KR102007525B1 - Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique - Google Patents
Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique Download PDFInfo
- Publication number
- KR102007525B1 KR102007525B1 KR1020170167605A KR20170167605A KR102007525B1 KR 102007525 B1 KR102007525 B1 KR 102007525B1 KR 1020170167605 A KR1020170167605 A KR 1020170167605A KR 20170167605 A KR20170167605 A KR 20170167605A KR 102007525 B1 KR102007525 B1 KR 102007525B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- pixel
- medical image
- diagnostic medical
- boundary point
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013507 mapping Methods 0.000 title claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
진단 의료 영상의 대비 향상 방법으로서, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계를 포함하는 진단 의료 영상의 대비 향상 방법이 제공된다.A contrast enhancement method of a diagnostic medical image, comprising: (a) extracting statistical parameters of an input diagnostic medical image; (b) distinguishing an active pixel area from an inactive pixel area based on the extracted statistical parameter; (c) an adaptive method that applies a probability density function of a corresponding original image to the deactivated pixel region of the input diagnostic medical image and applies a probability density function according to a previously modeled gamma distribution curve to the activated pixel region Obtaining a mapping function; And (d) readjusting an image histogram with respect to the input diagnostic medical image based on the acquired adaptive mapping function.
Description
본 발명은 진단 의료 영상의 대비 향상 방법에 관한 것으로서, 보다 구체적으로는 통계적 적응식 추정함수 모델링 기법을 이용한 진단 의료 영상의 대비 향상 방법에 관한 것이다. The present invention relates to a method for improving contrast of diagnostic medical images, and more particularly, to a method for improving contrast of diagnostic medical images using a statistical adaptive estimation function modeling technique.
오늘날 과학기술의 발전과 의료시스템의 첨단화에 따라 임상에서의 진단의료영상은 정확한 진단을 위하여 필수적인 요소로 자리잡게 되었다. 그러나 현재까지 병증 진단은 전문의료인의 시각적 판단으로 이루어지고 있고, 이에 진단의료영상 처리 기법이 진단율 향상에 도움을 줄 수 있는 단계까지 도달하였다.Today, with the development of science and technology and the advancement of the medical system, diagnostic imaging in clinical practice has become an essential element for accurate diagnosis. However, until now, the diagnosis of the disease has been made by the visual judgment of medical professionals, and thus the diagnostic image processing technique has reached a stage that can help to improve the diagnosis rate.
고화질 디지털 진단의료영상의 화질을 개선하기 위한 영상 처리 기법 중 하나로써 영상의 대비 향상(Contrast Enhancement) 기법이 존재한다. 이러한 대비 향상 기법은 영상에 포함된 주요 부분에 대한 대비를 극대화시켜 영상이 지닌 정보를 좀더 정확히 표현해 낼 수 있기 때문에, Human & Computer Vision, 텍스처 합성, 진단의료영상처리 등 여러 분야에서 활용되고 있다.As one of image processing techniques for improving the quality of high quality digital diagnostic medical images, there is a contrast enhancement technique. This contrast enhancement technique is used in various fields such as human & computer vision, texture synthesis, and diagnostic medical image processing because it can express the information of the image more accurately by maximizing the contrast of the main part included in the image.
기존의 대비 향상 기법으로는 히스토그램 평활화(Histogram Equalization, HE) 기법이 보편적으로 사용되고 있다. HE는 입력 영상 Gray Level의 누적 확률 분포를 기반으로 영상의 히스토그램을 재조정 하는 방법이다. 간단한 방법이지만 연산에 비해 효과가 두드러져 여러 분야에서 빈번하게 사용된다. 그러나 이 기법은 입력영상의 통계특성에 유연하게 대처하지 못한다는 단점을 지닌다.Histogram equalization (HE) is commonly used as a conventional contrast enhancement technique. HE is a method of readjusting the histogram of an image based on the cumulative probability distribution of the input image gray levels. Although it is a simple method, it is used frequently in various fields because it is more effective than operation. However, this technique has a disadvantage in that it does not flexibly cope with the statistical characteristics of the input image.
특히 진단 의료 영상의 경우 대부분의 영상의 배경이 검은색이고 히스토그램 상에서도 검은색을 띄는 픽셀의 분포가 다른 픽셀에 비해 압도적으로 많기 때문에, 히스토그램 평활화 기법을 적용하더라도 효과적인 대비 향상을 기대하기는 어렵다.In particular, in the case of diagnostic medical images, the background of most images is black and the distribution of pixels that are black on the histogram is overwhelmingly larger than that of other pixels.
본 발명은 일반 영상과 통계적 특성이 다른 진단 의료 영상의 대비 향상(contrast enhancement)을 위한 적응식 추정함수 모델링 기법에 관한 것으로, 원 진단 의료 영상으로부터 통계적 파라미터를 추출하여 활성화 픽셀을 구분하고 맵핑 함수를 모델링하여, 영상의 주요 활성화 픽셀을 강화하여 대비를 향상시키는 기법을 제공하고자 한다.The present invention relates to an adaptive estimation function modeling technique for contrast enhancement of a diagnostic medical image having different statistical characteristics from a general image. By modeling, it is intended to provide a technique for enhancing the contrast by enhancing the main active pixel of the image.
본 발명의 일 측면에 따르면, 진단 의료 영상의 대비 향상 방법으로서, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계를 포함하는 진단 의료 영상의 대비 향상 방법이 제공된다.According to an aspect of the present invention, a method for improving contrast of a diagnostic medical image, the method comprising: extracting statistical parameters of an input diagnostic medical image; (b) distinguishing an active pixel area from an inactive pixel area based on the extracted statistical parameter; (c) an adaptive method that applies a probability density function of a corresponding original image to the deactivated pixel region of the input diagnostic medical image and applies a probability density function according to a previously modeled gamma distribution curve to the activated pixel region Obtaining a mapping function; And (d) readjusting an image histogram with respect to the input diagnostic medical image based on the acquired adaptive mapping function.
본 발명의 다른 측면에 따르면, 입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하는 진단 의료 영상 처리 시스템이 제공된다. 여기서, 상기 프로세서는, 입력된 진단 의료 영상의 통계적 파라미터를 추출하고, 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하며, 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하고, 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 상기 입력된 진단 의료 영상의 대비(contrast)를 향상시킬 수 있다.According to another aspect of the invention, there is provided a diagnostic medical image processing system comprising a memory for storing the input diagnostic medical image, and at least one processor for processing the diagnostic medical image. Here, the processor extracts a statistical parameter of the input diagnostic medical image, classifies an active pixel area and an inactive pixel area based on the extracted statistical parameter, and corresponds to the inactive pixel area of the input diagnostic medical image. Obtain an adaptive mapping function that applies a probability density function of an original image as it is and applies a probability density function according to a pre-modeled gamma distribution curve for the active pixel region, and based on the obtained adaptive mapping function By adjusting the image histogram of the diagnosed medical image, the contrast of the input medical image may be improved.
본 발명의 실시예에 의하면, 각 진단 의료 영상 별 통계적 파라미터를 이용하여 히스토그램을 조정하고 대비를 향상 시킨다는 점에서 적응식이고 최적화된 알고리즘이라 할 수 있으며, 또한 활성화/비활성화 영역을 구분하여 처리하므로 기존의 대비 향상 알고리즘 보다 나은 연산 효율을 보이는 이점이 있다.According to an embodiment of the present invention, it is an adaptive and optimized algorithm in that it adjusts the histogram and improves the contrast by using statistical parameters for each diagnostic medical image. Contrast Enhancement Algorithm has the advantage of better computational efficiency.
도 1은 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법에 관한 전체 시스템 플로우.
도 2 및 도 3은 본 발명의 실시예에 따라 활성화 영역과 비활성화 영역의 경계점을 찾아가는 알고리즘에 관한 순서도.
도 4는 진단 의료 영상의 히스토그램의 일 예시.
도 5는 입력된 진단 의료 영상 중 활성화 영역의 확률밀도함수의 일 예시.
도 6은 입력된 진단 의료 영상으로부터 추출된 통계적 파라미터를 기반으로 하는 감마 분포 곡선의 일 예시.
도 7은 본 발명의 실시예에 따라 획득된 맵핑 함수의 일 예시.
도 8은 본 발명의 실시예에 따라 대비 향상된 진단 의료 영상의 예시들.1 is an overall system flow of a method for improving contrast of a diagnostic medical image according to an embodiment of the present invention.
2 and 3 are flowcharts of algorithms for finding a boundary point between an active area and an inactive area according to an embodiment of the present invention.
4 is an illustration of a histogram of a diagnostic medical image.
5 is an example of a probability density function of an active region of an input diagnostic medical image.
6 is an example of a gamma distribution curve based on statistical parameters extracted from input diagnostic medical images.
7 is an illustration of a mapping function obtained in accordance with an embodiment of the invention.
8 are illustrations of contrast enhanced diagnostic medical images in accordance with an embodiment of the invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.As the invention allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the present invention to specific embodiments, it should be understood to include all transformations, equivalents, and substitutes included in the spirit and scope of the present invention.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the present invention, when it is determined that the detailed description of the related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, numerals (eg, first, second, etc.) used in the description process of the present specification are merely identification symbols for distinguishing one component from another component.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.In addition, throughout the specification, when one component is referred to as "connected" or "connected" with another component, the one component may be directly connected or directly connected to the other component, but in particular It is to be understood that, unless there is an opposite substrate, it may be connected or connected via another component in the middle.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.In addition, throughout the specification, when a part is said to "include" a certain component, it means that it may further include other components, without excluding the other components unless otherwise stated. In addition, the terms "unit", "module", and the like described in the specification mean a unit that processes at least one function or operation, which means that it may be implemented by one or more pieces of hardware or software or a combination of hardware and software. .
도 1은 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법에 관한 전체 시스템 플로우이고, 도 2 및 도 3은 본 발명의 실시예에 따라 활성화 영역과 비활성화 영역의 경계점을 찾아가는 알고리즘에 관한 순서도이다. 또한, 도 4는 진단 의료 영상의 히스토그램의 일 예시이고, 도 5는 입력된 진단 의료 영상 중 활성화 영역의 확률밀도함수의 일 예시이며, 도 6은 입력된 진단 의료 영상으로부터 추출된 통계적 파라미터를 기반으로 하는 감마 분포 곡선의 일 예시이고, 도 7은 본 발명의 실시예에 따라 획득된 맵핑 함수의 일 예시이며, 도 8은 본 발명의 실시예에 따라 대비 향상된 진단 의료 영상의 예시들이다.1 is a complete system flow of a method for improving contrast of a diagnostic medical image according to an embodiment of the present invention, and FIGS. 2 and 3 are flowcharts of an algorithm for finding a boundary point between an active area and an inactive area according to an embodiment of the present invention. to be. In addition, FIG. 4 is an example of a histogram of a diagnostic medical image, FIG. 5 is an example of a probability density function of an active area among input diagnostic medical images, and FIG. 6 is based on statistical parameters extracted from the input diagnostic medical image. 7 is an example of a mapping function obtained according to an embodiment of the present invention, and FIG. 8 is an example of a contrast enhanced diagnostic medical image according to an embodiment of the present invention.
이하, 도 1 ~ 도 3을 중심으로 함께 첨부된 다른 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to other drawings attached together with reference to FIGS. 1 to 3.
본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계[도 1의 S10 및 S20 참조]; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계[도 1의 S30]; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 입력된 진단 의료 영상의 대비(contrast)를 향상시키는 단계[도 1의 S40 참조]를 포함한다.Contrast enhancement method of the diagnostic medical image according to an embodiment of the present invention, (a) extracting the statistical parameters of the input diagnostic medical image (see S10 and S20 of Figure 1); (b) distinguishing an active pixel area from an inactive pixel area based on the extracted statistical parameter; (c) an adaptive method that applies a probability density function of a corresponding original image to the deactivated pixel region of the input diagnostic medical image and applies a probability density function according to a previously modeled gamma distribution curve to the activated pixel region Obtaining a mapping function (S30 in FIG. 1); And (d) re-adjusting an image histogram of the input diagnostic medical image based on the obtained adaptive mapping function to improve contrast of the input diagnostic medical image (see S40 of FIG. 1). Include.
즉, 본 발명에서는 진단 의료 영상을 입력 받아 통계적 파라미터를 추출한 후, 이를 바탕으로 활성화/비활성화 픽셀 영역을 구분한 뒤, 비활성화 픽셀 영역으로 판단된 픽셀들에 대해서는 기존 입력 영상 그대로의 확률밀도함수를 적용하고(결국, 비활성화 픽셀 영역에 해당하는 픽셀들에 대해서는 아무런 대비 향상 처리를 하지 않고), 활성화 픽셀 영역으로 판단된 픽셀들에 대해서는 감마 분포 곡선을 유도하여 입력 영상의 히스토그램을 최적화하는 방식에 의함으로써 그 효율(대비 향상율 및 연산 속도)을 높였다.That is, in the present invention, after receiving the diagnostic medical image and extracting statistical parameters, the activation / deactivation pixel region is divided based on the extracted diagnosis parameter, and then the probability density function of the original input image is applied to the pixels determined as the inactive pixel region. (In the end, no contrast enhancement is performed on the pixels corresponding to the inactive pixel region), and a gamma distribution curve is derived for the pixels determined to be the active pixel region to optimize the histogram of the input image. The efficiency (contrast improvement rate and calculation speed) was raised.
여기서, 비활성화 픽셀 영역은 진단 의료 영상의 배경에서와 같이 비정상적인 분포를 가지거나 또는 정보적인 측면에서 중요하지 않은 픽셀들을 칭한다. 또한 여기서, 상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련된다. 또한, 본 발명에서는 비활성화/활성화 영역 간의 경계점을 찾아 활성화 픽셀 영역만을 분리한 후, 비활성화 픽셀 영역으로 판단된 픽셀들은 기존 입력 영상의 확률밀도함수를, 활성화 픽셀 영역으로 판단된 픽셀들은 기 모델링 된 감마분포 곡선을 각각 사용하여 하기의 수학식 1과 같이 하나의 적응식 맵핑 함수를 설계하게 된다. 이에 대해서는 이하의 설명으로부터 보다 쉽게 이해될 수 있을 것이다.Here, the inactive pixel area refers to pixels that have an abnormal distribution or are not important in terms of information, such as in a background of a diagnostic medical image. In addition, the statistical parameter may be based on a gray scale diagnostic medical image, and an average value μ of all pixel values of the image and a variance value σ of all pixel values of the image. 2 ) and the standard deviation value σ. In addition, in the present invention, after finding the boundary point between the inactive / active regions and separating only the active pixel region, the pixels determined to be the inactive pixel region use the probability density function of the existing input image, and the pixels determined to be the active pixel region are gamma modeled. Each of the distribution curves is used to design one adaptive mapping function as shown in
이에 관한 설명으로서, 활성화 픽셀 영역 및 비활성화 픽셀 영역을 분리해내는 알고리즘에 관하여 도 2 및 도 3를 참조하여 설명하면 다음과 같다.As a description of this, an algorithm for separating the active pixel region and the inactive pixel region will be described with reference to FIGS. 2 and 3 as follows.
먼저, 도 2를 참조하면, 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값(i)이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,First, referring to FIG. 2, in the case of distinguishing an active pixel area from an inactive pixel area, in the case of pixels having a pixel value i smaller than the average value μ of the input medical image,
(STEP1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라[도 2의 S210 참조], 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정한다.(STEP1) An integer value for the mean value μ when the mean value has a value smaller than 2σ according to the magnitude comparison result between the mean value μ of the inputted diagnostic medical image and 2σ (see S210 in FIG. 2). (int (μ)), otherwise, an integer value (int (μ-2σ)) for the value obtained by subtracting 2σ from the average value μ is set as the first reference pixel value.
(STEP2) 상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득한다. 여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미한다. 이에 따라, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득될 수 있다[도 2의 S220 참조].(STEP2) A first boundary point is obtained by subtracting the pixel value by one starting from the first reference pixel value until the first condition is satisfied. Here, the first condition refers to a condition in which the probability p (i) of the corresponding pixel value is greater than the average P t of the probabilities of all pixel values of the diagnostic medical image. Accordingly, the first pixel value at which p (i) is larger than P t may be obtained as the first boundary point (see S220 of FIG. 2).
(STEP3) 이에 따라, 상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 제1 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되게 된다.Accordingly, pixel values less than or equal to the pixel value T l of the first boundary point are divided into a first inactive pixel area, and pixel values exceeding the pixel value T l of the first boundary point are the first. It is divided into active pixel areas.
아울러, 도 3을 참조하면, 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,In addition, referring to FIG. 3, in the case of distinguishing an active pixel area from an inactive pixel area, in the case of pixels having a pixel value greater than the average value μ of the input medical image,
(STEP1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값(본 예에서는 255임) 간의 대소 비교 결과에 따라[도 3의 S310 참조], 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정한다.(STEP1) According to the magnitude comparison result between the sum of the average value μ of the inputted diagnostic medical image and the sum of 2σ and the maximum pixel value (255 in this example) (see S310 of FIG. 3), the sum is the above value. In case of having a value larger than the maximum pixel value, the integer value int (μ) for the average value μ, otherwise, the integer value int (μ (2 + 2σ)) for the sum value, and the second reference pixel value. Set to.
(STEP2) 상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득한다. 여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미한다. 이에 따라, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득될 수 있다[도 3의 S320 참조].(STEP2) A second boundary point is obtained by adding the pixel values by one starting from the second reference pixel value until the second condition is satisfied. Here, the second condition refers to a condition in which the probability p (i) of the corresponding pixel value is greater than the average P t of the probabilities of all pixel values of the diagnostic medical image. Accordingly, the first pixel value at which p (i) is larger than P t may be obtained as the second boundary point (see S320 of FIG. 3).
(STEP3) 이에 따라, 상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 제2 비활성화 픽셀 영역으로 구분되게 된다.Accordingly, pixel values less than the pixel value T h of the second boundary point are divided into a second active pixel area, and pixel values equal to or greater than the pixel value T h of the second boundary point are second inactive pixels. It is divided into areas.
상술한 바와 같은 방식으로 활성화 픽셀 영역과 비활성화 픽셀 영역이 구분되면, 각 픽셀 영역에 따라 하기 수학식 1과 같은 적응식 맵핑 함수를 모델링할 수 있다.When the active pixel region and the inactive pixel region are distinguished in the above-described manner, an adaptive mapping function as shown in
여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타낸다.Here, p (x) represents the original probability density function of the input diagnostic medical image, and p l (x) and p h (x) represent the mean value and the variance of the pixel values of each of the first and second activated pixel regions. Shows the probability density function according to the gamma distribution curve modeled based on.
즉, 수학식 1의 첫번째 행의 맵핑 함수는 제1 비활성화 픽셀 영역에 관한 맵핑 함수로서 진단 의료 영상 본래의 확률밀도함수를 적용한 것이고, 두번째 행의 맵핑 함수는 제1 활성화 픽셀 영역에 관한 맵핑 함수로서 제1 활성화 픽셀 영역의 픽셀값들의 평균값 및 분산값에 기반하여 모델링된 감마분포곡선에 따른 확률밀도함수를 적용한 것이며, 세번째 행의 맵핑 함수는 제2 활성화 픽셀 영역에 관한 맵핑 함수로서 제2 활성화 픽셀 영역의 픽셀값들의 평균값 및 분산값에 기반하여 모델링된 감마분포곡선에 따른 확률밀도함수를 적용한 것이고, 네번째 행의 맵핑 함수는 제2 비활성화 픽셀 영역에 관한 맵핑 함수로서 진단 의료 영상 본래의 확률밀도함수를 적용한 것이다.That is, the mapping function of the first row of
이에 따르면, 일 예로서 도 4와 같은 히스토그램을 가지는 진단 의료 영상을 앞서 설명한 도 2 및 도 3의 알고리즘을 이용하여 픽셀 영역을 분리 했을 때 활성화 픽셀 영역의 확률밀도함수는 도 5와 같고, 이와 같이 분리된 활성화 픽셀 영역를 바탕으로 추출된 통계적 파라미터(즉, 각 활성화 픽셀 영역의 픽셀들의 평균값 및 분산값)를 이용한 감마 분포 곡선은 도 6과 같다. 이러한 방식으로 분리된 각 영역의 맵핑 함수를 종합하여 수학식 1과 같은 하나의 함수로 설계하고 이를 도시하면 도 7과 같다. 도 8의 (a)는 상-복부 CT, (b)는 하-두부 x-ray에 관하여, 최종적으로 얻어진 하나의 적응식 맵핑 함수를 가지고 진단 의료 영상에 적용했을 때 결과이다.According to this, as an example, when the diagnostic medical image having the histogram as shown in FIG. 4 is separated using the algorithm of FIGS. 2 and 3, the probability density function of the active pixel region is as shown in FIG. 5. A gamma distribution curve using statistical parameters extracted based on the separated active pixel areas (ie, average and variance values of pixels of each active pixel area) is shown in FIG. 6. A mapping function of each region separated in this manner is designed to be a single function as shown in
상술한 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은, 입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하는 진단 의료 영상 처리 시스템으로서, 상기 프로세서에 의해 실행될 수 있다.The method of improving contrast of a diagnostic medical image according to an exemplary embodiment of the present invention is a diagnostic medical image processing system including a memory storing an input diagnostic medical image and at least one processor for processing the diagnostic medical image. It can be executed by the processor.
또한, 상술한 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. In addition, the method for improving contrast of a diagnostic medical image according to the embodiment of the present invention described above may be implemented as computer readable codes on a computer readable recording medium. Computer-readable recording media include all kinds of recording media having data stored thereon that can be decrypted by a computer system. For example, there may be a read only memory (ROM), a random access memory (RAM), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, and the like. In addition, the computer-readable recording medium may be distributed and executed in a computer system connected to a computer network, and may be stored and executed as a code readable in a distributed manner.
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.Although the above has been described with reference to embodiments of the present invention, those skilled in the art may variously modify the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. And can be changed easily.
Claims (11)
(a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 픽셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계를 포함하고,
상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련되며,
상기 단계 (b)에서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,
(b1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라, 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정하는 단계; (b2) 상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득하는 단계-여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득됨-; (b3) 상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되는 단계를 포함하는, 진단 의료 영상의 대비 향상 방법.
As a method of improving the contrast of diagnostic medical images,
(a) extracting statistical parameters of the input diagnostic medical image; (b) distinguishing an active pixel area from an inactive pixel area based on the extracted statistical parameter; (c) an adaptive method that applies the probability density function of the original image as it is to the inactivated pixel region of the input diagnosis medical image, and applies the probability density function according to a previously modeled gamma distribution curve to the activated pixel region Obtaining a mapping function; And (d) readjusting an image histogram with respect to the input diagnostic medical image based on the obtained adaptive mapping function,
The statistical parameter may be based on a gray scale diagnostic medical image, and includes an average value μ of all pixel values of the image, a variance value σ 2 regarding all pixel values of the image, and Is associated with any one of the standard deviation values (σ),
In the step (b), in the case of pixels having a value smaller than the average value μ in the input diagnostic medical image,
(b1) If the mean value has a value smaller than 2σ, the integer value (int (μ)) for the mean value μ is determined according to the magnitude comparison result between the mean value μ and 2σ of the input medical image. Otherwise, setting an integer value (int (μ-2σ)) for a value obtained by subtracting 2σ from the average value μ as a first reference pixel value; (b2) obtaining a first boundary point by subtracting the pixel value by one until the first condition is satisfied, starting from the first reference pixel value, wherein the first condition is a probability (p ( i)) means a condition that is larger than an average P t of probabilities for all pixel values of the diagnostic medical image, and the first pixel value at which p (i) is larger than P t is obtained as the first boundary point. -; (b3) Pixel values below the pixel value T l of the first boundary point are divided into an inactive pixel area, and pixel values exceeding the pixel value T l of the first boundary point are divided into a first active pixel area. The method of claim 1, further comprising contrasting the diagnostic medical image.
상기 단계 (b)에서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,
(b4) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값 간의 대소 비교 결과에 따라, 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정하는 단계;
(b5) 상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득하는 단계-여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득됨-;
(b6) 상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 비활성화 픽셀 영역으로 구분되는 단계
를 포함하는, 진단 의료 영상의 대비 향상 방법.
The method of claim 1,
In the step (b), when the pixel value of the input diagnostic medical image has a value larger than the average value (μ),
(b4) the average value (μ) when the sum value is larger than the maximum pixel value according to a magnitude comparison result between the average value (μ) of the inputted diagnostic medical image and the sum value of 2σ and the maximum pixel value Setting an integer value (int (μ)) for, otherwise an integer value (int (μ + 2σ)) for the sum to a second reference pixel value;
(b5) obtaining a second boundary point by adding pixel values by one until the second condition is satisfied, starting from the second reference pixel value, wherein the second condition is a probability p (p () i)) means a condition that is larger than an average P t of probabilities for all pixel values of the diagnostic medical image, and the first pixel value at which p (i) is larger than P t is obtained as the second boundary point. -;
(b6) dividing pixel values below the pixel value T h of the second boundary point into a second active pixel area, and pixel values greater than or equal to the pixel value T h of the second boundary point into an inactive pixel area.
Containing, method for improving the contrast of the diagnostic medical image.
상기 단계 (c)에서, 상기 적응식 맵핑 함수는 하기 수학식 1에 의해 정의되는, 진단 의료 영상의 대비 향상 방법.
[수학식 1]
여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타냄.
The method of claim 4, wherein
In step (c), the adaptive mapping function is defined by Equation 1 below, the contrast enhancement method of a diagnostic medical image.
[Equation 1]
Here, p (x) represents the original probability density function of the input diagnostic medical image, and p l (x) and p h (x) represent the mean value and the variance of the pixel values of each of the first and second activated pixel regions. Probability density function according to the gamma distribution curve modeled based on
입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하되, 상기 프로세서는,
입력된 진단 의료 영상의 통계적 파라미터를 추출하고, 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하며, 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고 상기 활성화 픽셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하고, 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 상기 입력된 진단 의료 영상의 대비(contrast)를 향상시키되,
상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련되며,
상기 프로세서는, 상기 활성화 픽셀 영역과 상기 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,
상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라, 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정하고,
상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득하며-여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득됨-,
상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되는 것을 특징으로 하는, 진단 의료 영상 처리 시스템.
A diagnostic medical image processing system,
Memory for storing the input diagnostic medical image, and at least one processor for processing the diagnostic medical image, the processor,
Extracting statistical parameters of the input diagnostic medical image, and classifying an active pixel area and an inactive pixel area based on the extracted statistical parameter, and a probability density function of the corresponding original image for the inactive pixel area of the input diagnostic medical image Is applied to the active pixel region and an adaptive mapping function for applying a probability density function according to a pre-modeled gamma distribution curve, and based on the acquired adaptive mapping function, By recalibrating the image histogram, the contrast of the input diagnostic medical image is improved,
The statistical parameter may be based on a gray scale diagnostic medical image, and includes an average value μ of all pixel values of the image, a variance value σ 2 regarding all pixel values of the image, and Is associated with any one of the standard deviation values (σ),
The processor may be configured to distinguish between the active pixel area and the inactive pixel area, in the case of pixels having a pixel value smaller than the average value μ in the input diagnostic medical image.
According to the result of the magnitude comparison between the mean value μ and 2σ of the input medical image, if the mean value is smaller than 2σ, an integer value int (μ) relative to the mean value μ is not obtained. In this case, an integer value (int (μ-2σ)) for a value obtained by subtracting 2σ from the average value μ is set as a first reference pixel value.
A first boundary point is obtained by subtracting a pixel value by one until the first condition is satisfied starting from the first reference pixel value, wherein the first condition is a probability p (i) Means a condition that is larger than an average P t of probabilities for all pixel values of the diagnostic medical image, wherein the first pixel value at which p (i) is greater than P t is obtained as the first boundary point,
Pixel values below the pixel value T l of the first boundary point are divided into an inactive pixel area, and pixel values exceeding the pixel value T l of the first boundary point are divided into a first active pixel area. Diagnostic medical image processing system.
상기 프로세서는, 상기 활성화 픽셀 영역과 상기 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,
상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값 간의 대소 비교 결과에 따라, 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정하고,
상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득하며-여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득됨-,
상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 비활성화 픽셀 영역으로 구분되는 것을 특징으로 하는, 진단 의료 영상 처리 시스템.
The method of claim 6,
The processor may be configured to distinguish between the active pixel area and the inactive pixel area, in the case of pixels having a pixel value greater than the average value μ in the input diagnostic medical image.
An integer value for the average value μ when the sum value is greater than the maximum pixel value according to a magnitude comparison result between the average value μ of the inputted diagnostic medical image and the sum value of 2σ and the maximum pixel value Set the value int (μ), otherwise the integer value for the sum (int (μ + 2σ)) to a second reference pixel value,
A second boundary point is obtained by adding pixel values by one until the second condition is satisfied, starting from the second reference pixel value, wherein the second condition is a probability p (i) Means a condition that is larger than an average P t of probabilities for all pixel values of the diagnostic medical image, wherein the first pixel value at which p (i) is larger than P t is obtained as the second boundary point,
Pixel values less than the pixel value T h of the second boundary point are divided into a second active pixel area, and pixel values greater than the pixel value T h of the second boundary point are divided into an inactive pixel area. , Diagnostic medical image processing system.
상기 적응식 맵핑 함수는 하기 수학식 2에 의해 정의되는, 진단 의료 영상 처리 시스템.
[수학식 2]
여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타냄.
10. The method of claim 9,
The adaptive mapping function is defined by Equation 2 below.
[Equation 2]
Here, p (x) represents the original probability density function of the input diagnostic medical image, and p l (x) and p h (x) represent the mean value and the variance of the pixel values of each of the first and second activated pixel regions. Probability density function according to the gamma distribution curve modeled based on
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170167605A KR102007525B1 (en) | 2017-12-07 | 2017-12-07 | Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170167605A KR102007525B1 (en) | 2017-12-07 | 2017-12-07 | Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190067551A KR20190067551A (en) | 2019-06-17 |
| KR102007525B1 true KR102007525B1 (en) | 2019-08-05 |
Family
ID=67064933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170167605A KR102007525B1 (en) | 2017-12-07 | 2017-12-07 | Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102007525B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018741A (en) * | 2022-06-07 | 2022-09-06 | 成都微光集电科技有限公司 | Image processing method and device |
| CN116758069B (en) * | 2023-08-17 | 2023-11-14 | 济南宝林信息技术有限公司 | Medical image enhancement method for intestinal endoscope |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005175933A (en) * | 2003-12-11 | 2005-06-30 | Hitachi Advanced Digital Inc | Image processing method |
| JP2007068852A (en) | 2005-09-08 | 2007-03-22 | Hitachi Medical Corp | Medical image display method and medical diagnostic imaging apparatus |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100456017B1 (en) * | 2002-02-06 | 2004-11-08 | 삼성전자주식회사 | Contrast enhancement apparatus using histogram matching and method thereof |
-
2017
- 2017-12-07 KR KR1020170167605A patent/KR102007525B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005175933A (en) * | 2003-12-11 | 2005-06-30 | Hitachi Advanced Digital Inc | Image processing method |
| JP2007068852A (en) | 2005-09-08 | 2007-03-22 | Hitachi Medical Corp | Medical image display method and medical diagnostic imaging apparatus |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190067551A (en) | 2019-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9251614B1 (en) | Background removal for document images | |
| US11276232B2 (en) | Intervertebral disc modeling | |
| US20090279778A1 (en) | Method, a system and a computer program for determining a threshold in an image comprising image values | |
| US8787690B2 (en) | Binarizing an image | |
| JP6136537B2 (en) | Image processing apparatus, image processing method, image processing control program, and recording medium | |
| EP1596323A1 (en) | Specified object detection apparatus | |
| US20140204238A1 (en) | Feature extraction apparatus, feature extraction program, and image processing apparatus | |
| US10169673B2 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
| US11455730B2 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium | |
| US20050213845A1 (en) | Method and product for processing digital images | |
| CN111696064B (en) | Image processing method, device, electronic equipment and computer readable medium | |
| US8594446B2 (en) | Method for enhancing a digitized document | |
| CN112132854B (en) | Image segmentation method and device and electronic equipment | |
| Kumarganesh et al. | An efficient approach for brain image (tissue) compression based on the position of the brain tumor | |
| Abbas et al. | Unified approach for lesion border detection based on mixture modeling and local entropy thresholding | |
| KR102007525B1 (en) | Method for contrast enhancement of medical diagnostic image using statistical estimation and mapping function modeling technique | |
| CN112052854B (en) | Medical image reversible information hiding method for realizing self-adaptive contrast enhancement | |
| CN111192241A (en) | Quality evaluation method and device of face image and computer storage medium | |
| JP5088329B2 (en) | Cell feature amount calculating apparatus and cell feature amount calculating method | |
| US9538920B2 (en) | Standalone annotations of axial-view spine images | |
| WO2021009804A1 (en) | Method for learning threshold value | |
| US10580127B2 (en) | Model generation apparatus, evaluation apparatus, model generation method, evaluation method, and storage medium | |
| EP1692657A1 (en) | Methods and apparatus for binarising images | |
| CN117115117A (en) | Pathological image recognition method based on small sample, electronic equipment and storage medium | |
| CN116433695A (en) | Mammary gland region extraction method and system of mammary gland molybdenum target image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |