CN106228198A - 一种医疗ct图像的超分辨率识别方法 - Google Patents
一种医疗ct图像的超分辨率识别方法 Download PDFInfo
- Publication number
- CN106228198A CN106228198A CN201610680779.5A CN201610680779A CN106228198A CN 106228198 A CN106228198 A CN 106228198A CN 201610680779 A CN201610680779 A CN 201610680779A CN 106228198 A CN106228198 A CN 106228198A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- low
- dictionary
- feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种医疗CT图像的超分辨率识别方法,包括:预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,并建立多个分类目标图像的局部特征库;获取待处理的第一CT图像;对第一CT图像进行上采样,获取第一CT图像对应的第一低分辨率图像;提取第一低分辨率图像的低分辨率特征,计算低分辨率特征在对偶稀疏模型下的稀疏系数;根据低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征;根据高分辨率特征和第一低分辨率图像获得相应的第一高分辨率图像;将获得的第一高分辨率图像的局部特征和各分类目标图像的局部特征进行病理局部特征比对,输出比较结果。使不具备专业医学知识的人员能得知CT图像中的病理信息。
Description
技术领域
本发明涉及医学器材技术领域,特别是涉及一种医疗CT图像的超分辨率识别方法。
背景技术
随着科学技术的发展,现代医学也得到了长足的进步,为了准确得知患者的病情,常常会使用一些现代化医疗仪器来对患者进行检查。
医生在对患者的病情进行了解时,往往需要通过一些影像检查装置来对患者的身体进行检查,如获取患者的X射线图像、超声波图像、核磁共振图像等。然而,目前这些影像设备以及现有的成像技术受于现有技术的限制,通常不能获取满足高要求的清晰图像。尤其是患者自身通常没有较深的医学知识,在拿到自己在医院拍的各种片子时,往往不能得知片子中的图像的具体信息,因此,如何使得患者也可以对CT图像的内容进行识别就显得尤为可贵。
因而,如何提供一种医疗CT图像的超分辨率识别方法,能够使得不具备专业医学知识的人员也能对医疗影像设备获得的图像进行识别,是本领域技术人员目前需要解决的技术问题。
发明内容
本发明的目的是提供一种医疗CT图像的超分辨率识别方法,能够使得不具备专业医学知识的人员也能对医疗影像设备获得的图像进行识别。
为解决上述技术问题,本发明提供了如下技术方案:
一种医疗CT图像的超分辨率识别方法,包括:
预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,并预先存储多个分类目标图像的局部特征,建立所述多个分类目标图像的局部特征库;
获取待处理的第一CT图像;
对所述第一CT图像进行放大预设倍数的上采样,获取所述第一CT图像对应的第一低分辨率图像;
提取所述第一低分辨率图像的低分辨率特征,并计算所述低分辨率特征在对偶稀疏模型下的稀疏系数;
根据所述低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征;
根据所述高分辨率特征和所述第一低分辨率图像获得相应的第一高分辨率图像;
将获得的所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果。
优选地,所述预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,包括:
获取CT分类图像集中预设类别的历史高分辨率CT图像;
对各所述历史高分辨率CT图像进行缩小所述预设倍数的下采样,再放大所述预设倍数的上采样,获取对应的历史低分辨率CT图像;
提取各所述历史高分辨率CT图像各自对应的高分辨率特征;
提取所述历史低分辨率CT图像中的低分辨率特征;
根据所述历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到所述高分辨率字典、低分辨率字典和优化字典。
优选地,所述提取各所述历史高分辨率CT图像各自对应的高分辨率特征,包括:
提取第N个库中的历史高分辨率CT图像的高分辨率CT图像块YNH;
提取所述第N个库中的历史低分辨率CT图像的低分辨率CT图像块YNL,其中,所述低分辨率CT图像块YNL在所述历史低分辨率CT图像中的位置和所述高分辨率CT图像YNH块在所述历史高分辨率CT图像中的位置相对应;
计算第N个库中的历史高分辨率CT图像的高分辨率特征SNH:
SNH=YNH-YNL。
优选地,所述提取所述历史低分辨率CT图像中的低分辨率特征,包括:
计算所述第N个库中的历史低分辨率CT图像的低分辨率特征SNL:
其中,x和y分别表示水平和垂直方向。
优选地,所述根据所述历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到所述高分辨率字典、低分辨率字典和优化字典,包括:
根据式和m=1,...,d,获取第N个库的高分辨率字典DNH和低分辨率字典DNL;
其中,DN=[DNH:DNL],表示第N个库的第i个高分辨率特征,表示第N个库的第i个低分辨率特征,ti为稀疏系数,γ为常数,表示L2范数的平方,||ti||1表示L1范数,DN(:,m)表示第N个库的字典中的第m个字典基dm,为第N个库的第i个高/低分辨率特征对,DN为第N个库的高/低分辨率字典对;
训练计算所述优化字典:其中,函数P()为稀疏度评价函数,ΦN为所述优化字典。
优选地,所述计算所述低分辨率特征在对偶稀疏模型下的稀疏系数,为:
其中,γ1和γ2为调节系数,为所述第一CT图像的低分辨率特征。
优选地,所述根据所述低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征,为:
其中,为所述第一CT图像的高分辨率特征。
优选地,所述根据所述高分辨率特征和所述第一低分辨率图像获得相应的第一高分辨率图像,包括:
根据所述第一CT图像的高分辨率特征和所述第一低分辨率图像的图像块获得对应的高分辨率图像块;
将所有的所述高分辨率图像块进行融合,获得所述第一高分辨率图像。
优选地,所述将获得的所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果,包括:
采用动态边缘分析法获得所述第一高分辨率图像对应的二进制边缘图像;
对所述二进制边缘图像进行分析识别,获取对应的第一高分辨率图像的局部特征;
通过局部特征模板对所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,匹配出和所述第一高分辨率图像的局部特征最为相似的病理局部特征;
输出匹配的结果。
与现有技术相比,上述技术方案具有以下优点:
本发明实施例所提供的一种医疗CT图像的超分辨率识别方法,包括:预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,并预先存储多个分类目标图像的局部特征,建立多个分类目标图像的局部特征库;获取待处理的第一CT图像;对第一CT图像进行放大预设倍数的上采样,获取第一CT图像对应的第一低分辨率图像;提取第一低分辨率图像的低分辨率特征,并计算低分辨率特征在对偶稀疏模型下的稀疏系数;根据低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征;根据高分辨率特征和第一低分辨率图像获得相应的第一高分辨率图像;将获得的第一高分辨率图像的局部特征和局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果。预先建立多个分类目标图像的局部特征库,以该局部特征库中的目标图像的局部特征作为参照对象,并与待处理的第一CT图像的局部特征进行比对,这样,当第一CT图像的局部特征和该库中的某一目标图像的病理局部特征相似时,即可以得知第一CT图像的病理信息。尤其是利用了稀疏表示字典模型和优化模型的优势,丰富的模型避免了单一模型的不足,从而可以更为准确地更高质量地获取第一CT图像的第一高分辨率图像的信息,从而可以准确地与局部特征库中的局部特征进行匹配,输出的结果也就更加准确,使得不具备专业医学知识的人员也能得知CT图像中的病理信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种具体实施方式所提供的医疗CT图像的超分辨率识别方法流程图。
具体实施方式
本发明的核心是提供一种医疗CT图像的超分辨率识别方法,能够使得不具备专业医学知识的人员也能对医疗影像设备获得的图像进行识别。
为了使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。
请参考图1,图1为本发明一种具体实施方式所提供的医疗CT图像的超分辨率识别方法流程图。
本发明的一种具体实施方式提供了一种医疗CT图像的超分辨率识别方法,包括:
S11:预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,并预先存储多个分类目标图像的局部特征,建立多个分类目标图像的局部特征库。
在本发明的一种实施方式中,预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,包括:
获取CT分类图像集中预设类别的历史高分辨率CT图像,即从预设的CT图像训练库中获取历史高分辨率CT图像集合其中,指的是第N个库中的第i个历史高分辨率CT图像。
对各历史高分辨率CT图像进行缩小预设倍数的下采样,再放大预设倍数的上采样,获取对应的历史低分辨率CT图像,采用插值算法,对历史高分辨率CT图像集合进行缩小预设倍数的下采样后,再进行放大预设倍数的上采样,得到对应的历史低分辨率CT图像集合 指的是第N个库中的第i个历史低分辨率CT图像,其中,第N个库中的第i个历史低分辨率CT图像和第N个库中的第i个历史高分辨率CT图像尺寸相同,但是比所包含的图像内容更加丰富。
提取各历史高分辨率CT图像各自对应的高分辨率特征。
进一步地,提取各历史高分辨率CT图像各自对应的高分辨率特征,包括:
提取第N个库中的历史高分辨率CT图像的高分辨率CT图像块YNH,即从历史高分辨率CT图像集合中提取历史高分辨率CT图像块集合
提取第N个库中的历史低分辨率CT图像的低分辨率CT图像块YNL,即在历史低分辨率CT图像集合中提取历史低分辨率CT图像块集合其中,低分辨率CT图像块YNL在历史低分辨率CT图像中的位置和高分辨率CT图像YNH块在历史高分辨率CT图像中的位置相对应,例如历史高分辨率图像块取自一历史高分辨率CT图像的左上角3*3区域,则相应的历史低分辨率图像块也应取自该历史高分辨率CT图像对应的历史低分辨率CT图像的左上角3*3区域。
计算第N个库中的历史高分辨率CT图像的高分辨率特征SNH:SNH=YNH-YNL,从而可以获得第N个库中的历史高分辨率特征集合
提取历史低分辨率CT图像中的低分辨率特征。
优选地,提取历史低分辨率CT图像中的低分辨率特征,包括:
计算第N个库中的历史低分辨率CT图像的低分辨率特征SNL:
其中,x和y分别表示水平和垂直方向,从而可以获取第N个库中的历史低分辨率特征集合
根据历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到高分辨率字典、低分辨率字典和优化字典。
其中,根据历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到高分辨率字典、低分辨率字典和优化字典,包括:
根据式和m=1,...,d,获取第N个库的高分辨率字典DNH和低分辨率字典DNL;
其中,DN=[DNH:DNL],表示第N个库的第i个高分辨率特征,表示第N个库的第i个低分辨率特征,ti为稀疏系数,γ为常数,表示L2范数的平方,||ti||1表示L1范数,DN(:,m)表示第N个库的字典中的第m个字典基dm,为第N个库的第i个高/低分辨率特征对,DN为第N个库的高/低分辨率字典对;
训练计算优化字典:其中,函数P()为稀疏度评价函数,ΦN为优化字典。
在本实施方式中预先存储多个分类目标图像的局部特征,建立多个分类目标图像的局部特征库,如建立手掌、手肘、脚腕、膝盖等常见的CT图像的局部特征库。
S12:获取待处理的第一CT图像,可以直接由CT扫描仪等设备直接获取第一CT图像,也可以通过扫描获取第一CT图像,对于其获取方式本实施方式不做限定,具体视情况而定。
S13:对第一CT图像进行放大预设倍数的上采样,获取第一CT图像对应的第一低分辨率图像。
在本实施方式中,根据待处理的第一CT图像的类别在字典库中选择对应的高低分辨率字典和优化字典。
需要说明的是,在本实施方式中,为了提高CT图像的识别准确性,对第一CT图像方法的倍数和上述实施方式中对历史CT图像缩小或者放大等步骤中的倍数数值相同。
S14:提取第一低分辨率图像的低分辨率特征,并计算低分辨率特征在对偶稀疏模型下的稀疏系数;
优选地,计算低分辨率特征在对偶稀疏模型下的稀疏系数,为:
其中,γ1和γ2为调节系数可以是大于零的数值,为第一CT图像的低分辨率特征。根据上述对于最优化函数的求解,计算第一低分辨率图像的每一个低分辨率特征在稀疏模型下的稀疏系数。
S15:根据低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征。
在本实施方式中,根据低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征,为:其中,为第一CT图像的高分辨率特征。即对于每一个低分辨率特征及其稀疏系数,使用高分辨率字典来恢复相应的高分辨率特征。
S16:根据高分辨率特征和第一低分辨率图像获得相应的第一高分辨率图像。
在本发明的一种实施方式中,步骤S14中,提取第一低分辨率图像的低分辨率特征后,还可以提取第一低分辨率图像的低分辨率图像块集合。其中,根据高分辨率特征和第一低分辨率图像获得相应的第一高分辨率图像,包括:根据第一CT图像的高分辨率特征和第一低分辨率图像的图像块获得对应的高分辨率图像块;将所有的高分辨率图像块进行融合,获得第一高分辨率图像。
S17:将获得的第一高分辨率图像的局部特征和局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果。
在本发明的一种实施方式中,将获得的第一高分辨率图像的局部特征和局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果,包括:
采用动态边缘分析法获得第一高分辨率图像对应的二进制边缘图像,即获取第一高分辨率图像的二进制图像;
对二进制边缘图像进行分析识别,获取对应的第一高分辨率图像的局部特征,其中该局部特征可以包括骨头的裂缝、骨刺和其他常见病理特征等;
通过局部特征模板对第一高分辨率图像的局部特征和局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,匹配出和第一高分辨率图像的局部特征最为相似的病理局部特征;
输出匹配的结果。
需要说明的是,在本发明的实施方式中优选相邻的当前CT图像的低分辨率特征之间相互重叠,这是由于基于字典的超分辨率是以小图像块进行处理的,在进行图像块融合时,选取图像块时会保留一定像素宽的重叠区域,即相邻图像块之间有一定的像素宽的重叠区域,以保证具有更好的融合效果。
综上所述,本发明实施方式所提供的医疗CT图像的超分辨率识别方法,综合利用稀疏表示字典模型与优化模型的优势,避免采用单一模型所造成的不足,从而更加准确地恢复待处理的CT图像的高分辨率图像的高频信息。尤其是根据不同类别的图像选择字典来进行训练,能得到更高质量的高分辨率CT图像,在识别过程中选择特定的库来进行匹配,从而准确地对待处理CT图像进行局部特征的提取和匹配,从而使得不具体专业医学知识的人员也能获取CT图像的病理特征。
以上对本发明所提供一种医疗CT图像的超分辨率识别方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种医疗CT图像的超分辨率识别方法,其特征在于,包括:
预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,并预先存储多个分类目标图像的局部特征,建立所述多个分类目标图像的局部特征库;
获取待处理的第一CT图像;
对所述第一CT图像进行放大预设倍数的上采样,获取所述第一CT图像对应的第一低分辨率图像;
提取所述第一低分辨率图像的低分辨率特征,并计算所述低分辨率特征在对偶稀疏模型下的稀疏系数;
根据所述低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征;
根据所述高分辨率特征和所述第一低分辨率图像获得相应的第一高分辨率图像;
将获得的所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果。
2.根据权利要求1所述的方法,其特征在于,所述预先创建训练集以获取高分辨率字典、低分辨率字典和优化字典,包括:
获取CT分类图像集中预设类别的历史高分辨率CT图像;
对各所述历史高分辨率CT图像进行缩小所述预设倍数的下采样,再放大所述预设倍数的上采样,获取对应的历史低分辨率CT图像;
提取各所述历史高分辨率CT图像各自对应的高分辨率特征;
提取所述历史低分辨率CT图像中的低分辨率特征;
根据所述历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到所述高分辨率字典、低分辨率字典和优化字典。
3.根据权利要求2所述的方法,其特征在于,所述提取各所述历史高分辨率CT图像各自对应的高分辨率特征,包括:
提取第N个库中的历史高分辨率CT图像的高分辨率CT图像块YNH;
提取所述第N个库中的历史低分辨率CT图像的低分辨率CT图像块YNL,其中,所述低分辨率CT图像块YNL在所述历史低分辨率CT图像中的位置和所述高分辨率CT图像YNH块在所述历史高分辨率CT图像中的位置相对应;
计算第N个库中的历史高分辨率CT图像的高分辨率特征SNH:
SNH=YNH-YNL。
4.根据权利要求3所述的方法,其特征在于,所述提取所述历史低分辨率CT图像中的低分辨率特征,包括:
计算所述第N个库中的历史低分辨率CT图像的低分辨率特征SNL:
其中,x和y分别表示水平和垂直方向。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史高分辨率CT图像的高分辨率特征和对应的历史低分辨率CT图像的低分辨率特征分别进行训练,得到所述高分辨率字典、低分辨率字典和优化字典,包括:
根据式和m=1,...,d,获取第N个库的高分辨率字典DNH和低分辨率字典DNL;
其中,DN=[DNH:DNL],表示第N个库的第i个高分辨率特征,表示第N个库的第i个低分辨率特征,ti为稀疏系数,γ为常数,表示L2范数的平方,||ti||1表示L1范数,DN(:,m)表示第N个库的字典中的第m个字典基dm,为第N个库的第i个高/低分辨率特征对,DN为第N个库的高/低分辨率字典对;
训练计算所述优化字典:其中,函数P()为稀疏度评价函数,ΦN为所述优化字典。
6.根据权利要求5所述的方法,其特征在于,所述计算所述低分辨率特征在对偶稀疏模型下的稀疏系数,为:
其中,γ1和γ2为调节系数,为所述第一CT图像的低分辨率特征。
7.根据权利要求6所述的方法,其特征在于,所述根据所述低分辨率特征、稀疏系数、高分辨率字典,恢复相应的高分辨率特征,为:
其中,为所述第一CT图像的高分辨率特征。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述根据所述高分辨率特征和所述第一低分辨率图像获得相应的第一高分辨率图像,包括:
根据所述第一CT图像的高分辨率特征和所述第一低分辨率图像的图像块获得对应的高分辨率图像块;
将所有的所述高分辨率图像块进行融合,获得所述第一高分辨率图像。
9.根据权利要求8所述的方法,其特征在于,所述将获得的所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,输出比较结果,包括:
采用动态边缘分析法获得所述第一高分辨率图像对应的二进制边缘图像;
对所述二进制边缘图像进行分析识别,获取对应的第一高分辨率图像的局部特征;
通过局部特征模板对所述第一高分辨率图像的局部特征和所述局部特征库中的各分类目标图像的局部特征进行病理局部特征比对,匹配出和所述第一高分辨率图像的局部特征最为相似的病理局部特征;
输出匹配的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680779.5A CN106228198B (zh) | 2016-08-17 | 2016-08-17 | 一种医疗ct图像的超分辨率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680779.5A CN106228198B (zh) | 2016-08-17 | 2016-08-17 | 一种医疗ct图像的超分辨率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228198A true CN106228198A (zh) | 2016-12-14 |
CN106228198B CN106228198B (zh) | 2019-05-07 |
Family
ID=57553154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610680779.5A Active CN106228198B (zh) | 2016-08-17 | 2016-08-17 | 一种医疗ct图像的超分辨率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228198B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705242A (zh) * | 2017-07-20 | 2018-02-16 | 广东工业大学 | 一种结合深度学习与深度感知的图像风格化迁移方法 |
CN108038840A (zh) * | 2017-11-24 | 2018-05-15 | 深圳先进技术研究院 | 一种图像处理方法、装置、图像处理设备及存储介质 |
CN109949332A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 用于处理图像的方法和装置 |
CN112784857A (zh) * | 2021-01-29 | 2021-05-11 | 北京三快在线科技有限公司 | 一种模型训练以及图像处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN103093444A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于自相似性和结构信息约束的图像超分辨重建方法 |
US20140327940A1 (en) * | 2013-05-03 | 2014-11-06 | Kofax, Inc. | Systems and methods for detecting and classifying objects in video captured using mobile devices |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
-
2016
- 2016-08-17 CN CN201610680779.5A patent/CN106228198B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN103093444A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于自相似性和结构信息约束的图像超分辨重建方法 |
US20140327940A1 (en) * | 2013-05-03 | 2014-11-06 | Kofax, Inc. | Systems and methods for detecting and classifying objects in video captured using mobile devices |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
Non-Patent Citations (3)
Title |
---|
卢涛 等: "基于图像超分辨极限学习机的极低分辨率人脸识别", 《计算机应用》 * |
王尔卓 等: "基于二维稀疏表示的人脸超分辨率重构算法", 《太原理工大学学报》 * |
黄浩锋 等: "基于组稀疏表示的医学图像超分辨率重建", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705242A (zh) * | 2017-07-20 | 2018-02-16 | 广东工业大学 | 一种结合深度学习与深度感知的图像风格化迁移方法 |
CN107705242B (zh) * | 2017-07-20 | 2021-12-17 | 广东工业大学 | 一种结合深度学习与深度感知的图像风格化迁移方法 |
CN108038840A (zh) * | 2017-11-24 | 2018-05-15 | 深圳先进技术研究院 | 一种图像处理方法、装置、图像处理设备及存储介质 |
CN108038840B (zh) * | 2017-11-24 | 2020-03-17 | 深圳先进技术研究院 | 一种图像处理方法、装置、图像处理设备及存储介质 |
CN109949332A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 用于处理图像的方法和装置 |
CN112784857A (zh) * | 2021-01-29 | 2021-05-11 | 北京三快在线科技有限公司 | 一种模型训练以及图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106228198B (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793904B (zh) | 图像配准装置及其图像配准的方法 | |
Bankman | Handbook of medical imaging: processing and analysis management | |
CN106228198A (zh) | 一种医疗ct图像的超分辨率识别方法 | |
WO2022037548A1 (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN107133933B (zh) | 基于卷积神经网络的乳腺x线图像增强方法 | |
CN107679574A (zh) | 超声图像处理方法及系统 | |
CN105913431A (zh) | 低分辨率医学图像的多图谱分割方法 | |
CN107093190B (zh) | 一种基于多图谱标签融合的医学图像配准算法 | |
CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
CN112381811A (zh) | 一种实现医学影像数据标注的方法、装置及设备 | |
CN107980149A (zh) | 用于脊椎标记的方法、装置和系统 | |
Woo et al. | A spatio-temporal atlas and statistical model of the tongue during speech from cine-MRI | |
Long et al. | Biomedical information from a national collection of spine x-rays: film to content-based retrieval | |
CN101179994B (zh) | 异常阴影候补的显示方法以及医用图像处理系统 | |
US20210118134A1 (en) | Method and system for postural analysis and measuring anatomical dimensions from a radiographic image using machine learning | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
Nbonsou Tegang et al. | A gaussian process model based generative framework for data augmentation of multi-modal 3d image volumes | |
GB2616921A (en) | System and methods for classifying magnetic resonance imaging (MRI) image characteristics | |
CN106204667A (zh) | 一种解决图像超分辨率重建中的相似度保留问题的稀疏编码方法 | |
Huang et al. | Multi-modal medical image registration based on gradient of mutual information and morphological Haar wavelet | |
Huang et al. | Shearlet-based ultrasound texture features for classification of breast tumor | |
Sciortino et al. | Morphological analysis combined with a machine learning approach to detect utrasound median sagittal sections for the nuchal translucency measurement | |
Xing et al. | Quantifying velopharyngeal motion variation in speech sound production using an audio-informed dynamic MRI atlas | |
Aouache et al. | Active shape modeling of medical images for vertebral fracture computer assisted assessment system | |
Mohamed et al. | An efficient clustering based texture feature extraction for medical image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |