CN106778793A - 一种影像特征的可重复性测量方法及装置 - Google Patents
一种影像特征的可重复性测量方法及装置 Download PDFInfo
- Publication number
- CN106778793A CN106778793A CN201611086083.6A CN201611086083A CN106778793A CN 106778793 A CN106778793 A CN 106778793A CN 201611086083 A CN201611086083 A CN 201611086083A CN 106778793 A CN106778793 A CN 106778793A
- Authority
- CN
- China
- Prior art keywords
- image
- several images
- region
- gray value
- described several
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G06F19/321—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学影像技术领域,提供了一种影像特征的可重复性测量方法及装置。该方法包括:获取多幅影像,并对所述多幅影像进行预处理;获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。通过本发明可解决现有技术通常只采用单个因素值对影像特征可重复性进行评估,准确率比较低的问题。
Description
技术领域
本发明属于医学影像技术领域,尤其涉及一种影像特征的可重复性测量方法及装置。
背景技术
影像组学是一个快速新兴的领域,它可以高通量的从标准的医学影像中提取大量高维的定量影像特征,通过将具有可重复性的影像特征和临床病理特征相结合构建模型来进行诊断、预测以及术前决策等,具有重要的临床价值和应用前景。然而,在现有技术中通常只采用单个因素值对影像特征可重复性进行评估,准确率比较低。
故,有必要提出一种新的技术方案,以解决上述技术问题。
发明内容
鉴于此,本发明实施例提供一种影像特征的可重复性测量方法及装置,旨在解决现有技术中通常只采用单个因素值对影像特征可重复性进行评估,准确率比较低的问题。
本发明实施例的第一方面,提供一种影像特征的可重复性测量方法,所述方法包括:
获取多幅影像,并对所述多幅影像进行预处理;
获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;
对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;
提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;
根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;
若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
本发明实施例的第二方面,提供一种影像特征的可重复性测量装置,所述装置包括:
影像获取模块,用于获取多幅影像,并对所述多幅影像进行预处理;
区域获取模块,用于获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;
标准化处理模块,用于对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;
评估模块,用于提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;
计算模块,用于根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;
确定模块,用于若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过获取多幅影像,并对该多幅影像进行预处理,获取预处理后的每幅影像中满足预设条件的区域,并标记出该区域,对每幅影像进行标准化处理,以使得每幅影像中的每个像素的灰度值位于预设灰度值区域内,并提取标记区域的影像特征,并获取多个与该影像特征相关的因素值,根据多个因素值可计算该影像特征的整体一致性相关系数OCCC值,并在该OCCC值大于预定阈值时,确定该影像特征具有可重复性。本发明实施例通过采用OCCC值评估影像特征的可重复性,从而考虑多个与影像特征相关的因素值(例如在影像处理过程中像素大小、像素的灰度级、量化算法等)对影像特征进行评估,提高了评估的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的影像特征的可重复性测量方法的实现流程图;
图2是对多个纹理特征的可重复性评估的示例图;
图3是本发明实施例二提供的影像特征的可重复性测量装置的组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
图1示出了本发明实施例一提供的影像特征的可重复性测量方法的实现流程,所述实现流程详述如下:
步骤S101,获取多幅影像,并对所述多幅影像进行预处理。
在本发明实施例中,所述多幅影像可以是来自计算机断层扫描(ComputedTomography,CT),磁共振扫描(Magnetic Resonance Imaging,MRI)、正电子发射型断层显示(Positron Emission Tomography,PET)等的一组样本物体的医学影像。医学影像通过不同级别的灰度显示来表示各种组织的病理或者解剖信息,分析病变组织的灰度差异对于研究具有指导的作用。灰度信息中通常包含两种类型的差异:由成像因素的影响(如参数设置)而造成的差异以及成像对象本身所具有一定医学意义上的灰度改变。成像对象本身所具有一定医学意义上的灰度改变正是研究价值的,通过对象本身所引起的灰度的改变可以实现不同组织、不同病变区域的分割,而定量影像特征的提取则可以将这一改变进行量化以得到更多更具研究意义的数据。而成像因素的影响(如不同的参数设置)对影像中的像素会有一定的影响,比如:影像空间分辨率和影像噪声就是受到扫描参数的影响。影像质量受到影响必然会影响后续的处理与研究,为了研究这些参数如:管电压、管电流、层厚、层间距等对影像特征的影响,可以对这些参数进行对比分析,设置不同的参数组合反复试验,然后通过实验结果来分析各个参数对影像特征可重复性的影响。进而找到对这些参数鲁棒性良好的影像特征进行后续的研究。
可选的,所述对所述多幅影像进行预处理包括:
对所述多幅影像进行图像配准,以获得所述多幅影像之间的特征点匹配关系;
对所述多幅影像进行平滑处理。
在本发明实施例中,图像配准指的是将不同时间、不同传感器(成像设备)或不同条件下(如是否注射造影增强剂等)获取的两幅或多幅影像进行匹配、叠加的过程,从而获取多幅影像之间的特征点匹配关系,实质是不同影像中表征同一位置的物理点一一对应。按交互性分类,可以分成以下三类:一是人工配准,它是由人凭借经验进行,输入计算机后实现的只是显示工作,不需要复杂的配准算法;二是半自动配准,它是由人工给出一定的初始条件,如人工勾画轮廓、控制优化参数;三是全自动配准,它是由计算机自动完成,人工只需给出算法和图像数据即可。较佳的,本发明实施例可采用基于互信息的全自动配准。
在本发明实施例中,在多幅影像的获取过程中,可能会产生噪音、不平滑的毛刺、锋利的边缘等情况。为了改善影像的图像质量,在影像分割和特征提取之前需要对图像进行平滑处理。常用的图像平滑方法有很多,例如,样条插值和非线性滤波的方法等,用户可根据实际需要自行设定。
步骤S102,获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域。
在本发明实施例中,所述满足预设条件的区域可以是指用户感兴趣区域,感兴趣区域信息的提取和分析,对之后影像特征分析有着重要的作用。在所述每幅影像中标记出用户感兴趣区域也是指从所述每幅影像中分割出用户感兴趣区域。医学影像分割是把感兴趣区域同其它的区域、组织或器官分离开来。分割的目的是从影像中提取有效的信息,因此影像分割在整个过程中非常关键。主要可以采用以下三类方法对影像进行分割:一是手动分割,它是指让有经验的专家按照解剖结构将特定的器官、组织或病灶的边缘勾画出来;二是半自动分割,它是一种结合手工和计算机处理的交互方式,它允许人工交互式操作提供一些有用的信息,然后由计算机进行分割处理;三是全自动分割,它是指完全依赖计算机对图像进行分割,分割速度快,且无需耗费人力。其中,可根据实际需要选择对影像的分割方法,在此不作限定。
可选的,所述获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域包括:
获取预处理后的某幅影像中满足预设条件的区域;
根据该区域和所述多幅影像之间的特征点匹配关系,获取所述多幅影像中其他影像中满足所述预设条件的区域。
在本发明实施例中,在获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域时,可以先获取所述多幅影像中某幅影像中满足预设条件的区域,然后根据所述某幅影像与另一幅影像的特征点匹配关系,从所述另一幅影像中查找与所述某幅影像中满足预设条件的区域相匹配的区域,该区域即为所述另一幅影像中满足预设条件的区域,以此类推,直到查找到所述多幅影像中所有影像中满足预设条件的区域。
步骤S103,对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内。
在本发明实施例中,由于所述多幅影像的来源比较广泛,例如CT、MR I、PET等,在步骤S101中所获取的所述多幅影像没有统一的标准,因此,可以对所述多幅影像中每幅影像进行标准化处理,将所述每幅影像中的每个像素的灰度值按比例进行缩放,使得每个像素的灰度值都位于预先设置的灰度值区域内(例如0到16或者0到32等)。
可选的,所述对所述每幅影像进行标准化处理包括:
获取所述多幅影像中某幅影像所属序列,其中,所述多幅影像属于N个序列,N为大于1的整数;
获取所述多幅影像与所述某幅影像属于同一序列的所有影像和所述所有影像的所有像素的灰度值,并从所有像素的灰度值中查找出最大的灰度值max ALL;
从所述某幅影像的所有像素的灰度值中查找出最大的灰度值max A;
根据max A和max ALL计算所述某幅影像中每个像素标准化处理后的灰度值a'=a*[(max ALL+M)/max A],其中,a为标准化处理前该像素的灰度值,M为正数。
在本发明实施例中,可以根据多幅影像的来源,将所述多幅影像划分为N个序列,例如,将多幅影像划分为三个序列,来源于CT的影像为一个序列,来源于MRI的影像为一个序列,来源于PET的影像为一个序列。
示例性的,获取六幅影像A1、A2、B1、B2、C1和C2,其中,影像A1和A2属于同一序列,来源于CT,影像B1和B2属于同一序列,来源于MRI,影像C1和C2属于同一序列,来源于PET,在对影像A1进行标准化处理时,分别获取影像A1和A2中所有像素的灰度值,并查找出最大的灰度值max ALL,之后再查找影像A1中所有像素的灰度值,并查找出最大的灰度值max A,根据max A和max ALL计算影像A1中每个像素标准化处理后的灰度值a'=a*[(max ALL+M)/max A],其中,a为标准化处理前该像素的灰度值,M用户可根据实际需要自行设定M的值,较佳的,M为100。
步骤S104,提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值。
在本发明实施例中,所述标记区域是指在步骤S102中从每幅影像中标记出的满足预设条件的区域。
可选的,在提取标记区域的影像特征之后,本发明实施例还包括:
根据预设量化算法对所述影像特征进行量化。
在本发明实施例中,不同的量化算法对影像特征的可重复性也有影响,为了研究量化算法对影像特征计算的影响,可以选取几种不同的算法来进行计算分析,例如Uniform量化算法、Equal-probability量化算法和Lloyd-Max量化算法等。
在本发明实施中,所提取的影像特征是影像组学特征,常见的影像组学特征主要有基于直方图的一阶特征、形状特征、纹理特征等。直方图特征包括均值、中值、最大值、最小值、极差、能量、熵、偏斜度、峰度、标准差、方差等,形状特征包括体积、最长径、表面积、硬度、密度、球形不均衡度、曲率、偏心率、表面积体积比等等,纹理特征包括灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差生矩阵,小波变换,拉普拉斯变换,高斯变换等相关特征。
本发明实施例,可同时提取多个影像特征,并同时对多个影像特征进行评估,例如提取1564个影像特征,其中包括28个形状特征,288个一阶特征和1248个纹理特征,其中一阶特征和纹理特征是在4种模态下,6个区域内提取的,一种模态、一个区域内提取了12个一阶特征,52个纹理特征,所计算的影像特征见表1。
表1影像组学特征表
在本发明实施例中,所述与所述影像特征相关的因素值可以是指从步骤S101至S104的处理过程中所涉及到的对所述影像特征有影响的因素,例如获取影像过程中的因素:层厚、层间距、管电压、管电流和重建算法等、分割过程中的不同分割算法以及量化过程中的不同量化方法等。
步骤S105,根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值。
步骤S106,若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
在本发明实施例中,为了研究各种因素对影像特征可重复性的影响,可以对要研究的因素设置多组参数值来进行重复试验。整个过程中影响的因素有很多,例如影响获取过程中的因素:层厚、层间距、管电压、管电流和重建算法等,分割过程中不同分割方法以及量化过程中的不同量化方法等。
需要说明的是,在根据所述多个因素值计算所述影像特征的整体一致性相关系数(Overall Concordance Correlation Coefficient,OCCC)值时,可一次性计算多个影像特征的OCCC值。
此次已选取了参数像素大小、灰度级和量化算法进行实验,选取的参数值有像素大小(1,2,3)、灰度级(16,32,64,128)和量化算法(Uniform、Equal-probability和Lloyd-Max),对这些参数进行组合,通过排列组合可以发现有3*4*3=36种:{1,16,Uniform}、{2,16,Uniform}、{3,16,Uniform}...所以对这36种不同的组合进行36次实验。然后改变一个参数,保持其它两个参数不变的进行对比分析,计算影像特征的OCCC值,这样的OCCC值有33种:{1,16,Uniform}vs{2,16,Uniform}vs{3,16,Uniform}、{1,32,Uniform}vs{2,32,Uniform}vs{3,32,Uniform}、...、{1,16,Uniform}vs{1,32,Uniform}vs{1,64,Uniform}vs{1,128,Uniform}...。接着进行可重复性评估,首先选取一个阈值,这个阈值不是固定的,可以根据实际情况选取。对于此次实验,选取的阈值大小为0.85,当OCCC>0.85,就判定该影像特征具有可重复性,反之,则该影像特征不具有可重复性,如图2是对多个纹理特征的可重复性评估的示例图,其中,V1至V33是33个OCCC值,OCCC值为1时可重复性最好。需要说明的是,该影像特征具有可重复性是指该影像特征在某些特定因素值下具有可重复性,例如,{1,16,Uniform}vs{2,16,Uniform}vs{3,16,Uniform}的OCCC值大于0.85,则说明影像特征在像素大小为(1,2,3),灰度级为16、量化算法为Uniform时具有可重复性。
需要说明的是,当改变像素大小的参数,而保持灰度级和量化算法的参数不变时,OCCC值的个数为4*3=12,其中,4为灰度级的参数个数,3为量化算法的参数个数;当改变灰度级的参数,而保持像素大小和量化算法的参数不变时,OCCC值的个数为3*3=12,其中,两个3分别为像素大小的参数个数和量化算法的参数个数;当改变量化算法的参数,而保持像素大小和灰度级的参数不变时,OCCC值的个数为3*4=12,其中,3为像素大小的参数个数,4为灰度级的参数个数;将上述三个OCCC值的个数相加即为33。
本发明实施例通过采用OCCC值评估影像特征的可重复性,从而考虑多个与影像特征相关的因素值(例如在影像处理过程中像素大小、像素的灰度级、量化算法等)对影像特征进行评估,提高了评估的准确性。
实施例二:
图3示出了本发明实施例二提供的影像特征的可重复性测量装置的组成示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
所述装置包括:
影像获取模块31,用于获取多幅影像,并对所述多幅影像进行预处理;
区域获取模块32,用于获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;
标准化处理模块33,用于对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;
因素值获取模块34,用于提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;
计算模块35,用于根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;
确定模块36,用于若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
可选的,所述标准化处理模块33包括:
序列获取单元331,用于获取所述多幅影像中某幅影像所属序列,其中,所述多幅影像属于N个序列,N为大于1的整数;
灰度值获取单元332,用于获取所述多幅影像中与所述某幅影像属于同一序列的所有影像和所述所有影像的所有像素的灰度值,并从所有像素的灰度值中查找出最大的灰度值max ALL;
查找单元333,用于从所述某幅影像的所有像素的灰度值中查找出最大的灰度值max A;
灰度值计算单元334,用于根据max A和max ALL计算所述某幅影像中每个像素标准化处理后的灰度值a'=a*[(max ALL+M)/max A],其中,a为标准化处理前该像素的灰度值,M为正数。
可选的,所述影像获取模块31包括:
配准单元311,用于对所述多幅影像进行图像配准,以获得所述多幅影像之间的特征点匹配关系;
处理单元312,用于对所述多幅影像进行平滑处理。
可选的,所述区域获取模块32包括:
区域获取单元321,用于获取预处理后的某幅影像中满足预设条件的区域;
关系获取单元322,用于根据该区域和所述多幅影像之间的特征点匹配关系,获取所述多幅影像中其他影像中满足所述预设条件的区域。
可选的,所述因素值获取模块34,还用于在提取标记区域的影像特征之后,根据预设量化算法对所述影像特征进行量化。
本发明实施例提供的影像特征的可重复性测量装置可以使用在前述对应的方法实施例一中,详情参见上述实施例一的描述,在此不再赘述。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即所述装置的内部结构划分成不同的功能模块,上述功能模块既可以采用硬件的形式实现,也可以采用软件的形式实现。另外,各功能模块的具体名称也只是为了便于相互区别,并不用于限制本申请的保护范围。
综上所述,本发明实施例通过采用OCCC值评估影像特征的可重复性,从而考虑多个与影像特征相关的因素值(例如在影像处理过程中像素大小、像素的灰度级、量化算法等)对影像特征进行评估,提高了评估的准确性。
本领域普通技术人员还可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种影像特征的可重复性测量方法,其特征在于,所述方法包括:
获取多幅影像,并对所述多幅影像进行预处理;
获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;
对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;
提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;
根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;
若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
2.根据权利要求1所述的方法,其特征在于,所述对所述每幅影像进行标准化处理包括:
获取所述多幅影像中某幅影像所属序列,其中,所述多幅影像属于N个序列,N为大于1的整数;
获取所述多幅影像中与所述某幅影像属于同一序列的所有影像和所述所有影像的所有像素的灰度值,并从所有像素的灰度值中查找出最大的灰度值max ALL;
从所述某幅影像的所有像素的灰度值中查找出最大的灰度值max A;
根据max A和max ALL计算所述某幅影像中每个像素标准化处理后的灰度值a'=a*[(max ALL+M)/max A],其中,a为标准化处理前该像素的灰度值,M为正数。
3.根据权利要求1所述的方法,其特征在于,所述对所述多幅影像进行预处理包括:
对所述多幅影像进行图像配准,以获得所述多幅影像之间的特征点匹配关系;
对所述多幅影像进行平滑处理。
4.根据权利要求3所述的方法,其特征在于,所述获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域包括:
获取预处理后的某幅影像中满足预设条件的区域;
根据该区域和所述多幅影像之间的特征点匹配关系,获取所述多幅影像中其他影像中满足所述预设条件的区域。
5.根据权利要求1至4任一项所述的方法,其特征在于,在提取标记区域的影像特征之后还包括:
根据预设量化算法对所述影像特征进行量化。
6.一种影像特征的可重复性测量装置,其特征在于,所述装置包括:
影像获取模块,用于获取多幅影像,并对所述多幅影像进行预处理;
区域获取模块,用于获取预处理后的所述多幅影像中每幅影像中满足预设条件的区域,并在所述每幅影像中标记出该区域;
标准化处理模块,用于对所述每幅影像进行标准化处理,以使得所述每幅影像中的每个像素的灰度值位于预设灰度值区域内;
因素值获取模块,用于提取标记区域的影像特征,并获取多个与所述影像特征相关的因素值;
计算模块,用于根据所述多个因素值计算所述影像特征的整体一致性相关系数OCCC值;
确定模块,用于若该OCCC值大于预定阈值,则确定所述影像特征具有可重复性。
7.根据权利要求6所述的装置,其特征在于,所述标准化处理模块包括:
序列获取单元,用于获取所述多幅影像中某幅影像所属序列,其中,所述多幅影像属于N个序列,N为大于1的整数;
灰度值获取单元,用于获取所述多幅影像中与所述某幅影像属于同一序列的所有影像和所述所有影像的所有像素的灰度值,并从所有像素的灰度值中查找出最大的灰度值maxALL;
查找单元,用于从所述某幅影像的所有像素的灰度值中查找出最大的灰度值max A;
灰度值计算单元,用于根据max A和max ALL计算所述某幅影像中每个像素标准化处理后的灰度值a'=a*[(max ALL+M)/max A],其中,a为标准化处理前该像素的灰度值,M为正数。
8.根据权利要求6所述的装置,其特征在于,所述影像获取模块包括:
配准单元,用于对所述多幅影像进行图像配准,以获得所述多幅影像之间的特征点匹配关系;
处理单元,用于对所述多幅影像进行平滑处理。
9.根据权利要求8所述的装置,其特征在于,所述区域获取模块包括:
区域获取单元,用于获取预处理后的某幅影像中满足预设条件的区域;
关系获取单元,用于根据该区域和所述多幅影像之间的特征点匹配关系,获取所述多幅影像中其他影像中满足所述预设条件的区域。
10.根据权利要求6至9任一项所述的装置,其特征在于,所述因素值获取模块还用于:
在提取标记区域的影像特征之后,根据预设量化算法对所述影像特征进行量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611086083.6A CN106778793B (zh) | 2016-11-30 | 2016-11-30 | 一种影像特征的可重复性测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611086083.6A CN106778793B (zh) | 2016-11-30 | 2016-11-30 | 一种影像特征的可重复性测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778793A true CN106778793A (zh) | 2017-05-31 |
CN106778793B CN106778793B (zh) | 2020-02-18 |
Family
ID=58914076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611086083.6A Active CN106778793B (zh) | 2016-11-30 | 2016-11-30 | 一种影像特征的可重复性测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778793B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018098697A1 (zh) * | 2016-11-30 | 2018-06-07 | 中国科学院深圳先进技术研究院 | 一种影像特征的可重复性测量方法及装置 |
CN108305247A (zh) * | 2018-01-17 | 2018-07-20 | 中南大学湘雅三医院 | 一种基于ct图像灰度值检测组织硬度的方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测*** |
US20100316287A1 (en) * | 2009-06-11 | 2010-12-16 | Duong Tuan A | Method and system for object recognition search |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
US20140072168A1 (en) * | 2012-09-12 | 2014-03-13 | Xerox Corporation | Video-tracking for video-based speed enforcement |
-
2016
- 2016-11-30 CN CN201611086083.6A patent/CN106778793B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100316287A1 (en) * | 2009-06-11 | 2010-12-16 | Duong Tuan A | Method and system for object recognition search |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测*** |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
US20140072168A1 (en) * | 2012-09-12 | 2014-03-13 | Xerox Corporation | Video-tracking for video-based speed enforcement |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018098697A1 (zh) * | 2016-11-30 | 2018-06-07 | 中国科学院深圳先进技术研究院 | 一种影像特征的可重复性测量方法及装置 |
CN108305247A (zh) * | 2018-01-17 | 2018-07-20 | 中南大学湘雅三医院 | 一种基于ct图像灰度值检测组织硬度的方法 |
CN108305247B (zh) * | 2018-01-17 | 2022-03-04 | 中南大学湘雅三医院 | 一种基于ct图像灰度值检测组织硬度的方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106778793B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jog et al. | Random forest regression for magnetic resonance image synthesis | |
Jog et al. | MR image synthesis by contrast learning on neighborhood ensembles | |
CN106778793A (zh) | 一种影像特征的可重复性测量方法及装置 | |
Ahammad et al. | Image processing based segmentation techniques for spinal cord in MRI | |
Kaur et al. | A comprehensive review of denoising techniques for abdominal CT images | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
CN110598696B (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
Hille et al. | Vertebral body segmentation in wide range clinical routine spine MRI data | |
Peng et al. | A region‐appearance‐based adaptive variational model for 3D liver segmentation | |
Somasundaram et al. | Contour-based brain segmentation method for magnetic resonance imaging human head scans | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
Skounakis et al. | ATD: A multiplatform for semiautomatic 3-D detection of kidneys and their pathology in real time | |
Almansour et al. | High-resolution MRI brain inpainting | |
DE602005005348T2 (de) | Konforme segmentierung von organen auf medizinischen bildern | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
CN109063208A (zh) | 一种融合多种特征信息的医学图像检索方法 | |
Silvoster M et al. | Efficient segmentation of lumbar intervertebral disc from MR images | |
Gupta et al. | Analysis and comparison of brain tumor detection and extraction techniques from MRI images | |
Cherradi et al. | Fully automatic method for 3D T1-weighted brain magnetic resonance images segmentation | |
Derganc et al. | Nonparametric segmentation of multispectral MR images incorporating spatial and intensity information | |
Kim et al. | Automatic 3D temporal kinetics segmentation of dynamic emission tomography image using adaptive region growing cluster analysis | |
Patibandla et al. | CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection | |
Yu | Detecting and Locating of Brain Abnormality in MR Images Using Texture Feature Analysis and Improved Probabilistic Relaxation Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |