CN108257132A - 一种基于机器学习的ct图像质量评估的方法 - Google Patents
一种基于机器学习的ct图像质量评估的方法 Download PDFInfo
- Publication number
- CN108257132A CN108257132A CN201810180568.4A CN201810180568A CN108257132A CN 108257132 A CN108257132 A CN 108257132A CN 201810180568 A CN201810180568 A CN 201810180568A CN 108257132 A CN108257132 A CN 108257132A
- Authority
- CN
- China
- Prior art keywords
- image quality
- machine learning
- image
- measures based
- trainsets
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
一种基于机器学习的CT图像质量评估的方法,具体步骤如下:对CT图像的质量进行评分,并建立建模CT图像质量评估数据库,从数据库中选取样本作为训练数据集TrainSets,并对样本进行预处理操作,训练数据集TrainSets对机器学习的方法进行训练,并获得CT图像质量评估模型,将预测CT图像输入至CT图像质量评估模型中,得到CT图像的质量分数QDCNN。本发明仅需要任意CT图像数据,即可获得该CT图像质量分数,还可以有效地通过CT图像预测图像对应质量分数,成像系统的硬件没有特殊要求,操作简便、结果准确、鲁棒性强、执行效率高。
Description
技术领域
本发明涉及医学影像的图像处理技术领域,特别是涉及一种基于机器学习的CT图像质量评估的方法。
背景技术
随着现代大型医疗成像设备的飞速发展,新的成像方法和图像处理方法不断涌现,医学图像正成为临床医学研究、诊断和治疗的依据。而CT图像是医学图像中的重要分支。CT图像内容丰富,层次清晰,细节表现具有很高空间分辨率和时间分辨率,有利于更好的诊断疾病。因此发展CT图像质量评价方法对于监控和调整CT图像质量以帮助提高疾病诊断意义重大。对于CT图像质量的评价,最可靠的方法是主观评价方法。但是CT图像主观评价方法存在代价高、耗时长、实时性差、易受主客观因素影响。因此CT图像质量客观评价方法受到了重视。目前CT图像处理系统中主要采用峰值信噪比(PSNR)、结构相似性(SSIM)等来进行CT图像质量的客观评价。由于未考虑到像素点间的相关性和人类视觉系统的感知特性,评价结果并不能真实反映图像的视觉感知质量。
因此,针对现有技术不足,提供一种基于机器学习的CT图像质量评估的方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于机器学习的CT图像质量评估的方法,本发明仅需要任意CT图像数据,即可获得该CT图像质量分数,还可以有效地通过CT图像预测图像对应质量分数,成像系统的硬件没有特殊要求,操作简便、结果准确、鲁棒性强、执行效率高。
本发明的上述目的通过如下技术手段实现。
提供一种基于机器学习的CT图像质量评估的方法,具体步骤如下:
S1、对建模CT图像的质量进行评分,并建立CT图像质量评估数据库;
S2、从数据库中选取样本作为训练数据集TrainSets,并对样本进行预处理操作;
S3、训练数据集TrainSets对机器学习的方法进行训练,并获得CT图像质量评估模型;
S4、将预测CT图像输入至CT图像质量评估模型中,得到预测CT图像的质量分数QDCNN。
具体而言的,步骤S1中的评分操作是分别从建模CT图像噪声、伪影、边缘结构清晰度、图像整体质量及病灶大小五个方面进行评分。
优选的,从步骤S1中的CT图像质量评估数据库中随机选取80%样本作为训练数据集TrainSets。
具体而言的,步骤S2中的预处理操作具体如下:
a、将训练数据集TrainSets中所有的样本大小处理为227×227;
b、将所有样本的建模CT图像值域进行归一化处理,处理后的值域在区间【0,1】内。
进一步的,步骤S1从CT图像质量评估数据库中随机选取训练数据集TrainSets后剩余的20%样本作为测试数据,通过测试数据对CT图像质量评估模型进行测试。
进一步的,机器学习的方法包括深度卷积神经网络、循环神经网络、多任务学习和增强学习。
优选的,建模CT图像质量评分标准如下:
质量等级由高至低依次分为:优、良、中、差、劣;
质量等级对应的评分数值由高至低依次为:5、4、3、2、1。
本发明仅需要任意CT图像数据,即可获得该CT图像质量分数,还可以有效地通过CT图像预测图像对应质量分数,成像系统的硬件没有特殊要求,操作简便、结果准确、鲁棒性强、执行效率高。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1为本发明方法的流程示意图。
图2为本发明所用的CT图像质量评估模型的结构图。
图3是采用本发明得到的CT图像及其质量评估分数。
图4是采用本发明方法得到的质量分数散点图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1。
如图1-2所示,一种基于机器学习的CT图像质量评估的方法,具体步骤如下:
S1、对建模CT图像的质量进行评分,并建立CT图像质量评估数据库。
步骤S1中的评分操作是分别从CT图像噪声、伪影、边缘结构清晰度、图像整体质量及病灶大小五个方面进行评分。
建模CT图像质量评分标准如下:
质量等级由高至低依次分为:优、良、中、差、劣。
质量等级对应的评分数值由高至低依次为:5、4、3、2、1。
表1为图像质量对应的五级数值量表。
质量 | 数值 |
优(Excellent) | 5 |
良(Good) | 4 |
中(Fair) | 3 |
差(Poor) | 2 |
劣(Bad) | 1 |
表1
S2、从数据库中选取样本作为训练数据集TrainSets,并对样本进行预处理操作。
从步骤S1中的CT图像质量评估数据库中随机选取80%样本作为训练数据集TrainSets。
步骤S2中的预处理操作具体如下:
a、将训练数据集TrainSets中所有的样本大小处理为227×227。
b、将所有样本的建模CT图像值域进行归一化处理,处理后的值域在区间【0,1】内。
S3、训练数据集TrainSets对机器学习的方法进行训练,并获得CT图像质量评估模型。
机器学习的方法包括深度卷积神经网络、循环神经网络、多任务学习和增强学习。
本发明中采用的是深度卷积神经网络的机器学习方法构建CT图像质量评估模型。
S4、将预测CT图像输入至CT图像质量评估模型中,得到CT图像的质量分数QDCNN。
建模CT图像为指建立CT图像质量评估模型的特定CT图像,而预测CT图像为所需进行评分检测的任意CT图像。
本发明仅需要任意CT图像数据,即可获得该CT图像质量分数,还可以有效地通过CT图像预测图像对应质量分数,成像系统的硬件没有特殊要求,操作简便、结果准确、鲁棒性强、执行效率高。
实施例2。
一种基于机器学习的CT图像质量评估的方法,其它特征与实施例1相同,不同之处在于:该实施例以真实病人肺部数据为例验证本发明的CT图像质量评估方法的具体实施过程。
(1)、获取CT设备的系统参数,通过真实病人肺部高剂量的投影数据y仿真5个不同低剂量的投影数据ylow-dose。
仿真的系统几何参数为X射线源到旋转中心和探测器的距离分别为595mm和1085mm,旋转角在[0,2π]之间,投影数据大小为1152×763,1152个投影角度,736个探测器单元,探测器单元的大小为1.2858mm。
(2)、采用传统的扇形束FBP算法对投影数据y和ylow-dose进行重建,滤波过程采用Ramp窗进行,本例中重建图像的大小均为512×512。
上述步骤(1)和(2)为机器参数,以下为CT图像质量评估的具体方法:
(3)、分别从建模CT图像噪声、伪影、组织边缘结构清晰度、图像整体质量以及图像中病灶大小及边缘结构等五个方面对步骤(2)获取的建模CT图像根据表1提供的图像质量五级数值量表进行评分。
(4)、根据步骤(3)获得的带有质量评分的建模CT图像建立数据库。
随机选择数据库中80%数据,作为训练集,将训练集中样本大小处理为227×227,且将CT图像值域归一化到区间【0,1】之间。
(5)、通过步骤(4)得到的训练集,对CT图像质量评估模型进行训练,得到由建模CT图像映射到CT图像质量分数Q的深度卷积神经网络模型。
(6)、选择步骤(3)建立的数据库中剩余20%的数据作为测试数据,对(5)得到的CT图像质量评估模型进行测试。
(7)、图3描述了不同剂量下未经任何处理直接FBP重建的图像及其对应图像质量分数。
(8)、图4描述了通过本文提出的机器学习方法进行预测得到的CT图像质量分数与临床医生评估图像质量得分的散点图。
另外,步骤(6)测试结构显示,本文提出的CT图像质量评估方法准确率达98%,且本文发明方法的准确性和单调性如下表2所示:
model | |
PLCC | 0.9953 |
SROCC | 0.9952 |
表2
表2可以定量说明本发明方法在CT图像质量评估上有上佳表现。
经过多次验证,本发明操作简单,能够有效预测CT图像质量分数,最终实现CT图像质量评估。
以上所述仅为本发明中的较佳实施例,并不用以限制本发明,本发明可以有效地通过CT图像预测图像对应质量分数,成像系统的硬件没有特殊要求。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于机器学习的CT图像质量评估的方法,其特征在于:具体步骤如下:
S1、对建模CT图像的质量进行评分,并建立CT图像质量评估数据库;
S2、从数据库中选取样本作为训练数据集TrainSets,并对样本进行预处理操作;
S3、训练数据集TrainSets对机器学习的方法进行训练,并获得CT图像质量评估模型;
S4、将预测CT图像输入至CT图像质量评估模型中,得到预测CT图像的质量分数QDCNN。
2.根据权利要求1所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:步骤S1中的评分操作是分别从建模CT图像噪声、伪影、边缘结构清晰度、图像整体质量及病灶大小五个方面进行评分。
3.根据权利要求2所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:从步骤S1中的CT图像质量评估数据库中随机选取80%样本作为训练数据集TrainSets。
4.根据权利要求3所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:步骤S2中的预处理操作具体如下:
a、将训练数据集TrainSets中所有的样本大小处理为227×227;
b、将所有样本的CT图像值域进行归一化处理,处理后的值域在区间【0,1】内。
5.根据权利要求4所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:步骤S1从CT图像质量评估数据库中随机选取训练数据集TrainSets后剩余的20%样本作为测试数据,通过测试数据对CT图像质量评估模型进行测试。
6.根据权利要求5所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:机器学习的方法包括深度卷积神经网络、循环神经网络、多任务学习和增强学习。
7.根据权利要求6所述的一种基于机器学习的CT图像质量评估的方法,其特征在于:建模CT图像质量评分标准如下:
质量等级由高至低依次分为:优、良、中、差、劣;
质量等级对应的评分数值由高至低依次为:5、4、3、2、1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180568.4A CN108257132A (zh) | 2018-03-05 | 2018-03-05 | 一种基于机器学习的ct图像质量评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180568.4A CN108257132A (zh) | 2018-03-05 | 2018-03-05 | 一种基于机器学习的ct图像质量评估的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108257132A true CN108257132A (zh) | 2018-07-06 |
Family
ID=62745599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810180568.4A Pending CN108257132A (zh) | 2018-03-05 | 2018-03-05 | 一种基于机器学习的ct图像质量评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257132A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109144986A (zh) * | 2018-07-30 | 2019-01-04 | 上海电气集团股份有限公司 | 一种工业设备数据的重要性评估方法 |
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
CN110879105A (zh) * | 2018-09-05 | 2020-03-13 | 阿里巴巴集团控股有限公司 | 量子比特检测系统及检测方法 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN112669940A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种基于ai影像质控读片方法及系统 |
CN113112463A (zh) * | 2021-03-31 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 医学图像质量评估方法、电子设备及存储介质 |
WO2021213519A1 (zh) * | 2020-04-23 | 2021-10-28 | 上海联影医疗科技股份有限公司 | 图像获取、判断图像质量、医学图像采集的方法和系统 |
CN116128854A (zh) * | 2023-02-03 | 2023-05-16 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463828A (zh) * | 2013-09-18 | 2015-03-25 | 株式会社日立医疗器械 | Ct图像评价装置及ct图像评价方法 |
CN104657987A (zh) * | 2015-02-03 | 2015-05-27 | 深圳大学 | 基于pet/ct图像质量客观算法的评价方法及系统 |
US20150199478A1 (en) * | 2014-01-10 | 2015-07-16 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
-
2018
- 2018-03-05 CN CN201810180568.4A patent/CN108257132A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463828A (zh) * | 2013-09-18 | 2015-03-25 | 株式会社日立医疗器械 | Ct图像评价装置及ct图像评价方法 |
US20150199478A1 (en) * | 2014-01-10 | 2015-07-16 | Heartflow, Inc. | Systems and methods for identifying medical image acquisition parameters |
CN104657987A (zh) * | 2015-02-03 | 2015-05-27 | 深圳大学 | 基于pet/ct图像质量客观算法的评价方法及系统 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
Non-Patent Citations (1)
Title |
---|
殷夫 等: ""PET/CT图像质量主观评价与感知模型"", 《深圳大学学报理工版》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144986A (zh) * | 2018-07-30 | 2019-01-04 | 上海电气集团股份有限公司 | 一种工业设备数据的重要性评估方法 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN110879105B (zh) * | 2018-09-05 | 2022-03-01 | 阿里巴巴集团控股有限公司 | 量子比特检测系统及检测方法 |
CN110879105A (zh) * | 2018-09-05 | 2020-03-13 | 阿里巴巴集团控股有限公司 | 量子比特检测系统及检测方法 |
CN109191457A (zh) * | 2018-09-21 | 2019-01-11 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN109191457B (zh) * | 2018-09-21 | 2022-07-01 | 中国人民解放军总医院 | 一种病理图像质量有效性识别方法 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
WO2021213519A1 (zh) * | 2020-04-23 | 2021-10-28 | 上海联影医疗科技股份有限公司 | 图像获取、判断图像质量、医学图像采集的方法和系统 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN112669940A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种基于ai影像质控读片方法及系统 |
CN113112463A (zh) * | 2021-03-31 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 医学图像质量评估方法、电子设备及存储介质 |
CN116128854A (zh) * | 2023-02-03 | 2023-05-16 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
CN116128854B (zh) * | 2023-02-03 | 2023-11-10 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257132A (zh) | 一种基于机器学习的ct图像质量评估的方法 | |
US10650512B2 (en) | Systems and methods for topographical characterization of medical image data | |
CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
US8873819B2 (en) | Method for sorting CT image slices and method for constructing 3D CT image | |
CN104000619A (zh) | 一种甲状腺ct图像计算机辅助诊断系统及方法 | |
US20070053560A1 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
Jannin et al. | Validation in medical image processing. | |
CN106340000A (zh) | 骨龄评估方法 | |
CN108151670A (zh) | 一种后背三维对称度评价装置及方法 | |
CN104217437A (zh) | 前列腺kvct图像的病变区域分割方法 | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN116579982A (zh) | 一种肺炎ct图像分割方法、装置及设备 | |
Ho et al. | Application of deep learning neural network in predicting bone mineral density from plain X-ray radiography | |
Hua et al. | Correlation between age and the parameters of medial epiphysis and metaphysis of the clavicle using CT volume rendering images | |
CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
Ai | Quantitative CT study of martial arts sports injuries based on image quality | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
CN109800820A (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
CN107256544A (zh) | 一种基于vcg16的前列腺癌图像诊断方法及系统 |
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: 20180706 |