CN113723417A - 基于单视图的影像匹配方法、装置、设备及存储介质 - Google Patents
基于单视图的影像匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113723417A CN113723417A CN202111014363.7A CN202111014363A CN113723417A CN 113723417 A CN113723417 A CN 113723417A CN 202111014363 A CN202111014363 A CN 202111014363A CN 113723417 A CN113723417 A CN 113723417A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- dot matrix
- contour
- historical medical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术，具体公开了一种基于单视图的影像匹配方法、装置、设备及存储介质，所述方法包括：获取历史医学影像，并处理得到二值化图像；从二值化图像提取图像轮廓对应的黑白像素点阵；对黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵；基于转向角函数算法，根据归一化后的轮廓点阵确定历史医学影像对应的图像轮廓线型，并将图像轮廓线型转换成转角曲线；以及将医疗信息与转角曲线保存在预设数据库中；获取当前的单视图影像，获取单视图影像的轮廓点阵；根据单视图影像的轮廓点阵从预设数据库中匹配历史医学影像及对应的医疗信息。本发明的技术方案用于单视图医学影像关联历史医疗影像的医疗信息，以提升诊治速度。
Description
技术领域
本申请涉及图像匹配领域，尤其涉及一种基于单视图影像的影像匹配方法、装置、设备及存储介质。
背景技术
近年来，随着医疗条件的提升和大数据分析技术的成熟，医疗图像处理技术得到了飞速的发展，可以支持疾病辅助诊断、健康管理、远程会诊等功能。带标签的历史医疗影像数据将成为重要的医学资源，通过医学影像的数据分析进行健康管理已然成为一个热点。目前针对医学影像的图像分析工作有两大技术发展方向：医学影像配准和医学影像融合。
医学影像配准技术都是通过多源图像或多视角图像，进行特征融合，融合后可提升诊断的水平；但对于单视图影像的患者却不能通过医学影像配准技术对病情进行快速准确的诊断识别，如正向肺部的医疗影像，具体原因是患者的单视图影像缺少非同源的影像用于对照分析，需要医师进行诊断分析，诊断时间长，诊断速度慢。
发明内容
本申请提供了一种基于单视图影像的影像匹配方法、装置、设备及存储介质，用于单视图医学影像的医学影像关联，以提升诊治速度。
第一方面，本申请提供了一种基于单视图影像的影像匹配方法，所述方法包括：获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像；从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵；对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵；基于转向角函数算法，根据所述归一化后的轮廓点阵确定所述历史医学影像对应的图像轮廓线型，并将所述图像轮廓线型转换成转角曲线；以及将所述医疗信息与所述历史医学影像的转角曲线保存在预设数据库中；获取当前的单视图影像，获取所述单视图影像的轮廓点阵；根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
基于此，能够通过本申请实施例中的基于单视图影像的影像匹配方法对单视图影像进行关联，调用历史诊断的医疗信息辅助治疗，减少了人工分析医学影像的时间和医院公共资源浪费，提升了诊治的效率。
第二方面，本申请还提供了一种基于单视图影像的影像匹配装置，该基于单视图影像的影像匹配装置包括：获取转化模块、提取模块、归一化模块、存储模块、导入模块、匹配模块。
获取转化模块，用于获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像。
提取模块，用于从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵。
归一化模块，用于对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵。
存储模块，用于获取所述医学影像的医疗信息，将所述医疗信息与所述归一化后的轮廓点阵保存在预设数据库中。
导入模块，用于导入所述当前的单视图影像，获取所述单视图影像的轮廓点阵。
匹配模块，用于根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
第三方面，本申请还提供了一种计算机设备，所述基于单视图影像的影像匹配设备包括存储器和处理器。所述存储器用于存储计算机程序。所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如本申请实施例提供任意一种所述的基于单视图的影像匹配方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如本申请实施例提供任意一种所述的基于单视图影像的影像匹配方法。
本申请公开了一种基于单视图影像的影像匹配方法、装置、设备及存储介质，通过二值化历史医学影像，从二值化图像提取图像轮廓对应的黑白像素点阵，归一化处理黑白像素点阵得到归一化后的轮廓点阵，基于转向角函数算法将归一化后的轮廓点阵转化生成的转角曲线，将转角曲线和对应的医疗信息保存在数据库中，同时还能导入当前的单视图的影像，与数据库中的历史医学影像匹配，实现单视图医学影像与历史医学影像关联，导出历史医学影像及其相关医疗信息，以提升诊治信息丰富度和诊治效率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的一种基于单视图影像的影像匹配方法的示意流程图；
图2是本申请实施例提供的一种像素点近似曲率计算的参考示意图；
图3是本申请实施例提供的一种转角曲线成型示意图；
图4是本申请实施例提供的一种转角曲线对比示意图；
图5是本申请实施例提供的一种基于单视图的影像匹配装置的示意性框图；
图6是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
为了实现单视图医学影像与历史医学影像关联，以提升诊治信息丰富度和诊治效率，本申请提供了一种基于单视图的影像匹配方法、装置、设备及存储介质。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种基于单视图的影像匹配方法的示意流程图。该基于单视图的影像匹配方法主要是实现单视图医学影像与历史医学影像关联，能够提升诊治信息丰富度，进而提高诊治效率。
如图1所示，该基于单视图的影像匹配方法，具体包括：步骤S01至步骤S04。
步骤S01、获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
具体的，历史医学影像为彩色图像或灰度图像，计算机视觉技术难以直接采集分析历史医学影像当中所包含的信息，因此需要先将历史医学影像基于自适应算法进行二值化处理。为了表述方便，在本申请的实施例中，二值化处理后像素值0表示黑色像素点，像素值1表示白色像素点；实际应用过程中，可按照需求设定白色像素点的值，例如白色像素点的像素值为244。
需要说明的是，医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、US(ultrasonic，超声)、X光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
在一些实施例中，为了处理方便，可以将彩色图像转换成灰度图像，示例性的，在确定历史医学影像不是灰度图像，在二值化处理之前将所述历史医学影像转化为灰度图像。
在自适应算法中，灰度图像中的像素值是算法的作用对象，基于灰度图像的灰度值，可用的自适应算法包括：二值分割法、直方图双峰法或迭代法。经处理后得到医学影像的二值化图像。
在一些实施例中，可以通过二值分割法进行二值化处理，即人为输入一个分割阈值，像素值大于等于该分割阈值的像素点的像素值设置为1，像素值小于该分割阈值的像素点的像素值设置为0。该方法的好处是计算量少速度快。但是其缺点计算精度低，完全不考虑图像的像素分布情况与像素值特征。
在一些实施例中，当背景的灰度值在整个图像中可以合理地看作为恒定的，且所有物体和背景具有几乎相同的对比度，那么通过使用直方图双峰法来寻找二值化的分割阈值。直方图是图像的重要特质，当灰度图像的灰度值直方图具有较为典型的双峰特性会达到一种比较好的效果。直方图双峰法选择二值化阈值的过程中主要步骤是发现图像的两个最高的峰，为提升算法精度，可以在确定双峰峰值之前对直方图进行多次平滑滤波，直到只剩下两个最大的峰，其峰值分别对应J和K，则(J+K)/2即为分割阈值，或者选择双峰之间的谷底作为分割点，分割阈值取值在两个峰之间的峰谷最低处对应的像素值。
在一些实施例中，通过迭代法设置分割阈值的方式进行分割，该方法包括：获取历史医学影像的像素图，该像素图包括每个像素点的像素值；根据预设像素值和像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件，并计算第一像素文件中多个第一像素点的像素平均值，以及计算第二像素文件中的多个第二像素点的像素平均值；根据多个第一像素点的像素平均值和多个第二像素点的像素平均值，计算目标像素平均值；确定目标像素平均值是否等于预设像素值；若目标像素平均值不等于预设像素值，则将目标像素平均值替换为预设像素值，继续执行根据预设像素值和像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件的步骤，直至该目标像素平均值等于预设像素值。
S02、从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵。
具体的，所述二值化图像呈横纵阵列排布，每个像素点邻近8个像素点，具体成九宫格排列，其中该像素点位于九宫格的中心位置。二值化图像中的人体组织图像由诸多像素点排布组成，而本申请实施例中提供的基于单视图的影像匹配方法仅需要人体组织图像的图像轮廓即可完成匹配，因此，为了提高算法效率，需要将二值化图像中的无效像素点删除。
在一些实施例中，从二值化图像提取图像轮廓，得到图像轮廓对应的黑白像素点阵，确定所述二值化图像中每个像素点的像素值，若所述二值化图像中每个像素点的像素值为0，且与所述像素点相邻的8个像素点的像素值为0，将所述每个像素点的像素值设置为1，得到所述图像轮廓对应的黑白像素点阵；其中，在黑白像素点阵中黑点表示图像轮廓。
具体地，将二值化图像image1拷贝到二值化图像的复制图像image2；遍历原灰度图像image1中的像素点的像素值，若像素点的像素值为0且连通的8个区域的像素点的像素值都为0，将复制灰度图像image2中对应的像素点的像素值置为1；将image2替换image1，图像轮廓提取后，图像中只包含轮廓点阵为黑点，其他区域都是白点，即得到黑白像素点阵。
S03、对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵。
具体的，利用图像的不变量寻找一组参数使其能够消除其他变换函数对图像变换的影响，也就是转换成唯一的标准形式以抵抗仿射变换。所述标准形式包括：尺寸规格和像素点的坐标排列方式。
示例性的，具体的归一化实现方法如下：
图像平移，其具体的计算公式如下：
其中，
为原始二维点阵(黑白像素点阵)的坐标，
为原始二维点阵坐标的平均值，以
作为图像的平移点将原始二维点阵的坐标迁移到以(0,0)为中心的坐标系统中，p(x,y)为更新后的二维点阵的坐标值。
图像压缩，令平移后的二维点阵以(0,0)为轴心，更新后的像素值坐标的外接圆直径为R，
A为归一化系数，X,Y为归一化后的坐标。由此得到归一化后的点云坐标表示的轮廓点阵。
S04、基于转向角函数(Turning Function)算法，根据所述归一化后的轮廓点阵确定所述历史医学影像对应的图像轮廓线型，并将所述图像轮廓线型转换成转角曲线；以及将所述医疗信息与所述历史医学影像的转角曲线保存在预设数据库中。
在一些实施例中，根据归一化的轮廓点阵确定历史医学影像对应的图像轮廓线型。其中，在归一化后的轮廓点阵中，图像的轮廓仍是具有宽度的像素点阵列，为了提升匹配精度和匹配效率，需要对上述轮廓点阵进一步简化。简化后形成图像轮廓线型，图像轮廓线型的像素点间用线段逐一连接，连接线段形成的图像与原图像基本吻合。
示例性的，历史医学影像对应的图像轮廓线型的获取方法为：设定曲率阈值B，pi为医疗影像轮廓点阵中第i点的坐标值，如图2所示，以i点为基准点，其相邻的i-1点和i+1点为参考点，得到pi点位置处的转角和pi点所在的两条线段，当pi点的近似曲率<B时，去除该像素点。示例性的，比如当pi点位置处的转角<5°时，去除该像素点，保留图像轮廓线型。其中pi点的近似曲率等于pi点处的转角除以pi点所在的两条直线的长度和。
在一些实施例中，基于转向角函数算法将所述图像轮廓线型转换成转角曲线。
基于转向角函数算法的转角曲线是一种将多边形按照其内角和边长转化而来的曲线。通常的，将图像边长压缩至1个单位的长度，得到图像的相对边长，在坐标轴上以横坐标表征图像的相对边长，以纵坐标表征图像的累计转角和，对应[0,2π]。在转化的过程中，由于转向角函数算法的距离是根据两图像轮廓线型的初始映射点的位置变化而变化的，如果采用轮询的方式，则时间复杂度为n2(n为图像轮廓线型中的多边形的顶点数)，此处将对比的两图像轮廓线型的最左端的点作为初始映射点(因为医疗影像的方向都是固定的，所以只要以同一方位的点作为初始映射点即可)，对图像轮廓线型上的像素点的坐标进行遍历转化，这样得到的图像轮廓线型的匹配度是最精确的。由于输出转角曲线的对象是图像轮廓线型，所以实施例中使用的遍历方法包括：从初始映射点开始，指图像轮廓线型的像素点，顺时针对所有像素点进行逐一访问，得到图像轮廓线型的像素点对应的转角和连接线段的长度。
示例性的，具体的转角曲线的获取方法为：如图3所示，图3中右边的图形为多边形原图，左边的图形为转角折线图，左边的图形中横轴为多边形的相对长度，经过长度压缩，相对边长的范围对应到[0,1]；纵轴为多边形累计转角和，对应到[0,2π]。例如，记θF(x，i)，x∈[0，1]，表示图像轮廓线型F以像素点i为顺时针遍历初始映射点形成的转角曲线。
在一些实施例中，将医疗信息与历史医学影像的转角曲线保存在预设数据库中。具体的，得到历史医学影像的转角曲线，并将所述转角曲线与对应历史医学影像的医疗信息保存到预设数据库中。其中预设数据库可以按照器官的类型进行分类，如胃部数据库、腹部数据库、心脏数据库、膝盖数据库、脑部数据库等。
在一些实施例中，还可以将医疗信息与历史医学影像的归一化后的轮廓点阵保存在预设数据库中。这样，可以保留更多的图像的轮廓的像素点，基于更多的像素点可更换不同的图像轮廓线型的获取方法，以提高匹配的精度。
在一些实施例中，还可以将归一化后轮廓点阵和医疗信息保存至多个数据库中，以使相关数据能在共发疾病的联合诊断中被引用，例如心肺相关疾病共诊，则需要将心脏医学影像和肺部医学影像联合后进行匹配。
在一些实施例中，还可以将医疗信息与历史医学影像的图像轮廓线型保存在预设数据库中。这样，可以提升匹配的速度。
在一些实施例中，还可以赋予典型案例更高的匹配优先度，具体是根据医疗信息设置所述轮廓点阵的匹配优先度。例如，诊断案例的评级越高，医学影像赋予的匹配优先度越高；诊断案例的医师的级别越高，医学影像赋予的匹配优先度越高；特殊诊断案例可手动设置医学影像的匹配优先度。
S05、获取当前的单视图影像，获取所述单视图影像的轮廓点阵；
具体的，将当前的单视图影像导入处理系统。获取当前单视图影像的轮廓点阵获取历史医学影像的轮廓点阵的过程相同。
S06、根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
从所述预设数据库中匹配历史医学影像，具体是查询满足预设匹配度条件的历史医学影像，该预设匹配度条件包括：1、匹配度最高的前N个历史医学影像；2、设定匹配度阈值，达到匹配度阈值的历史医学影像。
在一些实施例中，根据单视图影像的轮廓点阵从预设数据库中匹配历史医学影像的过程，包括：根据单视图影像的轮廓点阵确定单视图影像的图像轮廓线型；将所述单视图影像的图像轮廓线型转换成转角曲线；根据所述转角曲线从所述预设数据库中匹配对应的医疗信息。
示例性的，根据转角曲线从所述预设数据库中匹配对应的医疗信息的具体过程如下所示，如图4，图4展示了两个多边形的转角曲线，记θC(x，i),x∈[0,1]，表示多边形C以像素点i为顺时针遍历初始映射点形成的转角曲线，记θD(x,j),x∈[0,1]，表示多边形D以像素点j为顺时针遍历初始映射点形成的转角曲线，记匹配度为d，dC,D即为多边形C和多边形D的匹配度。多边形C以pi为初始映射点与多边形D以pj为初始映射点的匹配度dC,D的计算公式为：
因此，转角曲线匹配的方法是比较两多边形的图像轮廓线型的匹配度d，具体的，将积分范围压缩到到1个单位后，两个不同的多边形在转角折线图上的以纵轴为计算长度的匹配度d。
在一些实施例中，还可以将医疗信息与当前的单视图影像的图像轮廓线型保存在预设数据库中。这样，可以提高匹配的速度。
在一些实施例中，还可以将医疗信息与当前的单视图影像的转角曲线保存在预设数据库中。这样，可以提高匹配的速度。
在一些实施例中，计算所述医疗信息中所有的并发症的词频，其中，所述词频等于给定的词条在所述医疗信息对应的类型文件中出现的次数除以所述类型文件中所有的词条的数目；检索所述预设数据库中中包含所述词条的历史医疗影像的医疗信息，计算所述历史医疗影像的医疗信息的逆向文件频率；根据所述词频和所述逆向文件频率确定潜在疾病发生的概率。
根据TF-IDF(词频-逆文件频率)算法对潜在疾病进行前瞻性分析。TF-IDF是一种统计方法，用以评估词条对于一个文件集或一个语料库中的其中一份文件的重要程度。词条的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。所述词频(term frequency,TF)是一种用于情报检索与文本挖掘的常用加权技术，用以评估一个词条对于一个文件或者一个语料库中的一个领域文件集的重复程度。所述逆文件频率(inverse document frequency，IDF)表示如果包含词条t的文档越少，IDF越大，则说明词条t具有很好的类别区分能力。
示例性的，导入当前的单视图影像的转角曲线，获取满足预设匹配度条件的历史医学影像及其医疗信息，计算所述医疗信息中所有的并发症的词频，词频TFw等于给定的词条w在一种类型文件中出现的次数除以该类型文件中所有的词条的数目；检索所有历史医疗影像的医疗信息，计算所有种类的并发症的逆向文件频率；根据所述词频和所述逆向文件频率确定潜在疾病发生的概率。
具体地，所有种类的并发症的逆向文件频率IDF的计算公式为：
其中D是数据库中所有医疗信息的文档的总数，W是包含w词条的医疗信息的文档数。
具体地，词条重要度TI的计算公式为：
TI＝TFw*IDF；
若词条重要度T I的值越大，表示词条w成为关键词的概率越大，即词条w相关的潜在疾病最有可能发生，需要针对性地进行预防。
上述实施例提供的一种基于单视图的影像匹配方法通过二值化历史医学影像，从二值化图像提取图像轮廓对应的黑白像素点阵，归一化处理黑白像素点阵得到归一化后的轮廓点阵，并将归一化后的轮廓点阵和对应的医疗信息保存在数据库中，实现单视图医学影像与历史医学影像关联，以提升诊治信息丰富度和诊治效率。
如图5所示，基于单视图的影像匹配装置300包括：获取转化模块301、提取模块302、归一化模块303、存储模块304、导入模块305和匹配模块306。
获取转化模块301，用于获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像。
提取模块302，用于从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵。
归一化模块303，用于对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵。
存储模块304，用于获取所述医学影像的医疗信息，将所述医疗信息与所述归一化后的轮廓点阵保存在预设数据库中。
导入模块305，用于导入所述当前的单视图影像，获取所述单视图影像的轮廓点阵。
匹配模块306，用于根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
在一些实施例中，获取转化模块301，用于：导入历史医学影像，并将非灰度图像的历史医学影像转化为灰度图像，再将灰度图像基于自适应算法进行二值化处理，使所述历史医学影像转化为像素值0表示黑色像素点，像素值1表示白色像素点的二值化图像。所述自适应算法包括如下至少一种：二值分割法、直方图双峰法、迭代法。
在一些实施例中，提取模块302，用于：遍历二值化图像中每个像素点，确定二值化图像中每个像素点的像素值是否为0，且与所述像素点相邻的8个像素点的像素值是否为0；若二值化图像中每个像素点的像素值为0，且与所述像素点相邻的8个像素点的像素值为0，将所述每个像素点的像素值设置为1，得到所述图像轮廓对应的黑白像素点阵。这样能够保留图像轮廓对应的具有宽度的黑白像素点阵，得到图像轮廓对应的黑白像素点阵。
在一些实施例中，归一化模块303，用于：利用图像的不变量寻找一组参数使其能够消除其他变换函数对图像变换的影响，通过去除轮廓点坐标的中心值，并将轮廓点放缩到指定的外接圆直径下，得到归一化后的点云坐标表示的轮廓点阵。
在一些实施例中，存储模块304拥有多种不同类型的数据库，存储模块304可以将归一化后的轮廓点阵及其对应的医疗信息做出分类，并按照分类标签存储到相应的数据库中保存。
在一些实施例中，存储模块304还可以基于转向角函数算法，得到归一化后的轮廓点阵对应的图像轮廓线型，将所述图像轮廓线型转换成转角曲线，并将转角曲线及其对应的医疗信息做出分类，按照分类标签存储到相应的数据库中保存。
在一些实施例中，存储模块304还可以根据当前的单视图影像的轮廓点阵从预设数据库中匹配历史医学影像。存储模块304先将当前的单视图影像的归一化后的轮廓点阵转换为转角曲线，依据转角曲线计算与历史单视图影像的匹配度，将符合匹配度条件的历史单视图影像及其对应医疗信息提取显示。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的坐席质检装置和各模块的具体工作过程，可以参考前述坐席质检方法实施例中的对应过程，在此不再赘述。
上述的基于单视图的影像匹配装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图6，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于单视图的影像匹配方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于单视图的影像匹配方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
示例性的，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像；从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵；对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵；基于转向角函数算法，根据所述归一化后的轮廓点阵确定所述历史医学影像对应的图像轮廓线型，并将所述图像轮廓线型转换成转角曲线；以及将所述医疗信息与所述历史医学影像的转角曲线保存在预设数据库中；获取当前的单视图影像，获取所述单视图影像的轮廓点阵；根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
在一些实施例中，所述处理器在所述基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像之前，若所述历史医学影像不是灰度图像，还用于将所述历史医学影像转化为灰度图像。
在一些实施例中，自适应算法包括如下至少一种：二值分割法、直方图双峰法、迭代法。
示例性的，所述处理器用于基于迭代法对所述历史医学影像进行二值化处理，以实现以下步骤：获取历史医学影像的像素图，该像素图包括每个像素点的像素值；根据预设像素值和像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件，并计算第一像素文件中多个第一像素点的像素平均值，以及计算第二像素文件中的多个第二像素点的像素平均值；根据多个第一像素点的像素平均值和多个第二像素点的像素平均值，计算目标像素平均值；确定目标像素平均值是否等于预设像素值；若目标像素平均值不等于预设像素值，则将目标像素平均值替换为预设像素值，继续执行根据预设像素值和像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件的步骤，直至该目标像素平均值等于预设像素值。
在一些实施例中，所述处理器从所述二值化图像提取图像轮廓，遍历所述二值化图像中每个像素点，确定所述二值化图像中每个像素点的像素值是否为0，且与所述像素点相邻的8个像素点的像素值是否为0；若所述二值化图像中每个像素点的像素值为0，且与所述像素点相邻的8个像素点的像素值为0，将所述每个像素点的像素值设置为1，得到所述图像轮廓对应的黑白像素点阵。
在一些实施例中，所述处理器在根据单视图影像的轮廓点阵从预设数据库中匹配历史医学影像之前，还用于根据单视图影像的轮廓点阵确定所述单视图影像的图像轮廓线型，将单视图影像的图像轮廓线型转换成转角曲线，根据转角曲线从预设数据库中匹配对应的医疗信息。
在一些实施例中，所述处理器在根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像之前，还用于：根据单视图影像的轮廓点阵确定所述单视图影像的图像轮廓线型，将所述所述单视图影像的图像轮廓线型转换成转角曲线，根据所述转角曲线从所述预设数据库中匹配对应的医疗信息。
在一些实施例中，所述处理器通过坐标归一化公式对所述黑白像素点阵的像素点的坐标进行归一化，得到归一化后的轮廓点阵；具体实施过程如下：
图像平移，其具体的计算公式如下：
其中，
为原始二维点阵(黑白像素点阵)的坐标，
为原始二维点阵坐标的平均值，以
作为图像的平移点将原始二维点阵的坐标迁移到以(0,0)为中心的坐标系统中，p(x,y)为更新后的二维点阵的坐标值。
图像压缩，令平移后的二维点阵以(0,0)为轴心，更新后的像素值坐标的外接圆直径为R，
A为归一化系数，p(X,Y)为归一化后的坐标。由此得到归一化后的点云坐标表示的轮廓点阵。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于单视图的影像匹配方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，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申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于单视图影像的影像匹配方法，其特征在于，包括：
获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像；
从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵；
对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵；
基于转向角函数算法，根据所述归一化后的轮廓点阵确定所述历史医学影像对应的图像轮廓线型，并将所述图像轮廓线型转换成转角曲线；以及
将所述医疗信息与所述历史医学影像的转角曲线保存在预设数据库中；
获取当前的单视图影像，获取所述单视图影像的轮廓点阵；
根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像，包括：
根据所述单视图影像的轮廓点阵确定所述单视图影像的图像轮廓线型；
将所述单视图影像的图像轮廓线型转换成转角曲线，根据所述转角曲线从所述预设数据库中匹配对应的医疗信息。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
计算所述医疗信息中所有的并发症的词频，其中，所述词频等于给定的词条在所述医疗信息对应的类型文件中出现的次数除以所述类型文件中所有的词条的数目；
检索所述预设数据库中中包含所述词条的历史医疗影像的医疗信息，计算所述历史医疗影像的医疗信息的逆向文件频率；
根据所述词频和所述逆向文件频率确定潜在疾病发生的概率。
4.根据权利要求1所述的方法，其特征在于，所述对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵，包括：
通过坐标归一化公式对所述黑白像素点阵的像素点的坐标进行归一化，得到归一化后的轮廓点阵；其中所述坐标归一化公式为：
其中，
为黑白像素点阵中像素点的坐标，
为黑白像素点阵的像素点的坐标平均值，p(x,y)为归一化后的轮廓点阵的坐标。
5.根据权利要求1所述的方法，其特征在于，所述基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像之前，所述方法还包括：
确定所述历史医学影像是否为灰度图像；
若所述历史医学影像不是灰度图像，将所述历史医学影像转化为灰度图像。
6.根据权利要求1所述的方法，其特征在于，所述从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵，包括：
遍历所述二值化图像中每个像素点，确定所述二值化图像中每个像素点的像素值是否为0，且与所述像素点相邻的8个像素点的像素值是否为0；
若所述二值化图像中每个像素点的像素值为0，且与所述像素点相邻的8个像素点的像素值为0，将所述每个像素点的像素值设置为1，得到所述图像轮廓对应的黑白像素点阵；
其中，在所述黑白像素点阵中黑点表示图像轮廓。
7.根据权利要求1所述的方法，其特征在于，所述自适应算法包括如下至少一种：二值分割法、直方图双峰法、迭代法；所述基于自适应算法对所述历史医学影像进行二值化处理，包括：基于迭代法对所述历史医学影像进行二值化处理；
其中，所述基于迭代法对所述历史医学影像进行二值化处理，包括：
获取历史医学影像的像素图，所述像素图包括每个像素点的像素值；
根据预设像素值和像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件，并计算所述第一像素文件中多个第一像素点的像素平均值，以及计算所述第二像素文件中的多个第二像素点的像素平均值；
根据多个所述第一像素点的像素平均值和多个所述第二像素点的像素平均值，计算目标像素平均值；
确定所述目标像素平均值是否等于预设像素值，若目标像素平均值不等于所述预设像素值，则将所述目标像素平均值替换为所述预设像素值，继续执行所述根据所述预设像素值和所述像素图中的每个像素点的像素值，生成为第一像素文件和第二像素文件的步骤，直至所述目标像素平均值等于预设像素值。
8.一种基于单视图影像的影像匹配装置，其特征在于，包括：
获取转化模块，用于获取历史医学影像，基于自适应算法对所述历史医学影像进行二值化处理，得到二值化图像；
提取模块，用于从所述二值化图像提取图像轮廓，得到所述图像轮廓对应的黑白像素点阵；
归一化模块，用于对所述黑白像素点阵进行归一化处理，得到归一化后的轮廓点阵；
存储模块，用于获取所述医学影像的医疗信息，将所述医疗信息与所述归一化后的轮廓点阵保存在预设数据库中。
导入模块，用于导入所述当前的单视图影像，获取所述单视图影像的轮廓点阵；
匹配模块，用于根据所述单视图影像的轮廓点阵从所述预设数据库中匹配历史医学影像及对应的医疗信息。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于单视图影像的影像匹配方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的基于单视图影像的影像匹配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014363.7A CN113723417B (zh) | 2021-08-31 | 2021-08-31 | 基于单视图的影像匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014363.7A CN113723417B (zh) | 2021-08-31 | 2021-08-31 | 基于单视图的影像匹配方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723417A true CN113723417A (zh) | 2021-11-30 |
| CN113723417B CN113723417B (zh) | 2024-04-12 |
Family
ID=78679947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111014363.7A Active CN113723417B (zh) | 2021-08-31 | 2021-08-31 | 基于单视图的影像匹配方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723417B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295125A (zh) * | 2022-08-04 | 2022-11-04 | 天津市中西医结合医院（天津市南开医院） | 一种基于人工智能的医学影像文件管理系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140079302A1 (en) * | 2011-11-25 | 2014-03-20 | Panasonic Corporation | Medical image compression device, medical image compression method, and prediction knowledge database creation device |
| CN104572924A (zh) * | 2014-12-26 | 2015-04-29 | 武汉大学 | 用于gis矢量建筑物多边形的多尺度表达信息生成方法 |
| WO2016159726A1 (ko) * | 2015-04-01 | 2016-10-06 | 고려대학교 산학협력단 | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 |
| CN106527351A (zh) * | 2015-09-10 | 2017-03-22 | 沈阳高精数控智能技术股份有限公司 | 一种过渡曲线长度动态确定的小线段实时插补方法 |
| CN106919933A (zh) * | 2017-03-13 | 2017-07-04 | 重庆贝奥新视野医疗设备有限公司 | 瞳孔定位的方法及装置 |
| CN108898643A (zh) * | 2018-06-15 | 2018-11-27 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
| CN112509022A (zh) * | 2020-12-17 | 2021-03-16 | 安徽埃克索医疗机器人有限公司 | 一种术前三维影像与术中透视图像的无标定物配准方法 |
-
2021
- 2021-08-31 CN CN202111014363.7A patent/CN113723417B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140079302A1 (en) * | 2011-11-25 | 2014-03-20 | Panasonic Corporation | Medical image compression device, medical image compression method, and prediction knowledge database creation device |
| CN104572924A (zh) * | 2014-12-26 | 2015-04-29 | 武汉大学 | 用于gis矢量建筑物多边形的多尺度表达信息生成方法 |
| WO2016159726A1 (ko) * | 2015-04-01 | 2016-10-06 | 고려대학교 산학협력단 | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 |
| CN106527351A (zh) * | 2015-09-10 | 2017-03-22 | 沈阳高精数控智能技术股份有限公司 | 一种过渡曲线长度动态确定的小线段实时插补方法 |
| CN106919933A (zh) * | 2017-03-13 | 2017-07-04 | 重庆贝奥新视野医疗设备有限公司 | 瞳孔定位的方法及装置 |
| CN108898643A (zh) * | 2018-06-15 | 2018-11-27 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
| CN112509022A (zh) * | 2020-12-17 | 2021-03-16 | 安徽埃克索医疗机器人有限公司 | 一种术前三维影像与术中透视图像的无标定物配准方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295125A (zh) * | 2022-08-04 | 2022-11-04 | 天津市中西医结合医院（天津市南开医院） | 一种基于人工智能的医学影像文件管理系统及方法 |
| CN115295125B (zh) * | 2022-08-04 | 2023-11-17 | 天津市中西医结合医院（天津市南开医院） | 一种基于人工智能的医学影像文件管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723417B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4542591B2 (ja) | 画像処理システム、画像保管装置、および、画像処理装置、並びに、画像処理方法、プログラム | |
| Ma et al. | Automatic segmentation of the prostate on CT images using deep learning and multi-atlas fusion | |
| CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
| WO2019218451A1 (zh) | 一种医学报告的生成方法及设备 | |
| US9122955B2 (en) | Method and system of classifying medical images | |
| US10853409B2 (en) | Systems and methods for image search | |
| CN110837572B (zh) | 图像检索方法、装置、可读存储介质及电子设备 | |
| US20130136322A1 (en) | Image-Based Detection Using Hierarchical Learning | |
| Orozco et al. | Lung nodule classification in CT thorax images using support vector machines | |
| US20080226145A1 (en) | Image processing apparatus and computer readable media containing image processing program | |
| CN112771516A (zh) | 分类装置、分类方法、程序以及信息记录介质 | |
| CN113223668A (zh) | 胶囊内镜图像冗余数据筛查方法 | |
| US11526694B2 (en) | Model training using fully and partially-annotated images | |
| Jaffar et al. | Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution | |
| Gargouri et al. | A new GLLD operator for mass detection in digital mammograms | |
| CN113723417B (zh) | 基于单视图的影像匹配方法、装置、设备及存储介质 | |
| El-Shafai et al. | Efficient classification of different medical image multimodalities based on simple CNN architecture and augmentation algorithms | |
| US10176612B2 (en) | System and method for retrieval of similar findings from a hybrid image dataset | |
| CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
| CN116631584A (zh) | 通用型医学影像报告生成方法与系统、电子设备及可读存储介质 | |
| Boomilingam et al. | An efficient retrieval using edge GLCM and association rule mining guided IPSO based artificial neural network | |
| CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
| US11449716B2 (en) | Model training using partially-annotated images | |
| Dinesh Kumar et al. | Automatic estimation of orientation and position of spine in digitized X-rays using mathematical morphology | |
| CN114360695A (zh) | 乳腺超声扫查分析辅助系统、介质及设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220922 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |