CMMMgydF4y2Ba 计算和数学方法在医学gydF4y2Ba 1748 - 6718gydF4y2Ba 1748 - 670 xgydF4y2Ba Hindawi出版公司gydF4y2Ba 549102年gydF4y2Ba 10.1155 / 2012/549102gydF4y2Ba 549102年gydF4y2Ba 研究文章gydF4y2Ba 贝叶斯聚类和结构的支持向量机分割Multicontrast MRI的颈动脉斑块gydF4y2Ba 关gydF4y2Ba 邱gydF4y2Ba 1gydF4y2Ba 杜gydF4y2Ba 本gydF4y2Ba 1gydF4y2Ba 腾gydF4y2Ba ZhongzhaogydF4y2Ba 2gydF4y2Ba 吉拉德gydF4y2Ba 乔纳森gydF4y2Ba 2gydF4y2Ba 陈gydF4y2Ba ShengyonggydF4y2Ba 1gydF4y2Ba CattanigydF4y2Ba 卡洛gydF4y2Ba 1gydF4y2Ba 计算机科学学院gydF4y2Ba 浙江理工大学gydF4y2Ba 杭州310023gydF4y2Ba 中国gydF4y2Ba zust.edu.cngydF4y2Ba 2gydF4y2Ba 美国放射学gydF4y2Ba 剑桥大学gydF4y2Ba 山的路gydF4y2Ba 剑桥CB2 0 spgydF4y2Ba 英国gydF4y2Ba cam.ac.ukgydF4y2Ba 2012年gydF4y2Ba 19gydF4y2Ba 12gydF4y2Ba 2012年gydF4y2Ba 2012年gydF4y2Ba 06gydF4y2Ba 10gydF4y2Ba 2012年gydF4y2Ba 19gydF4y2Ba 11gydF4y2Ba 2012年gydF4y2Ba 2012年gydF4y2Ba 版权©2012年秋官等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

颈动脉斑块的准确分割图像先生不仅是一个关键部分也为体内血小板分析必不可少的步骤。由于模糊图像,它很难实现自动分割。两种分类模型,贝叶斯聚类和SSVM,摘要介绍了颈动脉段内腔壁。比较实验结果表明SSVM比贝叶斯的分割性能。gydF4y2Ba

 1。介绍gydF4y2Ba

心血管疾病(心血管病)是全球死亡的主要原因根据世界卫生组织的最新数据。动脉粥样硬化是一种系统的炎性疾病,据估计,负责心血管疾病在很大程度上。因此,有相当大的兴趣描述动脉粥样硬化斑块的适当的治疗计划。在过去20年研究表明,斑块易损性是非常相对于其结构,如腔条件下,动脉粥样硬化斑块内组件(gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

作为基本步骤,动脉壁应准确分割。同时,明确检测墙内是非常重要的每个组件定位正确斑块,这也是非常重要的成分分析等后续手续。gydF4y2Ba

自动化分析颈动脉的斑块成分已被许多研究人员提出。不同的成像技术总是带来不同的图像特征,这将限制适用的方法分割的方法不同。在当前标准成像技术在临床,体内multicontrast MRI技术通常被验证是有效地用来量化斑块的组成(gydF4y2Ba 6gydF4y2Ba]。大多数分割方法基于这种成像技术通常是基于手工提取大量的轮廓。自动分割不仅使不同的组合multicontrast-weighted先生的形象,而且还可以进一步充分利用不同图像的优势提高分类的准确率腔内的组件。其他令人印象深刻的实验也进行了通过使用基于模型的聚类和模糊聚类(gydF4y2Ba 7gydF4y2Ba),最大似然分类器和nearest-mean分类器(gydF4y2Ba 8gydF4y2Ba),morphology-enhanced概率地图(gydF4y2Ba 9gydF4y2Bak -均值聚类(),gydF4y2Ba 10gydF4y2Ba]。这些方法大多基于voxel-wise统计分类,和手动分析不能完全取代他们。一个自动的方法被用来段的颈动脉斑块CT血管造影(CTA) [gydF4y2Ba 11gydF4y2Ba)有潜力取代人工分析。首先,血管腔被分割。随后,分类器训练对每个像素进行分类。然而,这种算法需要改进处理multicontrast-weighted先生的形象。此外,为了提供更准确和客观的真理,同时分割和注册模式gydF4y2Ba 12gydF4y2Ba]在登记是必要的。该方法是一种基于同步活动轮廓模型分割和登记属于mutual-information-based登记(gydF4y2Ba 13gydF4y2Ba]。因此,研究关于分割斑块是至关重要的。gydF4y2Ba

本文组织如下。研究颈动脉斑块的意义,简要介绍了当前研究贡献部分gydF4y2Ba 1gydF4y2Ba。部分gydF4y2Ba 2gydF4y2Ba主要集中在描述ill-illumination等主要和特殊预处理时,图像配准。两种模型用于段壁边界望见在详细的部分gydF4y2Ba 3gydF4y2Ba。部分gydF4y2Ba 4gydF4y2Ba关注两个算法来段内腔,结论和进一步的工作提出了部分gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

 2。测试图像集gydF4y2Ba

斑块的完整过程分析系统组织如下,这是由四个模块组成。首先,颈动脉区域应当分开原核磁共振图像,然后进入预处理部分包括噪声去除和照度均匀。之后,内腔和外墙所获得的图像。后者操作与提取和建模基本块组件,基于FSI(固耦合)和力学分析理论也将引入估计斑块的风险程度。在图的步骤gydF4y2Ba 1gydF4y2Ba将在本文中详细讨论。gydF4y2Ba

流的操作。gydF4y2Ba

 2.1。收购的测试图像集gydF4y2Ba

图像中使用我们的研究是由一位名叫通用电气的磁共振扫描仪获得标记。把图gydF4y2Ba 2(一个)gydF4y2Ba例如,它可以发现颈动脉由两个矩形标记紧密包围其他组织如肌肉、脂肪、骨骼和其他船只在512 mm×512 mm MRI图像。为了处理颈动脉单独如图gydF4y2Ba 2 (b)gydF4y2Ba每个动脉、小ROI区域应该首先从原始扫描图像分割挑选的动脉质心大小是81毫米×81毫米。减少感兴趣区域有效地避免了令人不安的从其他组织也提高了计算速度。gydF4y2Ba

ROI提取:(一)最初的MRI图像,(b)提取图像。gydF4y2Ba

MRI收购的细节已经被发表在gydF4y2Ba 14gydF4y2Ba]。简要来说,患者接受颈动脉的高分辨率核磁共振1.5特斯拉的核磁共振成像系统(命名为标记HDx通用电气医疗集团,沃基肖,WI,美国)与4-channel相控阵脖子线圈(命名为扣带皮层部位、Machnet BV Elde,荷兰)。工件产生运动是最小化通过使用一个专用的真空头枕系统(VAC-LOK缓冲,肿瘤系统有限公司,英国。它是用来解决病人的头部和颈部一个舒适的位置,避免发生的人工制品。在最初日冕定位器序列采样和测试,二维(2 d)轴向time-of-fight (TOF)进行血管造影先生确定颈动脉分叉的位置和最大狭窄的地区。轴向图像通过颈总动脉12毫米(4片)在颈动脉分叉点12毫米(4片)远端在TOF狭窄的程度确定序列。这种方法可以确保整个地区的颈动脉斑块完全成像。gydF4y2Ba

来描述不同的磁共振成像序列的特点,使用以下参数:T1加权(重复时间/回波时间:1×RR / 7.8 ms)与脂肪饱和,T2加权(重复时间/回波时间:2×RR / 100 ms)与脂肪饱和,质子密度加权(重复时间/回波时间:2×RR / 7.8 ms)与脂肪饱和,和短时反转恢复(重复时间/回波时间/反转时间:2×RR / 46/150 ms)。每个先生形象的窗口的视图是10厘米×10厘米,和大小的数据矩阵是512×512。每个像素的空间分辨率达到0.39毫米×0.39毫米。gydF4y2Ba

在图gydF4y2Ba 2(一个)gydF4y2Ba,两个小的roi,红色矩形是颈动脉大小的力拓81毫米×81毫米。图gydF4y2Ba 2 (b)gydF4y2Ba是这两个领域的放大图像。gydF4y2Ba

 2.2。预处理gydF4y2Ba

由于线圈的不均匀性,每个图像的强度应该调整相对统一获得相对一致的灰度为后续基于聚类的分割。该地区(14毫米×14毫米),位于中心的船,是选为有趣的地区。图像的对比增加了一个线性变换,gydF4y2Ba (1)gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ugydF4y2Ba 0gydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba 255年gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ugydF4y2Ba 0gydF4y2Ba 是初始强度,gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba 调整强度,然后呢gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba 米gydF4y2Ba 的最大强度和最小强度是原始图像。强度均匀的调整结果如图所示gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

选片的预处理图像先生:(a)一组原始图像,(b)合成图像归一化后的对比。gydF4y2Ba

 2.3。图像配准gydF4y2Ba

根据先生形象的特点,腔的轮廓显然是在序列T1的血液镇压。在图gydF4y2Ba 4gydF4y2Ba马克两特征点在图像(a)和(b)作为红点。通常情况下,腔的分岔和狭隘的位置选为标记点登记。gydF4y2Ba

处理标记点登记:(a)先生的图片,(b)手册大纲,(c)登记的结果。gydF4y2Ba

一般来说,图像模糊,如图gydF4y2Ba 4gydF4y2Ba。因此很难马克在一些图像特征点。为了解决这个问题,注册方法提出了基于prior-constrained分割尺度空间下颈动脉的狗。从这个名字,分割算法意味着两个部分。首先,灵感来自筛选算法,不同的优势介绍了高斯尺度空间(狗)捕获原始图像中的边缘看起来模棱两可的规模,这是高斯尺度空间的导数规模比例协调。其次,给出一个简单的先验知识,附近的动脉壁是圆的,一个给定的颈动脉壁的厚度将限制搜索区域。之前的形状为外墙分割是至关重要的信息。把墙边界的步骤如图所示gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

多尺度PCA的流程图。gydF4y2Ba

然后通过最小化能量函数使用一个梯度流,我们可以实现同步的目标分割和注册(gydF4y2Ba 12gydF4y2Ba]。的努力,这种新方法可以减少噪声对原始图像的影响,导致改善登记,另一方面也可以提高分割精度,尤其是对分割模糊图像。gydF4y2Ba

给定两个图像gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ;gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 对象的轮廓吗gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 对象的轮廓吗gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 。建立映射gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ggydF4y2Ba (gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 。同时分割和注册方法的步骤如下。gydF4y2Ba

步骤1。gydF4y2Ba

初始化gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

 步骤2。gydF4y2Ba

优化注册参数获得最佳的映射函数gydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

 步骤3。gydF4y2Ba

渐屈线gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba 获取当前图像的最优分区行gydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba ,获取当前图像的最优分割行gydF4y2Ba 我gydF4y2Ba 通过gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ggydF4y2Ba (gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

 步骤4。gydF4y2Ba

达到最大数量的迭代步骤,或者前后两个迭代的结果小于阈值算法停止,结束;否则转到步骤gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

 3所示。造型gydF4y2Ba

比较不同算法的建模的结果,两种模型都是基于贝叶斯分类算法和SSVM(构造支持向量机)进行。gydF4y2Ba

3.1。建立训练集gydF4y2Ba

从核磁共振片匹配的组织学切片,切片选择12和25为分割生成训练集。图像的两片手动分割是基于注册组织学结果和相对强度。总共549像素(每个像素包含4总密度表示不同的对比体重)选择随机的调查。从这些分割结果,确定每个像素属于一个4问题类型包括脂质(表示gydF4y2Ba ZgydF4y2Ba 1gydF4y2Ba (表示),正常的问题gydF4y2Ba ZgydF4y2Ba 2gydF4y2Ba ),钙化(表示gydF4y2Ba ZgydF4y2Ba 3gydF4y2Ba ),和其他(包括腔内或外的问题,表示gydF4y2Ba ZgydF4y2Ba 4gydF4y2Ba )。训练集用于生成概率函数用于确定组织类型的每个像素的概率模型中基于贝叶斯分类。gydF4y2Ba

 3.2。基于贝叶斯分类模型gydF4y2Ba

分割算法的最重要的部分是确定每个像素的概率。这些概率代表组织的可能性在当前位置的像素是脂质,钙化,正常的问题,或其他人。gydF4y2Ba

最大分类器是用来确定哪些像素属于问题类型。图gydF4y2Ba 6gydF4y2Ba给我们最大的流程图决定概率函数分类器。在哪里gydF4y2Ba 我gydF4y2Ba →gydF4y2Ba 先生是一个像素multicontrast加权图像改变了预处理,gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba →gydF4y2Ba )gydF4y2Ba 是决策函数,gydF4y2Ba PgydF4y2Ba (gydF4y2Ba ZgydF4y2Ba 我gydF4y2Ba ∣gydF4y2Ba 我gydF4y2Ba →gydF4y2Ba )gydF4y2Ba 是class-conditional概率密度函数(pdf)。通过比较值的四个函数,如果gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba →gydF4y2Ba )gydF4y2Ba 是一个像素的最大概率值,那么像素gydF4y2Ba 我gydF4y2Ba →gydF4y2Ba 属于gydF4y2Ba ZgydF4y2Ba 我gydF4y2Ba 和标记gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

流程图的最大决定概率函数分类器。gydF4y2Ba

 3.3。模型基于SSVMgydF4y2Ba

最近,结构化的预测已经吸引了太多的关注,许多方法基于它也被开发出来。结构化的学习是结构化预测的主要方法之一,它不仅研究结构良好的输入和输出的问题,还揭示了强大的内在相关性。制定的学习复杂功能的多变量输入和输出之间的依赖关系表示。结构化的学习在解决重要的计算机视觉任务有重大的影响。图gydF4y2Ba 7gydF4y2Ba给SSVM获得灰色信息的流程图。迭代训练SSVM的流程图如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

SSVM获得灰色信息的流程图。gydF4y2Ba

迭代训练SSVM的流程图。gydF4y2Ba

 4所示。比较gydF4y2Ba

分割的结果28片和34先生图像基于贝叶斯和SSVM见图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

两个分割的结果选择片使用multicontrast先生图片:(a)测试图像先生;贝叶斯分类器(b)自动分割结果;(c) SSVM的自动分割结果的过程。gydF4y2Ba

见图gydF4y2Ba 9gydF4y2Ba,术语分类算法的分割结果表明SSVM的性能远优于贝叶斯由于前者包括结构信息,SSVM的分割和平滑效果也明显。gydF4y2Ba

图片所呈现的结果是不够的进行评估。这里定义一个名为误分类率的参数来判断每个算法的准确性。gydF4y2Ba

在本文的实验中,选择切片图像先生是被全球强度从20%变化到40%,增加1% - -9%的噪音。误分类率,一个评估标准,定义为像素分类错误的比率,这个类的像素总数。它是制定(gydF4y2Ba 2gydF4y2Ba)如下:gydF4y2Ba (2)gydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba =gydF4y2Ba fgydF4y2Ba pgydF4y2Ba +gydF4y2Ba fgydF4y2Ba ngydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 组织的错误吗gydF4y2Ba 我gydF4y2Ba ;gydF4y2Ba fgydF4y2Ba pgydF4y2Ba 假阳性反应(像素属于组织gydF4y2Ba 我gydF4y2Ba 但被归为其他组织);gydF4y2Ba fgydF4y2Ba ngydF4y2Ba 是假阴性反应(像素不属于组织gydF4y2Ba 我gydF4y2Ba 但被列为组织类型gydF4y2Ba 我gydF4y2Ba );gydF4y2Ba ngydF4y2Ba 组织类型的像素的总数吗gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

腔通过贝叶斯的误分类率和SSVM算法列在表中gydF4y2Ba 1gydF4y2Ba。从统计数据表所示gydF4y2Ba 1gydF4y2Ba,可以看出SSVM造成的误分类率远低于贝叶斯。这代表SSVM的性能优于贝叶斯,尤其是在高噪音水平。gydF4y2Ba

腔为贝叶斯和SSVM的错误分类。gydF4y2Ba

噪音gydF4y2Ba 误分类率gydF4y2Ba
贝叶斯gydF4y2Ba SSVMgydF4y2Ba
1%gydF4y2Ba 3所示。5gydF4y2Ba 2.6gydF4y2Ba
3%gydF4y2Ba 5.3gydF4y2Ba 4所示。8gydF4y2Ba
5%gydF4y2Ba 6.5gydF4y2Ba 6.3gydF4y2Ba
7%gydF4y2Ba 10.6gydF4y2Ba 8.5gydF4y2Ba
9%gydF4y2Ba 16.9gydF4y2Ba 9.6gydF4y2Ba

5。结论gydF4y2Ba

总而言之,本文的工作就是专注于颈动脉斑块的前几个步骤的分析,包括图像的预处理、基于模型的分割腔,斑块和外墙。两种模型,贝叶斯和SSVM分别构建和应用于检测内部墙。应收边界可以通过两个算法,实验结果显示了SSVM的分割性能优于贝叶斯,特别是在图像的噪声水平高。gydF4y2Ba

但是仍有一些需要做的改进在未来打破当前工作的局限性。首先,通过增加结构信息改进贝叶斯更好的性能。其次,引入序列图像跟踪技术研究提高人机交互的性能指定的中心腔。进一步努力应该关注动脉位置估计每个MRI片和利用信息获得的前片挑出动脉当前图像的质心。此外,其他一些算法需要证实,相比之下,他们在处理斑块。gydF4y2Ba

 确认gydF4y2Ba

这项工作是由美国国家科学基金会支持部分中国国家自然科学基金委。61173096,61173096,51075367),中国教育部博士基金(20113317110001)和浙江省S和T (2010 r10006 2010 c33095)。gydF4y2Ba

 腾gydF4y2Ba Z。gydF4y2Ba 他gydF4y2Ba J。gydF4y2Ba DegnangydF4y2Ba a·J。gydF4y2Ba 陈gydF4y2Ba 年代。gydF4y2Ba 萨达特gydF4y2Ba U。gydF4y2Ba BahaeigydF4y2Ba n S。gydF4y2Ba 陆克文gydF4y2Ba j·h·F。gydF4y2Ba 吉拉德gydF4y2Ba j . H。gydF4y2Ba 关键机械条件在neovessels颈动脉粥样硬化斑块可以促进intraplaque出血gydF4y2Ba 动脉粥样硬化gydF4y2Ba 2012年gydF4y2Ba 223年gydF4y2Ba 2gydF4y2Ba 321年gydF4y2Ba 326年gydF4y2Ba 10.1016 / j.atherosclerosis.2012.06.015gydF4y2Ba 腾gydF4y2Ba Z。gydF4y2Ba DegnangydF4y2Ba a·J。gydF4y2Ba 陈gydF4y2Ba 年代。gydF4y2Ba 吉拉德gydF4y2Ba j . H。gydF4y2Ba 描述的治疗颈动脉粥样硬化斑块破裂后出现严重症状的患者:一个使用体内心血管磁共振的探索性研究gydF4y2Ba 心血管磁共振杂志》上gydF4y2Ba 2011年gydF4y2Ba 13gydF4y2Ba 1,第64条gydF4y2Ba 10.1186 / 1532 - 429 x - 13 - 64gydF4y2Ba 陈gydF4y2Ba s Y。gydF4y2Ba 关gydF4y2Ba Q。gydF4y2Ba 参数化形状表示的可变形的NURBS模型心脏功能的测量gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2011年gydF4y2Ba 58gydF4y2Ba 3gydF4y2Ba 480年gydF4y2Ba 487年gydF4y2Ba 2 - s2.0 - 79952136167gydF4y2Ba 10.1109 / TBME.2010.2087331gydF4y2Ba 陈gydF4y2Ba s Y。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 关gydF4y2Ba Q。gydF4y2Ba 杜gydF4y2Ba Y。gydF4y2Ba 姚gydF4y2Ba C。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 心肌运动分析测定tei-index人类的心gydF4y2Ba 传感器gydF4y2Ba 2010年gydF4y2Ba 10gydF4y2Ba 12gydF4y2Ba 11428年gydF4y2Ba 11439年gydF4y2Ba 2 - s2.0 - 78650285617gydF4y2Ba 10.3390 / s101211428gydF4y2Ba 陈gydF4y2Ba s Y。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 关gydF4y2Ba Q。gydF4y2Ba 刘gydF4y2Ba 年代。gydF4y2Ba 检测和修正基于不变矩的形状扭曲的主动形状模型gydF4y2Ba 专业图像处理gydF4y2Ba 2011年gydF4y2Ba 5gydF4y2Ba 3gydF4y2Ba 273年gydF4y2Ba 285年gydF4y2Ba 2 - s2.0 - 79959726461gydF4y2Ba 10.1049 / iet-ipr.2007.0110gydF4y2Ba TrivedigydF4y2Ba r。gydF4y2Ba U-King-ImgydF4y2Ba J。gydF4y2Ba 格雷夫斯gydF4y2Ba m·J。gydF4y2Ba 霍斯利gydF4y2Ba J。gydF4y2Ba 戈达德gydF4y2Ba M。gydF4y2Ba 柯克帕特里克gydF4y2Ba p . J。gydF4y2Ba 吉拉德gydF4y2Ba j . H。gydF4y2Ba Multi-sequence体内MRI可以量化纤维帽和脂质核心组件在人类颈动脉粥样硬化斑块gydF4y2Ba 欧洲杂志的血管和血管内手术gydF4y2Ba 2004年gydF4y2Ba 28gydF4y2Ba 2gydF4y2Ba 207年gydF4y2Ba 213年gydF4y2Ba 2 - s2.0 - 3242774635gydF4y2Ba 10.1016 / j.ejvs.2004.05.001gydF4y2Ba AdamegydF4y2Ba i M。gydF4y2Ba van der地表古积gydF4y2Ba r . J。gydF4y2Ba 沃瑟曼gydF4y2Ba b。gydF4y2Ba 默罕默德gydF4y2Ba m·A。gydF4y2Ba ReibergydF4y2Ba j . h . C。gydF4y2Ba LelieveldtgydF4y2Ba b p F。gydF4y2Ba 自动分割和动脉粥样硬化斑块性表征颈动脉图像先生gydF4y2Ba 磁共振材料在物理学、生物学和医学gydF4y2Ba 2004年gydF4y2Ba 16gydF4y2Ba 5gydF4y2Ba 227年gydF4y2Ba 234年gydF4y2Ba 2 - s2.0 - 4444294114gydF4y2Ba 10.1007 / s10334 - 003 - 0030 - 8gydF4y2Ba 克拉克gydF4y2Ba s E。gydF4y2Ba BeletskygydF4y2Ba V。gydF4y2Ba 哈蒙德gydF4y2Ba R R。gydF4y2Ba HegelegydF4y2Ba r。gydF4y2Ba RuttgydF4y2Ba b K。gydF4y2Ba 验证自动classifiedmagnetic磁共振图像颈动脉斑块成分分析gydF4y2Ba 中风gydF4y2Ba 2006年gydF4y2Ba 37gydF4y2Ba 1gydF4y2Ba 93年gydF4y2Ba 97年gydF4y2Ba 刘gydF4y2Ba F。gydF4y2Ba 徐gydF4y2Ba D。gydF4y2Ba 弗格森gydF4y2Ba m . S。gydF4y2Ba 楚gydF4y2Ba B。gydF4y2Ba 阿姆gydF4y2Ba T。gydF4y2Ba TakayagydF4y2Ba N。gydF4y2Ba HatsukamigydF4y2Ba t·S。gydF4y2Ba 元gydF4y2Ba C。gydF4y2Ba •科尔文gydF4y2Ba w·S。gydF4y2Ba 体内自动分割的颈动脉斑块磁共振morphology-enhanced概率地图gydF4y2Ba 磁共振医学gydF4y2Ba 2006年gydF4y2Ba 55gydF4y2Ba 3gydF4y2Ba 659年gydF4y2Ba 668年gydF4y2Ba 2 - s2.0 - 33644790879gydF4y2Ba 10.1002 / mrm.20814gydF4y2Ba KarmonikgydF4y2Ba C。gydF4y2Ba BastogydF4y2Ba P。gydF4y2Ba 维氏gydF4y2Ba K。gydF4y2Ba 马丁gydF4y2Ba K。gydF4y2Ba 里尔登gydF4y2Ba m·J。gydF4y2Ba LawriegydF4y2Ba g . M。gydF4y2Ba MorrisettgydF4y2Ba j . D。gydF4y2Ba 定量分割主要通过特征空间分析颈动脉粥样硬化病变组件基于multicontrast MRI在1.5 TgydF4y2Ba IEEE生物医学工程gydF4y2Ba 2009年gydF4y2Ba 56gydF4y2Ba 2gydF4y2Ba 352年gydF4y2Ba 360年gydF4y2Ba 2 - s2.0 - 63849173887gydF4y2Ba 10.1109 / TBME.2008.2003100gydF4y2Ba VukadinovicgydF4y2Ba D。gydF4y2Ba RoziegydF4y2Ba 年代。gydF4y2Ba 范·吉尔gydF4y2Ba M。gydF4y2Ba 范WalsumgydF4y2Ba T。gydF4y2Ba ManniesinggydF4y2Ba R。gydF4y2Ba van der卢格特曾gydF4y2Ba 一个。gydF4y2Ba NiessengydF4y2Ba w·J。gydF4y2Ba 自动和手动分割的颈动脉粥样硬化斑块体积和组件在CTA:对心血管疾病的风险因素gydF4y2Ba 国际心血管成像杂志》上gydF4y2Ba 2012年gydF4y2Ba 28gydF4y2Ba 4gydF4y2Ba 877年gydF4y2Ba 887年gydF4y2Ba 2 - s2.0 - 79956273552gydF4y2Ba 10.1007 / s10554 - 011 - 9890 - 6gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba ThiruvenkadamgydF4y2Ba 年代。gydF4y2Ba 黄gydF4y2Ba F。gydF4y2Ba GopinathgydF4y2Ba k . S。gydF4y2Ba BrigggydF4y2Ba r·W。gydF4y2Ba 同时分割图像先生和注册功能gydF4y2Ba 1gydF4y2Ba 第16届国际会议模式识别学报》上gydF4y2Ba 2006年gydF4y2Ba 加拿大魁北克gydF4y2Ba 747年gydF4y2Ba 750年gydF4y2Ba PluimgydF4y2Ba j·p·W。gydF4y2Ba MaintzgydF4y2Ba j·b·A。gydF4y2Ba ViergevergydF4y2Ba m·A。gydF4y2Ba Mutual-information-based登记医学图像:一项调查gydF4y2Ba IEEE医学成像gydF4y2Ba 2003年gydF4y2Ba 22gydF4y2Ba 8gydF4y2Ba 986年gydF4y2Ba 1004年gydF4y2Ba 2 - s2.0 - 0043028206gydF4y2Ba 10.1109 / TMI.2003.815867gydF4y2Ba 萨达特gydF4y2Ba U。gydF4y2Ba WeerakkodygydF4y2Ba r。gydF4y2Ba 鲍登gydF4y2Ba d . J。gydF4y2Ba 年轻的gydF4y2Ba 诉E。gydF4y2Ba 格雷夫斯gydF4y2Ba m·J。gydF4y2Ba 李gydF4y2Ba z Y。gydF4y2Ba 唐gydF4y2Ba t Y。gydF4y2Ba 憔悴的gydF4y2Ba m E。gydF4y2Ba 海斯gydF4y2Ba p D。gydF4y2Ba 吉拉德gydF4y2Ba j . H。gydF4y2Ba 效用的高分辨率成像评估颈动脉斑块形态学先生:症状比较严重,最近有症状和无症状的颈动脉疾病患者gydF4y2Ba 动脉粥样硬化gydF4y2Ba 2009年gydF4y2Ba 207年gydF4y2Ba 2gydF4y2Ba 434年gydF4y2Ba 439年gydF4y2Ba 2 - s2.0 - 70450237302gydF4y2Ba 10.1016 / j.atherosclerosis.2009.05.002gydF4y2Ba