1。介绍
作为世界上最大和增长最快的产业之一,医疗工程是指所有方面的预防、诊断、治疗和管理疾病,以及保护和改善身心健康和幸福通过医疗服务1,2]。
医学成像技术不仅扮演越来越重要的角色在疾病的诊断和治疗,也在疾病预防、健康检查、重大疾病筛查、健康管理、早期诊断、疾病严重程度评估,选择治疗方法、治疗效果评估和康复。医学成像技术的地位不断增加在医疗应用程序(3- - - - - -6]。
由于它能够使疾病的诊断和治疗,图像引导手术,和其他医疗链接更及时,准确,高效,医学图像增强已成为日常任务。通过生产优秀的组织均匀性,优化之下,边缘增强,消除工件,智能降噪,等等,尖端的图像增强帮助医生准确地解释医学图像,更好的诊断和治疗的重要基础(3- - - - - -6]。
2。特殊的问题
虽然特别侧重于医学图像增强问题,提交论文报告的其他重要的图像处理方法,包括图像重建、增强、分割、特征提取和识别。
接下来,我们将介绍七个重要的作品上面的完整图像处理程序的顺序(5]。
的稀疏重建与低剂量x射线计算机断层扫描(CT)图像投影数据,w .周和h .香提出了小波框架正则化方法,在一种新的平衡混合模型被认为是两个稀疏正则化项相关的潜在的解决方案和框架系数。快速选择方向的方法被设计来解决该模型这四子问题可以很容易地解决。数值实验验证了该模型的准确性和效率。
有效地增强嘈杂的光学相干断层扫描(OCT)图像是一个关键的任务正确解读vision-related的眼科疾病。g .刘等人提出了一个协同冲击过滤,以更好地提高人类的视网膜图像的细节和分层结构。嘈杂的OCT图像首先运用3 d协同过滤方法新颖的相似性度量;然后,由shock-type磨去噪图像边缘和细节增强过滤。为了提高图像对比度检测微小的病变,伽马变换还用于增强图像内适当的灰色的水平。
为了更好地理解医学图像在医学诊断和治疗中发挥着重要作用。y张和M.Q.提出了一个基于转移学习和深度学习的超分辨率重建方法,其中包含一个双立方插值模板层和两个卷积层。筛选基于传输学习方法用于选择性地添加其他类型的图像训练数据集。实验八独特的医学图像显示的改善图像质量稍微尖锐边缘用更少的时间比其他深度学习的方法。
图像分割是一个经典的难题低级处理与高层的认可。三个重要工作报告三种类型的成像模式。提出了一种快速、健壮的分割算法,j .玛丽等人结合模糊聚类和引力定律。后MRI图像的模糊增强(T1 / T2,天赋),这些图像的健康结构是分开不健康的。最后,通过一个列出的病灶轮廓自动initialization-free水平集演化方法。84% - -93%重叠的性能获得了使用不同临床大脑和合成数据集和异构类型的病变。
心外膜脂肪也是一个重要的细分任务指示开发各种心血管疾病的风险水平和预测某种疾病的进展。诉Zlokolica等人提出了一个半自动的方法分割和量化的心外膜脂肪从3 d CT图像。后用户标志着补丁的心外膜脂肪,3 d分割是挤牙膏式集成2 d使用模糊c均值聚类和椭圆拟合处理,紧随其后的是一个过滤目标集群的不受欢迎的部分。
视网膜层厚度测量为可靠的视网膜疾病的诊断提供了重要的定量信息和评估疾病发展和医疗反应。这个任务非常依赖于精确的边缘检测和分割视网膜层的OCT图像。美国罗等人发现了三个最有前途的边缘检测算法:精明的边缘检测器,两段式方法,EdgeFlow技术。定量评价结果表明,双行程方法始终优于其他两种方法描述和本地化视网膜层边界的OCT图像。他们还发现,OCT图像包含更多的强度比纹理梯度的信息变化沿着视网膜层边界。
随着数字x射线成像和处理方法的发展,自动分类和分析大量急需数字射线图像。任联合国等人开发了一个射线照相位置使用频率曲线分类识别方法和灰色信息匹配。与预定义的曲线类型(射线照相位置)从全身幽灵的形象,一个射线图像被划分为六个职位之一的帮助下图像强度相似:头,肺、木材、骨盆,关节,和四肢。平均93.78%的准确率是使用该方法报道。
确认
客人这个特殊问题的编辑要感谢所有作者提交的论文,以及所有评论者对他们辛勤工作的和详细的评论。
现付
张明
Chengpoμ
萧红沈