CN117640932A - 用于远程医疗的神经内科图像压缩传输方法 - Google Patents
用于远程医疗的神经内科图像压缩传输方法 Download PDFInfo
- Publication number
- CN117640932A CN117640932A CN202410105449.8A CN202410105449A CN117640932A CN 117640932 A CN117640932 A CN 117640932A CN 202410105449 A CN202410105449 A CN 202410105449A CN 117640932 A CN117640932 A CN 117640932A
- Authority
- CN
- China
- Prior art keywords
- sub
- block
- blocks
- lesion
- pixel points
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 58
- 230000006835 compression Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims abstract description 31
- 230000003902 lesion Effects 0.000 claims abstract description 194
- 230000036285 pathological change Effects 0.000 claims abstract description 16
- 231100000915 pathological change Toxicity 0.000 claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000000926 neurological effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像压缩传输领域，具体涉及一种用于远程医疗的神经内科图像压缩传输方法。该方法首先对脑部的磁共振图像进行分块，并对每个子块中的像素点进行聚类，统计每个子块内像素点的灰度种类，根据每个子块内外部之间像素点灰度值的差异、对应子块外部每个灰度种类的像素点的数量以及聚类簇中像素点的数量，获得子块的初始病变程度；根据预设邻域范围内其他子块中像素点灰度值的分布和其他子块的初始病变程度，获得子块的真实病变程度；进而对磁共振图像中的子块进行不同方式的压缩，并对压缩图像进行远程传输。本发明针对磁共振图像中的不同区域进行有损压缩和无损压缩，在保证远程传输效率的同时又能保留病变区域中的细节特征。
Description
技术领域
本发明涉及图像压缩传输领域，具体涉及一种用于远程医疗的神经内科图像压缩传输方法。
背景技术
远程医疗是指利用通信技术提供远距离的医疗服务和诊断，在神经内科的远程医疗技术中，通常需要将脑部的CT扫描图像或磁共振图像等神经内科图像进行远距离的传输，但由于带宽的限制导致对图像的远程传输的效率较低，为了提高传输效率需要对相关图像进行压缩后并传输。
相关技术中通常直接使用图像压缩算法对磁共振图像进行压缩，并将压缩图像远程传输，但图像压缩算法通常分为有损压缩和无损压缩，当对磁共振图像进行有损压缩时，会使磁共振图像中的病变区域丢失部分细节特征，导致图像精度严重受损，当对磁共振图像进行无损压缩时，又无法满足带宽要求，导致远程传输的效率过低。
发明内容
为了解决有损压缩会使磁共振图像中的病变区域丢失部分细节特征，导致图像精度严重受损，无损压缩又无法满足带宽要求，导致远程传输的效率过低的技术问题，本发明的目的在于提供一种用于远程医疗的神经内科图像压缩传输方法，所采用的技术方案具体如下：
本发明提出了一种用于远程医疗的神经内科图像压缩传输方法，所述方法包括：
获取脑部的磁共振图像；
对所述磁共振图像进行分块，获得不同的子块；
对每个子块中的像素点进行聚类，获得不同的聚类簇，统计每个子块内像素点灰度值的灰度种类，根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个所述灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度；根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的所述初始病变程度，获得每个子块的真实病变程度；
根据所述真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像，并对所述压缩图像进行远程传输。
进一步地，所述对所述磁共振图像进行分块，获得不同的子块包括：
对所述磁共振图像中的像素点进行聚类，获得不同的聚类簇，将聚类簇中像素点组成的区域作为连通区域；
在每个连通区域中，初始化以每个像素点为中心的窗口的尺寸，对所述窗口进行扩展，直至所述窗口的边界与对应像素点所在连通区域的边界存在交点，停止对窗口的扩展，将最后一次扩展的窗口作为对应像素点的参考窗口；
将每个连通区域中所有像素点的最大尺寸的参考窗口，作为对应连通区域的目标窗口；
在每个连通区域中，从除目标窗口之外的所有其他所述参考窗口中筛选出所述目标窗口的相似窗口，所述相似窗口的边长与目标窗口的边长的差值的绝对值小于预设尺寸阈值；
将磁共振图像中所有连通区域的目标窗口的面积的平均值，作为整体面积；
根据每个连通区域的目标窗口的面积与所述整体面积的差异，以及对应连通区域的目标窗口的相似窗口的数量，获得对应目标窗口的尺寸合适程度；
基于所述尺寸合适程度的最大值对应的目标窗口的尺寸，对磁共振图像进行平均分块，获得不同的子块。
进一步地，所述根据每个连通区域的目标窗口的面积与所述整体面积的差异，以及对应连通区域的目标窗口的相似窗口的数量，获得对应目标窗口的尺寸合适程度包括：
对每个连通区域的目标窗口的面积与所述整体面积的差值的绝对值进行负相关的归一化，获得每个目标窗口的尺寸相似度；
将所述尺寸相似度与对应目标窗口的相似窗口的数量的乘积值，作为对应目标窗口的尺寸合适程度。
进一步地，所述根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个所述灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度包括：
在磁共振图像中，将处于每个子块之外的所有像素点组成的区域，作为对应子块的参考区域；
将每个子块内所有像素点灰度值的平均值，作为对应子块的子块整体灰度；将对应子块的所述参考区域中所有像素点的灰度值的平均值，作为参考区域的区域整体灰度；
根据所述子块整体灰度和所述区域整体灰度的差异、参考区域中每个所述灰度种类的像素点的数量以及对应子块中每个聚类簇中像素点的数量，获得对应子块的初始病变程度。
进一步地，所述根据所述子块整体灰度和所述区域整体灰度的差异、参考区域中每个所述灰度种类的像素点的数量以及对应子块中每个聚类簇中像素点的数量，获得对应子块的初始病变程度包括：
将所述子块整体灰度和所述区域整体灰度的差值的绝对值，作为对应子块的第一病变参数；
对每个子块的参考区域中所有所述灰度种类的像素点的数量的平均值进行归一化，获得对应子块的第二病变参数；
将每个子块中每个聚类簇中像素点的数量的平方，作为对应聚类簇的数量参数，将每个子块中所有聚类簇的所述数量参数的平均值，作为对应子块的第三病变参数；
将所述第一病变参数、所述第二病变参数和所述第三病变参数的乘积值，作为对应子块的初始病变程度。
进一步地，所述根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的所述初始病变程度，获得每个子块的真实病变程度包括：
将每个子块预设邻域范围内的子块，作为对应子块的相邻子块；
将每个相邻子块的所述子块整体灰度与对应子块的所述子块整体灰度的差值的绝对值，作为每个相邻子块的灰度差异；
根据每个子块的所有相邻子块的所述初始病变程度以及所述灰度差异，获得对应子块的真实病变程度。
进一步地，所述根据每个子块的所有相邻子块的所述初始病变程度以及所述灰度差异，获得对应子块的真实病变程度包括：
将每个子块的所有所述相邻子块的初始病变程度的和值，作为对应子块的整体病变参数；
将每个子块的所有所述相邻子块的灰度差异的方差，作为对应子块的灰度混乱度；
将所述灰度混乱度和所述整体病变参数的乘积值进行归一化，获得对应子块的真实病变程度。
进一步地，所述根据所述真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像包括：
对真实病变程度大于预设病变阈值的子块进行标记；
根据子块是否被标记，使用不同的压缩方式对磁共振图像中的子块进行压缩，获得压缩图像。
进一步地，所述根据子块是否被标记，使用不同的压缩方式对磁共振图像中的子块进行压缩，获得压缩图像包括：
若子块已被标记，则对对应子块进行无损压缩；若子块未被标记，则对对应子块进行有损压缩；
遍历磁共振图像中的所有子块，并进行压缩，获得压缩图像。
进一步地，所述对真实病变程度大于预设病变阈值的子块进行标记包括：
将磁共振图像中所有子块的标记值初始化为0；
将真实病变程度大于预设病变阈值的子块的标记值置为1。
本发明具有如下有益效果：
本发明考虑到现有技术中的有损压缩会使磁共振图像中的病变区域丢失部分细节特征，导致图像精度严重受损，而无损压缩又无法满足带宽要求，导致远程传输的效率过低，因此本发明首先对磁共振图像进行分块，后续中可通过对子块的分析，实现对磁共振图像中不同类型的区域进行不同方式的压缩，考虑到在压缩的过程中需要保留磁共振图像中病变区域的细节特征，同时病变区域与非病变区域之间像素点灰度值的差异较大，并且病变区域中的部分像素点灰度值分布比较连续，聚类簇中像素点较为聚集且数量较多，因此可通过获取的初始病变程度初步反映子块中存在病变区域的可能性，考虑到病变区域中不同子块之间灰度分布的差别较大，因此可分析预设邻域范围内其他子块中像素点灰度值的分布，并结合其他子块的初始病变程度，通过获取的真实病变程度进一步反映子块中存在病变区域的可能性，提高对病变区域识别的准确度，进而基于真实病变程度对子块进行不同方式的压缩，在保证后续远程传输效率的同时又能保留病变区域中的细节特征。
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用于远程医疗的神经内科图像压缩传输方法流程图；
图2为本发明一个实施例所提供的脑部磁共振图像的示意图。
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用于远程医疗的神经内科图像压缩传输方法，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用于远程医疗的神经内科图像压缩传输方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于远程医疗的神经内科图像压缩传输方法流程图，该方法包括：
步骤S1：获取脑部的磁共振图像。
远程医疗是指利用通信技术提供远距离的医疗服务和诊断，在神经内科的远程医疗技术中，通常需要将脑部的CT扫描图像或磁共振图像等神经内科图像进行压缩并实现远距离的传输，现有的图像压缩算法通常分为有损压缩和无损压缩，当对磁共振图像进行有损压缩时，会使磁共振图像中的病变区域丢失部分细节特征，导致图像精度严重受损，不利于远程医疗检测，当对磁共振图像进行无损压缩时，无法满足带宽要求，导致远程传输的效率过低，因此本发明提出一种用于远程医疗的神经内科图像压缩传输方法以解决该问题。
本发明实施例首先利用磁共振成像设备获取需要进行远程传输的脑部磁共振图像，请参阅图2，图2为本发明一个实施例所提供的脑部磁共振图像的示意图，其中，箭头所指的区域即为发生病变的区域。
获取到脑部的磁共振图像后，在后续中便可对磁共振图像进行分析，并识别出其中的病变区域和非病变区域进行不同方式的压缩，在保留病变区域的细节特征的同时并提高远程传输的效率。
步骤S2：对磁共振图像进行分块，获得不同的子块。
由于磁共振图像中的病变区域对远程医疗检测较为重要，因此在对磁共振图像进行压缩时需要尽可能保留病变区域中的细节特征，而对于非病变区域可适当降低对其细节特征保留的程度，因此本发明实施例首先对磁共振图像进行分块，后续中可通过对子块中发生病变的可能性进行分析，从而在磁共振图像中可针对病变区域和非病变区域进行不同方式的压缩，在保证远程传输效率的同时又能保留病变区域中的细节特征，便于远程医疗的检测。
本发明实施例后续使用游程编码算法对磁共振图像中的子块进行压缩，若子块的尺寸过小，则会导致游程编码压缩的上限过低，导致最终的压缩效果较差，若子块的尺寸过大，又会导致子块内杂糅过多的灰度特征，同样会降低最终的压缩效果，由于脑部的磁共振图像中主要包括背景、白质、灰质、脑脊液和病变区域这五大区域，因此本发明一个实施例结合磁共振图像中多个区域的形状特征，选出适合所有区域的子块尺寸，从而对磁共振图像进行分块，提高后续对子块压缩的效果。
优选地，在本发明的一个实施例中磁共振图像中多个不同的子块的获取方法具体包括：
由于脑部的磁共振图像中主要包括背景、白质、灰质、脑脊液和病变区域这五大区域，因此首先使用参数k=5的k-means聚类算法，对磁共振图像中的像素点进行聚类，获得不同的聚类簇，将聚类簇中像素点组成的区域作为连通区域，同时利用开运算消除连通区域边缘处的细小连接，利用闭运算填充各连通区域内部的孔洞，其中k-means聚类算法、开运算和闭运算均是本领域技术人员熟知的技术手段，在此不做赘述。
在每个连通区域中，将以每个像素点为中心的窗口的尺寸初始化为1，并对窗口进行扩展，为了保证像素点处于窗口中心，每次扩展后的窗口的尺寸在前一次窗口的尺寸的基础上增加2，例如每个像素点的窗口的初始尺寸为，第一次扩展后的尺寸为/>，第二次扩展后的尺寸为/>，直至窗口的边界与对应像素点所在连通区域的边界存在交点，停止对窗口的扩展，将最后一次扩展的窗口作为对应像素点的参考窗口；将每个连通区域中所有像素点的最大尺寸的参考窗口，作为对应连通区域的目标窗口；在每个连通区域中，从除目标窗口之外的所有其他参考窗口中筛选出目标窗口的相似窗口，相似窗口的边长与目标窗口的边长的差值的绝对值小于预设尺寸阈值，预设尺寸阈值设置为2，预设尺寸阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定；将磁共振图像中所有连通区域的目标窗口的面积的平均值，作为整体面积；对每个连通区域的目标窗口的面积与整体面积的差值的绝对值进行负相关的归一化，获得每个目标窗口的尺寸相似度；将尺寸相似度与对应目标窗口的相似窗口的数量的乘积值，作为对应目标窗口的尺寸合适程度，尺寸合适程度越大，说明对应的目标窗口的尺寸越适合作为子块的尺寸，因此可基于尺寸合适程度的最大值对应的目标窗口的尺寸，对磁共振图像进行平均分块，获得不同的子块，子块的尺寸等于尺寸合适程度的最大值对应的目标窗口的尺寸。其中尺寸合适程度的表达式可以具体例如为：
其中，表示第/>个连通区域的目标窗口的尺寸合适程度；/>表示第/>个连通区域的目标窗口的面积；/>表示所有连通区域的目标窗口的面积的平均值，即整体面积；/>表示第/>个连通区域的目标窗口的相似窗口的数量；/>表示以自然常数/>为底的指数函数。
在每个连通区域的目标窗口的尺寸合适程度的获取过程中，尺寸合适程度越大，说明该连通区域的目标窗口的尺寸越能满足所有的连通区域，越适合作为子块的尺寸，其中/>越小，说明该连通区域的目标窗口的尺寸与所有连通区域的目标窗口整体的尺寸越接近，进而说明该目标窗口的尺寸越适合作为子块的尺寸，因此使用以自然常数/>为底的指数函数对/>进行负相关的归一化，得到尺寸相似度/>，尺寸相似度越大，说明该连通区域的目标窗口的尺寸越能满足所有的连通区域，则尺寸合适程度/>就越大，/>越大，说明在该连通区域中与目标窗口的尺寸相似的参考窗口的数量越多，该目标窗口的尺寸越能满足所有的连通区域，则尺寸合适程度/>就越大。
需要说明的是，在进行分块后，所有子块在磁共振图像中的分布相当于网格状的分布，但由于边界的像素点的数量不足，导致边界处无法得到完整的子块，此时可对磁共振图像边界的像素点进行填充，以保证所有的子块的尺寸相同，并且后续步骤中的边界问题均可通过边界填充进行解决，图像的边界填充是本领域技术人员熟知的技术手段，在此不做赘述。
对磁共振图像进行分块获得多个子块后，在后续中便可针对子块中是否存在病变区域进行分析，从而实现对磁共振图像中的病变区域和非病变区域进行不同方式的压缩，保证远程传输效率的同时又能保留病变区域中的细节特征。
步骤S3：对每个子块中的像素点进行聚类，获得不同的聚类簇，统计每个子块内像素点灰度值的灰度种类，根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度；根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的初始病变程度，获得每个子块的真实病变程度。
由于在脑部磁共振图像的压缩过程中，需要尽可能保留图像中出现的病变区域的细节特征，便于远程医疗对磁共振图像中病变区域的分析检测，因此在本发明实施例中对磁共振图像中的病变区域进行无损压缩，以保留病变区域的细节特征，并对非病变区域进行有损压缩，减小压缩后的图像的存储空间，以提高远程传输效率，因此需要对子块中存在病变区域的可能性进行分析，考虑到非病变区域中像素点灰度值的分布与椒盐噪声分布类似，灰度值的连续性不强，而病变区域中部分聚集的像素点的灰度值具有一定的连续性，即同灰度值的像素点较为聚集，因此可首先基于DBSCAN聚类算法对子块中的像素点进行聚类，通过对每个聚类簇中像素点的数量进行分析，从而反映该子块存在病变区域的可能性，同时病变区域与非病变区域之间的像素点灰度值的差异较大，并且病变区域中的灰度值在非病变区域中出现的次数较少，因此可统计每个子块内像素点灰度值的灰度种类，例如某个子块中各像素点的灰度值为，则灰度种类为1、2和9，共三类，进而分析每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个灰度种类的像素点的数量以及每个聚类簇中像素点的数量，通过获取的初始病变程度初步反映对应子块中发生病变的可能性。其中DBSCAN聚类算法是本领域技术人员熟知的技术手段，在此不做赘述。
优选地，在本发明的一个实施例中每个子块的初始病变程度的获取方法具体包括：
在磁共振图像中，将处于每个子块之外的所有像素点组成的区域，作为对应子块的参考区域，则该子块所在区域与对应的参考区域共同组成整个磁共振图像，即该子块中的像素点集合与该子块对应的参考区域中的像素点集合互为补集；将每个子块内所有像素点灰度值的平均值，作为对应子块的子块整体灰度；将对应子块的参考区域中所有像素点的灰度值的平均值，作为参考区域的区域整体灰度；将子块整体灰度和区域整体灰度的差值的绝对值，作为对应子块的第一病变参数；对每个子块的参考区域中所有灰度种类的像素点的数量的平均值进行归一化，获得对应子块的第二病变参数；将每个子块中每个聚类簇中像素点的数量的平方，作为对应聚类簇的数量参数，将每个子块中所有聚类簇的数量参数的平均值，作为对应子块的第三病变参数；将第一病变参数、第二病变参数和第三病变参数的乘积值，作为对应子块的初始病变程度。初始病变程度的表达式可以具体例如为：
其中，表示第/>个子块的初始病变程度；/>表示第/>个子块内部所有像素点灰度值的平均值，即第/>个子块的子块整体灰度；/>表示第/>个子块的参考区域中所有像素点灰度值的平均值，即第/>个子块的参考区域的区域整体灰度；/>表示在第/>个子块的参考区域中出现的该子块内第/>个灰度种类的像素点的数量；/>表示第/>个子块内灰度种类的数量；/>表示第/>个子块中第/>个聚类簇中的像素点数量；/>表示第/>个子块内聚类簇的数量；/>表示以自然常数/>为底的指数函数。
在每个子块的初始病变程度的获取过程中，初始病变程度越大，说明该子块中越可能存在病变区域，其中第一病变参数/>越大，说明该子块所在区域与对应的参考区域之间的整体灰度的差异较大，进而说明该子块内部与外部之间的灰度差异较大，则该子块内越可能出现病变区域，则初始病变程度/>就越大，/>越小，说明子块内部的灰度值在外部出现的次数越少，则该子块内越可能发生病变，因此第二病变参数/>越大，说明该子块内越可能发生病变，则初始病变程度/>就越大，/>越大，说明子块中的该聚类簇中的像素点的数量越多，进而说明该聚类簇中像素点灰度值的连续性越强，由于子块中像素点的数量较少，导致聚类后每个聚类簇中的像素点的数量/>较小，各聚类簇之间像素点数量的差异不明显，因此可对/>求平方，得到对应聚类簇的数量参数/>，使得各聚类簇之间像素点数量的差异更加明显，进而将每个子块中所有聚类簇的数量参数的平均值，作为对应子块的第三病变参数/>，第三病变参数越大，说明该子块的像素点灰度值的连续性越强，并且相似灰度值的像素点越聚集，进而子块内越可能发生病变，则初始病变程度/>就越大。
上述过程中是通过分析子块内部的灰度特征来反映子块中存在病变区域的可能性，相对于子块区域，磁共振图像中的病变区域更大，同时考虑到在整个病变区域中像素点灰度值分布的均匀性更低，不同子块之间灰度分布的差别较大，因此为了进一步提高对子块中发生病变可能性的分析准确度，可对以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布进行分析，同时结合预设邻域范围内其他子块的初始病变程度，获得每个子块的真实病变程度，从而通过真实病变程度进一步反映子块中存在病变区域的可能性，使得对子块中存在病变区域的可能性的评估分析结果更加准确，便于后续基于真实病变程度对子块进行不同方式的压缩，其中预设邻域范围的尺寸设置为，即每个子块在预设邻域范围内存在8个其他子块，预设邻域范围的具体尺寸也可根据具体实施场景由实施者自行设置，在此不作限定。
优选地，在本发明的一个实施例中每个子块的真实病变程度的获取方法具体包括：
将每个子块预设邻域范围内的子块，作为对应子块的相邻子块；相对于非病变区域，病变区域中虽然部分像素点灰度值的连续性较强，但对于整个病变区域来说，其整体上的灰度分布的均匀性较低，即不同子块之间像素点灰度值的差异较大，因此可将每个相邻子块的子块整体灰度与对应子块的子块整体灰度的差值的绝对值，作为每个相邻子块的灰度差异；相邻子块的初始病变程度越大，说明该预设邻域范围中存在病变区域的可能性越大，则该预设邻域范围的中心子块越可能存在病变区域，因此可将每个子块的所有相邻子块的初始病变程度的和值，作为对应子块的整体病变参数；将每个子块的所有相邻子块的灰度差异的方差，作为对应子块的灰度混乱度；将灰度混乱度和整体病变参数的乘积值进行归一化，获得对应子块的真实病变程度。真实病变程度的表达式可以具体例如为：
其中，表示第/>个子块的真实病变程度；/>表示第/>个子块的第/>个相邻子块的灰度差异；/>表示第/>个子块的所有相邻子块的灰度差异的平均值；/>表示子块的相邻子块的数量，在本发明的一个实施例中/>；/>表示第/>个子块的第/>个相邻子块的初始病变程度；/>表示第/>个子块的第/>个相邻子块内所有像素点灰度值的平均值，即第/>个子块的第/>个相邻子块的子块整体灰度；/>表示第/>个子块内所有像素点灰度值的平均值，即第/>个子块的子块整体灰度；/>表示归一化函数。
在每个子块的真实病变程度的获取过程中，真实病变程度越大，可进一步说明该子块中越可能存在病变区域，在上述的分析过程中可知，子块的初始病变程度能够初步反映出该子块中存在病变区域的可能性，因此在真实病变程度的计算过程中，本发明实施例结合每个子块的所有相邻子块的初始病变程度，预设邻域范围内的中心子块做出进一步的分析，其中整体病变参数/>越大，说明该子块周围的相邻子块中出现病变区域的可能性越大，进而说明该子块的预设邻域范围内越可能出现病变区域，则该子块内同样越可能出现病变区域，则该子块的真实病变程度/>就越大，由于病变区域中各子块之间的子块整体灰度的差异较大，因此该子块的所有相邻子块的灰度差异/>的分布越混乱，即灰度混乱度/>越大，说明该子块与相邻子块之间像素点灰度值的差异越大，进而说明该子块越可能出现病变区域，则该子块的真实病变程度/>就越大，进而通过归一化函数将真实病变程度/>限定在/>范围内，便于后续的评估分析。
在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
获取到每个子块的真实病变程度后，便可基于真实病变程度，对每个子块中存在病变区域的可能性进行更加准确的分析，从而实现对磁共振图像中的病变区域进行无损压缩，保留病变区域中的细节特征，并对非病变区域进行有损压缩，使得压缩后的图像能够满足带宽要求，提高远程传输的效率。
步骤S4：根据真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像，并对压缩图像进行远程传输。
在压缩过程中，磁共振图像中的病变区域对远程医疗更加重要，因此需要对病变区域进行无损压缩，以保留病变区域中更多的细节特征，同时还要保证压缩后的图像的存储空间不能过大，避免远程传输的效率过低，因此需要对非病变区域进行有损压缩，以保证远程传输效率，而真实病变程度能够反映子块中存在病变区域的可能性，真实病变程度越大，说明该子块中越可能存在病变区域，因此可基于真实病变程度，对磁共振图像中的子块进行不同方式的压缩，并对获取的压缩图像进行远程传输。
优选地，在本发明的一个实施例中压缩图像的获取方法具体包括：
由于游程编码算法本身为无损压缩算法，但通过对像素点灰度值的调整同样能实现有损压缩，因此本发明实施例使用游程编码算法对磁共振图像进行压缩，真实病变程度越大，说明该子块中越可能存在病变区域，因此可对真实病变程度大于预设病变阈值的子块进行标记；若子块已被标记，说明该子块中存在病变区域，则基于游程编码算法直接对对应子块进行无损压缩；若子块未被标记，说明该子块不存在病变区域，则可对该子块中的像素点灰度值进行调整，调整方式为：在子块中按照从上到下的顺序将每行像素点的灰度值按照从左到右的顺序置于一维数组中，并从第二个像素点开始，若该像素点灰度值与前一个像素点灰度值的差值的绝对值小于预设灰度阈值，则将该像素点的灰度值调整为前一个像素点的灰度值，否则该像素点的灰度值不变，直至遍历到最后一个像素点为止，从而可基于游程编码算法对该子块进行有损压缩；遍历磁共振图像中的所有子块，并进行压缩，从而获得压缩图像，其中预设病变阈值设置为0.7，预设灰度阈值设置为5，预设病变阈值和预设灰度阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定；游程编码算法是本领域技术人员熟知的技术手段，在此不做赘述。
需要说明的是，在对子块进行标记时，可为所有子块设置一个标记值，并将标记值初始化为0，若子块的真实病变程度大于预设病变阈值，则将该子块的标记值置为1，表示该子块已被标记，对于标记值为0的子块则表示该子块未被标记。
获取到磁共振图像的压缩图像后，便可利用通信网络对压缩图像进行远程传输。
综上所述，本发明实施例首先获取脑部的磁共振图像；对磁共振图像进行分块，获得不同的子块；对每个子块中的像素点进行聚类，获得不同的聚类簇，统计每个子块内像素点灰度值的灰度种类，根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度；根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的初始病变程度，获得每个子块的真实病变程度；根据真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像，并对压缩图像进行远程传输。
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)
1.一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述方法包括：
获取脑部的磁共振图像；
对所述磁共振图像进行分块，获得不同的子块；
对每个子块中的像素点进行聚类，获得不同的聚类簇，统计每个子块内像素点灰度值的灰度种类，根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个所述灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度；根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的所述初始病变程度，获得每个子块的真实病变程度；
根据所述真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像，并对所述压缩图像进行远程传输。
2.根据权利要求1所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述对所述磁共振图像进行分块，获得不同的子块包括：
对所述磁共振图像中的像素点进行聚类，获得不同的聚类簇，将聚类簇中像素点组成的区域作为连通区域；
在每个连通区域中，初始化以每个像素点为中心的窗口的尺寸，对所述窗口进行扩展，直至所述窗口的边界与对应像素点所在连通区域的边界存在交点，停止对窗口的扩展，将最后一次扩展的窗口作为对应像素点的参考窗口；
将每个连通区域中所有像素点的最大尺寸的参考窗口，作为对应连通区域的目标窗口；
在每个连通区域中，从除目标窗口之外的所有其他所述参考窗口中筛选出所述目标窗口的相似窗口，所述相似窗口的边长与目标窗口的边长的差值的绝对值小于预设尺寸阈值；
将磁共振图像中所有连通区域的目标窗口的面积的平均值，作为整体面积；
根据每个连通区域的目标窗口的面积与所述整体面积的差异，以及对应连通区域的目标窗口的相似窗口的数量，获得对应目标窗口的尺寸合适程度；
基于所述尺寸合适程度的最大值对应的目标窗口的尺寸，对磁共振图像进行平均分块，获得不同的子块。
3.根据权利要求2所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据每个连通区域的目标窗口的面积与所述整体面积的差异，以及对应连通区域的目标窗口的相似窗口的数量，获得对应目标窗口的尺寸合适程度包括：
对每个连通区域的目标窗口的面积与所述整体面积的差值的绝对值进行负相关的归一化，获得每个目标窗口的尺寸相似度；
将所述尺寸相似度与对应目标窗口的相似窗口的数量的乘积值，作为对应目标窗口的尺寸合适程度。
4.根据权利要求1所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据每个子块内部和对应子块外部之间像素点灰度值的差异、对应子块外部每个所述灰度种类的像素点的数量以及每个聚类簇中像素点的数量，获得每个子块的初始病变程度包括：
在磁共振图像中，将处于每个子块之外的所有像素点组成的区域，作为对应子块的参考区域；
将每个子块内所有像素点灰度值的平均值，作为对应子块的子块整体灰度；将对应子块的所述参考区域中所有像素点的灰度值的平均值，作为参考区域的区域整体灰度；
根据所述子块整体灰度和所述区域整体灰度的差异、参考区域中每个所述灰度种类的像素点的数量以及对应子块中每个聚类簇中像素点的数量，获得对应子块的初始病变程度。
5.根据权利要求4所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据所述子块整体灰度和所述区域整体灰度的差异、参考区域中每个所述灰度种类的像素点的数量以及对应子块中每个聚类簇中像素点的数量，获得对应子块的初始病变程度包括：
将所述子块整体灰度和所述区域整体灰度的差值的绝对值，作为对应子块的第一病变参数；
对每个子块的参考区域中所有所述灰度种类的像素点的数量的平均值进行归一化，获得对应子块的第二病变参数；
将每个子块中每个聚类簇中像素点的数量的平方，作为对应聚类簇的数量参数，将每个子块中所有聚类簇的所述数量参数的平均值，作为对应子块的第三病变参数；
将所述第一病变参数、所述第二病变参数和所述第三病变参数的乘积值，作为对应子块的初始病变程度。
6.根据权利要求4所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据以每个子块为中心的预设邻域范围内其他子块中像素点灰度值的分布，以及其他子块的所述初始病变程度，获得每个子块的真实病变程度包括：
将每个子块预设邻域范围内的子块，作为对应子块的相邻子块；
将每个相邻子块的所述子块整体灰度与对应子块的所述子块整体灰度的差值的绝对值，作为每个相邻子块的灰度差异；
根据每个子块的所有相邻子块的所述初始病变程度以及所述灰度差异，获得对应子块的真实病变程度。
7.根据权利要求6所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据每个子块的所有相邻子块的所述初始病变程度以及所述灰度差异，获得对应子块的真实病变程度包括：
将每个子块的所有所述相邻子块的初始病变程度的和值，作为对应子块的整体病变参数；
将每个子块的所有所述相邻子块的灰度差异的方差，作为对应子块的灰度混乱度；
将所述灰度混乱度和所述整体病变参数的乘积值进行归一化，获得对应子块的真实病变程度。
8.根据权利要求1所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据所述真实病变程度，对磁共振图像中的子块进行不同方式的压缩，获得压缩图像包括：
对真实病变程度大于预设病变阈值的子块进行标记；
根据子块是否被标记，使用不同的压缩方式对磁共振图像中的子块进行压缩，获得压缩图像。
9.根据权利要求8所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述根据子块是否被标记，使用不同的压缩方式对磁共振图像中的子块进行压缩，获得压缩图像包括：
若子块已被标记，则对对应子块进行无损压缩；若子块未被标记，则对对应子块进行有损压缩；
遍历磁共振图像中的所有子块，并进行压缩，获得压缩图像。
10.根据权利要求8所述的一种用于远程医疗的神经内科图像压缩传输方法，其特征在于，所述对真实病变程度大于预设病变阈值的子块进行标记包括：
将磁共振图像中所有子块的标记值初始化为0；
将真实病变程度大于预设病变阈值的子块的标记值置为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410105449.8A CN117640932B (zh) | 2024-01-25 | 2024-01-25 | 用于远程医疗的神经内科图像压缩传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410105449.8A CN117640932B (zh) | 2024-01-25 | 2024-01-25 | 用于远程医疗的神经内科图像压缩传输方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117640932A true CN117640932A (zh) | 2024-03-01 |
| CN117640932B CN117640932B (zh) | 2024-04-26 |
Family
ID=90035841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410105449.8A Active CN117640932B (zh) | 2024-01-25 | 2024-01-25 | 用于远程医疗的神经内科图像压缩传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117640932B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117956151A (zh) * | 2024-03-26 | 2024-04-30 | 辽宁富鸿源实业集团有限公司 | 一种通讯信息高效处理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090220133A1 (en) * | 2006-08-24 | 2009-09-03 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method |
| CN102438529A (zh) * | 2008-12-22 | 2012-05-02 | 美的派特恩公司 | 自动检测医学图像中的病变的方法和系统 |
| US20150237351A1 (en) * | 2014-02-18 | 2015-08-20 | Penne Lee | Techniques for inclusion of region of interest indications in compressed video data |
| CN105225231A (zh) * | 2015-09-11 | 2016-01-06 | 浙江工商大学 | 基于病灶容积测量的mri自动图像分割方法 |
| CN110678934A (zh) * | 2017-06-02 | 2020-01-10 | 皇家飞利浦有限公司 | 医学图像中的病变的定量方面 |
| CN110785674A (zh) * | 2017-03-20 | 2020-02-11 | 皇家飞利浦有限公司 | 使用参考灰度值的图像分割 |
| CN111091574A (zh) * | 2019-12-21 | 2020-05-01 | 中国人民解放军第四军医大学 | 一种基于单像素特征的医学图像分割方法 |
| CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
| CN115914649A (zh) * | 2023-03-01 | 2023-04-04 | 广州高通影像技术有限公司 | 一种用于医疗视频的数据传输方法及系统 |
| CN117437247A (zh) * | 2023-12-18 | 2024-01-23 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
-
2024
- 2024-01-25 CN CN202410105449.8A patent/CN117640932B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090220133A1 (en) * | 2006-08-24 | 2009-09-03 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method |
| CN102438529A (zh) * | 2008-12-22 | 2012-05-02 | 美的派特恩公司 | 自动检测医学图像中的病变的方法和系统 |
| US20150237351A1 (en) * | 2014-02-18 | 2015-08-20 | Penne Lee | Techniques for inclusion of region of interest indications in compressed video data |
| CN105225231A (zh) * | 2015-09-11 | 2016-01-06 | 浙江工商大学 | 基于病灶容积测量的mri自动图像分割方法 |
| CN110785674A (zh) * | 2017-03-20 | 2020-02-11 | 皇家飞利浦有限公司 | 使用参考灰度值的图像分割 |
| CN110678934A (zh) * | 2017-06-02 | 2020-01-10 | 皇家飞利浦有限公司 | 医学图像中的病变的定量方面 |
| CN111091574A (zh) * | 2019-12-21 | 2020-05-01 | 中国人民解放军第四军医大学 | 一种基于单像素特征的医学图像分割方法 |
| CN114648530A (zh) * | 2022-05-20 | 2022-06-21 | 潍坊医学院 | 一种ct图像处理方法 |
| CN115914649A (zh) * | 2023-03-01 | 2023-04-04 | 广州高通影像技术有限公司 | 一种用于医疗视频的数据传输方法及系统 |
| CN117437247A (zh) * | 2023-12-18 | 2024-01-23 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| M. MOORTHI; R. AMUTHA: "A near Lossless compression method for medical images", IEEE-INTERNATIONAL CONFERENCE ON ADVANCES IN ENGINEERING, SCIENCE AND MANAGEMENT (ICAESM -2012), 14 June 2012 (2012-06-14) * |
| 周成兵, 宋余庆, 卢佳: "基于ROI的医学图像无损压缩", 计算机工程与设计, no. 10, 28 October 2005 (2005-10-28), pages 2660 - 2661 * |
| 沈嘉浩: "多光谱窄带成像计算机辅助宫颈癌筛查方法研究", 中国优秀硕士学位论文, 29 May 2018 (2018-05-29) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117956151A (zh) * | 2024-03-26 | 2024-04-30 | 辽宁富鸿源实业集团有限公司 | 一种通讯信息高效处理方法及系统 |
| CN117956151B (zh) * | 2024-03-26 | 2024-06-11 | 辽宁富鸿源实业集团有限公司 | 一种通讯信息高效处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117640932B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117640932B (zh) | 用于远程医疗的神经内科图像压缩传输方法 | |
| CN115297289B (zh) | 一种监控视频高效存储方法 | |
| CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
| CN113808138A (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
| CN115115641B (zh) | 一种瞳孔图像分割方法 | |
| CN106658004B (zh) | 一种基于图像平坦区域特征的压缩方法和装置 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN116600132B (zh) | 一种煤矿视频数据自适应压缩方法 | |
| CN116503392A (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
| CN116402824B (zh) | 基于儿童骨龄x光片的内分泌异常检测方法 | |
| CN107944497A (zh) | 基于主成分分析的图像块相似性度量方法 | |
| JP4651689B2 (ja) | 画像を表す特徴ベクトルを導き出す方法、画像分類方法、および画像解析装置 | |
| CN106991660B (zh) | 基于改进型八叉树分解的三维超声图像数据抽样方法 | |
| CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
| CN117542488B (zh) | 一种用于脑肿瘤ct数据的智能处理方法 | |
| CN116233479A (zh) | 基于数据处理的直播信息内容审核系统及方法 | |
| CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
| CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
| CN117156182B (zh) | 一种医疗远程智能监测方法及系统 | |
| CN117333504B (zh) | 一种复杂地形遥感图像精准分割方法 | |
| CN117291843B (zh) | 一种图像数据库高效管理方法 | |
| CN116777845B (zh) | 基于人工智能的建筑工地安全风险智能评估方法及系统 | |
| CN116468727B (zh) | 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 | |
| Doyle et al. | Evaluation of effects of JPEG2000 compression on a computer-aided detection system for prostate cancer on digitized histopathology | |
| CN114419074B (zh) | 4k医疗影像处理方法 |
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 |