CN112651930B - 一种基于图像细节保真度的医学图像质量评估方法及系统 - Google Patents
一种基于图像细节保真度的医学图像质量评估方法及系统 Download PDFInfo
- Publication number
- CN112651930B CN112651930B CN202011427031.7A CN202011427031A CN112651930B CN 112651930 B CN112651930 B CN 112651930B CN 202011427031 A CN202011427031 A CN 202011427031A CN 112651930 B CN112651930 B CN 112651930B
- Authority
- CN
- China
- Prior art keywords
- image
- enhancement
- fidelity
- module
- region
- 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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像细节保真度的医学图像质量评估方法,包括以下步骤:S1、对增强前图像进行噪声估计得到噪声标准差;S2、对增强前图像进行区域分割得到N个区域maski;N为大于1的整数,i=1,2,…,N;S3、根据对应的区域maski分别计算增强前图像和增强后图像在相应区域下的均值;S4、根据增强前图像和增强后图像在不同区域的均值计算图像细节保真度;S5、根据图像细节保真度对增强后图像进行质量评估。本发明利用医学图像组织信号的局部相似性和噪声均值为零的特性,将图像进行区域分割,从而提取出有效的组织信息,通过比较区域内增强前后的信号均值差异得到图像细节保真度,以此衡量图像增强处理的准确性。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种基于图像细节保真度的医学图像质量评估方法及系统。
背景技术
计算机断层成像(CT)、磁共振成像(MRI)、放射性核素成像、超声成像、数字减影血管造影(DSA)、正电子发射断层成像(PET)、单光子发射计算机断层成像(SPECT)和数字X线成像等多种先进的影像技术逐步成熟并成功地用于临床,使得能以图像的形式得到有关人体健康的信息。因此,医学图像以其直观准确的特点成为医学诊断和治疗中的关键环节之一,作为医学诊断的依据,医学图像的质量至关重要。
医学图像处理方法层出不穷,尤其是随着人工智能(Artificial intelligence,AI)算法的兴起,基于AI的医学图像增强技术得到大大的发展,但缺少对于经过医学图像处理技术后的图像质量客观评价算法的研究。目前,医学图像的客观定量评价,主要包括全参考和无参考图像质量评价两种。对于全参考图像的场景,往往是通过仿真获取成对的图像,但在更多场景下,往往无法获得成对的图像,例如,针对CT低剂量的图像增强,就缺乏对应的高剂量的参考图像。现有的无参考图像评价方法,主要是针对图像增强后的信噪比进行评估,无法衡量图像的细节保真度。而医学图像由于其特殊性,对图像细节有着更高的要求,局部的亮暗变化可能对最终的信噪比没有影响,但会造成医学诊断的严重误诊。
因此,如何针对图像处理后的医学图像进行客观定量的评价成为当前亟需解决的难题。一方面,由于医学图像的特殊性,其对图像细节的保真度有着高要求,图像细节的丢失或是新增,都会影响到最终的诊断结果;另一方面,真实场景下的医学图像往往不存在成对图像,所以常见的全参考质量评估算法(例如SSIM、MSE等)无法对增强处理后的图像进行衡量。基于此,需要解决以下两个问题:1)如何衡量处理后的图像细节保真度;2)无金标准图像下,如何对处理后的图像进行客观定量评价。
发明内容
基于现有技术中存在的上述缺点和不足,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种基于图像细节保真度的医学图像质量评估方法及系统。
为了达到上述发明目的,本发明采用以下技术方案:
一种基于图像细节保真度的医学图像质量评估方法,包括以下步骤:
S1、对增强前图像进行噪声估计,得到噪声标准差;
S2、对增强前图像进行区域分割,得到N个区域maski;N为大于1的整数,i=1,2,…,N;
S3、根据对应的区域maski,分别计算增强前图像和增强后图像在相应区域下的均值;
S4、根据增强前图像和增强后图像在不同区域的均值,计算图像细节保真度;
S5、根据图像细节保真度对增强后图像进行质量评估。
作为优选方案,所述步骤S1中,所述噪声估计是通过选取背景区域并求其标准差,作为噪声标准差。
作为优选方案,所述步骤S2中,对增强前图像进行区域分割之前,还包括:
对增强前图像进行图像切割,得到M个模块图像;M为大于2的整数;
相应地,对增强前图像进行区域分割为:对每个模块图像进行区域分割。
作为优选方案,对增强前图像进行图像切割之后,还剔除像素值小于目标阈值的模块图像。
作为优选方案,所述区域分割采用K-means算法,K-means算法的簇为N,迭代停止条件为不同簇的中心点的差异值为噪声标准差。
作为优选方案,所述步骤S3中,所述均值的计算公式如下:
μ0i=E(img0*maski)
μ1i=E(img1*maski)
其中,μ0i,μ1i分别为增强前图像和增强后图像在不同区域的均值,E为数学期望,img0表示增强前图像或增强前图像的一个模块图像,对应地,img1表示增强后图像或增强后图像的一个模块图像。
作为优选方案,所述步骤S4中,图像细节保真度Norm的计算公式如下:
作为优选方案,所述步骤S5,包括:
判断图像细节保真度是否大于预设保真度阈值或者判断所有模块图像的图像细节保真度是否均大于预设保真度阈值,根据判断结果对增强后图像进行质量评估。
本发明还提供一种基于图像细节保真度的医学图像质量评估系统,包括:
噪声估计模块,用于对增强前图像进行噪声估计以得到噪声标准差;
区域分割模块,用于对增强前图像进行区域分割,得到N个区域maski;N为大于1的整数,i=1,2,…,N;
计算模块,用于根据对应的区域maski分别计算增强前图像和增强后图像在相应区域下的均值;还用于根据增强前图像和增强后图像在不同区域的均值计算图像细节保真度;
评估模块,用于根据图像细节保真度对增强后图像进行质量评估。
作为优选方案,所述计算模块进行均值的计算公式如下:
μ0i=E(img0*maski)
μ1i=E(img1*maski)
其中,μ0i,μ1i分别为增强前图像和增强后图像在不同区域的均值,E为数学期望,img0表示增强前图像,对应地,img1表示增强后图像;
所述计算模块进行图像细节保真度Norm的计算公式如下:
本发明与现有技术相比,有益效果是:
本发明的基于图像细节保真度的医学图像质量评估方法及系统,利用医学图像组织信号的局部相似性和噪声均值为零的特性,将图像分割成信号均匀的区域,从而提取出有效的组织信息,通过比较区域内增强前后的信号均值差异得到图像细节保真度,利用图像细节保真度来衡量图像增强处理的准确性;本发明能够帮助引导图像增强算法的研究工作,提升图像增强算法的准确性。
附图说明
图1是本发明实施例1的基于图像细节保真度的医学图像质量评估方法的流程图;
图2是本发明实施例1的增强前的低剂量肺窗图像(a)和增强后的低剂量肺窗图像(b);
图3是图2中切割得到的模块图像(方框)对应的放大图以及区域分割图像;
图4是本发明实施例1的增强后的低剂量肺窗图像的保真度值与切割区域索引的关系图;
图5是本发明实施例1的基于图像细节保真度的医学图像质量评估系统的构架图;
图6是本发明实施例3的基于图像细节保真度的医学图像质量评估方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例1:
在MRI、CT等医学图像中,其最终重建图像的噪声往往为加性的高斯白噪声,即图像值由噪声和组织信号相加而成,其中噪声幅值随机,服从均值为零的正态分布。
本实施例利用信号的局部相似以及噪声均值为零特性,从低质量的医学图像中提取细节,作为衡量图像增强后医学图像的细节保真度。
由于信号和噪声混叠在一起,所以无法直接对信号进行提取。因此,利用组织信号的局部相似以及噪声的均值为零特性进行信号提取,如下所示:
其中,j表示为低质量图像选取的区域,K为区域总数;
另外,需要确保选取的区域尽量均匀,使得均值S能更精确地描述当前组织的信号。
如图1所示,本实施例的基于图像细节保真度的医学图像质量评估方法,针对AI增强后的CT低剂量图像,包括以下步骤:
S1、对增强前图像(示例:低剂量图像img0)进行噪声分布估计,得到噪声标准差σ;
具体地,噪声估计是通过在增强前图像选取背景区域,并求其标准差,作为图像的噪声标准差σ,该噪声标准差σ将作为约束,保证后续区域分割的均匀性。
S2、对增强前图像进行图像切割,得到M个模块图像;M为大于2的整数;
具体地,如图2a所示,为大小为512*512的增强前的CT肺窗图像,依序切割成64*64的模块,共64个模块图像,并剔除其中的图像信息较少的模块图像,即剔除像素值小于目标阈值的模块图像;其中,图2a中的方框为其中一个模块图像img0_crop;本实施例先将图像切割后,再进行后续的区域分割,目的是提升图像分割的准确性。
S3、对增强前图像的每一模块图像进行区域分割,分别得到对应每一模块图像的N个区域maski;N为大于1的整数,i=1,2,…,N;
具体地,利用聚类算法K-means,对每个模块图像进行分割,K-means算法的簇N=4,迭代停止条件为不同簇的中心点的差异值为噪声标准差σ。如图3所示,针对模块图像img0_crop,通过K-means算法进行分割后,得到4个区域maski,i=1,2,3,4。
S3、根据对应的区域maski,分别计算增强前图像和增强后图像在相应区域下的均值,具体计算公式如下:
μ0i=E(img0_crop*maski)
μ1i=E(img1_crop*maski)
其中,μ0i,μ1i分别为增强前图像的一个模块图像及其对应的增强后图像的模块图像在不同区域的均值,E为数学期望,img0_crop表示增强前图像的一个模块图像,对应地,img1_crop表示与增强前图像的模块图像对应的增强后图像的模块图像。
S4、根据增强前图像和增强后图像在不同区域的均值,计算图像细节保真度;
具体地,图像细节保真度Norm的计算公式如下:
如此,可得到增强后图像的每个模块图像对应的图像细节保真度。
S5、根据图像细节保真度对增强后图像进行质量评估。
具体地,判断增强后图像的每个模块图像对应的图像细节保真度是否均大于预设保真度阈值,根据判断结果对增强后图像进行质量评估。如图4所示,不同的模块图像所对应的保真度值,变化范围在98.6%~100.0%之间,说明当前的增强图像很好地保护了图像中的细节。
相对应地,如图5所示,本实施例还提供基于图像细节保真度的医学图像质量评估系统,包括:
噪声估计模块,用于对增强前图像进行噪声分布估计以得到噪声标准差;
具体地,噪声估计是通过在增强前图像选取背景区域,并求其标准差,作为图像的噪声标准差σ,该噪声标准差σ将作为约束,保证后续区域分割的均匀性。
切割模块,用于对增强前图像进行切割,得到M个模块图像;M为大于2的整数;
具体地,如图2a所示,为大小为512*512的增强前的CT肺窗图像,依序切割成64*64的模块,共64个模块图像,并剔除其中的图像信息较少的模块图像,即剔除像素值小于目标阈值的模块图像;其中,图2a中的方框为其中一个模块图像img0_crop;本实施例先将图像切割后,再进行后续的区域分割,目的是提升图像分割的准确性。
区域分割模块,用于对增强前图像的每个模块图像进行区域分割,得到N个区域maski;N为大于1的整数,i=1,2,…,N;
具体地,利用聚类算法K-means,对每个模块图像进行分割,K-means算法的簇N=4,迭代停止条件为不同簇的中心点的差异值为噪声标准差σ。如图3所示,针对模块图像img0_crop,通过K-means算法进行分割后,得到4个区域maski,i=1,2,3,4。
计算模块,用于根据对应的区域maski分别计算增强前图像和增强后图像在相应区域下的均值;还用于根据增强前图像和增强后图像在不同区域的均值计算图像细节保真度;
具体地,均值的具体计算公式如下:
μ0i=E(img0_crop*maski)
μ1i=E(img1_crop*maski)
其中,μ0i,μ1i分别为增强前图像的一个模块图像及其对应的增强后图像的模块图像在不同区域的均值,E为数学期望,img0_crop表示增强前图像的一个模块图像,对应地,img1_crop表示与增强前图像的模块图像对应的增强后图像的模块图像。
具体地,图像细节保真度Norm的计算公式如下:
如此,可得到增强后图像的每个模块图像对应的图像细节保真度。
评估模块,用于根据图像细节保真度对增强后图像进行质量评估。
具体地,判断增强后图像的每个模块图像对应的图像细节保真度是否均大于预设保真度阈值,根据判断结果对增强后图像进行质量评估。如图4所示,不同的模块图像所对应的保真度值,变化范围在98.6%~100.0%之间,说明当前的AI增强图像很好地保护了图像中的细节。
本实施例利用医学图像组织细节的局部相似以及高斯白噪声均值为零的特性,进行区域分割,从而提取图像中的有效细节信息,实现了半参考下的基于医学图像细节保真度的客观定量评价,主要体现在以下三点:
一、评价角度:提出了针对医学图像细节保真度进行客观定量评价,更符合医学图像评价的需求,尤其是经过AI增强处理后的医学图像;
二、与无参考图像算法相比,通过利用医学图像的局部相似以及噪声均值为零的特性,提取增强前图像中的有效细节信息,从而实现了对增强后图像的细节信息保真度的衡量;
三、与全参考算法相比,本方案无需金标准图像,是一种半参考的图像质量评价方法。
实施例2:
本实施例的基于图像细节保真度的医学图像质量评估方法与实施例1的不同之处在于:
得到所有模块图像对应的图像细节保真度之后,还根据所有模块图像对应的图像细节保真度进行统计均值的计算得到增强后图像整体的图像细节保真度;
相应地,判断增强后图像整体的图像细节保真度是否大于预设保真度阈值,根据判断结果对增强后图像进行质量评估;若判断结果为是,则增强后图像质量好,若判断结果为否,则增强后图像质量不好。
相应地,本实施例的基于图像细节保真度的医学图像质量评估系统中:
计算模块还用于根据所有模块图像对应的图像细节保真度进行统计均值的计算得到增强后图像整体的图像细节保真度;
评估模块,用于判断增强后图像整体的图像细节保真度是否大于预设保真度阈值,根据判断结果对增强后图像进行质量评估;若判断结果为是,则增强后图像质量好,若判断结果为否,则增强后图像质量不好。
其他步骤及系统构架可以参考实施例1。
实施例3:
本实施例的基于图像细节保真度的医学图像质量评估方法与实施例1的不同之处在于:
如图6所示,省略步骤S2,即省略图像切割的步骤;直接对增强前图像进行区域分割,也就是说,将增强前图像作为一个模块图像进行区域分割,分割的准确度有所降低,满足不同应用场合的需求;
相应地,均值的计算公式如下:
μ0i=E(img0*maski)
μ1i=E(img1*maski)
其中,μ0i,μ1i分别为增强前图像和增强后图像在不同区域的均值,E为数学期望,img0表示增强前图像,对应地,img1表示增强后图像;
图像细节保真度Norm的计算公式如下:
对应地,本实施例的基于图像细节保真度的医学图像质量评估系统省略切割模块;
其他步骤及系统构架可以参考实施例1。
实施例4:
本实施例的基于图像细节保真度的医学图像质量评估方法与实施例1的不同之处在于:
将实施例1的医学图像质量评估方法与其他的无参考评价方法相结合,例如信噪比评估,更全面地对增强后的医学图像进行定量评价。
实施例5:
本实施例的基于图像细节保真度的医学图像质量评估方法与实施例1的不同之处在于:
噪声估计的方法还可以采用其它现有常用的噪声估计方法,区域分割也可以采用现有常用的区域分割算法,例如:区域生长、深度学习等。
其它步骤可以参考实施例1。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (7)
1.一种基于图像细节保真度的医学图像质量评估方法,其特征在于,包括以下步骤:
S1、对增强前图像进行噪声估计,得到噪声标准差;
S2、对增强前图像进行区域分割,得到N个区域maski;N为大于1的整数,i=1,2,…,N;
S3、根据对应的区域maski,分别计算增强前图像和增强后图像在相应区域下的均值;所述均值的计算公式如下:
μ0i=E(img0*maski)
μ1i=E(img1*maski)
其中,μ0i,μ1i分别为增强前图像和增强后图像在不同区域的均值,E为数学期望,img0表示增强前图像或增强前图像的一个模块图像,对应地,img1表示增强后图像或增强后图像的一个模块图像;
S4、根据增强前图像和增强后图像在不同区域的均值,计算图像细节保真度;图像细节保真度Norm的计算公式如下:
S5、根据图像细节保真度对增强后图像进行质量评估。
2.根据权利要求1所述的一种基于图像细节保真度的医学图像质量评估方法,其特征在于,所述步骤S1中,所述噪声估计是通过选取背景区域并求其标准差,作为噪声标准差。
3.根据权利要求1所述的一种基于图像细节保真度的医学图像质量评估方法,其特征在于,所述步骤S2中,对增强前图像进行区域分割之前,还包括:
对增强前图像进行图像切割,得到M个模块图像;M为大于2的整数;
相应地,对增强前图像进行区域分割为:对每个模块图像进行区域分割。
4.根据权利要求3所述的一种基于图像细节保真度的医学图像质量评估方法,其特征在于,对增强前图像进行图像切割之后,还剔除像素值小于目标阈值的模块图像。
5.根据权利要求1或3所述的一种基于图像细节保真度的医学图像质量评估方法,其特征在于,所述区域分割采用K-means算法,K-means算法的簇为N,迭代停止条件为不同簇的中心点的差异值为噪声标准差。
6.根据权利要求1所述的一种基于图像细节保真度的医学图像质量评估方法,其特征在于,所述步骤S5,包括:
判断图像细节保真度是否大于预设保真度阈值或者判断所有模块图像的图像细节保真度是否均大于预设保真度阈值,根据判断结果对增强后图像进行质量评估。
7.一种基于图像细节保真度的医学图像质量评估系统,其特征在于,包括:
噪声估计模块,用于对增强前图像进行噪声估计以得到噪声标准差;
区域分割模块,用于对增强前图像进行区域分割,得到N个区域maski;N为大于1的整数,i=1,2,…,N;
计算模块,用于根据对应的区域maski分别计算增强前图像和增强后图像在相应区域下的均值;还用于根据增强前图像和增强后图像在不同区域的均值计算图像细节保真度;
评估模块,用于根据图像细节保真度对增强后图像进行质量评估;
所述计算模块进行均值的计算公式如下:
μ0i=E(img0*maski)
μ1i=E(img1*maski)
其中,μ0i,μ1i分别为增强前图像和增强后图像在不同区域的均值,E为数学期望,img0表示增强前图像,对应地,img1表示增强后图像;
所述计算模块进行图像细节保真度Norm的计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427031.7A CN112651930B (zh) | 2020-12-09 | 2020-12-09 | 一种基于图像细节保真度的医学图像质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427031.7A CN112651930B (zh) | 2020-12-09 | 2020-12-09 | 一种基于图像细节保真度的医学图像质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651930A CN112651930A (zh) | 2021-04-13 |
CN112651930B true CN112651930B (zh) | 2022-11-01 |
Family
ID=75350509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011427031.7A Active CN112651930B (zh) | 2020-12-09 | 2020-12-09 | 一种基于图像细节保真度的医学图像质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651930B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390206B (zh) * | 2023-10-26 | 2024-07-19 | 杭州食方科技有限公司 | 生鲜图像存储方法、装置、电子设备和计算机可读介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650744A (zh) * | 2016-09-16 | 2017-05-10 | 北京航空航天大学 | 局部形状迁移指导的图像对象共分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8983206B2 (en) * | 2011-05-04 | 2015-03-17 | Ecole de Techbologie Superieure | Method and system for increasing robustness of visual quality metrics using spatial shifting |
EP3503022A1 (en) * | 2017-12-20 | 2019-06-26 | Koninklijke Philips N.V. | System for assessing a pulmonary image |
-
2020
- 2020-12-09 CN CN202011427031.7A patent/CN112651930B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650744A (zh) * | 2016-09-16 | 2017-05-10 | 北京航空航天大学 | 局部形状迁移指导的图像对象共分割方法 |
Non-Patent Citations (2)
Title |
---|
《Perceptual image quality assessment based on structural similarity and visual masking》;Xuan Fei,et al;《Signal Processing:Image Communication》;20120831;第22卷(第7期);第772-783页 * |
《无参考图像质量评价综述》;王志明;《自动化学报》;20150630;第41卷(第6期);第1062-1079页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651930A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064521A (zh) | 一种使用深度学习的cbct去伪影方法 | |
CN103996193B (zh) | 结合加权邻域信息与偏移场恢复的脑mr图像分割方法 | |
CN104486618A (zh) | 视频图像的噪声检测方法及装置 | |
CN111738997A (zh) | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN105069797A (zh) | 基于掩膜的冷冻电镜三维密度图分辨率检测方法 | |
CN112651930B (zh) | 一种基于图像细节保真度的医学图像质量评估方法及系统 | |
Sasirekha et al. | Improved segmentation of MRI brain images by denoising and contrast enhancement | |
Bhatnagar et al. | Classification of normal and abnormal images of lung cancer | |
CN106023208B (zh) | 图像质量的客观评价方法 | |
Genc et al. | Automated abnormality classification of chest radiographs using MobileNetV2 | |
Öziç et al. | A new model to determine asymmetry coefficients on MR images using PSNR and SSIM | |
Ataei et al. | Low dose ct denoising using dilated residual learning with perceptual loss and structural dissimilarity | |
Bendazzoli et al. | Priornet: lesion segmentation in pet-ct including prior tumor appearance information | |
Materka et al. | On the effect of image brightness and contrast nonuniformity on statistical texture parameters | |
Shi et al. | An unsupervised region of interest extraction model for tau PET images and its application in the diagnosis of Alzheimer's disease | |
Yan et al. | Feature extraction and analysis on X-ray image of Xinjiang Kazak Esophageal cancer by using gray-level histograms | |
CN115063349A (zh) | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 | |
Saubhagya et al. | ANN based detection of Breast Cancer in mammograph images | |
CN110176009B (zh) | 一种肺部图像分割和跟踪方法和系统 | |
Kaur et al. | Detection of brain tumor using NNE approach | |
Jayasudha | Comparision of preprocess techniques for brain image using machine learning | |
CN112396579A (zh) | 基于深度神经网络的人体组织背景估计方法及装置 | |
Malode | New approach of statistical analysis for lung disease diagnosis using microscopy images | |
Veerabatheran et al. | Retracted: Denoising and segmentation of brain image by proficient blended threshold and conserve edge scrutinize technique |
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 |