CN116740064B - 一种核磁共振肿瘤区域提取方法 - Google Patents
一种核磁共振肿瘤区域提取方法 Download PDFInfo
- Publication number
- CN116740064B CN116740064B CN202311014005.5A CN202311014005A CN116740064B CN 116740064 B CN116740064 B CN 116740064B CN 202311014005 A CN202311014005 A CN 202311014005A CN 116740064 B CN116740064 B CN 116740064B
- Authority
- CN
- China
- Prior art keywords
- voxel
- judged
- central
- metabolite
- region
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 51
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 239000002207 metabolite Substances 0.000 claims abstract description 155
- 238000001228 spectrum Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 51
- 239000000126 substance Substances 0.000 claims description 39
- 238000006073 displacement reaction Methods 0.000 claims description 21
- DRBBFCLWYRJSJZ-UHFFFAOYSA-N N-phosphocreatine Chemical group OC(=O)CN(C)C(=N)NP(O)(O)=O DRBBFCLWYRJSJZ-UHFFFAOYSA-N 0.000 claims description 10
- CVSVTCORWBXHQV-UHFFFAOYSA-N creatine Chemical compound NC(=[NH2+])N(C)CC([O-])=O CVSVTCORWBXHQV-UHFFFAOYSA-N 0.000 claims description 10
- 229960003624 creatine Drugs 0.000 claims description 5
- 239000006046 creatine Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- -1 tetramethyl amine Chemical class 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 12
- 238000004611 spectroscopical analysis Methods 0.000 description 7
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 125000003047 N-acetyl group Chemical group 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 235000004279 alanine Nutrition 0.000 description 1
- 230000006538 anaerobic glycolysis Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 230000023266 generation of precursor metabolites and energy Effects 0.000 description 1
- 230000034659 glycolysis Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种核磁共振肿瘤区域提取方法，属于图像数据处理技术领域；包括以下步骤：获取磁共振图像中的感兴趣区域；获取每个待判断体素的相对浓度渐变符合程度；根据每个待判断体素的平均链接距离获取每个待判断体素的连通性离群因子；根据每个待判断体素的连通性离群因子获取每个待判断体素的离群程度；根据每个待判断体素的离群程度判断是否加入感兴趣区域获取核磁共振肿瘤区域。本发明通过对感兴趣区域边界的相邻体素进行代谢物相似性判断，在感兴趣区域基础上根据波谱相似性进行扩展，使得对感兴趣的肿瘤区域的波谱数据提取更加精确。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种核磁共振肿瘤区域提取方法。
背景技术
在核磁共振波谱（MRS）中对肿瘤区域数据进行提取的过程中，需要从大量的MRS信号中选择出感兴趣的MRS信号进行分析，在提取过程中首先需要通过MRI图像确定多体素波谱采集过程中的感兴趣区域（VOI），之后使用核磁共振仪采用化学位移法（CSI）进行感兴趣区域的多体素波谱采集。在对感兴趣区域的体素进行磁共振波谱（MRS）提取过程中，需要在感兴趣区域中将肿瘤体素的波谱数据进行提取，从而通过肿瘤区域的波谱数据进行肿瘤提取。在实际的肿瘤区域数据提取过程中，因为体素是三维的空间结构，在提取的过程中需要对感兴趣区域周围的体素波谱进行相似性判断，使得对肿瘤区域的提取更加精确。在判断感兴趣区域体素的相邻区域体素波谱与肿瘤区域的相似性的过程中，首先需要获取VOI区域体素的核磁共振波谱，之后根据VOI区域中的中心体素向外检测VOI区域边缘以外的相邻体素波谱，通过判断波谱的谱线相似性，根据所获取的相似程度将相似的体素加入到VOI区域，从而提取到完整的肿瘤区域MRS数据。
为了实现上述目的，本领域技术人员通过动态时间规整（DTW）对两个体素的磁共振波谱谱线进行相似性判断。但是在体素波谱的相似性判断过程中因为传统的序列相似性判断是通过固定长度的子区间进行判断，在判断过程中会因为谱线的代谢物峰偏移造成相似性判断错误的情况。
发明内容
为了解决现有技术中在体素波谱的相似性判断过程中因为传统的序列相似性判断是通过固定长度的子区间进行判断，在判断过程中会因为谱线的代谢物峰偏移造成相似性判断错误的问题，本发明提供一种核磁共振肿瘤区域提取方法，该方法通过对感兴趣区域边界的相邻体素进行代谢物相似性判断，在感兴趣区域基础上根据波谱相似性进行扩展，使得对感兴趣的肿瘤区域的波谱数据提取更加精确。
本发明的目的是提供一种核磁共振肿瘤区域提取方法，包括以下步骤：
获取磁共振图像中的感兴趣区域；获取感兴趣区域中的中心体素；将感兴趣区域以外的区域中的体素作为待判断体素；并获取每个体素的相对浓度及波谱数据；
利用中心体素和每个待判断体素的波谱数据中所有数据点获取中心体素与每个待判断体素的初始DTW距离；
根据中心体素与每个待判断体素的波谱数据中代谢物数据点所处位置对中心体素与每个待判断体素的初始DTW距离进行优化获取中心体素与每个待判断体素的优化后的DTW距离；
获取中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，获取相对浓度序列的差分序列；
根据中心体素到每个待判断体素之间所包含的体素数量，中心体素到每个待判断体素之间所包含的体素相对浓度连续梯度变化的体素数量，以及相对浓度序列的差分序列，获取每个待判断体素的相对浓度渐变符合程度；
根据中心体素到每个待判断体素之间所包含的体素形成的体素序列、每个待判断体素的相对浓度渐变符合程度以及优化DTW距离基于连通性离群因子算法获取每个待判断体素的平均链接距离；
根据每个待判断体素的平均链接距离获取每个待判断体素的连通性离群因子；根据每个待判断体素的连通性离群因子获取每个待判断体素的离群程度；
根据每个待判断体素的离群程度判断是否加入感兴趣区域获取核磁共振肿瘤区域。
在一实施例中，所述优化后的DTW距离是按照以下步骤获取：
将每个待判断体素的波谱数据中代谢物数据点所处位置调整至与中心体素的波谱数据中相对应的代谢物数据点处于同一位置，获取每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，和每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子；并获取每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，以及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子；
根据每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子，对相同代谢物的数据点距离进行优化；获取相同代谢物数据点优化后的DTW距离；
根据每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子，对不同代谢物数据点距离进行优化，获取不同代谢物数据点优化后的DTW距离；
将相同代谢物数据点优化后的DTW距离和不同代谢物数据点优化后的DTW距离作为优化后的DTW距离。
在一实施例中，所述每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子是按照以下步骤获取：
在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点所处位置相对于中心体素的波谱数据中相对应的代谢物数据点的化学位移差异；将归一化的化学位移差异作为化学位移偏离因子。
在一实施例中，所述每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子是按照以下步骤获取：
在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点在调整前与调整后相对于中心体素的波谱数据中相对应的代谢物数据点的动态时间规整距离差异；将归一化的动态时间规整距离差异作为距离差异因子。
在一实施例中，所述每个体素的相对浓度是按照以下步骤获取：
将每个体素中代谢物浓度指标的作为每个体素的相对浓度；其中，Cho表示代谢物为四甲基胺的浓度；Cr表示代谢物为磷酸肌酸和肌酸的浓度。
在一实施例中，所述中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，包括：
获取中心体素到每个待判断体素之间所包含的体素形成的体素序列；
将体素序列中每个体素对应的相对浓度形成的序列作为相对浓度序列；
其中，体素序列是将每个待判断体素到中心体素的连线上的所有体素形成的体素序列。
在一实施例中，所述核磁共振肿瘤区域是按照以下步骤提取：
根据每个待判断体素的离群程度获取每个待判断体素的兴趣程度；
设置阈值；
当待判断体素的兴趣程度大于阈值，则将该待判断体素加入感兴趣区域；
依次将每个待判断体素进行判断，将大于阈值的待判断体素均加入感兴趣区域，获取核磁共振肿瘤区域。
在一实施例中，所述感兴趣区域的中心体素是将感兴趣区域的所有波谱数据中代谢物平均浓度最高的体素作为中心体素。
进一步地，所述阈值设置为0.7。
进一步地，所述感兴趣区域通过人为标注获得。
本发明的有益效果是：本发明提供的一种核磁共振肿瘤区域提取方法，该方法通过中心体素与每个待判断体素的波谱数据中代谢物数据点所处位置对中心体素与每个待判断体素的初始DTW距离进行优化获取中心体素与每个待判断体素的优化后的DTW距离，避免了对传统DTW动态规整过程中数据点处于不同代谢物子区间的对应。通过距离的优化使得DTW距离可以保证数据点之间的对应关系，从而获取待检测谱线与感兴趣区域中最近的谱线之间的DTW距离；其次，通过获取每个待判断体素的相对浓度渐变符合程度，相较于传统的通过距离归一化获取的相似程度判断是否将待判断体素放入感兴趣区域，可以通过肿瘤区域磁共振数据中的代谢物浓度信息对相似程度判断过程中的距离进行校正，从而获取到准确的待判断体素磁共振波谱数据与感兴趣区域体素的相似程度。最后，结合每个待判断体素的相对浓度渐变符合程度以及优化的DTW距离，通过基于连通性离群因子算法获取的每个待判断体素的离群程度，使得体素波谱曲线之间的相似性判断更加准确，并通过波谱相似性对感兴趣区域进行扩张判断，在核磁共振检测中提取出更加准确的肿瘤区域。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种核磁共振肿瘤区域提取方法的实施例总体步骤的流程示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是通过感兴趣的肿瘤区域体素的波谱中代谢物峰的空间渐变情况对相似性判断的过程中子区间的确定进行优化，使得体素波谱曲线之间的相似性判断更加准确，并通过波谱相似性将相似的体素集合在一起作为感兴趣区域，直到没有待判断体素可以加入感兴趣区域中，判断结束，将最终获取的感兴趣区域作为提取的肿瘤区域，使得核磁共振检测中提取出更加准确的肿瘤区域。
本发明所针对的场景是在对磁共振成像（MRI）中感兴趣的肿瘤区域进行波谱数据提取的过程时，因为感兴趣区域的人工标注存在着图像不准确的情况，所以需要进一步对感兴趣区域以外的待判断体素进行相似性判断，通过体素在波谱曲线中的表征进行肿瘤区域的准确提取。在体素波谱的相似性判断过程中，因为传统的序列相似性判断是通过固定长度的子区间进行判断，在判断过程中会因为谱线的代谢物峰偏移造成相似性判断错误的情况。
本发明提供的一种核磁共振肿瘤区域提取方法，参见图1所示，包括以下步骤：
S1、获取磁共振图像中的感兴趣区域；获取感兴趣区域中的中心体素；将感兴趣区域以外的区域中的体素作为待判断体素；并获取每个体素的相对浓度及波谱数据；
在本实施例中，感兴趣区域通过MRI图像确定多体素波谱采集过程中的感兴趣区域，通常是通过人工标注的，在此基础上对感兴趣区域以外的体素进行判断。也就是本实施例中所提到的感兴趣区域视为肿瘤区域。
在本实施例中，获取波谱数据的过程中，采用的设备为Philips 3.0T磁共振扫描仪，采用标准8通道头线圈。常规采用MRI检测和T2WI肿瘤横断位薄层进行扫描，结合图像初步定位肿瘤区域，确定多体素磁共振波谱扫描的视野（FOV）和感兴趣（VOI）区域；多体素磁共振波谱数据采用3D-PRESS序列，参数为TR:2000ms，TE 32ms，反转角90度。对于感兴趣区域采集的每个体素的磁共振波谱，通过LCModel进行量化和基线校准。
其中，在本实施例中，每个体素的相对浓度是按照以下步骤获取：
将每个体素中代谢物浓度指标的作为每个体素的相对浓度；其中，Cho表示代谢物为四甲基胺的浓度；Cr表示代谢物为磷酸肌酸和肌酸的浓度。
需要说明的是，在感兴趣区域的波谱数据中不同代谢物的峰值会以浓度最高的体素为中心向外逐渐降低，所以将所有波谱数据中代谢物平均浓度最高的体素作为中心体素；将感兴趣区域以外的区域中的体素作为待判断体素；在进行核磁共振波谱的相似性判断时，目的主要是提取出完整的肿瘤区域波谱数据，所以相似性主要取决于对于肿瘤判断最重要的几种代谢物峰的相似性判断，需要通过不同体素的核磁共振波谱中相同代谢物峰的相似性进行判断。其中，在本实施例中，每个待判断体素的波谱数据通常以波谱曲线或者谱线来表示。
S2、利用中心体素和每个待判断体素的波谱数据中所有数据点获取中心体素与每个待判断体素的初始DTW距离；
根据中心体素与每个待判断体素的波谱数据中代谢物数据点所处位置对中心体素与每个待判断体素的初始DTW距离进行优化获取中心体素与每个待判断体素的优化后的DTW距离；
在本实施例中，中心体素的波谱数据对应的是一个时间序列，而每个待判断体素的波谱数据也对应一个时间序列，为此，基于动态时间规整算法（DTW）获取中心体素与每个待判断体素的波谱数据中所有数据点之间的初始DTW距离。
需要说明的是，在磁共振波谱谱线中，不同化学位移量（PPM）位置的代谢物峰代表着相应的代谢物，在DTW距离的计算过程中，因为存在着不同代谢物峰对应的情况，所以需要在动态规整过程将同种代谢物峰进行校正，从而使得在相似程度的衡量过程中DTW距离可以正确衡量两个谱线的相似程度。对于代谢物峰区间的提取因为物理位移等原因会出现波峰的偏移，所以无法通过固定的区间进行提取。对于波谱曲线中的波峰，通过自适应窗口进行波峰整体范围的提取。
在本实施例中，通过自适应窗口对每个待判断体素的波谱曲线中的波峰在整体范围提取的具体过程为：首先，利用窗口右边线作为起始点从谱线最左侧（化学位移量（PPM）最高的位置）开始向右开始进行判断；其次，经过基线校正谱线会呈现为基线稳定的谱线，对于每个PPM值对应的谱信号强度，检测其相较于前一个数据点是否上升。然后，当检测到一个波动的上升，下降直到回归基线则窗口截止，并将此窗口所框选的谱线对应的数据记为第个待判断体素的第/>个谱线波动窗口。也就是利用一个自适应窗口将谱线中的代谢物波峰进行框选，作为第/>个待判断体素的第/>个波动窗口；同时将每个框选波峰的窗口对应的数据作为谱线的子区间；最后，检测谱线中的全部波动（只考虑从基线上升的波动）。
为此，获取到的每个待判断体素的核磁共振波谱中多个波动窗口，对于每个波动需要通过其所在的化学位移（PPM）位置确定其所代表的代谢物。在脑部肿瘤中，主要确定如下几种：Cho：四甲基胺，位于3.2ppm。 Cr：磷酸肌酸和肌酸，位于3.0ppm。 NAA：N-乙酰基基团，位于2.0ppm附近。 Ala：丙氨酸，一种中间代谢的代谢产物，位于1.4ppm。 LA：乳酸盐，一种间接反映由于异常酶促反应产生的厌氧糖酵解或者糖酵解的指标，位于1.3ppm。通过每个窗口中波动峰值所在位置的最近邻特征PPM确定波动所对应的代谢物。获取到第个体素的核磁共振波谱中第/>个波动窗口所对应的代谢物。对于待对比相似程度的两个核磁共振波谱谱线，通过代谢物的对应关系确定一一对应的关系。
在本实施例中，根据每个待判断体素的波谱数据中代谢物数据点所处位置与中心体素的波谱数据中代谢物数据点的相对位置关系，对初始DTW距离进行优化获取优化后的DTW距离。
具体的，优化后的DTW距离是按照以下步骤获取：
将每个待判断体素的波谱数据中代谢物数据点所处位置调整至与中心体素的波谱数据中相对应的代谢物数据点处于同一位置，获取每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，和每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子；并获取每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，以及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子；
根据每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子，对相同代谢物的数据点距离进行优化；获取相同代谢物数据点优化后的DTW距离；
根据每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子，对不同代谢物数据点距离进行优化，获取不同代谢物数据点优化后的DTW距离；
将相同代谢物数据点优化后的DTW距离和不同代谢物数据点优化后的DTW距离作为优化后的DTW距离。
在本实施例中，通过获取的中心体素谱线中代谢物峰与每个待判断体素谱线的对应关系后，因为代谢物峰之间存在着化学位移的差异，所以在对代谢物峰之间进行相似性对比时需要将其进行配准。对于中心体素与待判断体素波谱数据中对应的波动窗口，也就是波谱数据中对应的相同代谢物波峰。需要说明的是，两个对应的波动窗口对应于波谱数据中的是两个子序列，同时两个对应的波动窗口对应两个子区间；通过DTW动态规整获取两个子序列中数据点的最近对应关系。将待判断体素的代谢物峰的波峰数据点调整为与中心体素的代谢物峰的波峰处于同一位置，并在调整之后在其两侧通过基线数值填充将两个子区间填充为等长。获取配准后的子区间中两个波动的DTW距离。波峰位置调整的PPM距离即为曲线化学位移差异，配准前和后的子区间序列DTW距离差异/>，对于谱线中每个对应子区间之间的PPM差异与配准前后的DTW距离差异获取待检测体素磁共振波谱的化学位移偏离因子/>与子区间距离差异因子/>。
具体的，每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子是按照以下步骤获取：在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点所处位置相对于中心体素的波谱数据中相对应的代谢物数据点的化学位移差异；将归一化的化学位移差异作为化学位移偏离因子。
每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子是按照以下步骤获取：在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点在调整前与调整后相对于中心体素的波谱数据中相对应的代谢物数据点的动态时间规整距离差异；将归一化的动态时间规整距离差异作为距离差异因子。
在本实施例中，化学位移偏离因子与子区间距离差异因子/>计算公式如下：
式中，表示每个待判断体素中的第/>个波动窗口相对于中心体素的化学位移偏离因子；/>表示每个待判断体素中的第/>个波动窗口相对于中心体素的距离差异因子；表示每个待判断体素的波谱数据中代谢物数据点（第/>个波动窗口）所处位置相对于中心体素的波谱数据中相对应的代谢物数据点（第/>个波动窗口）的化学位移差异；/>表示每个待判断体素的波谱数据中代谢物数据点（第/>个波动窗口）在调整前与调整后相对于中心体素的波谱数据中相对应的代谢物数据点（第/>个波动窗口）的动态时间规整距离差异；/>表示归一化函数；需要说明的是，在获取到中心体素与待判断体素的磁共振波谱曲线对应的第/>个波动窗口之间的两种差异因子之后，由于通过距离矩阵进行动态规整的过程中，因为不同代谢物峰之间的距离在现有的计算中还是同样的相对距离计算，所以需要对其通过化学位移偏离因子与子区间距离差异因子进行校正，使得当数据点处于不同的子区间时，数据点之间的距离会更大一些，当数据点处于相同的子区间时，数据点之间的距离会根据波峰的偏移进行校正。
具体的，根据每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子，对相同代谢物的数据点距离进行优化；获取相同代谢物数据点优化后的DTW距离；
根据每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子，对不同代谢物数据点距离进行优化，获取不同代谢物数据点优化后的DTW距离。
在本实施例中，根据每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子，对相同代谢物的数据点距离进行优化；具体对于中心体素与待判断体素中相同代谢物的子区间之间的数据点的优化距离计算公式如下：
对于中心体素与待判断体素中不同代谢物的子区间之间的数据点的优化距离计算公式如下：
式中，表示第/>个体素中的第/>个数据点与中心体素中相同代谢物中数据点的初始DTW距离；/>表示每个待判断体素中第/>个波动窗口与中心体素的谱线中第/>个波动窗口对应代谢物与当前代谢物之间所有的波动窗口；/>表示每个待判断体素中的第/>个波动窗口相对于中心体素的化学位移偏离因子；/>表示每个待判断体素中的第/>个波动窗口相对于中心体素的距离差异因子；/>表示中心体素与待判断体素中相同代谢物的子区间之间的数据点的优化的DTW距离。为此，通过将待判断体素的代谢物峰的波峰数据点调整为与中心体素代谢物峰的波峰处于同一位置，对待判断体素中的数据点与中心体素中的数据点之间的DTW距离进行优化获取优化后的DTW距离，也就是通过对DTW动态规整过程中两个谱线之间数据点的对应距离的计算通过化学位移因子与距离差异因子进行校正，避免了对传统DTW动态规整过程中数据点处于不同代谢物子区间的对应。通过距离的校正使得DTW距离可以确保数据点之间的对应关系保留于子区间的对应关系，从而获取待判断体素与中心体素中谱线之间的DTW距离，并可以据此进行接下来的谱线相似度衡量。
S3、获取中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，获取相对浓度序列的差分序列；
根据中心体素到每个待判断体素之间所包含的体素数量，中心体素到每个待判断体素之间所包含的体素相对浓度连续梯度变化的体素数量，以及相对浓度序列的差分序列，获取每个待判断体素的相对浓度渐变符合程度；
具体的，所述中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，包括：获取中心体素到每个待判断体素之间所包含的体素形成的体素序列；将体素序列中每个体素对应的相对浓度形成的序列作为相对浓度序列；其中，体素序列是将每个待判断体素到中心体素的连线上的所有体素形成的体素序列。
需要说明的是，通过对中心体素与每个待判断体素的数据点之间的距离计算进行优化，在获取到体素对应的磁共振波谱谱线之间的距离之后，对于视野域以内，感兴趣区域以外的体素，也就是所有待判断的体素，则可以进一步通过该场景下肿瘤区域的代谢物浓度特征对相似性的度量进行优化。在传统的序列相似性度量中，需要通过全部序列之间的距离进行归一化，从而获取序列之间的相似程度。但是在这个相似程度的判断过程中只考虑到谱线之间的序列距离。在磁共振波谱谱线中，对于肿瘤区域的提取还需要根据体素对应的磁共振波谱中代谢物浓度。通过浓度渐变过程的符合程度对通过谱线之间距离获取到的体素相似程度进行优化，从而获取更准确的肿瘤区域。在本实施例中，首先，通过代谢物浓度判断方法获取感兴趣区域中代谢物平均浓度最高的体素，获取代谢物浓度最高的体素与待判断体素连线上的所有体素，从浓度最高的体素开始获取每个体素与前一个体素在磁共振波谱谱线上的距离，也就是通过优化的DTW距离。其次，通过每个待判断体素对应谱线中作为代谢物浓度指标的作为每个待判断体素的相对浓度，确定浓度渐变的符合程度。最后，通过浓度渐变符合程度对距离在序列中的连通性离群检测过程中的序列距离进行调整，从而获取准确的待判断体素的离群程度，通过1减去离群程度获取该体素的兴趣程度。
在本实施例中，每个待判断体素的相对浓度渐变符合程度计算公式如下：
式中，表示第/>个待判断体素的相对浓度渐变符合程度；/>表示中心体素到第/>个待判断体素之间所包含的体素的数量；/>表示中心体素到第/>个待判断体素之间所包含的体素相对浓度连续梯度变化的体素数量，其中，连续梯度变化的体素数量是通过对体素序列中从第/>个待判断体素向中心体素判断相对浓度差分的正负号，将连续为负号的数量作为相对浓度连续梯度变化的体素数量；/>表示差分序列中第t个元素值；/>表示差分序列中的元素数量；/>表示第/>个待判断体素与前一个体素的相对浓度差异值；表示归一化函数。为此，通过连续为负号的体素数量衡量渐变过程的渐变程度，对于序列中的浓度数值，通过将浓度序列差分获取到差分序列，对于差分序列其表示每两个体素之间的浓度差异，通过待判断体素与前一个体素的差异值与浓度差分序列的平均差异衡量体素对应的磁共振波谱中的代谢物浓度渐变状态的符合程度。
需要说明的是，对于浓度序列中的体素对应磁共振波谱中的代谢物浓度信息，通过浓度值序列的差分序列的符号来判断体素序列是否停止渐变，并根据待判断体素的差分数值与序列差分均值的差异判断待判断体素位置是否已经渐变平稳，从而确定待判断体素的渐变符合程度。为此，通过待判断体素在序列中磁共振波谱数据中的代谢物浓度信息获取到渐变符合程度。相较于传统的通过距离归一化获取到的相似程度判断是否将待判断体素放入感兴趣区域可以通过肿瘤区域磁共振数据中的代谢物浓度信息对相似程度判断过程中的距离进行校正，从而获取到准确的待判断体素磁共振波谱数据与感兴趣区域体素的相似程度。
S4、根据中心体素到每个待判断体素之间所包含的体素形成的体素序列、每个待判断体素的相对浓度渐变符合程度以及优化DTW距离基于连通性离群因子算法获取每个待判断体素的平均链接距离；
根据每个待判断体素的平均链接距离获取每个待判断体素的连通性离群因子；根据每个待判断体素的连通性离群因子获取每个待判断体素的离群程度；
需要说明的是，在获取到体素磁共振波谱序列中的代谢物浓度的渐变符合程度之后，就可以在获取待判断体素在体素序列中的基于连通性的离群程度的过程中对每个数据点的路径距离进行校正。对于待判断体素的兴趣程度，可以通过其在体素序列中的离群程度进行判断，当该体素对应的磁共振波谱谱线在体素序列中基于连通性的离群程度越高，则说明该波谱谱线越不能放入感兴趣区域，也就是兴趣程度越低。
对于连通性的离群因子（COF）的计算，将体素序列中的体素数量作为COF计算过程中的K值，即每个体素都通过全部体素进行离群程度的计算。而对于体素序列中每两个体素之间通过优化后的DTW距离作为其路径距离。而在通过路径距离计算离群因子的过程中，因为体素对应的浓度渐变符合程度越高，则说明该体素的波谱谱线与前一个体素的谱线之间的距离因为浓度对于渐变过程的符合应该被校正的更低。通过渐变符合程度对到达该谱线的路径距离进行校正，从而使得对于每个体素在谱线序列中的离群因子更加准确。
具体的，每个待判断体素的平均链接距离，对于第个待判断体素优化后的平均链接距离计算方法如下：
式中，表示序列中的第/>个体素；/>表示局部SBN路径中的数据点索引；/>表示第/>个路径；/>表示第/>个路径的路径长度，即谱线之间优化后的DTW距离；/>表示第/>个体素相对浓度渐变符合程度；/>表示对于序列中的数据点/>将其作为SBN路径中的第一个数据点根据对应的/>，即/>邻域范围中的平均链接距离；此处k邻域范围即为序列中的全部数据。需要说明的是，通过COF离群因子中平均链接距离的计算方式，在原有的基础上通过序列中体素对应的磁共振波谱谱线中的代谢物浓度信息对于感兴趣区域的渐变特征的符合程度对路径距离，即优化后的DTW距离进行校正。从而使得在衡量离群因子的过程中可以避免单一的谱线之间的距离差异大但是浓度符合肿瘤区域渐变而导致的满足条件的体素被判断为无法加入兴趣区域。为此，通过每个体素对应的磁共振波谱谱线中的代谢物浓度符合程度对序列离群衡量过程中到达该体素的路径长度进行校正，相较于传统的序列中平均链接距离，可以根据浓度符合程度来拉伸路径距离，使得浓度符合渐变的体素在谱线之间距离较大时也可以被认为可以加入兴趣区域。在本实施例中，通过获取平均链接距离之后，利用该平均链接距离进一步计算每个待判断体素在序列中对应的每个待判断体素的连通性离群因子，通过每个待判断体素的每个待判断体素的连通性离群因子进行归一化获取每个待判断体素的离群程度。
S5、根据每个待判断体素的离群程度判断是否加入感兴趣区域获取核磁共振肿瘤区域。
具体的，核磁共振肿瘤区域是按照以下步骤提取：根据每个待判断体素的离群程度获取每个待判断体素的兴趣程度；设置阈值；当待判断体素的兴趣程度大于阈值，则将该待判断体素加入感兴趣区域；依次将每个待判断体素进行判断，将大于阈值的待判断体素均加入感兴趣区域，获取以中心体素为中心的核磁共振肿瘤区域。
在本实施例中，获取每个待判断体素的离群程度后，对于待判断的体素，通过减去离群程度获取其兴趣程度，也就是其是否可以加入兴趣区域的指标。对于判断标准，通过待判断体素之外所有体素的兴趣程度的均值作为阈值，当待判断体素的兴趣程度高于该阈值则将这个体素加入感兴趣区域，将最终获取的感兴趣区域作为提取的肿瘤区域，使得核磁共振检测中提取出更加准确的肿瘤区域。在本发明一个实施例中，阈值设置为0.7。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种核磁共振肿瘤区域提取方法，其特征在于，包括以下步骤：
获取磁共振图像中的感兴趣区域；获取感兴趣区域中的中心体素；将感兴趣区域以外的区域中的体素作为待判断体素；并获取每个体素中四甲基胺相对于磷酸肌酸和肌酸的相对浓度，及波谱数据；
利用中心体素和每个待判断体素的波谱数据中所有数据点获取中心体素与每个待判断体素的初始DTW距离；
根据中心体素与每个待判断体素的波谱数据中代谢物数据点所处位置对中心体素与每个待判断体素的初始DTW距离进行优化获取中心体素与每个待判断体素的优化后的DTW距离；
获取中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，获取相对浓度序列的差分序列；
根据中心体素到每个待判断体素之间所包含的体素数量，中心体素到每个待判断体素之间所包含的体素相对浓度连续梯度变化的体素数量，以及相对浓度序列的差分序列，获取每个待判断体素的相对浓度渐变符合程度；
根据中心体素到每个待判断体素之间所包含的体素形成的体素序列、每个待判断体素的相对浓度渐变符合程度以及优化DTW距离基于连通性离群因子算法获取每个待判断体素的平均链接距离；
根据每个待判断体素的平均链接距离获取每个待判断体素的连通性离群因子；根据每个待判断体素的连通性离群因子获取每个待判断体素的离群程度；
根据每个待判断体素的离群程度判断是否加入感兴趣区域获取核磁共振肿瘤区域；
所述优化后的DTW距离是按照以下步骤获取：
将每个待判断体素的波谱数据中代谢物数据点所处位置调整至与中心体素的波谱数据中相对应的代谢物数据点处于同一位置，获取每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，和每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子；并获取每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，以及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子；
根据每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子，对相同代谢物的数据点距离进行优化；获取相同代谢物数据点优化后的DTW距离；
根据每个待判断体素相对于中心体素不同代谢物数据点的化学位移偏离因子，及每个待判断体素相对于中心体素不同代谢物数据点的距离差异因子，对不同代谢物数据点距离进行优化，获取不同代谢物数据点优化后的DTW距离；
将相同代谢物数据点优化后的DTW距离和不同代谢物数据点优化后的DTW距离作为优化后的DTW距离。
2.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述每个待判断体素相对于中心体素相同代谢物数据点的化学位移偏离因子是按照以下步骤获取：
在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点所处位置相对于中心体素的波谱数据中相对应的代谢物数据点的化学位移差异；将归一化的化学位移差异作为化学位移偏离因子。
3.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述每个待判断体素相对于中心体素相同代谢物数据点的距离差异因子是按照以下步骤获取：
在每个待判断体素的波谱数据中代谢物数据点所处位置调整时，获取每个待判断体素的波谱数据中代谢物数据点在调整前与调整后相对于中心体素的波谱数据中相对应的代谢物数据点的动态时间规整距离差异；将归一化的动态时间规整距离差异作为距离差异因子。
4.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述每个体素的相对浓度是按照以下步骤获取：
将每个体素中代谢物浓度指标的作为每个体素的相对浓度；其中，Cho表示代谢物为四甲基胺的浓度；Cr表示代谢物为磷酸肌酸和肌酸的浓度。
5.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述中心体素到每个待判断体素之间所包含的体素的相对浓度形成相对浓度序列，包括：
获取中心体素到每个待判断体素之间所包含的体素形成的体素序列；
将体素序列中每个体素对应的相对浓度形成的序列作为相对浓度序列；
其中，体素序列是将每个待判断体素到中心体素的连线上的所有体素形成的体素序列。
6.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述核磁共振肿瘤区域是按照以下步骤提取：
根据每个待判断体素的离群程度获取每个待判断体素的兴趣程度；
设置阈值；
当待判断体素的兴趣程度大于阈值，则将该待判断体素加入感兴趣区域；
依次将每个待判断体素进行判断，将大于阈值的待判断体素均加入感兴趣区域，获取核磁共振肿瘤区域。
7.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述感兴趣区域的中心体素是将感兴趣区域的所有波谱数据中代谢物平均浓度最高的体素作为中心体素。
8.根据权利要求6所述的核磁共振肿瘤区域提取方法，其特征在于，所述阈值设置为0.7。
9.根据权利要求1所述的核磁共振肿瘤区域提取方法，其特征在于，所述感兴趣区域通过人为标注获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311014005.5A CN116740064B (zh) | 2023-08-14 | 2023-08-14 | 一种核磁共振肿瘤区域提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311014005.5A CN116740064B (zh) | 2023-08-14 | 2023-08-14 | 一种核磁共振肿瘤区域提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116740064A CN116740064A (zh) | 2023-09-12 |
| CN116740064B true CN116740064B (zh) | 2023-10-20 |
Family
ID=87909996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311014005.5A Active CN116740064B (zh) | 2023-08-14 | 2023-08-14 | 一种核磁共振肿瘤区域提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740064B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1420367A1 (en) * | 2002-11-15 | 2004-05-19 | MeVis GmbH | A method for coloring of voxels and image data processing and visualization system |
| CN106600579A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 磁共振图像波谱分析方法及装置 |
| CN109862911A (zh) * | 2016-07-13 | 2019-06-07 | 比奥根Ma公司 | Lingo-1拮抗剂的剂量方案和用于治疗脱髓鞘病症的用途 |
| CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及*** |
| KR20200041616A (ko) * | 2018-10-12 | 2020-04-22 | 연세대학교 원주산학협력단 | 자기공명분광학을 이용한 뇌 네트워크 분석 장치 및 방법 |
| CN113808090A (zh) * | 2021-09-08 | 2021-12-17 | 中国科学院深圳先进技术研究院 | 一种磁共振图像处理方法、终端设备及计算机存储介质 |
| CN113987905A (zh) * | 2020-12-18 | 2022-01-28 | 天津市特种设备监督检验技术研究院(天津市特种设备事故应急调查处理中心) | 一种基于深度信念网络的自动扶梯制动力智能诊断*** |
| WO2022099303A1 (en) * | 2020-11-06 | 2022-05-12 | The Regents Of The University Of California | Machine learning techniques for tumor identification, classification, and grading |
| CN114496280A (zh) * | 2022-01-14 | 2022-05-13 | 西北工业大学 | 一种针对创面微环境数据的多元时间序列数据增强方法 |
| CN115774227A (zh) * | 2021-09-07 | 2023-03-10 | 上海联影医疗科技股份有限公司 | 波谱成像方法和磁共振成像*** |
| CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070249928A1 (en) * | 2006-04-19 | 2007-10-25 | General Electric Company | Method and system for precise repositioning of regions of interest in longitudinal magnetic resonance imaging and spectroscopy exams |
| EP4018202A4 (en) * | 2019-08-20 | 2023-11-01 | Terran Biosciences, Inc. | NEUROMELANINSENSITIVE MRI FOR ASSESSING PARKINSON'S DISEASE |
-
2023
- 2023-08-14 CN CN202311014005.5A patent/CN116740064B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1420367A1 (en) * | 2002-11-15 | 2004-05-19 | MeVis GmbH | A method for coloring of voxels and image data processing and visualization system |
| CN109862911A (zh) * | 2016-07-13 | 2019-06-07 | 比奥根Ma公司 | Lingo-1拮抗剂的剂量方案和用于治疗脱髓鞘病症的用途 |
| CN106600579A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 磁共振图像波谱分析方法及装置 |
| KR20200041616A (ko) * | 2018-10-12 | 2020-04-22 | 연세대학교 원주산학협력단 | 자기공명분광학을 이용한 뇌 네트워크 분석 장치 및 방법 |
| CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及*** |
| WO2022099303A1 (en) * | 2020-11-06 | 2022-05-12 | The Regents Of The University Of California | Machine learning techniques for tumor identification, classification, and grading |
| CN113987905A (zh) * | 2020-12-18 | 2022-01-28 | 天津市特种设备监督检验技术研究院(天津市特种设备事故应急调查处理中心) | 一种基于深度信念网络的自动扶梯制动力智能诊断*** |
| CN115774227A (zh) * | 2021-09-07 | 2023-03-10 | 上海联影医疗科技股份有限公司 | 波谱成像方法和磁共振成像*** |
| CN113808090A (zh) * | 2021-09-08 | 2021-12-17 | 中国科学院深圳先进技术研究院 | 一种磁共振图像处理方法、终端设备及计算机存储介质 |
| CN114496280A (zh) * | 2022-01-14 | 2022-05-13 | 西北工业大学 | 一种针对创面微环境数据的多元时间序列数据增强方法 |
| CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Modified dynamic time warping (MDTW) for estimating temporal dietary patterns;Nitin Khanna 等;《2017 IEEE Global Conference on Signal and Information Processing (GlobalSIP)》;全文 * |
| MRS波谱分析在胶质瘤术后的临床应用;佟鑫;徐广军;徐秋实;房晓萱;;中国实验诊断学(第02期);全文 * |
| 高b值DWI联合DCE-MRI对***癌的诊断价值;曾俊杰;邓巧玲;李胜;陈松;;中国医刊(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116740064A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN113017596A (zh) | 一种磁共振多参数定量方法及其应用 | |
| CN116740064B (zh) | 一种核磁共振肿瘤区域提取方法 | |
| CN102866373B (zh) | 磁共振温度成像中温度测量的矫正方法和*** | |
| CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
| CN110553631B (zh) | 一种关于水位流量关系的水位测量系列误差分析方法 | |
| CN102831599B (zh) | 一种明暗不均匀的医学图像的配准方法 | |
| CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
| CN109655415B (zh) | 一种波长偏移校正方法及装置及计算机设备 | |
| US9916648B1 (en) | Method for correcting a diffusion image having an artifact | |
| CN114037023A (zh) | 海洋卫星校正微波辐射计极地异常水汽数据的校正方法 | |
| CN113049118B (zh) | 一种红外焦平面探测器闪元测试装置及测试方法 | |
| CN110647870B (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
| Jog et al. | Pulse sequence based multi-acquisition MR intensity normalization | |
| CN107782447A (zh) | 成像光谱仪光谱定标中空间维自动识别方法及*** | |
| Belsley et al. | Optimal flip angles for in vivo liver 3D T1 mapping and B1+ mapping at 3T | |
| CN110807768A (zh) | 一种基于mtf的遥感图像质量评价方法 | |
| TH2101003565A (th) | วิธีการระบุอินฟราเรดสเปกโตรมิเตอร์ที่วัดขนาดไม่ถูกต้องหรือไม่ได้วัดขนาด | |
| WO2022188026A1 (zh) | 一种磁共振多参数定量方法及其应用 | |
| CN117664909B (zh) | 基于近红外光谱的热循环板材无损检测方法 | |
| CN112129407B (zh) | 一种狭缝型光谱仪全月相周期月盘辐照度获取方法 | |
| CN117877078A (zh) | 一种静脉设备红外灯珠异常检测方法和*** | |
| CN116433597A (zh) | 基于K-means聚类的快速高信噪比的CEST量化参数图计算方法 | |
| US20230309850A1 (en) | Magnetic Resonance Facility Operation |
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 |