RU2015129499A - Количественное формирование изображения - Google Patents
Количественное формирование изображения Download PDFInfo
- Publication number
- RU2015129499A RU2015129499A RU2015129499A RU2015129499A RU2015129499A RU 2015129499 A RU2015129499 A RU 2015129499A RU 2015129499 A RU2015129499 A RU 2015129499A RU 2015129499 A RU2015129499 A RU 2015129499A RU 2015129499 A RU2015129499 A RU 2015129499A
- Authority
- RU
- Russia
- Prior art keywords
- histogram
- irregularity
- map
- irregularity map
- unscaled
- Prior art date
Links
- 230000015572 biosynthetic process Effects 0.000 title 1
- 238000000034 method Methods 0.000 claims 18
- 239000002872 contrast media Substances 0.000 claims 3
- 238000009826 distribution Methods 0.000 claims 2
- 239000006185 dispersion Substances 0.000 claims 1
- 239000011159 matrix material Substances 0.000 claims 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- 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 by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Claims (43)
1. Способ, содержащий этапы, на которых:
получают немасштабированную карту нерегулярности, генерируемую на основании локальных взвешенных гистограмм распределений вокселей для вокселей, представляющих интерес, из данных объемного изображения субъекта или объекта, причем локальные взвешенные гистограммы включают в себя множество столбцов, имеющих заранее определенную ширину столбца, и локальные весовые коэффициенты определяются на основании заранее определенной длины кластера; и
масштабируют немасштабированную карту нерегулярности, генерируя масштабированную карту нерегулярности, причем немасштабированная карта нерегулярности масштабируется на основании, по меньшей мере, ширины столбца гистограммы.
2. Способ по п. 1, дополнительно содержащий этап, на котором:
представляют масштабированную карту нерегулярности через значение энтропии.
3. Способ по п. 1, дополнительно содержащий этап, на котором:
представляют масштабированную карту нерегулярности через одну или более из обратной величины однородности локальной взвешенной гистограммы или статистики высокого порядка локальной взвешенной гистограммы высокого порядка, причем гистограмма высокого порядка основана на матрице смежности уровней серого, и статистика высокого порядка включают в себя энтропию или обратные величины функций однородности.
4. Способ по п. 1, дополнительно содержащий этап, на котором:
масштабируют немасштабированную нерегулярность как функцию логарифма ширины столбца гистограммы.
5. Способ по п. 1, в котором масштабированная карта нерегулярности не зависит от ширины столбца гистограммы.
6. Способ по п. 1, в котором заранее определенная ширина столбца и заранее определенная длина кластера оптимизируются для получения наивысшей четкости карт нерегулярности.
7. Способ по п. 6, дополнительно содержащий этап, на котором:
оценивают минимальную ширину столбца, при которой максимальная измеримая энтропия меньше или равна максимальной доступной энтропии благодаря использованию конкретной маски весовых коэффициентов гистограммы и максимального диапазона значений изображения.
8. Способ по п. 6, дополнительно содержащий этап, на котором:
определяют максимальную ширину столбца, представляющего интерес, на основании шума изображения.
9. Способ по п. 6, дополнительно содержащий этап, на котором:
определяют оптимальную ширину столбца и оптимальную длину кластера на основании максимизации произведения дисперсии и смещенного среднего значений карты нерегулярности.
10. Способ по п. 1, дополнительно содержащий этап, на котором:
масштабируют немасштабированную карту нерегулярности на основании шума изображения.
11. Способ по п. 10, дополнительно содержащий этап, на котором:
масштабируют немасштабированную карту нерегулярности прямым обращением свертки данной гистограммы шума из полной гистограммы, которая является гистограммой реальной текстуры с добавленным шумом.
12. Способ по п. 1, дополнительно содержащий этап, на котором:
масштабируют немасштабированную карту нерегулярности на основании концентрации контрастного агента.
13. Способ по п. 12, дополнительно содержащий этап, на котором:
масштабируют немасштабированную карту нерегулярности как функцию кологарифма разности средних значений изображения контрастного сканирования и средних значений изображения
неконтрастного сканирования.
14. Способ по п. 1, дополнительно содержащий этап, на котором:
визуально представляют, по меньшей мере, одну из масштабированной карты нерегулярности или немасштабированной карты нерегулярности, либо рядом с данными объемного изображения, либо объединенными с данными объемного изображения.
15. Способ по п. 1, дополнительно содержащий этап, на котором:
визуально представляют, по меньшей мере, одну из масштабированной карты нерегулярности или немасштабированной карты нерегулярности с использованием карты цветов совместно с линейчатой цветовой шкалой.
16. Способ по п. 1, дополнительно содержащий этап, на котором:
визуально представляют значение, указывающее, по меньшей мере, одно из пределов шкалы, логарифма ширины столбца, оценки энтропии шума изображения или верхнего предела динамического диапазона.
17. Способ по п. 1, дополнительно содержащий этап, на котором:
осуществляют анализ значений карты нерегулярности в области или объеме, представляющем интерес.
18. Способ по п. 1, дополнительно содержащий этап, на котором:
вычисляют среднее значение карты нерегулярности и соответствующее среднеквадратическое отклонение в области или объеме, представляющем интерес.
19. Система обработки данных изображения, содержащая:
генератор масштабированной карты нерегулярности, который получает немасштабированную карту нерегулярности, генерируемую на основании локальных взвешенных гистограмм распределений вокселей для вокселей, представляющих интерес, из данных объемного изображения субъекта или объекта, причем локальные взвешенные гистограммы включают в себя множество столбцов, имеющих заранее определенную ширину столбца и заранее
определенную длину кластера, причем генератор масштабированной карты нерегулярности включает в себя:
блок масштабирования ширины столбца гистограммы, которая масштабирует немасштабированную карту нерегулярности, генерация масштабированной карты нерегулярности, причем немасштабированная карта нерегулярности масштабируется на основании, по меньшей мере, одного из ширины столбца гистограммы, шума изображения или концентрации контрастного агента.
20. Система по п. 19, в которой масштабированная карта нерегулярности представляется в виде одной или более из энтропии или обратной величины однородности локальной взвешенной гистограммы, или статистики высокого порядка локальной взвешенной гистограммы высокого порядка.
21. Компьютерно-считываемый носитель данных, на котором хранятся одна или более компьютерно-исполнимых инструкций, которые, при выполнении процессором вычислительной системы, предписывают процессору:
масштабировать немасштабированную карту нерегулярности, генерировать масштабированную карту нерегулярности, причем немасштабированная карта нерегулярности масштабируется на основании, по меньшей мере, одного из ширины столбца гистограммы, шума изображения или концентрации контрастного агента, и масштабированная карта нерегулярности представляется в виде одной или более из энтропии или обратной величины однородности локальной взвешенной гистограммы или статистики высокого порядка локальной взвешенной гистограммы высокого порядка.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261739896P | 2012-12-20 | 2012-12-20 | |
US61/739,896 | 2012-12-20 | ||
PCT/IB2013/060995 WO2014097124A2 (en) | 2012-12-20 | 2013-12-16 | Quantitative imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2015129499A true RU2015129499A (ru) | 2017-01-25 |
Family
ID=50114413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015129499A RU2015129499A (ru) | 2012-12-20 | 2013-12-16 | Количественное формирование изображения |
Country Status (7)
Country | Link |
---|---|
US (1) | US9600877B2 (ru) |
EP (1) | EP2936430B1 (ru) |
JP (1) | JP6353463B2 (ru) |
CN (1) | CN104871207B (ru) |
BR (1) | BR112015014288A2 (ru) |
RU (1) | RU2015129499A (ru) |
WO (1) | WO2014097124A2 (ru) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6299504B2 (ja) * | 2014-07-23 | 2018-03-28 | 株式会社島津製作所 | 画像解析装置 |
CN107111883B (zh) * | 2014-10-30 | 2020-12-08 | 皇家飞利浦有限公司 | 用于图像数据的纹理分析图 |
WO2017080847A1 (en) | 2015-11-10 | 2017-05-18 | Koninklijke Philips N.V. | Method for automatic optimization of quantitative map generation in functional medical imaging |
WO2017102529A1 (en) * | 2015-12-17 | 2017-06-22 | Koninklijke Philips N.V. | Method for generating contrast agent concentration map |
US20170238882A1 (en) * | 2016-02-18 | 2017-08-24 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for medical imaging |
WO2017198878A1 (de) * | 2016-05-20 | 2017-11-23 | Universität des Saarlandes | Automatisierte empfehlung zur gabe von echokontrastmittel mittels machine-learning-algorithmen |
US11120888B2 (en) * | 2016-08-15 | 2021-09-14 | Imaging Endpoints II LLC | Systems and methods for predicting lung cancer immune therapy responsiveness using quantitative textural analysis |
JP6792840B2 (ja) * | 2016-11-15 | 2020-12-02 | 株式会社島津製作所 | X線透視装置及びx線透視方法 |
US10332634B2 (en) | 2017-03-14 | 2019-06-25 | Imaging Endpoints II LLC | Systems and methods for reliably diagnosing breast cancer using quantitative textural analysis |
GB201820044D0 (en) * | 2018-10-29 | 2019-01-23 | Univ Oxford Innovation Ltd | Radiomic signature of an epicardial region |
US10779798B2 (en) * | 2018-09-24 | 2020-09-22 | B-K Medical Aps | Ultrasound three-dimensional (3-D) segmentation |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466687B1 (en) | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
EP1347416B1 (en) * | 2002-02-22 | 2010-04-28 | Agfa HealthCare NV | Gradation processing method |
SE528089C2 (sv) * | 2004-04-30 | 2006-08-29 | Elekta Ab | Metod och system för automatiskt förbättrande av användbarheten för en medicinsk bild |
US20100266179A1 (en) | 2005-05-25 | 2010-10-21 | Ramsay Thomas E | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
GB0705223D0 (en) | 2007-03-19 | 2007-04-25 | Univ Sussex | Method, apparatus and computer program for analysing medical image data |
US7706497B2 (en) * | 2008-03-14 | 2010-04-27 | General Electric Company | Methods and apparatus for noise estimation for multi-resolution anisotropic diffusion filtering |
US8634610B2 (en) | 2008-06-20 | 2014-01-21 | The Trustees Of The University Of Pennsylvania | System and method for assessing cancer risk |
US8891842B2 (en) * | 2010-02-02 | 2014-11-18 | Koninklijke Philips N.V. | Functional imaging |
JP2011203811A (ja) * | 2010-03-24 | 2011-10-13 | Fujifilm Corp | 画像処理装置、画像処理方法、画像処理プログラム、及び複眼デジタルカメラ |
US8811724B2 (en) | 2010-05-11 | 2014-08-19 | The University Of Copenhagen | Classification of medical diagnostic images |
US20140184608A1 (en) | 2011-05-05 | 2014-07-03 | Richard A. Robb | Systems and methods for analyzing in vivo tissue volumes using medical imaging data |
US8897554B2 (en) * | 2011-12-13 | 2014-11-25 | The Nielsen Company (Us), Llc | Video comparison using color histograms |
-
2013
- 2013-12-16 RU RU2015129499A patent/RU2015129499A/ru not_active Application Discontinuation
- 2013-12-16 JP JP2015548828A patent/JP6353463B2/ja active Active
- 2013-12-16 CN CN201380067184.7A patent/CN104871207B/zh active Active
- 2013-12-16 BR BR112015014288A patent/BR112015014288A2/pt not_active IP Right Cessation
- 2013-12-16 EP EP13830102.3A patent/EP2936430B1/en active Active
- 2013-12-16 WO PCT/IB2013/060995 patent/WO2014097124A2/en active Application Filing
- 2013-12-16 US US14/649,723 patent/US9600877B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US9600877B2 (en) | 2017-03-21 |
CN104871207A (zh) | 2015-08-26 |
JP6353463B2 (ja) | 2018-07-04 |
EP2936430B1 (en) | 2018-10-31 |
CN104871207B (zh) | 2018-07-17 |
BR112015014288A2 (pt) | 2017-07-11 |
EP2936430A2 (en) | 2015-10-28 |
WO2014097124A2 (en) | 2014-06-26 |
US20160217566A1 (en) | 2016-07-28 |
JP2016501606A (ja) | 2016-01-21 |
WO2014097124A3 (en) | 2014-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2015129499A (ru) | Количественное формирование изображения | |
JP2016501606A5 (ru) | ||
CN101872479B (zh) | 一种立体图像客观质量评价方法 | |
CN101882304B (zh) | 一种sar图像自适应去噪和特征增强方法 | |
US9098919B2 (en) | Detecting motion in a high resolution video | |
CN101950422B (zh) | 一种基于奇异值分解的图像质量评价方法 | |
RU2014152713A (ru) | Измерение тела | |
JP2015533434A5 (ru) | ||
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
WO2016035305A1 (en) | Method for denoising noisy image | |
CN105549009A (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN112365418A (zh) | 一种图像失真评测的方法、装置及计算机设备 | |
CN107371015A (zh) | 一种无参考对比度变化图像质量评价方法 | |
CN104318545A (zh) | 一种用于雾天偏振图像的质量评价方法 | |
CN105550998B (zh) | 基于二代小波整数变换的图像增强方法及图像增强系统 | |
CN105405100B (zh) | 一种稀疏驱动sar图像重建正则化参数自动选择方法 | |
Bernander et al. | Improving the stochastic watershed | |
CN102855612A (zh) | 基于灰度线阵ccd图像的自适应增强算法 | |
CN105608673B (zh) | 图像颜色量化与抖动方法和系统 | |
CN111369435A (zh) | 基于自适应稳定模型的彩色图像深度上采样方法及系统 | |
Bjørke | Exploration of information theoretic arguments for the limited amount of information in a map | |
Gao et al. | Comparison and analysis between different versions of FXAA | |
Hazelton | Kernel smoothing methods | |
Zhang et al. | Region-based image retargeting quality assessment | |
US9215440B2 (en) | Efficient EWA video rendering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FA92 | Acknowledgement of application withdrawn (lack of supplementary materials submitted) |
Effective date: 20171215 |