CN111127371A - 图像增强参数自动优化方法、存储介质和x射线扫描装置 - Google Patents
图像增强参数自动优化方法、存储介质和x射线扫描装置 Download PDFInfo
- Publication number
- CN111127371A CN111127371A CN202010234219.3A CN202010234219A CN111127371A CN 111127371 A CN111127371 A CN 111127371A CN 202010234219 A CN202010234219 A CN 202010234219A CN 111127371 A CN111127371 A CN 111127371A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- standard sample
- current
- enhanced image
- 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 42
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012356 Product development Methods 0.000 abstract description 3
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 4
- 238000002601 radiography Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像增强参数自动优化方法、存储介质和X射线扫描装置，涉及医学成像领域，所述方法中对实际扫描数据利用图像增强默认参数和当前参数进行图像增强，将输出的当前参数增强图像、默认参数增强图像与标准样片投入神经网络中进行视觉特征提取，计算当前参数增强图像的视觉特征误差，视觉特征误差大于阈值时，数值优化算法自动调整参数，获取更新后的当前参数增强图像，重复迭代计算直至当前参数增强图像的视觉特征误差小于阈值。本发明根据图像增强算法，利用数值优化算法自动调整各个参数，使得当前参数增强图像和标准样片更加接近，避免人工干预，降低工作量以及产品开发、使用人员的要求。
Description
技术领域
本发明涉及医学成像领域，尤其涉及一种图像增强参数自动优化方法、存储介质和X射线扫描装置。
背景技术
X射线在医学、安检、无损检测、工业探伤等领域中发挥了巨大作用，DR（DigitalRadiography）扫描即为一种数字化X射线摄影技术。X射线穿透物体不同组织时会产生不同的衰减，用探测器把这些不同强度的X射线记录下来，就得到了三维物体的二维投影平面图像。探测器从开始的胶片和荧光屏，到图像增强器，再到现在的数字平板探测器硬件技术更新换代，图像质量有较大的提高。但是X射线探测器采集到的图像仍然是很模糊，对比度也很低，远远不能达到诊断的效果。
而且，在X射线成像中，往往都有很多种扫描协议，比如一个协议中，有不同的部位，胸部，头部，四肢等等，协议中还有要关注的组织，软组织，骨骼等等。还有成人，儿童等等。所以这些因素排列组合在一起可以很容易有几十个甚至上百个协议。因此需要对这么多方面都进行调节的工作量是很大，而且需要医生和工程师大量的沟通，还要有很丰富的经验。
为了能够达到更好的图像质量，现有的X射线成像产品中普遍应用了图像增强的功能，比如自适应滤波，金字塔滤波，小波变换等等。通常的图像处理/增强算法由于其算法的复杂性，其中有很多参数，比如滤波的参数，金字塔层数，权重等等。目前的办法是都是人工靠经验来调节，针对每一种扫描协议，部位，通过医生的主观评价和工程师的交流来决定最终的系数。
发明内容
技术目的：针对现有技术中X射线进行图像增强时需要人工调整图像增强参数的缺陷，本发明公开了一种图像增强参数自动优化方法、存储介质和X射线扫描装置，根据图像增强算法，以标准样片为目标，利用数值优化算法自动调整各个图像增强参数，使得当前参数增强图像和标准样片更加接近。
技术方案：为实现上述技术目的，本发明采用以下技术方案：
一种图像增强参数自动优化方法，包括：
S1、获取标准样片：在扫描前，获取X射线扫描协议的标准样片；
S2、获取默认参数增强图像和当前参数增强图像：进行X射线扫描，获取实际扫描数据，利用所述X射线扫描协议和图像增强默认参数、当前参数分别对实际扫描数据进行图像增强，采用图像增强方法，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值为默认参数；
S3、对所有图像提取视觉特征：利用所述标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；
S4、计算当前参数增强图像的视觉特征误差：利用所述主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；
S5、对当前参数进行调整优化：根据所述视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；
S6、图像增强参数优化完成，输出当前参数及当前参数增强图像，所述当前参数增强图像与标准样片更加接近。
优选地，所述步骤S4中当前参数增强图像相对于标准样片的视觉特征误差计算过程具体包括：
步骤S41、计算特征自相关系数：获取所述标准样片、默认参数增强图像和当前参数增强图像在神经网络的主干网络中输出的视觉特征，对所有图像利用所述主干网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；
步骤S42、计算当前参数增强图像和标准样片之间的特征差异：先利用所述每层特征自相关系数计算输入的当前参数增强图像和标准样片之间的初步特征差异，再对计算得到的每一层初步特征差异加权计算，获取当前参数增强图像和标准样片之间的特征差异；
步骤S43、计算当前参数增强图像相对于标准样片的视觉特征误差：利用所述当前参数增强图像和标准样片之间的特征差异和当前参数增强图像与默认参数增强图像之间的特征差异计算当前参数增强图像相对于标准样片的视觉特征误差。
优选地，所述步骤S41中每一层的特征自相关系数计算公式为：
其中，x为神经网络中主干网络的输入图像，
为第
层卷积网络，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数；i、j为该通道输出特征的二维坐标，i∈[1,M] ，j∈[1,M] ，M为第
层卷积网络的特征尺寸；F为输入图像的特征图。
优选地，所述步骤S42中当前参数增强图像和标准样片之间的特征差异计算公式为：
其中，
为当前参数增强图像，
为标准样片，
为第
层卷积网络权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数；
为特征自相关系数。
优选地，所述步骤S43中当前参数增强图像相对于标准样片的视觉特征误差计算公式为：
其中，
为默认参数增强图像，m为权重参数，k为图像像素的索引，k∈[1,Y*Y] ，Y*Y为图像的尺寸。
优选地，所述步骤S5中数值优化算法为梯度下降优化算法、ICD优化算法或牛顿法。
优选地，所述图像增强参数包括滤波器参数、神经网络的卷积核大小、形状和图像增强方法中金字塔层数。
优选地，所述步骤S3中进行视觉特征提取的神经网络为VGG、ResNet、DenseNet、ResNeXt。
本发明公开一种存储介质，所述存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现以上任意一项所述的一种图像增强参数自动优化方法。
本发明公开一种X射线扫描装置，所述X射线扫描装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现以上任意一项所述的一种图像增强参数自动优化方法。
有益效果：
1、本发明根据图像增强算法，以标准样片为目标，利用数值优化算法自动调整各个图像增强参数，使得当前参数增强图像和标准样片更加接近，采用参数自动优化，避免人工干预，降低工作量的同时降低对产品开发以及使用人员要求；
2、本发明优化的参数包括滤波器参数、神经网络的卷积核大小、形状和图像增强方法中金字塔层数，不同参数进行自动优化提高了当前参数增强图像与标准样片之间的相似性准确度，使得本优化方法更加合理；
3、本发明中适用的扫描协议的标准样片不是唯一的，即标准样片的来源可以是任何一个系统拍摄的与输入图像同类型的样片，大大提升了工作效率。
附图说明
图1为本发明的方法流程图；
图2为采用本发明方法后图像结果参照图，其中（a）为默认参数下图像，（b）为参数自动优化后图像，（c）为样本图像。
具体实施方式
以下结合附图对本发明做进一步的解释和说明。在本方案中，DR为DigitalRadiography，即数字化X射线摄影技术。
如附图1所示，一种图像增强参数自动优化方法，包括以下步骤：
DR扫描前：
步骤S1、获取标准样片：在DR扫描前，获取X射线扫描协议的标准样片，这里X射线扫描协议的标准样片包括胸部样片、头部样片和四肢样片；样片图像如附图2（c）所示，标准样片与输入图像不需要一一对应，大大提升了工作效率。
DR扫描过程中：
步骤S2、获取默认参数增强图像和当前参数增强图像：进行DR扫描，获取实际扫描数据，利用X射线扫描协议和图像增强默认参数p1、p2、…pn以及当前参数p1'、p2'、…pn'分别对实际扫描数据进行图像增强，采用金字塔图像增强方法，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值p1'、p2'、…pn'为默认参数p1、p2、…pn；
其中，图像增强采用金字塔图像增强方法，获取增强后的图像信号。金字塔图像增强的基本原理是：首先将输入图像X分解为一个近似信号A和细节信号p。A是通过低通滤波器和下采样后得到的，如高斯金字塔；通过上采样和滤波，如拉普拉斯金字塔得到一个预测信号P与原始信号相减得到一个预测误差。在合成中，将预测误差与近似信号相加得到增强信号F(X)。
更进一步地，图像增强参数p1、p2、…pn包括滤波器参数、神经网络卷积核大小、神经网络卷积核形状和金字塔层数等，不同参数进行自动优化提高了当前参数增强图像与标准样片之间的相似性准确度，使得本优化方法更加合理。
步骤S3、对所有图像提取视觉特征：利用标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；这里神经网络为VGG16、ResNet、DenseNet、ResNeXt等。
步骤S4、计算当前参数增强图像的视觉特征误差：利用主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；视觉特征误差计算过程具体包括：
步骤S41、计算特征自相关系数：获取标准样片、默认参数增强图像和当前参数增强图像在神经网络的主干网络中输出的视觉特征，对所有图像利用主干网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；其计算公式为：
其中，x为神经网络中主干网络的输入图像，
为第
层卷积网络，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数，对于神经网络VGG16，
=2时，N=128；i、j为该通道输出特征的二维坐标，i∈[1,M] ，j∈[1,M] ，M为第
层卷积网络的特征尺寸；对于神经网络VGG16，
=2时，M=112；F为输入图像的特征图。
步骤S42、计算当前参数增强图像和标准样片之间的特征差异：先利用每层特征自相关系数计算输入的当前参数增强图像和标准样片之间的初步特征差异，再对计算得到的每一层初步特征差异加权计算，获取当前参数增强图像和标准样片之间的特征差异；其计算公式为：
其中，
为当前参数增强图像，
为标准样片，
为第
层卷积网络权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数，对于神经网络VGG16，
=2时，N=128；
为特征自相关系数，这里可以将
设为1来处理。
步骤S43、计算当前参数增强图像与默认参数增强图像之间的特征差异；
步骤S44、计算当前参数增强图像相对于标准样片的视觉特征误差：利用当前参数增强图像和标准样片之间的特征差异和当前参数增强图像与默认参数增强图像之间的特征差异计算当前参数增强图像相对于标准样片的视觉特征误差，其计算公式为：
其中，
为默认参数增强图像，m为权重参数，k为图像像素的索引，k∈[1,Y*Y] ，Y*Y为图像的尺寸；对于通常的医学图像，图像的尺寸是512*512, 那么Y是512；
步骤S5、对当前参数进行调整优化：根据视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；其中数值优化算法为梯度下降优化算法、ICD非梯度优化算法或牛顿法；
步骤S6、图像增强参数优化完成，输出当前参数及当前参数增强图像，该当前参数增强图像与标准样片更加接近。
标准样片和输入图像并不是一一对应的，比如拍摄头部的X光片的时候，标准样片也是头部的图像。但是这个标准样片，只需要是任何一个患者，在任何一个系统上拍摄的头部图像就行。并不需要事当前患者的图像一一对应。标准样片可以是其他病人，甚至是公开渠道可以获得的标准图像。输入图像是当前X射线扫描装置采集的X射线图像。本发明利用标准样片作为图像目标，利用神经网络来比较多个输入图像和标准样片的差别，利用图像增强算法，利用ICD自动调整各个图像增强参数，在给定一组参数的情况下利用神经网络来计算输入图像和标准样片的特征误差，再根据特征误差来反复调节各个参数，以达到和标准样片更加接近的效果；此优化过程中，根据特征误差自动优化协议参数，避免人工干预，降低工作量的同时降低对产品开发以及使用人员要求。
进一步地，本发明提供一种存储介质，所述存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现以上任意一项所述的一种图像增强参数自动优化方法。
进一步地，本发明提供一种DR扫描装置，所述DR扫描装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现以上任意一项所述的一种图像增强参数自动优化方法。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像增强参数自动优化方法，其特征在于，包括：
S1、获取标准样片：在扫描前，获取X射线扫描协议的标准样片；
S2、获取默认参数增强图像和当前参数增强图像：进行X射线扫描，获取实际扫描数据，利用所述X射线扫描协议和图像增强默认参数、当前参数分别对实际扫描数据进行图像增强，采用图像增强后，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值为默认参数；
S3、对所有图像提取视觉特征：利用所述标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；
S4、计算当前参数增强图像的视觉特征误差：利用所述主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；
S5、对当前参数进行调整优化：根据所述视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；
S6、图像增强参数优化完成，输出当前参数及当前参数增强图像，所述当前参数增强图像与标准样片更加接近。
2.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S4中当前参数增强图像相对于标准样片的视觉特征误差计算过程具体包括：
步骤S41、计算特征自相关系数：获取所述标准样片、默认参数增强图像和当前参数增强图像在神经网络的主干网络中输出的视觉特征，对所有图像利用所述主干网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；
步骤S42、计算当前参数增强图像和标准样片之间的特征差异：先利用所述每层特征自相关系数计算输入的当前参数增强图像和标准样片之间的初步特征差异，再对计算得到的每一层初步特征差异加权计算，获取当前参数增强图像和标准样片之间的特征差异；
步骤S43、计算当前参数增强图像相对于标准样片的视觉特征误差：利用所述当前参数增强图像和标准样片之间的特征差异和当前参数增强图像与默认参数增强图像之间的特征差异计算当前参数增强图像相对于标准样片的视觉特征误差。
3.根据权利要求2所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S41中每一层的特征自相关系数计算公式为：
其中，x为神经网络中主干网络的输入图像，
为第
层卷积网络，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数；i、j为该通道输出特征的二维坐标，i∈[1,M] ，j∈[1,M] ，M为第
层卷积网络的特征尺寸；F为输入图像的特征图。
4.根据权利要求2所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S42中当前参数增强图像和标准样片之间的特征差异计算公式为：
其中，
为当前参数增强图像，
为标准样片，
为第
层卷积网络权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征，c∈[1,N] ，d∈[1,N] ，N为第
层卷积网络的总特征数；
为特征自相关系数。
5.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S43中当前参数增强图像相对于标准样片的视觉特征误差计算公式为：
其中，
为默认参数增强图像，m为权重参数，k为图像像素的索引，k∈[1,Y*Y] ，Y*Y为图像的尺寸。
6.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S5中数值优化算法为梯度下降优化算法、ICD优化算法或牛顿法。
7.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述图像增强参数包括滤波器参数、神经网络的卷积核大小、形状和图像增强方法中金字塔层数。
8.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S3中进行视觉特征提取的神经网络为VGG、ResNet、DenseNet、ResNeXt。
9.一种存储介质，其特征在于，所述存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现如权利要求1-8任意一项所述的一种图像增强参数自动优化方法。
10.一种X射线扫描装置，其特征在于，所述X射线扫描装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1-8任意一项所述的一种图像增强参数自动优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234219.3A CN111127371B (zh) | 2020-03-30 | 2020-03-30 | 图像增强参数自动优化方法、存储介质和x射线扫描装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234219.3A CN111127371B (zh) | 2020-03-30 | 2020-03-30 | 图像增强参数自动优化方法、存储介质和x射线扫描装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127371A true CN111127371A (zh) | 2020-05-08 |
| CN111127371B CN111127371B (zh) | 2020-07-07 |
Family
ID=70493853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010234219.3A Active CN111127371B (zh) | 2020-03-30 | 2020-03-30 | 图像增强参数自动优化方法、存储介质和x射线扫描装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127371B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
| CN112560376A (zh) * | 2020-12-22 | 2021-03-26 | 成都华大九天科技有限公司 | 一种半导体器件模型参数的优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102525564A (zh) * | 2012-01-05 | 2012-07-04 | 无锡祥生医学影像有限责任公司 | 彩色多普勒超声成像模块及方法 |
| US20180152594A1 (en) * | 2016-11-30 | 2018-05-31 | Fuji Xerox Co., Ltd. | Image processing apparatus and non-transitory computer readable medium |
| CN109658352A (zh) * | 2018-12-14 | 2019-04-19 | 深圳市商汤科技有限公司 | 图像信息的优化方法及装置、电子设备和存储介质 |
| CN109859113A (zh) * | 2018-12-25 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
| CN110675357A (zh) * | 2019-09-30 | 2020-01-10 | 东软医疗系统股份有限公司 | 图像优化网络的训练和图像优化方法、装置及设备 |
-
2020
- 2020-03-30 CN CN202010234219.3A patent/CN111127371B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102525564A (zh) * | 2012-01-05 | 2012-07-04 | 无锡祥生医学影像有限责任公司 | 彩色多普勒超声成像模块及方法 |
| US20180152594A1 (en) * | 2016-11-30 | 2018-05-31 | Fuji Xerox Co., Ltd. | Image processing apparatus and non-transitory computer readable medium |
| CN109658352A (zh) * | 2018-12-14 | 2019-04-19 | 深圳市商汤科技有限公司 | 图像信息的优化方法及装置、电子设备和存储介质 |
| CN109859113A (zh) * | 2018-12-25 | 2019-06-07 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
| CN110675357A (zh) * | 2019-09-30 | 2020-01-10 | 东软医疗系统股份有限公司 | 图像优化网络的训练和图像优化方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| LEI YANG 等: "High-resolution CT Image Retrieval Using Sparse Convolutional Neural Network", 《CONFERENCE ON MEDICAL IMAGING - PHYSICS OF MEDICAL IMAGING》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
| CN111839574B (zh) * | 2020-09-08 | 2023-10-31 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
| CN112560376A (zh) * | 2020-12-22 | 2021-03-26 | 成都华大九天科技有限公司 | 一种半导体器件模型参数的优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127371B (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9996910B2 (en) | Radiographic image processing device, method, and recording medium | |
| WO2017084222A1 (zh) | 基于卷积神经网络的x线胸片骨抑制处理方法 | |
| JP2014064941A (ja) | 医療用途のデジタルｘ線画像の明るさレベルを計算する方法 | |
| CN110636796B (zh) | X射线暗场成像中的射束硬化校正 | |
| US20230306657A1 (en) | Noise suppression using deep convolutional networks | |
| WO2015133123A1 (ja) | 放射線画像処理装置および方法並びにプログラム | |
| CN103544690A (zh) | 获取血管造影图像的方法 | |
| CN101129266A (zh) | X线图像处理系统 | |
| CN111127371B (zh) | 图像增强参数自动优化方法、存储介质和x射线扫描装置 | |
| CN111540025A (zh) | 预测用于图像处理的图像 | |
| CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
| JP6678541B2 (ja) | 画像処理装置、方法およびプログラム | |
| WO2022045210A1 (ja) | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム | |
| CN113205461B (zh) | 一种低剂量ct影像去噪模型训练方法、去噪方法及装置 | |
| CN110599530A (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
| US9978132B2 (en) | Radiation image processing device, method, and program | |
| CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 | |
| Fonseca et al. | X-ray image enhancement: A technique combination approach | |
| CN113658317B (zh) | 电子显微镜连拍图像处理方法和装置 | |
| CN111091514B (zh) | 一种口腔cbct图像去噪方法及系统 | |
| CN114004912A (zh) | 一种cbct图像去伪影方法 | |
| Aidoo et al. | Chest radiograph image enhancement with wavelet decomposition and morphological operations | |
| JP5537266B2 (ja) | エネルギーサブトラクション処理装置および方法ならびにプログラム | |
| JP2009054013A (ja) | 画像処理装置 | |
| KR102486818B1 (ko) | 의료영상의 움직임 보상처리 장치 및 방법 |
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 |