CN110136088A - 一种人类胚胎心脏超声图像去噪方法 - Google Patents
一种人类胚胎心脏超声图像去噪方法 Download PDFInfo
- Publication number
- CN110136088A CN110136088A CN201910432189.4A CN201910432189A CN110136088A CN 110136088 A CN110136088 A CN 110136088A CN 201910432189 A CN201910432189 A CN 201910432189A CN 110136088 A CN110136088 A CN 110136088A
- Authority
- CN
- China
- Prior art keywords
- pixel
- center
- search
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 27
- 230000000747 cardiac effect Effects 0.000 title claims abstract description 15
- 210000002257 embryonic structure Anatomy 0.000 title claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 210000003754 fetus Anatomy 0.000 description 4
- 210000001161 mammalian embryo Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种人类胚胎心脏超声图像去噪方法,包括以下步骤:S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像;S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度,S3:根据相似度计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值,对中心图像的每一个像素采用上述方法计算对应的最终灰度值,遍历整张中心图像后即获得去噪后的清晰图像。本方法在去噪过程中可以自由调整参数,在去噪效果与时间效率方面做出平衡,本方法不需要训练集的支撑,易于编程实现,算法复杂度较低。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种人类胚胎心脏超声图像去噪方法。
背景技术
目前,超声技术是检测胎儿心脏是否健康的重要手段,但是由于胎儿的特殊性,超声需要额外穿过胎儿母亲的腹部脂肪才能针对胚胎心脏进行成像,这就导致超声图像往往会存在比其他情况下更多的伪影与噪声.针对这种情况,目前的解决方法有以下几种,首先是依据医疗人员的经验,利用未处理的超声图像进行诊断,这种方法对医疗人员的技术水平要求非常高,会消耗大量时间和精力,并且容易造成误诊;第二个是利用传统滤波方式去除噪声,这种方法虽然有一定的去噪效果,但是由于算法未针对超声图像进行优化,导致了图像中一些关键信息的丢失,不利于医生诊断;最后是利用机器学习的方法,使用大量的人类胚胎心脏的超声图像作为训练集,最后得到去噪效果,这种方法需要大量的数据作为训练集,而临床上这些数据很难获得,并且这种方法对硬件的要求很高,耗时也比较长。
发明内容
根据现有技术存在的问题,本发明公开了一种人类胚胎心脏超声图像去噪方法,包括以下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像;
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、计算搜索域对应累计方差,计算平均累计方差、计算搜索域中每个像素的邻域方差、计算搜索域中每个像素的邻域平均欧氏距离、计算搜索域中每个像素与中心像素的相似度;
S3:根据相似度计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值,对中心图像的每一个像素采用上述方法计算对应的最终灰度值,遍历整张中心图像后即获得去噪后的清晰图像。
进一步的,所述中心图像的相邻图像选取方式为:将中心图像的时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
进一步的,所述中心图像的每一个像素与相邻图像对应搜索域的相似度采用如下方式确认:
S21:在中心图像中选取中心像素,将中心像素在相邻图像中相同位置的像素定义为目标像素,以目标像素为中心m×m像素范围的区域定义为搜索域,对于每一个搜索域当中的每一个像素,以该像素为中心的n×n像素范围定义为邻域;
S22:计算相邻图像对应的搜索域中的像素P的累计方差:设像素P的灰度值为s,像素P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此计算像素P在这一搜索域上的累计方差为:
S23:对于中心像素对应的所有搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算搜索域中每个像素的邻域方差:对于一个搜索域的一个像素P,由S23计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素按照S26所提出的方法计算高斯加权权重,将高斯加权权重表示为邻域平均欧氏距离,对于该搜索域当中的第j个像素所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:将一个搜索域中所有像素对应的高斯加权权重的和定义为归一化系数,由S27获取搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数表示为:
S29:计算中心像素与搜索域中像素的相似度,其中中心像素和搜索域中的第j个像素的相似度表示为:
S3中具体采用如下方式:S31:计算第k张相邻图像对应的中心像素的灰度值:设sj为此图像搜索域中的第j个像素的灰度值,设第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对于相邻图像采用S31提出的方法计算对应中心像素的灰度值,对相邻图像的对应中心像素的灰度值进行取平均操作即得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值最终得到整幅图像的去噪结果。
由于采用了上述技术方案,本发明提供的一种人类胚胎心脏超声图像去噪方法,该方法基于时间序列和空间序列对人类胚胎心脏超声图像进行去噪处理,对质量较低的图像也能有较好的处理效果,对之后的医生诊断和三维重建等工作提供了比较好的前期准备工作。本方法在去噪过程中可以自由调整参数,在去噪效果与时间效率方面做出平衡,与基于机器学习的方法相比,本方法不需要训练集的支撑,易于编程实现,算法复杂度较低。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中方法的流程图
图2为本发明中输入图像的示意图
图3为本发明所用的中心图像原图
图4为本发明中心图像与搜索域示意图
图5为本发明搜索域与邻域示意图
图6为本发明的最终结果
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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完整的描述:
如图1所示的一种人类胚胎心脏超声图像去噪方法,具体包括以下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像,如图2所示;
S11:将病例数据包含的超声图像转化为灰度图像;
S12:选择一幅图像为中心图像,中心图像原图如图3所示,获得其在时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、计算搜索域对应累计方差,计算平均累计方差、计算搜索域中每个像素的邻域方差、计算搜索域中每个像素的邻域平均欧氏距离、计算搜索域中每个像素与中心像素的相似度。
S21:确定搜索域与邻域:如图4所示,在中心图像当中选择一点作为中心像素,将其在4张相邻图像当中相同位置的像素称为目标像素,如图5所示,对于一个目标像素,以它为中心m×m像素范围的区域称为搜索域,对于每一个搜索域当中的每一个像素,以它为中心的n×n像素范围定义为邻域;对于一个搜索域中的一个像素,以它为中心的n×n像素范围定义为邻域,搜索域中的每一个像素都对应一个邻域。
S22:计算累计方差:对于第k张相邻图像对应的搜索域中的一个像素P,P的灰度值表示为s,P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此可计算P在这一搜索域上的累计方差为:
S23:计算平均累计方差:对其他的搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算每个像素的邻域方差:对于一个搜索域的一个像素P,由S23可以计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重可表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素,都按照S26所提出的方法计算出高斯加权权重,对于该搜索域当中的第j个像素,它所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:计算归一化系数:在本方法中,归一化系数表示为一个搜索域中所有像素对应的高斯加权权重的和,由S27可知搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数可表示为:
S29:计算相似度:在本方法中我们采用欧式距离来表示相似度,由S28可以计算出归一化系数N。则中心像素和一个搜索域中的第j个像素的相似度可表示为:
S3:采用加权平均获取中心像素去噪后的像素值,遍历整幅图像得到去噪结果:由S2可以计算出一张相邻图像对应的搜索域中每一个邻域与目标像素的相似度、由此相似度计算此相邻图像对应的中心像素灰度值,对4张相邻图像都采用上述方法计算对应中心像素的灰度值、对4张相邻图像计算出的中心像素灰度值进行取平均操作,得到中心像素的最终灰度值,对中心图像的每一个像素都使用上述方法计算对应的最终灰度值,遍历完整张中心图像之后即可得到去噪最终结果。
S31:计算第k张相邻图像对应的中心像素灰度值:设sj为此图像搜索域中的第j个像素的灰度值,由S29可知第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对四张相邻图像,都用S31提出的方法计算对应中心像素的灰度值,最后进行取平均操作即可得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值,最终得到整幅图像的去噪结果,如图6所示。
本发明公开的一种人类胚胎心脏超声图像去噪方法,由于人类胚胎心脏超声图像相较于其他超声图像来说比较特殊,在采集的时候超声需要穿透胎儿母亲的腹部脂肪以及胚胎的其他身体组织,导致相比成人的心脏超声图像,胚胎心脏超声图像含有更多的噪声,这就导致使用传统方法进行去噪的时候,如果要将大部分噪声去除,则图像当中有用的信息也会被一并去除。而本发明提出的方法,有效地利用了图像在时间序列和空间序列上相邻图像所含有的有效信息,在去除大部分噪声的基础上,有效地保留了原图像中的有用信息,尤其是心脏的边缘部分;除此之外,本方法相较于其他较为常见的超声图像去噪算法,复杂度较低,实现简单并且运行效率较高;最后,本方法相对于基于机器学习的去噪算法,不需要训练集的支撑,并且省去了人工标注的步骤,效率更高。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种人类胚胎心脏超声图像去噪方法,其特征在于包括以下步骤:
S1:获取具有时间序列和空间序列特征的超声图像数据集并选取中心图像,确定该中心图像的相邻图像;
S2:将中心图像中的当前待处理像素标记为中心像素,计算该中心像素与相邻图像对应搜索域中每个像素的相似度:设置中心像素对应的搜索域、计算搜索域对应累计方差,计算平均累计方差、计算搜索域中每个像素的邻域方差、计算搜索域中每个像素的邻域平均欧氏距离、计算搜索域中每个像素与中心像素的相似度;
S3:根据相似度计算相邻图像对应的中心像素灰度值并对该中心像素灰度值进行取平均值操作得到中心像素的最终灰度值,对中心图像的每一个像素采用上述方法计算对应的最终灰度值,遍历整张中心图像后即获得去噪后的清晰图像。
2.根据权利要求1所述的一种人类胚胎心脏超声图像去噪方法,其特征还在于:所述中心图像的相邻图像选取方式为:将中心图像的时间序列当中相邻的两张图像和空间序列当中相邻的两张图像共4张作为相邻图像。
3.根据权利要求2所述的一种人类胚胎心脏超声图像去噪方法,其特征还在于:所述中心图像的每一个像素与相邻图像对应搜索域的相似度采用如下方式确认:
S21:在中心图像中选取中心像素,将中心像素在相邻图像中相同位置的像素定义为目标像素,以目标像素为中心m×m像素范围的区域定义为搜索域,对于每一个搜索域当中的每一个像素,以该像素为中心的n×n像素范围定义为邻域;
S22:计算相邻图像对应的搜索域中的像素P的累计方差:设像素P的灰度值为s,像素P对应的邻域中所有像素的灰度值分别表示为ti,i∈[1,n2],由此计算像素P在这一搜索域上的累计方差为:
S23:对于中心像素对应的所有搜索域,均按照S22采用的方法计算累计方差,则该像素对应的平均累计方差为:
S24:遍历整个搜索域,对搜索域中的每一个像素都按照S23采用的方法计算平均累计方差;
S25:计算搜索域中每个像素的邻域方差:对于一个搜索域的一个像素P,由S23计算出其平均累计方差e,则像素P对应的邻域方差为:
S26:计算邻域方差对应的高斯加权权重:设σ为高斯标准差,h为滤波系数,此时像素P对应的高斯加权权重表示为:
S27:遍历整个搜索域,对于该搜索域当中的每一个像素按照S26所提出的方法计算高斯加权权重,将高斯加权权重表示为邻域平均欧氏距离,对于该搜索域当中的第j个像素所对应的高斯加权权重记为WGj,j∈[1,m2];
S28:将一个搜索域中所有像素对应的高斯加权权重的和定义为归一化系数,由S27获取搜索域中第j个像素对应的高斯加权权重为WGj,则归一化系数表示为:
S29:计算中心像素与搜索域中像素的相似度,其中中心像素和搜索域中的第j个像素的相似度表示为:
4.根据权利要求3所述的一种人类胚胎心脏超声图像去噪方法,其特征还在于:S3中具体采用如下方式:
S31:计算第k张相邻图像对应的中心像素的灰度值:设sj为此图像搜索域中的第j个像素的灰度值,设第j个像素对应的相似度为Wj,则此相邻图像对应的中心像素灰度值为:
S32:计算中心像素的最终像素值:对于相邻图像采用S31提出的方法计算对应中心像素的灰度值,对相邻图像的对应中心像素的灰度值进行取平均操作即得到中心像素的最终像素值:
S33:对于整张中心图像,遍历其所有的像素,利用上述方案得到对应的像素值最终得到整幅图像的去噪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432189.4A CN110136088B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432189.4A CN110136088B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136088A true CN110136088A (zh) | 2019-08-16 |
CN110136088B CN110136088B (zh) | 2022-12-13 |
Family
ID=67572581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432189.4A Active CN110136088B (zh) | 2019-05-23 | 2019-05-23 | 一种人类胚胎心脏超声图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136088B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311512A (zh) * | 2020-02-11 | 2020-06-19 | 上海奕瑞光电子科技股份有限公司 | 随机噪点校正方法 |
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
CN117115261A (zh) * | 2023-10-17 | 2023-11-24 | 深圳市青虹激光科技有限公司 | 一种基于薄型晶圆片的刀轮切割定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567973A (zh) * | 2012-01-06 | 2012-07-11 | 西安电子科技大学 | 基于改进的形状自适应窗口的图像去噪方法 |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN104931044A (zh) * | 2015-06-16 | 2015-09-23 | 上海新跃仪表厂 | 一种星敏感器图像处理方法及系统 |
-
2019
- 2019-05-23 CN CN201910432189.4A patent/CN110136088B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567973A (zh) * | 2012-01-06 | 2012-07-11 | 西安电子科技大学 | 基于改进的形状自适应窗口的图像去噪方法 |
CN103150712A (zh) * | 2013-01-18 | 2013-06-12 | 清华大学 | 一种基于投影序列数据相似性的图像去噪方法 |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN104931044A (zh) * | 2015-06-16 | 2015-09-23 | 上海新跃仪表厂 | 一种星敏感器图像处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
祝严刚等: "一种改进的非局部均值图像去噪算法", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311512A (zh) * | 2020-02-11 | 2020-06-19 | 上海奕瑞光电子科技股份有限公司 | 随机噪点校正方法 |
CN111311512B (zh) * | 2020-02-11 | 2024-05-03 | 上海奕瑞光电子科技股份有限公司 | 随机噪点校正方法 |
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN111563858B (zh) * | 2020-05-14 | 2023-08-22 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN116843582A (zh) * | 2023-08-31 | 2023-10-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
CN116843582B (zh) * | 2023-08-31 | 2023-11-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
CN117115261A (zh) * | 2023-10-17 | 2023-11-24 | 深圳市青虹激光科技有限公司 | 一种基于薄型晶圆片的刀轮切割定位方法及系统 |
CN117115261B (zh) * | 2023-10-17 | 2024-03-19 | 深圳市青虹激光科技有限公司 | 一种基于薄型晶圆片的刀轮切割定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110136088B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136088A (zh) | 一种人类胚胎心脏超声图像去噪方法 | |
CN110390650B (zh) | 基于密集连接和生成对抗网络的oct图像去噪方法 | |
US20100266188A1 (en) | Chest x-ray registration, subtraction and display | |
CN109345469A (zh) | 一种基于条件生成对抗网络的oct成像中散斑去噪方法 | |
CN110163825A (zh) | 一种人类胚胎心脏超声图像去噪和增强方法 | |
Roomi et al. | Speckle noise removal in ultrasound images using particle swarm optimization technique | |
CN111260641A (zh) | 一种基于人工智能的掌上超声成像系统及其方法 | |
CN105469365B (zh) | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 | |
Yao et al. | An estimation/correction algorithm for detecting bone edges in CT images | |
Sahli et al. | Analytic approach for fetal head biometric measurements based on log gabor features | |
Singh et al. | Feature enhancement in medical ultrasound videos using multifractal and contrast adaptive histogram equalization techniques | |
CN117036310A (zh) | 一种dicom影像外围轮廓的识别提取方法 | |
Agrawal et al. | Development of adaptive fuzzy based Image Filtering techniques for efficient Noise Reduction in Medical Images | |
CN116894783A (zh) | 基于时变约束的对抗生成网络模型的金属伪影去除方法 | |
US11308660B2 (en) | Motion compensated cardiac valve reconstruction | |
CN107845081B (zh) | 一种磁共振图像去噪方法 | |
Choy et al. | Extracting endocardial borders from sequential echocardiographic images | |
Shahina et al. | Renal stone detection and analysis by contour based algorithm | |
Kumar et al. | Despeckling of polycystic ovary ultrasound images by improved total variation method | |
Lin et al. | Ultrasound image compounding based on motion compensation | |
Tun et al. | Joint Training of Noisy Image Patch and Impulse Response of Low-Pass Filter in CNN for Image Denoising | |
Tamilkudimagal | Squeeze box filter for contrast enhancement in ultrasound despeckling | |
Yu et al. | Despeckling medical ultrasound image based on spatially adaptive maximum-likelihood estimation | |
Sriraam et al. | Performance evaluation of linear and nonlinear filters for despeckling B mode foetal heart ultrasound images | |
Hu et al. | Noise-Robust MRI Upsampling Using Adaptive Local Steering Kernel |
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 |