CN107564021A - 高衰减组织的检测方法、装置及数字乳房x线摄影系统 - Google Patents
高衰减组织的检测方法、装置及数字乳房x线摄影系统 Download PDFInfo
- Publication number
- CN107564021A CN107564021A CN201710876258.1A CN201710876258A CN107564021A CN 107564021 A CN107564021 A CN 107564021A CN 201710876258 A CN201710876258 A CN 201710876258A CN 107564021 A CN107564021 A CN 107564021A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- human
- human region
- interest
- 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
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种高衰减组织的检测方法、装置及数字乳房X线摄影系统,其中所述方法包括:从医学图像中获取人体区域图像;根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;计算所述人体区域图像的分割阈值;利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。利用人体区域的形态,将非感兴趣部位从图像中分割出来,并利用阈值法将非感兴趣部位的高衰减组织从非感兴趣部位所在区域中检测出来。能够避免将感兴趣部位的病灶组织误识别为高衰减组织。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种高衰减组织的检测方法、装置及数字乳房X线摄影系统。
背景技术
目前,全视野数字乳房X线摄影系统(FFDM,full-field digital mammography)作为乳腺癌的筛查和诊断得到了广泛的应用。在使用数字乳腺X线机在对患者进行曝光检查时,由于技师摆位或者患者自身原因,在曝光的图像中可能会出现高衰减的组织,譬如肩膀、下巴等。但这些高衰减的组织并不具有医学图像上的参考意义。
在曝光的图像中如果出现高衰减的组织,会影响图像的质量。因此,需要在后期图像处理过程中,对高衰减组织进行去除和抑制。由于高衰减组织在原始图像中与正常的乳房组织相比灰度值存在明显差别,通常可利用阈值法区分高衰减组织。但对于一些含有病变组织的图像来说,由于病灶组织,例如大的肿块其衰减也会较其它组织高,其在原始图像中的灰度值与高衰减组织近似。如果采用阈值区分的话,可能会将一些病灶组织误识别为高衰减组织。
发明内容
本发明实施例提供了一种高衰减组织的检测方法、装置及数字乳房X线摄影系统,以解决现有技术中存在的在对高衰减组织进行去除和抑制时,将病灶组织误识别为高衰减组织的技术问题。
第一方面,本发明实施例提供了一种高衰减组织的检测方法,包括:
从医学图像中获取人体区域图像;
根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;
计算所述人体区域图像的分割阈值;
利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
第二方面,本发明实施例还提供了一种高衰减组织的检测装置,包括:
获取模块,用于从医学图像中获取人体区域图像;
划分模块,用于根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;
计算模块,用于计算所述人体区域图像的分割阈值;
确定模块,用于利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
第三方面,本发明实施例还提供了一种数字乳房X线摄影系统,包括:用于产生X线的X射线源;用于接收X线的X线探测器;根据所述探测器接收的X线信号生成医学图像的图像生成器;对所述医学图像进行处理的图像处理器;其中,所述图像处理器用于从所述医学图像中获取人体区域图像;根据人体区域的形态,从所述医学图像中划分非乳房区域;计算所述人体区域图像的分割阈值;利用所述分割阈值对非乳房区域进行分割,根据分割结果确定高衰减组织。
本发明实施例提供的高衰减组织的检测方法、装置及数字乳房X线摄影系统高衰减组织的检测,利用人体区域的形态,将非感兴趣部位从图像中分割出来,并利用阈值法将非感兴趣部位的高衰减组织从非感兴趣部位所在区域中检测出来。能够避免将感兴趣部位的病灶组织误识别为高衰减组织。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明实施例一提供的高衰减组织的检测方法的流程示意图;
图2是本发明实施例二提供的高衰减组织的检测方法的流程示意图;
图3是本发明实施例二提供的高衰减组织的检测方法中一种二值化医学图像的示意图;
图4是本发明实施例二提供的高衰减组织的检测方法中所述图像一维模板的示意图;
图5是本发明实施例三提供的高衰减组织的检测方法的流程示意图;
图6是本发明实施例三提供的高衰减组织的检测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的高衰减组织的检测方法的流程示意图,本实施例的方法适用于在X光医学图像中对高衰减组织进行检测的情况。可以由高衰减组织的检测装置来执行,该装置可通过硬件和/或软件的方式实现,并一般可以应用于X光机或者乳腺机中。
参见图1,所述高衰减组织的检测方法,包括:
S110,从医学图像中获取人体区域图像。
示例性的,可以通过X线摄影获取医学图像。通常获取的医学图像中既包括人体区域的图像,也包括其它组织的部分图像。以乳腺图像为例,图2是本发明实施例一提供的高衰减组织的检测方法中乳腺医学图像的示意图。其可通过FFDM得到。由图1可以看出,通常获取的医学图像中既包括人体区域的图像即乳房区域图像,也包括其它组织的部分图像。对于采用拍摄获得的医学图像而言,其人体区域的灰度值通常低于背景区域的灰度值,其中背景区域的灰度值>人体结构边缘的灰度值>人体区域的灰度值。利用此特性,可以先分割图像获得人体主体区域;基于人体边缘的灰度变化特性检测所述医学图像中的人体边缘;基于所述人体主体区域和人体边缘提取出人体区域图像。由于人体结构边缘区域的灰度值和背景区域的灰度值比较接近。且人体结构边缘区域的灰度值又是所述医学图像中灰度变化最剧烈的部分,因此,可采用降低医学图像中待检测人体结构边缘区域的灰度值,以凸显人体结构边缘。例如,可采用差分法来提高待检测人体结构边缘的灰度值。在完成上述步骤后,可以采用边缘检测方法获取人体区域图像。例如canny算子方法。
S120,根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域。
上述步骤所得到的人体区域图像由于是通过边缘检测方式得到的,其中可能会包括非感兴趣部位。所述非感兴趣部位可以是图像中除需要观察研究进行诊断的器官或组织等之外的其它部位。而且,高衰减组织通常也存在于非感兴趣部位中。因此,需要将其从人体区域图像中划分出来。
示例性的,可以根据人体区域的形态来实现划分。由于人体器官或者组织其形态是通常具有相同的共性,例如:肾的形状为豆子形,乳房为山丘形。相应的,器官或者组织在人体区域图像中的灰度分布特征通常也在一定的预设范围内,基于人体区域图像中的灰度分布特征,能够将非感兴趣区域从人体区域图像中划分出来。
S130,计算所述人体区域图像的分割阈值。
在人体区域图像内,高衰减组织相对于人体区域中图像中感兴趣区域,例如乳房区域图像的乳腺等相比,其灰度值较低,因此,可以利用阈值方法对其进行检测。示例性的,可以通过最大熵值法、迭代法或者双峰法等方法计算人体区域图像的分割阈值。
S140,利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
根据上述步骤所划分得到的非感兴趣部位以及分割阈值,采用所述分割阈值在非感兴趣部位进行图像分割,将正常组织和高衰减组织进行分离,根据分割的结果得到高衰减组织。
本实施例利用人体区域的形态,将非感兴趣部位从图像中分割出来,并利用阈值法将非感兴趣部位的高衰减组织从非感兴趣部位所在区域中检测出来。能够避免将感兴趣部位的病灶组织误识别为高衰减组织。
在本发明的一个优选实施方式中,在根据分割结果确定高衰减组织之后,所述方法还包括如下步骤:根据分割高衰减组织后的的人体区域灰度值调整窗宽和\窗位。。其中,所述窗宽是指图像中对应的灰度值范围,所述窗位是指图像中对应的灰度值的均值或者中心值。示例性的,所述根据分割后的人体区域灰度值调整窗宽和\窗位,可以包括:将高衰减组织的对应的灰度值在灰度直方图上进行剔除,根据剔除后的直方图重新计算窗宽和窗位。这样,可以在图像中不显示高衰减组织,减少高衰减组织对诊断产生的干扰。
实施例二
图3是本发明实施例二提供的高衰减组织的检测方法的流程示意图。本实施例以上述实施例为基础进行优化,在本实施例中,将所述人体区域限定为乳房,并将根据所述人体区域的图像形态,从所述医学图像中划分非感兴趣部位所在区域,具体优化为:对所述人体区域图像进行二值化处理,生成二值化医学图像;计算所述二值化图像中人体区域沿指定方向的投影,生成图像一维模板;选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置;根据所述投影位置划分非感兴趣部位所在区域。
参见图2,所述高衰减组织的检测方法,包括:
S210,从医学图像中获取人体区域图像。
S220,对所述医学图像进行二值化处理,生成二值化医学图像。
人体区域的特征通常由其具体形态决定。如果按照灰度分布来确定形态则有可能产生错误的识别效果。在获取其具体形态时,无需考虑其内部具体的灰度分布。,因此,可以对医学图像进行二值化。以使得在医学图像中更好的体现人体区域的形态。
示例性的,所述二值化处理的阈值仍然可以采用自适应阈值法得到。利用阈值对所述人体区域图像进行二值化。由于人体区域图像中人体组织或器官图像灰度值与其背景像素点的图像灰度值存在明显区别,因此自适应阈值的计算可以采用最大类间方差法或者简单统计法等。利用上述方式得到的阈值对医学图像进行二值化处理,得到二值化医学图像,用于明显区分组织形态和背景。图4是本发明实施例二提供的高衰减组织的检测方法中一种二值化医学图像的示意图。
S230,计算所述二值化图像中人体区域沿指定方向方向的投影,生成图像一维模板。
在本实施例中,所述人体区域具体的为乳房区域。将上述得到的二值化医学图像沿指定方向进行投影。所述指定方向可以包括:水平方向和垂直方向。进行投影的目的,是确定二值化医学图像中各个位置中的黑色或白色像素的分布情况。示例性的,可以计算所述二值化医学图像的每行或者每列中非零像素值或者零像素值的像素个数。并在预先设置的坐标系中输入相应的行或者列对应的非零像素值或者零像素值的像素个数。生成相应的图像一维模板。所述图像一维模板可以包括:一个二维坐标系,以及和所述二维坐标系对应的位置的投影像素个数。其中所述二维坐标系的横坐标用于表示水平或者垂直方向的列的位置,纵坐标用于表示每一列投影的像素个数。
可以根据人体区域的具体形态选择水平或者垂直方向的投影。图5是本发明实施例二提供的高衰减组织的检测方法中所述图像一维模板的示意图。
S240,选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置。
根据上述图像一维模板的定义,所述中点可以是所有列组成的线段的中点。示例性的,以图5为例,图中所述线段由列【0,1290】组成,所述线段的长度可以为1290,相应的,其中点为645。在图像一维模板中,投影值最小的地方可以为非感兴趣部位所在区域和感兴趣区域的边界。而距离模板中点最近的投影值最小的地方则通常为人体区域和背景区域,或者为感兴趣区域和非感兴趣区域的分界线,根据分界线即可准确划分出人体区域或者背景区域。由图4可以看出,利用图像一维模板中距离中点最近的投影值最小且居于所述中点左侧的投影位置可以确定乳房结构的上边缘位置。利用像一维模板中距离中点最近的投影值最小且居于所述中点左侧的投影位置可以确定乳房结构的下边缘位置。非感兴趣区域通常位于人体结构的上侧或者下侧,因此,选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置可以确定乳房结构的边缘。
S250,根据所述投影位置划分非感兴趣部位所在区域。
示例性的,可以包括:查找与所述投影位置在所述医学图像中对应的位置;根据所述对应的位置对所述医学图像进行划分,得到非感兴趣部位所在区域。由图3可以看出,在水平投影方向上,每一列都有对应的图像列位置。该图像列位置与人体区域图像中的位置是对应的,利用该图像列位置可以在人体区域图像中将人体结构和非感兴趣部位进行分离。得到非感兴趣部位所在区域。
S260,计算所述人体区域图像的分割阈值。
S270,利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
本发明实施例通过将所述人体区域限定为乳房,并将根据所述人体区域的图像形态,从所述医学图像中划分非感兴趣部位所在区域,具体优化为:对所述人体区域图像进行二值化处理,生成二值化医学图像;计算所述二值化图像中人体区域水平方向的投影,生成图像一维模板;选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置;根据所述投影位置划分非感兴趣部位所在区域。可以根据人体结构和背景之间的灰度差异将非感兴趣区域和人体结构进行分离。提高了非感兴趣部位所在区域划分的精确度。
实施例三
图6是本发明实施例二提供的高衰减组织的检测方法的流程示意图。本实施例以上述实施例为基础进行优化,在本实施例中,将所述计算所述人体区域图像的分割阈值,具体优化为:根据所述人体区域图像的灰度直方图,利用大津法获得人体区域图像的分割阈值。
参见图5,所述高衰减组织的检测方法,包括:
S310,从医学图像中获取人体区域图像。
S320,根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域。
S330,根据所述人体区域图像的灰度直方图,利用大津法获得人体区域图像的分割阈值。
大津法,是一种自适应阈值确定的方法,是一种基于全局的二值化算法,它是根据图像的灰度特性,将图像分为前景和背景两个部分。当取最佳阈值时,能够从人体区域中分离出高衰减组织,所采用的衡量差别的标准就是较为常见的最大类间方差。人体区域和高衰减组织之间的类间方差如果越大,就说明构成图像的两个部分之间灰度值的差别越大,当部分高衰减组织被错分为人体区域或部分人体区域被错分为高衰减组织,都会导致两部分差别变小,当所取阈值的分割使类间方差最大时就意味着错分概率最小。感兴趣区域与高衰减组织的灰度具有较大差异,其类间方差为单峰,适合使用大津法来计算阈值。由于大津法需要统计不同灰度值的像素点的个数,因此,在采用大津法计算自适应阈值前,可先建立人体区域图像的灰度直方图,然后利用大津法计算得到人体区域图像的分割阈值。
优选的,可以采用高斯大津法,增加高斯分布系数,通过增加高斯系数,使得不同灰度值的像素点的个数符合正态概率分布,使得利用大津法计算得到的阈值更加准确。
此外,由于得到的人体区域图像是由扫查图像生成,扫查图像是由信号生成,在进行图像重建时可能由噪声产生灰点,需要将这些灰点进行剔除,以避免对计算得到的阈值产生干扰。在本实施例中,可以在根据人体区域的灰度直方图,利用大津法获得人体区域图像的分割阈值之前,计算所述人体区域图像的灰度值均值,并在所述灰度直方图中剔除大于所述灰度值均值的灰度值。利用灰度值均值可以剔除噪声产生的灰点。在剔除灰点后,直方图可能会产生相应的断点,在图像上反映为有若干断点,因此,需要对直方图进行平滑处理。以方便采用大津法进行运算。
S340,利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
本发明实施例通过将所述计算所述人体区域图像的分割阈值,具体优化为:根据所述人体区域图像的灰度直方图,利用大津法获得人体区域图像的分割阈值。根据人体区域图像的灰度值特性,采用大津法可以准确地计算得到人体区域图像的分割阈值。利用该分割阈值能够更加准确将高衰减组织从人体结构图像中分割出来。
实施例四
图6是本发明实施例四提供的高衰减组织的检测装置的结构示意图。如图6所示,所述高衰减组织的检测装置包括:
获取模块410,用于从医学图像中获取人体区域图像;
划分模块420,用于根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;
计算模块430,用于计算所述人体区域图像的分割阈值;
确定模块440,用于利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
本发明实施例提供的高衰减组织的检测装置,利用人体区域的形态,将非感兴趣部位从图像中分割出来,并利用阈值法将非感兴趣部位的高衰减组织从非感兴趣部位所在区域中检测出来。能够避免将感兴趣部位的病灶组织误识别为高衰减组织。
在上述各实施例的基础上,所述分割模块用于:
根据所述人体区域图像的灰度直方图,利用大津法获得人体区域图像的分割阈值。
在上述各实施例的基础上,所述人体区域包括:乳房。
在上述各实施例的基础上,所述划分模块,包括:
二值化医学图像生成单元,用于对所述人体区域图像进行二值化处理,生成二值化医学图像;
图像一维模板生成单元,用于计算所述二值化图像中人体区域沿指定方向的投影,生成图像一维模板;
投影位置选取单元,用于选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置;
划分单元,用于根据所述投影位置划分非感兴趣部位所在区域。
在上述各实施例的基础上,所属划分单元用于:
查找与所述投影位置在所述医学图像中对应的位置;
根据所述对应的位置对所述医学图像进行划分,得到非感兴趣部位所在区域。
在上述各实施例的基础上,所述装置还包括:
剔除模块,用于计算所述人体区域图像的灰度值均值,并在所述灰度直方图中剔除大于所述灰度值均值的灰度值。
在上述各实施例的基础上,所述计算模块包括:
平滑单元,用于对所述灰度直方图进行平滑处理,并利用大津法计算所述乳房区域图像的分割阈值。
在上述各实施例的基础上,所述装置还包括:
调整模块,用于根据分割高衰减组织后的人体区域灰度值调整窗宽和\或窗位。
上述高衰减组织的检测装置可执行本发明任意实施例所提供的高衰减组织的检测方法,具备执行方法相应的功能模块和有益效果。
实施例七
本实施例还提供了一种数字乳房X线摄影系统,包括:用于产生X线的X射线源;用于接收X线的X线探测器;根据所述探测器接收的X线信号生成医学图像的图像生成器;对所述医学图像进行处理的图像处理器;其中,所述图像处理器用于从所述医学图像中获取人体区域图像;根据人体区域的形态,从所述医学图像中划分非乳房区域;计算所述人体区域图像的分割阈值;利用所述分割阈值对非乳房区域进行分割,根据分割结果确定高衰减组织。可以执行上述实施例提供的高衰减组织的检测方法,在此不做赘述。
显然,本领域技术人员应该明白,上述的本发明的各模块或各操作可以通过如上所述的终端设备实施。可选地,本发明实施例可以用计算机装置可执行的程序来实现,从而可以将它们存储在存储装置中由处理器来执行,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等;或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种高衰减组织的检测方法,其特征在于,包括:
从医学图像中获取人体区域图像;
根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;
计算所述人体区域图像的分割阈值;
利用所述分割阈值对非感兴趣部位所在区域进行分割,根据分割结果确定高衰减组织。
2.根据权利要求1所述的方法,其特征在于,所述计算所述人体区域图像的分割阈值,包括:
根据所述人体区域图像的灰度直方图,利用大津法获得人体区域图像的分割阈值。
3.根据权利要求1所述的方法,其特征在于,所述人体区域包括:乳房。
4.根据权利要求3所述的方法,其特征在于,所述根据所述人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域,包括:
对所述医学图像进行二值化处理,生成二值化医学图像;
计算所述二值化医学图像中人体区域沿指定方向的投影,生成图像一维模板;
选取所述图像一维模板中距离中点最近的投影值最小且居于所述中点左和/或右侧的投影位置;
根据所述投影位置划分非感兴趣部位所在区域。
5.根据权利要求4所述的方法,其特征在于,所述根据所述投影位置划分非感兴趣部位所在区域,包括:
查找与所述投影位置在所述医学图像中对应的位置;
根据所述对应的位置对所述医学图像进行划分,得到非感兴趣部位所在区域。
6.根据权利要求2所述的方法,其特征在于,所述在根据人体区域的灰度直方图,利用大津法获得人体区域图像的分割阈值之前,还包括:
计算所述人体区域图像的灰度值均值,并在所述灰度直方图中剔除大于所述灰度值均值的灰度值。
7.根据权利要求6所述的方法,其特征在于,所述利用大津法获得人体区域图像的分割阈值包括:
对所述灰度直方图进行平滑处理,并利用大津法计算所述乳房区域图像的分割阈值。
8.根据权利要求1所述的方法,其特征在于,在根据分割结果确定高衰减组织之后,还包括:
根据分割高衰减组织后的人体区域灰度值调整窗宽和\或窗位。
9.一种高衰减组织的检测装置,其特征在于,包括:
获取模块,用于从医学图像中获取人体区域图像;
划分模块,用于根据人体区域的形态,从所述医学图像中划分非感兴趣部位所在区域;
计算模块,用于计算所述人体区域图像的分割阈值;
确定模块,用于利用所述分割阈值对非感兴趣部位所在的区域进行分割,根据分割结果确定高衰减组织。
10.一种数字乳房X线摄影系统,其特征在于,包括:用于产生X线的X射线源;用于接收X线的X线探测器;根据所述探测器接收的X线信号生成医学图像的图像生成器;对所述医学图像进行处理的图像处理器;其中,所述图像处理器用于从所述医学图像中获取人体区域图像;根据人体区域的形态,从所述医学图像中划分非乳房区域;计算所述人体区域图像的分割阈值;利用所述分割阈值对非乳房区域进行分割,根据分割结果确定高衰减组织。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710876258.1A CN107564021A (zh) | 2017-09-25 | 2017-09-25 | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710876258.1A CN107564021A (zh) | 2017-09-25 | 2017-09-25 | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107564021A true CN107564021A (zh) | 2018-01-09 |
Family
ID=60982443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710876258.1A Pending CN107564021A (zh) | 2017-09-25 | 2017-09-25 | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564021A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
WO2019228482A1 (en) * | 2018-05-30 | 2019-12-05 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
WO2020238819A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN112950536A (zh) * | 2021-01-25 | 2021-06-11 | 上海联影医疗科技股份有限公司 | 高衰减区域检测方法、装置及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1145674A (zh) * | 1994-12-30 | 1997-03-19 | 菲利浦电子有限公司 | 数字乳房x射线照片中的自动分割及轮廓线和乳头的检测 |
CN1943513A (zh) * | 2006-11-08 | 2007-04-11 | 沈阳东软医疗系统有限公司 | 一种针对ct图像的处理装置、方法及系统 |
US20080130977A1 (en) * | 2006-12-05 | 2008-06-05 | Fujifilm Corporation | Method and apparatus for detection using gradient-weighted and/or distance-weighted graph cuts |
CN105447897A (zh) * | 2014-09-19 | 2016-03-30 | 卡西欧计算机株式会社 | 服务器装置和数据整合方法 |
-
2017
- 2017-09-25 CN CN201710876258.1A patent/CN107564021A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1145674A (zh) * | 1994-12-30 | 1997-03-19 | 菲利浦电子有限公司 | 数字乳房x射线照片中的自动分割及轮廓线和乳头的检测 |
CN1943513A (zh) * | 2006-11-08 | 2007-04-11 | 沈阳东软医疗系统有限公司 | 一种针对ct图像的处理装置、方法及系统 |
US20080130977A1 (en) * | 2006-12-05 | 2008-06-05 | Fujifilm Corporation | Method and apparatus for detection using gradient-weighted and/or distance-weighted graph cuts |
CN105447897A (zh) * | 2014-09-19 | 2016-03-30 | 卡西欧计算机株式会社 | 服务器装置和数据整合方法 |
Non-Patent Citations (1)
Title |
---|
赵婕著: "《图像特征提取与语义分析》", 31 July 2015, 重庆大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019228482A1 (en) * | 2018-05-30 | 2019-12-05 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
US11475569B2 (en) | 2018-05-30 | 2022-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
WO2020238819A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN112950536A (zh) * | 2021-01-25 | 2021-06-11 | 上海联影医疗科技股份有限公司 | 高衰减区域检测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9098935B2 (en) | Image displaying apparatus, image displaying method, and computer readable medium for displaying an image of a mammary gland structure without overlaps thereof | |
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
AU706993B2 (en) | Computerized detection of masses and parenchymal distortions | |
US7916912B2 (en) | Efficient border extraction of image feature | |
US11669964B2 (en) | Systems and methods to facilitate review of liver tumor cases | |
Chan et al. | Digitization requirements in mammography: Effects on computer‐aided detection of microcalcifications | |
CN107564021A (zh) | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 | |
US8238630B2 (en) | Image processing apparatus and program for the same | |
TWI482102B (zh) | 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 | |
CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
US8655039B2 (en) | Method of segmenting lesions in images | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
US20110200238A1 (en) | Method and system for determining skinline in digital mammogram images | |
CN110706241A (zh) | 一种三维病灶区域提取方法和装置 | |
CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
Eckert et al. | Deep learning-based denoising of mammographic images using physics-driven data augmentation | |
US20190035076A1 (en) | Automated percentage of breast density measurements for full field digital mammography | |
Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
Dawood et al. | The importance of contrast enhancement in medical images analysis and diagnosis | |
CN107330895B (zh) | 医学图像的分割方法及装置 | |
US20190090833A1 (en) | Breast type identification device, method, and program | |
CN116433695A (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
Guo | Computer-aided detection of breast cancer using ultrasound images | |
Hamed et al. | A proposed model for denoising breast mammogram images |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |