DICOM文件中基于元数据的医学图像重建算法

沙特国王大学学报从DICOM文件Aziz Fajara，Riyanarto Sarnoa，Chastine Sarchaha，Achmad Fahmiba/印度尼西亚泗水，Institute Teknologi Sepuluh Nopalan，信息学系b印度尼西亚泗水Airlangga大学医学院神经外科系阿提奇莱因福奥文章历史记录：收到2020年2020年11月13日修订2020年12月10日接受2020年12月18日网上发售保留字：DICOM3D医学图像图像拼接投影A B S T R A C T当前从DICOM（医学数字成像和通信）文件重建3D图像需要对重建图像进行严格的监督，以使其具有相同的元数据，包括切片厚度、切片之间的间距和图像分辨率。我们提出了一种基于DICOM格式的医学图像重建3D图像的算法，该算法具有不同的元数据，并在保留注释的同时对3D图像进行了重新排序。由于大多数当前系统不能处理巨大的3D图像数据大小，因此3D图像缩放可以促进处理。在对三维图像进行预处理后，通过投影保留原始标注，这些标注可以作为训练和评估机器学习方法的地面真值。实验结果表明，该方法可以处理不同的DICOM文件，并正确地将注释投影到缩放后的图像上。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍医学成像是医学中的研究热点（Salamah等人， 2019年）的报告。在该领域中，DICOM（医学数字成像和通信）图像是特别感兴趣的，因为它们可以由各种成像设备提供。在不同的模式中，磁共振成像（MRI）已被用于数十年来获得受试者的大脑图像（Sheela和Suganthi，2019），从而可以检查大脑解剖结构和功能。因此，可以诊断出大脑状况，如肿瘤和囊肿的存在。与其他成像方法一样，MRI扫描可以格式化为DICOM文件。MRI扫描以给定的间距被分成切片。因此，当在不同的医院或医疗中心进行MRI检查时，结果可能会在以下方面有所不同：切片数量、切片间距和切片厚度。MRI生成的每个切片都可以可视化为与MRI扫描位置相对应的2D图像，可能会丢失患者大脑的因为MRI可以从* 通 讯 作 者 ： Gedung Teknik Informatika ， Jl. Teknik Kimia ， Institut TeknologiSepuluh Nopalgia ， Keputih ， Sukolilo ， Kota Surabaya ， Jawa Timur 60111 ，Indonesia.电子邮件地址：riyanarto@if.its.ac.id（R. Sarno）。沙特国王大学负责同行审查制作和主办：Elsevier许多不同的位置，处理2D MRI图像可能是棘手的，当需要小的大脑标志进行评估。例如，MRI扫描可以对大脑界标进行切片，使得它们在不同切片上被分割。因此，需要将DICOM图像重建为3D表示，以准确地反映检查特征。目前大多数关于脑MRI的研究考虑2D图像用于诊断目的（Librenza-Garcia等人，2017; Selvaraj等人， 2012）和手术计划（Park等人，2019年）的报告。脑MRI已广泛用于手术计划中的前连合和后连合定位（Zhang等人，2010年）。精确定位对于任何脑外科手术实现头部对齐至关重要。对于定位，应定义大脑的正中矢状部分，因此，如果该部分出现在不同的MRI切片上，则需要额外的预处理来重建大脑标志。DICOM格式的图像具有每个切片的元数据，包括切片厚度、切片间距和图像分辨率等信息。如果在没有监督的情况下拍摄图像，则不同DICOM文件的这些元数据目前，3D图像的重建是通过根据其元数据堆叠DICOM图像来执行的。因此，重建成功取决于DICOM图像及其元数据的准确性（AlZu 'bi等人， 2020年）。生成3D图像的另一种方法包括将DICOM文件转换为NIfTI（神经成像信息技术倡议）格式。从DICOM文件获得的NIfTI图像提供大脑的3D表示。但是，包含DICOM元数据的标头不会与https://doi.org/10.1016/j.jksuci.2020.12.0041319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3518X图像. 因此，图像无法重新采样并转换回原始DICOM格式。考虑到上述表示问题，我们提出了一种方法：1）将具有不同属性的大脑DICOM图像切片转换为3D表示，2）调整生成的图像的大小，以实现图像间的统一分辨率，以及3）将原始注释投影到调整大小的图像上。将原始图像的注释投影到调整大小的图像上可以为依赖这些数据的应用保留信息，例如需要地面实况标签的机器学习或深度学习算法。该方法包括两个主要步骤：图像增强直方图均衡化和三维图像重建三线性插值。 然后，可以调整重建的3D图像的大小，同时保留包括正确元数据的DICOM格式。据我们所知，没有方法可用于3D图像重建和从DICOM文件恢复一种方法可用于执行3D医学图像分割，其中通过将图像分成小块来分割3D脑MRI图像（Huo等人， 2019年）的报告。另一种方法使用由MATLAB应用程序创建的图像来创建待分割的3D脑图像，旨在将3D图像的分割结果与逐切片方法的分割结果进行比较（Grandhe等人，2018年）。总的来说，必须处理图像以符合研究目标和要求。我们的主要贡献是一种方法来生成一个3D图像包含所有的切片的DICOM图像。生成的图像可以调整大小。由于3D图像在重建之前已经增强，因此数据不需要进一步预处理即可用于机器学习或深度学习分类等应用。本文的其余部分组织如下。第2节介绍了根据DICOM图像进行3D图像重建的拟议方法第3报告了实验结果和分析，我们在第4得出结论。2. 材料和方法2.1. 背景DICOM标准已广泛应用于医学图像研究。DICOM图像包含一个包含相应元数据的标题这些元数据提供了诸如位深度、大小、尺寸、切片厚度、切片之间的间距以及用于创建DICOM文件的模态等信息因此，元数据对于重建DICOM图像至关重要。间距较大的MRI图像可能会导致信息丢失，合并后图像与实际物体的大小可能会有所不同。DICOM格式的图像可以使用2D或3D方法进行处理。各种2D分割方法最近已经被MRI图像呈现偏置场失真，这导致组织的成像序列中的强度变化（Yang等人，2019年）的报告。因此，在诸如机器学习和深度学习方法的应用已经提出了直方图均衡化的几种变型（Agrawal等人，2019; Mun 等 人 ， 2019; Rao ， 2020; Singh 等 人 ， 2019;Veluchamy和Subramani，2020，2019; Zarie等人， 2018年）。所有这些方法都证明了对灰度图像的增强。DICOM图像的质量取决于采集设备（Davis等人， 2018年）。因此，使用不同 设备在不同时间采集的DICOM 图像一种用于DICOM MRI图像的实体3D重建的方法使用直方图均衡化（Loizou等人， 2017年）。该方法旨在评估多发性硬化症患者随时间的变化。考虑到直方图均衡化的良好性能，本文还将其用于图像增强。线性插值是三线性插值的基础，用于验证颜色的类别（Shanty等人， 2013年）。 虽然三线性插值对于3D重建是准确的（Bai等人，2010），但计算成本很高（Canelhas et al.， 2018年）。它已经被实现为用于灰度图像插值的行进立方体算法（Rajon和Bolch，2003）。该算法只需要输入图像，类似的三线性插值方法可用于彩色图像的插值。2.2. 提出的3D图像重建在本节中，我们详细介绍了所提出的方法和数据，包括DICOM文件与本研究的各种元数据。图1示出了所提出的方法的示意图。首先，我们通过应用直方图均衡化来增强每个DICOM图像切片。然后，通过堆叠图像，在三维中组装增强的DICOM图像切片。为了重建层间信息和平滑图像，我们采用三线性插值。由于DICOM图像的参数在采集过程中可能不同，我们调整重建的3D图像的大小以生成具有相同大小的图像2.2.1. 直方图均衡DICOM图像通常应在用于机器学习和深度学习算法等方法之前进行预处理。为了便于预处理，可以增强DICOM图像。为此，我们使用直方图均衡化，这通常用于灰度图像增强。由于DICOM图像体素是按强度编码的，因此它们类似于具有一个颜色通道的灰度图像。直方图均衡使用强度的累积分布函数（CDF）。CDF如下反映图像x中像素级i的出现概率（pxi）：提出（Bagheri等人， 2020; Ito等人， 2019年; Wu等人， 2020年）。nip由于这些方法依赖于选择要分离的大脑切片随着时间的推移，更多的研究工作致力于处理3DDICOM图像（Bae等人，2020; Bereciartua等人，2016;Kahali等人，2017; Piantadosi等人， 2020年）。对于脑图像分割，已使用空间定位的图谱网络瓦片和U-网将重建的3D DICOM图像划分成若干3D区域（Huo等人，2019年）的报告。具体地说，将3D DICOM图像划分为子空间，用于U-net，以处理较少的数据，并减少图形处理单元的内存占用。已经设计了用于分割3D图像的其他方法，其适当地表示从MRI获取的信息（AlZu'bi等人， 2020;Dolz等人， 2020; Pei等人，2020年; Yang等人， 2019年）的报告。xipxin;0≤iL1<其中L是最大像素值。由于MRI DICOM图像类似于灰度图像，每个体素的强度（v）在0水平256概率由Eq.然后使用公式（1）计算每个强度值的CDF：vcdfx v px xj2j¼0当量（2）提供每个强度值的CDF。强度值hv的直方图均衡化由下式给出：A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3519.ΣðÞ¼×ð—ÞðÞ××Fig. 1. 提出了从DICOM文件进行3D图像重建的方法。高电压圆 cdf最小值-cdf最小值1 3M×N每列（W）。因此，图2所示的具有元数据的DICOM图像具有512×512像素的分辨率。其中CDFmin 是大于0的最小CDF值在增强DICOM图像后，我们根据-到元数据中可用的切片位置，如然后用均衡后的亮度值代替原亮度值，得到对比度高于原图像的增强图像。2.2.2. 从DICOM文件重建3D图像在这项研究中，我们从印度尼西亚泗水的不同医院获得了54条DICOM数据记录。MRI设备被设置为1.5 Tesla收购给定不同的数据源，采集参数可能会有所不同。这种变化可以在记录的DICOM元数据中进行验证。图2示出了示例DICOM图像切片的元数据。标记显示在最左侧列的括号内。每个DICOM标签对应的值代表图像的不同部分。例如，具有DICOM标签（0028，0010）的行表示每行的像素数（L），具有DICOM标签（0028，0011）的行表示像素数图3.第三章。堆叠DICOM图像切片以构建脑部MRI图像的3D表示。因此，当获取MRI扫描时，3D图像的分辨率除了L和W之外还包括切片的数量（H）。此外，元数据通常在切片之间具有不同的间距，这在具有DICOM标签（0018，0088）的行中指示。切片之间的间距决定了MRIDICOM图像的平滑度和细节级别。当图像数据如图3所示堆叠时，3D表示包含在切片之间具有缺失信息的空白空间，并且切片之间的间距可能不同。我们填补这些空间，通过应用三线性插值脑MRI DICOM图像生成的3D表示作为一个图像阵列后所获得的3D脑MRI DICOM图像具有L W H的大小，并且因此所重建的3D图像在所获取的DICOM图像之间可能不同在这项研究中，DICOM图二. DICOM图像切片元数据。A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3520·2Þð5ÞKXSX Sy Sz图3.第三章。组装DICOM图像以进行3D表示。图像是从不同的医院获得的，因此每个患者可能具有不同数量的切片因此，我们将重建的3D图像调整为相同的分辨率以实现均匀性。2.2.3. 三线性插值图4将体素示出为包含三维强度值（V）的立方体。体素的强度值V包含在顶点xiao x在DICOM图像中，顶点处的值表示给定坐标的强度。因此，为了获得中间值，我们应用以下插值公式：Ltx¼1-tx·vx1tx·vx24用于计算txz。最后，每个txz用于计算txyz，也使用方程：（四）、2.2.4. 调整3D图像大小将DICOM图像切片组装成图3所示的3D表示需要对所有重建的3D图像进行重新编码以具有相同的分辨率。为此，我们提出了图1所示的方法。 六、图6示出了包含体素T的3D图像。当我们如图3所示堆叠图像时，得到的3D图像具有Sx¼L、Sy¼W和Sz¼H。 因此，3D图像体素的数量为Sx·Sy·Sz。 设T是坐标为x; y; z = 0的强度为v的体素。要将结果图像调整为所需大小的立方体<$Dx;Dy;Dz<$，我们对每个体素强度重新采样如下：其中，X¼X. .Xy zzDx;Dy;DzV点强度j;j;j-2Sx;Sy;Sz三线性插值使用Eq. （4）递归地至少三个次从等式（4），我们得到了两个插值值（L）在同一侧沿X轴（tx图5示出了插值目标txyz和获得其值所需的步骤。在使用Eq.（4），每个tx被使用j0;0; 0哪里K¼min=Dx;Dy;Dz=60° C见图4。体素可视化。图五. 具有插值的体素。我vj¼A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3521ð222第当量（6）给出了标度K的计算。比例是沿每个轴的所需尺寸除以相应的原始尺寸的最小值。在对3D图像进行优化之后，Meta数据中的任何注释（P1）都应该被相应地修改这一步骤对于保存重建图像的地面实况数据是必要的为了将注释P1投影到调整大小的3D图像上，我们应该确定原始3D图像的中心（C1）和重建的3D图像的中心（C2）。当量（7）允许确定原始和调整大小的3D图像的中心：C¼。Sx;Sy;Sz7图六、包含体素T的3D立方体从坐标（0，0，0）处的体素开始直到期望图像尺寸的最后一个体素的每个体素被给予从等式（1）获得的强度值。（五）、D x;D y;D z如等式（5）可以提供一个浮点数，我们在此等式之前应用三线性插值，首先获得原始3D图像的中心坐标由于这个坐标是已知的，我们应该通过减去C1和P1来计算矢量V1，如下所示：V¼C-P108mm然后确定V2：V2¼V1·K9因此，获得了调整大小的3D图像（V2）的减法矢量，并且我们可以使用等式（1）计算P2的坐标（八）、3. 结果和讨论我们评估了所提出的方法及其程序，获得了本节中报告的结果。图7.第一次会议。直方图均衡化前的MRI DICOM图像（a）头颅CT，（b）头颅CT，（c）头颅CT。图8.第八条。图中的MRI DICOM图像。 7直方图均衡后。（a）头颅CT，（b）头颅CT，（c）头颅CT。A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3522见图9。 未进行直方图均衡化的脑MRI DICOM图像的8× 8×图10个。脑MRI DICOM图像（a）、（c）应用三线性插值之前和（b）、（d）应用三线性插值之后A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3523× ×××××××××××3.1. 直方图均衡直方图均衡化是一种应用广泛的图像增强方法。图7示出了使用直方图均衡化增强之前的脑MRI DICOM图像。图7中的图像是从大脑的不同平面和部位拍摄的。然而，不同的大脑结构并不容易区分。直方图均衡化对图像中的强度值进行归一化，从而获得图8所示的增强的脑部MRI DICOM图像。归一化的图像体素允许容易地区分大脑的白质和灰质以及由于归一化强度值而导致的不同结构。见图9。显示了来自未处理的脑部MRI DICOM图像的部分体素强度值。在将直方图均衡化应用于8个8对于图9中的图像的1个体素，强度值根据数据体素中的最小和最大强度值而改变。在图9中，最小体素强度52被转换为0，最大体素强度154被转换为255。3.2. 三线性插值三线性插值用于平滑3D MRI DICOM图像。由于体素在其顶点处包含值，因此没有中间值。图十一岁（a）、（c）、（e）分辨率为256× 256× 170的3D MRI DICOM图像和（b）、（d）、（f）分辨率为256×256 × 256的调整图像。值被包含在体素中而不进行插值，从而导致具有粗糙纹理的图像。图10示出了在应用三线性插值之前和之后的MRI DICOM图像。图图10（a）和（c）示出了没有插值的直方图均衡化的脑MRIDICOM图像。这些图像不像图10（b）和（d）中所示的图像那样平滑，图10（b）和（d）中所示的图像在三线性插值之后呈现体素内的值。正确的DICOM图像缩放需要插值。3.3. 调整大小缩小或放大3D DICOM图像可以通过简化数据收集或预处理等方式促进机器学习方法等应用。使用所提出的方法，图像可以根据需要调整大小。图11示出了图像缩放的示例。图图11（a）、（c）和（e）示出了叠加后的3D脑DICOM图像，图11（b）、（d）和（f）示出了使用所提出的方法通过对每个图像取切片而布置的对应图像的2D视图。 图图11（a）和（b）显示了矢状面，而图11（b）显示了矢状面。 11(c)图11（e）和（f）示出了冠状面。轴面和冠状面的视图显示相同的形状。矢状平面中的图像显示了相同切片编号的不同图像。这是因为图像在矢状面的比例从170调整到256。另一种重建方法可以通过获取图像的每个体素对于分辨率为256 256，在分辨率为128 128的情况下，每对值取第一体素值以生成调整大小的图像。 图图12将该方法与所提出的方法进行了比较。图12中的结果是类似的，但是所提出的方法处理3D图像，提供128128128的分辨率，而的比较方法提供一解决128128170由于2D复位。从所提出的方法获得的切片与从（Grandhe等人，2018年，在图。 13岁图13中的3D图像已调整为256256 256对于所提出的方法和对于（Grandhe等人，2018年，在MATLAB中实现。应用直方图均衡进一步提高了可视化。从所提出的方法获得的改进的图像质量在图中详细描述。 14个。图中图像之间的差异。 14(a)和（b）以放大视图示出。显然，图中图像的分辨率。 14（a）是较低的，由于更大的体素相比，使用所提出的方法产生的图像的分辨率在图。 14（b）.见图12。使用（a）二维图像采样和（b）提出的方法调整MRI DICOM图像的大小。A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3524××222222图13岁 从（Grandhe et al.， 2018），（d），（e），（f）提出的方法没有直方图均衡，和（g），（h），（i）提出的方法与直方图均衡。我们还通过使用Marching Cube算法创建了STL格式的3D实体对象，获得了图15所示的3D图形可视化结果。在图15中，四个不同的MRI扫描被重建成3D对象，验证了从所提出的方法获得的结果。方法可用于创建三维实体对象。转换成256分辨率的图像B256第256章我们首先必须使用等式（1）计算两个图像中心（C）。（七）、当量（10）和（11）分别示出了图像A和B的C值CA¼. 256;256;170万英镑128;128;85英镑10英镑3.4. 投影注释CB¼。256;256;256 258;128; 128 258;128258以3D表示重建的MRI数据可以包含大脑的各种器官或区域的地面实况信息。因此，对3D图像进行加密可能导致丢失有价值的注释。为了将注释投影到调整大小的3D图像上，我们使用Eq。（7）对于分辨率为256× 256× 170的图像A，使用CA和CB两者来计算图像中心和注释的减影向量，（八）、对于该示例，我们在原始图像的脑坐标（83.84，137.77，137.33）中包括前连合的注释（PA）。当量（12）说明了向量C的使用。A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3525图14个。 从（Grandhe et al.，（2018年）（b）建议的 方法。2019-01-1800：00周一至周五9： 33;- 9： 77; 1： 16上午12点Eq的结果（12）然后使用Eq。（9）如下：2019-09-13 00：00：00然后将该结果用于Eq. （8）确定图像B上注释的坐标。注记投影结果由下式给出：128;128;128小时-9： 33;-9： 77; 1：162019 - 05- 1300： 00调整大小的图像B上的注释的坐标（P B）和原始注释如图所示。 十六岁图16 示出了将前 连合中的注释正确 投影到调整大小的脑MRIDICOM图像上。由于图16（a）示出了在较高分辨率下的注释的位置，体素尺寸小于图16的经调整尺寸的图像中所示的体素尺寸。 16（b）.4. 结论提出了一种从DICOM文件中重建三维图像的方法。医学图像通常依赖于3D表示，因为它们提供比2D图像更真实的视角。此外，机器学习或深度学习算法可以使用这些图像来提供有意义的信息。该方法可以从DICOM图像切片中生成三维图像，并在三维空间中调整图像大小，同时保持与二维图像相同的质量。生成的图像可以通过使用诸如生成对抗网络的方法来进一步改进，以修补DICOM图像，特别是对于切片之间的大间距。我们将探索这样的方法，将能够填充切片之间的体素与值一致，从类似的DICOM图像。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。图十五岁从使用所提出的方法获得的3D图像阵列创建的固体3D对象确认本研究由印度尼西亚教育和文化部以及印度尼西亚研究和技术部/国家研究与创新机构资助，由Institut Teknologi Sepuluh Nopaluh-Universitas Airlangga - Kuwat Triyana，Universitas Gadjah Mada管理的Penelitian Kolaborasi Indonesia（PPKI）计划和由LembagaPen- gelola Dana Pendidikan（LPDP）管理的Riset Inovatif- Produktif（RISPRO）邀请计划。以及由万隆技术学院管理的世界一流大学项目。A.法哈尔河萨尔诺角Alberchah等人沙特国王大学学报3526图十六岁脑部MRI DICOM图像中的注释，尺寸为（a）256× 256× 256和（b）128× 128× 128。引用Agrawal，S.，潘达河，Mishro，P.K.，亚伯拉罕，A.，2019.一种新的基于联合直方图均衡 的 图 像 对 比 度 增 强 方 法 。 J.KingSaudUniversity. 信 息 科 学https://doi.org/10.1016/j.jksuci.2019.05.010网站。AlZu'bi，S.，Shehab，M.，Al-Ayyoub，M.，Jararweh，Y.，古普塔湾2020.三维医学体模糊分割的并行实现。模式识别。Lett. 130，312-318.裴，H.-J.，Hyun，H.，Byeon，Y.，申，K.，周，Y.，Song，Y.J.，Yi，S.，Kuh，S.-美国、Yeom，J.S.，Kim，N.，2020.使用2D卷积神经网络在CT图像中全自动3D分割和分离多个颈椎。Comput.方法程序生物医学。184，105119。Bagheri，M.H.，Roth，H.，Kovacs，W.，姚，J.，Farhadi，F.，Li，X.，萨默斯，R.M.，2020年。影响CT胰腺分割深度学习方法成功率的技术和临床因素。Acad. 放射性 27（5），689-695。Bai，Y.，（1996年），美国，Wang，D.，中国科学院，2010.模糊插值与其它插值方法在 高 精 度 测 量 中 的 比 较 ， 2010. IEEE World Congr. 内 特 尔 WCCI 2010 。https://doi.org/10.1109/FUZZY.2010.5584656.Bereciartua，A.，皮孔，A.，Galdran，A.，Iriondo，P.，2016.用于多序列MRI图像中肝 脏 分 割 的 3D 活 动 表 面 。 Comput. 方 法 程 序 生 物 医 学 。 132 ， 149-160 。https://doi.org/10.1016/j.cmpb.2016.04.028网站。Canelhas，D.R.，Stoyanov，T.，Lilienthal，A.J.，2018年体素插值方法的调查Proc.-IEEEInt.Conf.Robot.自动6337-6343.https://doi.org/10.1109/ICRA.2018.8461227.戴维斯，A.T.，Palmer，A.L.，Pani，S.，Nisbet，A.，2018年评估CT扫描仪性能（图像质量和Hounsfield单位）随扫描参数的变化，用于放射治疗计划中的Phys. Medica45，198-204. https://doi.org/10.1016/j.ejmp.2017.11.036网站。Dolz，J.，Desrosiers角，Wang，L.，美国，袁，J，沈，D.，本·艾耶德岛2020.用于婴儿大脑MRI分割的深度CNN集合和提示性注释。Comput.医学成像图。79，101660。Grandhe，P.，Edara，S.R.，Devara，V.，2018.在MRI上使用基于增强的SBIR算法的3DDICOM 图 像 的 自 适 应 分 析 重 建 。 BioMed.Res.29 ， 644-653.https://doi.org/10.4066/biomedicalresearch.29-17-1723网站。霍，Y.，徐志，熊，Y.，Aboud，K.，Parvathaneni，P.，Bao，S.，Alberdez，C.，Resnick，S.M.，Cutting，L.E.，Landman，文学士，2019.使用空间局部化图谱网络 瓦 片 的 3D 全 脑 分 割 。 Neuroimage194 ， 105-119.网 址 ： //doi.org/10.1016/j.neuroimage.2019.03.041。伊藤河Nakae，K.，Hata，J.，Okano，H.，石井，S.，2019年。脑组织分割的半监督深度学习神经网络116，25-34。https://doi.org/10.1016/j.neunet.2019.03.014.Kahali，S.，Adhikari，S.K.，星，J.K.，2017.一个两阶段的模糊多目标框架分割的三维MRI脑图像数据。应用软件计算J.60，312-327。https://doi.org/10.1016/j.asoc.2017.07.001网站。Librenza-Garcia，D.，Kotzian，B.J.，杨杰，Mwangi，B.，曹，B.，Pereira Lima，L.N.，M.B. Aldez，Boeira，M.V.，卡普钦斯基，F.，帕索斯，I.C.，2017.机器学习技术在双相情感障碍研究中的影响：一项系统综述。Neurosci. Biobehav. Rev. 80，538-554。https://doi.org/10.1016/j的网站。neubiorev.2017.07.004网站。Loizou，C.P.，Papacharalambous角，Samaras，G.，Kyriacou，E.，Kasparis，T.，Pantziaris，M.，Eracleous，E.，Pattichis，C.S.，2017年。Dicom MRI图像中的脑图像和病变配准Proc. - IEEE Symp. Comput.医学系统2017年6月，419-422。https://doi.org/10.1109/CBMS.2017.53Mun，J.，张，Y.，Nam，Y.，金，J.，2019.使用导引影像滤波器之边缘增强双直方图均衡化。J.维斯Commun.图像代表。58，688-700。https://doi.org/10.1016/j.jvcir.2018.12.037网站。南卡罗来纳州帕克查，J.H.李，S.，张维迎，李，C. S.，李，J. K.，2019年。基于深度前面Neurosci. 13，1-14。https://doi.org/10.3389/fnins.2019.01128网站。贝 湖 ， Bakas ， S. ， Vossough ， A. ， 雷 扎 ， 多 发 性 硬 化 症 达 瓦 齐 科 斯 角 ， 巴 西 - 地Iftekharuddin，K.M.，2020年。使用特征和标签融合的MRI纵向脑肿瘤分割预测。BioMed. 信号处理。55号控制台101648Piantadosi，G.，Sansone，M.，弗斯科河，桑索内角，2020.通过深度卷积神经网络在MRI中进行多平面3D乳腺分割。第内特尔Med. 103，101781。拉琼地方检察官Bolch，W.E.，2003. Marching cube算法：基于图像的剂量测定模型的审查和三线性插值适应。Comput. Med. 成像图。27（5），411-435。拉奥，学士，2020.动态直方图均衡用于数字图像的对比度增强。Appl. 软计算 J. 89 ，106114。萨拉马，美国，萨尔诺河Arifin，A.Z.，Nugroho，A.S.，Rozi，I.E.，Asih，P.B.S.，2019.厚血涂片显微图像疟原虫检测的鲁棒分割。Int. J. Adv. Sci.工程信息技术9，1450-1459。https://doi.org/10.18517/ijaseit.9.4.4843。Selvaraj，S.，阿诺内，D.，约伯，D.，Stanfield，A.，法罗，T.F.D.纽金特，AC，Scherk，H.，Gruber，O. ，陈 旭，Sachdev， P.S. ，Dickstein ， D.P. ，Malhi ，G.S. ，T. H哈KPhillips，M.L.，麦金托什，上午，2012.双相情感障碍的灰质差异：基于体素的形态测 量 学 研 究 的 荟 萃 分 析 。 躁 郁 症 14 ， 135- 145 。 https://doi.org/10.1111/j.1399-5618.2012.01000.x网站。Shanty，R.N.T.，哈里·吉纳尔迪河五、萨尔诺河2013.使用线性插值曲线拟合基于颜色相似性的尿液试纸结果的解释。IEEE Cybern. 2013年IEEE国际会议计算内特尔赛博恩36-39. https://doi.org/10.1109/CyberneticsCom.2013.6865777希拉C.J.J. Suganthi，G.，2019.基于贪婪蛇模型和模糊C均值优化的MRI脑肿瘤自动分割J.沙特国王大学- Comput.信息科学https://doi.org/10.1016/j.jksuci.2019.04.006网站。辛格，N.，考尔湖辛格，K.，2019.直方图均衡技术用于增强低辐射视网膜图像以早期检测糖尿病视网膜病变。Eng. Sci. Technol. 一个Int. J. 22（3），736-745。Veluchamy，M.，Subramani，B.， 2020. 模糊相异性颜色直方图均衡化用于对比度增强和颜色校正。Appl.软Comput. J. 89，106077.Veluchamy，M.，Subramani，B.，2019年。使用自适应伽马校正和直方图均衡化增强 图 像 对 比 度 和 颜 色 Optik （ Stuttg ） .183 ， 329-337 。https://doi.org/10.1016/j.ijleo.2019.02.054网站。吴，B.，Fang，Y.，中国科学院，Lai，X.，2020.使用CNN和U-net方法在心脏MRI中进行左心室自动分割。Comput.医学成像图。82，101719。杨，T.，宋杰Li，L.，2019.集成SK-TPCNN和随机森林的深度学习模型用于MRI中的脑肿瘤分割。生化机器人BioMed. Eng. 39（3），613-623。Zarie，M.，Hajghassem，H.，Eslami Majd，A.，2018年基于均值或中值的三重动态 限 幅 直 方 图 均 衡 对 比 度 增 强 Optik （ Stuttg ） . 175 ， 126-137 。https://doi.org/10.1016/j.ijleo.2018.08.082网站。张，G.，傅，Y.，王，S.，高文，2010. T2加权MR体积神经图像中AC和PC标志的自动定位 。 2010 年 IEEE 国 际 会 议 信 息 自 动 化 ICIA2010 ， 1830-1834.https://doi.org/10.1109/ICINFA.2010.5512224网站。