TH52674B - วิธีการสำหรับลดสัญญาณรบกวนที่เกิดจากโลหะ (Metal Artifacts) แบบอัตโนมัติ บนชุดข้อมูลภาพถ่ายรังสีส่วนตัดโดยอาศัยคอมพิวเตอร์ - Google Patents

วิธีการสำหรับลดสัญญาณรบกวนที่เกิดจากโลหะ (Metal Artifacts) แบบอัตโนมัติ บนชุดข้อมูลภาพถ่ายรังสีส่วนตัดโดยอาศัยคอมพิวเตอร์

Info

Publication number
TH52674B
TH52674B TH801002451A TH0801002451A TH52674B TH 52674 B TH52674 B TH 52674B TH 801002451 A TH801002451 A TH 801002451A TH 0801002451 A TH0801002451 A TH 0801002451A TH 52674 B TH52674 B TH 52674B
Authority
TH
Thailand
Prior art keywords
matrix
metal
display
connected component
noise
Prior art date
Application number
TH801002451A
Other languages
English (en)
Other versions
TH96773A (th
Inventor
โสตถิวิรัช ดรเสาวภาคย์
แก่นสวัสดิ์ ดรดวงรัตน์
จันทร์วิเมลือง ดรธิติพร
อารีประยูรกิจ นางสาววันทนา
ขุนสนิท นายกิตติ
นาคบัวแก้ว นายวลิตะ
Original Assignee
นางสาวอรกนก พรรณรักษา
นางสาวอรุณศรี ศรีธนะอิทธิพล
นางสาวอรุณศรี ศรีธนะอิทธิพล นายชาญชัย นีรพัฒนกุล นางสาวอรกนก พรรณรักษา
นายชาญชัย นีรพัฒนกุล
Filing date
Publication date
Application filed by นางสาวอรกนก พรรณรักษา, นางสาวอรุณศรี ศรีธนะอิทธิพล, นางสาวอรุณศรี ศรีธนะอิทธิพล นายชาญชัย นีรพัฒนกุล นางสาวอรกนก พรรณรักษา, นายชาญชัย นีรพัฒนกุล filed Critical นางสาวอรกนก พรรณรักษา
Publication of TH96773A publication Critical patent/TH96773A/th
Publication of TH52674B publication Critical patent/TH52674B/th

Links

Abstract

DC60 (19/08/58) การประดิษฐ์นี้นำเสนอระเบียบวิธีการลดสัญญาณรบกวนแบบโลหะบนชุดข้อมูล ภาพถ่ายรังสีส่วนตัดอาศัยคอมพิวเตอร์แบบอัตโนมัติ โดยอาศัยเทคนิคการแปลงรูปเป็นรูปขาวดำอย่าง อัตโนมัติ (Thresholding Technique) โดยการสร้างแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ (Co-Occurrence Matrix) และใช้โลคอลเอ็นโทรปี (Local Entropy) ในการหาจุดแบ่งที่เหมาะสมของแมทริกซ์แบบโคอ็ อกเคอร์เรนซ์, และการใช้เทคนิคการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ข้อมูลภาพถ่ายรังสีส่วนตัดที่ไม่มีสัญญาณรบกวนแบบโลหะนั้นก็ช่วยให้แพทย์สามารถวิเคราะห์โรคได้ แม่นยำยิ่งขึ้น เพิ่มความมั่นใจให้กับแพทย์ผู้วินิจฉัย อนึ่งยังส่งผลที่เป็นประโยชน์ต่อตัวคนไข้เอง รวมถึง ยังสามารถนำข้อมูลภาพไปสร้างภาพสามมิติได้อย่างถูกต้อง การประดิษฐ์ระเบียบวิธีที่นำเสนอนี้ สามารถลดสัญญาณรบกวนแบบโลหะได้ในระดับหนึ่งและสามารถกระทำได้โดยอัตโนมัติ อีกทั้งยัง สามารถคำนวณได้รวดเร็ว แก้ไข 19/08/58 การประดิษฐ์นี้นำเสนอระเบียบวิธีการลดสัญญาณรบกวนแบบโลหะแบบโลหะบนชุดข้อมูล ภาพถ่ายรังสีส่วนตัดอาศัยคอมพิวเตอร์แบบอัตโนมัติ โดยอาศัยเทคนิคการแปลงรูปเป็นรูปขาวดำอย่าง อัตโนมัติ (Thresholding Technique) โดยการสร้างแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ (Co-Occurrence Matrix) และใช้โลคอลเอ็นโทรปี (Local Entropy) ในการหาจุดแบ่งที่เหมาะสมของแมทริกซ์แบบโคอ็ อกเคอร์เรนซ์, และการใช้เทคนิคการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ข้อมูลภาพถ่ายรังสีส่วนตัดที่ไม่มีสัญญาณรบกวนแบบโลหะนั้นก็ช่วยให้แพทย์สามารถวิเคราะห์โรคได้ แม่นยำขึ้น เพิ่มความมั่นใจให้กับแพทย์ผู้วินิจฉัย อนึ่งยังส่งผลที่เป็นประโยชน์ต่อตัวคนไข้เอง รวมถึง ยังสามารถนำข้อมูลภาพไปสร้างภาพสามมิติได้อย่างถูกต้อง การประดิษฐ์ระเบียบวิธีที่นำเสอนนี้ สามารถลดสัญญาณรบกวนแบบโลหะได้ในระดับหนึ่งและสามารถกระทำได้โดยอัตโนมัติ อีกทั้งยัง สามารถคำนวณได้รวดเร็ว ----------------------------------------- การประดิษฐ์นี้นำเสนอระเบียบวิธีการลดสัญญาณรบกวนแบบโลหะแบบโลหะบนชุดข้อมูล ภาพถ่ายรังสีส่วนตัดอาศัยคอมพิวเตอร์แบบอัตโนมัติ โดยอาศัยเทคนิคการแปลงรูปเป็นรูปเป็นร่างสีขาวดำอย่าง อัตโนมัติ (Theraholding Technique) โดยการสร้างแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ (Co-Occurrence Matrix) และใช้โลคอลเอ็นโทรปี (Local Entropy) ในการหาจุดแบ่งที่เหมาะสมของแมทริกซ์แบบโคอ็ อกเคอร์เรนซ์, และการใช้เทคนิคการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ข้อมูลภาพถ่ายรังสีส่วนตัดที่ไม่มีสัญญาณรบกวนแบบโลหะนั้นก็ช่วยให้แพทย์สามารถวิเคราะห์โรคได้ แม่นยำขึ้น เพิ่มความหมั่นใจให้กับแพทย์ผู้วินิจฉัย อนึ่งยังส่งผลที่เป็นประโยชน์ต่อตัวคนไข้เอง รวมถึง ยังสามารถนำข้อมูลภาพไปสร้างภาพสามมิติได้อย่างถูกต้อง การประดิษฐ์ระเบียบวิธีที่นำเสอนนี้ สามารถลดสัญญาณรบกวนแบบโลหะได้ในระดับหนึ่งและสามารถกระทำได้โดยอัตโนมัติ อีกทั้งยัง สามารถคำนวณได้รวดเร็ว

Claims (1)

ข้อถือสิทธฺ์ (ทั้งหมด) ซึ่งจะไม่ปรากฏบนหน้าประกาศโฆษณา :แก้ไข 19/08/2558 1. วิธีการสำหรับการลดสัญญาณรบกวนแบบโลหะบนชุดข้อมูลภาพถ่ายรังสีส่วนตัดอาศัยคอมพิวเตอร์แบบ อัดโนมิติ เพื่อควบคุมหน่วยประมวลผล หน่วยรับข้อมูลภาพ หน่วยความจำและหน่วยแสดงผลให้แสดงภาพที่ ได้รับการลดทอนสัญญาณรบกวนที่เกิดจากโลหะ โดยวิธีการดังกล่าวประกอบไปด้วยขั้นตอน -การนำเข้าข้อมูลภาพดิจิตอลส่วนตัด (Axial Image) -การแปลงภาพดิจิตอลดังกล่าวมาแปลงระดับความเข้มสีเทาเป็นภาพขาวดำโดยการสร้างแมทริกซ์แบบ โคอ็อกเคอร์เรนซ์ (Co-Occurrence Matrix)llละใช้โลคอลเอ็นโทรปี (Local Entropy) ในการหาจุดแบ่งที่ เหมาะสมของแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ -การกำจัดสัญญาณรบกวนแบบโลหะโดยนำภาพที่ผ่านขั้นตอนการแปลงระดับระดับความเข้มสีเทา เป็นภาพขาวดำมากำจัดสัญญาณรบกวนแบบโลหะโดยใช้วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) -การจัดเก็บข้อมูลภาพดิจิตอลส่วนตัดที่ไต้รับการลดทอนสัญญาณรบกวนแล้วลงในหน่วยความจำ มีลักษณะเฉพาะ ดือ -การแปลงระดับระดับความเข้มสีเทาเป็นภาพขาวดำโดยการสร้างแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ (Co- Occurrence Matrix) โดยการกำหนดความสัมพันธ์ระหว่างค่าความเข้มสีเทาระหว่างพิกเซล (Pixel) ในแบบไม่ สมมาตร -วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ที่ประกอบด้วยขั้นตอน -การจัดกลุ่มพิกเซลที่ติดกันให้อยู่ในกลุ่มเดียวกัน -การใส่หมายเลขกำกับกลุ่มของพิกเซลที่อยู่ในกลุ่มเดียวกัน -การจัดกลุ่มพิกเซลที่ติดกันด้วยวิถีทางการเชื่อมต่อกันตามแนวตั้งและแนวนอน (Four- Connected Neighborhood) โดยการใช้ความสัมพันธ์ระหว่างพิกเซลข้างเคียงที่เชื่อมต่อกัน -การกำจัดสัญญาณรบกวนแบบโลหะ โดยใช้วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ชะมีการแสดงผลภาพดิจิตอล โดยที่การแสดงผลดังกล่าวประกอบด้วย -การกำหนดจำนวนพิกเซลขั้นต่ำที่สุดในการแสดงผล -การแสดงผลกลุ่มพิกเซลที่มากกว่าหรือเท่ากับจำนวนพิกเซลขั้นตั้าที่สุดในการแสดงผลที่ได้ กำหนดไว้ในขั้นตอนก่อนหน้าบนหน่วยแสดงผล -------------------------------------------------------- แก้ไข 19/08/2559
1. วิธีการสำหรับการลดสัญญาณรบกวนแบบโลหะบนชุดข้อมูลภาพถ่ายรังสีส่วนตัดอาศัยคอมพิวเตอร์แบบ อัตโนมัติ เพื่อควบคุมหน่วยประมวลผล หน่วยรับข้อมูลภาพ หน่วยความจำและหน่วยแสดงผลให้แสดงภาพที่ ได้รับการลดทอนสัญญาณรบกวนที่เกิดจากโลหะ โดยวิธีการดังกล่าวประกอบไปด้วยขั้นตอน -การนำเข้าข้อมูลภาพดิจิตอลส่วนตัด (Axial Image) -การแปลงภาพดิจิตอลดังกล่าวมาแปลงระดับความเข้มสีเทาเป็นภาพขาวดำโดยการสร้างแมทริกซ์แบบ โคอ็อกเคอร์เรนซ์ (Co-Occurrence Matrix)และใช้โลคอลเอ็นโทรปี (Local Entropy) ในการหาจุดแบ่งที่ เหมาะสมของแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ -การกำจัดสัญญาณรบกวนแบบโลหะโดยนำภาพที่ผ่านขั้นตอนการแปลงระดับระดับความเข้มสีเทา เป็นภาพขาวดำมากำจัดสัญญาณรบกวนแบบโลหะโดยใช้วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) -การจัดเก็บข้อมูลภาพดิจิตอลส่วนตัดที่ได้รับการลดทอนสัญญาณรบกวนแล้วลงในหน่วยความจำ มีลักษณะเฉพาะ คือ - การแปลงระดับระดับความเข้มสีเทาเป็นภาพขาวดำโดยการสร้างแมทริกซ์แบบโคอ็อกเคอร์เรนซ์ (Co- Occurrence Matrix) โดยการกำหนดความสัมพันธ์ระหว่างค่าความเข้มสีเทาระหว่างพิกเซล (Pixel) ในแบบไม่ สมมาตร -วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) ที่ประกอบด้วยขั้นตอน -การจัดกลุ่มพิกเซลที่ติดกันให้อยู่ในกลุ่มเดียวกัน -การใส่หมายเลขกำกับกลุ่มของพิกเซลที่อยู่ในกลุ่มเดียวกัน -การจัดกลุ่มพิกเซลที่ติดกันด้วยวิถีทางการเชื่อมต่อกันตามแนวตั้งและแนวนอน (Four- Connected Neighborhood)โดยการใช้ความสัมพันธ์ ระหว่างพิกเซลข้างเคียงที่เชื่อมต่อกัน -การกำจัดสัญญาณรบกวนแบบโลหะ โดยใช้วิถีทางในการระบุชื่อองค์ประกอบเชื่อมต่อ (Connected Component Labeling) จะมีการแสดงผลภาพดิจิตอล โดยที่การแสดงผลดังกล่าวประกอบด้วย -การกำหนดจำนวนพิกเซลขั้นต่ำที่สุดในการแสดงผล -การแสดงผลกลุ่มพิกเซลที่มากกว่าหรือเท่ากับจำนวนพิกเซลขั้นต่ำที่สุดในการแสดงผลที่ได้ กำหนดไว้ในขั้นตอนก่อนหน้าบนหน่วยแสดงผล -------------------------
TH801002451A 2008-05-16 วิธีการสำหรับลดสัญญาณรบกวนที่เกิดจากโลหะ (Metal Artifacts) แบบอัตโนมัติ บนชุดข้อมูลภาพถ่ายรังสีส่วนตัดโดยอาศัยคอมพิวเตอร์ TH52674B (th)

Publications (2)

Publication Number Publication Date
TH96773A TH96773A (th) 2009-07-09
TH52674B true TH52674B (th) 2016-12-02

Family

ID=

Similar Documents

Publication Publication Date Title
Panetta et al. Tufts dental database: a multimodal panoramic x-ray dataset for benchmarking diagnostic systems
CN111768343B (zh) 用于促进检查肝脏肿瘤病例的系统和方法
CN113420826A (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN111861989B (zh) 一种脑中线检测方法、系统、终端及存储介质
CN108335270A (zh) 一种多帧图像血管特征识别及信息融合的彩色编码方法
CN111415359A (zh) 一种自动化分割医学影像多器官的方法
WO2023230345A1 (en) Articles and methods for format independent detection of hidden cardiovascular disease from printed electrocardiographic images using deep learning
CN116862830A (zh) 基于深度学习分割与分类的肾脏免疫荧光图像的识别方法
Ju et al. Collaborative learning of dynamic and static information for medical image segmentation
US9773307B2 (en) Quantification and imaging methods and system of the echo texture feature
US20220222816A1 (en) Medical image analysis system and method for identification of lesions
Li et al. Quantification of Breast Arterial Calcification in Mammograms Using a UNet-Based Deep Learning for Detecting Cardiovascular Disease
TH52674B (th) วิธีการสำหรับลดสัญญาณรบกวนที่เกิดจากโลหะ (Metal Artifacts) แบบอัตโนมัติ บนชุดข้อมูลภาพถ่ายรังสีส่วนตัดโดยอาศัยคอมพิวเตอร์
Geetha et al. Analysing Osteoporosis Detection: A Comparative Study of CNN and FNN
US11288800B1 (en) Attribution methodologies for neural networks designed for computer-aided diagnostic processes
TH96773A (th) วิธีการสำหรับลดสัญญาณรบกวนที่เกิดจากโลหะ (Metal Artifacts) แบบอัตโนมัติ บนชุดข้อมูลภาพถ่ายรังสีส่วนตัดโดยอาศัยคอมพิวเตอร์
CN117876301A (zh) 一种针对mri图像的医学图像质量评估(miqa)方法与设备
CN118570161A (zh) 医学图像质量评价方法、系统及计算机可读介质
CN111325758A (zh) 肺部图像分割方法及装置、图像分割模型的训练方法
Shimbre et al. ChestXFusionNet: A Multimodal Deep Learning Framework for Predicting Chest Diseases from X-ray Images and Clinical Data
Shakya et al. A novel SM-Net model to assess the morphological types of Sella Turcica using Lateral Cephalogram
Sulaiman et al. A Convolutional Neural Network Model for Image Enhancement of Extremely Dense Breast Tissue in Digital Breast Tomosynthesis Images
Guangyan et al. Research on Cyst of Jaw Detection Algorithm Based on Alex Net Deep Learning Model
CN114240846A (zh) 降低医学图像病灶分割结果假阳率的系统及方法
Öztürk et al. Automatic bone age assessment: a Turkish population study