CN116309649A - 一种基于ct影像的喉部病变异常区域分割系统 - Google Patents
一种基于ct影像的喉部病变异常区域分割系统 Download PDFInfo
- Publication number
- CN116309649A CN116309649A CN202310551300.8A CN202310551300A CN116309649A CN 116309649 A CN116309649 A CN 116309649A CN 202310551300 A CN202310551300 A CN 202310551300A CN 116309649 A CN116309649 A CN 116309649A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- region
- abnormal region
- laryngeal
- 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- Withdrawn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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 174
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 206010054830 Throat lesion Diseases 0.000 title description 2
- 230000003902 lesion Effects 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 5
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 13
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于CT影像的喉部病变异常区域分割系统。该系统结合喉部图像中像素点的灰度值特征，筛选出初始异常区域，再对初始异常区域进行梯度方向分析后，筛选出异常像素点并得到对应的异常区域，对异常区域进行增强，将增强后的图像进行阈值分割，得到对应的目标异常区域。对异常区域进行增强，提高了异常区域和背景区域的对比度，排除了由于图像中边缘模糊或者由于异常区域对比度低对图像分割效果带来的影响。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于CT影像的喉部病变异常区域分割系统。
背景技术
在超声影像教学中，为了让学员了解和学习超声影像的相关基本知识，比如:超声影像的种类，需要将采集到的超声影像通过显示屏等设备展示给学员。但是，超声影像在进行图像采集过程中，不可避免的会存在噪点数据的影响，导致所采集的超声影像对比度低、细节特征不明显以及大量斑点噪声等，超声影像质量较差，进而在后续对影像中的异常区域分割出来以便于展示给学员时，由于影像的质量较差难以实现精确的对异常区域的分割，从而造成影响超声诊断学员的学习效率无法从超声影像中获取准确有效的信息。
目前常见的对图像进行分割得到异常区域的方法为，通过大津法对喉部CT图像进行分割后，进而确认出图像中的异常区域，但通过大津法进行图像分割的方法存在着区域边缘分割丢失现象或区域边缘模糊的现象，进而会导致图像中的异常区域检测不准确的现象出现。
发明内容
为了解决图像中区域边缘分割丢失或区域边缘模糊的技术问题，本发明的目的在于提供一种基于CT影像的喉部病变异常区域分割系统，该系统包括以下模块：
数据获取模块，用于获取喉部图像；
第一数据处理模块，用于根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值；基于邻域突变值对像素点进行聚类，得到异常类别；
第二数据处理模块，用于由所述异常类别构建初始异常区域；根据所述初始异常区域内各像素点的梯度方向筛选出异常像素点；
异常区域分割模块，用于对所述异常像素点构成的异常区域进行增强，得到增强喉部图像；对所述增强喉部图像进行图像分割，得到目标异常区域。
优选的，所述根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值，包括：
将喉部图像中各像素点与邻域内各像素点的灰度差值的均值作为邻域突变值。
优选的，所述基于邻域突变值对像素点进行聚类，得到异常类别，包括：
基于像素点对应的邻域突变值，利用K-means聚类算法对像素点进行聚类，得到两个类别；将两个类别中各邻域突变值的均值最大的类别作为异常类别。
优选的，所述由所述异常类别构建初始异常区域，包括：
连接异常类别内的像素点得到连通域，将所述连通域作为初始异常区域。
优选的，所述根据所述初始异常区域内各像素点的梯度方向筛选出异常像素点，包括：
连接初始异常区域内各像素点到预设喉前庭区域的中心点，得到连接线；获取连接线和水平向右方向的夹角，作为第一夹角；获取梯度方向和水平向右方向的夹角，作为第二夹角；将第一夹角和第二夹角的差值绝对值作为筛选角度；
当所述筛选角度对应的余弦值大于或等于预设阈值时，将筛选角度对应的初始异常区域内的像素点作为异常像素点。
优选的，所述对所述异常像素点构成的异常区域进行增强，得到增强喉部图像，包括：
利用分段线性拉伸算法，对异常区域进行增强，得到增强喉部图像。
本发明实施例至少具有如下有益效果：
本发明涉及图像处理技术领域。该系统首先根据喉部图像中各像素点与邻域内像素点的灰度差异进行分析，得到异常类别和对应的初始异常区域，根据像素点与邻域内像素点的灰度差异得到初始异常区域是因为喉部图像中与邻域内像素点的灰度差异较大的像素点更有可能为喉部图像中的边缘像素点，而边缘像素点对应的区域更大概率为异常区域。在得到初始异常区域之后，为了更进一步的对异常区域进行准确筛选，根据初始异常区域内各像素点的梯度方向筛选出异常像素点和对应的异常区域，实现对异常区域的进一步确定，然后对异常区域进行增强得到对应的增强喉部图像，该增强喉部图像中的异常区域有很大的概率为真实的异常区域，并对该异常区域进行增强，使得异常区域在增强喉部图像中更加突变，边缘更加明显，最后对增强喉部图像进行图像分割，得到目标异常区域。对异常区域进行增强，提高了异常区域和背景区域的对比度，排除了由于图像中边缘模糊或者由于异常区域对比度低对图像分割效果带来的影响。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于CT影像的喉部病变异常区域分割系统的系统框图。
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一种基于CT影像的喉部病变异常区域分割系统，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。
本发明实施例提供了一种基于CT影像的喉部病变异常区域分割系统的具体实施方法，该方法适用于异常区域分析教学场景。该场景下分割出目标异常区域首先对每张喉部图像人为进行喉前庭区域进行标记。为了解决图像中区域边缘分割丢失或区域边缘模糊的技术问题。本发明结合病变区域的灰度值特征，筛选出初始异常区域，再对初始异常区域进行梯度方向分析后，确定异常像素点并得到异常区域，再将异常区域进行增强，将增强后的图像进行自适应阈值分割，得到目标异常区域，排除了由于图像中边缘模糊，或者由于异常区域对比度低对分割效果带来的影响。
下面结合附图具体的说明本发明所提供的一种基于CT影像的喉部病变异常区域分割系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于CT影像的喉部病变异常区域分割系统的系统框图，该系统包括以下模块：
数据获取模块10，用于获取喉部图像。
采集喉部CT图像作为喉部图像，该喉部图像为灰度图像。
第一数据处理模块20，用于根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值；基于邻域突变值对像素点进行聚类，得到异常类别。
如果直接对喉部图像进行分割，容易导致喉部图像中出现区域分割丢失的现象出现。通过大津法进行预分割处理时的自适应阈值为155，该二值图像中出现区域分割丢失的现象。故采用大津阈值自适应的方法对图像进行二值化处理时，获得的图像分割效果不理想，故本发明考虑先对喉部图像中出现病变的异常区域进行分段线性增强，再对增强后的图像进行分割。
由于异常区域与图像背景存在着较大的灰度值差别，对灰度值特征进行分析，可以通过设置一个滑窗对图像进行遍历，筛选出异常区域的像素点的灰度值区间。由于异常区域与图像背景灰度值差异较大，故滑动滑窗对滑窗进行分析计算中心像素点与其邻域像素点的均值差，筛选出异常区域的像素点。在本发明实施例中设定滑窗的大小为3*3，滑窗的滑动步长为1，滑动滑窗对喉部图像中所有像素点进行遍历，在其他实施例中可由实施者根据实际情况调整滑窗的大小和滑窗的滑动步长。
首先，根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值。具体的：将喉部图像中各像素点与邻域内各像素点的灰度差值的均值作为邻域突变值。
该邻域突变值的计算公式为：
其中，
为第i个像素点的邻域突变值；/>
为第i个像素点的像素值；/>
为第i个像素点的邻域内第s个像素点的像素值；/>
为像素点的邻域内的像素点数量。在本发明实施例中G考虑各像素点与其对应的八邻域内各像素点的灰度差异，故G的取值为8，在其他实施例中可由实施者根据实际情况调整该邻域内的像素点数量。
该邻域突变值反映了像素点与其邻域内像素点的灰度值的差异，当邻域突变值较小时，反映滑窗当前所遍历的窗口内的像素点的灰度值差异较小，当邻域突变值较大时，反映滑窗当前所遍历的窗口内的像素点的灰度值差异较大。窗口内像素点的灰度值差异越大，则对应的邻域突变值越大，该滑窗窗口的中心点越有可能属于异常区域的像素点。
进一步的，基于邻域突变值对像素点进行聚类，得到异常类别。由于要通过分析像素点差值来判断像素点是否属于异常点，故可以通过分析邻域突变值来判断像素点是否属于异常点。在本发明实施例中通过K-means聚类算法对邻域突变值进行聚类，其中K的取值为2，也即聚类后得到两个类别，在其他实施例中可通过其他聚类算法基于邻域突变值对像素点进行聚类。需要说明的是，K-means聚类算法是是通过样本之间的距离对数据集内的样本进行聚类，在本发明实施例中是基于邻域突变值对像素点进行聚类，也可以说是将邻域突变值作为样本之间的距离，实现对多个像素点进行聚类。在得到两个类别后，将两个类别中各邻域突变值的均值最大的类别作为异常类别。
第二数据处理模块30，用于由所述异常类别构建初始异常区域；根据所述初始异常区域内各像素点的梯度方向筛选出异常像素点。
作为本发明的一个实施例可以连接属于异常类别内的像素点，将异常类别内的像素点构成的连通域作为初始异常区域，也可以说是连接异常类别内的像素点得到对应的连通域，将连通域作为初始异常区域。需要说明的是由于异常类别内的像素点是基于像素点对应的邻域突变值得到的，故存在将异常病变区域最外圈的背景像素点也划分至异常类别中，该异常区域中包括异常类别内的像素点构成的连通域，还包括异常类别内的像素点构成的连通域内的像素点。
作为本发明的另一个实施例，可以获取异常类别内所有像素点所构成的像素值范围，也即获取异常类别内像素点的最大像素值和最小像素值，由最小像素值和最大像素值构成对应的像素值范围，将喉部图像中属于像素值范围的像素点均作为待选异常像素点，由该待选异常像素点构成的区域作为初始异常区域。需要说明的是，由于异常类别内是根据邻域突变值划分的，故异常病变区域最外圈的背景像素点也可能会划分至异常类别中，因为最外圈的背景像素点和其对应的邻域内的像素点的灰度差异也较大，灰度变化较为明显，所以由异常类别得到的像素值范围进行得到对应的初始异常区域，其中该像素值范围是较大的，得到的初始异常区域内的像素点有很大概率不属于喉部图像中的异常的病变区域，故像素值范围得到初始异常区域，实现对喉部图像中的异常区域的第一次筛选的筛选效果没有直接连接异常类别内的像素点构成初始异常区域好。
得到的初始异常区域内可能包含了正常的背景区域的像素点，故进一步的对得到的初始异常区域进行修正。也即根据由异常类别构建的初始异常区域，进一步确定初始异常区域内的异常像素点。
由于异常的病变区域与正常的背景区域之间的灰度值差异较大，故可根据由sobel算子得到的初始异常区域内各像素点的梯度方向对初始异常区域进行进一步的修正，也即根据初始异常区域内各像素点的梯度方向筛选出异常像素点。需要说明的是，由sobel算子得到像素点梯度方向为本领域技术人员的公知技术，在此不再进行赘述。
由于异常区域通常位于喉前庭部位，故获取预设喉前庭区域的中心点，需要说明的是，在本发明实施例中喉前庭区域为提前人为设定的预设区域。连接初始异常区域内各像素点到预设喉前庭区域的中心点，得到连接线。获取连接线和水平向右方向的夹角，作为第一夹角；获取梯度方向和水平向右方向的夹角，作为第二夹角；将第一夹角和第二夹角的差值绝对值作为筛选角度。当所述筛选角度对应的余弦值大于或等于预设阈值时，将筛选角度对应的初始异常区域内的像素点作为异常像素点。在本发明实施例中预设阈值的取值为0.5，在其他实施例中实施者可根据实际情况调整该取值。在[0°,180°]的区间范围内，筛选角度越大，则对应的余弦值越小，则对应的像素点对应的梯度方向越偏离像素点指向喉前庭区域的中心点的方向，故对应的像素点为异常像素点的概率较小。反之，筛选角度越小，则对应的余弦值越小，则对应的像素点对应的梯度方向越靠近像素点指向喉前庭区域的中心点的方向。
实现通过对初始异常区域筛选出异常像素点的目的。
异常区域分割模块40，用于对所述异常像素点构成的异常区域进行增强，得到增强喉部图像；对所述增强喉部图像进行图像分割，得到目标异常区域。
在得到异常区域之后，获取异常区域的灰度值区间范围，利用分段线性拉伸算法对异常区域进行增强，也即利用分段线性拉伸算法，对异常区域进行增强，得到增强喉部图像。需要说明的是，对于异常区域是利用分段线性拉伸算法进行增强，对非异常区域不再进行图像增强的操作，目的是为了更进一步的区分出异常的病变区域和正常的背景区域。在利用分段线性拉伸算法对异常区域进行增强时，自变量为增强前异常区域内像素点的灰度值，自变量的取值范围为异常区域的灰度值区间范围，因变量则为增强后的异常区域内像素点的灰度值，分段线性拉伸算法中的斜率为拉伸系数，在本发明实施例中设定拉伸系数大于1，具体的拉伸系数的取值由实施者根据实际情况进行限定，设定拉伸系数大于1的目的是使得增强后增强喉部图像的对比度更强，使得增强后的异常区域的边缘更加完整，其增强后的异常区域和正常的背景区域的区别更大。
由于对原始的喉部图像进行预分割处理，得到的异常区域的边缘容易丢失，出现不完整的情况，对原始的喉部图像进行预分割处理会影响喉部病变区域的观察结果。而通过本发明的操作实现对喉部图像中异常区域的增强，得到增强喉部图像，对增强后对应的增强喉部图像进行异常的病变区域的自适应分割，会得到更准确的目标异常区域。
综上所述，本发明涉及图像处理技术领域。本系统结合喉部图像中像素点的灰度值特征，筛选出初始异常区域，再对初始异常区域进行梯度方向分析后，确定异常像素点并得到异常区域，再将异常区域进行增强，将增强后的图像进行自适应阈值分割，得到目标异常区域，排除了由于图像中边缘模糊，或者由于异常区域对比度低对分割效果带来的影响。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种基于CT影像的喉部病变异常区域分割系统，其特征在于，该系统包括以下模块：
数据获取模块，用于获取喉部图像；
第一数据处理模块，用于根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值；基于邻域突变值对像素点进行聚类，得到异常类别；
第二数据处理模块，用于由所述异常类别构建初始异常区域；根据所述初始异常区域内各像素点的梯度方向筛选出异常像素点；
异常区域分割模块，用于对所述异常像素点构成的异常区域进行增强，得到增强喉部图像；对所述增强喉部图像进行图像分割，得到目标异常区域。
2.根据权利要求1所述的一种基于CT影像的喉部病变异常区域分割系统，其特征在于，所述根据所述喉部图像中各像素点与邻域内像素点的灰度差异，得到邻域突变值，包括：
将喉部图像中各像素点与邻域内各像素点的灰度差值的均值作为邻域突变值。
3.根据权利要求1所述的一种基于CT影像的喉部病变异常区域分割系统，其特征在于，所述基于邻域突变值对像素点进行聚类，得到异常类别，包括：
基于像素点对应的邻域突变值，利用K-means聚类算法对像素点进行聚类，得到两个类别；将两个类别中各邻域突变值的均值最大的类别作为异常类别。
4.根据权利要求1所述的一种基于CT影像的喉部病变异常区域分割系统，其特征在于，所述由所述异常类别构建初始异常区域，包括：
连接异常类别内的像素点得到连通域，将所述连通域作为初始异常区域。
5.根据权利要求1所述的一种基于CT影像的喉部病变异常区域分割系统，其特征在于，所述根据所述初始异常区域内各像素点的梯度方向筛选出异常像素点，包括：
连接初始异常区域内各像素点到预设喉前庭区域的中心点，得到连接线；获取连接线和水平向右方向的夹角，作为第一夹角；获取梯度方向和水平向右方向的夹角，作为第二夹角；将第一夹角和第二夹角的差值绝对值作为筛选角度；
当所述筛选角度对应的余弦值大于或等于预设阈值时，将筛选角度对应的初始异常区域内的像素点作为异常像素点。
6.根据权利要求1所述的一种基于CT影像的喉部病变异常区域分割系统，其特征在于，所述对所述异常像素点构成的异常区域进行增强，得到增强喉部图像，包括：
利用分段线性拉伸算法，对异常区域进行增强，得到增强喉部图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551300.8A CN116309649A (zh) | 2023-05-17 | 2023-05-17 | 一种基于ct影像的喉部病变异常区域分割系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551300.8A CN116309649A (zh) | 2023-05-17 | 2023-05-17 | 一种基于ct影像的喉部病变异常区域分割系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116309649A true CN116309649A (zh) | 2023-06-23 |
Family
ID=86796265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310551300.8A Withdrawn CN116309649A (zh) | 2023-05-17 | 2023-05-17 | 一种基于ct影像的喉部病变异常区域分割系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309649A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703888A (zh) * | 2023-07-28 | 2023-09-05 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN117541800A (zh) * | 2024-01-10 | 2024-02-09 | 深圳因赛德思医疗科技有限公司 | 基于喉镜影像的喉部异常部位分割方法 |
| CN117893530A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳市弘启健康管理有限公司 | 一种基于人工智能的喉部影像分析系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663562A (zh) * | 2022-03-29 | 2022-06-24 | 江苏元贞智能科技有限公司 | 基于人工智能和模式识别的中间画图像优化方法及系统 |
| CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
| CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
| CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
| CN115937209A (zh) * | 2023-01-09 | 2023-04-07 | 武汉楚精灵医疗科技有限公司 | 鼻咽喉镜图像异常的识别方法及装置 |
-
2023
- 2023-05-17 CN CN202310551300.8A patent/CN116309649A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663562A (zh) * | 2022-03-29 | 2022-06-24 | 江苏元贞智能科技有限公司 | 基于人工智能和模式识别的中间画图像优化方法及系统 |
| CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
| CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
| CN115937209A (zh) * | 2023-01-09 | 2023-04-07 | 武汉楚精灵医疗科技有限公司 | 鼻咽喉镜图像异常的识别方法及装置 |
| CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 武振宇;白培瑞;刘艺炜;任延德;: "基于模糊区域对比度增强的肺实质鲁棒分割", 生物医学工程研究, no. 02, pages 153 - 158 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703888A (zh) * | 2023-07-28 | 2023-09-05 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN116703888B (zh) * | 2023-07-28 | 2023-10-20 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN117541800A (zh) * | 2024-01-10 | 2024-02-09 | 深圳因赛德思医疗科技有限公司 | 基于喉镜影像的喉部异常部位分割方法 |
| CN117541800B (zh) * | 2024-01-10 | 2024-04-09 | 深圳因赛德思医疗科技有限公司 | 基于喉镜影像的喉部异常部位分割方法 |
| CN117893530A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳市弘启健康管理有限公司 | 一种基于人工智能的喉部影像分析系统 |
| CN117893530B (zh) * | 2024-03-14 | 2024-06-04 | 中国医科大学附属第一医院 | 一种基于人工智能的喉部影像分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116309649A (zh) | 一种基于ct影像的喉部病变异常区域分割系统 | |
| CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
| CN101710425B (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
| CN116416166B (zh) | 一种肝活检数据分析方法及系统 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN112862832B (zh) | 一种基于同心圆分割定位的脏污检测方法 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN101739667B (zh) | 基于非下采样轮廓波变换的遥感图像道路增强方法 | |
| CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
| CN115797352A (zh) | 一种用于中医保健体质检测的舌象图像处理系统 | |
| CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
| CN116703754A (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
| CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
| CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及系统 | |
| CN116152225B (zh) | 一种电感触摸屏生产工艺调节方法及系统 | |
| CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
| CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
| CN113940702A (zh) | 一种甲状腺结节回声分析装置 | |
| CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
| Gandikota et al. | Pixel Noise Localization Algorithm for Indian Satellite Data Quality Control: A Novel Approach | |
| CN113487569A (zh) | 基于频域和空域结合的复杂背景图像缺陷检测方法及系统 | |
| CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 | |
| CN117557785B (zh) | 一种基于图像处理的远距离渔船船牌识别方法 | |
| CN117541800B (zh) | 基于喉镜影像的喉部异常部位分割方法 | |
| CN117372937B (zh) | 一种基于指针仪表的数据读取方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |