EA015959B1 - Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения - Google Patents

Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения Download PDF

Info

Publication number
EA015959B1
EA015959B1 EA201100630A EA201100630A EA015959B1 EA 015959 B1 EA015959 B1 EA 015959B1 EA 201100630 A EA201100630 A EA 201100630A EA 201100630 A EA201100630 A EA 201100630A EA 015959 B1 EA015959 B1 EA 015959B1
Authority
EA
Eurasian Patent Office
Prior art keywords
image
neural network
calculated
brightness
interest
Prior art date
Application number
EA201100630A
Other languages
English (en)
Other versions
EA201100630A1 (ru
Inventor
Руслан Николаевич КОСАРЕВ
Original Assignee
Закрытое Акционерное Общество "Импульс"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Закрытое Акционерное Общество "Импульс" filed Critical Закрытое Акционерное Общество "Импульс"
Publication of EA201100630A1 publication Critical patent/EA201100630A1/ru
Publication of EA015959B1 publication Critical patent/EA015959B1/ru

Links

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
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

Изобретение относится к способам вычисления уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения по гистограмме изображения с использованием искусственной нейронной сети. Вычисления проводят следующим образом: получают изображение, вычисляют гистограмму изображения, преобразуют значения гистограммы во входные аргументы нейронной сети и вычисляют выходное значение нейронной сети. В качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы вычисленные с заданным интервалом группировки. Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети. Обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.

Description

Изобретение относится к способам обработки цифровых медицинских рентгеновских изображений, а именно к вычислению уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения.
Предшествующий уровень техники
Медицинское рентгеновское изображение помимо изображения проекций органов пациента, как правило, содержит изображения проекций частей прибора (коллиматора) и воздуха. Под зоной интереса обычно понимают такую часть изображения, в которой присутствует изображение только проекций органов пациента. Необходимость правильно определить уровень яркости возникает, например, в следующих случах:
1) при визуализации цифрового изображения на экране монитора;
2) для контроля экспозиции при съемке серии изображений.
Визуализация изображения с правильными уровнями яркости и контраста способствует лучшему пониманию рентгеновского изображения и, соответственно, правильной постановке диагноза. При съемке серии последовательных изображений на рентгеновском аппарате, зная уровень яркости в зоне интереса предыдущего изображения, можно правильно выставить время экспозиции цифрового детектора для съемки следующего изображения. Правильно подобранная экспозиция позволяет получать изображения существенно лучшего качества без затемненных и/или засвеченных областей с оптимальным отношением сигнал-шум в зоне интереса. Стандартная частота съемки серии изображений составляет 30 кадров в секунду, поэтому чрезвычайно важно определять уровень яркости достаточно быстро, чтобы успевать регулировать время экспозиции и/или характеристики излучения рентгеновской трубки. Также необходимо, чтобы способ вычисления уровня яркости являлся устойчивым при вычислениях на серии последовательных изображений.
Известен способ [Р. Гонсалес, Р. Вудс, С. Эддинс, Цифровая обработка изображений в среде МАТЬАВ. Техносфера, 2006, стр.32] определения уровня яркости изображения. Уровень яркости в этом способе вычисляют как среднее значение минимальной и максимальной яркостей
Ьесе1 = (Уа1иеа + Ра1ие^а )/2 где Уа1иеа есть квантиль уровня α яркости пикселей по всему изображению. Параметр α выбирают достаточно малым, как правило, не более 0,01. Этот способ не обеспечивает необходимую точность вычисления уровня яркости при наличии на изображении областей с изображениями воздуха и/или коллиматора.
Наиболее близким техническим решением, выбранным в качестве прототипа, является способ определения уровня яркости, описанный в [патент ЕР 0409206 В1, опубл. 01.10.1997, стр.6]. Способ по прототипу заключается в том, что после считывания цифрового изображения в оперативную память устройства проводят следующие вычисления.
1) Вычисляют гистограмму изображения с интервалом группировки, равным единице.
2) Определяют уровень яркости А, при котором пиксели с меньшей яркостью считают пикселями фона.
3) Анализируют гистограмму на интервале с яркостью пикселей, больших А. Вычисляют яркость МУР, которая соответствует максимальному значению гистограммы в указанном интервале.
4) Выбирают первоначальные значения для визуализации изображения: уровень окна ^Ь0 = МУР (\νίπάο\ν 1еуе1) и ширина окна \ν\ν0 = 2х(МУР - А) (\νίπάο\ν \νίά11ι).
5) Вычисляют параметр Δ\ν\ν=\ν\ν0 /2.
6) Используя нейронную сеть, для каждой пары значений (\νΡ0+Δ\ν\ν. νν0 ±Δ\ν\ν) вычисляют индекс качества !'О,]|0 Х.
7) Применяя итерационную процедуру (Ы11 сйтЬшд шеШоб), определяют такую пару (νΕο,ννο), при которой индекс качества Ос имеет максимальное значение. Во время итерационной процедуры параметр Δνν корректируется.
Индекс качества вычисляют с помощью искусственной нейронной сети прямого распространения, далее - нейронной сети, с одним скрытым слоем и с одним нейроном в выходном слое с сигмоидальными функциями активации нейронов. Уровень окна и ширина окна (^Ъс,^^с), соответствующие максимальному индексу качества Ос, считают оптимальными параметрами для визуализации изображения.
Для обучения используют одно или несколько изображений, для которых опытным оператором устанавливают желаемые значения уровня окна и ширины окна (νΕΟ,ννΟ). Далее составляют таблицу из 25-ти значений.
(ЖДО± ДШШО/2 ± ΔΗΤΤσ/4,»Τ7σ ± Δ»ΤΤσ/2 ± АШЖО/4) θ 0,
ΔννΟ = ννθ/2;
- заданные значения индекса качества.
Для каждой пары (^Ь^ ννι) вычисляют входные аргументы нейронной сети (пять или более аргументов). Индекс качества 01, соответствующий паре (νΕ1,ννι), используют в качестве целевого значе
- 1 015959 ния. Таким образом, отмечая желаемые параметры уровня окна и ширины окна на заданном наборе изображений, оператор получает данные для обучения нейронной сети, после чего проводит ее обучение.
Недостатки способа по прототипу заключаются в следующем:
1. В применении к задаче контроля экспозиции, когда необходимо определить только уровень яркости, способ предоставляет избыточную информацию.
2. В способе не контролируется устойчивость алгоритма при вычислениях на серии последовательных изображений, что важно для контроля экспозиции при съемке серии изображений.
Раскрытие изобретения
Задача изобретения заключается в определении уровня яркости, соответствующего среднему значению яркости в зоне интереса медицинского рентгеновского изображения.
Технический результат заявляемого способа заключается в вычислении уровня яркости в зоне интереса медицинского рентгеновского изображения. При этом способ является устойчивым при вычислениях на серии последовательных изображений. Дополнительным техническим результатом заявляемого способа является простота аппаратной реализации и высокая скорость исполнения алгоритма.
Технический результат в способе определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, включающем получение изображения, вычисление гистограммы изображения, преобразование значений гистограммы во входные аргументы нейронной сети и вычисление уровня яркости с использованием искусственной нейронной сети, достигается тем, что значения гистограммы вычисляют с заданным интервалом группировки, нормируют к единице и используют в качестве входных аргументов нейронной сети, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, а обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.
В качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.
Интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения, с уровнем близким к единице, к числу входных аргументов нейронной сети.
Уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.
Значения гистограммы вычисляют по всем пикселям изображения. Значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.
В основе алгоритма лежит экспериментально установленный факт существования статистической зависимости между гистограммой изображения и уровнем яркости в зоне интереса.
Особенность заявляемого способа заключается в следующем.
1) В качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы изображения, вычисленной с заданным интервалом группировки.
2) Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.
3) Обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.
Для идентификации статистической зависимости между гистограммой и уровнем яркости используют искусственную нейронную сеть прямого распространения [Саймон Хайкин, Нейронные сети. Полный курс. И.Д.Вильямс, 2006, стр. 55]. Выделим основные этапы в осуществлении способа.
1) Сбор и классификация базы данных из медицинских рентгеновских изображений.
2) Построение множества обучающих примеров - множества входных аргументов нейронной сети и множества целевых значений.
3) Выбор функции ошибки и алгоритма обучения нейронной сети.
4) Обучение набора нейронных сетей с различной архитектурой, с различным числом входов, слоев и нейронов.
5) Выбор нейронной сети, с наименьшим числом параметров, наилучшим образом подходящей для решения задачи.
Осуществление способа определения уровня яркости поясняется следующими чертежами.
Краткое описание чертежей
На фиг. 1 представлен пример цифрового медицинского рентгеновского изображения с одного из рентгеновских аппаратов.
На фиг. 2 изображена зона интереса, соответствующая изображению на фиг.1.
На фиг. 3 представлен пример гистограммы 16-разрядного изображения.
- 2 015959
По горизонтали идет шкала яркости, а по вертикали - количество пикселей с данной яркостью. Вертикальными линиями показано разбиение интервала [0, Впд1Ц| на 32 части. Значение Впд1Ц определено как квантиль яркости изображения с уровнем а=0,999.
На фиг. 4 представлена типичная гистограмма относительной ошибки для обучающей выборки Еггог = 100 х (ЬегеГ/ ίενβΐ — 1) где ЬеуеГ - уровень яркости, вычисленный с помощью заявляемого способа;
Йеуе1 - уровень яркости, вычисленный по зоне интереса.
На фиг. 5 представлена типичная гистограмма относительной ошибки для тестовой выборки.
Этап подготовки базы данных изображений заключается в классификации изображений по типам органов и в построении для каждого изображения бинарного изображения с зоной интереса. Построение бинарного изображения с зоной интереса можно сделать с помощью специализированного программного обеспечения или вручную, обозначая на изображении зону интереса в любом стандартном редакторе. На первом этапе организуют базу данных, которая состоит из множества пар {1таде, Κοί}, где 1таде - исходное изображение и Κοί - изображение соответствующей зоны интереса. В нашем случае было собрано и обработано около десяти тысяч изображений.
Перейдем ко второму этапу - к этапу построения множества обучающих примеров. Для каждой пары {1таде, Κοί} вычисляют гистограмму изображения Ηίδ! с интервалом группировки, равным единице, и уровень яркости по зоне интереса Йеуе1. В качестве уровня яркости выбирают среднее значение яркости пикселей по всем пикселям зоны интереса
Йеуе1 - уровень яркости в зоне интереса; рк - значение яркости к - того пикселя;
М - количество пикселей в зоне интереса.
В результате таких вычислений для каждой пары изображений {1таде, Κοί} получают пару гистограммы и уровня яркости {Ηίδΐ, Ьеуе1}.
Гистограмму можно вычислять как по всему изображению, так и по заранее выбранной области. Как правило, пациента при съемке располагают так, чтобы изображение проекций снимаемых органов приходилось на центр цифровой матрицы. Поэтому во втором варианте вычисления гистограммы в качестве такой области можно выбрать окружность, центр которой совпадает с центром изображения, а диаметр, например, равен наименьшей стороне изображения.
Далее вычисляют для каждой пары {Ηίδ!, Ьеуе1} входные аргументы 1при! и целевые значения Тагде!. Входные аргументы и целевые значения, образующие множество обучающих примеров, должны удовлетворять следующим условиям:
1) пары {1при!, Тагде!) должны быть инвариантными относительно умножения изображения на константу и не зависеть от размера изображения (с поправкой на дискретность яркости пикселей);
2) целевые значения Тагде! должны лежать в области значений функции активации нейрона выходного слоя.
Затем необходимо обеспечить инвариантность пар {1при!, Тагде!) относительно умножения изображения на константу следующим образом. Для гистограммы Ηίδ! определяют интервал яркости [0, Вг1дН(| такой, что верхний предел Впд1Ц есть квантиль уровня а яркости пикселей изображения. Разделим интервал [0, Впд1Ц| на 8 равных интервалов и вычислим 1при!1 как сумму значений гистограммы Нщ!к, принадлежащих интервалу I,
1при!1 - значение входного аргумента с индексом ί; Н181к - значение гистограммы Ηίδ! с индексом к. В итоге значения !при11 нормируют к единице
Число 8 определяет количество входов нейронной сети и подбирается путем численных экспериментов вместе с параметром а. Входные аргументы 1при1 есть нормированные к единице значения гистограммы, вычисленной с интервалом группировки, равным отношению Впд1Ц/8. Далее для каждого Йеуе1 вычисляют отношение Тагде!' = Ьеуе1/Впдй!. Вычисленные таким образом пары {1при1,Тагде1'} инвариантны относительно умножения изображения на константу и не зависят от размера изображения.
Построение множества целевых значений осуществляют следующим образом. В качестве функций активации нейронов используют сигмоидальную функцию
область значений которой есть интервал [0,1], поэтому множество целевых значений Тагде!' также необходимо привести к этому интервалу. Для этого используют линейное преобразование
- 3 015959 Τα^βί = Таг^е/ -штрафе/} тах (Таг^е!'} - тт {Таг^е1'}
Приведем выражение для вычисления уровня Ьеуе1 по выходному значению нейронной сети Ои1ри1
Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.
В качестве функций ошибки нейронной сети используют следующие два варианта. Первый вариант есть среднеквадратичная ошибка с регуляризацией Ν
Еггог = ΚαΙίο х —- Таг§е11 )2 + (1 - Βαίίο)χ
N ;=1 к
Второй вариант - средневзвешенная квадратичная ошибка с регуляризацией
N
Еггог = Εαίίο χ Σ х (Οιιίρια, - Таг%е1, )2 + (1 - Καϋο) х Σ 4·
1=1 к
Вайо - параметр регуляризации;
- вес, соответствующий обучающей паре {ΙηριιΙ. Тагде!} с индексом ί;
N - количество обучающих пар. участвующих в вычислении ошибки;
Σχ* * - сумма квадратов всех параметров нейронной сети.
Первое слагаемое в этих выражениях определяет точность обучения нейронной сети. а второе слагаемое. регуляризующий член. обеспечивает устойчивость нейронной сети. Вес вычисляют по фор муле
Таггер / Ул ТагуД
т.е. парам с большим значением Тагде!/ соответствует меньший вес ^1.
Заключительный этап - этап обучения набора нейронных сетей различной архитектуры. Для обучения нейронной сети используют стандартный алгоритм обучения - метод сопряженного градиента с обратным распространением ошибки [Мо11ег. №ига1 №1\\όγ1<5. νοί. 6. 1993. стр.525]. Параметр регуляризации Вайо подбирают таким образом. чтобы исключить случайные выбросы более 0.5% при многократном вычислении уровня Йе\ге1 при вращении изображения. В нашем случае этот параметр оказался равным Вайо = 0.9999.
Чтобы обойти проблему переобучения. используют стандартный прием. в котором множество обучающих примеров {1при1.Тагде1} делится на две части. Одну из них используют для обучения нейронной сети. а вторую для ее тестирования. Как мы писали выше. после сбора базы данных изображений проводят их классификацию по типу органов. Далее разделяют множество обучающих примеров на две выборки в соотношении 80 и 20% таким образом. чтобы 80% каждой группы изображений попали в обучающую выборку. а оставшиеся 20% в выборку для тестирования.
Численные эксперименты показали. что для решения поставленной задачи оказалось возможным использовать нейронную сеть прямого распространения с одним скрытым слоем. с числом входов от 30 до 60 и числом нейронов от 5 до 10 в скрытом слое. Параметр α можно выбрать из интервала от 0.98 до 0.9999. Для реализации заявляемого способа определения уровня яркости в конкретном аппарате была выбрана нейронная сеть с наименьшим количеством параметров при прочих равных условиях.
Лучший вариант осуществления изобретения
Лучшим вариантом осуществления изобретения является способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения. который включает получение изображения. вычисление гистограммы изображения. преобразование значений гистограммы во входные аргументы нейронной сети и вычисление уровня яркости с использованием искусственной нейронной сети.
Значения гистограммы вычисляют с заданным интервалом группировки. нормируют к единице и используют в качестве входных аргументов нейронной сети. Уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети.
Обучение нейронной сети проводят с использованием обучающего множества. вычисленного по заданной базе изображений. в качестве множества целевых значений используют уровни яркости. вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона в выходном слое нейронной сети.
В качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.
Интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения с уровнем. близким к единице. к числу входных ар
- 4 015959 гументов нейронной сети.
Уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.
Значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.
Промышленная применимость
В заявляемом способе определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения используются известные численные методы обработки и анализа данных. При этом для получения данных используются известные аппаратные элементы и устройства.

Claims (6)

1. Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, заключающийся в том, что получают названное изображение, вычисляют его гистограмму, преобразуют значения гистограммы во входные аргументы нейронной сети и вычисляют уровень яркости с использованием искусственной нейронной сети, отличающийся тем, что значения гистограммы вычисляют с заданным интервалом группировки, нормируют к единице и используют в качестве входных аргументов нейронной сети, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, а обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.
2. Способ по п.1, отличающийся тем, что в качестве нейронной сети используют искусственную нейронную сеть прямого распространения с одним скрытым слоем и выходным слоем из одного нейрона с сигмоидальными функциями активации нейронов.
3. Способ по п.2, отличающийся тем, что интервал группировки для вычисления значений гистограммы полагают равным отношению квантиля распределения яркости пикселей изображения, с уровнем близким к единице, к числу входных аргументов нейронной сети.
4. Способ по п.1, отличающийся тем, что уровень яркости в зоне интереса изображения вычисляют как среднее значение яркости пикселей, принадлежащих зоне интереса.
5. Способ по п.1, отличающийся тем, что значения гистограммы вычисляют по всем пикселям изображения.
6. Способ по п.1, отличающийся тем, что значения гистограммы вычисляют по пикселям, принадлежащим кругу, центр которого совпадает с центром изображения, а его диаметр равен минимальной стороне изображения.
EA201100630A 2010-03-31 2010-10-21 Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения EA015959B1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2010112306/08A RU2431196C1 (ru) 2010-03-31 2010-03-31 Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения
PCT/RU2010/000611 WO2011122977A1 (ru) 2010-03-31 2010-10-21 Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения

Publications (2)

Publication Number Publication Date
EA201100630A1 EA201100630A1 (ru) 2011-10-31
EA015959B1 true EA015959B1 (ru) 2011-12-30

Family

ID=43587279

Family Applications (1)

Application Number Title Priority Date Filing Date
EA201100630A EA015959B1 (ru) 2010-03-31 2010-10-21 Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения

Country Status (9)

Country Link
US (2) US8433121B2 (ru)
EP (1) EP2555158A1 (ru)
JP (2) JP2012512730A (ru)
KR (1) KR101232010B1 (ru)
CN (1) CN102365652B (ru)
EA (1) EA015959B1 (ru)
RU (1) RU2431196C1 (ru)
UA (1) UA105196C2 (ru)
WO (1) WO2011122977A1 (ru)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9820709B2 (en) * 2012-11-29 2017-11-21 Controlrad Systems, Inc. X-ray reduction system
CN105556507B (zh) * 2013-09-18 2020-05-19 美国西门子医疗解决公司 从输入信号生成目标对象的重构图像的方法和系统
KR102216440B1 (ko) * 2013-12-04 2021-02-18 삼성전자주식회사 엑스선 영상 생성 장치 및 방법
US10722922B2 (en) 2015-07-16 2020-07-28 UHV Technologies, Inc. Sorting cast and wrought aluminum
US11969764B2 (en) 2016-07-18 2024-04-30 Sortera Technologies, Inc. Sorting of plastics
US11278937B2 (en) 2015-07-16 2022-03-22 Sortera Alloys, Inc. Multiple stage sorting
US11964304B2 (en) 2015-07-16 2024-04-23 Sortera Technologies, Inc. Sorting between metal alloys
US10625304B2 (en) 2017-04-26 2020-04-21 UHV Technologies, Inc. Recycling coins from scrap
US12017255B2 (en) 2015-07-16 2024-06-25 Sortera Technologies, Inc. Sorting based on chemical composition
US9916525B2 (en) * 2015-10-13 2018-03-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization
US10871536B2 (en) * 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
WO2018200866A1 (en) 2017-04-26 2018-11-01 UHV Technologies, Inc. Material sorting using a vision system
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis
CN110059642B (zh) * 2019-04-23 2020-07-31 北京海益同展信息科技有限公司 人脸图像筛选方法与装置
RU2731649C1 (ru) * 2019-11-28 2020-09-07 федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный медицинский университет" Министерства здравоохранения Российской Федерации (ФГБОУ ВО ОмГМУ Минздрава России) Способ оценки степени влияния экспериментальной ишемии на нервную ткань головного мозга белых крыс при окрашивании препаратов гематоксилином и эозином
CN112329788A (zh) * 2020-09-29 2021-02-05 北京空间飞行器总体设计部 一种基于直方图统计的bp神经网络目标检测方法
KR102545714B1 (ko) * 2020-10-07 2023-06-21 주식회사 오큐라이트 인공 신경망을 이용한 의료 영상의 가시화 파라미터 예측 장치 및 방법
US11707246B2 (en) 2020-10-14 2023-07-25 Canon Medical Systems Corporation Method and apparatus for automatic determination of object and background region of interest for real-time automatic dose rate control in dynamic imaging systems
CN112347972A (zh) * 2020-11-18 2021-02-09 合肥湛达智能科技有限公司 一种基于深度学习的高动态感兴趣区域图像处理方法
US11723619B2 (en) 2021-03-19 2023-08-15 Canon Medical Systems Corporation System and method for indication and selection of region of interest for x-ray dose adjustment

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000060908A1 (en) * 1999-04-02 2000-10-12 Koninklijke Philips Electronics N.V. X-ray examination apparatus with a brightness control system
US20060198552A1 (en) * 2005-03-04 2006-09-07 Siemens Aktiengesellschaft Image processing method for a digital medical examination image
US20070076937A1 (en) * 2005-09-30 2007-04-05 Siemens Aktiengesellschaft Image processing method for windowing and/or dose control for medical diagnostic devices

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5305204A (en) 1989-07-19 1994-04-19 Kabushiki Kaisha Toshiba Digital image display apparatus with automatic window level and window width adjustment
JP2937389B2 (ja) * 1990-03-16 1999-08-23 株式会社東芝 画像表示方法
JP2739386B2 (ja) * 1990-10-15 1998-04-15 富士写真フイルム株式会社 放射線画像読取条件及び／又は画像処理条件決定方法および装置
JPH0464180A (ja) * 1990-07-04 1992-02-28 Toshiba Corp ディジタル画像表示装置
JP2616520B2 (ja) * 1991-08-30 1997-06-04 株式会社島津製作所 医療用画像表示装置
US5963662A (en) * 1996-08-07 1999-10-05 Georgia Tech Research Corporation Inspection system and method for bond detection and validation of surface mount devices
US6757434B2 (en) * 2002-11-12 2004-06-29 Nokia Corporation Region-of-interest tracking method and device for wavelet-based video coding
US7218763B2 (en) * 2003-02-27 2007-05-15 Eastman Kodak Company Method for automated window-level settings for magnetic resonance images
CN101030256B (zh) * 2006-02-28 2010-05-12 东软集团股份有限公司 车辆图像分割方法和装置
JP2007301181A (ja) * 2006-05-11 2007-11-22 Ge Medical Systems Global Technology Co Llc 超音波診断装置および画像表示方法
US20090112618A1 (en) * 2007-10-01 2009-04-30 Johnson Christopher D Systems and methods for viewing biometrical information and dynamically adapting schedule and process interdependencies with clinical process decisioning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000060908A1 (en) * 1999-04-02 2000-10-12 Koninklijke Philips Electronics N.V. X-ray examination apparatus with a brightness control system
US20060198552A1 (en) * 2005-03-04 2006-09-07 Siemens Aktiengesellschaft Image processing method for a digital medical examination image
US20070076937A1 (en) * 2005-09-30 2007-04-05 Siemens Aktiengesellschaft Image processing method for windowing and/or dose control for medical diagnostic devices

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHANG C-C. ET AL.: "A connectionist approach for thresholding", PROCEEDINGS, 11TH IAPR INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION, 1992. VOL.III. CONFERENCE C: IMAGE, SPEECH AND SIGNAL ANALYSIS. THE HAGUE, NETHERLANDS 30 AUG.-3 SEPT. 1992. IEEE COMPUT. SOC., 30 August 1992 (1992-08-30), pages 522-525, XP010030221, DOI: DOI:10.1109/ICPR.1992.202039 ISBN: 978-0-8186-2920-4 * abstract paragraph [03.1] *

Also Published As

Publication number Publication date
KR20110116119A (ko) 2011-10-25
EA201100630A1 (ru) 2011-10-31
RU2431196C1 (ru) 2011-10-10
UA105196C2 (ru) 2014-04-25
US20120014586A1 (en) 2012-01-19
CN102365652A (zh) 2012-02-29
CN102365652B (zh) 2014-05-21
US8433121B2 (en) 2013-04-30
KR101232010B1 (ko) 2013-02-08
WO2011122977A1 (ru) 2011-10-06
JP2014064941A (ja) 2014-04-17
JP2012512730A (ja) 2012-06-07
US8873826B2 (en) 2014-10-28
EP2555158A1 (en) 2013-02-06
US20130230229A1 (en) 2013-09-05

Similar Documents

Publication Publication Date Title
EA015959B1 (ru) Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения
Hiraiwa et al. A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography
US20210279872A1 (en) Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
Prajapati et al. Classification of dental diseases using CNN and transfer learning
JP7422825B2 (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
US8270695B2 (en) Diagnostic image processing with automatic self image quality validation
CN105640577A (zh) 一种自动检测放射影像中局部性病变的方法和系统
Chen et al. MSLPNet: multi-scale location perception network for dental panoramic X-ray image segmentation
Mohammad et al. Accuracy of advanced deep learning with tensorflow and keras for classifying teeth developmental stages in digital panoramic imaging
Fujima et al. Utility of deep learning for the diagnosis of otosclerosis on temporal bone CT
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
Cho et al. Detection of the location of pneumothorax in chest X-rays using small artificial neural networks and a simple training process
Banjšak et al. Implementation of artificial intelligence in chronological age estimation from orthopantomographic X-ray images of archaeological skull remains
Çelik et al. The role of deep learning for periapical lesion detection on panoramic radiographs
Panyarak et al. Assessment of YOLOv3 for caries detection in bitewing radiographs based on the ICCMS™ radiographic scoring system
Ramadhan et al. Fast and accurate detection of Covid-19-related pneumonia from chest X-ray images with novel deep learning model
Guler Ayyildiz et al. Comparison of deep learning methods for the radiographic detection of patients with different periodontitis stages
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning
WO2023077238A1 (en) Hybrid classifier training for feature annotation
WO2022194855A1 (en) Detecting abnormalities in an x-ray image
Faure et al. A convolutional neural network for dental panoramic radiograph classification
Tushar et al. Data diversity and virtual imaging in AI-based diagnosis: A case study based on COVID-19
Kretz Development of model observers for quantitative assessment of mammography image quality
Titisari et al. Enhancing Breast Cancer Detection: Optimizing YOLOv8's Performance Through Hyperparameter Tuning
Ren et al. Feature Patch Based Attention Model for Dental Caries Classification

Legal Events

Date Code Title Description
MM4A Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s)

Designated state(s): MD

MM4A Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s)

Designated state(s): AM AZ BY KZ KG TJ TM RU