CN105719325A - 基于低秩矩阵近似的光声显微成像方法及装置 - Google Patents

基于低秩矩阵近似的光声显微成像方法及装置 Download PDF

Info

Publication number
CN105719325A
CN105719325A CN201610034678.0A CN201610034678A CN105719325A CN 105719325 A CN105719325 A CN 105719325A CN 201610034678 A CN201610034678 A CN 201610034678A CN 105719325 A CN105719325 A CN 105719325A
Authority
CN
China
Prior art keywords
matrix
sampling
image
photoacoustic
rank
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.)
Pending
Application number
CN201610034678.0A
Other languages
English (en)
Inventor
孙明健
李百祺
刘婷
王明华
宋之豪
冯乃章
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN201610034678.0A priority Critical patent/CN105719325A/zh
Publication of CN105719325A publication Critical patent/CN105719325A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提供的基于低秩矩阵近似的光声显微成像方法及装置，涉及光声显微成像领域，其中，所述方法包括，根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；根据所述光声显微数据矩阵，建立图像恢复模型；根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。本发明在节省光声数据采集时间的同时，保证恢复的光声显微图像分辨率不会严重损失，并提高光声显微图像的恢复速度，降低噪声。

Description

基于低秩矩阵近似的光声显微成像方法及装置
技术领域
本发明涉及光声显微成像领域，尤其涉及基于低秩矩阵近似的光声显微成像方法及装置。
背景技术
光声成像技术是近年发展起来的一种非入侵式的新型无损医学影像技术，有效结合纯超声成像的高穿透性和纯光学成像的高对比度两者优点。它包括三种主要成像方式：光声显微成像技术(PhotoacousticMicroscopy,PAM)、光声层析成像(PhotoacousicComputedTomography,PACT)和光声内窥成像(PhotoacousicEndoscopy,PAE)。其中，光学显微镜成像技术PAM采用逐点扫描的方式获得图像，因而它不需要特定的图像重构算法。PAM又可以分为：光学分辨率显微成像技术(Optical-ResolutionPhotoacousicMicroscopy,OR-PAM)和声学分辨率显微镜成像技术(Acoustical-ResolutionPhotoacousicMicroscopy，AR-PAM)。
然而，现有技术的问题在于，对于OR-PAM，增加光学数值孔径，虽然可以提高横向分辨率，但是成像深度会有所减小；对于AR-PAM，分辨率决定于超声换能器的带宽以及中心频率，超声换能器性能越高分辨率越高，所以往往通过改进成像系统或者方法来提高分辨率，但是成本又会增加。因此现有技术对成像区域进行逐点扫描的方式所需时间长，并且成本高。
发明内容
针对现有技术的缺陷，本发明提出了解决上述技术问题的基于低秩矩阵近似的光声显微成像方法及装置，可保证光声图像分辨率不严重损失的情况下，快速采集光声成像数据。
第一方面，本发明提供基于低秩矩阵近似的光声显微成像方法，包括：
根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；
根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；
根据所述光声显微数据矩阵，建立图像恢复模型；
根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的图像，以实现对所述待成像区域的光声显微成像。
优选的，所述低秩矩阵近似算法为GoDec算法。
优选的，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
优选的，所述根据GoDec算法，求解所述图像恢复模型，得到恢复后的图像，以实现对所述待成像区域的光声显微成像，具体为：
根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；
根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的图像，以实现对所述待成像区域的光声显微成像。
第二方面，本发明提供基于低秩矩阵近似的光声显微成像装置，包括：
确定单元，用于根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；
采集单元，用于根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；
建模单元，用于根据所述光声显微数据矩阵，建立图像恢复模型；
恢复单元，用于根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的图像，以实现对所述待成像区域的光声显微成像。
优选的，所述低秩矩阵近似算法为GoDec算法。
优选的，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
优选的，所述恢复单元具体用于，根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的图像，以实现对所述待成像区域的光声显微成像。
由上述技术方案可知，本发明提供的基于低秩矩阵近似的光声显微成像方法及装置，根据光声显微图像的低秩性产生随机的采样矩阵，再利用得到的采样矩阵，通过低秩矩阵近似方法恢复得到光声显微图像。本发明克服了现有的光声显微成像技术需要对成像区域进行逐点扫描的缺点，在节省光声数据采集时间的同时，保证恢复的光声显微图像分辨率不会严重损失，并提高光声显微图像的恢复速度，降低噪声。
附图说明
图1为本发明一实施例提供的基于低秩矩阵近似的光声显微成像方法的流程示意图；
图2为待成像区域全采样后的形成图像；
图3为利用压缩模板采集随机采样后的形成图像；
图4为利用低秩近似方法进行恢复后的形成的图像；
图5为本发明一实施例提供的基于低秩矩阵近似的光声显微成像装置的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
目前光声显微成像技术已有稀疏采样的应用先例，加之近几年低秩矩阵近似方法得到极大发展，这使得压缩采样后再通过低秩矩阵近似恢复光声显微图像的思路得以实现。这样不仅缩短数据采集时间，而且不用增加或改进成像系统或成像方法来保证分辨率。
光声显微图像低秩性较强,本发明所针对这一特征，提供的基于低秩矩阵近似光声显微成像方法的流程示意图如图1所示，包括：
101、根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比。
本实施例中，首先初始化各个参数，确定感兴趣成像区域B，全采样下区域B水平方向采样点数为m和垂直方向采样点数n。现对感兴趣成像区域进行不完全采样，采样比预设为值得说明的是，这里并不对值进行限定，值可以根据实际需要来具体确定。
根据预设采样比确定矩阵中两种不同元素各自所占的比例。本实施例中，采样矩阵Ω为m×n的包含0元素和1元素的矩阵，用来采集待成像区域的数据。
102、根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵。
初始化采样数据YΩ。其中YΩ为m×n全0的矩阵。根据采样矩阵Ω采集光声显微数据。从B的第一个位置开始直到最后一个位置。最后形成的YΩ即为光声显微数据矩阵。若待成像区域对应位置采样矩阵Ω的值为1，则采集该位置上的待成像区域的光声数据，记录到YΩ对应位置；若为0，则不采集。
103、根据所述光声显微数据矩阵，建立图像恢复模型。
104、根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
上述方法，该方法克服现有的光声显微成像技术需要对成像区域进行逐点扫描的缺点，在节省光声数据采集时间的同时，保证恢复的光声显微图像分辨率不会严重损失，并提高光声显微图像的恢复速度，降低噪声。
在本发明的一个优选的实施例中，所述低秩矩阵近似算法为GoDec算法。
上述方法通过根据采样比生成采样矩阵，对待成像区域进行不完全采样，能快速采集光声成像数据。
在本发明的一个优选的实施例中，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
上述方法提供了一种光声显微图像恢复模型，使得该方法在进行光声显微图像恢复的时候能够充分的利用光声显微图像的低秩性。
在本发明的一个优选的实施例中，所述根据GoDec算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像，具体为：
根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；
根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
具体的，可以分为以下步骤：
201、设定以下参数的值，设定的秩r,迭代停止判别值ε，最大迭代次数tmax,初始化t＝0，Z0＝0和X0＝YΩ；
其中，t为迭代次数，Zi为迭代第i次时待成像区域未采样点的矩阵；Yi为迭代第i次时光声显微数据矩阵，Xi为迭代第i次时恢复的光声显微图像。
202、更新t，t＝t+1；
203、构建两个随机的标准高斯矩阵
204、求得矩阵YΩ-Zt-1的双边随机映射Y1,Y2的值：
Y1＝(YΩ-Zt-1)A1
A2＝Y1
Y2＝(YΩ-Zt-1)TA2
205、比较设定的秩r与的大小，若则进行206；否则回到202。其中为矩阵的秩；
206、根据更新Xt；
207、根据更新Zt，其中为对矩阵YΩ-Xt的未采样点数值的估计；
208、迭代停止条件：计算的值，若判断这个值小于ε或者t≥tmax，迭代停止获得光声显微成像的恢复的光声显微图像矩阵X，否则迭代增加1且返回202。
上述方法提供了一种利用光声显微图像的低秩性对光声显微图像进行恢复的具体步骤，降低了图像处理的复杂度。
下面，通过一个具体的例子，对上述方法进行详细的说明。
301、初始化参数。确定感兴趣成像区域B，全采样下区域B水平方向采样点数为m＝2000和垂直方向采样点数n＝2100，全采样下区域B如图3所示，现对感兴趣成像区域进行不完全采样，并采样比设定为
302、根据采样比确定矩阵中元素0和元素1的所占的比例，根据比例，随机产生采样矩阵Ω，Ω为m×n的0,1矩阵。
303、初始化采样数据YΩ。其中YΩ为m×n全0的矩阵。
304、根据采样模板采集光声显微数据。从B的第一个位置开始直到最后一个位置，若对应位置采样模板Ω的值为1，则采集该位置上的光声数据，记录到采样数据矩阵YΩ对应位置；若为0，则不采集。最后形成的YΩ即为光声显微数据矩阵，压缩采样后的图像如图4所示。
305、针对采样数据YΩ恢复得到光声显微图像，建立图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
306、利用低秩矩阵近似的方法，即利用GoDec算法求解上述模型。其中，步骤306具体包括：
30601、设定以下参数的值，设定的秩r＝557,迭代停止判别值ε＝1e-4，最大迭代次数tmax＝1000,初始化t＝0，矩阵Z0＝0和X0＝YΩ；
30602、更新t，t＝t+1；
30603、构建两个随机的标准高斯矩阵
30604、求得矩阵YΩ-Zt-1的双边随机映射Y1,Y2的值：
Y1＝(YΩ-Zt-1)A1
A2＝Y1
Y2＝(YΩ-Zt-1)TA2；
30605、比较设定的秩r与的大小，若则进行30607；否则回到302。其中为矩阵的秩；
30608、根据更新Xt；
30609、根据更新Zt，其中为对矩阵YΩ-Xt的未采样点数值的估计；
30610、迭代停止条件：计算的值，若判断这个值小于ε或者t≥tmax，迭代停止获得光声显微成像的恢复图像Xt，否则迭代增加1且返回步骤302。
307、将上述GoDec算法的输出Xt作为最终的恢复的光声显微图像X，如图5所示。
上述方法根据光声显微图像低秩性，进行随机压缩采样得到光声数据，并采用低秩矩阵近似的方法进行光声显微图像恢复。此方法可以在保证光声图像分辨率不严重损失的情况下，快速采集光声成像数据，同时恢复过程中还能达到降噪的效果。
图5示出了本发明提供的基于低秩矩阵近似的光声显微图像装置的结构示意图，如图5所示，本实施例提供的基于低秩矩阵近似的光声显微图像装置包括：
确定单元51，用于根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；
采集单元52，用于根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；
建模单元53，用于根据所述光声显微数据矩阵，建立图像恢复模型；
恢复单元54，用于根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
在本发明的一个优选的实施例中，所述低秩矩阵近似算法为GoDec算法。
在本发明的一个优选的实施例中，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
在本发明的一个优选的实施例中，所述恢复单元54具体用于，根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
可理解的是，上述装置与上述方法是一一对应的关系，上述方法中的实施细节也适用于上述装置，因此，本实施例不再对上述装置的具体实施细节进行详细描述。
上述装置克服现有的光声显微成像技术需要对成像区域进行逐点扫描的缺点，在节省光声数据采集时间的同时，保证恢复的光声显微图像分辨率不会严重损失，并提高光声显微图像的恢复速度，降低噪声。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在于该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (8)

1.基于低秩矩阵近似的光声显微成像方法，其特征在于，包括：
根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；
根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；
根据所述光声显微数据矩阵，建立图像恢复模型；
根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
2.根据权利要求1所述的方法，其特征在于，所述低秩矩阵近似算法为GoDec算法。
3.根据权利要求2所述的方法，其特征在于，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据GoDec算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像，具体为：
根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；
根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
5.基于低秩矩阵近似的光声显微成像装置，其特征在于，包括：
确定单元，用于根据预设采样比，确定包含0元素和1元素的采样矩阵，所述采样矩阵中1元素所占的比例为所述预设采样比；
采集单元，用于根据所述采样矩阵，对待成像区域进行光声显微数据采集，得到光声显微数据矩阵；
建模单元，用于根据所述光声显微数据矩阵，建立图像恢复模型；
恢复单元，用于根据低秩矩阵近似算法，求解所述图像恢复模型，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
6.根据权利要求5所述的装置，其特征在于，所述低秩矩阵近似算法为GoDec算法。
7.根据权利要求6所述的装置，其特征在于，所述图像恢复模型为：
minrank(X)
s.t.Xi,j＝YΩi,j,ifΩ(i,j)＝1
其中，为恢复后的图像矩阵，rank(X)为矩阵X的秩，Ω为压缩采样模板矩阵，YΩ为m×n的光声显微数据矩阵。
8.根据权利要求7所述的装置，其特征在于，所述恢复单元具体用于，根据GoDec算法，求解所述图像恢复模型，对待成像区域未采样点进行估计，得到未采样点估计矩阵；根据所述光声显微数据矩阵和未采样点估计矩阵，得到恢复后的光声显微图像，以实现对所述待成像区域的光声显微成像。
CN201610034678.0A 2016-01-19 2016-01-19 基于低秩矩阵近似的光声显微成像方法及装置 Pending CN105719325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610034678.0A CN105719325A (zh) 2016-01-19 2016-01-19 基于低秩矩阵近似的光声显微成像方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610034678.0A CN105719325A (zh) 2016-01-19 2016-01-19 基于低秩矩阵近似的光声显微成像方法及装置

Publications (1)

Publication Number Publication Date
CN105719325A true CN105719325A (zh) 2016-06-29

Family

ID=56147918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610034678.0A Pending CN105719325A (zh) 2016-01-19 2016-01-19 基于低秩矩阵近似的光声显微成像方法及装置

Country Status (1)

Country Link
CN (1) CN105719325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107837069A (zh) * 2016-09-18 2018-03-27 哈尔滨工业大学（威海） 一种光声显微成像系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101918811A (zh) * 2007-10-25 2010-12-15 圣路易斯华盛顿大学 具有光学横向分辨率的共焦光声显微镜
CN103440631A (zh) * 2013-09-02 2013-12-11 西安电子科技大学 基于低秩分解的ct序列图像复原方法
EP2954839A1 (en) * 2014-06-13 2015-12-16 Canon Kabushiki Kaisha Photoacoustic apparatus, signal processing method of a photoacoustic apparatus, and program
CN105241813A (zh) * 2015-09-22 2016-01-13 哈尔滨工业大学（威海） 压缩采样光声显微成像方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101918811A (zh) * 2007-10-25 2010-12-15 圣路易斯华盛顿大学 具有光学横向分辨率的共焦光声显微镜
CN103440631A (zh) * 2013-09-02 2013-12-11 西安电子科技大学 基于低秩分解的ct序列图像复原方法
EP2954839A1 (en) * 2014-06-13 2015-12-16 Canon Kabushiki Kaisha Photoacoustic apparatus, signal processing method of a photoacoustic apparatus, and program
CN105241813A (zh) * 2015-09-22 2016-01-13 哈尔滨工业大学（威海） 压缩采样光声显微成像方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭义刚 等: "从压缩传感到低秩矩阵恢复：理论与应用", 《自动化学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107837069A (zh) * 2016-09-18 2018-03-27 哈尔滨工业大学（威海） 一种光声显微成像系统及方法

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
CN110461228B (zh) 使用多对比度和深度学习改进医学图像的质量
WO2020253886A1 (zh) 一种病理辅助诊断方法
CN110599421B (zh) 模型训练方法、视频模糊帧转换方法、设备及存储介质
JP5722414B1 (ja) 骨粗鬆症診断支援装置
JP2009291618A (ja) 超音波−ｃｔ映像整合のための３次元超音波肝臓映像の解剖学的特徴を抽出するシステム及び方法
CN109191442B (zh) 超声图像评估及筛选方法和装置
CN111161272B (zh) 一种基于生成对抗网络的胚胎组织分割方法
JP2018516703A5 (zh)
RU2011149157A (ru) Устройство и способ для идентификации автора произведения искусства
JP2017522072A (ja) 信頼度マッチング付き生体内マルチカメラカプセルからの画像の再構築
Liu et al. Photoshopping colonoscopy video frames
EP2405816B1 (en) Pattern noise correction for pseudo projections
CN106934781A (zh) 一种云平台超声图像处理系统
CN114332033A (zh) 基于人工智能的内窥镜图像处理方法、装置、介质及设备
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及系统
CN105342641B (zh) 一种超声成像方法、装置及其超声设备
CN110738702A (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
CN105241813B (zh) 压缩采样光声显微成像方法及装置
CN105719325A (zh) 基于低秩矩阵近似的光声显微成像方法及装置
CN110570355B (zh) 多尺度自动聚焦超分辨率处理系统和方法
WO2023216720A1 (zh) 图像重建模型的训练方法、装置、设备、介质及程序产品
CN112633113A (zh) 跨摄像头的人脸活体检测方法及系统
Kvostikov et al. Ultrasound image texture analysis for liver fibrosis stage diagnostics
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160629

RJ01 Rejection of invention patent application after publication