CN109978811A - 医疗图像差异比对方法及其系统 - Google Patents

医疗图像差异比对方法及其系统 Download PDF

Info

Publication number
CN109978811A
CN109978811A CN201810029729.XA CN201810029729A CN109978811A CN 109978811 A CN109978811 A CN 109978811A CN 201810029729 A CN201810029729 A CN 201810029729A CN 109978811 A CN109978811 A CN 109978811A
Authority
CN
China
Prior art keywords
image
window area
window
difference
those
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.)
Pending
Application number
CN201810029729.XA
Other languages
English (en)
Inventor
陈建任
陈冠安
黄素珍
蒋岳珉
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.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
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 Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN109978811A publication Critical patent/CN109978811A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A61B3/1241—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • A61B3/145—Arrangements specially adapted for eye photography by video means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Vascular Medicine (AREA)
  • Hematology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种医疗图像差异比对方法，包括以下步骤：取得多个在不同时间点对同一被测物体所捕获的图像；检测图像中第一图像与第二图像的特征点以取得相对应的第一特征点组与第二特征点组；依据第一图像的第一特征点组与第二图像的第二特征点组进行图像对齐，以产生重迭图像信息；利用滑动视窗遮罩，逐一捕获重迭图像信息中的第一比对图像与第二比对图像所对应的视窗区域，并计算第一比对图像与第二比对图像所对应的视窗区域中匹配点数量与未匹配点数量的比率，使各视窗区域产生图像差异比。此外，一种医疗图像差异比对系统也被提出。

Description

医疗图像差异比对方法及其系统
技术领域
本发明是有关于一种图像差异比对方法及其系统，且特别是有关于一种能辅助医师判诊的医疗图像差异比对方法及其系统。
背景技术
随着图像医学诊断技术的蓬勃发展，人类开始透视身体内的器官，来辅助医疗人员诊断病患身体状况，得以在症状出现前发现体内细微的病变。
眼底检查主要目的在于检查眼底是否有病变，例如：视网膜剥离、视神经炎、黄斑部病变、青光眼等病变，尤其，眼睛是全身唯一能以非侵入方式，检测血管分布的器官，因而眼睛可以当作全身重要器官的缩影。据此，眼底图像除了可以作为眼科医师诊疗眼部疾病之用以外，在临床上很多全身性的疾病都能从眼睛的检查中发现问题，故如新陈代谢科或脑神经科等其他科别的医师，也可透过眼底图像来及早发现如糖尿病、高血压、高血脂或自体免疫等其他全身性疾病的病征、病变。
现有的医疗图像捕获技术来说，以上述眼底图像为例，病患必须每两年作一次的眼底摄影检查来追踪眼底病变状况，然而，受限于每一次取像的角度、光源、亮度及设定参数等差异，导致每次取像到的图像内容不尽相同。此外，医师必须以人工的方式找出不同时间的眼底图像的差异之处，此举不仅耗时、费力，并且透过人工辨识图像差异可能有误判的疑虑，且图像差异之处也会因不同医师的主观认定而也有不同的判断标准。
因此，如何改良并能提供一种“医疗图像差异比对方法及其系统”来避免上述所遭遇到的问题，是业界所亟待解决的课题
发明内容
本发明提供一种医疗图像差异比对方法及医疗图像差异比对系统，可供医师比对不同时间点对同一使用者的身体部位的医疗图像，以快速找出不同时间所拍摄的医疗图像的变异区域，藉此变异区域来辅助医师判诊。
本发明的实施例提出一种医疗图像差异比对方法，此方法包括以下步骤：取得多个在不同时间点对同一被测物体所捕获的图像，各图像包括在第一时间被捕获的第一图像以及在第二时间被捕获的第二图像；检测第一图像的特征点以取得第一特征点组，并检测第二图像的特征点以取得第二特征点组；依据第一图像的第一特征点组与第二图像的第二特征点组进行图像对齐，以产生重迭图像信息，其中重迭图像信息包括对应于第一图像的第一比对图像以及对应于第二图像的第二比对图像；以及利用滑动视窗遮罩，逐一捕获重迭图像信息中第一比对图像与第二比对图像所对应的视窗区域，并计算第一比对图像与第二比对图像所对应的视窗区域中匹配点数量与未匹配点数量的比率，使各视窗区域产生图像差异比。
本发明的实施例提出一种医疗图像差异比对系统，此系统包括图像处理装置以及图像运算装置。图像处理装置包括图像取得模块、特征提取模块以及信息校准模块。图像取得模块取得多个在不同时间点对同一被测物体所捕获的图像，各图像包括在第一时间被捕获的第一图像以及在第二时间被捕获的第二图像。特征提取模块耦接于图像取得模块，特征提取模块检测第一图像的特征点以取得第一特征点组，并检测第二图像的特征点以取得第二特征点组。信息校准模块耦接于特征提取模块，信息校准模块依据第一图像的第一特征点组与第二图像的第二特征点组进行图像对齐，以产生重迭图像信息，其中重迭图像信息包括对应于第一图像的第一比对图像以及对应于第二图像的第二比对图像。图像运算装置耦接于图像处理装置，图像运算装置包括差异比对模块，差异比对模块利用滑动视窗遮罩，逐一捕获重迭图像信息中第一比对图像与第二比对图像所对应的视窗区域，并计算第一比对图像与第二比对图像所对应的视窗区域中匹配点数量与未匹配点数量的比率，使各视窗区域产生图像差异比。
基于上述，在本发明的医疗图像差异比对方法及医疗图像差异比对系统中，通过图像差异比的产生，以快速找出不同时间对同一使用者的身体部位所拍摄的医疗图像的变异区域，此举不仅能降低医师因人工方式找出不同时间的眼底图像的差异之处所导致的耗时、费力且误判的问题，更使得医生可客观判断变异区域是否为恶化的情况，进而能便于后续安排相关追踪处置，藉此达到辅助诊断的目的。
为让本发明能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。
附图说明
图1为本发明实施例的医疗图像差异比对系统的方块示意图。
图2为本发明实施例的医疗图像差异比对方法的流程示意图。
图3A为本发明实施例在第一时间对同一被测物体的眼睛拍摄所捕获眼底图像的示意图。
图3B为本发明实施例在第二时间对同一被测物体的眼睛拍摄所捕获眼底图像的示意图。
图4A为图3A检测第一图像的特征点的示意图。
图4B为图3B检测第二图像的特征点的示意图。
图5A为本发明实施例第一图像对齐第二图像的示意图。
图5B为由图5A中捕获出重迭图像信息的示意图。
图6为本发明实施例滑动视窗遮罩移动的示意图。
图7A为本发明实施例图像差异比的数值对应至视窗区域的累积数量的统计分布示意图。
图7B为本发明实施例图像差异比的数值对应至视窗区域的累积数量的统计分布示意图。
图8A为本发明实施例统计图样配合连通元件标记的示意图。
图8B为本发明实施例重迭图像信息使用连通元件标记的示意图。
图8C为本发明另实施例重迭图像信息使用连通元件标记的示意图。
图9A为本发明实施例图像差异比的数值对应至视窗区域的累积数量的统计分布示意图。
图9B为本发明实施例图像差异比的数值对应至视窗区域的数量的统计分布示意图。
图9C为图9B中实施例的视窗区域连通面积对应至个数的统计分布示意图。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此限制本发明的保护范围。
图1为本发明实施例的医疗图像差异比对系统的方块示意图。请参阅图1，本实施例的医疗图像差异比对系统10包括图像处理装置12、图像运算装置14以及输出装置16。
在本实施例中，图像处理装置12可对多个在不同时间点拍摄被测物体所捕获的图像执行一连串的图像处理程序，以汇入图像(Import Images)、特征提取(FeatureExtraction)，并进行特征点匹配(Feature Points Matching)与图像对齐(ImageAlignment)，进而取得两个图像的交集图像区域作为分析时的感兴趣区域(Region ofInterest，ROI)。
详细而言，图像处理模块12包括图像取得模块122、特征提取模块124以及信息校准模块126。
在本实施例中，图像取得模块122例如为任何具备摄像功能的电子装置，例如摄像机，其包含一个或多个CCD或CMOS元件，但本发明并不限于此。在实施例中，图像取得模块122也可为图像信息传输介面装置，用以接收其他图像端所传输的图像信息或传输图像信息至其他装置。
图像取得模块122用以对被测物体进行拍摄，以捕获被测物体的图像，其中被测物体例如是使用者的身体部位，图像例如包含血管分布图样(如：血管直径、分枝角度及弯曲度)。在一个具体实施例中，图像取得模块122为可摄取图像的视力检查设备，用以对被测物体的眼睛进行拍摄以捕获眼底图像(Retinal Image)。
在本实施例中，特征提取模块124可透过硬件(例如积体电路)、软件(例如处理器执行的程式指令)或其组合来实现。特征提取模块124耦接图像取得模块122，特征提取模块124接收图像取得模块122所汇入的图像。特征提取模块124用以检测图像的特征点。
在本实施例中，信息校准模块126可透过硬件(例如积体电路)、软件(例如处理器执行的程式指令)或其组合来实现。信息校准模块126耦接特征提取模块124，信息校准模块126接收特征提取模块124所传输的不同图像的特征点，依据两个图像的特征点进行特征点匹配与图像对齐，进而取得两个图像的交集图像区域，以产生重迭图像信息。
在本实施例中，图像运算装置14可透过硬件(例如积体电路)、软件(例如处理器执行的程式指令)或其组合来实现，图像运算装置14耦接图像处理装置12，图像运算装置14接收图像处理装置12中信息校准模块126所传输的重迭图像信息，图像运算装置14可对重迭图像信息执行一连串的图像处理程序，以搜寻并计算重迭图像信息中各视窗区域的图像差异比，并依据图像差异比来归类各视窗区域之间的关联程度，进而标注所欲关注的差异区域。
详细而言，图像运算装置14包括差异比对模块142、归类连通模块144以及图像标注模块146。
在本实施例中，差异比对模块142是利用滑动视窗遮罩(Sliding Widow Mask)，逐一捕获重迭图像信息中两个图像所对应的视窗区域，并计算两个图像所对应的视窗区域中匹配点数量与未匹配点数量的比率，使各个视窗区域产生图像差异比。
在本实施例中，归类连通模块144耦接差异比对模块142。归类连通模块144是利用连通元件标记法(Connecting Component labeling)的原理，依据各个视窗区域的图像差异比的数值，以归类各个视窗区域之间的连通性。
在本实施例中，图像标注模块146耦接归类连通模块144。图像标注模块146依据各个视窗区域之间的连通性，以标注在重迭图像信息上所欲关注的差异区域。
在本实施例中，输出装置16耦接图像运算装置14，输出装置16用以输出重迭图像信息及标注所关注的变异区域。输出装置16例如为显示面板，故利用画面方式来显示重迭图像信息上所欲关注的变异区域，藉此变异区域来辅助医师判诊。然本发明并不限于此，在其他实施例中，输出装置16可透过声音、文字、灯色等方式来呈现重迭图像信息上不同差异程度的差异区域。
图2为本发明实施例的医疗图像差异比对方法的流程示意图。本实施例的医疗图像差异比对方法S100能适用于图1的医疗图像差异比对系统10。
在本实施例中，本实施例的医疗图像差异比对方法S100包括以下步骤S110至步骤S160。
于步骤S110中，取得多个在不同时间点对同一被测物体所捕获的图像，各该图像例如包括在第一时间被捕获的第一图像以及在第二时间被捕获的第二图像。
在实施例中，第一时间异于第二时间，在前后两次拍摄图像中的一者是被选作参考图像(如第一图像)，而另一个图像(如第二图像)为待比对图像。此外，步骤S110中在不同时间对同一被测物体所捕获的图像，也不限制于拍摄角度、亮度、对比、饱和感及锐利度的前后两次拍摄的图像。举例而言，请参阅图3A与图3B，图3A为本发明实施例在第一时间对同一被测物体的眼睛拍摄所捕获眼底图像的示意图。图3B为本发明实施例在第二时间对同一被测物体的眼睛拍摄所捕获眼底图像的示意图。在本实施例中，图像取得模块122在不同时间点对同一被测物体的眼睛进行拍摄以捕获眼底图像(Retinal Image)，如图3A所示，在第一时间被捕获的第一图像302包括眼底的第一血管图样312；如图3B所示，在第二时间被捕获的第二图像304包括眼底的第二血管图样314，相较于第一图像302中第一血管图样312的位置，第二图像304中第二血管图样314的位置有偏移。
请再参阅图2，于步骤S120中，检测第一图像的特征点以取得第一特征点组，并检测第二图像的特征点以取得第二特征点组，其中特征点例如为亮度或色彩空间具歧异点的位置。
在本实施例中，特征提取模块124例如是透过尺度不变特征转换(ScaleInvariant Feature Transform，SIFT)演算法、加速强健特征(Speeded-Up RobustFeatures，SURF)演算法等图像特征提取技术来取得所述的第一图像的第一特征组与第二图像的第二特征组。举例而言，请参阅图4A与图4B，图4A为图3A检测第一图像的特征点的示意图。图4B为图3B检测第二图像的特征点的示意图。在本实施例中，如图4A所示，特征提取模块124透过前述图像特征提取技术取得第一图像302中的特征点P11～P16(第一特征点组)与第二图像304中的特征点P21～P25(第二特征点组)，并且，找到第一图像302中的特征点P11～P15(第一特征点组)与第二图像304中的特征点P21～P25(第二特征点组)一一对应，在实施例中，第一图像302中的特征点P16，并未与第二图像304有对应的特征点，但并未限制本发明。
请再参阅图2，于步骤S130中，依据第一图像302的第一特征点组与第二图像304的第二特征点组进行图像对齐，以产生重迭图像信息306。举例而言，请参阅图5A与图5B，图5A为本发明实施例第一图像对齐第二图像的示意图。图5B为由图5A中捕获出重迭图像信息的示意图。在本实施例中，信息校准模块126例如是透过随机抽样一致算法(Random SampleConsensus，RANSAC)，并透过如仿射(Affine)的对应方式，以完成图像对齐(如图5A所示)，特征对齐后的图像中，捕获第一图像302与第二图像304的交集图像区域306作为分析的感兴趣区域(Region of Interest，ROI)，以产生重迭图像信息308(如图5B所示)，其中重迭图像信息308包括对应于第一图像302的第一比对图像402以及对应于第二图像304的第二比对图像404(如图6所示)。图6为本发明实施例滑动视窗遮罩移动的示意图。需说明的是，为了便于清楚说明，图6中是将图5重迭图像信息308中的第一比对图像402与第二比对图像404区分开，实际上，第一比对图像402与第二比对图像404是为彼此迭合在一起。
请再参阅图2，于步骤S140中，利用滑动视窗遮罩(Sliding Widow Mask)50，逐一捕获重迭图像信息308中第一比对图像402与第二比对图像404所对应的视窗区域，并计算第一比对图像402与第二比对图像404所对应的视窗区域中匹配点数量与未匹配点数量的比率，使各个视窗区域产生图像差异比。
在实施例中，差异比对模块142是采用滑动视窗(Sliding Window)的方式，滑动视窗遮罩50例如矩形，但本发明不对此加以限制，滑动视窗遮罩可端视情况而可调整形状。滑动视窗遮罩50逐一捕获第一比对图像402与第二比对图像404所对应的视窗区域rxy，故可将第一比对图像402与第二比对图像404切割为多个视窗区域rxy，其中x为视窗区域的横坐标值，y为视窗区域的纵坐标值。
此外，前后两次移动行程的滑动视窗遮罩50并未重迭，使得各个视窗区域rxy彼此不相互重迭。但本发明不限于此。在其他实施例中，前后两次移动行程的滑动视窗会部分重迭，使得各个视窗区域rxy彼此相互会部分重迭。
在实施例中，图像差异比f(rxy)可为下述数学式(1)或数学式(2)所示：
其中：0≤f(rxy)≤1。
上述数学式(1)与数学式(2)中，ni是第i个图像不匹配的特征点个数，nj是第j个图像不匹配的特征点个数，Mi是第i个图像匹配的特征点个数，Mj是第j个图像匹配的特征点个数，其中第i个图像与第j个图像分别为在不同时间点对同一被侧物体所捕获的图像，以本实施例为例，第一比对图像402为第i个图像，而第二比对图像404为第j个图像。另需说明的是，本发明的图像差异比f(rxy)是计算视窗区域中匹配点数量与未匹配点数量的比率，以上述数学式(1)或数学式(2)的计算方式作为举例，但并非限制本发明。
在本实施例中，滑动视窗遮罩50同时在第一比对图像402与第二比对图像404移动，并在每一次移动时捕获重迭图像信息308中第一比对图像402与第二比对图像404所对应的视窗区域rxy。如图6所示，假设滑动视窗遮罩50移动的初始位置在第一比对图像402与第二比对图像404中的视窗区域r11，同时在第二比对图像404的初始位置在视窗区域r11，计算视窗区域r11中匹配点数量与未匹配点数量的比率，也即检测视窗区域r11中第一比对图像402内的第一特征点组以及第二比对图像404内的第二特征点组，并对第一特征点组与第二特征点组进行特征点匹配，以获得匹配点数量，并计算第一特征点组与第二特征点组匹配点数量与未匹配点数量的比率，通过数学式(1)或数学式(2)使视窗区域r11产生图像差异比f(r11)。
接着，当滑动视窗遮罩50由视窗区域r11移动至视窗区域r21时，同理，视窗区域r21产生图像差异比f(r21)。在实施例中，视窗区域r11与视窗区域r21彼此不相互重迭。但本发明不限于此。在未绘示实施例中，各视窗区域r11与视窗区域r21彼此会部分重迭。
在实施例中，若图像差异比f(rxy)为数学式(1)，当视窗区域r11所产生的图像差异比f(r11)趋近于1，代表第一比对图像402与第二比对图像404被滑动视窗遮罩50所对应的视窗区域r11内的特征点都几乎都未匹配，由此可知，第一比对图像402与第二比对图像404所对应的视窗区域r11差异大。
在实施例中，若图像差异比f(rxy)为数学式(1)，当视窗区域r11所产生的图像差异比f(r11)为0，代表第一比对图像402与第二比对图像404被滑动视窗遮罩50所对应的视窗区域r11内的特征点都匹配，由此可知，第一比对图像402与第二比对图像404所对应的视窗区域r11差异甚小。据此，透过步骤S140，重迭图像信息308中各个视窗区域rxy产生图像差异比f(rxy)，本发明可利用图像差异比f(rxy)的数值大小来辨识第一比对图像402与第二比对图像404两个图像的变异程度，可辅助医师判诊。
于步骤S150中，依据各视窗区域的图像差异比的数值，以归类重迭图像信息中各视窗区域之间的连通性。
在本实施例中，归类连通模块144依据重迭图像信息308中每个视窗区域rxy的图像差异比f(rxy)的数值大小，统计各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量。
详细而言，由前述步骤S140可获知重迭图像信息308中每个视窗区域rxy的图像差异比f(rxy)的数值大小，接着，以累积区间分隔，将符合某一累积区间分类至同一类并计算视窗区域rxy的累积数量n。举例而言，图像差异比f(rxy)的数值介于0到1之间，假设累积区间为0.1，即第一累积区间为0～0.1，第二累积区间为0～0.2，以此类推，直到第十累积区间为0～1.0共10个累积区间。接着，将符合各个累积区间的视窗区域rxy分类至上述相对应的累积区间，并计算在各个累积区间中视窗区域rxy的累积数量n。在本实施例中，上述统计各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量的作法为产生统计分布图样，统计分布图样诸如直方图(Histogram)、长条图(Bar Chart)、圆饼图(Pie Chart)或折线图(Line chart)，在其他实施例中，可由表格方式呈现各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量。以图7A及图7B为例，统计分布图样是为折线图(Line chart)，本实施例的统计分布图样是为图像差异比的数值对应至视窗区域的累积数量n，其中横轴为图像差异比f(rxy)的数值，纵轴为视窗区域的累积数量n。由图7A可看出，随着图像差异比f(rxy)的数值的增加，满足图像差异比f(rxy)的数值越高的视窗区域rxy的数量n上升转为趋缓，换言之，以图7A为例，图像整体变异集中在图像差异比f(rxy)较小的区域，在解读上可以知道两个图像差异甚小。相较之下，由图7B可看出，随着图像差异比f(rxy)的数值的增加，满足图像差异比f(rxy)的数值越高的视窗区域rxy的数量n上升转为急遽，换言之，以图7B为例，图像整体变异集中在图像差异比f(rxy)较大的区域，在解读上可以知道两个图像差异甚大。
于上述统计各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量n之后，请参阅图8A至图8B，图8A为本发明实施例统计图样配合连通元件标记的示意图，图8B为本发明实施例重迭图像信息使用连通元件标记的示意图，图8C为本发明另一实施例重迭图像信息使用连通元件标记的示意图，需说明的是，图8B的重迭图像信息308与图8C的重迭图像信息308的视窗区域的数量仅为举例之用，并非限制本发明。依据图8A的统计图样，图像差异比f(rxy)的数值由小至大扫描。在另一实施例中，图像差异比f(rxy)的数值由大至小扫描。举例而言，当图像差异比f(rxy)的数值为k0，搜寻图8B的重迭图像信息308中图像差异比f(rxy)的数值符合于特定值k0的视窗区域rxy标注为特定视窗区域。图8B中重迭图像信息308的视窗区域r23的图像差异比f(r23)、视窗区域r24的图像差异比f(r24)、视窗区域r31的图像差异比f(r31)以及视窗区域r33的图像差异比f(r33)的数值符合特定值k0，以图8B为例，视窗区域r23、视窗区域r24、视窗区域r31以及视窗区域r33即为特定视窗区域。在另一实施例中，当图像差异比f(rxy)的数值为k-d，以图8C为例，搜寻出视窗区域r21的图像差异比f(r21)、视窗区域r51的图像差异比f(r51)、视窗区域r61的图像差异比f(r61)、视窗区域r52的图像差异比f(r52)、视窗区域r62的图像差异比f(r62)、视窗区域r43的图像差异比f(r43)、视窗区域r44的图像差异比f(r44)、视窗区域r25的图像差异比f(r25)、视窗区域r35的图像差异比f(r35)、视窗区域r36的图像差异比f(r36)、视窗区域r55的图像差异比f(r55)、视窗区域r65的图像差异比f(r65)、视窗区域r56的图像差异比f(r56)以及视窗区域r66的图像差异比f(r66)的数值符合特定值k-d。接着，检测特定视窗区域是否为相邻的视窗区域，若是，将相邻的多个特定视窗区域连通起来而形成变异区域。在本实施例中，利用连通元件标记(Connected componentlabeling)的图像处理方法将上述图像差异比f(rxy)的数值符合特定值且相邻的视窗区域连通起来，连通元件标记可用8个邻点的连通元件标记法(8neighbor point connectedcomponent labeling)，但本发明不以此为限，还可依据4个邻点的连通元件标记法(4neighbor point connected component labeling)。
以图8B为例，视窗区域r23、视窗区域r24以及视窗区域r33为相邻的视窗区域，故将视窗区域r23、视窗区域r24以及视窗区域r33连通起来而形成变异区域20。换言之，本发明可依据图像差异比的数值的不同，从个别的小区域(视窗区域)连通成一个大区域(变异区域)，并且，由于每一个视窗区域是由滑动视窗遮罩50所定义，而滑动视窗遮罩50的面积是可知，因此视窗区域的面积也可推知，故连通后的变异区域20的面积可由各个视窗区域的面积区加总而可推知。以图8B为例，视窗区域r31本身所构成的视窗区域22并未跟其他视窗区域连通而作为一个单位面积，变异区域20是以三个视窗区域所连通，故变异区域20的连通面积即为三个单位面积。在另一实施例中，在未绘示实施例中，各视窗区域移动彼此会部分重迭，故应先将前、后视窗区域的面积加总，并减去前、后视窗区域重迭的部分。
以图8C为例，视窗区域r23本身所构成的视窗区域23并未跟其他视窗区域连通而作为一个单位面积；视窗区域r43与视窗区域r44连通起来而形成变异区域24，变异区域24的连通面积即为两个单位面积；视窗区域r25、视窗区域r35以及视窗区域r36连通起来而形成变异区域25，变异区域25的连通面积即为三个单位面积；视窗区域r51、视窗区域r52、视窗区域r61以及视窗区域r62连通起来而形成变异区域26，视窗区域r55、视窗区域r56、视窗区域r65以及视窗区域r66连通起来而形成变异区域26，变异区域26的连通面积即为四个单位面积。
透过上述步骤S150，依据各视窗区域的图像差异比的数值，以归类重迭图像信息中各视窗区域之间的连通性，接着，于步骤S160中，标注在重迭图像资料上的变异区域。在本实施例中，输出装置16用以输出重迭图像信息308，医师或相关医护人员若想要找寻前几个差异较大的区域，可如前述，给定特定值b，找寻并标注所需变异区域，藉此变异区域来辅助医师判诊。
在本实施例中，请参阅图9A，类似图7A或图7B，图9A是实施例中统计各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量的统计分布图样，以图9A为例，统计分布图样是为直方图(Histogram)，其中横轴为图像差异比f(rxy)的数值，纵轴为视窗区域的累积数量n，在其他实施例中，可由表格方式呈现各图像差异比f(rxy)的数值对应于各视窗区域rxy的累积数量n。以累积区间d分隔，将符合某一累积区间的分成同一类并计算视窗区域的累积数量n。以图9A为例，图像差异比f(rxy)的数值为k时，即图像差异比f(rxy)的数值介于0到k之间，视窗区域的累积数量n有18个；图像差异比f(rxy)的数值为k-d时，即图像差异比f(rxy)的数值介于0到k-d之间，视窗区域的累积数量n有15个；图像差异比f(rxy)的数值为k-2d时，即图像差异比f(rxy)的数值介于0到k-2d之间，视窗区域的累积数量n有10个；图像差异比f(rxy)的数值为k-3d时，即图像差异比f(rxy)的数值介于0到k-3d之间，视窗区域的累积数量n有5个；图像差异比f(rxy)的数值为k-4d时，即图像差异比f(rxy)的数值介于0到k-4d之间，视窗区域的累积数量n有3个；图像差异比f(rxy)的数值为k-5d时，即图像差异比f(rxy)的数值介于0到k-5d之间，视窗区域的累积数量n有2个；图像差异比f(rxy)的数值为k-6d时，即图像差异比f(rxy)的数值介于0到k-6d之间，视窗区域的累积数量n有1个。
接着，由上述视窗区域的累积数量n，可推知每一个图像差异比f(rxy)的数值所对应的视窗区域的数量，如图9B所示，图9B与图9A类似采用直方图(Histogram)的方式呈现，但并非限制本发明，图9B为本发明实施例图像差异比的数值对应至视窗区域的数量的统计分布示意图，其中横轴为图像差异比f(rxy)的数值，纵轴为视窗区域的数量n1。以累积区间d分隔，将符合某一累积区间的分成同一类并计算视窗区域的数量n1。以图9B为例，图像差异比f(rxy)的数值为k-6d时，即图像差异比f(rxy)的数值介于0到k-6d之间，视窗区域的数量n1有1个；图像差异比f(rxy)的数值为k-5d时，视窗区域的累积数量n有2个，需减去图像差异比f(rxy)的数值为k-6d的视窗区域的数量，即图像差异比f(rxy)的数值介于k-6d到k-5d之间中的视窗区域的数量n1有1个；同理，图像差异比f(rxy)的数值为k-4d时，视窗区域的数量n1有1个；图像差异比f(rxy)的数值为k-3d时，视窗区域的数量n1有2个；图像差异比f(rxy)的数值为k-2d时，视窗区域的数量n1有5个；图像差异比f(rxy)的数值为k-d时，视窗区域的数量n1有5个；图像差异比f(rxy)的数值为k时，视窗区域的数量n1有3个，换言之，差异最大的区域为图像差异比f(rxy)的数值为k，图像差异比f(rxy)的数值介于k-d到k之间中的视窗区域的数量n1有3个，差异最小的区域为图像差异比f(rxy)的数值为k-6d，图像差异比f(rxy)的数值介于0到k-6d之间中的视窗区域的数量n1有1个。
接着，利用连通元件标记(Connected component labeling)的图像处理方法，给定特定值b，表示医师(或使用者)欲寻找前b个差异较大的区域。若特定值b为3，即医师(或使用者)想寻找前、后两个图像中差异较大的前3个区域，如图9B所示，因图像差异比f(rxy)的数值为k时，找到3个视窗区域，即达搜寻条件并标注所需变异区域，藉此变异区域来辅助医师判诊。
在实施例中，若特定值b为7，在图像差异比f(rxy)的数值为k，找到3个视窗区域，而在图像差异比f(rxy)的数值为k-d时，找到5个视窗区域，总共8个视窗区域，其已超过所设定的特定值。请参阅图9C与图8C，图9C为图9B中实施例的视窗区域连通面积对应至个数的统计分布示意图，其中横轴为视窗区域连通面积，其由小至大分别为1个单位面积、2个单位面积、3个单位面积以及4个单位面积，纵轴为每个单位面积所具有的个数。图9C为将图9B中图像差异比f(rxy)的数值为k-d的区域，配合图8C所示并对应图9C的直方图，图像差异比f(rxy)的数值为k-d时，视窗区域r23本身所构成的视窗区域23并未跟其他视窗区域连通而作为一个单位面积；变异区域24是由视窗区域r43与视窗区域r44连通，变异区域24的连通面积即为两个单位面积且数量为一个；变异区域25是由视窗区域r25、视窗区域r35以及视窗区域r36连通，变异区域25的连通面积即为三个单位面积且数量为一个。变异区域26数量为两个，其一个是由视窗区域r51、视窗区域r52、视窗区域r61以及视窗区域r62连通，另一个是由视窗区域r55、视窗区域r56、视窗区域r65以及视窗区域r66连通，变异区域26的连通面积即为四个单位面积且数量为两个。因此，本实施例不管是个别视窗区域或连通后的变异区域，依据个别视窗区域或连通后的变异区域的面积大小作排序后，再取4个最大面积区域，以本实施例为例，此时会先取两个变异区域26，再依序取一个变异区域25以及一个变异区域24，即达搜寻条件并标注所需变异区域，藉此变异区域来辅助医师判诊。
综上所述，本发明提出一种医疗图像差异比对方法及医疗图像差异比对系统，通过图像差异比的产生，以快速找出不同时间对同一使用者的身体部位所拍摄的医疗图像的变异区域，此举不仅能降低医师因人工方式找出不同时间的眼底图像的差异之处所导致的耗时、费力且误判的问题，更使得医生可客观判断变异区域是否为恶化的情况，进而能便于后续安排相关追踪处置，藉此达到辅助诊断的目的。
再者，本发明是通过图像差异比，可以知道两个图像所对应的视窗区域上的特征点匹配程度，进而可以获知视窗区域的差异程度大小，故不会受限于每一次取像的角度、光源、亮度及设定参数等差异。
此外，本发明更可通过图像差异比的数值，来归类各视窗区域之间的连通性，并能将邻近关联性相同的视窗区域连通起来，进而可给定特定值，依据特定值作为搜寻条件并标注所需变异区域，藉此变异区域来辅助医师判诊。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，任何所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视后附的申请专利范围所界定者为准。
[符号说明]
10 医疗图像差异比对系统
12 图像处理装置
122 图像取得模块
124 特征提取模块
126 信息校准模块
14 图像运算装置
142 差异比对模块
144 归类连通模块
146 图像标注模块
16 输出装置
20、24、25、26 变异区域
302 第一图像
312 第一血管图样
304 第二图像
306 交集图像区域
308 重迭图像信息
314 第二血管图样
402 第一比对图像
404 第二比对图像
50 滑动视窗遮罩
n 视窗区域的累积数量
n1 视窗区域的数量
k0、k、k-d、k-2d、k-3d 数值
k-4d、k-5d、k-6d 数值
P11～P16 特征点
P21～P25 特征点
r11、r21、r31、r41、r51、r61 视窗区域
r12、r22、r32、r42、r52、r62 视窗区域
r13、r23、r33、r43、r53、r63 视窗区域
r14、r24、r34、r44、r54、r64 视窗区域
r15、r25、r35、r45、r55、r65 视窗区域
r16、r26、r36、r46、r56、r66 视窗区域
22、23 视窗区域
S100 医疗图像差异比对方法
S110～S160 步骤

Claims (15)

1.一种医疗图像差异比对方法，包括以下步骤：
取得多个在不同时间点对同一被测物体所捕获的图像，各该些图像包括在第一时间被捕获的第一图像以及在第二时间被捕获的第二图像；
检测该第一图像的特征点以取得第一特征点组，并检测该第二图像的特征点以取得第二特征点组；
依据该第一图像的该第一特征点组与该第二图像的该第二特征点组进行图像对齐，以产生重迭图像信息，其中该重迭图像信息包括对应于该第一图像的第一比对图像以及对应于该第二图像的第二比对图像；以及
利用滑动视窗遮罩，逐一捕获该重迭图像信息中该第一比对图像与该第二比对图像所对应的多个视窗区域，并计算该第一比对图像与该第二比对图像所对应的各该些视窗区域中匹配点数量与未匹配点数量的比率，使各该些视窗区域产生图像差异比。
2.如权利要求1所述的医疗图像差异比对方法，还包括：
依据各该些视窗区域的该图像差异比的数值，以归类该重迭图像信息中各该些视窗区域之间的连通性。
3.如权利要求2所述的医疗图像差异比对方法，其中归类该重迭图像信息中各该些视窗区域之间的连通性的步骤，包括以下步骤：
统计各该些图像差异比的数值对应于各该些视窗区域的累积数量。
4.如权利要求3所述的医疗图像差异比对方法，其中归类该重迭图像信息中各该些视窗区域之间的连通性的步骤，包括以下步骤：
将各该些图像差异比的该数值符合特定值的各该些视窗区域标注为特定视窗区域；以及
检测各该些特定视窗区域是否为相邻的视窗区域，若是，将相邻的各该些特定视窗区域连通而形成变异区域。
5.如权利要求4所述的医疗图像差异比对方法，还包括：
标注在该重迭图像资料上的该变异区域。
6.如权利要求1所述的医疗图像差异比对方法，其中检测该第一图像的特征点以取得该第一特征点组，并检测该第二图像的特征点以取得该第二特征点组，包括以下步骤：
透过尺度不变特征转换(Scale Invariant Feature Transform，SIFT)演算法、加速强健特征(Speeded-Up Robust Features，SURF)演算法来取得该第一图像的该第一特征组与该第二图像的该第二特征组。
7.如权利要求1所述的医疗图像差异比对方法，其中进行图像对齐包括透过随机抽样一致算法(Random Sample Consensus，RANSAC)，并透过仿射(Affine)的对应方式，以完成该图像对齐。
8.如权利要求1所述的医疗图像差异比对方法，其中利用该滑动视窗遮罩的步骤，包括以下步骤：
将该第一比对图像与该第二比对图像切割为多个视窗区域。
9.如权利要求8所述的医疗图像差异比对方法，其中各该些视窗区域彼此不相互重迭或彼此部分重迭。
10.一种医疗图像差异比对系统，包括：
图像处理装置，包括：
图像取得模块，取得多个在不同时间点对同一被测物体所捕获的图像，各该些图像包括在第一时间被捕获的第一图像以及在第二时间被捕获的第二图像；
特征提取模块，耦接于该图像取得模块，检测该第一图像的特征点以取得第一特征点组，并检测该第二图像的特征点以取得第二特征点组；及
信息校准模块，耦接于该特征提取模块，该信息校准模块依据该第一图像的该第一特征点组与该第二图像的该第二特征点组进行图像对齐，以产生重迭图像信息，其中该重迭图像信息包括对应于该第一图像的第一比对图像以及对应于该第二图像的第二比对
图像；以及
图像运算装置，耦接于该图像处理装置，该图像运算装置包括差异比对模块，该差异比对模块利用滑动视窗遮罩，逐一捕获该重迭图像信息中该第一比对图像与该第二比对图像所对应的视窗区域，并计算该第一比对图像与该第二比对图像所对应的各该些视窗区域中匹配点数量与未匹配点数量的比率，使各该些视窗区域产生图像差异比。
11.如权利要求10所述的医疗图像差异比对系统，其中该图像运算装置还包括：
归类连通模块，耦接于该差异比对模块，依据各该些视窗区域的该图像差异比的数值，以归类各该些视窗区域之间的连通性。
12.如权利要求11所述的医疗图像差异比对系统，其中该图像运算装置还包括：
图像标注模块，耦接于该归类连通模块，该图像标注模块用以标注在该重迭图像资料上的变异区域。
13.如权利要求12所述的医疗图像差异比对系统，还包括：
输出装置，耦接于该图像运算装置，该输出装置用以输出该重迭图像资料上的该变异区域。
14.如权利要求10所述的医疗图像差异比对系统，其中该特征提取模块透过尺度不变特征转换(Scale Invariant Feature Transform，SIFT)演算法、加速强健特征(Speeded-Up Robust Features，SURF)演算法来取得该第一图像的该第一特征组与该第二图像的该第二特征组。
15.如权利要求10所述的医疗图像差异比对系统，其中该信息校准模块透过随机抽样一致算法(Random Sample Consensus，RANSAC)，并透过仿射(Affine)的对应方式进行图像对齐。
CN201810029729.XA 2017-12-27 2018-01-12 医疗图像差异比对方法及其系统 Pending CN109978811A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/855,082 2017-12-27
US15/855,082 US10510145B2 (en) 2017-12-27 2017-12-27 Medical image comparison method and system thereof

Publications (1)

Publication Number Publication Date
CN109978811A true CN109978811A (zh) 2019-07-05

Family

ID=66948973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810029729.XA Pending CN109978811A (zh) 2017-12-27 2018-01-12 医疗图像差异比对方法及其系统

Country Status (3)

Country Link
US (1) US10510145B2 (zh)
CN (1) CN109978811A (zh)
TW (1) TWI656323B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766735B (zh) * 2019-10-21 2020-06-26 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097628A (zh) * 2006-06-28 2008-01-02 西门子公司 用于分析两张成像图像的方法以及医学成像系统
CN102081799A (zh) * 2011-01-10 2011-06-01 西安电子科技大学 基于邻域相似性及双窗口滤波的sar图像变化检测方法
WO2014136899A1 (ja) * 2013-03-06 2014-09-12 株式会社東芝 医用画像診断装置、医用画像処理装置及び制御プログラム
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN106067168A (zh) * 2016-05-25 2016-11-02 深圳市创驰蓝天科技发展有限公司 一种无人机图像变化识别方法
US20170055814A1 (en) * 2014-06-01 2017-03-02 Capsovision ,Inc. Reconstruction of Images from an in Vivo Multi-Camera Capsule with Confidence Matching
CN106934807A (zh) * 2015-12-31 2017-07-07 深圳迈瑞生物医疗电子股份有限公司 一种医学影像分析方法、系统及医疗设备
CN107248172A (zh) * 2016-09-27 2017-10-13 中国交通通信信息中心 一种基于cva和样本选择的遥感影像变化检测方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100530220C (zh) 2006-05-10 2009-08-19 航伟科技股份有限公司 人体影像异常区域统计检测方法
TWI459821B (zh) 2007-12-31 2014-11-01 Altek Corp Identification device of image feature pixel and its identification method
TWI452998B (zh) 2009-06-17 2014-09-21 Univ Southern Taiwan System and method for establishing and analyzing skin parameters using digital image multi-area analysis
US7856135B1 (en) 2009-12-02 2010-12-21 Aibili—Association for Innovation and Biomedical Research on Light and Image System for analyzing ocular fundus images
TW201225003A (en) 2010-12-08 2012-06-16 Hon Hai Prec Ind Co Ltd System and method for marking differences of two images
CN102831381B (zh) 2011-06-15 2016-05-04 罗普特（厦门）科技集团有限公司 影像差异比较系统及方法
GB201208088D0 (en) * 2012-05-09 2012-06-20 Ncam Sollutions Ltd Ncam
WO2014193670A2 (en) 2013-05-29 2014-12-04 Capso Vision, Inc. Reconstruction of images from an in vivo multi-camera capsule
US8885901B1 (en) 2013-10-22 2014-11-11 Eyenuk, Inc. Systems and methods for automated enhancement of retinal images
US10210427B2 (en) * 2014-07-09 2019-02-19 Slyce Acquisition Inc. Systems, methods, and devices for image matching and object recognition in images
TWI579173B (zh) 2014-07-28 2017-04-21 國立中興大學 基於耳朵影像角度變化的駕駛疲勞監控與偵測方法
TWI524878B (zh) 2014-09-16 2016-03-11 國立臺灣大學 疾病檢測方法及穿戴式裝置
KR102067947B1 (ko) 2015-09-11 2020-01-17 아이베리파이 인크. 바이오메트릭 시스템들을 위한 안구-혈관 및 얼굴 인식을 위한 이미지 및 피쳐 품질, 이미지 강화 및 피쳐 추출, 및 얼굴 및/또는 서브-얼굴 정보와 안구-혈관의 융합
TWM528483U (zh) 2016-05-11 2016-09-11 jun-qi Wang 利用影像對活體生物進行特徵辨識的評估系統
CN106846317B (zh) 2017-02-27 2021-09-17 北京连心医疗科技有限公司 一种基于特征提取和相似匹配的医学影像检索方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097628A (zh) * 2006-06-28 2008-01-02 西门子公司 用于分析两张成像图像的方法以及医学成像系统
CN102081799A (zh) * 2011-01-10 2011-06-01 西安电子科技大学 基于邻域相似性及双窗口滤波的sar图像变化检测方法
WO2014136899A1 (ja) * 2013-03-06 2014-09-12 株式会社東芝 医用画像診断装置、医用画像処理装置及び制御プログラム
US20170055814A1 (en) * 2014-06-01 2017-03-02 Capsovision ,Inc. Reconstruction of Images from an in Vivo Multi-Camera Capsule with Confidence Matching
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN106934807A (zh) * 2015-12-31 2017-07-07 深圳迈瑞生物医疗电子股份有限公司 一种医学影像分析方法、系统及医疗设备
CN106067168A (zh) * 2016-05-25 2016-11-02 深圳市创驰蓝天科技发展有限公司 一种无人机图像变化识别方法
CN107248172A (zh) * 2016-09-27 2017-10-13 中国交通通信信息中心 一种基于cva和样本选择的遥感影像变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭文等: "基于轮廓与特征点的医学图像弹性配准方法", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
TW201928295A (zh) 2019-07-16
US20190197689A1 (en) 2019-06-27
US10510145B2 (en) 2019-12-17
TWI656323B (zh) 2019-04-11

Similar Documents

Publication Publication Date Title
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN106909778A (zh) 一种基于深度学习的多模态医学影像识别方法及装置
CN109102491A (zh) 一种胃镜图像自动采集系统及方法
Loureiro et al. Using a skeleton gait energy image for pathological gait classification
TW201121489A (en) Endoscope navigation method and endoscopy navigation system
Bourbakis Detecting abnormal patterns in WCE images
CN106023151A (zh) 一种开放环境下中医舌象目标检测方法
CN109009052A (zh) 基于视觉的嵌入式心率测量系统及其测量方法
CN115462783A (zh) 一种基于骨骼关键点检测的婴幼儿爬行姿态分析系统
CN110111323A (zh) 髋关节检测方法及装置
CN115909487A (zh) 一种基于人体姿态检测的儿童步态异常评估辅助系统
CN107563997A (zh) 一种皮肤病诊断系统、构建方法、诊断方法和诊断装置
Das et al. A framework for liveness detection for direct attacks in the visible spectrum for multimodal ocular biometrics
US20150206064A1 (en) Method for supervised machine learning
CN109241963A (zh) 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
Lee et al. Video analysis of human gait and posture to determine neurological disorders
CN110505383A (zh) 一种图像获取方法、图像获取装置及内窥镜系统
CN109978811A (zh) 医疗图像差异比对方法及其系统
Akhbardeh et al. Classification and assessment of hand arthritis stage using support vector machine
CN111402231A (zh) 一种用于肺部ct影像质量的自动评估系统及方法
WO2014204126A2 (ko) 3차원 초음파 촬영장치 및 그 운영방법
Zhang et al. An approach of region of interest detection based on visual attention and gaze tracking
Patel et al. Glaucoma detection using mask region-based convolutional neural networks
Nagarhalli et al. Evaluating the Effectiveness of the Convolution Neural Network in Detecting Brain Tumors
CN114298962A (zh) 使用超声设备的经引导的肺部覆盖和自动检测

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705