CN111553352B - 一种dicom图像处理方法及系统 - Google Patents
一种dicom图像处理方法及系统 Download PDFInfo
- Publication number
- CN111553352B CN111553352B CN202010344952.0A CN202010344952A CN111553352B CN 111553352 B CN111553352 B CN 111553352B CN 202010344952 A CN202010344952 A CN 202010344952A CN 111553352 B CN111553352 B CN 111553352B
- Authority
- CN
- China
- Prior art keywords
- image
- dicom
- texture
- roi
- parameter
- 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
Links
Images
Classifications
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种DICOM图像处理方法,包括以下步骤:S1:按照DICOM文件中的图像序列名称,生成DICOM文件列表;S2:对DICOM图像进行预处理;S3:获取DICOM图像中的感兴趣区域,得到ROI图像,并提取第一纹理特征参数;S4:结合同一序列内的ROI图像,提取第二纹理特征参数;S5:将第一纹理特征参数和第二纹理特征参数输出,与现有技术相比,本发明具有提高医生工作效率和方便性等优点。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种DICOM图像处理方法及系统。
背景技术
如今,基于电子计算机断层扫描(Computed Tomography,CT)和磁共振成像(Magnetic Resonance Imaging,MRI)的医疗影像具有较高的组织分辨率和多序列、多方位成像等优点,已在临床检查中得到广泛应用,但多以医生人工经验识别为主,但是仍然有很多肉眼难以辨别的良、恶性肿瘤内部的异质性,对于这样的情况,医生往往需要经过复杂的过程才能完成病理诊断,即使很有经验的医生,也无法快速准确地做出判断,这无疑增加了医生的负担,降低了医生的工作效率。
在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域(Region Of Interest,ROI),在医疗影像中,ROI则对应为病灶出现的高频区域,即图像中的纹理,纹理是图像中像素的灰度变化规律,图像中局部不规则而宏观有规律的特征称为“纹理”。提取纹理中的特征参数,提供给医生做对比分析,可以辅助医生更加精确地判断肿瘤内部信息。
同时,随着多种数字化医疗设备的普及,越来越多的影像设备如计算机X线摄影(Computed Radiography,CR)、直接数字平板X线成像(Digital Radiography,DR)、超声、CT、MRI、数字减影技术(Digital subtraction angiography,DSA)等均配备有标准数字接口。ACRNEMA在1993年就推出了DICOM3.0标准,成为医学影象设备的标准配置。在医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)的支持下,可以进行不同厂家设备的数据互连,将图像从一个厂家的设备发送到另一个厂家的工作站上显示。
但是现在医院每天都要产生大量的DICOM文件,并且需要专用的系统和输出设备进行输出,这类专用设备的专业性强,操作复杂,需要用专用的看片设备进行观看,浪费资源的同时给医院的医生带来诸多不便。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高医生工作效率和方便性的DICOM图像处理方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种DICOM图像处理方法,包括以下步骤:
S1:按照DICOM文件中的图像序列名称,生成DICOM文件列表;
S2:对DICOM图像进行预处理;
S3:获取DICOM图像中的感兴趣区域,得到ROI图像,并提取第一纹理特征参数;
S4:结合同一序列内的ROI图像,提取第二纹理特征参数;
S5:将第一纹理特征参数和第二纹理特征参数输出。
进一步地,所述的步骤S1具体包括:通过数组索引提取并分类DICOM文件中的图像信息,按照图像序列名称生成DICOM文件列表。
优选地,所述的预处理包括阈值分割、直方图均衡和滤波处理。
进一步地,所述的步骤S3具体包括:
S31:获取DICOM图像中医生圈选的感兴趣区域,得到ROI图像;
S32:生成ROI图像的灰度分布直方图;
S33:根据灰度分布直方图提取第一纹理特征参数;
S34:将得到的第一纹理特征参数生成表格并保存。
进一步地,所述的步骤S4具体包括:
S41:获取整个序列中所有的ROI图像;
S42:将同一序列的ROI图像叠加,生成序列ROI图像的灰度直方图;
S43:根据序列ROI图像的灰度分布直方图,提取第二纹理特征参数;
S44:将得到的第二纹理特征参数生成表格并保存。
优选地,所述的第一纹理特征参数包括一阶纹理特征参数和二阶纹理特性参数,所述的第二纹理特征参数包括一阶纹理特征参数。
进一步优选地,所述的一阶纹理特征参数包括直方图与均值、熵、峰度和偏度,所述的二阶纹理特性参数包括灰度共生矩阵、能量、熵、惯性矩和相关性。
其中,一阶纹理特征中的偏度(Skewness)具体为:三阶中心距,衡量直方图是否有偏;
峰度(Kurtosis)具体为:四阶中心距,衡量在均值附近陡峭程度;
熵(Entropy)具体为:度量灰度分布的随机性,图像的灰度分布随机性越高熵值越高。
二阶纹理特征中的能量(Energy)为灰度共生矩阵元素的平方和,类比动能计算式,反映图像灰度分布均匀程度和纹理粗细度,灰度共生矩阵元素集中则能量值大,反之能量值小,其表达式为:
熵(Entropy)与一阶纹理特征中的熵类似,只不过更精细衡量,其表达式为:
对比度(Contrast)的大小由像素对的灰度差异决定,反映图像的清晰度和纹理沟纹深浅的程度,沟纹越深,对比度越大,视觉效果越清晰;沟纹浅,对比度小,效果模糊,其表达式为:
相关性(Correlation)是度量灰度共生矩阵行或列方向的相似度,反映图像局部灰度的相关性,行或列灰度相近则值大,行或列灰度相差大则值小,其表达式为:
在上述二阶纹理特征表达式中:i、j分别表示像素的灰度;Pij表示灰度共生矩阵;L表示影像的灰度级数;x、y表示像素点的坐标;μx、μy表示像素点灰度均值;σx、σy表示像素点灰度方差。
进一步地,该方法还包括以下步骤:
S6:将ROI图像以二值图像的形式按照不同序列和顺序保存,生成ROI样本库;
S7:将ROI样本库中的二值图像复原成灰度图像,并进行特征提取和样本训练,实现自动获取DICOM图像的感兴趣区域。
一种应用所述的DICOM图像处理方法的系统,包括医疗图像采集单元、医疗图像处理单元和终端显示单元;
所述的医疗图像采集单元包括PACS系统,用于采集并传输DICOM图像;
所述的医疗图像处理单元用于对DICOM图像进行处理,提取第一纹理特征参数和第二纹理特征参数;
所述的终端显示单元与医疗图像处理单元通过无线通信连接,用于显示DICOM图像以及第一纹理特征参数和第二纹理特征参数,分别提供给医生圈选感兴趣区域以及进行分析比较。
优选地,所述的终端显示单元包括PC机和/或移动智能终端,使医生可以在不同的环境中利用PC机或者移动智能终端查阅病人的图像资料。
与现有技术相比,本发明具有以下优点:
1)本发明按照DICOM序列显示和处理图像,符合医生的看图习惯,具有较高的实用价值,有效提高医生诊断工作的效率;
2)本发明通过提取各ROI图像的纹理特征参数和同一序列多帧ROI图像的纹理特征参数,提供给医生进行分析比对,使医生能够更容易发现病灶的特征,提高医生诊断工作的准确率和效率,提供很好的辅助作用;
3)本发明以二值图像的形式保存ROI图像,形成ROI图像数据库,实现了ROI图像的保存,并且该二值图像通过原图像可以复原出ROI灰度图像,自动生成了ROI图像数据库,进行图像特征提取和样本训练,可减少医生圈选ROI区域的工作量;
4)本发明在医疗图像处理单元后连接终端显示单元,并通过医疗图像处理单元的图像处理后,可在终端显示单元配备PC机和移动智能设备,实现了在PC机和移动智能设备上显示DICOM图像,使医生可以在不同的环境中利用PC机或者移动智能设备查阅病人的图像资料,打破了医生工作地点的限制,提高医生工作的方便性。
附图说明
图1为本发明方法的流程示意图;
图2为本发明系统的结构示意图;
图3为医疗图像处理单元中对DICOM图像进行处理过程的示意图;
图4为终端显示单元显示DICOM图像界面示意图;
图5为终端显示单元显示第一纹理特征参数界面示意图;
图6为终端显示单元显示第二纹理特征参数界面示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明实现了在PC机上对DICOM图像进行显示和处理功能,并且可以由医生圈出病灶可能出现的高频区域,即感兴趣区域(ROI区域),生成ROI灰度直方图。对ROI区域进行纹理分析,提取ROI区域的图像的一阶纹理特征参数(包括直方图与均值、熵、峰值和偏度)及二阶纹理特性参数(包括灰度共生矩阵、能量、熵、惯性矩和相关性)。并且可以综合整个序列的DICOM图像的所有ROI区域,叠加生成灰度直方图,提取叠加后的ROI区域图像的一阶纹理特征参数(直方图与均值、熵、峰值、偏度)。序列层次标识了生成图像的形态类型、序列生成的日期、检查类型的细节和使用的设备等。此外该系统还可以实现以二值图像的形式保存ROI图像,形成ROI图像数据库,可以通过原图像复原出ROI灰度图像。这些保存的图像可以作为样本库进行特征提取、样本训练,实现自动圈出病灶区域,实现自动获取感兴趣区域,进一步降低医生的工作复杂度。
如图1所示,本发明提供一种DICOM图像处理方法,包括以下步骤:
S1:按照DICOM文件中的图像序列名称,生成DICOM文件列表;
S2:对DICOM图像进行预处理;
S3:获取DICOM图像中的感兴趣区域,得到ROI图像,并提取第一纹理特征参数;
S4:结合同一序列内的ROI图像,提取第二纹理特征参数;
S5:将第一纹理特征参数和第二纹理特征参数输出,提供给医生进行分析比较;
S6:将ROI图像以二值图像的形式按照不同序列和顺序保存,生成ROI样本库;
S7:将ROI样本库中的二值图像复原成灰度图像,并进行特征提取和样本训练,实现自动获取DICOM图像的感兴趣区域。
如图3所示,由于DICOM文件采用面向对象的思想来设计和实现。每个DICOM文件通常都与一个信息对象(Information Object Definition,IOD)的实例相关联。
信息对象是对实际对象的抽象,包括普通信息对象和复合信息对象。普通信息对象(Normalized IOD)代表一个单一的信息实体,如病人(Patient)、诊断(Study)、打印(Print Job)等;复合信息对象(Composite IOD)代表一组相关的实际对象的集合,如CT图像(Computed Tomog-raphy Image)、磁共振图像(Magnetic Resonance Image,MRI)、核医学图像(Nuclear Medicine Image,NMI)等。
因此本发明利用数组索引程序提取并分类DICOM文件中的图像信息,按照图像序列名称生成DICOM文件列表。
图像处理的具体过程如下:
(1)利用数组索引程序提取并分类DICOM文件中的图像信息,按照图像序列名称生成DICOM文件列表,方便按照不同序列及图像顺序显示图像。
(2)选取目标图像,并对图像进行处理,利用阈值分割、直方图均衡、及滤波等处理达到更加容易识别获取ROI区域的目的。
(3)由医生圈选出病灶可能出现的高频区域(ROI)并生成ROI图像对应的灰度分布直方图,对ROI图像进行纹理特性参数分析,提取ROI图像的一阶纹理特征参数(包括直方图与均值、熵、峰度和偏度)及二阶纹理特征参数(包括灰度共生矩阵、能量、熵、惯性矩、相关性),生成excel表格并保存。
(4)综合统计同一序列多帧ROI图像的纹理特性参数,并提取一阶纹理特征参数,生成excel表格并保存。
将(3)和(4)中提取的纹理特征参数分别输出,提供给医生查看,医生通过对比不同病人的参数可以分析出病灶的特征,提高其诊断的速度和准确率。
(5)将ROI图像以二值图像的形式按照不同序列和顺序保存在自动生成的对应名称的地址文件夹中,生成ROI样本库。
(6)通过ROI图像读取程序将已保存的二值图像复原成ROI灰度图像,并对样本库中的图像进行特征提取、样本训练,实现自动圈选ROI区域,进一步降低医生诊断工作的复杂度。
如图2所示,本发明还提供一种应用DICOM图像处理方法的系统,通过医疗影像设备扫描得到图像,再通过PACS系统将DOICOM图像文件传输到医疗图像处理单元进行图像处理,并通过无线局域网连接终端显示单元,提供给医生浏览图像的功能。
该系统包括医疗图像采集单元、医疗图像处理单元和终端显示单元;
医疗图像采集单元包括PACS系统,用于采集并传输DICOM图像;
医疗图像处理单元用于对DICOM图像进行处理,提取第一纹理特征参数和第二纹理特征参数,其处理方法即为本发明提供的DICOM图像方法;
终端显示单元包括PC机和/或移动智能终端,使医生可以在不同的环境中利用PC机或者移动智能终端查阅病人的图像资料,其与医疗图像处理单元通过无线通信连接,用于显示DICOM图像以及第一纹理特征参数和第二纹理特征参数,分别提供给医生圈选感兴趣区域以及进行分析比较。
如图4所示,为终端显示单元显示DICOM图像的界面的示例,其为医生进行盆腔病理影像诊断时的界面,该界面可根据患者信息及序列查找对应的图片,同一序列的图像还可以通过鼠标滚轮切换到不同帧的图像,符合医生平时查阅医疗影像的习惯。界面中还显示了ROI灰度直方图和ROI的灰度参数,同时医生还可以选取多个或单个任意形状的ROI区域,在此界面上完成ROI区域的圈选,并保存ROI图像,点击保存后会在预先设定好的文件夹中自动创建以图像序列名称命名的子文件夹,并将图像保存在子文件夹中。同时系统会以ROI图像保存地址名称对原图像进行命名,这样方便复原ROI图像时对照相应的原图像。
如图5所示,为终端显示单元显示第一纹理特征参数界面,其中包括一阶纹理特征参数和二阶纹理特征参数,可通过点击保存数据按钮生成特征参数表格并保存在指定文件夹中。
图6为终端显示单元显示第二纹理特征参数界面,其中包括同一序列多帧图像ROI直方图及该序列的一阶纹理特征参数,可通过点击保存数据按钮生成特征参数表格并保存在指定文件夹中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种DICOM图像处理方法,其特征在于,包括以下步骤:
S1:按照DICOM文件中的图像序列名称,生成DICOM文件列表;
S2:对DICOM图像进行预处理;
S3:获取DICOM图像中的感兴趣区域,得到ROI图像,并提取第一纹理特征参数;
S4:结合同一序列内的ROI图像,提取第二纹理特征参数;
S5:将第一纹理特征参数和第二纹理特征参数输出;
其中,所述的步骤S3具体包括:
S31:获取DICOM图像中医生圈选的感兴趣区域,得到ROI图像;
S32:生成ROI图像的灰度分布直方图;
S33:根据灰度分布直方图提取第一纹理特征参数;
S34:将得到的第一纹理特征参数生成表格并保存;
所述的步骤S4具体包括:
S41:获取整个序列中所有的ROI图像;
S42:将同一序列的ROI图像叠加,生成序列ROI图像的灰度直方图;
S43:根据序列ROI图像的灰度分布直方图,提取第二纹理特征参数;
S44:将得到的第二纹理特征参数生成表格并保存。
2.根据权利要求1所述的一种DICOM图像处理方法,其特征在于,所述的步骤S1具体包括:通过数组索引提取并分类DICOM文件中的图像信息,按照图像序列名称生成DICOM文件列表。
3.根据权利要求1所述的一种DICOM图像处理方法,其特征在于,所述的预处理包括阈值分割、直方图均衡和滤波处理。
4.根据权利要求1所述的一种DICOM图像处理方法,其特征在于,所述的第一纹理特征参数包括一阶纹理特征参数和二阶纹理特性参数,所述的第二纹理特征参数包括一阶纹理特征参数。
5.根据权利要求4所述的一种DICOM图像处理方法,其特征在于,所述的一阶纹理特征参数包括直方图与均值、熵、峰度和偏度,所述的二阶纹理特性参数包括灰度共生矩阵、能量、熵、惯性矩和相关性。
6.根据权利要求1所述的一种DICOM图像处理方法,其特征在于,该方法还包括以下步骤:
S6:将ROI图像以二值图像的形式按照不同序列和顺序保存,生成ROI样本库;
S7:将ROI样本库中的二值图像复原成灰度图像,并进行特征提取和样本训练,实现自动获取DICOM图像的感兴趣区域。
7.一种应用如权利要求1-6任一项所述的DICOM图像处理方法的系统,其特征在于,包括医疗图像采集单元、医疗图像处理单元和终端显示单元;
所述的医疗图像采集单元包括PACS系统,用于采集并传输DICOM图像;
所述的医疗图像处理单元用于对DICOM图像进行处理,提取第一纹理特征参数和第二纹理特征参数;
所述的终端显示单元与医疗图像处理单元通过无线通信连接,用于显示DICOM图像以及第一纹理特征参数和第二纹理特征参数。
8.根据权利要求7所述的系统,其特征在于,所述的终端显示单元包括PC机和/或移动智能终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344952.0A CN111553352B (zh) | 2020-04-27 | 2020-04-27 | 一种dicom图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344952.0A CN111553352B (zh) | 2020-04-27 | 2020-04-27 | 一种dicom图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553352A CN111553352A (zh) | 2020-08-18 |
CN111553352B true CN111553352B (zh) | 2022-06-24 |
Family
ID=72005929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344952.0A Active CN111553352B (zh) | 2020-04-27 | 2020-04-27 | 一种dicom图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553352B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869171A (zh) * | 2016-04-18 | 2016-08-17 | 重庆大学 | 一种定量分析人体皮肤纹理老化的方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054563B (zh) * | 2013-01-06 | 2016-02-24 | 深圳先进技术研究院 | 一种血管壁图像纹理特征的量化和提取方法 |
US9721340B2 (en) * | 2013-08-13 | 2017-08-01 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
CN103593844B (zh) * | 2013-10-29 | 2016-08-31 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN103699904B (zh) * | 2013-12-25 | 2017-01-04 | 大连理工大学 | 多序列核磁共振影像的图像计算机辅助判断方法 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
ES2537153B2 (es) * | 2014-09-05 | 2015-10-08 | Universitat Politècnica De València | Método y sistema de generación de imágenes nosológicas multiparamétricas |
US10909675B2 (en) * | 2015-10-09 | 2021-02-02 | Mayo Foundation For Medical Education And Research | System and method for tissue characterization based on texture information using multi-parametric MRI |
CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
-
2020
- 2020-04-27 CN CN202010344952.0A patent/CN111553352B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869171A (zh) * | 2016-04-18 | 2016-08-17 | 重庆大学 | 一种定量分析人体皮肤纹理老化的方法 |
CN107992901A (zh) * | 2017-12-18 | 2018-05-04 | 武汉大学 | 一种基于纹理特征的钻孔雷达影像岩层分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553352A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10568512B2 (en) | Control method of information terminal and computer-readable recording medium | |
US8391576B2 (en) | Device, method and recording medium containing program for separating image component, and device, method and recording medium containing program for generating normal image | |
US7492931B2 (en) | Image temporal change detection and display method and apparatus | |
EP2401719B1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
US11954860B2 (en) | Image matching method and device, and storage medium | |
US20120257804A1 (en) | Communicative cad system for assisting breast imaging diagnosis | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
EP2631873B1 (en) | Image alignment of breast images | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
Qian et al. | Computer-aided mass detection based on ipsilateral multiview mammograms | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
Turco et al. | Fully automated segmentation of polycystic kidneys from noncontrast computed tomography: A feasibility study and preliminary results | |
CN111553352B (zh) | 一种dicom图像处理方法及系统 | |
US20220172367A1 (en) | Visualization of sub-pleural regions | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
Suganthi et al. | Interactive Visualization for Understanding and Analyzing Medical Data | |
Kekre et al. | Texture based segmentation using statistical properties for mammographic images | |
Wadhwani et al. | Computer Aided Diagnosis System for Breast Cancer Detection | |
Jha et al. | Interpretability of Self-Supervised Learning for Breast Cancer Image Analysis | |
CN112336365B (zh) | 心肌血流量分布图像获取方法、系统、介质及电子设备 | |
Patibandla et al. | CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection | |
CN117594199A (zh) | 一种基于dicom图像坐标定位与可视化的方法 | |
Shaharuddin et al. | Development of computer aided diagnosis system (CAD) for detection of kidney ultrasound images | |
Dimililer et al. | Image preprocessing phase with artificial intelligence methods on medical images | |
Safitri et al. | Image Enhancement for Breast Cancer Based on Image Contrast, Interpolation and Filtering |
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 |