TWI698887B - 腦功能影像數據擴增方法 - Google Patents
腦功能影像數據擴增方法 Download PDFInfo
- Publication number
- TWI698887B TWI698887B TW108118900A TW108118900A TWI698887B TW I698887 B TWI698887 B TW I698887B TW 108118900 A TW108118900 A TW 108118900A TW 108118900 A TW108118900 A TW 108118900A TW I698887 B TWI698887 B TW I698887B
- Authority
- TW
- Taiwan
- Prior art keywords
- image data
- information
- expected
- estimated
- brain function
- Prior art date
Links
- 230000003925 brain function Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013434 data augmentation Methods 0.000 title abstract description 5
- 230000003321 amplification Effects 0.000 claims description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 16
- 238000009206 nuclear medicine Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 206010012289 Dementia Diseases 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 201000002832 Lewy body dementia Diseases 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010067889 Dementia with Lewy bodies Diseases 0.000 description 1
- 208000009829 Lewy Body Disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008084 cerebral blood perfusion Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 238000002636 symptomatic treatment Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Quality & Reliability (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一種腦功能影像數據擴增方法,包括以下步驟:提供標的物資料庫;計算不同年齡對應之影像數據期望資訊之間的比值;求得在推估年齡對應之影像數據比例資訊;建立影像數據資訊與影像數據期望資訊之間的關係式;計算在推估年齡對應之推估影像數據資訊;以及線性組合推估影像數據資訊與影像數據比例資訊,以產生在推估年齡對應之擴增影像數據資訊。
Description
本發明是有關於一種腦功能影像數據擴增方法。
失智症屬於神經退化性疾病,罹病人口隨著超高齡社會的到來逐年增加。現行失智症病患確診須經必要檢查程序,從多樣證據中鑑別可能的失智症種類,其中核醫頭部腦斷層檢查是國際各大醫學會證實具有診斷鑑別力之重要參考指標。以阿茲海默氏失智症(Alzheimer's disease,AD)為例,一般問診的過程先以失智症量表問卷為主,進一步使用核醫腦血流灌注檢查(例如Tc-99m-ECD brain SPECT)進行影像診斷,此外再搭配交感神經檢查(例如I-123-MIBG chest scan),可以進一步區分路易氏體失智症(Dementia with Lewy Bodies, DLB)病患,達成對症治療。
與先進國家相比,國內核醫檢查人次明顯較少,經臨床諮詢了解歸納二項主因如下:(1)影像判讀僅仰賴核醫科醫師主觀經驗:因腦部結構的複雜性、個體差異、實際臨床經驗不足、欠缺國人健康大腦基準影像等問題。從他科醫師角度來看,核醫影像有主觀性過高、重現性低及假陽性與假陰性結果高的刻板印象,影響第一線的神經內外科與失智症專家採用意願。(2)欠缺跨院、跨不同廠牌儀器之影像判斷標準:核醫失智症檢查影像的品質不一致,設有核醫部門的醫院未如期執行造影儀的品保程序,針對大腦檢查程序亦尚未建立一致化標準方法,或臨床實務上難以達成影像標準化,可能導致「相同疾病卻得到不同影像和不同診斷結果」的現象。
近幾年深度學習(Deep Learning)技術突飛猛進,深度學習使用大量具有標記的數據和多層神經網路架構來進行電腦模型的訓練,能夠有效處理影像、文字或聲音等分類和預測任務。電腦甚至有可能做出趨近甚至超越專家的正確診斷,但這樣的技術是基於資料驅動(Data-Driven),需要大量的影像數據所形成的資料庫。
習用技術常見的作法是透過人力物力大量蒐集核醫影像,由於核醫影像的取得不易,受限於人力物力,一般在醫院的標準作業程序(Standard Operating Procedures,SOP)是先以問診方式或問卷量表來評估,之後再決定是否要拍攝核醫影像,這導致要得到足夠的核醫腦功能影像數據,特別是健康人的影像非常困難,故一般深度學習在訓練過程中,會利用資料擴增(Data Augmentation)來增加訓練樣本,並改善資料不平衡現象(Data Imbalance),在影像的訓練過程中,常被使用的有旋轉、移動、縮放、翻轉、傾斜等,這一類剛體演算法適用於一般現實生活的照片,例如照片中的貓放大或左右翻轉還是貓,但不適用於核醫腦功能影像的資料擴增,會失去原本的生理特性。
因此,如何改良並能提供一種『腦功能影像數據擴增方法』來避免上述所遭遇到的問題,係業界所待解決之課題。
本發明提供一種腦功能影像數據擴增方法,針對腦功能核醫影像進行數據擴增的方式,改善例如單光子電腦斷層掃描(single photon emission computed tomography,SPECT)在執行機器學習、Z-score(標準分數,Standard Score)等演算法時,面臨的健康人資料庫不足,致使統計上的變異數太大,特別是用以改善深度學習訓練過程中引起的資料不平衡現象。
本發明之一實施例提出一種腦功能影像數據擴增方法,包括以下步驟:提供一標的物資料庫,其中標的物資料庫包含複數個影像數據資訊;藉由一期望值資料庫中複數個影像數據期望資訊,計算不同年齡對應之影像數據期望資訊之間的一比值;依據各影像數據資訊與比值,求得在一推估年齡對應之一影像數據比例資訊;建立複數個影像數據資訊與複數個影像數據期望資訊之間的一關係式;藉由關係式、比值與各影像數據資訊,計算在推估年齡對應之一推估影像數據資訊;以及線性組合推估影像數據資訊與影像數據比例資訊,以產生在推估年齡對應之一擴增影像數據資訊。
在本發明之一實施例中,上述線性組合推估影像數據資訊與影像數據比例資訊的步驟中,包括以下步驟:依據一第一權重值與一第二權重值線性組合推估影像數據資訊與影像數據比例資訊;以及調整第一權重值與第二權重值,來產生不同之擴增影像數據資訊。
在本發明之一實施例中,上述計算不同年齡對應之影像數據期望資訊之間的比值的步驟之前,包括以下步驟:提供期望值資料庫,其中期望值資料庫包含影像數據期望資訊,各影像數據期望資訊係為不同年齡對應之一平均期望影像數據,且平均期望影像數據為大於零之像素值。
在本發明之一實施例中,上述建立複數個影像數據資訊與複數個影像數據期望資訊之間的關係式的步驟中,包括以下步驟:平均化影像數據資訊之像素值,以獲得一平均影像數據資訊;以及藉由一線性迴歸模式,找尋平均影像數據資訊與推估年齡對應之影像數據期望資訊之關係式。
在本發明之一實施例中,上述提供標的物資料庫的步驟中,包括以下步驟:取得複數個在不同年齡所擷取之至少一腦功能影像數據,其中影像數據資訊係為不同年齡對應之至少一腦功能影像數據。
在本發明之一實施例中,上述計算在推估年齡對應之推估影像數據資訊的步驟中,包括以下步驟:藉由關係式,將各影像數據資訊帶入至關係式,求得一近似影像數據期望資訊;藉由比值與近似影像數據期望資訊,求得在推估年齡對應之一推估影像數據期望資訊;以及藉由關係式與推估影像數據期望資訊,求得推估影像數據資訊。
基於上述,在本發明之腦功能影像數據擴增方法中,利用已知的影像數據期望值之期望值資料庫,來輔助擴充少量的標的物資料庫,協助擴增深度學習的訓練資料集。
為讓本發明能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
以下結合附圖和實施例,對本發明的具體實施方式作進一步描述。以下實施例僅用於更加清楚地說明本發明的技術方案,而不能以此限制本發明的保護範圍。
圖1為本發明之腦功能影像數據擴增方法的流程圖。本實施例之腦功能影像數據擴增方法S100可透過硬體(例如控制器、積體電路)、軟體(例如處理器執行之程式指令)或其組合來實現。舉例而言,利用一控制器連接標的物資料庫與期望值資料庫,藉由一處理器執行之程式指令來執行本發明之腦功能影像數據擴增方法S100。
需說明的是,在執行本發明之腦功能影像數據擴增方法S100的過程中,可進一步包含以下步驟。首先,進行一標準化對位程序:考量核醫影像來自於不同醫院不同儀器,需先經過標準化對位程序,例如經由軟體程式以統計參數映像法(Statistical Parametric Mapping,SPM)進行對位,或是透過假體實驗進行校正,來解決跨院跨廠牌的不一致性。接著,進行影像數值上的正規化,例如利用遮罩(Mask)影像去除腦功能影像之外的背景雜訊,以適當的模糊化函數對影像進行迴避積(Convolution),再將整張影像所有的像素(Voxel)除以所有非0像素的平均值。
本發明之腦功能影像數據擴增方法S100包括以下步驟S110至步驟S160。進行步驟S110,提供一標的物資料庫,其中標的物資料庫包含複數個影像數據資訊。在一實施例中,取得複數個在不同年齡所擷取之至少一腦功能影像數據。以下以f
t(x)表示影像數據資訊,其中f代表標的物資料庫,x表示所有非零的像素位置,t可以是年齡值或是年齡範圍,其中影像數據資訊係為不同年齡對應之至少一腦功能影像數據。舉例而言,f
76(x)表示76歲的受測者之腦功能影像數據,或f
74(x)表示74歲的受測者之腦功能影像數據。
接著,進行步驟S120,藉由一期望值資料庫中複數個影像數據期望資訊,計算不同年齡對應之影像數據期望資訊之間的一比值。詳細而言,包括以下步驟:首先,提供期望值資料庫,其中期望值資料庫包含複數個影像數據期望資訊。在一實施例中,以下以g
t(x)表示影像數據期望資訊,其中g代表期望值資料庫,x表示所有非零的像素位置,t可以是年齡值或是年齡範圍,其中每個影像數據期望資訊為已知資訊,其係為不同年齡對應之一平均期望影像數據,且平均期望影像數據為大於零之像素值。舉例而言,g
76~85(x)表示76歲到85歲的平均期望影像數據。
在一實施例中,整理期望值資料庫,端視標的物f
t(x)的數量來決定t的值,並以內插方式獲取對應t的g
t(x)。例如現有的期望值資料庫是55~64歲、65~74歲、75~84歲的期望值,以三張影像g
55~64(x)、g
65~74(x)、g
75~84(x)表示,後續可利用內插得到g
60(x)、g
61(x)、g
79(x)或是g
60~61(x)、g
62~63(x)等。接著,計算不同年齡對應之影像數據期望資訊之間的一比值,舉例而言,分別利用不同的年齡t計算g
t(x)每個像素x的比值r
t/t’(x),即r
t/t’(x)=g
t(x)/g
t’(x),例如r
74/70(x)=g
74(x)/g
70(x)。
接著,進行步驟S130,依據各影像數據資訊與比值,求得在一推估年齡對應之一影像數據比例資訊。舉例而言,f-ratio
t’(x)表示影像數據比例資訊,以f
t(x)和r
t/t’(x)作用,計算求得f-ratio
t’(x):f-ratio
t’(x)= f
t(x)/r
t/t’(x)。例如標的物資料庫中僅有f
74(x),即74歲的受測者之腦功能影像數據,想從f
74(x)推估一組70歲的受測者之腦功能影像數據時,計算f-ratio
70(x)= f
74(x)/r
74/70(x)。
接著,進行步驟S140,建立複數個影像數據資訊與複數個影像數據期望資訊之間的一關係式,包括以下步驟:平均化影像數據資訊之像素值,以獲得一平均影像數據資訊。接著,藉由一機器學習演算法,找尋平均影像數據資訊與推估年齡對應之影像數據期望資訊之關係式。
舉例而言,以機器學習演算法之中的線性迴歸為例,建立f
t(x)和g
t(x)兩者之間的關係,其關係式為:g
t(x)=a
t avg(f
t(x))+b
t,其中avg(f
t(x))是對每個像素x取所有年齡層t的f
t(x)的平均值,透過機器學習演算法來求得a
t與b
t。例如求g
70(x)=a
70 avg(f
70(x))+b
70,可得到a
70與b
70。
接著,進行步驟S150,藉由關係式、比值與各影像數據資訊,計算在推估年齡對應之一推估影像數據資訊。詳細而言,步驟S140包括以下步驟:藉由關係式,將各影像數據資訊帶入至關係式,求得一近似影像數據期望資訊。舉例而言,以f
t(x)代入下式得到近似g
t(x)的影像g’
t(x):g’
t(x)
a
f
t(x)+b
t,在此以g’
t(x)表示近似影像數據期望資訊。接著,藉由比值與近似影像數據期望資訊,求得在推估年齡對應之一推估影像數據期望資訊。舉例而言,利用r
t/t’(x)對g
’t(x)進行轉換:g’
t’(x)= g’
t(x)/r
t/t’(x),在此以g’
t’(x)表示推估影像數據期望資訊。接著,藉由關係式與推估影像數據期望資訊,求得推估影像數據資訊。舉例而言,關係式為g’
t’(x)=a
t’ f-guess
t’(x)+b
t’,利用已知的g’
t’(x)與a
t’與b
t’,計算f-guess
t’(x),在此以f-guess
t’(x)表示一組推估之影像數據資訊,用於後續影像擴增。
舉例而言,例如標的物資料庫中僅有f
74(x),即74歲的受測者之腦功能影像數據,希望得到受測者70歲的影像推估f-guess
70(x),如下計算:g’
74(x)
a
74 f
74(x)+b
74;g’
70(x)=g’
74(x)/r
74/70(x);f-guess
70(x)= (g’
70(x)- b
70)/a
70。
接著,進行步驟S160,線性組合推估影像數據資訊與影像數據比例資訊,以產生在推估年齡對應之一擴增影像數據資訊。線性組合推估影像數據資訊與影像數據比例資訊的步驟中,包括以下步驟:依據一第一權重值與一第二權重值線性組合推估影像數據資訊與影像數據比例資訊;以及調整第一權重值與第二權重值,來產生不同之擴增影像數據資訊。
舉例而言,線性組合推估影像數據資訊與影像數據比例資訊如下:以權重方式組合f-guess
70(x)與f-ratio
70(x),u(x)和v(x)可視情況調整,其中u(x)代表第一權重值,v(x)代表第二權重值,透過改變不同的u(x)和v(x)能產生更多的影像結果,建議u(x)+v(x)=1:f-new
t’(x)=u(x)
f-guess
t’(x)+v(x)
f-ratio
t’(x),其中f-new
t’(x)代表擴增影像數據資訊。在一實施例中,例如取u(x)為常數0.5,v(x)為常數0.5,可視為根據f
74(x)產生而得的一組近似f
70(x)的擴增影像數據資訊。
此處f-new
70(x)並非指真實情況下同一個健康人的70歲影像f
70(x),而是依據Rule-Based的方式作一個數學和統計上的計算推估,透過不斷改變u(x)和v(x)得到更多不同的f-new
70(x)。在本發明之腦功能影像數據擴增方法S100在於利用u(x)和v(x)能獲取統計上的多樣性,使得後續深度學習技術能夠順利實施並不受資料不平衡的限制。經目前實測,採用此方法在減少三分之二的健康人數據情況下,也能得到準確度相同的深度學習模型成效。一般影像訓練過程在有使用遷移學習(Transfer Learning)的情況下,最少也需要幾百筆到幾千筆的影像才能順利實施,由於標的物資料庫的成本都是在健康人的數據,此方法評估可降低三分之二的標的物資料庫成本。
綜上所述,在本發明之腦功能影像數據擴增方法中,利用已知的影像數據期望資訊之期望值資料庫,來輔助擴充少量的標的物資料庫,協助擴增深度學習的訓練資料集。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,故本發明之保護範圍當視後附之申請專利範圍所界定者為準。
S100:腦功能影像數據擴增方法
S110~S160:步驟
圖1為本發明之腦功能影像數據擴增方法的流程圖。
S100:腦功能影像數據擴增方法
S110~S160:步驟
Claims (6)
- 一種腦功能影像數據擴增方法,用於核醫之腦功能影像數據,該腦功能影像數據擴增方法包括以下步驟:提供一標的物資料庫,其中該標的物資料庫包含複數個影像數據資訊,各該影像數據資訊係為不同年齡對應之至少一核醫腦功能影像數據;藉由一期望值資料庫中複數個影像數據期望資訊,計算不同年齡對應之該影像數據期望資訊之間的一比值;依據各該影像數據資訊與該比值,求得在一推估年齡對應之一影像數據比例資訊;建立該複數個影像數據資訊與該複數個影像數據期望資訊之間的一關係式;藉由該關係式、該比值與各該影像數據資訊,計算在該推估年齡對應之一推估影像數據資訊;以及線性組合該推估影像數據資訊與該影像數據比例資訊,以產生在該推估年齡對應之一擴增影像數據資訊。
- 如申請專利範圍第1項所述的腦功能影像數據擴增方法,其中所述線性組合該推估影像數據資訊與該影像數據比例資訊的步驟中,包括以下步驟:依據一第一權重值與一第二權重值線性組合該推估影像數據資訊與該影像數據比例資訊;以及調整該第一權重值與該第二權重值,來產生不同之該擴增影像數據資訊。
- 如申請專利範圍第1項所述的腦功能影像數據擴增方法,其中所述計算不同年齡對應之該影像數據期望資訊之間的該比值的步驟之前,包括以下步驟:提供該期望值資料庫,其中該期望值資料庫包含該些影像數據期望資訊,各該影像數據期望資訊係為不同年齡對應之一平均期望影像數據,且該平均期望影像數據為大於零之像素值。
- 如申請專利範圍第1項所述的腦功能影像數據擴增方法,其中所述建立該複數個影像數據資訊與該複數個影像數據期望資訊之間的該關係式的步驟中,包括以下步驟:平均化各該影像數據資訊之像素值,以獲得一平均影像數據資訊;以及藉由一線性迴歸模式,找尋該平均影像數據資訊與該推估年齡對應之該複數個影像數據期望資訊之該關係式。
- 如申請專利範圍第1項所述的腦功能影像數據擴增方法,其中所述提供該標的物資料庫的步驟中,包括以下步驟:取得複數個在不同年齡所擷取之該至少一核醫腦功能影像數據。
- 如申請專利範圍第1項所述的腦功能影像數據擴增方法,其中所述計算在該推估年齡對應之該推估影像數據資訊的步驟中,包括以下步驟:藉由該關係式,將各該影像數據資訊帶入至該關係式,求得一近似影像數據期望資訊;藉由該比值與該近似影像數據期望資訊,求得在該推估年齡對應之一推估影像數據期望資訊;以及 藉由該關係式與該推估影像數據期望資訊,求得該推估影像數據資訊。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108118900A TWI698887B (zh) | 2019-05-31 | 2019-05-31 | 腦功能影像數據擴增方法 |
US16/885,478 US11369268B2 (en) | 2019-05-31 | 2020-05-28 | Brain-function image data augmentation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108118900A TWI698887B (zh) | 2019-05-31 | 2019-05-31 | 腦功能影像數據擴增方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI698887B true TWI698887B (zh) | 2020-07-11 |
TW202046340A TW202046340A (zh) | 2020-12-16 |
Family
ID=72601991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108118900A TWI698887B (zh) | 2019-05-31 | 2019-05-31 | 腦功能影像數據擴增方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11369268B2 (zh) |
TW (1) | TWI698887B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
CN109147941A (zh) * | 2018-10-17 | 2019-01-04 | 上海交通大学 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7700074B2 (en) * | 2002-02-07 | 2010-04-20 | Pettegrew Jay W | Method and system for diagnosis of neuropsychiatric disorders including chronic alcoholism |
US7729749B2 (en) * | 2005-09-01 | 2010-06-01 | The Regents Of The University Of Michigan | Method and apparatus for evaluating connective tissue conditions |
-
2019
- 2019-05-31 TW TW108118900A patent/TWI698887B/zh active
-
2020
- 2020-05-28 US US16/885,478 patent/US11369268B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
CN109147941A (zh) * | 2018-10-17 | 2019-01-04 | 上海交通大学 | 基于结构磁共振影像数据的大脑健壮性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
US11369268B2 (en) | 2022-06-28 |
TW202046340A (zh) | 2020-12-16 |
US20200375462A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5243865B2 (ja) | 脳疾患診断システム | |
JP7357927B2 (ja) | 診断支援システムおよび方法 | |
Ebner et al. | An automated localization, segmentation and reconstruction framework for fetal brain MRI | |
Muramatsu et al. | Automated measurement of mandibular cortical width on dental panoramic radiographs | |
JP6036009B2 (ja) | 医用画像処理装置、およびプログラム | |
JP2016193191A (ja) | 医用画像処理装置及び医用画像処理プログラム | |
BRPI0806785A2 (pt) | ferramentas para auxiliar no diagnóstico de doenças neurodegenerativas | |
Xu et al. | Deformed2self: Self-supervised denoising for dynamic medical imaging | |
Al-Saleh et al. | Three-dimensional assessment of temporomandibular joint using MRI-CBCT image registration | |
Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
Radutniy et al. | Automated measurement of bone thickness on SCT sections and other images | |
WO2015147595A1 (ko) | 의료 영상에서 아티팩트와 병변을 구분하는 방법 | |
US20220254016A1 (en) | Regional Pulmonary V/Q via image registration and Multi-Energy CT | |
CN114694236A (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
US11257227B2 (en) | Brain image normalization apparatus, brain image normalization method, and brain image normalization program | |
Wang et al. | The extreme cardiac MRI analysis challenge under respiratory motion (CMRxMotion) | |
CN114334130B (zh) | 一种基于脑对称性的pet分子影像计算机辅助诊断*** | |
JP2004340954A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
TWI698887B (zh) | 腦功能影像數據擴增方法 | |
JP2004239782A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
CN109767410A (zh) | 一种肺部ct与mri影像融合算法 | |
Mahdavi et al. | A computer-based analysis for identification and quantification of small airway disease in lung computed tomography images: a comprehensive review for radiologists | |
JP6998760B2 (ja) | 脳画像解析装置、脳画像解析方法、及び脳画像解析プログラム | |
US20200118267A1 (en) | Medical image processing apparatus, medical image processing method, and medical image processing program | |
Shakya et al. | A novel SM-Net model to assess the morphological types of Sella Turcica using Lateral Cephalogram |