CN113822839B - 医学图像的处理方法、装置、计算机设备和存储介质 - Google Patents
医学图像的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113822839B CN113822839B CN202010561269.2A CN202010561269A CN113822839B CN 113822839 B CN113822839 B CN 113822839B CN 202010561269 A CN202010561269 A CN 202010561269A CN 113822839 B CN113822839 B CN 113822839B
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- medical image
- original
- area
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 94
- 238000003709 image segmentation Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 62
- 210000000746 body region Anatomy 0.000 claims description 48
- 238000006243 chemical reaction Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 25
- 238000002604 ultrasonography Methods 0.000 claims description 24
- 239000000523 sample Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000004291 uterus Anatomy 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10088—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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学图像的处理方法、装置、计算机设备和存储介质,通过获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像,并确定二值化图像中的多个连通区域;从而根据各所述连通区域的面积确定所述医学本体区域对应的连通区域;进一步地,由于二值化图像与原始医学图像对应,则根据所述医学本体区域对应的连通区域,可以准确且完整地从所述原始医学图像中提取所述医学本体区域的医学图像,对医学图像中的敏感信息进行脱敏。
Description
技术领域
本申请涉及医疗设备技术领域,特别是涉及一种医学图像的处理方法、装置、计算机设备和存储介质。
背景技术
随着医学影像技术的发展,医学影像技术涵盖有计算机断层扫描(CT)、核磁共振(MRI)、超声成像(US)、数字剪影血管造影术(DSA)等。为了规范图像机器相关信息的交换,消除各医学数字图像在格式、传输方式上的差异,DICOM(Digital imaging andCommunications in Medicine,医学影像成像和通讯标准)标准诞生。DICOM医学图像的特点是图像分辨率高,图像质量高。但同时其数据量也是巨大,在对其存档、传输及管理时会存在一些难题。因此,在很多情况下将DICOM医学图像以压缩且带有杂余信息的图像形式保存下来的,且保存的医学图像中包含有医学图像和不属于医学图像的敏感信息(比如病人编号、检查时间、检查地点等个人隐私信息)。
目前,医疗科研机构或医疗器械公司从医院获取医学图像多为此类,对于医疗科研机构或医疗器械公司来说,医学图像中的敏感信息对后续的图像处理或者科学研究产生很大的负面影响,因此,需要从医学图像数据中提取医学图像以对医学图像中的敏感信息进行脱敏。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对医学图像进行脱敏的医学图像的处理方法、装置、计算机设备和存储介质。
一种医学图像的处理方法,所述方法包括:
获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;
对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;
根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域;
根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像。
在其中一个实施例中,所述获取原始医学图像的局部熵灰度图像,包括:
获取原始医学图像;
对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;
利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
在其中一个实施例中,所述利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像,包括:
利用所述转换矩阵遍历所述原始医学图像的灰度图像,计算所述灰度图像中所述转换矩阵对应的各像素点的局部熵值;
将所述灰度图像中所述转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;
对所述局部熵矩阵进行归一化,得到所述原始医学图像的局部熵灰度图像。
在其中一个实施例中,所述对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像,包括:
对所述局部熵灰度图像进行图像阈值分割,得到所述局部熵灰度图像的二值化图像;
对所述局部熵灰度图像的二值化图像进行开运算操作,得到所述原始医学图像的二值化图像。
在其中一个实施例中,所述根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域,包括:
在所述多个连通区域中,将面积最大的连通区域确定为所述医学本体区域对应的连通区域。
在其中一个实施例中,所述连通区域设有对应的角点坐标;所述根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像,包括:
根据所述医学本体区域对应的连通区域的角点坐标,对所述原始医学图像进行裁剪,得到所述医学本体区域的医学图像。
在其中一个实施例中,所述原始医学图像为包括敏感信息的超声图像;所述医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。
一种医学图像的处理装置,所述装置包括:
第一获取模块,用于获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;
图像分割模块,用于对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;
区域确定模块,用于根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域;
图像提取模块,用于根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的医学图像的处理方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的医学图像的处理方法的步骤。
上述医学图像的处理方法、装置、计算机设备和存储介质,通过获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像,并确定二值化图像中的多个连通区域;从而根据各所述连通区域的面积确定所述医学本体区域对应的连通区域;进一步地,由于二值化图像与原始医学图像对应,则根据所述医学本体区域对应的连通区域,可以准确且完整地从所述原始医学图像中提取所述医学本体区域的医学图像,对医学图像中的敏感信息进行脱敏。
附图说明
图1为一个实施例中医学图像的处理方法的流程示意图;
图2a为一个实施例中步骤S102的流程示意图;
图2b为一个实施例中局部熵提取的流程示意图;
图3为一个实施例中步骤S206的流程示意图;
图4a为一个实施例中步骤S104的流程示意图;
图4b为一个实施例中腐蚀操作的流程示意图;
图4c为一个实施例中膨胀操作的流程示意图;
图5a为一个实施例中超声图像的处理方法的流程示意图;
图5b至5c为一个实施例中原始超声图像的示意图;
图5d为一个实施例中局部熵灰度图像的示意图;
图5e为一个实施例中二值化图像的示意图;
图5f为一个实施例中开运算操作后的二值化图像的示意图;
图5g为一个实施例中超声本体区域(面积最大连通区域)的示意图;
图5h至5i为一个实施例中提取的超声本体图像的示意图;
图6为一个实施例中医学图像的处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种医学图像的处理方法,该方法包括以下步骤:
S102,获取原始医学图像的局部熵灰度图像,原始医学图像包括医学本体区域。
其中,原始医学图像是通过计算机断层扫描(CT)、核磁共振(MRI)、超声成像(US)、数字剪影血管造影术(DSA)等医学影像技术获得的医学影像图像,其包含有医学本体图像和不属于医学本体图像的敏感信息。医学本体图像是对感兴趣部位进行扫描得到的图像。且医学本体区域为原始医学图像中与患者感兴趣部位对应的部分区域。在得到感兴趣部位对应的医学本体图像后,成像设备根据病人编号、检查时间、检查地点等个人隐私信息生成敏感信息并将其显示出来,生成原始医学图像。感兴趣部位可以是如子宫、心脏等身体器官。原始医学图像可以是将DICOM(Digital imaging and Communications in Medicine,医学影像成像和通讯标准)医学图像压缩且带有杂余信息的图像形式保存下来的图像。原始医学图像的格式可以是jpg格式。
具体地,从计算机本地或者与计算机通信连接的计算机设备获取原始医学图像的局部熵灰度图像。局部熵灰度图像是指对原始医学图像对应的灰度图像进行局部熵计算后,并对原始医学图像中各像素灰度值更新后得到的灰度图像。
局部熵是指在数字图像有限的N*N(如5*5)范围内计算得到的熵。而数字图像的熵是一种特殊的统计形式,它反映了图像中灰度分布的聚集特征所包含的信息量,一张灰度数字图像的熵表达式为:
其中,i为像素的灰度值,pi为该像素值i在整幅数字图像中出现的概率。
S104,对局部熵灰度图像进行图像分割,得到原始医学图像的二值化图像。
其中,图像分割是指把图像分成若干个特定的、具有独特性质的区域并提取感兴趣区域或者目标部位的技术和过程。比如,本实施例中,从原始医学图像提取医学本体图像。二值化图像中各像素点的灰度值为0或255,整个图像呈现出明显的黑白效果。连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的像素点组成的图像区域。且原始医学图像的二值化图像包括多个连通区域。各个连通区域的面积可能不等,也可能相等。具体地,为了从原始医学图像中提取医学本体图像,根据局部熵灰度图像中各像素点的灰度值设置分割阈值,将局部熵灰度图像中各像素点的灰度值更新,比如更新为0或者255,实现对原始医学图像的局部熵灰度图像进行图像分割,得到原始医学图像的二值化图像。从而根据二值化图像中各像素点的灰度值,确定该二值化图像中的连通区域。
S106,根据各连通区域的面积,在多个连通区域中确定医学本体区域对应的连通区域。
具体地,原始医学图像包含有医学本体图像对应的医学本体区域和敏感信息对应的敏感区域。医学本体区域与敏感区域分别对应有各自的连通区域。由于医学本体区域与敏感区域在原始医学图像具有不同大小的面积,则可以根据连通区域的面积,在二值化图像的多个连通区域中确定与医学本体区域对应的连通区域。
S108,根据医学本体区域对应的连通区域,从原始医学图像中提取医学本体区域的医学图像。
具体地,根据连通区域的面积,在二值化图像的多个连通区域中确定与医学本体区域对应的连通区域,从而确定了医学本体区域在二值化图像中的位置或者分布情况。又因为二值化图像与原始医学图像对应,即可得知医学本体区域在原始医学图像中的位置或者分布情况,从而可以从原始医学图像中提取医学本体区域的医学图像。
上述医学图像的处理方法中,通过获取原始医学图像的局部熵灰度图像,原始医学图像包括医学本体区域;对局部熵灰度图像进行图像分割,得到原始医学图像的二值化图像,并确定二值化图像中的多个连通区域;从而根据各连通区域的面积确定医学本体区域对应的连通区域;进一步地,由于二值化图像与原始医学图像对应,则根据医学本体区域对应的连通区域,可以准确且完整地从原始医学图像中提取医学本体区域的医学图像,对医学图像中的敏感信息进行脱敏。进一步地,提取得到的医学图像包含有完整的医学图像信息,解决了传统技术中医学图像信息缺失的技术问题。
在一个实施例中,如图2a所示,在步骤S102中,获取原始医学图像的局部熵灰度图像,包括以下步骤:
S202,获取原始医学图像;
S204,对原始医学图像进行灰度处理,得到原始医学图像的灰度图像;
S206,利用预设大小的转换矩阵遍历原始医学图像的灰度图像,得到原始医学图像的局部熵灰度图像。
其中,转换矩阵是预设大小的N*N的矩阵,用于在原始医学图像的灰度图像中圈定N*N的范围,并计算出N*N范围内的局部熵值。具体地,从计算机本地或者与计算机通信连接的计算机设备获取原始医学图像。原始医学图像可以是具有色彩的,为了方便后续图像处理的过程,对原始医学图像进行灰度处理,得到原始医学图像的灰度图像。如图2b所示,在原始医学图像的灰度图像中,根据5*5的转换矩阵圈定范围内各像素点的像素值对原始医学图像进行局部熵的提取,从而利用5*5的转换矩阵遍历原始医学图像的灰度图像,得到原始医学图像的局部熵灰度图像。
本实施例中,通过对原始医学图像进行灰度处理,得到原始医学图像的灰度图像;并利用预设大小的转换矩阵遍历原始医学图像的灰度图像,得到原始医学图像的局部熵灰度图像,能够将医学本体区域与敏感区域在原始医学图像中突出显示,为后续医学本体图像的提取提供了基础。
在一个实施例中,如图3所示,在步骤S206中,利用预设大小的转换矩阵遍历原始医学图像的灰度图像,得到原始医学图像的局部熵灰度图像,包括:
S302,利用转换矩阵遍历原始医学图像的灰度图像,计算灰度图像中转换矩阵对应的各像素点的局部熵值。
S304,将灰度图像中转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵。
S306,对局部熵矩阵进行归一化,得到原始医学图像的局部熵灰度图像。
具体地,继续如图2b所示,在原始医学图像的灰度图像中,根据N*N的转换矩阵圈定范围内各像素点的像素值进行计算,得到该转换矩阵在N*N范围内的局部熵值。利用该N*N范围内的局部熵值更新N*N矩阵中心位置处的像素点的灰度值,依次类推,利用N*N的转换矩阵遍历原始医学图像的灰度图像,从而得到局部熵矩阵。进一步地,将区域熵矩阵归一化到预设灰度值比如(0值255)之间,并将其设定为每个像素八位深,即得到一副单通道、八位深度的区域熵灰度图像。可以理解的是,N的大小属于经验值,可依据实际情况而取值。
本实施例中,利用转换矩阵遍历原始医学图像的灰度图像,计算灰度图像中转换矩阵对应的各像素点的局部熵值;将灰度图像中转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;对局部熵矩阵进行归一化,得到原始医学图像的局部熵灰度图像。能够进一步地将医学本体区域与敏感区域在原始医学图像中突出显示,确保医学本体图像提取的准确性和完整性。
在一个实施例中,如图4a所示,在步骤S104中,对局部熵灰度图像进行图像分割,得到原始医学图像的二值化图像,包括:
S402,对局部熵灰度图像进行图像阈值分割,得到局部熵灰度图像的二值化图像;
S404,对局部熵灰度图像的二值化图像进行开运算操作,得到原始医学图像的二值化图像。
其中,图像阈值分割可以采用大津法(OTSU法)。大津法为本领艺术人员所公知,在此不再赘述。开运算操作包括对图像先腐蚀再膨胀的过程,其是针对二值化图像进行的操作,以改变图像的大小、粗细、粘连等形态,从而优化二值化图像的轮廓。如图4b所示,腐蚀操作是将物体的边缘加以腐蚀。具体的操作方法为M*N的矩形作为模板对图像中的每一个像素做如下处理:像素x至于模板的中心,根据模板的大小遍历所有被模板覆盖的其他像素,修改像素x的值为所有像素中最小的值。这样操作的结果是会将图像外围的突出点加以腐蚀。如图4c所示,与腐蚀操作相反,膨胀操作是将图像的轮廓加以膨胀。操作方法与腐蚀操作类似,M*N的矩形作为模板`对图像的每个像素做遍历处理。不同之处在于修改像素的值不是所有像素中最小的值,而是最大的值。这样操作的结果会将图像外围的突出点连接并向外延伸。
具体地,为了从原始医学图像中提取医学本体图像,根据局部熵灰度图像中各像素点的灰度值设置分割阈值,将局部熵灰度图像中各像素点的灰度值更新,比如更新为0或者255,实现对原始医学图像的局部熵灰度图像进行图像阈值分割,得到原始医学图像的二值化图像。进一步地,为了优化二值化图像中的轮廓,对局部熵灰度图像的二值化图像进行先腐蚀再膨胀的操作,得到原始医学图像的二值化图像,从而根据二值化图像中各像素点的灰度值,确定该二值化图像中的连通区域。
本实施例中,通过对局部熵灰度图像进行图像阈值分割,得到局部熵灰度图像的二值化图像,实现了医学本体区域与敏感区域在原始医学图像中的突出显示,并进一步地对局部熵灰度图像的二值化图像进行开运算操作,得到原始医学图像的二值化图像,优化二值化图像中的轮廓,确保连通区域的准确性,从而可以准确且完整地从原始医学图像中提取医学本体区域的医学图像,对医学图像中的敏感信息进行脱敏。
在一个实施例中,根据各连通区域的面积,在多个连通区域中确定医学本体区域对应的连通区域,包括:在多个连通区域中,将面积最大的连通区域确定为医学本体区域对应的连通区域。
具体地,结合实际情况,医学本体区域与敏感区域相比,医学本体区域是原始医学图像中面积最大的区域。因此,在多个连通区域中,将面积最大的连通区域确定为医学本体区域对应的连通区域。
在一个实施例中,连通区域设有对应的角点坐标。根据医学本体区域对应的连通区域,从原始医学图像中提取医学本体区域的医学图像,包括:根据医学本体区域对应的连通区域的角点坐标,对原始医学图像进行裁剪,得到医学本体区域的医学图像。
其中,角点是连通区域所具有的多边形形状的顶点。连通区域在原始医学图像的二值化图像中具有角点坐标,且二值化图像与原始医学图像对应,可知医学本体区域在原始医学图像的位置以四边形的连通区域为例进行说明,在连通区域内各像素点对应有坐标值,从中分别获取最大x轴坐标值x1以及最小的x轴坐标值x2,并获取最大y轴坐标值y1以及最小的y轴坐标值y2。则角点坐标分别为(x1,y1)、(x1,y2)、(x2,y1)、(x2,y2)。具体地,根据医学本体区域对应的连通区域的角点坐标,确定医学本体区域在原始医学图像的位置,从而根据医学本体区域在原始医学图像的位置,对原始医学图像进行裁剪,从而得到医学本体区域的医学图像。
示例性地,连通区域的形状为矩形,角点坐标即为矩形的四个顶点的坐标,矩形框内的区域即为医学本体区域,则根据该矩形的四个顶点从原始医学图像提取医学本体区域的医学图像。
在一个实施例中,原始医学图像为包括敏感信息的超声图像;医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。其中,该超声图像是对超声探头收集的回波进行处理而生成的。
在一个实施例中,医学图像以超声图像为例进行说明,如图5a所示,医学图像的处理方法包括以下步骤:
S502,获取原始超声图像。
其中,如图5b和5c所示,原始超声图像包括超声本体区域510。超声本体区域与超声探头扫查目标部位对应。超声本体区域510内的超声图像是科研工作需要的“纯粹”的超声本体图像。进一步地,原始超声图像还包括敏感区域520,敏感区域内显示患者检查时间、地点等敏感信息。
S504,对原始超声图像进行灰度处理,得到原始超声图像的灰度图像。
S506,利用转换矩阵遍历原始超声图像的灰度图像,计算灰度图像中转换矩阵对应的各像素点的局部熵值。
S508,将灰度图像中转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵。
S510,对局部熵矩阵进行归一化,得到原始超声图像的局部熵灰度图像(如图5d所示)。
S512,对局部熵灰度图像进行图像阈值分割,得到局部熵灰度图像的二值化图像(如图5e所示)。
S514,对局部熵灰度图像的二值化图像进行开运算操作,得到原始超声图像的二值化图像(如图5f所示)。
其中,原始超声图像的二值化图像包括多个连通区域;
S516,在多个连通区域中,将面积最大的连通区域确定为超声本体区域对应的连通区域并提取(如图5g所示)。
其中,连通区域设有对应的角点坐标。
S518,根据超声本体区域对应的连通区域的角点坐标,对原始超声图像进行裁剪,得到超声本体区域的超声本体图像(如图5h和图5i所示)。
其中,超声本体区域的超声本体图像为超声探头扫查目标部位时生成的超声图像。超声设备包括超声显示终端以及超声探头。在进行医学超声检测时,医师操作超声探头在待检测的目标部位或者感兴趣部位进行扫查。超声显示终端通过超声线缆在超声探头上施加电信号使得超声探头向待检测的目标部位发出超声波。超声探头接收目标部位反射的回波信号并将该回波信号通过超声线缆反馈给超声显示终端,超声显示终端根据回波信号可以生成目标部位的超声本体图像,接着,超声显示终端会根据患者的隐私信息生成敏感信息,可以理解的是,敏感信息与超声探头发射的超声波没有关系。目标部位为医师的感兴趣部位,例如肝脏、胰腺、子宫等。
