CN108921179A - 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 - Google Patents
一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 Download PDFInfo
- Publication number
- CN108921179A CN108921179A CN201810657544.3A CN201810657544A CN108921179A CN 108921179 A CN108921179 A CN 108921179A CN 201810657544 A CN201810657544 A CN 201810657544A CN 108921179 A CN108921179 A CN 108921179A
- Authority
- CN
- China
- Prior art keywords
- distance
- chromatic value
- color
- value mean
- region
- 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
- 201000011066 hemangioma Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013139 quantization Methods 0.000 title claims abstract description 22
- 230000003902 lesion Effects 0.000 claims abstract description 57
- 239000002131 composite material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/30044—Fetus; Embryo
-
- 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
- G06T2207/30096—Tumor; Lesion
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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,提取婴幼儿血管瘤图像中的病变部位,将病变部位标记为病变区域,剩余部位标记为皮肤区域;将所述病变区域和皮肤区域的颜色空间由RGB转换为CIELab;提取皮肤区域三个通道的色度值均值,得到皮肤区域色度值均值向量;提取病变区域三个颜色通道的色度值均值,得到病变区域色度值均值向量;利用所述皮肤区域色度值均值向量和病变区域色度值均值向量计算距离,所述距离包括欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离和相关距离;将所述距离输入SVM分类模型,输出分类结果,实现婴幼儿血管瘤病变区域颜色的自动量化;本发明实现了对婴幼儿血管瘤病变区颜色的自动提取与量化。
Description
技术领域
本发明涉及婴幼儿血管瘤图像处理技术领域,具体涉及一种婴幼儿血管瘤病变区颜色的自动提取与量化方法。
背景技术
婴幼儿血管瘤是婴幼儿时期较为多发的良性血管源性肿瘤,一般情况下,发病于新生婴儿身体各个部位,出现时间为出生后的几周到几个月内不定。血管瘤增长迅速,经过初期快速扩张的增殖期后,渐渐进入病变区域不再发生大幅变化的稳定期,最后步入退化期,病变部位逐渐消失。该过程通常持续几年,因人而异,有的病患能够痊愈,有的可能在皮肤上留下永久疤痕。
当医生判断婴儿患有血管瘤后,会对血管瘤的颜色、纹理等进行研究,目前血管瘤颜色的色度凭借医生的经验主观判定,得出的色度值具有很强的主观性,且误差大、难量化、效率低,而色度值作为后续研究的中间参数,若误差较大,会对后续研究产生极大的影响。
发明内容
本发明的目的在于:提供一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,解决了目前采用人工主观判定的主观性、误差大、难量化、效率低等问题。
本发明采用的技术方案如下:
一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,包括以下步骤:
步骤1:提取婴幼儿血管瘤图像中的病变部位,将病变部位标记为病变区域,剩余部位标记为皮肤区域;
步骤2:计算皮肤区域和病变区域间的距离,将所述距离分为训练样本和测试样本;
步骤3:将所述训练样本输入SVM分类模型进行训练,得到训练后的SVM分类模型;
步骤4:将测试样本输入训练后的SVM分类模型,输出病变区颜色的判断结果,实现婴幼儿血管瘤病变区颜色的自动量化。
进一步的,所述步骤1中,病变部位的提取方法为基于混合特征的马尔科夫随机场分割方法。
进一步的,所述基于混合特征的马尔科夫随机场分割方法中的混合特征包括:病变区域在HSV颜色空间下H通道的颜色特征,以及所述颜色特征经过Gabor滤波在0°、30°、60°、90°、120°、150°方向上得到的纹理特征。
进一步的,所述步骤2的具体步骤如下:
步骤21:将所述病变区域和皮肤区域的颜色空间由RGB转换为CIELab;
步骤22:在所述CIELab颜色空间下,提取皮肤区域三个通道的色度值均值,得到皮肤区域色度值均值向量;提取病变区域三个颜色通道的色度值均值,得到病变区域色度值均值向量;
步骤23:利用所述皮肤区域色度值均值向量和病变区域色度值均值向量计算距离,所述距离包括相关距离。
进一步的,所述步骤23中,所述距离还包括欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离中的一种或几种。
进一步的,所述相关距离为:
CRdist=1-CRXY,
欧式距离为:
曼哈顿距离为:MHdist=|XL-YL|+|Xa-Ya|+|Xb-Yb|,
切比雪夫距离为:CSdist=max(|XL-YL|,|Xa-Ya|,|Xb-Yb|),
夹角余弦距离为:
其中,XL表示皮肤区域色度值均值向量中L通道的色度值均值,Xa表示皮肤区域色度值均值向量中a通道的色度值均值,Xb表示皮肤区域色度值均值向量中b通道的色度值均值,YL表示病变区域色度值均值向量中L通道的色度值均值,Ya表示病变区域色度值均值向量中a通道的色度值均值,Yb表示病变区域色度值均值向量中b通道的色度值均值,X表示皮肤区域色度值均值向量(XL,Xa,Xb),Y表示病变区域色度值均值向量(YL,Ya,Yb),E(X)表示向量X的期望,E(Y)表示向量Y的期望,D(X)表示向量X的方差,D(Y)表示向量。
进一步,将病变区颜色的色度分为m个色段,将所述距离输入SVM分类模型后,进行m-1次SVM分类,输出该距离所属的色段,直至全部分类完成。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明实现了对婴幼儿血管瘤图像颜色的自动提取和量化,量化误差低、准确率高。
2.经过对不同颜色空间病变区域像素点色度值的大量实验统计发现,病变区域色度值在CIELab颜色空间中的变化规律最明显,因此本发明将颜色空间转换至CIELab,有效的提高了自动量化的准确性。
3.本发明采用的图像分割方法是基于马尔科夫随机场的分割方法,通过实验对比发现相较于普通的阈值分割方法,该方法的分割结果更为准确,能够有效的将不同时期的病变区域分割出来,用于图像分类,以增加量化的准确性。
4.通过计算皮肤区域色度值均值向量和病变区域色度值均值向量之间的距离,能有效降低光照、抖动等因素的影响。
5.本发明采用SVM分类方法,该方法适合于小样本数据的分类,且有较好的泛化及推广能力。因为婴幼儿血管瘤病情因生长发育或服用专门药物视觉特征变化快且图像采集困难,能获取的有效血管瘤图像数量较少,故婴幼儿血管瘤病变区颜色判断属于小样本分类问题。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的整体流程图;
图2是本发明的分类标准示意图;
图3是本发明的精度对比图;
图4是婴幼儿血管瘤图像采用中值滤波进行预处理的图对比像;
图5是婴幼儿血管瘤图像经过限制对比直方图均衡化处理后的对比图像;
图6是婴幼儿血管瘤图像经过颜色恒常性调整光照颜色处理后的对比图像;
图7是为婴幼儿血管瘤图像中病变区域和皮肤区域的分界示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-6对本发明作详细说明。
一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,包括以下步骤:
步骤1:提取婴幼儿血管瘤图像中的病变部位,将病变部位标记为病变区域,剩余部位标记为皮肤区域;病变部位的提取方法为基于混合特征的马尔科夫随机场分割方法;
所述基于混合特征的马尔科夫随机场分割方法中的混合特征包括:病变区域在HSV颜色空间下H通道的颜色特征,以及所述颜色特征经过Gabor滤波在0°、30°、60°、90°、120°、150°方向上得到的纹理特征。
步骤2:计算皮肤区域和病变区域间的距离;
步骤21:将所述病变区域和皮肤区域的颜色空间由RGB转换为CIELab;
步骤22:在所述CIELab颜色空间下,提取皮肤区域三个通道的色度值均值,得到皮肤区域色度值均值向量;提取病变区域三个颜色通道的色度值均值,得到病变区域色度值均值向量;
步骤23:利用所述皮肤区域色度值均值向量和病变区域色度值均值向量计算距离,所述距离包括相关距离;所述距离还包括欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离中的一种或几种;
所述相关距离为:
CRdist=1-CRXY,
欧式距离为:
曼哈顿距离为:MHdist=|XL-YL|+|Xa-Ya|+|Xb-Yb|,
切比雪夫距离为:CSdist=max(|XL-YL|,|Xa-Ya|,|Xb-Yb|),
夹角余弦距离为:
其中,XL表示皮肤区域色度值均值向量中L通道的色度值均值,Xa表示皮肤区域色度值均值向量中a通道的色度值均值,Xb表示皮肤区域色度值均值向量中b通道的色度值均值,YL表示病变区域色度值均值向量中L通道的色度值均值,Ya表示病变区域色度值均值向量中a通道的色度值均值,Yb表示病变区域色度值均值向量中b通道的色度值均值,X表示皮肤区域色度值均值向量(XL,Xa,Xb),Y表示病变区域色度值均值向量(YL,Ya,Yb),E(X)表示向量X的期望,E(Y)表示向量Y的期望,D(X)表示向量X的方差,D(Y)表示向量。
步骤3:将所述训练样本输入SVM分类模型进行训练,得到训练后的SVM分类模型;
步骤4:将测试样本输入训练后的SVM分类模型,输出病变区颜色的判断结果,实现婴幼儿血管瘤病变区颜色的自动量化;将病变区颜色的色度值分为m个色段,将所述距离输入SVM分类模型后,进行m-1次SVM分类,输出该距离所属的色段,直至全部分类完成。
具体实施例1
在进行病变区域颜色的量化前,需要对输入图像做一系列的预处理,以增强量化结果的可靠性与正确性。
首先是增强图像质量的预处理,其步骤如下:
步骤01:对所述婴幼儿血管瘤图像进行中值滤波(如图3所示);
步骤02:对步骤01得到的图像进行限制对比度直方图均衡化处理(如图4所示);
步骤03:对步骤02得到的图像进行基于颜色恒常性的色度值调整(如图5所示)。
在完成上述图像增强步骤后,需要单独的对图像中的病变区域进行标记(如图5所示,病变区域标记为图5中轮廓线以内部分),标记方法为基于马尔科夫随机场的分割方法。
基于马尔科夫随机场的分割方法具体为:
步骤11:转换血管瘤图像至HSV,并对H通道下的图像做阈值分割,得到一个二维逻辑矩阵H;
步骤12:对图像做6方向Gabor滤波,将得到的6个矩阵相交的到二维逻辑矩阵G;
步骤13:交矩阵H和G得到先验矩阵,用于构建马尔科夫随机场分割病变区域所需的先验概率模型;
步骤14:以步骤13所得的先验概率模型为基础,通过马尔科夫随机场理论将图像中的像素点分别标记成病变区域和皮肤区域。
在正确分离了病变区域和皮肤区域后,将图像的颜色空间由默认的RGB颜色空间转换至CIELab颜色空间,并分别计算病变区域和皮肤区域在该空间下,三个通道中的色度值均值向量。
对图像中病变区域颜色所属相关距离分段进行量化分类(如说明书附图2所示),分类方法采用SVM,具体步骤如下:
步骤1:计算每幅图像中病变区域与皮肤区域色度值均值向量之间的相关距离,根据该值落于该图所在序列图像的所有相关距离值中哪一分段为划分标准,为数据分类,即将分类结果为m个;
步骤2:用得到的皮肤区域与病变区域的向量计算其之间的n种距离Di(i=1,2,3,...,n)。本实施例中计算了欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离和相关距离五种相似性度量距离,得到5维的SVM分类模型输入向量;
步骤3:筛选一部分图像为SVM分类模型的训练样本,将由步骤2得到的SVM分类模型输入向量输入至SVM分类模型中,进行m-1次SVM分类,每次划分一种种类和其他种类两类,直至全部分类完成,本实施例中m=3,得到SVM分类模型;
步骤4:以步骤3得到模型为依据,对测试样本进行分类,最终得到测试样本中皮肤区域与病变区域颜色相关距离值所属色度分段的判定结果。
具体实施例2
本实施例基于实施例1,通过实验展示本方法的实验结果。
本实施例中实验软件环境为Matlab2017a,输入向量包括病变区域的颜色特征向量和距离向量。其中,颜色特征向量用于对比实验结果,其值为病变区域在HSV颜色空间H通道中,颜色直方图内数量分布前十的色度值(0°和360°两个值除外);分类段数为3,即m=3。
实验结果如下:
输入向量 | 颜色特征向量 | 距离向量 |
特征维度 | 10 | 5 |
精确度 | 81.72% | 82.43% |
通过实验结果可知,当输入向量为距离向量时,实验结果的精确度达到了82.43%,虽然与输入单独的颜色特征向量的精确度相比,精确度相差不大,但特征维度更小,计算开销更小。
Claims (7)
1.一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:包括以下步骤:
步骤1:提取婴幼儿血管瘤图像中的病变部位,将病变部位标记为病变区域,剩余部位标记为皮肤区域;
步骤2:计算皮肤区域和病变区域间的距离,将所述距离分为训练样本和测试样本;
步骤3:将所述训练样本输入SVM分类模型进行训练,得到训练后的SVM分类模型;
步骤4:将测试样本输入训练后的SVM分类模型,输出病变区颜色的判断结果,实现婴幼儿血管瘤病变区颜色的自动量化。
2.根据权利要求1所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:所述步骤1中,病变部位的提取方法为基于混合特征的马尔科夫随机场分割方法。
3.根据权利要求2所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:所述基于混合特征的马尔科夫随机场分割方法中的混合特征包括:病变区域在HSV颜色空间下H通道的颜色特征,以及所述颜色特征经过Gabor滤波在0°、30°、60°、90°、120°、150°方向上得到的纹理特征。
4.根据权利要求1所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:所述步骤2的具体步骤如下:
步骤21:将所述病变区域和皮肤区域的颜色空间由RGB转换为CIELab;
步骤22:在所述CIELab颜色空间下,提取皮肤区域三个通道的色度值均值,得到皮肤区域色度值均值向量;提取病变区域三个颜色通道的色度值均值,得到病变区域色度值均值向量;
步骤23:利用所述皮肤区域色度值均值向量和病变区域色度值均值向量计算距离,所述距离包括相关距离。
5.根据权利要求4所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:所述步骤23中,所述距离还包括欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离中的一种或几种。
6.根据权利要求5所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:
所述相关距离为:
CRdist=1-CRXY,
欧式距离为:
曼哈顿距离为:MHdist=|XL-YL|+|Xa-Ya|+|Xb-Yb|,
切比雪夫距离为:CSdist=max(|XL-YL|,|Xa-Ya|,|Xb-Yb|),
夹角余弦距离为:
其中,XL表示皮肤区域色度值均值向量中L通道的色度值均值,Xa表示皮肤区域色度值均值向量中a通道的色度值均值,Xb表示皮肤区域色度值均值向量中b通道的色度值均值,YL表示病变区域色度值均值向量中L通道的色度值均值,Ya表示病变区域色度值均值向量中a通道的色度值均值,Yb表示病变区域色度值均值向量中b通道的色度值均值,X表示皮肤区域色度值均值向量(XL,Xa,Xb),Y表示病变区域色度值均值向量(YL,Ya,Yb),E(X)表示向量X的期望,E(Y)表示向量Y的期望,D(X)表示向量X的方差,D(Y)表示向量。
7.根据权利要求1所述的一种婴幼儿血管瘤病变区颜色的自动提取与量化方法,其特征在于:所述步骤3中,将病变区颜色的色度分为m个色段,将所述距离输入SVM分类模型后,进行m-1次SVM分类,输出该距离所属的色段,直至全部分类完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657544.3A CN108921179B (zh) | 2018-06-22 | 2018-06-22 | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657544.3A CN108921179B (zh) | 2018-06-22 | 2018-06-22 | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921179A true CN108921179A (zh) | 2018-11-30 |
CN108921179B CN108921179B (zh) | 2022-03-18 |
Family
ID=64419537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810657544.3A Expired - Fee Related CN108921179B (zh) | 2018-06-22 | 2018-06-22 | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921179B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469072A (zh) * | 2021-12-08 | 2022-05-13 | 四川大学华西第二医院 | 用摄像机自动预测婴儿心理发育的方法 |
WO2022111195A1 (zh) * | 2020-11-25 | 2022-06-02 | 赣南医学院 | 血管瘤瘤体颜色量化评估系统及评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101523169A (zh) * | 2006-10-02 | 2009-09-02 | 强生消费者公司 | 用于使用L*a*b*色空间来分析皮肤的装置和方法 |
US20120157800A1 (en) * | 2010-12-17 | 2012-06-21 | Tschen Jaime A | Dermatology imaging device and method |
CN103400146A (zh) * | 2013-07-19 | 2013-11-20 | 北京工业大学 | 基于颜色建模的中医面色识别方法 |
CN104331694A (zh) * | 2014-04-02 | 2015-02-04 | 上海齐正微电子有限公司 | 医疗影像特征区域实时提取和标示方法 |
CN105157547A (zh) * | 2015-09-10 | 2015-12-16 | 中国人民解放军南京军区福州总医院 | 一种家庭用小儿血管瘤表面积计算及比色卡 |
CN205903256U (zh) * | 2015-12-15 | 2017-01-25 | 深圳贝申医疗技术有限公司 | 一种用于获取人类皮肤病变区域准确信息的实用比色尺 |
CN106557771A (zh) * | 2016-11-17 | 2017-04-05 | 电子科技大学 | 基于朴素贝叶斯分类器的皮肤病图像颜色特征提取方法 |
CN106803257A (zh) * | 2016-12-22 | 2017-06-06 | 北京农业信息技术研究中心 | 一种作物病害叶片图像中病斑的分割方法 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
-
2018
- 2018-06-22 CN CN201810657544.3A patent/CN108921179B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101523169A (zh) * | 2006-10-02 | 2009-09-02 | 强生消费者公司 | 用于使用L*a*b*色空间来分析皮肤的装置和方法 |
US20120157800A1 (en) * | 2010-12-17 | 2012-06-21 | Tschen Jaime A | Dermatology imaging device and method |
CN103400146A (zh) * | 2013-07-19 | 2013-11-20 | 北京工业大学 | 基于颜色建模的中医面色识别方法 |
CN104331694A (zh) * | 2014-04-02 | 2015-02-04 | 上海齐正微电子有限公司 | 医疗影像特征区域实时提取和标示方法 |
CN105157547A (zh) * | 2015-09-10 | 2015-12-16 | 中国人民解放军南京军区福州总医院 | 一种家庭用小儿血管瘤表面积计算及比色卡 |
CN205903256U (zh) * | 2015-12-15 | 2017-01-25 | 深圳贝申医疗技术有限公司 | 一种用于获取人类皮肤病变区域准确信息的实用比色尺 |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN106557771A (zh) * | 2016-11-17 | 2017-04-05 | 电子科技大学 | 基于朴素贝叶斯分类器的皮肤病图像颜色特征提取方法 |
CN106803257A (zh) * | 2016-12-22 | 2017-06-06 | 北京农业信息技术研究中心 | 一种作物病害叶片图像中病斑的分割方法 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
Non-Patent Citations (5)
Title |
---|
IOANA DUMITRACHE等: "Feature extraction from the contour of skin lesions using box counting principle", 《2015 20TH INTERNATIONAL CONFERENCE ON CONTROL SYSTEMS AND SCIENCE》 * |
SEBASTIAN ZAMBANINI等: "Automatic image-based assessment of lesion development during hemangioma follow-up examinations", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
SERBAN OPRISESCU等: "Automatic Segmentation of Infantile Hemangiomas Within an Optimally Chosen Color Space", 《THE 5TH IEEE INTERNATIONAL CONFERENCE ON E-HEALTH AND BIOENGINEERING》 * |
宋帅领: "色素性皮肤病图像的特征提取与识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
阎金龙等: "婴幼儿血管瘤瘤体颜色变化量化的初步探讨", 《中国小儿血液与肿瘤杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022111195A1 (zh) * | 2020-11-25 | 2022-06-02 | 赣南医学院 | 血管瘤瘤体颜色量化评估系统及评估方法 |
CN114469072A (zh) * | 2021-12-08 | 2022-05-13 | 四川大学华西第二医院 | 用摄像机自动预测婴儿心理发育的方法 |
CN114469072B (zh) * | 2021-12-08 | 2023-08-08 | 四川大学华西第二医院 | 用摄像机自动预测婴儿心理发育的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921179B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reshma et al. | Deep learning-based skin lesion diagnosis model using dermoscopic images. | |
Li et al. | A composite model of wound segmentation based on traditional methods and deep neural networks | |
Kuricheti et al. | Computer vision based turmeric leaf disease detection and classification: a step to smart agriculture | |
Zhou et al. | Automatic detection of exudates in digital color fundus images using superpixel multi-feature classification | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
He et al. | A method of green litchi recognition in natural environment based on improved LDA classifier | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
Senan et al. | Classification of PH2 images for early detection of skin diseases | |
Liu et al. | A novel color-texture descriptor based on local histograms for image segmentation | |
Qin et al. | A framework combining DNN and level-set method to segment brain tumor in multi-modalities MR image | |
Satheesha et al. | Detection of melanoma using distinct features | |
Barın et al. | An automatic skin lesion segmentation system with hybrid FCN-ResAlexNet | |
CN108921179A (zh) | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
CN108921205A (zh) | 一种基于多特征融合的皮肤病临床图像分类方法 | |
CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
Jamil et al. | A rule-based segmentation method for fruit images under natural illumination | |
Zabihi et al. | Retinal vessel segmentation using color image morphology and local binary patterns | |
Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
Senyukova et al. | Automated atlas-based segmentation of NISSL-stained mouse brain sections using supervised learning | |
Fan et al. | Automated blood vessel segmentation in fundus image based on integral channel features and random forests |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220318 |
|
CF01 | Termination of patent right due to non-payment of annual fee |