CN105574820A - 一种基于深度学习的自适应超声图像增强方法 - Google Patents
一种基于深度学习的自适应超声图像增强方法 Download PDFInfo
- Publication number
- CN105574820A CN105574820A CN201510885535.6A CN201510885535A CN105574820A CN 105574820 A CN105574820 A CN 105574820A CN 201510885535 A CN201510885535 A CN 201510885535A CN 105574820 A CN105574820 A CN 105574820A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- image
- deep neural
- ultrasonoscopy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 title abstract description 4
- 238000013135 deep learning Methods 0.000 title abstract 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000001629 suppression Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于深度学习的自适应超声图像增强方法,按照如下步骤进行:训练深度神经网络;读取超声图像数据;将图像数据分成小块输入训练好的深度神经网络,分类为均匀组织区域和结构区域;对该超声小块图像分别进行相应的数据处理;将相应的部分融合整幅输出;其中训练深度神经网络的步骤还包括:采集图片数据,对图片数据进行分组预处理;构建RBM模型,确定模型的层数、训练方式;特征提取,将分组好图片中的一组图片送入RBM中计算提取图像特征;神经网络建立,上一步提取到的图像特征建立深度神经网络模型;根据分类识别的结果采取针对性的图像增强和斑点抑制,从而有效的提高超声图像的成像效果。
Description
技术领域
本发明涉及图像增强方法,具体来讲是一种深度学习的自适应超声图像增强方法,属于超声图像处理技术领域。
背景技术
超声医学成像因其具有直观、方便、安全、快速等优点广泛应用于临床,但由于超声成像的物理特性和超声探头的相关属性,超声图像在反映人体器官轮廓的同时,还常常出现不规则的斑点和伪像,这大大影响了图像的质量和病灶的识别。针对这种情况,目前主要的超声图像增强算法有各向异性扩散、小波变换、中值滤波等,但是这些方法作用于整幅图像,难免会出现滤除噪声的同时模糊了边界,或者增强边界的同时也增强了噪声。所以,较好的处理方法是先对图像进行分析,对边缘与组织进行检测之后再分别进行处理。现有技术中对图像的分析主要通过计算梯度、结构张量等方法,但是这种方法通常需要设定一个硬阈值,缺少较好的自适应能力。
发明内容
本发明针对超声图像处理过程中对图像分析不准确的问题,公开一种能够自行识别处理超声图像的深度学习的自适应超声图像增强方法。
为实现以上的技术目的,本发明将采取以下的技术方案:
一种基于深度学习的自适应超声图像增强方法,按照如下步骤进行:步骤(1)训练深度神经网络;步骤(2)读取超声图像数据;步骤(3)将图像数据分成小块,输入训练好的深度神经网络,分类为均匀组织区域和结构区域;步骤(4)对该超声小块图像分别进行相应的数据处理;步骤(5)将相应的部分融合整幅输出;其中,步骤(1)包括如下步骤:步骤A采集图片数据,对图片数据进行分组预处理;步骤B构建RBM模型,确定模型的层数、训练方式;步骤C特征提取,将步骤A中的一组图片送入RBM中计算提取图像特征;步骤D神经网络建立,利用步骤C提取到的图像特征建立深度神经网络模型。
本发明进一步限定的技术方案为:
进一步的,步骤A具体为:***从超声设备中随机采集M张超声图像,其中M≥10;将图像集中的每一张图片分割成n*n像素的小块,选取小块的原则是小块包含类别的特征;分割好的小块图片用人工的方式按照均匀组织区域和结构区域进行标注,标注好的小块图片按照初始整张图片为单位归类存储。
进一步的,步骤B中,所述RBM模型层数设置为三层,采用吉布斯交叉采样方法逐层训练,迭代次数为50次。步骤C特征提取,将步骤A中的一组图片送入RBM中计算提取图像特征。步骤D神经网络模型的建立,将分割好的小块图片以初始整张图片为单位送入限制玻尔兹曼机网络进行计算提取训练图像的特征数据,用这些初始参数建立深度神经网络模型。
进一步的,步骤(3)包括:
从超声设备中获取超声图像分成小块,输入训练好的深度神经网络进行识别,分类为均匀组织区域和结构区域。由于深度神经网络由上述步骤已经训练完成,各参数已经保存,则能够保证图像的分类能够实时的处理。
进一步的,步骤(4)包括:根据识别的结果,采取不同的图像处理方法。识别为均匀组织区域的小块图像,采用高斯滤波进行去噪。识别为结构区域的,进行图像增强,公式为:
,
其中,表示增强后的灰度值,表示小块灰度均值,表示灰度调整系数。
进一步的,深度神经网络模型由深度信念网络DBN进行预训练,包括:
采用自下而上的无监督学习方式进行训练,即使用无标签的样本数据从底层开始,一层一层的往顶层进行训练。
RBM是一种能量传递模型,定义每一层的能量状态为:
,
其中, 是w,a,b有关的参数,k为第k层RBM, 是 层i单元和 层j单元之间的链接权重参数,而a和b分别是 层和 层的偏执参数。并且据此便知道 的概率为:
,
其中, 是归一化系数。根据上面的概率分布,很容易得到如下的条件概率:
,
,
其中, ,通过隐藏层的概率对数对W的求导,可以得到:
,
其中, 表示数据分布的期望, 表示经过S次吉布斯抽样后的数据分布。进一步可以得到:
,
其中, 是动量, 是学习率。实际模型的无偏样本往往很难获得,一般采用对比三都的方法对重构数据的采样近似来更新网络权重。下一层的输入来自于上一层的输出,以此传递,而最底层的输入一般来自于观测变量,也就是对象的原始特征数据,如图像的像素值。本发明最底层的输入为n*n小块图像的像素值。
进一步的,所述深度信念网络(DBN)的调优,包括:
采用自顶向下的监督学习方式进行调优,即使用标签的样本数据进行训练,
误差自顶向下进行传输,对网络进行调优,包括:
根据目标输出数据和重构数据的误差函数,利用反向传播(BP)算法重新调整网络的参数,最终使网络达到全局最优的过程。目标输出数据和重构数据的误差函数为
,
其中,y为目标输出,是重构数据,表示重构误差的2范数形式,对误差函数求权值的偏导,可以得到权重的更新值。
本发明由于采取以上技术方案,具有如下优点:本发明利用深度学习技术对超声图像进行分析,通过非人工干预的手段寻找符合图像的特征值,再进行识别、分类,之后针对不同的分类,采取不同的处理算法,这种方法具有更好的鲁棒性和自适应能力。
附图说明
图1是本发明的整体实施方案流程图;
图2是本发明的训练模型示意图;
图3是本发明工艺实施方案的具体流程图;
图4是一张处理前的B超图;
图5是一张处理后的B超图。
具体实施方式
附图非限制性地公开了本发明所涉及优选实施例的流程示意图;以下将结合附图详细地说明本发明的技术方案。
一种基于深度学习的超声图像增强方法,其基本步骤如下:
训练深度神经网络。
读取超声图像数据。
将图像数据输入训练好的深度神经网络,分类为均匀组织区域和结构区域。
对该超声小块图像分别进行相应的数据处理。
将相应的部分融合整幅输出。
其中训练深度神经网络的步骤如下:
从超声设备采集m张不同的超声图像,可以是不同位置、不同体模等不同条件下获得的图像。把当前的图像分成两部分,一部分作为训练图像集,一部分作为测试图像集。
把这些图像分成n*n像素的小块,并做好标签。例如标签记为均匀组织区域和结构区域。
将训练样本的图像送入限制玻尔兹曼机网络进行预处理,讲得到的权值初始化BP神经网络参数,训练出深度神经网络模型。
以下是对本发明一种基于深度学习的超声图像增强方法做了详细说明,流程图如图1,图3。
从超声设备中获取超声图像,分成小碎片,输入训练好的网络进行识别,根据识别的结果采取不同的图像处理算法。
获得m张不同的超声图像(本实验选取20张超声图像)的方法是扫描不同的位置或者是不同的部位等不同条件下的。
所有图像分成至n*n像素的小块,选取小块的原则是小块包含类别的特征,但也不能太大影响识别的准确率。
对所有小块做好标记,其标记为均匀组织区域和结构区域。
如图1,将训练样本的图像送入限制玻尔兹曼机网络进行预处理,将得到的权值初始化BP神经网络参数,训练出深度神经网络模型,并用训练好的深度神经网络模型对特征提取的结果进行图像分类识别的步骤包括:
将n*n小块超声图像的像素矩阵X={X0,X1...Xn}送入限制玻尔兹曼机网络进行数据预处理,实验选用三层8*8-50-30-10结构的限制玻尔兹曼机网络,每层网络的最大迭代次数设为50;
将预处理后的数据加入反向BP算法神经网络进行学习,实验迭代次数设为100,选用网络的期望输出Y={Y0,Y1},分别代表均匀组织区域和结构区域,例如为均匀组织区域则Y={1,0};
通过学习建立深度神经网络***模型,并利用所述深度神经网络***进行超声图像的分析识别。
如附图3,从超声设备中获取超声图像数据,将其分为n*n的小块,将小块输入训练好的深度神经网络,进行图像的分析识别,根据识别结果分别进行处理,本实验中测试图像分为8*8的小块,识别为均匀组织区域的小块图像,进行高斯滤波,对于结构区域,进行图像增强算法,最后融合整幅输出。
如附图4和图5对比很容易看出,经过处理后的图片组织边缘清晰,效果显著。
Claims (7)
1.一种基于深度学习的自适应超声图像增强方法,按照如下步骤进行:
步骤(1)训练深度神经网络;
步骤(2)读取超声图像数据;
步骤(3)将图像数据分成小块,输入训练好的深度神经网络,分类为均匀组织区域和结构区域;
步骤(4)对该超声小块图像分别进行相应的数据处理;
步骤(5)将相应的部分融合整幅输出;
其特征在于,步骤(1)包括如下步骤:
步骤A采集图片数据,对图片数据进行分组预处理;步骤B构建RBM模型,确定模型的层数、训练方式;步骤C特征提取,将步骤A中的一组图片送入RBM中计算提取图像特征;
步骤D神经网络建立,利用步骤C提取到的图像特征建立深度神经网络模型。
2.根据权利要求1所述的基于深度学习的自适应超声图像增强方法,其特征在于,步骤A具体为:***从超声设备中随机采集M张超声图像,其中M≥10;将图像集中的每一张图片分割成n*n像素的小块,选取小块的原则是小块包含类别的特征;分割好的小块图片用人工的方式按照均匀组织区域和结构区域进行标注,标注好的小块图片按照初始整张图片为单位归类存储。
3.根据权利要求1所述的基于深度学习的自适应超声图像增强方法,其特征在于,步骤B中,所述RBM模型层数设置为三层,采用吉布斯交叉采样方法逐层训练,迭代次数为50次;步骤C特征提取,将步骤A中的一组图片送入RBM中计算提取图像特征;步骤D神经网络模型的建立,将分割好的小块图片以初始整张图片为单位送入限制玻尔兹曼机网络进行计算提取训练图像的特征数据,用这些初始参数建立深度神经网络模型。
4.根据权利要求1所述的基于深度学习的自适应超声图像增强方法,其特征在于,步骤(3)包括:从超声设备中获取超声图像分成小块,输入训练好的深度神经网络进行识别,分类为均匀组织区域和结构区域。
5.根据权利要求1所述的基于深度学习的自适应超声图像增强方法,其特征在于,步骤(4)包括:根据识别的结果,采取不同的图像处理方法,识别为均匀组织区域的小块图像,采用高斯滤波进行去噪;识别为结构区域的,进行图像增强,公式为:
,
其中,表示增强后的灰度值,表示小块灰度均值,表示灰度调整系数。
6.根据权利要求1或3所述的基于深度学习的自适应超声图像增强方法,其特征在于,深度神经网络模型由深度信念网络DBN进行预训练,包括:
采用自下而上的无监督学习方式进行训练,即使用无标签的样本数据从底层开始,一层一层的往顶层进行训练;
RBM是一种能量传递模型,定义每一层的能量状态为:
,
其中, 是w,a,b有关的参数,k为第k层RBM, 是 层i单元和 层j单元之间的链接权重参数,而a和b分别是 层和 层的偏执参数;并且据此便知道 的概率为:
,
其中, 是归一化系数;根据上面的概率分布,很容易得到如下的条件概率:
,
,
其中, ,通过隐藏层的概率对数对W的求导,可以得到:
,
其中, 表示数据分布的期望, 表示经过S次吉布斯抽样后的数据分布;进一步可以得到:
,
其中, 是动量, 是学习率;实际模型的无偏样本往往很难获得,一般采用对比三都的方法对重构数据的采样近似来更新网络权重;下一层的输入来自于上一层的输出,以此传递,而最底层的输入一般来自于观测变量,也就是对象的原始特征数据,如图像的像素值;本发明最底层的输入为n*n小块图像的像素值。
7.根据权利要求6所述的基于深度学习的自适应超声图像增强方法,其特征在于,所述深度信念网络(DBN)的调优,包括:
采用自顶向下的监督学习方式进行调优,即使用标签的样本数据进行训练,
误差自顶向下进行传输,对网络进行调优,包括:根据目标输出数据和重构数据的误差函数,利用反向传播(BP)算法重新调整网络的参数,最终使网络达到全局最优的过程;目标输出数据和重构数据的误差函数为:
,
其中,y为目标输出,是重构数据,表示重构误差的2范数形式,对误差函数求权值的偏导,可以得到权重的更新值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510885535.6A CN105574820A (zh) | 2015-12-04 | 2015-12-04 | 一种基于深度学习的自适应超声图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510885535.6A CN105574820A (zh) | 2015-12-04 | 2015-12-04 | 一种基于深度学习的自适应超声图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105574820A true CN105574820A (zh) | 2016-05-11 |
Family
ID=55884915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510885535.6A Pending CN105574820A (zh) | 2015-12-04 | 2015-12-04 | 一种基于深度学习的自适应超声图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574820A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) * | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN106331433A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN106548169A (zh) * | 2016-11-02 | 2017-03-29 | 重庆中科云丛科技有限公司 | 基于深度神经网络的模糊文字增强方法及装置 |
CN108154169A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN108229347A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 |
WO2018157868A1 (zh) * | 2017-03-02 | 2018-09-07 | 江清泉 | 一种超声波显像***及其显像方法 |
CN108985366A (zh) * | 2018-07-06 | 2018-12-11 | 武汉兰丁医学高科技有限公司 | 基于卷积深度网络的b超图像识别算法及*** |
