TWI482102B - 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 - Google Patents
強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 Download PDFInfo
- Publication number
- TWI482102B TWI482102B TW101143434A TW101143434A TWI482102B TW I482102 B TWI482102 B TW I482102B TW 101143434 A TW101143434 A TW 101143434A TW 101143434 A TW101143434 A TW 101143434A TW I482102 B TWI482102 B TW I482102B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- optical density
- target pattern
- detection
- pattern
- Prior art date
Links
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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
本發明係關於一種強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法。
隨著對檢測或偵測解析度與精度的需求增加,對於強化影像中的標的圖案與背景圖案的分別的技術愈形重要,其也被應用在各個不同的重要領域中,例如在醫學領域,該技術被用來增強疑似異常組織與正常組織的差異,以輔助醫師作出較準確的醫療診斷;另外,在半導體製程或材料的領域,該技術被用來突顯晶圓或物質表面的缺陷,以提高產線良率,對於品管有重要貢獻。
然而,在現有的影像處理技術中,標的圖案與背景圖案的分別仍嫌不足,導致難以在影像中利用自動化的方式找出是否存在標的圖案,這將提高在辨別出異常組織或晶圓與物質缺陷上的難度,因此,如何提供一種強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法可以降低在辨別出異常組織或晶圓與物質缺陷上的難度,已成為重要的課題之一。
為達上述目的,本發明提供一種強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖
案之方法,其可以應用於偵檢作業,透過強化標的圖案與背景圖案之分別,有效降低在辨別異常組織或晶圓與物質缺陷上的難度,進而與訓練影像結合後,可以建立一套分類系統或方法,有助於自動化偵檢的應用。
依據本發明之一種強化標的圖案之處理方法的步驟包括:提供一待處理影像;將待處理影像與一參考模板匹配,以選取待處理影像之至少一可疑區域,可疑區域包括一標的圖案與一背景圖案;轉換可疑區域為一灰階影像;以及轉換灰階影像為一光密度影像,以相對於背景圖案凸顯標的圖案。
在一實施例中,於選取可疑區域時,係透過一預設圖形框將可疑區域自待處理影像分離。
在一實施例中,於選取可疑區域前,更包括下列步驟:以一濾波器去除待處理影像之雜訊。
在一實施例中,參考模板係為Sech模板。
在一實施例中,轉換可疑區域係轉換可疑區域之標的圖案。
在一實施例中,灰階影像與光密度影像間的轉換,係依據入射光與透射光比值的對數將灰階度值轉換為光密度值。
在一實施例中,標的圖案係為X光組織圖案。
為達上述目的,依據本發明之一種標的圖案分類系統之產生方法的步驟包括:提供複數個訓練影像;分別將該些訓練影像與一參考模板匹配,以選取該些訓練影像中複
數個可疑區域,該些可疑區域包括一訓練用標的圖案與一訓練用背景圖案;轉換該些可疑區域為複數個灰階影像;轉換該些灰階影像為複數個光密度影像;取得各光密度影像之複數個光密度紋理特徵參數與複數個離散光密度特徵參數;以及依據一分類器選擇該些光密度紋理特徵參數與該些離散光密度特徵參數的一組合,以產生標的圖案分類系統。
在一實施例中,於選取該些可疑區域時,係透過一預設圖形框將該些可疑區域自該些訓練影像分離。
在一實施例中,於選取該些可疑區域前,更包括下列步驟:以一濾波器去除該些訓練影像之雜訊。
在一實施例中,參考模板係為Sech模板。
在一實施例中,轉換該些可疑區域係轉換該些可疑區域之該些訓練用圖案。
在一實施例中,該些灰階影像與該些光密度影像間的轉換,係依據入射光與透射光比值的對數將灰階度值轉換為光密度值。
在一實施例中,標的圖案係為X光組織圖案。
在一實施例中,光密度紋理特徵參數係藉由光密度共生矩陣演算法計算。
在一實施例中,組合包括該些光密度紋理特徵參數其中之三以及該些離散光密度特徵參數其中之二。
為達上述目的,依據本發明之一種檢測標的圖案之分類方法的步驟包括:提供一標的圖案分類系統;提供一檢
測影像;將檢測影像與參考模板匹配,以選取檢測影像中至少一可疑檢測區域,可疑檢測區域包括一檢測標的圖案與一檢測背景圖案;轉換可疑檢測區域為一灰階檢測影像;轉換灰階檢測影像為一光密度檢測影像;取得光密度檢測影像之複數個光密度紋理特徵參數與複數個離散光密度特徵參數;以及透過標的圖案分類系統,以該些光密度紋理特徵參數與該些離散光密度特徵參數的一組合,分類檢測標的圖案。
承上所述,依據本發明之一種強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法,可藉由先選取出影像中之可疑區域,再將該可疑區域透過灰階影像以及光密度影像之轉換,而使得其中之標的圖案能相對於背景圖案而被凸顯出來,如此,對於輔助醫師診斷異常組織,或品管時檢測晶圓或物質表面之缺陷等偵檢測相關應用有良好的效果。
另外,當輔以訓練影像後,可以建立一套分類系統或方法,有助於實現自動化偵檢測,避免習知因為影像中標的圖案與背景圖案之差異過小,而無法建立代表異常之門檻值的問題,使得偵檢測系統能據以為自動回報或反應之標準。
以下將參照相關圖式,說明依本發明較佳實施例之一種強化標的圖案之處理方法、標的圖案分類系統之產生方
法以及分類檢測標的圖案之方法,其中相同的元件將以相同的參照符號加以說明。
本發明之強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法可應用於各種需要偵檢測技術的領域,其例如是半導體製程品管、或物質表面分析、或醫學影像診斷等。更具體來說,本發明可應用於檢測晶圓是否有缺陷、或鋼筋表面是否有龜裂、或X光影像中是否有異常組織等,而為方便理解,以下將以診斷乳癌中,分析乳房之X光影像是否有異常組織為例,進行各實施例之說明,然需要特別注意的是,本發明並不限於此。
請參照圖1所示,其為本發明較佳實施例之一種強化標的圖案之處理方法的流程圖。強化標的圖案之處理方法包括步驟S01~步驟S04。
在步驟S01中,提供一待處理影像,在本實施例中,待處理影像例如是一乳房攝影所得的X光影像,其攝影的方式為本發明所屬領域中具有通常知識者所能理解者,包括頭腳向(cc view)或斜位向(MLO view),其中,斜位向係由乳房外側以45度的角度朝向乳房攝影所得,至於其他細節於此不再贅述。請參考圖2a,其所示為本發明一實施例中之待處理影像。
在步驟S02中,將待處理影像與一參考模板匹配,以選取待處理影像之至少一可疑區域,其中,可疑區域包括一標的圖案與一背景圖案。在本實施例中,是以乳癌檢
測,而以異常組織在影像中所構成的圖案為標的圖案為例,故所要選取的可疑區域例如是乳房的中包含疑似異常組織的區域,而背景圖案則是正常組織。
進一步來說,異常組織包括一腫塊或一腫瘤,基於其生理特性,當顯示在待處理影像中時是呈現接近中間處較亮,並且向周圍逐漸變暗的結構。因此,為有效地選取待處理影像之可疑區域,可選用與上述結構類似的參考模板作為比對基礎,以挑選出相符或相似者。具體而言,參考模板可以例如是一Sech模板,其為一種雙曲線函數圖形之模板,而該模板之計算公式如下:
在實施上,Sech模板可以透過使用者自行調整參數,例如中央亮度的最大值、周圍亮度的最小值或由中央向周圍亮度改變的梯度,以訂立過濾標準,篩選出較可能包括標的圖案的可疑區域。此外,將待處理影像與參考模板匹配後,可透過一預設圖形框將可疑區域自待處理影像分離,有助於降低處理或記憶體負擔。當然,預設圖形框可另外透過具有自適應功能的切割模板,以根據標的圖案的大小選取出具有不同尺寸的可疑區域,是以,在使用者自行調整Sech模板參數後,有可能可以得到許多各自不同且分別包括一個可疑區域的方塊影像。利用此種自適應性切割的方式有助於提高後續應用的範圍,例如當後續要以自動化檢出或判斷標的圖案時,可提高精準度。
除此之外,在選取可疑區域之前,更可包括以下其他步驟。第一,可以進行一影像前景抽取步驟,將待處理影像中的前景部分分離出來,分離後之結果可如圖2b所示。第二,可以進行一濾波器去除待處理影像之雜訊的步驟。在本實施例中,濾波器可例如是一型態濾波器,藉由濾波器可將待處理影像中屬於胸大肌等其他正常肌肉組織圖案、或血管組織圖案、或乳腺組織圖案等不需要之圖案雜訊去除,以降低選取可疑區域時發生錯誤偵測的機率,並且能夠加速系統運作。其中,在待處理影像中,胸大肌等肌肉組織圖案亮度較高,故可以透過濾波器判斷亮暗對比差異大之位置,並以三角形形狀移除該些位置旁側亮度高之區域圖案即可達成。去除胸大肌之肌肉組織圖案後的待處理影像如圖2c所示;而進一步再去除血管與乳腺組織圖案後之待處理影像如圖2d所示。
而雜訊去除後之待處理影像與參考模板(Sech模板)匹配所得之結果如圖2e所示。其中,圖2e中的該些可疑區域其中之一以預設圖形框分離前、後所示者分別如圖3a及圖3b所示,其中實線方框可代表所述之預設圖形框的大小與形狀,而實線方框內為標的圖案,如圖3b所示,實線方框外則為背景圖案。
在步驟S03中,轉換可疑區域為一灰階影像。其中,灰階影像的轉換是本發明所屬技術領域中具有通常知識者所能理解者,於此便不加以贅述。
在步驟S04中,再轉換灰階影像為一光密度影像,以
相對於背景圖案凸顯標的圖案。在本實施例中,可依據入射光與透射光比值的對數將灰階度值轉換為光密度值,具體來說,可藉由光密度轉換公式將灰階影像轉換為光密度影像,透過此種轉換方式,可強化標的圖案之區域的型態,即為異常組織或腫塊之區域的型態,使其與背景圖案的區別度增加,特別是與乳腺組織圖案的區別度增加,如圖4所示,其中,影像41係為可疑區域轉換之灰階影像,影像42係為灰階影像轉換之光密度影像。
前述之光密度轉換公式如下,而其應用係為本發明所屬領域中具有通常知識者所能理解者:
簡單來說,ODij
是第(i,j)個像素的光密度值,Iij
是灰階影像中標的圖案的第(i,j)個像素的光線強度資訊,i及j是正整數,Io
是透射光,可以是背景圖案的最大、最小或平均光線強度資訊。將轉換後的光密度值線性對映到0至255之間,其中最小的光密度值對映到0,最大的光密度值對映到255,即可得一光密度影像。
藉由上述方法,可清楚將原本待處理影像中可疑區域之標的圖案凸顯出來,即本實施例中乳房攝影影像中的異常組織圖案,尤其是當乳房攝影術的對象係為亞洲女性時,其乳房具有高乳腺緻密度的特性,而在高乳腺緻密度的影像上,因其複雜的紋理背景,造成放射科醫師難以判斷是否有異常組織存在其中,因為異常組織可能被附近乳
腺組織所遮蓋,然應用本發明之強化標的圖案之處理方法後,可以顯著地將異常組織凸顯出來,有利於醫師作為診斷參考。
請參照圖5所示,其為本發明較佳實施例之一種標的圖案分類系統之產生方法的流程圖。標的圖案分類系統之產生方法包括步驟S51~步驟S56。
在步驟S51中,提供複數個訓練影像。訓練影像可例如是複數個乳房攝影所拍攝的X光影像。採用複數個訓練影像的目的係透過該些在標的圖案上具有不同分類意義之影像,建立分類系統。其中分類意義表示該些訓練影像中,有部分具有診斷上代表異常組織之標的圖案,部分具有診斷上代表正常組織之標的圖案。
而在步驟51~步驟54則大致與前述實施例之步驟01~步驟04相同,可參考前述,當然,步驟01~步驟04間可另外包括之其他步驟亦適用於本實施例。其中,訓練影像可相對於待處理影像,惟係複數個訓練影像可分別或同時被處理;另外,訓練用標的圖案與訓練用背景圖案分別相對於標的圖案與背景圖案。
在步驟S55中,將自所有訓練影像所得且分別包括標的圖案的光密度影像取得各光密度影像之複數個光密度特徵參數。在本實施例中,光密度特徵參數包含複數個光密度紋理特徵參數與複數個離散光密度特徵參數。光密度紋理特徵參數可例如是由一光密度共生矩陣演算法取得,透過定義角度及距離可獲得光密度影像中兩兩像素之
間的光密度關聯性。在實施上,本實施例是定義4個不同角度(0度、45度、90度以及135度)以作為計算光密度特徵參數之依據。光密度紋理特徵參數可例如是以Haralick定義出14個特徵式,並針對4個共生矩陣計算出56個共生矩陣之光密度紋理特徵參數,至於其他光密度共生矩陣演算法的細節係為本發明所屬技術領域中具有通常知識者所能理解者。離散光密度特徵參數可例如是以Sameti定義的13個特徵式,其取得方式係為本發明所屬技術領域中具有通常知識者所能理解者,於此不再贅述。
在步驟S56中,依據一分類器選擇該些光密度紋理特徵參數與該些離散光密度特徵參數的一組合,以產生標的圖案分類系統。
分類器例如是依據逐步區別分析而建立,其係將所得之光密度影像視為一個訓練集合,再依據各光密度影像的69個特徵參數(包括56個光密度紋理特徵參數及13個離散光密度特徵參數)逐步區別分析出有分類意義的特徵參數,或可稱之為對判斷可疑區域的標的圖案是否為異常組織具有較高量化的代表性意義者,形成一個組合,並產出一個線性區別函數,即為標的圖案分類系統。舉例來說,上述組合包括56個光密度紋理特徵參數其中之三以及13個離散光密度特徵參數其中之二。
當上述標的圖案分類系統建立後,後續檢測所得之影像便可透過此系統進行分類,以自動化判斷是否有異常組織或表面缺陷等問題存在。
本發明另外揭露一種分類檢測標的圖案之方法。其係利用上述方法所產生之標的圖案分類系統,將一個檢測影像中的標的圖案進行分類,以例如判斷該檢測影像中是否包括異常組織或材料表面缺陷。
實作時,可參考圖1所示之步驟S01~步驟S04,將一個檢測影像轉換為光密度檢測影像,且該影像中包括檢測標的圖案與檢測背景圖案。再利用與前述實施例及圖5所示之步驟S55,計算複數個光密度紋理特徵參數與複數個離散光密度特徵參數,並據以組成一個組合。
接著,對照標的圖案分類系統所使用之參數組合,於該組合中挑選相同參數進入線性區別函數分析,便可分類該檢測標的圖案是否屬於檢測所感興趣之對象,例如異常組織或材料表面缺陷。當然,在有需要時,亦可以改變之參數組合,以調整標的圖案分類系統的分類標準,擴大或縮小有興趣對象之範圍。
舉一實例說明,在分析由南佛羅里達之數位乳房攝影資料庫中取出358個案例中,其中包含了180個惡性腫瘤、128個良性腫瘤及50個正常案例。乳房緻密度分為一到四個層級,乳腺緻密度由第一級到第四級遞增,第一級緻密度代表其組成由脂肪占多數,檢測影像內容較不複雜,肉眼判別較容易;第四級緻密度代表其組成由乳腺組織占多數,檢測影像紋理複雜,肉眼判別腫塊不易,圖6a至圖6d分別為各緻密度檢測影像利用本發明之分類檢測標的圖案之方法進行判斷的結果。
橫軸代表平均一張檢測影像出現的偽陽性個數,縱軸則代表本發明方法的敏感度。概略來說,敏感度越高越好,偽陽性個數則越低越好。明顯可見地,在第三級緻密度時,當敏感度達到88.1%時,偽陽性個數為3個;而在第四級緻密度時,當敏感度達到88.9%,偽陽性個數則為3.2個。
綜合上述,依據本發明之一種強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法,可藉由先選取出影像中之可疑區域,再將該可疑區域透過灰階影像以及光密度影像之轉換,而使得其中之標的圖案能相對於背景圖案而被凸顯出來,如此,對於輔助醫師診斷異常組織,或品管時檢測晶圓或物質表面之缺陷等偵檢測相關應用有良好的效果。
另外,當輔以訓練影像後,可以建立一套分類系統或方法,有助於實現自動化偵檢測,避免習知因為影像中標的圖案與背景圖案之差異過小,而無法建立代表異常之門檻值的問題,使得偵檢測系統能據以為自動回報或反應之標準。
以上所述僅為舉例性,而非為限制性者。任何未脫離本案之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
41、42‧‧‧影像
S01~S04、S51~S56‧‧‧步驟
圖1為本發明較佳實施例之一種強化標的圖案之處理
方法的流程圖;圖2a為本發明一實施例之待處理影像;圖2b為依據圖2a再經前景分離後之待處理影像;圖2c為依據圖2b再經去除胸大肌之肌肉組織圖案後之待處理影像;圖2d為依據圖2c再經去除血管與乳腺組織圖案後之待處理影像;圖2e為依據圖2d所得之可疑區域;圖3a為圖2e所示之可疑區域其中之一以預設圖形框分離前之標的圖案;圖3b為圖2e所示之可疑區域其中之一以預設圖形框分離後之標的圖案;圖4為依據圖3b並經灰階影像轉換為光密度影像之步驟的前、後影像圖;圖5為本發明較佳實施例之一種標的圖案分類系統之產生方法的流程圖;以及圖6a~圖6d為各緻密度檢測影像利用本發明之分類檢測標的圖案之方法進行判斷的結果。
S01~S04‧‧‧步驟
Claims (17)
- 一種強化標的圖案之處理方法,係應用於醫學影像診斷以作為異常組識的診斷參考,或應用於檢測晶圓是否有缺陷,並包括下列步驟:提供一待處理影像,其中該待處理影像為一X光影像;將該待處理影像與一參考模板匹配,以選取該待處理影像之至少一可疑區域,該可疑區域包括一標的圖案與一背景圖案;轉換該可疑區域為一灰階影像;以及轉換該灰階影像為一光密度影像,以相對於該背景圖案凸顯該標的圖案。
- 如申請專利範圍第1項所述之處理方法,其中於選取該可疑區域時,係透過一預設圖形框將該可疑區域自該待處理影像分離。
- 如申請專利範圍第1項所述之處理方法,其中於選取該可疑區域前,更包括下列步驟:以一濾波器去除該待處理影像之雜訊。
- 如申請專利範圍第1項所述之處理方法,其中該參考模板係為Sech模板。
- 如申請專利範圍第1項所述之處理方法,其中轉換該可疑區域係轉換該可疑區域之該標的圖案。
- 如申請專利範圍第1項所述之處理方法,其中該灰階影像與該光密度影像間的轉換,係依據入射光與透射光比值的對數將灰階度值轉換為光密度值。
- 如申請專利範圍第1項所述之處理方法,其中該標的圖案係為X光組織圖案。
- 一種標的圖案分類系統之產生方法,係應用於醫學影像診斷以作為異常組識的診斷參考,或應用於檢測晶圓是否有缺陷,並包括下列步驟:提供複數個訓練影像,其中該些訓練影像分別為一X光影像;分別將該些訓練影像與一參考模板匹配,以選取該些訓練影像中複數個可疑區域,該些可疑區域包括一訓練用標的圖案與一訓練用背景圖案;轉換該些可疑區域為複數個灰階影像;轉換該些灰階影像為複數個光密度影像;取得各該光密度影像之複數個光密度紋理特徵參數與複數個離散光密度特徵參數;以及依據一分類器選擇該些光密度紋理特徵參數與該些離散光密度特徵參數的一組合,以產生該標的圖案分類系統。
- 如申請專利範圍第8項所述之產生方法,其中於選取該些可疑區域時,係透過一預設圖形框將該些可疑區域自該些訓練影像分離。
- 如申請專利範圍第8項所述之產生方法,其中於選取該些可疑區域前,更包括下列步驟:以一濾波器去除該些訓練影像之雜訊。
- 如申請專利範圍第8項所述之產生方法,其中該參考 模板係為Sech模板。
- 如申請專利範圍第8項所述之產生方法,其中轉換該些可疑區域係轉換該些可疑區域之該些訓練用圖案。
- 如申請專利範圍第8項所述之產生方法,其中該些灰階影像與該些光密度影像間的轉換,係依據入射光與透射光比值的對數將灰階度值轉換為光密度值。
- 如申請專利範圍第8項所述之產生方法,其中該標的圖案係為X光組織圖案。
- 如申請專利範圍第8項所述之產生方法,其中該些光密度紋理特徵參數係藉由光密度共生矩陣演算法計算。
- 如申請專利範圍第8項所述之產生方法,其中該組合包括該些光密度紋理特徵參數其中之三以及該些離散光密度特徵參數其中之二。
- 一種檢測標的圖案之分類方法,係應用於醫學影像診斷以作為異常組識的診斷參考,或應用於檢測晶圓是否有缺陷,並包括下列步驟:依據如申請專利範圍第8項至第13項其中任一項所述之產生方法建立該標的圖案分類系統;提供一檢測影像,其中該檢測影像為一X光影像;將該檢測影像與該參考模板匹配,以選取該檢測影像中至少一可疑檢測區域,該可疑檢測區域包括一檢測標的圖案與一檢測背景圖案;轉換該可疑檢測區域為一灰階檢測影像; 轉換該灰階檢測影像為一光密度檢測影像;取得該光密度檢測影像之複數個光密度紋理特徵參數與複數個離散光密度特徵參數;以及透過該標的圖案分類系統,以該光密度檢測影像之該些光密度紋理特徵參數與該些離散光密度特徵參數的一組合,分類該檢測標的圖案。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101143434A TWI482102B (zh) | 2012-11-21 | 2012-11-21 | 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 |
US13/782,374 US20140140629A1 (en) | 2012-11-21 | 2013-03-01 | Methods for processing target pattern, method for generating classification system of target patterns and method for classifying detected target patterns |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101143434A TWI482102B (zh) | 2012-11-21 | 2012-11-21 | 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201421378A TW201421378A (zh) | 2014-06-01 |
TWI482102B true TWI482102B (zh) | 2015-04-21 |
Family
ID=50728022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101143434A TWI482102B (zh) | 2012-11-21 | 2012-11-21 | 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20140140629A1 (zh) |
TW (1) | TWI482102B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613411B2 (en) * | 2014-03-17 | 2017-04-04 | Kla-Tencor Corp. | Creating defect classifiers and nuisance filters |
US10186028B2 (en) * | 2015-12-09 | 2019-01-22 | Kla-Tencor Corporation | Defect signal to noise enhancement by reducing die to die process noise |
CN105910956B (zh) * | 2016-04-15 | 2019-02-26 | 中国科学院上海硅酸盐研究所 | 一种工业ct分析物体密度及密度分布的方法 |
TWI574671B (zh) * | 2016-06-27 | 2017-03-21 | 太豪生醫股份有限公司 | 乳房影像的分析方法以及其電子裝置 |
EP3529591B1 (en) * | 2016-10-20 | 2021-08-04 | Optina Diagnostics, Inc. | Method and system for detecting an anomaly within a biological tissue |
CN109636743B (zh) * | 2018-11-26 | 2024-05-28 | 上海集成电路研发中心有限公司 | 一种去除图像噪声的方法及装置 |
CN114648593B (zh) * | 2022-05-19 | 2022-10-14 | 南通捷茜纺织科技有限公司 | 一种纺织生产用自添液型布料浸染设备智能控制系统 |
CN115984271B (zh) * | 2023-03-20 | 2023-06-30 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
CN117541582B (zh) * | 2024-01-09 | 2024-04-19 | 山东海纳智能装备科技股份有限公司 | 一种高频变频器igbt绝缘质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5905808A (en) * | 1997-03-13 | 1999-05-18 | Ortho Diagnostic Systems, Inc. | Method and apparatus for calibrating imaging systems for analyzing agglutination reactions |
US20080144136A1 (en) * | 2006-10-18 | 2008-06-19 | Aditya Jayant Angal | Method for Generating a Tonal Response Curve for a Scanner |
US20100111396A1 (en) * | 2008-11-06 | 2010-05-06 | Los Alamos National Security | Object and spatial level quantitative image analysis |
TW201039251A (en) * | 2009-04-30 | 2010-11-01 | Novatek Microelectronics Corp | Facial expression recognition apparatus and facial expression recognition method thereof |
CN101825558B (zh) * | 2010-03-25 | 2012-05-23 | 中国科学院宁波材料技术与工程研究所 | 一种研究聚丙烯腈基碳纤维热稳定化进程的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4742552A (en) * | 1983-09-27 | 1988-05-03 | The Boeing Company | Vector image processing system |
US20050196409A1 (en) * | 2003-09-24 | 2005-09-08 | James Dao | Compositions of botanical extracts for treating malignancy-associated changes |
JP2005218796A (ja) * | 2004-02-09 | 2005-08-18 | Matsushita Electric Ind Co Ltd | 医用画像処理装置および医用画像処理方法 |
US8780182B2 (en) * | 2010-03-31 | 2014-07-15 | Raytheon Company | Imaging system and method using partial-coherence speckle interference tomography |
-
2012
- 2012-11-21 TW TW101143434A patent/TWI482102B/zh not_active IP Right Cessation
-
2013
- 2013-03-01 US US13/782,374 patent/US20140140629A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5905808A (en) * | 1997-03-13 | 1999-05-18 | Ortho Diagnostic Systems, Inc. | Method and apparatus for calibrating imaging systems for analyzing agglutination reactions |
US20080144136A1 (en) * | 2006-10-18 | 2008-06-19 | Aditya Jayant Angal | Method for Generating a Tonal Response Curve for a Scanner |
US20100111396A1 (en) * | 2008-11-06 | 2010-05-06 | Los Alamos National Security | Object and spatial level quantitative image analysis |
TW201039251A (en) * | 2009-04-30 | 2010-11-01 | Novatek Microelectronics Corp | Facial expression recognition apparatus and facial expression recognition method thereof |
CN101825558B (zh) * | 2010-03-25 | 2012-05-23 | 中国科学院宁波材料技术与工程研究所 | 一种研究聚丙烯腈基碳纤维热稳定化进程的方法 |
Non-Patent Citations (1)
Title |
---|
電腦輔助診斷系統中特徵參數於臨床乳房超音波與乳房腫瘤X光影像之應用,蘇振隆,李勇志,中原大學,20080903 * |
Also Published As
Publication number | Publication date |
---|---|
US20140140629A1 (en) | 2014-05-22 |
TW201421378A (zh) | 2014-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI482102B (zh) | 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法 | |
CN109447065B (zh) | 一种乳腺影像识别的方法及装置 | |
CN107067402B (zh) | 医疗图像处理装置及其乳房图像处理方法 | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
Tripathy et al. | Unified preprocessing and enhancement technique for mammogram images | |
US8086002B2 (en) | Algorithms for selecting mass density candidates from digital mammograms | |
Sinha et al. | Medical image processing | |
JP2010504129A (ja) | 肺結節の高度コンピュータ支援診断 | |
Helwan et al. | Shape and texture features for the identification of breast cancer | |
TWI587844B (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
KR20200108685A (ko) | 딥러닝 알고리즘을 이용한 유방의 병변 검출 프로그램 | |
Nawreen et al. | Lung cancer detection and classification using CT scan image processing | |
Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
Tarique et al. | Fourier transform based early detection of breast cancer by mammogram image processing | |
JP3852125B2 (ja) | 2次元多階調画像におけるパタン検出方法及び装置 | |
CN107564021A (zh) | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 | |
Mahoro et al. | Breast masses detection on mammograms using recent one-shot deep object detectors | |
Mencattini et al. | Bilateral asymmetry identification for the early detection of breast cancer | |
Widodo et al. | Sample K-means clustering method for determining the stage of breast cancer malignancy based on cancer size on mammogram image basis | |
TWM527991U (zh) | 醫療影像處理裝置 | |
Natarajan et al. | Detection of Tumor in Mammogram Images using Extended Local Minima Threshold | |
Nguyen et al. | Detect abnormalities in mammograms by local contrast thresholding and rule-based classification | |
Wang | A novel and automatic pectoral muscle identification algorithm for mediolateral oblique (MLO) view mammograms using ImageJ | |
US20220335602A1 (en) | Method and system for image normalisation | |
Yin et al. | Transferring learned microcalcification group detection from 2D mammography to 3D digital breast tomosynthesis using a hierarchical model and scope-based normalization features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |