TWI691936B - 偵測、分類及定量醫學影像中多目標之方法 - Google Patents
偵測、分類及定量醫學影像中多目標之方法 Download PDFInfo
- Publication number
- TWI691936B TWI691936B TW108131574A TW108131574A TWI691936B TW I691936 B TWI691936 B TW I691936B TW 108131574 A TW108131574 A TW 108131574A TW 108131574 A TW108131574 A TW 108131574A TW I691936 B TWI691936 B TW I691936B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- classifying
- detecting
- medical images
- multiple targets
- Prior art date
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本發明揭露一種偵測、分類及定量醫學影像中多目標之方法,其係能夠用以同時檢測出影像中至少二物質之豐度(abundance)及其分數圖(abundance fractional maps),而該影像包含腦部正常組織及白質高信號區域,藉此達到縮短影像分析及判斷時間之功效,並且能夠提供臨床診斷用之信息。
Description
本發明係有關於一種影像偵測及分析方法,特別係指一種偵測、分類及定量醫學影像中多目標之方法。
按,過去研究指出藉由核磁共振成像(magnetic resonance imaging,MRI,以下簡稱MR影像)偵測白質高信號區域係可用以診斷中風、認知障礙、癡呆、死亡風險等。一般來說,白質高信號區域會出現在經由T2加權後之明亮區或是FLAIR(Fluid attenuated inversion recovery)之MR影像,而臨床上,醫生會透過目視檢測進行診斷,並以手動調整之方式量化白質高信號區域(white matter hyperintensity,WMH)。雖然分析大腦影像中之白質高信號區域的體積有助診斷患者病情,然而,以手動方式描繪白質高信號區域不僅過於繁瑣,且實際上有實施的難度存在。
近年研究係將多光譜影像處理技術應用於分析MR影像,而根據不同物質之脈衝特徵,能夠達到區分不同物質之功效,但是,多光譜影像處理技術係無法判斷出物質之空間信息。另有研究提供一種迭代式高光譜影像處理技術,結合物質之光譜信息及空間信息,用以檢測影像中之白質高信號區域,而能夠解決無法提供空間信息之缺失;惟,迭代式高光譜影像處理技術仍存在著下列缺失:
其一、每次僅能檢測影像中之單一物質,無法同時判斷影像中之多種物質,會造成檢測上成本之浪費;其二、無法進行影像中物質之分類,例如腦部組織影像中含有灰質、白質、腦脊液、白質高信號區域,迭代式高光譜影像處理技術無法透過單一程序進行不同物質之分類。
本發明之主要目的係在於提供一種偵測、分類及定量醫學影像中多目標之方法,其係能夠用以同時檢測出影像中至少二物質之豐度(abundance)及其分數圖(abundance fractional maps),而該影像包含腦部正常組織及白質高信號區域,藉此達到縮短影像分析及判斷時間之功效,並且能夠提供臨床診斷用之信息。
本發明之另一目的係在於提供一種偵測、分類及定量醫學影像中多目標之方法,其係能夠將影像中至少二物質進行分類,用以提供臨床診斷上有用之數據與資料,達到縮短診斷時間及提高診斷正確度之功效。
換言之,本發明所揭迭代式目標約束干擾最小化分類法係能夠同時檢測及分類腦部影像中之物質,意即同時達到影像中物質定量及定性之功效,藉此提昇影像診斷之效率及可靠性。
緣是,為能達成上述目的,本發明所揭一種偵測、分類及定量醫學影像中多目標之方法,其係影像以線性約束最小變異數法(Linearly Constrained Minimum Variance,下稱LCMV法)處理得到之豐度圖搭配空間濾波器,得到影像中各像素周圍之空間訊息,並且透過影像聯集及回饋之步驟進行影像處理之
循環,直到滿足一預定終止程序後,而能夠得到一用以分類影像中不同組分之二維圖像。
更進一步來說,本發明所揭偵測、分類及定量醫學影像中多目標之方法係包含有下列步驟:
a. 取一第k次高光譜影像立方體,偵測該第k次高光譜影像立方體中各組分之光譜特徵,其中,該些組分係包含有一正常組織及/或一病變組織,並k為正整數。
b. 將該第k次高光譜影像立方體中各組分之光譜特徵帶入該第k次高光譜影像立方體中各組分之光譜特徵中,並且經過加權運算,得到一第k次豐度圖,其中,該第k次豐度圖包含一正常組織豐度圖及/或一病變組織豐度圖。
c. 取該k次豐度圖之絕對值並進行一平滑修飾處理程序,得到一經修飾之第k次影像。
d. 將該修飾之第k次影像與第k-1次高光譜影像立方體聯集,得到一新的第k次高光譜影像立方體,其中,當k-1為0時,第k-1次高光譜影像立方體係為一原始高光譜影像立方體。
e. 驗證該k次豐度圖之絕對值是否滿足一終止條件,當該第k次豐度圖之絕對值滿足該終止條件時,執行下一步驟;而當該第k次豐度圖之絕對值不滿足該終止條件時,將該新的第k次高光譜影像立方體帶入該步驟a,並重複該步驟a以下步驟。
f. 終止由該步驟a至該步驟e之影像處理程序,並將該第k次豐度圖中之每個像素於該經修飾之第k次影像上分類為一正常組織或一病變組織。
於本發明之實施例中,該偵測、分類及定量醫學影像中多目標之方法係能夠用以將腦部影像中之正常組織及病變組織進行分類,具體來說,該正常組織包含有灰質、白質及腦脊液,而該病變組織係為白質高信號區域。
於本發明之一實施例中,,該步驟c係以一濾波器進行該平滑修飾處理程序,具體來說,該濾波器係得為高斯濾波器、Gabor濾波器、Guided濾波器或Bilateral濾波器。
於本發明之實施例中,該k次高光譜影像係以不同波訊成像而得者,例如磁振照影影像、電腦斷層影像或光學攝影影像。
於本發明之實施例中,該步驟f係依據一學習規則進行像素分類,舉例來說,該學習規則係為勝者全拿原則。
於本發明之一實施例中,該步驟e中之該終止條件係指該第k次豐度圖之絕對值得到之相似度指數大於一相似度閥值;而該相似度閥值係得設定為0.8~0.99。
於本發明之另一實施例中,該該相似度閥值係得設定為0.99。
第一圖A係為具有多發性硬化症腦組織切片之合成MR影像,其中,由左圖至右圖分別為質子密度(proton density)模式影像、T1加權(T1W)模式影像及T2加權(T2W)模式影像,並各圖具有0%雜訊度(noise level)及0%INU(intensity non-uniformity)。
第一圖B係為多發性硬化症腦組織中之不同物質,由左圖至右圖分別為腦脊液、灰質、白質、多發性硬化症病變。
第二圖A係為病變等級為Fazekas 1級之FLAIR影像。
第二圖B係為病變等級為Fazekas 2級之FLAIR影像。
第二圖C係為病變等級為Fazekas 3級之FLAIR影像。
第三圖係以本發明所揭偵測、分類及定量醫學影像中多目標之方法分析影像之流程圖。
第四圖係為終止條件之流程圖。
第五圖係為以習知MCICEM法分析影像之流程圖。
第六圖係各影像分析方法結合不同濾波器進行統計分析後所得之箱形圖。
第七圖係各影像分析方法結合不同濾波器進行影像分析所需之平均時間。
第八圖A係以本發明所揭偵測、分類及定量醫學影像中多目標之方法結合不同濾波器於Fazekas等級1之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第八圖B係以MCICEM法結合不同濾波器於Fazekas等級1之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第八圖C係以MCICEM-4DSI法結合不同濾波器於Fazekas等級1之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第九圖A係以本發明所揭偵測、分類及定量醫學影像中多目標之方法結合不同濾波器於Fazekas等級2之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第九圖B係以MCICEM法結合不同濾波器於Fazekas等級2之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾
波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第九圖C係以MCICEM-4DSI法結合不同濾波器於Fazekas等級2之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第十圖A係以本發明所揭偵測、分類及定量醫學影像中多目標之方法結合不同濾波器於Fazekas等級3之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第十圖B係以MCICEM法結合不同濾波器於Fazekas等級3之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
第十圖C係以MCICEM-4DSI法結合不同濾波器於Fazekas等級3之MR影像分類腦脊液、灰質、白質及白質高信號區域之結果,其中,由上至下所搭配之濾波器為高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器。
本發明所揭偵測、分類及定量醫學影像中多目標之方法,係為能在線性約束最小變異數法(Linearly Constrained Minimum Variance,下稱LCMV法)生成之豐度圖上搭配空間濾波器,以獲知透過以LCMV法分類後像
素周圍之空間信息,再將經空間過濾且以LCMV法分類之影像反饋至正在處理中之影像立方體(image cube),以創造出一組新的影像立方體而用於執行下一循環之LCMV法,此即為所謂之「迭代」處理程序,而迭代處理程序會於滿足一終止條件時終止。
舉例來說,當原始腦部MR影像經由非線性頻帶擴展法(nonlinear band extension,以下簡稱NBE法)擴增為一組新的腦部MR影像立方體時,這些影像被輸入至本發明所揭偵測、分類及定量醫學影像中多目標之方法,經過運算處理後能夠獲得待測目標之豐度分數圖(abundance fractional maps),而當運算至滿足停止規則時,由一預定之學習規則,如勝者全拿(winner-take-all,以下簡稱WTA)原則,轉換得到一二維影像,而能用以區分影像中各像素之分類,意即得用以區分各像素為正常組織或為病變組織。
本發明所揭NBE法,其係為原始影像進行後續迭代程序前必經之前處理程序,意即NBE法透過如自相關(auto-correlation)或互相關(cross-correlation)之非線性函數而得將原始影像擴增為更多頻帶影像(band image);將原始影像與經NBE法擴增後之影像結合而會產生一組新的高光譜影像,舉例來說,若原始影像經過3階相關非線性函數之非線性頻帶擴展處理後,會產出第3階頻帶影像。而前述「影像」係得為MR影像或是其他醫學上用以診斷之影像。
本發明所揭濾波器係指透過光譜過濾使影像平滑或平整之數位影像處理程序,例如:高斯(Gaussian)、Gabor濾波器、Guided濾波器、Bilateral濾波器等。
高斯濾波器,其係一種線性平滑濾波,主要是透過模糊影像之邊緣而降低影像內中灰強度之急轉變化。
Gabor濾波器,係能夠模擬人類視覺系統,如2D-Gabor濾波器能夠藉由轉換空間位置、可選方向、空間頻率選擇及正交相位關係等特徵模擬人類二維視覺感覺。
Guided濾波器,其輸出是藉由利用導引影像之線性變換,而具有較佳表現度及較快邊緣保持(edge-preserving)特性;
Bilateral濾波器,係為一種非線性、邊緣保持及低噪度平滑過濾器,其係能夠從周圍像素之平均加權強度取代每一像素之強度值。
本發明所揭WTA原則,係為一種類神經網路之學習規則,當所得之結果超出某一設定之數值時,則會停止運算。舉例來說,勝者全拿原則係如最大後驗機率法(Maximum a posterior,下稱MAP法)。
請參閱第三圖及第四圖,於本發明之一實施例中所揭偵測、分類及定量醫學影像中多目標之方法,其包含有下列步驟:
a. 取得一原始MR影像。
b. 透過非線性頻帶擴展法將該原始MR影像擴增為一頻帶影像,再將該原始影像與該頻帶影像結合而產出一高光譜影像立方體(hyperspectral image cube)Ω(0),並得到將腦部正常組織與待測白質高信號區域之光譜特徵D(0);具體來說,該高光譜影像立方體Ω(0)包含T1加權、T2加權、FLAIR以及經NBE處理後之3張第3階頻帶影像。
執行第k次LCMV法δ LCMV (r):於該高光譜影像立方體Ω(k)上帶入D(k),以獲得一組豐度圖,而該組豐度圖包含腦部正常組織豐度圖及待測白質高信號區域豐度圖,其中,k設定等於l,r為影像中之像素向量。
終止影像處理程序,利用勝者全拿(winner-take-all)原則將該豐度圖中之每個像素於二維影像上分類為腦部正常組織或白質高信號區域。
更進一步來說,LCMV法之運算模式係如下所示:
首先,係設定為L維(L-dimensional)MR影像像素向量(pixel vector),其中,L是用於獲取MR數據之圖像脈衝序列(pulse sequence)的數量,並且以特定脈衝序列或NBE前處理所獲取之每一個影像被認為是光譜頻帶影像(spectral band image);N是MR影像中所有像素之數量,並且第n(nth)像素向量是。
舉例來說,灰質(GM)、白質(WM)、腦脊液(CSF)和白質高信號區域係為待測目標,並待測目標之光譜特徵向量為{d j ,j=1,2,3,4},因此,可藉由D=[d 1,d 2,d 3,d 4]獲得待測目標之特徵矩陣。
透過設計一個線性有限脈衝響應(linear finite impulse response,FIR)濾波器,其係為以w=(w 1,w 2,...w L ) T 定義之L維加權向量,用以最小化濾波器輸出能量,並應符合下式(1):D T w=c,其中,
其中,c=(c 1,c 2,c 3,c 4) T 係為約束向量(constraint vector),l為其中一光譜頻帶,L為所有光譜頻帶之數量。
其中,R L×L 係為高光譜影像中之一個自相關樣本矩陣。該式(4)被定義為一約束最小均方問題(constrained least mean squares problem),故以拉格朗日乘數法(Lagrange multiplier method)達到優化最適解權重w opt 。首先,來自式(3)約束函數及成本函數係藉由拉格朗日乘數向量(Lagrange multiplier vector)λ與H(w)函數之結合,如下式(5)所示:
將式(5)之梯度用於w,得到式(6):
▽ w H(w)=R L×L w+λ T D T =R L×L w+Dλ (6)
如果優化為必要時,式(6)會等於0,意即▽ w H(w)=R L×L w+Dλ=0。根據拉格朗日乘數法,則最佳權重向量如下式(7)所示。
w opt =-R L×L -1 Dλ (7)
當將R L×L 設定為正定矩陣(positive definite matrix),則R L×L -1必定存在,並w opt 滿足式(4)。因此,D T w opt =D T (-R L×L -1 Dλ)=c,且得到拉格朗日乘數向量λ如下式(8)。
λ=-[D T R L×L -1 D]-1 c (8)
由式(7)及式(8),可以得到約束最小均方問題之最佳權重向量w opt 如下式(9)。
w opt =R L×L -1 D[D T R L×L -1 D]-1 c (9)
而當將式(2)之權重向量w以LCMV濾波器中最佳權重向量w opt 取代時,得到一偵測器,並由式(10)得到δ LCMV (r)。
δ LCMV (r)=(w opt ) T r (10)
透過式(10),能夠產生大腦組織之豐度圖及如灰質、白質、腦脊液等之不正常區域而供資料分析使用。
再者,請再參第四圖所示,將含有灰質、白質、腦脊液及白質高信號區域之的豐度分數圖以Otsu法(Otsu's method)轉換為一相關二維圖:|B LCMV |,而後利用相似度參數(Dice similarity index,下稱DSI)定義出終止條件,如下式(11)所示。
其中:B k 及B k-1分別代表第k次及第k-1次以LCMV法運算之結果;基於每個豐度分數圖可以產生四個二維結果,所以DSI係為四個二維結果之平均;當DSI大於閥值:ε時,迭代程序係被終止,並藉由MAP法得到經二維化之最終豐度分數圖,其中,ε係為相關性閥值,於本發明之實施例中,可被設定為0.99、0.95、0.90、0.85或0.80。
為能驗證本發明所揭偵測、分類及定量醫學影像中多目標之方法的功效,茲舉以下實例並搭配圖表作進一步說明如後。
以下實例中所使用合成腦部MR影像,其為具有多發性硬化症之合成影像,下載自BrainWeb(McConnell Brain Imaging Centre,McGill University,Canada),其中,切片厚度為1mm,切片尺寸為181×217×181;而每一切片之INU(intensity non-uniformity)為0%或20%,分別以rf0或rf20來表示,並具有6種不同雜訊度:0%,1%,3%,5%,7%和9%。由第一圖可知,多發性硬化症病變通常在T2加權或FLAIR之影像上呈高信號。
以下實例中所使用之真實腦部MR影像係經台中榮民總醫院臨床研究倫理委員會之批准(IRB編號:CE16138A)。該些真實腦部MR影像係分別具有不同等級之病變,依據病變分佈而可將病變等級區分為Fazekas 1級、Fazekas 2級及Fazekas 3級,等級越高表示病變越嚴重,如第二圖所示。該些真實腦部MR影像係以1.5T全身磁共振儀(Siemens,Germany)獲得,並且成像參數皆為相同,而各腦部切片之厚度為1.1mm,影像矩陣(matrix)大小為224×256,視野(field-of-view)為22~24公分。
以下實例中所使用之MCICEM法係將先前文獻(H.-M.Chen et al.,“A Hyperspectral Imaging Approach to White Matter Hyperintensities Detection in Brain Magnetic Resonance Images,”Remote Sensing,vol.9,no.11,p.1174,Nov.2017.)中所提出之ICEM法進行擴增所得者。而於MCICEM法中,針對各待測目標都須進行一個處理程序,並且所有待測目標之處理程序係必須要滿足同一閥值時,使能夠終止處理程序。相較於本發明所揭偵測、分類及定量醫學影像中多目標之方法,MCICEM法一次僅能處理單一待測目標,並且無法進行待測目標之定量。
以下實例中所使用之MCICEM-4DSI法係指該處理程序(運算)之終止只有在所有目標都被完成之情形,如第五圖所示,由於每個目標有一個處理路徑,而於MCICEM-4DSI法下,終止條件為各個處理路徑都分別滿足其各自之終止條件;反觀本發明所揭偵測、分類及定量醫學影像中多目標之方法僅透過單一運算路徑即可處理多個待測目標,故僅需滿足單一終止條件即可達到終止。
實例一:分析合成MR影像中之腦脊液、灰質、白質及白質高信號區域之結果
以不同濾波器來獲得合成腦MR影像之空間信息,而不同濾波器中使用之參數如下表1所示。分別以不同影像分析方法:本發明所揭偵測、分類及定量醫學影像中多目標之方法、習知MCICEM法,習知MCICEM-4DSI法,並依據表1所示參數、終止條件之閥值定為0.99之條件下,分析合成腦部MR影像,結果如表2至表4所示,並且,由表5之結果可知不同影像分析方法所需之迭代次數,其中,n表示噪度等級,包含有1、3、5、7、9%;rf表示強度均勻度(intensity uniformity),包含0及20%。
由表2至表4之結果可知,本發明所揭影像分析方法及使用Gabor濾波器之MCICEM法得到之結果比使用其他濾波器之分析方法更好。由表5之結果可清楚得知,本發明所揭影像分析方法之迭代次數小於其他兩種方法之迭代次數,並且,隨著影像噪度增加,各影像分析方法之迭代次數也增隨之增加,不過,本發明所揭影像分析方法仍是維持迭代次數最少者。
更進一步地,將各影像分析方法結合不同空間濾波器檢測MR影像之結果進行統計分析,結果如第六圖所示,顯示各影像分析方法係能夠結合不同空間濾波器達到將正常組織與白質高信號區域(病變組織)正確分類之功效。
此外,透過電腦(Windows 7、CPU Intel® Xeon® E5-2620 v3 @ 2.40GHz處理器及32GB記憶體)之設備來分析各影像分析方法之效能,結果如第七圖所示。由第七圖之結果可知,不論搭配何種空間濾波器,本發明所揭偵測、分類及定量醫學影像中多目標之方法的平均處理時間係明顯少於另二種影像分析方法,並且,又以搭配高斯濾波器時,所需之處理時間最少。
實例二:分析真實MR影像中之腦脊液、灰質、白質及白質高信號區域之結果
分別以不同影像分析方法:本發明所揭偵測、分類及定量醫學影像中多目標之方法、習知MCICEM法,習知MCICEM-4DSI法,並依據表1所示參數、終止條件之閥值定為0.99之條件下,分析三種Fazekas等級之真實腦部MR影像,結果如第八圖至第十圖所示。
由第八圖至至第十圖之結果可知,本發明所揭偵測、分類及定量醫學影像中多目標之方法與高斯濾波器或Gabor濾波器結合,進行影像分類之結果較佳;並且,相較於MCICEM法及MCICEM-4DSI法,以本發明所揭偵測、分類及定量醫學影像中多目標之方法將影像中之正常腦部組織與白質高信號區域進行分類之正確度較高,又以結合Bilateral濾波器之效果較佳。
再者,本發明所揭偵測、分類及定量醫學影像中多目標之方法進行影像中四種成份:白質、灰質、腦脊液及白質高信號區域進行分類處理,其所需花費之時間僅有另二種習知影像分析方法之一半或更少,顯示本發明所揭偵測、分類及定量醫學影像中多目標之方法係能夠大幅降低分析處理之時間,以達到提昇判斷效率及降低檢測成本之功效。
此外,將以本發明所揭偵測、分類及定量醫學影像中多目標之方法進行影像中白質高信號區域分類之結果與習知ICEM法進行影像分類之結果
比較,可知本發明所揭偵測、分類及定量醫學影像中多目標之方法結合高斯濾波器和Gabor濾波器之分類效果較佳。
Claims (10)
- 一種偵測、分類及定量醫學影像中多目標之方法,其包含有下列步驟:a. 取一第k次高光譜影像立方體,偵測該第k次高光譜影像立方體中各組分之光譜特徵,其中,該些組分係包含有一正常組織及/或一病變組織,並k為正整數;b. 將該第k次高光譜影像立方體中各組分之光譜特徵帶入該第k次高光譜影像立方體中各組分之光譜特徵中,並且經過加權運算,得到一第k次豐度圖,其中,該第k次豐度圖包含一正常組織豐度圖及/或一病變組織豐度圖;c. 取該k次豐度圖之絕對值並進行一平滑修飾處理程序,得到一經修飾之第k次影像;d. 將該經修飾之第k次影像與第k-1次高光譜影像立方體聯集,得到一新的第k次高光譜影像立方體,其中,當k-1為0時,第k-1次高光譜影像立方體係為一原始高光譜影像立方體;e. 驗證該k次豐度圖之絕對值是否滿足一終止條件,當該第k次豐度圖之絕對值滿足該終止條件時,執行下一步驟;而當該第k次豐度圖之絕對值不滿足該終止條件時,將該新的第k次高光譜影像立方體帶入該步驟a,並重複進行該步驟a以下步驟;f. 終止由該步驟a至該步驟e之影像處理程序,並將該第k次豐度圖中之每個像素於該經修飾之第k次影像上分類為一正常組織或一病變組織。
- 依據申請專利範圍第1項所述偵測、分類及定量醫學影像中多目標之方法,其中,該第k次高光譜影像立方體係由一第k次高光譜影像經由一影像擴增處理而得者。
- 依據申請專利範圍第1項所述偵測、分類及定量醫學影像中多目標之方法,其中,該步驟c係以一濾波器進行該平滑修飾處理程序。
- 依據申請專利範圍第3項所述偵測、分類及定量醫學影像中多目標之方法,其中,該濾波器係為高斯濾波器、Gabor濾波器、Guided濾波器或Bilateral濾波器。
- 依據申請專利範圍第2項所述偵測、分類及定量醫學影像中多目標之方法,其中,該第k次高光譜影像係以不同波訊成像而得者。
- 依據申請專利範圍第5項所述偵測、分類及定量醫學影像中多目標之方法,其中,該第k次高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項所述偵測、分類及定量醫學影像中多目標之方法,其中,該步驟f係依據一學習規則進行像素分類。
- 依據申請專利範圍第1項所述偵測、分類及定量醫學影像中多目標之方法,其中,該步驟e中之該終止條件係指該第k次豐度圖之絕對值得到之相似度指數大於一相似度閥值。
- 依據申請專利範圍第8項所述偵測、分類及定量醫學影像中多目標之方法,其中,該相似度閥值係為0.8~0.99。
- 依據申請專利範圍第1項所述偵測、分類及定量醫學影像中多目標之方法,其中,該正常組織係包含有灰質、白質及腦脊液,且該病變組織係為白質高信號區域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131574A TWI691936B (zh) | 2019-09-02 | 2019-09-02 | 偵測、分類及定量醫學影像中多目標之方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131574A TWI691936B (zh) | 2019-09-02 | 2019-09-02 | 偵測、分類及定量醫學影像中多目標之方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI691936B true TWI691936B (zh) | 2020-04-21 |
TW202111660A TW202111660A (zh) | 2021-03-16 |
Family
ID=71134590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108131574A TWI691936B (zh) | 2019-09-02 | 2019-09-02 | 偵測、分類及定量醫學影像中多目標之方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI691936B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200709799A (en) * | 2005-05-02 | 2007-03-16 | Cytyc Corp | Automated image analysis |
CN100413460C (zh) * | 2000-03-28 | 2008-08-27 | 前进光子有限公司 | 组织病灶的表征和绘图的方法和系统 |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
US20190096059A1 (en) * | 2017-09-27 | 2019-03-28 | Taichung Veterans General Hospital | Iterative analyzing method for a medical image |
-
2019
- 2019-09-02 TW TW108131574A patent/TWI691936B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100413460C (zh) * | 2000-03-28 | 2008-08-27 | 前进光子有限公司 | 组织病灶的表征和绘图的方法和系统 |
TW200709799A (en) * | 2005-05-02 | 2007-03-16 | Cytyc Corp | Automated image analysis |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
US20190096059A1 (en) * | 2017-09-27 | 2019-03-28 | Taichung Veterans General Hospital | Iterative analyzing method for a medical image |
Also Published As
Publication number | Publication date |
---|---|
TW202111660A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurbani et al. | Incorporation of a spectral model in a convolutional neural network for accelerated spectral fitting | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
Islam et al. | Image enhancement based medical image analysis | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
CN111429404B (zh) | 一种用于心脑血管检测的成像系统和方法 | |
TWI691936B (zh) | 偵測、分類及定量醫學影像中多目標之方法 | |
CN102737388B (zh) | 图像处理装置以及图像处理方法 | |
Li | Hyperspectral imaging technology used in tongue diagnosis | |
Xu et al. | Deep convolutional neural networks for bias field correction of brain magnetic resonance images | |
Fonseca et al. | X-ray image enhancement: A technique combination approach | |
Nazaran et al. | Methodology for computing white matter nerve fiber orientation in human histological slices | |
Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning | |
Materka et al. | On the effect of image brightness and contrast nonuniformity on statistical texture parameters | |
Yu et al. | Molecular image segmentation based on improved fuzzy clustering | |
Yang et al. | A skull segmentation method for brain MR images based on multiscale bilateral filtering scheme | |
Asiri et al. | Optimized Brain Tumor Detection: A Dual-Module Approach for MRI Image Enhancement and Tumor Classification | |
Yang et al. | A MR brain classification method based on multiscale and multiblock fuzzy C-means | |
Dash et al. | Analysis of vessel segmentation based on various enhancement techniques for improvement of vessel intensity profile | |
Tasya et al. | Breast Cancer Detection Using Convolutional Neural Network with EfficientNet Architecture | |
Lee et al. | Performance evaluation of 3D median modified Wiener filter in brain T1-weighted magnetic resonance imaging | |
Chaddad et al. | Classification of cancer cells based on morphological features from segmented multispectral bio-images | |
Yee et al. | Performance Analysis of Color Normalization Methods in Histopathology Images | |
Sanjayprabu et al. | Brain tumor detection using GLCM features and classifiers | |
Chen et al. | Novel automated method for the detection of white matter hyperintensities in brain multispectral MR images |