CN109102515A (zh) * | 2018-07-31 | 2018-12-28 | 浙江杭钢健康产业投资管理有限公司 | 一种基于多列深浅卷积神经网络的细胞计数方法 |
CN109658354A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种图像增强方法和*** |
CN109833061A (zh) * | 2017-11-24 | 2019-06-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像***参数的方法 |
CN109965905A (zh) * | 2019-04-11 | 2019-07-05 | 复旦大学 | 一种基于深度学习的造影区域检测成像方法 |
CN110033417A (zh) * | 2019-04-12 | 2019-07-19 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110197714A (zh) * | 2018-02-27 | 2019-09-03 | 希森美康株式会社 | 图像解析方法、装置、学习后的深度学习算法的生成方法 |
WO2019168699A1 (en) * | 2018-03-01 | 2019-09-06 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
CN110555827A (zh) * | 2019-08-06 | 2019-12-10 | 上海工程技术大学 | 基于深度学习驱动的超声成像信息计算机处理*** |
CN110694149A (zh) * | 2019-10-16 | 2020-01-17 | 山东大学齐鲁医院 | 一种超声辅助肌肉识别方法、***及辅助注射装置 |
WO2020016836A1 (en) * | 2018-07-18 | 2020-01-23 | Advenio Tecnosys Pvt. Ltd. | System and method for managing the quality of an image |
CN112508833A (zh) * | 2020-12-09 | 2021-03-16 | 东南大学 | 基于深度学习的医学图像增强方法及装置 |
CN113570499A (zh) * | 2021-07-21 | 2021-10-29 | 此刻启动(北京)智能科技有限公司 | 一种自适应图像调色方法、***、存储介质及电子设备 |
CN114782283A (zh) * | 2022-06-16 | 2022-07-22 | 深圳华声医疗技术股份有限公司 | 超声图像增强方法、装置、超声设备及存储介质 |
US11475569B2 (en) | 2018-05-30 | 2022-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630405A (zh) * | 2009-08-14 | 2010-01-20 | 重庆市勘测院 | 一种利用核Fisher分类与冗余小波变换的多聚焦图像融合方法 |
CN102243711A (zh) * | 2011-06-24 | 2011-11-16 | 南京航空航天大学 | 一种基于邻域嵌套的图像超分辨率重建方法 |
CN103632351A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 一种基于亮度基准漂移的全天候交通图像增强方法 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
CN104408483A (zh) * | 2014-12-08 | 2015-03-11 | 西安电子科技大学 | 基于深度神经网络的sar纹理图像分类方法 |
CN105046664A (zh) * | 2015-07-13 | 2015-11-11 | 广东工业大学 | 一种基于自适应epll算法的图像去噪方法 |
-
2015
- 2015-12-04 CN CN201510885535.6A patent/CN105574820A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630405A (zh) * | 2009-08-14 | 2010-01-20 | 重庆市勘测院 | 一种利用核Fisher分类与冗余小波变换的多聚焦图像融合方法 |
CN102243711A (zh) * | 2011-06-24 | 2011-11-16 | 南京航空航天大学 | 一种基于邻域嵌套的图像超分辨率重建方法 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
CN103632351A (zh) * | 2013-12-16 | 2014-03-12 | 武汉大学 | 一种基于亮度基准漂移的全天候交通图像增强方法 |
CN104408483A (zh) * | 2014-12-08 | 2015-03-11 | 西安电子科技大学 | 基于深度神经网络的sar纹理图像分类方法 |
CN105046664A (zh) * | 2015-07-13 | 2015-11-11 | 广东工业大学 | 一种基于自适应epll算法的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
张春霞 等: "受限波尔兹曼机", 《工程数学学报》 * |
钱民: "基于机器学习方法的***病理切片图像识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) * | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN106203488B (zh) * | 2016-07-01 | 2019-09-13 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN106331433A (zh) * | 2016-08-25 | 2017-01-11 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
CN106331433B (zh) * | 2016-08-25 | 2020-04-24 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
CN106503801A (zh) * | 2016-10-18 | 2017-03-15 | 天津工业大学 | 基于深度学习的电阻抗层析成像方法 |
CN106548169A (zh) * | 2016-11-02 | 2017-03-29 | 重庆中科云丛科技有限公司 | 基于深度神经网络的模糊文字增强方法及装置 |
CN106548169B (zh) * | 2016-11-02 | 2019-04-23 | 重庆中科云从科技有限公司 | 基于深度神经网络的模糊文字增强方法及装置 |
CN108229347A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 |
CN108229347B (zh) * | 2016-12-22 | 2022-01-18 | Tcl科技集团股份有限公司 | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 |
WO2018157868A1 (zh) * | 2017-03-02 | 2018-09-07 | 江清泉 | 一种超声波显像***及其显像方法 |
CN109833061A (zh) * | 2017-11-24 | 2019-06-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像***参数的方法 |
US11564661B2 (en) | 2017-11-24 | 2023-01-31 | Chison Medical Technologies Co., Ltd. | Method for optimizing ultrasonic imaging system parameter based on deep learning |
CN108154169A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN110197714B (zh) * | 2018-02-27 | 2024-02-20 | 希森美康株式会社 | 图像解析方法、装置、学习后的深度学习算法的生成方法 |
CN110197714A (zh) * | 2018-02-27 | 2019-09-03 | 希森美康株式会社 | 图像解析方法、装置、学习后的深度学习算法的生成方法 |
WO2019168699A1 (en) * | 2018-03-01 | 2019-09-06 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
US11382601B2 (en) | 2018-03-01 | 2022-07-12 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
US11475569B2 (en) | 2018-05-30 | 2022-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN108985366A (zh) * | 2018-07-06 | 2018-12-11 | 武汉兰丁医学高科技有限公司 | 基于卷积深度网络的b超图像识别算法及*** |
WO2020016836A1 (en) * | 2018-07-18 | 2020-01-23 | Advenio Tecnosys Pvt. Ltd. | System and method for managing the quality of an image |
CN109102515A (zh) * | 2018-07-31 | 2018-12-28 | 浙江杭钢健康产业投资管理有限公司 | 一种基于多列深浅卷积神经网络的细胞计数方法 |
CN109658354A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种图像增强方法和*** |
CN109965905B (zh) * | 2019-04-11 | 2020-02-11 | 复旦大学 | 一种基于深度学习的造影区域检测成像方法 |
CN109965905A (zh) * | 2019-04-11 | 2019-07-05 | 复旦大学 | 一种基于深度学习的造影区域检测成像方法 |
CN110033417B (zh) * | 2019-04-12 | 2023-06-13 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110033417A (zh) * | 2019-04-12 | 2019-07-19 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110555827A (zh) * | 2019-08-06 | 2019-12-10 | 上海工程技术大学 | 基于深度学习驱动的超声成像信息计算机处理*** |
CN110555827B (zh) * | 2019-08-06 | 2022-03-29 | 上海工程技术大学 | 基于深度学习驱动的超声成像信息计算机处理*** |
CN110694149A (zh) * | 2019-10-16 | 2020-01-17 | 山东大学齐鲁医院 | 一种超声辅助肌肉识别方法、***及辅助注射装置 |
CN110694149B (zh) * | 2019-10-16 | 2021-06-22 | 山东大学齐鲁医院 | 一种超声辅助肌肉识别方法、***及辅助注射装置 |
CN112508833A (zh) * | 2020-12-09 | 2021-03-16 | 东南大学 | 基于深度学习的医学图像增强方法及装置 |
CN112508833B (zh) * | 2020-12-09 | 2024-03-29 | 东南大学 | 基于深度学习的医学图像增强方法及装置 |
CN113570499A (zh) * | 2021-07-21 | 2021-10-29 | 此刻启动(北京)智能科技有限公司 | 一种自适应图像调色方法、***、存储介质及电子设备 |
CN114782283A (zh) * | 2022-06-16 | 2022-07-22 | 深圳华声医疗技术股份有限公司 | 超声图像增强方法、装置、超声设备及存储介质 |
CN114782283B (zh) * | 2022-06-16 | 2022-09-02 | 深圳华声医疗技术股份有限公司 | 超声图像增强方法、装置、超声设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574820A (zh) | 一种基于深度学习的自适应超声图像增强方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN107909566A (zh) | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN105740758A (zh) | 基于深度学习的互联网视频人脸识别方法 | |
CN101794372B (zh) | 基于频域分析的步态特征表示及识别方法 | |
CN112784879A (zh) | 一种基于小样本域自适应的医学影像分割或分类方法 | |
CN109102515A (zh) | 一种基于多列深浅卷积神经网络的细胞计数方法 | |
CN101558996A (zh) | 基于人体运动结构正投影三维重建的步态识别方法 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN110448335A (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
CN104346617A (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
CN105760877A (zh) | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
Liu et al. | A classification method of glass defect based on multiresolution and information fusion | |
CN110276763A (zh) | 一种基于可信度和深度学习的视网膜血管分割图生成方法 | |
Samiappan et al. | Classification of carotid artery abnormalities in ultrasound images using an artificial neural classifier. | |
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及*** | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别*** | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160511 |
|
RJ01 | Rejection of invention patent application after publication |