CN106023200A - 一种基于泊松模型的x光胸片图像肋骨抑制方法 - Google Patents
一种基于泊松模型的x光胸片图像肋骨抑制方法 Download PDFInfo
- Publication number
- CN106023200A CN106023200A CN201610335084.3A CN201610335084A CN106023200A CN 106023200 A CN106023200 A CN 106023200A CN 201610335084 A CN201610335084 A CN 201610335084A CN 106023200 A CN106023200 A CN 106023200A
- Authority
- CN
- China
- Prior art keywords
- image
- rib
- chest
- poisson
- chest image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract description 2
- 238000002601 radiography Methods 0.000 description 14
- 210000004072 lung Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000004872 soft tissue Anatomy 0.000 description 5
- 208000019693 Lung disease Diseases 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于泊松模型的X光胸片图像肋骨抑制方法,首先对图像进行Contourlet变换,利用变换系数在不同尺度间的相关性,对图像的纹理进行增强处理;然后根据图像的海森矩阵特征值,设计条形检测滤波器,检测出肋骨所在的区域;最后结合增强后的纹理和肋骨区域信息,建立并求解肋骨抑制的泊松模型,进而实现图像中的肋骨抑制。本发明利用Contourlet变换的各向异性和多方向特点,结合系数的尺度和方向信息,提高了纹理和噪声之间的区分度,增强纹理,同时抑制了噪声;通过求解泊松模型实现抑制肋骨,不需要对肋骨进行精确分割,避免了显式抑制肋骨时造成的边缘过渡不自然问题,有效地抑制肋骨,提高X光胸片图像的观测效果。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于泊松模型的X光胸片图像肋骨抑制方法。
背景技术
X光胸片图像被广泛应用于肺部疾病的诊断,如肺炎、肺结核、肺癌等。其中肺癌死亡人数为所有癌症死亡人数之首,若能早期检测出肺部疾病,能够提高疾病的治疗效果,并降低肺癌的死亡率。尽管在检测性能上X光胸片不如CT,但是其具有的高经济性和低辐射剂量,X光胸片仍然是目前最主要的检测手段。
X光胸片成像是基于肺部中不同的组织在密度和厚度上存在差异,使得X射线穿透过程中被吸收的程度不同,从而在射线接收面上形成不同强度的影像。由于射线是投影到一个二维平面上,因此在射线方向上的不同组织会重叠显现在图像上,造成局部病变区域难以观测与识别。叠影是X光胸片所固有的问题,也是很多肺部疾病诊断决策失误的主要原因。研究表明,医生对胸片诊断的误诊率达30%,而其中82%-95%的漏诊是由于肋骨对肺部软组织的叠加或遮挡。获取仅含肺部软组织的图像的常规方法是双能量差技术,这种技术利用专用设备对被检者进行两次不同能量的曝光透视,将肋骨和软组织进行分离,且需要更大的辐射剂量,仅局限于医院等机构。
近年来,研究人员利用数字图像处理技术解决胸片图像中的叠影问题,提出了一些解决方法。如Giger等人提出通过一种图像差分技术,提高肺部结节的检测率(MedicalPhysics.,vol.17,pp.861–865,1990.)。Keserci等设计一种滤波器对图像进行滤波,抑制图像中长条形目标来消除肋骨的影响,并增强圆形目标以突出图像中的肺结节(MedicalImage Analysis.,vol.6,pp.431–447,2002)。Loog等提出一种基于回归的通用滤波器框架来抑制骨骼结构,这种方法依赖训练图像对滤波器进行学习,通过对测试图像的重建获取软组织图像(Computer Vision Approaches to Medical Image Analysis.,New York:Springer,2006,vol.4241,Lecture Notes in ComputerScience,pp.166–177.)。Suzuki等利用人工神经网络抑制肋骨并增强肺结节(IEEE Trans.Med.Imaging,2006,25(4):406-416.)。Lee等人通过分割出肋骨,并采用遗传算法优化一个对照模型,进而消除肋骨(Computers&Mathematics with Applications,,2012,64(5):1390-1399.)。概括起来,这些方法可以分为隐式和显式的肋骨抑制,显式方法定位出肋骨的位置后加以抑制,需要对肋骨进行精确分割,而隐式方法需要大量的样本进行训练,以建立回归模型,因此不易于临床应用。
发明内容
本发明所要解决的技术问题是提供一种基于泊松模型的X光胸片图像肋骨抑制方法,解决数字胸片中肋骨对软组织的叠加遮挡而造成难以识别的问题,满足阅片人或是计算机对数字胸片中病灶检测识别的需要。
为解决上述技术问题,本发明采用的技术方案是:
一种基于泊松模型的X光胸片图像肋骨抑制方法,包括以下步骤:
步骤一、读取原始的胸片图像I,对胸片图像I进行Contourlet变换;
步骤二、对Contourlet变换后的低频系数进行对比度拉升;
步骤三、对Contourlet变换后的高频系数进行增益变换,重构出纹理增强后的胸片图像E;
步骤四、根据原始的胸片图像I,在多个尺度下进行高斯滤波,计算滤波后图像的海森矩阵及其特征值,进而建立条状检测滤波器,利用条状滤波器检测定位肋骨,获得肋骨区域的二值掩膜图像;
步骤五、根据步骤三得到的胸片图像E和步骤四得到的肋骨区域的二值掩膜图像,得到输出图像I*,即对胸片图像E采用拉普拉斯模板进行卷积运算,获得该图像梯度场的散度值建立泊松方程其中,G是输出图像I*中肋骨区域内像素的灰度值,I是原始的胸片图像,是肋骨区域边界,即步骤四的二值掩膜图像中的肋骨区域边界。
根据上述方案,所述步骤一中,在进行Contourlet变换之前,在原始的胸片图像I的行和列方向上分别进行一定量的平移,以克服伪吉布斯问题。
根据上述方案,所述对比度拉升采用的公式为其中,为调整后的系数,h1,h2分别为高频和低频增益,M表示低频系数的均值,k∈[0,1]是对比度调节因子。
根据上述方案,所述增益变换公式为其中为增强后的变换域系数,p∈(1,∞)为增益因子,Tg是增益阈值,Wk为增益系数;所述增益系数Wk具体表示为其中,C′j,k为尺度j,方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵,m,n为行列索引,J为尺度分解级数,0<j≤J。
根据上述方案,步骤四中所述尺度为3个。
根据上述方案,所述条状检测滤波器根据滤波器F的输出结果,采用Otsu算法进行自适应阈值分割,获得肋骨区域的二值掩膜图像。
与现有技术相比,本发明的有益效果是:采用Contourlet变换,结合系数的尺度和方向信息,提高了纹理和噪声之间的区分度,使得增强纹理的同时抑制噪声。通过求解泊松模型抑制肋骨,在检测得到的肋骨区域中进行抑制。本发明不需要精确分割出肋骨,仅根据肋骨所在的大致区域即可实现,降低了处理问题的复杂性,同时解决了直接减除肋骨灰度而形成的过渡不自然问题。本发明方法仅需要很少的经验参数,整个处理过程无需人工干预,方便实用,易于集成至专用的数字胸片阅片设备或图像处理系统中。
附图说明
图1为本发明方法的实现流程示意图。
图2为本发明中原始图像与增强图像对比图。
图3为本发明中肋骨区域检测效果图。
图4为本发明中原始图像与肋骨抑制图像对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1所示,一种基于泊松模型的X光胸片图像肋骨抑制方法,包括下述步骤:
步骤1,读取原始的胸片图像I,对原始的胸片图像I进行Contourlet变换。由于在Contourlet变换中,会对信号进行下采用和上采用处理,导致系数发生显著变化,这种情况称为伪吉布斯现象。也即是说,Contourlet变换不具备平移不变性,增强后重构图像中边缘点附近会产生较大的幅值振荡。为了克服伪吉布斯问题,在进行Contourlet变换前,在图像的行和列方向上分别进行一定量的平移。
步骤2,对Contourlet变换后的低频系数按照公式(1)进行对比度拉升,
其中,为调整后的系数,h1,h2分别为高频和低频增益,M表示低频系数的均值,k∈[0,1]是对比度调节因子,在保持图像原貌的基础上增强局部对比度。
步骤3,对Contourlet变换后的高频系数按照公式(2)进行增益变换后,重构出纹理增强后的胸片图像E。
其中为增强后的变换域系数,p∈(1,∞)为增益因子,Tg是增益阈值,Wk为增益系数。综合考虑信号和噪声在尺度间的相关性计算增益系数,先对每个分解方向上的系数模值,通过二次插值变换到最细尺度上,然后进行求和并归一化。
其中,C′j,k为尺度j,方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵,m,n为行列索引,J为尺度分解级数,这里只考虑高频系数,因此0<j≤J。Wk是归一化后的系数矩阵,元素值范围为[0,1]。
步骤4,读取原始的胸片图像,在多个尺度下对图像进行高斯滤波得到Is。尺度数量越多算法精度越高,但是计算量也会增大,综合考虑,尺度的数量一般选择3个为宜。尺度大小由高斯核的标准差确定,可根据肋骨在图像中的比例进行估计。在尺度为s的图像Is中,计算所有像素点处的海森矩阵Hi。计算Hi的特征值λ1,λ2,构造条状检测滤波器F:
利用该滤波器增强多个尺度下的肋骨,取各个尺度下的最大值作为输出结果。对输出结果利用Otsu算法进行自适应阈值分割,获得肋骨区域的二值掩膜图像。
步骤5,根据纹理增强图像E的梯度信息和肋骨区域的边界信息,通过求解解泊松方程,获得最终的输出图像I*。先对步骤3得到的纹理增强图像E,利用拉普拉斯模板进行卷积运算,获得该图像梯度场的散度值建立泊松方程:
其中,G是输出图像I*中肋骨区域内像素的灰度值,I是原始图像,是由步骤4得到的肋骨区域边界。
图2给出了原始图像与纹理增强图像对比图,在图中,原始图像局部给出了一例肺部局部图像,增强后的图像突出了边缘细节特征,图像对比度也有了提升。图3给出了肋骨检测得到的二值掩膜图像,其中掩膜包含了肋骨所在的大致区域。图4给出了原始图像与肋骨抑制图像在肺野区域中的对比图,可以看出在肋骨抑制后,其重叠区域的纹理更加清晰可见。
Claims (6)
1.一种基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,包括以下步骤:
步骤一、读取原始的胸片图像I,对胸片图像I进行Contourlet变换;
步骤二、对Contourlet变换后的低频系数进行对比度拉升;
步骤三、对Contourlet变换后的高频系数进行增益变换,重构出纹理增强后的胸片图像E;
步骤四、根据原始的胸片图像I,在多个尺度下进行高斯滤波,计算滤波后图像的海森矩阵及其特征值,进而建立条状检测滤波器,利用条状滤波器检测定位肋骨,获得肋骨区域的二值掩膜图像;
步骤五、根据步骤三得到的胸片图像E和步骤四得到的肋骨区域的二值掩膜图像,得到输出图像I*,即对胸片图像E采用拉普拉斯模板进行卷积运算,获得该图像梯度场的散度值建立泊松方程其中,G是输出图像I*中肋骨区域内像素的灰度值,I是原始的胸片图像,是肋骨区域边界,即步骤四的二值掩膜图像中的肋骨区域边界。
2.如权利要求1所述的基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,所述步骤一中,在进行Contourlet变换之前,在原始的胸片图像I的行和列方向上分别进行一定量的平移,以克服伪吉布斯问题。
3.如权利要求1或2所述的基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,所述对比度拉升采用的公式为其中,为调整后的系数,h1,h2分别为高频和低频增益,M表示低频系数的均值,k∈[0,1]是对比度调节因子。
4.如权利要求3所述的基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,所述增益变换公式为其中为增强后的变换域系数,p∈(1,∞)为增益因子,Tg是增益阈值,Wk为增益系数;所述增益系数Wk具体表示为其中,C′j,k为尺度j,方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵,m,n为行列索引,J为尺度分解级数,0<j≤J。
5.如权利要求1所述的基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,步骤四中所述尺度为3个。
6.如权利要求1或5所述的基于泊松模型的X光胸片图像肋骨抑制方法,其特征在于,所述条状检测滤波器根据滤波器F的输出结果,采用Otsu算法进行自适应阈值分割,获得肋骨区域的二值掩膜图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335084.3A CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
US15/598,656 US10217216B2 (en) | 2016-05-19 | 2017-05-18 | Kind of x-ray chest image rib suppression method based on poisson model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335084.3A CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023200A true CN106023200A (zh) | 2016-10-12 |
CN106023200B CN106023200B (zh) | 2019-06-28 |
Family
ID=57095356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610335084.3A Active CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10217216B2 (zh) |
CN (1) | CN106023200B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111951246A (zh) * | 2020-08-11 | 2020-11-17 | 湖南大学 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
CN112785555A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 骨检测方法、装置、电子设备及存储介质 |
CN116152505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
CN116385455A (zh) * | 2023-05-22 | 2023-07-04 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11113791B2 (en) * | 2017-01-03 | 2021-09-07 | Flir Systems, Inc. | Image noise reduction using spectral transforms |
KR102215805B1 (ko) * | 2018-01-30 | 2021-02-17 | 연세대학교 원주산학협력단 | 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템 |
CN108877925A (zh) * | 2018-03-30 | 2018-11-23 | 杭州依图医疗技术有限公司 | 一种肺炎病原的确定方法及装置 |
CN111246051B (zh) * | 2018-11-09 | 2021-06-29 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
KR20210017185A (ko) * | 2019-08-07 | 2021-02-17 | 한국전자통신연구원 | 심층 신경망을 기반으로 영상의 압축 포아송 잡음을 제거하는 방법 및 장치 |
CN110599530B (zh) * | 2019-09-03 | 2022-03-04 | 西安电子科技大学 | 基于双正则约束的mvct图像纹理增强方法 |
CN111667426B (zh) * | 2020-06-04 | 2023-10-13 | 四川轻化工大学 | 一种基于频域变分的医学图像增强方法 |
CN112541444B (zh) * | 2020-12-17 | 2023-08-22 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
CN112529818B (zh) * | 2020-12-25 | 2022-03-29 | 万里云医疗信息科技(北京)有限公司 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
CN113034434B (zh) * | 2021-02-03 | 2022-09-02 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
KR102480389B1 (ko) * | 2021-03-11 | 2022-12-23 | 주식회사 뷰웍스 | X선 영상에서의 뼈 감쇄 방법 및 장치 |
CN113053520A (zh) * | 2021-04-02 | 2021-06-29 | 北京掌引医疗科技有限公司 | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 |
CN113066072B (zh) * | 2021-04-08 | 2023-06-06 | 南昌航空大学 | 一种航空发动机导向叶片微裂纹缺陷检测方法及系统 |
KR20240060662A (ko) * | 2021-09-14 | 2024-05-08 | 엘지전자 주식회사 | 영상 처리 방법 및 장치 |
CN117836822A (zh) * | 2021-09-27 | 2024-04-05 | 西门子股份公司 | 分割块状物体图像的方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046814A1 (en) * | 2008-05-08 | 2010-02-25 | Agfa Healthcare Nv | Method for Mass Candidate Detection and Segmentation in Digital Mammograms |
CN103218800A (zh) * | 2011-09-27 | 2013-07-24 | 西门子公司 | 用于自动肋骨中心线提取的方法和系统 |
CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
CN105125228A (zh) * | 2015-10-10 | 2015-12-09 | 四川大学 | 一种胸透dr图像肋骨抑制的图像处理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240201B1 (en) * | 1998-07-24 | 2001-05-29 | Arch Development Corporation | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
US7274810B2 (en) * | 2000-04-11 | 2007-09-25 | Cornell Research Foundation, Inc. | System and method for three-dimensional image rendering and analysis |
US8233692B2 (en) * | 2008-02-27 | 2012-07-31 | Siemens Computer Aided Diagnosis Ltd. | Method of suppressing obscuring features in an image |
US9269139B2 (en) * | 2011-10-28 | 2016-02-23 | Carestream Health, Inc. | Rib suppression in radiographic images |
US9659390B2 (en) * | 2011-10-28 | 2017-05-23 | Carestream Health, Inc. | Tomosynthesis reconstruction with rib suppression |
US8913817B2 (en) * | 2011-10-28 | 2014-12-16 | Carestream Health, Inc. | Rib suppression in radiographic images |
-
2016
- 2016-05-19 CN CN201610335084.3A patent/CN106023200B/zh active Active
-
2017
- 2017-05-18 US US15/598,656 patent/US10217216B2/en not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046814A1 (en) * | 2008-05-08 | 2010-02-25 | Agfa Healthcare Nv | Method for Mass Candidate Detection and Segmentation in Digital Mammograms |
CN103218800A (zh) * | 2011-09-27 | 2013-07-24 | 西门子公司 | 用于自动肋骨中心线提取的方法和系统 |
CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
CN105125228A (zh) * | 2015-10-10 | 2015-12-09 | 四川大学 | 一种胸透dr图像肋骨抑制的图像处理方法 |
Non-Patent Citations (5)
Title |
---|
M.LOOG等: "Filter learning:Application to suppression of bony structures from chest radiographs", 《MEDICAL IMAGE ANALYSIS 10》 * |
ZHIMIN HUO等: "Bone-suppression technique for chest radiographs", 《SPIE MEDICAL IMAGING》 * |
裴政: "胸部DR图像分割在纹理检索中的研究及应用", 《中国优秀硕士论文全文数据库》 * |
赵伟: "自由形状特征的重用与抑制", 《中国博士论文全文数据库》 * |
高琳: "基于Contourlet变换的数字胸片图像增强算法", 《西南科技大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN111951246A (zh) * | 2020-08-11 | 2020-11-17 | 湖南大学 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
CN111951246B (zh) * | 2020-08-11 | 2022-03-04 | 湖南大学 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
CN112785555A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 骨检测方法、装置、电子设备及存储介质 |
CN112785555B (zh) * | 2020-12-30 | 2022-08-02 | 深兰智能科技(上海)有限公司 | 骨检测方法、装置、电子设备及存储介质 |
CN116152505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
CN116152505B (zh) * | 2023-04-20 | 2023-06-20 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
CN116385455A (zh) * | 2023-05-22 | 2023-07-04 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
CN116385455B (zh) * | 2023-05-22 | 2024-01-26 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US10217216B2 (en) | 2019-02-26 |
CN106023200B (zh) | 2019-06-28 |
US20170337686A1 (en) | 2017-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023200A (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
US8842936B2 (en) | Method, apparatus, and program for aligning images | |
Liu et al. | Deep iterative reconstruction estimation (DIRE): approximate iterative reconstruction estimation for low dose CT imaging | |
CN109961411B (zh) | 非下采样剪切波变换医学ct图像去噪方法 | |
JP4311598B2 (ja) | 異常陰影検出方法および装置 | |
CN104616255B (zh) | 基于乳腺x线图像的自适应增强方法 | |
CN109598680B (zh) | 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法 | |
Dolui et al. | A new similarity measure for non-local means filtering of MRI images | |
CN112837244B (zh) | 一种基于渐进式生成对抗网络的低剂量ct图像降噪及去伪影方法 | |
CN101082983A (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN107845079A (zh) | 基于紧支撑的3D‑shearlet医学CT视频去噪方法 | |
US8139891B2 (en) | System and method for structure enhancement and noise reduction in medical images | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
CN113222852B (zh) | 一种增强ct图像的重建方法 | |
CN116342444B (zh) | 一种双通道多模态图像融合方法及电子设备 | |
Rajalingam et al. | Review of multimodality medical image fusion using combined transform techniques for clinical application | |
Mredhula et al. | An extensive review of significant researches on medical image denoising techniques | |
JP2016174905A (ja) | 超音波診断装置、医用画像処理装置及び医用画像処理プログラム | |
Kulathilake et al. | A review on self-adaptation approaches and techniques in medical image denoising algorithms | |
CN115018728A (zh) | 基于多尺度变换和卷积稀疏表示的图像融合方法及系统 | |
Lee et al. | Speckle reduction via deep content-aware image prior for precise breast tumor segmentation in an ultrasound image | |
Zhang et al. | A novel method of medical image enhancement based on wavelet decomposition | |
CN109377461B (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
CN111477304A (zh) | 一种pet和mri图像相融合的肿瘤照射成像组合方法 | |
CN111242853B (zh) | 基于光流处理的医学ct图像去噪方法 |
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 |