CN109919912A - 一种医学影像的质量评价方法和装置 - Google Patents
一种医学影像的质量评价方法和装置 Download PDFInfo
- Publication number
- CN109919912A CN109919912A CN201910079564.1A CN201910079564A CN109919912A CN 109919912 A CN109919912 A CN 109919912A CN 201910079564 A CN201910079564 A CN 201910079564A CN 109919912 A CN109919912 A CN 109919912A
- Authority
- CN
- China
- Prior art keywords
- medical image
- target medical
- target
- lesion
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003902 lesion Effects 0.000 claims abstract description 114
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims description 73
- 238000003708 edge detection Methods 0.000 claims description 26
- 239000002184 metal Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 239000003814 drug Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000013475 authorization Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000004279 orbit Anatomy 0.000 description 4
- 108010001267 Protein Subunits Proteins 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明实施例提供了一种医学影像的质量评价方法和装置,本发明涉及人工智能领域,该方法包括:获取目标医学影像;对目标医学影像进行预评价,得到第一评价结果;定位目标医学影像中病灶的位置;标示出目标医学影像中病灶的位置;授权第一用户查看目标医学影像,第一用户所属的专业领域和目标医学影像的类别相关;获取第一用户对目标医学影像进行评价得到的第二评价结果;根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果;输出目标医学影像的质量评价结果。因此,本发明实施例提供的技术方案能够解决现有技术中人工定位病灶费时费力导致医学影像的质量评价效率低的问题。
Description
【技术领域】
本发明涉及人工智能领域,尤其涉及一种医学影像的质量评价方法和装置。
【背景技术】
影像设备在国内众多医疗机构已经得到普及,许多疾病的诊断和治疗对影像检查的依赖性较强。高质量的医学影像能够提升医院的治疗水平。
目前,医学影像的质量评价主要依靠人工方法进行,需要先由医生用肉眼定位出病灶,再根据病灶部位的清晰度对医学影像的质量进行评价。
然而,有些医学影像很大,但医学影像中的病灶却很小,而且不同病灶的大小也不同,这无疑给医生肉眼定位病灶带来了很大的困难,定位病灶花费医生较多时间和精力,导致医学影像的质量评价效率低。
【发明内容】
有鉴于此,本发明实施例提供了一种医学影像的质量评价方法和装置,用以解决现有技术人工定位病灶费时费力导致医学影像的质量评价效率低的问题。
一方面,本发明实施例提供了一种医学影像的质量评价方法,所述方法包括:获取目标医学影像;对所述目标医学影像进行预评价,得到第一评价结果;定位所述目标医学影像中病灶的位置;标示出所述目标医学影像中病灶的位置;授权第一用户查看所述目标医学影像,所述第一用户所属的专业领域和所述目标医学影像的类别相关;获取所述第一用户对所述目标医学影像进行评价得到的第二评价结果;根据所述第一评价结果和所述第二评价结果确定所述目标医学影像的质量评价结果;输出所述目标医学影像的质量评价结果。
进一步地,所述定位所述目标医学影像中病灶的位置,包括:对所述目标医学影像进行粗分割处理,得到粗分割掩膜,所述粗分割掩膜中包含所述目标医学影像中候选病灶的信息;从所述候选病灶中识别非真实病灶,并基于识别结果修正所述粗分割掩膜,得到目标分割掩膜,所述目标分割掩膜中不包含所述非真实病灶的信息;根据所述目标分割掩膜定位病灶的位置。
进一步地,所述对所述目标医学影像进行预评价,包括:识别所述目标医学影像是否存在金属伪影,得到识别结果;根据所述识别结果对所述目标医学影像进行预评价。
进一步地,所述对所述目标医学影像进行预评价,包括:确定所述目标医学影像对应的检查类型和检查部位;根据所述目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,所述目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,所述第一摄片体位为与所述目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;根据边缘检测算子对所述目标医学影像的边缘进行检测,得到边缘检测结果;根据所述边缘检测结果判断所述目标医学影像的实际摄片体位是否为所述第一摄片体位;如果所述目标医学影像的实际摄片体位不是所述第一摄片体位,则降低所述目标医学影像的预评价得分。
进一步地,所述对所述目标医学影像进行预评价,包括:根据图像质量参数指标对所述目标医学影像进行预评价,所述图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
一方面,本发明实施例提供了一种医学影像的质量评价装置,所述装置包括:第一获取单元,用于获取目标医学影像;预评价单元,用于对所述目标医学影像进行预评价,得到第一评价结果;定位单元,用于定位所述目标医学影像中病灶的位置;标示单元,用于标示出所述目标医学影像中病灶的位置;授权单元,用于授权第一用户查看所述目标医学影像,所述第一用户所属的专业领域和所述目标医学影像的类别相关;第二获取单元,用于获取所述第一用户对所述目标医学影像进行评价得到的第二评价结果;确定单元,用于根据所述第一评价结果和所述第二评价结果确定所述目标医学影像的质量评价结果;输出单元,用于输出所述目标医学影像的质量评价结果。
进一步地,所述定位单元包括:粗分割处理子单元,用于对所述目标医学影像进行粗分割处理,得到粗分割掩膜,所述粗分割掩膜中包含所述目标医学影像中候选病灶的信息;第一识别子单元,用于从所述候选病灶中识别非真实病灶,并基于识别结果修正所述粗分割掩膜,得到目标分割掩膜,所述目标分割掩膜中不包含所述非真实病灶的信息;定位子单元,用于根据所述目标分割掩膜定位病灶的位置。
进一步地,所述预评价单元包括:第二识别子单元,用于识别所述目标医学影像是否存在金属伪影,得到识别结果;第一预评价子单元,用于根据所述识别结果对所述目标医学影像进行预评价。
进一步地,所述预评价单元包括:确定子单元,用于确定所述目标医学影像对应的检查类型和检查部位;查找子单元,用于根据所述目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,所述目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,所述第一摄片体位为与所述目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;检测子单元,用于根据边缘检测算子对所述目标医学影像的边缘进行检测,得到边缘检测结果;判断子单元,用于根据所述边缘检测结果判断所述目标医学影像的实际摄片体位是否为所述第一摄片体位;第二预评价子单元,用于如果所述目标医学影像的实际摄片体位不是所述第一摄片体位,则降低所述目标医学影像的预评价得分。
进一步地,所述预评价单元包括:第三预评价子单元,用于根据图像质量参数指标对所述目标医学影像进行预评价,所述图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
一方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的医学影像的质量评价方法。
一方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现上述的医学影像的质量评价方法的步骤。
在本发明实施例中,对目标医学影像进行预评价,得到第一评价结果,定位并标示出目标医学影像中病灶的位置,第一用户可以为具有专业医学知识的医生、专家等,第一用户可查看目标医学影像,第一用户对目标医学影像进行评价得到第二评价结果,根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果,由于已经提前定位并标示出病灶的位置,第一用户无需人工定位病灶的位置,节约了用户的时间和精力,解决了人工定位病灶费时费力导致的医学影像的质量评价效率低的问题,达到了提高医学影像的质量评价效率的效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种可选的医学影像的质量评价方法的流程图;
图2是本发明实施例提供的一种可选的医学影像的质量评价装置的示意图;
图3是本发明实施例提供的一种可选的计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1是本发明实施例提供的一种可选的医学影像的质量评价方法的流程图,如图1所示,该方法包括:
步骤S102,获取目标医学影像。
步骤S104,对目标医学影像进行预评价,得到第一评价结果。
步骤S106,定位目标医学影像中病灶的位置。
步骤S108,标示出目标医学影像中病灶的位置。
步骤S110,授权第一用户查看目标医学影像,第一用户所属的专业领域和目标医学影像的类别相关。
步骤S112,获取第一用户对目标医学影像进行评价得到的第二评价结果。
步骤S114,根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果。
步骤S116,输出目标医学影像的质量评价结果。
生成医学影像的设备,可以为:电子计算机断层扫描(Computed Tomography,CT)设备、磁共振(Magnetic Resonance,MR)设备、正电子发射型计算机断层显像(PositronEmission Computed Tomography,PET)设备或数字平板X线成像系统(DigitalRadiography,DR)等医学成像设备。
医学影像表示的部位可以为脑、心脏、脊柱、血管等组织结构。
病灶:一个局限的、具有病原微生物的病变组织。如肺的某一部分被结核菌破坏,这部分就是肺结核病灶。
第一评价结果、第二评价结果均包含评价分数,根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果,具体过程如下:根据公式P=P1×W1+P2×W2计算目标医学影像的质量评价分数,其中,P表示目标医学影像的质量评价分数,P1表示第一评价结果包含的评价分数的值,W1表示第一评价结果包含的评价分数的权重,P2表示第二评价结果包含的评价分数的值,W2表示第二评价结果包含的评价分数的权重。根据目标医学影像的质量评价分数确定目标医学影像的质量评价结果,如果目标医学影像的质量评价分数较高,则目标医学影像的质量评价结果可以为“质量佳”、“质量好”等;如果目标医学影像的质量评价分数较低,则目标医学影像的质量评价结果可以为“质量差”、“质量不好”等。
在本发明实施例中,对目标医学影像进行预评价,得到第一评价结果,定位并标示出目标医学影像中病灶的位置,第一用户可以为具有专业医学知识的医生、专家等,第一用户可查看目标医学影像,第一用户对目标医学影像进行评价得到第二评价结果,根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果,由于已经提前定位并标示出病灶的位置,第一用户无需人工定位病灶的位置,节约了用户的时间和精力,解决了人工定位病灶费时费力导致的医学影像的质量评价效率低的问题,达到了提高医学影像的质量评价效率的效果。
可选地,定位目标医学影像中病灶的位置,包括:对目标医学影像进行粗分割处理,得到粗分割掩膜,粗分割掩膜中包含目标医学影像中候选病灶的信息;从候选病灶中识别非真实病灶,并基于识别结果修正粗分割掩膜,得到目标分割掩膜,目标分割掩膜中不包含非真实病灶的信息;根据目标分割掩膜定位病灶的位置。
有一些病灶是非常小的,例如,在一张4000×3000像素的图上,微动脉瘤可能只占10×10像素左右,因此,对医学影像进行病灶分割有助于提高病灶定位的效率。
粗分割掩膜为二值图像,粗分割掩膜中包含目标医学影像中候选病灶的信息,具体地,粗分割掩膜中包含了目标医学影像中候选病灶的边界信息。
候选病灶可以包括真实病灶,也可以包括被误认为真实病灶的非真实病灶,即粗分割掩膜中包含目标医学影像中可能为病灶区域的信息。
具体地,对目标医学影像进行粗分割处理,得到粗分割掩膜,可以通过预先建立的粗分割模型来实现。
粗分割模型采用训练医学影像和对应的标注分割掩膜进行训练得到。训练医学影像可以来自医院提供的医学影像,标注分割掩膜可通过专家标注获得。
训练粗分割模型的过程如下:获取训练医学影像和对应的标注分割掩膜;对标注分割掩膜进行分析,通过分析确定训练医学影像中病灶区域;从训练医学影像中提取包含病灶区域的图像块作为训练病灶图像块;将训练病灶图像块输入粗分割模型进行训练。在提取训练病灶图像块时,可先确定病灶的中心,然后以病灶的中心为中心提取预设大小的训练病灶图像块。病灶区域所对应的像素点在一定范围内应该是连通的。对标注分割掩膜进行分析,通过分析确定训练医学影像中病灶区域,具体可以是:对标注分割掩膜进行连通域标记,通过连通域标记的结果确定训练医学影像中病灶区域。通过标记,医学影像中相互连通的像素点被赋予相同的标记,从而实现对病灶的识别。连通域识别的具体过程可以为:对医学影像进行顺序扫描,在访问每一个像素点时,通过前邻像素点的标记状态确定当前像素点的两重标记,对两重标记序列进行等价解析,使得所有属于相同连通域的临时标记的二重标记相等,再次对医学影像进行顺序扫描,在此过程中通过两重标记的等价关系确定各目标像素点的最终标记状态,完成连通域的识别。
从候选病灶中识别非真实病灶,并基于识别结果修正粗分割掩膜,以使粗分割掩膜中不包含识别出的非真实病灶的信息,修正后得到的目标分割掩膜作为目标医学影像对应的病灶分割掩膜。
对目标医学影像进行粗分割的目的在于,从目标医学影像中定位出所有可能的病灶,而这势必会定位出一些非真实病灶,即病灶分割的准确率不够高,而本步骤的目的在于从这些可能的病灶中识别出非真实病灶,进而基于识别结果去修正粗分割掩膜,使修正后的分割掩膜不包含识别出的非真实病灶的信息,从而提高病灶定位的效率和准确率。
可选地,对目标医学影像进行预评价,包括:识别目标医学影像是否存在金属伪影,得到识别结果;根据识别结果对目标医学影像进行预评价。
伪影(Artifacts)是指原本被扫描物体并不存在而在图像上却出现的各种形态的影像。伪影大致分为与患者有关和与机器有关的两类。
金属伪影指的是由于金属原因造成影响图像质量的情况。
如果目标医学影像存在金属伪影,金属伪影会影响对病灶的识别,则该目标医学影像的图像质量不太好,降低目标医学影像的预评价得分。
例如,如果未识别出目标医学影像存在金属伪影,则目标医学影像的预评价得分为100分;如果识别出目标医学影像存在金属伪影,则根据识别出的金属伪影的数量计算目标医学影像的预评价得分,例如,每识别出一个金属伪影,就减20分,减至0分为止,假设识别出目标医学影像存在一个金属伪影,则目标医学影像的预评价得分为80分;假设识别出目标医学影像存在两个金属伪影,则目标医学影像的预评价得分为60分;假设识别出目标医学影像存在三个金属伪影,则目标医学影像的预评价得分为40分;假设识别出目标医学影像存在四个金属伪影,则目标医学影像的预评价得分为20分;假设识别出目标医学影像存在五个以及五个以上金属伪影,则目标医学影像的预评价得分为0分。
目标医学影像的预评价得分即为第一评价结果包含的评价分数。
可选地,对目标医学影像进行预评价,包括:确定目标医学影像对应的检查类型和检查部位;根据目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,第一摄片体位为与目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;根据边缘检测算子对目标医学影像的边缘进行检测,得到边缘检测结果;根据边缘检测结果判断目标医学影像的实际摄片体位是否为第一摄片体位;如果目标医学影像的实际摄片体位不是第一摄片体位,则降低目标医学影像的预评价得分。
检查类型、检查部位与标准摄片体位之间存在关联关系,可以认为,当实际摄片体位是标准摄片体位的时候,得到的医学影像能够较好地采集检查部位的信息,医学影像的质量较高;当实际摄片体位不是标准摄片体位的时候,得到的医学影像不能很好地采集检查部位的信息,医学影像的质量较差。
边缘检测算子可以为拉普拉斯算子。拉普拉斯算子是n维欧几里德空间中的一个二阶微分算子,定义为梯度的散度。
例如,假设目标医学影像的检查类型为CT,检查部位为眼眶,则标准摄片体位为仰卧轴扫或俯卧冠扫。在标准摄片体位下,目标医学影像应满足的要求为两眼眶对称显示。如果根据边缘检测结果知道目标医学影像两眼眶对称显示,则说明目标医学影像的实际摄片体位为标准摄片体位;如果根据边缘检测结果知道目标医学影像不是两眼眶对称显示,则说明目标医学影像的实际摄片体位不是标准摄片体位。
根据边缘检测算子对目标医学影像的边缘进行检测,得到边缘检测结果,根据边缘检测结果判断目标医学影像的实际摄片体位是否为标准摄片体位,当实际摄片体位不是标准摄片体位的时候,降低目标医学影像的预评价得分。
可选地,对目标医学影像进行预评价,包括:根据图像质量参数指标对目标医学影像进行预评价,图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
峰值信噪比(英语:Peak signal-to-noise ratio,常缩写为PSNR)是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语。由于许多信号都有非常宽的动态范围,峰值信噪比常用对数分贝单位来表示。
均方误差(Mean Squared Error,MSE):均方误差法首先计算原始图像和失真像象素差值的均方值,然后通过均方值的大小来确定失真图像的失真程度。
图像熵表示为图像灰度级集合的比特平均数,单位比特/像素,也描述了图像信源的平均信息量。
熵指的是体系的混乱的程度,对焦良好的图像的熵大于没有清晰对焦的图像,因此可以用熵作为一种对焦评价标准。熵越大,图像越清晰。
本发明实施例打造了线上质量控制平台,并引入AI技术缩短提升评分效率和准确率。
该平台具有以下益处:
1.辅助医院将医学影像进行上传入库方便后期整合统计;
2.收到医院上传的医学影像之后将医学影像快速精准的分派给各个专家;
3.平台引入AI智能评分系统,对医学影像提供预评价,专家可继续对医学影像进行评价;
4.系统也会自动标示出医学影像中的病灶位置,帮助专家评估医学影像中病灶是否清晰,为医生提供更客观的评分标准;
5.评分完结之后系统将分值以及数据分析结果反馈到医院,无需再耗费人力进行综合统计。
本发明实施例提供了一种医学影像的质量评价装置,该装置用于执行上述医学影像的质量评价方法,如图2所示,该装置包括:第一获取单元10、预评价单元20、定位单元30、标示单元40、授权单元50、第二获取单元60、确定单元70、输出单元80。
第一获取单元10,用于获取目标医学影像。
预评价单元20,用于对目标医学影像进行预评价,得到第一评价结果。
定位单元30,用于定位目标医学影像中病灶的位置。
标示单元40,用于标示出目标医学影像中病灶的位置。
授权单元50,用于授权第一用户查看目标医学影像,第一用户所属的专业领域和目标医学影像的类别相关。
第二获取单元60,用于获取第一用户对目标医学影像进行评价得到的第二评价结果。
确定单元70,用于根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果。
输出单元80,用于输出目标医学影像的质量评价结果。
生成医学影像的设备,可以为:电子计算机断层扫描(Computed Tomography,CT)设备、磁共振(Magnetic Resonance,MR)设备、正电子发射型计算机断层显像(PositronEmission Computed Tomography,PET)设备或数字平板X线成像系统(DigitalRadiography,DR)等医学成像设备。
医学影像表示的部位可以为脑、心脏、脊柱、血管等组织结构。
病灶:一个局限的、具有病原微生物的病变组织。如肺的某一部分被结核菌破坏,这部分就是肺结核病灶。
在本发明实施例中,对目标医学影像进行预评价,得到第一评价结果,定位并标示出目标医学影像中病灶的位置,第一用户可以为具有专业医学知识的医生、专家等,第一用户可查看目标医学影像,第一用户对目标医学影像进行评价得到第二评价结果,根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果,由于已经提前定位并标示出病灶的位置,第一用户无需人工定位病灶的位置,节约了用户的时间和精力,解决了人工定位病灶费时费力导致的医学影像的质量评价效率低的问题,达到了提高医学影像的质量评价效率的效果。
可选地,定位单元30包括:粗分割处理子单元、第一识别子单元、定位子单元。粗分割处理子单元,用于对目标医学影像进行粗分割处理,得到粗分割掩膜,粗分割掩膜中包含目标医学影像中候选病灶的信息。第一识别子单元,用于从候选病灶中识别非真实病灶,并基于识别结果修正粗分割掩膜,得到目标分割掩膜,目标分割掩膜中不包含非真实病灶的信息。定位子单元,用于根据目标分割掩膜定位病灶的位置。
可选地,预评价单元20包括:第二识别子单元、第一预评价子单元。第二识别子单元,用于识别目标医学影像是否存在金属伪影,得到识别结果。第一预评价子单元,用于根据识别结果对目标医学影像进行预评价。
可选地,预评价单元20包括:确定子单元、查找子单元、检测子单元、判断子单元、第二预评价子单元。确定子单元,用于确定目标医学影像对应的检查类型和检查部位。查找子单元,用于根据目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,第一摄片体位为与目标医学影像对应的检查类型和检查部位相关联的标准摄片体位。检测子单元,用于根据边缘检测算子对目标医学影像的边缘进行检测,得到边缘检测结果。判断子单元,用于根据边缘检测结果判断目标医学影像的实际摄片体位是否为第一摄片体位。第二预评价子单元,用于如果目标医学影像的实际摄片体位不是第一摄片体位,则降低目标医学影像的预评价得分。
可选地,预评价单元20包括:第三预评价子单元。第三预评价子单元,用于根据图像质量参数指标对目标医学影像进行预评价,图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以下步骤:获取目标医学影像;对目标医学影像进行预评价,得到第一评价结果;定位目标医学影像中病灶的位置;标示出目标医学影像中病灶的位置;授权第一用户查看目标医学影像,第一用户所属的专业领域和目标医学影像的类别相关;获取第一用户对目标医学影像进行评价得到的第二评价结果;根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果;输出目标医学影像的质量评价结果。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:对目标医学影像进行粗分割处理,得到粗分割掩膜,粗分割掩膜中包含目标医学影像中候选病灶的信息;从候选病灶中识别非真实病灶,并基于识别结果修正粗分割掩膜,得到目标分割掩膜,目标分割掩膜中不包含非真实病灶的信息;根据目标分割掩膜定位病灶的位置。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:识别目标医学影像是否存在金属伪影,得到识别结果;根据识别结果对目标医学影像进行预评价。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:确定目标医学影像对应的检查类型和检查部位;根据目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,第一摄片体位为与目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;根据边缘检测算子对目标医学影像的边缘进行检测,得到边缘检测结果;根据边缘检测结果判断目标医学影像的实际摄片体位是否为第一摄片体位;如果目标医学影像的实际摄片体位不是第一摄片体位,则降低目标医学影像的预评价得分。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:根据图像质量参数指标对目标医学影像进行预评价,图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现以下步骤:获取目标医学影像;对目标医学影像进行预评价,得到第一评价结果;定位目标医学影像中病灶的位置;标示出目标医学影像中病灶的位置;授权第一用户查看目标医学影像,第一用户所属的专业领域和目标医学影像的类别相关;获取第一用户对目标医学影像进行评价得到的第二评价结果;根据第一评价结果和第二评价结果确定目标医学影像的质量评价结果;输出目标医学影像的质量评价结果。
可选地,程序指令被处理器加载并执行时还实现以下步骤:对目标医学影像进行粗分割处理,得到粗分割掩膜,粗分割掩膜中包含目标医学影像中候选病灶的信息;从候选病灶中识别非真实病灶,并基于识别结果修正粗分割掩膜,得到目标分割掩膜,目标分割掩膜中不包含非真实病灶的信息;根据目标分割掩膜定位病灶的位置。
可选地,程序指令被处理器加载并执行时还实现以下步骤:识别目标医学影像是否存在金属伪影,得到识别结果;根据识别结果对目标医学影像进行预评价。
可选地,程序指令被处理器加载并执行时还实现以下步骤:确定目标医学影像对应的检查类型和检查部位;根据目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,第一摄片体位为与目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;根据边缘检测算子对目标医学影像的边缘进行检测,得到边缘检测结果;根据边缘检测结果判断目标医学影像的实际摄片体位是否为第一摄片体位;如果目标医学影像的实际摄片体位不是第一摄片体位,则降低目标医学影像的预评价得分。
可选地,程序指令被处理器加载并执行时还实现以下步骤:根据图像质量参数指标对目标医学影像进行预评价,图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
图3是本发明实施例提供的一种计算机设备的示意图。如图3所示,该实施例的计算机设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53,该计算机程序53被处理器51执行时实现实施例中的医学影像的质量评价方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器51执行时实现实施例中医学影像的质量评价装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图3仅仅是计算机设备50的示例,并不构成对计算机设备50的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元,例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备,例如计算机设备50上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种医学影像的质量评价方法,其特征在于,所述方法包括:
获取目标医学影像;
对所述目标医学影像进行预评价,得到第一评价结果;
定位所述目标医学影像中病灶的位置;
标示出所述目标医学影像中病灶的位置;
授权第一用户查看所述目标医学影像,所述第一用户所属的专业领域和所述目标医学影像的类别相关;
获取所述第一用户对所述目标医学影像进行评价得到的第二评价结果;
根据所述第一评价结果和所述第二评价结果确定所述目标医学影像的质量评价结果;
输出所述目标医学影像的质量评价结果。
2.根据权利要求1所述的方法,其特征在于,所述定位所述目标医学影像中病灶的位置,包括:
对所述目标医学影像进行粗分割处理,得到粗分割掩膜,所述粗分割掩膜中包含所述目标医学影像中候选病灶的信息;
从所述候选病灶中识别非真实病灶,并基于识别结果修正所述粗分割掩膜,得到目标分割掩膜,所述目标分割掩膜中不包含所述非真实病灶的信息;
根据所述目标分割掩膜定位病灶的位置。
3.根据权利要求1所述的方法,其特征在于,所述对所述目标医学影像进行预评价,包括:
识别所述目标医学影像是否存在金属伪影,得到识别结果;
根据所述识别结果对所述目标医学影像进行预评价。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标医学影像进行预评价,包括:
确定所述目标医学影像对应的检查类型和检查部位;
根据所述目标医学影像对应的检查类型和检查部位从目标数据库中查找第一摄片体位,所述目标数据库中存储了检查类型、检查部位以及标准摄片体位的关联关系,所述第一摄片体位为与所述目标医学影像对应的检查类型和检查部位相关联的标准摄片体位;
根据边缘检测算子对所述目标医学影像的边缘进行检测,得到边缘检测结果;
根据所述边缘检测结果判断所述目标医学影像的实际摄片体位是否为所述第一摄片体位;
如果所述目标医学影像的实际摄片体位不是所述第一摄片体位,则降低所述目标医学影像的预评价得分。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述对所述目标医学影像进行预评价,包括:
根据图像质量参数指标对所述目标医学影像进行预评价,所述图像质量参数指标包括以下至少之一:图像的峰值信噪比、图像的均方误差、图像的熵。
6.一种医学影像的质量评价装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标医学影像;
预评价单元,用于对所述目标医学影像进行预评价,得到第一评价结果;
定位单元,用于定位所述目标医学影像中病灶的位置;
标示单元,用于标示出所述目标医学影像中病灶的位置;
授权单元,用于授权第一用户查看所述目标医学影像,所述第一用户所属的专业领域和所述目标医学影像的类别相关;
第二获取单元,用于获取所述第一用户对所述目标医学影像进行评价得到的第二评价结果;
确定单元,用于根据所述第一评价结果和所述第二评价结果确定所述目标医学影像的质量评价结果;
输出单元,用于输出所述目标医学影像的质量评价结果。
7.根据权利要求6所述的装置,其特征在于,所述定位单元包括:
粗分割处理子单元,用于对所述目标医学影像进行粗分割处理,得到粗分割掩膜,所述粗分割掩膜中包含所述目标医学影像中候选病灶的信息;
第一识别子单元,用于从所述候选病灶中识别非真实病灶,并基于识别结果修正所述粗分割掩膜,得到目标分割掩膜,所述目标分割掩膜中不包含所述非真实病灶的信息;
定位子单元,用于根据所述目标分割掩膜定位病灶的位置。
8.根据权利要求6所述的装置,其特征在于,所述预评价单元包括:
第二识别子单元,用于识别所述目标医学影像是否存在金属伪影,得到识别结果;
第一预评价子单元,用于根据所述识别结果对所述目标医学影像进行预评价。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的医学影像的质量评价方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于:所述程序指令被处理器加载并执行时实现权利要求1至5任意一项所述的医学影像的质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079564.1A CN109919912A (zh) | 2019-01-28 | 2019-01-28 | 一种医学影像的质量评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079564.1A CN109919912A (zh) | 2019-01-28 | 2019-01-28 | 一种医学影像的质量评价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919912A true CN109919912A (zh) | 2019-06-21 |
Family
ID=66960900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079564.1A Pending CN109919912A (zh) | 2019-01-28 | 2019-01-28 | 一种医学影像的质量评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919912A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估系统及方法 |
CN113450381A (zh) * | 2021-06-16 | 2021-09-28 | 上海深至信息科技有限公司 | 一种图像分割模型的准确度评价系统及方法 |
CN113743814A (zh) * | 2021-09-13 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 医学影像质量评价和处理方法、装置、设备和介质 |
WO2023186133A1 (zh) * | 2022-04-02 | 2023-10-05 | 武汉联影智融医疗科技有限公司 | 一种用于穿刺路径规划的系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
-
2019
- 2019-01-28 CN CN201910079564.1A patent/CN109919912A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109003269A (zh) * | 2018-07-19 | 2018-12-14 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
Non-Patent Citations (2)
Title |
---|
刘兴党 等: "《核医学质量控制与管理》", 31 October 2018, 上海:复旦大学出版社, pages: 137 - 140 * |
殷夫: "PET_CT图像质量主观评价与感知模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科技辑》, pages 138 - 765 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估系统及方法 |
CN111402231B (zh) * | 2020-03-16 | 2023-05-23 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估系统及方法 |
CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
CN113450381A (zh) * | 2021-06-16 | 2021-09-28 | 上海深至信息科技有限公司 | 一种图像分割模型的准确度评价系统及方法 |
CN113450381B (zh) * | 2021-06-16 | 2022-10-18 | 上海深至信息科技有限公司 | 一种图像分割模型的准确度评价系统及方法 |
CN113743814A (zh) * | 2021-09-13 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 医学影像质量评价和处理方法、装置、设备和介质 |
WO2023186133A1 (zh) * | 2022-04-02 | 2023-10-05 | 武汉联影智融医疗科技有限公司 | 一种用于穿刺路径规划的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bandi et al. | From detection of individual metastases to classification of lymph node status at the patient level: the camelyon17 challenge | |
CN109919912A (zh) | 一种医学影像的质量评价方法和装置 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US8218849B2 (en) | Method and system for automatic landmark detection using discriminative joint context | |
US8687879B2 (en) | Method and apparatus for generating special-purpose image analysis algorithms | |
US9135695B2 (en) | Method for creating attenuation correction maps for PET image reconstruction | |
CN105559813B (zh) | 医用图像诊断装置以及医用图像处理装置 | |
CN111507381B (zh) | 图像识别方法及相关装置、设备 | |
US8116548B2 (en) | Method and system for detecting 3D anatomical structures using constrained marginal space learning | |
CN109447966A (zh) | 医学图像的病灶定位识别方法、装置、设备及存储介质 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
US20100284590A1 (en) | Systems and Methods for Robust Learning Based Annotation of Medical Radiographs | |
CN1934589A (zh) | 为医学成像提供自动决策支持的系统和方法 | |
CN100566655C (zh) | 用于处理图像以确定图像特性或分析候补的方法 | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
JP2009502317A (ja) | 放射線写真イメージにおいてマーカを識別する方法 | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN115222713A (zh) | 一种冠状动脉钙化积分的计算方法、装置及存储介质 | |
CN110619621A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
Liu et al. | A new multi‐object image thresholding method based on correlation between object class uncertainty and intensity gradient | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN110555850A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
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 |