模块将批处理归一化改换为实例构成，使其在胶质瘤分割任务上能够正常进行；所述编码器模块输出的特征分别输入到分割模块和生成器模块；
所述分割模块由3D ResUNet网络的分割模块将批处理归一化改换为实例构成，使其在胶质瘤分割任务上能够正常进行；所述分割模块对从编码器模块输入的特征进行多次上采样，在每次上采样时叠加编码器相同特征通道数层的特征，得到分割结果；
所述生成器模块首先将从编码器模块输入的特征通过变分自编码器进行分布转换，然后通过1×1×1的卷积核和线性插值将特征的通道数目减半且分辨率变为原来的两倍，再将处理结果叠加编码器相同特征通道数层的特征，再经过实例归一化、第一修正线性单元、第一3×3×3的卷积核、实例归一化、第二修正线性单元、第二3×3×3的卷积核进行特征提取；将生成器中的上述过程重复三次，则得到的特征图通道数目减少到32且大小等于输入编码器的图像的大小，最后通过步长为1的第三3×3×3的卷积核得到生成序列；
步骤4：训练ImgSG模型；
胶质瘤核磁共振图像有四个序列，分别为T1、T1ce、Flair和T2；不同序列核磁共振图像侧重大脑和肿瘤的不同信息；
将经过步骤2处理的T1、T1ce和T2拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将Flair作为生成标签，对ImgSG模型进行训练，得到第一ImgSG模型；
将经过步骤2处理的T1、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T2作为生成标签，对ImgSG模型进行训练，得到第二ImgSG模型；
将经过步骤2处理的T2、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T1作为生成标签，对ImgSG模型进行训练，得到第三ImgSG模型；
步骤5：将待测试胶质瘤核磁共振图像的T1、T1ce和T2经过步骤1和步骤2处理后拼接作为第一ImgSG模型的输入数据，第一ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第一置信概率；
将待测试胶质瘤核磁共振图像的T1、T1ce和Flair经过步骤1和步骤2处理后拼接作为第二ImgSG模型的输入数据，第二ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第二置信概率；
将待测试胶质瘤核磁共振图像的T2、T1ce和Flair经过步骤1和步骤2处理后拼接作为第三ImgSG模型的输入数据，第三ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第三置信概率；
步骤6：求取第一置信概率、第二置信概率和第三置信概率三者的均值，若均值大于等于阈值0.5则待测试胶质瘤核磁共振图像中包含有胶质瘤，均值小于阈值0.5则待测试胶质瘤核磁共振图像不包含胶质瘤。

Claims (3)

1.一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，其特征在于，包括以下步骤：
步骤1：对胶质瘤核磁共振图像按式(1)进行处理，将胶质瘤核磁共振图像的体素值限制在[0，1]范围内；
Figure FDA0002745430310000011
式中，x是将胶质瘤核磁共振图像的体素值限制在[0，1]范围内的结果，xo是胶质瘤核磁共振图像原始体素值，xmean是胶质瘤核磁共振图像中非0体素区域的均值，σ为胶质瘤核磁共振图像中非0体素区域的标准差；
步骤2：将经过步骤1处理后的胶质瘤核磁共振图像数据进行颅骨去除和图像配准，并将体素大小值重采样到1mm×1mm×1mm；再将处理后的图像随机切割为多个a1×a2×a3的数据块；
步骤3：构建ImgSG模型；
所述ImgSG模型包括编码器模块、分割模块和生成器模块；所述编码器模块由3DResUNet网络的编码器模块将批处理归一化改换为实例构成；所述编码器模块输出的特征分别输入到分割模块和生成器模块；
所述分割模块由3D ResUNet网络的分割模块将批处理归一化改换为实例构成；所述分割模块对从编码器模块输入的特征进行多次上采样，在每次上采样时叠加编码器相同特征通道数层的特征，得到分割结果；
所述生成器模块首先将从编码器模块输入的特征通过变分自编码器进行分布转换，然后通过1×1×1的卷积核和线性插值将特征的通道数目减半且分辨率变为原来的两倍，再将处理结果叠加编码器相同特征通道数层的特征，再经过实例归一化、第一修正线性单元、第一3×3×3的卷积核、实例归一化、第二修正线性单元、第二3×3×3的卷积核进行特征提取；将生成器中的上述过程重复三次，则得到的特征图通道数目减少到32且大小等于输入编码器的图像的大小，最后通过步长为1的第三3×3×3的卷积核得到生成序列；
步骤4：训练ImgSG模型；
胶质瘤核磁共振图像有四个序列，分别为T1、T1ce、Flair和T2；
将经过步骤2处理的T1、T1ce和T2拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将FIair作为生成标签，对ImgSG模型进行训练，得到第一ImgSG模型；
将经过步骤2处理的T1、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T2作为生成标签，对ImgSG模型进行训练，得到第二ImgSG模型；
将经过步骤2处理的T2、T1ce和Flair拼接后作为编码器模块的输入数据，用胶质瘤图像金标准作为分割标签，将T1作为生成标签，对ImgSG模型进行训练，得到第三ImgSG模型；
步骤5：将待测试胶质瘤核磁共振图像的T1、T1ce和T2经过步骤1和步骤2处理后拼接作为第一ImgSG模型的输入数据，第一ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第一置信概率；
将待测试胶质瘤核磁共振图像的T1、T1ce和Flair经过步骤1和步骤2处理后拼接作为第二ImgSG模型的输入数据，第二ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第二置信概率；
将待测试胶质瘤核磁共振图像的T2、T1ce和Flair经过步骤1和步骤2处理后拼接作为第三ImgSG模型的输入数据，第三ImgSG模型的分割模块输出待测试胶质瘤核磁共振图像包含胶质瘤的置信概率，记为第三置信概率；
步骤6：求取第一置信概率、第二置信概率和第三置信概率三者的均值，若均值大于等于阈值c则待测试胶质瘤核磁共振图像中包含有胶质瘤，均值小于阈值c则待测试胶质瘤核磁共振图像不包含胶质瘤。
2.根据权利要求1所述的一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，其特征在于，所述a1＝80，a2＝160，a3＝160。
3.根据权利要求1所述的一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，其特征在于，所述阈值c＝0.5。
CN202011164826.3A 2020-10-27 2020-10-27 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 Pending CN112200811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011164826.3A CN112200811A (zh) 2020-10-27 2020-10-27 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011164826.3A CN112200811A (zh) 2020-10-27 2020-10-27 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法

Publications (1)

Publication Number Publication Date
CN112200811A true CN112200811A (zh) 2021-01-08

Family

ID=74011601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011164826.3A Pending CN112200811A (zh) 2020-10-27 2020-10-27 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法

Country Status (1)

Country Link
CN (1) CN112200811A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN107180426A (zh) * 2017-06-06 2017-09-19 西北工业大学 基于可迁移的多模型集成的计算机辅助肺结节分类方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN109242879A (zh) * 2018-08-16 2019-01-18 北京航空航天大学青岛研究院 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法
CN109754404A (zh) * 2019-01-02 2019-05-14 清华大学深圳研究生院 一种基于多注意力机制的端到端的肿瘤分割方法
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法
CN111340828A (zh) * 2020-01-10 2020-06-26 南京航空航天大学 基于级联卷积神经网络的脑部胶质瘤分割

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN107180426A (zh) * 2017-06-06 2017-09-19 西北工业大学 基于可迁移的多模型集成的计算机辅助肺结节分类方法
CN109242879A (zh) * 2018-08-16 2019-01-18 北京航空航天大学青岛研究院 基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法
CN109754404A (zh) * 2019-01-02 2019-05-14 清华大学深圳研究生院 一种基于多注意力机制的端到端的肿瘤分割方法
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法
CN111340828A (zh) * 2020-01-10 2020-06-26 南京航空航天大学 基于级联卷积神经网络的脑部胶质瘤分割

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOJING ZHAO 等: "Improving Brain Tumor Segmentation in Multi-sequence MR Images Using Cross-Sequence MR Image Generation", 《BRAINLES 2019: BRAINLESION: GLIOMA, MULTIPLE SCLEROSIS, STROKE AND TRAUMATIC BRAIN INJURIES，LECTURE NOTES IN COMPUTER SCIENCE》 *
李芳 等: "基于卷积神经网络的MRI 脑瘤图像分割方法研究", 《山东师范大学（自然科学版）》 *

Similar Documents

Publication Publication Date Title
CN110506278B (zh) 隐空间中的目标检测
CN110461228A (zh) 使用多对比度和深度学习改进医学图像的质量
US11783485B2 (en) Protocol-aware tissue segmentation in medical imaging
Jia et al. A new sparse representation framework for reconstruction of an isotropic high spatial resolution MR volume from orthogonal anisotropic resolution scans
US10809337B2 (en) Reconstructing magnetic resonance images with different contrasts
CN109087298B (zh) 一种阿尔兹海默病mri图像分类方法
CN114266939B (zh) 一种基于ResTLU-Net模型的脑提取方法
CN110827232B (zh) 基于形态特征gan的跨模态mri合成方法
Li et al. Deepvolume: Brain structure and spatial connection-aware network for brain mri super-resolution
Kastryulin et al. Image quality assessment for magnetic resonance imaging
CN111091575B (zh) 一种基于强化学习方法的医学图像分割方法
CN115359144B (zh) 一种磁共振平面回波成像伪影仿真方法及***
Uus et al. BOUNTI: Brain vOlumetry and aUtomated parcellatioN for 3D feTal MRI
Souza et al. Enhanced deep-learning-based magnetic resonance image reconstruction by leveraging prior subject-specific brain imaging: Proof-of-concept using a cohort of presumed normal subjects
CN112785540A (zh) 一种扩散加权图像的生成***及方法
CN112700380A (zh) 一种基于mr梯度信息和深度学习的pet图像容积校正方法
CN112200811A (zh) 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法
US20220139003A1 (en) Methods and apparatus for mri reconstruction and data acquisition
CN115049753B (zh) 一种基于无监督深度学习的锥束ct伪影校正方法
CN113052840A (zh) 一种基于低信噪比pet图像的处理方法
Wasserthal et al. Direct white matter bundle segmentation using stacked u-nets
Rutherford et al. Observing the origins of human brain development: automated processing of fetal fMRI
TWI835551B (zh) 依據擴散加權影像產生資料以進行前處理之系統及方法
Siam et al. Improving MRI Resolution: A Cycle Consistent Generative Adversarial Network-based Approach for 3T to 7T Translation
Goto et al. Accuracy of skull stripping in a single-contrast convolutional neural network model using eight-contrast magnetic resonance images

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210108

WD01 Invention patent application deemed withdrawn after publication