TWI624807B - 醫學影像之迭代式分析法 - Google Patents
醫學影像之迭代式分析法 Download PDFInfo
- Publication number
- TWI624807B TWI624807B TW106133240A TW106133240A TWI624807B TW I624807 B TWI624807 B TW I624807B TW 106133240 A TW106133240 A TW 106133240A TW 106133240 A TW106133240 A TW 106133240A TW I624807 B TWI624807 B TW I624807B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- nth
- img
- analysis method
- iterative analysis
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 82
- 230000003595 spectral effect Effects 0.000 claims abstract description 66
- 238000002924 energy minimization method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 42
- 238000003384 imaging method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 18
- 238000001514 detection method Methods 0.000 abstract description 8
- 210000004556 brain Anatomy 0.000 description 52
- 230000003902 lesion Effects 0.000 description 18
- 210000004885 white matter Anatomy 0.000 description 15
- 239000013598 vector Substances 0.000 description 7
- 230000006931 brain damage Effects 0.000 description 5
- 231100000874 brain damage Toxicity 0.000 description 5
- 208000029028 brain injury Diseases 0.000 description 5
- 210000005013 brain tissue Anatomy 0.000 description 4
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 201000006417 multiple sclerosis Diseases 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 206010012289 Dementia Diseases 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 2
- 206010072731 White matter lesion Diseases 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 208000016192 Demyelinating disease Diseases 0.000 description 1
- 206010012305 Demyelination Diseases 0.000 description 1
- 230000003376 axonal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000007365 immunoregulation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002418 meninge Anatomy 0.000 description 1
- 206010062198 microangiopathy Diseases 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本發明係揭露一種醫學影像之迭代式分析法，其係先以非線性擴展維度之方式將原始光譜影像立方體擴增為一光譜影像立方體，再藉由限制能量最小化法進行子像素目標偵測，並且，將偵測後得到之豐度影像反饋到該光譜影像立方體，以非線性之方式創造出另一光譜影像立方體；其中，基於該豐度影像係僅針對子像素目標進行偵測，而未包含任何空間訊息，因此，為了得到光譜影像之空間訊息，則透過使用如高斯濾波器之模糊化工具於該豐度影像，以得到子像素周遭之空間訊息，並將空間訊息回饋至該光譜影像立方體後，得於一預定終止條件未被滿足前，反覆進行子像素目標偵測，直到滿足一個終止條件。
Description
<title lang="zh">醫學影像之迭代式分析法</title><technical-field><p>本發明係有關於一種影像分析方法，特別係指一種醫學影像之迭代式分析法。</p></technical-field><background-art><p>按，白質高訊號（White matter hyperintensity，WMH）之發生係多被認為與腦部慢性局部缺血所造成之軸突損失或去髓鞘性有關，過去已有研究指出白質高訊號之產生與認知障礙、失智症等腦部疾病有關，並且，臨床上進行磁振造影影像初步分析量化時，發現老年人、罹患輕度認知障礙者或是罹患老年失智者於液體衰減反轉回復（FLAIR）或T2權重之影像中會有白質高訊號區域產生。</p><p>而基於白質高訊號於許多免疫調節、微血管病變、缺血性損害之疾病相關，因此，目前研究出白質高訊號係為未來診斷疾病之一種重要指標，舉例來說，藉由白質高訊號推算罹患中風或失智症等疾病之風險，或是評估疾病治療之預後狀態等。惟，目前對於磁振造影影像中白質高訊號區域之判斷係為視覺評估分級方式，而此方式除須以人工方式來描繪白質高訊號區域之大小、形狀、位置之變化，還需要臨床醫生納入病患之年齡、生活習慣、病史等資訊，以及搭配不同型式之磁振造影影像才能進行分析，因此不僅要耗費大量人力及時間才能完成，並且，人工操作及分析係會提昇誤判之風險。</p><p>過去有文獻提出由於限制能量最小化法（Constrained Energy Minimization，CEM）係能作為一二元分類器，能夠偵測並分析高光譜影像內之子像素，最後能輸出一豐度影像（abundance image），因而限制能量最小化法被認為是一種用於高光譜影像裡效能較佳之子像素目標偵測法。但是，限制能量最小化法用於分析腦部之磁振造影影像時，係會產生下列缺失：</p><p>其一、無法提供決定分類之閥值，亦即無法正確地對於影像中白質高訊號區域進行判斷及分類；</p><p>其二、由於白質高訊號區域於影像中係無規則性，但是限制能量最小化法係囿於其為一種線性濾波器，因而無法用於解決非線性分類之影像；</p><p>其三、傳統高光譜影響處理方法僅以像素作為分析基礎，未納入影像本身之空間訊息，而會造成判斷上之誤差。</p></background-art><disclosure><p>本發明之主要目的係在於提供一種醫學影像之迭代式分析法，其係夠藉由影像反覆回饋及模糊化獲得空間訊息之機制，以達到準確地偵測影像中之病灶之功效。</p><p>本發明之另一目的係在於提供一種醫學影像之迭代式分析法，其係夠自動地提供影像回饋終止條件之規則，以能更有效率地獲取分析影像所需之空間訊息。</p><p>緣是，為能達成上述目的，本發明所揭醫學影像之迭代式分析法係包含下列步驟：</p><p>步驟a：取一第N光譜影像立方體，其中，N係為正整數。</p><p>步驟b：偵測該第N光譜影像立方體中之自相關矩陣及目標子像素，產出一第N豐度影像。</p><p>步驟c：取該第N豐度影像之絕對值並進行模糊化程序，產出一第N空間光譜影像。</p><p>步驟d：分析該第N豐度影像，得到一第N閥值，並依據該第N閥值將該第N豐度影像轉化為一第N二值化影像。</p><p>步驟e：由該第N閥值及一第N-1次閥值計算出一第N相似度指數，當該第N相似度指數符合一預定終止條件時，該第N二值化影像及該第N空間光譜影像係為分析結果，而當第N相似度指數不符合一預定終止條件時，聯集該第N光譜影像立方體及該第N空間光譜影像，獲得一第N+1光譜影像立方體，並使該步驟b至e中之N為N+1而重複該該步驟b至e。</p><p>為能改善習知技術中光譜維數不足和線性不可分離性問題，當N為1時，該第N光譜影像立方體係以非線性方式將至少一原始光譜影像進行擴增維度而成，其中，該原始光譜影像係以不同波訊成像而得，例如：磁振照影影像、電腦斷層影像或光學攝影影像等。</p><p>於本發明之一實施例中，該該步驟b中係以限制能量最小化法進行偵測影像豐度。</p><p>而為能獲得病灶之空間訊息，於步驟c中係以一平滑化濾波器進行模糊化程序，而該平滑化濾波器係得為高斯濾波器、中值濾波、排序濾波或其他用以擷取病灶周圍空間資訊之工具</p><p>，並且，當所偵測之光譜影像之雜訊越高時，該平滑化濾波器所使用之遮罩尺寸要越大。</p><p>又，於本發明之實施例中，第N閥值係為區分影像前景灰階值與影像背景灰階值之數值，以顯示出影像中之病灶區域。</p><p>一般來說，該預定終止條件係設為第N相似度指數小於0.7~0.9，其中，又以該第N相似度指數小於0.8為佳。</p></disclosure><mode-for-invention><p>本發明係揭露一種醫學影像之迭代式分析法，其係能用於準確且快速地於影像中偵測病灶。簡單來說，本發明所揭醫學影像之迭代式分析法大致流程如下：先以非線性擴展維度之方式將原始光譜影像立方體擴增為一光譜影像立方體，再藉由限制能量最小化法進行子像素目標偵測，並且，將偵測後得到之豐度影像反饋到該光譜影像立方體，以非線性之方式創造出另一光譜影像立方體；再者，基於該豐度影像係僅針對子像素目標進行偵測，而未包含任何空間訊息，因此，為了得到光譜影像之空間訊息，則透過使用如高斯濾波器之模糊化工具於該豐度影像，以得到子像素周遭之空間訊息，並將空間訊息回饋至該光譜影像立方體後，得於一預定終止條件未被滿足前，反覆進行子像素目標偵測，直到滿足一個終止條件。</p><p>其中，非線性擴展維度之方式係如非線性頻譜擴展法，其係將原始之高光譜影像集合，使用自相關和交相關函數，以非線性的方式，產生全新的光譜影像。</p><p>舉例來說，非線性頻譜擴展法之執行方式如下：</p><p>步驟1.第一階原始光譜影像：假設原始光譜影像集合為
<img he="26" wi="43" img-format="jpg" id="i0004" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0001.tif" />。
</p><p>步驟2.第二階相關光譜影像，包含下列程序：</p><p>設自相關光譜影像集合為
<img he="29" wi="43" img-format="jpg" id="i0006" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0002.tif" />。
</p><p>設交相關光譜影像集合為
<img he="29" wi="96" img-format="jpg" id="i0007" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0003.tif" />：在需要重新縮放的情況下，自相關和交相關函數可以藉由變異數來進行正規化，例如
<img he="33" wi="70" img-format="jpg" id="i0007" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0004.tif" />和
<img he="33" wi="106" img-format="jpg" id="i0007" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0005.tif" />。
</p><p>步驟3.三階相關光譜影像，包含下列程序：</p><p>設自相關光譜影像集合為
<img he="29" wi="43" img-format="jpg" id="i0009" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0006.tif" />。
</p><p>設兩頻交相關光譜影像集合為
<img he="30" wi="90" img-format="jpg" id="i0010" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0007.tif" />。
</p><p>設三頻交相關光譜影像集合為
<img he="27" wi="139" img-format="jpg" id="i0011" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0008.tif" />，若在需要重新縮放的情況下，做法與二階相關譜影像相同，自相關和交相關函數可以藉由變異數來進行正規化，例如
<img he="29" wi="66" img-format="jpg" id="i0011" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0009.tif" />、
<img he="33" wi="97" img-format="jpg" id="i0011" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0010.tif" />和
<img he="30" wi="141" img-format="jpg" id="i0011" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0011.tif" />。
</p><p>步驟4.其它非線性相關光譜影，包含下列程序：</p><p>設平方根延伸非線性光譜影像集合為
<img he="30" wi="51" img-format="jpg" id="i0013" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0012.tif" />。
</p><p>設對數函數延伸非線性光譜影像集合為
<img he="26" wi="71" img-format="jpg" id="i0014" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0013.tif" />。
</p><p>其中，本發明實施例中係透過限制能量最小化法（Constrained Energy Minimization, CEM）來突顯目標區域之亮度，以偵測目標區域而達到病灶分類之目的。簡單來說，限制能量最小化法之基本原理係將自一組L維度之影像上取一點像素值，根據該像素之座標位置，得到一組 L 維向量，並由該組L 維向量求得一組L 維度之解，該組解與輸入座標之向量內積後之輸出值等於 1，並且盡量壓抑其他向量與該組解做內積所得到之值，因此，當輸入座標之向量相近，其輸出值也會相當接近1。而應用到灰階影像來說，若一開始選擇病灶點之座標位置，便將這組解視為一個病灶濾波器，使得該影像序列之每一個像素向量依序帶入運算，以完成突顯病灶及壓抑其他正常組織亮度，達成病灶分類之功效。</p><p>具體來說，令 L 為光譜波段（spectral bands）之維度，所以第 i 個影像向量為
<img he="26" wi="113" img-format="jpg" id="i0016" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0014.tif" />，
<img he="25" wi="16" img-format="jpg" id="i0016" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0015.tif" />代表第 i 個像素向量之第j個光譜波段，
<img he="23" wi="75" img-format="jpg" id="i0016" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0016.tif" />為影像所有像素之 MR 影像序列集合，N是圖像中像素之總數。假設感興趣目標之光譜為 d，並為目標設計一個 維度之FIR線性濾波器
<img he="26" wi="149" img-format="jpg" id="i0016" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0017.tif" />，並假設 為第 i 個光譜影像之像素光譜(
<img he="23" wi="13" img-format="jpg" id="i0016" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0018.tif" />)，經過一個被設計過之FIR濾波器，輸出結果為：
</p><p><img he="45" wi="170" img-format="jpg" id="i0017" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0019.tif" />（１）
</p><p>算出
<img he="23" wi="89" img-format="jpg" id="i0018" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0020.tif" />全部像素的平均能量結果：
</p><p><img he="51" wi="421" img-format="jpg" id="i0019" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0021.tif" />（２）
</p><p>其中，
<img he="49" wi="126" img-format="jpg" id="i0020" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0022.tif" />可以看得出來為一個矩陣自相關的形式，所以，限制能量最小化法濾波器是解決以下線性限制優化問題：
</p><p><img he="23" wi="96" img-format="jpg" id="i0021" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0023.tif" />須滿足於（subject to）
<img he="21" wi="56" img-format="jpg" id="i0021" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0024.tif" />（３）
</p><p>上式（３）之解為
<img he="49" wi="96" img-format="jpg" id="i0022" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0025.tif" /></p><p>由上可知，CEM濾波器能夠檢測
<img he="23" wi="56" img-format="jpg" id="i0023" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0026.tif" />，圖像上之像素向量r=d時，
<img he="23" wi="79" img-format="jpg" id="i0023" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0027.tif" />，滿足式（３），其中，
<img he="23" wi="60" img-format="jpg" id="i0023" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0028.tif" />之值是透過包含在影像像素 r 中的欲偵測像素d所取得者。
</p><p>其中，</p><p>更進一步來說，請參閱第一圖至第三圖，本發明之一實施例所揭醫學影像之迭代式分析法，係包含下列步驟：</p><p>步驟101：取多數之原始光譜影像
<img he="25" wi="40" img-format="jpg" id="i0026" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0029.tif" />。
</p><p>步驟102：以非線性頻譜擴展法，使各該原始光譜影像產生一非線性頻譜影像，獲得一光譜影像集合
<img he="27" wi="53" img-format="jpg" id="i0027" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0030.tif" />，其中，
<img he="22" wi="26" img-format="jpg" id="i0027" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0031.tif" />為經過非線性頻譜擴展法產生之影像張數。
</p><p>步驟103：將該些原始光譜影像和該光譜影像集合組成一光譜影像立方體Ω(0)。於該光譜影像立方體選取目標光譜像素d(0)並計算自相關矩陣R(0)，而目標光譜像素d(0)及自相關矩陣R(0)係用於進行限制能量最小化法
<img he="22" wi="32" img-format="jpg" id="i0028" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0032.tif" />所必須者。
</p><p>步驟104：當進行第κ次迭代時，自一光譜影像立方體Ω(κ)獲得更新d(κ) 和R(κ)，其中，κ為1。</p><p>步驟105：將d(κ) 和R(κ)使用於
<img he="25" wi="36" img-format="jpg" id="i0030" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0033.tif" />，獲得一豐度影像
<img he="25" wi="37" img-format="jpg" id="i0030" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0034.tif" />。
</p><p>步驟106：取該豐度影像
<img he="25" wi="37" img-format="jpg" id="i0031" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0035.tif" />之絕對值：
<img he="25" wi="49" img-format="jpg" id="i0031" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0036.tif" />，使其得到非線性化，並且，為取得子像素周遭之空間訊息，使用高斯濾波器對
<img he="25" wi="49" img-format="jpg" id="i0031" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0036.tif" />進行模糊處理，得到一空間光譜影像
<img he="29" wi="67" img-format="jpg" id="i0031" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0038.tif" />。
</p><p>步驟107：計算
<img he="29" wi="48" img-format="jpg" id="i0032" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0039.tif" />是否滿足一預定終止條件，如果尚未達到該終止條件，繼續進行步驟108，如果已經滿足該終止條件，則進入步驟109；
</p><p>其中，該終止條件係以相似度指數來進行估算，計算式如下所示：</p><p><p>而Sκ是把第κ次迭代之豐度影像
<img he="29" wi="67" img-format="jpg" id="i0035" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0038.tif" />，以Otsu’s法計算閾值後，進行分類，獲得一二值化影像
<img he="26" wi="40" img-format="jpg" id="i0035" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0041.tif" />，並與第
<img he="19" wi="31" img-format="jpg" id="i0035" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0042.tif" />次之二值化影像
<img he="26" wi="40" img-format="jpg" id="i0035" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0043.tif" />計算出
<img he="21" wi="25" img-format="jpg" id="i0035" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0044.tif" />。
</p><p>此所指Otsu’s法係為依據影像之直方圖進行計算得到各類別之間的最大化變異數，找出一個可以分離類別的最佳門檻值之方法。</p><p>步驟108：形成光譜影像立方體Ω(κ+1)，其係為光譜影像立方體Ω(k)與該空間光譜影像
<img he="26" wi="66" img-format="jpg" id="i0037" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0038.tif" />之聯集，並且，回到步驟104，進行第κ+1次迭代。
</p><p>步驟109：產出該豐度影像
<img he="25" wi="37" img-format="jpg" id="i0038" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0035.tif" />及該空間光譜影像
<img he="26" wi="66" img-format="jpg" id="i0038" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0038.tif" /></p><p>藉由上述醫學影像之迭代式分析法，當執行第i次迭代時，會得到一豐度影像
<img he="32" wi="46" img-format="jpg" id="i0039" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0048.tif" />，取其絕對值：
<img he="34" wi="58" img-format="jpg" id="i0039" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0049.tif" />後，再以高斯濾波器處理後得到一空間光譜影像
<img he="38" wi="76" img-format="jpg" id="i0039" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0050.tif" />，並將該空間光譜影像
<img he="34" wi="73" img-format="jpg" id="i0039" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0051.tif" />回饋到原先之光譜立方體
<img he="40" wi="64" img-format="jpg" id="i0039" img-content="drawing" orientation="portrait" inline="no" file="TWI624807B_D0052.tif" />，兩者聯集後獲得另一光譜立方體，再使之進入下一次迭代，直到滿足該終止條件為止，當達成該終止條件時，會輸出可用以精準判斷病灶之影像結果。
</p><p>以下，為能驗證本發明所揭醫學影像之迭代式分析法之效果，將茲舉若干實例並搭配圖式進行說明如後。</p><p>實例一：模擬樣本分析</p><p>自加拿大蒙特利爾麥吉爾大學腦部造影中心所提供標準模擬之白質高訊號區域腦部磁振照影影像（下稱腦部模擬影像），包含腦部組織及非腦部組織等兩大類，而腦部組織除了有白質、灰質及腦脊髓液等正常組織外，也包含了白質高訊號區域之病灶；非腦部組織則是包含有腦膜、頭顱骨、頭顱軟組織和背景等，如第四圖所示，其中，各該腦部模擬影像係根據BrainWeb網站上提供之T1、T2及PD規範所獲得者。切片之厚度係為1mm，尺寸為181x217x181（pixel），並且，每一切片之非均一性（intensity non-uniformity）為0%或20%，分別搭配不同等級之背景雜訊：0%、1%、3%、5%、7%、9%。各該腦部模擬影像之背景雜訊係為Rayleigh統計法進行模擬，訊號區域係由Rician統計法進行模擬，其中，「雜訊之百分比」代表白色高斯雜訊相對於參考組織之訊號之偏差值的比率。</p><p>挑選23個腦部模擬影像以本發明所揭醫學影像之迭代式分析法進行分析，所使用之參數係如下表一所示，其中，迭代欄位中之n代表雜訊，並且後面跟隨之數字代表雜訊等級，rf代表非均一性，並且其後面代表之數字為非均一性比例，而括號前之數字代表視窗大小為3 x 3時之迭代次數，括號內之數字則代表視窗大小為5 x 5時之迭代次數。</p><p>表一：進行白質高訊號病灶偵測之參數
<tables><table><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 光譜 </td><td> T1、T2、PD </td></tr><tr><td> 非線性頻譜擴展法 </td><td> 三階相關光譜影像 </td></tr><tr><td> 病灶目標光譜d </td><td> 人工挑選 </td></tr><tr><td> 迭代 </td><td> n0rf0 </td><td> n1rf0 </td><td> n3rf0 </td><td> n5rf0 </td><td> n7rf0 </td><td> n9rf0 </td></tr><tr><td> 2(2) </td><td> 2(2) </td><td> 2(2) </td><td> 4(2) </td><td> 6(3) </td><td> 7(4) </td></tr><tr><td> n0rf20 </td><td> n1rf20 </td><td> n3rf20 </td><td> n5rf20 </td><td> n7rf20 </td><td> n9rf20 </td></tr><tr><td> 2(2) </td><td> 2(2) </td><td> 2(2) </td><td> 3(3) </td><td> 5(3) </td><td> 6(3) </td></tr><tr><td> 高斯視窗大尺寸（pixel） </td><td> 3 x 3或5 x 5 </td></tr><tr><td> □用於高斯模糊之σ </td><td> 當視窗大小為3 x 3，σ為0.1；當視窗大小為5 x 5，σ為0.5； </td></tr><tr><td> 閥值決定方法 </td><td> Otsu’s method </td></tr><tr><td> 終止條件(SI) </td><td> 0.80 </td></tr></TBODY></TABLE></table></tables></p><p>將各該腦部模擬影像依據上表一所示參數分別以本發明所揭醫學影像之迭代式分析法進行分析，並且，將各該腦部模擬影像係以目前臨床上常用於分析腦部病灶之分析工具（Lesion segmentation toll，下稱LST法）進行分析，結果如第五圖至第十圖所示，其中，「第一參數」係指遮罩為3□3、σ為0.1，而「第二參數」係指遮罩為5□5、σ為0.5。又，將不同分析方法所得之結果分別平均，如下表二所示。</p><p>表二：腦部模擬影像以不同分析方法偵測病灶計算相似度之結果
<tables><table><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 分析法 雜訊等級 </td><td> 本發明 （第一參數） </td><td> 本發明 （第二參數） </td><td> LST法 </td></tr><tr><td> n0rf0 </td><td> 0.865 </td><td> 0.808 </td><td> 0.739 </td></tr><tr><td> n1rf0 </td><td> 0.886 </td><td> 0.864 </td><td> 0.749 </td></tr><tr><td> n3rf0 </td><td> 0.893 </td><td> 0.863 </td><td> 0.750 </td></tr><tr><td> n5rf0 </td><td> 0.806 </td><td> 0.839 </td><td> 0.731 </td></tr><tr><td> n7rf0 </td><td> 0.652 </td><td> 0.822 </td><td> 0.693 </td></tr><tr><td> n9rf0 </td><td> 0.579 </td><td> 0.801 </td><td> 0.714 </td></tr><tr><td> n0rf20 </td><td> 0.861 </td><td> 0.829 </td><td> 0.733 </td></tr><tr><td> n1rf20 </td><td> 0.867 </td><td> 0.834 </td><td> 0.753 </td></tr><tr><td> n3rf20 </td><td> 0.881 </td><td> 0.827 </td><td> 0.746 </td></tr><tr><td> n5rf20 </td><td> 0.814 </td><td> 0.831 </td><td> 0.732 </td></tr><tr><td> n7rf20 </td><td> 0.714 </td><td> 0.825 </td><td> 0.694 </td></tr><tr><td> n9rf20 </td><td> 0.540 </td><td> 0.806 </td><td> 0.655 </td></tr></TBODY></TABLE></table></tables></p><p>由表一之結果可知，當影像之雜訊為3%以下時，迭代次數為2，而當雜訊高於5%時，迭代次數係高於2次，並且，當使用之視窗（遮罩）尺寸為3 x 3時，迭代次數會較多。再者，當所使用視窗（遮罩）較小且雜訊等級增加時，迭代次數會增加，且增加幅度較大；而當所使用視窗（遮罩）較小且雜訊等級增加時，迭代次數增加之幅度較小。換言之，當影像雜訊越高時，使用本發明所揭醫學影像之迭代式分析法需要進行較多次之迭代。</p><p>又，使用本發明所揭醫學影像之迭代式分析法分析影像，可使分析後之相似度結果高於0.8，而目前所使用之LST法之相似度指數係介於0.655~0.753間。將上述相似度結果進行比較可知，本發明所揭醫學影像之迭代式分析法對於影像中病灶分析之準確度係優於LST法。</p><p>此外，由表一及表二之結果可知，本發明所揭醫學影像之迭代式分析法對於雜訊低之影像來說，無論遮罩尺寸為何，皆具有較佳之分析效果，，而對於雜訊較高之影像來說，則以使用大尺寸遮罩之分析效果會較佳。</p><p>實例二：真實影像分析</p><p>本實例所由流程皆經由台中榮民總醫院臨床研究倫理委員會審核通過（IRB：CE16138A）。</p><p>於台中榮民總醫院取得腦部磁振照影影像（使用儀器為：Siemens Magnetom Aera 1.5 Tesla MR scanner），成像流程為三維回波（3D MPRAGE）T1影像及空間科技（SPACE technique）T2及FLAIR影像，並且，成像參數包含有：立體像素（voxel）為1 x 1 x 1 mm，基質大小為256 x 256 x 176，NEX=1。此外，誠如本發明所屬技術領域且通常知識者所周知，依據臨床視覺檢查標準，白質高信號係被Fazekas分為三級，如第十一圖所示。</p><p>分別以本發明所揭醫學影像之迭代式分析法及習知之LST法分析腦部磁振照影影像，其中，本發明所揭醫學影像之迭代式分析法之參數係如下表三所示。分析結果如第十二圖至第十四圖所示。</p><p>表三：醫學影像之迭代式分析法之參數
<tables><table><TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 光譜 </td><td> T1、T2、FLAIR </td></tr><tr><td> 非線性頻譜擴展法 </td><td> 三階相關光譜影像 </td></tr><tr><td> 病灶目標光譜d </td><td> 人工挑選 </td></tr><tr><td> Fazekas 等級 </td><td> 1 </td><td> 2 </td><td> 3 </td></tr><tr><td> 迭代次數 </td><td> 2 </td><td> 2 </td><td> 2 </td></tr><tr><td> 高斯視窗大尺寸 </td><td> 5 x 5 </td></tr><tr><td> 用於高斯模糊之σ </td><td> 0.5 </td></tr><tr><td> 閥值決定方法 </td><td> Otsu’s method </td></tr><tr><td> 終止條件(SI) </td><td> 0.80 </td></tr></TBODY></TABLE></table></tables></p><p>由第十二圖至第十四圖之結果可知，對於不同Fazekas 等級之影像，本發明所揭醫學影像之迭代式分析法僅需迭代2次就可以完成分析，換言之，白質高信號之Fazekas 等級係不會影響到本發明所揭醫學影像之迭代式分析法之迭代次數。</p><p>再者，以本發明所揭醫學影像之迭代式分析法係能藉由獲得空間訊息而確實地偵測到損傷區域，特別是針對邊緣及邊界像素。而由第十三圖及第十四圖之結果顯示，以LST法所偵測到之腦部損傷區域係明顯小於以本發明所揭醫學影像之迭代式分析法所偵測者，代表本發明所揭醫學影像之迭代式分析法之準確率係高於習知LST法。</p></mode-for-invention><description-of-drawings><description-of-element><p>無</p></description-of-element><p>第一圖係為本發明之一實施例之流程圖。 第二圖係為本發明之一實施例中決定終止條件之流程圖。 第三圖係為本發明之一實施例之操作示意圖。 第四圖(A)係為多發性硬化症腦部之磁振照影T1權重影像，其中，雜訊及非均一性均為0％。 第四圖(B)係為多發性硬化症腦部之磁振照影T2權重影像，其中，雜訊及非均一性均為0％。 第四圖(C)係為多發性硬化症腦部之磁振照影PD權重影像，其中，雜訊及非均一性均為0％。 第四圖(D)係為多發性硬化症腦部損傷處之標定完成之真實（ground truth）磁振造影影像，其中，雜訊及非均一性均為0％。 第五圖(A)係為本發明所揭醫學影像之迭代式分析法以第一參數進行分析之結果，其中，分析影像來自雜訊及非均一性均為0％之腦部受損部位切片。 第五圖(B)係為本發明所揭醫學影像之迭代式分析法以第二參數進行分析之結果，其中，分析影像來自雜訊及非均一性均為0％之腦部受損部位切片。 第五圖(C)係以習知LST法進行分析之結果，其中，分析影像來自雜訊及非均一性均為0％之腦部受損部位切片。 第六圖(A)係為原始腦部切片經不同權重處理之核磁照影影像，其中，原始腦部切片影像之雜訊為1％，非均一性為0％。 第六圖(B)係為本發明所揭醫學影像之迭代式分析法以第一參數分析第六圖(A)原始腦部切片影像之結果。 第六圖(C)係為本發明所揭醫學影像之迭代式分析法以第二參數分析第六圖(A)原始腦部切片影像之結果。 第六圖(D)係以習知LST法分析第六圖(A)原始腦部切片影像之結果。 第七圖(A)係為原始腦部切片經不同權重處理之核磁照影影像，其中，原始腦部切片影像之雜訊為3％，非均一性為0％。 第七圖(B)係為本發明所揭醫學影像之迭代式分析法以第一參數分析第七圖(A)原始腦部切片影像之結果。 第七圖(C)係為本發明所揭醫學影像之迭代式分析法以第二參數分析第七圖(A)原始腦部切片影像之結果。 第七圖(D)係以習知LST法分析第七圖(A)原始腦部切片影像之結果。 第八圖(A)係為原始腦部切片經不同權重處理之核磁照影影像，其中，原始腦部切片影像之雜訊為5％，非均一性為0％。 第八圖(B)係為本發明所揭醫學影像之迭代式分析法以第一參數分析第八圖(A)原始腦部切片影像之結果。 第八圖(C)係為本發明所揭醫學影像之迭代式分析法以第二參數分析第八圖(A)原始腦部切片影像之結果。 第八圖(D)係以習知LST法分析第八圖(A)原始腦部切片影像之結果。 第九圖(A)係為原始腦部切片經不同權重處理之核磁照影影像，其中，原始腦部切片影像之雜訊為7％，非均一性為0％。 第九圖(B)係為本發明所揭醫學影像之迭代式分析法以第一參數分析第九圖(A)原始腦部切片影像之結果。 第九圖(C)係為本發明所揭醫學影像之迭代式分析法以第二參數分析第九圖(A)原始腦部切片影像之結果。 第九圖(D)係以習知LST法分析第九圖(A)原始腦部切片影像之結果。 第十圖(A)係為原始腦部切片經不同權重處理之核磁照影影像，其中，原始腦部切片影像之雜訊為9％，非均一性為0％。 第十圖(B)係為本發明所揭醫學影像之迭代式分析法以第一參數分析第十圖(A)原始腦部切片影像之結果。 第十圖(C)係為本發明所揭醫學影像之迭代式分析法以第二參數分析第十九圖(A)原始腦部切片影像之結果。 第十圖(D)係以習知LST法分析第十圖(A)原始腦部切片影像之結果。 第十一圖係為不同Fazekas等級之腦部損傷FLAIR影像。 第十二圖(A)係Fazekas等級1之腦部損傷經不同權重處理之影像。 第十二圖(B) 係為本發明所揭醫學影像之迭代式分析法以第二參數分析第十二圖(A)原始腦部切片影像之結果。 第十二圖(C)係為以本發明所揭醫學影像之迭代式分析法以第二參數分析第十二圖(A)原始腦部切片之結果。 第十二圖(D)係為以LST法分析第十二圖(A)原始腦部切片之結果。 第十三圖(A)係Fazekas等級2之腦部損傷經不同權重處理之影像。 第十三圖(B) 係為本發明所揭醫學影像之迭代式分析法以第二參數分析第十三圖(A)原始腦部切片影像之結果。 第十三圖(C)係為以本發明所揭醫學影像之迭代式分析法以第二參數分析第十三圖(A)原始腦部切片之結果。 第十三圖(D)係為以LST法分析第十三圖(A)原始腦部切片之結果。 第十四圖(A)係Fazekas等級3之腦部損傷經不同權重處理之影像。 第十四圖(B) 係為本發明所揭醫學影像之迭代式分析法以第二參數分析第十四圖(A)原始腦部切片影像之結果。 第十四圖(C)係為以本發明所揭醫學影像之迭代式分析法以第二參數分析第十四圖(A)原始腦部切片之結果。 第十四圖(D)係為以LST法分析第十四圖(A)原始腦部切片之結果。</p></description-of-drawings><bio-deposit /><sequence-list-text />
Claims (10)
- 一種醫學影像之迭代式分析法，係包含下列步驟： 步驟a：取一第N光譜影像立方體，其中，N係為正整數； 步驟b：偵測該第N光譜影像立方體中之自相關矩陣及目標子像素，產出一第N豐度影像； 步驟c：取該第N豐度影像之絕對值並進行模糊化程序，產出一第N空間光譜影像； 步驟d：分析該第N豐度影像，得到一第N閥值，並依據該第N閥值將該第N豐度影像轉化為一第N二值化影像； 步驟e：由該第N閥值及一第N-1次閥值計算出一第N相似度指數，當該第N相似度指數符合一預定終止條件時，該第N二值化影像及該第N空間光譜影像係為分析結果，而當第N相似度指數不符合一預定終止條件時，聯集該第N光譜影像立方體及該第N空間光譜影像，獲得一第N+1光譜影像立方體，並使該步驟b至e中之N為N+1而重複該該步驟b至e。
- 依據申請專利範圍第1項所述醫學影像之迭代式分析法，其中，當N為1時，該第N光譜影像立方體係以非線性方式將至少一原始光譜影像進行擴增維度而成。
- 依據申請專利範圍第2項所述醫學影像之迭代式分析法，其中，該原始光譜影像係以不同波訊成像而得者。
- 依據申請專利範圍第3項所述醫學影像之迭代式分析法，其中，該原始光譜影像係為磁振照影影像、電腦斷層影像或光學攝影影像。
- 依據申請專利範圍第1項所述醫學影像之迭代式分析法，其中，該步驟b中係以限制能量最小化法進行偵測。
- 依據申請專利範圍第1項所述醫學影像之迭代式分析法，其中，該步驟c係以一平滑化濾波器進行模糊化程序。
- 依據申請專利範圍第6項所述醫學影像之迭代式分析法，其中，當影像雜訊越高時，使用之遮罩（mask）尺寸越大。
- 依據申請專利範圍第1項所述醫學影像之迭代式分析法，其中，該第N閥值係為區分影像前景灰階值與影像背景灰階值之數值。
- 依據申請專利範圍第1項所述醫學影像之迭代式分析法，其中，該預定終止條件係為該第N相似度指數小於0.7~0.9。
- 依據申請專利範圍第9項所述醫學影像之迭代式分析法，其中，該預定終止條件係為該第N相似度指數小於0.8。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106133240A TWI624807B (zh) | 2017-09-27 | 2017-09-27 | 醫學影像之迭代式分析法 |
| US16/031,375 US10621722B2 (en) | 2017-09-27 | 2018-07-10 | Iterative analyzing method for a medical image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106133240A TWI624807B (zh) | 2017-09-27 | 2017-09-27 | 醫學影像之迭代式分析法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI624807B true TWI624807B (zh) | 2018-05-21 |
| TW201915947A TW201915947A (zh) | 2019-04-16 |
Family
ID=62951594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106133240A TWI624807B (zh) | 2017-09-27 | 2017-09-27 | 醫學影像之迭代式分析法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10621722B2 (zh) |
| TW (1) | TWI624807B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417188A (zh) * | 2020-12-10 | 2021-02-26 | 桂林电子科技大学 | 一种基于图模型的高光谱图像分类方法 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033039B (zh) * | 2019-04-10 | 2022-10-11 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
| CN110059640B (zh) * | 2019-04-22 | 2020-09-01 | 长光卫星技术有限公司 | 基于光学遥感卫星近红外谱段的海面船舶在轨识别方法 |
| TWI691936B (zh) * | 2019-09-02 | 2020-04-21 | 臺中榮民總醫院 | 偵測、分類及定量醫學影像中多目標之方法 |
| CN113624691B (zh) * | 2020-05-07 | 2022-10-04 | 南京航空航天大学 | 一种基于空间-光谱相关性的光谱图像超分辨率映射方法 |
| TWI797787B (zh) * | 2021-10-21 | 2023-04-01 | 炳碩生醫股份有限公司 | 用於控制拉曼光譜儀的裝置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200634595A (en) * | 2004-12-23 | 2006-10-01 | Cambridge Display Tech Ltd | Digital signal processing methods and apparatus |
| US20160310008A1 (en) * | 2013-12-13 | 2016-10-27 | Revenio Research Oy | Medical imaging |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8280111B2 (en) * | 2010-02-17 | 2012-10-02 | The Boeing Company | Advanced background estimation technique and circuit for a hyper-spectral target detection method |
-
2017
- 2017-09-27 TW TW106133240A patent/TWI624807B/zh active
-
2018
- 2018-07-10 US US16/031,375 patent/US10621722B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200634595A (en) * | 2004-12-23 | 2006-10-01 | Cambridge Display Tech Ltd | Digital signal processing methods and apparatus |
| US20160310008A1 (en) * | 2013-12-13 | 2016-10-27 | Revenio Research Oy | Medical imaging |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417188A (zh) * | 2020-12-10 | 2021-02-26 | 桂林电子科技大学 | 一种基于图模型的高光谱图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201915947A (zh) | 2019-04-16 |
| US10621722B2 (en) | 2020-04-14 |
| US20190096059A1 (en) | 2019-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI624807B (zh) | 醫學影像之迭代式分析法 | |
| US9480439B2 (en) | Segmentation and fracture detection in CT images | |
| JP6265588B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
| CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
| CN104838422A (zh) | 图像处理设备及方法 | |
| CN113269225A (zh) | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 | |
| CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
| Kurian et al. | Brain Tumour Detection by Gamma DeNoisedWavelet Segmented Entropy Classifier. | |
| Janan et al. | RICE: A method for quantitative mammographic image enhancement | |
| Aarthy et al. | Detection of lung nodule using multiscale wavelets and support vector machine | |
| CN102737388B (zh) | 图像处理装置以及图像处理方法 | |
| Fonseca et al. | X-ray image enhancement: A technique combination approach | |
| Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning | |
| Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
| Meejaroen et al. | Detection of fibrosis in liver biopsy images by using Bayesian classifier | |
| Ding et al. | Three-dimensional vessel segmentation using a novel combinatory filter framework | |
| Malode | New approach of statistical analysis for lung disease diagnosis using microscopy images | |
| TWI691936B (zh) | 偵測、分類及定量醫學影像中多目標之方法 | |
| TWI652627B (zh) | 大尺度細胞影像分析方法及其系統 | |
| Vijayalakshmi et al. | Novel Pre-processing Stage for Classification of CT Scan Covid-19 Images. | |
| Bellam et al. | Adaptive multimodal image fusion with a deep pyramidal residual learning network | |
| Hoseyni et al. | Improvement of segmentation on MRI images using fuzzy clustering C-means and watershed marker control algorithm | |
| CN112712499B (zh) | 一种物体检测方法、装置以及计算机可读存储介质 | |
| US20220335602A1 (en) | Method and system for image normalisation | |
| Rani et al. | A Mathematical Modelling for Quality Based Ultrasound Breast Cancer Image Using Colour Properties |