CN115294098A - 一种基于x光片的肺部阴影程度评估系统 - Google Patents
一种基于x光片的肺部阴影程度评估系统 Download PDFInfo
- Publication number
- CN115294098A CN115294098A CN202211169590.1A CN202211169590A CN115294098A CN 115294098 A CN115294098 A CN 115294098A CN 202211169590 A CN202211169590 A CN 202211169590A CN 115294098 A CN115294098 A CN 115294098A
- Authority
- CN
- China
- Prior art keywords
- shadow
- lung
- gray scale
- gray
- lung 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.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 187
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000000889 atomisation Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 14
- 241001270131 Agaricus moelleri Species 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 9
- 206010035664 Pneumonia Diseases 0.000 description 7
- 230000028327 secretion Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000004054 inflammatory process 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
- 208000024891 symptom Diseases 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 201000008827 tuberculosis Diseases 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及数据处理领域,提出了一种基于X光片的肺部阴影程度评估系统,包括:图像采集单元,获取每个肺部区域的灰度图;矩阵构建单元,得到每个肺部区域灰度图的新灰度游程矩阵;第一计算单元,得到每个新灰度游程矩阵中每一个灰阶的参数;图像处理单元,得到每个肺部区域中的阴影像素点;第二计算单元,获得每个窗口的局部雾化程度;第三计算单元,确定肺部区域的阴影影响权值;评估单元,得到肺部阴影影响程度评估值;显示单元,将肺部阴影影响程度评估值标记在肺部区域灰度图上并进行显示。本发明进行肺部阴影标记的方法简单,不需要大量数据。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于X光片的肺部阴影程度评估系统。
背景技术
肺是人体的重要器官,肺部出现感染后,如出现肺炎、肺结核等疾病,人的X光片中就会出现肺部阴影,通过X光片可以看到肺病患者肺部区域呈现密度相对比较高的阴影,这是因为肺泡内的炎性分泌物在逐渐增多。为了更好地评估病人的肺部情况,需要将病人的肺部阴影进行标记。
现有技术为根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割,再根据预先训练完成的肺部关键特征点检测模型对分割后的肺部区域进行预设关键特征点的检测,并将肺部区域包含的阴影进行标记,该方法需要训练肺部关键特征点检测模型,该模型为神经网络模型,需要大量数据去训练,若数据不充分,则神经网络无法工作,同时训练网络也花费大量时间。
发明内容
本发明提供一种基于X光片的肺部阴影程度评估系统,以解决现有的肺部阴影标记需要大量数据进行网络训练的问题。
本发明的一种基于X光片的肺部阴影程度评估系统,采用如下技术方案:
图像采集单元,用于获取每个肺部区域的灰度图;
矩阵构建单元,用于获取每个肺部区域灰度图不同方向上的灰度游程矩阵,通过每个肺部区域灰度图不同方向上的灰度游程矩阵的加和得到每个肺部区域灰度图的新灰度游程矩阵;
第一计算单元,用于通过每个肺部区域灰度图的新灰度游程矩阵中每一个灰阶游程长为1对应的元素值,以及该灰阶所有游程长所对应的元素值得到每个新灰度游程矩阵中每一个灰阶的参数;
图像处理单元,用于选取每个新灰度游程矩阵所有灰阶的参数中最大参数对应的灰阶作为该肺部区域灰度图的肺部阴影灰阶,通过肺部阴影灰阶得到每个肺部区域灰度图的分割阈值,利用该分割阈值对每个肺部区域灰度图进行分割得到每个肺部区域中的阴影像素点;
第二计算单元,用于以每个阴影像素点为窗口中心点建立滑窗,根据每个窗口中阴影像素点的个数、窗口中像素点的总数以及窗口中中心像素点的四邻域中阴影像素点的个数获得每个窗口的局部雾化程度;
第三计算单元,用于通过每个肺部区域中每个窗口的局部雾化程度得到该肺部区域的阴影雾化程度,根据每个肺部区域的阴影雾化程度的大小确定该肺部区域的阴影影响权值;
评估单元,用于通过每个肺部区域的阴影雾化程度以及阴影影响权值得到肺部阴影影响程度评估值;
显示单元,用于将肺部阴影影响程度评估值标记在图像采集单元采集到的肺部区域灰度图上并进行显示。
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,获取肺部阴影影响程度评估值的方法为:
获取每个肺部区域的阴影雾化程度以及对应的阴影影响权值的乘积;
将所有肺部区域的阴影雾化程度以及对应的阴影影响权值的乘积相加得到肺部阴影影响程度评估值。
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,所述每个肺部区域的阴影雾化程度为每个肺部区域中所有窗口的局部雾化程度的平均值。
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,得到窗口的局部雾化程度的方法为:
在每个肺部区域中以阴影像素点为窗口中心点建立滑窗,通过滑窗得到的每个窗口中阴影像素点的个数以及窗口中像素点的总数得到每个窗口中阴影像素点的比例;
通过每个肺部区域中每个窗口中中心像素点的四邻域中阴影像素点的个数以及每个窗口中阴影像素点的比例得到每个窗口的局部雾化程度。
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,每个肺部区域灰度图的分割阈值为肺部阴影灰阶的最大灰度级和最小灰度级。
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,新灰度游程矩阵中每一个灰阶的参数的表达式为:
进一步的,所述的一种基于X光片的肺部阴影程度评估系统,得到该肺部区域的阴影影响权值的方法为:
根据每个肺部区域的阴影雾化程度的大小判断每个肺部区域的区域类型,通过每个肺部区域的区域类型确定该肺部区域的阴影影响权值。
本发明的有益效果是:本发明构建不同方向的灰度游程矩阵,通过肺部区域灰度图不同方向的灰度游程矩阵得到新灰度游程矩阵,进而得到肺部阴影灰阶,由此获得每个肺部区域中的阴影像素点,识别出灰度图中的阴影像素点;通过以阴影像素点为中心点进行滑窗得到肺部阴影影响程度评估值,根据该肺部阴影影响程度评估值在灰度图中进行显示,实现了对肺部阴影的标记;本发明对肺部阴影进行标记的方法简单,不需要大量数据来训练网络,同时节约了时间。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于X光片的肺部阴影程度评估系统的实施例的结构示意图;
图2为窗口阴影像素点分布示意图。
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,都属于本发明保护的范围。
实施例1
本发明的一种基于X光片的肺部阴影程度评估系统的实施例,如图1所示,包括:
本发明的主要目的是呈现X光片中阴影在肺部的异常程度。
一、图像采集单元,用于获取每个肺部区域的灰度图。
获取病人拍的X光片,肺部在肋骨的包裹下,因此采集到X光片后,需要手动标记胸腔内肋骨部分,分割后仅得到多个肺部目标区域。
通过CNN语义分割的方式来得到肺部区域。
该CNN网络的具体内容如下:
CNN网络为Encoder-Decoder结构,使用的数据集为医院云端数据库里采集的X光片图像数据集。以 8∶1∶1 的比例分别将数据集划分为训练集、验证集和测试集,三者之间采用的图像数据互不重叠;按二分类问题,将图像中肺部区域的像素点值手动标注为1,肋骨骨架部分的像素点值标注为0;网络所用loss函数为交叉熵损失函数。
至此,获取多个肺部区域的肺部区域灰度图。
二、矩阵构建单元,用于获取每个肺部区域灰度图不同方向上的灰度游程矩阵,通过每个肺部区域灰度图不同方向上的灰度游程矩阵的加和得到每个肺部区域灰度图的新灰度游程矩阵。
雾化的肺炎分泌物,在图像上是离散的高阶像素点,絮状则是连续的一团分泌物,图像上体现为一整片的高阶像素点集,当然絮状的阴影代表此处的发炎症状更为严重,可是雾化的阴影经常和背景上的肺部组织灰度重叠、混合,机器识别可能将并不严重的雾化阴影识别为絮状阴影。背景上这些肺部组织的像素点显然属于非有效信息噪声。
常规的均值滤波、中值滤波、高斯滤波等降噪方法,都会模糊图像,并不适用于肺部阴影图像的去噪和增强。
原肺部图像除了肺部阴影,还有噪声和肺部组织中的灰度级,由于无法通过常规降噪和灰度直方图统计来获取阴影的灰度级,所以本实施例根据阴影的分布特点提出利用游程矩阵获取肺部阴影的灰度级,并区分背景像素点和噪声点,解决雾状、絮状阴影难以精确检测的问题。
对于每个肺部区域灰度图,建立灰度游程矩阵时,灰度分割的程度根据实际需要可进行自动调整,将灰度级分割为多个灰阶,本实施例将灰度级分割为25个灰阶,获取肺部区域灰度图上0°、45°、90°、135°方向上的灰度游程矩阵,灰度游程矩阵可以检测图像上同类像素点组成的连通域大小。
肺部阴影区域分为雾化阴影区域和絮状阴影区域,雾化区域的肺炎分泌物即阴影分布特征为其像素点独立存在,即该像素点周围均为背景像素点,因此才能视觉呈现出“雾化”的状态,我们认为离散的肺部阴影像素点,无论从哪个方向进行游程,其连通域的大小都为1,且无论哪个方向的灰度游程矩阵,在肺部阴影所在灰阶上,连通域为1的数量理论上都应该相同。但还可能存在:
1、孤立的噪声点也可能为长度为1的独立连通域。
2、存在分别垂直于4个游程方向,宽度为1的像素区域。
所以对于每个肺部区域灰度图的四个灰度游程矩阵中,连通域为1的所有灰阶中,分布最多的灰阶,即肺部阴影区域肺炎分泌物的主要灰阶。
将4个游程矩阵相加,得到一个新的灰度游程矩阵W(k,j)。
三、第一计算单元,用于通过每个肺部区域灰度图的新灰度游程矩阵中每一个灰阶游程长为1对应的元素值,以及该灰阶所有游程长所对应的元素值得到每个新灰度游程矩阵中每一个灰阶的参数。
具体地,通过游程矩阵W(k,j)中每个灰阶游程长为1的元素值的平方以及该灰阶所有游程长的元素值总和的平方,将前述得到的两个平方求和,再将得到的和值开根号,即可得到每个灰阶的参数,该灰阶既要满足灰阶游程长为1的元素值足够大,且同灰阶的其他游程长度中的元素值也需要足够大。
通过上述方法获得所有灰阶的参数。
上述灰阶参数公式的构建是为了得到最大灰阶参数所对应的灰阶,由此得到游程长度为1的灰阶中元素分布最多的灰度级,该灰度级即是肺炎分泌物的主要灰度级,通过该灰度级可以排除图像中噪声点的干扰。
四、图像处理单元,用于选取每个新灰度游程矩阵所有灰阶的参数中最大参数对应的灰阶作为该肺部区域灰度图的肺部阴影灰阶,通过肺部阴影灰阶得到每个肺部区域灰度图的分割阈值,利用该分割阈值对每个肺部区域灰度图进行分割得到每个肺部区域中的阴影像素点。
阈值的选择:将肺部阴影所在灰阶内的最小灰度级和最大灰度级作为分割阈值,灰阶内的灰度级为肺部阴影灰度级,区间外的为背景区域或噪声。将灰度级在灰阶区间外的像素点全部标记为0灰度值,得到肺部区域中的阴影像素点。
至此,得到消除噪声后的肺部阴影图像。
五、第二计算单元,用于以每个阴影像素点为窗口中心点建立滑窗,根据每个窗口中阴影像素点的个数、窗口中像素点的总数以及窗口中中心像素点的四邻域中阴影像素点的个数获得每个窗口的局部雾化程度。
但是单纯的阴影密度作为阴影评估值过于粗糙,同一单位区域内,可能存在的情况是,阴影像素点均匀雾状分布与密集分布,计算得到的密度是等值的,但两个的阴影分布情况完全不同。因此我们通过分析每个阴影像素点的相邻关系来得到新的评估模型。
肺炎阴影之所以呈现雾状的图像,是因为图像中,也就是相邻的两个像素点,分别具有不同类型的像素值。“相邻”对于窗口和窗口中的像素点来说,是形容该像素点与上下左右四个正方向的像素点之间的空间关系,即像素点的四邻域。
六、第三计算单元,用于通过每个肺部区域中每个窗口的局部雾化程度得到该肺部区域的阴影雾化程度,根据每个肺部区域的阴影雾化程度的大小确定该肺部区域的阴影影响权值。
七、评估单元,用于通过每个肺部区域的阴影雾化程度以及阴影影响权值得到肺部阴影影响程度评估值。
定义为肺部阴影影响程度评估值,作为阴影雾化程度可以全面表现区域内阴影占比和分布情况,根据区域的判别匹配上述权值,将一个病人所有肺部区域的阴影雾化程度乘以对应的肺部阴影影响权值再求和,得到该病人的肺部阴影影响程度评估值。
八、显示单元,用于将肺部阴影影响程度评估值标记在图像采集单元采集到的肺部区域灰度图上并进行显示。
本发明构建不同方向的灰度游程矩阵,通过肺部区域灰度图不同方向的灰度游程矩阵得到新灰度游程矩阵,进而得到肺部阴影灰阶,由此获得每个肺部区域中的阴影像素点,识别出灰度图中的阴影像素点;通过以阴影像素点为中心点进行滑窗得到肺部阴影影响程度评估值,根据该肺部阴影影响程度评估值在灰度图中进行显示,实现了对肺部阴影的标记;本发明对肺部阴影进行标记的方法简单,不需要大量数据来训练网络,同时节约了时间。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于X光片的肺部阴影程度评估系统,其特征在于,包括:
图像采集单元,用于获取每个肺部区域的灰度图;
矩阵构建单元,用于获取每个肺部区域灰度图不同方向上的灰度游程矩阵,通过每个肺部区域灰度图不同方向上的灰度游程矩阵的加和得到每个肺部区域灰度图的新灰度游程矩阵;
第一计算单元,用于通过每个肺部区域灰度图的新灰度游程矩阵中每一个灰阶游程长为1对应的元素值,以及该灰阶所有游程长所对应的元素值得到每个新灰度游程矩阵中每一个灰阶的参数;
图像处理单元,用于选取每个新灰度游程矩阵所有灰阶的参数中最大参数对应的灰阶作为该肺部区域灰度图的肺部阴影灰阶,通过肺部阴影灰阶得到每个肺部区域灰度图的分割阈值,利用该分割阈值对每个肺部区域灰度图进行分割得到每个肺部区域中的阴影像素点;
第二计算单元,用于以每个阴影像素点为窗口中心点建立滑窗,根据每个窗口中阴影像素点的个数、窗口中像素点的总数以及窗口中中心像素点的四邻域中阴影像素点的个数获得每个窗口的局部雾化程度;
第三计算单元,用于通过每个肺部区域中每个窗口的局部雾化程度得到该肺部区域的阴影雾化程度,根据每个肺部区域的阴影雾化程度的大小确定该肺部区域的阴影影响权值;
评估单元,用于通过每个肺部区域的阴影雾化程度以及阴影影响权值得到肺部阴影影响程度评估值;
显示单元,用于将肺部阴影影响程度评估值标记在图像采集单元采集到的肺部区域灰度图上并进行显示。
2.根据权利要求1所述的一种基于X光片的肺部阴影程度评估系统,其特征在于,获取肺部阴影影响程度评估值的方法为:
获取每个肺部区域的阴影雾化程度以及对应的阴影影响权值的乘积;
将所有肺部区域的阴影雾化程度以及对应的阴影影响权值的乘积相加得到肺部阴影影响程度评估值。
3.根据权利要求2所述的一种基于X光片的肺部阴影程度评估系统,其特征在于,所述每个肺部区域的阴影雾化程度为每个肺部区域中所有窗口的局部雾化程度的平均值。
4.根据权利要求3所述的一种基于X光片的肺部阴影程度评估系统,其特征在于,得到窗口的局部雾化程度的方法为:
在每个肺部区域中以阴影像素点为窗口中心点建立滑窗,通过滑窗得到的每个窗口中阴影像素点的个数以及窗口中像素点的总数得到每个窗口中阴影像素点的比例;
通过每个肺部区域中每个窗口中中心像素点的四邻域中阴影像素点的个数以及每个窗口中阴影像素点的比例得到每个窗口的局部雾化程度。
5.根据权利要求1所述的一种基于X光片的肺部阴影程度评估系统,其特征在于,每个肺部区域灰度图的分割阈值为肺部阴影灰阶的最大灰度级和最小灰度级。
7.根据权利要求1所述的一种基于X光片的肺部阴影程度评估系统,其特征在于,得到该肺部区域的阴影影响权值的方法为:
根据每个肺部区域的阴影雾化程度的大小判断每个肺部区域的区域类型,通过每个肺部区域的区域类型确定该肺部区域的阴影影响权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169590.1A CN115294098B (zh) | 2022-09-26 | 2022-09-26 | 一种基于x光片的肺部阴影程度评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169590.1A CN115294098B (zh) | 2022-09-26 | 2022-09-26 | 一种基于x光片的肺部阴影程度评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294098A true CN115294098A (zh) | 2022-11-04 |
CN115294098B CN115294098B (zh) | 2022-12-16 |
Family
ID=83834781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169590.1A Active CN115294098B (zh) | 2022-09-26 | 2022-09-26 | 一种基于x光片的肺部阴影程度评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294098B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN114841940A (zh) * | 2022-04-24 | 2022-08-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统 |
-
2022
- 2022-09-26 CN CN202211169590.1A patent/CN115294098B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN114841940A (zh) * | 2022-04-24 | 2022-08-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及系统 |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Non-Patent Citations (2)
Title |
---|
张萌: "基于深度学习的甲状腺癌病理图像分类方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
徐杨飞等: "CT影像组学标签鉴别机化性肺炎与肺腺癌的价值", 《医学影像学杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115294098B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0780791B1 (en) | Automatic tone scale adjustment using image activity measures | |
CN102525381B (zh) | 图像处理装置、图像处理方法及计算机可读取的记录装置 | |
CN108549874A (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
US8050734B2 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
EP2869261B1 (en) | Method for processing image data representing a three-dimensional volume | |
CN115661135A (zh) | 一种心脑血管造影的病灶区域分割方法 | |
CN114638828B (zh) | 一种基于计算机视觉的放射影像智能分割方法 | |
CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
Gu et al. | Computerized identification of airway wall in CT examinations using a 3D active surface evolution approach | |
CN108305247B (zh) | 一种基于ct图像灰度值检测组织硬度的方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
Jeevakala et al. | A novel segmentation of cochlear nerve using region growing algorithm | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及系统 | |
CN107689039A (zh) | 估计图像模糊度的方法和装置 | |
CN115294098B (zh) | 一种基于x光片的肺部阴影程度评估系统 | |
CN116993736A (zh) | 一种骨质疏松区域智能识别系统 | |
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 | |
CN111353495B (zh) | 一种红外成像盲元的统计分析及评价方法 | |
Pinneli et al. | A Bayesian approach to predicting the perceived interest of objects | |
Chen et al. | Saliency‐Based Bleeding Localization for Wireless Capsule Endoscopy Diagnosis | |
Yao et al. | Adaptive deformable model for colonic polyp segmentation and measurement on CT colonography | |
CN108648202A (zh) | 一种带补偿策略的火山口形sar图像边缘检测方法 |
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 |