CN108898173B - 一种多尺度多特征的心电图医学图像融合及分类方法 - Google Patents
一种多尺度多特征的心电图医学图像融合及分类方法 Download PDFInfo
- Publication number
- CN108898173B CN108898173B CN201810663789.7A CN201810663789A CN108898173B CN 108898173 B CN108898173 B CN 108898173B CN 201810663789 A CN201810663789 A CN 201810663789A CN 108898173 B CN108898173 B CN 108898173B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- pixel
- scale
- images
- 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.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 58
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种多尺度多特征的心电图医学图像融合及分类方法，其包括以下步骤：步骤1：获取数据库中所有的心电图医学图像，进行包括去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤；步骤2、在多尺度分解过程中，进行平滑处理，进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；步骤3：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；步骤4：并采用Adaboos分类器融合图像F进行分类。本发明可以降低复杂度、提高融合图像的质量、提高分类精确度。
Description
技术领域
本发明属于医疗图像处理技术领域，特别涉及一种多尺度多特征的心电图医学图像融合及分类方法。
背景技术
现有心电图医学图像融合技术主要对两种不同模态的医学图像，根据医学图像模态的不同，医学图像融合系统可以分为三种类型：解剖医学图像与解剖医学图像融合、解剖医学图像与功能医学图像融合以及功能医学图像与功能医学图像融合。MRI-PET和MRI-SPECT医学图像融合系统属于解剖医学图像与功能医学图像融合，该系统的输入图像是灰度和伪彩色。飞利浦公司推出的MRI-PET组合一体化套件将商用的MRI成像扫描仪和具有特殊屏蔽的PET结合起来，得到的图像对癌症转移的诊断及术前分期具有重要的临床价值。
由于像素级多尺度融合方法在不同尺度图像上直接对图像的像素值进行处理，能最大限度地保留输入图像的像素信息和提高融合图像的质量。因此，像素级多尺度方法在医学图像融合领域成为一个研究热点。目前，国内外主要从图像分解与重构方法和图像融合规则方法两个方面出发，提出新的像素级多尺度融合方法。在图像分解与重构方法方面，基于频域的图像融合方法利用傅里叶变换和傅里叶逆变换对图像信号进行不同尺度的分解与重构，但是该类方法具有时间复杂度高和运行时间长的特点，这与高实时性的医疗辅助诊断矛盾，并且对处理的实验平台硬件设施和软件设施要求非常高。后来，研究者们提出利用空域滤波器对图像进行处理来对输入图像进行多尺度分解与重构，该类方法虽然能快速地进行图像分解与重构，但是基于空域的图像融合方法抗噪性差。但是现有方法针对不同模态的医学图像采用同一种特征进行融合。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种降低复杂度、提高融合图像的质量、提高分类精确度的多尺度多特征的心电图医学图像融合及分类方法。
本发明的技术方案如下：
一种多尺度多特征的心电图医学图像融合及分类方法，其包括以下步骤：步骤1：获取数据库中所有的心电图医学图像，进行包括去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖心电图医学图像和伪彩色功能心电图医学图像，分别标记为
和
步骤2、在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对对步骤1的两幅源图像
和
进行平滑处理，使用平滑处理对图像
和
进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；
其中，传播滤波器权值的第一项
表示利用与像素p和像素t邻接的像素之间的距离
和高斯卷积核σa的高斯函数；传播滤波器权值的第二项
表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
步骤3：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
步骤4：并采用Adaboos分类器融合图像F进行分类，分类步骤包括：通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。
进一步的，所述步骤3对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数
主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
进一步的，所述通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器，包括：
2-1)选择第一目标窗口的一部分区域，作为小块目标窗口，所述第一目标窗口与所述第一训练集中的正样本或负样本一样大小；
2-2)从所述第一训练集提取所述小块目标窗口对应的样本特征；
2-3)根据所述小块目标窗口对应的样本特征训练所述小块目标窗口的SVM分类器；
2-4)使用训练出的所述小块目标窗口的SVM分类器检测负样本原始图片集，将识别为正样本的目标区域截取出来投入到所述第一训练集以更新所述第一训练集；
2-5)返回步骤2-2)，重复执行预定的训练次数，训练出所述小块目标窗口的SVM分类器；
2-6)遍历不同大小和不同位置的所有小块目标窗口，按步骤2-1)～2-5)训练所述所有小块目标窗口的SVM分类器；
2-7)使用训练出的所述所有小块目标窗口的SVM分类器检测测试库中的测试图片，得到所述所有小块目标窗口的SVM分类器的正检率；
2-8)按照正检率从高到低对所述所有小块目标窗口的SVM分类器进行排序，将窗口重合面积超过各自预定比例的任意两个窗口的SVM分类器进行合并，保留其中正检率大的SVM分类器；
2-9)按照正检率从高到低对合并后的所有的SVM分类器进行排序，选择排在前面的预定个数的SVM分类器。
进一步的，所述步骤1去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。
本发明的有益效果
本发明采用滤波器和多特征方法进行MRI和SPECT两种不同模态的医学图像融合，利用不同高斯卷积核的传播滤波器将输入图像进行多尺度分解，该方法对图像进行平滑处理，提高平滑图像对噪声的鲁棒性。相对于传统的融合方法，利用亮度、方向以及相位特征来构造融合图像的权值，能获取输入图像更多的重要信息，进而为医生提供更精确的辅助诊疗信息。本发明提供的Adaboost分类器训练方法，通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。与现有技术相比，本发明通过预先训练好的SVM分类器映射获得训练样本的样本特征，避免了大量计算，能够缩短Adaboost分类器的训练时间，同时结合了SVM分类器训练精度高的优点，解决了Adaboost分类器在小样本情况下训练效果不好的问题。进一步地，本发明训练出的Adaboost分类器进行目标检测时，检测速度更快，同时正检率提高，误检率下降，提高了检测效果。
附图说明
图1是本发明提供优选实施例多尺度多特征的心电图医学图像融合及分类方法示意图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示为一种多尺度多特征的心电图医学图像融合及分类方法，其包括以下步骤：
步骤1：获取数据库中所有的心电图医学图像，进行包括去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖心电图医学图像和伪彩色功能心电图医学图像，分别标记为
和
步骤2、在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对对步骤1的两幅源图像
和
进行平滑处理，使用平滑处理对图像
和
进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；
其中，传播滤波器权值的第一项
表示利用与像素p和像素t邻接的像素之间的距离
和高斯卷积核σa的高斯函数；传播滤波器权值的第二项
表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
步骤3：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
步骤4：并采用Adaboos分类器融合图像F进行分类，分类步骤包括：通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。
优选的，所述步骤3对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数
主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
优选的，所述通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器，包括：
2-1)选择第一目标窗口的一部分区域，作为小块目标窗口，所述第一目标窗口与所述第一训练集中的正样本或负样本一样大小；
2-2)从所述第一训练集提取所述小块目标窗口对应的样本特征；
2-3)根据所述小块目标窗口对应的样本特征训练所述小块目标窗口的SVM分类器；
2-4)使用训练出的所述小块目标窗口的SVM分类器检测负样本原始图片集，将识别为正样本的目标区域截取出来投入到所述第一训练集以更新所述第一训练集；
2-5)返回步骤2-2)，重复执行预定的训练次数，训练出所述小块目标窗口的SVM分类器；
2-6)遍历不同大小和不同位置的所有小块目标窗口，按步骤2-1)～2-5)训练所述所有小块目标窗口的SVM分类器；
2-7)使用训练出的所述所有小块目标窗口的SVM分类器检测测试库中的测试图片，得到所述所有小块目标窗口的SVM分类器的正检率；
2-8)按照正检率从高到低对所述所有小块目标窗口的SVM分类器进行排序，将窗口重合面积超过各自预定比例的任意两个窗口的SVM分类器进行合并，保留其中正检率大的SVM分类器；
2-9)按照正检率从高到低对合并后的所有的SVM分类器进行排序，选择排在前面的预定个数的SVM分类器。
优选的，所述步骤1)去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种多尺度多特征的心电图医学图像融合及分类方法，其特征在于，包括以下步骤：
步骤1：获取数据库中所有的心电图医学图像，进行包括去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖心电图医学图像和伪彩色功能心电图医学图像，分别标记为
和
；
步骤2、在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对步骤1的两幅源图像
和
进行平滑处理，使用平滑处理对图像
和
进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；
其中，传播滤波器权值的第一项
表示利用与像素p和像素t邻接的像素之间的距离
和高斯卷积核σa的高斯函数；传播滤波器权值的第二项
表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
步骤3：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
步骤4：并采用Adaboost分类器融合图像F进行分类，分类步骤包括：通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。
2.根据权利要求1所述的多尺度多特征的心电图医学图像融合及分类方法，其特征在于，所述步骤2对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数
主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
3.根据权利要求1所述的多尺度多特征的心电图医学图像融合及分类方法，其特征在于，所述通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器，包括：
2-1)选择第一目标窗口的一部分区域，作为小块目标窗口，所述第一目标窗口与所述第一训练集中的正样本或负样本一样大小；
2-2)从所述第一训练集提取所述小块目标窗口对应的样本特征；
2-3)根据所述小块目标窗口对应的样本特征训练所述小块目标窗口的SVM分类器；
2-4)使用训练出的所述小块目标窗口的SVM分类器检测负样本原始图片集，将识别为正样本的目标区域截取出来投入到所述第一训练集以更新所述第一训练集；
2-5)返回步骤2-2)，重复执行预定的训练次数，训练出所述小块目标窗口的SVM分类器；
2-6)遍历不同大小和不同位置的所有小块目标窗口，按步骤2-1)～2-5)训练所述所有小块目标窗口的SVM分类器；
2-7)使用训练出的所述所有小块目标窗口的SVM分类器检测测试库中的测试图片，得到所述所有小块目标窗口的SVM分类器的正检率；
2-8)按照正检率从高到低对所述所有小块目标窗口的SVM分类器进行排序，将窗口重合面积超过各自预定比例的任意两个窗口的SVM分类器进行合并，保留其中正检率大的SVM分类器；
2-9)按照正检率从高到低对合并后的所有的SVM分类器进行排序，选择排在前面的预定个数的SVM分类器。
4.根据权利要求1所述的多尺度多特征的心电图医学图像融合及分类方法，其特征在于，所述步骤1)去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810663789.7A CN108898173B (zh) | 2018-06-25 | 2018-06-25 | 一种多尺度多特征的心电图医学图像融合及分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810663789.7A CN108898173B (zh) | 2018-06-25 | 2018-06-25 | 一种多尺度多特征的心电图医学图像融合及分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898173A CN108898173A (zh) | 2018-11-27 |
| CN108898173B true CN108898173B (zh) | 2021-01-08 |
Family
ID=64346293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810663789.7A Expired - Fee Related CN108898173B (zh) | 2018-06-25 | 2018-06-25 | 一种多尺度多特征的心电图医学图像融合及分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898173B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236518B (zh) * | 2019-04-02 | 2020-12-11 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
| CN112149596A (zh) * | 2020-09-29 | 2020-12-29 | 厦门理工学院 | 一种异常行为检测方法、终端设备及存储介质 |
| CN113128583B (zh) * | 2021-04-15 | 2022-08-23 | 重庆邮电大学 | 基于多尺度机制和残差注意力的医学图像融合方法及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101078776A (zh) * | 2007-06-29 | 2007-11-28 | 西安奥华电子仪器有限责任公司 | 核测井数据多尺度处理方法 |
| US8873883B2 (en) * | 2007-11-29 | 2014-10-28 | Sri International | Multi-scale adaptive fusion with contrast normalization |
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
| CN107085830A (zh) * | 2016-10-25 | 2017-08-22 | 湘潭大学 | 基于传播滤波的单幅图像去雾方法 |
-
2018
- 2018-06-25 CN CN201810663789.7A patent/CN108898173B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101078776A (zh) * | 2007-06-29 | 2007-11-28 | 西安奥华电子仪器有限责任公司 | 核测井数据多尺度处理方法 |
| US8873883B2 (en) * | 2007-11-29 | 2014-10-28 | Sri International | Multi-scale adaptive fusion with contrast normalization |
| CN104367317A (zh) * | 2014-10-15 | 2015-02-25 | 北京理工大学 | 多尺度特征融合的心电图心电信号分类方法 |
| CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
| CN107085830A (zh) * | 2016-10-25 | 2017-08-22 | 湘潭大学 | 基于传播滤波的单幅图像去雾方法 |
Non-Patent Citations (4)
| Title |
|---|
| Fast multi-scale feature fusion for ECG heartbeat classification;Danni Ai等;《EURASIP Journal on Advances in Signal Processing》;20150531;第1-11页 * |
| Propagated image filtering;Jen-Hao Rick Chang等;《2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20151015;第10-18页 * |
| 像素级多尺度医学图像融合方法研究;杜娇;《中国博士学位论文全文数据库》;20180415(第4期);I138-4 * |
| 移动心电信号质量评估的分析与研究;张亚涛;《中国博士学位论文全文数据库》;20160415(第4期);I136-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898173A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nida et al. | Melanoma lesion detection and segmentation using deep region based convolutional neural network and fuzzy C-means clustering | |
| Shorfuzzaman | An explainable stacked ensemble of deep learning models for improved melanoma skin cancer detection | |
| CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
| CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
| CN108898593B (zh) | 一种基于腹部ct医学图像融合分类的检测装置 | |
| Chalakkal et al. | Automatic detection and segmentation of optic disc and fovea in retinal images | |
| Rajan | Recognition of cardiovascular diseases through retinal images using optic cup to optic disc ratio | |
| CN108898173B (zh) | 一种多尺度多特征的心电图医学图像融合及分类方法 | |
| Rodrigues et al. | A two-step segmentation method for breast ultrasound masses based on multi-resolution analysis | |
| Díaz-Pernil et al. | Fully automatized parallel segmentation of the optic disc in retinal fundus images | |
| Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
| AlDera et al. | A model for classification and diagnosis of skin disease using machine learning and image processing techniques | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| Malik et al. | Comparison of brain tumor detection in MRI images using straightforward image processing techniques and deep learning techniques | |
| Mirajkar et al. | Acute ischemic stroke detection using wavelet based fusion of CT and MRI images | |
| Wu et al. | Continuous Refinement-based Digital Pathology Image Assistance Scheme in Medical Decision-Making Systems | |
| Najjar et al. | Histogram features extraction for edge detection approach | |
| Shankara et al. | Detection of lung cancer using convolution neural network | |
| Zheng et al. | Retinal image graph-cut segmentation algorithm using multiscale hessian-enhancement-based nonlocal mean filter | |
| CN108742627B (zh) | 一种基于脑部医学图像融合分类的检测装置 | |
| Valverde et al. | Multiple sclerosis lesion detection and segmentation using a convolutional neural network of 3D patches | |
| Jemshi et al. | Plus disease classification in Retinopathy of Prematurity using transform based features | |
| Raghu et al. | Brain tumor detection based on mri image segmentation using u-net | |
| Rehman et al. | Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano) | |
| Gunjan et al. | An effective user interface image processing model for classification of Brain MRI to provide prolific healthcare |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Shao Yuxia Inventor after: Wang Shaohua Inventor after: Sun Ruilei Inventor after: Li Lei Inventor before: Li Lei |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201217 Address after: 266555 Huangpu River Road, Huangdao District, Qingdao, Shandong 9 Applicant after: Qingdao Huangdao District Central Hospital Address before: 401120 25 Huyun Street, Yubei District, Chongqing Applicant before: CHONGQING ZHIAO TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210108 Termination date: 20210625 |