Automatically detecting bregma and lambda points in rodent skull anatomy images.
Automatically detecting bregma and lambda points in rodent skull anatomy images.
复制标题
DOI：
10.1371/journal.pone.0244378
复制
发表时间：
2020
期刊：
影响因子：
3.7
通讯作者：
Abbaszadeh S
中科院分区：
文献类型：
--
作者：
Zhou P;Liu Z;Wu H;Wang Y;Lei Y;Abbaszadeh S
目前，在立体定向神经外科中，探针、导管和光纤的注射部位通常是人工定位的。这一步涉及到基于人类经验的位置估计，因此会引入误差。为了减少定位误差，提高实验和治疗的可重复性，我们研究了一种自动定位注射部位的方法。本文提出了一种基于区域卷积网络和全卷积网络相结合的定位框架，用于定位啮齿类动物头骨上的特定解剖点。实验结果表明，所提出的定位框架能够在平均误差小于300 μm的情况下，对啮齿类动物颅骨解剖图像中的gamma和lambda进行识别和定位。该方法对不同的光照条件和鼠标方向具有鲁棒性，并且有可能简化定位注射部位的过程。
Currently, injection sites of probes, cannula, and optic fibers in stereotactic neurosurgery are typically located manually. This step involves location estimations based on human experiences and thus introduces errors. In order to reduce localization error and improve repeatability of experiments and treatments, we investigate an automated method to locate injection sites. This paper proposes a localization framework, which integrates a region-based convolutional network and a fully convolutional network, to locate specific anatomical points on skulls of rodents. Experiment results show that the proposed localization framework is capable of identifying and locatin bregma and lambda in rodent skull anatomy images with mean errors less than 300 μm. This method is robust to different lighting conditions and mouse orientations, and has the potential to simplify the procedure of locating injection sites.
登录
查看更多内容
影响因子：
4.6
作者：
Rangarajan JR;Vande Velde G;van Gent F;De Vloo P;Dresselaers T;Depypere M;van Kuyck K;Nuttin B;Himmelreich U;Maes F
通讯作者：
Maes F
影响因子：
2.8
作者：
Wang, Jing;Huang, Tiefan;Hou, Li'an
通讯作者：
Hou, Li'an
DOI：
10.1115/1.4034134
发表时间：
2016-12-01
影响因子：
4
作者：
Gao, Dedong;Lei, Yong;Yao, Bin
通讯作者：
Yao, Bin
影响因子：
19.5
作者：
Russakovsky, Olga;Deng, Jia;Fei-Fei, Li
通讯作者：
Fei-Fei, Li
影响因子：
3.7
作者：
Uthoff, Ross D.;Song, Bofan;Liang, Rongguang
通讯作者：
Liang, Rongguang