本实施例中,结合原始超声图像的特点,通过局部熵矩阵快速对原始超声图像进行图像分割,完整地将超声图像本体区域分割出来。利用超声本体区域的角点坐标提取超声本体图像,得到的超声本体图像不仅包含有完整的超声图像信息,且该超声本体图像不包括任何涉敏信息。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种医学图像的处理装置,包括:第一获取模块602、图像分割模块604、区域确定模块606和图像提取模块608,其中:
第一获取模块602,用于获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;
图像分割模块604,用于对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;
区域确定模块606,用于根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域;
图像提取模块608,用于根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的图像。
在一个实施例中,第一获取模块602包括第二获取模块、灰度处理模块和图像遍历模块;其中:
第二获取模块,用于获取原始医学图像;
灰度处理模块,用于对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;
图像遍历模块,用于利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,图像遍历模块包括局部熵计算模块、灰度值更新模块和归一化模块;其中:
局部熵计算模块,用于利用所述转换矩阵遍历所述原始医学图像的灰度图像,计算所述灰度图像中所述转换矩阵对应的各像素点的局部熵值;
灰度值更新模块,用于将所述灰度图像中所述转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;
归一化模块,用于对所述局部熵矩阵进行归一化,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,图像分割模块604,还用于对所述局部熵灰度图像进行图像阈值分割,得到所述局部熵灰度图像的二值化图像;对所述局部熵灰度图像的二值化图像进行开运算操作,得到所述原始医学图像的二值化图像。
在一个实施例中,区域确定模块606,还用于在所述多个连通区域中,将面积最大的连通区域确定为所述医学本体区域对应的连通区域。
在一个实施例中,所述连通区域设有对应的角点坐标;图像提取模块608,还用于根据所述医学本体区域对应的连通区域的角点坐标,对所述原始医学图像进行裁剪,得到所述医学本体区域的医学图像。
在一个实施例中,所述原始医学图像为包括敏感信息的超声图像;所述医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。
关于医学图像的处理装置的具体限定可以参见上文中对于医学图像的处理方法的限定,在此不再赘述。上述医学图像的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学图像的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域;根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取原始医学图像;对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:利用所述转换矩阵遍历所述原始医学图像的灰度图像,计算所述灰度图像中所述转换矩阵对应的各像素点的局部熵值;将所述灰度图像中所述转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;对所述局部熵矩阵进行归一化,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述局部熵灰度图像进行图像阈值分割,得到所述局部熵灰度图像的二值化图像;对所述局部熵灰度图像的二值化图像进行开运算操作,得到所述原始医学图像的二值化图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在所述多个连通区域中,将面积最大的连通区域确定为所述医学本体区域对应的连通区域。
在一个实施例中,所述连通区域设有对应的角点坐标;处理器执行计算机程序时还实现以下步骤:根据所述医学本体区域对应的连通区域的角点坐标,对所述原始医学图像进行裁剪,得到所述医学本体区域的医学图像。
在一个实施例中,所述原始医学图像为包括敏感信息的超声图像;所述医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取原始医学图像的局部熵灰度图像,所述原始医学图像包括医学本体区域;对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;根据各所述连通区域的面积,在所述多个连通区域中确定所述医学本体区域对应的连通区域;根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取原始医学图像;对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用所述转换矩阵遍历所述原始医学图像的灰度图像,计算所述灰度图像中所述转换矩阵对应的各像素点的局部熵值;将所述灰度图像中所述转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;对所述局部熵矩阵进行归一化,得到所述原始医学图像的局部熵灰度图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述局部熵灰度图像进行图像阈值分割,得到所述局部熵灰度图像的二值化图像;对所述局部熵灰度图像的二值化图像进行开运算操作,得到所述原始医学图像的二值化图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在所述多个连通区域中,将面积最大的连通区域确定为所述医学本体区域对应的连通区域。
在一个实施例中,所述连通区域设有对应的角点坐标;计算机程序被处理器执行时还实现以下步骤:根据所述医学本体区域对应的连通区域的角点坐标,对所述原始医学图像进行裁剪,得到所述医学本体区域的医学图像。
在一个实施例中,所述原始医学图像为包括敏感信息的超声图像;所述医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像的处理方法,其特征在于,所述方法包括:
获取原始医学图像的局部熵灰度图像,所述原始医学图像包括有医学本体图像对应的医学本体区域和不属于所述医学本体图像的敏感信息对应的敏感区域,所述医学本体区域在所述原始医学图像具有的面积大于所述敏感区域在所述原始医学图像具有的面积;
对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;
根据各所述连通区域的面积,在所述多个连通区域中将面积最大的连通区域确定为所述医学本体区域对应的连通区域;
根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像。
2.根据权利要求1所述的方法,其特征在于,所述获取原始医学图像的局部熵灰度图像,包括:
获取原始医学图像;
对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;
利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
3.根据权利要求2所述的方法,其特征在于,所述利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像,包括:
利用所述转换矩阵遍历所述原始医学图像的灰度图像,计算所述灰度图像中所述转换矩阵对应的各像素点的局部熵值;
将所述灰度图像中所述转换矩阵中心位置对应的像素点的灰度值更新为计算得到的局部熵值,得到局部熵矩阵;
对所述局部熵矩阵进行归一化,得到所述原始医学图像的局部熵灰度图像。
4.根据权利要求1所述的方法,其特征在于,所述对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像,包括:
对所述局部熵灰度图像进行图像阈值分割,得到所述局部熵灰度图像的二值化图像;
对所述局部熵灰度图像的二值化图像进行开运算操作,得到所述原始医学图像的二值化图像。
5.根据权利要求1所述的方法,其特征在于,所述连通区域设有对应的角点坐标;所述根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的医学图像,包括:
根据所述医学本体区域对应的连通区域的角点坐标,对所述原始医学图像进行裁剪,得到所述医学本体区域的医学图像。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述原始医学图像为包括敏感信息的超声图像;所述医学本体区域的医学图像为超声探头扫查目标部位时生成的超声图像。
7.一种医学图像的处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取原始医学图像的局部熵灰度图像,所述原始医学图像包括有医学本体图像对应的医学本体区域和不属于所述医学本体图像的敏感信息对应的敏感区域,所述医学本体区域在所述原始医学图像具有的面积大于所述敏感区域在所述原始医学图像具有的面积;
图像分割模块,用于对所述局部熵灰度图像进行图像分割,得到所述原始医学图像的二值化图像;所述原始医学图像的二值化图像包括多个连通区域;
区域确定模块,用于根据各所述连通区域的面积,在所述多个连通区域中将面积最大的连通区域确定为所述医学本体区域对应的连通区域;
图像提取模块,用于根据所述医学本体区域对应的连通区域,从所述原始医学图像中提取所述医学本体区域的图像。
8.根据权利要求7所述的装置,其特征在于,所述第一获取模块包括第二获取模块、灰度处理模块和图像遍历模块;
所述第二获取模块,用于获取所述原始医学图像;
所述灰度处理模块,用于对所述原始医学图像进行灰度处理,得到所述原始医学图像的灰度图像;
所述图像遍历模块,用于利用预设大小的转换矩阵遍历所述原始医学图像的灰度图像,得到所述原始医学图像的局部熵灰度图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561269.2A CN113822839B (zh) | 2020-06-18 | 2020-06-18 | 医学图像的处理方法、装置、计算机设备和存储介质 |
PCT/CN2020/133036 WO2021253732A1 (zh) | 2020-06-18 | 2020-12-01 | 医学图像的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561269.2A CN113822839B (zh) | 2020-06-18 | 2020-06-18 | 医学图像的处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822839A CN113822839A (zh) | 2021-12-21 |
CN113822839B true CN113822839B (zh) | 2024-01-23 |
Family
ID=78911885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561269.2A Active CN113822839B (zh) | 2020-06-18 | 2020-06-18 | 医学图像的处理方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113822839B (zh) |
WO (1) | WO2021253732A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630256A (zh) * | 2023-05-15 | 2023-08-22 | 什维新智医疗科技(上海)有限公司 | 一种超声造影图像识别方法、系统、电子设备及存储介质 |
CN116935493B (zh) * | 2023-09-13 | 2024-01-02 | 成都市青羊大数据有限责任公司 | 一种教育管理系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN104376260A (zh) * | 2014-11-20 | 2015-02-25 | 东华大学 | 一种基于香农信息熵的恶意代码可视化分析方法 |
CN105427320A (zh) * | 2015-11-30 | 2016-03-23 | 威海北洋电气集团股份有限公司 | 一种图像分割提取方法 |
CN106373138A (zh) * | 2016-08-30 | 2017-02-01 | 海纳医信(北京)软件科技有限责任公司 | 用于提取牙弓曲线的图像处理方法和装置 |
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
CN107239666A (zh) * | 2017-06-09 | 2017-10-10 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
CN108629773A (zh) * | 2018-05-10 | 2018-10-09 | 北京红云智胜科技有限公司 | 建立训练识别心脏血管类型的卷积神经网络数据集的方法 |
CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
CN108765335A (zh) * | 2018-05-25 | 2018-11-06 | 电子科技大学 | 一种基于遥感图像的森林火灾检测方法 |
CN109063740A (zh) * | 2018-07-05 | 2018-12-21 | 高镜尧 | 超声影像关键目标的检测模型构建及检测方法、装置 |
CN110288594A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295588B (zh) * | 2016-08-17 | 2019-10-01 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN107909590B (zh) * | 2017-11-15 | 2021-10-01 | 北京工业大学 | 一种基于Snake改进算法的IVUS图像外膜边缘分割方法 |
CN108765409A (zh) * | 2018-06-01 | 2018-11-06 | 电子科技大学 | 一种基于ct图像的候选结节的筛选方法 |
CN110378924B (zh) * | 2019-07-19 | 2022-09-27 | 合肥学院 | 基于局部熵的水平集图像分割方法 |
-
2020
- 2020-06-18 CN CN202010561269.2A patent/CN113822839B/zh active Active
- 2020-12-01 WO PCT/CN2020/133036 patent/WO2021253732A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN104376260A (zh) * | 2014-11-20 | 2015-02-25 | 东华大学 | 一种基于香农信息熵的恶意代码可视化分析方法 |
CN105427320A (zh) * | 2015-11-30 | 2016-03-23 | 威海北洋电气集团股份有限公司 | 一种图像分割提取方法 |
CN106373138A (zh) * | 2016-08-30 | 2017-02-01 | 海纳医信(北京)软件科技有限责任公司 | 用于提取牙弓曲线的图像处理方法和装置 |
CN106815853A (zh) * | 2016-12-14 | 2017-06-09 | 海纳医信(北京)软件科技有限责任公司 | 对眼底图像中视网膜血管的分割方法和装置 |
CN107229910A (zh) * | 2017-05-18 | 2017-10-03 | 北京环境特性研究所 | 一种遥感图像结冰湖泊检测方法及其系统 |
CN107239666A (zh) * | 2017-06-09 | 2017-10-10 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
CN108629773A (zh) * | 2018-05-10 | 2018-10-09 | 北京红云智胜科技有限公司 | 建立训练识别心脏血管类型的卷积神经网络数据集的方法 |
CN108765335A (zh) * | 2018-05-25 | 2018-11-06 | 电子科技大学 | 一种基于遥感图像的森林火灾检测方法 |
CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
CN109063740A (zh) * | 2018-07-05 | 2018-12-21 | 高镜尧 | 超声影像关键目标的检测模型构建及检测方法、装置 |
CN110288594A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822839A (zh) | 2021-12-21 |
WO2021253732A1 (zh) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020224406A1 (zh) | 图像分类方法、计算机可读存储介质和计算机设备 | |
CN109493328B (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
CN111192356B (zh) | 感兴趣区域的显示方法、装置、设备和存储介质 | |
CN111291813B (zh) | 图像标注方法、装置、计算机设备和存储介质 | |
CN113822839B (zh) | 医学图像的处理方法、装置、计算机设备和存储介质 | |
CN110570350A (zh) | 一种二维卵泡检测方法、装置和超声设备及可读存储介质 | |
US11276490B2 (en) | Method and apparatus for classification of lesion based on learning data applying one or more augmentation methods in lesion information augmented patch of medical image | |
CN112241952B (zh) | 大脑中线识别方法、装置、计算机设备及存储介质 | |
US11676273B2 (en) | Methods and systems for displaying image | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112102235B (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN116797590A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
CN113487581A (zh) | 胎儿头臀径自动测量方法、系统、设备及存储介质 | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN111489318A (zh) | 医学图像增强方法和计算机可读存储介质 | |
CN113962958B (zh) | 一种征象检测方法及装置 | |
CN116416221A (zh) | 一种超声图像分析方法 | |
CN116071404A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN115588004A (zh) | 一种病理图像ai分析结果的存储及显示方法 | |
CN114677503A (zh) | 感兴趣区域检测方法、装置、计算机设备和存储介质 | |
CN114723723A (zh) | 医学影像处理方法、计算机设备和存储介质 | |
CN115393246A (zh) | 图像分割系统及图像分割方法 | |
US20240119592A1 (en) | Information processing apparatus, information processing method, and program |
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 | ||
CB02 | Change of applicant information |
Address after: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Feiyinuo Technology Co.,Ltd. Address before: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: VINNO TECHNOLOGY (SUZHOU) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |