CN108898593A - 一种基于腹部ct医学图像融合分类的检测方法 - Google Patents
一种基于腹部ct医学图像融合分类的检测方法 Download PDFInfo
- Publication number
- CN108898593A CN108898593A CN201810662562.0A CN201810662562A CN108898593A CN 108898593 A CN108898593 A CN 108898593A CN 201810662562 A CN201810662562 A CN 201810662562A CN 108898593 A CN108898593 A CN 108898593A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- picture
- abdominal
- fusion
- 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
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000002591 computed tomography Methods 0.000 claims abstract description 20
- 210000001015 abdomen Anatomy 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000003628 erosive effect Effects 0.000 claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 238000002203 pretreatment Methods 0.000 claims abstract description 7
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000010339 dilation Effects 0.000 claims abstract description 4
- 230000007797 corrosion Effects 0.000 claims abstract description 3
- 238000005260 corrosion Methods 0.000 claims abstract description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000000241 respiratory effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000012549 training 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
- 238000004380 ashing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002372 labelling 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明请求保护一种基于腹部CT医学图像融合分类的检测方法，包括：获取步骤，获取所述患者的腹部CT扫描图像；预处理步骤，进行预处理得到二值化灰度图像；形态学腐蚀与膨胀步骤，进行形态学腐蚀运算得到腐蚀后的图像，对所述二值化灰度图像进行膨胀运算得到膨胀后的图像；运算步骤，对所述腐蚀后的图像进行开运算得到开运算图，对所述膨胀后的图像进行闭运算得到闭运算图；傅里叶变换部得到傅里叶变换值；腹部医学图像融合分类步骤，用于对腹部CT扫描图像进行融合分类区分；病灶检测步骤，用于对所述傅里叶变换值结合行融合分类区分结果进行判断得到所述患者的疑似病灶区域。本发明可以降低复杂度、提高腹部病灶的识别诊断精确度。
Description
技术领域
本发明属于医疗图像处理技术领域，特别涉及一种基于腹部CT医学图像融合分类的检测方法。
背景技术
现有腹部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、提高检测精确度的基于腹部CT医学图像融合分类的检测方法。
本发明的技术方案如下：
一种基于腹部CT医学图像融合分类的检测方法，用于处理患者的腹部CT医学图像而得到所述患者的疑似病灶区域，其包括，以下步骤：获取步骤，获取所述患者的腹部CT扫描图像，启动CT扫描器对人体的腹部进行电影模式CT扫描，并将所获得的每一张CT图片按人体进入扫描区的先后顺序给CT图像的每一图片赋予床位号和层位号，按扫描成像的时间顺序给CT图像的每一图片赋予相位号；将CT图像的每一图片进行阈值分割并获取人体体表轮廓曲线；以通过人体体表轮廓曲线在垂直方向的最低点的水平线为基准，对每一图片自左向右依次竖向逐点扫描，当图片的一列像素点的像素值全为零时记为零，当图片的一列由上而下有一个像素点的像素值不为零时，便记下第一个像素值不为零的像素点的高度值；然后将所记录的数据按自左向右的顺序排列，再以所得到的排列为行，按床位层位号的顺序由上向下排列，得到每一个床位的轮廓矩阵；将每一轮廓矩阵中所有元素的高度值累加求和，从一个床位中挑出所求和的最大值所对应的一个相位的一组图片，然后以该组图片为起点将相位号大于该组图片相位号的每一组图片按相位号由小到大排列，得到每一个床位内一个完整呼吸周期的图片阵列；预处理步骤，对获取每一个床位内一个完整呼吸周期的图片阵列进行预处理得到二值化灰度图像；形态学腐蚀与膨胀步骤，对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像，对所述二值化灰度图像进行膨胀运算得到膨胀后的图像；运算步骤，对所述腐蚀后的图像进行开运算得到开运算图，对所述膨胀后的图像进行闭运算得到闭运算图；傅里叶变换步骤，对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值；腹部医学图像融合分类步骤，用于对腹部CT扫描图像进行融合分类区分，并将区分结果传输给病灶检测部进行判断；病灶检测部，用于对所述傅里叶变换值结合腹部融合分类区分结果进行判断得到所述患者的疑似病灶区域。所述腹部医学图像融合分类步骤包括以下步骤：数据预处理步骤：获取所述患者的腹部CT扫描图像，进行包括去除所述腹部CT扫描图像中的基线和高频噪声在内的预处理步骤，并将其分为腹部CT扫描灰度解剖图像和伪彩色功能腹部CT扫描图像，分别标记为和
多尺度分解步骤：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，使用平滑处理对信号和进行多尺度分解，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；
重构融合步骤：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；
分类步骤：并采用改进的SVM算法对融合图像F进行分类，SVM模型如下：
其中β∈RP表示β是P维的模型向量，xu表示样例，yn表示类标签，N表示样本数，n∈{1，…，N}表示样本的索引，P表示特征数，p∈{1，…，P}表示特征的索引，β。表示第p个特征对应的模型向量分量，f(xn)表示分类面方程：表示MCP罚函数，φ(β)表示基于相关系数的罚函数，l(yn，f(xn))表示铰链损失函数，λ1、λ2和γ表示可调参数。
进一步的，所述多尺度分解模块对于平滑图像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，所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。
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。本发明最终构造的SVM分类器可以在保证组特征选择准确性的同时，具备oracle性质和组效应性质，可以实现更为有效的特征选择和类标签分类。可以排除一些不必要的训练数据特征，关注于关键的训练数据，并且按照不同的主题过滤策略对数据进行过滤，把所有分类错误的可能性都考虑进去，很大程度上降低误判的风险。
附图说明
图1是本发明提供优选实施例多尺度多特征的腹部医学图像融合及分类方法示意图；
图2是基于腹部医学图像融合分类的检测装置示意图。
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2所示为一种基于腹部CT医学图像融合分类的检测方法，用于处理患者的腹部CT医学图像而得到所述患者的疑似病灶区域，其包括，以下步骤：获取步骤，获取所述患者的腹部CT扫描图像，启动CT扫描器对人体的腹部进行电影模式CT扫描，并将所获得的每一张CT图片按人体进入扫描区的先后顺序给CT图像的每一图片赋予床位号和层位号，按扫描成像的时间顺序给CT图像的每一图片赋予相位号；将CT图像的每一图片进行阈值分割并获取人体体表轮廓曲线；以通过人体体表轮廓曲线在垂直方向的最低点的水平线为基准，对每一图片自左向右依次竖向逐点扫描，当图片的一列像素点的像素值全为零时记为零，当图片的一列由上而下有一个像素点的像素值不为零时，便记下第一个像素值不为零的像素点的高度值；然后将所记录的数据按自左向右的顺序排列，再以所得到的排列为行，按床位层位号的顺序由上向下排列，得到每一个床位的轮廓矩阵；将每一轮廓矩阵中所有元素的高度值累加求和，从一个床位中挑出所求和的最大值所对应的一个相位的一组图片，然后以该组图片为起点将相位号大于该组图片相位号的每一组图片按相位号由小到大排列，得到每一个床位内一个完整呼吸周期的图片阵列；预处理步骤，对获取每一个床位内一个完整呼吸周期的图片阵列进行预处理得到二值化灰度图像；形态学腐蚀与膨胀步骤，对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像，对所述二值化灰度图像进行膨胀运算得到膨胀后的图像；运算步骤，对所述腐蚀后的图像进行开运算得到开运算图，对所述膨胀后的图像进行闭运算得到闭运算图；傅里叶变换步骤，对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值；腹部医学图像融合分类步骤，用于对腹部CT扫描图像进行融合分类区分，并将区分结果传输给病灶检测部进行判断；病灶检测部，用于对所述傅里叶变换值结合腹部融合分类区分结果进行判断得到所述患者的疑似病灶区域。如图1所示，所述腹部医学图像融合分类步骤包括以下步骤：数据预处理步骤：获取所述患者的腹部CT扫描图像，进行包括去除所述腹部CT扫描图像中的基线和高频噪声在内的预处理步骤，并将其分为腹部CT扫描灰度解剖图像和伪彩色功能腹部CT扫描图像，分别标记为和
多尺度分解步骤：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，使用平滑处理对信号和进行多尺度分解，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；
重构融合步骤：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；
分类步骤：并采用改进的SVM算法对融合图像F进行分类，SVM模型如下：
其中β∈RP表示β是P维的模型向量，xu表示样例，yn表示类标签，N表示样本数，n∈{1，…，N}表示样本的索引，P表示特征数，p∈{1，…，P}表示特征的索引，βp表示第p个特征对应的模型向量分量，f(xr)表示分类面方程，表示MCP罚函数，φ(β)表示基于相关系数的罚函数，l(yn，f(xn))表示铰链损失函数，λ1、λ2和γ表示可调参数。
优选的，所述多尺度分解模块对于平滑图像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，所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。
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 (3)
1.一种基于腹部CT医学图像融合分类的检测方法，用于处理患者的腹部CT医学图像而得到所述患者的疑似病灶区域，其特征在于，包括，以下步骤：获取步骤，获取所述患者的腹部CT扫描图像，启动CT扫描器对人体的腹部进行电影模式CT扫描，并将所获得的每一张CT图片按人体进入扫描区的先后顺序给CT图像的每一图片赋予床位号和层位号，按扫描成像的时间顺序给CT图像的每一图片赋予相位号；将CT图像的每一图片进行阈值分割并获取人体体表轮廓曲线；以通过人体体表轮廓曲线在垂直方向的最低点的水平线为基准，对每一图片自左向右依次竖向逐点扫描，当图片的一列像素点的像素值全为零时记为零，当图片的一列由上而下有一个像素点的像素值不为零时，便记下第一个像素值不为零的像素点的高度值；然后将所记录的数据按自左向右的顺序排列，再以所得到的排列为行，按床位层位号的顺序由上向下排列，得到每一个床位的轮廓矩阵；将每一轮廓矩阵中所有元素的高度值累加求和，从一个床位中挑出所求和的最大值所对应的一个相位的一组图片，然后以该组图片为起点将相位号大于该组图片相位号的每一组图片按相位号由小到大排列，得到每一个床位内一个完整呼吸周期的图片阵列；预处理步骤，对获取每一个床位内一个完整呼吸周期的图片阵列进行预处理得到二值化灰度图像；形态学腐蚀与膨胀步骤，对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像，对所述二值化灰度图像进行膨胀运算得到膨胀后的图像；运算步骤，对所述腐蚀后的图像进行开运算得到开运算图，对所述膨胀后的图像进行闭运算得到闭运算图；傅里叶变换步骤，对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值；腹部医学图像融合分类步骤，用于对腹部CT扫描图像进行融合分类区分，并将区分结果传输给病灶检测部进行判断；病灶检测部，用于对所述傅里叶变换值结合腹部融合分类区分结果进行判断得到所述患者的疑似病灶区域。所述腹部医学图像融合分类步骤包括以下步骤：
数据预处理步骤：获取所述患者的腹部CT扫描图像，进行包括去除所述腹部CT扫描图像中的基线和高频噪声在内的预处理步骤，并将其分为腹部CT扫描灰度解剖图像和伪彩色功能腹部CT扫描图像，分别标记为和
多尺度分解步骤：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，使用平滑处理对信号和进行多尺度分解，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；
重构融合步骤：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；
分类步骤：并采用改进的SVM算法对融合图像F进行分类，SVM模型如下：
其中β∈RP表示β是P维的模型向量，xn表示样例，yn表示类标签，N表示样本数，n∈{1，…，N}表示样本的索引，P表示特征数，p∈{1，…，P}表示特征的索引，βp表示第p个特征对应的模型向量分量，f(xn)表示分类面方程，表示MCP罚函数，φ(β)表示基于相关系数的罚函数，1(yn，f(xn))表示铰链损失函数，λ1、λ2和γ表示可调参数。
2.根据权利要求1所述的基于腹部CT医学图像融合分类的检测方法，其特征在于，所述多尺度分解模块对于平滑图像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所述的基于腹部CT医学图像融合分类的检测方法，其特征在于，所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662562.0A CN108898593B (zh) | 2018-06-25 | 2018-06-25 | 一种基于腹部ct医学图像融合分类的检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662562.0A CN108898593B (zh) | 2018-06-25 | 2018-06-25 | 一种基于腹部ct医学图像融合分类的检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898593A true CN108898593A (zh) | 2018-11-27 |
| CN108898593B CN108898593B (zh) | 2020-10-02 |
Family
ID=64346112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810662562.0A Expired - Fee Related CN108898593B (zh) | 2018-06-25 | 2018-06-25 | 一种基于腹部ct医学图像融合分类的检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898593B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741275A (zh) * | 2018-12-28 | 2019-05-10 | 济南大学 | 一种mvct图像的增强方法及系统 |
| CN110415200A (zh) * | 2019-07-26 | 2019-11-05 | 西南科技大学 | 一种骨水泥植入体ct图像层间插值方法 |
| CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
| CN111428713A (zh) * | 2020-03-20 | 2020-07-17 | 华侨大学 | 一种基于特征融合的超声图像自动分类法 |
| CN112349425A (zh) * | 2020-02-10 | 2021-02-09 | 胡秋明 | 新型冠状病毒感染肺炎人工智能快速筛查系统 |
| CN113546921A (zh) * | 2021-07-26 | 2021-10-26 | 贵州电网有限责任公司 | 一种激光金属件清洗除锈钝化机器人和方法 |
| CN114782414A (zh) * | 2022-06-15 | 2022-07-22 | 深圳市迈捷生命科学有限公司 | 一种基于图像数据处理的人工骨数据分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
| CN103970878A (zh) * | 2014-05-15 | 2014-08-06 | 中国石油大学(北京) | Svm分类器的构造方法及装置 |
| CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
-
2018
- 2018-06-25 CN CN201810662562.0A patent/CN108898593B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
| CN103970878A (zh) * | 2014-05-15 | 2014-08-06 | 中国石油大学(北京) | Svm分类器的构造方法及装置 |
| CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
Non-Patent Citations (3)
| Title |
|---|
| JEN-HAO RICK CHANG ET AL.: "Propagated Image Filtering", 《IEEE》 * |
| YISHU PENG ET AL.: "Detail Enhancement for Infrared Images Based on Propagated Image Filter", 《HINDAWI》 * |
| 杜娇: "像素级多尺度医学图像融合方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741275A (zh) * | 2018-12-28 | 2019-05-10 | 济南大学 | 一种mvct图像的增强方法及系统 |
| CN110415200A (zh) * | 2019-07-26 | 2019-11-05 | 西南科技大学 | 一种骨水泥植入体ct图像层间插值方法 |
| CN110415200B (zh) * | 2019-07-26 | 2022-03-08 | 西南科技大学 | 一种骨水泥植入体ct图像层间插值方法 |
| CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
| CN112349425A (zh) * | 2020-02-10 | 2021-02-09 | 胡秋明 | 新型冠状病毒感染肺炎人工智能快速筛查系统 |
| CN111428713A (zh) * | 2020-03-20 | 2020-07-17 | 华侨大学 | 一种基于特征融合的超声图像自动分类法 |
| CN111428713B (zh) * | 2020-03-20 | 2023-04-07 | 华侨大学 | 一种基于特征融合的超声图像自动分类法 |
| CN113546921A (zh) * | 2021-07-26 | 2021-10-26 | 贵州电网有限责任公司 | 一种激光金属件清洗除锈钝化机器人和方法 |
| CN114782414A (zh) * | 2022-06-15 | 2022-07-22 | 深圳市迈捷生命科学有限公司 | 一种基于图像数据处理的人工骨数据分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898593B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898593A (zh) | 一种基于腹部ct医学图像融合分类的检测方法 | |
| Cao et al. | Dual-branch residual network for lung nodule segmentation | |
| Hu et al. | Weakly supervised deep learning for covid-19 infection detection and classification from ct images | |
| Song et al. | Bottleneck feature supervised U-Net for pixel-wise liver and tumor segmentation | |
| Lee et al. | Deep learning applications in chest radiography and computed tomography: current state of the art | |
| Khan et al. | Lungs nodule detection framework from computed tomography images using support vector machine | |
| Liu et al. | Multi-view multi-scale CNNs for lung nodule type classification from CT images | |
| Zhou et al. | Lung cancer cell identification based on artificial neural network ensembles | |
| Wei et al. | Skin disease recognition method based on image color and texture features | |
| Chen et al. | Development and evaluation of a computer‐aided diagnostic scheme for lung nodule detection in chest radiographs by means of two‐stage nodule enhancement with support vector classification | |
| Balakrishnan et al. | Automatic segmentation of white matter hyperintensities from brain magnetic resonance images in the era of deep learning and big data–a systematic review | |
| Wu et al. | Unsupervised brain tumor segmentation using a symmetric-driven adversarial network | |
| Zhong et al. | Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma | |
| CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
| Abbas et al. | Computer‐aided pattern classification system for dermoscopy images | |
| Parekh et al. | Multiparametric deep learning tissue signatures for a radiological biomarker of breast cancer: Preliminary results | |
| Sinha et al. | Medical image processing | |
| El Atlas et al. | Computer-aided breast cancer detection using mammograms: A review | |
| Liu et al. | Automatic delineation of ribs and clavicles in chest radiographs using fully convolutional DenseNets | |
| Xu et al. | Mammographic mass segmentation using multichannel and multiscale fully convolutional networks | |
| Zhuang et al. | Tumor classification in automated breast ultrasound (ABUS) based on a modified extracting feature network | |
| Liu et al. | Patch-driven tongue image segmentation using sparse representation | |
| Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
| Tripathi et al. | Computer-based segmentation of cancerous tissues in biomedical images using enhanced deep learning model | |
| CN108898173A (zh) | 一种多尺度多特征的心电图医学图像融合及分类方法 |
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 |
Inventor after: Liu Xinli Inventor after: Huang Ruibin Inventor after: Wan Zhenfa Inventor after: Cheng Ying Inventor before: Cheng Ying |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200907 Address after: 250031 No. 52 normal road, Tianqiao District, Shandong, Ji'nan Applicant after: THE FOUTH PEOPLE'S HOSPITAL OF JINAN Address before: No. 12, No. 12, Lake Yun street, Chongqing, Chongqing Applicant before: CHONGQING ZHIAO TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |