CN111178453A - 一种基于svm的医疗图像智能化匹配方法及存储介质 - Google Patents
一种基于svm的医疗图像智能化匹配方法及存储介质 Download PDFInfo
- Publication number
- CN111178453A CN111178453A CN202010009005.6A CN202010009005A CN111178453A CN 111178453 A CN111178453 A CN 111178453A CN 202010009005 A CN202010009005 A CN 202010009005A CN 111178453 A CN111178453 A CN 111178453A
- Authority
- CN
- China
- Prior art keywords
- image
- svm
- matching method
- intelligent matching
- department
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种基于SVM的医疗图像智能化匹配方法及存储介质,步骤101、获取用户的医疗图像信息作为第一图像;步骤102、对所述第一图像进行预处理得到第二图像;步骤103、提取所述第二图像的感兴趣区域图像得到第三图像,并将所述第三图像作为测试集;步骤104、通过SVM分类器算法对所述测试集进行相似度识别,取所有分类器中相似度最高的分类器所对应的结果作为最终结果;步骤105、根据所述最终结果与科室数据库进行匹配,得到用户所需要前往的科室,告知用户前往。能够根据新用户的医疗图像计算与以往确诊图像的相似度,从而对新用户的症状匹配新用户接下来应该前往诊断的科室,能够在一定程度上缓解医生的压力。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于SVM的医疗图像智能化匹配方法及存储介质。
背景技术
医院(Hospital)一词是来自于拉丁文原意为“客人”,因为一开始设立时,是供人避难,还备有休息间,使来者舒适,有招待意图。后来,才逐渐成为满足人类医疗需求,提供医疗服务的专业机构,收容和治疗病人的服务场所。
医院是指按照法律法规和行业规范,为病员开展必要的医学检查、治疗措施、护理技术、接诊服务、康复设备、救治运输等服务,以救死扶伤为主要目的医疗机构。
当下的医院往往人满为患,许多科室的医生已经无法应对大量的病人的咨询,对于一些轻微的典型症状,完全可以根据以往确诊的图像信息来确定,这样如果还由医生一个一个来看话,属实有些浪费时间了。
发明内容
本发明的目的是解决现有技术的不足,提供一种基于SVM的医疗图像智能化匹配方法及存储介质,能够根据新用户的医疗图像计算与以往确诊图像的相似度,从而对新用户的症状匹配新用户接下来应该前往诊断的科室,能够在一定程度上缓解医生的压力。
为了实现上述目的,本发明采用以下的技术方案:
提出基于SVM的医疗图像智能化匹配方法,包括:
步骤101、获取用户的医疗图像信息作为第一图像;
步骤102、对所述第一图像进行预处理得到第二图像;
步骤103、提取所述第二图像的感兴趣区域图像得到第三图像,并将所述第三图像作为测试集;
还包括:
步骤104、通过SVM分类器算法对所述测试集进行相似度识别,取所有分类器中相似度最高的分类器所对应的结果作为最终结果;
步骤105、根据所述最终结果与科室数据库进行匹配,得到用户所需要前往的科室,告知用户前往。
进一步,上述步骤104中还包括,判断所有分类器得出的最高相似度的值是否大于第一阈值,若是,则判断该值为有效值,并将相似度最高的分类器所对应的结果作为最终结果;若否,则判断该值不是有效值,告知用户前往咨询点进行人工咨询。
进一步,上述步骤105中的SVM分类器算法具体包括以下:
步骤301、采集有可能出现的症状的图像制作训练集,每一种症状的多个图像组成一个训练集;
步骤302、对每一个训练集中的图像进行训练,并将训练后的模型自动生成训练模型.xml文件;
步骤303、读取训练模型.xml文件,并对测试集按照训练好的模型进行识别,得到响应的识别结果。
进一步,上述步骤301中的每一个训练集的图像至少为100个。
进一步,所述有可能出现的症状的图像具体为医生确定的症状的图像,所述每一种症状的多个图像具体为医生已经能够根据该图像进行确诊的图像。
进一步,上述步骤105所述的科室数据库具体通过以下规则进行构建:
以每一个科室作为列表,以对应科室所处理的症状类型作为表中的关键词进行构建,当检索对应关键词时,会得到相应的表名。
进一步,上述步骤102中的预处理操作具体包括以下:
步骤701、将第一图像由RGB颜色空间转换为HSV颜色空间的图像,其中取30<H<70,S>35,V>90,并获取所述HSV颜色空间的图像的掩膜图像;
步骤702、对掩膜图像进行按位与操作得到第四图像;
步骤703、对第四图像的掩膜图像进行图像的闭操作后再进行图像的开操作得到第五图像;
步骤704、对第五图像进行倾斜矫正处理得到第二图像。
进一步,上述步骤704的倾斜矫正操作具体包括如下:
步骤801、通过Canny算子对第五图像进行边缘检测得到第五图像的轮廓图像;
步骤802、将一副空白图像作为背景,通过霍夫变换找到构成第五图像的轮廓图像的4条直线;
步骤803、通过寻找角点操作找到构成第五图像的轮廓图像的四个角点,将其设为X[[x0,y0],[x1,y1],[x2,y2],[x3,y3]];
步骤804、对四个角点进行重新构建得到新的四个角点Y[[x0,y1],[x3,y1],[x0,y2],[x3,y2]],并根据新的四个角点得到倾斜矫正后的轮廓图像,进而得到第五图像的矫正图像。
进一步,上述步骤103中的提取感兴趣区域图像的具体操作包括以下:
对第二图像依次进行掩膜操作、二值化处理以及边缘检测操作后得到第六图像,之后截取第六图像得到第六图像的感兴趣区域图像即第三图像。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于SVM的医疗图像智能化匹配方法的步骤。
本发明的有益效果为:
本发明通过提出基于SVM的医疗图像智能化匹配方法,首先将医疗图像进行预处理得到去噪、倾斜矫正后的医疗图像,接着提取对联图像的感兴趣区域,后通过SVM算法进行识别得到用户的症状结果,并根据用户的症状匹配用户接下来应该前往诊断的科室并告知用户,能够在一定程度上缓解医生的压力。
附图说明
图1所示为本发明基于SVM的医疗图像智能化匹配方法及存储介质流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
结合图1,本发明提出基于SVM的医疗图像智能化匹配方法,包括:
步骤101、获取用户的医疗图像信息作为第一图像;
步骤102、对所述第一图像进行预处理得到第二图像;
步骤103、提取所述第二图像的感兴趣区域图像得到第三图像,并将所述第三图像作为测试集;
还包括:
步骤104、通过SVM分类器算法对所述测试集进行相似度识别,取所有分类器中相似度最高的分类器所对应的结果作为最终结果;
其中的相似度识别算法为现有的成熟的图片识别算法,诸如使用OpenCV进行图像相似度识别,当然也可以是其他一些经典算法,能够实现本发明的要求即可;
步骤105、根据所述最终结果与科室数据库进行匹配,得到用户所需要前往的科室,告知用户前往。
作为本发明的优选实施方式,上述步骤104中还包括,判断所有分类器得出的最高相似度的值是否大于第一阈值,若是,则判断该值为有效值,并将相似度最高的分类器所对应的结果作为最终结果;若否,则判断该值不是有效值,告知用户前往咨询点进行人工咨询。
因为很有可能会出现用户提供的医疗图像的识别率都不够高,这样不能随便的下定论,很有可能会浪费用户的寻找科室时间,所以设置一个阈值,当所有的相似度都低于这个阈值的话,那么就判断此次识别失败了,告知用户进行人工咨询。
作为本发明的优选实施方式,上述步骤105中的SVM分类器算法具体包括以下:
步骤301、采集有可能出现的症状的图像制作训练集,每一种症状的多个图像组成一个训练集;
步骤302、对每一个训练集中的图像进行训练,并将训练后的模型自动生成训练模型.xml文件;
步骤303、读取训练模型.xml文件,并对测试集按照训练好的模型进行识别,得到响应的识别结果。
作为本发明的优选实施方式,上述步骤301中的每一个训练集的图像至少为100个。
作为本发明的优选实施方式,所述有可能出现的症状的图像具体为医生确定的症状的图像,所述每一种症状的多个图像具体为医生已经能够根据该图像进行确诊的图像。
作为本发明的优选实施方式,上述步骤105所述的科室数据库具体通过以下规则进行构建:
以每一个科室作为列表,以对应科室所处理的症状类型作为表中的关键词进行构建,当检索对应关键词时,会得到相应的表名。
作为本发明的优选实施方式,上述步骤102中的预处理操作具体包括以下:
步骤701、将第一图像由RGB颜色空间转换为HSV颜色空间的图像,其中取30<H<70,S>35,V>90,并获取所述HSV颜色空间的图像的掩膜图像;
步骤702、对掩膜图像进行按位与操作得到第四图像;
步骤703、对第四图像的掩膜图像进行图像的闭操作后再进行图像的开操作得到第五图像;
步骤704、对第五图像进行倾斜矫正处理得到第二图像。
作为本发明的优选实施方式,上述步骤704的倾斜矫正操作具体包括如下:
步骤801、通过Canny算子对第五图像进行边缘检测得到第五图像的轮廓图像;
步骤802、将一副空白图像作为背景,通过霍夫变换找到构成第五图像的轮廓图像的4条直线;
步骤803、通过寻找角点操作找到构成第五图像的轮廓图像的四个角点,将其设为X[[x0,y0],[x1,y1],[x2,y2],[x3,y3]];
步骤804、对四个角点进行重新构建得到新的四个角点Y[[x0,y1],[x3,y1],[x0,y2],[x3,y2]],并根据新的四个角点得到倾斜矫正后的轮廓图像,进而得到第五图像的矫正图像。
对没有噪声的图片进行倾斜矫正,使用Canny算子进行图像边缘检测,因为没有噪声的图片的边框与其他常见的形状的边框有所不同,它是圆角的矩形边框,故而不能直接通过相关函数的API接口,并且采用常规的先通过霍夫变换,找到一条线,然后直接对这条线所返回的角度值,用于倾斜矫正中用作仿射变换的角度值,实现倾斜矫正。但实际上,在本设计这样是行不通的,因为一条线只包含两个点,所以返回的角度也只是对两个点所在的直线进行矫正;
首先本方案通过一副空白图片作为背景,对边缘检测到的边框做霍夫变换找到了边框的4条直线,通过寻找角点,找到图像的四个角点,取其坐标点,将其原本坐标X[[x0,y0],[x1,y1],[x2,y2],[x3,y3]]重新构建,取而代之Y[[x0,y1],[x3,y1],[x0,y2],[x3,y2]],变换后的点两两垂直,由这些点就构成了一个矫正后的边框。
作为本发明的优选实施方式,上述步骤103中的提取感兴趣区域图像的具体操作包括以下:
对第二图像依次进行掩膜操作、二值化处理以及边缘检测操作后得到第六图像,之后截取第六图像得到第六图像的感兴趣区域图像即第三图像。
具体的,当用户得到自己的医疗图像后,可以是X光图像或是其他医疗图像后,用户可以将该图像进行智能识别,在经过本发明所提供的计算方式后会得到用户的医疗图像的匹配结果,得到相对应的用户的疑似症状情况,并根据判断得出的疑似症状情况,在科室数据库中进行查表得到用户所应该挂号的科室,告知用户。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于SVM的医疗图像智能化匹配方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储的介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种基于SVM的医疗图像智能化匹配方法,包括:
步骤101、获取用户的医疗图像信息作为第一图像;
步骤102、对所述第一图像进行预处理得到第二图像;
步骤103、提取所述第二图像的感兴趣区域图像得到第三图像,并将所述第三图像作为测试集;
其特征在于,还包括:
步骤104、通过SVM分类器算法对所述测试集进行相似度识别,取所有分类器中相似度最高的分类器所对应的结果作为最终结果;
步骤105、根据所述最终结果与科室数据库进行匹配,得到用户所需要前往的科室,告知用户前往。
2.根据权利要求1所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤104中还包括,判断所有分类器得出的最高相似度的值是否大于第一阈值,若是,则判断该值为有效值,并将相似度最高的分类器所对应的结果作为最终结果;若否,则判断该值不是有效值,告知用户前往咨询点进行人工咨询。
3.根据权利要求1所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤105中的SVM分类器算法具体包括以下:
步骤301、采集有可能出现的症状的图像制作训练集,每一种症状的多个图像组成一个训练集;
步骤302、对每一个训练集中的图像进行训练,并将训练后的模型自动生成训练模型.xml文件;
步骤303、读取训练模型.xml文件,并对测试集按照训练好的模型进行识别,得到响应的识别结果。
4.根据权利要求3所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤301中的每一个训练集的图像至少为100个。
5.根据权利要求3所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,所述有可能出现的症状的图像具体为医生确定的症状的图像,所述每一种症状的多个图像具体为医生已经能够根据该图像进行确诊的图像。
6.根据权利要求1所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤105所述的科室数据库具体通过以下规则进行构建:
以每一个科室作为列表,以对应科室所处理的症状类型作为表中的关键词进行构建,当检索对应关键词时,会得到相应的表名。
7.根据权利要求1所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤102中的预处理操作具体包括以下:
步骤701、将第一图像由RGB颜色空间转换为HSV颜色空间的图像,其中取30<H<70,S>35,V>90,并获取所述HSV颜色空间的图像的掩膜图像;
步骤702、对掩膜图像进行按位与操作得到第四图像;
步骤703、对第四图像的掩膜图像进行图像的闭操作后再进行图像的开操作得到第五图像;
步骤704、对第五图像进行倾斜矫正处理得到第二图像。
8.根据权利要求7所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤704的倾斜矫正操作具体包括如下:
步骤801、通过Canny算子对第五图像进行边缘检测得到第五图像的轮廓图像;
步骤802、将一副空白图像作为背景,通过霍夫变换找到构成第五图像的轮廓图像的4条直线;
步骤803、通过寻找角点操作找到构成第五图像的轮廓图像的四个角点,将其设为X[[x0,y0],[x1,y1],[x2,y2],[x3,y3]];
步骤804、对四个角点进行重新构建得到新的四个角点Y[[x0,y1],[x3,y1],[x0,y2],[x3,y2]],并根据新的四个角点得到倾斜矫正后的轮廓图像,进而得到第五图像的矫正图像。
9.根据权利要求1所述的一种基于SVM的医疗图像智能化匹配方法,其特征在于,上述步骤103中的提取感兴趣区域图像的具体操作包括以下:
对第二图像依次进行掩膜操作、二值化处理以及边缘检测操作后得到第六图像,之后截取第六图像得到第六图像的感兴趣区域图像即第三图像。
10.一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009005.6A CN111178453B (zh) | 2020-01-06 | 2020-01-06 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009005.6A CN111178453B (zh) | 2020-01-06 | 2020-01-06 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178453A true CN111178453A (zh) | 2020-05-19 |
CN111178453B CN111178453B (zh) | 2023-06-02 |
Family
ID=70656099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009005.6A Active CN111178453B (zh) | 2020-01-06 | 2020-01-06 | 一种基于svm的医疗图像智能化匹配方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及系统 |
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN108922608A (zh) * | 2018-06-13 | 2018-11-30 | 平安医疗科技有限公司 | 智能导诊方法、装置、计算机设备和存储介质 |
-
2020
- 2020-01-06 CN CN202010009005.6A patent/CN111178453B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及系统 |
CN108520214A (zh) * | 2018-03-28 | 2018-09-11 | 五邑大学 | 一种基于多尺度hog和svm的手指静脉识别方法 |
CN108922608A (zh) * | 2018-06-13 | 2018-11-30 | 平安医疗科技有限公司 | 智能导诊方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111178453B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A multi-scale 3D Otsu thresholding algorithm for medical image segmentation | |
JP4634418B2 (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
US8170306B2 (en) | Automatic partitioning and recognition of human body regions from an arbitrary scan coverage image | |
US9122955B2 (en) | Method and system of classifying medical images | |
Antal et al. | Improving microaneurysm detection using an optimally selected subset of candidate extractors and preprocessing methods | |
Bowyer | Validation of medical image analysis techniques | |
US8958614B2 (en) | Image-based detection using hierarchical learning | |
Mazurowski et al. | Mutual information-based template matching scheme for detection of breast masses: From mammography to digital breast tomosynthesis | |
US20140233820A1 (en) | Segmentation and Fracture Detection in CT Images | |
Al-Shamlan et al. | Feature extraction values for breast cancer mammography images | |
US20150342560A1 (en) | Novel Algorithms for Feature Detection and Hiding from Ultrasound Images | |
CN108171738B (zh) | 基于脑功能模板的多模态医学图像配准方法 | |
WO2022088581A1 (zh) | 图像检测模型的训练方法及相关装置、设备、存储介质 | |
US20090060300A1 (en) | Method and apparatus for image alignment | |
Ni et al. | Selective search and sequential detection for standard plane localization in ultrasound | |
JP2005065728A (ja) | 類似画像検索装置 | |
Hatanaka et al. | Improvement of automated detection method of hemorrhages in fundus images | |
Schwaab et al. | Automated quality assessment in three-dimensional breast ultrasound images | |
CN111178453B (zh) | 一种基于svm的医疗图像智能化匹配方法及存储介质 | |
Tavakoli et al. | Effect of two different preprocessing steps in detection of optic nerve head in fundus images | |
CN115249279A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
Kusuma et al. | Retracted: Heart Abnormalities Detection Through Iris Based on Mobile | |
JP2008178666A (ja) | 画像処理方法及び装置 | |
Koukounis et al. | Retinal image registration based on multiscale products and optic disc detection | |
Onal et al. | Automatic vertebra segmentation on dynamic magnetic resonance imaging |
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 |