CN111127371B - 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 PDF

Info

Publication number
CN111127371B
CN111127371B CN202010234219.3A CN202010234219A CN111127371B CN 111127371 B CN111127371 B CN 111127371B CN 202010234219 A CN202010234219 A CN 202010234219A CN 111127371 B CN111127371 B CN 111127371B
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.)
Active
Application number
CN202010234219.3A
Other languages
English (en)
Other versions
CN111127371A (zh
Inventor
曾凯
冯亚崇
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.)
Nanjing Anke Medical Technology Co ltd
Original Assignee
Nanjing Anke Medical Technology Co ltd
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 Nanjing Anke Medical Technology Co ltd filed Critical Nanjing Anke Medical Technology Co ltd
Priority to CN202010234219.3A priority Critical patent/CN111127371B/zh
Publication of CN111127371A publication Critical patent/CN111127371A/zh
Application granted granted Critical
Publication of CN111127371B publication Critical patent/CN111127371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/90—
    • 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]

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

图像增强参数自动优化方法、存储介质和X射线扫描装置
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；
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：先根据S41中计算的每一层的特征自相关系数，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：
Figure 126599DEST_PATH_IMAGE002
其中，x为神经网络中主干网络的输入图像，
Figure 756508DEST_PATH_IMAGE003
为第
Figure 536245DEST_PATH_IMAGE003
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
Figure 806820DEST_PATH_IMAGE003
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
Figure 621192DEST_PATH_IMAGE003
层卷积网络的特征尺寸；F为输入图像的特征图，这里
Figure 817556DEST_PATH_IMAGE004
为第
Figure 84590DEST_PATH_IMAGE005
层神经网络中输入 到通道c的特征图，
Figure 158856DEST_PATH_IMAGE006
为第
Figure 827735DEST_PATH_IMAGE005
层神经网络中输入到通道d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：
Figure 197930DEST_PATH_IMAGE007
Figure 952259DEST_PATH_IMAGE009
其中，
Figure 564637DEST_PATH_IMAGE010
为当前参数增强图像，
Figure 88022DEST_PATH_IMAGE011
为标准样片，
Figure 891768DEST_PATH_IMAGE012
为第
Figure 133393DEST_PATH_IMAGE003
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
Figure 283883DEST_PATH_IMAGE013
层卷积网络的总特征数；
Figure 927354DEST_PATH_IMAGE014
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：
Figure 262520DEST_PATH_IMAGE015
Figure 368273DEST_PATH_IMAGE016
其中，
Figure 447088DEST_PATH_IMAGE017
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,
Figure 945065DEST_PATH_IMAGE018
] ，
Figure 592078DEST_PATH_IMAGE018
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中的（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：
Figure 542717DEST_PATH_IMAGE020
其中，x为神经网络中主干网络的输入图像，
Figure 425222DEST_PATH_IMAGE003
为第
Figure 151607DEST_PATH_IMAGE003
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
Figure 94155DEST_PATH_IMAGE003
层卷积网络的总特征数，对于神经网络VGG16，
Figure 532090DEST_PATH_IMAGE003
=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
Figure 828073DEST_PATH_IMAGE003
层卷积网络的特征尺寸；对于神经网络VGG16，
Figure 300643DEST_PATH_IMAGE003
=2时，M=112；F为输入图像的特征图，这里
Figure 790923DEST_PATH_IMAGE021
为第
Figure 716154DEST_PATH_IMAGE005
层神经网络中输入到通道c的特 征图，
Figure 940462DEST_PATH_IMAGE006
为第
Figure 877325DEST_PATH_IMAGE005
层神经网络中输入到通道d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：先根据S41中计算的每一层的特征自相关系数，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：
Figure 161676DEST_PATH_IMAGE022
Figure 574203DEST_PATH_IMAGE024
其中，
Figure 976103DEST_PATH_IMAGE010
为当前参数增强图像，
Figure 157686DEST_PATH_IMAGE011
为标准样片，
Figure 347359DEST_PATH_IMAGE012
为第
Figure 122548DEST_PATH_IMAGE003
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
Figure 688658DEST_PATH_IMAGE013
层卷积网络的总特征数，对于神经网络VGG16，
Figure 990327DEST_PATH_IMAGE003
=2时，N=128；
Figure 727732DEST_PATH_IMAGE014
为 特征自相关系数，这里可以将
Figure 114851DEST_PATH_IMAGE012
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：
Figure 484652DEST_PATH_IMAGE025
Figure 250614DEST_PATH_IMAGE026
其中，
Figure 47669DEST_PATH_IMAGE017
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,
Figure 656505DEST_PATH_IMAGE018
] ，
Figure 203898DEST_PATH_IMAGE018
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 I和J都是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 (9)

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；
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：先根据S41中计算的每一层的特征自相关系数，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。
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S41中每一层的特征自相关系数计算公式为：
Figure DEST_PATH_IMAGE002
其中，x为神经网络中主干网络的输入图像，
Figure DEST_PATH_IMAGE003
为第
Figure 577755DEST_PATH_IMAGE003
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
Figure 26054DEST_PATH_IMAGE003
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
Figure 212316DEST_PATH_IMAGE003
层 卷积网络的特征尺寸；F为输入图像的特征图，这里为第层神经网络中输入 到通道c的特征图，为第层神经网络中输入到通道d的特征图。
3.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：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE013
为当前参数增强图像，
Figure DEST_PATH_IMAGE014
为标准样片，
Figure DEST_PATH_IMAGE015
为第
Figure 674095DEST_PATH_IMAGE003
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
Figure DEST_PATH_IMAGE016
层卷积网络的总特征数；
Figure DEST_PATH_IMAGE017
为特征自相关系数。
4.根据权利要求3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：
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE020
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, ] ，为图像的尺寸。
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。
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。
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：所述步骤S3中进行视觉特征提取的神经网络为VGG、ResNet、DenseNet、ResNeXt。
8.一种存储介质，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1-7任意一项所述的一种图像增强参数自动优化方法。
9.一种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1-7任意一项所述的一种图像增强参数自动优化方法。
CN202010234219.3A 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 Active CN111127371B (zh)

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 CN111127371A (zh) 2020-05-08
CN111127371B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6852369B2 (ja) * 2016-11-30 2021-03-31 富士ゼロックス株式会社 画像処理装置及び画像処理プログラム
CN109658352B (zh) * 2018-12-14 2021-09-14 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
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

Also Published As

Publication number Publication date
CN111127371A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
WO2017084222A1 (zh) 基于卷积神经网络的x线胸片骨抑制处理方法
US9996910B2 (en) Radiographic image processing device, method, and recording medium
CN103026379B (zh) 推算图像噪音水平的方法
EP1892953B1 (en) X-Ray image processing system
EP1271405A2 (en) Image enhancement using frequency band decomposition
US6816572B2 (en) Method, system and computer product for processing dual energy images
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
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
CN110636796B (zh) X射线暗场成像中的射束硬化校正
CN103544690A (zh) 获取血管造影图像的方法
US20230306657A1 (en) Noise suppression using deep convolutional networks
JP6678541B2 (ja) 画像処理装置、方法およびプログラム
WO2014050045A1 (ja) 体動検出装置および方法
CN107862665B (zh) Ct图像序列的增强方法及装置
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
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
US20160093025A1 (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
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
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
CN111563940A (zh) 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质
JP4208049B2 (ja) 画像処理装置
RU2684181C1 (ru) Способ автоматизированного анализа цифровых флюорографических снимков

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