数字化X线医学图像增强处理器研究

针对X线医学图像存在的对比度低、暗部细节模糊、视觉效果不佳而难以提高临床诊断准确率等问题,采用基于人眼视觉理论的多尺度Retinex算法的X线医学图像增强方法,设计了基于高性能DM643芯片的X线医学图像增强处理器。实验结果表明,该处理器能有效压缩图像动态范围、提高对比度和暗部区域的可视度,初步满足临床诊断应用的要求。

一种X线医学图像的增强及角点检测算法的研究

目的:利用MSR算法提高图像质量及角点检测的精度,然后再利用提取的角点来提高图像的配准与拼接速度及精度。方法:首先采用基于人眼感知亮度和色度的视觉模型改进的MSR算法对图像进行增强处理,然后采用改进的harris算法对增强后的图像进行角点提取。结果:采用本文算法对来自COX网站的一幅X线医学图像进行增强、角点检测,处理前后图像的信息熵分别为4.3706、7.3817,增强后的图像质量有明显提高,有效地避免了角点簇拥现象并使角点定位更加精确。结论:实验结果表明,本文采用的算法不仅能有效改善图像质量,而且能更有效、更精确地进行角点检测与提取。

基于数据挖掘的乳腺X线图像分类研究

研究了基于灰度空域统计特征以及灰度共生矩阵的医学乳腺X线图像的特征提取方法,以及这些特征对于数据挖掘中的两种算法——基于神经网络的算法和基于关联规则挖掘的算法在乳腺肿瘤检查和分类中的作用,结果表明这些特征在两种分类方法中均表现良好,对良性与恶性肿瘤分类的准确率均超过了75%.实验证明所提出的特征提取方法对于神经网络和关联规则的挖掘在乳腺X线图像分类中是有效的.

基于空域、频域和时间域的复合图像增强方法

在数字X线医学图像的放射成像过程中,由于人体结构和组织的复杂性以及成像系统中X线散射、电子噪声等各种不利因素的影响,导致图像质量的下降。本研究采用一种基于空间域、频率域以及时间域的高度复合的图像增强算法,同时将该算法在图形处理器(GPU)中利用统一计算设备架构(CUDA)编程接口实现,在达到对比度增强、细节增强、抑制图像中噪声的目的的同时满足临床实时性要求,从而降低X线剂量的使用,保护医师和患者的身体健康。

VolGraph-A PC-Based Visualization System for Three-Dimensional Medical Reconstructions

Three-dimensional reconstructions from tomography slices are paid great attention in medical applications nowadays. This paper introduces the design and the implement of VolGraph system: a new, inexpensive, PC-based visualization tool for three-dimensional medical reconstructions, which fully integrates the latest popular visualization algorithms ranging from classical surface rendering algorithm to volume rendering algorithms, such as Ray Casting, Splatting, and Shear-Warp.The input of VolGraph can be medical ima- ges including CT, MRI, etc, and the output can be in common image, VRML/XML or animation formats. Practice proves that the realization of a medical volume visualization system is now feasible on desktop PCs.