CN107569248A - 一种乳腺机设备的曝光方法及乳腺机设备 - Google Patents
一种乳腺机设备的曝光方法及乳腺机设备 Download PDFInfo
- Publication number
- CN107569248A CN107569248A CN201710666950.1A CN201710666950A CN107569248A CN 107569248 A CN107569248 A CN 107569248A CN 201710666950 A CN201710666950 A CN 201710666950A CN 107569248 A CN107569248 A CN 107569248A
- Authority
- CN
- China
- Prior art keywords
- image
- gland
- exposure
- exposure light
- percentage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种乳腺机设备的曝光方法及乳腺机设备,所述方法包括:对待曝光乳腺进行预曝光,得到预曝光图像;将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;由于设置正式曝光时间时,考虑了乳腺腺体的特征,因此,当采用所述正式曝光时间对待曝光乳腺进行曝光时,正式曝光图像中的腺体部分将呈现出较好的图像质量。
Description
技术领域
本申请涉及医疗影像技术领域,尤其涉及一种乳腺机设备的曝光方法及乳腺机设备。
背景技术
在数字乳腺机的传统曝光技术中,医生会依据患者身体的实际情况,根据主观经验来确定曝光参数,并手动设置曝光参数,其中,曝光参数包括数字乳腺机的球管的管电压、管电流以及曝光时间。由于设置的曝光参数完全依赖于医生的主观经验,对医生的经验与水平要求过高,且过于主观,缺乏科学的客观理论依据,导致曝光图像的质量稳定性较差。为了避免上述缺陷,提出了自动曝光控制(Automatic Exposure Control,简称AEC)技术,该技术能够在拍摄的过程中自适应调整曝光时间,以便使用较小的辐射剂量获得较优质的曝光图像,目前存在的一种AEC技术是基于平均灰度的二次曝光法,具体为:
首先,对患者乳腺进行预曝光,得到一幅预曝光图像,并从中提取出感兴趣区域;然后,计算曝光系数k=G2/G1,其中,G1为感兴趣区域的平均灰度,G2为曝光图像的理想灰度,又称为预设灰度;最后,计算对患者乳腺的正式曝光时间t2=k*t1,其中,k为上一步计算得到的曝光系数,t1为拍摄预曝光图像所使用的曝光时间。
但是,上述基于平均灰度的二次曝光法,所述平均灰度反映出的只是图像整体信息,没有考虑乳腺腺体细节部分,因此,使用正式曝光时间t2拍摄的曝光图像,无法使乳腺中最重要的腺体部分呈现出良好的图像质量。
发明内容
有鉴于此,本申请的主要目的在于提供一种乳腺机设备的曝光方法及乳腺机设备,能够提高正式曝光图像的图像质量。
本申请提供了一种乳腺机设备的曝光方法,包括:
对待曝光乳腺进行预曝光,得到预曝光图像;
将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
可选的,所述根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间,包括:
根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级;
根据所述预曝光图像的图像质量等级确定预设灰度值,所述预设灰度值为所述正式曝光图像的期望灰度值;
根据所述预设灰度值确定对所述待曝光乳腺的正式曝光时间。
可选的,所述方法还包括:
获得样本图像,并形成样本图像集;
将所述样本图像集中的每一样本图像分别作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,得到包含梯度幅值均值和百分比的样本特征;
利用每一所述样本图像对应的样本特征、以及每一所述样本图像被预先赋予的图像质量等级,训练得到包括N种分类类别的目标分类器,其中,所述N种分类类别包括N种不同的图像质量等级,N≥2;
则,所述根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级,包括:
将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级。
可选的,所述计算所述对象图像中腺体部分的梯度幅值均值,包括:
确定所述对象图像中的腺体区域,并确定所述腺体区域的最大内接矩形;
计算所述最大内接矩形内的图像的梯度幅值均值。
可选的,所述确定所述对象图像中的腺体区域,包括:
对所述对象图像进行前景分割,得到前景图像;
从所述前景图像中选取一个腺体基准点,所述腺体基准点为乳腺像素点;
以所述腺体基准点为中心找到所述前景图像中的腺体区域。
可选的,所述从所述前景图像中选取一个腺体基准点,包括:
确定所述前景图像的图像类型;
当所述图像类型为正位图像时,从所述前景图像的中间区域找到灰度值最小的一个像素点作为腺体基准点;
当所述图像类型为侧位图像时,定位所述前景图像中位于皮肤线上的最上像素点和最下像素点;从所述皮肤线上选取与目标直线垂直距离最大的像素点作为腺体基准点,其中,所述目标直线为所述最上像素点与所述最下像素点的连线。
可选的,所述确定所述前景图像的图像类型,包括:
从所述前景图像的左上方选取预设大小的区域图像;
判断所述区域图像的灰度均值是否小于预设灰度值,若是,则确定所述前景图像为正位图像,若否,则确定所述前景图像为侧位图像。
可选的,所述目标分类器包括个子分类器,其中,所述子分类器的分类类别包括两种不同的图像质量等级,各个所述子分类器之间对应的分类类别组合均不同;
所述将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级,包括:
将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入,获取每一所述子分类器输出的图像质量等级;
统计输出次数最高的图像质量等级;
若统计结果只包括一种图像质量等级,则将该图像质量等级作为所述预曝光图像的图像质量等级;
若统计结果包括至少两种图像质量等级,则从所述个子分类器中,选取所述至少两种图像质量等级的两两分类组合对应的子分类器;继续执行所述将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入的步骤,直至所述统计结果只包括一种图像质量等级时,将该图像质量等级作为所述预曝光图像的图像质量等级。
本申请还提供了一种乳腺机设备,包括:
乳腺预曝光单元,用于对待曝光乳腺进行预曝光,得到预曝光图像;
腺体信息获取单元,用于将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
曝光时间确定单元,用于根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
乳腺正式曝光单元,用于采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
本申请还提供了一种乳腺机设备,包括:处理器、存储器、系统总线
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述方法。
本申请提供的一种乳腺机设备的曝光方法及乳腺机设备,首先对待曝光乳腺进行预曝光,得到预曝光图像;再计算预曝光图像中腺体部分的梯度幅值均值、并计算预曝光图像中腺体部分的所有像素点占预曝光图像中所有像素点的百分比,以利用梯度幅值均值和腺体百分比来反映预曝光图像的腺体特征;然后,根据梯度幅值均值和腺体百分比,确定对待曝光乳腺的正式曝光时间;由于设置正式曝光时间时,考虑了乳腺腺体的特征,因此,当采用所述正式曝光时间对待曝光乳腺进行曝光时,正式曝光图像中的腺体部分将呈现出较好的图像质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种乳腺机设备的曝光方法的流程示意图;
图2为本申请实施例提供的梯度幅值均值的获取方法的流程示意图;
图3为本申请实施例提供的预曝光图像示意图之一;
图4为本申请实施例提供的预曝光图像示意图之二;
图5为本申请实施例提供的正式曝光时间的获取方法的流程示意图;
图6为本申请实施例提供的不同质量等级的乳腺图像示意图;
图7为本申请实施例提供的函数f的曲线示意图;
图8为本申请实施例提供的一种乳腺机设备的组成示意图;
图9为本申请实施例提供的一种乳腺机设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,乳腺机设备可以根据患者的具体情况(比如乳腺厚度等)自动设定曝光参数,曝光参数主要包括球管的管电压、管电流以及曝光时间。其中,针对不同患者的乳腺情况设定曝光时间时,若曝光时间选取的偏短,则辐射剂量偏低,会导致图像噪声高、清晰度差等图像缺陷,若曝光时间选取的偏长,则辐射剂量偏高,不但会导致图像过曝光,还会对患者健康造成伤害。因此,对于乳腺机设备来讲,曝光时间的选择十分重要,既要有足够的辐射剂量以保证图像质量,又不能剂量过高而对人体造成不必要的伤害。
实际上,不同患者的乳腺,其特征也不相同,包括乳腺面积大小、乳腺类型(比如脂肪型、致密型等)等方面的不同。然而,现有乳腺机设备的自动曝光方法中,没有考虑乳腺腺体细节部分,从而没有使图像在合适的剂量下曝光,进而无法使乳腺中最重要的腺体部分呈现出良好的图像质量。例如,临床数据表明,检查病例中小而致密的乳腺比例很高,然而致密型的图像经常存在曝光不足的问题,具体体现在腺体与非腺体之间的对比度差、图像噪声大、腺体细节信息无法准确体现等,但是现有曝光方法并没有对致密型图像进行特殊考虑;又例如,某些腺体与其它部分之间的对比度均较低,这种图像也存在曝光不足的问题。
为解决上述现有缺陷,本申请实施例提供了一种乳腺机设备的曝光方法,本申请需要进行二次曝光,即,在整个曝光过程中拍摄两幅图像,第一幅图像是在小剂量条件下拍摄的,称为预曝光图像,第二幅图像是通过分析预曝光图像的图像信息后设置合适曝光剂量下拍摄的,称为正式曝光图像,具体来讲,通过考虑预曝光图像中腺体部分的具体内容信息,以对每个患者的腺体情况进行具体问题具体分析,根据分析结果设置适合每一患者乳腺的正式曝光时间,从而使正式曝光图像呈现出较好的图像质量。
参见图1,为本申请实施例提供的一种乳腺机设备的曝光方法的流程示意图,该方法包括以下步骤:
S101:对待曝光乳腺进行预曝光,得到预曝光图像。
当乳腺机设备的操作者比如医生,使用乳腺机设备对患者乳腺进行预曝光时,乳腺机设备可以根据患者乳腺的具体情况,自动设置预曝光的曝光参数(包括球管的管电压、管电流、预曝光时间),并采用设置的曝光参数对患者乳腺进行预曝光,从而得到一幅预曝光图像。
S102:将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点。
索贝尔算子(Sobel operator)主要用于获得数字图像的一阶梯度,在技术上,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值,在所述预曝光图像的任何一个像素点使用此算子,将会产生该像素点对应的梯度矢量或是其法矢量。
在本实施例中,可以利用Sobel算子计算预曝光图像腺体部分的梯度幅值均值,由于不同患者的预曝光图像具有不同的腺体特征,因此,将Sobel算子应用于不同的预曝光图像时,不同预曝光图像的腺体部分对应的梯度幅值图像也将不同,也就是说,梯度幅值图像可以反映预曝光图像中乳腺腺体的特征。基于以上原因,本实施例可以计算预曝光图像中腺体部分的梯度幅值均值,利用梯度幅值均值来区分不同患者的腺体特征。
此外,由于不同患者的乳腺具有不同的腺体含量,因此,还可以计算预曝光图像中腺体部分的所有像素点占预曝光图像乳腺区域中的所有像素点的百分比,为便于描述,后续内容将计算得到的百分比称为腺体百分比,利用预曝光图像的腺体百分比可以反映对应患者乳腺的腺体含量。
可见,本实施例中引入预曝光图像的梯度幅值均值和腺体百分比,可以区分不同预曝光图像的腺体特征。另外,本步骤S102的具体实施方式将在本文后续内容中介绍。
S103:根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间。
通常情况下,不同的预曝光图像,其对应的梯度幅值均值和腺体百分比也将不同,也即对应的腺体特征不同,因此,可以基于本次预曝光图像独有的腺体特征,设置合适的正式曝光时间,这样可以使正式曝光图像的腺体部分呈现出较好的图像质量。
另外,本步骤S103的具体实施方式将在本文后续内容中介绍。
S104:采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
根据管电压、管电流以及步骤S103确定的正式曝光时间,对患者乳腺进行正式曝光,从而得到正式曝光图像。
综上,本实施例提供的一种乳腺机设备的曝光方法,首先对待曝光乳腺进行预曝光,得到预曝光图像;再计算预曝光图像中腺体部分的梯度幅值均值、并计算预曝光图像中腺体部分的所有像素点占预曝光图像中所有像素点的百分比,以利用梯度幅值均值和腺体百分比来反映预曝光图像的腺体特征;然后,根据梯度幅值均值和腺体百分比,确定对待曝光乳腺的正式曝光时间;由于设置正式曝光时间时,考虑了乳腺腺体的特征,因此,当采用所述正式曝光时间对待曝光乳腺进行曝光时,正式曝光图像中的腺体部分将呈现出较好的图像质量。
进一步地,可以在步骤S101之后,对所述预曝光图像进行前景分割,得到包含所述待曝光乳腺的前景图像;然后,判断该前景图像的面积是否大于预设面积阈值;若是,则继续步骤S102;若否,则说明前景图像中乳腺部分的图像面积较小,导致乳腺部分密度较高,从而需要较高的曝光剂量来提高正式曝光图像的腺体呈现质量,因此,乳腺机设备可以采用预设正式曝光时间进行正式曝光,其中,该预设正式曝光时间大于预曝光时间。可见,当患者乳腺面积较小时,通过采用较长的正式曝光时间来提高曝光剂量,可以提升图像曝光质量。
下面对步骤S102的具体实现方式进行介绍。
在本实施例中,可以先找到预曝光图像中包含腺体的所有区域,再利用腺体区域的最大内接矩形来计算图像的梯度幅值均值,因此,如图2所示,步骤S102中的“计算所述对象图像中腺体部分的梯度幅值均值”,具体可以包括S1021-S1023:
S1021:确定所述对象图像中的腺体区域,其中,所述对象图像即为S101中的预曝光图像。
在本申请的一种实施方式中,S1021具体可以包括步骤A-C:
步骤A:对所述对象图像进行前景分割,得到前景图像。
乳腺机设备的某些部件,因其位置原因可能会对预曝光图像产生干扰,其结果是在预曝光图像中形成背景干扰图像,因此,可以对预曝光图像进行前景分割,得到预曝光图像中的前景图像,该前景图像中只包括乳腺图像。具体地,由于乳腺区域是预曝光图像中的最大闭合区域,因此,为防止背景干扰,可以从预曝光图像中找到面积最大的闭合区域,并将该闭合区域的边界线作为乳腺区域的外边界线,这样便可以从预曝光图像中分割出只包括乳腺区域的前景图像,例如,参见图3和图4所示的预曝光图像示意图,图中白色边界线形成的闭合区域即为前景图像。
步骤B:从所述前景图像中选取一个腺体基准点,其中,所述腺体基准点为乳腺像素点。
由于前景图像中乳腺的拍摄方式分为正位拍摄和侧位拍摄,因此,需要确定该前景图像是正位图像还是侧位图像,从而基于不同的图像类型采用不同的方式选取腺体基准点。
在本实施例中,步骤B具体可以包括步骤B1-B3:
步骤B1:确定所述前景图像的图像类型。
在本步骤中,具体可以从所述前景图像的左上方选取预设大小的区域图像;判断所述区域图像的灰度均值是否小于预设灰度值,若是,则确定所述前景图像为正位图像,若否,则确定所述前景图像为侧位图像。
例如,参见图3和图4,图3为采用正位拍摄方式得到的预曝光图像,图4为采用侧位拍摄方式得到的预曝光图像,其中,图3(左)和图4(左)中的白色区域即为经前景分割后得到的乳腺图像,需要说明的是,经前景分割后,图3(左)和图4(左)中黑色背景区域的像素灰度值全部为0。
这两种前景图像的区别在于,图4(左)左上角区域内的乳腺区域多于图3(左)左上角区域内的乳腺区域,基于此,在判断某前景图像是正位图像还是侧位图像时,可以选择该前景图像左上方的一个区域,比如左上方5×5大小的区域,如果该区域内包含更多的属于乳腺的像素点,则该区域的灰度值就越大,因此,可以设置一个合理的灰度阈值w1以适用各个前景图像,即,当前景图像为正位图像时,使左上预设区域的灰度均值小于w1,当前景图像为侧位图像时,使左上预设区域的灰度均值大于或等于w1。这样,在判断本申请前景图像的图像类型时,可以判断该前景图像的左上预设区域的灰度均值是否小于某灰度阈值w1,如果小于w1,则确定该前景图像为正位图像,否则为侧位图像。
步骤B2:当所述图像类型为正位图像时,从所述前景图像的中间区域找到灰度值最小的一个像素点作为腺体基准点。
如图3(右)所示的正位图像,可以在图中乳腺部分的中间区域,比如乳头所在行的上下各5行,找到灰度值最小的点作为腺体基准点。这是因为,在乳腺曝光图像中,与非乳腺腺体的灰度值相比,乳腺腺体的灰度值更小,且灰度值越小的点越可能是腺体上的像素点,因此,选择灰度值最小的像素点通常就是乳腺腺体上的一个像素点。
步骤B3:当所述图像类型为侧位图像时,定位所述前景图像中位于皮肤线上的最上像素点和最下像素点;从目标直线上选取与所述皮肤线垂直距离最大的像素点作为腺体基准点,其中,所述目标直线为所述最上像素点与所述最下像素点的连线。
如图4(右)所示的侧位图像,白色线为患者的皮肤线,将皮肤线上的最上像素点P1和最下像素点P2连成一条直线,再在这条直线上找到与皮肤线垂直距离最大的像素点P3(即两条灰线的交点),可以将该像素点P3作为腺体基准点。这是因为,由于侧位图像本身的特点,像素点P3通常就是乳腺腺体上的一个像素点。
步骤C:以所述腺体基准点为中心找到所述前景图像中的腺体区域。
在本实施例中,可以以所述腺体基准点为中心,采用区域生长法找到所述前景图像中的腺体区域。
S1022:确定所述腺体区域的最大内接矩形。
S1023:计算所述最大内接矩形内的图像的梯度幅值均值。
在本实施例中,可以利用腺体区域的最大内接矩形来计算图像梯度,具体地,将腺体区域的最大内接矩形所框选的图像,分别沿着X方向和Y方向与Sobel算子进行卷积,得到两个方向上的梯度,之后求两个方向的梯度和,分别记为Fx、Fy和FG,计算公式如下:
其中,Fx表示X方向上的梯度;
Fy表示Y方向上的梯度;
I表示所述最大内接矩形内的腺体图像;
hSobel为Sobel算子;
FG即为最大内接矩形内腺体部分对应的梯度幅值图像。
接下来,可以将梯度幅值图像中各个像素点的梯度矢量值取均值,从而得到梯度幅值均值;为了保证梯度幅值均值的准确性,还可以将梯度幅值图像中各个像素点的梯度矢量值,按照值的大小由大到小排序,去掉排序在前和/或排序在后的各一部分像素点,比如,所述一部分像素点可以是总像素点的10%,然后将剩下像素点的梯度矢量值取均值,从而得到梯度幅值均值。
此外,步骤S102中的“计算第一腺体点集合占第二腺体点集合的百分比”,具体可以包括:以所述腺体基准点为中心点,用区域生长法找到所有的腺体点,然后计算所有腺体点占前景图像所有像素点的百分比,从而得到预曝光图像的腺体百分比。
下面对步骤S103的具体实现方式进行介绍。
如图5所示,在本申请的一种实施方式中,步骤S103中的“根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间”具体可以包括S1031-S1033:
S1031:根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级。
通过对大量乳腺图像的观察,可以将图像腺体的呈现质量分为多个不同等级,比如10个不同等级。例如,图6给出了不同质量等级的乳腺图像,由于预曝光图像的清晰度通常比较差,为了更明显的看出不同图像质量等级的乳腺图像之间的区别,图6示出的乳腺图像中包括了正常曝光的乳腺图像,其中,图6(a)至图6(d)的图像质量依次升高,各个图像被赋予的图像质量等级得分也依次升高,假设图像质量等级得分范围是[1,10],则图6(a)的图像质量等级得分为1,图6(b)的图像质量等级得分为4,图6(c)的图像质量等级得分为6,图6(d)的图像质量等级得分为8。
在本实施例中,可以预先训练出分类模型,为便于描述,本实施例将训练生成的分类模型称为目标分类器,以便利用目标分类器确定所述预曝光图像的图像质量等级(即步骤S1031)。
下面对所述目标分类器的构建方法进行介绍,具体可以包括步骤D和F。
步骤D:获得样本图像,并形成样本图像集。
可以从已有的乳腺曝光图像中选出n幅图像,每一幅图像即为一幅样本图像,这些样本图像形成了所述样本图像集,其中,所述样本图像集中的样本图像可以全部是预曝光图像,也可以部分是预曝光图像、部分是正式曝光图像。为了能够训练出分类结果更为准确的目标分类器,样本图像的数量n应尽量多比如n=500,并且这些样本图像的腺体呈现质量应涉及各个等级比如10种图像质量等级,并且不同图像质量等级的样本图像数量应尽量均匀。
步骤E:将样本图像集中的每一样本图像分别作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,得到包含梯度幅值均值和百分比的样本特征。
需要说明的是,本步骤E与上述步骤S102一样,均需要计算所述对象图像对应的梯度幅值均值和腺体百分比,区别在于,本步骤E中的所述对象图像是样本图像,上述步骤S102中的所述对象图像是所述待曝光乳腺的预曝光图像,因此,本步骤E中“计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比”的具体实现方式请参见上述步骤S102的相关介绍,只要将步骤S102的所述对象图像更替为样本图像即可,在此不再赘述。
这样,每一样本图像便具有了自己的样本特征,该样本特征包括样本图像对应的梯度幅值均值和腺体百分比。进一步地,每一样本图像对应的样本特征还可以包括拍摄条件,即拍摄样本图像采用的压迫力、压迫厚度和滤过(用0和1区分不同材质的两种滤过)。
步骤F:利用每一所述样本图像对应的样本特征、以及每一所述样本图像被预先赋予的图像质量等级,训练得到包括N种分类类别的目标分类器,其中,所述N种分类类别包括N种不同的图像质量等级,N≥2。
在本实施例中,首先生成特征矩阵和标签矩阵,具体地:
可以利用各个样本图像的样本特征构成一特征矩阵x={x1,x2,x3,...,xn},其中,n为所述样本图像集中的样本图像总数,xi代表第i幅样本图像的特征。例如,若各个样本图像的样本特征包括梯度幅值均值、腺体百分比、压迫力、压迫厚度和滤过这5个特征,则xi={xi1,xi2,xi3,xi4,xi5}。
可以按照上述图像质量等级得分的方式,人为设定N种等级得分,比如整数1~10共10种等级得分,并人为设定每一样本图像的等级得分,将样本图像的等级得分作为该样本图像的标签,这样,上述特征矩阵x={x1,x2,x3,...,xn}对应的标签矩阵即为y={y1,y2,y3,...,yn},其中,yi代表第i幅样本图像的等级得分。
然后,利用特征矩阵x={x1,x2,x3,...,xn}和标签矩阵y={y1,y2,y3,...,yn}训练分类模型,以生成所述目标分类器。当构造了所述目标分类器之后,便可以利用所述目标分类器确定预曝光图像的图像质量等级,因此,在本申请的一种实施方式中,步骤S1031具体可以包括:将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级,该图像质量等级即为步骤S101中所述预曝光图像的腺体质量等级。
更具体地,在本申请的一种实施方式中,所述目标分类器包括个子分类器,其中,所述子分类器的分类类别包括两种不同的图像质量等级,各个所述子分类器之间对应的分类类别组合均不同。
在本实施方式中,可以将N种分类类别(即N种图像质量等级)进行两两组合,共种组合方式,当每一子分类器对应两个不同类别时,需要构造个子分类器。为此,可以利用所述样本图像集的特征矩阵和标签矩阵进行模型训练,以构造每一子分类器,使得每一子分类器可以将待分类图像识别为对应类别组合中的一种类别。
例如,可以构造个支持向量机(Support Vector Machine,简称SVM)分类器,具体地,假设包括10种图像质量等级,那么,利用x={x1,x2,x3,...,xn}和y={y1,y2,y3,...,yn}可以构造个SVM分类器,每个SVM分类器的计算公式如下所示:
yi(wTxi+b)≥1-ξi,ξi≥0;
其中,w和b是分类超平面的参数,ξ是误差项,构造SVM分类器就是求出以上公式中的w、b和ξ,这样,每组w和b即定义了一分类超平面,也即构造出了一个SVM分类器。
当构造了个子分类器之后,便可以利用各个子分类器确定预曝光图像的图像质量等级,因此,在本申请的一种实施方式中,上述步骤S1031的具体实施方式可以包括步骤G-I:
步骤G:将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入,获取每一所述子分类器输出的图像质量等级。
例如,可以将预曝光图像的梯度幅值均值和腺体百分比(还可以进一步包括拍摄条件)作为特征x分别带入已训练好的个SVM分类器,每一个SVM分类器根据以下公式分别判断所述预曝光图像的所属类别:
其中,i∈[1,N],j∈[1,N],i≠j,wij和bij为分类超平面的参数,yij表示分类类别包括第i种图像质量等级和第j种图像质量等级。
步骤H:统计输出次数最高的图像质量等级。
将预曝光图像的特征x分别带入个SVM分类器,对于每一SVM分类器的输出结果yij,若yij=1,则特征x对应于第i种图像质量等级,将该等级的输出次数累计1次,若yij=0,则特征x对应于第j种图像质量等级,将该等级的输出次数累计1次。这样,每一图像质量等级将对应一个累计总次数,可以从中找出累计总数最高的图像质量等级。
步骤I:根据统计结果确定所述预曝光图像的图像质量等级。
当统计累计总数最高的图像质量等级时,存在两种统计结果,可以根据不同的统计结果做出不同的处理方式,具体地:
方式一:若统计结果只包括一种图像质量等级,则将该图像质量等级作为所述预曝光图像的图像质量等级。
例如,假设有N=10种图像质量等级,分别为等级1、等级2、……、等级10,则共有个子分类器,当利用各个子分类器对预曝光图像进行分类后,统计每一子分类器输出的图像质量等级,并将每一图像质量等级的输出次数进行累加。如果只有等级2对应的累加总数最多,则预曝光图像的图像质量等级为等级2。
方式二:若统计结果包括至少两种图像质量等级,则从所述个子分类器中,选取所述至少两种图像质量等级的两两分类组合对应的子分类器;继续执行步骤G,直至所述统计结果只包括一种图像质量等级时,将该图像质量等级作为所述预曝光图像的图像质量等级。
继续方式一中的例子,如果有至少两种图像质量等级的累加次数最多且相同,比如等级2、等级3和等级4的累加总数均为3,可以从个子分类器中找到3个子分类器,分别为:分类结果为等级2或等级3的子分类器y23、分类结果为等级2或等级4的子分类器y24、以及分类结果为等级3或等级4的子分类器y34;然后,利用子分类器y23、子分类器y24和子分类器y34分别对预曝光图像进行分类,并统计等级2、等级3和等级4中输出次数最高的等级,循环上述步骤,直至只统计出一个输出次数最高的等级为止,并将该等级作为预曝光图像的图像质量等级。
S1032:根据所述预曝光图像的图像质量等级确定预设灰度值,所述预设灰度值为所述正式曝光图像的期望灰度值。
理想乳腺图像有一个标准的预设灰度(即预期达到的理想灰度),比如600,但是,由于不同预曝光图像的质量通常不同,对于预设灰度的要求也应不同。具体地,参见本申请背景技术中的介绍,由于对患者乳腺的正式曝光时间t2=k*t1,其中,k=G2/G1,G1为平均灰度,G2为预设灰度,t1为拍摄预曝光图像所使用的曝光时间。通常情况下,当预曝光图像质量较差时,希望正式曝光时间t2相比于预曝光时间更长一些,为此,可以将预设灰度G2设置的大一些,这样才能更好地保证正式曝光图像的质量,反之,将预设灰度G2设置的小一些,这样才能在保证正式曝光图像的质量的同时,尽量降低辐射对人体的伤害。
基于上述内容,本实施例可以预先为不同预曝光图像的图像质量等级设定不同的预设灰度值,并建立每一图像质量等级与对应预设灰度值之间的关联关系。
例如,假设上述标准预设灰度600可接受的权重变化范围在0.8~1.5之间,则预设灰度的取值范围为480~800。可基于实际经验,根据不同预曝光图像的图像质量等级确定合适的预设灰度值,使得基于该预设灰度值进行的正式曝光图像具有较好的质量,比如,要求图像质量等级得分为1的图像的预设灰度权重为1.5、图像质量等级得分为5的图像的预设灰度权重为1、图像质量等级得分为10的图像的预设灰度权重为0.8,等等,可以基于以上几种图像质量等级得分与预设灰度权重之间的对应关系,根据多项式拟合的方式把图像质量等级得分与预设灰度权重之间的函数f给拟合出来。
如图7所示的函数f的曲线示意图,其中,横坐标从左到右代表图像质量等级得分逐渐增大,图像质量等级范围是1~10;纵坐标从下到上代表预设灰度权重值逐渐增大,预设灰度的权重范围是0.8~1.5。当图像质量等级得分是5时(图4中虚线处时),标准的预设灰度600就可以使图像达到理想的效果,但当图像质量等级得分低于5时,则需要增大预设灰度值来保证图像的质量;同样的,当图像质量等级得分高于5时,可以适当减小预设灰度值,这样可以在正式曝光图像的腺体显示效果满足要求的情况下,降低患者受到的辐射伤害。
当确定了所述预曝光图像的图像质量等级后,可以基于函数f查询该等级得分对应的预设灰度权重值Y,继而根据权重范围0.8~1.5与预设灰度取值范围为480~800之间的对应关系,获取权重值Y对应的预设灰度值G2。
S1033:根据所述预设灰度值确定对所述待曝光乳腺的正式曝光时间。
获取到预设灰度值G2后,计算出所述预曝光图像腺体部分的平均灰度G1,然后计算曝光系数k=G2/G1,利用公式t2=k*t1计算对所述待曝光乳腺的正式曝光时间t2,其中,t1是拍摄所述预曝光图像所使用的曝光时间。
参见图8,为本申请实施例提供的一种乳腺机设备的组成示意图,该乳腺机设备800包括:
乳腺预曝光单元801,用于对待曝光乳腺进行预曝光,得到预曝光图像;
腺体信息获取单元802,用于将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
曝光时间确定单元803,用于根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
乳腺正式曝光单元804,用于采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
在本申请的一种实施方式中,所述曝光时间确定单元803可以包括:
图像等级确定子单元,用于根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级;
预设灰度确定子单元,用于根据所述预曝光图像的图像质量等级确定预设灰度值,所述预设灰度值为所述正式曝光图像的期望灰度值;
曝光时间确定子单元,用于根据所述预设灰度值确定对所述待曝光乳腺的正式曝光时间。
在本申请的一种实施方式中,所述腺体信息获取单元802,还用于获得样本图像,并形成样本图像集;将所述样本图像集中的每一样本图像分别作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,得到包含梯度幅值均值和百分比的样本特征;
所述乳腺机设备800还可以包括分类器训练单元,用于利用每一所述样本图像对应的样本特征、以及每一所述样本图像被预先赋予的图像质量等级,训练得到包括N种分类类别的目标分类器,其中,所述N种分类类别包括N种不同的图像质量等级,N≥2;
则,所述图像等级确定子单元,具体可以用于将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级。
在本申请的一种实施方式中,所述腺体信息获取单元802可以包括:
腺体区域确定子单元,用于确定所述对象图像中的腺体区域;
内接矩形确定子单元,用于确定所述腺体区域的最大内接矩形;
梯度均值计算子单元,用于计算所述最大内接矩形内的图像的梯度幅值均值。
在本申请的一种实施方式中,所述腺体区域确定子单元可以包括:
前景图像分割模块,用于对所述对象图像进行前景分割,得到前景图像;
基准点选取模块,用于从所述前景图像中选取一个腺体基准点,所述腺体基准点为乳腺像素点;
腺体区域确定模块,用于以所述腺体基准点为中心找到所述前景图像中的腺体区域。
在本申请的一种实施方式中,所述基准点选取模块可以包括:
图像类型确定子模块,用于确定所述前景图像的图像类型;
基准点选取子模块,用于当所述图像类型为正位图像时,从所述前景图像的中间区域找到灰度值最小的一个像素点作为腺体基准点;当所述图像类型为侧位图像时,定位所述前景图像中位于皮肤线上的最上像素点和最下像素点;从所述皮肤线上选取与目标直线垂直距离最大的像素点作为腺体基准点,其中,所述目标直线为所述最上像素点与所述最下像素点的连线。
在本申请的一种实施方式中,所述图像类型确定子模块,具体可以用于从所述前景图像的左上方选取预设大小的区域图像;判断所述区域图像的灰度均值是否小于预设灰度值,若是,则确定所述前景图像为正位图像,若否,则确定所述前景图像为侧位图像。
在本申请的一种实施方式中,所述目标分类器包括个子分类器,其中,所述子分类器的分类类别包括两种不同的图像质量等级,各个所述子分类器之间对应的分类类别组合均不同;所述图像等级确定子单元可以包括:
质量等级获取模块,用于将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入,获取每一所述子分类器输出的图像质量等级;
等级次数统计模块,用于统计输出次数最高的图像质量等级;
第一等级确定模块,用于若统计结果只包括一种图像质量等级,则将该图像质量等级作为所述预曝光图像的图像质量等级;
第二等级确定模块,用于若统计结果包括至少两种图像质量等级,则从所述个子分类器中,选取所述至少两种图像质量等级的两两分类组合对应的子分类器;触发所述质量等级获取模块,直至所述第一等级确定模块输出所述预曝光图像的图像质量等级为止。
图8所对应实施例中特征的说明可以参见图1所对应实施例的相关说明,这里不再一一赘述。
参见图9,为本申请实施例提供的一种乳腺机设备的硬件结构示意图,所述乳腺机设备900包括存储器901和接收器902,以及分别与所述存储器901和所述接收器902连接的处理器903,所述存储器901用于存储一组程序指令,所述处理器903用于调用所述存储器901存储的程序指令执行如下操作:
对待曝光乳腺进行预曝光,得到预曝光图像;
将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级;
根据所述预曝光图像的图像质量等级确定预设灰度值,所述预设灰度值为所述正式曝光图像的期望灰度值;
根据所述预设灰度值确定对所述待曝光乳腺的正式曝光时间。
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
获得样本图像,并形成样本图像集;将所述样本图像集中的每一样本图像分别作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,得到包含梯度幅值均值和百分比的样本特征;
利用每一所述样本图像对应的样本特征、以及每一所述样本图像被预先赋予的图像质量等级,训练得到包括N种分类类别的目标分类器,其中,所述N种分类类别包括N种不同的图像质量等级,N≥2;
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级。
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
确定所述对象图像中的腺体区域,并确定所述腺体区域的最大内接矩形;
计算所述最大内接矩形内的图像的梯度幅值均值。
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
对所述对象图像进行前景分割,得到前景图像;
从所述前景图像中选取一个腺体基准点,所述腺体基准点为乳腺像素点;
以所述腺体基准点为中心找到所述前景图像中的腺体区域。
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
确定所述前景图像的图像类型;
当所述图像类型为正位图像时,从所述前景图像的中间区域找到灰度值最小的一个像素点作为腺体基准点;
当所述图像类型为侧位图像时,定位所述前景图像中位于皮肤线上的最上像素点和最下像素点;从所述皮肤线上选取与目标直线垂直距离最大的像素点作为腺体基准点,其中,所述目标直线为所述最上像素点与所述最下像素点的连线。
在本申请的一种实施方式中,所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
从所述前景图像的左上方选取预设大小的区域图像;
判断所述区域图像的灰度均值是否小于预设灰度值,若是,则确定所述前景图像为正位图像,若否,则确定所述前景图像为侧位图像。
在本申请的一种实施方式中,所述目标分类器包括个子分类器,其中,所述子分类器的分类类别包括两种不同的图像质量等级,各个所述子分类器之间对应的分类类别组合均不同;所述处理器903还用于调用所述存储器901存储的程序指令执行如下操作:
所述将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级,包括:
将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入,获取每一所述子分类器输出的图像质量等级;
统计输出次数最高的图像质量等级;
若统计结果只包括一种图像质量等级,则将该图像质量等级作为所述预曝光图像的图像质量等级;
若统计结果包括至少两种图像质量等级,则从所述个子分类器中,选取所述至少两种图像质量等级的两两分类组合对应的子分类器;继续执行所述将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入的步骤,直至所述统计结果只包括一种图像质量等级时,将该图像质量等级作为所述预曝光图像的图像质量等级。
在一些实施方式中,所述处理器903可以为中央处理器(CentralProcessingUnit,CPU),所述存储器901可以为随机存取存储器(Random Access Memory,RAM)类型的内部存储器,所述接收器902可以包含普通物理接口,所述物理接口可以为以太(Ethernet)接口或异步传输模式(Asynchronous Transfer Mode,ATM)接口。所述处理器903、接收器902和存储器901可以集成为一个或多个独立的电路或硬件,如:专用集成电路(Application Specific Integrated Circuit,ASIC)。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种乳腺机设备的曝光方法,其特征在于,包括:
对待曝光乳腺进行预曝光,得到预曝光图像;
将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间,包括:
根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级;
根据所述预曝光图像的图像质量等级确定预设灰度值,所述预设灰度值为所述正式曝光图像的期望灰度值;
根据所述预设灰度值确定对所述待曝光乳腺的正式曝光时间。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获得样本图像,并形成样本图像集;
将所述样本图像集中的每一样本图像分别作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,得到包含梯度幅值均值和百分比的样本特征;
利用每一所述样本图像对应的样本特征、以及每一所述样本图像被预先赋予的图像质量等级,训练得到包括N种分类类别的目标分类器,其中,所述N种分类类别包括N种不同的图像质量等级,N≥2;
则,所述根据所述预曝光图像对应的梯度幅值均值和百分比,确定所述预曝光图像的图像质量等级,包括:
将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述计算所述对象图像中腺体部分的梯度幅值均值,包括:
确定所述对象图像中的腺体区域,并确定所述腺体区域的最大内接矩形;
计算所述最大内接矩形内的图像的梯度幅值均值。
5.根据权利要求4所述的方法,其特征在于,所述确定所述对象图像中的腺体区域,包括:
对所述对象图像进行前景分割,得到前景图像;
从所述前景图像中选取一个腺体基准点,所述腺体基准点为乳腺像素点;
以所述腺体基准点为中心找到所述前景图像中的腺体区域。
6.根据权利要求5所述的方法,其特征在于,所述从所述前景图像中选取一个腺体基准点,包括:
确定所述前景图像的图像类型;
当所述图像类型为正位图像时,从所述前景图像的中间区域找到灰度值最小的一个像素点作为腺体基准点;
当所述图像类型为侧位图像时,定位所述前景图像中位于皮肤线上的最上像素点和最下像素点;从所述皮肤线上选取与目标直线垂直距离最大的像素点作为腺体基准点,其中,所述目标直线为所述最上像素点与所述最下像素点的连线。
7.根据权利要求6所述的方法,其特征在于,所述确定所述前景图像的图像类型,包括:
从所述前景图像的左上方选取预设大小的区域图像;
判断所述区域图像的灰度均值是否小于预设灰度值,若是,则确定所述前景图像为正位图像,若否,则确定所述前景图像为侧位图像。
8.根据权利要求3所述的方法,其特征在于,所述目标分类器包括个子分类器,其中,所述子分类器的分类类别包括两种不同的图像质量等级,各个所述子分类器之间对应的分类类别组合均不同;
所述将所述预曝光图像对应的梯度幅值均值和百分比作为所述目标分类器的输入,获取所述目标分类器输出的图像质量等级,包括:
将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入,获取每一所述子分类器输出的图像质量等级;
统计输出次数最高的图像质量等级;
若统计结果只包括一种图像质量等级,则将该图像质量等级作为所述预曝光图像的图像质量等级;
若统计结果包括至少两种图像质量等级,则从所述个子分类器中,选取所述至少两种图像质量等级的两两分类组合对应的子分类器;继续执行所述将所述预曝光图像对应的梯度幅值均值和百分比作为每一所述子分类器的输入的步骤,直至所述统计结果只包括一种图像质量等级时,将该图像质量等级作为所述预曝光图像的图像质量等级。
9.一种乳腺机设备,其特征在于,包括:
乳腺预曝光单元,用于对待曝光乳腺进行预曝光,得到预曝光图像;
腺体信息获取单元,用于将所述预曝光图像作为对象图像,计算所述对象图像中腺体部分的梯度幅值均值、并计算第一腺体点集合占第二腺体点集合的百分比,其中,所述第一腺体点集合包括所述对象图像中腺体部分的所有像素点,所述第二腺体点集合包括所述对象图像中乳腺区域的所有像素点;
曝光时间确定单元,用于根据所述预曝光图像对应的梯度幅值均值和百分比,确定对所述待曝光乳腺的正式曝光时间;
乳腺正式曝光单元,用于采用所述正式曝光时间对所述待曝光乳腺进行曝光,得到正式曝光图像。
10.一种乳腺机设备,其特征在于,包括:处理器、存储器、系统总线
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666950.1A CN107569248B (zh) | 2017-08-07 | 2017-08-07 | 一种乳腺机设备的曝光方法及乳腺机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666950.1A CN107569248B (zh) | 2017-08-07 | 2017-08-07 | 一种乳腺机设备的曝光方法及乳腺机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107569248A true CN107569248A (zh) | 2018-01-12 |
CN107569248B CN107569248B (zh) | 2020-09-11 |
Family
ID=61035126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710666950.1A Active CN107569248B (zh) | 2017-08-07 | 2017-08-07 | 一种乳腺机设备的曝光方法及乳腺机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107569248B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765421A (zh) * | 2018-05-30 | 2018-11-06 | 上海联影医疗科技有限公司 | 乳房医学图像处理方法、装置和aec曝光参数获取方法 |
CN109875588A (zh) * | 2019-01-07 | 2019-06-14 | 深圳康桥软件技术有限公司 | 一种乳腺x射线成像曝光剂量调整方法 |
CN111212241A (zh) * | 2020-01-13 | 2020-05-29 | 禾多科技(北京)有限公司 | 基于图像梯度和熵融合的高速自动驾驶自动曝光控制方法 |
CN112137634A (zh) * | 2020-09-24 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种x射线成像方法、装置、设备和介质 |
CN112689100A (zh) * | 2020-12-25 | 2021-04-20 | 北京灵汐科技有限公司 | 图像检测方法、装置、设备和存储介质 |
WO2021114039A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳圣诺医疗设备股份有限公司 | 基于蒙版的自动曝光控制方法、装置、存储介质和电子设备 |
CN114785963A (zh) * | 2022-06-22 | 2022-07-22 | 武汉市聚芯微电子有限责任公司 | 一种曝光控制方法,终端及存储介质 |
US11475569B2 (en) | 2018-05-30 | 2022-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
US11928816B2 (en) | 2019-02-25 | 2024-03-12 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, and system, electronic device, and storage medium |
-
2017
- 2017-08-07 CN CN201710666950.1A patent/CN107569248B/zh active Active
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475569B2 (en) | 2018-05-30 | 2022-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN108765421A (zh) * | 2018-05-30 | 2018-11-06 | 上海联影医疗科技有限公司 | 乳房医学图像处理方法、装置和aec曝光参数获取方法 |
CN108765421B (zh) * | 2018-05-30 | 2021-01-12 | 上海联影医疗科技股份有限公司 | 乳房医学图像处理方法、装置和aec曝光参数获取方法 |
EP3785222B1 (en) * | 2018-05-30 | 2024-04-17 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN109875588A (zh) * | 2019-01-07 | 2019-06-14 | 深圳康桥软件技术有限公司 | 一种乳腺x射线成像曝光剂量调整方法 |
US11928816B2 (en) | 2019-02-25 | 2024-03-12 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, and system, electronic device, and storage medium |
WO2021114039A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳圣诺医疗设备股份有限公司 | 基于蒙版的自动曝光控制方法、装置、存储介质和电子设备 |
CN111212241A (zh) * | 2020-01-13 | 2020-05-29 | 禾多科技(北京)有限公司 | 基于图像梯度和熵融合的高速自动驾驶自动曝光控制方法 |
CN111212241B (zh) * | 2020-01-13 | 2021-06-18 | 禾多科技(北京)有限公司 | 基于图像梯度和熵融合的高速自动驾驶自动曝光控制方法 |
CN112137634A (zh) * | 2020-09-24 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种x射线成像方法、装置、设备和介质 |
CN112689100B (zh) * | 2020-12-25 | 2022-08-02 | 北京灵汐科技有限公司 | 图像检测方法、装置、设备和存储介质 |
CN112689100A (zh) * | 2020-12-25 | 2021-04-20 | 北京灵汐科技有限公司 | 图像检测方法、装置、设备和存储介质 |
CN114785963B (zh) * | 2022-06-22 | 2022-09-30 | 武汉市聚芯微电子有限责任公司 | 一种曝光控制方法,终端及存储介质 |
CN114785963A (zh) * | 2022-06-22 | 2022-07-22 | 武汉市聚芯微电子有限责任公司 | 一种曝光控制方法,终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107569248B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107569248A (zh) | 一种乳腺机设备的曝光方法及乳腺机设备 | |
US20230410495A1 (en) | Tooth detection and labeling | |
US8433121B2 (en) | Method for brightness level calculation in the area of interest of the digital X-ray image for medical applications | |
Zhou et al. | Computerized image analysis: estimation of breast density on mammograms | |
CN112215117A (zh) | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN108229509A (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110929617B (zh) | 一种换脸合成视频检测方法、装置、电子设备及存储介质 | |
CN107832802A (zh) | 基于人脸比对的人脸图像质量评价方法及装置 | |
CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN110136829A (zh) | 乳腺钼靶图像的辅助诊断方法、装置、系统及介质 | |
CN110321968B (zh) | 一种超声图像分类装置 | |
CN109344869A (zh) | 一种分类模型优化方法、装置及存储设备、程序产品 | |
CN109416749A (zh) | 一种图像的灰阶分类方法、装置以及可读存储介质 | |
CN109255786B (zh) | 一种检测骨龄的方法及装置 | |
US11263494B2 (en) | Classification device, classification method, program, and information recording medium | |
CN107951500A (zh) | 用于成像方法的拍摄参数的确定 | |
CN106898011A (zh) | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 | |
CN110400307A (zh) | 一种基于区域差异的屏幕图像质量评估方法 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111666872A (zh) | 一种数据不平衡下的高效行为识别方法 | |
KR20200073953A (ko) | 인공지능을 이용한 방사선 영상에서의 요추 영역 분석 방법, 이를 수행하기 위한 기록매체 및 장치 | |
CN110705391A (zh) | 一种基于人体图像识别方法的座位分配系统 | |
EP3637369A1 (en) | Deep learning-based kernel selection for scatter correction in x-ray imaging | |
Faure et al. | A Convolutional Neural Network for Dental Panoramic Radiograph Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: DongSoft Medical System Co., Ltd. Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
GR01 | Patent grant | ||
GR01 | Patent grant |