CN111477304A - 一种pet和mri图像相融合的肿瘤照射成像组合方法 - Google Patents
一种pet和mri图像相融合的肿瘤照射成像组合方法 Download PDFInfo
- Publication number
- CN111477304A CN111477304A CN202010259596.2A CN202010259596A CN111477304A CN 111477304 A CN111477304 A CN 111477304A CN 202010259596 A CN202010259596 A CN 202010259596A CN 111477304 A CN111477304 A CN 111477304A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- mri
- images
- transformation
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 14
- 238000003384 imaging method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 title claims description 12
- 238000002600 positron emission tomography Methods 0.000 title description 37
- 238000002595 magnetic resonance imaging Methods 0.000 title description 34
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000011524 similarity measure Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 239000006002 Pepper Substances 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 241000023320 Luma <angiosperm> Species 0.000 claims 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims 1
- 210000003484 anatomy Anatomy 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004879 molecular function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using 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 using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种PET和MRI图像相融合的肿瘤照射成像组合方法，包括以下步骤：首先对PET和MRI图像预处理，将未处理的PET和MRI图像保持统一的存储格式,对图像进行对比度增强、消除噪声、边缘增强等操作，消除图像中无关的信息，恢复有用的真实信息；然后将PET和MRI图像进行配准，通过对其中一幅图像做空间变换，使两幅图像对应的解剖点及感兴趣区域相一致；最后将PET和MRI图像融合,将配准好的两幅图像融合成一幅同时具有解剖结构和功能的图像。
Description
技术领域
本发明涉及医学图像领域，具体涉及一种PET和MRI图像相融合的肿瘤照射成像组合方法。
背景技术
肿瘤是严重危害人类健康的主要疾病之一，近年来，由于人们生活节奏加快，饮食、作息不规律等多方面的因素导致肿瘤的发生率越来越高。早期发现并诊治至关重要，一旦肿瘤发展至局部晚期或晚期，病情难以根治，不仅影响患者身体健康，而且还会由于患上癌症疾病而产生焦虑、抑郁等消极情绪，生活、日常工作也会受到严重影响。需要尽早对患者进行诊断治疗，准确了解患者病情发展情况。
现阶段临床进行肿瘤诊断方式有CT、正电子发射断层摄影(PET)、磁共振成像(MRI)等，但都存在各自的缺点。PET-MRI是分子功能PET成像与高分辨解剖结构MRI成像两种影像技术的融合，同时发挥两者的优势，可以对在软组织中扩散的疾病细胞进行成像，且对人体无辐射。
发明内容
本发明的目的是为克服上述现有技术的不足，提供一种PET和MRI图像相融合的肿瘤照射成像组合技术，既能抑制重建后融合图像的噪声及伪影又能保持边缘信息，从而获得高精度、高分辨率的融合图像，使临床医生能够更精确和更清晰的作临床检查和临床诊断，为患者带来更有效的治疗方式。
为了实现上述目的，本发明采用如下技术方案：
一种PET和MRI图像相融合的肿瘤照射成像组合技术，包括：
1)PET和MRI图像预处理，将未处理的PET和MRI图像保持统一的存储格式,对图像进行对比度增强、消除噪声、边缘增强等操作；
2)PET和MRI图像配准，从PET和MRI图像提取用于配准的信息，利用搜索策略从图像转换集中选择匹配方式，然后基于结果继续搜索，直到找到最佳相似性度量；
3)PET和MRI图像重建融合,采用基于HIS色彩空间的图像融合算法。
所述图像对比度增强包括灰度拉伸与灰阶映射、直方图均衡处理。灰度拉伸用于解决采集的图像灰度有时会集中于某一较小灰阶内的问题，灰阶映射用于进行不同灰度级图像的转换，直方图均衡处理可使图像的灰度间距分布均匀，凸显边界信息。所述消除噪声主要是消除系统内部电子电路的高斯噪声和系统外部干扰的椒盐噪声，采用高斯滤波消除噪声点。所述边缘增强用于解决上述消除噪声时造成的图像边界模糊的问题，采用拉普拉斯算子进行处理。
所述图像配准利用已有的多源图像包含的各种空间结构信息，合成空间位置一一配准的图像，主要包括如下步骤：
(1)特征提取。包括从PET和MRI中提取出来的面积、周长；提取解剖器官、病灶或手术感兴趣区等具有特俗意义的特征作为配准的控制点。
(2)特征匹配。确定两幅图像配准准则，进行相似性测度计算。
(3)映射变换。对PET图像像素进行运算，在MRI和PET上建立映射函数，得到变换关系的变换集。
(4)参数寻优。得到配准控制点算出其参数，应用变换集对PET进行几何空间变换，进行PET插值，不断迭代优化PET和MRI的像素点坐标达到基本重合。
所述图像融合采用基于HIS图像融合方法，采用基于HIS色彩模型空间图像融合方法，步骤如下：
(1)由伪彩色图像PET图像的R、G、B三个分量值通过HIS模型转换，求得I、H、S的值；
(2)将MRI图像通过HIS模型转换得到亮度I的值，然后对MRI和PET图像的亮度分量I做直接替代法变换，得到I1；
(3)用新的亮度融合分量I1同H、S分量组成三个分量，然后根据HIS逆变换求得RGB空间值，即得到融合图像。
本发明的有效增益：
借助于MRI的高分辨率和PET的高灵敏度，可以实现解剖结构显像和功能成像的互补，实现对一些复杂疾病的诊断和监控；MRI不存在电离辐射，因此可以进行一些在其它设备上有所限制的研究和疾病诊断。。
附图说明
图1是PET和MRI图像相融合的肿瘤照射成像组合技术流程图；
图2是PET和MRI图像配准流程图。
具体实施方式
下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：
一种PET和MRI图像相融合的肿瘤照射成像组合技术，请参阅图1，该技术包括图像预处理、图像配准、图像融合三部分。
图像预处理将未处理的PET和MRI图像保持统一的存储格式，对图像进行对比度增强、消除噪声、边缘增强等操作，提高图像质量和有用信息。
图像配准利用已有图像包含的各种空间结构信息，合成空间位置一一配准的图像，其流程图如图2所示，主要包括如下步骤：
(1)特征提取。包括从PET和MRI中提取出来的面积、周长；提取解剖器官、病灶或手术感兴趣区等具有特俗意义的特征作为配准的控制点。
(2)特征匹配。确定两幅图像配准准则，进行相似性测度计算。
(3)映射变换。对PET图像像素进行几何运算，在MRI和PET上建立映射函数，得到变换关系的变换集。
(4)参数寻优。得到配准控制点算出其参数，应用变换集对PET进行几何空间变换，进行PET插值，不断迭代优化PET和MRI的像素点坐标达到基本重合。
配准时，将PET图像作为待配准图像，称之为浮动图像M，将MRI图像作为参考图像，称之为固定图像F。配准运算是将浮动图像进行有限次几何变换T操作，使浮动图像与固定图像无限接近的过程，数学模型为：
S(T)＝S(F(X),M(T(X)))
其中X代表两图像像素点的坐标，变换T可描述为：
代价函数S是衡量配准程度的指标，称为相似性测度。
相似性测度利用最大互信息的一种改进算法计算，对于两幅同样大小的图像A、B，测度计算可按照以下步骤：
(1)计算两幅图像的轮廓，分别得到边缘二值图像A1和B1，其中A1的边缘轮廓记为m，B1的边缘轮廓记为n；
(2)计算二值图像A1、B1的距离图像DA、DB，距离图像中每一位置的值对应着该位置到边缘轮廓的最短欧几里得距离；
(3)设A1的边缘轮廓m上任一点a的位置坐标为(i,j)，在距离图像DB上找到坐标(i,j)的值，然后找到DB中对应m轮廓位置所有值的剂盒，该集合所有值的均值就是D(A,B)，该集合所有值的方差就是σ2(A,B)，同样的方法可以求得D(B,A)和σ2(B,A)；
(4)根据上一步的结果，可以求得图像A、B的互距离均值DA,B和互距离方差σ2 A,B，互距离均值是不同层轮廓最短距离的均值，表示轮廓之间的差别程度；互距离方差表示轮廓互距离分布的集中程度；把互信息、互距离均值和互距离方差三者结合，测度可通过下式得到：
图像融合采用基于HIS色彩模型空间图像融合方法，如图1融合算法所示，步骤如下：
(1)由PET图像的R、G、B三个分量值通过HIS模型转换，求得I、H、S的值；
(2)将MRI图像通过HIS模型转换得到亮度I的值，然后对MRI和PET图像的亮度分量I做直接替代法变换，得到I1；
(3)用新的亮度融合分量I1同H、S分量组成三个分量，然后根据HIS逆变换求得RGB空间值，即得到融合图像。
在HIS模型中，H代表色度，I代表亮度，S代表饱和度，其转换公式如下：
HIS逆变换为：
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种PET和MRI图像相融合的肿瘤照射成像组合方法，其特征在于，包括以下步骤：
1)PET和MRI图像预处理，将未处理的PET和MRI图像保持统一的存储格式,对图像进行对比度增强、消除噪声、边缘增强操作；
2)PET和MRI图像配准，从PET和MRI图像提取用于配准的信息，利用搜索策略从图像转换集中选择匹配方式，然后基于结果继续搜索，直到找到最佳相似性度量；
3)PET和MRI图像重建融合,采用基于HIS色彩空间的图像融合算法。
2.根据权利要求1所述的方法，其特征在于，所述图像对比度增强包括灰度拉伸与灰阶映射、直方图均衡处理，所述消除噪声主要是消除系统内部电子电路的高斯噪声和系统外部干扰的椒盐噪声，采用高斯滤波消除噪声点，所述边缘增强用于解决上述消除噪声时造成的图像边界模糊的问题，采用拉普拉斯算子进行处理。
3.根据权利要求1所述的方法，其特征在于，所述图像配准是利用已有的多源图像包含的各种空间结构信息，合成空间位置一一配准的图像，主要包括如下步骤：
(1)特征提取：包括从PET和MRI中提取出来的面积、周长；提取解剖器官、病灶或手术感兴趣区在内具有特俗意义的特征作为配准的控制点；
(2)特征匹配：确定两幅图像配准准则，进行相似性测度计算；
(3)映射变换：对PET图像像素进行运算，在MRI和PET上建立映射函数，得到变换关系的变换集；
(4)参数寻优：得到配准控制点算出其参数，应用变换集对PET进行几何空间变换，进行PET插值，不断迭代优化PET和MRI的像素点坐标达到基本重合。
4.根据权利要求3所述的方法，其特征在于，所述相似性测度利用最大互信息的一种改进算法计算，对于两幅同样大小的图像A、B，测度计算可按照以下步骤：
(1)计算两幅图像的轮廓，分别得到边缘二值图像A1和B1，其中A1的边缘轮廓记为m，B1的边缘轮廓记为n；
(2)计算二值图像A1、B1的距离图像DA、DB，距离图像中每一位置的值对应着该位置到边缘轮廓的最短欧几里得距离；
(3)设A1的边缘轮廓m上任一点a的位置坐标为(i,j)，在距离图像DB上找到坐标(i,j)的值，然后找到DB中对应m轮廓位置所有值的集合，该集合所有值的均值就是D(A,B)，该集合所有值的方差就是σ2(A,B)，同样的方法可以求得D(B,A)和σ2(B,A)；
(4)根据上一步的结果，可以求得图像A、B的互距离均值DA,B和互距离方差σ2 A,B，互距离均值是不同层轮廓最短距离的均值，表示轮廓之间的差别程度；互距离方差表示轮廓互距离分布的集中程度；把互信息、互距离均值和互距离方差三者结合，测度可通过下式得到
5.根据权利要求1所述的方法，其特征在于，所述图像融合采用基于HIS图像融合方法，采用基于HIS色彩模型空间图像融合方法，步骤如下：
(1)由伪彩色图像PET图像的R、G、B三个分量值通过HIS模型转换，求得I、H、S的值；
(2)将MRI图像通过HIS模型转换得到亮度I的值，然后对MRI和PET图像的亮度分量I做直接替代法变换，得到I1；
(3)用新的亮度融合分量I1同H、S分量组成三个分量，然后根据HIS逆变换求得RGB空间值，即得到融合图像。
6.根据权利要求5所述的方法，其特征在于，在HIS模型中，H代表色度，I代表亮度，S代表饱和度，其转换公式如下：
HIS逆变换为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259596.2A CN111477304A (zh) | 2020-04-03 | 2020-04-03 | 一种pet和mri图像相融合的肿瘤照射成像组合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259596.2A CN111477304A (zh) | 2020-04-03 | 2020-04-03 | 一种pet和mri图像相融合的肿瘤照射成像组合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111477304A true CN111477304A (zh) | 2020-07-31 |
Family
ID=71749600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259596.2A Pending CN111477304A (zh) | 2020-04-03 | 2020-04-03 | 一种pet和mri图像相融合的肿瘤照射成像组合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111477304A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129244A (zh) * | 2021-04-16 | 2021-07-16 | 重庆邮电大学 | 一种基于局部拉普拉斯分解的多尺度医学图像融合方法 |
| CN116862789A (zh) * | 2023-06-29 | 2023-10-10 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102446358A (zh) * | 2012-01-17 | 2012-05-09 | 南京航空航天大学 | 基于边缘特征和cs信息的多模态医学图像配准方法 |
| CN103049895A (zh) * | 2012-12-17 | 2013-04-17 | 华南理工大学 | 基于平移不变剪切波变换的多模态医学图像融合方法 |
| US20140029831A1 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multvariate medical images |
| CN109919885A (zh) * | 2019-02-15 | 2019-06-21 | 中国人民解放军陆军军医大学 | 基于b样条和互信息的cvh图像与影像配准融合方法 |
| CN110660063A (zh) * | 2019-09-19 | 2020-01-07 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 多图像融合的肿瘤三维位置精准定位系统 |
-
2020
- 2020-04-03 CN CN202010259596.2A patent/CN111477304A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102446358A (zh) * | 2012-01-17 | 2012-05-09 | 南京航空航天大学 | 基于边缘特征和cs信息的多模态医学图像配准方法 |
| US20140029831A1 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multvariate medical images |
| CN103049895A (zh) * | 2012-12-17 | 2013-04-17 | 华南理工大学 | 基于平移不变剪切波变换的多模态医学图像融合方法 |
| CN109919885A (zh) * | 2019-02-15 | 2019-06-21 | 中国人民解放军陆军军医大学 | 基于b样条和互信息的cvh图像与影像配准融合方法 |
| CN110660063A (zh) * | 2019-09-19 | 2020-01-07 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 多图像融合的肿瘤三维位置精准定位系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓慧 等: "基于归一化互信息和金字塔分解优化的图像配准算法研究", 《微型电脑应用》 * |
| 胡顺波 等: "基于互信息与边缘互距离的医学图像配准", 《计算机工程与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129244A (zh) * | 2021-04-16 | 2021-07-16 | 重庆邮电大学 | 一种基于局部拉普拉斯分解的多尺度医学图像融合方法 |
| CN113129244B (zh) * | 2021-04-16 | 2022-10-18 | 重庆邮电大学 | 一种基于局部拉普拉斯分解的多尺度医学图像融合方法 |
| CN116862789A (zh) * | 2023-06-29 | 2023-10-10 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
| CN116862789B (zh) * | 2023-06-29 | 2024-04-23 | 广州沙艾生物科技有限公司 | 一种pet-mr图像校正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
| US10217216B2 (en) | Kind of x-ray chest image rib suppression method based on poisson model | |
| Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
| Giannini et al. | A fully automatic algorithm for segmentation of the breasts in DCE-MR images | |
| CN106683061B (zh) | 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法 | |
| CN108898593B (zh) | 一种基于腹部ct医学图像融合分类的检测装置 | |
| CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
| Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
| WO2014094376A1 (zh) | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 | |
| CN114974575A (zh) | 基于多特征融合的乳腺癌新辅助化疗疗效预测装置 | |
| Viji et al. | Modified texture based region growing segmentation of MR brain images | |
| CN111477304A (zh) | 一种pet和mri图像相融合的肿瘤照射成像组合方法 | |
| Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
| Saeed et al. | Cerebellum segmentation employing texture properties and knowledge based image processing: applied to normal adult controls and patients | |
| Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
| Feng et al. | MRI generated from CT for acute ischemic stroke combining radiomics and generative adversarial networks | |
| CN108898173B (zh) | 一种多尺度多特征的心电图医学图像融合及分类方法 | |
| US20240104705A1 (en) | Systems and methods for image correction | |
| CN115619693A (zh) | 一种基于嵌套多尺度变换的时空融合模型 | |
| CN112150426B (zh) | 基于非参数核密度估计的数字乳腺层析合成摄影重建方法 | |
| Gu et al. | Cross-modality image translation: CT image synthesis of MR brain images using multi generative network with perceptual supervision | |
| Hou et al. | Research on tumor image segmentation in medical imaging based on extremum adaptive median filtering | |
| CN112634280A (zh) | 基于能量泛函的mri图像脑肿瘤分割方法 | |
| CN113658193B (zh) | 基于信息融合的肝脏ct影像肿瘤分割方法 | |
| Singh et al. | A review: Image enhancement On MRI images |
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: 20200731 |
|
| RJ01 | Rejection of invention patent application after publication |