CN116503392A - 一种用于卵巢组织分析的卵泡区域分割方法 - Google Patents
一种用于卵巢组织分析的卵泡区域分割方法 Download PDFInfo
- Publication number
- CN116503392A CN116503392A CN202310752299.5A CN202310752299A CN116503392A CN 116503392 A CN116503392 A CN 116503392A CN 202310752299 A CN202310752299 A CN 202310752299A CN 116503392 A CN116503392 A CN 116503392A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray level
- gray
- pixel
- ultrasonic
- 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 45
- 230000003325 follicular Effects 0.000 title claims abstract description 28
- 230000002611 ovarian Effects 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 title abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000001672 ovary Anatomy 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 206010033307 Overweight Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003250 oocyst Anatomy 0.000 description 1
- 230000016087 ovulation Effects 0.000 description 1
- 230000027758 ovulation cycle Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种用于卵巢组织分析的卵泡区域分割方法,包括:获取超声灰度图以及边缘超声图像;获取边缘超声图像每个像素点的查找窗口即凸包连通域,根据像素点的灰度值以及凸包连通域的面积得到像素点的增强权重;获取超声灰度图的直方图及累计分布值,根据灰度级的累计分布值、像素点的增强权重和灰度值得到像素点的调整分布值;根据调整分布值对超声灰度图进行增强;将增强后的超声灰度图进行分割,完成卵泡区域的分割。本发明实现了对卵泡区域与非卵泡区域的差异化增强,有利用通过神经网络得到稳定准确的卵泡分割效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于卵巢组织分析的卵泡区域分割方法。
背景技术
卵泡分割技术是近年来在医学成像技术中的一项重要研究内容,它以其在生殖医学领域的应用而备受推崇。卵泡的形态和数量是诊断妇科疾病和辅助生殖技术中非常关键的因素。通过对卵泡数量、排卵期和卵泡大小的监测,可以有效地预测卵巢功能和月经周期,从而帮助医生诊断和治疗妇科疾病。然而,目前的卵泡分割技术存在许多局限性和挑战。卵泡在形态和大小上具有很大的差异性,而且卵泡与周围组织的颜色和亮度也存在差异,这些因素都会影响卵泡分割的精度和效率。因此,开发一种准确、高效的卵泡分割技术对于促进妇科疾病的诊断和辅助生殖技术的发展具有重要意义。
现有的卵泡分割方法多采用深度学习的方法进行卵泡分割,但是深度学习在对卵泡图像进行分割时,由于深度学习的特性,其分割准确率依赖训练集的质量,而卵泡的超声影像在成像时有可能卵泡的局部边界成像效果不明显,导致作为深度学习训练集时,在对神经网络训练中产生干扰,从而使得不能有效的识别得到较好卵泡分割效果。进而为了解决上述问题,本方案提出了一种用于卵巢组织分析的卵泡区域分割方法,通过对神经网络训练集图像进行图像增强,使得卵泡的有效特征明显,降低训练集数据的噪声干扰,以提高神经网络的识别分割准确率。
发明内容
本发明提供一种用于卵巢组织分析的卵泡区域分割方法,以解决卵泡的局部边界成像效果不明显的问题,所采用的技术方案具体如下:
本发明一个实施例一种用于卵巢组织分析的卵泡区域分割方法,该方法包括以下步骤:
获取超声灰度图以及边缘超声图像;
获取边缘超声图像每个像素点的查找窗口,根据查找窗口获取凸包连通域,根据每个像素点的灰度值以及对应查找窗口的凸包连通域的面积得到每个像素点的增强权重;
获取超声灰度图的直方图,根据直方图灰度级的对应的像素点数量得到直方图每个灰度级的累计分布值,根据灰度级的累计分布值、像素点的增强权重和灰度值得到每个像素点的调整分布值;根据调整分布值对超声灰度图进行增强;
将增强后的超声灰度图利用神经网络进行分割,完成卵泡区域的分割。
优选的,所述根据查找窗口获取凸包连通域的方法为:
获取查找窗口内所有边缘像素点的坐标值,根据所有边缘像素点的坐标值使用凸包检测算法,得到边缘超声图像中每个像素点的查找窗口内边缘像素点对应的凸包连通域。
优选的,所述根据每个像素点的灰度值以及对应查找窗口的凸包连通域的面积得到每个像素点的增强权重的方法为:
式中,表示第i个像素点的灰度值,表示第i个像素点对应的查找窗口内凸包
连通域的面积,exp()表示以自然常数为底的指数函数,表示线性归一化函数,表
示第i个像素点为卵泡像素点的可能性并将其作为增强权重。
优选的,所述根据直方图灰度级的对应的像素点数量得到直方图每个灰度级的累计分布值的方法为:
将直方图中每个灰度级对应的像素点数量和所有像素点的总数之比作为每个灰度级的出现概率,依次将每个灰度级记为标准灰度级,将比当前标准灰度级小的灰度级的出现概率以及当前标准灰度级自身的出现概率进行累加得到当前标准灰度级的累计分布值。
优选的,所述根据灰度级的累计分布值、像素点的增强权重和灰度值得到每个像素点的调整分布值的方法为:
将超声灰度图中每个像素点记为标准像素点,将标准像素点的灰度值比上标准像素点的增强权重,将得到的比值作为调整权重,将每个像素点的调整权重和每个像素点对应灰度级的累计分布值相乘得到每个像素点的调整分布值。
优选的,所述根据调整分布值对超声灰度图进行增强的方法为:
将每个像素点的调整分布值进行线性归一化,将归一化后的值和255相乘得到每个像素点直方图均衡化后的灰度值,将所有像素点都根据其对应的调整分布值进行直方图均衡化完成对超声灰度图的增强。
本发明的有益效果是:本发明相对于现有技术的好处在于:通过预估各个像素点对应的属于卵泡的可能性,根据各个卵泡的可能性结合直方图均衡化进行单个像素点的灰度增强,实现了对卵泡区域与非卵泡区域的差异化增强,有利用通过神经网络得到稳定准确的卵泡分割效果。
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为本发明一个实施例所提供的一种用于卵巢组织分析的卵泡区域分割方法的流程示意图;
图2为边缘超声图像示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的一种用于卵巢组织分析的卵泡区域分割方法流程图,该方法包括以下步骤:
步骤S001,使用图像采集设备获取超声灰度图。
正常卵巢呈扁椭圆形,由外至内分为皮质及髓质,皮质内可见多个大小不等的卵泡无回声,髓质通常呈低回声或等回声。使用超声波图像采集设备采集卵巢的图像,超声波设备使用彩色多普勒超声检查获取图像,对获取到的图像使用加权平均值法进行灰度化得到超声灰度图。
至此,获得了超声灰度图。
步骤S002,获取边缘超声图像,对每个像素点设置查找窗口,根据像素点灰度值和查找窗口内凸包连通域面积得到每个像素点的增强权重。
超声灰度图中,卵泡为黑色区域,而噪声可能为黑色区域,可能为白色区域,但是卵泡由于其更像一个球状,由于卵泡为组织比较密集的部分,所以是一个超声无法超透的声影,在超声成像中卵泡的内部为相对均匀的黑色区域,进而对其进行边缘检测时,卵泡内部无边缘或者较少的边缘,但是卵泡边界的大部分位置会有比较好的边缘效果。而背景区域则由于组织比较容易穿透,并且存在其他组织,导致该区域的灰度分布中灰度变化较大,从而使得在其进行边缘检测时,边缘效果较为复杂。
首先使用canny算子边缘检测算法,对超声灰度图进行边缘检测,得到边缘超声图
像,如图2所示,为了获取边缘超声图像上每个像素点属于卵泡的增强权重,对于每一个像
素点建立一个大小的窗口记为查找窗口,对于本实施例所选择的查找窗口的大小,实施者可根据具体实施场景进行调整。
在边缘超声图像中,边缘复杂性越强的区域,属于卵泡可能性的概率就越低,即查找窗口内属于边缘像素点的数量越多,查找窗口内的边缘复杂性越高。
但是由于不同查找窗口所在位置不同,有的接近于卵泡,即部分卵泡区域在查找窗口中,这样即使存在较少的边缘,且具有较低的灰度,也不能说明该像素点为卵泡像素点。
因此本实施例获取每个边缘超声图像中每个像素点对应的查找窗口内边缘像素点的坐标值,根据所有边缘像素点的坐标值使用凸包检测算法,得到边缘超声图像中每个像素点的查找窗口内边缘像素点对应的凸包连通域,根据凸包连通域使用连通域提取算法获得每个查找窗口内的凸包连通域对应的面积,其中面积越大,则表示边缘像素点之间的位置越分散,则对应的边缘复杂性越高。使用凸包检测算法后,每个查找窗口内只存在一个凸包连通域,凸包检测算法和连通域提取算法都为公知技术,在此不多做赘述。
根据每个像素点的灰度值以及该像素点的查找窗口内凸包连通域的面积获取该像素点是卵泡像素点的可能性,公式如下:
式中,表示第i个像素点的灰度值,表示第i个像素点对应的查找窗口内凸包
连通域的面积,exp()表示以自然常数为底的指数函数,表示线性归一化函数,表
示第i个像素点为卵泡像素点的可能性并将其作为增强权重。
其中,越大,说明边缘超声图像中第i个像素点越有可能是边缘像素点,属于卵
泡像素点的可能性越小,越大,表示第i个像素点对应的查找窗口内所有边缘像素点的分
布越分散,及其边缘复杂度越高,进而第i个像素点属于卵泡像素点的可能性越低,如果第i
个像素点对应的查找窗口内不存在边缘像素点,则,由于可能存在为0的情况,所
以对采用exp(x)函数进行拉伸,使得时,。因此得到了像素点是卵泡像
素点的可能性,该值越大,像素点为卵泡像素点的可能性越大,增强权重越大。
至此,获得每个像素点的增强权重。
步骤S003,获取超声灰度图的直方图,获取累计分布值,根据增强权重和累计分布值得到调整分布值,根据调整分布值对超声灰度图进行增强。
由于卵泡为低灰度区域,进而对于低权低灰度的才应该被增强,对于高权低灰度的才应该被削弱,对于超声灰度图进行直方图均衡可以将更低的增强权重凸显出来,然而常规直方图均衡化过程为对整个图像所有灰度依据其占比比重进行拉伸。导致并不能保证具有低增强权重的数据能够得到较好的增强结果。因此对于具有低增强权重的像素点,在直方图增强时,应当具有更低的灰度值,在具有高增强权重的像素点,在直方图增强时,应当具有更高的灰度值。
获取直方图中每个灰度级的出现概率,即每个灰度级像素点数量比上所有像素点的数量,对于每个灰度级记为标准灰度级,将比标准灰度级小的灰度级的出现概率以及标准灰度级自身的出现概率进行累加得到标准灰度级的累计分布值,基于此得到每个灰度级的累计分布值,常规的直方图均衡化为累计分布值和255相乘作为均衡后的灰度级,其中255为灰度级的上限值,在本实施例中,根据每个灰度级的累计分布值和像素点的灰度值以及增强权重获取调整分布值,公式入下:
式中,表示为超声灰度图第m个像素点对应的灰度级的累计分布值,表示超
声灰度图第m个像素点的灰度值,表示超声灰度图第m个像素点的增强权重,表示第m
个像素点放入调整分布值。
累计分布值的值越大,表示超声灰度图中同灰度的像素点个数越多,为正常直方图均衡化权重,每个像素点的灰度值越小说明该像素点越有可能对应卵泡像素点,增强权重的值越大,说明该像素点越有可能是卵泡像素点。进而如果第m个像素点对应的增强权重大,第m个像素点对应的灰度值低,则可以对累计分布值进行调整,降低累计分布值,使得卵泡像素点的概率值偏低,从而使得卵泡区域明显。
根据每个像素点得到的调整分布值,将其进行线性归一化,将归一化后的调整分布值和255相乘,若所得到的值为整数,则值不变,若所得到的值为小数,则将该值圆整到离它最近的整数,若得到的值距离其最近的两个整数相同,则将该值圆整到偶数。
将所有像素点根据调整分布值进行直方图均衡增强后完成超声灰度图的增强。
至此,得到了增强后的超声灰度图。
步骤S004,根据增强后的超声灰度图利用神经网络训练,完成卵泡分割。
在得到增强后的超声灰度图后,本实施例选择采用U-net神经网络进行卵泡影像分割模型的训练,其中U-net神经网络训练过程为公知内容,本方案不在赘述。由于U-net神经网络分割时为像素级分割,所以在进行卵泡标注时,进行像素级标注,将属于卵泡的像素点标记为1,背景像素点标记为0,标注后采用onehot编码的方式进行编码,其中标注过程由具有相关经验的人员进行数据标注。进而将标注完成的数据集用于U-net网络训练。进而之后可以将采集到的新的增强后的超声灰度图,经本方案的增强后,输入到训练完成的U-net神经网络训练中,完成卵泡分割。
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 (6)
1.一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,该方法包括以下步骤:
获取超声灰度图以及边缘超声图像;
获取边缘超声图像每个像素点的查找窗口,根据查找窗口获取凸包连通域,根据每个像素点的灰度值以及对应查找窗口的凸包连通域的面积得到每个像素点的增强权重;
获取超声灰度图的直方图,根据直方图灰度级的对应的像素点数量得到直方图每个灰度级的累计分布值,根据灰度级的累计分布值、像素点的增强权重和灰度值得到每个像素点的调整分布值;根据调整分布值对超声灰度图进行增强;
将增强后的超声灰度图利用神经网络进行分割,完成卵泡区域的分割。
2.根据权利要求1所述的一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据查找窗口获取凸包连通域的方法为:
获取查找窗口内所有边缘像素点的坐标值,根据所有边缘像素点的坐标值使用凸包检测算法,得到边缘超声图像中每个像素点的查找窗口内边缘像素点对应的凸包连通域。
3.根据权利要求1所述的一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据每个像素点的灰度值以及对应查找窗口的凸包连通域的面积得到每个像素点的增强权重的方法为:
式中,/>表示第i个像素点的灰度值,/>表示第i个像素点对应的查找窗口内凸包连通域的面积,exp()表示以自然常数为底的指数函数,/>表示线性归一化函数,/>表示第i个像素点为卵泡像素点的可能性并将其作为增强权重。
4.根据权利要求1所述的一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据直方图灰度级的对应的像素点数量得到直方图每个灰度级的累计分布值的方法为:
将直方图中每个灰度级对应的像素点数量和所有像素点的总数之比作为每个灰度级的出现概率,依次将每个灰度级记为标准灰度级,将比当前标准灰度级小的灰度级的出现概率以及当前标准灰度级自身的出现概率进行累加得到当前标准灰度级的累计分布值。
5.根据权利要求1所述的一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据灰度级的累计分布值、像素点的增强权重和灰度值得到每个像素点的调整分布值的方法为:
将超声灰度图中每个像素点记为标准像素点,将标准像素点的灰度值比上标准像素点的增强权重,将得到的比值作为调整权重,将每个像素点的调整权重和每个像素点对应灰度级的累计分布值相乘得到每个像素点的调整分布值。
6.根据权利要求1所述的一种用于卵巢组织分析的卵泡区域分割方法,其特征在于,所述根据调整分布值对超声灰度图进行增强的方法为:
将每个像素点的调整分布值进行线性归一化,将归一化后的值和255相乘得到每个像素点直方图均衡化后的灰度值,将所有像素点都根据其对应的调整分布值进行直方图均衡化完成对超声灰度图的增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752299.5A CN116503392B (zh) | 2023-06-26 | 2023-06-26 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752299.5A CN116503392B (zh) | 2023-06-26 | 2023-06-26 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503392A true CN116503392A (zh) | 2023-07-28 |
CN116503392B CN116503392B (zh) | 2023-08-25 |
Family
ID=87323443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752299.5A Active CN116503392B (zh) | 2023-06-26 | 2023-06-26 | 一种用于卵巢组织分析的卵泡区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503392B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883293A (zh) * | 2023-09-08 | 2023-10-13 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN116912255A (zh) * | 2023-09-14 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN117392165A (zh) * | 2023-12-12 | 2024-01-12 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
CN117455779A (zh) * | 2023-12-22 | 2024-01-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
CN117575977A (zh) * | 2024-01-17 | 2024-02-20 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN111192251A (zh) * | 2019-12-30 | 2020-05-22 | 上海交通大学医学院附属国际和平妇幼保健院 | 基于水平集图像分割的卵泡超声处理方法和系统 |
CN111281430A (zh) * | 2018-12-06 | 2020-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、设备及可读存储介质 |
CN115813433A (zh) * | 2021-09-17 | 2023-03-21 | 深圳迈瑞生物医疗电子股份有限公司 | 基于二维超声成像的卵泡测量方法和超声成像系统 |
-
2023
- 2023-06-26 CN CN202310752299.5A patent/CN116503392B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN111281430A (zh) * | 2018-12-06 | 2020-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、设备及可读存储介质 |
CN111192251A (zh) * | 2019-12-30 | 2020-05-22 | 上海交通大学医学院附属国际和平妇幼保健院 | 基于水平集图像分割的卵泡超声处理方法和系统 |
CN115813433A (zh) * | 2021-09-17 | 2023-03-21 | 深圳迈瑞生物医疗电子股份有限公司 | 基于二维超声成像的卵泡测量方法和超声成像系统 |
Non-Patent Citations (1)
Title |
---|
王逸飞: ""MR图像中的椎块分割算法研究"", 《医药卫生科技辑》, pages 1 - 6 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883293A (zh) * | 2023-09-08 | 2023-10-13 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN116883293B (zh) * | 2023-09-08 | 2023-11-17 | 青岛云智霄凡科技有限公司 | 一种用于神经麻醉穿刺的图像增强处理方法 |
CN116912255A (zh) * | 2023-09-14 | 2023-10-20 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN116912255B (zh) * | 2023-09-14 | 2023-12-19 | 济南宝林信息技术有限公司 | 一种用于卵巢组织分析的卵泡区域分割方法 |
CN117392165A (zh) * | 2023-12-12 | 2024-01-12 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
CN117392165B (zh) * | 2023-12-12 | 2024-02-23 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
CN117455779A (zh) * | 2023-12-22 | 2024-01-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
CN117455779B (zh) * | 2023-12-22 | 2024-03-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
CN117575977A (zh) * | 2024-01-17 | 2024-02-20 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
CN117575977B (zh) * | 2024-01-17 | 2024-04-02 | 锦恒科技(大连)有限公司 | 一种用于卵巢组织分析的卵泡区域增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116503392B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503392B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
Chang et al. | Thyroid segmentation and volume estimation in ultrasound images | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN110516759B (zh) | 一种基于机器学习的软组织肉瘤转移风险预测系统 | |
WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN115359052A (zh) | 基于聚类算法的医疗影像增强方法 | |
CN113239951B (zh) | 超声乳腺病灶的分类方法、装置及存储介质 | |
CN116152505A (zh) | 基于x光数据的骨骼目标识别分割方法 | |
CN113066093A (zh) | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 | |
CN112001894B (zh) | 一种甲状腺边界平滑度检测装置 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN113011514B (zh) | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
CN116030063B (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
Bhateja et al. | A reduced reference distortion measure for performance improvement of smart cameras | |
CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和系统 | |
CN116452523A (zh) | 一种超声图像质量量化评价方法 | |
CN113744798B (zh) | 组织样本的分类方法、装置、设备和存储介质 | |
US20100111398A1 (en) | Method and system for detection of oral sub-mucous fibrosis using microscopic image analysis of oral biopsy samples | |
Arnold et al. | Indistinct frame detection in colonoscopy videos | |
CN112001896B (zh) | 一种甲状腺边界不规则度检测装置 |
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 |