CN112070801A - 一种基于图像的运动检测方法 - Google Patents

一种基于图像的运动检测方法 Download PDF

Info

Publication number
CN112070801A
CN112070801A CN202010894625.2A CN202010894625A CN112070801A CN 112070801 A CN112070801 A CN 112070801A CN 202010894625 A CN202010894625 A CN 202010894625A CN 112070801 A CN112070801 A CN 112070801A
Authority
CN
China
Prior art keywords
image
basic
detection
category
reference 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
Application number
CN202010894625.2A
Other languages
English (en)
Other versions
CN112070801B (zh
Inventor
魏博
郭骏杰
张胜发
古家玮
苏志强
杨博
吴昊
乔杉
崔磊
田周
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.)
Nantong Shende Medical Equipment Technology Co ltd
Shanghai Shende Wuchuang Era Medical Technology Co ltd
Shende Ningbo Medical Device Technology Co Ltd
Original Assignee
Nantong Shende Medical Equipment Technology Co ltd
Shanghai Shende Green Medical Era Healthcare Technology Co Ltd
Shende Ningbo Medical Device 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 Nantong Shende Medical Equipment Technology Co ltd, Shanghai Shende Green Medical Era Healthcare Technology Co Ltd, Shende Ningbo Medical Device Technology Co Ltd filed Critical Nantong Shende Medical Equipment Technology Co ltd
Priority to CN202010894625.2A priority Critical patent/CN112070801B/zh
Publication of CN112070801A publication Critical patent/CN112070801A/zh
Priority to PCT/CN2021/082588 priority patent/WO2022041710A1/zh
Priority to EP21859559.3A priority patent/EP4202831A1/en
Priority to US18/175,819 priority patent/US20230215022A1/en
Application granted granted Critical
Publication of CN112070801B publication Critical patent/CN112070801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种基于图像的运动检测方法，具体为：采集检测对象的基准图像，在基准图像上设置若干个第一检测点，以第一检测点为中心在基准图像上提取基础标识，将所有基础标识分为若干个类别；采集检测对象的检测图像；在检测图像中匹配各个基础标识，获取偏移向量，根据基础标识的偏移向量的模判断该基础标识是否发生移动；判断每个类别中发生移动的基础标识的数量占比是否大于第三设定阈值，若是则判断该类别发生移动，否则该类别未发生移动；根据各个类别是否发生运动判断检测对象的运动情况。与现有技术相比，本发明具有准确性好、灵活性强和信息全面等优点。

Description

一种基于图像的运动检测方法
技术领域
本发明涉及一种运动检测方法，尤其是涉及一种基于图像的运动检测方法。
背景技术
对于一些无创治疗，在治疗进行中，需要实时采集治疗部位的解剖面图像来观察监控治疗情况，一般采用MR或CT图像。而另一方面，由于是无创治疗，治疗设备与人体未必固定，所以若病人移动，可能会造成治疗事故。针对这一情况，可以使用术中的监控图像来对病人进行运动检测。
现有的运动检测方法，可以分为基于图像检测和基于传感器检测两大类；
基于传感器检测的方法，例如使用激光测距仪或超声雷达来探测移动，对于无创治疗的场景，这些方法不仅需要使用额外的设备，而且只能探测体外信息，而对于呼吸等引起的人体内部运动无法检测；
基于图像的运动检测方法，目前大多数都是对于摄像头等设备产生的影像的处理，有帧间差分法、背景差分法和光流法。摄像头等产生的真实世界图像，一般都包含彩色信息，图像内容有背景和目标之分。某些情况下，目标物体已知，可以由其他来源的图像得到目标的特征，从而在检测图像上追踪。另一些情况下，成像的同时会有深度探测器，一同生成深度图像，可以提供更多的信息，而无创治疗，由于检测运动的目标是人体内部的组织器官，所以应该采用医学影像设备产生的解剖面图像。医学图像，相对于真实物体的图像，只有纯灰度信息，图像细节相对也较少，由于是解剖面图像，不同角度不同成像方式，各个组织器官会混叠成不同的形式，所以也难以由其他来源的图像得到目标特征。所以现有的运动检测算法并不适用于医学图像。
基于医学图像的运动检测，目前的做法只是简单地对比治疗前和治疗中的图像或图像中的标记点，然后判断是否移动，但人体并不是刚体，发生的运动可能是局部的，运动的部位也未必会影响治疗，而由于成像参数或周边环境变化的变化，未运动的部位在不同时间的图像也会有灰度或噪声上的不同，给检测带来了额外干扰。因此目前的运动检测手段缺少对运动判断的灵活适配。
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基于图像的运动检测方法，准确性好，灵活性强，信息全面。
本发明的目的可以通过以下技术方案来实现：
一种基于图像的运动检测方法，具体为：
采集检测对象的基准图像，在基准图像上设置若干个第一检测点，第一检测点可灵活设置，适应于不同大小的解剖结构，以第一检测点为中心在基准图像上提取基础标识，将所有基础标识分为若干个类别，每个类别至少包含1个基础标识；
采集检测对象的检测图像，所述的检测图像的图像要素与基准图像的图像要素相同，所述的图像要素包括位置、方向、大小和分辨率；
在检测图像中匹配各个基础标识，获取各个基础标识在基准图像和检测图像之间的偏移向量，判断各个基础标识的偏移向量的模是否大于第二设定阈值，若是则判断该基础标识发生移动，否则该基础标识未发生移动；
判断每个类别中发生移动的基础标识的数量占比是否大于第三设定阈值，若是则判断该类别发生移动，否则该类别未发生移动；第二设定阈值和第三设定阈值均可灵活设置，增大阈值则减少假阳性的情况，减小阈值低则可减少假阴性的情况，可针对不同的应用场景灵活设置。
根据各个类别是否发生运动判断检测对象的运动情况，所述的运动情况包括整体运动、局部运动和未发生运动。
进一步地，对每个类别中的所有基础标识进行聚类，获得若干个簇，其中每个类别中包含的基础标识的数量最多的簇记为Cmax，当Cmax中包含的基础标识的数量在Cmax所在类别包含的基础标识总量中所占比例不小于第一设定阈值时，计算Cmax中所有基础标识的偏移向量平均值
Figure BDA0002658066060000021
并将Cmax所在类别的其它簇的基础标识的偏移向量均设为
Figure BDA0002658066060000022
可以纠正偏差较大的基准标识；
对每个类别进行聚类的过程具体为：
将偏移向量之差的模小于第五设定阈值的两个基础标识归为同一簇，未归簇的基础标识的偏移向量与簇内偏移向量平均值之差小于第五设定阈值时，将该未归簇的基础标识归入该簇内。
进一步地，所述的基础标识为图像片段，所述的图像片段的提取过程具体为：
以第一检测点为中心，在基准图像上提取与第一检测点之间的距离在第一设定距离范围内的图像，构成图像片段；
当基准图像上的第一检测点的数量小于第四设定阈值时进行检测点扩充，所述的扩充的具体过程为：
设置第四设定阈值，以第一检测点为中心，在第二设定距离范围内设置若干个第二检测点，以第二检测点为中心，在基准图像上提取与第二检测点之间的距离在第一设定距离范围内的图像，构成扩充的图像片段。所述的第一设定距离范围可灵活设置。
进一步地，设置设定熵阈值，所述的扩充的图像片段的熵值大于设定熵阈值。
进一步地，所述的基础标识为图像特征点，所述的图像特征点的提取过程具体为：
以第一检测点为中心，识别基准图像上与第一检测点之间的距离在第三设定距离范围内的图像特征点。
进一步地，所述的图像特征点为Harris角点。
进一步地，采用基于密度的聚类算法将可以聚团的基础标识归为一个类别，所述的聚类算法为DBSCAN。
进一步地，对基准图像进行分割，获得不同的图像分割单元，位于同一图像分割单元上的基础标识归为一个类别。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明在检测对象的基准图像上设置第一检测点并以第一检测点为中心提取基础标识，基础标识的位置根据检测对象的待检测部位确定，将多个基准标识划分为若干个类别，在检测图像上匹配基础标识，获得基础标识在基准图像和检测图像之间的偏移向量，通过比对偏移向量和第二设定阈值的大小判定基础标识是否移动，进一步地通过比对各个类别内发生移动的基础标识的数量占比与第三设定阈值的大小判断该类别是否发生移动，最终根据各个类别是否发生移动判断检测对象的整体和局部的运动情况，避免偏差较大的基础标识对检测结果的干扰，检测结果更加全面和准确，其中第一检测点的数量和位置、第二设定阈值和第三设定阈值均可灵活设置，平衡运动检测的准确率和效率，灵活性好；
(2)本发明对每个类别中的所有基础标识进行聚类，获得若干个簇，其中每个类别中包含的基础标识的数量最多的簇记为Cmax，当Cmax中包含的基础标识的数量在Cmax所在类别包含的基础标识总量中所占比例不小于第一设定阈值时，计算Cmax中所有基础标识的偏移向量平均值
Figure BDA0002658066060000041
并将Cmax所在类别的其它簇的基础标识的偏移向量均设为
Figure BDA0002658066060000042
可以纠正偏差较大的基准标识，提高检测的准确性；
(3)本发明采用图像片段作为基础标识，以第一检测点为中心，在基准图像上提取与第一检测点之间的距离在第一设定距离范围内的图像，构成图像片段，使得基础标识的匹配精度更高，基础标识的运动检测结果更准确；
(4)本发明设置第四设定阈值，当基准图像上的第一检测点的数量小于第四设定阈值时进行检测点扩充，以第一检测点为中心，在第二设定距离范围内设置若干个第二检测点，设置设定熵阈值，以第二检测点为中心，在基准图像上提取与第二检测点之间的距离在第一设定距离范围内的图像，保留熵值大于设定熵阈值的图像，作为扩充的图像片段，保证图像片段的数量充足以及每张图像片段的有效性，检测精度高；
(5)本发明可按照解剖结构对基准图像进行分割，获得不同的图像分割单元，位于同一图像分割单元上的基础标识归为一个类别，适用范围不同尺寸的解剖结构，而且还可以对解剖结构进行局部运动检测。
附图说明
图1为本发明的方法流程图；
图2为划分类别的示意图；
图3为类别聚类的示意图；
图4为类别修正的示意图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于图像的运动检测方法，具体为：
采集检测对象的基准图像，在基准图像上设置若干个第一检测点，以第一检测点为中心在基准图像上提取基础标识，将所有基础标识分为若干个类别，每个类别至少包含1个基础标识；
采集检测对象的检测图像，所述的检测图像的图像要素与基准图像的图像要素相同，所述的图像要素包括位置、方向、大小和分辨率；
在检测图像中匹配各个基础标识，获取各个基础标识在基准图像和检测图像之间的偏移向量，判断各个基础标识的偏移向量的模是否大于第二设定阈值，若是则判断该基础标识发生移动，否则该基础标识未发生移动；
判断每个类别中发生移动的基础标识的数量占比是否大于第三设定阈值，若是则判断该类别发生移动，否则该类别未发生移动，根据各个类别是否发生运动判断检测对象的整体和局部运动情况。
实施例2
一种基于图像的运动检测方法，如图1，具体为：
S01：采集检测对象的基准图像，在基准图像上需要关注是否发生移动的部位设置若干个第一检测点；
S02：以检测点为中心在基准图像上提取基础标识，基础标识为图像片段，以第一检测点为中心，在基准图像上提取与第一检测点之间的距离在第一设定距离范围内的图像，构成图像片段；
S03：如图2，采用基于密度聚类算法将可以聚团的基础标识归为一个类别，获得3个类别，记为CI、CII和CIII，每个类别至少包含1个基础标识，聚类算法为DBSCAN，若发生运动，位于同一类别的基础标识的偏移向量具有近似的偏移向量；
S04：采集检测对象的检测图像，检测图像的图像要素与基准图像的图像要素相同，图像要素包括位置、方向、大小和分辨率；
S05：在检测图像中匹配各个基础标识，进行位置对比，获取各个基础标识在基准图像和检测图像之间的偏移向量；
S06：对每个类别中的所有基础标识进行聚类，将偏移向量之差的模小于第五设定阈值的两个基础标识归为同一簇，未归簇的基础标识的偏移向量与簇内偏移向量平均值之差小于第五设定阈值时，将该未归簇的基础标识归入该簇，最终获得若干个簇，其中每个类别中包含的基础标识的数量最多的簇记为Cmax，如图3，ci、cii和ciii为同一类别内的3个簇，其中ci的数量最多，即ci为该类别中的Cmax；
S07：若Cmax中包含的基础标识的数量在Cmax所在类别包含的基础标识总量中所占比例不小于第一设定阈值，计算Cmax中所有基础标识的偏移向量平均值
Figure BDA0002658066060000061
将Cmax所在类别的其它簇的基础标识的偏移向量均设为
Figure BDA0002658066060000062
如图4，将cii和ciii所包含的基础标识的偏移向量均设为ci的偏移向量平均值；
S08：判断各个基础标识的偏移向量的模是否大于第二设定阈值，若是则判断该基础标识发生移动，否则该基础标识未发生移动；
S09：判断每个类别中发生移动的基础标识的数量占比是否大于第三设定阈值，若是则判断该类别发生移动，否则该类别未发生移动；
S10：根据各个类别是否发生运动判断检测对象的运动情况，运动情况包括整体运动、局部运动和未发生运动。
其中，设置第四设定阈值，当基准图像上的第一检测点的数量小于第四设定阈值时进行检测点扩充，扩充的具体过程为：
以第一检测点为中心，在第二设定距离范围内设置若干个第二检测点，以第二检测点为中心，在基准图像上提取与第二检测点之间的距离在第一设定距离范围内的图像，构成扩充的图像片段，设置设定熵阈值，保留熵值大于设定熵阈值的图像片段，熵值反应了图像片段所包含的信息量，可以反映该图像片段是否包含解剖结构，使得扩充得到的图像片段均包含解剖结构。
该运动检测方法只需要判断以第一检测点为中心的图像片段是否发生移动，避免了基准图像其它部位的移动对检测结果的干扰，可将第一检测点设置在解剖结构丰富的位置，便于在检测图像中匹配各个图像片段。
实施例3
本实施例中，基础标识为图像特征点，图像特征点为Harris角点，图像特征点的提取过程具体为：以第一检测点为中心，识别基准图像上与第一检测点之间的距离在第三设定距离范围内的图像特征点，其它与实施例2相同。
实施例4
本实施例中，可以基于不同的解剖结构对基准图像进行分割，获得不同的图像分割单元，位于同一图像分割单元上的基础标识归为一个类别，其它与实施例2相同。
实施例1、实施例2、实施例3和实施例4提出了一种基于图像的运动检测方法，使用聚类对所有基准标识的结果进行处理，可以纠正偏差较大的基准标识，同时可根据类别的运动情况观测检测对象的局部运动情况，使用所有基准标识的结果，按比例判断是否运动，可以避免某些错误的基准标识的干扰，阈值可更改，可以灵活适配不同的使用场景。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于图像的运动检测方法，其特征在于，具体为：
采集检测对象的基准图像，在基准图像上设置若干个第一检测点，以第一检测点为中心在基准图像上提取基础标识，将所有基础标识分为若干个类别，每个类别至少包含1个基础标识；
采集检测对象的检测图像，所述的检测图像的图像要素与基准图像的图像要素相同，所述的图像要素包括位置、方向、大小和分辨率；
在检测图像中匹配各个基础标识，获取各个基础标识在基准图像和检测图像之间的偏移向量，判断各个基础标识的偏移向量的模是否大于第二设定阈值，若是则判断该基础标识发生移动，否则该基础标识未发生移动；
判断每个类别中发生移动的基础标识的数量占比是否大于第三设定阈值，若是则判断该类别发生移动，否则该类别未发生移动，根据各个类别是否发生运动判断检测对象的整体和局部运动情况。
2.根据权利要求1所述的一种基于医学图像的运动检测方法，其特征在于，对每个类别中的所有基础标识进行聚类，获得若干个簇，其中每个类别中包含的基础标识的数量最多的簇记为Cmax，当Cmax中包含的基础标识的数量在Cmax所在类别包含的基础标识总量中所占比例不小于第一设定阈值时，计算Cmax中所有基础标识的偏移向量平均值
Figure FDA0002658066050000011
并将Cmax所在类别的其它簇的基础标识的偏移向量均设为
Figure FDA0002658066050000012
3.根据权利要求2所述的一种基于医学图像的运动检测方法，其特征在于，对每个类别进行聚类的过程具体为：
将偏移向量之差的模小于第五设定阈值的两个基础标识归为同一簇，未归簇的基础标识的偏移向量与簇内偏移向量平均值之差小于第五设定阈值时，将该未归簇的基础标识归入该簇内。
4.根据权利要求1所述的一种基于医学图像的运动检测方法，其特征在于，所述的基础标识为图像片段，所述的图像片段的提取过程具体为：
以第一检测点为中心，在基准图像上提取与第一检测点之间的距离在第一设定距离范围内的图像，构成图像片段。
5.根据权利要求4所述的一种基于医学图像的运动检测方法，其特征在于，当基准图像上的第一检测点的数量小于第四设定阈值时进行检测点扩充，所述的扩充的具体过程为：
设置第四设定阈值，以第一检测点为中心，在第二设定距离范围内设置若干个第二检测点，设置设定熵阈值，以第二检测点为中心，在基准图像上提取与第二检测点之间的距离在第一设定距离范围内的图像，保留熵值大于设定熵阈值的图像，作为扩充的图像片段。
6.根据权利要求1所述的一种基于医学图像的运动检测方法，其特征在于，所述的基础标识为图像特征点，所述的图像特征点的提取过程具体为：
以第一检测点为中心，识别基准图像上与第一检测点之间的距离在第三设定距离范围内的图像特征点。
7.根据权利要求6所述的一种基于医学图像的运动检测方法，其特征在于，所述的图像特征点为Harris角点。
8.根据权利要求1所述的一种基于医学图像的运动检测方法，其特征在于，采用基于密度的聚类算法将可以聚团的基础标识归为一个类别。
9.根据权利要求8所述的一种基于医学图像的运动检测方法，其特征在于，所述的聚类算法为DBSCAN。
10.根据权利要求1所述的一种基于医学图像的运动检测方法，其特征在于，对基准图像进行分割，获得不同的图像分割单元，位于同一图像分割单元上的基础标识归为一个类别。
CN202010894625.2A 2020-08-31 2020-08-31 一种基于图像的运动检测方法 Active CN112070801B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010894625.2A CN112070801B (zh) 2020-08-31 2020-08-31 一种基于图像的运动检测方法
PCT/CN2021/082588 WO2022041710A1 (zh) 2020-08-31 2021-03-24 一种基于图像的运动检测方法
EP21859559.3A EP4202831A1 (en) 2020-08-31 2021-03-24 Image-based motion detection method
US18/175,819 US20230215022A1 (en) 2020-08-31 2023-02-28 Image-based motion detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010894625.2A CN112070801B (zh) 2020-08-31 2020-08-31 一种基于图像的运动检测方法

Publications (2)

Publication Number Publication Date
CN112070801A true CN112070801A (zh) 2020-12-11
CN112070801B CN112070801B (zh) 2023-08-11

Family

ID=73664776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010894625.2A Active CN112070801B (zh) 2020-08-31 2020-08-31 一种基于图像的运动检测方法

Country Status (4)

Country Link
US (1) US20230215022A1 (zh)
EP (1) EP4202831A1 (zh)
CN (1) CN112070801B (zh)
WO (1) WO2022041710A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022041710A1 (zh) * 2020-08-31 2022-03-03 上海沈德医疗器械科技有限公司 一种基于图像的运动检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1083033A (ja) * 1996-09-09 1998-03-31 Fuji Photo Film Co Ltd 動画像のプリント方法
JP2004343737A (ja) * 2003-04-24 2004-12-02 Sumitomo Electric Ind Ltd 画像補正方法、プログラム及び装置
KR20120112293A (ko) * 2012-08-24 2012-10-11 전자부품연구원 이동체의 위치 판단 장치 및 위치 판단 방법
US20170249745A1 (en) * 2014-05-21 2017-08-31 Millennium Three Technologies, Inc. Fiducial marker patterns, their automatic detection in images, and applications thereof

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012253482A (ja) * 2011-06-01 2012-12-20 Sony Corp 画像処理装置および方法、記録媒体、並びにプログラム
KR101939628B1 (ko) * 2012-05-30 2019-01-17 삼성전자주식회사 모션 검출 방법 및 모션 검출기
CN106033603B (zh) * 2015-03-10 2019-06-11 东芝医疗系统株式会社 医用图像处理装置和医用图像处理方法
EP3332730B1 (de) * 2017-08-08 2021-11-03 Siemens Healthcare GmbH Verfahren und trackingsystem zum nachverfolgen eines medizinischen objekts
CN108229307B (zh) * 2017-11-22 2022-01-04 北京市商汤科技开发有限公司 用于物体检测的方法、装置和设备
CN112070801B (zh) * 2020-08-31 2023-08-11 上海沈德医疗器械科技有限公司 一种基于图像的运动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1083033A (ja) * 1996-09-09 1998-03-31 Fuji Photo Film Co Ltd 動画像のプリント方法
JP2004343737A (ja) * 2003-04-24 2004-12-02 Sumitomo Electric Ind Ltd 画像補正方法、プログラム及び装置
KR20120112293A (ko) * 2012-08-24 2012-10-11 전자부품연구원 이동체의 위치 판단 장치 및 위치 판단 방법
US20170249745A1 (en) * 2014-05-21 2017-08-31 Millennium Three Technologies, Inc. Fiducial marker patterns, their automatic detection in images, and applications thereof

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022041710A1 (zh) * 2020-08-31 2022-03-03 上海沈德医疗器械科技有限公司 一种基于图像的运动检测方法

Also Published As

Publication number Publication date
WO2022041710A1 (zh) 2022-03-03
US20230215022A1 (en) 2023-07-06
CN112070801B (zh) 2023-08-11
EP4202831A1 (en) 2023-06-28

Similar Documents

Publication Publication Date Title
US7221787B2 (en) Method for automated analysis of digital chest radiographs
Wimmer et al. A generic probabilistic active shape model for organ segmentation
US20220157047A1 (en) Feature Point Detection
JP4640845B2 (ja) 画像処理装置およびそのプログラム
KR20160009435A (ko) 프로브 속도에 기초한 컴퓨터 보조 진단 지원 장치 및 방법
WO2009017715A1 (en) Joint detection and localization of multiple anatomical landmarks through learning
Ni et al. Selective search and sequential detection for standard plane localization in ultrasound
CN110782428B (zh) 一种用于构建临床脑部ct图像roi模板的方法及系统
Zheng et al. Fast and automatic heart isolation in 3D CT volumes: Optimal shape initialization
JP2005334298A (ja) 異常陰影検出方法および装置並びにプログラム
CN117237591A (zh) 一种心脏超声影像伪影智能去除方法
Stolojescu-Crisan et al. An Interactive X-Ray Image Segmentation Technique for Bone Extraction.
CN112070801B (zh) 一种基于图像的运动检测方法
Ratheesh et al. Advanced algorithm for polyp detection using depth segmentation in colon endoscopy
Zhang et al. Confidence-guided sequential label fusion for multi-atlas based segmentation
CN110378333B (zh) 一种sd-oct图像黄斑中央凹中心定位方法
CN115187521A (zh) 病灶识别方法、装置、计算机设备和存储介质
Xu et al. Video-based tracking and quantified assessment of spontaneous limb movements in neonates
KR102053890B1 (ko) PCM 기반 양자화를 이용한 X-Ray 영상 기반 장폐색 검출방법
Wang et al. Automatic knee cartilage segmentation using multi-feature support vector machine and elastic region growing for magnetic resonance images
Rashmi et al. Extended template matching method for region of interest extraction in cephalometric landmarks annotation
Zhou et al. A novel method for capsule endoscopy video automatic segmentation
Gaonkar et al. Automated segmentation of brain lesions by combining intensity and spatial information
Rajput et al. Brain MRI segmentation using canny edge detection technique
Zhong et al. Automatic heart isolation in 3D CT 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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 200233 4th floor, building 8, No. 1001, Qinzhou North Road, Xuhui District, Shanghai

Patentee after: Shanghai Shende Wuchuang Era Medical Technology Co.,Ltd.

Country or region after: China

Patentee after: Nantong Shende medical equipment Technology Co.,Ltd.

Patentee after: Shen De (Ningbo) medical equipment Technology Co.,Ltd.

Address before: 200233 4th floor, building 8, No. 1001, Qinzhou North Road, Xuhui District, Shanghai

Patentee before: SHANGHAI SHENDE MEDICAL INSTRUMENT TECHNOLOGY CO.,LTD.

Country or region before: China

Patentee before: Nantong Shende medical equipment Technology Co.,Ltd.

Patentee before: Shen De (Ningbo) medical equipment Technology Co.,Ltd.