CN117409004A - 一种基于医疗影像分析的肺部康复智能辅助系统 - Google Patents
一种基于医疗影像分析的肺部康复智能辅助系统 Download PDFInfo
- Publication number
- CN117409004A CN117409004A CN202311719905.XA CN202311719905A CN117409004A CN 117409004 A CN117409004 A CN 117409004A CN 202311719905 A CN202311719905 A CN 202311719905A CN 117409004 A CN117409004 A CN 117409004A
- Authority
- CN
- China
- Prior art keywords
- lesion
- gray level
- acquiring
- density characteristic
- pixel point
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 70
- 238000010191 image analysis Methods 0.000 title claims abstract description 27
- 230000003902 lesion Effects 0.000 claims abstract description 210
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000002685 pulmonary effect Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 25
- 230000035939 shock Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 201000008827 tuberculosis Diseases 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及肺部图像分析技术领域，具体涉及一种基于医疗影像分析的肺部康复智能辅助系统。该系统在肺部灰度图像中构建预设窗口，分析灰度级分布及灰度均匀度，结合像素点的灰度级获取所有像素点的密度特征值；构建密度特征值的频次直方图，结合相邻密度特征值对应频次的差异及频次激变特征，获取每个目标区间的病变可能性；根据病变可能性筛选疑似病变区间，将疑似病变区间内的像素点聚类，分析每个聚簇的边缘及密度特征，获取病变参考值并标注病变区域，后续通过对比不同时期病变区域变化，辅助判断康复情况。本发明根据密度特征值的变化剔除噪声，结合病变区域的形态特征获取准确病变区域，提高在图像处理中病变区域识别的准确性。
Description
技术领域
本发明涉及肺部图像分析技术领域，具体涉及一种基于医疗影像分析的肺部康复智能辅助系统。
背景技术
肺部疾病对人类健康造成了极大的威胁，基于图像检测的医疗影像分析技术已经成为针对肺部疾病的治疗和康复的一种重要辅助手段。常规的基于图像检测技术对肺结核的康复情况进行检测的方法是通过采集患者不同时期的肺部CT图像，判断病变区域的面积变化，进而辅助推测患者康复情况。
在获取肺部CT图像中病变区域的过程中，通常通过聚类的方式将病变区域与正常肺部组织分离标注，但图像中可能存在噪声，同时肺结核的肺部CT图像表现为粟粒状，二者在图像中存在相似的特征表现，易将噪声和病变区域混淆，使得最终获取的病变区域的准确性下降，故通常通过滤波的方式对CT图像进行处理。然而滤波在对CT图像进行去噪时，容易出现将病变区域误判为噪声过度平滑，降低了病变区域识别的准确度。
发明内容
为了解决现有技术对病变区域识别的准确度低的技术问题，本发明的目的在于提供一种基于医疗影像分析的肺部康复智能辅助系统，所采用的技术方案具体如下：
本发明提出一种基于医疗影像分析的肺部康复智能辅助系统，所述系统包括：
图像采集模块：用于获取患者待测时刻的肺部灰度图像；
图像分析模块：用于在所述肺部灰度图像中，获取每个像素点在预设邻域内的灰度均匀度；以每个像素点为中心像素点构建预设窗口，在所述预设窗口内，根据相同灰度级的像素点间的距离及所述灰度均匀度，获取每个灰度级的像素点在所述预设窗口内的分布密集度；根据所述中心像素点的灰度级及所述预设窗口内所有灰度级的所述分布密集度，获取每个所述中心像素点的密度特征值；
病变区域标注模块：用于获取所述肺部灰度图像中所述密度特征值的频次直方图；在所述频次直方图中以任意两个所述密度特征值为区间端点构建目标区间，根据所述频次直方图内所有相邻所述密度特征值对应频次间的频次差异，获取所述目标区间的病变可能性；变更所述区间端点，获取所有目标区间并获取对应的病变可能性；根据病变可能性在所有目标区间中筛选疑似病变区间，并获取所述疑似病变区间内所有像素点的所有聚簇；根据所述聚簇的边缘特征及平均密度特征值获取所述聚簇的病变参考值；根据所述病变参考值在所述肺部灰度图像中对所述聚簇进行标注，获得病变区域。
进一步地，所述灰度均匀度的获取方法包括：
预设邻域为以像素点为中心的预设八邻域；获取像素点与所述预设八邻域内其他所有像素点间的灰度差异之和，将所述灰度差异之和求平均后进行负相关映射并归一化，得到所述灰度均匀度。
进一步地，所述分布密集度的获取方法包括：
利用分布密集度计算公式获取每个灰度级的像素点在所述预设窗口内的分布密集度；
所述分布密集度计算公式为：，其中，/>为灰度级序号，/>为预设窗口中第/>个灰度级的密集程度，/>分别为预设窗口内第/>个灰度级像素点的序号，/>为预设窗口中第/>个灰度级的第/>个像素点与第/>个像素点之间的欧式距离，/>为预设窗口内第/>个灰度级的像素点的数量，/>为第/>个像素点的灰度均匀度，/>为第/>个像素点的灰度均匀度，/>为预设调参正常数。
进一步地，所述密度特征值的获取方法包括：
将所述肺部灰度图像内的灰度级极差作为分母，所述中心像素点的灰度级作为分子，获得所述中心像素点的所述灰度级水平；
在所述预设窗口中，获取所有灰度级的像素点的所述分布密集度之和；将所述中心像素点的所述灰度级水平与所述分布密集度之和相乘，得到所述中心像素点的所述密度特征值。
进一步地，所述病变可能性的获取方法包括：
根据所述目标区间内所有相邻所述密度特征值对应频次间的频次差异斜率变化，结合相邻所述密度特征值间的差异，获取所述目标区间的第一病变可能性；根据所述频次直方图内的所有相邻所述密度特征值的频次差异获取所述目标区间的第二病变可能性；
将所述第一病变可能性与所述第二病变可能性相乘获得所述病变可能性。
进一步地，所述第一病变可能性的获取方法包括：
利用第一病变可能性计算公式获取所述目标区间的第一病变可能性；
所述第一病变可能性计算公式为：；其中，/>为第一病变可能性，/>为目标区间的序号，/>为目标区间内的密度特征值的数量，/>、/>为目标区间内密度特征值的序号，/>为第/>个密度特征值，/>为第/>个密度特征值，/>为第/>个密度特征值、/>为第/>个密度特征值，/>为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，/>表示以自然常数/>为底数的指数函数。
进一步地，所述第二病变可能性的获取方法包括：
获取所述目标区间的左端点对应所述密度特征值与所述频次直方图中所述左端点的左一相邻所述密度特征值间的边界频次差值；获取所述频次直方图中相邻所述密度特征值间的最大频次差值；将所述边界频次差值与所述最大频次差值的比值作为所述第二病变可能性。
进一步地，所述病变参考值的获取方法包括：
分析所述聚簇的边缘形状，获取所述聚簇的边缘类圆度；将所述聚簇的边缘类圆度与所述聚簇内所有像素点的平均密度特征值相乘后进行归一化，得到所述聚簇的病变参考值。
进一步地，所述边缘类圆度的获取方法包括：
获取所述聚簇的质心及边缘；以所述边缘上的任一像素点为目标像素点，计算所述目标像素点到所述质心的第一质心距离；计算所述目标像素点的逆时针方向上的相邻像素点到所述质心的第二质心距离；获取所述第一质心距离与所述第二质心距离间的距离差异；
改变目标像素点并获取所述边缘上每个像素点的所述距离差异，将所述聚簇的所述边缘上的所有距离差异之和求平均后进行负相关映射，得到对应所述聚簇的所述边缘类圆度。
进一步地，所述病变区域的标注方法包括：
将所述病变区域参考值大于预设阈值的所述聚簇标注为病变区域。
本发明具有如下有益效果：
本发明通过获取患者待测时刻的肺部灰度图像，并构建预设窗口分析每个像素点在窗口内的灰度分布情况及预设邻域内的灰度均匀度，结合像素点在肺部灰度图像中的灰度级获取所有像素点密度特征值；密度特征值反映了每个像素点在局部范围内的灰度分布情况及均匀性，便于后续判断像素点的变化是否符合病变区域的靶状密度变化，进而筛选出病变区域；然后构建密度特征值的频次直方图，便于在频次直方图中分析每个密度特征值对应目标区间内的频次变化情况，获取目标区间的病变可能性，病变可能性结合相邻密度特征值对应频次的差异及频次激变特征，可以综合判断目标区间内的像素点是否符合病变区域的靶状密度特征；根据病变可能性筛选出疑似病变区间，通过将疑似病变区间内的像素点聚类，分析每个聚簇的边缘特征及密度特征，获取对应病变参考值，进一步根据病变参考值标注病变区域，对比不同时期的病变区域变化辅助判断肺部康复情况。本发明根据密度特征值的变化剔除噪声区域，同时结合病变区域的形态特征获取准确病变区域，提高在CT图像处理中病变区域识别的准确性。
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医疗影像分析的肺部康复智能辅助系统的系统框图。
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医疗影像分析的肺部康复智能辅助系统，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。
下面结合附图具体的说明本发明所提供的一种基于医疗影像分析的肺部康复智能辅助系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于医疗影像分析的肺部康复智能辅助系统的系统框图，该系统包括：图像采集模块101、图像分析模块102、病变区域标注模块103。
图像采集模块101，用于获取患者待测时刻的肺部灰度图像。
本发明实施例中的系统需要在对比患者在不同时期的肺部CT图像中标注出准确的病变区域，进而辅助判断患者的康复情况，故需要通过图像采集模块101获取患者待测时刻的肺部灰度图像。本发明在采集患者在每个待测时刻的CT图像后，将这些CT图像进行相应的预处理，便于后续得到肺部病变区域，辅助判断康复情况。考虑到CT图像本身即为灰度图像，故不再做灰度化处理；但为了便于后续在CT图像中分析并准确标注病变区域，减小分析误差影响，故需对CT图像的肺部区域、骨骼区域及背景区域进行相应分割，将肺部区域作为本系统的目标分析区域。在本发明的一个实施例中具体采用DNN语义分割技术，识别并得到肺部区域，去除原始CT图像中的骨骼区域和背景区域，由此得到处理后的肺部灰度图像。DNN语义分割技术已是本领域技术人员熟知的技术手段，在此不再赘述。
需要说明的是，每个患者的每个待测时刻的肺部灰度图像采集及分析方法相同，本发明实施例仅以一个待测时刻下的患者肺部灰度图像的采集及分析方法进行表述说明。
图像分析模块102，用于在肺部灰度图像中，获取每个像素点在预设邻域内的灰度均匀度；以每个像素点为中心像素点的预设窗口，在预设窗口内，根据相同灰度级的像素点间的距离及灰度均匀度，获取每个灰度级的像素点在预设窗口内的分布密集度；根据中心像素点的灰度级及预设窗口内所有灰度级的分布密集度，获取每个中心像素点的密度特征值。
对于CT图像来说，其成像原理基于组织的密度，密度越大在灰度图像中的灰度值越高。然而由于人体肺部中的病变区域与正常肺部组织区域的密度通常不一样的，导致病变区域的灰度值相比正常肺部组织区域较高，噪声在CT图像中也通常表现为灰度值较高的像素点。但不论病变区域或正常肺部组织区域，相同组织的密度大致相同或呈均匀变化，即在肺部灰度图像中病变区域或正常肺部组织区域中，对于任意一个像素点及其邻近像素点的灰度值分布相对均匀，但噪声却会导致像素点相较于邻近像素点出现灰度值突变的情况。故为区分噪声区域与病变区域的差异，本发明实施例首先在肺部灰度图像中，获取每个像素点在预设邻域内的灰度均匀度，进一步获取每个像素点在局部范围内的灰度分布情况，进而为所有像素点赋予相应的密度特征。
优选地，在本发明的一个实施例中，考虑到像素点在邻域内的平均像素差异能反映像素点在邻域内的灰度均匀度，故灰度均匀度的获取方法包括，预设邻域为以像素点为中心的预设八邻域；获取像素点与预设八邻域内其他所有像素点间的灰度差异之和，将灰度差异之和求平均后进行负相关映射并归一化，得到灰度均匀度。灰度均匀度的计算公式为：
式中，表示第/>个像素点在预设邻域内的灰度均匀度，/>表示肺部灰度图像中像素点的序号，/>表示第/>个像素点的预设邻域内像素点的序号，/>表示第/>个像素点的灰度值，/>表示第/>个像素点的预设邻域内第/>个像素点的灰度值，/>表示以自然常数/>为底数的指数函数。
在灰度均匀度的计算公式，灰度差异之和小，说明该像素点与预设邻域内所有像素点的灰度差异越小，其均匀程度越大，故将灰度差异之和进行负相关映射到指数函数中归一化，在本发明其他实施例中可采用其他归一化方法，在此不做限定。
根据上述灰度均匀度计算公式获取肺部灰度图像中所有像素点的灰度均匀度。
由于灰度均匀度仅能反映出某个像素点在预设邻域的灰度变化情况，无法具体反映出病变区域或噪声区域的像素点在较大范围内的灰度变化及灰度分布情况；又因为病变区域的组织密度会随着远离病变区域中心而逐渐减小，使得病变区域的像素点在肺部灰度图像中的灰度值变化呈现靶状变化，越靠近病变区域中心，像素灰度值越高，反之越低，直至到病变区域边界将与正常的肺部组织区域的灰度值呈现稍明显的灰度差异；而噪声区域的面积相对病变区域面积较小，且噪声的像素灰度值相对一致，直至到噪声边界才会呈现出极其显著的灰度差异。本发明实施例为分析像素点在局部范围内的灰度变化情况，通过构建预设窗口，使得后续的局部灰度分布情况分析均在预设窗口内进行；在本发明的一个实施例中，预设窗口的大小具体设置为，实施者可根据具体情况进行设置；然后在预设窗口内获取每个灰度级的像素点在预设窗口内的分布密集度。
考虑到相同灰度级的像素点间的距离越小，说明该灰度级像素点分布越密集，但考虑到噪声区域的面积较小，即使噪声区域内的像素点灰度级接近，但由于其噪声区域边界上的像素点的灰度均匀度较小，故结合根据相同灰度级的像素点间的距离及灰度均匀度，获取每个灰度级的像素点在预设窗口内的分布密集度。
优选地，在本发明的一个实施例中，分布密集度的获取方法包括，利用分布密集度计算公式获取每个灰度级的像素点在预设窗口内的分布密集度；分布密集度计算公式为：
其中，为灰度级序号，/>为预设窗口中第/>个灰度级的密集程度，/>分别为预设窗口内第/>个灰度级像素点的序号，/>为预设窗口中第/>个灰度级的第/>个像素点与第/>个像素点之间的欧氏距离，/>为预设窗口内第/>个灰度级的像素点的数量，/>为第/>个像素点的灰度均匀度，/>为第/>个像素点的灰度均匀度，/>为预设调参正常数，保证分母有意义；在本发明的一个实施例中，预设调参正常数设置为0.1，实施者可根据具体实施情况进行设定。
在分布密集度的计算公式中，反映了预设窗口中第/>个灰度级的第/>个像素点与第/>个像素点之间的分布情况，当预设窗口内相同灰度级的两个像素点间的欧氏距离越小，且这两个像素点在预设邻域内的灰度均匀度较大，两像素点间分布越密集；不断将第/>个灰度级中的所有像素点进行两两比较，获取对应的分布情况，并将其求平均得到该灰度级像素点在预设窗口内的分布密集程度，每两个相同灰度级的像素点间的距离越小，且对应的灰度越均匀，则说明该灰度级的像素点在预设窗口内的分布密集度越大。
通过上述分布密集度公式每个预设窗口内所有灰度级的分布密集度。
又由于病变区域的像素点灰度值变化的靶状特征，病变区域的边缘像素点相对正常肺部组织区域拥有稍高的灰度值，但其分布密集度却比部分正常肺部组织的分布密集度低，为使所获取密度特征值更符合病变区域灰度变化及灰度分布的靶状变化特征，便于后续分析密度特征值变化确定病变区域，故本发明实施例根据中心像素点的灰度级及预设窗口内所有灰度级的分布密集度，获取每个中心像素点的密度特征值。
优选地，在本发明的一个实施例中，密度特征值的获取方法包括，将肺部灰度图像内的灰度级极差作为分母，中心像素点的灰度级作为分子，获得中心像素点的灰度级水平；在预设窗口中，获取所有灰度级的像素点的分布密集度之和；将中心像素点的灰度级水平与分布密集度之和相乘，得到中心像素点的密度特征值。密度特征值的计算公式为：
式中，为第/>个中心像素点的密度特征值，/>为中心像素点的序号，/>为第/>个中心像素点的灰度级，/>为肺部灰度图像内的最大灰度级，/>为肺部灰度图像内的最小灰度级，/>为灰度级序号，/>为预设窗口中第个灰度级的密集程度，/>为预设窗口内的所有灰度级数量。
在密度特征值的计算公式中，累加预设窗口中所有灰度级的分布密集度，反映预设窗口内像素点的整体分布密集度；表示中心像素点在肺部灰度图像内的灰度级水平；通过乘法将二者合并，灰度级水平越高且预设窗口内像素点整体的分布密集度越大，则该像素点的密度特征值越大。
病变区域标注模块103，用于获取肺部灰度图像中密度特征值的频次直方图；在频次直方图中以任意两个密度特征值为区间端点构建目标区间，根据频次直方图内所有相邻密度特征值对应频次间的频次差异，获取目标区间的病变可能性；变更区间端点，获取所有目标区间并获取对应的病变可能性；根据病变可能性在所有目标区间中筛选疑似病变区间，并获取疑似病变区间内所有像素点的所有聚簇；根据聚簇的边缘特征及平均密度特征值获取聚簇的病变参考值；根据病变参考值在肺部灰度图像中对聚簇进行标注，获得病变区域。
为便于快速分析获取病变区域对应的密度特征值区间，进一步标注出病变区域，本发明实施例通过获取肺部灰度图像中密度特征值的频次直方图。在本发明的一个实施例中，具体以密度特征值进行升序排列建立频次直方图的横坐标，以相同密度特征值在肺部灰度图像中的出现频次为纵坐标，构建肺部灰度图像中密度特征值的频次直方图，便于后续分析密度特征值的变化情况，获取符合病变区域靶状特征变化的密度特征值区间。
构建频次直方图后，以任意两个密度特征值为区间端点构建目标区间，考虑到病变区域内的密度特征值也呈靶状逐层减小的特征，会在对应的频次直方图中呈现出密度特征值对应像素点出现频次沿频次直方图横轴负方向逐渐变大；通过分析频次直方图内所有相邻密度特征值对应频次间的差异可以判断目标区间内的频次是否符合病变区域的密度特征值逐层变化的靶状特征，获取目标区间的病变可能性，进一步确定病变区域区间。
优选地，在本发明的一个实施例中，考虑到相邻密度特征值对应频次间的变化差异越小，且相邻的密度特征值的差异越小，也越符合病变区域的靶状变化特征；又考虑到部分正常肺部组织区域的像素点并不是绝对一致，也可能呈现类似靶状变化特征，由于目标区间选取的随机性，存在目标区间内的像素点全部为正常肺部组织区域内像素点的可能性，使得病变区域的误判断；又由于正常肺部组织区域的密度特征值将远大于病变区域边界的密度特征值，在病变区域与正常肺部组织的交界处，密度特征值将出现激变。基于此，病变可能性的获取方法包括，根据目标区间内所有相邻密度特征值对应频次间的频次差异斜率变化，结合相邻密度特征值间的差异，获取目标区间的第一病变可能性；根据频次直方图内的所有相邻密度特征值的频次差异获取目标区间的第二病变可能性。将第一病变可能性与第二病变可能性相乘获得病变可能性。病变可能性的计算公式表示为：
其中，为目标区间的病变可能性，/>为目标区间的第一病变可能性，/>为目标区间的第二病变可能性。
在病变可能性的计算公式中，第一病变可能性反映了目标前内的密度特征值是否符合病变区域的靶状密度变化特征，第一病变可能性越大，目标区间对应病变区域的可能性越大；第二病变可能性反映了病变区域边界的频次激变特性；通过乘法将二者合并，将第二病变可能性作为第一病变可能性的权重，当第二病变可能性越接近于1，且第一病变可能性越大，则该目标区间对应的像素点为病变区域内的像素点可能性越大。
优选地，在本发明的一个实施例中，第一病变可能性的获取方法包括，利用第一病变可能性计算公式获取目标区间的第一病变可能性；第一病变可能性计算公式为：
其中，为第一病变可能性，/>为目标区间的序号，/>为目标区间内的密度特征值的数量，/>、/>为目标区间内密度特征值的序号，/>为第/>个密度特征值，为第/>个密度特征值，/>为第/>个密度特征值、/>为第/>个密度特征值，/>为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，/>表示以自然常数/>为底数的指数函数。
在第一病变可能性的计算公式中，表示任意相邻密度特征值间对应的频次的斜率与目标区间内所有相邻密度特征值对应频次间斜率的斜率差异之和，斜率差异之和越小，说明目标区间内相邻密度特征值对应频次间变化越小且平缓，越符合病变区域的靶状变化特征，该目标区间越有可能是病变区域对应的靶状区域范围；/>表示任意相邻密度特征值间的差异，差异越小，也越符合病变区域的靶状变化特征，该密度特征值差异对应的局部区间越可能是病变区域对应的靶状区域中的一部分；将斜率差异之和与密度特征值差异相乘，得到该密度特征值差异对应的局部区间的病变可能性；通过累加目标区间内所有相邻密度特征值差异对应的局部区间的局部病变可能性，并将其负相关映射到指数函数中归一化，得到目标区间的第一病变可能性。
优选地，在本发明的一个实施例中，第二病变可能性的获取方法包括：获取目标区间的左端点对应密度特征值与频次直方图中左端点的左一相邻密度特征值间的边界频次差值；获取频次直方图中相邻密度特征值间的最大频次差值；将边界频次差值与最大频次差值的比值作为第二病变可能性。第二病变可能性的计算公式为：
其中，为第二病变可能性，/>为目标区间的序号，/>为目标区间左端点处密度特征值，/>为目标区间左端点前一相邻密度特征值，/>为目标区间左端点处密度特征值对应的频次，/>为目标区间左端点前一相邻密度特征值对应的频次，为频次直方图中相邻密度特征值对应频次间的最大频次差值绝对值。
在第二病变可能性的计算公式中，表示目标区间左端点与左端点前一相邻密度特征值对应频次间的频次差值，该值越大，说明目标区间左端点处对应的像素点频次在左端点处出现激变、是病变区域边界像素点的可能性越大；/>反映了频次直方图中相邻频次发生激变的最大水平；通过比值表示目标区域左端点出现激变的可能性，当该比值越接近1，说明目标区间左端点对应病变区域边界的可能性越大。
在频次直方图中变更区间端点，获取所有目标区间，并获取所有目标区间对应的病变可能性，进一步根据病变可能性在所有目标区间中筛选疑似病变区间。在本发明实施例中，设置病变可能性阈值为0.7，在具体应用中，实施者根据具体情况进行设置，将病变可能性大于病变可能性阈值的所有目标区间作为疑似病变区间；又考虑到病变区域内的像素点分布具有聚集性，故本发明实施例进一步获取疑似病变区间内所有像素点的所有聚簇。
在本发明的一个实施例中，将所有疑似病变区间内对应的像素点映射至肺部灰度图像中，然后通过K-means聚类算法，以映射后的像素点在肺部灰度图像中的欧氏距离为判断条件，不断迭代K值，利用手肘法确定最佳K值，得到多个聚簇。K-means聚类算法和手肘法已是本领域技术人员熟知的现有技术，在此不再赘述。
需要说明的是，在对所有疑似病变区间内对应的像素点映射至肺部灰度图像的过程中，存在区间重合导致像素点重复映射的可能性，将重复映射的像素点映射至同一位置即可。
由于表现病变区域的形态为粟粒状，相较于其他组织更接近圆形，同时相较于噪点其面积更大，因此本发明实施例进一步在疑似病变区间对应的聚簇内根据聚簇的边缘特征及平均密度特征值，获取聚簇的病变参考值，进而筛选病变区域。
优选地，在本发明的一个实施例中，病变参考值的获取方法包括，分析聚簇的边缘形状，获取聚簇的边缘类圆度；将聚簇的边缘类圆度与聚簇内所有像素点的平均密度特征值相乘后进行归一化，得到聚簇的病变参考值。病变参考值的计算公式表示为：
式中，为第/>个聚簇的病变参考值，/>为聚簇的序号，/>为聚簇内像素点的数量，/>为聚簇中像素点的序号，/>为第/>个像素点的密度特征值，/>为第/>个聚簇的边缘类圆度，/>为标准归一化函数。
在病变参考值的计算公式中，通过乘法将平均密度特征值与边缘类圆度合并，平均密度特征值越大，病变区域参考值越大，该聚簇是病变区域的可能性越大；边缘类圆度越大，病变区域参考值也越大，是病变区域的可能性也越大。
优选地，在本发明的一个实施例中，边缘类圆度的获取方法包括，获取聚簇的质心及边缘；以任一边缘上的像素点为目标像素点，计算目标像素点到质心的第一质心距离；计算目标像素点的逆时针方向上的相邻像素点到质心的第二质心距离；获取第一质心距离与第二质心距离间的距离差异；改变目标像素点并获取对应的距离差异，将聚簇的边缘上的所有距离差异之和求平均后进行负相关映射，得到对应聚簇的边缘类圆度。在本发明的一个实施例中，具体通过重心法对每个聚簇求得质心，然后利用canny边缘检测算法获取聚簇边缘。重心法和canny边缘检测算法已是本领域技术人员熟知的现有技术，在此不再赘述。边缘类圆度的计算公式表示为：
式中，为聚簇的边缘类圆度，/>为聚簇的边缘像素点的数量，/>为聚簇上边缘像素点的序号，/>表示第一质心距离与第二质心距离间的距离差异。
在边缘类圆度的计算公式中，距离差异之和越小，说明聚簇边缘的类圆度越大，将距离差异之和通过求平均方式进行归一化，然后将其做倒数运算；当距离差异之和的平均值越小，边缘类圆度越大，反之，边缘了圆度越小。
在本发明的一个实施例中，根据上述获取病变参考值的方法获取所有聚簇的病变参考值，并根据病变区域参考值在肺部灰度图像中将所有大于预设阈值的聚簇标记为病变区域。在本发明的一个实施例中，预设阈值为0.7，在具体应用中，实施者根据具体情况进行设置。
至此，获取了肺部灰度图像中的所有病变区域，然后利用掩膜技术将病变区域在CT图像中标注出来。
通过在图像上对病变区域的标记，能够方便医疗人员对比患者在不同时间段的CT图像中的病变区域间变化，例如位置、面积、形态等，辅助医疗人员判断患者的康复情况。
综上所述，本发明通过获取患者待测时刻的肺部灰度图像，并构建预设窗口分析每个像素点在窗口内的灰度分布情况及预设邻域内的灰度均匀度，结合像素点在肺部灰度图像中的灰度级获取所有像素点密度特征值；然后构建密度特征值的频次直方图，在频次直方图中分析每个密度特征值对应的目标区间内的频次变化情况，获取目标区间的病变可能性，进一步以病变可能性为依据筛选出疑似病变区间，通过将疑似病变区间内对应的像素点进行聚类，分析每个聚簇的边缘特征及内部密度特征，获取对应的病变参考值，进一步根据病变参考值标注出病变区域。本发明根据密度特征值的变化剔除噪声区域，结合病变区域的形态特征获取准确病变区域，提高在CT图像处理中病变区域识别的准确性。
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 (10)
1.一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述系统包括：
图像采集模块：用于获取患者待测时刻的肺部灰度图像；
图像分析模块：用于在所述肺部灰度图像中，获取每个像素点在预设邻域内的灰度均匀度；以每个像素点为中心像素点构建预设窗口，在所述预设窗口内，根据相同灰度级的像素点间的距离及所述灰度均匀度，获取每个灰度级的像素点在所述预设窗口内的分布密集度；根据所述中心像素点的灰度级及所述预设窗口内所有灰度级的所述分布密集度，获取每个所述中心像素点的密度特征值；
病变区域标注模块：用于获取所述肺部灰度图像中所述密度特征值的频次直方图；在所述频次直方图中以任意两个所述密度特征值为区间端点构建目标区间，根据所述频次直方图内所有相邻所述密度特征值对应频次间的频次差异，获取所述目标区间的病变可能性；变更所述区间端点，获取所有目标区间并获取对应的病变可能性；根据病变可能性在所有目标区间中筛选疑似病变区间，并获取所述疑似病变区间内所有像素点的所有聚簇；根据所述聚簇的边缘特征及平均密度特征值获取所述聚簇的病变参考值；根据所述病变参考值在所述肺部灰度图像中对所述聚簇进行标注，获得病变区域。
2.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述灰度均匀度的获取方法包括：
预设邻域为以像素点为中心的预设八邻域；获取像素点与所述预设八邻域内其他所有像素点间的灰度差异之和，将所述灰度差异之和求平均后进行负相关映射并归一化，得到所述灰度均匀度。
3.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述分布密集度的获取方法包括：
利用分布密集度计算公式获取每个灰度级的像素点在所述预设窗口内的分布密集度；
所述分布密集度计算公式为： ，其中，/>为灰度级序号，/>为预设窗口中第/>个灰度级的密集程度，/>分别为预设窗口内第/>个灰度级像素点的序号，/>为预设窗口中第/>个灰度级的第/>个像素点与第/>个像素点之间的欧式距离，/>为预设窗口内第/>个灰度级的像素点的数量，/>为第/>个像素点的灰度均匀度，/>为第/>个像素点的灰度均匀度，/>为预设调参正常数。
4.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述密度特征值的获取方法包括：
将所述肺部灰度图像内的灰度级极差作为分母，所述中心像素点的灰度级作为分子，获得所述中心像素点的灰度级水平；
在所述预设窗口中，获取所有灰度级的像素点的所述分布密集度之和；将所述中心像素点的所述灰度级水平与所述分布密集度之和相乘，得到所述中心像素点的所述密度特征值。
5.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述病变可能性的获取方法包括：
根据所述目标区间内所有相邻所述密度特征值对应频次间的频次差异斜率变化，结合相邻所述密度特征值间的差异，获取所述目标区间的第一病变可能性；根据所述频次直方图内的所有相邻所述密度特征值的频次差异获取所述目标区间的第二病变可能性；
将所述第一病变可能性与所述第二病变可能性相乘获得所述病变可能性。
6.根据权利要求5所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述第一病变可能性的获取方法包括：
利用第一病变可能性计算公式获取所述目标区间的第一病变可能性；
所述第一病变可能性计算公式为：
；其中，/>为第一病变可能性，/>为目标区间的序号，/>为目标区间内的密度特征值的数量，/>、/>为目标区间内密度特征值的序号，/>为第/>个密度特征值，/>为第个密度特征值，/>为第/>个密度特征值、/>为第/>个密度特征值，为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，为第/>个密度特征值的频次，/>为第/>个密度特征值的频次，表示以自然常数/>为底数的指数函数。
7.根据权利要求5所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述第二病变可能性的获取方法包括：
获取所述目标区间的左端点对应所述密度特征值与所述频次直方图中所述左端点的左一相邻所述密度特征值间的边界频次差值；获取所述频次直方图中相邻所述密度特征值间的最大频次差值；将所述边界频次差值与所述最大频次差值的比值作为所述第二病变可能性。
8.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述病变参考值的获取方法包括：
分析所述聚簇的边缘形状，获取所述聚簇的边缘类圆度；将所述聚簇的边缘类圆度与所述聚簇内所有像素点的平均密度特征值相乘后进行归一化，得到所述聚簇的病变参考值。
9.根据权利要求8所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述边缘类圆度的获取方法包括：
获取所述聚簇的质心及边缘；以所述边缘上的任一像素点为目标像素点，计算所述目标像素点到所述质心的第一质心距离；计算所述目标像素点的逆时针方向上的相邻像素点到所述质心的第二质心距离；获取所述第一质心距离与所述第二质心距离间的距离差异；
改变目标像素点并获取所述边缘上每个像素点的所述距离差异，将所述聚簇的所述边缘上的所有距离差异之和求平均后进行负相关映射，得到对应所述聚簇的所述边缘类圆度。
10.根据权利要求1所述的一种基于医疗影像分析的肺部康复智能辅助系统，其特征在于，所述病变区域的标注方法包括：
将所述病变区域参考值大于预设阈值的所述聚簇标注为病变区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719905.XA CN117409004B (zh) | 2023-12-14 | 2023-12-14 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719905.XA CN117409004B (zh) | 2023-12-14 | 2023-12-14 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409004A true CN117409004A (zh) | 2024-01-16 |
| CN117409004B CN117409004B (zh) | 2024-03-15 |
Family
ID=89498334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311719905.XA Active CN117409004B (zh) | 2023-12-14 | 2023-12-14 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409004B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745722A (zh) * | 2024-02-20 | 2024-03-22 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
| CN117831033A (zh) * | 2024-03-04 | 2024-04-05 | 南京市浦口人民医院(江苏省人民医院浦口分院) | 基于图像分析的病原微生物智能提取识别方法 |
| CN117831744A (zh) * | 2024-03-06 | 2024-04-05 | 大连云间来客科技有限公司 | 一种呼吸重症患者远程监控方法及系统 |
| CN117853386A (zh) * | 2024-03-08 | 2024-04-09 | 陕西省人民医院(陕西省临床医学研究院) | 一种肿瘤图像增强方法 |
| CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
| CN118196789A (zh) * | 2024-05-15 | 2024-06-14 | 科普云医疗软件(深圳)有限公司 | 一种肿瘤病理组织图像的人工智能处理方法 |
| CN118196123A (zh) * | 2024-05-16 | 2024-06-14 | 大连陆桥科技有限公司 | 一种肺部纤维吸入致病的肺部x光图像处理方法 |
| CN118247277A (zh) * | 2024-05-28 | 2024-06-25 | 济南科汛智能科技有限公司 | 一种肺部ct影像自适应增强方法 |
| CN118279212A (zh) * | 2024-06-04 | 2024-07-02 | 中国人民解放军空军军医大学 | 基于人工智能的脊椎外科影像辅助分析方法及系统 |
| CN118334017A (zh) * | 2024-06-12 | 2024-07-12 | 中国人民解放军总医院第八医学中心 | 一种面向呼吸道传染病的风险辅助评估方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
| US20110019886A1 (en) * | 2009-07-27 | 2011-01-27 | Fujifilm Corporation | Medical image processing apparatus, method, and program |
| KR101162605B1 (ko) * | 2011-03-21 | 2012-07-05 | 인하대학교 산학협력단 | 씨티 이미지에서의 텍스처 특징 추출방법 |
| JP2012255808A (ja) * | 2012-09-14 | 2012-12-27 | Nec Corp | 病理組織画像撮影システム、病理組織画像撮影方法、および病理組織画像撮影プログラム |
| CN109856164A (zh) * | 2019-02-02 | 2019-06-07 | 上海福赛特机器人有限公司 | 一种机器视觉采集大范围图像的优化装置及其检测方法 |
| CN114842960A (zh) * | 2022-04-14 | 2022-08-02 | 中国医学科学院肿瘤医院深圳医院 | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
| CN115937130A (zh) * | 2022-11-29 | 2023-04-07 | 大连医科大学附属第一医院 | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 |
| CN116309517A (zh) * | 2023-03-31 | 2023-06-23 | 广东汇锦科技有限公司 | 一种漆包线的线材轧辊探伤方法及系统 |
-
2023
- 2023-12-14 CN CN202311719905.XA patent/CN117409004B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
| US20110019886A1 (en) * | 2009-07-27 | 2011-01-27 | Fujifilm Corporation | Medical image processing apparatus, method, and program |
| KR101162605B1 (ko) * | 2011-03-21 | 2012-07-05 | 인하대학교 산학협력단 | 씨티 이미지에서의 텍스처 특징 추출방법 |
| JP2012255808A (ja) * | 2012-09-14 | 2012-12-27 | Nec Corp | 病理組織画像撮影システム、病理組織画像撮影方法、および病理組織画像撮影プログラム |
| CN109856164A (zh) * | 2019-02-02 | 2019-06-07 | 上海福赛特机器人有限公司 | 一种机器视觉采集大范围图像的优化装置及其检测方法 |
| CN114842960A (zh) * | 2022-04-14 | 2022-08-02 | 中国医学科学院肿瘤医院深圳医院 | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
| CN115937130A (zh) * | 2022-11-29 | 2023-04-07 | 大连医科大学附属第一医院 | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 |
| CN116309517A (zh) * | 2023-03-31 | 2023-06-23 | 广东汇锦科技有限公司 | 一种漆包线的线材轧辊探伤方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| ABDELRAHMAN, SA等: "Accumulated grey-level image representation for classification of lung cancer genetic mutations employing 2D principle component analysis", 《ELECTRONICS LETTERS》, vol. 54, no. 4, 22 February 2018 (2018-02-22), pages 194 - 196, XP006075541, DOI: 10.1049/el.2017.1890 * |
| SU, GY 等: "Texture analysis of dual-phase contrast-enhanced CT in the diagnosis of cervical lymph node metastasis in patients with papillary thyroid cancer", 《ACTA RADIOLOGICA》, vol. 62, no. 7, 5 August 2020 (2020-08-05), pages 890 - 896 * |
| 王增光: "基于改进Canny算法的肺癌计算机辅助诊断技术研究", 《CNKI中国优秀硕士毕业论文全文库（医药卫生科技）》, no. 09, 15 September 2019 (2019-09-15), pages 072 - 83 * |
| 罗海峰等: "灰度共生矩阵在尘肺阴影密集度判读中的应用", 《计算机应用与软件》, vol. 32, no. 02, 15 February 2015 (2015-02-15), pages 171 - 173 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745722A (zh) * | 2024-02-20 | 2024-03-22 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
| CN117745722B (zh) * | 2024-02-20 | 2024-04-30 | 北京大学 | 一种医疗健康体检大数据优化增强方法 |
| CN117831033A (zh) * | 2024-03-04 | 2024-04-05 | 南京市浦口人民医院(江苏省人民医院浦口分院) | 基于图像分析的病原微生物智能提取识别方法 |
| CN117831033B (zh) * | 2024-03-04 | 2024-05-07 | 南京市浦口人民医院(江苏省人民医院浦口分院) | 基于图像分析的病原微生物智能提取识别方法 |
| CN117831744A (zh) * | 2024-03-06 | 2024-04-05 | 大连云间来客科技有限公司 | 一种呼吸重症患者远程监控方法及系统 |
| CN117831744B (zh) * | 2024-03-06 | 2024-05-10 | 大连云间来客科技有限公司 | 一种呼吸重症患者远程监控方法及系统 |
| CN117853386B (zh) * | 2024-03-08 | 2024-05-28 | 陕西省人民医院(陕西省临床医学研究院) | 一种肿瘤图像增强方法 |
| CN117853386A (zh) * | 2024-03-08 | 2024-04-09 | 陕西省人民医院(陕西省临床医学研究院) | 一种肿瘤图像增强方法 |
| CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
| CN117893533B (zh) * | 2024-03-14 | 2024-05-28 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
| CN118196789A (zh) * | 2024-05-15 | 2024-06-14 | 科普云医疗软件(深圳)有限公司 | 一种肿瘤病理组织图像的人工智能处理方法 |
| CN118196123A (zh) * | 2024-05-16 | 2024-06-14 | 大连陆桥科技有限公司 | 一种肺部纤维吸入致病的肺部x光图像处理方法 |
| CN118196123B (zh) * | 2024-05-16 | 2024-08-20 | 大连陆桥科技有限公司 | 一种肺部纤维吸入致病的肺部x光图像处理方法 |
| CN118247277A (zh) * | 2024-05-28 | 2024-06-25 | 济南科汛智能科技有限公司 | 一种肺部ct影像自适应增强方法 |
| CN118279212A (zh) * | 2024-06-04 | 2024-07-02 | 中国人民解放军空军军医大学 | 基于人工智能的脊椎外科影像辅助分析方法及系统 |
| CN118334017A (zh) * | 2024-06-12 | 2024-07-12 | 中国人民解放军总医院第八医学中心 | 一种面向呼吸道传染病的风险辅助评估方法 |
| CN118334017B (zh) * | 2024-06-12 | 2024-09-10 | 中国人民解放军总医院第八医学中心 | 一种面向呼吸道传染病的风险辅助评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409004B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117409004B (zh) | 一种基于医疗影像分析的肺部康复智能辅助系统 | |
| CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
| JP4184842B2 (ja) | 画像判別装置、方法およびプログラム | |
| US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
| CN114648530A (zh) | 一种ct图像处理方法 | |
| CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
| US20070274584A1 (en) | Method and System for Detection of Bone Fractures | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| CN101996329B (zh) | 一种对血管形变区域的检测装置和方法 | |
| CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
| CN115330800A (zh) | 基于图像处理的放疗靶区自动分割方法 | |
| CN116269467A (zh) | 一种创伤患者清创术前信息采集系统 | |
| CN111553919A (zh) | 一种基于弹性超声成像的甲状腺结节分析系统 | |
| CN116309584B (zh) | 一种用于白内障区域识别的图像处理系统 | |
| CN117408988B (zh) | 基于人工智能的病灶图像分析方法及装置 | |
| CN118172380B (zh) | 一种基于局部阈值的骨科腿骨智能识别分割方法 | |
| CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
| CN117437492A (zh) | 一种肺部x光影像中白肺特征识别及分割方法 | |
| CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| WO2022041710A1 (zh) | 一种基于图像的运动检测方法 | |
| CN104680529A (zh) | 基于形状先验和相似性约束的颈动脉内外壁自动分割方法 | |
| CN111028219B (zh) | 一种结肠图像识别方法、装置以及相关设备 | |
| CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
| CN118247277B (zh) | 一种肺部ct影像自适应增强方法 |
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 |