CN105678706B - 医学图像增强方法和装置 - Google Patents
医学图像增强方法和装置 Download PDFInfo
- Publication number
- CN105678706B CN105678706B CN201511009414.1A CN201511009414A CN105678706B CN 105678706 B CN105678706 B CN 105678706B CN 201511009414 A CN201511009414 A CN 201511009414A CN 105678706 B CN105678706 B CN 105678706B
- Authority
- CN
- China
- Prior art keywords
- image
- destination organization
- sharpening
- look
- filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008520 organization Effects 0.000 claims description 56
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 16
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 210000003027 ear inner Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种医学图像增强方法，包括以下步骤：接收对观察部位的选择；根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子；以及使用所选择的滤波算子计算得到锐化图像。本发明的医学图像增强方法能够在更多的重建条件下达到满足需要的增强效果。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及一种医学图像增强方法和装置。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。医学影像包含医学成像系统(medical imaging system)和医学图像处理(medical image processing)。医学成像系统是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究。医学图像处理是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。
在许多医疗设备，例如计算机断层扫描(Computed Tomography,CT)设备、磁共振(Magnetic Resonance,MR)设备和X光设备中获得的医学图像都需要进一步处理以改善图像显示效果。举例来说，目前的CT图像为了改善对一些细小组织，如肺部小血管、小结节，以及骨小梁等的显示效果，往往需要进行图像增强处理。
常见的图像增强手段是进行图像锐化，即通过一个边缘锐化算子做滤波处理，让这细小结构的边界更加突出，从而改善图像的对比度。
具体来说，假设锐化算子是如下表1的3x3矩阵：
表1
待锐化图像是如下表2的4x4矩阵：
表2
| B11 | B12 | B13 | B14 |
| B21 | B22 | B23 | B24 |
| B31 | B32 | B33 | B34 |
| B41 | B42 | B43 | B44 |
当前要计算图像的第3行第2列的像素的锐化结果，计算方式为：
B32’＝A11*B21+A12*B22+A13*B23+A21*B31+A22*B32+A23*B33+A31*B41+A32*B42+A33*B43。
也就是说，把算子中心A22与图像的第3行第2列的像素B32对齐，各个对应元素的乘积加和。将算子中心分别对应到图像的各个像素，即可依此方式计算得到锐化后图像的每个像素值。
图1A示出原始医学图像，图1B示出经过边缘锐化处理的医学图像。这种方法实现简单，并且计算量很小，因而被广泛使用。现有的图像锐化方法中使用固定的锐化算子，已经发现这种方法只能在少数重建条件下达到较好的锐化效果。
发明内容
本发明要解决的技术问题是提供一种医学图像增强方法和装置，以便在更多的重建条件下都能达到满足需要的增强效果。
为解决上述技术问题，本发明提供了一种医学图像增强方法，包括以下步骤：接收对观察部位的选择；根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子；以及使用所选择的滤波算子计算得到锐化图像。
可选地，多个不同的滤波算子具有不同的尺寸和/或形状。
可选地，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：根据选择的观察部位确定目标组织物理宽度；根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度；以及根据该目标组织像素宽度决定滤波算子的尺寸。
可选地，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度的步骤包括：根据图像的重建视野和图像矩阵尺寸计算得到单个像素宽度；根据该单个像素宽度和该目标组织物理宽度计算得到该目标组织像素宽度。
可选地，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
可选地，上述方法还包括：接收对锐化等级的选择，并且还根据锐化等级计算得到锐化图像。
可选地，该医学图像为CT图像、磁共振图像或者X光图像。
本发明还提出一种医学图像增强装置，包括：显示单元，用于呈现人体部位以及呈现锐化图像；输入单元，用于接收对人体部位中的观察部位的选择；以及处理单元，用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子，且使用所选择的滤波算子计算得到锐化图像。
可选地，多个不同的滤波算子具有不同的尺寸和/或形状。
可选地，该处理单元根据选择的观察部位确定目标组织物理宽度，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度，且根据该目标组织像素宽度决定滤波算子的尺寸。
可选地，该处理单元图像的重建视野和图像矩阵尺寸计算得到单个像素宽度，且根据该单个像素宽度和该目标组织物理宽度计算得到该目标组织像素宽度。
可选地，该处理单元依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
可选地，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
可选地，该输入单元接收对锐化等级的选择，并且该处理单元还根据锐化等级计算得到锐化图像。
本发明还提出一种医学图像增强装置，包括：用于接收对观察部位的选择的模块；用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的模块；以及用于使用所选择的滤波算子计算得到锐化图像的模块。
与现有技术相比，本发明可以依据观察目标选取和调整滤波算子的尺寸和形状，从而在不同的重建条件下都能达到较为理想的增强效果。
附图说明
图1A示出原始医学图像。
图1B示出经过边缘锐化处理的医学图像。
图2示出本发明一实施例的医学图像增强方法的流程图。
图3示出本发明另一实施例的医学图像增强方法的流程图。
图4示出本发明一实施例的医学图像增强装置的结构框图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
本发明的实施例描述医学图像增强方法和装置，它使用边缘锐化算子来进行图像锐化。在人体中，各种小结构的尺寸以及与周围组织的密度差异各不相同；并且随着重建视野和图像矩阵大小的变化，同一组织在不同图像中所占的像素数目也可能有很大差异。根据不同观察部位动态地调整算子以在不同的重建条件下都能达到较为理想的增强效果。
图2示出本发明一实施例的医学图像增强方法的流程图。参考图2所示，本实施例的医学图像增强方法例如在计算机中执行，且包括以下步骤：
在步骤201，接收对观察部位的选择。
例如，计算机可以通过显示屏向操作者呈现感兴趣的人体部位的影像。操作者可以通过鼠标、键盘或者触摸板等输入设备在人体部位上选择观察部位。计算机通过输入设备接收对观察部位的选择。
在步骤202，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子。
观察部位的特征可包括观察部位的类型和尺寸。类型例如是肺、内耳、盆腔这样的器官或组织。尺寸例如是目标的长度、宽度、厚度、半径等参数。
多个不同的滤波算子可以预先储存在计算机中，供本步骤选取。这些不同的滤波算子例如可具有不同的形状。这些不同的滤波算子还可具有不同的尺寸。有关形状和尺寸的选择将在后文展开描述。
在步骤203，使用所选择的滤波算子计算得到锐化图像。
在选定了滤波算子后，可按照常规的方式及时得到锐化图像。
滤波算子尺寸的选取主要考虑的是需要锐化的目标组织的宽度在图像上占据的像素数。具体来说，可以根据选择的观察部位确定目标组织物理宽度(单位以mm表示)，然后根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度；最后根据目标组织像素宽度决定滤波算子的尺寸。在计算目标组织像素宽度时，可以根据图像的重建视野和图像矩阵尺寸计算得到单个像素宽度，然后根据单个像素宽度和目标组织物理宽度计算得到目标组织像素宽度。计算公式如下：
目标组织像素宽度＝目标组织物理宽度/单个像素宽度
举例而言，对于物理宽度约为2mm的肺部血管，如果重建视野为350mm，图像矩阵为512*512，则图像像素宽度为350/512＝0.68mm。血管宽度在图像上约为3个像素，此时使用尺寸为3*3的滤波算子可以达到最优的锐化效果；如果图像矩阵增大至1024*1024，则此时图像上的血管宽度约为6个像素，此时使用3*3的滤波算子锐化效果较差，需要使用尺寸为5*5的滤波算子。具体实施中，可制作两个查找表：下表3给出不同观察部位对应的典型目标组织宽度(单位为mm)；下表4给出不同目标组织宽度(单位为像素)对应的算子尺寸。
表3：不同观察部位对应的典型目标组织宽度
| 观察部位 | 典型目标组织宽度(mm) |
| 肺 | 2.0 |
| 内耳 | 0.6 |
| 盆腔 | 1.0 |
表4：不同目标组织宽度对应的算子尺寸
| 目标组织宽度w(像素) | 算子尺寸 |
| w≤5 | 3*3 |
| 5<w≤9 | 5*5 |
| 9<w≤13 | 7*7 |
在确定了滤波算子的尺寸后，可以依据目标组织与周围组织的密度对比选择基本滤波算子的形状，即选择滤波算子矩阵中每一位置的数值。该数值代表参与卷积操作时，当前像素与周围像素的加权权重。例如肺内血管与周围组织的密度对比近似于水-空气对比，一般骨骼与周围组织的密度对比接近于骨-水对比，而内耳听小骨与周围则近似于骨-空气对比。对于密度差异较小的情况，基本滤波算子可以选用锐化程度较大的形状，反之选用锐化程度较小的形状。在具体实施中，可在每种尺寸下预设几种不同锐化程度的算子，适用于不同的观察部位，并制作如下的查找表5给出每种算子尺寸下观察部位与基本算子的对应关系。
表5：每种算子尺寸下观察部位与基本算子的对应关系
A,B,C分别代表三种不同的3*3锐化算子。
下表6-8给出不同锐化算子的示例。
表6锐化算子A(肺)
| -0.0439 | -0.1217 | -0.0439 |
| -0.1217 | 1.6623 | -0.1217 |
| -0.0439 | -0.0838 | -0.1217 |
表7锐化算子B(内耳)：
| -0.0113 | -0.0838 | -0.0113 |
| -0.0838 | 1.3807 | -0.0838 |
| -0.0113 | -0.0838 | -0.0113 |
表8：锐化算子C(盆腔)：
图3示出本发明另一实施例的医学图像增强方法的流程图。参考图3所示，本实施例的医学图像增强方法例如在计算机中执行，且包括以下步骤：
在步骤301，接收对观察部位和锐化等级的选择。
例如，计算机可以通过显示屏向操作者呈现感兴趣的人体部位的影像。操作者可以通过鼠标、键盘或者触摸板等输入设备在人体部位上选择观察部位。计算机通过输入设备接收对观察部位的选择。
在步骤302，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子。
观察部位的特征可包括观察部位的类型和尺寸。类型例如是肺、内耳、盆腔这样的器官或组织。尺寸例如是目标的长度、宽度、厚度、半径等参数。
多个不同的滤波算子可以预先储存在计算机中，供本步骤选取。这些不同的滤波算子例如可具有不同的形状。这些不同的滤波算子还可具有不同的尺寸。有关形状和尺寸的选择将在后文展开描述。
在步骤303，使用所选择的滤波算子和锐化等级计算得到锐化图像。
在选定了滤波算子后，可按照常规的方式及时得到锐化图像。进一步可以将原图像和滤波后图像进行加权，得到不同锐化等级的图像。例如将锐化等级分为0-5级，可以按以下公式计算输出图像：
输出图像＝k*锐化等级*滤波后图像+(1-k*锐化等级*原图像)；
其中k是一个固定系数，可按实际锐化效果设定。
作为替代，可以将加权系数替换为锐化等级的非线性函数，如：
等等。
上述实施例虽然示例通过查找表来查找算子，但是可以理解，其它能达到区分算子目的的计算方式均可。这些算子既可以像前文描述的那样预存，也可以是即时地求出并使用。
上述实施例的医学图像可以CT图像、MR图像、X光图像等各种有明确的目标特征的图像。相应的，上述方法可以应用在CT设备、MR设备、X光设备或其他设备。
图4示出本发明一实施例的医学图像增强装置的结构框图。参考图3所示，本实施例的一种医学图像增强装置可包括显示单元401、输入单元402、处理单元403和存储单元404。显示单元用于呈现人体部位以及呈现锐化图像。输入单元402，用于接收对人体部位中的观察部位的选择。处理单元403用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子，且使用所选择的滤波算子计算得到锐化图像。存储单元404可储存预先获取的滤波算子。当然，如果滤波算子不是预先获得，则不必在存储单元404中存储。
在此，多个不同的滤波算子具有不同的尺寸和/或形状。在尺寸选择方面，处理单元403可以根据选择的观察部位确定目标组织物理宽度，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度，且根据该目标组织像素宽度决定滤波算子的尺寸。进一步，处理单元可根据图像的重建视野和图像矩阵尺寸计算得到单个像素宽度，且根据单个像素宽度和目标组织物理宽度计算得到目标组织像素宽度。
在形状选择方面，处理单元403可以依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择合适的滤波算子。
输入单元402还可接收对锐化等级的选择。相应的，处理单元403还可根据锐化等级使用所选择的滤波算子计算得到锐化图像。
本发明的上述实施例可以在例如计算机软件、硬件或计算机软件与硬件的组合的计算机可读取介质中加以实施。对于硬件实施而言，本发明中所描述的实施例可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。在部分情况下，这类实施例可以通过控制器进行实施。
对软件实施而言，本发明中所描述的实施例可通过诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。软件代码可通过在适当编程语言中编写的应用软件来加以实施，可以储存在内存中，由控制器或处理器执行。例如本发明的实施例可提供一种医学图像增强装置，包括：用于接收对观察部位的选择的模块；用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的模块；以及用于使用所选择的滤波算子计算得到锐化图像的模块。
虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (14)
1.一种医学图像增强方法，包括以下步骤：
接收对观察部位的选择；
根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子，包括：
根据选择的观察部位确定目标组织物理宽度；
根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度；以及
根据该目标组织像素宽度决定滤波算子的尺寸；以及
使用所选择的滤波算子计算得到锐化图像。
2.根据权利要求1所述的方法，其特征在于，多个不同的滤波算子具有不同的尺寸和/或形状。
3.根据权利要求2所述的方法，其特征在于，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度的步骤包括：
根据图像的重建视野和图像矩阵尺寸计算得到单个像素宽度；
根据该单个像素宽度和该目标组织物理宽度计算得到该目标组织像素宽度。
4.根据权利要求2所述的方法，其特征在于，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：
依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
5.根据权利要求2所述的方法，其特征在于，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：
依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
6.根据权利要求1所述的方法，还包括：接收对锐化等级的选择，并且还根据锐化等级计算得到锐化图像。
7.根据权利要求1所述的方法，其特征在于，该医学图像为CT图像、磁共振图像或者X光图像。
8.一种医学图像增强装置，包括：
显示单元，用于呈现人体部位以及呈现锐化图像；
输入单元，用于接收对人体部位中的观察部位的选择；
处理单元，用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子，包括根据选择的观察部位确定目标组织物理宽度，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度，根据该目标组织像素宽度决定滤波算子的尺寸，且使用所选择的滤波算子计算得到锐化图像。
9.如权利要求8所述的医学图像增强装置，其特征在于，多个不同的滤波算子具有不同的尺寸和/或形状。
10.如权利要求8所述的医学图像增强装置，其特征在于，该处理单元图像的重建视野和图像矩阵尺寸计算得到单个像素宽度，且根据该单个像素宽度和该目标组织物理宽度计算得到该目标组织像素宽度。
11.如权利要求8所述的医学图像增强装置，其特征在于，该处理单元依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
12.如权利要求9所述的医学图像增强装置，其特征在于，根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的步骤包括：
依据目标组织与周围组织的密度对比，从多个预先获得的滤波算子中选择滤波算子。
13.如权利要求8所述的医学图像增强装置，其特征在于，该输入单元接收对锐化等级的选择，并且该处理单元还根据锐化等级计算得到锐化图像。
14.一种医学图像增强装置，包括：
用于接收对观察部位的选择的模块；
用于根据该观察部位的特征从多个不同的滤波算子中选择锐化所使用的滤波算子的模块，根据选择的观察部位确定目标组织物理宽度，根据该目标组织物理宽度、图像的重建视野和图像矩阵尺寸得到目标组织像素宽度，根据该目标组织像素宽度决定滤波算子的尺寸；以及
用于使用所选择的滤波算子计算得到锐化图像的模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511009414.1A CN105678706B (zh) | 2015-12-29 | 2015-12-29 | 医学图像增强方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511009414.1A CN105678706B (zh) | 2015-12-29 | 2015-12-29 | 医学图像增强方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105678706A CN105678706A (zh) | 2016-06-15 |
| CN105678706B true CN105678706B (zh) | 2018-04-03 |
Family
ID=56297820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511009414.1A Active CN105678706B (zh) | 2015-12-29 | 2015-12-29 | 医学图像增强方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678706B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018222595A1 (de) * | 2018-12-20 | 2020-06-25 | Siemens Healthcare Gmbh | Verfahren zur Bildbearbeitung eines Bilddatensatzes eines Patienten, medizinische Bildgebungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
| CN110151263A (zh) * | 2019-05-24 | 2019-08-23 | 中南大学湘雅医院 | 一种皮肤切开器具以及控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
| CN102037491A (zh) * | 2008-05-19 | 2011-04-27 | 三菱电机株式会社 | 提高图像锐度的图像处理 |
-
2015
- 2015-12-29 CN CN201511009414.1A patent/CN105678706B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102037491A (zh) * | 2008-05-19 | 2011-04-27 | 三菱电机株式会社 | 提高图像锐度的图像处理 |
| CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105678706A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kearney et al. | An unsupervised convolutional neural network-based algorithm for deformable image registration | |
| Lee et al. | Improved compressed sensing-based cone-beam CT reconstruction using adaptive prior image constraints | |
| Dai et al. | Intensity non-uniformity correction in MR imaging using residual cycle generative adversarial network | |
| CN106910179B (zh) | 基于小波变换的多模态医学图像融合方法 | |
| CN104346799B (zh) | 一种ct图像中脊髓的提取方法 | |
| Wu et al. | Cone‐beam CT for imaging of the head/brain: development and assessment of scanner prototype and reconstruction algorithms | |
| Zhong et al. | An adaptive MR-CT registration method for MRI-guided prostate cancer radiotherapy | |
| Kierkels et al. | An automated, quantitative, and case-specific evaluation of deformable image registration in computed tomography images | |
| CN106683143A (zh) | 图像金属伪影校正方法 | |
| Al‐Ameen et al. | A new algorithm for improving the low contrast of computed tomography images using tuned brightness controlled single‐scale Retinex | |
| Qiu et al. | Automatic x‐ray image contrast enhancement based on parameter auto‐optimization | |
| CN105678706B (zh) | 医学图像增强方法和装置 | |
| US9311740B2 (en) | Method for enhancing reconstructed 3-D tomosynthesis volume image | |
| JP5654561B2 (ja) | 輪郭形成のための自動コントラスト増強法 | |
| CN105741293A (zh) | 定位医学图像上器官的方法 | |
| Xu et al. | Polyenergetic known-component CT reconstruction with unknown material compositions and unknown x-ray spectra | |
| Giraldo et al. | Comparative study of two image space noise reduction methods for computed tomography: bilateral filter and nonlocal means | |
| US9933849B2 (en) | Method and computing device for window leveling based upon a gaze location | |
| Acciavatti et al. | Personalization of x-ray tube motion in digital breast tomosynthesis using virtual Defrise phantoms | |
| Kim et al. | Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme | |
| Chen et al. | A deep-learning method for generating synthetic kV-CT and improving tumor segmentation for helical tomotherapy of nasopharyngeal carcinoma | |
| Lustermans et al. | Image quality evaluation of a new high-performance ring-gantry cone-beam computed tomography imager | |
| Wang et al. | Mepnet: A model-driven equivariant proximal network for joint sparse-view reconstruction and metal artifact reduction in ct images | |
| CN109584368A (zh) | 生物样品三维结构的构建方法及装置 | |
| Yilmaz et al. | Noise removal of CBCT images using an adaptive anisotropic diffusion filter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |