CN110163820A - 一种医学图像调整方法及数字病理切片浏览系统 - Google Patents
一种医学图像调整方法及数字病理切片浏览系统 Download PDFInfo
- Publication number
- CN110163820A CN110163820A CN201910375871.4A CN201910375871A CN110163820A CN 110163820 A CN110163820 A CN 110163820A CN 201910375871 A CN201910375871 A CN 201910375871A CN 110163820 A CN110163820 A CN 110163820A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- module
- color
- adjustment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001575 pathological effect Effects 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000008521 reorganization Effects 0.000 claims abstract description 4
- 238000003780 insertion Methods 0.000 claims description 30
- 230000037431 insertion Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 28
- 239000000203 mixture Substances 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 229910003460 diamond Inorganic materials 0.000 claims description 4
- 239000010432 diamond Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- UGDGKPDPIXAUJL-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-ethylphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(CC)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 UGDGKPDPIXAUJL-UHFFFAOYSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000012128 staining reagent Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明属于计算机应用技术领域，公开了一种医学图像调整方法及数字病理切片浏览系统，医学图像调整方法包括读取图像，构建三维图像矩阵，转灰度图，构建二维图像矩阵，使用马尔科夫链进行图像分割，根据相似度进行图像重组，色彩还原，构建三维图像矩阵，图像错误校验；字病理切片浏览系统包括：图像扫描模块、控制与计算模块、中央处理器、显卡、数据调度模块、显示模块、输入模块、检索模块、数据库。本发明成像效果有明显改善、检索患者医学影响更加方便、采用实时编码的方式进行控制，精度高，定位准。
Description
技术领域
本发明属于计算机应用技术领域，尤其涉及一种医学图像调整方法及数字病理切片浏览系统。
背景技术
在临床医学诊断中，经常会有在同一块组织上切薄片并使用不同的染色剂染色的情况出现，如此做成的若干个切片图中的组织位置和角度都可能有所不同，而医生在浏览切片图时经常需要比较多幅相同组织的切片图像，在相同位置处比较图像信息从而得到比较准确的诊断结果。现有常用的做法是在数字切片浏览的相关软件内添加一个单幅图像角度旋转的功能，并人为地使用该功能，以通过肉眼查看和调整的方式将多张切片图像调整成一致的位置。上述方法费时费力，并且人工调整存在调整速度较慢、调整精度不高等问题，从而影响到后续的诊断结果，降低了医生的工作效率。
现有技术一中，一种医学图像校正方法具体包括：
步骤S1，扩大所述第一切片图的外轮廓尺寸，并以空白背景填充所述第一切片图中被扩充的部分；
步骤S2，将所述第二切片图中与所述第二XOY坐标轴的所述原点位置重合的所述端点和所述第一切片图中的一预设旋转点对齐；
步骤S3，于所述第一切片图上处理得到预设的第一判断点的灰度值，以及于所述第二切片图上处理得到于对应于所述第一判断点的第二判断点的灰度值，随后处理得到所述第一切片图与所述第二切片图在当前的位置关系下的灰度比较值；
步骤S4，将所述第二切片图以与所述第二XOY坐标轴的所述原点位置重合的所述端点为轴心顺时针旋转一预设角度，随后判断所述第二切片图是否相对于初始位置已经旋转360度：
若否，则返回所述步骤S3；
步骤S5，获取取值最小的所述灰度比较值，并根据被获取的所述灰度比较值对应的所述第一切片图和所述第二切片图之间的所述位置关系对所述第二切片图进行调整。
现有技术一的缺陷为：匹配速度慢、精度不高，仍需需人工调整角度，不能切实提高医生的工作效率。
现有技术二：
一种在浏览器上调整医学图像窗宽和窗位的方法，其特征在于，所述方法包括步骤：
A、浏览器加载DICOM医学图像；
B、浏览器拦截通过鼠标移动调整DICOM医学图像的窗宽和窗位的鼠标事件；
C、浏览器根据鼠标事件实时生成向服务器发送请求参数的请求消息；
D、浏览器使用AJAX技术将请求消息发送给服务器；
E、服务器将DICOM医学图像调整成请求消息中的请求参数所指定窗宽和窗位的JPG图像；
F、服务器将JPG图像发送给浏览器进行显示。
其缺陷为：
仍需要安装客户端或无需在浏览器上安装插件，即可实现DICOM医学图像的浏览和图像窗宽、窗位的调整，且实现过程不简洁，用户使用不方便。
综上所述，现有技术存在的问题是：
随着X光线、计算机断层扫描磁共振成像等成像技术的问世和发展，影像诊断在医学中的作用日益增大，大数据与机器学习的普及将使医疗成本大幅降低。受成像技术所限，医学图像存在着清晰度低、效果差、图像检索困难，导致医生误诊率高等问题。
发明内容
针对现有技术存在的问题，本发明提供了一种医学图像调整方法及数字病理切片浏览系统。
本发明提供的医学图像调整方法包括：一种医学图像调整方法及数字病理切片浏览系统，所述医学图像调整方法包括：
步骤一，读取图像，构建三维图像矩阵；
步骤二，转灰度图，构建二维图像矩阵；
步骤三，使用马尔科夫链进行图像分割；
步骤四，根据相似度进行图像重组；
步骤五，色彩还原，构建三维图像矩阵；对原始彩色图像按照颜色通道进行分离；对原彩色图像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；载体图像预处理；计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；选择用于读取图像的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到预测误差组的临界值ρ，被替换的LSBs、压缩后的位图和灰度图像消息，修改满足LCi≤ρ的预测误差组的映射来读取图像；
在阴影点的预测误差直方图中读取图像信息，称为阴影点集灰度图像嵌入；
在空白点的预测误差直方图中读取图像信息，称为空白点集灰度图像嵌入，阴影点集读取图像信息之后，阴影像素点Xi,j被修改为X′i,j；用读取图像之后的阴影点的像素来预测空白点的像素值，与阴影点集灰度图像嵌入类似，得到三张灰度图像空白点的预测误差直方图，读取图像信息；
将读取图像之后的三张灰度图合并，得到读取图像后三维图像矩阵的彩色图像；
步骤六，图像错误校验。
进一步，对原始彩色图像按照颜色通道进行分离中，对读取图像后的彩色图像像按照RGB颜色通道分离三张灰度；读取彩色图像R通道第一行像素的LSBs，取出三个参数的值；
提取空白点集灰度图像；提取阴影点集灰度图像；根据恢复的空白点集的像素值，使用相同方法获取三个通道阴影点的预测误差序列，提取出嵌入负载，恢复原像素值；恢复原图。
进一步，灰度图像嵌入的载体图像预处理具体包括：
第一步，对彩色图像三个颜色通道的像素进行灰度图像预处理，调整像素值等于边界值0或255的像素点到合理范围内；
第二步，构造相对应的三个位图分别记录三个颜色通道中被修改的像素位置，被修改过的位图中标记为1，没有被修改过的标为0，无损压缩三个位图；
第三步，清空彩色图像R通道的第一行像素，为使用LSB算法嵌入三个参数：预测误差组的临界值ρ，压缩后的位图尺寸和灰度图像消息大小制造空间，被替换的LSBs和压缩后的位图作为负载的一部分；
所述灰度图像的嵌入的阴影点集灰度图像嵌入具体包括：
在嵌入失真小于等于2的映射中读取图像，舍弃嵌入失真大于2的映射(0,0,0)→(1,1,1)，重建(1,1,1)的新映射；
对于符合要求的映射进行分类，分为5类，B类为预测误差组(1,1,1)的新建映射：
E类：(N1,N2,N3){(N1+1,N2+1,N3+1)
最后将预测误差组中的每个成员和它预测值相加得到处理后的像素值；
所述灰度图像的提取中提取空白点集灰度图像具体包括：
使用相同的扫描顺序和预测方法获取三个通道空白点的预测误差序列，组成预测误差组；
对每一个预测误差组，计算局部复杂度LCi；
处理满足LCi≤ρ的预测误差组，通过嵌入时的映射方案的逆映射恢复出原来的像素值，根据映射时不同的类型A,B,C,D,E恢复出负载；
提取出嵌入负载后，获取位图和被替换的LSBs，根据位图，处理标记为1的像素，恢复原值。
进一步，所述步骤一中，读取的图像为三原色彩色图像，图像的每个像素点记录三原色彩色信息；
所述步骤二中，使用Matlab的rgb2gray函数将彩色图转成灰度图用于提高运算速度、图像处理。
进一步，所述步骤三中，对数字图像相邻点取梯度，公式如下：
梯度相同点为图像边界，使用马儿科夫链用于提高运算速度。
进一步，所述步骤四中，使用分割图像灰度中值、方差、极差，彩色图色彩分布为信息进行聚类；
所述步骤六中，若校验失败，重新处理，若校验成功，则存储在数据库中。
本发明的另一目的在于提供一种终端，所述终端搭载实现所述医学图像调整方法的处理器。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的医学图像调整方法。
本发明的另一目的在于提供一种实施所述医学图像调整方法的数字病理切片浏览系统，所述数字病理切片浏览系统包括：图像扫描模块、中央处理器、显卡、数据调度模块、显示模块、输入模块、检索模块、数据库；
所述图像扫描模块与中央处理器通过USB连接；
所述中央处理器、显卡通过数据并口连接；
所述显卡、数据调度模块通过数据并口连接；
所述显卡与显示模块通过HDMI线连接；
所述数据调度模块、数据库通过数据并口连接；
所述数据调度模块为显卡和数据库提供连接接口，用于对数据进行缓冲、适配；
所述输入模块、检索模块、数据库通过串口依次相连；
所述中央处理器、显卡、数据调度模块组成控制与计算模块，用于整个系统的控制与运算。
本发明的另一目的在于提供一种搭载所述数字病理切片浏览系统的医学影像数字病理切片浏览设备。
本发明优点在于：
本发明成像效果有明显改善；检索患者医学影响更加方便；采用实时编码的方式进行控制，精度高，定位准。
本发明色彩还原，构建三维图像矩阵中，对原始彩色图像按照颜色通道进行分离；对原彩色图像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；载体图像预处理；计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；选择用于读取图像的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到预测误差组的临界值ρ，被替换的LSBs、压缩后的位图和灰度图像消息，修改满足LCi≤ρ的预测误差组的映射来读取图像；在阴影点的预测误差直方图中读取图像信息，称为阴影点集灰度图像嵌入；在空白点的预测误差直方图中读取图像信息，称为空白点集灰度图像嵌入，阴影点集读取图像信息之后，阴影像素点Xi,j被修改为X′i,j；用读取图像之后的阴影点的像素来预测空白点的像素值，与阴影点集灰度图像嵌入类似，得到三张灰度图像空白点的预测误差直方图，读取图像信息；将读取图像之后的三张灰度图合并，得到读取图像后三维图像矩阵的彩色图像。保证了获得图像的清晰和准确度。
附图说明
图1是本发明实施例提供的医学图像调整方法流程图。
图2是本发明实施例提供的数字病理切片浏览系统图。
1、图像扫描模块；2、控制与计算模块；3、中央处理器；4、显卡；5、数据调度模块；6、显示模块；7、输入模块；8、检索模块；9、数据库。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
随着X光线、计算机断层扫描磁共振成像等成像技术的问世和发展，影像诊断在医学中的作用日益增大，大数据与机器学习的普及将使医疗成本大幅降低。受成像技术所限，医学图像存在着清晰度低、效果差、图像检索困难，导致医生误诊率高等问题。
为解决上述问题，下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的医学图像调整方法包括：
S101，读取图像，构建三维图像矩阵。
S102，转灰度图，构建二维图像矩阵。
S103，使用马尔科夫链进行图像分割。
S104，根据相似度进行图像重组。
S105，色彩还原，构建三维图像矩阵。
S106，图像错误校验。
所述步骤S101中，读取的图像为三原色彩色图像，图像的每个像素点记录三原色彩色信息。
所述步骤S102中，为提高运算速度，方便图像处理，使用Matlab的rgb2gray函数将彩色图转成灰度图。
所述步骤S103中，对数字图像相邻点取梯度，公式如下：
梯度相同点为图像边界，使用马儿科夫链提高运算速度。
所述步骤S104中，使用分割图像灰度中值、方差、极差，彩色图色彩分布为信息进行聚类。
所述步骤S105中，步骤五，色彩还原，构建三维图像矩阵；对原始彩色图像按照颜色通道进行分离；对原彩色图像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；载体图像预处理；计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；选择用于读取图像的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到预测误差组的临界值ρ，被替换的LSBs、压缩后的位图和灰度图像消息，修改满足LCi≤ρ的预测误差组的映射来读取图像；
在阴影点的预测误差直方图中读取图像信息，称为阴影点集灰度图像嵌入；
在空白点的预测误差直方图中读取图像信息，称为空白点集灰度图像嵌入，阴影点集读取图像信息之后，阴影像素点Xi,j被修改为X′i,j；用读取图像之后的阴影点的像素来预测空白点的像素值，与阴影点集灰度图像嵌入类似，得到三张灰度图像空白点的预测误差直方图，读取图像信息；
将读取图像之后的三张灰度图合并，得到读取图像后三维图像矩阵的彩色图像；
对原始彩色图像按照颜色通道进行分离中，对读取图像后的彩色图像像按照RGB颜色通道分离三张灰度；读取彩色图像R通道第一行像素的LSBs，取出三个参数的值；
提取空白点集灰度图像；提取阴影点集灰度图像；根据恢复的空白点集的像素值，使用相同方法获取三个通道阴影点的预测误差序列，提取出嵌入负载，恢复原像素值；恢复原图。
灰度图像嵌入的载体图像预处理具体包括：
第一步，对彩色图像三个颜色通道的像素进行灰度图像预处理，调整像素值等于边界值0或255的像素点到合理范围内；
第二步，构造相对应的三个位图分别记录三个颜色通道中被修改的像素位置，被修改过的位图中标记为1，没有被修改过的标为0，无损压缩三个位图；
第三步，清空彩色图像R通道的第一行像素，为使用LSB算法嵌入三个参数：预测误差组的临界值ρ，压缩后的位图尺寸和灰度图像消息大小制造空间，被替换的LSBs和压缩后的位图作为负载的一部分；
所述灰度图像的嵌入的阴影点集灰度图像嵌入具体包括：
在嵌入失真小于等于2的映射中读取图像，舍弃嵌入失真大于2的映射(0,0,0)→(1,1,1)，重建(1,1,1)的新映射；
对于符合要求的映射进行分类，分为5类，B类为预测误差组(1,1,1)的新建映射：
E类：(N1,N2,N3){(N1+1,N2+1,N3+1)
最后将预测误差组中的每个成员和它预测值相加得到处理后的像素值；
所述灰度图像的提取中提取空白点集灰度图像具体包括：
使用相同的扫描顺序和预测方法获取三个通道空白点的预测误差序列，组成预测误差组；
对每一个预测误差组，计算局部复杂度LCi；
处理满足LCi≤ρ的预测误差组，通过嵌入时的映射方案的逆映射恢复出原来的像素值，根据映射时不同的类型A,B,C,D,E恢复出负载；
提取出嵌入负载后，获取位图和被替换的LSBs，根据位图，处理标记为1的像素，恢复原值。
所述步骤S106中，若校验失败，重新处理，若校验成功，则存储在数据库中。
如图2所示，本发明实施例提供的数字病理切片浏览系统包括：图像扫描模块1、控制与计算模块2、中央处理器3、显卡4、数据调度模块5、显示模块6、输入模块7、检索模块8、数据库9。
所述图像扫描模块1与中央处理器3通过USB连接。
所述中央处理器3、显卡4通过数据并口连接。
所述显卡4、数据调度模块5通过数据并口连接。
所述显卡4与显示模块6通过HDMI线连接。
所述数据调度模块5、数据库9通过数据并口连接。
所述数据调度模块5作为显卡4和数据库9的接口，起到缓冲、适配的作用。
所述输入模块7、检索模块8、数据库9通过串口依次相连。
所述中央处理器3、显卡4、数据调度模块5共同组成控制与计算模块2，是整个系统的核心。
下面结合具体实施例对本发明作进一步描述。
实施例：
本发明实施例提供的数字病理切片浏览系统的图像扫描模块1将扫描的图像传输给控制与计算模块2，控制与计算模块2将处理后的图像传输给数据库9进行存储。
输入模块7读取输入的检索信息传输给检索模块8，检索模块8根据索引信息在数据库9中找到对应图像，传输给控制与计算模块2，控制与计算模块2将图片信息传输给显示模块6进行显示。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种医学图像调整方法及数字病理切片浏览系统，其特征在于，所述医学图像调整方法包括：
步骤一，读取图像，构建三维图像矩阵；
步骤二，转灰度图，构建二维图像矩阵；
步骤三，使用马尔科夫链进行图像分割；
步骤四，根据相似度进行图像重组；
步骤五，色彩还原，构建三维图像矩阵；对原始彩色图像按照颜色通道进行分离；对原彩色图像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；载体图像预处理；计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；选择用于读取图像的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到预测误差组的临界值ρ，被替换的LSBs、压缩后的位图和灰度图像消息，修改满足LCi≤ρ的预测误差组的映射来读取图像；
在阴影点的预测误差直方图中读取图像信息，称为阴影点集灰度图像嵌入；
在空白点的预测误差直方图中读取图像信息，称为空白点集灰度图像嵌入，阴影点集读取图像信息之后，阴影像素点Xi,j被修改为X′i,j；用读取图像之后的阴影点的像素来预测空白点的像素值，与阴影点集灰度图像嵌入类似，得到三张灰度图像空白点的预测误差直方图，读取图像信息；
将读取图像之后的三张灰度图合并，得到读取图像后三维图像矩阵的彩色图像；
步骤六，图像错误校验。
2.如权利要求1所述医学图像调整方法，其特征在于，对原始彩色图像按照颜色通道进行分离中，对读取图像后的彩色图像像按照RGB颜色通道分离三张灰度；读取彩色图像R通道第一行像素的LSBs，取出三个参数的值；
提取空白点集灰度图像；提取阴影点集灰度图像；根据恢复的空白点集的像素值，使用相同方法获取三个通道阴影点的预测误差序列，提取出嵌入负载，恢复原像素值；恢复原图。
3.如权利要求1所述医学图像调整方法，其特征在于，灰度图像嵌入的载体图像预处理具体包括：
第一步，对彩色图像三个颜色通道的像素进行灰度图像预处理，调整像素值等于边界值0或255的像素点到合理范围内；
第二步，构造相对应的三个位图分别记录三个颜色通道中被修改的像素位置，被修改过的位图中标记为1，没有被修改过的标为0，无损压缩三个位图；
第三步，清空彩色图像R通道的第一行像素，为使用LSB算法嵌入三个参数：预测误差组的临界值ρ，压缩后的位图尺寸和灰度图像消息大小制造空间，被替换的LSBs和压缩后的位图作为负载的一部分；
所述灰度图像的嵌入的阴影点集灰度图像嵌入具体包括：
在嵌入失真小于等于2的映射中读取图像，舍弃嵌入失真大于2的映射(0,0,0)→(1,1,1)，重建(1,1,1)的新映射；
对于符合要求的映射进行分类，分为5类，B类为预测误差组(1,1,1)的新建映射：
A类：B类：C类：
D类：E类：(N1,N2,N3){(N1+1,N2+1,N3+1)
最后将预测误差组中的每个成员和它预测值相加得到处理后的像素值；
所述灰度图像的提取中提取空白点集灰度图像具体包括：
使用相同的扫描顺序和预测方法获取三个通道空白点的预测误差序列，组成预测误差组；
对每一个预测误差组，计算局部复杂度LCi；
处理满足LCi≤ρ的预测误差组，通过嵌入时的映射方案的逆映射恢复出原来的像素值，根据映射时不同的类型A,B,C,D,E恢复出负载；
提取出嵌入负载后，获取位图和被替换的LSBs，根据位图，处理标记为1的像素，恢复原值。
4.如权利要求1所述医学图像调整方法，其特征在于，所述步骤一中，读取的图像为三原色彩色图像，图像的每个像素点记录三原色彩色信息；
所述步骤二中，使用Matlab的rgb2gray函数将彩色图转成灰度图用于提高运算速度、图像处理。
5.如权利要求1所述医学图像调整方法，其特征在于，所述步骤三中，对数字图像相邻点取梯度，公式如下：
|▽f(i,j)|≈|Gx|+|Gy|＝|f(i,j+1)-f(i,j)|+|f(i+1,j)-f(i,j)|；
梯度相同点为图像边界，使用马儿科夫链用于提高运算速度。
6.如权利要求1所述医学图像调整方法，其特征在于，所述步骤四中，使用分割图像灰度中值、方差、极差，彩色图色彩分布为信息进行聚类；
所述步骤五中，使用Matlab的gray2rgb，还原彩色图；
所述步骤六中，若校验失败，重新处理，若校验成功，则存储在数据库中。
7.一种终端，其特征在于，所述终端搭载实现权利要求1～6任意一项所述医学图像调整方法的处理器。
8.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的医学图像调整方法。
9.一种实施权利要求1所述医学图像调整方法的数字病理切片浏览系统，其特征在于，所述数字病理切片浏览系统包括：图像扫描模块、中央处理器、显卡、数据调度模块、显示模块、输入模块、检索模块、数据库；
所述图像扫描模块与中央处理器通过USB连接；
所述中央处理器、显卡通过数据并口连接；
所述显卡、数据调度模块通过数据并口连接；
所述显卡与显示模块通过HDMI线连接；
所述数据调度模块、数据库通过数据并口连接；
所述数据调度模块为显卡和数据库提供连接接口，用于对数据进行缓冲、适配；
所述输入模块、检索模块、数据库通过串口依次相连；
所述中央处理器、显卡、数据调度模块组成控制与计算模块，用于整个系统的控制与运算。
10.一种搭载权利要求9所述数字病理切片浏览系统的医学影像数字病理切片浏览设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375871.4A CN110163820A (zh) | 2019-05-07 | 2019-05-07 | 一种医学图像调整方法及数字病理切片浏览系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910375871.4A CN110163820A (zh) | 2019-05-07 | 2019-05-07 | 一种医学图像调整方法及数字病理切片浏览系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163820A true CN110163820A (zh) | 2019-08-23 |
Family
ID=67633568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910375871.4A Pending CN110163820A (zh) | 2019-05-07 | 2019-05-07 | 一种医学图像调整方法及数字病理切片浏览系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163820A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111863205A (zh) * | 2020-07-23 | 2020-10-30 | 山东协和学院 | 一种精准图像识别系统及图像识别方法 |
| CN114611109A (zh) * | 2022-01-06 | 2022-06-10 | 四川大学 | 一种基于单分类的uefi固件安全审计方法 |
| CN116052848A (zh) * | 2023-04-03 | 2023-05-02 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087503A1 (en) * | 2000-12-20 | 2002-07-04 | Judd Robert M. | Medical image management system |
| US20100278389A1 (en) * | 2009-04-30 | 2010-11-04 | Industrial Technology Research Institute | Method for image recombination of a plurality of images and image identification and system for image acquiring and identification |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CN105761196A (zh) * | 2016-01-28 | 2016-07-13 | 西安电子科技大学 | 基于三维预测误差直方图的彩色图像可逆数字水印方法 |
| CN106570880A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 |
-
2019
- 2019-05-07 CN CN201910375871.4A patent/CN110163820A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087503A1 (en) * | 2000-12-20 | 2002-07-04 | Judd Robert M. | Medical image management system |
| US20100278389A1 (en) * | 2009-04-30 | 2010-11-04 | Industrial Technology Research Institute | Method for image recombination of a plurality of images and image identification and system for image acquiring and identification |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CN105761196A (zh) * | 2016-01-28 | 2016-07-13 | 西安电子科技大学 | 基于三维预测误差直方图的彩色图像可逆数字水印方法 |
| CN106570880A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军第三军医大学 | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖亮、韦志辉、邵文泽: "《基于图像先验建模的超分辨增强理论与算法—变分PDE、稀疏正则化与贝叶斯方法》", 31 July 2017 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111863205A (zh) * | 2020-07-23 | 2020-10-30 | 山东协和学院 | 一种精准图像识别系统及图像识别方法 |
| CN114611109A (zh) * | 2022-01-06 | 2022-06-10 | 四川大学 | 一种基于单分类的uefi固件安全审计方法 |
| CN114611109B (zh) * | 2022-01-06 | 2023-07-07 | 四川大学 | 一种基于单分类的uefi固件安全审计方法 |
| CN116052848A (zh) * | 2023-04-03 | 2023-05-02 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11615878B2 (en) | Systems and methods for integrating neural network image analyses into medical image viewing applications | |
| US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
| US8160320B2 (en) | Medical image display apparatus, method and program, and recording medium for the program | |
| CN110163820A (zh) | 一种医学图像调整方法及数字病理切片浏览系统 | |
| US8620689B2 (en) | System and method for patient synchronization between independent applications in a distributed environment | |
| WO2021189901A1 (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
| US20060056680A1 (en) | 3D volume construction from DICOM data | |
| WO2021169126A1 (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN107688783B (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
| CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
| CN113658175A (zh) | 一种征象数据的确定方法及装置 | |
| WO2023097362A1 (en) | Systems and methods for analysis of computed tomography (ct) images | |
| CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
| US10964074B2 (en) | System for harmonizing medical image presentation | |
| CN109411056A (zh) | 图像存储方法及系统 | |
| CN106204623B (zh) | 多对比度图像同步显示和定位标定的方法及装置 | |
| CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
| US11615895B2 (en) | Systems and methods for automatically managing image data | |
| Arzhaeva et al. | Automated estimation of progression of interstitial lung disease in CT images | |
| US20230016320A1 (en) | Image analysis method, image generation method, learning-model generation method, annotation apparatus, and annotation program | |
| CN110415239B (zh) | 图像处理方法、装置、设备、医疗电子设备以及介质 | |
| CN114155400B (zh) | 一种图像的处理方法、装置及设备 | |
| US20230368393A1 (en) | System and method for improving annotation accuracy in mri data using mr fingerprinting and deep learning | |
| CN113887377A (zh) | 组织病理图像分析方法及系统 | |
| CN115375599A (zh) | 一种基于域适应的mr图像合成ct图像的合成方法及系统 |
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 |
Application publication date: 20190823 |