CN108305245A - 一种图像数据分析方法 - Google Patents
一种图像数据分析方法 Download PDFInfo
- Publication number
- CN108305245A CN108305245A CN201711480587.0A CN201711480587A CN108305245A CN 108305245 A CN108305245 A CN 108305245A CN 201711480587 A CN201711480587 A CN 201711480587A CN 108305245 A CN108305245 A CN 108305245A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- characteristic area
- analysis
- decomposition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000013499 data model Methods 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 10
- 238000000547 structure data Methods 0.000 claims abstract 2
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 4
- 210000000988 bone and bone Anatomy 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 4
- 210000000845 cartilage Anatomy 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 201000008482 osteoarthritis Diseases 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003349 osteoarthritic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像数据分析方法，包括以下步骤图像及图像数据获取步骤，用以获取图像中选定的特征区域以及所述特征区域的特征数据；所述图像包括测试图像和训练图像；所述训练图像被分成两个以上组别，同一组别的训练图像标识有相同的组别标签；数据模型建立及交叉验证步骤，用以根据所述训练图像中的特征数据和组别标签的映射关系构建数据模型，以及根据所述训练图像中的特征数据对所述数据模型进行至少一次交叉验证处理；测试图像组别判定，用以利用所述测试图像的特征数据及所述数据模型获取所述测试图像的组别标签。
Description
技术领域
本发明涉及图像处理领域，具体为一种图像数据分析方法。
背景技术
三维立体医学图像应用广泛，常见的图像形式包括磁共振成像（MRI）、CT等。三维立体医学图像的图像数据，是指用数值表示的各像素灰度值的集合。在进行图像数据分析时，特别是对于三维立体医学图像分析时，怎样提取图像中的特征区域具体的特征值，以及怎样利用这些特征进行数据深度挖掘和分析，预判特征与图像标签变化的关联，是目前需要解决的问题。
发明内容
本发明的目的是：提供一种图像数据分析方法，能够根据图像的多尺度视觉特征，计算或者预判与图像视觉特征相关的标签。
实现上述目的的技术方案是：一种图像数据分析方法，包括以下步骤图像及图像数据获取步骤，用以获取图像中选定的特征区域以及所述特征区域的特征数据；所述图像包括测试图像和训练图像；所述训练图像被分成两个以上组别，同一组别的训练图像标识有相同的组别标签；数据模型建立及交叉验证步骤，用以根据所述训练图像中的特征数据和组别标签的映射关系构建数据模型，以及根据所述训练图像中的特征数据对所述数据模型进行至少一次交叉验证处理；测试图像组别判定，用以利用所述测试图像的特征数据及所述数据模型获取所述测试图像的组别标签。
在本发明一较佳的实施例中，所述图像及图像数据获取步骤包括图像多尺度分解步骤，分解所述图像中的特征区域，获取在每一尺度下分解得到的前景图像和背景图像，其中，将当前的尺度分解得到的前景图像作为下一尺度分解的图像；特征数据提取步骤，提取所有尺度下的前景图像和背景图像中的特征数据，该特征数据包括视觉特征数据。
在本发明一较佳的实施例中，所述图像多尺度分解步骤中，包括迭代法分解图像步骤，即采用TV-L1模型算法进行特征区域的图像分解，得到每一尺度分解后的前景图像和背景图像。
在本发明一较佳的实施例中，所述迭代法分解图像步骤，包括参数设置步骤，设置所述TV-L1模型的当前的尺度参数；分解步骤，根据完成所述尺度参数设置的所述TV-L1模型对所述图像的特征区域进行分解，得到当前的前景图像和背景图像；判断步骤：判断当前的所述尺度参数是否达到预设值；若是，则完成所述图像多尺度分解步骤；若否，则将当前的尺度参数乘以一常数，得到下一尺度参数，并将当前的前景图像作为下一尺度分解的图像，返回分解步骤，多尺度循环分解，直至所述尺度参数达到预设值。
在本发明一较佳的实施例中，所述图像及图像数据获取步骤中包括图像分割处理步骤，用以根据所述特征区域对图像进行分割处理，得到含有特征区域的掩模，并标记对应的组别标签。
在本发明一较佳的实施例中，在所述分割处理图像后，还包括特征区域规则化处理步骤，用以在多尺度分解之前，提取特征区域，根据各特征区域内像素的灰度值分布，对所述特征区域进行规则化处理，使所述特征区域内的像素均值和方差相等。
在本发明一较佳的实施例中，所述图像及图像数据获取步骤中包括图像标准化处理步骤，用以对所述特征区域进行校正和降噪处理。
在本发明一较佳的实施例中，所述图像标准化处理步骤包括图像校正步骤，采用N3 Correction算法对图像进行校正，即通过一个预设的概率模型估测图像的偏移场，并根据预测得到的偏移场对图像的伪影进行修正；图像降噪处理步骤，采用Non-local meandenoising算法对图像降噪处理。
在本发明一较佳的实施例中，所述特征区域中包括多个子特征区域。
在本发明一较佳的实施例中，所述图像为三维立体医学图像。
在本发明一较佳的实施例中，
本发明的优点是：本发明的图像数据分析方法，通过对经过预处理的三维医学图像进行多尺度下的迭代分解，借助图像分割结果得到主特征区域及子特征区域，并提取对应的特征数据，通过对分解图像的特征区域的相关特征数据进行分析、统计，能够有效评估特征区域的变化发展趋势，同时可以根据各区域特征数据的变化，给出相对正确的评估建议。
附图说明
下面结合附图和实施例对本发明作进一步解释。
图1是实施例1的图像数据分析统计方法步骤流程图。
图2是图1中步骤01）的具体流程图。
图3是图2中步骤012）的具体流程图。
图4是图1中步骤015）的具体流程图。
具体实施方式
以下实施例的说明是参考附加的图式，用以例示本发明可用以实施的特定实施例。
实施例：如图1所示，一种图像数据分析方法，包括步骤01）-步骤03），如图1所示。
步骤01）图像及图像数据获取步骤，用以获取图像中选定的特征区域以及所述特征区域的特征数据；所述图像包括测试图像和训练图像；所述训练图像被分成两个以上组别，同一组别的训练图像标识有相同的组别标签；数据模型建立及交叉验证步骤，用以根据所述训练图像中的特征数据和组别标签的映射关系构建数据模型，以及根据所述训练图像中的特征数据对所述数据模型进行至少一次交叉验证处理；测试图像组别判定，用以利用所述测试图像的特征数据及所述数据模型获取所述测试图像的组别标签。所述图像选用三维立体医学图像。所获取的三维立体医学图像可以是同一标的物同一位置的不同时刻的影像。其中，所述的特征区域可以是一个，也可以是多个，所有三维医学图像至少包含一个相互对应的特征区域。子特征区域则是特征区域中按照一定规则划定的细分区域。具体的，本实施例所用的原始训练图像和原始测试图像人膝关节3D_mFFE序列磁共振图像。所述特征区域为股骨区域和/或胫骨区域。子特征区域可以选择股骨区域和胫骨区域中对应的某段区域或者位于股骨区域和胫骨区域之间的某段区域。
具体的，如图2所示，步骤01）包括步骤011）-步骤016）。步骤011）原始图像获取步骤：获取三维立体医学图像；步骤012）图像标准化处理步骤，用以对所述特征区域进行校正和降噪处理。步骤012）具体包括步骤0121）-步骤0122），如图3所示，步骤0121）图像校正步骤，针对由于灰度不均衡而产生的伪影，采用N3 Correction算法对图像进行校正，即通过一个预设的概率模型对图像的偏移场进行估测，根据预测得到的偏移场对图像的伪影进行修正。步骤0122）图像降噪处理步骤，采用Non-local mean denoising算法对图像降噪处理，Non-local mean denoising算法将原始图像中每一像素的灰度值替换为以该像素为中心的一定区域内所有像素灰度的加权平均值，以此实现对图像噪声的抑制，所选区域内各像素的权重由该像素与中心像素间的相似程度决定，相似度越高，权重越大。该算法可由以下公式表示：其中，和分别表示中心像素和周围像素点的位置，表示像素点和的相似程度，表示像素的灰度值，表示像素点经过Non-local mean denoising算法降噪后的灰度值。经过该步骤0122）处理后的三维立体医学图像，其图像中每个像素的值为原图在该像素周围一定区域内所有像素的加权平均值，每个像素的权重由该像素与目标像素间的相似程度决定，相似度越高，权重越大。步骤013）图像分割处理步骤，用以根据所述特征区域对图像进行分割处理，得到含有特征区域的掩模，并标记对应的组别标签。如将图像中膝关节股骨和胫骨软骨下沿外侧髁和内侧髁分别分为前，中，后三个特征区域，共计十二个特征区域，根据所设定的特征区域进行分割，得到各个分区中的特征区域掩模。步骤014）特征区域规则化处理步骤，用以在多尺度分解之前，提取特征区域，根据各特征区域内像素的灰度值分布，对所述特征区域进行规则化处理，使所述特征区域内的像素均值和方差相等。步骤011）-步骤014）是三维立体医学图像预处理。由于医学成像仪器本身存在的固有偏差以及成像过程中一些无法避免的干扰，原始的三维立体医学图像会存在灰度值不均衡和噪声干扰等问题。本发明在对三维立体医学图像进行分解前，对图像进行了必要的预处理。步骤015）图像多尺度分解步骤包括迭代法分解图像步骤，分解所述图像中的特征区域，获取在每一尺度下分解得到的前景图像和背景图像，其中，将当前的尺度分解得到的前景图像作为下一尺度分解的图像，即采用TV-L1模型算法进行特征区域的图像分解，得到每一尺度分解后的前景图像和背景图像。步骤015）包括步骤0151）-步骤0153），如图4所示。步骤0151）参数设置步骤，设置所述TV-L1（Total Variation Regularized L1）模型的当前的尺度参数，该尺度参数的初始值为2-6TV-L1模型可由以下公式简要表示：；其中表示原图，表示分解得到的cartoon图像，表示分解得到的texture图像，为平滑参数，越小，分解得到的cartoon图像越平滑，其中所包含信息的空间尺度就越大。为了便于描述，本发明使用尺度参数表示平滑参数。步骤0152）分解步骤，根据完成所述尺度参数设置的所述TV-L1模型对所述图像的特征区域进行分解，得到当前的前景图像和背景图像；步骤0153）判断步骤：判断当前的所述尺度参数是否达到预设值，预设值为1；若是，则完成所述图像多尺度分解步骤；若否，则将当前的尺度参数乘以一常数，常数为2，得到下一尺度参数，并将当前的前景图像作为下一尺度分解的图像，返回分解步骤，多尺度循环分解，直至所述尺度参数达到预设值。步骤016）特征数据提取步骤，提取所有尺度下的前景图像和背景图像中的特征数据，该特征数据包括视觉特征数据。
步骤02）数据模型建立及交叉验证步骤，用以根据所述训练图像中的特征数据和组别标签的映射关系构建数据模型，以及根据所述训练图像中的特征数据对所述数据模型进行至少一次交叉验证处理。
步骤03）测试图像组别判定，用以利用所述测试图像的特征数据及所述数据模型获取所述测试图像的组别标签。
本发明可以应用在三维立体医学图像的处理上，例如可以通过对膝关节3D_mFFE序列磁共振图像继续分析，对骨关节炎的机制分析提供辅助信息。骨小梁是骨皮质在骨松质的延伸部分，在膝关节3D_mFFE序列磁共振图像中，骨小梁呈不规则的网状结构。骨小梁的间隙由骨髓填充。关于膝关节软骨下沿骨小梁结构变化的分析，对于骨关节炎的治疗和诊断具有重要意义。
不同尺度下的分解结果由两张图像组成，一张为显示输入图像整体灰度变化的背景图像，另一张为包含输入图像细节纹理信息的前景图像。通过对背景图像和前景图像相关特征区域的参数进行统计学分析，可以得到膝关节软骨下沿骨小梁结构随着骨关节炎病程发展的变化趋势。
以上仅为本发明的较佳实施例，本发明的使用范围并不限于此，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像数据分析方法，其特征在于，包括以下步骤
图像及图像数据获取步骤，用以获取图像中选定的特征区域以及所述特征区域的特征数据；所述图像包括测试图像和训练图像；所述训练图像被分成两个以上组别，同一组别的训练图像标识有相同的组别标签；
数据模型建立及交叉验证步骤，用以根据所述训练图像中的特征数据和组别标签的映射关系构建数据模型，以及根据所述训练图像中的特征数据对所述数据模型进行至少一次交叉验证处理；
测试图像组别判定，用以利用所述测试图像的特征数据及所述数据模型获取所述测试图像的组别标签。
2.根据权利要求1所述的图像数据分析方法，其特征在于，所述图像及图像数据获取步骤包括
图像多尺度分解步骤，分解所述图像中的特征区域，获取在每一尺度下分解得到的前景图像和背景图像，其中，将当前的尺度分解得到的前景图像作为下一尺度分解的图像；
特征数据提取步骤，提取所有尺度下的前景图像和背景图像中的特征数据，该特征数据包括视觉特征数据。
3.根据权利要求2所述的图像数据分析方法，其特征在于，所述图像多尺度分解步骤中，包括迭代法分解图像步骤，即采用TV-L1模型算法进行特征区域的图像分解，得到每一尺度分解后的前景图像和背景图像。
4.根据权利要求3所述的图像数据分析方法，其特征在于，所述迭代法分解图像步骤，包括：
参数设置步骤，设置所述TV-L1模型的当前的尺度参数；
分解步骤，根据完成所述尺度参数设置的所述TV-L1模型对所述图像的特征区域进行分解，得到当前的前景图像和背景图像；
判断步骤：判断当前的所述尺度参数是否达到预设值；若是，则完成所述图像多尺度分解步骤；若否，则将当前的尺度参数乘以一常数，得到下一尺度参数，并将当前的前景图像作为下一尺度分解的图像，返回分解步骤，
多尺度循环分解，直至所述尺度参数达到预设值。
5.根据权利要求1所述的图像数据分析方法，其特征在于，所述图像及图像数据获取步骤中包括图像分割处理步骤，用以根据所述特征区域对图像进行分割处理，得到含有特征区域的掩模，并标记对应的组别标签。
6.根据权利要求5所述的图像数据分析方法，其特征在于，在所述分割处理图像后，还包括特征区域规则化处理步骤，用以在多尺度分解之前，提取特征区域，根据各特征区域内像素的灰度值分布，对所述特征区域进行规则化处理，使所述特征区域内的像素均值和方差相等。
7.根据权利要求1所述的图像数据分析方法，其特征在于，所述图像及图像数据获取步骤中包括图像标准化处理步骤，用以对所述特征区域进行校正和降噪处理。
8.根据权利要求6所述的图像数据分析方法，其特征在于，
所述图像标准化处理步骤包括
图像校正步骤，采用N3 Correction算法对图像进行校正，即通过一个预设的概率模型估测图像的偏移场，并根据预测得到的偏移场对图像的伪影进行修正；
图像降噪处理步骤，采用Non-local mean denoising算法对图像降噪处理。
9.根据权利要1所述的图像数据分析方法，其特征在于，所述特征区域中包括多个子特征区域。
10.根据权利要求1所述的图像数据分析方法，其特征在于，所述图像为三维立体医学图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711480587.0A CN108305245B (zh) | 2017-12-29 | 2017-12-29 | 一种图像数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711480587.0A CN108305245B (zh) | 2017-12-29 | 2017-12-29 | 一种图像数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108305245A true CN108305245A (zh) | 2018-07-20 |
| CN108305245B CN108305245B (zh) | 2021-09-10 |
Family
ID=62868220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711480587.0A Active CN108305245B (zh) | 2017-12-29 | 2017-12-29 | 一种图像数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108305245B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236598A (zh) * | 2007-12-28 | 2008-08-06 | 北京交通大学 | 基于多尺度总体变分商图像的独立分量分析人脸识别方法 |
| CN103530884A (zh) * | 2013-10-21 | 2014-01-22 | 山东师范大学 | 基于边缘保护多尺度形变配准的图像引导自适应算法 |
| WO2014121400A1 (en) * | 2013-02-08 | 2014-08-14 | Sunnybrook Health Sciences Centre | System and method for medical image quality enhancement using multiscale total variation flow |
| EP2791905A1 (en) * | 2011-12-13 | 2014-10-22 | MTA Számítástechnikai és Automatizálási Kutató Intézet | Method for decomposing an image consisting of pixels to cartoon image and/or texture image |
| CN106023122A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 基于多通道分解的图像融合方法 |
| CN106558073A (zh) * | 2016-11-23 | 2017-04-05 | 山东大学 | 基于图像特征和tv‑l1的非刚性图像配准方法 |
-
2017
- 2017-12-29 CN CN201711480587.0A patent/CN108305245B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236598A (zh) * | 2007-12-28 | 2008-08-06 | 北京交通大学 | 基于多尺度总体变分商图像的独立分量分析人脸识别方法 |
| EP2791905A1 (en) * | 2011-12-13 | 2014-10-22 | MTA Számítástechnikai és Automatizálási Kutató Intézet | Method for decomposing an image consisting of pixels to cartoon image and/or texture image |
| WO2014121400A1 (en) * | 2013-02-08 | 2014-08-14 | Sunnybrook Health Sciences Centre | System and method for medical image quality enhancement using multiscale total variation flow |
| CN103530884A (zh) * | 2013-10-21 | 2014-01-22 | 山东师范大学 | 基于边缘保护多尺度形变配准的图像引导自适应算法 |
| CN106023122A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 基于多通道分解的图像融合方法 |
| CN106558073A (zh) * | 2016-11-23 | 2017-04-05 | 山东大学 | 基于图像特征和tv‑l1的非刚性图像配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| DENGWANG LI等: "Automatic liver contouring for radiotherapy treatment planning", 《PHYSICS IN MEDICINE & BIOLOGY》 * |
| NICHOLAS J. TUSTISON等: "N4ITK: Improved N3 Bias Correction", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
| CN110046646B (zh) * | 2019-03-07 | 2023-06-30 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108305245B (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Fast segmentation of bone in CT images using 3D adaptive thresholding | |
| Feng et al. | Segmenting CT prostate images using population and patient‐specific statistics for radiotherapy | |
| Zhang et al. | A marker-based watershed method for X-ray image segmentation | |
| CN107154038B (zh) | 一种肋骨可视化的肋骨骨折辅助诊断方法 | |
| Kanade et al. | Brain tumor detection using MRI images | |
| Zheng | Statistical shape model‐based reconstruction of a scaled, patient‐specific surface model of the pelvis from a single standard AP x‐ray radiograph | |
| Baka et al. | Evaluation of automated statistical shape model based knee kinematics from biplane fluoroscopy | |
| Seiler et al. | Capturing the multiscale anatomical shape variability with polyaffine transformation trees | |
| WO2010120317A1 (en) | Chest x-ray registration, subtraction and display | |
| CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
| Väänänen et al. | Automated segmentation of cortical and trabecular bone to generate finite element models for femoral bone mechanics | |
| CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
| Dogra et al. | Multi-modality medical image fusion based on guided filter and image statistics in multidirectional shearlet transform domain | |
| Chen et al. | Automatic Insall–Salvati ratio measurement on lateral knee x-ray images using model-guided landmark localization | |
| Sumithra et al. | Modified Global Flower Pollination Algorithm‐based image fusion for medical diagnosis using computed tomography and magnetic resonance imaging | |
| Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
| CN103871057A (zh) | 基于磁共振图像的骨骼分割的方法及其系统 | |
| CN108305245A (zh) | 一种图像数据分析方法 | |
| Stough et al. | Regional appearance in deformable model segmentation | |
| CN111292306A (zh) | 膝关节ct与mr图像融合方法及装置 | |
| Sezer et al. | Segmentation of bone with region based active contour model in PD weighted MR images of shoulder | |
| Tanács et al. | Estimation of linear deformations of 2D and 3D fuzzy objects | |
| Kumar et al. | Semiautomatic method for segmenting pedicles in vertebral radiographs | |
| Appia et al. | A regions of confidence based approach to enhance segmentation with shape priors | |
| Li et al. | Automatic liver contouring for radiotherapy treatment planning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |