CN107203696B - 一种基于图像融合的智能医疗系统 - Google Patents
一种基于图像融合的智能医疗系统 Download PDFInfo
- Publication number
- CN107203696B CN107203696B CN201710466329.0A CN201710466329A CN107203696B CN 107203696 B CN107203696 B CN 107203696B CN 201710466329 A CN201710466329 A CN 201710466329A CN 107203696 B CN107203696 B CN 107203696B
- Authority
- CN
- China
- Prior art keywords
- image
- source images
- mri
- medical
- medical 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.)
- Active
Links
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000011946 reduction process Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000035772 mutation Effects 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于图像融合的智能医疗系统,包括磁共振断层扫描仪、X线计算机断层扫描仪、医疗图像处理器和医疗诊断终端,所述磁共振断层扫描仪用于扫描患者的病患处,得到病患处的原始MRI图像;所述X线计算机断层扫描仪用于扫描患者的病患处,得到病患处的原始CT图像;所述医疗图像处理器用于对原始MRI图像和原始CT图像进行降噪处理,并将降噪后的MRI图像和CT图像进行图像融合,得到融合医疗图像。本发明利用软件手段将MRI图像和CT图像进行图像融合用于医疗诊断,降低了医疗成本,同时能够对患者进行较为全面的检测,提高医疗诊断的准确度。
Description
技术领域
本发明涉及医疗检测领域,具体涉及一种基于图像融合的智能医疗系统。
背景技术
目前医疗机构的MRI图像和CT图像采集通常处于不同的科室,对病人的诊断常常不会结合MRI图像和CT图像进行联合诊断,有些MRI图像能够反映的病理特征,CT图像中未必有反映,同理CT图像能够反映的一些病理特征,MRI图像中未必有反映,结果对医护人员的诊断带来了困难,有经济实力的医疗机构会引进MRI/CT一体机来对患者进行检测,MRI/CT一体机不仅能够独立进行MRI或者CT图像的获取,还可以将MRI图像与CT图像进行集成检测,综合处理,提高医护人员的工作效率,但是MRI/CT一体机十分昂贵,目前对于MRI/CT一体机的普及还有相当大的经济阻碍,因此对于从硬件方面来进行MRI图像与CT图像的融合集成暂时来说还是不现实。
发明内容
针对上述问题,本发明旨在提供一种基于图像融合的智能医疗系统。
本发明的目的采用以下技术方案来实现:
一种基于图像融合的智能医疗系统,包括磁共振断层扫描仪、X线计算机断层扫描仪、医疗图像处理器和医疗诊断终端,所述磁共振断层扫描仪用于扫描患者的病患处,得到病患处的原始MRI图像;所述X线计算机断层扫描仪用于扫描患者的病患处,得到病患处的原始CT图像;所述医疗图像处理器用于对原始MRI图像和原始CT图像进行降噪处理,并将降噪后的MRI图像和CT图像进行图像融合,得到融合医疗图像。
本发明的有益效果为:本发明利用软件手段将MRI图像和CT图像进行图像融合用于医疗诊断,降低了医疗成本,同时能够对患者进行较为全面的检测,提高医疗诊断的准确度。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的框架结构图;
图2是本发明的医疗图像处理器的框架结构图。
附图标记:
磁共振断层扫描仪1、X线计算机断层扫描仪2、医疗图像处理器3、医疗诊断终端4、医疗图像降噪模块31、医疗图像分解模块32、医疗图像融合模块33、医疗图像低频融合子模块33A和医疗图像高频融合子模块33B。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,本实施例的一种基于图像融合的智能医疗系统,包括磁共振断层扫描仪1、X线计算机断层扫描仪2、医疗图像处理器3和医疗诊断终端4,所述磁共振断层扫描仪1用于扫描患者的病患处,得到病患处的原始MRI图像;所述X线计算机断层扫描仪2用于扫描患者的病患处,得到病患处的原始CT图像;所述医疗图像处理器3用于对原始MRI图像和原始CT图像进行降噪处理,并将降噪后的MRI图像和CT图像进行图像融合,得到融合医疗图像。
优选地,所述磁共振断层扫描仪和所述X线计算机断层扫描仪分别与所述医疗图像处理器有线连接,所述医疗图像处理器与所述医疗诊断终端有线连接。
优选地,所述医疗诊断终端用于显示融合医疗图像,医护人员根据融合医疗图像对患者的病患处病情进行诊断。
本发明上述实施例,本发明利用软件手段将MRI图像和CT图像进行图像融合用于医疗诊断,降低了医疗成本,同时能够对患者进行较为全面的检测,提高医疗诊断的准确度。
优选地,参见图2,所述医疗图像处理器包括依次连接的医疗图像降噪模块、医疗图像分解模块和医疗图像融合模块;
所述医疗图像降噪模块用于对原始MRI图像和原始CT图像进行降噪处理,具体为:
(1)将原始MRI图像和原始CT图像进行小波变换处理,得到相应的小波系数,此时得到的小波系数为带噪声小波系数和无噪声小波系数;
(2)利用改进的软阈值函数分别对原始MRI图像和原始CT图像经过小波变换后得到的小波系数进行处理,将原始MRI图像和原始CT图像的带噪声小波系数进行滤除,得到两幅原始图像的无噪声小波系数,利用无噪声小波系数对两幅原始图像进行重构,其中采用的改进的软阈值函数为:
式中,为无噪声小波系数,ω为包括带噪声小波系数和无噪声小波系数的小波系数,sgn(·)为符号函数,R为根据二分法针对不同图像来确定的控制参数,d为设定的偏差下限;
根据无噪声小波系数对原始MRI图像和原始CT图像进行重构,得到将要进行融合的MRI源图像和CT源图像,包括MRI源图像和CT源图像;
所述医疗图像分解模块根据设定好分解的尺度和方向数,采用NSST(Non-subsampled Shearlet Transform,非下采用剪切波变换)对MRI源图像和CT源图像进行多尺度分解,得到MRI源图像和CT源图像的NSST变换系数,分别为和L表示低频,H表示高频,和分别表示MRI源图像和CT源图像经过NSST分解后得到的低频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的第a个尺度第b个方向的高频系数。
本发明上述实施例,将原始MRI图像和原始CT图像进去降噪处理,有利于在进行MRI图像与CT图像的融合时,降低源图像的噪声以获得质量更佳的融合医疗图像,获得的融合医疗图像反映的患者的病情信息更加清晰,大大提高医护人员诊断的准确度。
优选地,参见图2,所述医疗图像融合模块包括医疗图像低频融合子模块和医疗图像高频融合子模块;
所述医疗图像低频融合子模块根据低频段聚焦评价值大小来选取融合医疗图像的低频系数,包括:
(1)根据低频段聚焦评价函数,分别对MRI源图像和CT源图像的低频系数进行评价,得到两幅源图像的低频段聚焦评价值,采用的低频段聚焦评价函数为:
Fx=[-1,2,-1]
Fy=Fx T=[-1,2,-1]T
式中,S(p,q)为像素点(p,q)的低频段聚焦评价值,S(p,q)包括MRI源图像的低频段聚焦评价值S(p,q)1和CT源图像的低频段聚焦评价值S(p,q)2,x和y分别为横坐标和纵坐标,Fx和Fy为横向和纵向的二阶差分算子;
(2)根据MRI源图像和CT源图像低频段聚焦评价值的大小,选取低频段聚焦评价值较大的低频系数作为融合医疗图像的低频系数,当低频段聚焦评价值相等时,取MRI源图像和CT源图像的低频系数值的平均数作为融合医疗图像的低频系数:
式中,XL为融合医疗图像的低频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的低频系数。
本发明上述实施例,通过比较MRI源图像和CT源图像的低频段聚焦评价值来选取融合医疗图像的低频系数,有利于在利用此低频系数对融合医疗图像在进行重构时,得到的融合医疗图像能够呈现更多原始MRI图像和原始CT图像的灰度信息和细节信息,以便医护人员能够得到的更加全面的病情信息。
优选地,所述医疗图像高频融合子模块根据MRI源图像和CT源图像各个子区域的能量值大小来选取融合医疗图像的高频系数,包括:
(1)MRI源图像和CT源图像边缘处的高频系数通常具有较强烈的突变,为了更好的突出高频系数变化边界,窗函数β设置为只有4邻域内非0、中心位置数值较大的3×3矩阵,具体为:
(2)根据自定义能量计算公式计算MRI源图像和CT源图像各个子区域的能量:
式中,表示像素点(p,q)的第a个尺度第b个方向的局部能量,包括MRI源图像的局部能量和CT源图像的局部能量ψ(p,q)为以像素点(p,q)为中心的x×y大小的邻域窗口,β(p,q)为位置(p,q)处对应的窗函数,为MRI源图像和CT源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值,包括MRI源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值和CT源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值ha,b(p,q)为MRI源图像和CT源图像在位置(p,q)处的第a个尺度第b个方向的像素值,ha,b(p,q)包括MRI源图像在位置(p,q)处的第a个尺度第b个方向的像素值ha,b(p,q)1和CT源图像在位置(p,q)处的第a个尺度第b个方向的像素值ha,b(p,q)2;
(3)选择能量较大的区域的高频系数作为融合医疗图像中对应区域的高频系数:
式中,XH(a,b)表示融合医疗图像的第a个尺度第b个方向的高频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的第a个尺度第b个方向的高频系数;
最后将得到的融合医疗图像的低频系数XL和高频系数XH(a,b)进行NSST的逆变换,重构得到融合医疗图像。
本发明上述实施例,通过比较MRI源图像和CT源图像各个区域的能量,选取两幅源图像中能量高的源图像的高频系数作为融合医疗图像的高频系数,有利于克服在进行MRI源图像和CT源图像融合时产生的伪吉布斯效应,使得融合医疗图像含有更多两幅源图像高频段的细节特征,以便医护人员有更多可利用的病患信息,提高医疗诊断的准确率。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种基于图像融合的智能医疗系统,其特征是,包括磁共振断层扫描仪、X线计算机断层扫描仪、医疗图像处理器和医疗诊断终端,所述磁共振断层扫描仪用于扫描患者的病患处,得到病患处的原始MRI图像;所述X线计算机断层扫描仪用于扫描患者的病患处,得到病患处的原始CT图像;所述医疗图像处理器用于对原始MRI图像和原始CT图像进行降噪处理,并将降噪后的MRI图像和CT图像进行图像融合,得到融合医疗图像;
所述磁共振断层扫描仪和所述X线计算机断层扫描仪分别与所述医疗图像处理器有线连接,所述医疗图像处理器与所述医疗诊断终端有线连接;
所述医疗诊断终端用于显示融合医疗图像,医护人员根据融合医疗图像对患者的病患处病情进行诊断;
所述医疗图像处理器包括依次连接的医疗图像降噪模块、医疗图像分解模块和医疗图像融合模块;
所述医疗图像降噪模块用于对原始MRI图像和原始CT图像进行降噪处理,具体为:
(1)将原始MRI图像和原始CT图像进行小波变换处理,得到相应的小波系数,此时得到的小波系数为带噪声小波系数和无噪声小波系数;
(2)利用改进的软阈值函数分别对原始MRI图像和原始CT图像经过小波变换后得到的小波系数进行处理,将原始MRI图像和原始CT图像的带噪声小波系数进行滤除,得到两幅原始图像的无噪声小波系数,利用无噪声小波系数对两幅原始图像进行重构,其中采用的改进的软阈值函数为:
式中,为无噪声小波系数,ω为包括带噪声小波系数和无噪声小波系数的小波系数,sgn(·)为符号函数,R为根据二分法针对不同图像来确定的控制参数,d为设定的偏差下限;
根据无噪声小波系数对原始MRI图像和原始CT图像进行重构,得到将要进行融合的MRI源图像和CT源图像,包括MRI源图像和CT源图像;
所述医疗图像分解模块根据设定好分解的尺度和方向数,采用NSST对MRI源图像和CT源图像进行多尺度分解,得到MRI源图像和CT源图像的NSST变换系数,分别为和L表示低频,H表示高频,和分别表示MRI源图像和CT源图像经过NSST分解后得到的低频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的第a个尺度第b个方向的高频系数。
2.根据权利要求1所述的一种基于图像融合的智能医疗系统,其特征是,所述医疗图像融合模块包括医疗图像低频融合子模块和医疗图像高频融合子模块;
所述医疗图像低频融合子模块根据低频段聚焦评价值大小来选取融合医疗图像的低频系数,包括:
(1)根据低频段聚焦评价函数,分别对MRI源图像和CT源图像的低频系数进行评价,得到两幅源图像的低频段聚焦评价值,采用的低频段聚焦评价函数为:
Fx=[-1,2,-1]
Fy=Fx T=[-1,2,-1]T
式中,S(p,q)为像素点(p,q)的低频段聚焦评价值,S(p,q)包括MRI源图像的低频段聚焦评价值S(p,q)1和CT源图像的低频段聚焦评价值S(p,q)2,x和y分别为横坐标和纵坐标,Fx和Fy为横向和纵向的二阶差分算子;
(2)根据MRI源图像和CT源图像低频段聚焦评价值的大小,选取低频段聚焦评价值较大的低频系数作为融合医疗图像的低频系数,当低频段聚焦评价值相等时,取MRI源图像和CT源图像的低频系数值的平均数作为融合医疗图像的低频系数:
式中,XL为融合医疗图像的低频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的低频系数。
3.根据权利要求2所述的一种基于图像融合的智能医疗系统,其特征是,所述医疗图像高频融合子模块根据MRI源图像和CT源图像各个子区域的能量值大小来选取融合医疗图像的高频系数,包括:
(1)窗函数β设置为只有4邻域内非0、中心位置数值较大的3×3矩阵,具体为:
(2)根据自定义能量计算公式计算MRI源图像和CT源图像各个子区域的能量:
式中,表示像素点(p,q)的第a个尺度第b个方向的局部能量,包括MRI源图像的局部能量和CT源图像的局部能量ψ(p,q)为以像素点(p,q)为中心的x×y大小的邻域窗口,β(p,q)为位置(p,q)处对应的窗函数,为MRI源图像和CT源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值包括MRI源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值和CT源图像在(p,q)为中心的x×y大小的邻域窗口的第a个尺度第b个方向的像素值均值ha,b(p,q)为MRI源图像和CT源图像在位置(p,q)处的第a个尺度第b个方向的像素值,ha,b(p,q)包括MRI源图像在位置(p,q)处的第a个尺度第b个方向的像素值ha,b(p,q)1和CT源图像在位置(p,q)处的第a个尺度第b个方向的像素值ha,b(p,q)2;
(3)选择能量较大的区域的高频系数作为融合医疗图像中对应区域的高频系数:
式中,XH(a,b)表示融合医疗图像的第a个尺度第b个方向的高频系数,和分别表示MRI源图像和CT源图像经过NSST分解后得到的第a个尺度第b个方向的高频系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710466329.0A CN107203696B (zh) | 2017-06-19 | 2017-06-19 | 一种基于图像融合的智能医疗系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710466329.0A CN107203696B (zh) | 2017-06-19 | 2017-06-19 | 一种基于图像融合的智能医疗系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203696A CN107203696A (zh) | 2017-09-26 |
CN107203696B true CN107203696B (zh) | 2018-09-18 |
Family
ID=59907586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710466329.0A Active CN107203696B (zh) | 2017-06-19 | 2017-06-19 | 一种基于图像融合的智能医疗系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203696B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711187B (zh) * | 2018-08-03 | 2021-12-31 | 华侨大学 | 配准融合ct和mri信号建立人体腰椎三维仿真模型的方法 |
CN110047578A (zh) * | 2019-04-11 | 2019-07-23 | 清华大学 | 病理影像处理装置 |
CN110600124B (zh) * | 2019-09-10 | 2023-04-07 | 赵志宇 | 一种灰度图像融合的诊断监控综合医疗系统及其融合方法 |
CN113947554B (zh) * | 2020-07-17 | 2023-07-14 | 四川大学 | 一种基于nsst和显著信息提取的多聚焦图像融合方法 |
CN114820406A (zh) * | 2020-10-30 | 2022-07-29 | 武汉联影医疗科技有限公司 | 融合图像显示方法、装置和医学影像系统 |
CN116705297B (zh) * | 2023-06-07 | 2024-01-23 | 广州华科盈医疗科技有限公司 | 一种基于多信息处理的颈动脉检测仪 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426702A (zh) * | 2011-10-25 | 2012-04-25 | 南阳理工学院 | Ct图像与mr图像的融合方法 |
-
2017
- 2017-06-19 CN CN201710466329.0A patent/CN107203696B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107203696A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203696B (zh) | 一种基于图像融合的智能医疗系统 | |
CN102132321B (zh) | 用于医学图像的配准的自动预对准 | |
CN100410969C (zh) | 一种医疗放射图像的细节增强方法 | |
CN106056537A (zh) | 一种医学图像拼接方法及装置 | |
CN102184532B (zh) | 用于基于单一尺度的医学图像边缘检测的方法和装置 | |
CN100559397C (zh) | 手术中二维图像与手术前三维图像的仿射配准方法和系统 | |
CN103679706B (zh) | 一种基于图像各向异性边缘检测的ct稀疏角度重建方法 | |
Polinati et al. | A review on multi-model medical image fusion | |
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 | |
US9355454B2 (en) | Automatic estimation of anatomical extents | |
CN103226815A (zh) | 一种低剂量ct图像滤波方法 | |
Saleh et al. | A brief analysis of multimodal medical image fusion techniques | |
CN113205461B (zh) | 一种低剂量ct影像去噪模型训练方法、去噪方法及装置 | |
CN112070856B (zh) | 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法 | |
CN103767723A (zh) | 一种基于c形臂的锥束ct三维数字成像方法 | |
CN101721222B (zh) | 一种修正床板和摆位辅助装置对图像质量影响的方法 | |
EP3577630B1 (en) | Detection of regions with low information content in digital x-ray images | |
CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
CN110136217A (zh) | 肝脏ct图像增强处理方法及系统 | |
Tamilselvan et al. | Brain tumor detection from clinical CT and MRI images using WT-FCM algorithm | |
Mozaffarilegha et al. | Medical Image Fusion using bi-dimensional empirical mode decomposition (BEMD) and an Efficient Fusion Scheme | |
Wang et al. | An unsupervised dual contrastive learning framework for scatter correction in cone-beam CT image | |
Luckner et al. | Towards full-body x-ray images | |
Rajasekhar et al. | IMAGE FUSION WITH CT AND MRI IMAGES FOR IMPROVING QUALITY OF DIAGNOSTICS | |
Wang et al. | Medical image processing by denoising and contour extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180814 Address after: 410000 room 601-603, Xinggong science and Technology Park, 100 Lu Yun Road, Changsha hi tech Development Zone, Hunan, China, 5 Applicant after: Hunan Chuangxing Polytron Technologies Inc Address before: 518000 five building, fourth industrial area, Nanshan Road, Nanshan street, Nanshan District, Shenzhen, Guangdong, China, three Applicant before: Shenzhen source Guang'an Intelligent Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |