TWI838104B - X光影像強化系統以及x光影像強化方法 - Google Patents
X光影像強化系統以及x光影像強化方法 Download PDFInfo
- Publication number
- TWI838104B TWI838104B TW112103402A TW112103402A TWI838104B TW I838104 B TWI838104 B TW I838104B TW 112103402 A TW112103402 A TW 112103402A TW 112103402 A TW112103402 A TW 112103402A TW I838104 B TWI838104 B TW I838104B
- Authority
- TW
- Taiwan
- Prior art keywords
- ray image
- channel
- image
- contrast
- contrast enhancement
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000008569 process Effects 0.000 claims abstract description 78
- 238000013136 deep learning model Methods 0.000 claims abstract description 53
- 230000014759 maintenance of location Effects 0.000 claims description 19
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 description 19
- 230000037182 bone density Effects 0.000 description 8
- 230000003862 health status Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一種X光影像強化系統，包括：一記憶裝置，儲存一X光影像強化應用程式；以及一處理裝置，用以執行該X光影像強化應用程式以實現以下模組：一影像處理模組，對一X光影像的一第一通道(channel)進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像；以及一推論模組，將該已處理X光影像輸入一深度學習模型，得到一推論結果。
Description
本發明係有關於X光影像強化系統以及X光影像強化方法。
在電腦視覺及機器學習的領域中，常有將X光影像輸入深度學習模型，得到推論結果的應用。例如，將X光影像輸入深度學習模型，以判斷X光影像中是否出現病灶。
然而，由於X光影像的拍攝特性，在X光影像中常常會有多個物體重疊的情形。舉例而言，在一般常見的胸腔X光影像中，骨骼會與其他內臟等影像重疊。在進行X光影像的深度學習模型訓練以及推論時，會受到重疊影像的干擾，導致深度學習模型的效能降低。
此外，即使事先對X光影像進行前處理，也常發生前處理後的X光影像失真，導致影像前處理無法對深度學習訓練帶來幫助。
本發明揭露一種X光影像強化系統，包括：一記憶裝置，儲存一X光影像強化應用程式；以及一處理裝置，用以執行該X光影像強化應用程式以實現以下模組：一影像處理模組，對一X光影像的一第一通道(channel)進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像；以及一推論模組，將該已處理X光影像輸入一深度學習模型，得到一推論結果。
根據本發明揭露的X光影像強化系統，可以避免影像前處理帶來的影像失真，並有效增強影像對比。因此，可以在深度學習模型的推論結果中得到較佳的效能。
另外，本發明亦揭露一種X光影像強化方法，透過處理裝置進行以下步驟：對一X光影像的一第一通道進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像；以及根據該已處理X光影像訓練一深度學習模型。
根據本發明揭露的X光影像強化方法，可以避免影像前處理帶來的影像失真，並有效增強影像對比。因此，可以較精準的訓練X光影像的深度學習模型。
另外，本發明亦揭露另一種X光影像強化方法，透過處理裝置進行以下步驟：對一X光影像的一第一通道進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像；以及將該已處理X光影像輸入一深度學習模型，得到一推論結果。
以下，參照隨附圖式詳細說明根據本發明之實施例。所揭露的實施例僅為例示，本發明的範圍不限於此。
以下，參照第1圖說明本發明的實施例1。本發明的實施例1為X光影像強化系統1。X光影像強化系統1可藉由包括至少一處理裝置11、記憶裝置12以及傳輸介面(未圖示)的計算裝置實現。處理裝置11執行儲存於記憶裝置12的X光影像強化應用程式，以實現影像處理模組111以及推論模組112。
舉例而言，處理裝置11為中央處理裝置(Central Processing Unit，CPU)、數位訊號處理器(Digital Signal Processor，DSP)、圖形處理裝置(Graphics Processing Unit，GPU)、視覺處理裝置(Vision Processing Unit，VPU)、特殊應用積體電路(Application Specific Integrated Circuit，ASIC)及/或現場可程式化邏輯閘陣列(Field Programmable Gate Array，FPGA)等硬體的邏輯運算裝置，也可以為上述邏輯運算裝置之組合。處理裝置11可以與至少一記憶裝置12連接。記憶裝置12為暫時或永久(permanent)記錄資料的裝置，例如為記憶體及/或儲存裝置。
記憶體為暫時儲存資料的揮發性記憶裝置。具體例子為靜態隨機存取記憶體(Static Random Access Memory，SRAM)、動態隨機存取記憶體(Dynamic Random Access Memory，DRAM)，或者為處理裝置的暫存器或快取記憶體等。
儲存裝置為保管資料的非揮發性記憶裝置，具體例子為固態硬碟(Solid State Drive，SSD)。儲存裝置也可以是硬碟(Hard Disk Drive，HDD)、快閃記憶體等。在本發明的實施例1中，X光影像強化應用程式被保存於儲存裝置中。
傳輸介面為在處理裝置11、記憶裝置12(記憶體及/或儲存裝置)等硬體間傳輸資料的硬體介面，具體例子為匯流排、訊號線、有線網路及/或無線網路等。在本發明的實施例1中，影像處理模組111也可以透過傳輸介面進行資料之輸入。
本發明之實施例1的X光影像強化系統1可以藉由處理裝置11執行軟體實現，也可以透過專用之硬體或韌體實現。或者，也可以一部分由專用之硬體或韌體實現，其他部分由處理裝置執行軟體實現。
以下，詳細說明X光影像強化系統1中的影像處理模組111以及推論模組112。
影像處理模組111為用以對X光影像的各通道(channel)進行影像處理的模組。X光影像可以從X光機被輸入到X光影像強化系統1中，儲存於記憶裝置12中，並由處理裝置11讀取。或者，X光影像也可以被儲存於與X光影像強化系統1連接的電腦或資料庫中，由電腦或資料庫傳送X光影像給X光影像強化系統1。
通道為數位影像中儲存不同類型資訊的灰階影像。例如常見的RGB影像具有三個通道，而CMYK影像具有四個通道。在本實施例中，X光影像強化系統1處理的X光影像為具有紅色通道(R通道)、綠色通道(G通道)、藍色通道(B通道)的X光影像。
在本實施例中，R通道被分配為第一通道，G通道被分配為第二通道，B通道被分配為第三通道。影像處理模組111會分別對第一通道、第二通道以及第三通道進行第一對比增強處理、第二對比增強處理以及保留處理。然而，因為X光影像為只具有黑白色調的灰階影像，R通道、G通道以及B通道實質上具有相同的內容。因此，R通道、G通道以及B通道可以任意地被分配為第一通道、第二通道或第三通道。舉例而言，在其他實施例中， R通道可以被分配為第三通道(保留處理)，G通道可以被分配為第一通道(第一對比增強處理)，B通道分配為第二通道(第二對比增強處理)等。
在本實施例中，影像處理模組111對第一通道(R通道)進行第一對比增強處理。亦即，影像處理模組111增強X光影像之第一通道(R通道)的對比度。在本實施例中，藉由限制對比自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)演算法增強第一通道的對比度，並將對第一通道的CLAHE處理稱為第一CLAHE處理。CLAHE處理前與處理後的影像如第2圖所示。然而，增強對比度的方式不限於此，舉例而言，影像處理模組111也可以藉由線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配(Histogram Matching)等方式增強對比度。
影像處理模組111對第二通道(G通道)進行第二對比增強處理。亦即，影像處理模組111增強X光影像之第二通道(G通道)的對比度。在本實施例中，影像處理模組111藉由CLAHE演算法增強第二通道的對比度，並將對第二通道的CLAHE處理稱為第二CLAHE處理。然而，本發明不限於此。影像處理模組111可以藉由任意方式增強第二通道之影像的對比度，例如也可以藉由線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配(Histogram Matching)等方式增強第二通道的對比度。此外，影像處理模組111增強第一通道之影像對比度與增強第二通道之影像對比度的方式不限為同一種。例如，在其他實施例中，影像處理模組111可以藉由線性變換處理增強第一通道的對比，藉由直方圖均衡化增強第二通道的對比等。
影像處理模組111增強第一通道對比度的強度與增強第二通道對比度的強度不同。作為一例，在本實施例中可以透過OpenCV將第一CLAHE處理的clipLimit參數與第二CLAHE處理的clipLimit參數調整為不同，以將第一通道對比度與第二通道對比度的增強程度調整為不同。
clipLimit參數為對比度增強限制參數。clipLimit參數數值越高，容許的對比度增強程度越大。透過clipLimit參數限制對比增強程度可以限制通道中任意兩相鄰元素之間的直方圖斜率(亦即強度變化)，可以防止影像中同質性高的區域出現過飽和現象。因此，將第一CLAHE處理與第二CLAHE處理的clipLimit參數調整為不同，可以使第一通道與第二通道有機會產生不同對比度的影像，並防止影像品質降低。
影像處理模組111對第三通道(B通道)進行保留處理。亦即，影像處理模組111使第三通道保持原狀。
影像處理模組111對X光影像完成第一通道的第一對比增強處理、第二通道的第二對比增強處理以及第三通道的保留處理後，得到的X光影像稱為已處理X光影像。
接下來，X光影像強化系統1將已處理X光影像輸入到推論模組112。推論模組112中包含一深度學習模型，用以針對已處理X光影像進行推論，並輸出推論結果。舉例而言，深度學習模型可以為骨質密度推論模型，接收已處理X光影像作為輸入後，輸出推論骨質密度作為推論結果。
在其他實施例中，深度學習模型可以為健康狀態推論模型，接收已處理X光影像作為輸入後，輸出至少一健康狀態資訊作為推論結果。或者，深度學習模型也可以是其他以X光影像作為輸入的深度學習模型，並輸出其他推論結果。亦即，只要是輸入資料包含X光影像的深度學習模型，皆可以藉由本實施例中的影像處理模組111先對X光影像進行前處理。
此外，本發明不限應用於具有三個通道的X光影像。舉例而言，在X光影像具有n個(n為大於等於1的整數)通道時，影像處理模組111可以對第1通道至第n通道分別進行第1對比增強處理至第n對比增強處理。
根據本發明的實施例1，由於對第一通道進行第一對比增強處理，對第二通道進行第二對比增強處理，在後續應用於深度學習模型時，可以使深度學習模型在不同通道中擷取不同的特徵，提升深度學習模型的推論效能。此外，由於對第三通道進行保留處理，可以使X光影像在進行影像處理後不失真，確保深度學習模型的推論效能。
接下來，參照第4圖說明本發明的實施例2。第4圖為實施例2的X光影像強化方法的流程圖，可藉由處理裝置執行流程圖中的步驟完成。處理裝置可以與至少一記憶裝置連接。記憶裝置為暫時或永久(permanent)記錄資料的裝置，例如記憶體及/或儲存裝置。
在步驟S1中，處理裝置對X光影像的第一通道進行第一對比增強處理，對X光影像的第二通道進行第二對比增強處理，對X光影像的第三通道進行保留原影像的保留處理，得到已處理X光影像。
以具有R通道、G通道以及B通道的X光影像為例，由於X光影像為只具有黑白色調的灰階影像，各通道實質上具有相同的內容。因此，R通道、G通道以及B通道可以任意地被分配為第一通道、第二通道或第三通道。在本實施例中，R通道被分配為第一通道，G通道被分配為第二通道，B通道被分配為第三通道。
在本實施例中，處理裝置對第一通道(R通道)進行第一對比增強處理。亦即，處理裝置增強X光影像之第一通道(R通道)的對比度。增強對比度的方式例如為線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配(Histogram Matching)等。本實施例以限制對比自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)演算法為例，將藉由CLAHE演算法增強第一通道之對比度的處理稱為第一CLAHE處理。亦即，本實施例的第一影像增強處理包含第一CLAHE處理。
處理裝置對第二通道(G通道)進行第二對比增強處理。亦即，處理裝置增強X光影像之第二通道(G通道)的對比度。處理裝置增強第一通道之影像對比度與增強第二通道之影像對比度的方式不限為同一種，可以藉由任意方式增強第二通道的對比度，例如線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配等。
本實施例以限制對比自適應直方圖均衡化演算法為例，將藉由CLAHE演算法增強第二通道之對比度的處理稱為第二CLAHE處理。亦即，本實施例的第二影像增強處理包含第二CLAHE處理。
處理裝置增強第一通道對比度的強度與增強第二通道對比度的強度不同。作為一例，在本實施例中可以透過OpenCV將第一CLAHE處理的clipLimit參數與第二CLAHE處理的clipLimit參數調整為不同，以將第一通道對比度與第二通道對比度的增強程度調整為不同。
處理裝置對第三通道(B通道)進行保留處理。亦即，處理裝置使第三通道保持原狀。
處理裝置對X光影像完成第一通道的第一對比增強處理、第二通道的第二對比增強處理以及第三通道的保留處理後，得到的X光影像稱為已處理X光影像。
接下來，在步驟S2中，處理裝置根據已處理X光影像訓練一深度學習模型。可以採用任意方法訓練深度學習模型，舉例而言，可以透過TensorFlow、Pytorch、Nxnet等函式庫訓練深度學習模型，但不限於此。
深度學習模型舉例而言，可以為骨質密度推論模型。骨質密度推論模型接收已處理X光影像作為輸入後，輸出推論骨質密度作為推論結果。在其他實施例中，深度學習模型可以為健康狀態推論模型，接收已處理X光影像作為輸入後，輸出至少一健康狀態資訊作為推論結果。或者，深度學習模型也可以是其他以X光影像作為輸入的深度學習模型，並輸出其他推論結果。亦即，只要是輸入X光影像作為訓練資料的深度學習模型，皆可以藉由本實施例的步驟S1先對X光影像進行前處理。
此外，本發明不限應用於具有三個通道的X光影像。舉例而言，在X光影像具有n個(n為大於等於1的整數)通道時，影像處理模組111可以對第1通道至第n通道分別進行第1對比增強處理至第n對比增強處理。
另外，在一些實施例中，深度學習模型的效能可以透過混淆矩陣評估。也可以藉由混淆矩陣進行監督式學習。
混淆矩陣如以下之表1所示：
表1
| 預測為真(positive) | 預測為非(negative) | |
| 真實情況為真 | 真陽(true positive，TP) | 偽陰(false negative，FN) |
| 真實情況為非 | 偽陽(false positive，FP) | 真陰(true negative，TN) |
其中TP與TN為預測結果與實際情況相同，FN與FP為預測結果與實際情況不同。TP與TN的數值越高，FN與FP的數值越低，表示模型的效能越好。在藉由混淆矩陣進行監度式學習的實施例中，TP、TN、FP、FN的數值標準可以依據不同深度學習模型而定。
此外，以本實施例之骨質密度推論模型為例，X光影像不經過前處理，以及經過本實施例步驟S1的前處理訓練出來的深度學習模型之效能差異如以下之表2所示：
表2
由表2可知，本發明訓練的深度學習模型。
| 效能 | 靈敏度(Sensitivity) | 特異度(Specificity) |
| X光影像不經前處理的訓練結果 | 0.73 | 0.73 |
| 本發明的訓練結果 | 0.78 | 0.78 |
由表2可知，透過實施本發明得到的深度學習模型，靈敏度與特異度皆較高，具有較高的效能。
根據本發明的實施例2，由於對第一通道進行第一對比增強處理，對第二通道進行第二對比增強處理，在訓練深度學習模型時，可以使深度學習模型在不同通道中擷取不同的特徵，提升深度學習模型的推論效能。此外，由於對第三通道進行保留處理，可以使X光影像在進行影像處理後不失真，確保深度學習模型在進行學習時不會產生偏差。
接下來，參照第5圖說明本發明的實施例3。第5圖為實施例3的X光影像強化方法的流程圖，可藉由處理裝置執行流程圖中的步驟完成。處理裝置可以與至少一記憶裝置連接。記憶裝置為暫時或永久(permanent)記錄資料的裝置，例如記憶體及/或儲存裝置。
在步驟S1中，處理裝置對X光影像的第一通道進行第一對比增強處理，對X光影像的第二通道進行第二對比增強處理，對X光影像的第三通道進行保留原影像的保留處理，得到已處理X光影像。
以具有R通道、G通道以及B通道的X光影像為例，由於X光影像為只具有黑白色調的灰階影像，各通道實質上具有相同的內容。因此，R通道、G通道以及B通道可以任意地被分配為第一通道、第二通道或第三通道。在本實施例中，R通道被分配為第一通道，G通道被分配為第二通道，B通道被分配為第三通道。
在本實施例中，處理裝置對第一通道(R通道)進行第一對比增強處理。亦即，處理裝置增強X光影像之第一通道(R通道)的對比度。增強對比度的方式例如為線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配(Histogram Matching)等。本實施例以限制對比自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)演算法為例，將藉由CLAHE演算法增強第一通道之對比度的處理稱為第一CLAHE處理。亦即，本實施例的第一影像增強處理包含第一CLAHE處理。
處理裝置對第二通道(G通道)進行第二對比增強處理。亦即，處理裝置增強X光影像之第二通道(G通道)的對比度。處理裝置增強第一通道之影像對比度與增強第二通道之影像對比度的方式不限為同一種，可以藉由任意方式增強第二通道的對比度，例如線性變換、對數變換、指數變換、直方圖均衡化、直方圖匹配等。
本實施例以限制對比自適應直方圖均衡化演算法為例，將藉由CLAHE演算法增強第二通道之對比度的處理稱為第二CLAHE處理。亦即，本實施例的第二影像增強處理包含第二CLAHE處理。
處理裝置增強第一通道對比度的強度與增強第二通道對比度的強度不同。作為一例，在本實施例中可以透過OpenCV將第一CLAHE處理的clipLimit參數與第二CLAHE處理的clipLimit參數調整為不同，以將第一通道對比度與第二通道對比度的增強程度調整為不同。
處理裝置對第三通道(B通道)進行保留處理。亦即，處理裝置使第三通道保持原狀。
處理裝置對X光影像完成第一通道的第一對比增強處理、第二通道的第二對比增強處理以及第三通道的保留處理後，得到的X光影像稱為已處理X光影像。
接下來，在步驟S2中，處理裝置將已處理X光影像輸入深度學習模型，得到推論結果。深度學習模型可以是藉由實施本發明實施例2得到的深度學習模型。舉例而言，深度學習模型可以為骨質密度推論模型，接收已處理X光影像作為輸入後，輸出推論骨質密度作為推論結果。在其他實施例中，深度學習模型可以為健康狀態推論模型，接收已處理X光影像作為輸入後，輸出至少一健康狀態資訊作為推論結果。或者，深度學習模型也可以是其他以X光影像作為輸入的深度學習模型，並輸出其他推論結果。亦即，只要是輸入資料包含X光影像的深度學習模型，皆可以藉由本實施例的步驟S1先對X光影像進行前處理。
此外，本發明不限應用於具有三個通道的X光影像。舉例而言，在X光影像具有n個(n為大於等於1的整數)通道時，影像處理模組111可以對第1通道至第n通道分別進行第1對比增強處理至第n對比增強處理。
根據本發明的實施例3，由於對第一通道進行第一對比增強處理，對第二通道進行第二對比增強處理，在後續應用於深度學習模型時，可以使深度學習模型在不同通道中擷取不同的特徵，提升深度學習模型的推論效能。此外，由於對第三通道進行保留處理，可以使X光影像在進行影像處理後不失真，確保深度學習模型的推論效能。
雖然分別說明了複數實施例，上述實施例也可以組合實施。或者，也可以在複數實施例中，部分實施其中一者。或者，也可以部分地組合複數實施例。另外，可以依據需要部份地變更記載於上述複數實施例的構成以及步驟。
以上說明之各實施型態，是為了使本發明容易理解而記載，上述記載並非用以限制本發明。因此，上述各實施型態所揭露之各元件，目的為包含屬於本發明之技術範圍內之所有設計變更或均等物。
1:X光影像強化系統
11:處理裝置
111:影像處理模組
112:推論模組
12:記憶裝置
S1~S2:流程圖步驟
第1圖為X光影像強化系統1的硬體構成例之方塊圖。
第2圖對影像進行對比增強處理的示意圖。
第3圖為對X光影像的第一通道進行第一對比增強處理、對第二通道進行第二對比增強處理以及對第三通道進行保留處理的示意圖。
第4圖為根據本發明之實施例2的X光影像強化方法的流程圖。
第5圖為根據本發明之實施例3的X光影像強化方法的流程圖。
1:X光影像強化系統
11:處理裝置
12:記憶裝置
111:影像處理模組
112:推論模組
Claims (10)
- 一種X光影像強化系統，包括：一記憶裝置，儲存一X光影像強化應用程式；以及一處理裝置，用以執行該X光影像強化應用程式以實現以下模組：一影像處理模組，對一X光影像的一第一通道(channel)進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像，其中該X光影像為黑白色調的灰階影像，且在該第一對比增強處理、該第二對比增強處理與該保留處理之前，該第一通道、該第二通道與第三通道實質上具有相同的內容；以及一推論模組，將該已處理X光影像輸入一深度學習模型，得到一推論結果。
- 如請求項1之X光影像強化系統，其中該第一對比增強處理與該第二對比增強處理的對比增強程度不同。
- 如請求項1之X光影像強化系統，其中：該第一對比增強處理包含第一限制對比自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)處理；該第二對比增強處理包含第二CLAHE處理。
- 如請求項3之X光影像強化系統，其中該第二 CLAHE處理與該第一CLAHE處理的clipLimit參數不同。
- 一種X光影像強化方法，透過一處理裝置進行以下步驟：對一X光影像的一第一通道進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像，其中該X光影像為黑白色調的灰階影像，且在該第一對比增強處理、該第二對比增強處理與該保留處理之前，該第一通道、該第二通道與第三通道實質上具有相同的內容；以及根據該已處理X光影像訓練一深度學習模型。
- 一種X光影像強化方法，透過處理裝置進行以下步驟：對一X光影像的一第一通道進行一第一對比增強處理，對該X光影像的一第二通道進行一第二對比增強處理，對該X光影像的一第三通道進行保留原影像的一保留處理，得到一已處理X光影像，其中該X光影像為黑白色調的灰階影像，且在該第一對比增強處理、該第二對比增強處理與該保留處理之前，該第一通道、該第二通道與第三通道實質上具有相同的內容；以及將該已處理X光影像輸入一深度學習模型，得到一推論結果。
- 如請求項5或6之X光影像強化方法，其中該第一對比增強處理與該第二對比增強處理的對比增強程度不同。
- 如請求項5或6之X光影像強化方法，其中： 該第一對比增強處理包含第一限制對比自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)處理；該第二對比增強處理包含第二CLAHE處理。
- 如請求項8之X光影像強化方法，其中該第二CLAHE處理與該第一CLAHE處理的clipLimit參數不同。
- 如請求項8之X光影像強化方法，其中透過一混淆矩陣(confusion matrix)判斷該深度學習模型的效能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112103402A TWI838104B (zh) | 2023-02-01 | 2023-02-01 | X光影像強化系統以及x光影像強化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112103402A TWI838104B (zh) | 2023-02-01 | 2023-02-01 | X光影像強化系統以及x光影像強化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI838104B true TWI838104B (zh) | 2024-04-01 |
| TW202433395A TW202433395A (zh) | 2024-08-16 |
Family
ID=91618989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112103402A TWI838104B (zh) | 2023-02-01 | 2023-02-01 | X光影像強化系統以及x光影像強化方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI838104B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技（深圳）有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| US10482633B2 (en) * | 2016-09-12 | 2019-11-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
| CN113298780A (zh) * | 2021-05-24 | 2021-08-24 | 云南大学 | 一种基于深度学习的儿童骨龄评估方法及系统 |
-
2023
- 2023-02-01 TW TW112103402A patent/TWI838104B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10482633B2 (en) * | 2016-09-12 | 2019-11-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
| CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技（深圳）有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
| CN109166095A (zh) * | 2018-07-11 | 2019-01-08 | 广东技术师范学院 | 一种基于生成对抗机制的眼底影像杯盘分割方法 |
| CN113298780A (zh) * | 2021-05-24 | 2021-08-24 | 云南大学 | 一种基于深度学习的儿童骨龄评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110505459B (zh) | 适用于内窥镜的图像颜色校正方法、装置和存储介质 | |
| JP4823227B2 (ja) | フィルムグレインシミュレーションにおけるラスタ順序によるフィルムグレインパターンを読み込む方法及び装置 | |
| CN110827229B (zh) | 一种基于纹理加权直方图均衡化的红外图像增强方法 | |
| CN107346546B (zh) | 一种图像处理方法及装置 | |
| JP2019502423A5 (zh) | ||
| US11836898B2 (en) | Method and apparatus for generating image, and electronic device | |
| US20240054615A1 (en) | Denoising of Raw Camera Images Using AI-based Image Denoising | |
| TWI838104B (zh) | X光影像強化系統以及x光影像強化方法 | |
| CN111311525A (zh) | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 | |
| JP2007312810A (ja) | 画像処理装置 | |
| TW202433395A (zh) | X光影像強化系統以及x光影像強化方法 | |
| KR20130035914A (ko) | 디지털 단색 이미지의 결함 픽셀의 휘도를 정정하는 방법 | |
| CN107404600B (zh) | 图像处理装置及方法 | |
| Pandey et al. | Investigating the role of global histogram equalization technique for 99mTechnetium-Methylene diphosphonate bone scan image enhancement | |
| CN116245766A (zh) | 一种图像增强处理方法、装置、电子设备及可读存储介质 | |
| JP2016116108A5 (ja) | 画像処理装置 | |
| JP6867563B1 (ja) | 画像処理方法 | |
| CN115496681A (zh) | 内窥镜图像增强方法、存储介质及计算机设备 | |
| CN114998135A (zh) | 图像增强方法、装置、现场可编程逻辑门阵列以及设备 | |
| TWI733341B (zh) | 用於圖像放大與增強的方法與裝置 | |
| JP2024528890A (ja) | トーンマッピングのための方法、コンピュータプログラム、および電子デバイス | |
| WO2022241676A1 (zh) | 色调映射方法、图像处理装置及成像装置 | |
| CN112884761A (zh) | 水产经济动物头部识别方法、终端设备及可读存储介质 | |
| WO2015102948A1 (en) | Urine formed element classification method and apparatus | |
| JP2016015596A5 (zh) |