-
公开(公告)号：CN107248155A
公开(公告)日：2017-10-13
申请号：CN201710427602.9
申请日：2017-06-08
Applicant: 东北大学
CPC classification number: G06T7/0012 , G06T7/11 , G06T7/136 , G06T2207/30101
Abstract: 本发明涉及一种基于SWI图像的脑静脉血管分割方法，通过磁共振设备读取每一幅二维SWI脑静脉血管图像，调整图像分辨率，除掉图像中覆盖在脑四周的头骨和皮肤；将上述处理后的图像进行各向异性滤波增强处理；再进行改进的2D Hessian矩阵滤波增强处理；去掉脑伪影造成的大面积噪声，分割出大部分的细小静脉血管，并去除脑图像的边界轮廓；保留错误去掉的细小静脉血管；计算分割后图像的DSC、PPV、Sensitivity以及Kappa值，对分割效果差的区域进行优化。本发明在差异性较大的不同SWI脑图像中以及噪声和干扰情况下都能够获得稳定的结果，假阳性率低，避免分割出不属于静脉的结构，符合医学图像对安全性的要求。
-
公开(公告)号：CN103106685B
公开(公告)日：2015-08-12
申请号：CN201310015075.2
申请日：2013-01-16
Applicant: 东北大学
Abstract: 一种基于GPU的腹部脏器三维可视化的方法，属于医学图像处理技术领域，计算机X射线断层扫描设备对人体腹部进行CT扫描；获取腹部CT图像，并对获取的腹部CT图像进行三维可视化处理，得到三维可视化处理的结果图像；对腹部CT图像进行对应点匹配插值得到新插值图像，由新插值图像与原腹部CT图像得到匹配插值后的腹部CT图像即体数据；进行光线投射，得到腹部CT图像光线投射结果图像；将腹部CT图像的三维可视化处理的结果图像在装有独立GPU的计算机屏幕上显示。在对医学图像三维可视化处理时先进行插值，使断层图像的层间隔减小；基于GPU进行光线投射，利用GPU高并发的特性、有效地降低计算时间。
-
公开(公告)号：CN103413349A
公开(公告)日：2013-11-27
申请号：CN201310303461.1
申请日：2013-07-19
Applicant: 东北大学
IPC: G06T17/00
Abstract: 一种基于IOS操作系统的DICOM图像三维可视化方法，属于医学图像处理技术领域，运行在基于IOS操作系统的移动设备上，包括iPhone和iPad；对DICOM图像进行三维可视化处理，并在移动设备上显示；将DICOM图像读取至移动设备内存中；对内存中DICOM图像进行分割和二值化处理，得到二值图像；对二值图像进行等值面提取，得到三维模型；计算法向量并显示三维模型。填补了移动设备上没有三维可视化方法的空白，为医生提供诊断参考。
-
公开(公告)号：CN103106685A
公开(公告)日：2013-05-15
申请号：CN201310015075.2
申请日：2013-01-16
Applicant: 东北大学
Abstract: 一种基于GPU的腹部脏器三维可视化的方法，属于医学图像处理技术领域，计算机X射线断层扫描设备对人体腹部进行CT扫描；获取腹部CT图像，并对获取的腹部CT图像进行三维可视化处理，得到三维可视化处理的结果图像；对腹部CT图像进行对应点匹配插值得到新插值图像，由新插值图像与原腹部CT图像得到匹配插值后的腹部CT图像即体数据；进行光线投射，得到腹部CT图像光线投射结果图像；将腹部CT图像的三维可视化处理的结果图像在装有独立GPU的计算机屏幕上显示。在对医学图像三维可视化处理时先进行插值，使断层图像的层间隔减小；基于GPU进行光线投射，利用GPU高并发的特性、有效地降低计算时间。
-
公开(公告)号：CN115953490A
公开(公告)日：2023-04-11
申请号：CN202211575432.6
申请日：2022-12-08
Applicant: 东北大学
Abstract: 本发明涉及一种CT图像自动彩色化方法，所述方法包括：步骤1:通过对CT图像预处理，得到对比度增强的CT图像；步骤2:建立用于获取纹理增强的CT图像的第一网络，并根据预先获取的训练数据集，训练所述第一网络，得到训练好的第一网络；其中所述训练数据集包括多对图像；其中每对图像包括：训练的CT图像和训练的PET图像；步骤3:建立用于对CT图像彩色化的生成判别网络，并基于预获取的初始训练集训练该生成判别网络，得到训练好的生成判别网络；步骤4:基于对比度曾强的CT图像、训练好的第一网络、训练好的生成判别网络，得到最后的CT彩色可视化结果。
-
Patent Agency Ranking
公开(公告)号：CN115830086A
公开(公告)日：2023-03-21
申请号：CN202211575146.X
申请日：2022-12-08
Applicant: 东北大学
Abstract: 本发明涉及一种基于边缘驱动与骨骼抑制的医学图像配准方法，包括：S1、分别针对预先获取的原始数据集中待配准的动脉期CT图像和静脉期CT图像进行第一预处理，获取第二数据集；S2、基于预先获取的训练好的粗配准网络结构和所述原始数据集，获取粗配准数据集；S3、针对所述粗配准数据集进行第二预处理，得到第二预处理后的粗配准数据集；S4、基于预先获取的训练好的精配准网络结构和所述第二预处理后的粗配准数据集，获取最终的融合图像。
-
公开(公告)号：CN112330790A
公开(公告)日：2021-02-05
申请号：CN202011311549.4
申请日：2020-11-20
Applicant: 东北大学
Abstract: 本发明公开一种基于对抗学习与自适应色度修正的CT图像自动着色方法，本方法通过对抗生成学习网络对公开的人体解剖组织切片数据集进行色度的学习，色度重建模型在多器官分割网络的辅助下，更准确地对不同器官和组织所在的区域着色。利用训练好的色度重建模型对CT图像进行全局色度重建后，根据全局色度重建后的效果选取种子点实现局部区域的分割，通过分割掩模和从调色盘选取参考色度信息，基于局部区域中原始Hu值特征分布进行颜色扩散，实现对局部区域进行色度修正，将修正后的结果作为新的监督，对色度重建模型进行精细训练调整，使CT着色结果更加逼真。
-
公开(公告)号：CN109272443A
公开(公告)日：2019-01-25
申请号：CN201811160982.5
申请日：2018-09-30
Applicant: 东北大学
Abstract: 本发明涉及一种基于全卷积神经网络的PET与CT图像配准方法；包括：获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；其中，训练全卷积神经网络包括以下步骤：101、获取用于训练的PET和CT样本图像块；102、构建全卷积神经网络，获取形变场；103、通过形变场和PET图像块获取训练配准图像；104、获取总损失函数L，并通过L更新网络权重参数；105、遍历用于训练的PET和CT样本图像块，更新网络权重参数，获全卷积神经网络；本发明计算成本小，结合相似性度量和限制形变场平滑度，从而限制图像的过度形变，配准效率高。
-
公开(公告)号：CN102096909A
公开(公告)日：2011-06-15
申请号：CN201010613607.9
申请日：2010-12-30
Applicant: 东北大学
IPC: G06T5/00
Abstract: 一种基于对数图像处理模型的改进的反锐化掩模图像增强方法，属于图像处理领域，方法为：将在传统模型下基于灰度的输入图像转换成对数图像处理模型下基于灰色调的图像；对图像进行改进的反锐化掩模增强：将反锐化掩模增强图像转换为传统模型下基于灰度的图像；本发明在对数图像处理模型下实现反锐化掩模图像增强方法，克服了传统模型下反锐化方法出现灰度“溢出”的不足；本发明利用对数图像处理模型的操作与传统处理模型的操作间的同构关系，通过同构变换和反同构变换，实现更简单、高效；本发明利用图像的梯度信息对图像的边缘区域和平滑区域实施不同程度增强，弥补了传统方法利用常数因子对整个图像进行相同强度增强的不足，所得结果更好。
-
公开(公告)号：CN110363797B
公开(公告)日：2023-02-14
申请号：CN201910634301.2
申请日：2019-07-15
Applicant: 东北大学
IPC: G06T7/33 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及医学图像配准技术领域，提供一种基于过度形变抑制的PET与CT图像配准方法。本发明首先采集二维PET/CT序列图像，得到PET/CT序列图像集并对其预处理，得到PET/CT图像块训练集；然后基于3D U‑Net卷积神经网络构建PET/CT配准网络，并结合图像相似性约束项与过度形变抑制项构造代价函数；接着初始化神经网络权重参数，设置超参数，将PET/CT图像块训练集输入PET/CT配准网络并对其进行迭代训练；最后将待配准的PET/CT图像对输入训练后的PET/CT配准网络，生成配准后的PET图像块。本发明能够实现PET/CT弹性配准，提高配准效率与准确性，降低对过度形变抑制的计算成本。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.016 seconds)
