CN115359052B - 基于聚类算法的医疗影像增强方法 - Google Patents

基于聚类算法的医疗影像增强方法 Download PDF

Info

Publication number
CN115359052B
CN115359052B CN202211277516.1A CN202211277516A CN115359052B CN 115359052 B CN115359052 B CN 115359052B CN 202211277516 A CN202211277516 A CN 202211277516A CN 115359052 B CN115359052 B CN 115359052B
Authority
CN
China
Prior art keywords
image
value
lung
enhancement
pixel
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
Application number
CN202211277516.1A
Other languages
English (en)
Other versions
CN115359052A (zh
Inventor
杨超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Dingshun Biotechnology Co ltd
Original Assignee
Nantong Dingshun Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Dingshun Biotechnology Co ltd filed Critical Nantong Dingshun Biotechnology Co ltd
Priority to CN202211277516.1A priority Critical patent/CN115359052B/zh
Publication of CN115359052A publication Critical patent/CN115359052A/zh
Application granted granted Critical
Publication of CN115359052B publication Critical patent/CN115359052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于聚类算法的医疗影像增强方法，包括：使用不同的类别值对肺部CT图像中各个像素点的灰度值进行聚类，得到各个聚类分割图像的肺部区域；计算各个聚类分割图像的肺部区域中各个类别的前景程度值，进而得到各个像素点的增强必要性；根据各个像素点的增强必要性得到待增强像素点；根据所有待增强像素点中的最大灰度值与每个待增强像素点的增强必要性计算每个待增强像素点的灰度增量，每个待增强像素点及其灰度增量值构成了灰度增量图像；将灰度增量图像与肺部CT图像中对应像素点的灰度值相加，得到增强后的肺部CT图像。本发明可以对图像中的肺部区域的不同位置进行自适应增强。

Description

基于聚类算法的医疗影像增强方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于聚类算法的医疗影像增强方法。
背景技术
在医师分析肺部CT图像的过程中，由于肺部CT图像中存在大量灰度值差异较小的像素点，而人眼能够有效观察到的CT图像细节信息是有限的，因此，为了改善CT图像的视觉效果，往往需要对CT图像进行增强。现有技术经常使用线性灰度化来对图像进行增强，但是线性灰度化增强更多的是对整体区域的增强，难以实现局部自适应增强，且线性灰度化增强的具体参数难以自适应计算，导致其实际增强效果较差。
发明内容
本发明提供基于聚类算法的医疗影像增强方法，以解决现有的问题。
本发明的基于聚类算法的医疗影像增强方法采用如下技术方案：
本发明一个实施例提供了基于聚类算法的医疗影像增强方法，该方法包括以下步骤：
获取人体的肺部CT图像；使用不同的类别值对肺部CT图像中各个像素点的灰度值进行聚类，得到所述不同类别值的聚类分割图像；根据低类别的聚类分割图像提取肺部二值遮罩图像；
将肺部二值遮罩图像与各个聚类分割图像相乘，得到所述各个聚类分割图像的肺部区域；根据各个聚类分割图像的肺部区域中，各个类别所包含的像素点的个数以及所述各个类别的平均灰度值得到所述各个聚类分割图像的肺部区域中所述各个类别的前景程度值；根据肺部区域中各个像素点在各个聚类结果分割图像中对应类别的前景程度值的平均值得到所述各个像素点的增强必要性；
根据各个像素点的增强必要性得到待增强像素点；根据所有待增强像素点的最大灰度值以及每个待增强像素点的增强必要性得到每个待增强像素点的灰度增量，每个待增强像素点及其灰度增量值构成了灰度增量图像；
将灰度增量图像与肺部CT图像中对应像素点的灰度值相加，得到增强后的肺部CT图像。
优选的，所述根据低类别的聚类分割图像提取肺部二值遮罩图像的方法为：
获取低类别聚类分割图像中的各个聚类结果的平均灰度值；选取平均灰度值最低的聚类结果，对所述平均灰度值最低的聚类结果进行连通域分析，得到多个连通域，计算各个连通域中所包含像素点横坐标的最大值与最小值之间的差值，将差值最大的连通域去除，剩余的连通域即为肺部区域，对所得肺部区域进行二值化处理，得到肺部二值遮罩图像。
优选的，所述低类别的聚类分割图像是指类别值等于二时对应的聚类分割图像。
优选的，所述各个聚类分割图像的肺部区域中所述各个类别的前景程度值的获取方法为：
Figure 279964DEST_PATH_IMAGE001
式中，
Figure 695902DEST_PATH_IMAGE002
表示类别值为K时聚类分割图像的肺部区域中第i个类别的前景程度值；
Figure 431777DEST_PATH_IMAGE003
表示类别值为K时聚类分割图像中第i个类别所包含的像素点个数；
Figure 473420DEST_PATH_IMAGE004
表示肺部区域中所包含的像素点的总个数；
Figure 345561DEST_PATH_IMAGE005
表示肺部CT图像中的最大灰度值，
Figure 932400DEST_PATH_IMAGE006
表示肺部CT图像中的最小灰度值；
Figure 30937DEST_PATH_IMAGE007
表示肺部区域中第i个类别所包含的所有像素点的平均灰度值，
Figure 502370DEST_PATH_IMAGE008
表示取最大值，
Figure 353651DEST_PATH_IMAGE009
表示取最小值。
优选的，所述根据各个像素点的增强必要性得到待增强像素点的方法为：
获取所有像素点的最大增强必要性与最小增强必要性，计算各个像素点的增强必要性与所述最小增强必要性的差值，记为所述各个像素点的第一差值；计算最大增强必要性与最小增强必要性的差值，记为第二差值；将各个像素点的第一差值与第二差值的比值作为所述各个像素点归一化后的增强必要性；
设置经验阈值，当各个像素点归一化后的增强必要性大于经验阈值时，所述各个像素点为待增强像素点，否则不为待增强像素点。
优选的，所述每个待增强像素点的灰度增量的获取方法为：将所有待增强像素点的最大灰度值与每个待增强像素点的增强必要性与1的和相乘，所得结果作为所述每个待增强像素点的灰度增量。
本发明的有益效果是：通过CT图像在不同类别值下的聚类结果，对肺部区域进行提取，然后根据不同聚类分割图像中，肺部区域中各个像素点的增强必要性得到肺部区域中的待增强像素点，再根据所有待增强像素点的最大灰度值以及各个待增强像素点的增强必要性计算各个待增强像素点的灰度增量，无需人为进行参数设定，可对图像中的肺部区域的不同位置进行自适应增强，最终使得肺部区域中的气管部位细节能够清晰地被医师通过人眼识别。
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为本发明的基于聚类算法的医疗影像增强方法的步骤流程图；
图2为本发明的基于聚类算法的医疗影像增强方法的原始肺部CT图像；
图3为本发明的基于聚类算法的医疗影像增强方法的类别值等于2时的聚类分割图像；
图4为本发明的基于聚类算法的医疗影像增强方法的类别值等于3时的聚类分割图像；
图5为本发明的基于聚类算法的医疗影像增强方法的类别值等于4时的聚类分割图像；
图6为本发明的基于聚类算法的医疗影像增强方法的肺部二值遮罩图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于聚类算法的医疗影像增强方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于聚类算法的医疗影像增强方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于聚类算法的医疗影像增强方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取人体的肺部CT图像；使用不同的类别值对肺部CT图像进行聚类分割，得到不同类别值所对应的聚类分割图像；根据低类别的聚类分割图像提取肺部二值遮罩图像。
首先使用CT设备采集人体的肺部CT图像，如图2所示；
在类别值不同的聚类结果中，同一个像素点可能会被归为不同的类别，而不同类别分割出的前景目标的概率程度是不同的，如图3-图5所示。本发明需要增强的是前景目标，而非背景像素，因此需要计算不同聚类结果下各个像素点的增强必要性，而后再根据聚类结果对需要增强的像素计算各个像素点所对应的灰度增量，从而实现对肺部CT图像的局部灰度增强。
由CT成像原理可知，射线穿过人体不同组织的不同衰减率形成了不同的灰度，而CT拍摄的人体横截面可分为：1.皮肤、脂肪构成的外圈部分；2.两侧的肺叶部分；3.肺叶部分中分布的气管部分；4.分散显示的血管部分；5.中部的骨骼部分及主气管部分；6.其他组织部分。因此，聚类算法的类别值
Figure 252337DEST_PATH_IMAGE010
的大小应在[2,6]范围内，以保证聚类结果能够较完整显示出图像的细节。在不同类别值下，使用K-means算法对肺部CT图像中各个像素点的灰度值进行聚类，得到不同类别值下的聚类分割图像。
由于不同组织的灰度值的高低，影响其前景、背景的判断，所以，需要在较低聚类数量的情况下，通过最大灰度值分割出肺部目标的轮廓，避免其他位置影响前景、背景的计算。如图3所示，肺部CT图像中各种像素点可以被大致分为两类：肺部内的空气和人体外部的空气为一类，身体的组织为一类。前者颜色偏黑色，灰度值较低；后者颜色偏白色，灰度值较高。本发明中需要增强的肺部范围为偏黑色的两肺位置，由此可知，在低类别，即类别值K=2时的聚类分割图像可以完全表示所需的肺部区域范围。
故本发明首先获取类别数K=2时得到的聚类分割图像中，两个聚类结果的平均灰度值最小的聚类结果，然后使用Seed-Filling算法对该聚类结果进行连通域分析，由此得到多个连通域，计算各个连通域所包含像素点的最大横坐标与最小横坐标之间的差值，得到各个连通域的分布范围，将分布范围最大的连通域去除后，剩余的连通域即为肺部区域，对其进行二值化处理后，得到肺部二值遮罩图像，如图6所示。
步骤S002：获取各个聚类分割图像的肺部区域；计算各个聚类分割图像的肺部区域各个类别的前景程度值，进而得到肺部区域中各个像素点的增强必要性。
本发明旨在对CT图像中的气管部位进行增强，从而辅助医生更容易地观察到肺部气管的细节信息，而同一像素点在不同的聚类结果中会被划分为不同的类别，因此，根据在不同类别值下得到的聚类分割图像中，各个像素点所属的类别，即像素点所在类别是前景目标还是背景，计算各个像素点的前景程度值，从而判断像素点是否为气管区域像素点。当一个像素点被划分为前景的程度越大，越是被关注的目标，该像素点越是本发明中需要进行灰度增强的像素点。具体过程如下：
首先，将肺部二值遮罩图像与各个聚类分割图像相乘，得到不同类别值时所对应聚类分割图像中的肺部区域；
然后计算各个聚类分割图像的肺部区域中各个类别的前景程度值，由于人体肺部所包含的大多为空气，因此肺部区域中大多数像素点为灰度值较低的空气像素点，而本发明需要增强的为肺部组织，即灰度值较高的气管像素点，气管像素点在整个肺部区域内的所对应的像素点个数较少，因此肺部区域中所包含的各个类别中像素点数量越多，该类别为气管像素点的概率越小，即该类别的前景程度值越小，否则该类别的前景程度值越大。
但是当肺部出现病变时，病变区域会影响不同类别中像素点的个数，因此仅根据各个类别中像素点的个数计算得到的各个类别的前景程度值并不准确，而肺部组织的灰度值相对于肺部空气的像素点较高，因此为了保证检测结果的准确性，本发明根据各个类别包含的像素点的个数以及各个类别的灰度值对各个类别的前景程度值进行综合判断，即：
Figure 71126DEST_PATH_IMAGE011
式中，
Figure 80670DEST_PATH_IMAGE002
表示类别值为K时聚类分割图像的肺部区域中第i个类别的前景程度值；
Figure 317617DEST_PATH_IMAGE003
表示类别值为K时聚类分割图像中第i个类别所包含的像素点个数；
Figure 121625DEST_PATH_IMAGE012
表示肺部区域中所包含的像素点的总个数；
Figure 194754DEST_PATH_IMAGE005
表示肺部CT图像中的最大灰度值，
Figure 742410DEST_PATH_IMAGE006
表示肺部CT图像中的最小灰度值；
Figure 833863DEST_PATH_IMAGE007
表示肺部区域中第i个类别所包含的所有像素点的平均灰度值；
Figure 74351DEST_PATH_IMAGE008
表示取最大值，
Figure 759410DEST_PATH_IMAGE009
表示取最小值。
由此得到不同聚类分割图像中各个类别的前景程度值。
最后，计算肺部区域中的各个像素点在不同聚类分割图像中对应像素点的前景程度值之间的平均值，所得结果作为肺部区域中各个像素点的增强必要性；并对肺部区域中各个像素点的增强必要性进行归一化处理，具体过程如下：
获取肺部区域中所有像素点的最大增强必要性
Figure 484659DEST_PATH_IMAGE013
与最小增强必要性
Figure 305984DEST_PATH_IMAGE014
，则对于肺部区域中第
Figure 842008DEST_PATH_IMAGE015
像素点，其增强必要性为
Figure 748784DEST_PATH_IMAGE016
，则对该像素点进行归一化处理后的增强必要性
Figure 513609DEST_PATH_IMAGE017
可表示为：
Figure 314074DEST_PATH_IMAGE018
步骤S003：根据各个像素点的增强必要性得到待增强像素点；计算每个待增强像素点的灰度增量，得到灰度增量图像。
根据经验设置阈值
Figure 630786DEST_PATH_IMAGE019
，当肺部区域中一个像素点的增强必要性大于
Figure 133181DEST_PATH_IMAGE020
时，认为该像素点为待增强像素点，否则不为待增强像素点。
获取所有待增强像素点的最大灰度值，记为
Figure 826330DEST_PATH_IMAGE021
，则第
Figure 12461DEST_PATH_IMAGE022
个待增强像素点的灰度增量可表示为：
Figure 500074DEST_PATH_IMAGE023
式中，
Figure 256809DEST_PATH_IMAGE024
为第
Figure 488070DEST_PATH_IMAGE022
个待增强像素点的灰度增量；
Figure 263128DEST_PATH_IMAGE025
为第
Figure 187221DEST_PATH_IMAGE022
个待增强像素点归一化后的增强必要性。
重复上述方法，得到肺部区域中各个待增强像素点的灰度增量，则由各个待增强像素点及其灰度增量构成了灰度增量图像，其中该图像中非待增强像素点的灰度增量为0。
步骤S004：将灰度增量图像与肺部CT图像中对应像素点的灰度值相加，得到增强后的肺部CT图像。
由于灰度增量图像中只有对肺部区域中的待增强像素点的灰度增量值不为0，而其他位置上的灰度增量值为0，则将灰度增量图像与肺部CT图像对应像素点的灰度值进行相加后，可以实现只对肺部区域中的气管像素点进行图像增强，且气管不同位置上的像素点的灰度值增加程度不同，由此可以实现对CT图像的肺部区域不同位置上不同程度的增强。
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 (5)

1.基于聚类算法的医疗影像增强方法，其特征在于，该方法包括以下步骤：
获取人体的肺部CT图像；使用不同的类别值对肺部CT图像中各个像素点的灰度值进行聚类，得到所述不同类别值的聚类分割图像；根据低类别的聚类分割图像提取肺部二值遮罩图像；
将肺部二值遮罩图像与各个聚类分割图像相乘，得到所述各个聚类分割图像的肺部区域；根据各个聚类分割图像的肺部区域中，各个类别所包含的像素点的个数以及所述各个类别的平均灰度值得到所述各个聚类分割图像的肺部区域中所述各个类别的前景程度值；根据肺部区域中各个像素点在各个聚类结果分割图像中对应类别的前景程度值的平均值得到所述各个像素点的增强必要性；
根据各个像素点的增强必要性得到待增强像素点；根据所有待增强像素点的最大灰度值以及每个待增强像素点的增强必要性得到每个待增强像素点的灰度增量，每个待增强像素点及其灰度增量值构成了灰度增量图像；
将灰度增量图像与肺部CT图像中对应像素点的灰度值相加，得到增强后的肺部CT图像；
其中，所述肺部二值遮罩图像的获取方法为：获取低类别聚类分割图像中的各个聚类结果的平均灰度值；选取平均灰度值最低的聚类结果，对所述平均灰度值最低的聚类结果进行连通域分析，得到多个连通域，计算各个连通域中所包含像素点横坐标的最大值与最小值之间的差值，将差值最大的连通域去除，剩余的连通域即为肺部区域，对所得肺部区域进行二值化处理，得到肺部二值遮罩图像。
2.根据权利要求1所述的基于聚类算法的医疗影像增强方法，其特征在于，所述低类别的聚类分割图像是指类别值等于二时对应的聚类分割图像。
3.根据权利要求1所述的基于聚类算法的医疗影像增强方法，其特征在于，所述各个聚类分割图像的肺部区域中所述各个类别的前景程度值的获取方法为：
Figure 749630DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
表示类别值为K时聚类分割图像的肺部区域中第i个类别的前景程度值；
Figure 794334DEST_PATH_IMAGE004
表示类别值为K时聚类分割图像中第i个类别所包含的像素点个数；
Figure DEST_PATH_IMAGE005
表示肺部区域中所包含的像素点的总个数；
Figure 229863DEST_PATH_IMAGE006
表示肺部CT图像中的最大灰度值，
Figure DEST_PATH_IMAGE007
表示肺部CT图像中的最小灰度值；
Figure 484127DEST_PATH_IMAGE008
表示肺部区域中第i个类别所包含的所有像素点的平均灰度值，
Figure DEST_PATH_IMAGE009
表示取最大值，
Figure 95237DEST_PATH_IMAGE010
表示取最小值。
4.根据权利要求1所述的基于聚类算法的医疗影像增强方法，其特征在于，所述根据各个像素点的增强必要性得到待增强像素点的方法为：
获取所有像素点的最大增强必要性与最小增强必要性，计算各个像素点的增强必要性与所述最小增强必要性的差值，记为所述各个像素点的第一差值；计算最大增强必要性与最小增强必要性的差值，记为第二差值；将各个像素点的第一差值与第二差值的比值作为所述各个像素点归一化后的增强必要性；
设置经验阈值，当各个像素点归一化后的增强必要性大于经验阈值时，所述各个像素点为待增强像素点，否则不为待增强像素点。
5.根据权利要求1所述的基于聚类算法的医疗影像增强方法，其特征在于，所述每个待增强像素点的灰度增量的获取方法为：将所有待增强像素点的最大灰度值与每个待增强像素点的增强必要性与1的和相乘，所得结果作为所述每个待增强像素点的灰度增量。
CN202211277516.1A 2022-10-19 2022-10-19 基于聚类算法的医疗影像增强方法 Active CN115359052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211277516.1A CN115359052B (zh) 2022-10-19 2022-10-19 基于聚类算法的医疗影像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211277516.1A CN115359052B (zh) 2022-10-19 2022-10-19 基于聚类算法的医疗影像增强方法

Publications (2)

Publication Number Publication Date
CN115359052A CN115359052A (zh) 2022-11-18
CN115359052B true CN115359052B (zh) 2022-12-30

Family

ID=84008392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211277516.1A Active CN115359052B (zh) 2022-10-19 2022-10-19 基于聚类算法的医疗影像增强方法

Country Status (1)

Country Link
CN (1) CN115359052B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797344B (zh) * 2023-02-06 2023-04-21 智联信通科技股份有限公司 基于图像增强的机房设备识别管理方法
CN116309649A (zh) * 2023-05-17 2023-06-23 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种基于ct影像的喉部病变异常区域分割系统
CN116385435B (zh) * 2023-06-02 2023-09-26 济宁市健达医疗器械科技有限公司 基于图像分割的制药胶囊计数方法
CN116402816B (zh) * 2023-06-08 2023-08-15 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN116681701B (zh) * 2023-08-02 2023-11-03 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种儿童肺部超声图像处理方法
CN116721099B (zh) * 2023-08-09 2023-11-21 山东奥洛瑞医疗科技有限公司 一种基于聚类的肝脏ct影像的图像分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5987094A (en) * 1996-10-30 1999-11-16 University Of South Florida Computer-assisted method and apparatus for the detection of lung nodules
CN110246144A (zh) * 2019-06-17 2019-09-17 吉林大学第一医院 一种肺部ct图像的血管增强方法及系统
CN114419077B (zh) * 2022-03-31 2022-07-05 深圳市一图智能科技有限公司 一种基于ct图像的肺支气管自动分割方法及系统

Also Published As

Publication number Publication date
CN115359052A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
CA2188394C (en) Automated method and system for computerized detection of masses and parenchymal distortions in medical images
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
CN114677391B (zh) 一种脊椎图像分割方法
CN110930416A (zh) 一种基于u型网络的mri图像前列腺分割方法
CN116152505B (zh) 基于x光数据的骨骼目标识别分割方法
CN116503392B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN110910404B (zh) 一种抗噪声数据的乳腺超声结节分割方法
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
CN117474823B (zh) 一种儿科感染性炎症检测辅助用ct数据处理系统
CN117557460B (zh) 一种血管造影图像增强方法
CN117437492A (zh) 一种肺部x光影像中白肺特征识别及分割方法
CN115908428A (zh) 一种用于调节并指牵开器的图像处理方法及系统
Lee et al. Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans
CN116485819B (zh) 一种耳鼻喉检查图像分割方法及系统
Araújo et al. Active contours for overlapping cervical cell segmentation
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
Yan et al. Segmentation of pulmonary parenchyma from pulmonary CT based on ResU-Net++ model
Dandan et al. A multi-model organ segmentation method based on abdominal ultrasound image
CN117237342B (zh) 一种呼吸康复ct影像智能分析方法
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
CN116167949B (zh) 一种基于医疗影像大数据的临床辅助决策系统
CN117237389B (zh) 一种中耳胆脂瘤ct影像分割方法
CN116344001B (zh) 一种基于人工智能的医疗信息可视化管理系统及方法
CN113822904B (zh) 一种图像标注装置、方法及可读存储介质

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