CN112927230A - 一种影像图像的处理分析系统 - Google Patents
一种影像图像的处理分析系统 Download PDFInfo
- Publication number
- CN112927230A CN112927230A CN202110452342.7A CN202110452342A CN112927230A CN 112927230 A CN112927230 A CN 112927230A CN 202110452342 A CN202110452342 A CN 202110452342A CN 112927230 A CN112927230 A CN 112927230A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- processing
- pixels
- analyzing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000012958 reprocessing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000012216 imaging agent Substances 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 206010025323 Lymphomas Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种影像图像的处理分析系统，其技术方案要点是：包括：S1、利用图像获取模块获取影像图像；S2、将影像图像保存在Mat；S3、直接调用opencv中的函数对影像图像进行处理；S4、利用I TK直接对影像图像进行处理；S5、在I TK中创建一个图像，将opencv处理的结果图像按像素传入I TK中的图像；S6、再处理；S7、在I TK中创建一个写文件的指针将处理后的图像写入文件中图像文件中；S8、采用图像计算分析模块进行影像图像处理；S9、进行去噪处理；本影像图像的处理分析系统能够降低图像的噪度，提高图像的辨析度，展现出来供医生进一步判断和筛选，不容易发生漏诊、误诊等情况，且处理影像图像的逻辑性强，最终得到的图像较为精准。
Description
技术领域
本发明涉及医疗技术领域，更具体地说，它涉及一种影像图像的处理分析系统。
背景技术
医学影像主要指PET/CT方面，是探测恶性肿瘤病灶的影像技术，在淋巴瘤方面用的比较多。在我们的PET/CT图像中，恶性肿瘤通常对显像剂摄取较多(检测指标一般是SUVmax，即最大标准化摄取值)，在图像中体现为黑色。但是正常人体中，有一些器官也会有生理性的显像剂摄取。
目前处理影像图像的自动探测并勾画淋巴瘤病灶的软件或系统都存在着缺点，无法区分摄取显像剂较多的异常病灶并将其勾画、展现出来，供医生进一步判断和筛选，容易发生漏诊、误诊等情况，处理影像图像的逻辑性不强，最终得到的图像无法精准的得到反馈。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种影像图像的处理分析系统，以解决背景技术所提出的问题。
为实现上述目的，本发明提供了如下技术方案：
一种影像图像的处理分析系统，包括：
S1、利用图像获取模块获取影像图像；
S2、将影像图像保存在Mat；
S3、直接调用opencv中的函数对影像图像进行处理；
S4、利用ITK直接对影像图像进行处理；
S5、在ITK中创建一个图像，将opencv处理的结果图像按像素传入ITK中的图像；
S6、再处理；
S7、在ITK中创建一个写文件的指针将处理后的图像写入文件中图像文件中；
S8、采用图像计算分析模块进行影像图像处理；
S9、进行去噪处理。
进一步地，所述S3中直接调用opencv中的函数对影像图像进行处理时，包括以下步骤：
S31、在横断面图像上按需要任意画线，然后沿该线将横断面图像重组；
S32、曲面重组时划一曲线，计算指定曲面的像素，并以图像的方式显示出；
S33、利用多层面容积重建和最大密度投影对扫描体积进行数学线束投影，若显示所遇到密度值高于所选阈值的像素，将被投影在与线束垂直的平面上重组成图像。
进一步地，所述S4利用ITK直接对影像图像进行处理时包括：
S41、影像图像进行二值化；
S42、闭操作的预处理；
S43、轮廓提取；
S44、找出最大轮廓；
S45、用凸多边形进行轮廓逼近和多边形的填充。
进一步地，所述S8中图像计算分析模块的处理步骤包括：
S81、用大津阈值法进行分割,采用大津阈值法将图像中的照射织和人体骨骼脂肪分离开，其中人体骨骼脂肪为背景目标；
S82、去除背景目标，通过连通域分析去除与背景相连通的区域和背景目标；
S83、去除噪声，通过设置区域面积大小去除图像中的噪声；
S84、重构照射组织边缘，通过采用形态学闭操作来填补组织边缘凹陷处的缺陷；
S85、得到图像。
进一步地，所述S6再处理时，采用最小密度投影对每一线束所遇密度值低于所选阈值的像素投影重组二维图像，采用平均密度投影对每一线所遇密度平均值像素重组二维图像，采用表面遮盖显示计算被观察物体的表面所有相关像素的最高和最低CT值，将超出限定阈值的像素行透明处理后重组成二维图像。
进一步地，所述图像获取模块包括影像机、图像处理器和计算机，所述影像机将拍摄的图像信号传输至图像处理器，所述计算机向所述图像处理器输出控制信号并且接受图像处理器的图像信号，所述图像处理器包括采集单元、逻辑控制单元和图像阵列处理单元，所述采集单元包括图像识别模块、分类模块模块、图像压缩模块和分析比对模块，所述逻辑控制单元包括逻辑控制模块和接口控制模块，所述图像阵列处理单元的输出端与FPGA/DSP阵列模块的输入端相连，所述FPGA/DSP阵列模块的输出端通过接口控制模块与所述计算机相连。
进一步地，所述S2将影像图像保存在Mat之前，采用图像预处理模块进行预处理，所述图像预处理模块用于获得多组匹配的低剂量影像图像Vsld和常规剂量影像图像Vsrd，并将低剂量影像图像和常规剂量影像图像相减获得噪声伪影图像Ns＝Vsld-Vsrd。
进一步地，所述图像预处理模块包括噪声伪影抑制卷积神经网络建立模块、网络训练模块和网络处理模块，所述噪声伪影抑制卷积神经网络建立模块用于将低剂量影像图像Vsld作为训练图像，所述网络训练模块用于将多个低剂量影像图像Vsld作为输入，对应的噪声伪影图像作为输出，所述网络处理模块用于将待处理低剂量影像图像Vtld输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像噪声伪影抑制模块。
进一步地，还包括有依次连接的输入模块、纹理特征提取模块、分类诊断识别模块和输出模块；所述输入模块是用于导入经过轮廓分割和提取的病灶影像图像；所述纹理特征提取模块用于对提取的病灶影像图像进行图像纹理分析，获得目标图像的图像特征，所述分类诊断识别模块用于将影像图像分类，所述输出模块辅助影像图像的输出。
进一步地，所述S9中根据dicom读取图像矩阵信息，并进行处理，显示处理后的结果。
综上所述，本发明主要具有以下有益效果：。
本影像图像的处理分析系统通过利用图像获取模块获取影像图像、将影像图像保存在Mat、直接调用opencv中的函数对影像图像进行处理、利用ITK直接对影像图像进行处理、在ITK中创建一个图像、将opencv处理的结果图像按像素传入ITK中的图像、再处理、在ITK中创建一个写文件的指针将处理后的图像写入文件中图像文件中、采用图像计算分析模块进行影像图像处理、进行去噪处理等步骤的处理，能够将影像图像中病灶区域突出显示，将其余组织部位图像进行消隐显示，能够降低图像的噪度，提高图像的辨析度，能够将异常病灶并将其勾画、展现出来供医生进一步判断和筛选，不容易发生漏诊、误诊等情况，且处理影像图像的逻辑性强，最终得到的图像较为精准。
附图说明
图1为本发明的流程图。
具体实施方式
实施例：
以下结合附图1对本发明作进一步详细说明。
实施例1
如图1所示，一种影像图像的处理分析系统，主要由以下几个部分组成：
包括：
S1、利用图像获取模块获取影像图像；
S2、将影像图像保存在Mat；
S3、直接调用opencv中的函数对影像图像进行处理；
S4、利用ITK直接对影像图像进行处理；
S5、在ITK中创建一个图像，将opencv处理的结果图像按像素传入ITK中的图像；
S6、再处理；
S7、在ITK中创建一个写文件的指针将处理后的图像写入文件中图像文件中；
S8、采用图像计算分析模块进行影像图像处理；
S9、进行去噪处理。
参考图1，本影像图像的处理分析系统通过利用图像获取模块获取影像图像、将影像图像保存在Mat、直接调用opencv中的函数对影像图像进行处理、利用ITK直接对影像图像进行处理、在ITK中创建一个图像、将opencv处理的结果图像按像素传入ITK中的图像、再处理、在ITK中创建一个写文件的指针将处理后的图像写入文件中图像文件中、采用图像计算分析模块进行影像图像处理、进行去噪处理等步骤的处理，能够将影像图像中病灶区域突出显示，将其余组织部位图像进行消隐显示，能够降低图像的噪度，提高图像的辨析度，能够将异常病灶并将其勾画、展现出来供医生进一步判断和筛选，不容易发生漏诊、误诊等情况，且处理影像图像的逻辑性强，最终得到的图像较为精准。
其中，S3中直接调用opencv中的函数对影像图像进行处理时，包括以下步骤：
S31、在横断面图像上按需要任意画线，然后沿该线将横断面图像重组；
S32、曲面重组时划一曲线，计算指定曲面的像素，并以图像的方式显示出；
S33、利用多层面容积重建和最大密度投影对扫描体积进行数学线束投影，若显示所遇到密度值高于所选阈值的像素，将被投影在与线束垂直的平面上重组成图像。
通过利用opencv中的函数的画线、断面重组、计算像素并突出显示、数学束投影等手段能够对影像图像进行合理化的处理。
其中，S4利用ITK直接对影像图像进行处理时包括：
S41、影像图像进行二值化；
S42、闭操作的预处理；
S43、轮廓提取；
S44、找出最大轮廓；
S45、用凸多边形进行轮廓逼近和多边形的填充。
通过采用二值化、闭操作预处理、轮廓提取、找出最大轮廓、填充等工艺能够利用ITK直接对影像图像进行处理。
其中，S8中图像计算分析模块的处理步骤包括：
S81、用大津阈值法进行分割,采用大津阈值法将图像中的照射织和人体骨骼脂肪分离开，其中人体骨骼脂肪为背景目标；
S82、去除背景目标，通过连通域分析去除与背景相连通的区域和背景目标；
S83、去除噪声，通过设置区域面积大小去除图像中的噪声；
S84、重构照射组织边缘，通过采用形态学闭操作来填补组织边缘凹陷处的缺陷；
S85、得到图像。
其中，S6再处理时，采用最小密度投影对每一线束所遇密度值低于所选阈值的像素投影重组二维图像，采用平均密度投影对每一线所遇密度平均值像素重组二维图像，采用表面遮盖显示计算被观察物体的表面所有相关像素的最高和最低CT值，将超出限定阈值的像素行透明处理后重组成二维图像。
其中，图像获取模块包括影像机、图像处理器和计算机，影像机将拍摄的图像信号传输至图像处理器，计算机向图像处理器输出控制信号并且接受图像处理器的图像信号，图像处理器包括采集单元、逻辑控制单元和图像阵列处理单元，采集单元包括图像识别模块、分类模块模块、图像压缩模块和分析比对模块，逻辑控制单元包括逻辑控制模块和接口控制模块，图像阵列处理单元的输出端与FPGA/DSP阵列模块的输入端相连，FPGA/DSP阵列模块的输出端通过接口控制模块与计算机相连。
其中，S2将影像图像保存在Mat之前，采用图像预处理模块进行预处理，图像预处理模块用于获得多组匹配的低剂量影像图像Vsld和常规剂量影像图像Vsrd，并将低剂量影像图像和常规剂量影像图像相减获得噪声伪影图像Ns＝Vsld-Vsrd。
其中，图像预处理模块包括噪声伪影抑制卷积神经网络建立模块、网络训练模块和网络处理模块，噪声伪影抑制卷积神经网络建立模块用于将低剂量影像图像Vsld作为训练图像，网络训练模块用于将多个低剂量影像图像Vsld作为输入，对应的噪声伪影图像作为输出，网络处理模块用于将待处理低剂量影像图像Vtld输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像噪声伪影抑制模块。
其中，还包括有依次连接的输入模块、纹理特征提取模块、分类诊断识别模块和输出模块；输入模块是用于导入经过轮廓分割和提取的病灶影像图像；纹理特征提取模块用于对提取的病灶影像图像进行图像纹理分析，获得目标图像的图像特征，分类诊断识别模块用于将影像图像分类，输出模块辅助影像图像的输出。
其中，S9中根据dicom读取图像矩阵信息，并进行处理，显示处理后的结果。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种影像图像的处理分析系统，特征在于，包括：
S1、利用图像获取模块获取影像图像；
S2、将影像图像保存在Mat；
S3、直接调用opencv中的函数对影像图像进行处理；
S4、利用ITK直接对影像图像进行处理；
S5、在ITK中创建一个图像，将opencv处理的结果图像按像素传入ITK中的图像；
S6、再处理；
S7、在ITK中创建一个写文件的指针将处理后的图像写入文件中图像文件中；
S8、采用图像计算分析模块进行影像图像处理；
S9、进行去噪处理。
2.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：
所述S3中直接调用opencv中的函数对影像图像进行处理时，包括以下步骤：
S31、在横断面图像上按需要任意画线，然后沿该线将横断面图像重组；
S32、曲面重组时划一曲线，计算指定曲面的像素，并以图像的方式显示出；
S33、利用多层面容积重建和最大密度投影对扫描体积进行数学线束投影，若显示所遇到密度值高于所选阈值的像素，将被投影在与线束垂直的平面上重组成图像。
3.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述S4利用ITK直接对影像图像进行处理时包括：
S41、影像图像进行二值化；
S42、闭操作的预处理；
S43、轮廓提取；
S44、找出最大轮廓；
S45、用凸多边形进行轮廓逼近和多边形的填充。
4.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述S8中图像计算分析模块的处理步骤包括：
S81、用大津阈值法进行分割,采用大津阈值法将图像中的照射织和人体骨骼脂肪分离开，其中人体骨骼脂肪为背景目标；
S82、去除背景目标，通过连通域分析去除与背景相连通的区域和背景目标；
S83、去除噪声，通过设置区域面积大小去除图像中的噪声；
S84、重构照射组织边缘，通过采用形态学闭操作来填补组织边缘凹陷处的缺陷；
S85、得到图像。
5.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述S6再处理时，采用最小密度投影对每一线束所遇密度值低于所选阈值的像素投影重组二维图像，采用平均密度投影对每一线所遇密度平均值像素重组二维图像，采用表面遮盖显示计算被观察物体的表面所有相关像素的最高和最低CT值，将超出限定阈值的像素行透明处理后重组成二维图像。
6.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述图像获取模块包括影像机、图像处理器和计算机，所述影像机将拍摄的图像信号传输至图像处理器，所述计算机向所述图像处理器输出控制信号并且接受图像处理器的图像信号，所述图像处理器包括采集单元、逻辑控制单元和图像阵列处理单元，所述采集单元包括图像识别模块、分类模块模块、图像压缩模块和分析比对模块，所述逻辑控制单元包括逻辑控制模块和接口控制模块，所述图像阵列处理单元的输出端与FPGA/DSP阵列模块的输入端相连，所述FPGA/DSP阵列模块的输出端通过接口控制模块与所述计算机相连。
7.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述S2将影像图像保存在Mat之前，采用图像预处理模块进行预处理，所述图像预处理模块用于获得多组匹配的低剂量影像图像Vsld和常规剂量影像图像Vsrd，并将低剂量影像图像和常规剂量影像图像相减获得噪声伪影图像Ns＝Vsld-Vsrd。
8.根据权利要求7所述的一种影像图像的处理分析系统，其特征在于：所述图像预处理模块包括噪声伪影抑制卷积神经网络建立模块、网络训练模块和网络处理模块，所述噪声伪影抑制卷积神经网络建立模块用于将低剂量影像图像Vsld作为训练图像，所述网络训练模块用于将多个低剂量影像图像Vsld作为输入，对应的噪声伪影图像作为输出，所述网络处理模块用于将待处理低剂量影像图像Vt l d输入已训练好的映射卷积神经网络进行处理，得到预测的噪声伪影图像噪声伪影抑制模块。
9.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：还包括有依次连接的输入模块、纹理特征提取模块、分类诊断识别模块和输出模块；所述输入模块是用于导入经过轮廓分割和提取的病灶影像图像；所述纹理特征提取模块用于对提取的病灶影像图像进行图像纹理分析，获得目标图像的图像特征，所述分类诊断识别模块用于将影像图像分类，所述输出模块辅助影像图像的输出。
10.根据权利要求1所述的一种影像图像的处理分析系统，其特征在于：所述S9中根据dicom读取图像矩阵信息，并进行处理，显示处理后的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452342.7A CN112927230A (zh) | 2021-04-26 | 2021-04-26 | 一种影像图像的处理分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452342.7A CN112927230A (zh) | 2021-04-26 | 2021-04-26 | 一种影像图像的处理分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112927230A true CN112927230A (zh) | 2021-06-08 |
Family
ID=76174741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110452342.7A Pending CN112927230A (zh) | 2021-04-26 | 2021-04-26 | 一种影像图像的处理分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112927230A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012118109A1 (ja) * | 2011-03-03 | 2012-09-07 | 株式会社 日立メディコ | 医用画像処理装置及び医用画像処理方法 |
| CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
| CA3031175A1 (en) * | 2016-07-19 | 2018-01-25 | Radwisp Pte.Ltd. | Diagnosis support program |
| CN108922601A (zh) * | 2018-07-09 | 2018-11-30 | 成都数浪信息科技有限公司 | 一种医学影像处理系统 |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技（深圳）有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
| CN110335284A (zh) * | 2019-07-11 | 2019-10-15 | 上海昌岛医疗科技有限公司 | 一种病理图像的去除背景的方法 |
-
2021
- 2021-04-26 CN CN202110452342.7A patent/CN112927230A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012118109A1 (ja) * | 2011-03-03 | 2012-09-07 | 株式会社 日立メディコ | 医用画像処理装置及び医用画像処理方法 |
| CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
| CA3031175A1 (en) * | 2016-07-19 | 2018-01-25 | Radwisp Pte.Ltd. | Diagnosis support program |
| CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN108922601A (zh) * | 2018-07-09 | 2018-11-30 | 成都数浪信息科技有限公司 | 一种医学影像处理系统 |
| CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技（深圳）有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
| CN110335284A (zh) * | 2019-07-11 | 2019-10-15 | 上海昌岛医疗科技有限公司 | 一种病理图像的去除背景的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 聂秀玲等: ""基于ITK 多图谱配准的脑部皮质下核团的分割研究"", 《中国生物医学工程学报》, vol. 36, no. 5, 31 October 2017 (2017-10-31), pages 529 - 535 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Beeravolu et al. | Preprocessing of breast cancer images to create datasets for deep-CNN | |
| US5657362A (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
| US7916912B2 (en) | Efficient border extraction of image feature | |
| US8086002B2 (en) | Algorithms for selecting mass density candidates from digital mammograms | |
| Azhari et al. | Brain tumor detection and localization in magnetic resonance imaging | |
| Sahakyan et al. | Segmentation of the breast region in digital mammograms and detection of masses | |
| US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
| JPH09508814A (ja) | 医用画像を分割するための自動的方法およびシステム | |
| WO1998009247A1 (en) | System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| Sahni et al. | Breast cancer detection using image processing techniques | |
| Rad et al. | Computer-aided dental caries detection system from X-ray images | |
| Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
| Hussain et al. | Deep learning in DXA image segmentation | |
| Vagssa et al. | Pectoral muscle deletion on a mammogram to aid in the early diagnosis of breast cancer | |
| CN110246143A (zh) | 肺部ct图像辅助检测处理装置 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| Fadhil et al. | Automatic pectoral muscles detection and removal in mammogram images | |
| Vikhe et al. | Detection and segmentation of pectoral muscle on MLO-view mammogram using enhancement filter | |
| CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
| CN112927230A (zh) | 一种影像图像的处理分析系统 | |
| Shahin et al. | Breast cancer detection using modified Hough transform | |
| Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
| CN113435491A (zh) | 医学图像处理方法和装置 | |
| Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab |
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 |