CN116883281A - 一种用于图像引导放疗的影像呈像画质增强系统和方法 - Google Patents
一种用于图像引导放疗的影像呈像画质增强系统和方法 Download PDFInfo
- Publication number
- CN116883281A CN116883281A CN202310868341.XA CN202310868341A CN116883281A CN 116883281 A CN116883281 A CN 116883281A CN 202310868341 A CN202310868341 A CN 202310868341A CN 116883281 A CN116883281 A CN 116883281A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- enhancement
- radiotherapy
- radiation therapy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 77
- 238000003384 imaging method Methods 0.000 title claims description 18
- 238000012545 processing Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000003902 lesion Effects 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 92
- 238000001914 filtration Methods 0.000 claims description 19
- 238000009877 rendering Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000002786 image-guided radiation therapy Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 10
- 210000003484 anatomy Anatomy 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 206010028980 Neoplasm Diseases 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000002600 positron emission tomography Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000001225 therapeutic effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/10—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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种影像呈像画质增强系统，具体的说一种用于图像引导放疗的影像呈像画质增强系统和方法。包括：图像采集装置，用于采集放射治疗过程中的影像；预处理模块，用于对采集的影像进行去噪处理和图像增强处理；显示装置，用于显示经过处理的影像；控制装置，用于控制图像采集装置、预处理模块和显示装置的工作。所述图像采集装置为X射线摄像装置。所述预处理模块包括噪点去除模块和图像增强模块。本系统具有提高图像质量和对比度、增强病灶可见度、自适应的图像增强、实时和交互式操作以及可视化辅助工具等益处和有益效果。这些优点为放疗过程提供了更准确、高效和个性化的图像引导，并提升了治疗结果的质量和精确性。
Description
技术领域
本发明涉及一种影像呈像画质增强系统。具体的说一种用于图像引导放疗的影像呈像画质增强系统和方法。
背景技术
在图像引导放疗中，准确的影像呈像对于确定病灶位置、计划和监测放疗过程至关重要。然而，由于多种因素，例如噪声、运动伪影、束线伪影等，放疗图像中的细节和对比度可能会降低，导致难以准确定位和评估病灶。为了解决这些问题，研究人员引入了影像呈像画质增强系统和方法。然而目前用于图像引导放疗的影像呈像画质增强系统在提高图像质量和对比度方面取得了显著的进展，但仍存在一些弊端和不足：1. 技术依赖性：影像呈像画质增强系统和方法通常依赖于先进的图像处理算法和技术。这使得其在某些环境或设备上的应用可能受到限制。不同设备和图像采集过程可能导致图像质量和特征的差异，从而需要针对不同设备和环境进行特定的参数调整和优化。2. 算法选择和参数设置：选择合适的图像处理算法和参数设置对于影像呈像画质增强系统和方法的成功应用至关重要。然而，不同的图像特性和应用需求可能需要不同的算法和参数。在现实应用中，选择适当的算法和参数可能需要一定的经验和专业知识，这对于非专业操作者来说可能是一项挑战。3.过度增强和伪像：一些图像呈像画质增强方法可能存在过度增强图像的风险，导致图像中出现伪像或不真实的细节。过度增强可能造成医生对于病灶或解剖结构的错误判断，从而影响放疗的准确性和有效性。4. 潜在的计算资源需求：某些影像呈像画质增强方法可能需要大量的计算资源和处理时间，特别是在实时或大规模数据处理的情况下。这可能导致处理时间延迟和计算资源消耗的增加，对于实时性要求高的放疗过程可能存在挑战。5. 临床验证和采纳问题：虽然影像呈像画质增强系统和方法在研究和实验环境中取得了一定的成果，但其在临床实践中的验证和采纳仍需进一步的研究和临床试验。医疗设备和技术的引入需要遵循相应的临床验证和审批流程，确保其安全、有效和可接受性。
综上所述，目前的影像呈像画质增强系统和方法在图像引导放疗中存在一些弊端和不足，包括技术依赖性、算法选择和参数设置、过度增强和伪像、潜在的计算资源需求以及临床验证和采纳问题。
发明内容
本发明的目的是提供一种用于图像引导放疗的影像呈像画质增强系统和方法，该系统和方法旨在通过图像处理和增强算法，提高放疗图像的质量、对比度和清晰度。它们可以根据特定的应用需求和图像特性进行自动或交互式的调节，以提供更可靠的放疗引导和治疗计划。通常，这些系统和方法利用图像处理算法，如直方图均衡化、滤波、去噪和图像融合等，为医生提供更清晰、更准确的放疗图像。
此外，这些系统和方法还可能涵盖自适应调节的技术。例如，根据影像特征，系统可以自动选择或调整合适的图像处理算法和参数，以优化放疗图像的呈现并改善对病灶的可见度。这种自适应调节可以提供个性化和准确的图像引导放疗，使医生能够更好地决策和执行治疗计划。
本发明解决其上述的技术问题所采用以下的技术方案：一种用于图像引导放疗的影像呈像画质增强系统，其特征在于包括：图像采集装置，用于采集放射治疗过程中的影像；预处理模块，用于对采集的影像进行去噪处理和图像增强处理；显示装置，用于显示经过处理的影像；控制装置，用于控制图像采集装置、预处理模块和显示装置的工作。
进一步地，所述图像采集装置为X射线摄像装置。
进一步地，所述预处理模块包括噪点去除模块和图像增强模块。
进一步地，所述噪点去除模块采用滤波技术；所述图像增强模块采用直方图均衡化技术；
所述滤波技术包括以下一种或多种：
（1）、对影像中的每个像素点邻域内的像素值进行排序，然后取中间值作为噪点去除后的像素值；（2）、使用高斯函数对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（3）、基于信噪比的估计值，对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（4）、根据像素点邻域内的像素值变化情况，动态调整滤波器的参数；
所述直方图均衡化技术包括以下步骤：
S1、获取待增强图像的直方图；
S2、计算直方图的累积分布函数；
S3、根据累积分布函数对图像进行像素值映射，调整亮度分布；
S4、输出经过直方图均衡化处理后的增强图像；
所述直方图均衡化技术应用于灰度图像或彩色图像；
所述图像增强模块应用对比度增强、锐化滤波。
进一步地，所述控制装置通过人机界面与医生进行交互控制；所述控制装置包括图像处理算法，用于优化影像处理算法参数；所述采集放射治疗过程中的影像包括X射线影像、核磁共振影像、超声影像、正电子发射断层成像或其他医学影像；所述图像增强处理方法根据放射治疗过程中的图像特征进行自适应调节。
进一步地，所述的图像增强模块进一步包括用于辅助图像分析和医学决策的图像处理算法；所述的图像处理算法用于自动识别和标定重要的解剖结构或病变区域；其中所述的图像处理算法用于提取和量化图像特征，肿瘤体积、组织密度。
进一步地，其中所述的图像处理算法应用机器学习或深度学习技术进行模式识别和分类；所述的图像处理算法与实时的影像采集和处理过程进行集成；所述的图像处理算法进一步应用于基于图像的自动导航和定位系统；所述的图像处理算法应用于图像配准和图像融合；所述的图像采集装置、预处理模块、显示装置和控制装置通过网络进行远程访问和控制；所述的图像采集装置、预处理模块、显示装置和控制装置与其他影像引导放疗设备进行集成和共享。
进一步地，所述的图像增强处理方法根据图像特征进行自适应调节；下面是自适应调节步骤：
S1. 直方图均衡化自适应调节：通过调整图像的灰度分布来增强对比度；在放射治疗过程中，不同区域的图像特征和对比度分布能有所不同；通过自适应的方式调整直方图均衡化的方法和参数，使其根据图像特征自动调节；
S2. 自适应滤波：以增强感兴趣区域的细节；在放射治疗图像中，能存在不同区域的细节信息差异；通过自适应滤波，根据局部图像特征调整滤波器的大小、形状或强度，以保留和增强感兴趣区域的细节；
S3. 区域选择：在放射治疗图像中，医生能对特定区域或病变区域更感兴趣；通过自适应调节，针对这些区域实施更强的增强处理，以使其突出和清晰见。
进一步地，所述的图像配准和图像融合时，采用的图像处理算法包括特征提取、特征匹配、变换估计和图像合成步骤；以下是这些步骤的具体算法过程：
S1. 特征提取：从每幅图像中提取关键特征点或特征描述符；
S2. 特征匹配：对于每一对图像，使用特征匹配算法将相同的特征点或特征描述符在不同图像间进行匹配；
S3. 变换估计：使用匹配的特征点或特征描述符，通过变换估计算法来计算图像间的几何变换关系；
S4. 图像配准：根据估计的几何变换关系，将一个图像映射到另一个图像的坐标空间，实现图像的配准；
S5. 图像融合：根据配准后的图像，利用图像融合算法将多个图像合成为一幅融合图像。
一种用于图像引导放疗的影像呈像画质增强方法，包括以下步骤：
S1、采集放射治疗过程中的影像；
S2、对采集的影像进行去噪处理，去除噪点和伪影；
S3、进行图像增强处理，提高影像的对比度和清晰度；
S4、显示经过处理的影像，供医生观察和分析；
所述的S2和S3在实时性要求下进行；
所述的S1至S4循环进行，以实现连续的图像呈像画质增强。
本发明的可以提供有益效果：
1. 提高图像质量和对比度：该系统利用先进的图像处理算法和技术，可以显著提高放疗图像的质量和对比度。通过去除噪声、纠正伪影、增强细节等，图像的可视化效果得到明显改善。这有助于医生更准确地分析和解释放疗图像，提高放疗的效果和安全性。
2. 增强病灶可见度：通过影像呈像画质增强系统的应用，医生可以更清晰地观察和评估病灶。图像的改善使得医生可以更容易地确定和准确定位病变区域，从而制定更准确的治疗计划，更好地指导放疗的实施。
3. 自适应的图像增强：一些影像呈像画质增强系统具备自适应调节的能力，可以根据放疗图像的特征和区域进行个性化的图像增强处理。针对不同区域和病变特点的自适应增强可以更好地突出关键细节，提供更丰富的信息，帮助医生做出准确的治疗决策。
4. 实时和交互式操作：一些系统支持实时图像处理和交互式操作，医生可以根据需要实时调整图像处理参数和显示效果。这有助于医生在放疗过程中实时监控和调整治疗计划，提高治疗结果的实效性和精确性。
5. 可视化辅助工具：影像呈像画质增强系统常常配备各种可视化辅助工具，如图像融合、三维可视化等。这些工具可以提供更全面、直观的信息呈现，使医生能够更好地理解和分析放疗图像，从而做出更明智的放疗决策。
综上所述，用于图像引导放疗的影像呈像画质增强系统具有提高图像质量和对比度、增强病灶可见度、自适应的图像增强、实时和交互式操作以及可视化辅助工具等益处和有益效果。这些优点为放疗过程提供了更准确、高效和个性化的图像引导，并提升了治疗结果的质量和精确性。
附图说明
图1为本发明一种用于图像引导放疗的影像呈像画质增强系统流程图。
图2为本发明的直方图均衡化技术步骤流程图。
图3为本发明一种用于图像引导放疗的影像呈像画质增强方法流程图。
实施方式
下面结合附图1-3对本发明的具体实施方式做一个详细的说明。
实施例：一种用于图像引导放疗的影像呈像画质增强系统，其特征在于包括：图像采集装置，用于采集放射治疗过程中的影像；预处理模块，用于对采集的影像进行去噪处理和图像增强处理；显示装置，用于显示经过处理的影像；控制装置，用于控制图像采集装置、预处理模块和显示装置的工作。
针对图像引导放疗中的影像呈像画质增强系统，采用X射线摄像装置作为图像采集装置，而X射线摄像装置作为图像采集装置，通过发射X射线束照射患者体表，然后使用感应器接收经体表穿透后的X射线，获取X射线图像。该装置具备较高的穿透能力和对比度，可用于对内部组织结构进行成像。
接下来，采集到的X射线图像需要通过影像呈像画质增强系统进行进一步处理。常见的图像处理算法包括去噪、图像增强、伪影校正等。这些算法可应用于X射线图像，以减少噪声、提高图像对比度和清晰度。
针对X射线摄像装置采集的图像，影像呈像画质增强系统还可以应用特定的增强技术。例如，利用X射线图像的物理特性，可以进行X射线补偿、散射校正等处理，以进一步优化图像的质量和可视化效果。
由于X射线对于骨骼具有较高的穿透能力，而对于软组织的成像效果相对较差，因此在影像呈像画质增强系统中，可以应用特定的算法和技术来增强骨骼和软组织的对比。例如，通过应用骨窗算法、组织窗算法等，可以增强不同组织结构之间的对比度，使医生更容易区分和识别不同的组织类型。
基于X射线摄像装置的图像采集，影像呈像画质增强系统可以支持实时监控和交互操作。医生可以通过实时观察和调整图像处理参数，优化放疗图像的可视化效果，准确评估放疗进展，并根据需要实时调整治疗计划。
上述的实施过程中，其预处理模块包括噪点去除模块和图像增强模块。
噪点去除模块采用滤波技术；图像增强模块采用直方图均衡化技术；
滤波技术包括以下一种或多种：
（1）、对影像中的每个像素点邻域内的像素值进行排序，然后取中间值作为噪点去除后的像素值；（2）、使用高斯函数对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（3）、基于信噪比的估计值，对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（4）、根据像素点邻域内的像素值变化情况，动态调整滤波器的参数，实现对不同噪声类型的去除；
直方图均衡化技术包括以下步骤：
S1、获取待增强图像的直方图；
S2、计算直方图的累积分布函数；
S3、根据累积分布函数对图像进行像素值映射，调整亮度分布；
S4、输出经过直方图均衡化处理后的增强图像；
直方图均衡化技术应用于灰度图像或彩色图像；
图像增强模块还应用其他增强技术，对比度增强、锐化滤波。
而影像呈像画质增强系统的控制装置具备：控制装置提供人机界面，通过该界面医生可以与系统进行交互控制。人机界面可以采用触摸屏、键盘、鼠标等交互设备，使医生能够直观地操作和控制系统。通过人机界面，医生可以进行参数设置、操作指令输入以及结果显示等。
控制装置包括一套优化影像处理算法的功能。医生可以通过人机界面调整图像处理算法的参数，以根据具体的应用需求和图像特征进行优化。这些参数可能包括去噪程度、对比度增强比例、边缘提取算子等。通过调整算法参数，医生可以实时观察图像处理结果，并根据需要进行微调，以改善图像质量和对比度。
该控制装置可以具备自适应优化的能力。通过监测图像特征和实时反馈，系统可以自动调整图像处理算法的参数，以适应不同的图像特征和应用场景。自适应优化可确保图像处理算法在不同情况下的性能最佳化，提供更准确和一致的图像呈像结果。
控制装置可以接收处理后的图像数据，并将其实时显示给医生。这样，医生可以直接观察到图像处理的效果，对比原始图像和增强后的图像，评估处理算法的效果和调整参数的效果。实时结果显示有助于医生进行实时的质量控制和调整，提高放疗图像的质量和准确性。
控制装置通常还具备图像数据的存储和检索功能。其中，存储功能可以将处理后的图像数据保存在系统中，以备后续参考和分析；检索功能允许医生根据需要检索特定的处理算法参数和处理结果，以便进行复审和进一步研究。
因此该影像呈像画质增强系统的控制装置通过人机界面与医生进行交互控制，并包括图像处理算法的优化和参数设置功能。它具备自适应优化能力，实时结果显示和存储检索功能，以实现医生对图像处理算法的精确控制和管理。
该影像呈像画质增强系统的具体说：该系统可以采集放射治疗过程中的多种影像，包括X射线影像、核磁共振（MRI）影像、超声影像、正电子发射断层成像（PET-CT）等医学影像。这些影像不同的物理原理和成像技术，提供了不同的解剖和功能信息。
该系统对采集到的影像进行增强处理，以优化图像的质量、对比度和细节可见度。图像增强处理方法可以根据放射治疗过程中的图像特征进行自适应调节。不同的影像特征和应用需求可能需要不同的处理方法，例如去噪、增强对比度、边缘增强等。自适应调节可以根据影像特征的变化自动选择适当的处理方法和参数，以获得最佳的图像增强效果。
该系统还可以进行多模态图像融合处理，将不同影像模态的信息进行融合，以提供更全面、准确的图像视图。例如，可以将X射线影像与MRI影像融合，利用X射线的骨骼信息和MRI的软组织信息，提高放射治疗图像的解剖信息和可视化效果。
该系统支持实时监控和调整图像增强处理的效果和参数。医生可以在放射治疗过程中观察实时的处理结果，并根据需要进行参数调整，以获得满意的图像效果。这有助于医生实时评估放射治疗的进展和效果，进行指导和调整。
该系统具备数据管理和记录功能，可以对采集的放射治疗过程中的影像数据进行存储和管理。这包括对原始影像数据的存储、索引和检索，以及对处理后的图像数据的记录。医生和技术人员可以随时访问和检索所需的图像数据，进行后续分析、评估和比较。
该系统可以根据放射治疗过程中的实际情况和需要进行适应性调整。这意味着系统可以根据不同的治疗阶段、不同的解剖和病变特征，自动调整图像增强处理的方法和参数。适应性调整可以确保系统在不同情况下提供最佳的图像呈现，以满足个性化和精确的放射治疗需求。
该系统可以利用先进的智能分析算法和技术，提供辅助医生决策的功能。通过对放射治疗过程中的影像数据进行自动化分析，系统可以提供定量的测量结果、病变检测和跟踪等辅助信息。这有助于医生更准确地评估治疗进展和效果，从而做出更精确和有效的治疗决策。
该系统具备良好的集成性和易用性，可以与其他放射治疗设备和系统进行无缝集成。医生可以方便地将该系统与放射治疗设备连接，实现自动化的图像引导放疗。同时，系统还提供直观易懂的用户界面和操作流程，使医生可以轻松使用和掌握系统的各项功能。
该影像呈像画质增强系统以X射线影像、核磁共振影像、超声影像、正电子发射断层成像等医学影像为数据来源，通过图像增强处理方法和自适应调节，提供高质量、高对比度和细节可见度的图像呈现。同时，系统具备实时监控和调整、数据管理和记录、智能分析和辅助决策等功能，为放射治疗过程提供准确、个性化的图像引导和支持。
图像增强模块进一步包括用于辅助图像分析和医学决策的图像处理算法；图像处理算法用于自动识别和标定重要的解剖结构或病变区域；其中图像处理算法用于提取和量化图像特征，肿瘤体积、组织密度，以辅助医生进行治疗计划制定和疗效评估。
且要实现图像增强模块中描述的功能，可以使用以下方法和技术：
利用计算机视觉和机器学习技术，开发专门用于医学影像分析和决策支持的算法。这些算法可以针对不同的图像特征和应用需求，如边缘检测、纹理分析、形态学操作等，实现对图像的增强和分析。常用的算法包括卷积神经网络（CNN）、支持向量机（SVM）等。
通过图像分割技术，实现对解剖结构或病变区域的自动识别和定位。这包括传统方法如阈值分割、区域生长、边缘检测，以及基于深度学习的方法如U-Net、Mask R-CNN等。通过这些算法和技术，可以在图像中准确地提取感兴趣的区域，为后续的特征提取和量化提供基础。
利用图像处理和特征提取算法，从图像中提取和量化相关的图像特征。例如，针对肿瘤识别和量化，可以使用形状特征、纹理特征、灰度直方图等来描述肿瘤的形态和组织特性。这些算法可以根据需要调整参数，并结合领域知识和经验进行有效的特征提取和量化。
基于从图像中提取和量化的特征，结合临床指南和医生的经验，利用相关的计算模型和算法，制定个性化的治疗计划和评估疗效。这可以透过机器学习模型、回归模型、决策树等技术手段来完成，帮助医生更准确地评估患者病情和疗效，并制定更有效的放疗方案。
对于具体实现，可能需要综合考虑实际的数据集和应用场景，选择合适的算法和技术，并进行模型训练和优化。此外，系统的可靠性和性能可以通过大规模数据集的训练和验证来进一步提高，并与临床实际应用中的专家意见进行对齐和验证。
要将图像处理算法与机器学习或深度学习技术结合起来进行模式识别和分类，可以按照以下步骤进行：
S1、收集和组织医学影像数据集，该数据集应包括带有标注的图像样本和对应的类别标签。确保数据集具备代表性，涵盖不同的解剖结构或病变区域，并在不同的数据集之间进行随机化和分割，以进行训练、验证和测试。
S2、从图像样本中提取相关的特征。这可以通过传统的图像处理算法如边缘检测、纹理分析等来完成，也可以利用深度学习模型自动提取特征。对于深度学习方法，可以使用预训练的卷积神经网络（CNN）模型，如VGG、ResNet、Inception等，通过将图像输入到预训练网络中获取深层特征。
S3、对图像样本进行标注和标签处理，确保每个样本都有相应的真实标签，以便进行监督学习。在医学领域，通常需要专业医生或医学专家进行标注，以保证准确性和可靠性。
S4、选择适合的机器学习或深度学习模型，如支持向量机（SVM）、随机森林（RandomForest）、卷积神经网络（CNN）等，利用准备好的数据集进行模型训练。对于深度学习模型，可以选择自己构建网络结构，或者利用已有的预训练模型进行微调。
S5、模型评估和优化：使用验证集对训练得到的模型进行评估，测量其在图像分类和模式识别任务上的性能。根据评估结果，进行模型的调整和优化，调整超参数、网络结构等，以提高模型的准确性和鲁棒性。
S6、模型应用和测试：使用测试集对经过优化的模型进行测试，评估其在新的、未见过的数据上的性能。确保模型具备泛化能力，可以对未知图像进行准确的分类和模式识别。
图像处理算法与实时的影像采集和处理过程进行集成；然而要将图像处理算法进一步应用于基于图像的自动导航和定位系统，可以按照以下步骤进行：
S1、收集适用于导航和定位的图像数据，并对数据进行预处理。这包括校正图像畸变、去噪、增强对比度等操作，以提高图像质量和可用性。
S2、使用图像处理算法，如特征检测和描述符提取算法，从图像中提取关键特征。常用的图像特征包括角点、边缘、线条等。这些特征可以用于图像匹配、定位和导航。
S3、使用采集的图像数据，通过建图算法生成环境地图。建图算法可以根据特征匹配和图像间的几何关系估计地图的拓扑结构和位置信息。
S4、基于提取的图像特征和建立的地图，使用定位算法进行位置和姿态的估计。这可以通过特征匹配、相机几何标定、运动估计等方法来实现。
S5、利用估计的当前位置和建立的地图，进行导航和路径规划。这可以使用路径规划算法，如A*算法、Dijkstra算法等，根据地图信息和目标位置生成最优路径，并进行导航指引。
S6、在导航过程中，利用图像处理算法进行实时的图像跟踪和更新。这包括实时图像特征提取和匹配，以及对地图的实时更新和修正，以保持导航的准确性和鲁棒性。
S7、根据导航和定位结果，进行反馈和控制。这可以包括导航指令、机器人姿态调整、路径校正等。根据实际需求，可以使用不同的反馈和控制策略。
S8、将导航和定位结果以可视化的形式展示给用户，并提供友好的用户接口，使用户能够交互和参与导航过程。
上述的实施过程在实际应用中，硬件设备的选择和配置也是非常重要的，如相机选择、传感器配置等。此外，对于复杂的环境和导航场景，可能需要结合其他传感器数据，如惯性测量单元（IMU）、激光扫描等。
图像处理算法应用于图像配准和图像融合；图像采集装置、预处理模块、显示装置和控制装置通过网络进行远程访问和控制；
在基于图像的自动导航和定位系统中，可以将图像采集装置、预处理模块、显示装置和控制装置与其他影像引导放疗设备进行集成和共享，以实现更加全面和高效的导航和定位功能。
图像采集装置可以包括摄像头、相机或激光扫描仪等，用于获取环境中的图像数据。在影像引导放疗设备中，通常已经配备了成像设备，如X射线设备、核磁共振设备等，可以利用这些设备采集图像数据作为导航和定位的基础。这些图像采集装置可以与基于图像的导航和定位系统进行集成，共享采集到的图像数据。
预处理模块用于对采集到的图像数据进行处理，以提高图像质量和准确度。预处理操作可以包括校正图像畸变、去噪、增强对比度、图像配准等。原始图像数据可以通过通信接口或数据传输协议传送到预处理模块，并将处理后的图像数据传送给导航和定位系统进行后续处理和分析。
显示装置用于将导航和定位的结果以可视化方式呈现给用户，如显示屏、投影仪等。通过显示装置，用户可以实时观察到导航路径、位置估计结果、特征点标记等信息，以便进行实时反馈和控制。
控制装置用于接收用户的输入信号，并控制导航和定位系统的运行和行为。用户可以通过控制装置，如鼠标、键盘、触摸屏等，与系统进行交互，例如设置目标位置、调整导航参数、启动导航等操作。控制装置将用户的指令传递给导航和定位系统，以实现对系统的控制和操作。
在集成和共享这些设备和模块时，需要考虑数据的传输和通信方式，如通过网络连接或专有接口实现设备之间的数据交换和共享。此外，还需要确保设备和模块间的通信协议和接口的兼容性，以便实现稳定和可靠的数据传输和操作。可以采用标准化的通信协议和接口，如TCP/IP、RESTful API等，来保证各设备之间的互通性和一致性。
通过将图像采集装置、预处理模块、显示装置和控制装置与其他影像引导放疗设备集成和共享，可以实现更紧密、高效和可靠的导航和定位系统，提供更准确和精确的放疗引导和治疗支持。同时，也为操作人员提供更直观和友好的用户界面，简化了操作流程，提高了系统的易用性和效率。此外，通过集成和共享，还可以减少硬件设备和模块的冗余，降低系统的复杂性和成本。
在集成和共享这些设备和模块时，采用以下思路进行配置：
各设备和模块之间需要定义一致的接口和通信协议，以实现数据的传输和交换。例如，可以使用标准的接口和协议，如USB、Ethernet、DICOM等，确保设备之间可以互联互通。
要实现设备之间的数据共享和同步，需要考虑数据传输的方式和速率。可以利用高速数据传输技术，如快速以太网（Gigabit Ethernet）或无线通信技术，保证数据传输的实时性和稳定性。
在集成这些设备和模块时，需要进行系统整合和配置，确保各设备和模块的协同工作。这包括设备的物理连接、驱动程序或固件的安装、配置参数的设置等。
在集成和共享图像处理模块时，需要考虑数据处理和算法的集成。这涉及将预处理模块和图像处理算法与其他影像引导放疗设备的软件或算法进行集成，以实现数据的处理和分析。
：通过集成和共享这些设备和模块，可以提供统一的用户界面和交互设计，简化操作流程，提高系统的易用性和效率。用户可以通过统一界面进行系统配置、导航设置、图像处理操作等。
将图像采集装置、预处理模块、显示装置和控制装置与其他影像引导放疗设备进行集成和共享，可以提高导航和定位系统的综合性能和功能，为放疗和治疗过程提供更准确和可靠的支持。通过统一的接口和协议、高速数据传输、系统整合和配置，以及用户界面和交互设计的优化，可以实现设备间的协同工作，简化操作流程，提高系统的易用性和效率。
而图像增强处理方法根据图像特征进行自适应调节，以帮助医生更好地分析和评估病情；下面是自适应调节步骤：
S1. 直方图均衡化自适应调节：通过调整图像的灰度分布来增强对比度；在放射治疗过程中，不同区域的图像特征和对比度分布可能有所不同；因此，通过自适应的方式调整直方图均衡化的方法和参数，使其根据图像特征自动调节；
S2. 自适应滤波：以增强感兴趣区域的细节；在放射治疗图像中，可能存在不同区域的细节信息差异；通过自适应滤波，根据局部图像特征调整滤波器的大小、形状或强度，以更好地保留和增强感兴趣区域的细节；
S3. 区域选择：在放射治疗图像中，医生可能对特定区域或病变区域更感兴趣；通过自适应调节，针对这些区域实施更强的增强处理，以使其更加突出和清晰可见；
这些自适应调节方法根据放射治疗过程中图像的特征进行自动优化，以满足医生对图像的需求和分析要求；具体的实现利用图像处理算法和相应的编程技术，根据特定的图像特征进行自适应调节。
图像配准和图像融合时，常见的图像处理算法包括特征提取、特征匹配、变换估计和图像合成步骤；以下是这些步骤的具体算法过程：
S1. 特征提取：从每幅图像中提取关键特征点或特征描述符；常用的特征包括角点、边缘、斑点；特征提取算法包括尺度不变特征变换(SIFT)、加速稳健特征(Affine-SIFT)；
S2. 特征匹配：对于每一对图像，使用特征匹配算法将相同的特征点或特征描述符在不同图像间进行匹配；常见的特征匹配算法包括基于最近邻匹配(KNN)、基于RANSAC的鲁棒估计；
S3. 变换估计：使用匹配的特征点或特征描述符，通过变换估计算法来计算图像间的几何变换关系；常见的变换估计算法包括最小二乘法、RANSAC；
S4. 图像配准：根据估计的几何变换关系，将一个图像映射到另一个图像的坐标空间，实现图像的配准；常见的图像配准方法包括基于像素插值的图像重采样、拼接；
S5. 图像融合：根据配准后的图像，利用图像融合算法将多个图像合成为一幅融合图像；常见的图像融合算法包括加权平均法、拉普拉斯金字塔融合(Laplacian PyramidBlending)；
因此图像配准和图像融合涉及多步骤的算法过程，包括特征提取、特征匹配、变换估计和图像合成；这些算法可利用图像处理方法和计算机视觉技术进行实现；不同算法的选择和参数设置会根据具体的应用需求和图像特性进行调整。
一种用于图像引导放疗的影像呈像画质增强方法，包括以下步骤：
S1、采集放射治疗过程中的影像：在放射治疗过程中，可以使用影像引导放疗设备，如X射线设备、CT扫描仪等，采集患者在治疗位置的影像。这些影像可以用于导航和定位，以确保准确的放射照射。
S2、对采集的影像进行去噪处理，去除噪点和伪影：采集到的影像可能存在噪点或伪影，为了提高图像质量，需要对影像进行去噪处理。去噪处理可以采用各种滤波算法，如均值滤波、中值滤波、小波去噪等，通过去除噪声和伪影，减少图像细节的损失。
S3、进行图像增强处理，提高影像的对比度和清晰度：为了更好地观察和分析影像，可以对影像进行增强处理。图像增强处理可以采用各种算法和技术，如直方图均衡化、对比度增强、锐化等，以提高影像的对比度和清晰度，突出重要的结构和特征。
S4、显示经过处理的影像，供医生观察和分析：处理后的影像可以通过显示装置显示给医生。医生可以观察处理后的影像，分析患者的解剖结构、病变情况等，以进行放疗计划的制定和调整。显示装置可以是高分辨率的显示屏、投影仪等，以便医生能够清晰地观察影像。
通过上述过程，患者在放疗过程中的影像可以被采集、去噪、增强，并显示给医生，以支持放疗的导航和定位。这样的图像处理流程能够提高影像质量，更准确地展现患者的解剖结构，帮助医生做出更精确的治疗决策。同时，通过显示装置，医生能够实时观察处理后的影像，提高治疗效果和安全性。
上述的步骤中：
S2和S3在实时性要求下进行；
S1至S4循环进行，以实现连续的图像呈像画质增强。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种用于图像引导放疗的影像呈像画质增强系统，其特征在于包括：图像采集装置，用于采集放射治疗过程中的影像；预处理模块，用于对采集的影像进行去噪处理和图像增强处理；显示装置，用于显示经过处理的影像；控制装置，用于控制图像采集装置、预处理模块和显示装置的工作。
2.根据权利要求1所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于：所述图像采集装置为X射线摄像装置。
3.根据权利要求1或2所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于：所述预处理模块包括噪点去除模块和图像增强模块。
4.根据权利要求3所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于：所述噪点去除模块采用滤波技术；所述图像增强模块采用直方图均衡化技术；
所述滤波技术包括以下一种或多种：
（1）、对影像中的每个像素点邻域内的像素值进行排序，然后取中间值作为噪点去除后的像素值；（2）、使用高斯函数对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（3）、基于信噪比的估计值，对像素点邻域内的像素值进行加权平均，将加权平均后的像素值作为噪点去除后的像素值；（4）、根据像素点邻域内的像素值变化情况，动态调整滤波器的参数；
所述直方图均衡化技术包括以下步骤：
S1、获取待增强图像的直方图；
S2、计算直方图的累积分布函数；
S3、根据累积分布函数对图像进行像素值映射，调整亮度分布；
S4、输出经过直方图均衡化处理后的增强图像；
所述直方图均衡化技术应用于灰度图像或彩色图像；
所述图像增强模块应用对比度增强、锐化滤波。
5.根据权利要求1所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于：所述控制装置通过人机界面与医生进行交互控制；所述控制装置包括图像处理算法，用于优化影像处理算法参数；所述采集放射治疗过程中的影像包括X射线影像、核磁共振影像、超声影像、正电子发射断层成像或其他医学影像；所述图像增强处理方法根据放射治疗过程中的图像特征进行自适应调节。
6.根据权利要求3所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于：所述的图像增强模块进一步包括用于辅助图像分析和医学决策的图像处理算法；所述的图像处理算法用于自动识别和标定重要的解剖结构或病变区域；其中所述的图像处理算法用于提取和量化图像特征，肿瘤体积、组织密度。
7.根据权利要求6所述的一种用于图像引导放疗的影像呈像画质增强系统，其中所述的图像处理算法应用机器学习或深度学习技术进行模式识别和分类；所述的图像处理算法与实时的影像采集和处理过程进行集成；所述的图像处理算法进一步应用于基于图像的自动导航和定位系统；所述的图像处理算法应用于图像配准和图像融合；所述的图像采集装置、预处理模块、显示装置和控制装置通过网络进行远程访问和控制；所述的图像采集装置、预处理模块、显示装置和控制装置与其他影像引导放疗设备进行集成和共享。
8.根据权利要求5所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于所述的图像增强处理方法根据图像特征进行自适应调节；下面是自适应调节步骤：
S1. 直方图均衡化自适应调节：通过调整图像的灰度分布来增强对比度；在放射治疗过程中，不同区域的图像特征和对比度分布能有所不同；通过自适应的方式调整直方图均衡化的方法和参数，使其根据图像特征自动调节；
S2. 自适应滤波：以增强感兴趣区域的细节；在放射治疗图像中，能存在不同区域的细节信息差异；通过自适应滤波，根据局部图像特征调整滤波器的大小、形状或强度，以保留和增强感兴趣区域的细节；
S3. 区域选择：在放射治疗图像中，医生能对特定区域或病变区域更感兴趣；通过自适应调节，针对这些区域实施更强的增强处理，以使其突出和清晰见。
9.根据权利要求7所述的一种用于图像引导放疗的影像呈像画质增强系统，其特征在于所述的图像配准和图像融合时，采用的图像处理算法包括特征提取、特征匹配、变换估计和图像合成步骤；以下是这些步骤的具体算法过程：
S1. 特征提取：从每幅图像中提取关键特征点或特征描述符；
S2. 特征匹配：对于每一对图像，使用特征匹配算法将相同的特征点或特征描述符在不同图像间进行匹配；
S3. 变换估计：使用匹配的特征点或特征描述符，通过变换估计算法来计算图像间的几何变换关系；
S4. 图像配准：根据估计的几何变换关系，将一个图像映射到另一个图像的坐标空间，实现图像的配准；
S5. 图像融合：根据配准后的图像，利用图像融合算法将多个图像合成为一幅融合图像。
10.一种用于图像引导放疗的影像呈像画质增强方法，包括以下步骤：
S1、采集放射治疗过程中的影像；
S2、对采集的影像进行去噪处理，去除噪点和伪影；
S3、进行图像增强处理，提高影像的对比度和清晰度；
S4、显示经过处理的影像，供医生观察和分析；
所述的S2和S3在实时性要求下进行；
所述的S1至S4循环进行，以实现连续的图像呈像画质增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868341.XA CN116883281A (zh) | 2023-07-14 | 2023-07-14 | 一种用于图像引导放疗的影像呈像画质增强系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868341.XA CN116883281A (zh) | 2023-07-14 | 2023-07-14 | 一种用于图像引导放疗的影像呈像画质增强系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116883281A true CN116883281A (zh) | 2023-10-13 |
Family
ID=88254522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310868341.XA Pending CN116883281A (zh) | 2023-07-14 | 2023-07-14 | 一种用于图像引导放疗的影像呈像画质增强系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883281A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
| CN117788468A (zh) * | 2024-02-26 | 2024-03-29 | 江西福松和安医疗科技有限公司 | 喉部图像处理方法、系统、喉镜、可调节气道建立装置 |
| CN118037714A (zh) * | 2024-03-29 | 2024-05-14 | 华伦医疗用品(深圳)有限公司 | 基于gpu医疗内窥镜图像的处理方法、系统和介质 |
| CN118116204A (zh) * | 2024-04-01 | 2024-05-31 | 南京英立郑科技有限公司 | 基于联动摄像的算法选择系统 |
-
2023
- 2023-07-14 CN CN202310868341.XA patent/CN116883281A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
| CN117788468A (zh) * | 2024-02-26 | 2024-03-29 | 江西福松和安医疗科技有限公司 | 喉部图像处理方法、系统、喉镜、可调节气道建立装置 |
| CN117788468B (zh) * | 2024-02-26 | 2024-04-30 | 江西福松和安医疗科技有限公司 | 喉部图像处理方法、系统、喉镜、可调节气道建立装置 |
| CN118037714A (zh) * | 2024-03-29 | 2024-05-14 | 华伦医疗用品(深圳)有限公司 | 基于gpu医疗内窥镜图像的处理方法、系统和介质 |
| CN118116204A (zh) * | 2024-04-01 | 2024-05-31 | 南京英立郑科技有限公司 | 基于联动摄像的算法选择系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| CN116883281A (zh) | 一种用于图像引导放疗的影像呈像画质增强系统和方法 | |
| JP7558243B2 (ja) | 特徴点検出 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| US9269140B2 (en) | Image fusion with automated compensation for brain deformation | |
| WO2018189541A1 (en) | Recist assessment of tumour progression | |
| CN116580068B (zh) | 一种基于点云配准的多模态医学配准方法 | |
| EP4290457A2 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
| JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| CA3102807A1 (en) | Orientation detection in fluoroscopic images | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
| US11715208B2 (en) | Image segmentation | |
| CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
| Singh et al. | Preprocessing of Medical Images using Deep Learning: A Comprehensive Review | |
| CN109671131A (zh) | 影像校正方法、装置、医疗影像设备及存储介质 | |
| CN112884699B (zh) | 用于分割图像数据的方法和图像处理设备和计算机程序产品 | |
| WO2014030262A1 (ja) | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 | |
| CN116725640B (zh) | 一种身体穿刺打印模板的构建方法 | |
| CN117934689B (zh) | 一种骨折ct影像的多组织分割与三维渲染方法 | |
| US20240112331A1 (en) | Medical Image Data Processing Technique | |
| EP4287201A1 (en) | Compensating for differences in medical images | |
| SEITAJ | 3URF HVVLQJ RI PHGLFDO LPDJHV ZLWK DXWRPDWLF DOJRULWKPV | |
| Georgieva et al. | Some Trends in Application of Geometric Approaches in Multimodal Medical Image Fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |