CN106296613B - 一种基于dr机器的双能量减影方法 - Google Patents
一种基于dr机器的双能量减影方法 Download PDFInfo
- Publication number
- CN106296613B CN106296613B CN201610674113.9A CN201610674113A CN106296613B CN 106296613 B CN106296613 B CN 106296613B CN 201610674113 A CN201610674113 A CN 201610674113A CN 106296613 B CN106296613 B CN 106296613B
- Authority
- CN
- China
- Prior art keywords
- image
- energy image
- formula
- characteristic point
- low energy
- 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
- 230000009977 dual effect Effects 0.000 title claims abstract description 12
- 238000011410 subtraction method Methods 0.000 title claims abstract description 11
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 28
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000029142 excretion Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 6
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002308 calcification Effects 0.000 description 4
- 238000011976 chest X-ray Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010051200 Pulmonary calcification Diseases 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 108010048734 sclerotin Proteins 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于DR机器的双能量减影方法,包括以下步骤:S1:获取曝光间隔为2秒的X射线高能量图像和低能量图像;S2:以高能量图像为模板,对低能量图像进行配准,得到相对于高能量图像未移位的低能量图像;S3:对高能量图像和配准后的低能量图像取对数变换,进行减影处理并显示。本发明的射线曝光间隔可以延长至2秒;本发明采用改进的配准方法,有效校正了因病人移位、旋转、图像亮度不一致、噪声等带来的运动伪影;本发明在高低能量减影计算方面,对高能量图像及配准后的低能量图像取对数变换,在低能量图像上乘以一个消除因子来消除软组织或者骨组织,大大提高了计算速度,有效降低了计算复杂度及对计算机内存的需求。
Description
技术领域
本发明涉及图像处理技术,特别是涉及一种基于DR机器的双能量减影方法。
背景技术
双能量减影技术主要用于胸部的X摄影技术,采用两次连续曝光,根据两次曝光的能量差进行减影得到骨肉分离的骨组织图片和软组织图片,骨组织图像在肋骨骨折、骨质病变及肺部内钙化结节的显示有着重要的作用,软组织图片是去除了骨骼结构的图片,这样肺部病变信息能更好的显示。
双能量减影技术可提高肺部钙化灶和肺结节的检出率,而肺部的一些钙化灶和一些结节性病变是诊断肺部疾病的重要依据,钙化灶在骨组织图像有着明显的影像,不含钙化灶的结节全部呈现于软组织影像上,钙化灶结节呈现在在骨组织图像上,胸部X线双能量摄影实现了骨组织和软组织的有效分离,大大的提高了疾病的诊断效率。
然而,现有技术中的双能量减影技术存在以下的缺陷:(1)对摄影设备要求很高,须在200毫秒的曝光间隔内完成两幅图像的曝光;(2)采集到的高低能量图像有很大移位差异,包括图像旋转、尺度缩放、亮度差异、高低剂量拍摄引入的噪声等;(3)计算速度较慢,对内存的要求较高。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于DR机器的双能量减影方法。
技术方案:本发明所述的基于DR机器的双能量减影方法,包括以下步骤:
S1:获取曝光间隔为2秒的X射线高能量图像和低能量图像;
S2:以高能量图像为模板,对低能量图像进行配准,得到相对于高能量图像未移位的低能量图像;
S3:对高能量图像和配准后的低能量图像取对数变换,进行减影处理并显示。
进一步,所述步骤S2包括以下步骤:
S2.1:提取特征点;
S2.2:计算特征描述符向量;
首先,计算待配准图像上每个特征点分别在8个方向上的方向导数,得到待配准图像在8个方向上的导数矩阵,如式(1)所示:
式(1)中,Gk为第k个方向上的导数矩阵,I为待配准图像,为第k个方向上的方向向量,k=0,…,7;
然后,设以任意一个特征点(u,v)为中心的4x4个子领域的编号分别为A11,A12,…,A44,子领域Aij对应权重子矩阵Wij,选取特征点子领域窗口宽度的1.5倍作为高斯标准方差,计算特征描述符向量FDes(u,v),如式(2)所示:
式(2)中,(xi,yj)为子领域Aij的中心点,(xi,yj)是以(xi,yj)为中心的4x4个子邻域内每个点在k方向上的方向导数加权和,可以根据子邻域的位置从对应的中获得,如式(3)所示;
式(3)中,i=1,…,4;j=1,…,4;k=0,…,7;
S2.3:利用步骤S2.2中获得的特征描述符向量进行特征点匹配,采用最近邻与次近邻距离比值法作为特征点匹配的相似度度量,当最近邻距离和次近邻距离的比值小于设定的阈值时,最近的匹配特征点为正确的匹配特征点;
S2.4:利用S2.3中正确的匹配特征点求解待配准图像间的变换矩阵:采用RANSAC算法将误差大于阈值的匹配特征点和错误的匹配特征点剔除,确定出最终匹配的特征点集合,从而求得初始变换矩阵,然后采用最小二乘法对初始变换矩阵进一步求精,得到精确的变换矩阵,最后得到配准后的低能量图像。
进一步,所述步骤S2.1中采用如下的方法进行特征点提取:
S2.11:将高能量图像、低能量图像分别与不同尺度的卷积核函数进行卷积生成不同尺度的图像,这些不同尺度的图像构成了原始图像的多尺度空间;
S2.12:在多尺度空间上检测特征点,将高斯差分尺度空间上检测到的极值点作为初步特征点,采用高斯差分函数的二阶泰勒展开式对初步特征点求精,并根据沿着高斯差分尺度空间边缘方向的第一曲率与垂直高斯差分尺度空间边缘方向的第二曲率之间的比值是否大于临界阈值来确定是否为边缘点,如果大于设定的临界阈值,则视为边缘点,剔除该边缘点;否则,则保留该初步特征点;
S2.13:特征点提取完毕后,为每个特征点指定一个特征点主方向。
进一步,所述步骤S3中,取对数变换之前,对高能量图像和配准后的低能量图像进行处理,如式(4)和式(5)所示:
I’H=ln(IH+1) (4)
I’L=ln(IL+1) (5)
其中,IH为高能量图像,I’H为处理后的高能量图像,IL为配准后的低能量图像,I’L为处理后的已配准的低能量图像。
进一步,所述步骤S3中的减影处理包括在图像中消除软组织而保留骨组织减影数据,以及消除骨组织而保留软组织减影数据这两种方式,其中,消除软组织后得到的骨组织减影数据I’bone如式(6)所示,归一化的骨组织减影图像Ibone如式(8)所示,消除骨组织后得到的软组织减影数据I’soft如式(7)所示,归一化的软组织减影图像Isoft如式(9)所示:
式(6)中,Wb为骨组织减影的消除因子,Wb<1;
式(7)中,Ws为软组织减影的消除因子,Ws<Wb<1;
Ibone=MaxGray·(I’bone-Minn)/(Maxb-Minb) (8)
式(8)中,MaxGray为图像的最大灰阶值,Maxb为I’bone中数据的最大值,Minb为I’bone中数据的最小值;
Isoft=MaxGray·(I’soft-Mins)/(Maxs-Mins) (9)
式(9)中,Maxs为I’soft中数据的最大值,Mins为I’soft中数据的最小值。
有益效果:与现有技术相比,本发明具有如下的有益效果:
(1)本发明对摄影设备的要求较低,射线曝光间隔可以延长至2秒;
(2)本发明采用改进的配准方法,有效的校正了因病人移位、旋转、图像亮度不一致、噪声等带来的运动伪影;
(3)本发明在高低能量减影计算方面,根据射线衰减特性,对高能量图像及配准后的低能量图像取对数变换,在低能量图像上乘以一个消除因子来消除软组织或者骨组织,大大提高了计算速度,有效的降低了计算复杂度及对计算机内存的需求。
附图说明
图1为本发明的方法流程图;
图2为本发明的采用高能量图像对低能量图像进行配准的流程图;
图3(a)为本发明具体实施方式的胸部X射线的高能量图像;
图3(b)为本发明具体实施方式的胸部X射线的低能量图像;
图3(c)为本发明具体实施方式的胸部X射线的软组织图像;
图3(d)为本发明具体实施方式的胸部X射线的骨组织图像。
具体实施方式
下面结合附图和具体实施方式,对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于DR机器的双能量减影方法,如图1所示,包括以下步骤:
S1:获取曝光间隔为2秒的X射线高能量图像和低能量图像,如图3(a)和图3(b)所示;
S2:以高能量图像为模板,对低能量图像进行配准,得到相对于高能量图像未移位的低能量图像,如图2所示;
S3:对高能量图像和配准后的低能量图像取对数变换,进行减影处理并显示,如图3(c)和图3(d)所示。
其中,步骤S2包括以下步骤:
S2.1:提取特征点;
S2.2:计算特征描述符向量;
首先,计算待配准图像上每个特征点分别在8个方向上的方向导数,得到待配准图像在8个方向上的导数矩阵,如式(1)所示:
式(1)中,Gk为第k个方向上的导数矩阵,I为待配准图像,为第k个方向上的方向向量,k=0,…,7;
然后,设以任意一个特征点(u,v)为中心的4x4个子领域的编号分别为A11,A12,…,A44,如式(2)所示,子领域Aij对应权重子矩阵Wij,如式(3)所示,选取特征点子领域窗口宽度的1.5倍作为高斯标准方差,计算特征描述符向量FDes(u,v),如式(4)所示:
式(4)中,(xi,yj)为子领域Aij的中心点,(xi,yj)是以(xi,yj)为中心的4x4个子邻域内每个点在k方向上的方向导数加权和,可以根据子邻域的位置从对应的中获得,如式(5)所示;
式(5)中,i=1,…,4;j=1,…,4;k=0,…,7;
S2.3:利用步骤S2.2中获得的特征描述符向量进行特征点匹配,采用最近邻与次近邻距离比值法(Nearest-Neighbor with Distance Ratio,NNDR)作为特征点匹配的相似度度量,当最近邻距离和次近邻距离的比值小于设定的阈值时,最近的匹配特征点为正确的匹配特征点;
S2.4:为了提高变换矩阵的精度,使得求解出的变换矩阵能满足大部分正确的匹配特征点,以此来消除匹配误差或者错匹配带来的影响,利用S2.3中正确的匹配特征点求解待配准图像间的变换矩阵:采用随机采样一致性(RANSAC)算法将误差大于阈值的匹配特征点和错误的匹配特征点剔除,确定出最终匹配的特征点集合,从而求得初始变换矩阵,然后采用最小二乘法对初始变换矩阵进一步求精,得到精确的变换矩阵,最后得到配准后的低能量图像。
步骤S2.1中采用如下的方法进行特征点提取:
S2.11:将高能量图像、低能量图像分别与不同尺度的卷积核函数进行卷积生成不同尺度的图像,这些不同尺度的图像构成了原始图像的多尺度空间;
S2.12:在多尺度空间上检测特征点,将高斯差分尺度空间上检测到的极值点作为初步特征点,采用高斯差分函数的二阶泰勒展开式对初步特征点求精,并根据沿着高斯差分尺度空间边缘方向的第一曲率与垂直高斯差分尺度空间边缘方向的第二曲率之间的比值是否大于临界阈值来确定是否为边缘点,如果大于设定的临界阈值,则视为边缘点,剔除该边缘点;否则,则保留该初步特征点;
S2.13:特征点提取完毕后,为每个特征点指定一个特征点主方向。
步骤S3中,取对数变换之前,还可以对高能量图像和配准后的低能量图像进行处理,如式(6)和式(7)所示:
I’H=ln(IH+1) (6)
I’L=ln(IL+1) (7)
其中,IH为高能量图像,I’H为处理后的高能量图像,IL为配准后的低能量图像,I’L为处理后的已配准的低能量图像。
步骤S2.11中,采用卷积运算来替换原SIFT算法中的特征点子领域直方图,大大缩短了计算时间。
步骤S3中的减影处理包括在图像中消除软组织而保留骨组织减影数据,以及消除骨组织而保留软组织减影数据这两种方式,其中,消除软组织后得到的骨组织减影数据I’bone如式(8)所示,归一化的骨组织减影图像Ibone如式(10)所示,消除骨组织后得到的软组织减影数据I’soft如式(9)所示,归一化的软组织减影图像Isoft如式(11)所示:
式(8)中,Wb为骨组织减影的消除因子,Wb<1;
式(9)中,Ws为软组织减影的消除因子,Ws<Wb<1;
Ibone=MaxGray·(I’bone-Winb)/(Maxb-Minb) (10)
式(10)中,MaxGray为图像的最大灰阶值,Maxb为I’bone中数据的最大值,Minb为I’bone中数据的最小值;
Isoft=MaxGray·(I’soft-Mins)/(Maxs-Mins) (11)
式(11)中,Maxs为I’soft中数据的最大值,Mins为I’soft中数据的最小值。
从图3(c)和图3(d)的减影结果可以看出,本发明可将胸部X线摄影中骨组织和软组织清晰的分离开来,提高了疾病的诊断效率。
Claims (4)
1.一种基于DR机器的双能量减影方法,其特征在于:包括以下步骤:
S1:获取曝光间隔为2秒的X射线高能量图像和低能量图像;
S2:以高能量图像为模板,对低能量图像进行配准,得到相对于高能量图像未移位的低能量图像;
步骤S2包括以下步骤:
S2.1:提取特征点;
S2.2:计算特征描述符向量;
首先,计算待配准图像上每个特征点分别在8个方向上的方向导数,得到待配准图像在8个方向上的导数矩阵,如式(1)所示:
式(1)中,Gk为第k个方向上的导数矩阵,I为待配准图像,为第k个方向上的方向向量,k=0,…,7;
然后,设以任意一个特征点(u,v)为中心的4x4个子邻域的编号分别为A11,A12,…,A44,子邻域Aij对应权重子矩阵Wij,选取特征点子邻域窗口宽度的1.5倍作为高斯标准方差,计算特征描述符向量FDes(u,v),如式(2)所示:
式(2)中,(xi,yj)为子邻域Aij的中心点,是以(xi,yj)为中心的4x4个子邻域内每个点在k方向上的方向导数加权和,可以根据子邻域的位置从对应的中获得,如式(3)所示;
式(3)中,i=1,…,4;j=1,…,4;k=0,…,7;
S2.3:利用步骤S2.2中获得的特征描述符向量进行特征点匹配,采用最近邻与次近邻距离比值法作为特征点匹配的相似度度量,当最近邻距离和次近邻距离的比值小于设定的阈值时,最近的匹配特征点为正确的匹配特征点;
S2.4:利用S2.3中正确的匹配特征点求解待配准图像间的变换矩阵:采用RANSAC算法将误差大于阈值的匹配特征点和错误的匹配特征点剔除,确定出最终匹配的特征点集合,从而求得初始变换矩阵,然后采用最小二乘法对初始变换矩阵进一步求精,得到精确的变换矩阵,最后得到配准后的低能量图像;
S3:对高能量图像和配准后的低能量图像取对数变换,进行减影处理并显示。
2.根据权利要求1所述的基于DR机器的双能量减影方法,其特征在于:所述步骤S2.1中采用如下的方法进行特征点提取:
S2.11:将高能量图像、低能量图像分别与不同尺度的卷积核函数进行卷积生成不同尺度的图像,这些不同尺度的图像构成了原始图像的多尺度空间;
S2.12:在多尺度空间上检测特征点,将高斯差分尺度空间上检测到的极值点作为初步特征点,采用高斯差分函数的二阶泰勒展开式对初步特征点求精,并根据沿着高斯差分尺度空间边缘方向的第一曲率与垂直高斯差分尺度空间边缘方向的第二曲率之间的比值是否大于临界阈值来确定是否为边缘点,如果大于设定的临界阈值,则视为边缘点,剔除该边缘点;否则,则保留该初步特征点;
S2.13:特征点提取完毕后,为每个特征点指定一个特征点主方向。
3.根据权利要求1所述的基于DR机器的双能量减影方法,其特征在于:所述步骤S3中,取对数变换之前,对高能量图像和配准后的低能量图像进行处理,如式(4)和式(5)所示:
I’H=ln(IH+1) (4)
I’L=ln(IL+1) (5)
其中,IH为高能量图像,I’H为处理后的高能量图像,IL为配准后的低能量图像,I’L为处理后的已配准的低能量图像。
4.根据权利要求3所述的基于DR机器的双能量减影方法,其特征在于:所述步骤S3中的减影处理包括在图像中消除软组织而保留骨组织减影数据,以及消除骨组织而保留软组织减影数据这两种方式,其中,消除软组织后得到的骨组织减影数据I’bone如式(6)所示,归一化的骨组织减影图像Ibone如式(8)所示,消除骨组织后得到的软组织减影数据I’soft如式(7)所示,归一化的软组织减影图像Isoft如式(9)所示:
式(6)中,Wb为骨组织减影的消除因子,Wb<1;
式(7)中,Ws为软组织减影的消除因子,Ws<Wb<1;
Ibone=MaxGray·(I’bone-Minb)/(Maxb-Minb) (8)
式(8)中,MaxGray为图像的最大灰阶值,Maxb为I’bone中数据的最大值,Minb为I’bone中数据的最小值;
Isoft=MaxGray·(I’soft-Mins)/(Maxs-Mins) (9)
式(9)中,Maxs为I’soft中数据的最大值,Mins为I’soft中数据的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674113.9A CN106296613B (zh) | 2016-08-15 | 2016-08-15 | 一种基于dr机器的双能量减影方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674113.9A CN106296613B (zh) | 2016-08-15 | 2016-08-15 | 一种基于dr机器的双能量减影方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296613A CN106296613A (zh) | 2017-01-04 |
CN106296613B true CN106296613B (zh) | 2019-04-23 |
Family
ID=57678132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610674113.9A Active CN106296613B (zh) | 2016-08-15 | 2016-08-15 | 一种基于dr机器的双能量减影方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296613B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110869809B (zh) * | 2017-07-10 | 2023-07-25 | 佳能株式会社 | 放射线成像装置和放射线成像系统 |
US11000701B2 (en) * | 2017-08-01 | 2021-05-11 | Varex Imaging Corporation | Dual-layer detector for soft tissue motion tracking |
CN107307876A (zh) * | 2017-08-15 | 2017-11-03 | 合肥市第三人民医院 | 用于尘肺病诊断的dr双能量减影高kv胸部摄片方法 |
JP6991835B2 (ja) * | 2017-11-10 | 2022-01-13 | キヤノン株式会社 | 放射線撮像装置および放射線撮像システム |
CN111973205B (zh) * | 2020-08-19 | 2022-11-29 | 深圳市安健科技股份有限公司 | 一种多层x射线探测器图像处理方法及终端 |
CN113052930A (zh) * | 2021-03-12 | 2021-06-29 | 北京医准智能科技有限公司 | 一种胸部dr双能量数字减影图像生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7415146B2 (en) * | 2002-04-12 | 2008-08-19 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus to determine bone mineral density utilizing a flat panel detector |
CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
CN104134215A (zh) * | 2014-07-29 | 2014-11-05 | 缪荣明 | 高仟伏dr对接pacs系统的图像减影方法 |
-
2016
- 2016-08-15 CN CN201610674113.9A patent/CN106296613B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7415146B2 (en) * | 2002-04-12 | 2008-08-19 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus to determine bone mineral density utilizing a flat panel detector |
CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
CN104134215A (zh) * | 2014-07-29 | 2014-11-05 | 缪荣明 | 高仟伏dr对接pacs系统的图像减影方法 |
Non-Patent Citations (1)
Title |
---|
基于DR的图像增强和形态分析的研究;姜和峰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第2期);第22、24、28-29页 |
Also Published As
Publication number | Publication date |
---|---|
CN106296613A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
US10332267B2 (en) | Registration of fluoroscopic images of the chest and corresponding 3D image data based on the ribs and spine | |
JP6833444B2 (ja) | 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム | |
JP5334692B2 (ja) | 制約されたマージナル空間学習を使用して3d解剖学的オブジェクトを検出するための方法およびシステム | |
El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
CN109064476B (zh) | 一种基于水平集的ct胸片肺组织图像分割方法 | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
JP5510619B1 (ja) | 画像処理装置 | |
CN102945545A (zh) | 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
US20190392552A1 (en) | Spine image registration method | |
CN105205784B (zh) | 标尺识别方法及影像拼接方法 | |
CN106447664A (zh) | 确定匹配点对的方法及图像获取方法 | |
CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
CN112215878B (zh) | 一种基于surf特征点的x光图像配准方法 | |
CN110619621A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
CN117078726A (zh) | 一种基于边缘提取的异谱图像配准方法 | |
CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
Gooßen et al. | A stitching algorithm for automatic registration of digital radiographs | |
CN115294329A (zh) | 一种基于深度学习模型的病灶图像识别方法 | |
Meejaroen et al. | Detection of fibrosis in liver biopsy images by using Bayesian classifier | |
Kumar et al. | Semiautomatic method for segmenting pedicles in vertebral radiographs | |
CN107292351A (zh) | 一种结节的匹配方法及装置 | |
EP2535001A1 (en) | Method, a system and a computer program product for registration and identification of diagnostic images | |
CN113034451A (zh) | 一种基于深度学习的胸部dr图像识别方法 |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: No.97 and No.99, Wangxi Road, Jiangning District, Nanjing City, Jiangsu Province Patentee after: NANJING PERLOVE MEDICAL EQUIPMENT Co.,Ltd. Address before: No.168 Kaiyuan Road, Jiangning District, Nanjing City, Jiangsu Province Patentee before: NANJING PERLOVE MEDICAL EQUIPMENT Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |