CN108846834A - 医用图像处理装置及医用图像处理方法 - Google Patents

医用图像处理装置及医用图像处理方法 Download PDF

Info

Publication number
CN108846834A
CN108846834A CN201810548920.5A CN201810548920A CN108846834A CN 108846834 A CN108846834 A CN 108846834A CN 201810548920 A CN201810548920 A CN 201810548920A CN 108846834 A CN108846834 A CN 108846834A
Authority
CN
China
Prior art keywords
image
area
unit
pixel
gray
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
Application number
CN201810548920.5A
Other languages
English (en)
Other versions
CN108846834B (zh
Inventor
闾海荣
耿照旭
江瑞
张学工
李林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810548920.5A priority Critical patent/CN108846834B/zh
Publication of CN108846834A publication Critical patent/CN108846834A/zh
Application granted granted Critical
Publication of CN108846834B publication Critical patent/CN108846834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种医用图像处理装置及医用图像处理方法，包括：图像存储部，存储包含股骨头的第一图像；图像分割部，分割出仅含有股骨头部分的第二图像；特征检验部，检验第二图像边缘是否为圆，显示不为圆部分的图像；纹理检测部，包括：ROI区域选取单元，从第二图像选取ROI区域；灰度变换单元，所述区域作灰度梯度变换，大于第一阈值的点置为0；细分单元，将ROI区域细分成多个第二区域，ROI区域面积是第二区域面积的整数倍；计数单元，对第二区域内的0的个数进行计数；第一判断单元，判断第二区域0个数是否超过第二阈值；第一显示单元，显示超过第二阈值的第二区域的图像。上述装置和方法能够实现股骨头医用图像的自动化处理。

Description

医用图像处理装置及医用图像处理方法
技术领域
本发明涉及医疗技术领域，更具体地，涉及一种医用图像处理装置及医用图像处理方法。
背景技术
通常，关于股骨头的医用图像依靠医生的肉眼观测，并没有对股骨头的医用图像进行自动化处理的装置和方法。
发明内容
鉴于上述问题，本发明提供一种对股骨头的医用图像进行自动化处理的医用图像处理装置及医用图像处理方法。
根据本发明的一个方面，提供一种医用图像处理装置，包括：
图像存储部，用于存储包含股骨头的第一图像；
图像分割部，分割出仅含有股骨头部分的第二图像；
特征检验部，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
纹理检测部，包括：ROI区域选取单元，在第二图像上选取ROI区域；灰度变换单元，将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；细分单元，将ROI区域细分成多个第二区域，ROI区域面积是第二区域面积的整数倍；计数单元，对每个第二区域内的0的个数进行计数；第一判断单元，判断第二区域的0的个数是否超过第二阈值；第一显示单元，显示超过第二阈值的第二区域的图像。
根据本发明的另一个方面，提供一种医用图像处理方法，包括：
步骤S1，存储包含股骨头的第一图像；
步骤S2，分割出仅含有股骨头部分的第二图像；
步骤S3，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
步骤S4，检测第二图像的纹理特征，包括：在第二图像上选取ROI区域；将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；将ROI区域细分成多个第二区域，ROI区域的面积是第二区域面积的整数倍；对每个第二区域内的0的个数进行计数；判断第二区域的0的个数是否超过第二阈值，显示超过第二阈值的第二区域的图像。
本发明所述医用图像处理装置及医用图像处理方法对股骨头的医用图像进行分割和不同区域划分显示自动化处理，方便观看，一目了然。
上述医用图像处理装置实现ROI区域分割和疾病诊断的一体化，其分割准确、速度较快，可以为病人提供可靠的诊断结果；能够对医生诊断病变起参考作用；降低基层医院医生的误诊率，减少医生工作量；能够识别和诊断潜在病变。
附图说明
通过参考以下具体实施方式及权利要求书的内容并且结合附图，本发明的其它目的及结果将更加明白且易于理解。在附图中：
图1是本发明所述医用图像处理装置构成框图的示意图；
图2是本发明所述医用图像处理方法流程图的示意图。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
下面将参照附图来对根据本发明的各个实施例进行详细描述。
图1是本发明所述医用图像处理装置构成框图的示意图，如图1所示，所述医用图像处理装置包括：
图像存储部1，用于存储包含股骨头的第一图像；
图像分割部2，分割出仅含有股骨头部分的第二图像，例如，用局部二元拟合(LBF)的方法，将人体髋关节医用图像中的股骨头部分分割出来；
特征检验部3，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
纹理检测部4，包括：
ROI区域选取单元41，在第二图像上选取ROI区域(感兴趣区域，预进行纹理检测的区域，也可以直接将整个第二图像作为ROI区域)；
灰度变换单元42，将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；
细分单元43，将ROI区域细分成多个第二区域，ROI区域面积是第二区域面积的整数倍；
计数单元44，对每个第二区域内的0的个数进行计数；
第一判断单元45，判断第二区域的0的个数是否超过第二阈值，可以作为判断第二区域是否病变的依据；
第一显示单元46，显示超过第二阈值的第二区域的图像，例如将异常部分在第二图像或第一图像内部呈现出来。
优选地，所述细分单元43采取九宫格的方法，将ROI区域分为多个矩形第二区域，例如将ROI区域分为n×n个矩形第二区域，其中，n是可以根据判断精度自行设定的参数，为任何大于1的整数，优选地，将ROI区域分为4×4个矩形第二区域。
在本发明的一个实施例中，图像分割部2包括：
粗搜索模块21，对第一图像进行搜索，在股骨头边缘选取设定数量的轮廓点，形成初始轮廓；
迭代模块22，通过全局线性回归函数和随机森林对初始轮廓进行迭代，直至得到最小化局部二值特征和最小化线性回归量，得到各轮廓点的最佳位置，形成最佳轮廓形状作为分割线，具体地，迭代模块22包括：
随机森林单元，使用随机森林预测形状变化，在每一次迭代中，构建前一次迭代后的轮廓形状的各轮廓点的树，得到各轮廓点的局部二元特征；
全局线性回归单元，在每一次迭代中，通过上一次迭代的轮廓形状后每个轮廓点对应的局部二值特征对全局线性回归器进行训练，确定形状增量，根据形状增量和上一次迭代后的轮廓形状，确定此次迭代的轮廓形状；
最佳轮廓形状获得单元，利用局部二值特征和全局线性回归器分别近似轮廓形状内、外部灰度，通过最小化能量函数进行迭代，得到最小化局部二值特征和最小化线性回归量，形成最佳轮廓形状，
St＝St-1+ΔSmin t＝St-1+Wmin tΦmin t(I,St-1)
其中，t是迭代次数索引，Φmin t(I,St-1)表示对于初始轮廓形状I在t-1次迭代后的轮廓形状St-1的最小化局部二值特征，Wmin t是最小化线性回归量，ΔSmin t是最小形状增量。
在本发明的一个实施例中，特征检测部3包括：
边缘提取单元31，提取第二图像中股骨头边缘部分的点(轮廓点，圆弧部分的点)；
拟合单元32，采用拟合方法(例如最小二乘法)拟合上述各点对应的圆心和半径；
确定单元33，确定各点到拟合的圆心的距离以及所述距离与拟合的半径的差值的绝对值；
第二判断单元34，判断上述差值的绝对值是否大于第三阈值，可以作为判断股骨头病变的依据，将大于第三阈值的绝对值对应的点作为股骨头异常的部分；
第二显示单元35，显示所述绝对值大于第三阈值的点；
加法器36，将各点的所述绝对值相加；
第三判断单元37，判断上述相加的结果是否大于第四阈值，作为判断股骨头病变的依据，如果大于第四阈值，发出预警信号，进行股骨头病变的报警。
在本发明的一个实施例中，上述图像处理装置还包括预处理部5，对第一图像进行滤波去噪和对比度增强，具体地，所述预处理部5包括：中值滤波器51和对比度增强模块52，以便使图像分割部分割结果更为精确，其中，
所述中值滤波器51采用二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像，(x，y)是图像上的二维坐标，med是中值滤波函数，W是二维滑动模板，当二维滑动模板为矩形时，l是矩形长，k是矩形宽。
所述对比度增强模块52包括：
读入单元521，读入中值滤波器滤波后的第一图像；
统计单元522，统计第一图像中各像素点的灰度值出现的次数；
出现概率确定单元523，根据所有灰度值出现的总次数，得到各灰度值的出现概率；
前缀确定单元524，确定各灰度值出现概率的前缀，所述前缀是不大于灰度值的各灰度值的出现概率之和；
均衡化单元525，根据下式(1)和(2)利用各像素点的灰度值的前缀对各像素点进行像素映射，
rq(i)＝Round(r(i)×255) (1)
i->rq(i) (2)
其中，i为像素点索引，r(i)为像素点i的灰度值的前缀，rq(i)为像素点i量化后的灰度级，Round是四舍五入函数，->表示采用rq(i)替代之前的i。
上述各实施例中的医用图像处理装置将局部二元拟合(LBF)应用在股骨头医用图像处理，有足够的精确度和较快的分割速度，针对病变的两种分类方式：参数型和纹理型。对以后的病变分析有一定指导意义。
图2是本发明所述医用图像处理方法流程图的示意图，如图2所示，所述医用图像处理方法包括：
步骤S1，存储包含股骨头的第一图像；
步骤S2，分割出仅含有股骨头部分的第二图像；
步骤S3，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
步骤S4，检测第二图像的纹理特征，包括：在第二图像上选取ROI区域；将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；将ROI区域细分成多个第二区域，ROI区域的面积是第二区域面积的整数倍；对每个第二区域内的0的个数进行计数；判断第二区域的0的个数是否超过第二阈值，显示超过第二阈值的第二区域的图像。
优选地，在步骤S1和步骤S2之间还包括对第一图像进行滤波去噪和对比度增强的预处理步骤，所述预处理步骤包括：
采用中值滤波器对第一图像进行滤波；
统计滤波后的第一图像中各像素点的灰度值出现的次数；
根据所有灰度值出现的总次数，得到各灰度值的出现概率；
确定各灰度值出现概率的前缀，所述前缀是不大于灰度值的各灰度值的出现概率之和；
根据下式(1)和(2)利用各像素点的灰度值的前缀对各像素点进行像素映射，
rq(i)＝Round(r(i)×255)
i->rq(i)
其中，i为像素点索引，r(i)为像素点i的灰度值的前缀，rq(i)为像素点i量化后的灰度级，Round是四舍五入函数。
优选地，所述步骤S2包括：
对第一图像进行搜索，在股骨头边缘选取设定数量的轮廓点，形成初始轮廓；
通过全局线性回归函数和随机森林队初始轮廓进行迭代，直至得到最小化局部特征映射量和最小化线性回归量，得到各轮廓点的最佳位置，形成最佳轮廓形状作为分割线。
优选地，所述步骤S3包括：
提取第二图像中股骨头边缘部分的点；
采用拟合方法拟合上述各点对应的圆心和半径；
确定各点到拟合的圆心的距离以及所述距离与拟合的半径的差值的绝对值；
判断上述差值的绝对值是否大于第三阈值，显示所述绝对值大于第三阈值的点；
将各点的所述绝对值相加；
判断上述相加的结果是否大于第四阈值，如果大于第四阈值，发出预警信号。
尽管前面公开的内容示出了本发明的示例性实施例，但是应当注意，在不背离权利要求限定的范围的前提下，可以进行多种改变和修改。根据这里描述的发明实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明的元素可以以个体形式描述或要求，但是也可以设想具有多个元素，除非明确限制为单个元素。

Claims (10)

1.一种医用图像处理装置，其特征在于，包括：
图像存储部，用于存储包含股骨头的第一图像；
图像分割部，分割出仅含有股骨头部分的第二图像；
特征检验部，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
纹理检测部，包括：ROI区域选取单元，在第二图像上选取ROI区域；灰度变换单元，将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；细分单元，将ROI区域细分成多个第二区域，ROI区域面积是第二区域面积的整数倍；计数单元，对每个第二区域内的0的个数进行计数；第一判断单元，判断第二区域的0的个数是否超过第二阈值；第一显示单元，显示超过第二阈值的第二区域的图像。
2.根据权利要求1所述的医用图像处理装置，其特征在于，所述特征检测部包括：
边缘提取单元，提取第二图像中股骨头边缘部分的点；
拟合单元，采用拟合方法拟合上述各点对应的圆心和半径；
确定单元，确定各点到拟合的圆心的距离以及所述距离与拟合的半径的差值的绝对值；
第二判断单元，判断上述差值的绝对值是否大于第三阈值；
第二显示单元，显示所述绝对值大于第三阈值的点；
加法器，将各点的所述绝对值相加；
第三判断单元，判断上述相加的结果是否大于第四阈值，如果大于第四阈值，发出预警信号。
3.根据权利要求1所述的医用图像处理装置，其特征在于，还包括预处理部，对第一图像进行滤波去噪和对比度增强。
4.根据权利要求3所述的医用图像处理装置，其特征在于，所述预处理部包括中值滤波器和对比度增强模块，其中，所述对比度增强模块包括：
读入单元，读入中值滤波器滤波后的第一图像；
统计单元，统计第一图像中各像素点的灰度值出现的次数；
出现概率确定单元，根据所有灰度值出现的总次数，得到各灰度值的出现概率；
前缀确定单元，确定各灰度值出现概率的前缀，所述前缀是不大于灰度值的各灰度值的出现概率之和；
均衡化单元，根据下式(1)和(2)利用各像素点的灰度值的前缀对各像素点进行像素映射，
rq(i)＝Round(r(i)×255) (1)
i->rq(i) (2)
其中，i为像素点索引，r(i)为像素点i的灰度值的前缀，rq(i)为像素点i量化后的灰度级，Round是四舍五入函数。
5.根据权利要求1所述的医用图像处理装置，其特征在于，所述图像分割部包括：
粗搜索模块，对第一图像进行搜索，在股骨头边缘选取设定数量的轮廓点，形成初始轮廓；
迭代模块，通过全局线性回归函数和随机森林对初始轮廓进行迭代，直至得到最小化局部二值特征和最小化线性回归量，得到各轮廓点的最佳位置，形成最佳轮廓形状作为分割线。
6.根据权利要求1所述的医用图像处理装置，其特征在于，所述细分单元采取九宫格的方法，将ROI区域分为多个矩形第二区域。
7.一种医用图像处理方法，其特征在于，包括：
步骤S1，存储包含股骨头的第一图像；
步骤S2，分割出仅含有股骨头部分的第二图像；
步骤S3，检验第二图像的边缘是否为圆，显示不为圆的部分的图像；
步骤S4，检测第二图像的纹理特征，包括：在第二图像上选取ROI区域；将ROI区域作灰度梯度变换，将灰度梯度大于第一阈值的点置为0；将ROI区域细分成多个第二区域，ROI区域的面积是第二区域面积的整数倍；对每个第二区域内的0的个数进行计数；判断第二区域的0的个数是否超过第二阈值，显示超过第二阈值的第二区域的图像。
8.根据权利要求7所述的医用图像处理方法，其特征在于，所述步骤S3包括：
提取第二图像中股骨头边缘部分的点；
采用拟合方法拟合上述各点对应的圆心和半径；
确定各点到拟合的圆心的距离以及所述距离与拟合的半径的差值的绝对值；
判断上述差值的绝对值是否大于第三阈值，显示所述绝对值大于第三阈值的点；
将各点的所述绝对值相加；
判断上述相加的结果是否大于第四阈值，如果大于第四阈值，发出预警信号。
9.根据权利要求7所述的医用图像处理方法，其特征在于，所述步骤S2包括：
对第一图像进行搜索，在股骨头边缘选取设定数量的轮廓点，形成初始轮廓；
通过全局线性回归函数和随机森林对初始轮廓进行迭代，直至得到最小化局部二值特征和最小化线性回归量，得到各轮廓点的最佳位置，形成最佳轮廓形状作为分割线。
10.根据权利要求7所述的医用图像处理方法，其特征在于，在步骤S1和步骤S2之间还包括对第一图像进行滤波去噪和对比度增强的预处理步骤，所述预处理步骤包括：
采用中值滤波器对第一图像进行滤波；
统计滤波后的第一图像中各像素点的灰度值出现的次数；
根据所有灰度值出现的总次数，得到各灰度值的出现概率；
确定各灰度值出现概率的前缀，所述前缀是不大于灰度值的各灰度值的出现概率之和；
根据下式(1)和(2)利用各像素点的灰度值的前缀对各像素点进行像素映射，
rq(i)＝Round(r(i)×255) (1)
i->rq(i) (2)
其中，i为像素点索引，r(i)为像素点i的灰度值的前缀，rq(i)为像素点i量化后的灰度级，Round是四舍五入函数。
CN201810548920.5A 2018-05-31 2018-05-31 医用图像处理装置及医用图像处理方法 Active CN108846834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810548920.5A CN108846834B (zh) 2018-05-31 2018-05-31 医用图像处理装置及医用图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810548920.5A CN108846834B (zh) 2018-05-31 2018-05-31 医用图像处理装置及医用图像处理方法

Publications (2)

Publication Number Publication Date
CN108846834A true CN108846834A (zh) 2018-11-20
CN108846834B CN108846834B (zh) 2020-11-20

Family

ID=64210316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810548920.5A Active CN108846834B (zh) 2018-05-31 2018-05-31 医用图像处理装置及医用图像处理方法

Country Status (1)

Country Link
CN (1) CN108846834B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286231A (zh) * 2008-06-04 2008-10-15 四川虹微技术有限公司 一种均匀分布图像亮度的对比度增强方法
CN101710425A (zh) * 2009-12-25 2010-05-19 南京航空航天大学 基于图像灰度梯度和灰度统计直方图的自适应预分割方法
CN103345748A (zh) * 2013-06-26 2013-10-09 福建师范大学 一种人体组织细胞双光子显微图像的定位分割方法
CN103606137A (zh) * 2013-11-13 2014-02-26 天津大学 保持背景和细节信息的直方图均衡化方法
CN104036521A (zh) * 2014-07-03 2014-09-10 重庆大学 一种新的视网膜眼底图像分割方法
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法
CN105675625A (zh) * 2016-03-03 2016-06-15 浙江大学 一种梯度迭代阈值分割的水果表面缺陷检测方法
CN107545578A (zh) * 2017-08-25 2018-01-05 沈阳东软医疗系统有限公司 Ct图像中股骨头区域分割方法、装置及设备
CN107610104A (zh) * 2017-08-31 2018-01-19 南通兴华达高实业有限公司 一种基于机器视觉的电梯补偿链r处裂纹检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286231A (zh) * 2008-06-04 2008-10-15 四川虹微技术有限公司 一种均匀分布图像亮度的对比度增强方法
CN101710425A (zh) * 2009-12-25 2010-05-19 南京航空航天大学 基于图像灰度梯度和灰度统计直方图的自适应预分割方法
CN103345748A (zh) * 2013-06-26 2013-10-09 福建师范大学 一种人体组织细胞双光子显微图像的定位分割方法
CN103606137A (zh) * 2013-11-13 2014-02-26 天津大学 保持背景和细节信息的直方图均衡化方法
CN104036521A (zh) * 2014-07-03 2014-09-10 重庆大学 一种新的视网膜眼底图像分割方法
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法
CN105675625A (zh) * 2016-03-03 2016-06-15 浙江大学 一种梯度迭代阈值分割的水果表面缺陷检测方法
CN107545578A (zh) * 2017-08-25 2018-01-05 沈阳东软医疗系统有限公司 Ct图像中股骨头区域分割方法、装置及设备
CN107610104A (zh) * 2017-08-31 2018-01-19 南通兴华达高实业有限公司 一种基于机器视觉的电梯补偿链r处裂纹检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHIYONG GAO 等: ""Automatic Segmentation of the Left Ventricle in Cardiac MRI Using Local Binary Fitting Model and Dynamic Programming Techniques"", 《DOI: 10.1371/JOURNAL.PONE.0114760》 *
张弘 等: ""基于灰度-梯度共生矩阵的最大条件熵阈值法"", 《现代电子技术》 *
王森森: ""基于图像样例的人脸检测算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
韦轶群 等: "基于自适应Grapg Cuts的自动股骨头分割"", 《上海交通大学学报》 *

Also Published As

Publication number Publication date
CN108846834B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111539930B (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
US10176408B2 (en) Systems and methods for analyzing pathologies utilizing quantitative imaging
Ruiz et al. A decision support system for the diagnosis of melanoma: A comparative approach
Farooq et al. Automatic lesion detection system (ALDS) for skin cancer classification using SVM and neural classifiers
Ferreira et al. Segmentation algorithms for ear image data towards biomechanical studies
Kumar et al. Automatic segmentation of liver and tumor for CAD of liver
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
EP1997068B1 (en) Method and system for discriminating image representations of classes of objects
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及系统
CN103607947A (zh) 解剖标志的检测
Ahammad et al. Image processing based segmentation techniques for spinal cord in MRI
Baselice Ultrasound image despeckling based on statistical similarity
CN104838422B (zh) 图像处理设备及方法
EP3188127A1 (en) Method and system for performing bone multi-segmentation in imaging data
Loncaric et al. 3-D image analysis of intra-cerebral brain hemorrhage from digitized CT films
CN110706241A (zh) 一种三维病灶区域提取方法和装置
CN112184684A (zh) 一种改进的YOLO-v3算法及其在肺结节检测中的应用
US10748287B2 (en) System and method for automated detection and measurement of corneal haze and demarcation line in optical coherence tomography images
Remya et al. Enhanced DWT Filtering technique for brain tumor detection
Junejo et al. Brain tumor segmentation using 3d magnetic resonance imaging scans
WO2002024075A1 (en) Detect surface points of an ultrasound image
Mayo et al. Automatic evaluation of the image quality of a mammographic phantom
CN108846834A (zh) 医用图像处理装置及医用图像处理方法
Karmakar et al. An automatic approach for cell detection and segmentation of corneal endothelium in specular microscope
Vasilache et al. Automated bone segmentation from pelvic CT 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
GR01 Patent grant
GR01 Patent grant