CN117297554A - 一种淋巴成像装置控制系统及方法 - Google Patents
一种淋巴成像装置控制系统及方法 Download PDFInfo
- Publication number
- CN117297554A CN117297554A CN202311533162.7A CN202311533162A CN117297554A CN 117297554 A CN117297554 A CN 117297554A CN 202311533162 A CN202311533162 A CN 202311533162A CN 117297554 A CN117297554 A CN 117297554A
- Authority
- CN
- China
- Prior art keywords
- lymph
- gray
- pixel
- image
- historical
- 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
- 230000001926 lymphatic effect Effects 0.000 title claims abstract description 80
- 238000003384 imaging method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 18
- 210000002751 lymph Anatomy 0.000 claims abstract description 202
- 238000012545 processing Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000003902 lesion Effects 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001165 lymph node Anatomy 0.000 description 3
- 210000001365 lymphatic vessel Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004324 lymphatic system Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/414—Evaluating particular organs or parts of the immune or lymphatic systems
- A61B5/418—Evaluating particular organs or parts of the immune or lymphatic systems lymph vessels, ducts or nodes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Immunology (AREA)
- Vascular Medicine (AREA)
- Image Processing (AREA)
Abstract
本发明涉及成像装置技术领域,具体而言,涉及一种淋巴成像装置控制系统及方法,淋巴成像装置控制系统包括淋巴成像装置、信息采集装置、存储装置和处理装置,处理装置分别与淋巴成像装置、信息采集装置和存储装置通信连接;处理装置用于:获取信息采集装置采集的用户信息;根据用户信息提取历史淋巴灰度图像;对历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像;根据反色历史淋巴灰度图像得到特征向量;将特征向量输入淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;将淋巴病灶类型和病灶位置发送给淋巴成像装置。本发明的技术方案通过处理装置可以快速准确地得到需要进行淋巴图像采集的位置。
Description
技术领域
本发明涉及成像装置技术领域,具体而言,涉及一种淋巴成像装置控制系统及方法。
背景技术
随着数字影像技术的进步,淋巴成像技术也得到了长足的发展。例如超声成像、计算机断层扫描成像和磁共振成像(MRI)等方法,都可以获取到高分辨率的清晰的淋巴图像,通过清晰的淋巴图像可以更准确地分析淋巴系统细微的结构和功能。
淋巴图像采集通常需要操作人员具有丰富的经验,根据自身的工作经验来判断进行淋巴图像采集的位置。但是在实际操作过程中,由于操作人员可能缺少工作经验,无法根据实际情况及时确定需要进行淋巴图像采集的位置,因此,在确定淋巴图像采集的位置时需要花费大量的时间,并且可能会由于缺少经验导致确定的采集位置也不够准确。
发明内容
本发明解决的问题是如何快速准去地帮助操作人员确定淋巴图像采集的位置。
为解决上述问题,本发明提供一种淋巴成像装置控制系统及方法。
第一方面,本发明提供了一种淋巴成像装置控制系统,包括淋巴成像装置、信息采集装置、存储装置和处理装置,所述处理装置分别与所述淋巴成像装置、所述信息采集装置和所述存储装置通信连接;
所述处理装置用于:
获取所述信息采集装置采集的用户信息;
根据所述用户信息提取所述存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
根据全部所述标注确定所述像素块的像素块真值;
根据全部所述像素块真值,生成所述历史淋巴灰度图像的特征向量;
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给所述淋巴成像装置。
可选地,所述对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值,包括:
获取所述历史淋巴灰度图像中的每个像素点的历史灰度值;
获取所述所述历史淋巴灰度图像中的每个像素点的历史灰度值;
根据所述新灰度值重新确定每个对应所述像素点的所述灰度值;
根据全部所述灰度值,生成所述反色历史淋巴灰度图像。
可选地,所述将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块,包括:
根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理;
根据所述反色历史淋巴灰度图像的所述像素点的数量,确定所述预设窗口;
根据所述预设窗口,将去噪后的所述反色历史淋巴灰度图像化分为多个像素块。
可选地,所述根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理,包括:
根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值;
将全部所述噪声像素点的所述灰度值通过对应的所述替换灰度值进行替换,生成去噪后的所述反色历史淋巴图。
可选地,所述根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值,包括:
将当前所述像素点的所述灰度值确定为中心灰度值,将相邻所述像素点的所述灰度值确定为相邻灰度值;
根据所述中心灰度值、所述相邻灰度值和像素点距离关系,确定所述像素点与每个相邻所述像素点的距离;
当全部所述距离都大于预设阈值时,将所述像素点确定为所述噪声像素点;
根据全部所述相邻灰度值和替换灰度值关系确定所述替换灰度值。
可选地,所述根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注,包括:
将所述像素块中的每个所述像素点的所述灰度值分别与所述像素块的平均灰度进行比较;
当所述灰度值大于所述平均灰度值时,将对应的所述像素点标注为0;
当所述灰度值小于或者等于所述平均灰度值时,将对应的所述像素点标注为1。
可选地,所述根据全部所述标注确定所述像素块的像素块真值,包括:
根据全部所述像素点的标注值,生成所述所述像素块的二进制码;
将所述二进制码转换为十进制数,得到所述像素块真值。
可选地,所述处理系统还用于:
获取所述淋巴成像装置采集的淋巴图像,并将所述淋巴图像转换为淋巴灰度图像;
将所述淋巴灰度图像发送给所述存储装置。
可选地,所述处理装置还用于:
获取所述淋巴成像装置采集的淋巴图像;
根据所述淋巴图像和历史淋巴灰度图像的比较结果,判断采集的所述淋巴图像是否准确,并将判断结果发送给所述淋巴成像装置。
第二方面,本发明提供了一种淋巴成像装置控制方法,应用于如第一方面中任意一项所述的面向视觉功能障碍者的智能辅助系统,所述面向视觉功能障碍者的智能辅助方法包括:
获取信息采集装置采集的用户信息;
根据所述用户信息提取存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
根据全部所述标注确定所述像素块的像素块真值;
根据全部所述像素块真值,生成所述历史淋巴灰度图像的特征向量;
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给淋巴成像装置。
本发明的淋巴成像装置控制系统及方法的有益效果是:处理装置获取到信息采集装置采集到的用户信息,并根据用户信息提取存储装置中储存的与该用户信息对应的的历史淋巴灰度图像,由于淋巴图像中淋巴位置为较亮区域,因此,通过取反色得到反色历史淋巴灰度图像,将淋巴区域转换成相对较暗区域,使淋巴区域边缘轮廓更加明显,突出图像中细节的纹理,可以更准确地进行图像特征提取。进一步地,将反色历史淋巴灰度图像根据预设窗口尺寸划分为多个像素块,由于淋巴管和淋巴结分的布复杂而精细,具有丰富的细节,所以通过对相对较小的像素块的处理,可以更准确地获取到图像中淋巴区域的丰富的细节特征。根据像素块的平均灰度值和每个像素点的灰度值,对所在像素块中的像素点进行标注,可以通过标注值体现每个像素点与所在像素块整体灰度关系以及各个像素点的相对灰度关系。根据像素块的全部标注值确定像素块的像素块真值,并根据全部像素块真值生成反色历史淋巴灰度图像的特征向量,由于像素块真值包含了该像素块中每个像素点间的灰度关系,因而该特征向量也包含了该反色历史淋巴灰度图像每个像素点的全部特征信息,通过丰富的特征信息可以更准确地进行淋巴病灶分类和病灶位置的确定。将包含全部像素点特征信息的特征向量输入到训练好的淋巴病灶分类模型中,使模型输出的淋巴病灶类型和病灶位置,最后将淋巴病灶类型和淋巴病灶位置发送给淋巴成像设备,操作人员可以通过淋巴成像设备接收到的信息,快速准确地得到需要进行淋巴图像采集的位置,并且通过病灶类型对用户情况进行初步的了解,进一步判断获取到的病灶位置信息是否准确,操作人员根据获取到的信息进行淋巴图像采集,减少了在确定淋巴图像采集位置上花费的时间,提高了操作人员的工作效率,同时也提高了用户体验。
附图说明
图1为本发明实施例的一种淋巴成像装置控制系统的结构示意图;
图2为本发明实施例的像素点与相邻像素点的灰度值示意图;
图3为本发明实施例的像素块中像素点的灰度值示意图;
图4为本发明实施例的像素块中像素点的标注示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
如图1所示,本发明实施例提供的一种淋巴成像装置控制系统,包括淋巴成像装置、信息采集装置、存储装置和处理装置,所述处理装置分别与所述淋巴成像装置、所述信息采集装置和所述存储装置通信连接;
具体地,淋巴成像装置包括淋巴成像设备、接收器和显示器,其中淋巴成像设备用于采集淋巴图像,例如淋巴显像仪、超声淋巴成像仪、光学淋巴成像仪、磁共振淋巴成像仪等可以获取淋巴图像的设备,接收器用于接收处理装置发送的信息,显示器用于显示接收到的淋巴病灶类型和淋巴病灶位置信息,操作人员根据显示的信息控制操作淋巴成像设备进行淋巴图像采集,可以跟快速准确地帮助操作人员判断淋巴病灶位置。
所述处理装置用于:
获取所述信息采集装置采集的用户信息;
具体地,信息采集装置用于采集用户信息,可以通过手动输入或扫码输入等方式进行信息录入,也可以接输入预先分配的编号,该编号与预先存储的用户信息相对应,通过该编号可以直接调取用户信息。信息采集装置将采集到的用户信息发送给处理装置,处理装置用于接收信息采集装置发送的用户信息。
根据所述用户信息提取所述存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
具体地,根据用户信息发送提取指令给存储装置,存储装置根据接收到的指令调取其中与用户信息对应的历史淋巴灰度图像,并将历史淋巴灰度图像发送给处理装置,处理装置用于接收存储装置发送的历史淋巴灰度图像。
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
具体地,通过将历史淋巴灰度图像取反色,将图像中的较暗区域的灰度值和较亮区域的灰度值进行互换,生成反色历史淋巴灰度图像,并获取反色历史淋巴灰度图像中每个像素点的灰度值,由于淋巴图像中的淋巴区域普遍较亮区域,因此通过取反色,可以增强图像中的淋巴区域的细节显示效果,突出淋巴管和淋巴结的细节特征,同时使淋巴区域的边缘和轮廓更加明显。
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
具体地,为了提取更细节的淋巴特征,通过预设窗口将反色历史淋巴灰度图像分为多个像素块。窗口的尺寸越小,得到的像素块中包含的像素点越少,从而可以通过更小的像素块得到更加细节的淋巴特征,为了防止过拟合,窗口的尺寸也需要和图像的大小相匹配。
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
具体地,根据像素块中全部像素点的灰度值和平均灰度值公式,得到像素块的平均灰度值;
进一步地,所述平均灰度值公式包括:
其中,H为平均灰度值,n为像素块中像素点的数量,hi为第i个像素点的灰度值。
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
具体地,将像素块中每个像素点的灰度值与平均灰度值进行比较,跟比较的结果可以得到每个像素点和像素块整体灰度的关系。
根据全部所述标注确定所述像素块的像素块真值;
具体地,根据全部标注的值,生成像素块的像素块真值,像素块真值同时具有该像素块中每个像素点灰度值与像素块整体灰度的关系特征,进而可以通过像素块真值更准确地获取到对应的像素块中的淋巴区域特征。
根据全部所述像素块真值,生成所述反色历史淋巴灰度图像的特征向量;
具体地,将全部像素块真值进行排列,生成可以据有完成淋巴区域信息的特征向量。
进一步地,例如像素快真值分别为:44798、36078、43678、44946、44562,则特征向量为[44798,36078,43678,44946,44562]。
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给所述淋巴成像装置。
具体地,通过预先获取到的训练集对初始分类模型进行训练,并通过交叉熵损失函数优化模型的预测误差,最后得到训练好的淋巴病灶分类模型,其中,初始分类模型包括逻辑回归、决策树、随机森林、支持向量机、神经网络等,损失函数也可以用均方差损失函数或者多类交叉熵损失函数等损失函数进行替换,损失函数根据具体的分类模型进行相应的选择。
进一步地,将特征向量输入训练好的淋巴病灶分类模型,得到淋巴病灶类型和病灶位置,将得到的淋巴病灶类型和病灶位置发送个淋巴成像装置,操作人员通过获取到的淋巴病灶类型和病灶位置,对用户进行准确地淋巴病灶图像采集,减少了在判断淋巴病灶类型和病灶位置所花费的大量时间,提高了淋巴图像采集的效率,节省了用户的时间,提高了用户体验。
本实施例中,处理装置获取到信息采集装置采集到的用户信息,并根据用户信息提取存储装置中储存的与该用户信息对应的的历史淋巴灰度图像,由于淋巴图像中淋巴位置为较亮区域,因此,通过取反色得到反色历史淋巴灰度图像,将淋巴区域转换成相对较暗区域,使淋巴区域边缘轮廓更加明显,突出图像中细节的纹理,可以更准确地进行图像特征提取。进一步地,将反色历史淋巴灰度图像根据预设窗口尺寸划分为多个像素块,由于淋巴管和淋巴结分的布复杂而精细,具有丰富的细节,所以通过对相对较小的像素块的处理,可以更准确地获取到图像中淋巴区域的丰富的细节特征。根据像素块的平均灰度值和每个像素点的灰度值,对所在像素块中的像素点进行标注,可以通过标注值体现每个像素点与所在像素块整体灰度关系以及各个像素点的相对灰度关系。根据像素块的全部标注值确定像素块的像素块真值,并根据全部像素块真值生成反色历史淋巴灰度图像的特征向量,由于像素块真值包含了该像素块中每个像素点间的灰度关系,因而该特征向量也包含了该反色历史淋巴灰度图像每个像素点的全部特征信息,通过丰富的特征信息可以更准确地进行淋巴病灶分类和病灶位置的确定。将包含全部像素点特征信息的特征向量输入到训练好的淋巴病灶分类模型中,使模型输出的淋巴病灶类型和病灶位置,最后将淋巴病灶类型和淋巴病灶位置发送给淋巴成像设备,操作人员可以通过淋巴成像设备接收到的信息,快速准确地得到需要进行淋巴图像采集的位置,并且通过病灶类型对用户情况进行初步的了解,进一步判断获取到的病灶位置信息是否准确,操作人员根据获取到的信息进行淋巴图像采集,减少了在确定淋巴图像采集位置上花费的时间,提高了操作人员的工作效率,同时也提高了用户体验。
在一个可选的实施例中,所述对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值,包括:
获取所述历史淋巴灰度图像中的每个像素点的历史灰度值;
获取所述所述历史淋巴灰度图像中的每个像素点的历史灰度值;
根据所述新灰度值重新确定每个对应所述像素点的所述灰度值;
根据全部所述灰度值,生成所述反色历史淋巴灰度图像。
具体地,例如当前像素点的历史灰度值为80,根据反色灰度关系,用最大灰度值255减去当前像素点灰度值,得到当前像素点的新灰度值为255-80=175,以此类推,得到全部像素点的新灰度值,并将新灰度值确定为反色历史淋巴灰度图像中对应像素点的灰度值,并根据全部新灰度值生成反色历史淋巴灰度图像。
本可选的实施例中,通过对历史淋巴灰度图像取反色得到反色历史淋巴灰度图像,可以增强反色历史淋巴灰度图像中的淋巴区域的细节显示效果,突出图像中淋巴区域的细节特征,同时使反色历史淋巴灰度图像中的淋巴区域的边缘和轮廓更加明显,更有利于对图像进行处理和特征提取。
在一个可选的实施例中,所述将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块,包括:
根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理;
根据所述反色历史淋巴灰度图像的所述像素点的数量,确定所述预设窗口;
根据所述预设窗口,将去噪后的所述反色历史淋巴灰度图像化分为多个像素块。
具体地,通过每个像素点与周围相邻的像素点的灰度值的相互关系,确定噪声像素点,并对全部噪声像素点重新设定灰度值,从而得到去噪后的反色历史淋巴灰度图像。
进一步地,如果反色历史淋巴灰度图像比较大,对应的其中的像素点的数量也比较多,则将预设窗口的尺寸设定的相对,如果较大较小,则将预设窗口的尺寸设定的相对较小,经过多次试验最终确定每种不同数量的像素点对应的合理的窗口尺寸,并根据对应的预设窗口的尺寸,将反色历史淋巴灰度图像分成对个像素块,边缘缺失的像素块通过灰度值为255的像素点进行补全。
本可选的实施例中,通过降噪去除反色历史淋巴灰度图像中突出的噪声像素点重新设定灰度值,减少突出噪声点会图像中淋巴区域的确定造成干扰,提高特征提取的准确度,并将经过降噪处理的反色历史淋巴灰度图像或分为对个区域,可以获取到图像中更丰富的淋巴区域细节特征。
在一个可选的实施例中,所述根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理,包括:
根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值;
将全部所述噪声像素点的所述灰度值通过对应的所述替换灰度值进行替换,生成去噪后的所述反色历史淋巴灰度图像。
在一个可选的实施例中,所述根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值,包括:
将当前所述像素点的所述灰度值确定为中心灰度值,将相邻所述像素点的所述灰度值确定为相邻灰度值;
根据所述中心灰度值、所述相邻灰度值和像素点距离关系,确定所述像素点与每个相邻所述像素点的距离;
当全部所述距离都大于预设阈值时,将所述像素点确定为所述噪声像素点;
根据全部所述相邻灰度值和替换灰度值关系确定所述替换灰度值。
具体地,像素点距离关系满足:
L=|A-B|;
其中,L为距离,A为中心灰度值,B为相邻灰度值。
示例性地,如图2所示,中心灰度值为228,相邻灰度值分别为89、90、36、72、95、64、47、58,则根据像素距离关系得到8个相邻像素点对应的距离分别为:|228-88|=140、|228-90|=138、|228-35|=193、|228-71|=157、|228-94|=134、|228-63|=165、|228-46|=182、|228-57|=171,设定预设阈值为112,因为8个像素点对应的距离值都大于112,所以将当前的像素点确定为噪声像素点,其中,距离代表中心灰度值和相邻灰度值的差值的绝对值,即中心灰度值和相邻灰度值之间灰度的差值。
进一步地,根据替换灰度值关系,将8个相邻灰度值求和再除以8,得到替换灰度值为:(89+90+36+72+95+64+47+58)÷8=68,并将噪声像素点的灰度值设定为68,将全部重新设定灰度值的噪声像素点和原像素点生成去噪后的反色历史淋巴灰度图像。
本可选的实施例中,通过每个像素点和其周围的像素点的灰度值的关系,筛选出噪声像素点,并将噪声像素点的灰度值进行重置,最终得到去噪后的反色历史淋巴灰度图像。
在一个可选的实施例中,所述根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注,包括:
将所述像素块中的每个所述像素点的所述灰度值分别与所述像素块的平均灰度进行比较;
当所述灰度值大于所述平均灰度值时,将对应的所述像素点标注为0;
当所述灰度值小于或者等于所述平均灰度值时,将对应的所述像素点标注为1。
在一个可选的实施例中,所述根据全部所述标注确定所述像素块的像素块真值,包括:
根据全部所述像素点的标注值,生成所述所述像素块的二进制码;
将所述二进制码转换为十进制数,得到所述像素块真值。
具体地,如图3所示,预设窗口尺寸大小为4×4,根据图中像素点的灰度值,得到平均灰度值为:(76+71+63+34+147+110+46+67+185+243+100+88+137+146+112+135)÷16=110。
进一步地,如图4所示,则将像素快中灰度值大于110的像素点标注为0,将灰度值小于或者等于110的像素点标注为1,并生成像素块的二进制码为:1000110011101110,将其转换为十进制数位36078,则该像素块的像素块真值为36078。
本可选的实施例中,通过像素块中像素点的灰度值与像素块的平均灰度值进行比较并根据比较结果对像素点进行标注,最后生成像素块真值,通过像素块真值可以体现每个像素点的灰度值和像素块整体灰度之间的关系,进而也可以得到每个像素点灰度值相互关系,像素块真值包含了该像素块丰富的细节特征,可以根据该像素块真值,从像素块中提取跟准确地淋巴图像特征。
在一个可选的实施例中,所述处理系统还用于:
获取所述淋巴成像装置采集的淋巴图像,并将所述淋巴图像转换为淋巴灰度图像;
将所述淋巴灰度图像发送给所述存储装置。
具体地,当淋巴成像装置采集到新的淋巴图像时,将新的淋巴图像发送给处理装置,处理装置将需要进行灰度处理的淋巴图像转换为淋巴灰度图像,并将淋巴灰度图像发送个存储装置,存储装置根据新接收到的淋巴灰度图像将对应用户的历史淋巴灰度图像进行更新。
本可选的实施例中,通过将获取到的淋巴图像进行灰度处理,并将处理后的淋巴灰度图像发送个存储装置,可以有效降低图像所占空间,从而提高数据的传输速度和数据处理,减少资源占用。
在一个可选的实施例中,所述处理装置还用于:
获取所述淋巴成像装置采集的淋巴图像;
根据所述淋巴图像和历史淋巴灰度图像的比较结果,判断采集的所述淋巴图像是否准确,并将判断结果发送给所述淋巴成像装置
具体地,根据新采集的淋巴图像确定图像中的淋巴区域,并将淋巴区域与历史淋巴图像中的病灶位置进行比对,当淋巴区域与病灶位置不一致时,判断采集的淋巴图像不准确,当淋巴区域与病灶位置一直时,判断采集的淋巴图像准确,将最终判断的结果发送给淋巴成像装置,操作人员通过发送的结果,选择是否重新进行淋巴图像采集。
本可选的实施例中,通过新采集的淋巴图像与历史淋巴图像进行比较,判断操作人员采集的淋巴图像是否准确,可以快速的判断淋巴图像采集的位置是否准确,当采集错误时可以根据提示进行重新采集,节省了通过人工判断所消耗的时间,提高了采集人员的工作效率。
本发明又一实施例提供的一种淋巴成像装置控制方法,应用于上述任意一项所述的淋巴成像装置控制系统,所述淋巴成像装置控制方法包括:
获取信息采集装置采集的用户信息;
根据所述用户信息提取存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
根据全部所述标注确定所述像素块的像素块真值;
根据全部所述像素块真值,生成所述历史淋巴灰度图像的特征向量;
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给淋巴成像装置。
本发明实施例中的一种淋巴成像装置控制方法具有上述淋巴成像装置控制系统相近似的技术效果,在此不再进行赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种淋巴成像装置控制系统,其特征在于,包括淋巴成像装置、信息采集装置、存储装置和处理装置,所述处理装置分别与所述淋巴成像装置、所述信息采集装置和所述存储装置通信连接;
所述处理装置用于:
获取所述信息采集装置采集的用户信息;
根据所述用户信息提取所述存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
根据全部所述标注确定所述像素块的像素块真值;
根据全部所述像素块真值,生成所述反色历史淋巴灰度图像的特征向量;
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给所述淋巴成像装置。
2.根据权利要求1所述的淋巴成像装置控制系统,其特征在于,所述对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值,包括:
获取所述历史淋巴灰度图像中的每个像素点的历史灰度值;
根据所述历史灰度值和反色灰度值关系,得到新灰度值;
根据所述新灰度值重新确定每个对应所述像素点的所述灰度值;
根据全部所述灰度值,生成所述反色历史淋巴灰度图像。
3.根据权利要求1所述的淋巴成像装置控制系统,其特征在于,所述将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块,包括:
根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理;
根据所述反色历史淋巴灰度图像的所述像素点的数量,确定所述预设窗口;
根据所述预设窗口,将去噪后的所述反色历史淋巴灰度图像化分为多个像素块。
4.根据权利要求3所述的淋巴成像装置控制系统,其特征在于,所述根据每个所述像素点的所述灰度值与相邻所述像素点的所述灰度值的关系,对所述反色历史淋巴灰度图像进行去噪处理,包括:
根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值;
将全部所述噪声像素点的所述灰度值通过对应的所述替换灰度值进行替换,生成去噪后的所述反色历史淋巴灰度图像。
5.根据权利要求4所述的淋巴成像装置控制系统,其特征在于,所述根据当前所述像素点的所述灰度值与相邻所述像素点的所述灰度值,确定噪声像素点和替换灰度值,包括:
将当前所述像素点的所述灰度值确定为中心灰度值,将相邻所述像素点的所述灰度值确定为相邻灰度值;
根据所述中心灰度值、所述相邻灰度值和像素点距离关系,确定所述像素点与每个相邻所述像素点的距离;
当全部所述距离都大于预设阈值时,将所述像素点确定为所述噪声像素点;
根据全部所述相邻灰度值和替换灰度值关系确定所述替换灰度值。
6.根据权利要求1所述的淋巴成像装置控制系统,其特征在于,所述根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注,包括:
将所述像素块中的每个所述像素点的所述灰度值分别与所述像素块的平均灰度进行比较;
当所述灰度值大于所述平均灰度值时,将对应的所述像素点标注为0;
当所述灰度值小于或者等于所述平均灰度值时,将对应的所述像素点标注为1。
7.根据权利要求6所述的淋巴成像装置控制系统,其特征在于,所述根据全部所述标注确定所述像素块的像素块真值,包括:
根据全部所述像素点的标注值,生成所述所述像素块的二进制码;
将所述二进制码转换为十进制数,得到所述像素块真值。
8.根据权利要求1-7中任意一项所述的淋巴成像装置控制系统,其特征在于,所述处理系统还用于:
获取所述淋巴成像装置采集的淋巴图像,并将所述淋巴图像转换为淋巴灰度图像;
将所述淋巴灰度图像发送给所述存储装置。
9.根据权利要求1-7中任意一项所述的淋巴成像装置控制系统,其特征在于,所述处理装置还用于:
获取所述淋巴成像装置采集的淋巴图像;
根据所述淋巴图像和历史淋巴灰度图像的比较结果,判断采集的所述淋巴图像是否准确,并将判断结果发送给所述淋巴成像装置。
10.一种淋巴成像装置控制方法,其特征在于,应用于如权利要求1-9中任意一项所述的淋巴成像装置控制系统,所述淋巴成像装置控制方法包括:
获取信息采集装置采集的用户信息;
根据所述用户信息提取存储装置中存储的与所述用户信息对应的历史淋巴灰度图像;
对所述历史淋巴灰度图像取反色,得到反色历史淋巴灰度图像和每个像素点的灰度值;
将所述反色历史淋巴灰度图像根据预设窗口划分为多个像素块;
根据所述像素块中的全部所述像素点的所述灰度值,确定所述像素块的平均灰度值;
根据所述平均灰度值分别与所述像素块中每个所述灰度值的比较结果,将对应的所述像素点进行标注;
根据全部所述标注确定所述像素块的像素块真值;
根据全部所述像素块真值,生成所述历史淋巴灰度图像的特征向量;
将所述特征向量输入预先训练好的淋巴病灶分类模型,输出淋巴病灶类型和病灶位置;
将所述淋巴病灶类型和病灶位置发送给淋巴成像装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533162.7A CN117297554B (zh) | 2023-11-16 | 2023-11-16 | 一种淋巴成像装置控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533162.7A CN117297554B (zh) | 2023-11-16 | 2023-11-16 | 一种淋巴成像装置控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117297554A true CN117297554A (zh) | 2023-12-29 |
CN117297554B CN117297554B (zh) | 2024-07-12 |
Family
ID=89288639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311533162.7A Active CN117297554B (zh) | 2023-11-16 | 2023-11-16 | 一种淋巴成像装置控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117297554B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
US20160232425A1 (en) * | 2013-11-06 | 2016-08-11 | Lehigh University | Diagnostic system and method for biological tissue analysis |
CN107909076A (zh) * | 2017-12-11 | 2018-04-13 | 奕响(大连)科技有限公司 | 一种基于lbp的图片相似判定方法 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
CN111227864A (zh) * | 2020-01-12 | 2020-06-05 | 刘涛 | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 |
WO2020140370A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
WO2021114564A1 (zh) * | 2019-12-10 | 2021-06-17 | 南京莱斯电子设备有限公司 | 一种低对比度红外图像的增强方法 |
WO2021120752A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 域自适应模型训练、图像检测方法、装置、设备及介质 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
US20220157472A1 (en) * | 2020-02-27 | 2022-05-19 | National Yang Ming Chiao Tung University | Method for enhancing an accuracy of a benign tumor development trend assessment system |
WO2023045251A1 (zh) * | 2021-09-24 | 2023-03-30 | 浪潮(北京)电子信息产业有限公司 | 计算鬼成像采样过程中的噪声消除方法、系统及相关组件 |
CN116058789A (zh) * | 2021-11-04 | 2023-05-05 | 康泰医学系统(秦皇岛)股份有限公司 | 医疗设备存储数据显示的方法及装置 |
CN116309647A (zh) * | 2023-04-27 | 2023-06-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
-
2023
- 2023-11-16 CN CN202311533162.7A patent/CN117297554B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
US20160232425A1 (en) * | 2013-11-06 | 2016-08-11 | Lehigh University | Diagnostic system and method for biological tissue analysis |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN107909076A (zh) * | 2017-12-11 | 2018-04-13 | 奕响(大连)科技有限公司 | 一种基于lbp的图片相似判定方法 |
WO2020140370A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
WO2021114564A1 (zh) * | 2019-12-10 | 2021-06-17 | 南京莱斯电子设备有限公司 | 一种低对比度红外图像的增强方法 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
CN111227864A (zh) * | 2020-01-12 | 2020-06-05 | 刘涛 | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
US20220157472A1 (en) * | 2020-02-27 | 2022-05-19 | National Yang Ming Chiao Tung University | Method for enhancing an accuracy of a benign tumor development trend assessment system |
WO2021120752A1 (zh) * | 2020-07-28 | 2021-06-24 | 平安科技(深圳)有限公司 | 域自适应模型训练、图像检测方法、装置、设备及介质 |
WO2023045251A1 (zh) * | 2021-09-24 | 2023-03-30 | 浪潮(北京)电子信息产业有限公司 | 计算鬼成像采样过程中的噪声消除方法、系统及相关组件 |
CN116058789A (zh) * | 2021-11-04 | 2023-05-05 | 康泰医学系统(秦皇岛)股份有限公司 | 医疗设备存储数据显示的方法及装置 |
CN116309647A (zh) * | 2023-04-27 | 2023-06-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117297554B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
US20140286527A1 (en) | Systems and methods for accelerated face detection | |
CN101189641A (zh) | 编码数字图像的像素或体素的方法及处理数字图像的方法 | |
CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN108959998A (zh) | 二维码识别方法、装置及系统 | |
JP2000353210A (ja) | 情報コード概略存在領域推定方法、情報コード読取方法及び装置、記録媒体 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN111739007A (zh) | 内窥镜图像识别方法、设备、存储介质及装置 | |
CN101256630B (zh) | 用于改善文档图像二值化性能的去噪声装置和方法 | |
CN114758137A (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
CN115222713A (zh) | 一种冠状动脉钙化积分的计算方法、装置及存储介质 | |
JPWO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および識別辞書学習プログラム | |
Dahia et al. | Improving fingerprint pore detection with a small FCN | |
CN117297554B (zh) | 一种淋巴成像装置控制系统及方法 | |
CN116883786A (zh) | 图数据增广方法、装置、计算机设备及可读存储介质 | |
CN116541841A (zh) | 一种恶意软件的分类方法,分类装置以及存储介质 | |
EP0632404B1 (en) | Pattern recognition by generating and using zonal features and anti-features | |
US20220222816A1 (en) | Medical image analysis system and method for identification of lesions | |
CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 | |
US20220245806A1 (en) | Method for learning threshold value | |
CN117974475B (zh) | 四维超声内镜观测下病灶影像融合方法及系统 | |
CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
CN113724212B (zh) | 一种内窥镜图像息肉区域提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |