TWI831091B - 高光譜影像的分析方法及系統 - Google Patents
高光譜影像的分析方法及系統 Download PDFInfo
- Publication number
- TWI831091B TWI831091B TW110144598A TW110144598A TWI831091B TW I831091 B TWI831091 B TW I831091B TW 110144598 A TW110144598 A TW 110144598A TW 110144598 A TW110144598 A TW 110144598A TW I831091 B TWI831091 B TW I831091B
- Authority
- TW
- Taiwan
- Prior art keywords
- tissue
- hyperspectral
- hyperspectral image
- spectral
- image
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000701 chemical imaging Methods 0.000 title abstract description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003703 image analysis method Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 64
- 210000000056 organ Anatomy 0.000 description 13
- 238000002310 reflectometry Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 210000000278 spinal cord Anatomy 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 125000006850 spacer group Chemical group 0.000 description 4
- MOFVSTNWEDAEEK-UHFFFAOYSA-M indocyanine green Chemical compound [Na+].[O-]S(=O)(=O)CCCCN1C2=CC=C3C=CC=CC3=C2C(C)(C)C1=CC=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(C=CC=C3)C3=C2C1(C)C MOFVSTNWEDAEEK-UHFFFAOYSA-M 0.000 description 3
- 229960004657 indocyanine green Drugs 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000008839 Kidney Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002316 cosmetic surgery Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000002278 reconstructive surgery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 210000005005 sentinel lymph node Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本發明實施例提出一種高光譜影像的分析方法及系統。去除高光譜影像中的干擾物，以取得光譜特徵。自光譜特徵取得波長-反射率對應關係。透過目標檢測演算法判斷波長-反射率對應關係所對應的組織資訊。目標檢測演算法是基於高光譜影像的像素的能量及/或光譜角。藉此，可提供即時辨識影像中的人體組織。
Description
本發明是有關於一種影像分析技術，且特別是有關於一種高光譜(hyperspectral)影像的分析方法及系統。
在現行微創手術過程中，通常會利用內視鏡進入人體體內診斷，再由醫師進行手術。然而，部分人體組織顏色相近，也很難透過影像中的組織表面分辨出不同組織。因此，針對部分移除手術，為了保險起見，可能會將部份好的組織器官一併移除，進而增加手術難度及危險。
值得注意的是，在諸如整形重建手術、神經外科手術、或乳癌手術的臨床上，已有透過靛氰綠(Indocyanine Green，ICG)螢光顯影技術偵測前哨淋巴結、腎臟腫瘤或其他腫瘤。然而，這顯影技術需要對患者注射靛氰綠，且僅適用於特定組織。
有鑑於此，本發明實施例提供一種高光譜影像的分析方法及系統，可輔助組織辨識，且無須額外施打顯影器。
本發明實施例的高光譜影像的分析方法適用於辨識影像中的人體組織。分析方法包括(但不僅限於)下列步驟：去除高光譜影像中的干擾物，以取得光譜特徵。自光譜特徵取得波長-反射率對應關係。透過目標檢測演算法判斷波長-反射率對應關係所對應的組織資訊。目標檢測演算法是基於高光譜影像的像素的能量及/或光譜角(spectral angle)。
本發明實施例的高光譜影像的分析系統適用於辨識影像中的人體組織。分析系統包括(但不僅限於)運算裝置。運算裝置經配置用以去除高光譜影像中的干擾物，以取得光譜特徵。自光譜特徵取得波長-反射率對應關係。透過目標檢測演算法判斷波長-反射率對應關係所對應的組織資訊。目標檢測演算法是基於高光譜影像的像素的能量及/或光譜角。
基於上述，依據本發明實施例的高光譜影像的分析方法及系統，依據組織的光譜特徵判斷波段上的反射特性所對應的組織。藉此，可方便地辨識影像中的組織。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的分析系統1的示意圖。請參照圖1，分析系統1包括(但不僅限於)高光譜檢測裝置30及運算裝置50。分析系統1可適用於辨識影像中的人體組織。
圖2A是依據本發明一實施例的高光譜檢測儀30的示意圖。請參照圖2A，高光譜檢測裝置30包括(但不僅限於)鏡頭31、間隔塊32、光柵33、影像感光元件34及電路板35。
在一實施例中，鏡頭31是內視鏡。如圖2B所示搭配內視鏡的示意圖。在其他實施例中，鏡頭31也可能是其他用途的鏡頭及規格。例如，焦段52公厘的微距鏡頭，如圖2C所示搭配微距鏡頭的示意圖。
間隔塊32設於鏡頭31與光柵33之間。在一實施例中，間隔塊32的長度與成像大小相關。
光柵33設於鏡頭31與影像感測元件34之間。在一實施例中，光柵33的分光狹縫為每英吋13500條，且通過光柵的波長範圍為400至1052奈米(nm)。
影像感光元件34可以是感光耦合元件(Charge-Coupled Device)或互補式金屬氧化物半導體(Complementary Metal Oxide Semiconductor，CMOS)感光元件。
電路板35耦接影像感光元件34。在一實施例中，電路板35用以控制曝光時間。在另一實施例中，電路板35用以驅動影像擷取作業。在一些實施例中，電路板35可提供諸如對比增強、白平衡調整等影像處理作業。
在一實施例中，高光譜檢測裝置30更包括光源(圖未示)。可透過鏡頭31(以內視鏡為例)的通道將光至鏡頭31前端。
在一些應用情境中，在手術過程中，可透過鏡頭31深入體內，並據以針對特定器官拍攝。然而，本發明實施例不加以限制高光譜檢測裝置的待測物。
須說明的是，高光譜檢測裝置30的規格及元件不限於前述說明。甚至，在一些實施例中，高光譜檢測裝置30也可置換成其他影像擷取裝置。
運算裝置50可以是桌上型電腦、筆記型電腦、AIO電腦、智慧型手機、平板電腦、或伺服器等裝置。運算裝置50可包括(但不僅限於)儲存器及處理器。在一實施例中，儲存器儲存程式碼，且程式碼可供處理器載入且執行，以實現本發明實施例的方法流程。
在一實施例中，運算裝置50連接高光譜檢測裝置30，並用以控制其作業或接收資料。例如，運算裝置50取得高光譜檢測裝置30的高光譜影像。又例如，運算裝置50控制高光譜檢測裝置30的曝光時間(例如，數個毫秒至數百個毫秒)。
在一實施例中，運算裝置50可與高光譜檢測裝置30整合整一體。在一些實施例中，運算裝置50的部分或全部功能可透過軟體或晶片實現。
下文中，將搭配分析系統1中的各項元件、模組及裝置說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。
圖3是依據本發明一實施例的分析方法的流程圖。請參照圖3，運算裝置50去除高光譜影像中的干擾物，以取得光譜特徵(步驟S310)。具體而言，運算裝置50自高光譜檢測裝置30、其他影像擷取裝置、儲存裝置、資料庫或伺服器取得高光譜影像。高光譜影像是收集及處理整個跨電磁波譜的資訊。在一實施例中，高光譜影像是對波長為400至1052奈米(nm)的電磁波感光或篩選所得出的影像。在其他實施例中，高光譜影像的波段仍可依據實際需求而變更。
值得注意的是，雖然高光譜具有記錄細微解析度的特點，但可能受非目標物的干擾而影響後續辨識結果。在一實施例中，運算裝置50可自高光譜影像中選擇分析波段。這分析波段介於400至1052 nm之間。例如，運算裝置50透過濾波器篩選這分析波段內的光譜。
在一實施例中，運算裝置50可對高光譜影像進行物質萃取作業。物質萃取作業是針對一個或更多個目標組織(例如，神經、肌肉或韌帶)。例如，運算裝置50針對目標組織在影像中的能量或空間正交投影量去除雜訊。這目標組織是預先定義或相關於透過輸入裝置(例如，鍵盤、滑鼠或觸控面板)取得使用者操作對應的輸入資訊。
在一實施例中，運算裝置50可對高光譜影像進行異物偵測作業。異物偵測作業是用於排除目標組織以外的異物。例如，透過影像比對或基於神經網路的分類器偵測異物，並據以刪除影像中的異物。這異物是預先定義或相關於透過輸入裝置(例如，鍵盤、滑鼠或觸控面板)取得使用者操作對應的輸入資訊。
光譜特徵是針對目標組織的光譜資訊。例如，波段上的反射率(reflectance)及空間關係。又例如，影像空間中的顏色、紋理、形狀等特徵。
運算裝置50自光譜特徵取得波長-反射率對應關係(步驟S330)。具體而言，經實驗可知，影像中的不同組織在特定波段上反映出不同反射特性。波長-反射率對應關係記錄特定波長或波段下統計出的反射率。圖4是一範例說明器官影像，且圖5A是一範例說明圖4中的第一像素的波長-反射率對應關係。請參照圖4及圖5A，這第一像素是針對器官影像中的某一個像素在400至1052 nm的波段上的反射率。請接著參照圖5B是一範例說明圖4中的第二像素的波長-反射率對應關係。這第一像素是針對器官影像中的另一個像素(不同於第一像素)在400至1052 nm的波段上的反射率。高光譜影像中的不同像素可能有不同反射特徵，也可能這些像素屬於不同組織。因此，光譜特徵中的波長-反射率對應關係可用於組織辨識。
舉例而言，圖6A是一範例說明器官影像，且圖6B是一範例說明圖6A的波長-反射率對應關係。請參照圖6A及圖6B，這器官的不同組織(例如，動脈、骨頭或脂肪)在特定波段之間有不同的反射率分布。例如，在波長為400至1052 nm之間，韌帶的反射率比肌肉的反射率高。
舉例而言，圖7A是一範例說明器官影像，且圖7B是一範例說明圖7A的波長-反射率對應關係。請參照圖7A及圖7B，假設針對與圖6A不同的器官，這器官的不同組織(例如，脊髓或脊椎)在特定波段之間有不同的反射率分布。例如，在波長為400至1052 nm之間，脊髓的反射率比脊椎的反射率高。
請參照圖3，運算裝置50透過目標檢測演算法判斷波長-反射率對應關係所對應的組織資訊(步驟S350)。具體而言，目標檢測演算法是基於高光譜影像的像素的能量及/或光譜角(spectral angle)。能量及光譜角是光譜統計量的類型。在一實施例中，目標是人體組織。透過計算與參考人體組織之間能量差異及光譜角，可判斷像素所屬的人體組織。
在一實施例中，針對光譜角檢測，目標檢測演算法為光譜角映射(Spectral Angle Mapping，SAM)。例如，運算裝置50將影像中的各像素的光譜視為一個高維向量，透過計算兩向量間的夾角來判斷光譜間的相似性。若夾角越小，則代表兩光譜越相似，且屬於同類目標的可能性越大；反之，則代表兩者屬於相同目標的可能性越低。因此，運算裝置50可依據光譜角的大小來辨別未知資料的類別。分類時，透過計算未知資料與已知資料之間的光譜角，並把未知資料的類別歸為最小光譜角對應的類別中。
在另一實施例中，針對能量檢測，目標檢測演算法為限制能量最小化(Constrained Energy Minimization)演算法。例如，運算裝置50依據目標組織的光譜特性設計一個線性濾波器，使目標組織通過這線性濾波器的輸出能量為1，但非目標組織通過相同線性濾波器的輸出能量最小，從而實現目標萃取。
在其他實施例中，目標檢測演算法也可能是光譜匹配濾波(Spectral Matched Filter，SMF)、自適應餘弦估測(Adaptive Cosine Estimator，ACE)、支援向量機(Support Vector Machine，SVM)、正交子空間投影(Orthogonal Subspace Projection，OSP)等演算法。
在一實施例中，運算裝置50可透過目標檢測演算法比對波長-反射率對應關係與光譜資料庫。這光譜資料庫記錄自一個或更多個組織的高光譜影像所擷取的參考光譜特徵。參考光譜特徵是已知組織的光譜特徵。而運算裝置50可自波長-反射率對應關係中決定未知組織的能量或光譜角，判斷未知組織經已知組織的濾波器的能量輸出或未知組織與已知組織之間光譜角(即，比較結果)，並據以判斷未知組織屬於已知組織中的何者。運算裝置50可依據比對結果決定組織資訊。例如，運算裝置50將未知組織歸類到那些已知組織中的能量輸出為1者或光譜角最小者。
在一實施例中，在光譜資料庫的建立或更新階段中，運算裝置50可將目標設定為特定類型的組織(例如，神經或脊隨)，並僅自高光譜影像中的特定類型的組織的那一部分萃取光譜特徵(例如，波長-反射率對應關係)，以作為參考光譜特徵。
在一實施例中，針對用於萃取參考光譜特徵的參考高光譜影像，運算裝置50可利用諸如光譜濾波、校正基準或平滑處理來消除光譜背景雜訊，從而提高光譜解析度和靈敏度。
須說明的是，若針對高光譜影像中的單一像素，則組織資訊是這單一像素所屬的組織的類型。若針對高光譜影像中的多個像素或區域，則組織資訊是這些像素或區域所屬的一個或更多個組織的類型及其範圍(下文稱組織範圍)。
在一實施例中，運算裝置50可依據所判斷的組織資訊並透過分群演算法辨識高光譜影像中的一個或更多個組織範圍。分群演算法例如是k-最近鄰居(k-Nearest Neighbor，kNN)，並據以決定影像中的相鄰像素所屬的組織。而相同組織的相鄰像素聚集在一起即形成組織範圍。
舉例而言，圖8A是一範例說明圖6A的組織範圍，且圖8B是一範例說明圖7A的組織範圍。請參照圖8A及圖8B，相同網底的區域屬於相同組織。這些屬於相同組織的像素的邊界即形成組織範圍。
以下再舉一應用情境說明。在脊椎手術過程中，透過高光譜檢測裝置30即時取得高光譜影像。圖9是一範例說明使用者介面。請參照圖9，運算裝置50提供顯示器(圖未示)呈現使用者介面。使用者介面可呈現高光譜影像SI、指定像素或區域的光譜特徵SF及組織分類結果CR。組織分類結果CR中以不同網底或顏色呈現的是特定組織的組織範圍。另一方面，使用者介面可提供演算法選項C1, C2給使用者選擇。演算法選項C1是利用光譜角映射演算法來辨識組織。而演算法選項C2是利用限制能量最小化演算法來辨識組織。藉此，可即時辨識出脊髓。
綜上所述，在本發明實施例的高光譜影像的分析方法及系統，依據光譜特徵辨識影像中的組織。此外，可搭配限定特定波段通過的高光譜檢測裝置。藉此，無須額外施打的顯影劑，即可直接辨識組織。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1:分析系統
30:高光譜檢測裝置
31:鏡頭
32:間隔塊
33:光柵
34:影像感光元件
35:電路板
50:運算裝置
S310~S350:步驟
SI:高光譜影像
SF:光譜特徵
CR:組織分類結果
C1、C2:演算法選項
圖1是依據本發明一實施例的分析系統的示意圖。
圖2A是依據本發明一實施例的高光譜檢測儀的示意圖。
圖2B是依據本發明一實施例的搭配內視鏡的示意圖。
圖2C是依據本發明一實施例的搭配微距鏡頭的示意圖。
圖3是依據本發明一實施例的分析方法的流程圖。
圖4是一範例說明器官影像。
圖5A是一範例說明圖4中的第一像素的波長-反射率對應關係。
圖5B是一範例說明圖4中的第二像素的波長-反射率對應關係。
圖6A是一範例說明器官影像。
圖6B是一範例說明圖6A的波長-反射率對應關係。
圖7A是一範例說明器官影像。
圖7B是一範例說明圖7A的波長-反射率對應關係。
圖8A是一範例說明圖6A的組織範圍。
圖8B是一範例說明圖7A的組織範圍。
圖9是一範例說明使用者介面。
S310~S350:步驟
Claims (9)
- 一種高光譜(hyperspectral)影像的分析方法，適用於辨識影像中的人體組織，該分析方法包括：透過一運算裝置去除一高光譜影像中的干擾物，以取得一光譜特徵；透過該運算裝置自該光譜特徵取得一波長-反射率對應關係；透過該運算裝置利用一目標檢測演算法判斷該高光譜影像中的至少一像素的該波長-反射率對應關係所對應的組織資訊，其中該目標檢測演算法是基於該高光譜影像的像素的能量及光譜角(spectral angle)中的至少一者，且該組織資訊包括該高光譜影像中的該至少一像素所屬的至少一組織的類型；透過該目標檢測演算法比對該波長-反射率對應關係與一光譜資料庫所記錄自至少一已知組織的高光譜影像所擷取的參考光譜特徵，包括：判斷一未知組織經該至少一已知組織的濾波器的一能量輸出或該未知組織與該至少一已知組織之間光譜角，以得出一比對結果；以及依據該比對結果決定該組織資訊。
- 如請求項1所述的高光譜影像的分析方法，其中該目標檢測演算法為光譜角映射(Spectral Angle Mapping，SAM)或限制能量最小化(Constrained Energy Minimization)演算法。
- 如請求項1所述的高光譜影像的分析方法，更包括： 依據所判斷的組織資訊並透過一分群演算法辨識該高光譜影像中的至少一組織範圍。
- 如請求項1所述的高光譜影像的分析方法，其中去除該高光譜影像中的干擾物的步驟包括：透過該運算裝置自該高光譜影像中選擇一分析波段，其中該分析波段介於400至1052奈米(nm)；透過該運算裝置對該高光譜影像進行一物質萃取作業，其中該物質萃取作業是針對至少一目標組織；以及透過該運算裝置對該高光譜影像進行一異物偵測作業，其中該異物偵測作業是用於排除該至少一目標組織以外的異物。
- 一種高光譜影像的分析系統，適用於辨識影像中的人體組織，該分析系統包括：一運算裝置，經配置用以：去除一高光譜影像中的干擾物，以取得一光譜特徵；自該光譜特徵取得一波長-反射率對應關係；透過一目標檢測演算法判斷該高光譜影像中的至少一像素的該波長-反射率對應關係所對應的組織資訊，其中該目標檢測演算法是基於該高光譜影像的像素的能量及光譜角中的至少一者，且該組織資訊包括該高光譜影像中的該至少一像素所屬的至少一組織的類型；透過該目標檢測演算法比對該波長-反射率對應關係與一光譜資料庫所記錄自至少一已知組織的高光譜影像所擷取的參考 光譜特徵，包括：判斷一未知組織經該至少一已知組織的濾波器的一能量輸出或該未知組織與該至少一已知組織之間光譜角，以得出一比對結果；以及依據該比對結果決定該組織資訊。
- 如請求項5所述的高光譜影像的分析系統，其中該目標檢測演算法為光譜角映射或限制能量最小化演算法。
- 如請求項5所述的高光譜影像的分析系統，其中該運算裝置經配置用以：依據所判斷的組織資訊並透過一分群演算法辨識該高光譜影像中的至少一組織範圍。
- 如請求項5所述的高光譜影像的分析系統，其中該運算裝置經配置用以：自該高光譜影像中選擇一分析波段，其中該分析波段介於400至1052奈米；對該高光譜影像進行一物質萃取作業，其中該物質萃取作業是針對至少一目標組織；以及對該高光譜影像進行一異物偵測作業，其中該異物偵測作業是用於排除該至少一目標組織以外的異物。
- 如請求項5所述的高光譜影像的分析系統，更包括：一高光譜檢測裝置，包括：一鏡頭； 一影像感測元件；以及一光柵，設於該鏡頭與該影像感測元件之間，且通過該光柵的波長範圍為400至1052奈米。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110144598A TWI831091B (zh) | 2021-11-30 | 2021-11-30 | 高光譜影像的分析方法及系統 |
| CN202211127949.9A CN116195973A (zh) | 2021-11-30 | 2022-09-16 | 高光谱图像的分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110144598A TWI831091B (zh) | 2021-11-30 | 2021-11-30 | 高光譜影像的分析方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202324444A TW202324444A (zh) | 2023-06-16 |
| TWI831091B true TWI831091B (zh) | 2024-02-01 |
Family
ID=86510154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110144598A TWI831091B (zh) | 2021-11-30 | 2021-11-30 | 高光譜影像的分析方法及系統 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116195973A (zh) |
| TW (1) | TWI831091B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112005546A (zh) * | 2018-03-23 | 2020-11-27 | 索尼公司 | 信号处理设备、信号处理方法、图像捕获设备以及医用图像捕获设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2950708B1 (en) * | 2013-01-30 | 2019-01-16 | Koninklijke Philips N.V. | Imaging system with hyperspectral camera guided probe |
| US10806334B2 (en) * | 2017-02-28 | 2020-10-20 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
| CN107977619B (zh) * | 2017-11-28 | 2021-02-23 | 北京航空航天大学 | 一种基于集成学习约束能量最小化的高光谱目标检测方法 |
-
2021
- 2021-11-30 TW TW110144598A patent/TWI831091B/zh active
-
2022
- 2022-09-16 CN CN202211127949.9A patent/CN116195973A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112005546A (zh) * | 2018-03-23 | 2020-11-27 | 索尼公司 | 信号处理设备、信号处理方法、图像捕获设备以及医用图像捕获设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116195973A (zh) | 2023-06-02 |
| TW202324444A (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Codella et al. | Deep learning ensembles for melanoma recognition in dermoscopy images | |
| US11257213B2 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
| Liu et al. | Remote photoplethysmography correspondence feature for 3D mask face presentation attack detection | |
| Mariakakis et al. | Biliscreen: smartphone-based scleral jaundice monitoring for liver and pancreatic disorders | |
| US20220125280A1 (en) | Apparatuses and methods involving multi-modal imaging of a sample | |
| Kolář et al. | Detection of glaucomatous eye via color fundus images using fractal dimensions | |
| US20140316235A1 (en) | Skin imaging and applications | |
| Saez et al. | Pattern analysis in dermoscopic images | |
| Patel et al. | Automated screening of glaucoma stages from retinal fundus images using BPS and LBP based GLCM features | |
| Zheludev et al. | Delineation of malignant skin tumors by hyperspectral imaging using diffusion maps dimensionality reduction | |
| Choudhary et al. | Skin lesion detection based on deep neural networks | |
| Narang et al. | Face recognition in the SWIR band when using single sensor multi-wavelength imaging systems | |
| Fabelo et al. | A novel use of hyperspectral images for human brain cancer detection using in-vivo samples | |
| EP3716136A1 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
| US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
| Fernandes et al. | Early skin cancer detection using computer aided diagnosis techniques | |
| Goicoechea-Telleria et al. | Low-cost and efficient hardware solution for presentation attack detection in fingerprint biometrics using special lighting microscopes | |
| Remeseiro et al. | Objective quality assessment of retinal images based on texture features | |
| Youssef et al. | A novel visible and near-infrared hyperspectral imaging platform for automated breast-cancer detection | |
| US20230281962A1 (en) | Method for detecting object of esophageal cancer in hyperspectral imaging | |
| TWI831091B (zh) | 高光譜影像的分析方法及系統 | |
| Kong et al. | Hyperspectral fluorescence image analysis for use in medical diagnostics | |
| Iakovidis et al. | Texture multichannel measurements for cancer precursors’ identification using support vector machines | |
| Arirangan et al. | Multi‐scaled feature fusion enabled convolutional neural network for predicting fibrous dysplasia bone disorder | |
| Asem et al. | Blood vessel segmentation in modern wide-field retinal images in the presence of additive Gaussian noise |