CN109377481A - 图像质量评价方法、装置、计算机设备和存储介质 - Google Patents
图像质量评价方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109377481A CN109377481A CN201811134373.2A CN201811134373A CN109377481A CN 109377481 A CN109377481 A CN 109377481A CN 201811134373 A CN201811134373 A CN 201811134373A CN 109377481 A CN109377481 A CN 109377481A
- Authority
- CN
- China
- Prior art keywords
- image
- evaluated
- blood vessel
- phase
- interested blood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 153
- 230000011218 segmentation Effects 0.000 claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 33
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 5
- 210000004351 coronary vessel Anatomy 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 210000000988 bone and bone Anatomy 0.000 description 44
- 230000002861 ventricular Effects 0.000 description 44
- 210000000115 thoracic cavity Anatomy 0.000 description 40
- 239000002872 contrast media Substances 0.000 description 37
- 230000000747 cardiac effect Effects 0.000 description 34
- 238000012545 processing Methods 0.000 description 30
- 238000009499 grossing Methods 0.000 description 28
- 238000003709 image segmentation Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 17
- 238000003325 tomography Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 13
- 230000000803 paradoxical effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 210000004872 soft tissue Anatomy 0.000 description 8
- 230000002792 vascular Effects 0.000 description 7
- 238000002583 angiography Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像质量评价方法、装置、计算机设备和存储介质。所述方法包括:获取多幅待评价图像;根据所述待评价图像以及分割阈值,得到感兴趣血管图像;根据所述感兴趣血管图像进行图像质量评价。不依赖于人工界面的交互,可以自动检测提取感兴趣血管,自动分析血管图像质量。既简化冠脉重建流程,又节省了医生评价图像选择参数的时间。
Description
技术领域
本申请涉及医疗设备技术领域,特别是涉及一种图像质量评价方法、装置、计算机设备和存储介质。
背景技术
血管造影是一种辅助检查技术,在当代技术发达时期,血管造影技术普遍用于临床各种疾病的诊断与治疗当中,有助于医生及时发现病情,控制病情进展,有效地提高了患者的生存率。因此血管造影的图像质量对于诊断来说至关重要。
目前的传统技术,临床上对于血管造影质量评价是人工观测重建图像并主观评价。在冠脉造影中,心脏的搏动会产生运动伪影,医生需要选择合适的重建相位以获得可以诊断的图像。在传统的人工评价方式下,计算机需要通过人工交互界面产生出一系列待评价的图像,待医生人工评价后,选择一个特定的重建相位进行重建。这个评价模式除了使得重建流程复杂之外,还增加了医生评测选择图像质量的负担,而且可能会出现反复重建评价的情况。
发明内容
基于此,有必要针对上述技术问题,提供一种能够自动进行最佳相位选择的图像质量评价方法和图像重建方法、装置、计算机设备和存储介质。
一种图像质量评价方法,所述方法包括:获取多幅待评价图像;根据所述待评价图像以及分割阈值,得到感兴趣血管图像;根据所述感兴趣血管图像进行图像质量评价。
在其中一个实施例中,所述根据感兴趣血管图像进行图像质量评价包括:根据所述感兴趣血管图像,计算相应待评价图像的质量指数;根据所述待评价图像的质量指数,进行图像质量评价。
在其中一个实施例中,所述根据感兴趣血管图像,计算相应待评价图像的质量指数包括:根据感兴趣血管图像,计算相应待评价图像的形态规则程度;根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度;根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
在其中一个实施例中,所述根据感兴趣血管图像,计算相应待评价图像的形态规则程度包括:根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积;根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。
在其中一个实施例中,所述根据所述待评价图像的质量指数进行图像质量评价包括:选取质量指数最大的待评价图像作为图像质量最佳图像。
在其中一个实施例中,所述分割阈值的确定方法是:在所述待评价图像中选取最大灰度值的预设倍数作为分割阈值。
一种图像重建方法,所述方法包括:获取所有相位的扫描数据重建得到多个相位对应的图像作为待评价图像;根据图像质量评价规则,计算每个待评价图像的质量指数;根据每个待评价图像的质量指数,计算得到最佳相位,并得到最佳相位图像。
在其中一个实施例中,所述获取所有相位的扫描数据重建得到多个相位对应的图像作为待评价图像包括:根据多个相位对应的图像,计算平均最佳相位;选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像;根据多个所述感兴趣区域图像,提取相应感兴趣区域图像的血管中心线;以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像。
在其中一个实施例中,所述根据多个相位对应的图像,计算平均最佳相位包括:根据多个相位对应的图像,计算多个相位的心脏运动参数;根据多个相位的心脏运动参数,计算平均最佳相位。
在其中一个实施例中,所述根据多个相位所对应的图像,计算所有相位的心脏运动参数包括:根据相邻两相位对应的图像的像素值以及图像矩阵大小,计算相邻两相位图像的平均绝对差;根据相邻两相位图像像素值的平均绝对差,计算多个相位的运动参数。
在其中一个实施例中,所述根据相邻两相位对应的图像的像素值以及图像矩阵大小,计算相邻两相位图像的平均绝对差之前还包括:对所述多个相位对应的图像进行预处理,所述预处理包括:根据图像阈值对所述图像进行图像分割,消除与心脏运动不相关的区域,得到心脏运动相关区域图像。
在其中一个实施例中,所述根据相邻两相位图像像素值的平均绝对差,计算多个相位的运动参数包括:获取相位图像与前一相位图像的平均绝对差,将其作为第一参数;获取相位图像与后一相位图像的平均绝对差,将其作为第二参数;将同一相位图像的第一参数与第二参数相加,得到相应相位的运动参数。
在其中一个实施例中,所述根据多个相位的心脏运动参数,计算平均最佳相位包括:在心脏收缩期内,将所述心脏收缩期相位中运动参数最小的相位作为心脏收缩期平均最佳相位;在心脏舒张期内,将所述心脏舒张期相位中运动参数最小的相位作为心脏舒张期平均最佳相位。
在其中一个实施例中,所述选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像包括:选取平均最佳相位附近预设范围内的相位图像;利用高斯低通滤波器对预设范围内的相位图像进行平滑处理;对平滑处理后的相位图像,提取心室区域图像;根据所述心室区域图像计算造影剂阈值;根据所述心室区域图像以及所述造影剂阈值进行图像分割,得到造影剂区域图像;在所述造影剂区域图像中选取感兴趣区域图像。
在其中一个实施例中,所述对平滑处理后的相位图像,提取心室区域图像包括:根据所述平滑处理后的相位图像以及骨头阈值进行图像分割,得到骨头区域图像;对所述骨头区域图像在胸腔轴向进行最大密度投影,得到骨头区域图像的最大密度投影图像;根据骨头区域图像的最大密度投影图像计算得到胸腔轮廓边界;根据所述平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像。
在其中一个实施例中,所述根据所述平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像包括:根据所述平滑处理后的相位图像以及胸腔轮廓边界,得到胸腔图像;根据胸腔图像计算连通域,选取像素数量最多的连通域内图像作为心室区域图像。
在其中一个实施例中,所述根据所述心室区域图像计算造影剂阈值包括:根据所述心室区域图像计算所述心室区域图像的梯度图像;将所述心室区域图像中相应位置的梯度图像灰度值大于比例阈值的心室区域图像作为标记图像;根据所述标记图像各像素点的灰度值,利用大津算法计算造影剂阈值。
在其中一个实施例中,所述根据多个所述感兴趣区域图像,提取相应感兴趣区域图像的血管中心线包括:获取多个所述感兴趣区域图像的冠状位视角图像以及矢状位视角图像;根据冠状位视角图像以及矢状位视角图像,确定血管主干;根据所述血管主干,过滤假阳血管;根据过滤假阳血管后的血管主干,确定每个断层的血管中心位置;根据每个断层的血管中心位置,得到相应感兴趣区域图像的血管中心线。
在其中一个实施例中,所述根据所述血管主干,过滤假阳血管包括:根据所述血管主干,过滤非主干血管;根据过滤非主干血管后的血管主干,过滤主干血管。
在其中一个实施例中,所述以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像包括:对感兴趣区域图像做顶帽变换得到突出目标物体的感兴趣区域图像;根据软组织阈值,分割得到保留心室内区域的感兴趣区域图像;以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。
在其中一个实施例中,所述根据图像质量评价规则,计算每个待评价图像的质量指数包括:根据所述待评价图像以及分割阈值,得到感兴趣血管图像;根据感兴趣血管图像,计算相应待评价图像的质量指数。
在其中一个实施例中,所述分割阈值的确定方法是:在所述待评价图像中选取最大灰度值的预设倍数作为分割阈值。
在其中一个实施例中,所述根据感兴趣血管图像,计算相应待评价图像的质量指数包括:根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积;根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度;根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度;根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
一种图像质量评价装置,所述装置包括:获取模块,用于获取多幅待评价图像;感兴趣血管图像提取模块,用于根据所述待评价图像以及分割阈值,得到感兴趣血管图像;图像质量评价模块,用于根据所述感兴趣血管图像进行图像质量评价。
一种图像重建装置,所述装置包括:待评价图像选取模块,用于获取所有相位的扫描数据重建得到多个相位图像作为待评价图像;质量指数计算模块,用于根据图像质量评价规则,计算每个待评价图像的质量指数;图像重建模块,用于根据每个待评价图像的质量指数,计算得到最佳相位,并得到最佳相位图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述图像质量评价方法和图像重建方法、装置、计算机设备和存储介质,首先以待评价图像像素点的最大灰度值的预设倍数作为分割阈值,再以分割阈值对待评价图像进行分割,得到感兴趣血管图像。根据感兴趣血管图像,计算相应待评价图像的质量指数,根据质量指数对所有待评价图像进行图像质量评价。根据图像质量评价规则自动对相应相位的图像进行评价,简化了重建流程,减轻了医生评价图像的负担,避免了图像的重复评价,进一步的提高了最佳相位选取的精确度,提高了重建质量。
附图说明
图1为一个实施例中图像质量评价方法的流程示意图;
图2为一个实施例中图像重建方法的流程示意图;
图3为另一个实施例中图像重建方法的流程示意图;
图4为一个实施例中计算平均最佳相位的方法的流程示意图;
图5为一个实施例中提取感兴趣区域图像的方法的流程示意图;
图6为一个实施例中提取心室区域图像的方法的流程示意图;
图7为一个实施例中提取相应感兴趣区域图像的血管中心线的方法的流程示意图;
图8为一个实施例中提取待评价图像的方法的流程示意图;
图9为一个实施例中计算待评价图像质量指数的方法的流程示意图;
图10为一个实施例中图像重建装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
附图说明:获取模块100、感兴趣血管图像提取模块200、图像质量评价模块300。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
计算机断层扫描设备(CT)通常包括机架、扫描床以及供医生操作的控制台。机架的一侧设置有球管,与球管相对的一侧设置有探测器。控制台为控制扫描的计算机设备,计算机设备还用于接收探测器采集到的扫描数据,并对数据进行处理重建,最终形成CT图像。在利用CT进行扫描时,患者躺在扫描床上,由扫描床将患者送入机架的孔径内,机架上设置的球管发出X射线,X射线穿过患者被探测器接收形成扫描数据,并将扫描数据传输给计算机设备,计算机设备对扫描数据进行初步处理以及图像重建得到CT图像。
在一个实施例中,如图1所示,提供了一种图像质量评价方法,包括一下步骤:
步骤S102,获取多幅待评价图像。
具体地,获取多幅待评价图像,并在所述待评价图像中选取最大灰度值的预设倍数作为分割阈值。CT在进行正常扫描工作时,在一段时间内连续对被扫描物体进行扫描,并得到相应的扫描数据。根据扫描数据获取多幅待评价图像。根据获取到的待评价图像,每张待评价图像以各自像素点的最大值的预设倍数作为相应待评价图像的分割阈值。其中,在得到分割阈值之前,可以先对待评价图像提高分辨率,提高分辨率意味着提高计算血管形态和血管边的精度,可以使用二维的图像插值提升分辨率。预设倍数为至少一个。
步骤S104,根据所述待评价图像以及分割阈值,得到感兴趣血管图像。
具体地,将待评价图像的灰度值大于分割阈值的图像作为相应分割阈值的感兴趣血管图像。利用多个分割阈值进行分割,就会得到多个感兴趣血管图像。优选的,按照最大灰度值的三个预设倍数,得到三个分割阈值。用第一分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第一分割阈值的区域作为第一感兴趣血管图像;用第二分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第二分割阈值的区域作为第二感兴趣血管图像;用第三分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第三分割阈值的区域作为第三感兴趣血管图像。
步骤S106,根据所述感兴趣血管图像进行图像质量评价。
具体地,根据所述感兴趣血管图像,计算相应待评价图像的质量指数;根据所述待评价图像的质量指数,进行图像质量评价。
更具体地,根据所述感兴趣血管图像,计算相应待评价图像的质量指数,首先根据感兴趣血管图像,计算相应待评价图像的形态规则程度。更具体的,根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积,也就是分别计算每一个感兴趣血管图像中血管的周长和面积。再根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。然后计算根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度。最后根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。在同一个位置不同的相位对应的血管个数可能会不一致,考虑到后续需要在同一个基准进行比较,也即各相位相同位置的图像中的血管个数要保持一致。这里引入一个参考量基础血管个数。根据基础血管个数以及待评价图像中的血管个数进行综合考量,得到每个相位的待评价图像的形态规则程度矩阵以及每个相位的待评价图像的边缘锐利程度矩阵。由于形态规则程度以及边缘锐利程度的量级不一致,因此需要将两个度量拉到同一基准线上,可以通过加权的方式,也可以通过归一化形态规则程度和边缘锐利程度的方式。
更具体地,根据所述待评价图像的质量指数,进行图像质量评价,选取质量指数最大的待评价图像作为图像质量最佳图像。
上述图像质量评价方法,首先以待评价图像像素点的最大灰度值的预设倍数作为分割阈值,再以分割阈值对待评价图像进行分割,得到感兴趣血管图像。根据感兴趣血管图像,计算相应待评价图像的质量指数,根据质量指数对所有待评价图像进行图像质量评价。根据质量指数自动化的对待评价图像中的图像质量进行评价,减轻了医生选择图像的负担,进一步的减少了对一张图像反复重建的情况。
在一个实施例中,如图2所示,提供了一种图像重建方法,包括以下步骤:
步骤S202,获取所有相位的扫描数据重建得到多个相位图像作为待评价图像。
具体地,CT在进行正常扫描工作时,在一段时间内连续对被扫描物体进行扫描,并得到相应的扫描数据。在一个心动周期内,每个相位都对应的有CT扫描采集的数据,即在每个心动周期内1%-100%的100个相位中均有相应的数据。分别根据所有相位的数据,重建得到相应相位的相位图像。重建可以使用小矩阵厚层重建,但小矩阵厚层重建分辨率较低,容易对后续的分割产生负面影响。还可以使用精准重建,自动定位感兴趣区为重建中心利用小视野小矩阵厚层重建。首先根据所有相位对应的图像,计算平均最佳相位。选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像。在多个感兴趣区域图像中提取相应感兴趣区域图像的血管中心线。最后以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像。
步骤S204,根据图像质量评价规则,计算每个待评价图像的质量指数。
具体地,首先在多个待评价图像中选取最大灰度值的预设倍数作为分割阈值。根据分割阈值先对待评价图像进行分割,得到多个感兴趣血管图像。根据每一个待评价图像的多个感兴趣血管图像,计算相应待评价图像的质量指数。也就是得到每一个心动周期中,所有相位的待评价图像的质量指数。
步骤S206,根据每个待评价图像的质量指数,计算得到最佳相位,并得到最佳相位图像。
具体地,在每一个心动周期内,选取质量指数最大的待评价图像,将质量指数最大的待评价图像的相位作为最佳相位,并对最佳相位进行重建得到最佳相位图像。也可以为,首先对所有相位的扫描数据进行重建得到所有相位的图像,选取质量指数最大的待评价图像,将质量指数最大的待评价图像的相位作为最佳相位,再选取相应相位的图像作为最佳相位图像。
上述图像重建方法,对所有相位的扫描述数据进行重建,得到所有相位的图像。在所有相位对应的图像中获取相应相位的待评价图像。根据图像质量评价规则,计算每个待评价图像的质量指数,根据所有相位的待评价图像的质量指数得到最佳相位,最终重建得到最佳相位图像。该方法不依赖于人工界面的交互,可以自动检测提取待评价图像,自动分析血管图像质量。在冠脉造影中可以用来自动选择最佳相位,不需要医生评价图像并选择重建相位,既简化冠脉重建流程,又节省了医生评价图像选择参数的时间。
在一个实施例中,如图3所示,提供了另一种图像重建方法,包括以下步骤:
步骤S302,获取所有相位的扫描数据,并重建得到所有相位对应的图像。
具体地,CT在进行正常扫描工作时,在一段时间内连续对被扫描物体进行扫描,并得到相应的扫描数据。在一个心动周期内,每个相位都对应的有CT扫描采集的数据,即在每个心动周期内1%-100%的100个相位中均有相应的数据。分别根据所有相位的数据,重建得到相应相位的相位图像。
步骤S304,根据所有相位对应的图像,计算平均最佳相位。
具体地,首先根据所有相位对应的图像,计算所有相位的心脏运动参数。根据所有相位的心脏运动参数,计算平均最佳相位。其中平均最佳相位可以是心脏收缩期的平均最佳相位,也可以是心脏舒张期的平均最佳相位。
步骤S306,选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像。
具体地,选取平均最佳相位附近预设范围内的相位图像,再利用高斯低通滤波器对预设范围内的相位图像进行平滑处理,并在平滑处理后的相位图像中提取心室区域图像,根据心室区域图像计算造影剂阈值,将心室区域图像按照造影剂阈值进行图像分割,得到造影剂区域图像,并在造影剂区域图像中选取感兴趣区域图像。
步骤S308,根据多个感兴趣区域图像,提取相应感兴趣区域图像的血管中心线。
具体地,获取多个感兴趣区域图像的冠状位视角图像以及矢状位视角图像,根据冠状位视角图像以及矢状位视角图像,确定血管主干,过滤血管主干中的假阳血管,并且定每个断层的血管中心位置,根据每个断层的血管中心位置得到相应感兴趣区域图像的血管中心线。
步骤S310,以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像。
具体地,对感兴趣区域图像做顶帽变换得到突出目标物体的感兴趣区域图像,根据软组织阈值,分割得到保留心室内区域的感兴趣区域图像,以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。
步骤S312,根据图像质量评价规则,计算每个待评价图像的质量指数。
具体地,首先在多个待评价图像中选取最大灰度值的预设倍数作为分割阈值。根据分割阈值先对待评价图像进行分割,得到多个感兴趣血管图像。根据每一个待评价图像的多个感兴趣血管图像,计算相应待评价图像的质量指数。也就是得到每一个心动周期中,所有相位的待评价图像的质量指数。
步骤S314,根据每个待评价图像的质量指数,计算得到最佳相位,并重建得到最佳相位图像。
具体地,在每一个心动周期内,选取质量指数最大的待评价图像,将质量指数最大的待评价图像的相位作为最佳相位,并对最佳相位进行重建得到最佳相位图像。
上述图像重建方法,能够消除心脏运动的干扰,并将感兴趣区域作为待评价图像,能够更加准确的进行自动评价,进一步的提升自动评价的准确度,更好的节省医生评价图像选择参数的时间。
在一个实施例中,如图4所示,提供了一种计算平均最佳相位的方法,包括以下步骤:
步骤S402,根据相邻两相位对应的图像的像素值以及图像矩阵大小,计算相邻两相位图像的平均绝对差。
具体地,在心脏重建中,相位从1%-100%,其作用是进行初步定位,因为对所有相位图像都进行图像评价会降低效率,因此需要线划定一个相位选择范围,在这个范围内进行后续的图像评价。并且多平面重建得到的三维图像要求血管是连续的,如果相位选择跨度过大,那么各个心动周期之间的最佳相位图像序列就有可能出现不连续的情况。
平均最佳相位可以通过临床经验值进行确定,比如在心脏收缩期平均最佳相位为45%;在心脏舒张期平均最佳相位为75%。
平均最佳相位也可以通过计算得到,计算相邻两相位图像的平均绝对差之前,对多个相位对应的图像进行预处理,预处理包括:根据图像阈值对采样相位图像进行图像分割,消除与心脏运动不相关的区域,得到心脏运动相关区域图像。
在一个实施例中,计算相邻两采样相位图像的平均绝对差的方程可为:
其中,A,B为相邻两相位的图像;A(i,j)为A图像中坐标为(i,j)像素点的灰度值;B(i,j)为B图像中坐标为(i,j)像素点的灰度值;matrix为图像矩阵大小;MAD(A,B)为A与B的平均绝对差。
步骤S404,根据相邻两相位图像像素值的平均绝对差,计算所各相位的运动参数。
具体地,获取采样相位图像与前一采样相位图像的平均绝对差,将其作为第一参数。获取采样相位图像与后一采样相位图像的平均绝对差,将其作为第二参数。将同一采样相位图像的第一参数与第二参数相加,得到相应采样相位的心脏运动参数。
在其中一个实施例中,计算采样相位的心脏运动参数的方程包括:
ΔM(Pl,k)=MAD(Vk(Pl,i,j),Vk(Pl-1,i,j))+MAD(Vk(Pl,i,j),Vk(Pl+1,i,j))
其中,MAD(Vk(Pl,i,j),Vk(Pl-1,i,j))为当前采样相位图像与前一采样相位图像的平均绝对差;MAD(Vk(Pl,i,j),Vk(Pl+1,i,j))为当前采样相位图像与后一采样相位图像的平均绝对差,ΔM(Pl,k)为当前采样相位图像的心脏运动参数。
步骤S406,根据多个相位的心脏运动参数,计算平均最佳相位。
具体地,在心脏收缩期内,将心脏收缩期采样相位中心脏运动参数最小的相位作为心脏收缩期平均最佳相位;在心脏舒张期内,将心脏舒张期采样相位中心脏运动参数最小的相位作为心脏舒张期平均最佳相位。
在其中一个实施例中,计算心脏收缩期平均最佳相位的方程包括:
其中,PBasic1为心脏收缩期平均最佳相位;(P1S≤Pl≤P1E)为心脏收缩期采样相位的范围。
在其中一个实施例中,计算心脏舒张期平均最佳相位的方程包括:
其中,PBasic2为心脏舒张期平均最佳相位;(P2S≤Pl≤P2E)为心脏舒张期采样相位的范围。
上述计算平均最佳相位的方法,能够根据两两采样相位间的平均绝对差,计算相应采样相位的心脏运动参数,选取心脏运动参数最小的相位作为平均最佳相位。能够精准的确定平均最佳相位,保证心脏最佳相位的准确性。
在一个实施例中,如图5所示,提供了一种提取感兴趣区域图像的方法,包括以下步骤:
步骤S502,选取平均最佳相位附近预设范围内的相位图像。
具体地,以平均最佳相位为中心,向周围扩展若干个像素。过小的相位范围可能会错过最佳相位,过大的相位范围可能会造成各心动周期之间的最佳相位图像序列出现不连续的情况。因此预设范围的选择尤其重要,本实施例中优选的预设范围为以平均最佳相位为中心,向前扩展10%,向后扩展10%。
步骤S504,利用高斯低通滤波器对预设范围内的相位图像进行平滑处理。
具体地,利用高斯低通滤波器进行预设范围内的相位图像的平滑处理。高斯低通滤波器能够消除噪声带来的影响,得到平滑图像,方便后续的图像处理。
步骤S506,对平滑处理后的相位图像,提取心室区域图像。
具体地,首先根据平滑处理后的相位图像以及骨头阈值进行图像分割,根据骨头阈值,选取大于骨头阈值的图像作为骨头区域图像。再对骨头区域图像进行胸腔轴向的最大密度投影,得到骨头区域图像的最大密度投影图像。其中最大密度投影为通过计算沿着患者目标部位每条射线上所遇到的最大密度像素而产生的。即当射线通过平滑处理后的相位图像时,图像中密度最大的像素被保留,并被投影到一个二维平面上,从而形成骨头区域图像的最大密度投影图像。在骨头区域图像的最大密度投影图像中提取胸腔轮廓边界,根据骨头区域图像的最大密度投影图像,将骨头区域图像的最大密度投影图像对应不同的布尔值,根据不同布尔值的边界确定胸腔轮廓边界。根据平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像。在平滑处理后的相位图像中选取胸腔轮廓边界内的图像作为胸腔图像。再基于胸腔轮廓图像计算其连通域选取像素数量最多的连通域内图像作为心室区域图像。其中,连通域为复平面上的一个区域,如果在其中任做一条简单闭曲线,而闭曲线的内部总属于此区域,就称这个区域为连通域。
步骤S508,根据心室区域图像计算造影剂阈值。
具体地,感兴趣区域的提取需要使用造影剂阈值进行分割,因为不同浓度的剂量的造影剂CT值各不相同,无法使用一个经验阈值来分割含有造影剂的区域,所以需要根据当前的图像计算当前环境下的造影剂阈值。根据心室区域图像计算心室区域图像的梯度图像。其中,图像处理中把梯度的模简称为梯度,由图像梯度构成的图像成为梯度图像。当图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小。优选的,利用sobel算子进行梯度图像的计算。其中,sobel算子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的近似值。在图像的任何一点使用此算子,将会产生该点对应的梯度矢量。将梯度图像中所有像素点的灰度值进行统计,将心室区域图像中相应位置的梯度图像灰度值大于比例阈值的心室区域图像作为标记图像。优选的,统计梯度图像中所有像素点的灰度值,并得到所有像素点的直方图,选取适当的比例灰度值,将该比例作为比例阈值,选取大于此比例阈值所处的灰度值,作为标记图像。再对标记图像各像素点的灰度值,利用大津算法计算造影剂阈值。其中,大津算法一种对图像进行二值化的高效算法,利用阈值将原图像分成前景,背景两个图像。将得到的最佳分割阈值作为造影剂阈值。
步骤S510,根据心室区域图像以及造影剂阈值进行图像分割,得到造影剂区域图像。
具体地,利用造影剂阈值进行图像分割,将心室区域图像大于造影剂阈值的图像作为造影剂区域图像。
步骤S512,在造影剂区域图像中选取感兴趣区域图像。
具体地,右冠是临床上运动较其他血管明显的动脉血管,可以通过检测右冠个相位的运动情况反应心脏在该相位的运动情况。在造影剂区域图像中,选取位于心室左上半部分图像中,造影剂像素少并且血管外的CT值低的图像作为感兴趣血管图像。
上述提取感兴趣血管图像的方法,根据平滑处理后的相位图像选取心室区域图像,再根据心室区域图像计算造影剂阈值,利用造影剂阈值对心室区域图像进行图像分割得到造影剂区域图像,在造影剂区域图像中选取感兴趣区域图像,能够准确的在平均最佳相位附近预设范围中确定右冠血管图像,进一步的使使心脏的最佳相位的选取更加准确。
在一个实施例中,如图6所示,提供了一种提取心室区域图像的方法,包括以下步骤:
步骤S602,根据平滑处理后的相位图像以及骨头阈值进行图像分割,得到骨头区域图像。
具体地,根据骨头阈值,选取大于骨头阈值的图像作为骨头区域图像。胸腔内骨骼的临床经验值一般为1500HU。也就是可以选取平滑处理后的相位图像大于1500HU的区域,作为骨头区域图像。
步骤S604,对骨头区域图像在胸腔轴向进行最大密度投影,得到骨头区域图像的最大密度投影图像。
具体地,其中最大密度投影为通过计算沿着患者目标部位每条射线上所遇到的最大密度像素而产生的。即当光线通过初始最佳相位图像序列时,图像中密度最大的像素被保留,并被投影到一个二维平面上,从而形成骨头区域图像的最大密度投影图像。
步骤S606,根据骨头区域图像的最大密度投影图像计算得到胸腔轮廓边界。
具体地,根据骨头区域图像的最大密度投影图像,将骨头区域图像的最大密度投影图像中心室区域的布尔值设置为1,将骨头区域图像的最大密度投影图像中非心室区域的布尔值设置为0。将布尔值1和布尔值0的边界作为胸腔轮廓边界。
步骤S608,根据平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像。
具体地,根据平滑处理后的相位图像以及胸腔轮廓边界,得到胸腔图像,根据胸腔图像计算连通域,选取像素数量最多的连通域内图像作为心室区域图像。
根据平滑处理后的相位图像以及胸腔轮廓边界,得到胸腔图像。在平滑处理后的相位图像中选取胸腔轮廓边界内的图像作为胸腔图像。也就是在平滑处理后的相位图像中选取大于软组织阈值并且布尔值等于1的区域作为胸腔图像。
根据胸腔图像计算连通域,选取像素数量最多的连通域内图像作为心室区域图像。基于胸腔轮廓图像计算其连通域选取像素数量最多的连通域内图像作为心室区域图像。其中,连通域为复平面上的一个区域,如果在其中任做一条简单闭曲线,而闭曲线的内部总属于此区域,就称这个区域为连通域。
上述提取心室区域图像的方法,根据骨头阈值对平滑处理后的相位图像进行图像分割得到骨头区域图像,再对骨头区域图像进行最大密度投影,得到骨头区域图像的最大密度投影。根据骨头区域图像的最大密度投影计算胸腔轮廓边界,选取胸腔轮廓边界内的图像作为胸腔图像,计算胸腔图像的连通域选取像素最多的连通域内图像作为心室图像,能够更加精确的计算到胸腔轮廓边界,进一步的能够更加准确的确定心室区域图像,使心脏位置的选取更加的精准。
在一个实施例中,如图7所示,提供了一种提取相应感兴趣区域图像的血管中心线的方法,包括以下步骤:
步骤S702,获取多个感兴趣区域图像的冠状位视角图像以及矢状位视角图像。
具体地,上述步骤中得到的感兴趣区域图像可能会存在多个连通域,可能是当前断层上确实存在血管的分支,也可能含有其他非血管的连通域,例如:钙化、金属以及骨骼都有可能会被划分到感兴趣区域。因此要进行后续的图像处理,首先要排除假阳血管,并提取血管的中心线。由于血管在冠状位和矢状位都是连续的,因此需要先获取冠状位和矢状位视角的图像用于排除假阳血管。获取多个感兴趣区域图像的冠状位视角图像以及矢状位视角图像。其中,冠状位为又称额状面,即从左右方向,沿人体的长轴将人体纵切为前、后两部分的切面。矢状位为把人体分成左右两面的解剖面,与这个面平行的是矢状位。
步骤S704,根据冠状位视角图像以及矢状位视角图像,确定血管主干。
具体地,血管主干位于感兴趣区域图像中部且最大的连通域。根据冠状位视角图像以及矢状位视角图像确定的血管主干。
步骤S706,根据血管主干,过滤假阳血管。
具体地,根据血管主干,过滤非主干血管,根据过滤非主干血管后的血管主干,过滤主干血管。假阳血管为非血管区域。真阳血管需要满足两点要求:平滑性,待定血管和确定血管在X方向距离不能过大,在横断面上待定血管和确定血管距离不能过大,待定血管的位置为非主干的连通域最大值所在位置,确定血管为离待定血管最近的主干血管的最大值所在位置;连续性,待定血管和确定血管的y轴距离不能过大,y轴是指断层方向,当某一断层没有检测到连通域时,距离为1,当多个断层都没有检测到连通域,则认为不满足连续性。当待定血管同时满足平滑性以及连续性时,当前待定血管被认为是确定血管。所有确定血管在x方向位置的均值,离该均值最近的待定血管为有效血管。主干血管中已确定血管的x方向位置的均值,离该均值最近的待定血管为有效血管。
步骤S708,根据过滤假阳血管后的血管主干,确定每个断层的血管中心位置。
具体地,根据过滤假阳血管后的主干血管,使用插值法进行填充,根据矢状位和冠状位的血管中心位置,确定每个断层的血管中心位置。
步骤S710,根据每个断层的血管中心位置,得到相应感兴趣区域图像的血管中心线。
上述提取相应感兴趣区域图像的血管中心线的方法,根据感兴趣区域图像获取冠状位视角图像以及矢状位视角图像,在确定血管主干,根据血管主干过滤假阳血管,进一步的确定每个断层的血管中心位置,得到相应感兴趣区域图像的血管中心线。能够更加准确的确定感兴趣血管,使心脏位置的选取更加的精准。
在一个实施例中,如图8所示,提供了一种提取待评价图像的方法,包括以下步骤:
步骤S802,对感兴趣区域图像做顶帽变换得到突出目标物体的感兴趣区域图像。
具体地,顶帽变换是一种图像处理方法,将图像中的背景减弱,使目标物体更加的突出。也就是对感兴趣区域图像进行顶帽变换,使感兴趣区域图像中的目标物体更加的突出,其中目标物体为血管,通过对感兴趣区域图像进行顶帽变换后能够减弱背景,使血管显示的更加清晰。
步骤S804,根据软组织阈值,分割得到保留心室内区域的感兴趣区域图像。
具体地,软组织的经验阈值为800HU,根据软组织阈值,将突出目标物体的感兴趣区域图像分割得到保留心室内区域的感兴趣区域图像。
步骤S806,以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。
具体地,以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。其中预设范围为在每个断层中,以血管中心为中心取N*N个像素作为当前断层的待评价图像。N取物理尺寸50-100mm 之间。在分割前需要判断是否N已经超出当前图像的边界,对于超过边界的图像需要在分割前补偿,补偿值可以是0,也可以边界值。对平均最佳相位附近 10%的相位图像提取待评价图像,得到舒张期和收缩期范围的待评价图像矩阵。
上述提取待评价图像的方法,能够根据血管中心线准确的确定待评价图像范围,进一步的使最佳相位的选择更加的精确。
在一个实施例中,如图9所示,提供了一种计算待评价图像质量指数的方法,包括以下步骤:
步骤S902,根据待评价图像以及分割阈值,得到感兴趣血管图像。
具体地,在计算质量指数之前,可以先对待评价图像提高分辨率,提高分辨率意味着提高计算血管形态和血管边的精度,可以使用二维的图像插值提升分辨率。选取待评价图像的最大灰度值。将多个预设倍数的最大灰度值作为分割阈值。将待评价图像的灰度值大于分割阈值的图像作为相应分割阈值的感兴趣血管图像。利用多个分割阈值进行分割,就会得到多个感兴趣血管图像。优选的,按照最大灰度值的三个预设倍数,得到三个分割阈值。用第一分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第一分割阈值的区域作为第一感兴趣血管图像;用第二分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第二分割阈值的区域作为第二感兴趣血管图像;用第三分割阈值对待评价图像进行分割,将待评价图像中像素点灰度值大于第三分割阈值的区域作为第三感兴趣血管图像。
步骤S904,根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积。
具体地,根据得到的多个感兴趣血管图像,分别计算每一个待评价图像中目标物体的周长和面积,也就是分别计算每一个感兴趣血管图像中血管的周长和面积。
步骤S906,根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。
步骤S908,根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度。
步骤S910,根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
具体地,在同一个位置不同的相位对应的血管个数可能会不一致,考虑到后续需要在同一个基准进行比较,也即各相位相同位置的图像中的血管个数要保持一致。这里引入一个参考量基础血管个数。
根据基础血管个数以及待评价图像中的血管个数进行综合考量,得到每个相位的待评价图像的形态规则程度矩阵以及每个相位的待评价图像的边缘锐利程度矩阵。由于形态规则程度以及边缘锐利程度的量级不一致,因此需要将两个度量拉到同一基准线上,可以通过加权的方式,也可以通过归一化形态规则程度和边缘锐利程度的方式。最终对于心脏舒张期和心脏收缩期都有一个质量指数矩阵。找出质量指数矩阵所在的心动周期,当该心动周期含有的质量指数矩阵的图像张数超过平均数量时,将各心动周期内的各相位的图像对应的质量指数平均,选出最大值,其对应的相位就为该心动周期内的最佳相位。对于没有质量指数矩阵的心动周期,选择与其邻近的含有质量指数矩阵的心动周期的最佳相位作为其最佳相位。基于各心动周期的最佳相位提取整个图像序列的最佳相位图像,可以在已重建完成的各相位图像中抽出相应心动周期最佳相位的图像,作为一个合成的序列;也可以在投影域重建的时候分别使用各自的最佳相位,直接得到最佳相位图像序列。
上述计算质量指数的方法,能够更加精确的计算相位图像的质量指数,从而准确的确定心脏最佳相位,并基于最佳相位得到心脏最佳相位的图像。
上述图像重建方法不依赖于人工界面的交互,可以自动检测提取感兴趣血管,自动分析血管图像质量。在冠脉造影中可以用来自动选择最佳相位,不需要医生评价图像并选择重建相位,既简化冠脉重建流程,又节省了医生评价图像选择参数的时间。
应该理解的是,虽然图1-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种图像质量评价装置,包括:获取模块100、感兴趣血管图像提取模块200以及图像质量评价模块300。
获取模块100,用于获取多幅待评价图像;
感兴趣血管图像提取模块200,用于根据所述待评价图像以及分割阈值,得到感兴趣血管图像;
图像质量评价模块300,用于根据所述感兴趣血管图像进行图像质量评价。
关于图像质量评价装置的具体限定可以参见上文中对于图像质量评价方法的限定,在此不再赘述。上述图像质量评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多幅待评价图像;根据所述待评价图像以及分割阈值,得到感兴趣血管图像;根据所述感兴趣血管图像进行图像质量评价。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所有相位的扫描数据重建得到多个相位图像作为待评价图像;根据图像质量评价规则,计算每个待评价图像的质量指数;根据每个待评价图像的质量指数,计算得到最佳相位,并得到最佳相位图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所有相位的扫描数据,并重建得到所有相位对应的图像。根据所有相位对应的图像,计算平均最佳相位。选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像。根据多个感兴趣区域图像,提取相应感兴趣区域图像的血管中心线。以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像。根据图像质量评价规则,计算每个待评价图像的质量指数。根据每个待评价图像的质量指数,计算得到最佳相位,并重建得到最佳相位图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据相邻两相位对应的图像的像素值以及图像矩阵大小,计算相邻两相位图像的平均绝对差。根据相邻两相位图像像素值的平均绝对差,计算所各相位的运动参数。根据多个相位的心脏运动参数,计算平均最佳相位。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
选取平均最佳相位附近预设范围内的相位图像。利用高斯低通滤波器对预设范围内的相位图像进行平滑处理。对平滑处理后的相位图像,提取心室区域图像。根据心室区域图像计算造影剂阈值。根据心室区域图像以及造影剂阈值进行图像分割,得到造影剂区域图像。在造影剂区域图像中选取感兴趣区域图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据平滑处理后的相位图像以及骨头阈值进行图像分割,得到骨头区域图像。对骨头区域图像在胸腔轴向进行最大密度投影,得到骨头区域图像的最大密度投影图像。根据骨头区域图像的最大密度投影图像计算得到胸腔轮廓边界。根据平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个感兴趣区域图像的冠状位视角图像以及矢状位视角图像。根据冠状位视角图像以及矢状位视角图像,确定血管主干。根据血管主干,过滤假阳血管。根据过滤假阳血管后的血管主干,确定每个断层的血管中心位置。根据每个断层的血管中心位置,得到相应感兴趣区域图像的血管中心线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对感兴趣区域图像做顶帽变换得到突出目标物体的感兴趣区域图像。根据软组织阈值,分割得到保留心室内区域的感兴趣区域图像。以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在待评价图像中选取最大灰度值的预设倍数作为分割阈值。根据待评价图像以及分割阈值,得到感兴趣血管图像。根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积。根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度。根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多幅待评价图像;根据所述待评价图像以及分割阈值,得到感兴趣血管图像;根据所述感兴趣血管图像进行图像质量评价。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所有相位的扫描数据重建得到多个相位图像作为待评价图像;根据图像质量评价规则,计算每个待评价图像的质量指数;根据每个待评价图像的质量指数,计算得到最佳相位,并得到最佳相位图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所有相位的扫描数据,并重建得到所有相位对应的图像。根据所有相位对应的图像,计算平均最佳相位。选取平均最佳相位附近预设范围内的相位图像,并在选取的多个相位图像中提取感兴趣区域图像。根据多个感兴趣区域图像,提取相应感兴趣区域图像的血管中心线。以血管中心线为中心,在预设范围内进行图像分割,得到多个待评价图像。根据图像质量评价规则,计算每个待评价图像的质量指数。根据每个待评价图像的质量指数,计算得到最佳相位,并重建得到最佳相位图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据相邻两相位对应的图像的像素值以及图像矩阵大小,计算相邻两相位图像的平均绝对差。根据相邻两相位图像像素值的平均绝对差,计算所各相位的运动参数。根据多个相位的心脏运动参数,计算平均最佳相位。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
选取平均最佳相位附近预设范围内的相位图像。利用高斯低通滤波器对预设范围内的相位图像进行平滑处理。对平滑处理后的相位图像,提取心室区域图像。根据心室区域图像计算造影剂阈值。根据心室区域图像以及造影剂阈值进行图像分割,得到造影剂区域图像。在造影剂区域图像中选取感兴趣区域图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据平滑处理后的相位图像以及骨头阈值进行图像分割,得到骨头区域图像。对骨头区域图像在胸腔轴向进行最大密度投影,得到骨头区域图像的最大密度投影图像。根据骨头区域图像的最大密度投影图像计算得到胸腔轮廓边界。根据平滑处理后的相位图像以及胸腔轮廓边界,得到心室区域图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个感兴趣区域图像的冠状位视角图像以及矢状位视角图像。根据冠状位视角图像以及矢状位视角图像,确定血管主干。根据血管主干,过滤假阳血管。根据过滤假阳血管后的血管主干,确定每个断层的血管中心位置。根据每个断层的血管中心位置,得到相应感兴趣区域图像的血管中心线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对感兴趣区域图像做顶帽变换得到突出目标物体的感兴趣区域图像。根据软组织阈值,分割得到保留心室内区域的感兴趣区域图像。以血管中心线为中心选取预设范围内的保留心室内区域的感兴趣区域图像作为相应相位的待评价图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在待评价图像中选取最大灰度值的预设倍数作为分割阈值。根据待评价图像以及分割阈值,得到感兴趣血管图像。根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积。根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度。根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种图像质量评价方法,其特征在于,所述方法包括:
获取多幅待评价图像;
根据所述待评价图像以及分割阈值,得到感兴趣血管图像;
根据所述感兴趣血管图像进行图像质量评价。
2.根据权利要求1所述的方法,其特征在于,所述根据感兴趣血管图像进行图像质量评价包括:
根据所述感兴趣血管图像,计算相应待评价图像的质量指数;
根据所述待评价图像的质量指数,进行图像质量评价。
3.根据权利要求2所述的方法,其特征在于,所述根据感兴趣血管图像,计算相应待评价图像的质量指数包括:
根据感兴趣血管图像,计算相应待评价图像的形态规则程度;
根据感兴趣血管图像的边界以及感兴趣血管图像的梯度图,计算相应待评价图像的边缘锐利程度;
根据待评价图像的形态规则程度以及待评价图像的边缘锐利程度,计算每个待评价图像的质量指数。
4.根据权利要求3所述的方法,其特征在于,所述根据感兴趣血管图像,计算相应待评价图像的形态规则程度包括:
根据感兴趣血管图像,计算每一个待评价图像中目标物体的周长和面积;
根据每一个待评价图像中目标物体的周长和面积,计算相应待评价图像的形态规则程度。
5.根据权利要求2所述的方法,其特征在于,所述根据所述待评价图像的质量指数进行图像质量评价包括:
选取质量指数最大的待评价图像作为图像质量最佳图像。
6.根据权利要求1所述的方法,其特征在于,所述分割阈值的确定方法是:在所述待评价图像中选取最大灰度值的预设倍数作为分割阈值。
7.一种图像质量评价装置,其特征在于,所述装置包括:
获取模块,用于获取多幅待评价图像;
感兴趣血管图像提取模块,用于根据所述待评价图像以及分割阈值,得到感兴趣血管图像;
图像质量评价模块,用于根据所述感兴趣血管图像进行图像质量评价。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134373.2A CN109377481B (zh) | 2018-09-27 | 2018-09-27 | 图像质量评价方法、装置、计算机设备和存储介质 |
US16/437,006 US11024062B2 (en) | 2018-06-11 | 2019-06-11 | Systems and methods for evaluating image quality |
US16/437,003 US10950016B2 (en) | 2018-06-11 | 2019-06-11 | Systems and methods for reconstructing cardiac images |
US17/202,308 US11450038B2 (en) | 2018-06-11 | 2021-03-15 | Systems and methods for reconstructing cardiac images |
US17/243,522 US11288849B2 (en) | 2018-06-11 | 2021-04-28 | Systems and methods for evaluating image quality |
US17/326,374 US11367228B2 (en) | 2018-06-11 | 2021-05-21 | Systems and methods for evaluating image quality based on regularity degrees and sharpness degrees of images |
US17/651,895 US11688110B2 (en) | 2018-06-11 | 2022-02-21 | Systems and methods for evaluating image quality |
US17/933,469 US11915347B2 (en) | 2018-06-11 | 2022-09-19 | Systems and methods for reconstructing cardiac images |
US18/341,737 US20230351649A1 (en) | 2018-06-11 | 2023-06-26 | Systems and methods for evaluating image quality |
US18/587,896 US20240202995A1 (en) | 2018-06-11 | 2024-02-26 | Systems and methods for reconstructing cardiac images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134373.2A CN109377481B (zh) | 2018-09-27 | 2018-09-27 | 图像质量评价方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377481A true CN109377481A (zh) | 2019-02-22 |
CN109377481B CN109377481B (zh) | 2022-05-24 |
Family
ID=65402742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811134373.2A Active CN109377481B (zh) | 2018-06-11 | 2018-09-27 | 图像质量评价方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377481B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
CN111626974A (zh) * | 2019-02-28 | 2020-09-04 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN111933250A (zh) * | 2020-07-17 | 2020-11-13 | 东软医疗系统股份有限公司 | 一种打印医疗图像的方法、装置和计算机设备 |
US10950016B2 (en) | 2018-06-11 | 2021-03-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
CN113077425A (zh) * | 2021-03-23 | 2021-07-06 | 上海联影智能医疗科技有限公司 | 目标图像的确定方法、装置、计算机设备和存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030101A2 (en) * | 2001-10-03 | 2003-04-10 | Retinalyze Danmark A/S | Detection of vessels in an image |
CN101352352A (zh) * | 2003-02-14 | 2009-01-28 | 株式会社日立医药 | X射线ct装置 |
WO2009070300A1 (en) * | 2007-11-30 | 2009-06-04 | Meide Zhao | Automatic generation of protocol for pcmr imaging |
CN102609939A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种tfds图像质量评价方法及系统 |
CN102663747A (zh) * | 2012-03-23 | 2012-09-12 | 宁波大学 | 一种基于视觉感知的立体图像客观质量评价方法 |
CN102800111A (zh) * | 2012-07-19 | 2012-11-28 | 北京理工大学 | 基于颜色协调性的彩色融合图像颜色质量评价方法 |
CN103356241A (zh) * | 2013-08-02 | 2013-10-23 | 中国十九冶集团有限公司职工医院 | 二维超声设备成像质量评估系统及评估方法 |
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
WO2013177779A1 (en) * | 2012-05-31 | 2013-12-05 | Thomson Licensing | Image quality measurement based on local amplitude and phase spectra |
US20150022523A1 (en) * | 2013-07-19 | 2015-01-22 | Toshiba Medical Systems Corporation | Apparatus for, and method of, rendering image data |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN104794714A (zh) * | 2015-04-18 | 2015-07-22 | 吉林大学 | 基于ROC Graph的图像分割质量评价方法 |
WO2015164761A1 (en) * | 2014-04-25 | 2015-10-29 | The Trustees Of The University Of Pennsylvania | Non-cartesian retrospective reconstruction of cardiac motion in patients with severe arrhythmia |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
US20160171716A1 (en) * | 2014-12-12 | 2016-06-16 | Siemens Medical Solutions Usa, Inc. | Reconstruction of Aneurysm Wall Motion |
US20170178285A1 (en) * | 2015-12-22 | 2017-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN107016326A (zh) * | 2015-09-22 | 2017-08-04 | 赛峰身份与安全公司 | 从生物材料的样品提取形态特征的方法 |
CN107126211A (zh) * | 2017-06-07 | 2017-09-05 | 上海联影医疗科技有限公司 | 磁共振成像方法和系统 |
CN107483920A (zh) * | 2017-08-11 | 2017-12-15 | 北京理工大学 | 一种基于多层级质量因子的全景视频评估方法及系统 |
-
2018
- 2018-09-27 CN CN201811134373.2A patent/CN109377481B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003030101A2 (en) * | 2001-10-03 | 2003-04-10 | Retinalyze Danmark A/S | Detection of vessels in an image |
CN101352352A (zh) * | 2003-02-14 | 2009-01-28 | 株式会社日立医药 | X射线ct装置 |
WO2009070300A1 (en) * | 2007-11-30 | 2009-06-04 | Meide Zhao | Automatic generation of protocol for pcmr imaging |
CN102609939A (zh) * | 2012-01-16 | 2012-07-25 | 北京航空航天大学 | 一种tfds图像质量评价方法及系统 |
CN102663747A (zh) * | 2012-03-23 | 2012-09-12 | 宁波大学 | 一种基于视觉感知的立体图像客观质量评价方法 |
WO2013177779A1 (en) * | 2012-05-31 | 2013-12-05 | Thomson Licensing | Image quality measurement based on local amplitude and phase spectra |
CN102800111A (zh) * | 2012-07-19 | 2012-11-28 | 北京理工大学 | 基于颜色协调性的彩色融合图像颜色质量评价方法 |
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
US20150022523A1 (en) * | 2013-07-19 | 2015-01-22 | Toshiba Medical Systems Corporation | Apparatus for, and method of, rendering image data |
CN103356241A (zh) * | 2013-08-02 | 2013-10-23 | 中国十九冶集团有限公司职工医院 | 二维超声设备成像质量评估系统及评估方法 |
WO2015164761A1 (en) * | 2014-04-25 | 2015-10-29 | The Trustees Of The University Of Pennsylvania | Non-cartesian retrospective reconstruction of cardiac motion in patients with severe arrhythmia |
US20160171716A1 (en) * | 2014-12-12 | 2016-06-16 | Siemens Medical Solutions Usa, Inc. | Reconstruction of Aneurysm Wall Motion |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN104794714A (zh) * | 2015-04-18 | 2015-07-22 | 吉林大学 | 基于ROC Graph的图像分割质量评价方法 |
CN107016326A (zh) * | 2015-09-22 | 2017-08-04 | 赛峰身份与安全公司 | 从生物材料的样品提取形态特征的方法 |
CN105354835A (zh) * | 2015-10-16 | 2016-02-24 | 浙江工业大学 | 结合相位一致性、梯度幅值和结构显著性的医学图像质量评价方法 |
US20170178285A1 (en) * | 2015-12-22 | 2017-06-22 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for cardiac image segmentation |
CN107126211A (zh) * | 2017-06-07 | 2017-09-05 | 上海联影医疗科技有限公司 | 磁共振成像方法和系统 |
CN107483920A (zh) * | 2017-08-11 | 2017-12-15 | 北京理工大学 | 一种基于多层级质量因子的全景视频评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
T KÖHLER等: "Automatic no-reference quality assessment for retinal fundus images using vessel segmentation", 《PROCEEDINGS OF THE 26TH IEEE INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS IEEE》 * |
郭琦等: "图像分割质量评价的综述", 《中国仪器仪表学会第九届青年学术会议论文集》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10950016B2 (en) | 2018-06-11 | 2021-03-16 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
US11450038B2 (en) | 2018-06-11 | 2022-09-20 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
US11915347B2 (en) | 2018-06-11 | 2024-02-27 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for reconstructing cardiac images |
CN111626974A (zh) * | 2019-02-28 | 2020-09-04 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN111626974B (zh) * | 2019-02-28 | 2024-03-22 | 苏州润迈德医疗科技有限公司 | 冠状动脉造影图像序列的质量评分方法和装置 |
CN110929728A (zh) * | 2020-02-18 | 2020-03-27 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
CN110929728B (zh) * | 2020-02-18 | 2020-05-12 | 南京景三医疗科技有限公司 | 一种图像感兴趣区域划分方法、图像分割方法及装置 |
CN111933250A (zh) * | 2020-07-17 | 2020-11-13 | 东软医疗系统股份有限公司 | 一种打印医疗图像的方法、装置和计算机设备 |
CN113077425A (zh) * | 2021-03-23 | 2021-07-06 | 上海联影智能医疗科技有限公司 | 目标图像的确定方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109377481B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377481A (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
CN107230206B (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
JP5562598B2 (ja) | 画像表示装置、画像表示方法および磁気共鳴イメージング装置 | |
US9378580B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
US9384555B2 (en) | Motion correction apparatus and method | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
CN109872312B (zh) | 医学图像分割方法、装置、系统及图像分割方法 | |
US8577441B2 (en) | System and method for image based physiological monitoring of cardiovascular function | |
CN100561518C (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN107451983A (zh) | Ct图像的三维融合方法和系统 | |
CN109389653B (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 | |
CN106780649B (zh) | 图像的伪影去除方法和装置 | |
JP2015100699A (ja) | 医用画像処理装置および医用画像処理方法 | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
CN101658428A (zh) | 灌注成像技术中对位图进行处理的方法和系统 | |
CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
CN113066091A (zh) | 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质 | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN105761217A (zh) | 图像重建方法及装置 | |
JP2005312937A (ja) | 医用画像処理装置及び医用画像の処理方法 | |
EP4417132A1 (en) | Diagnosis assisting program | |
Yang et al. | Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images | |
CN113935976A (zh) | 一种增强ct图像的脏器内血管自动分割方法及系统 | |
CN109345526A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN109345606A (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 |
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 |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |