CN108154161A - 训练分类器的方法、确定受检对象体位的方法和医疗器械 - Google Patents

训练分类器的方法、确定受检对象体位的方法和医疗器械 Download PDF

Info

Publication number
CN108154161A
CN108154161A CN201611103097.4A CN201611103097A CN108154161A CN 108154161 A CN108154161 A CN 108154161A CN 201611103097 A CN201611103097 A CN 201611103097A CN 108154161 A CN108154161 A CN 108154161A
Authority
CN
China
Prior art keywords
image
grader
feature
detected object
pixel
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.)
Pending
Application number
CN201611103097.4A
Other languages
English (en)
Inventor
曾驰
黄玉起
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Shanghai Medical Equipment Ltd
Original Assignee
Siemens Shanghai Medical Equipment Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Shanghai Medical Equipment Ltd filed Critical Siemens Shanghai Medical Equipment Ltd
Priority to CN201611103097.4A priority Critical patent/CN108154161A/zh
Publication of CN108154161A publication Critical patent/CN108154161A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis

Abstract

本发明公开了一种训练分类器的方法、确定受检对象体位的方法和医疗器械。该训练分类器的方法包括：获取复数个红外或深度参考图像；从各图像中分离掉背景，得到相应的第二参考图像；归一化各第二参考图像的大小，使其具有一预设维度；提取各第二参考图像的特征向量；以所述特征向量训练所述分类器。本发明的训练分类器的方法、确定受检对象体位的方法和医疗器械自动、有效地确定受检对象的体位，因此提高了控制台上参数设置的用户友好性，并节省了用户的时间。

Description

训练分类器的方法、确定受检对象体位的方法和医疗器械
技术领域
本发明涉及医学成像，特别是受检对象的体位确定。
背景技术
受检对象的体位是CT定位像扫描的一个重要参数，决定着断层图像朝向的正确性并且最终影响临床诊断。当前，用户需要为每一次的断层扫描在控制台上设置体位，这是重复性并且单调的任务。
发明内容
有鉴于此，本发明提出了一种训练分类器的方法、确定受检对象体位的方法和医疗器械。
根据本发明的第一方面，提供一种训练一分类器的方法，包括：获取复数个红外或深度参考图像；从各图像中分离掉背景，得到相应的第二参考图像；归一化各第二参考图像的大小，使其具有一预设维度；提取各第二参考图像的特征向量；以所述特征向量训练所述分类器。
在一实施例中，所述提取各第二参考图像的特征向量包括：根据所述特征向量的维度将各第二参考图像分割为若干个子区域；以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
在一实施例中，所述以所述特征向量训练所述分类器包括通过一支持向量机训练所述分类器。
根据本发明的第二方面，提供一种确定一受检对象的体位的方法，包括：存储一分类器，所述分类器由上文所述的方法获得；获取所述受检对象的一红外或深度图像；从所述图像中分离掉背景，得到一第二图像；归一化所述第二图像的大小，使其具有一预设维度；提取所述第二图像的特征向量；以所述分类器识别所述特征，并确定所述受检对象的体位。
在一实施例中，所述提取所述第二图像的特征向量包括：根据所述特征向量的维度将所述第二图像分割为若干个子区域；以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
在一实施例中，所述以所述分类器识别所述特征包括通过一支持向量机识别所述特征。
根据本发明的第三方面，提供一种医疗器械，包括：一床板，其用于放置一受检对象；一存储器，其存储一分类器，所述分类器由上文所述的方法获得；一图像采集器，获取所述受检对象的一红外或深度图像；一分离单元，其从所述图像中分离掉背景，得到一第二图像；一归一单元，其归一化所述第二图像的大小，使其具有一预设维度；一特征提取单元，其提取所述第二图像的特征向量；一体位确定单元，其以所述分类器识别所述特征，并确定所述受检对象的体位。
在一实施例中，所述特征提取单元包括：一分割单元，根据所述特征向量的维度将所述第二图像分割为若干个子区域；一特征值确定单元，其以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
在一实施例中，所述特征是灰度。
在一实施例中，所述体位确定单元通过一支持向量机识别所述特征。
本发明的训练分类器的方法、确定受检对象体位的方法和医疗器械自动、有效地确定受检对象的体位，因此提高了控制台上参数设置的用户友好性，并节省了用户的时间。
附图说明
下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
图1为根据本发明的第一实施例的一医疗器械的示意图。
图2为图1的医疗器械的分割单元分割的第二图像的示意图。
图3为根据本发明的第二实施例的训练一分类器的方法和确定一受检对象的体位的方法的流程图。
在上述附图中，所采用的附图标记如下：
100 医疗器械 115 第二图像
102 机架 116 特征提取单元
104 检查床 118 体位确定单元
106 床板 120 存储器
108 受检对象 122 分割单元
110 图像采集器 124 特征值确定单元
112 分离单元 209、229 方法
S210、S212、S214、S216、S218、
114 归一单元 S220、S222、S224、S230、S232、 步骤
S234、S236、S238、S242、S244
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
图1为根据本发明的第一实施例的一医疗器械100的示意图。在本实施例中，医疗器械100是一CT。医疗器械100包括一机架102和一检查床104，检查床104具有一床板106，一受检对象108以一体位置于床板106上。受检对象108的体位可包括头先-仰卧、头先-俯卧、头先-右侧、头先-左侧、脚先-仰卧、脚先-俯卧、脚先-右侧、脚先-左侧等8个类型。医疗器械100还包括一存储器120、一图像采集器110、一分离单元112、一归一单元114、一特征提取单元116和一体位确定单元120。
存储器120存储一分类器，该分类器可由本发明的第二实施例所述的方法获得，下文将详细描述。
图像采集器110获取受检对象108的一红外或深度图像，其可安装于机架102上或一独立的支架上。
分离单元112从上述图像中分离掉背景，得到一第二图像115。对于红外图像而言，像素的灰度表示对象相应位置的温度。人体的温度处于一个狭窄的范围里，有别于检查床104及其床板106。因此，在本实施例中，可选择对应于体温的一个灰度范围，并滤除灰度值超出该范围的像素。
归一单元114归一化第二图像115的大小，使其具有一预设维度，例如200*600。
特征提取单元116提取第二图像115的特征向量。在本实施例中，特征提取单元116可包括一分割单元122和一特征值确定单元124。分割单元122根据特征向量的维度将第二图像分割为若干个子区域，例如M*N个。图2为图1的医疗器械100的分割单元122分割的第二图像115的示意图。特征值确定单元124以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值，各子区域中的像素的该特征可以是像素的灰度，该预设区间例如可以是对应于体温的一个灰度范围。
体位确定单元118以分类器识别上述特征，并确定受检对象108的体位。本实施例中，体位确定单元118通过一支持向量机识别特征。
图3为根据本发明的第二实施例的训练一分类器的方法229和确定一受检对象的体位的方法209的流程图。
训练分类器的方法229获得的分类器可存储于本发明的第一实施例的医疗器械100的存储器120上。该方法包括步骤S230、步骤S232、步骤S234、步骤S236和步骤S238。
步骤S230：获取复数个红外或深度参考图像。
步骤S232：从各图像中分离掉背景，得到相应的第二参考图像。对于红外图像而言，像素的灰度表示对象相应位置的温度。人体的温度处于一个狭窄的范围里，有别于检查床104及其床板106。因此，在本实施例中，可选择对应于体温的一个灰度范围，并滤除灰度值超出该范围的像素。
步骤S234：归一化各第二参考图像的大小，使其具有一预设维度，例如200*600。
步骤S236：提取各第二参考图像的特征向量。在本实施例中，步骤S236包括步骤S242和步骤S244。在步骤S242中，根据特征向量的维度将各第二参考图像分割为若干个子区域，例如M*N个。步骤S244以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值，各子区域中的像素的该特征可以是像素的灰度，该预设区间例如可以是对应于体温的一个灰度范围。
步骤S238：以该特征向量训练该分类器。在该步骤中，归一化后的各第二参考图像被打上体位标签。在本实施例中，体位标签包括头先-仰卧、头先-俯卧、头先-右侧、头先-左侧、脚先-仰卧、脚先-俯卧、脚先-右侧、脚先-左侧等8个。在本实施例中，可通过一支持向量机训练该分类器。
确定一受检对象的体位的方法209可用于确定本发明的第一实施例的受检对象108的体位。该方法包括步骤S220、步骤S210、步骤S212、步骤S214、步骤S216和步骤S218。
步骤S220：存储一分类器，所述分类器由方法229获得。
步骤S210：获取受检对象108的一红外或深度图像。
步骤S212：从上述图像中分离掉背景，得到一第二图像115。对于红外图像而言，像素的灰度表示对象相应位置的温度。人体的温度处于一个狭窄的范围里，有别于检查床104及其床板106。因此，在本实施例中，可选择对应于体温的一个灰度范围，并滤除灰度值超出该范围的像素。
步骤S214：归一化第二图像115的大小，使其具有一预设维度，例如200*600。
步骤S216：提取第二图像115的特征向量。在本实施例中，步骤S216可包括步骤S222和步骤S224。在步骤S222中，根据特征向量的维度将第二图像115分割为若干个子区域，例如M*N个。在步骤S224中，以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值，各子区域中的像素的该特征可以是像素的灰度，该预设区间例如可以是对应于体温的一个灰度范围。
步骤S218：以该分类器识别上述特征，并确定受检对象108的体位。在本实施例中，步骤S218通过一支持向量机识别上述特征。
本发明的训练分类器的方法、确定受检对象体位的方法和医疗器械自动、有效地确定受检对象的体位，因此提高了控制台上参数设置的用户友好性，并节省了用户的时间。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种训练一分类器的方法，包括：
获取复数个红外或深度参考图像；
从各图像中分离掉背景，得到相应的第二参考图像；
归一化各第二参考图像的大小，使其具有一预设维度；
提取各第二参考图像的特征向量；
以所述特征向量训练所述分类器。
2.如权利要求1所述的方法，其特征是，所述提取各第二参考图像的特征向量包括：
根据所述特征向量的维度将各第二参考图像分割为若干个子区域；
以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
3.如权利要求1所述的方法，其特征是，所述以所述特征向量训练所述分类器包括通过一支持向量机训练所述分类器。
4.一种确定一受检对象的体位的方法，包括：
存储一分类器，所述分类器由权利要求1至3中任一项所述的方法获得；
获取所述受检对象的一红外或深度图像；
从所述图像中分离掉背景，得到一第二图像；
归一化所述第二图像的大小，使其具有一预设维度；
提取所述第二图像的特征向量；
以所述分类器识别所述特征，并确定所述受检对象的体位。
5.如权利要求4所述的方法，其特征是，所述提取所述第二图像的特征向量包括：
根据所述特征向量的维度将所述第二图像分割为若干个子区域；
以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
6.如权利要求4所述的方法，其特征是，所述以所述分类器识别所述特征包括通过一支持向量机识别所述特征。
7.一种医疗器械(100)，包括：
一床板(106)，其用于放置一受检对象(108)；
一存储器(120)，其存储一分类器，所述分类器由权利要求1至3中任一项所述的方法获得；
一图像采集器(110)，其获取所述受检对象(108)的一红外或深度图像；
一分离单元(112)，其从所述图像中分离掉背景，得到一第二图像；
一归一单元(114)，其归一化所述第二图像的大小，使其具有一预设维度；
一特征提取单元(116)，其提取所述第二图像的特征向量；
一体位确定单元(120)，其以所述分类器识别所述特征，并确定所述受检对象(108)的体位。
8.如权利要求7所述的医疗器械，其特征是，所述特征提取单元(116)包括：
一分割单元(122)，其根据所述特征向量的维度将所述第二图像分割为若干个子区域；
一特征值确定单元(124)，其以各子区域中的像素的一特征处于一预设区间的像素点的数量作为相应的特征值。
9.如权利要求8所述的医疗器械，其特征是，所述特征是灰度。
10.如权利要求7所述的医疗器械，其特征是，所述体位确定单元(120)通过一支持向量机识别所述特征。
CN201611103097.4A 2016-12-05 2016-12-05 训练分类器的方法、确定受检对象体位的方法和医疗器械 Pending CN108154161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611103097.4A CN108154161A (zh) 2016-12-05 2016-12-05 训练分类器的方法、确定受检对象体位的方法和医疗器械

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611103097.4A CN108154161A (zh) 2016-12-05 2016-12-05 训练分类器的方法、确定受检对象体位的方法和医疗器械

Publications (1)

Publication Number Publication Date
CN108154161A true CN108154161A (zh) 2018-06-12

Family

ID=62469663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611103097.4A Pending CN108154161A (zh) 2016-12-05 2016-12-05 训练分类器的方法、确定受检对象体位的方法和医疗器械

Country Status (1)

Country Link
CN (1) CN108154161A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110299199A (zh) * 2019-06-28 2019-10-01 上海联影医疗科技有限公司 医学影像扫描方法、装置、计算机设备和存储介质
WO2020250917A1 (ja) * 2019-06-12 2020-12-17 キヤノン株式会社 放射線撮影支援システム、放射線撮影支援方法及びプログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989326A (zh) * 2009-07-31 2011-03-23 三星电子株式会社 人体姿态识别方法和装置
CN103141080A (zh) * 2010-09-23 2013-06-05 索尼电脑娱乐公司 使用热成像的用户接口系统和方法
CN104517097A (zh) * 2014-09-24 2015-04-15 浙江大学 一种基于kinect的运动人体姿态识别方法
EP2862515A1 (en) * 2013-08-09 2015-04-22 Samsung Electronics Co., Ltd Method and apparatus for providing content related to capture of a medical image
CN105559809A (zh) * 2014-11-09 2016-05-11 刁心玺 一种扫描方法及装置
CN105740892A (zh) * 2016-01-27 2016-07-06 北京工业大学 一种高准确率的基于卷积神经网络的人体多部位识别方法
CN105930778A (zh) * 2016-04-14 2016-09-07 厦门理工学院 一种基于红外图像的夜间人体睡姿监测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989326A (zh) * 2009-07-31 2011-03-23 三星电子株式会社 人体姿态识别方法和装置
CN103141080A (zh) * 2010-09-23 2013-06-05 索尼电脑娱乐公司 使用热成像的用户接口系统和方法
EP2862515A1 (en) * 2013-08-09 2015-04-22 Samsung Electronics Co., Ltd Method and apparatus for providing content related to capture of a medical image
CN104517097A (zh) * 2014-09-24 2015-04-15 浙江大学 一种基于kinect的运动人体姿态识别方法
CN105559809A (zh) * 2014-11-09 2016-05-11 刁心玺 一种扫描方法及装置
CN105740892A (zh) * 2016-01-27 2016-07-06 北京工业大学 一种高准确率的基于卷积神经网络的人体多部位识别方法
CN105930778A (zh) * 2016-04-14 2016-09-07 厦门理工学院 一种基于红外图像的夜间人体睡姿监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020250917A1 (ja) * 2019-06-12 2020-12-17 キヤノン株式会社 放射線撮影支援システム、放射線撮影支援方法及びプログラム
CN110299199A (zh) * 2019-06-28 2019-10-01 上海联影医疗科技有限公司 医学影像扫描方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Eldridge et al. Remembering episodes: a selective role for the hippocampus during retrieval
Davatzikos et al. Sex differences in anatomic measures of interhemispheric connectivity: correlations with cognition in women but not men.
US7248749B2 (en) Method and apparatus for signal-to-noise ratio dependent image processing
CN102754125B (zh) 用于创伤性脑损伤的快速精确定量评估的系统
JP6544648B2 (ja) 骨粗鬆症診断支援装置
JP2019532532A5 (zh)
JP6545591B2 (ja) 診断支援装置、方法及びコンピュータプログラム
CN104173071B (zh) 自动确定岩骨的扫描范围的方法和装置
KR20090088404A (ko) 의료 이미징 시스템
RU2010130534A (ru) Материальный фантом опухоли для усовершенствованной компьютерной диагностики
CN108154161A (zh) 训练分类器的方法、确定受检对象体位的方法和医疗器械
Shakespeare et al. Scene perception in posterior cortical atrophy: categorization, description and fixation patterns
AU2020297355A1 (en) Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient
US20180189976A1 (en) Analysis unit and system for assessment of hair condition
CN107495978B (zh) X射线摄影系统及图像采集方法
JP2008132320A5 (zh)
Niemeijer et al. Automated localization of the optic disc and the fovea
JP2017527788A5 (zh)
JP4709290B2 (ja) 画像処理装置および方法並びにプログラム
CN111513765B (zh) 呼吸肌组织的超声测量方法、超声测量装置及存储介质
US10657410B2 (en) Method and system for abnormal tissue detection using z-scores in a joint histogram
US10061979B2 (en) Image processing apparatus and method
CN108198210B (zh) 一种基于移动设备的oct影像判图方法及其系统
Sarwinda et al. Detection of Alzheimer's disease using the statistical approach from 3D magnetic resonance images
WO2007023433A1 (en) Medical data acquisition system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180612