CN105894508A - 一种医学图像自动定位质量的评估方法 - Google Patents

Abstract

本发明公开了一种医学图像自动定位质量的评估方法，所述评估方法包括：获取由扫描生成的定位图像；对所述定位图像进行初始定位后计算关于定位特征的第一数值；基于所述定位特征的第一数值将扫描对象变换到标准坐标系后计算关于所述定位特征的第二数值；根据所述定位特征的第一数值，输出扫描的自动定位结果；基于所述第一数值和所述第二数值的偏差，反馈所述自动定位的质量评估结果。本发明的技术方案将扫描中自动定位的结果量化展示，为自动定位结果提供了参照标准，辅助用户的人机交互工作中进行的定位确认或定位调整，提升了定位工作流的操作效率。

Description

一种医学图像自动定位质量的评估方法

技术领域

本发明涉及医学图像处理领域，特别涉及一种医学图像快速扫描流程。

背景技术

在高端医学影像设备的一些图像扫描工作流中，例如磁共振成像设备、X射线设备、X射线断层成像设备等，扫描流程通常分为两步。首先由医学影像设备对扫描对象(患者)进行一次快速扫描，采集得到患者的低分辨率图像作为定位图像，之后通过识别定位图像中的解剖结构，进一步确定正式扫描的片层定位方向和视野中心位置，规划后续高分辨率扫描。

在传统的快速扫描工作流中，对于根据低分辨率定位图像确定扫描层定位和视野中心位置，通常由经过训练的技师进行手动定位操作，较为费时从而容易导致病人的移位。

近年来，在快速扫描中出现了应用于临床的计算机自动定位，其大大节省了临床检查的工作时间。然而，计算机自动定位的准确度受限于扫描环境和条件的变化，例如：磁共振扫描时磁场均匀性的变化、患者组织坏死或严重的外部创伤、扫描部位偏转较大、患者注射造影剂等因素，自动定位的结果可能会存在较小或较大的偏差。对于经验不足的技师，并不容易判断出自动定位的偏差，及时能够准确判断出偏差，还需要在自动定位结果的基础上进行最后的调整和确认。

发明内容

本发明要解决的问题是提供一种医学图像扫描中自动定位质量的评估方法，解决以上部分提到的现有技术问题。

为解决上述问题，本发明提供了一种医学图像自动定位质量的评估方法，包括：

获取由扫描生成的定位图像；

对所述定位图像进行初始定位后计算关于定位特征的第一数值；所述定位特征用于确认扫描对象的图像坐标系；

基于所述定位特征的第一数值将扫描对象变换到标准坐标系后计算关于所述定位特征的第二数值；

根据所述定位特征的第一数值，输出扫描的自动定位结果；

基于所述第一数值和所述第二数值的偏差，反馈所述自动定位质量的评估结果。

可选的，所述定位特征包括定位图像的正中对称面和定位图像内的解剖特征。计算所述正中对称面的算法包括以下的任意一种：最速下降法、单纯形法或模板匹配法。所述解剖特征包括以下的任意一种：前后连合、脑干、椎间盘、半月板、股骨髁、肩盂关节、肩锁关节或肱骨头。所述定位图像为脑部图像，所述正中对称面包括正中矢状面，所述解剖特征包括前后连合。所述前后连合基于正中矢状面进行计算，计算的算法包括以下的任意一种：模板匹配法、主动形状模型或基于配准的算法。

可选的，所述定位图像为脑部图像，所述正中对称面包括正中矢状面，所述解剖特征包括脑干。所述脑干基于正中矢状面进行计算，计算的算法包括以下的任意一种：边缘检测法、主动形状模型或主动轮廓模型。

可选的，所述定位特征为定位图像的正中对称面。

可选的，所述定位特征为定位图像内的解剖特征。

可选的，所述评估结果展现为数值形式。

可选的，所述评估结果展现为等级形式，各等级根据所述第一数值和所述第二数值的偏差程度设定。

可选的，在反馈所述自动定位质量的评估结果后，根据所述评估结果进行自动定位修正。

与现有技术相比，本发明的技术方案将扫描中自动定位的结果量化展示，为自动定位结果提供了参照标准，辅助用户的人机交互工作中进行的定位确认或定位调整，提升了定位工作流的操作效率。

附图说明

图1是医学影像设备的结构示意图；

图2是计算机处理系统的定位工作流操作界面示意图；

图3是本发明快速扫描中自动定位质量的评估方法流程图；

图4是本发明磁共振脑图像作为定位图像的实施例的流程图；

图5是本发明采用第一方法确定定位图像的正中矢状面、前连合、后连合、脑干后沿的示意图；

图6是本发明采用第二方法确定定位图像的胼胝体、脑干的示意图；

图7a至7c是本发明计算质量评估结果的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

如图1所示，医学影像设备100(图1中仅为其结构示意，不同模态的医学影像设备的外观形状有所差异)通常包括前端的扫描系统101，以及后端的计算机处理系统102。扫描系统101会基于各模态医学影像设备的成像原理对患者进行成像扫描，采集得到患者的医学图像。计算机处理系统102可以由技师操作，用来进行扫描系统101在扫描时的扫描参数设置，以及对扫描得到的患者医学图像数据进行进一步的图像处理。技师通常通过计算机处理系统102的操作界面进行相关操作，操作界面如图2所示。

在对患者进行快速扫描后，在界面200的图形化定位框内会生成通过快速扫描得到的低分辨率定位图像，具体展现为矢状位图像201、横断位图像202和冠状位图像203。这里是以脑部图像的快速扫描进行说明，因此图2出现的对应脑部三个方位的医学图像。各图像(图像201、图像202、图像203)中的矩形框表示之后进行正式扫描的扫描视野范围。当技师进行人工定位时，矩形框由技师在操作界面200的扫描参数区域进行人工设置后生成。当自动定位流程时，矩形框由计算机处理系统根据定位图，计算出扫描对象的空间坐标系(表现为扫描对象在医学影像设备中的方位)，并结合其他预设参数自动生成。

矩形框代表扫描视野，矩形框中心位置即为视野中心，矩形框在定位图像上的方向则表示正式扫描时的片层方向。扫描参数的修改可以直接在定位图像上进行矩形框的手动拖拽来改变视野中心、视野大小、扫描片层方向等信息，也可以在操作界面扫描参数区域的输入框处进行修改。

本发明提供了一种医学图像快速扫描中自动定位质量的评估方法，参见图3，本发明的方法包括步骤：

步骤S301，获取由快速扫描生成的定位图像。定位图像通常表现为矢状位、横断位和冠状位三个方位的二维图像。定位图像可以是各种模态的医学图像，例如X射线图像、X射线计算机断层图像、磁共振图像或超声图像等。

步骤S302，对于定位图像一般会先进行初始定位步骤，初始定位是确定定位图像的一个大致方位，对定位图像进行简单的旋转，初始定位步骤一般耗时较长。之后根据第一方法计算定位图像关于定位特征的第一数值。这里的第一方法优选的采用稳定性强(表现为对输入图像的旋转不变性和平移不变性)的算法，用来计算定位特征。定位特征是可以被用来计算扫描对象的图像坐标系的一些特征。扫描对象可以是患者、模体或者动物。定位特征来自于定位图像本身，具体可以有很多种形式，例如定位图像的正中对称面、图像内的解剖学特征点或特征区域等。

之后根据第一方法计算得到的定位特征的第一数值，确定扫描对象的图像坐标系和标准坐标系之间的变换矩阵。变换矩阵可以将定位图像转换为标准坐标系下的标准图像。

在某些情况下，例如对于血管、气管、肠道等管状结构组织的定位图像，由于其截面为圆形，易于找到正中对称面。定位特征可以仅选择为正中矢状面和正中冠状面。通过检测到这两个正中对称面即可确定扫描对象的图像坐标系。

在其他情况下，定位特征也可以选择为正中矢状面和定位图像内解剖特征相结合的形式。这里以磁共振脑部定位图像为例进行说明，参见图4，图4是对于磁共振脑部定位图像进行实施本发明方法的流程图。

对于脑部图像，定位特征可以选择为正中矢状面(MSP，Mid-Sagittal Plane)结合前连合(AC，Anterior Commissure)、后连合(PC，Posterior Commissure)或者脑干等。对于其他部位的定位图像则可以选择不同解剖结构作为解剖特征，例如对于颈部、肩部、膝盖等部位的定位图像，解剖结构可以选择为椎间盘、半月板、股骨髁、肩盂关节、肩锁关节和肱骨头等。

对于正中矢状面的提取，参见图5，可以用最速下降法，之后在正中矢状面的前后数层可以通过模板匹配法定位前连合和后连合，如图5的右侧图中所示。定位脑干时可以在正中矢状面上通过边缘检测法，如图5的右侧图中所示定位出脑干位置。最后结合正中矢状面的平面方程和AC-PC连线方向，或者结合正中矢状面的平面方程和脑干后沿线方向，作为定位特征的第一数值。

步骤S303，由步骤S302计算得到的第一数值，可以确定扫描对象的图像坐标系，从而和标准坐标系进行比较计算得到变换矩阵。将扫描对象根据变换矩阵变换到标准坐标系。

之后根据第二方法计算经过所述变换后图像对应定位特征的第二数值。这里的第二方法和第一方法具体选择采用不同的算法。但第二方法优选的可以选择快速、鲁棒性好(表现为抗噪和抗病变图像能力方面)的算法，计算和第一方法相同的定位特征。

当第一方法选取正中矢状面、前连合、后连合、脑干作为定位特征时，第二方法同样计算这些定位特征。参见图4，在采用第二方法计算时，可以首先采用配准算法确定正中矢状面，例如将一个标准脑的三维模板与变换到标准坐标系的定位图像数据进行刚体配准，从而得到一个正中矢状面。之后确定作为解剖特征的前后连合或脑干，在变换后的定位图像数据的正中矢状面上可以用主动形状模型方法确定胼胝体位置和脑干的位置。

在运用主动形状模型的算法时，如图6的左侧图所示，在后台训练阶段首先人工标定若干幅脑部正中矢状面图像的胼胝体和脑干轮廓标记点(例如每幅图像40个点)。然后训练出一个平均形状(Mean Shape)，如图6的中间图所示，以及每个标记点附带的边缘信息(法向梯度等)，在应用中将平均形状叠加到定位图像的正中矢状面上，迭代匹配最优的形状标记点。最后如图6右侧图所示，形成轮廓线。

之后根据胼胝体位置进一步确定AC、PC位置，或根据脑干位置确定脑干后沿。最后结合正中矢状面的平面方程和AC-PC连线方向，或MSP平面方程和脑干后沿线方向(三维角度值)，作为定位特征的第二数值。

由以上描述可知，第一方法的MSP提取采用了初始平面定位和最速下降法优化对称性的策略，初始平面定位确保了强稳定性，而最速下降优化算法确保了定位的准确性；但是基于对称性的优化算法势必要求在每一次迭代时重新生成对称像素的映射关系，增加耗时，且对噪声和病变图像的优化存在误差风险。相对的，第二方法的MSP提取采用了刚体配准算法，此算法相对较为快速，且对噪声和病变的敏感性不强；但是该算法对图像与配准模板的初始偏差有一定的限制，不满足强稳定性。

另一方面，第一方法的AC-PC定位采用模板匹配的算法，其模板设置为多个偏转角度，确保了算法的旋转不变性，匹配时在一个相对较大的范围内遍历搜索，确保了算法的平移不变性；但是大范围遍历增大耗时，同时匹配算法对病变较为敏感。同理，第一方法的脑干后沿定位采用边缘检测算法，其中基于边缘的分析确保了算法的旋转不变性和平移不变性。相对的，第二方法AC-PC定位和脑干后沿定位均采用ASM模型，此算法在二维图像上进行形状匹配，较为快速，且匹配过程带有形状约束，确保了对噪声和病变数据较好的适应性。但该方法对图像与初始平均形状的偏差有较大限制，不满足强稳定性。

在本发明方法的具体实际实施过程中，第一方法和第二方法在确定定位特征时所采用的算法并不局限于以上列举的几种算法形式，例如在提取正中对称面时还可以利用单纯形法、大脑裂纹提取法等。在确定AC、PC以及脑干时还可以采用主动形状模型、主动轮廓模型，以及基于配准的一些方法。具体第一方法和第二方法在算法的选择时，若第一方法和第二方法相同则反馈质量结果时说服力较低，利用不同算法则可靠性相对较高一些。

步骤S304，根据定位特征的第一数值，输出快速扫描的自动定位结果。输出自动定位结果可以是在操作界面的定位图像处显示矩形框。

步骤S305，基于所述第一数值和所述第二数值的偏差，反馈所述自动定位的质量评估结果。第一数值和第二数值的偏差程度可以进一步整合为一个数值范围在0到1之间的偏差值，将偏差值作为质量评估的结果在操作界面处进行展示。例如偏差值为0.9表示偏差较小，可信度较高，定位结果准确。而偏差值为0.6则表示偏差比较大，可信度较低，定位结果不太准确。图7a至图7c是不同质量评估结果的示意图。

质量评估结果也可以采用质量等级的方式在操作界面进行展示。例如可以将质量分为三个等级：偏差度在0.9～1.0之间，质量等级为1级，表示自动定位结果准确可靠，用户可直接确认；偏差度在0.6～0.9之间，质量等级为2级，表示自动定位结果近似准确或不够准确，需由用户确认，或由用户基于自动定位的结果进行手动调整，或者由机器在后台进行自动调整；偏差度在0.0～0.6之间，质量等级为3级，表示自动定位结果偏差较大或完全不准确，定位的结果没有意义，需要用户基于原始快速扫描图像重新手动定位。在手动调整或自动调整时，若同时给出具体的偏差度分数，可以根据偏差度分数大小进行不同调整，比如当偏差值为0.85时调整幅度较小，而偏差值为0.6时则调整幅度较大。

本发明的技术方案将扫描中自动定位的结果量化展示，为自动定位结果提供了参照标准，辅助用户的人机交互工作中进行的定位确认或定位调整，提升了定位工作流的操作效率。更进一步的，本发明技术方案中涉及到的算法快速、鲁棒性强，能够为自动定位结果提供准确参照。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (13)

1.一种医学图像自动定位质量的评估方法，包括：

获取由扫描生成的定位图像；

对所述定位图像进行初始定位后计算关于定位特征的第一数值；所述定位特征用于确认扫描对象的图像坐标系；

基于所述定位特征的第一数值将扫描对象变换到标准坐标系后计算关于所述定位特征的第二数值；

根据所述定位特征的第一数值，输出扫描的自动定位结果；

基于所述第一数值和所述第二数值的偏差，反馈所述自动定位质量的评估结果。

2.根据权利要求1所述的评估方法，其特征在于，所述定位特征包括定位图像的正中对称面和定位图像内的解剖特征。

3.根据权利要求2所述的评估方法，其特征在于，计算所述正中对称面的算法包括以下的任意一种：最速下降法、单纯形法或模板匹配法。

4.根据权利要求2所述的评估方法，其特征在于，所述解剖特征包括以下的任意一种：前后连合、脑干、椎间盘、半月板、股骨髁、肩盂关节、肩锁关节或肱骨头。

5.根据权利要求2所述的评估方法，其特征在于，所述定位图像为脑部图像，所述正中对称面包括正中矢状面，所述解剖特征包括前后连合。

6.根据权利要求5所述的评估方法，其特征在于，所述前后连合基于正中矢状面进行计算，计算的算法包括以下的任意一种：模板匹配法、主动形状模型或基于配准的算法。

7.权利要求2所述的评估方法，其特征在于，所述定位图像为脑部图像，所述正中对称面包括正中矢状面，所述解剖特征包括脑干。

8.根据权利要求7所述的评估方法，其特征在于，所述脑干基于正中矢状面进行计算，计算的算法包括以下的任意一种：边缘检测法、主动形状模型或主动轮廓模型。

9.根据权利要求1所述的评估方法，其特征在于，所述定位特征为定位图像的正中对称面。

10.根据权利要求1所述的评估方法，其特征在于，所述定位特征为定位图像内的解剖特征。

11.根据权利要求1所述的评估方法，其特征在于，所述评估结果展现为数值形式。

12.根据权利要求1所述的评估方法，其特征在于，所述评估结果展现为等级形式，各等级根据所述第一数值和所述第二数值的偏差程度设定。

13.根据权利要求1所述的评估方法，其特征在于，在反馈所述自动定位质量的评估结果后，根据所述评估结果进行自动定位修正。