-
公开(公告)号：CN101546426B
公开(公告)日：2011-06-22
申请号：CN200910050441.1
申请日：2009-04-30
Applicant: 上海交通大学
IPC: G06T5/00
Abstract: 本发明涉及一种图像处理技术领域的基于区域增强及区域提取的微弱发光图像处理方法。首先将有照明条件下的背景图像和原始微弱发光图像的一维原始数据序列转为二维数组结构，并对其做对数变换。然后通过形态学加权中值滤波去除微弱发光图像的噪声，对微弱发光图像用Canny微分算子提取边缘，再用形态学模板闭合提取出的边缘填充微弱发光区域。得到标出微弱发光区域的二值化图像。将该图像的微弱发光区域勾选出来，进行伪彩色处理后叠加到有照明条件下的背景图像上。由图像发光亮度标定法给图像亮度加上标示。最后记录图像实验条件，图像来源及其他附加信息。本发明提供了一种可靠的微弱发光图像处理方法，实现了从原始图像数据序列输入到输出图像结果的处理过程。
-
公开(公告)号：CN100418489C
公开(公告)日：2008-09-17
申请号：CN200510030765.0
申请日：2005-10-27
Applicant: 上海交通大学
IPC: A61B19/00
Abstract: 一种计算机应用技术领域的手术导航中基于基准面膜的多模式医学图像配准系统，多模式基准面膜制备贴附模块完成制备多模式基准面膜；基准面膜图像复原和术前多模式图像配准模块输出多模式医学图像空间上的基准面膜表而轮廓、术前多模式医学图像配准变换关系到基准面膜表面配准融合模块；基准面膜外表面术中采集模块准确定位并输出基准面膜外表面点集在术中坐标空间上的位置信息到基准表面配准融合模块；基准表面配准融合模块得到术前多模式医学图像空间和术中病人坐标空间的配准融合关系。本发明在手术导航等图像治疗中提高术前图像和术中图像配准精度，做到对病人的多模式医学成像信息进行便捷、高精度的配准。
-
公开(公告)号：CN1794301A
公开(公告)日：2006-06-28
申请号：CN200510030766.5
申请日：2005-10-27
Applicant: 上海交通大学
Abstract: 一种计算机应用技术领域的手术导航中基于基准面膜的多模式医学图像配准方法。包括以下步骤：(1)首先制备多模式基准面膜，(2)再通过基准面膜的图像复原方法，进行术前多模式图像配准；(3)利用的术中基准面膜外表面采集方法，采集基准面膜外表面点集在术中空间的位置信息；(4)最后采用实时术前、术中基准面膜配准融合方法，得到术前多模式医学图像空间和术中病人坐标空间的配准融合关系。本发明在手术导航等图像治疗中提高术前图像和术中图像配准精度，做到对病人的多模式医学成像信息进行便捷、高精度的配准。
-
公开(公告)号：CN112150476B
公开(公告)日：2023-10-27
申请号：CN201910565859.X
申请日：2019-06-27
Applicant: 上海交通大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空判别性特征学习的冠状动脉序列血管分割方法，对心脏冠状动脉造影序列图像进行血管分割处理，该方法基于预训练的改进U‑net网络模型对当前帧图像及其临近几帧图像进行处理，获取当前帧图像的血管分割结果，所述改进U‑net网络模型包括编码部分、跳跃连接层和解码部分，所述编码部分采用3D卷积层进行时间空间特征提取，所述解码部分设有通道注意力模块，所述跳跃连接层对编码部分提取的特征进行聚合，得到聚合特征图并传输至解码部分。与现有技术相比，本发明引入时空特征进行心脏冠状动脉血管分割，并降低了时域噪声的干扰，强调了血管特征，缓解了血管分割中类别不平衡的问题，具有更高的血管分割准确率。
-
公开(公告)号：CN110033455B
公开(公告)日：2023-01-03
申请号：CN201810026076.X
申请日：2018-01-11
Applicant: 上海交通大学
Abstract: 本发明涉及一种从视频中提取目标物体信息的方法，应用于透射成像视频，在所述视频的成像过程中，所述目标物体对成像光线有衰减作用，该方法包括以下步骤：S1、在原始视频中的每一帧图像中，考虑背景低秩特性和目标前景稀疏异常特性，结合低秩稀疏分解算法和目标特征细节增强及局部自适应滤波算法，分割出包含所述目标物体的目标区域；S2、根据所述原始视频，通过背景补全估算所述目标区域中像素的背景灰度值；S3、用所述原始视频在所述目标区域中像素的原始灰度值，减去或除以所述目标区域中像素的所述背景灰度值，得到所述目标区域中像素的前景灰度值。与现有技术相比，本发明具有有效去除噪声影响、目标复原精度高等优点。
-
Patent Agency Ranking
公开(公告)号：CN112150476A
公开(公告)日：2020-12-29
申请号：CN201910565859.X
申请日：2019-06-27
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于时空判别性特征学习的冠状动脉序列血管分割方法，对心脏冠状动脉造影序列图像进行血管分割处理，该方法基于预训练的改进U‑net网络模型对当前帧图像及其临近几帧图像进行处理，获取当前帧图像的血管分割结果，所述改进U‑net网络模型包括编码部分、跳跃连接层和解码部分，所述编码部分采用3D卷积层进行时间空间特征提取，所述解码部分设有通道注意力模块，所述跳跃连接层对编码部分提取的特征进行聚合，得到聚合特征图并传输至解码部分。与现有技术相比，本发明引入时空特征进行心脏冠状动脉血管分割，并降低了时域噪声的干扰，强调了血管特征，缓解了血管分割中类别不平衡的问题，具有更高的血管分割准确率。
-
公开(公告)号：CN100552716C
公开(公告)日：2009-10-21
申请号：CN200710039374.4
申请日：2007-04-12
Applicant: 上海交通大学
IPC: G06T7/00
CPC classification number: G06K9/32
Abstract: 一种全局异常信号环境下基于联合显著图的鲁棒图像配准方法，步骤为：(1)首先利用传统的配准方法进行粗配准；(2)对当前配准结果提取显著测度图，计算对应重叠区域的联合显著图。联合显著图给出了异常信号点所处位置的建模，增强公共显著区域在相似性测度计算中的贡献权重，从而自适应地去除异常信号的影响；(3)利用联合显著图最优化基于灰度的相似性测度，得到当前联合显著图下的最优几何配准参数；(4)循环优化，以前后两次的配准参数的变化作为终止条件结束配准，得到最终配准结果。本发明对异常信号的建模和对图像的配准迭代进行，适用于在全局异常信号下多模多时段图像配准，配准精度符合实际应用的需求。
-
公开(公告)号：CN101053531A
公开(公告)日：2007-10-17
申请号：CN200710040755.4
申请日：2007-05-17
Applicant: 上海交通大学
Abstract: 一种基于多模式增敏成像融合的早期肿瘤定位跟踪方法，属于医学图像处理领域。本发明包括：获得肿瘤目标病灶成像增敏的术前医学图像；获得肿瘤目标病灶成像增敏的术中超声增敏图像；在图像导向治疗时，利用全局刚性变换和肿瘤目标病灶四周局部非刚性变换组合作为形变配准的几何变换模型，对术前和术中增敏图像进行基于联合显著区域的形变配准，而后对术前和术中图像进行融合，重建出肿瘤病灶区域的三维可视化模型；利用上述形变配准方法，完成术前图像的运动形变补偿，进而自动完成肿瘤目标病灶的靶向跟踪。本发明可于肿瘤早期诊断、图像导向肿瘤早期干预、图像导向微创手术、图像导向物理治疗等多种场合。
-
公开(公告)号：CN114557685B
公开(公告)日：2023-11-14
申请号：CN202011360581.1
申请日：2020-11-27
Applicant: 上海交通大学
IPC: A61B5/024 , A61B5/11 , A61B5/1455 , A61B5/00
Abstract: 本发明涉及一种非接触式运动鲁棒心率测量方法及装置，所述方法包括以下步骤：采集原始心冲击信号和人脸图像序列；在所述人脸图像序列中提取感兴趣区域，基于所述感兴趣区域计算远程光电容积信号；对所述原始心冲击信号进行最大重叠离散小波分解，以分解出的与心率相关的子成分表示心冲击信号；基于心冲击信号与远程光电容积信号的融合计算获得心率。与现有技术相比，本发明具有估计准确性高、成本低、使用方便等优点。
-
公开(公告)号：CN112150404B
公开(公告)日：2023-10-27
申请号：CN201910565742.1
申请日：2019-06-27
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于联合显著图的全局到局部非刚性图像配准方法及装置，该方法基于预训练的图像配准模型对待配准的参考图像和浮动图像进行处理，获得精确重建形变场，所述图像配准模型包括基于无监督误差函数的全局粗糙估计网络和局部精确重建网络，所述精确重建形变场的具体获得步骤包括：1)拼接所述参考图像和浮动图像，输入全局粗糙估计网络，得到粗糙形变场；2)基于粗糙形变场和浮动图像进行插值，获取形变图像；对形变图像和参考图像进行联合显著图提取，获取联合显著图；3)拼接联合显著图和粗糙形变场，输入局部精确重建网络，获取精确重建形变场。与现有技术相比，本发明图像配准的速度更快、精度更高，并且适用于无真值标签的应用场景。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.021 seconds)
