CN106023200B - 一种基于泊松模型的x光胸片图像肋骨抑制方法 - Google Patents
一种基于泊松模型的x光胸片图像肋骨抑制方法 Download PDFInfo
- Publication number
- CN106023200B CN106023200B CN201610335084.3A CN201610335084A CN106023200B CN 106023200 B CN106023200 B CN 106023200B CN 201610335084 A CN201610335084 A CN 201610335084A CN 106023200 B CN106023200 B CN 106023200B
- Authority
- CN
- China
- Prior art keywords
- image
- rib cage
- coefficient
- rib
- value
- 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.)
- Active
Links
- 210000000038 chest Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000000844 transformation Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000005764 inhibitory process Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 230000007704 transition Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于泊松模型的X光胸片图像肋骨抑制方法，首先对图像进行Contourlet变换，利用变换系数在不同尺度间的相关性，对图像的纹理进行增强处理；然后根据图像的海森矩阵特征值，设计条形检测滤波器，检测出肋骨所在的区域；最后结合增强后的纹理和肋骨区域信息，建立并求解肋骨抑制的泊松模型，进而实现图像中的肋骨抑制。本发明利用Contourlet变换的各向异性和多方向特点，结合系数的尺度和方向信息，提高了纹理和噪声之间的区分度，增强纹理，同时抑制了噪声；通过求解泊松模型实现抑制肋骨，不需要对肋骨进行精确分割，避免了显式抑制肋骨时造成的边缘过渡不自然问题，有效地抑制肋骨，提高X光胸片图像的观测效果。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于泊松模型的X光胸片图像肋骨抑制方法。
背景技术
X光胸片图像被广泛应用于肺部疾病的诊断，如肺炎、肺结核、肺癌等。其中肺癌死亡人数为所有癌症死亡人数之首，若能早期检测出肺部疾病，能够提高疾病的治疗效果，并降低肺癌的死亡率。尽管在检测性能上X光胸片不如CT，但是其具有的高经济性和低辐射剂量，X光胸片仍然是目前最主要的检测手段。
X光胸片成像是基于肺部中不同的组织在密度和厚度上存在差异，使得X射线穿透过程中被吸收的程度不同，从而在射线接收面上形成不同强度的影像。由于射线是投影到一个二维平面上，因此在射线方向上的不同组织会重叠显现在图像上，造成局部病变区域难以观测与识别。叠影是X光胸片所固有的问题，也是很多肺部疾病诊断决策失误的主要原因。研究表明，医生对胸片诊断的误诊率达30％，而其中82％-95％的漏诊是由于肋骨对肺部软组织的叠加或遮挡。获取仅含肺部软组织的图像的常规方法是双能量差技术，这种技术利用专用设备对被检者进行两次不同能量的曝光透视，将肋骨和软组织进行分离，且需要更大的辐射剂量，仅局限于医院等机构。
近年来，研究人员利用数字图像处理技术解决胸片图像中的叠影问题，提出了一些解决方法。如Giger等人提出通过一种图像差分技术，提高肺部结节的检测率(MedicalPhysics.，vol.17，pp.861–865，1990.)。Keserci等设计一种滤波器对图像进行滤波，抑制图像中长条形目标来消除肋骨的影响，并增强圆形目标以突出图像中的肺结节(MedicalImage Analysis.，vol.6，pp.431–447，2002)。Loog等提出一种基于回归的通用滤波器框架来抑制骨骼结构，这种方法依赖训练图像对滤波器进行学习，通过对测试图像的重建获取软组织图像(Computer Vision Approaches to Medical Image Analysis.，New York：Springer，2006，vol.4241，Lecture Notes in ComputerScience，pp.166–177.)。Suzuki等利用人工神经网络抑制肋骨并增强肺结节(IEEE Trans.Med.Imaging，2006，25(4)：406-416.)。Lee等人通过分割出肋骨，并采用遗传算法优化一个对照模型，进而消除肋骨(Computers&Mathematics with Applications,，2012，64(5)：1390-1399.)。概括起来，这些方法可以分为隐式和显式的肋骨抑制，显式方法定位出肋骨的位置后加以抑制，需要对肋骨进行精确分割，而隐式方法需要大量的样本进行训练，以建立回归模型，因此不易于临床应用。
发明内容
本发明所要解决的技术问题是提供一种基于泊松模型的X光胸片图像肋骨抑制方法，解决数字胸片中肋骨对软组织的叠加遮挡而造成难以识别的问题，满足阅片人或是计算机对数字胸片中病灶检测识别的需要。
为解决上述技术问题，本发明采用的技术方案是：
一种基于泊松模型的X光胸片图像肋骨抑制方法，包括以下步骤：
步骤一、读取原始的胸片图像I，对胸片图像I进行Contourlet变换；
步骤二、对Contourlet变换后的低频系数进行对比度拉升；
步骤三、对Contourlet变换后的高频系数进行增益变换，重构出纹理增强后的胸片图像E；
步骤四、根据原始的胸片图像I，在多个尺度下进行高斯滤波，计算滤波后图像的海森矩阵及其特征值，进而建立条状检测滤波器，利用条状滤波器检测定位肋骨，获得肋骨区域的二值掩膜图像；
步骤五、根据步骤三得到的胸片图像E和步骤四得到的肋骨区域的二值掩膜图像，得到输出图像I*，即对胸片图像E采用拉普拉斯模板进行卷积运算，获得该图像梯度场的散度值建立泊松方程其中，Ex、Ey分别为图像E的梯度场在坐标轴x和坐标轴y方向上的分量，G是输出图像I*中肋骨区域内像素的灰度值，ΔG是拉普拉斯算子作用G的结果，I是原始的胸片图像，是肋骨区域边界，即步骤四的二值掩膜图像中的肋骨区域边界。
根据上述方案，所述步骤一中，在进行Contourlet变换之前，在原始的胸片图像I的行和列方向上分别进行一定量的平移，以克服伪吉布斯问题。
根据上述方案，所述对比度拉升采用的公式为其中，C0(m,n)为对原始图像I进行Contourlet变换后的低频系数，为调整后的系数，m、n为二维变换域中水平和垂直方向上的坐标值，h1，h2分别为高频和低频增益，M表示低频系数的均值，k∈[0,1]是对比度调节因子。
根据上述方案，所述增益变换公式为其中，Cj,k(m,n)为对原始图像I进行Contourlet变换后的尺度j、方向k上的变换域系数，为增强后的变换域系数，p∈(1,∞)为增益因子，Tg是增益阈值，Wk为增益系数；所述增益系数Wk具体表示为其中，Cj′,k为尺度j，方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵，m,n为行列索引，J为尺度分解级数，0＜j≤J。
根据上述方案，步骤四中所述尺度为3个。
根据上述方案，所述条状检测滤波器其中，λ1,λ2为图像的海森矩阵的两个特征值，e为自然常数，根据滤波器F的输出结果，采用Otsu算法进行自适应阈值分割，获得肋骨区域的二值掩膜图像。
与现有技术相比，本发明的有益效果是：采用Contourlet变换，结合系数的尺度和方向信息，提高了纹理和噪声之间的区分度，使得增强纹理的同时抑制噪声。通过求解泊松模型抑制肋骨，在检测得到的肋骨区域中进行抑制。本发明不需要精确分割出肋骨，仅根据肋骨所在的大致区域即可实现，降低了处理问题的复杂性，同时解决了直接减除肋骨灰度而形成的过渡不自然问题。本发明方法仅需要很少的经验参数，整个处理过程无需人工干预，方便实用，易于集成至专用的数字胸片阅片设备或图像处理***中。
附图说明
图1为本发明方法的实现流程示意图。
图2为本发明中原始图像与增强图像对比图。
图3为本发明中肋骨区域检测效果图。
图4为本发明中原始图像与肋骨抑制图像对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1所示，一种基于泊松模型的X光胸片图像肋骨抑制方法，包括下述步骤：
步骤1，读取原始的胸片图像I，对原始的胸片图像I进行Contourlet变换。由于在Contourlet变换中，会对信号进行下采用和上采用处理，导致系数发生显著变化，这种情况称为伪吉布斯现象。也即是说，Contourlet变换不具备平移不变性，增强后重构图像中边缘点附近会产生较大的幅值振荡。为了克服伪吉布斯问题，在进行Contourlet变换前，在图像的行和列方向上分别进行一定量的平移。
步骤2，对Contourlet变换后的低频系数按照公式(1)进行对比度拉升，
其中，C0(m,n)为对原始图像I进行Contourlet变换后的低频系数，为调整后的系数，m、n为二维变换域中水平和垂直方向上的坐标值，h1，h2分别为高频和低频增益，M表示低频系数的均值，k∈[0,1]是对比度调节因子，在保持图像原貌的基础上增强局部对比度。
步骤3，对Contourlet变换后的高频系数按照公式(2)进行增益变换后，重构出纹理增强后的胸片图像E。
其中，Cj,k(m,n)为对原始图像I进行Contourlet变换后的尺度j、方向k上的变换域系数，为增强后的变换域系数，p∈(1,∞)为增益因子，Tg是增益阈值，Wk为增益系数。综合考虑信号和噪声在尺度间的相关性计算增益系数，先对每个分解方向上的系数模值，通过二次插值变换到最细尺度上，然后进行求和并归一化。
其中，Cj′,k为尺度j，方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵，m,n为行列索引，J为尺度分解级数，这里只考虑高频系数，因此0＜j≤J。Wk是归一化后的系数矩阵，元素值范围为[0,1]。
步骤4，读取原始的胸片图像，在多个尺度下对图像进行高斯滤波得到Is。尺度数量越多算法精度越高，但是计算量也会增大，综合考虑，尺度的数量一般选择3个为宜。尺度大小由高斯核的标准差确定，可根据肋骨在图像中的比例进行估计。在尺度为s的图像Is中，计算所有像素点处的海森矩阵Hi。计算Hi的特征值λ1,λ2，构造条状检测滤波器F：
其中，λ1,λ2为图像的海森矩阵的两个特征值，e为自然常数，利用该滤波器增强多个尺度下的肋骨，取各个尺度下的最大值作为输出结果。对输出结果利用Otsu算法进行自适应阈值分割，获得肋骨区域的二值掩膜图像。
步骤5，根据纹理增强图像E的梯度信息和肋骨区域的边界信息，通过求解解泊松方程，获得最终的输出图像I*。先对步骤3得到的纹理增强图像E，利用拉普拉斯模板进行卷积运算，获得该图像梯度场的散度值建立泊松方程：
其中，Ex、Ey分别为图像E的梯度场在坐标轴x和坐标轴y方向上的分量，G是输出图像I*中肋骨区域内像素的灰度值，I是原始图像，是由步骤4得到的肋骨区域边界。
图2给出了原始图像与纹理增强图像对比图，在图中，原始图像局部给出了一例肺部局部图像，增强后的图像突出了边缘细节特征，图像对比度也有了提升。图3给出了肋骨检测得到的二值掩膜图像，其中掩膜包含了肋骨所在的大致区域。图4给出了原始图像与肋骨抑制图像在肺野区域中的对比图，可以看出在肋骨抑制后，其重叠区域的纹理更加清晰可见。
Claims (6)
1.一种基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，包括以下步骤：
步骤一、读取原始的胸片图像I，对胸片图像I进行Contourlet变换；
步骤二、对Contourlet变换后的低频系数进行对比度拉升；
步骤三、对Contourlet变换后的高频系数进行增益变换，重构出纹理增强后的胸片图像E；
步骤四、根据原始的胸片图像I，在多个尺度下进行高斯滤波，计算滤波后图像的海森矩阵及其特征值，进而建立条状检测滤波器，利用条状滤波器检测定位肋骨，获得肋骨区域的二值掩膜图像；
步骤五、根据步骤三得到的胸片图像E和步骤四得到的肋骨区域的二值掩膜图像，得到输出图像I*，即对胸片图像E采用拉普拉斯模板进行卷积运算，获得该图像梯度场的散度值建立泊松方程ΔG＝DIV(E)s.t.其中，Ex、Ey分别为图像E的梯度场在坐标轴x和坐标轴y方向上的分量，G是输出图像I*中肋骨区域内像素的灰度值，ΔG是拉普拉斯算子作用G的结果，I是原始的胸片图像，是肋骨区域边界，即步骤四的二值掩膜图像中的肋骨区域边界。
2.如权利要求1所述的基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，所述步骤一中，在进行Contourlet变换之前，在原始的胸片图像I的行和列方向上分别进行一定量的平移，以克服伪吉布斯问题。
3.如权利要求1或2所述的基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，所述对比度拉升采用的公式为其中，C0(m,n)为对原始图像I进行Contourlet变换后的低频系数，为调整后的系数，m、n为二维变换域中水平和垂直方向上的坐标值，h1，h2分别为高频和低频增益，M表示低频系数的均值，k∈[0,1]是对比度调节因子。
4.如权利要求3所述的基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，所述增益变换公式为其中，Cj,k(m,n)为对原始图像I进行Contourlet变换后的尺度j、方向k上的变换域系数，为增强后的变换域系数，p∈(1,∞)为增益因子，Tg是增益阈值，Wk为增益系数；所述增益系数Wk具体表示为其中，C′j,k为尺度j，方向k上的变换域系数矩阵Cj,k通过插值后得到的矩阵，m,n为行列索引，J为尺度分解级数，0＜j≤J。
5.如权利要求1所述的基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，步骤四中所述尺度为3个。
6.如权利要求1或5所述的基于泊松模型的X光胸片图像肋骨抑制方法，其特征在于，所述条状检测滤波器其中，λ1,λ2为图像的海森矩阵的两个特征值，e为自然常数，根据滤波器F的输出结果，采用Otsu算法进行自适应阈值分割，获得肋骨区域的二值掩膜图像。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610335084.3A CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
| US15/598,656 US10217216B2 (en) | 2016-05-19 | 2017-05-18 | Kind of x-ray chest image rib suppression method based on poisson model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610335084.3A CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106023200A CN106023200A (zh) | 2016-10-12 |
| CN106023200B true CN106023200B (zh) | 2019-06-28 |
Family
ID=57095356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610335084.3A Active CN106023200B (zh) | 2016-05-19 | 2016-05-19 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10217216B2 (zh) |
| CN (1) | CN106023200B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11113791B2 (en) * | 2017-01-03 | 2021-09-07 | Flir Systems, Inc. | Image noise reduction using spectral transforms |
| KR102215805B1 (ko) * | 2018-01-30 | 2021-02-17 | 연세대학교 원주산학협력단 | 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템 |
| CN108877925A (zh) * | 2018-03-30 | 2018-11-23 | 杭州依图医疗技术有限公司 | 一种肺炎病原的确定方法及装置 |
| CN111246051B (zh) * | 2018-11-09 | 2021-06-29 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
| KR20210017185A (ko) * | 2019-08-07 | 2021-02-17 | 한국전자통신연구원 | 심층 신경망을 기반으로 영상의 압축 포아송 잡음을 제거하는 방법 및 장치 |
| CN110599530B (zh) * | 2019-09-03 | 2022-03-04 | 西安电子科技大学 | 基于双正则约束的mvct图像纹理增强方法 |
| CN111080569B (zh) * | 2019-12-24 | 2021-03-19 | 推想医疗科技股份有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
| CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、***、可读存储介质和设备 |
| CN111667426B (zh) * | 2020-06-04 | 2023-10-13 | 四川轻化工大学 | 一种基于频域变分的医学图像增强方法 |
| CN111951246B (zh) * | 2020-08-11 | 2022-03-04 | 湖南大学 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
| CN112541444B (zh) * | 2020-12-17 | 2023-08-22 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
| CN112529818B (zh) * | 2020-12-25 | 2022-03-29 | 万里云医疗信息科技（北京）有限公司 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
| CN112785555B (zh) * | 2020-12-30 | 2022-08-02 | 深兰智能科技(上海)有限公司 | 骨检测方法、装置、电子设备及存储介质 |
| CN113034434B (zh) * | 2021-02-03 | 2022-09-02 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
| KR102480389B1 (ko) * | 2021-03-11 | 2022-12-23 | 주식회사 뷰웍스 | X선 영상에서의 뼈 감쇄 방법 및 장치 |
| CN113053520A (zh) * | 2021-04-02 | 2021-06-29 | 北京掌引医疗科技有限公司 | 肺结核检测模型的训练方法、训练装置及辅助诊断设备 |
| CN113066072B (zh) * | 2021-04-08 | 2023-06-06 | 南昌航空大学 | 一种航空发动机导向叶片微裂纹缺陷检测方法及*** |
| KR20240060662A (ko) * | 2021-09-14 | 2024-05-08 | 엘지전자 주식회사 | 영상 처리 방법 및 장치 |
| CN117836822A (zh) * | 2021-09-27 | 2024-04-05 | 西门子股份公司 | 分割块状物体图像的方法、装置及计算机可读存储介质 |
| CN116152505B (zh) * | 2023-04-20 | 2023-06-20 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
| CN116385455B (zh) * | 2023-05-22 | 2024-01-26 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218800A (zh) * | 2011-09-27 | 2013-07-24 | 西门子公司 | 用于自动肋骨中心线提取的方法和*** |
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN105125228A (zh) * | 2015-10-10 | 2015-12-09 | 四川大学 | 一种胸透dr图像肋骨抑制的图像处理方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6240201B1 (en) * | 1998-07-24 | 2001-05-29 | Arch Development Corporation | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
| AU2001251539A1 (en) * | 2000-04-11 | 2001-10-23 | Cornell Research Foundation Inc. | System and method for three-dimensional image rendering and analysis |
| US8233692B2 (en) * | 2008-02-27 | 2012-07-31 | Siemens Computer Aided Diagnosis Ltd. | Method of suppressing obscuring features in an image |
| EP2131325B1 (en) * | 2008-05-08 | 2013-01-30 | Agfa Healthcare | Method for mass candidate detection and segmentation in digital mammograms |
| US8913817B2 (en) * | 2011-10-28 | 2014-12-16 | Carestream Health, Inc. | Rib suppression in radiographic images |
| US9269139B2 (en) * | 2011-10-28 | 2016-02-23 | Carestream Health, Inc. | Rib suppression in radiographic images |
| US9659390B2 (en) * | 2011-10-28 | 2017-05-23 | Carestream Health, Inc. | Tomosynthesis reconstruction with rib suppression |
-
2016
- 2016-05-19 CN CN201610335084.3A patent/CN106023200B/zh active Active
-
2017
- 2017-05-18 US US15/598,656 patent/US10217216B2/en not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218800A (zh) * | 2011-09-27 | 2013-07-24 | 西门子公司 | 用于自动肋骨中心线提取的方法和*** |
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN105125228A (zh) * | 2015-10-10 | 2015-12-09 | 四川大学 | 一种胸透dr图像肋骨抑制的图像处理方法 |
Non-Patent Citations (5)
| Title |
|---|
| Bone-suppression technique for chest radiographs;Zhimin Huo等;《SPIE Medical Imaging》;20140311;第90370D-1至第90370D-7页 |
| Filter learning：Application to suppression of bony structures from chest radiographs;M.Loog等;《Medical Image Analysis 10》;20060721;第826-840页 |
| 基于Contourlet变换的数字胸片图像增强算法;高琳;《西南科技大学学报》;20160315;第31卷(第1期);第77-80页 |
| 胸部DR图像分割在纹理检索中的研究及应用;裴政;《中国优秀硕士论文全文数据库》;20120615;摘要，正文第27-51页 |
| 自由形状特征的重用与抑制;赵伟;《中国博士论文全文数据库》;20080715;正文第49-51、99-100页 |
Also Published As
| Publication number | Publication date |
|---|---|
| US10217216B2 (en) | 2019-02-26 |
| CN106023200A (zh) | 2016-10-12 |
| US20170337686A1 (en) | 2017-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023200B (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
| Wang et al. | Advances in data preprocessing for biomedical data fusion: An overview of the methods, challenges, and prospects | |
| Lei et al. | 4D-CT deformable image registration using multiscale unsupervised deep learning | |
| Rueckert et al. | Non-rigid registration using higher-order mutual information | |
| JP2022544229A (ja) | オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション | |
| US20100135544A1 (en) | Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement | |
| US20080292214A1 (en) | Method and Computer Program Product for Registering Biomedical Images with Reduced Imaging Artifacts Caused by Object Movement | |
| Baumgartner et al. | High-resolution dynamic MR imaging of the thorax for respiratory motion correction of PET using groupwise manifold alignment | |
| Nejati et al. | Multiresolution image registration in digital X-ray angiography with intensity variation modeling | |
| Hachama et al. | Bayesian technique for image classifying registration | |
| Zhu et al. | Self-similarity inspired local descriptor for non-rigid multi-modal image registration | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| Vadivu et al. | [Retracted] Correlation‐Based Mutual Information Model for Analysis of Lung Cancer CT Image | |
| Gong et al. | Locally adaptive total p-variation regularization for non-rigid image registration with sliding motion | |
| Dzyubachyk et al. | Automated algorithm for reconstruction of the complete spine from multistation 7T MR data | |
| CN114820432B (zh) | 一种基于pet和ct弹性配准技术的放射治疗效果评估方法 | |
| Skalski et al. | Using ASM in CT data segmentaion for prostate radiotherapy | |
| Gu et al. | Cross-modality image translation: CT image synthesis of MR brain images using multi generative network with perceptual supervision | |
| Huang et al. | The Effective 3D MRI Reconstruction Method Driven by the Fusion Strategy in NSST Domain | |
| Oh et al. | Automated detection of bone metastatic changes using serial CT scans | |
| Wang et al. | Automatic hybrid registration for 2-dimensional CT abdominal images | |
| Gazi et al. | Temporal subtraction contrast-enhanced dedicated breast CT | |
| Xiao et al. | Contrast-enhanced CT image synthesis of thyroid based on transfomer and texture branching | |
| Ali et al. | Semi-automatic segmentation of subcutaneous tumours from micro-computed tomography images | |
| CN112396579A (zh) | 基于深度神经网络的人体组织背景估计方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |