CN113269703A - 一种基于静息态功能项和结构项核磁共振图像融合的方法 - Google Patents
一种基于静息态功能项和结构项核磁共振图像融合的方法 Download PDFInfo
- Publication number
- CN113269703A CN113269703A CN202110588771.7A CN202110588771A CN113269703A CN 113269703 A CN113269703 A CN 113269703A CN 202110588771 A CN202110588771 A CN 202110588771A CN 113269703 A CN113269703 A CN 113269703A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- image
- item
- resonance 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.)
- Withdrawn
Links
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 124
- 230000000284 resting effect Effects 0.000 title claims abstract description 13
- 238000007500 overflow downdraw method Methods 0.000 title description 2
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 210000000056 organ Anatomy 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 7
- 210000004556 brain Anatomy 0.000 description 8
- 102100031787 Myosin regulatory light polypeptide 9 Human genes 0.000 description 2
- 101710107065 Myosin regulatory light polypeptide 9 Proteins 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30016—Brain
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于静息态功能项和结构项核磁共振图像融合的方法，包括：分别获取单一器官活动时的功能项核磁共振图像和结构项核磁共振图像；对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理，获取去噪过后的功能项核磁共振图像和结构项核磁共振图像；将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像；对所述融合图像进行质量检测，所述质量检测合格后的图像为最终融合图像。采用本发明，图像融合效果佳，方便医务研究者进行医学研究。
Description
技术领域
本发明涉及图像融合领域，特别是涉及一种基于静息态功能项和结构项核磁共振图像融合的方法。
背景技术
目前，sMRI即结构项核磁共振图像就是传统医学上的核磁共振，空间分辨率高。好处是可以看清楚病人的病灶位置，有利于医疗诊断。fMRI即功能项核磁共振图像是在较短时间内连续抓取一个时间序列内相同部位的成像，时间分辨率较高。但由于核磁技术的天生弱点，相应的代价就是空间分辨率会下降。它的好处是，可以准确地知道被试在某一时刻大脑氧活动量的水平大小，再根据实验设计内容，经过比照和计算，便可以得出“哪些脑区参与了相应心理活动”的结论，在心理学等实验中应用较为广泛。
图像融合是通过一种特定方法将两幅或多幅图像合成为一幅新图像，其基本思想是采用一定的方法，将工作于不同波长范围、具有不同成像机理的各种图像传感器对同一个场景成像的多个图像的信息融合为一个新的图像，从而使融合的图像具有更高的可信度、较少的模糊、更好的可理解性，或者更适合人的视觉或者计算机检测、分类、识别、理解等。图像融合技术在遥感图像处理、计算机视觉、智能机器人、军事监控、医学扫描成像等领域得到了广泛的应用。
在医学研究上，对结构项核磁共振图像与功能项核磁共振图像进行图像融合，方便医务研究人员进行疾病诊断、医学研究具有十分重要的价值。目前还没有一种针对结构项核磁共振图像与功能项核磁共振图像进行图像融合的方法。故本发明的发明人提出了一种基于静息态功能项和结构项核磁共振图像融合的方法。
发明内容
为了解决上述问题，本发明的目的是提供一种基于静息态功能项和结构项核磁共振图像融合的方法，图像融合效果佳，方便医务研究者进行医学研究。
基于此，本发明提供了一种基于静息态功能项和结构项核磁共振图像融合的方法，所述方法包括：
分别获取单一器官活动时的功能项核磁共振图像和结构项核磁共振图像；
对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理，获取去噪过后的功能项核磁共振图像和结构项核磁共振图像；
将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像；
对所述融合图像进行质量检测，所述质量检测合格后的图像为最终融合图像。
其中，对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理包括：对功能项核磁共振图像和结构项核磁共振图像进行平滑、中值滤波、边缘检测和梯度算子中至少一种预处理。
其中，将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像包括：
采用多波段融合的算法将所述功能项核磁共振图像和结构项核磁共振图像进行融合来获取融合图像。
其中，所述多波段融合的算法步骤包括：计算所述功能项核磁共振图像和所述结构项核磁共振图像的高斯金字塔；
基于高斯金字塔，计算所述功能项核磁共振图像和所述结构项核磁共振图像的拉普拉斯金字塔；
将所述功能项核磁共振图像和所述结构项核磁共振图像中处于同一级的拉普拉斯金字塔进行融合即获取初始融合图像，并计算所述初始融合图像的拉普拉斯金字塔；
将所述初始融合图像中的高层拉普拉斯金字塔依次扩展，直至和所述初始融合图像的底层拉普拉斯金字塔的分辨率相同；
将所述初始融合图像扩展后得到的多层图像依次叠加，得到融合图像。
其中，对所述融合图像进行质量检测包括：
根据所述融合图像计算平均梯度，根据平均梯度判定图像融合质量。
其中，所述根据所述融合图像计算平均梯度，获取平均梯度值，当所述平均梯度值大于预设梯度阈值时，所述融合图像质量合格。
采用本发明，首先获取单一器官活动时的结构项核磁共振图像，所述结构项核磁共振图像仅包含所述单一器官，所述功能项核磁共振图像为单一器官活动时的脑区活动图，对所述结构项核磁共振图像与所述功能项核磁共振图像进行融合可以获知单一器官活动时脑区活动状况，对所述融合图像进行质量检测，避免出现质量不佳导致融合图像画质不佳等问题。采用本发明，可以使医学研究者清楚的获知单一器官活动状况以及此时所对应的脑部活动状况，更加方便医学研究者的研究，使得医学研究者不必一一对应图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。
图1是本发明实施例提供的基于静息态功能项和结构项核磁共振图像融合的方法的示意图。
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作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。
图1是本发明实施例提供的基于静息态功能项和结构项核磁共振图像融合的方法的示意图，所述方法包括：
S101、分别获取单一器官活动时的功能项核磁共振图像和结构项核磁共振图像；
举例来讲，人体摆手，其他身体部位不活动，获取此时的手的结构项核磁共振图像和人体摆手的有关脑部活动的功能项核磁共振图像。
S102、对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理，获取去噪过后的功能项核磁共振图像和结构项核磁共振图像；
其中，对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理包括：对功能项核磁共振图像和结构项核磁共振图像进行平滑、中值滤波、边缘检测和梯度算子中至少一种预处理。
S103、将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像；
其中，将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像包括：
采用多波段融合的算法将所述功能项核磁共振图像和结构项核磁共振图像进行融合来获取融合图像。
其中，所述多波段融合的算法步骤包括：计算所述功能项核磁共振图像和所述结构项核磁共振图像的高斯金字塔；
基于高斯金字塔，计算所述功能项核磁共振图像和所述结构项核磁共振图像的拉普拉斯金字塔；
将所述功能项核磁共振图像和所述结构项核磁共振图像中处于同一级的拉普拉斯金字塔进行融合即获取初始融合图像，并计算所述初始融合图像的拉普拉斯金字塔；
将所述初始融合图像中的高层拉普拉斯金字塔依次扩展，直至和所述初始融合图像的底层拉普拉斯金字塔的分辨率相同；
将所述初始融合图像扩展后得到的多层图像依次叠加，得到融合图像。
示例性的，对功能项核磁共振图像和结构项核磁共振图像进行融合，步骤如下：
步骤一：计算功能项核磁共振图像和结构项核磁共振图像的高斯金字塔，记为GA0,GA1,…,GAn和GB0,GB1,…,GBn；
步骤二：基于高斯金字塔，计算功能项核磁共振图像和结构项核磁共振图像的拉普拉斯金字塔，记为LA0,LA1,…,LAn和LB0,LB1,…,LBn；
步骤三：将功能项核磁共振图像和结构项核磁共振图像中处于同一级的拉普拉斯金字塔进行融合，例如：功能项核磁共振图像和结构项核磁共振图像位于拼接缝两侧，使用简单的线性融合对功能项核磁共振图像和结构项核磁共振图像进行融合，记初始融合图像为C，C的拉普拉斯金字塔记为LC0,LC1,…,LCn，其中，LCn通过对LAn和LBn进行简单线性融合得到；
步骤四：将C图像中拉普拉斯金字塔的分辨率由底层往高层依次扩展，直至和LC0相同分辨率，记为LC0,LC10,LC20，…,LCn0；
步骤五：将步骤四中扩展得到的C图像不同层
LC0,LC10,LC20，…,LCn0依次叠加，得到最终输出图像C′即融合图像。
得到了最终输出图像C′之后，再基于功能项核磁共振图像和结构项核磁共振图像的亮度和色彩，对图像C′采用Gray World色彩均衡算法或基于参考白的算法进行光照补偿，调整图像C′的亮度和色彩，消除了功能项核磁共振图像和结构项核磁共振图像和C′之间的色彩偏差。
S104、对所述融合图像进行质量检测，所述质量检测合格后的图像为最终融合图像。
其中，对所述融合图像进行质量检测包括：
根据所述融合图像计算平均梯度，根据平均梯度判定图像融合质量。计算得到的平均梯度值越大，则图像层次越多，图像越清晰，则对应的将平均梯度值最大的融合图像作为质量最优的融合图像。
其中，所述根据所述融合图像计算平均梯度，获取平均梯度值，当所述平均梯度值大于预设梯度阈值时，所述融合图像质量合格。
采用本发明，首先获取单一器官活动时的结构项核磁共振图像，所述结构项核磁共振图像仅包含所述单一器官，所述功能项核磁共振图像为单一器官活动时的脑区活动图，对所述结构项核磁共振图像与所述功能项核磁共振图像进行融合可以获知单一器官活动时脑区活动状况，对所述融合图像进行质量检测，避免出现质量不佳导致融合图像画质不佳等问题。采用本发明，可以使医学研究者清楚的获知单一器官活动状况以及此时所对应的脑部活动状况，更加方便医学研究者的研究，使得医学研究者不必一一对应图像。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (6)
1.一种基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，包括：
分别获取单一器官活动时的功能项核磁共振图像和结构项核磁共振图像；
对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理，获取去噪过后的功能项核磁共振图像和结构项核磁共振图像；
将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像；
对所述融合图像进行质量检测，所述质量检测合格后的图像为最终融合图像。
2.如权利要求1所述的基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，对所述功能项核磁共振图像和结构项核磁共振图像分别进行预处理包括：对功能项核磁共振图像和结构项核磁共振图像进行平滑、中值滤波、边缘检测和梯度算子中至少一种预处理。
3.如权利要求1所述的基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，将所述功能项核磁共振图像和结构项核磁共振图像进行融合获取融合图像包括：
采用多波段融合的算法将所述功能项核磁共振图像和结构项核磁共振图像进行融合来获取融合图像。
4.如权利要求3所述的基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，所述多波段融合的算法步骤包括：计算所述功能项核磁共振图像和所述结构项核磁共振图像的高斯金字塔；
基于高斯金字塔，计算所述功能项核磁共振图像和所述结构项核磁共振图像的拉普拉斯金字塔；
将所述功能项核磁共振图像和所述结构项核磁共振图像中处于同一级的拉普拉斯金字塔进行融合即获取初始融合图像，并计算所述初始融合图像的拉普拉斯金字塔；
将所述初始融合图像中的高层拉普拉斯金字塔依次扩展，直至和所述初始融合图像的底层拉普拉斯金字塔的分辨率相同；
将所述初始融合图像扩展后得到的多层图像依次叠加，得到融合图像。
5.如权利要求1所述的基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，对所述融合图像进行质量检测包括：
根据所述融合图像计算平均梯度，根据平均梯度判定图像融合质量。
6.如权利要求5所述的基于静息态功能项和结构项核磁共振图像融合的方法，其特征在于，所述根据所述融合图像计算平均梯度，获取平均梯度值，当所述平均梯度值大于预设梯度阈值时，所述融合图像质量合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110588771.7A CN113269703A (zh) | 2021-05-28 | 2021-05-28 | 一种基于静息态功能项和结构项核磁共振图像融合的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110588771.7A CN113269703A (zh) | 2021-05-28 | 2021-05-28 | 一种基于静息态功能项和结构项核磁共振图像融合的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269703A true CN113269703A (zh) | 2021-08-17 |
Family
ID=77233489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110588771.7A Withdrawn CN113269703A (zh) | 2021-05-28 | 2021-05-28 | 一种基于静息态功能项和结构项核磁共振图像融合的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269703A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103356189A (zh) * | 2012-03-30 | 2013-10-23 | 美国西门子医疗解决公司 | 磁共振和超声参数化图像融合 |
| CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
| WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN112785541A (zh) * | 2021-02-03 | 2021-05-11 | 张永博 | 一种ct和核磁共振医学图像融合方法 |
-
2021
- 2021-05-28 CN CN202110588771.7A patent/CN113269703A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103356189A (zh) * | 2012-03-30 | 2013-10-23 | 美国西门子医疗解决公司 | 磁共振和超声参数化图像融合 |
| CN103578091A (zh) * | 2013-10-10 | 2014-02-12 | 中国科学院上海技术物理研究所 | 一种基于拉普拉斯金字塔的红外偏振图像融合方法 |
| WO2017190337A1 (zh) * | 2016-05-06 | 2017-11-09 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN112785541A (zh) * | 2021-02-03 | 2021-05-11 | 张永博 | 一种ct和核磁共振医学图像融合方法 |
Non-Patent Citations (4)
| Title |
|---|
| 李美丽: "《像素级图像融合算法与应用》", 31 August 2016, 西安电子科技大学出版社 * |
| 王欢: "《功能磁共振图像融合方法研究》", 《HTTPS://D.WANFANGDATA.COM.CN/THESIS/CHJUAGVZAXNOZXDTMJAYMTEYMDESCFKXMJQ0MJC1GGH2EJZ0DWLKCG%3D%3D》 * |
| 笔尖BJ: "《【图像融合】拉普拉斯金字塔融合》", 《HTTPS://BLOG.CSDN.NET/U013165921/ARTICLE/DETAILS/78156202》 * |
| 谈泉: "《多模态医学图像融合技术的研究及评价体系的建立》", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A categorization of multiscale-decomposition-based image fusion schemes with a performance study for a digital camera application | |
| CN110321923A (zh) | 不同尺度感受野特征层融合的目标检测方法、系统及介质 | |
| Zhu et al. | Multiscale infrared and visible image fusion using gradient domain guided image filtering | |
| CN108710910A (zh) | 一种基于卷积神经网络的目标识别方法及系统 | |
| CN111128382B (zh) | 一种人工智能多模成像分析装置 | |
| Abdulkareem | Design and development of multimodal medical image fusion using discrete wavelet transform | |
| Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
| WO2017223378A1 (en) | Complementary color flashing for multichannel image presentation | |
| JP7079358B2 (ja) | 目標検出方法及び装置、コンピュータシステム並びに可読記憶媒体 | |
| CN104143102B (zh) | 在线图像数据处理方法 | |
| Polinati et al. | A review on multi-model medical image fusion | |
| CN109191416A (zh) | 基于稀疏字典学习和剪切波的图像融合方法 | |
| CN110796612A (zh) | 一种图像增强方法及系统 | |
| CN114708258B (zh) | 一种基于动态加权注意力机制的眼底图像检测方法及系统 | |
| CN113269703A (zh) | 一种基于静息态功能项和结构项核磁共振图像融合的方法 | |
| Koukiou et al. | Face locations suitable drunk persons identification | |
| Niemeijer et al. | Automated localization of the optic disc and the fovea | |
| CN112545455A (zh) | 多通道一体化非接触式生命体征监测系统 | |
| CN108399617A (zh) | 一种动物健康状况的检测方法和装置 | |
| Zheng et al. | Near-infrared Image Enhancement Method in IRFPA Based on Steerable Pyramid. | |
| Aguilar et al. | Neurophysiologically-motivated sensor fusion for visualization and characterization of medical imagery | |
| CN109190633A (zh) | 一种基于深度学习的智能物体识别系统及控制方法 | |
| CN110120029A (zh) | 基于感知哈希算法的图像融合方法 | |
| Patasius et al. | Ranking of color space components for detection of blood vessels in eye fundus images | |
| Borade et al. | An Automated approach to detect & diagnosis the type of Cosmetic Skin & its Disease using Machine Learning |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210817 |
|
| WW01 | Invention patent application withdrawn after publication |