项目名称: 多体素核磁共振谱量化估计新方法及其辅助肿瘤识别方法的研究

项目编号: No.81201148

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 影像医学与生物医学工程

项目作者: 郭玙

作者单位: 天津大学

项目金额: 23万元

中文摘要: 多体素核磁共振谱(MRS)能够提供人体被测组织内不同代谢物的空间分布,从而可以从分子水平区分肿瘤组织和周围正常组织,反映肿瘤内部的非均一特性,因此在癌症治疗领域有重要的应用价值。为解决目前已有MRS技术存在的对代谢物定量分析准确度较差的问题,本课题研究、探索多体素MRS量化估计及其临床应用新方法。(1)在课题组已有成果基础上进一步研究基于联合稀疏表示的多体素MRS量化估计新方法,通过更充分地利用不同体素核磁共振谱之间的相关性,提高算法在低噪声及严重基线干扰情况下量化估计的准确度, 进而为临床应用提供更准确和更丰富的代谢物空间分布图。(2)发展出基于代谢物空间分布图和核磁共振解剖图像模糊信息融合的肿瘤自动识别新方法和技术,为临床肿瘤治疗中肿瘤区域的定义和勾画提供更有效工具。

中文关键词: 多体素核磁共振谱;稀疏表示;活体核磁共振谱量化估计;肿瘤识别;模糊融合

英文摘要: Multi-voxel magnetic resonance spectroscopy (MRS) is a method for assessing tissue function by obtaining information about the composition and spatial distribution of cellular metabolites. It is able to distinguishing regions of tumor from normal tissues and visualizing the metabolic heterogeneity in tumor regions. It is considered as one of the most promising technologies for cancer therapy. In this project, two novel methods have been proposed in developing a new multi-voxel MRS technology for cancer therapy. (1) A MRS quantitation method based on joint sparse representations will be studied for quantitating multi-voxel MRS data. By taking the advantage of the correlation between spectra of different voxels, this method would be more robust under low signal-to-noise ratio condition and with serious baseline interference as compared with conventional methods. This research is for the purpose of improving the accuracy of metabolite quantification with multi-voxel MRS and providing the spatial distributions of additional metabolites that are difficult to be quantitated by conventional methods. (2) A more efficient automated tumor identification technique based on the fuzzy fusion of metabolite spatial distribution and conventional magnetic resonance images will also be studies. This research will provide a robust

英文关键词: multi-voxel magnetic resonance spectroscopy;sparse representation;magnetic resonance spectroscopy quantification;cancer identification;fuzzy fusion

成为VIP会员查看完整内容
0

相关内容

医学图像关键点检测深度学习方法研究与挑战
专知会员服务
50+阅读 · 2022年4月10日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
28+阅读 · 2020年12月16日
专知会员服务
123+阅读 · 2020年11月15日
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
自动化所人工智能辅助诊断方法进入肿瘤诊疗指南
中国科学院自动化研究所
1+阅读 · 2021年9月3日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
CVPR2019 | 医学影像:MIT 利用学习图像变换进行数据增强
计算机视觉life
26+阅读 · 2019年3月27日
基于深度学习的肿瘤图像分割研究取得进展
中科院之声
17+阅读 · 2017年9月17日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
A Sheaf-Theoretic Construction of Shape Space
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
46+阅读 · 2021年10月4日
小贴士
相关主题
相关VIP内容
医学图像关键点检测深度学习方法研究与挑战
专知会员服务
50+阅读 · 2022年4月10日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
28+阅读 · 2020年12月16日
专知会员服务
123+阅读 · 2020年11月15日
相关资讯
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
自动化所人工智能辅助诊断方法进入肿瘤诊疗指南
中国科学院自动化研究所
1+阅读 · 2021年9月3日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
CVPR2019 | 医学影像:MIT 利用学习图像变换进行数据增强
计算机视觉life
26+阅读 · 2019年3月27日
基于深度学习的肿瘤图像分割研究取得进展
中科院之声
17+阅读 · 2017年9月17日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员