CN107451968A - 皮肤镜检查图像预处理系统 - Google Patents
皮肤镜检查图像预处理系统 Download PDFInfo
- Publication number
- CN107451968A CN107451968A CN201710619842.9A CN201710619842A CN107451968A CN 107451968 A CN107451968 A CN 107451968A CN 201710619842 A CN201710619842 A CN 201710619842A CN 107451968 A CN107451968 A CN 107451968A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- dermatoscopy
- pixel
- color
- 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
Links
- 238000007781 pre-processing Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims abstract description 6
- 239000003814 drug Substances 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000000265 homogenisation Methods 0.000 claims abstract description 4
- 239000012535 impurity Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 4
- 238000005202 decontamination Methods 0.000 abstract description 2
- 230000003588 decontaminative effect Effects 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 201000009030 Carcinoma Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000037311 normal skin Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009026 tissue transition Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30088—Skin; Dermal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种皮肤镜检查图像预处理系统,包括图像请求与解析模块、图像处理模块以及图像输出模块,所述图像请求与解析模块用于请求接收PACs系统医学影像数据库中的图像,对图像DICOM文件进行解析并读取文件头及像素点的数据写入系统内存中;所述图像处理模块对图像进行平滑与均一化处理及色彩转换、色彩量化、对比度和去杂质的精细化处理;所述图像输出模块用于根据识别系统发送的请求信息,读取已处理的对应图像文件,根据图像请求与解析模块中读取的信息编写DICOM文件头,随后将内存中的各个像素点,使用书写器将像素点写入数据集中,随后将编写完成的相应信息发送到识别系统中,如此对皮肤镜检查所得的影像进行图像处理,提高图像识别准确率。
Description
技术领域
本发明涉及医疗技术领域,特别是指一种皮肤镜检查图像预处理系统。
背景技术
皮肤镜检查在皮肤科诊疗过程中是一种重要的辅助检查手段,其检查所得的图像可作为皮肤色素性疾患诊断的重要参考。在多种基于深度学习的皮肤癌相关疾病识别系统中,常常使用皮肤镜检查生成的图像作为识别的对象。然而皮肤镜检查所得的图像中病灶所在处与正常皮肤组织之间过渡平滑,难以准确将病灶与正常组织进行准确分离。
而且在检查所得的影像中常常有照明、镜检胶、黑帧、气泡等因素的影响,还有皮肤固有的各种结构如毛发、血管的影响。这些内在与外在的因素能够一定程度上影响识别的效率与准确程度,导致识别准确度下降,也导致了识别过程计算量增大。
因此,需要开发一种针对皮肤镜检查的图像预处理系统,针对各种影响因素进行图像处理。
发明内容
针对背景技术中存在的问题,本发明的目的是提供一种皮肤镜检查图像预处理系统,对皮肤镜检查所得的影像进行图像处理,提高图像识别准确率。
本发明的技术方案是这样实现的:一种皮肤镜检查图像预处理系统,包括图像请求与解析模块、图像处理模块以及图像输出模块,所述图像请求与解析模块与图像处理模块连接,所述图像处理模块与图像输出模块连接,其中,所述图像请求与解析模块:用于请求接收PACs系统医学影像数据库中的图像,对图像DICOM文件进行解析并读取文件头及像素点的数据,再将各像素点的各通道值写入系统内存中;所述图像处理模块:包含五个子模块,分别为普通滤镜模块、色彩空间转换模块、色彩量化模块、对比度增强模块以及杂质去除模块,所述普通滤镜模块对图像的平滑与均一化处理,其余四个子模块对图像进行进一步相应的精细化加工处理;所述图像输出模块:用于根据识别系统发送的请求信息,读取已处理的对应图像文件,首先根据图像请求与解析模块中读取的信息编写DICOM文件头,随后将系统内存中的各个像素点,使用书写器将像素点写入数据集中,随后将编写完成的相应信息发送到识别系统中。
在上述技术方案中,所述普通滤镜模块包含值滤波器、中值滤波器、对称均值滤波器、高斯滤波器以及各向异性扩散滤波器,以对图像的普通平滑处理。
在上述技术方案中,所述色彩空间转换模块的色彩空间转换是指把一个色彩空间中的颜色数据转换或表示为另一个颜色,转换方式包含两种,分别为保留蓝色通道以及KL变换。
在上述技术方案中,所述色彩量化模块用于对图像进行色彩量化,包含统一量化方式、频度序列方式以及中位切割方式。
在上述技术方案中,所述对比度增强模块用于对图像进行增强对比度,包含两种方式,分别是直方图拉伸和直方图均衡化。
在上述技术方案中,所述杂质去除模块用于去除图像中的毛发、小血管人体固有结构,避免对图像识别的影像,杂质去除包含高斯差分算子运算以及形态学算子运算。
本发明皮肤镜检查图像预处理系统,包括图像请求与解析模块、图像处理模块以及图像输出模块,所述图像请求与解析模块用于请求接收PACs系统医学影像数据库中的图像,对图像DICOM文件进行解析并读取文件头及像素点的数据写入系统内存中;所述图像处理模块对图像进行平滑与均一化处理及色彩转换、色彩量化、对比度和去杂质的精细化处理;所述图像输出模块用于根据识别系统发送的请求信息,读取已处理的对应图像文件,根据图像请求与解析模块中读取的信息编写DICOM文件头,随后将内存中的各个像素点,使用书写器将像素点写入数据集中,随后将编写完成的相应信息发送到识别系统中,如此对皮肤镜检查所得的影像进行图像处理,提高图像识别准确率。
附图说明
图1为本发明图像预处理系统结构框图;
图2为本发明中具体实例的图像效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明所述的一种皮肤镜检查图像预处理系统,包括图像请求与解析模块、图像处理模块以及图像输出模块,所述图像请求与解析模块与图像处理模块连接,所述图像处理模块与图像输出模块连接。
(1)图像请求与解析模块:
该系统为基于深度学习的皮肤癌及相关疾病图像识别系统下的子系统,负责连接PACs系统医学影像数据库与识别系统。在医学影像系统中影像文件的传输格式为DICOM文件,系统要从医学影像数据库调取文件,首先需要ACSE层调用各项ACSE函数,构建连接请求信息,发送至医学影像数据库并得到同意后,建立连接。随后在DIMSE层调用各项DIMSE函数,构建图像文件请求信息,发送至医学影像数据库,数据库根据请求信息将所请求的各个影像文件封装在响应信息里,返回响应信息,将文件传输至图像请求与解析模块。
图像请求与解析模块获得图像文件后,需要对DICOM文件进行解析。解析需要调用DICOM文件解读器中的各项解析函数,首先读取DICOM文件的文件头中的各项基本信息,记录于信息记录表中;随后读取数据集中各个像素点的数据,将各个像素点的各个通道的值写入系统内存中,将DICOM文件中的图像解析至系统中。
(2)图像处理模块:
图像处理模块是本系统的核心模块,其中包含五个子模块,分别为普通滤镜模块、色彩空间转换模块、色彩量化模块、对比度增强模块以及杂质去除模块共。
a.普通滤镜模块:普通滤镜模块中包含各种基本的滤镜,负责对图像的普通平滑处理。该模块包含均值滤波器、中值滤波器、对称均值滤波器、高斯滤波器以及各向异性扩散滤波器。
均值滤波器:选择一个模板处理当前像素,该模板由该像素的邻近像素组成,用该模板中的均值来代替原像素的值。
该滤镜的模板为:
中值滤波器:选择一个模板处理当前像素,该模板由该像素的邻近像素组成,用该模板中的从高到低排序的中位数来代替原像素的值。
该滤镜的模板为:
对称均值滤波器:选择一个(2n+1)2的模板,该模板内存在2n×(2n+1)个对称点,计算这些对称点的均值。
高斯滤波:调用高斯函数获得高斯滤波器模板,以该模板对整个图像进行处理,从而获得滤波后的图像。
各向异性扩散滤波:在进行各向异性扩散滤波之前需要设置三个主要参数:迭代次数t、导热系数相关k值、λ值(取值范围为[0,1/4])。
所使用的迭代方程为:
散度公式为向四个方向上求偏导,四个方向分别为前后左右:
而cNx,y、cSx,y、cEx,y、cWx,y代表四个方向上的导热系数。公式如下:
经过反复的迭代,就能够得到滤波后的图像,较之原图像更加平滑。
值得注意的是,皮肤镜检查所获得得图像都具有RGB三个通道,每一个像素点都是一个向量,而以上滤波器的过滤对象为标量像素点,因此需要对三个通道分别滤波再取和值。
b.色彩空间转换模块:色彩空间转换是指把一个色彩空间中的颜色数据转换或表示为另一个颜色。由于标量图像对于计算机运算量更小,运算速度更高,需要进行色彩空间转换以便于进行下一步更精细的处理。色彩空间转换主要有两种方式,分别为保留蓝色通道以及KL变换:
保留蓝色通道:RGB三个通道中,蓝色通道中病灶部位的图像最为突出,因此去除RG两个通道,保留蓝色通道,从而转变为标量图像。
KL变换:KL变换首先需要计算协方差矩阵,协方差矩阵首先需要计算每一列的均值,随后计算协方差:
将不同维度之间的协方差放入矩阵中对称位置,即为协方差矩阵。得到协方差矩阵后,计算正交矩阵:
AT=A-1
c.色彩量化模块:24位图像往往有上千种色彩,大量的色彩难以处理。因此需要进行色彩量化,色彩量化的方法包括统一量化方法、频度序列算法以及中位切割算法:
统一量化方法:RGB三个通道,在每一个通道上分成相等的片,用每个原色色彩层的相交体产生多种基本原色的代表色。这样便得到一个256色目标调色板,随后将原图中的RGB像素映射到该调色板上,这样原图就转换为有限色彩。
频度序列算法:对图像进行扫描,统计图像中出现的色彩以及对应的频度次数,选择最高的K种颜色,其余颜色按最小距离准则映射到调色板中,得到256色调色板后对原图中的像素进行映射。
中位切割算法:移除图像中在色彩空间中没有像素点的部分,随后对该三维色彩空间进行中值切割,反复进行中值切割直到生成256个长方体为止,以这256个长方体的中心位置作为调色板上的色彩,再对图像中的像素点进行映射。
d.对比度增强模块:获得的图像可能存在灰度不均一的现象,导致图像对比度低。增强对比度可使用两种方法,分别是直方图拉伸和直方图均衡化。
直方图拉伸:首先需要寻找图像中的最小灰度值与最大灰度值:
A=(f(x,y))B=(f(x,y))
随后将A和B的值映射到整张图片中,使得灰度均一化:
直方图均衡化:直方图均衡化的核心思想是重新均匀地分布各灰度值,使得原先局限在某个灰度值范围的灰度扩展为整个直方图跨度。直方图均衡化包括三个步骤,首先统计图像中各个灰度级出现的次数,随后根据统计结果绘制灰度直方图,最后找到图像中灰度最大与最小值,根据公式重新计算灰度值:
g(x,y)=p×(B-A)+A
p为累计概率。
e.杂质去除模块:图像中往往存在毛发、小血管等人体固有结构,需要将其去除,避免其对图像识别的影像。杂质去除的方法包括高斯差分算子运算以及形态学算子运算。
高斯差分算子运算:主要用于边缘检测。首先经过根据所设定的σ参数计算对应的DOG模板:
随后根据该模板对图像进行检测。
形态学算子:在杂质去除中所使用的形态学算子是开操作,开操作的过程是先腐蚀再膨胀。进行腐蚀就是把结构元素B平移后使B包含于E的所有点构成的集合,膨胀就是把结构元素B平移后使B与E的非空交集的点构成的集合。
(3)图像输出模块:
在图像处理模块完成对图像的处理后,图像存储于系统内存中。图像输出模块需要根据识别系统发送的请求信息,读取系统内存中的对应图像文件,首先根据图像请求与解析模块中读取的信息编写DICOM文件头,随后将系统内存中的各个像素点,使用书写器将像素点写入数据集中。随后将编写完成的相应信息发送到识别系统中。
以下是结合一具体实例对本发明的进一步说明:
预处理系统的图像请求与解析模块从PACs医学影像数据库中获取一张皮肤经检查后,对其进行解析,存放于系统内存中。
该皮肤镜检查为背部皮肤,无明显血管与毛发,不需要进行杂质去除。然而由于光照不充足,导致图像对比度较低,图像不够平滑,因此选择的滤镜组合是:
所得到的图像更加平滑,对比度也得以提高,病灶所在部位更加明显突出,其效果图如图2所示。
综上,与现有技术相比,本发明皮肤镜检查图像预处理系统,具有以下有益效果:
1.皮肤镜检查得到的原始图像不可避免地受到气泡、光照以及毛发血管等内在结构的影像,这些影响因素的存在导致图像识别的运算量加大,识别准确率降低。而本系统的图像处理模块中构建了多个层次的图像处理子模块,以适应于不同层次的图像处理,使图像平滑突出的同时,去除了毛发、血管等次要结构的影响,使得皮肤镜中病灶所在的图像更加清晰平滑,图像的精细度提高,减少了识别过程的计算量,提高了图像识别的准确率。
2.由于皮肤镜检查时光照强弱的差异以及摄像设备的自身局限性,所得到的图像常存在灰度局限于某一较小范围或灰度不均匀场的情况,导致了图像识别准确率下降。而本系统通过采用对比度增强模块,使用直方图均衡化或直方图拉伸的方法,将灰度扩展至一个较大的范围,从而提高了对比度,使得皮肤镜检查图像中的病灶所在处更加突出鲜明,有利于图像识别的准确率提高。
3.使用滤镜对图像进行平滑处理或去除杂质,常常不可避免地带来图像局部结构的少量丢失,而且使用的滤镜越多,导致的局部结构丢失就越多。而本系统在图像处理模块中构建了五个子模块,集合了不同效能的滤镜,以适应于对图像不同精细度的要求。一般滤镜模块对图像进行一般平滑处理,而对于图像具有较高要求的则可对另外四个模块进行调用以得到不同精细度的图像。本系统可根据实际图像需求,对不同滤镜进行有机组合,如果对图像的要求不高,则用少数一两个滤镜即可得到目的,保留较多的局部结构,从而给用户更多灵活的选择。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种皮肤镜检查图像预处理系统,其特征在于:包括图像请求与解析模块、图像处理模块以及图像输出模块,所述图像请求与解析模块与图像处理模块连接,所述图像处理模块与图像输出模块连接,其中,
所述图像请求与解析模块:用于请求接收PACs系统医学影像数据库中的图像,对图像DICOM文件进行解析并读取文件头及像素点的数据,再将各像素点的各通道值写入系统内存中;
所述图像处理模块:包含五个子模块,分别为普通滤镜模块、色彩空间转换模块、色彩量化模块、对比度增强模块以及杂质去除模块,所述普通滤镜模块对图像的平滑与均一化处理,其余四个子模块对图像进行进一步相应的精细化加工处理;
所述图像输出模块:用于根据识别系统发送的请求信息,读取已处理的对应图像文件,首先根据图像请求与解析模块中读取的信息编写DICOM文件头,随后将系统内存中的各个像素点,使用书写器将像素点写入数据集中,随后将编写完成的相应信息发送到识别系统中。
2.根据权利要求1所述的皮肤镜检查图像预处理系统,其特征在于:所述普通滤镜模块包含值滤波器、中值滤波器、对称均值滤波器、高斯滤波器以及各向异性扩散滤波器,以对图像的普通平滑处理。
3.根据权利要求1所述的皮肤镜检查图像预处理系统,其特征在于:所述色彩空间转换模块的色彩空间转换是指把一个色彩空间中的颜色数据转换或表示为另一个颜色,转换方式包含两种,分别为保留蓝色通道以及KL变换。
4.根据权利要求1所述的皮肤镜检查图像预处理系统,其特征在于:所述色彩量化模块用于对图像进行色彩量化,包含统一量化方式、频度序列方式以及中位切割方式。
5.根据权利要求1所述的皮肤镜检查图像预处理系统,其特征在于:所述对比度增强模块用于对图像进行增强对比度,包含两种方式,分别是直方图拉伸和直方图均衡化。
6.根据权利要求1所述的皮肤镜检查图像预处理系统,其特征在于:所述杂质去除模块用于去除图像中的毛发、小血管人体固有结构,避免对图像识别的影像,杂质去除包含高斯差分算子运算以及形态学算子运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619842.9A CN107451968A (zh) | 2017-07-26 | 2017-07-26 | 皮肤镜检查图像预处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619842.9A CN107451968A (zh) | 2017-07-26 | 2017-07-26 | 皮肤镜检查图像预处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451968A true CN107451968A (zh) | 2017-12-08 |
Family
ID=60489103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710619842.9A Pending CN107451968A (zh) | 2017-07-26 | 2017-07-26 | 皮肤镜检查图像预处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451968A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831519A (zh) * | 2018-09-05 | 2018-11-16 | 上海麦色智能科技有限公司 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150044168A (ko) * | 2013-10-16 | 2015-04-24 | 주식회사 아이엠알 | 스마트 패드 멀티 플랫폼 환경에서 다이콤 원본 의료영상 이미지 처리 방법 및 그 시스템 |
CN106096322A (zh) * | 2016-07-22 | 2016-11-09 | 青岛大学附属医院 | 肝肾医学图像数据协同处理系统 |
-
2017
- 2017-07-26 CN CN201710619842.9A patent/CN107451968A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150044168A (ko) * | 2013-10-16 | 2015-04-24 | 주식회사 아이엠알 | 스마트 패드 멀티 플랫폼 환경에서 다이콤 원본 의료영상 이미지 처리 방법 및 그 시스템 |
CN106096322A (zh) * | 2016-07-22 | 2016-11-09 | 青岛大学附属医院 | 肝肾医学图像数据协同处理系统 |
Non-Patent Citations (2)
Title |
---|
聂河凤: ""医学影像信息系统中图像处理技术的研究与实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
谢凤英: ""皮肤镜图像计算机辅助诊断技术"", 《中国医学文摘皮肤科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108831519A (zh) * | 2018-09-05 | 2018-11-16 | 上海麦色智能科技有限公司 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bashir et al. | A comprehensive review of deep learning-based single image super-resolution | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
DE102004046237A1 (de) | Verfahren und System für die gemischte rigide Registrierung von medizinischen 2D/3D-Bildern | |
DE102006038485A1 (de) | System und Verfahren für die auf Merkmalen hervorstechender Bereiche basierende 3D-Multimodalitäts-Registrierung von medizinischen Bildern | |
WO2022001237A1 (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
Cheng et al. | UNIFusion: A lightweight unified image fusion network | |
CN110322402A (zh) | 基于稠密混合注意力网络的医学图像超分辨率重建方法 | |
Li et al. | A multiscale double-branch residual attention network for anatomical–functional medical image fusion | |
Kang et al. | Fusion of brain PET and MRI images using tissue-aware conditional generative adversarial network with joint loss | |
Li et al. | DFENet: A dual-branch feature enhanced network integrating transformers and convolutional feature learning for multimodal medical image fusion | |
CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
CN104281856A (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
Jiang et al. | CT image super resolution based on improved SRGAN | |
CN112365505A (zh) | 一种基于编码解码结构的轻量级舌体分割方法 | |
CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
Liu et al. | BTMF-GAN: A multi-modal MRI fusion generative adversarial network for brain tumors | |
CN107146211A (zh) | 基于线扩散函数和双边滤波的视网膜血管图像降噪方法 | |
CN111209873A (zh) | 一种基于深度学习的高精度人脸关键点定位方法及系统 | |
Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
CN106952268A (zh) | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 | |
Wang et al. | AMFNet: An attention-guided generative adversarial network for multi-model image fusion | |
Liu et al. | An improved hybrid network with a transformer module for medical image fusion | |
CN107451968A (zh) | 皮肤镜检查图像预处理系统 | |
Huang et al. | ADDNS: An asymmetric dual deep network with sharing mechanism for medical image fusion of CT and MR-T2 | |
CN116310452B (zh) | 一种多视图聚类方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |