CN110022772B - X射线装置及其获取医学图像的方法 - Google Patents

X射线装置及其获取医学图像的方法 Download PDF

Info

Publication number
CN110022772B
CN110022772B CN201780073254.8A CN201780073254A CN110022772B CN 110022772 B CN110022772 B CN 110022772B CN 201780073254 A CN201780073254 A CN 201780073254A CN 110022772 B CN110022772 B CN 110022772B
Authority
CN
China
Prior art keywords
scattered radiation
image
radiation image
radiation
network model
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.)
Active
Application number
CN201780073254.8A
Other languages
English (en)
Other versions
CN110022772A (zh
Inventor
宋正龙
李炳元
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co 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
Priority claimed from KR1020170034381A external-priority patent/KR102399148B1/ko
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN110022772A publication Critical patent/CN110022772A/zh
Application granted granted Critical
Publication of CN110022772B publication Critical patent/CN110022772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Optics & Photonics (AREA)
  • Human Resources & Organizations (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Child & Adolescent Psychology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种X射线装置的获取医学图像的方法，包括：获取目标对象的原始辐射图像以及对象的捕获条件信息；通过将原始辐射图像和捕获条件信息输入到被配置为用于估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像；并且基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射的学习网络模型是使用多个散射辐射图像和与多个散射辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。

Description

X射线装置及其获取医学图像的方法
技术领域
本公开的示例性实施例涉及X射线装置及其获取医学图像的方法，更具体地，涉及通过处理由X射线装置检测到的对象的辐射图像来获取具有改善质量的医学图像的方法，以及用于执行该方法的X射线装置。
背景技术
X射线装置能够利用X射线照射对象以获取其辐射图像。在这种情况下，由X射线检测器检测的辐射除了包括重要信息的主辐射之外，还可以包括降低图像质量的散射辐射。
为了过滤散射辐射，可以在对象和X射线检测器之间使用防散射物理网格。
当使用防散射物理网格时，需要X射线检测器和X射线发射器管之间的精确对准。然而，难以将X射线检测器相对于X射线发射器管对准，因此用户可能会避免使用防散射物理网格。
另外，由于难以将防散射物理网格附接到X射线检测器以及将防散射物理网格从X射线检测器拆卸，并且难以对其进行消毒管理，因此可能会避免使用防散射物理网格。
当不使用防散射物理网格时，X射线图像的质量可能显着降低，因此，需要用算法补偿X射线图像的质量。
例如，为了从由X射线检测器检测的原始辐射图像中去除散射辐射图像，可以考虑根据身体部位(例如，身体的一部分或身体上或身体内的位置)的区域或厚度的特征来使用由多个散射内核组成的内核数据库。在这种情况下，当输入原始辐射图像时，X射线装置可以根据身体部位的区域或厚度应用不同的散射内核，以获取从中去除散射辐射的辐射图像。
发明内容
【技术问题】
为了通过在X射线装置中应用多个散射内核来去除散射辐射，有利的是基于身体部位精确地估计特征。
例如，当根据身体部位的区域应用散射内核时，X射线装置需要根据身体部位的区域和身体部位之间的连接部分来精确地测量特征。另外，当根据身体部位的厚度应用不同的散射内核时，X射线装置需要精确地测量身体部位的厚度。
另外，考虑到患者的体型和健康状况，人体中准许有许多物质的组合和变化，因此，当使用由有限数量的多个散射内核组成的内核数据库时，可能对于提高辐射图像质量存在限制。
因此，可以考虑最近的新技术。例如，最近出现了使用人工智能(AI)系统而不是使用简单搜索数据库的成像技术。AI系统是实现人类水平的智能的计算机系统，其中机器本身学习和判断，因此识别率随着计算机系统的使用而增加。AI技术包括使用学习网络模型模拟人类大脑的识别、判断等功能的元素技术，其中，学习网络模型使用算法来分类/学习输入数据的特征。
元素技术可以包括，例如，用于识别人类语言/字符的语言理解技术、用于将对象识别为人类视觉的视觉理解技术、用于确定和逻辑推断和预测信息的推理/预测技术、用于将人的体验信息作为知识数据处理的知识表达技术、以及用于控制车辆自动驾驶和机器人运动的操作控制技术中的至少一种。其中，视觉理解是用于识别对象和将对象处理为人类视觉的技术，并且包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解、图像增强等。
因此，本公开的一个方面是通过使用这样的AI技术来改善由X射线装置检测到的对象的辐射图像的质量。
本公开的其他方面将部分地在以下描述中阐述，并且部分地将从描述中变得显而易见，或者可以通过本公开的实践来学习。
【问题的解决方案】
根据本公开的一个方面，一种获取X射线装置的医学图像的方法包括：获取目标对象的原始辐射图像和目标对象的捕获条件信息；通过将原始辐射图像和捕获条件信息输入到用于估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像；以及基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，其中，配置成估计散射辐射的学习网络模型是使用多个散射辐射图像和与多个散射辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
根据本公开的另一方面，一种获取X射线装置的医学图像的方法包括：获取目标对象的原始辐射图像和目标对象的捕获条件信息；以及通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射处理的医学图像的学习网络模型，从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射处理的医学图像的学习网络模型是使用多个原始辐射图像和与多个原始辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
根据本公开的另一方面，一种X射线装置包括：X射线发射器，其被配置为发射X射线以拍摄目标对象；X射线检测器，其被配置为检测穿过对象的从X射线发射器发射的X射线；控制器，其电连接到X射线发射器和X射线检测器以控制X射线装置；以及存储器，其电连接到控制器，其中，所述存储器被配置为存储指令，所述指令允许控制器执行控制操作，以便于当X射线装置操作时，通过输入对象的原始辐射图像和捕获条件信息到被配置为估计散射辐射的学习网络模型来获取与从X射线检测器获取的对象的原始辐射图像相关的散射辐射图像，以及基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射的学习网络模型是使用多个散射辐射图像和与多个散射辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
根据本公开的另一方面，一种X射线装置包括：X射线发射器，其被配置为发射X射线以拍摄对象；X射线检测器，其被配置为检测从X射线发射器发射并穿过对象的X射线；控制器，其电连接到X射线发射器和X射线检测器以控制X射线装置；以及将存储器，其电连接到控制器，其中，所述存储器被配置为存储指令，所述指令允许控制器执行控制操作，以便于当X射线装置操作时，通过输入对象的原始辐射图像和捕获条件信息到被配置为估计散射辐射处理的医学图像的学习网络模型来从自X射线检测器获取的对象的原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射处理的医学图像的学习网络模型是使用多个原始辐射图像和与多个原始辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
根据本公开的另一方面，一种包括计算机可读记录介质的计算机程序产品包括如下指令，其使得X射线装置能够获取目标对象的原始辐射图像以及对象的捕获条件信息，通过输入原始辐射图像和捕获条件信息到被配置为估计散射辐射的学习网络模型来获取与原始辐射图像相关的散射辐射图像，以及基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射的学习网络模型是使用多个散射辐射图像和与多个散射辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
根据本公开的另一方面，一种包括计算机可读记录介质的计算机程序产品包括如下指令，其使得X射线装置能够获取目标对象的原始辐射图像以及对象的捕获条件信息，以及通过输入原始辐射图像和捕获条件信息到被配置为估计散射辐射处理的医学图像的学习网络模型来从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射处理的医学图像的学习网络模型是使用多个原始辐射图像和与多个原始辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
在本公开的一个方面，提供了一种由一个或多个计算机执行的获取X射线装置的医学图像的方法，所述方法包括：获取对象的原始辐射图像以及对象的捕获条件信息；通过将原始辐射图像和捕获条件信息输入到被配置为用于估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像；以及基于原始辐射图像和散射辐射图像从原始辐射图像输出散射辐射处理的医学图像，所述散射辐射处理的医学图像具有比原始辐射图像更少的散射辐射信息，其中，被配置为估计散射辐射的学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型。
在本公开的又一方面，提供了一种由一个或多个计算机执行的获取X射线装置的医学图像的方法，所述方法包括：获取目标对象的原始辐射图像以及目标对象的捕获条件信息；以及通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射处理的医学图像的学习网络模型，从原始辐射图像获取散射辐射处理的医学图像，其中，被配置为估计散射辐射处理的医学图像的学习网络模型是基于多个原始辐射图像和与多个原始辐射图像中的每一个相关的多条捕获条件信息来教导的学习网络模型。
在本公开的一个方面，提供了一种X射线装置，包括：X射线发射器，其被配置为朝向对象发射X射线；X射线检测器，其被配置为检测已经穿过对象的X射线；控制器，其通信地连接到X射线发射器和X射线检测器以控制X射线装置；以及存储器，其通信地连接到所述控制器，其中，所述存储器被配置为存储用于控制器执行控制操作的指令以：通过输入对象的原始辐射图像和捕获条件信息到被配置为估计散射辐射的学习网络模型来获取与从X射线检测器获取的对象的原始辐射图像相关的散射辐射图像，以及基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，并且其中，被配置为估计散射辐射的学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型。
在本公开的另一方面，提供了一种X射线装置，包括：X射线发射器，其被配置为朝向对象发射X射线；X射线检测器，其被配置为检测已经穿过对象的X射线；控制器，其通信地连接到X射线发射器和X射线检测器以控制X射线装置；以及存储器，其通信连接到所述控制器。所述存储器被配置为存储用于控制器执行控制操作的指令，从X射线检测器获取的对象的原始辐射图像获取散射辐射处理的医学图像，所述散射辐射处理的医学图像通过输入对象的原始辐射图像和捕获条件信息到被配置为估计散射辐射处理的医学图像的学习网络模型来获取。此外，被配置为估计散射辐射处理的医学图像的学习网络模型包括基于多个原始辐射图像和与多个原始辐射图像相关的多条捕获条件信息来教导的学习网络模型。
在本公开的又一方面，提供了一种包括计算机可读记录介质的计算机程序产品，所述计算机程序产品包括如下的指令，以使得X射线装置能够：获取对象的原始辐射图像以及对象的捕获条件信息，通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像，以及基于所述原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像。被配置为估计散射辐射的学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型。
【发明的有益效果】
从以上描述显而易见的是，当使用学习网络模型对原始辐射图像执行散射辐射处理时，可以改善由X射线装置获取的医学图像的质量。
另外，通常，考虑到目标对象的特性和捕获条件信息，多个散射内核中的每一个需要执行散射辐射处理，而根据本公开的实施例，通过学习网络模型能够实现散射辐射图像的集成估计。因此，尽管用户没有定期进行限定并且不直接设计网络，但是网络仍可以在基于神经元及其组合而学习的图像之间定期地解释并执行建模。
另外，为了不断提高医学图像的质量，可以连续地训练先前产生的学习网络模型，而不需要生成新的散射内核，从而易于管理和有效地获取医学图像。
另外，在本公开中实现的效果不限于上述效果，并且本公开所属领域的普通技术人员从以下描述中可以清楚地理解未提及的其他效果。
附图说明
从以下结合附图对示例性实施例的描述中，本公开的这些和/或其他方面将变得显而易见并且更容易理解，附图中：
图1是示出根据本公开示例性实施例的X射线装置的结构的视图。
图2是示出根据本公开示例性实施例的移动X射线装置的结构的视图；
图3是根据本公开示例性实施例的便携式X射线检测器的外部视图；
图4是示出根据本公开示例性实施例的使用X射线装置获取医学图像的过程的视图；
图5至图7是示出了根据本公开示例性实施例的，通过将学习网络模型应用于X射线装置来获取医学图像的过程的视图；
图8示出了根据本公开的示例性实施例的被配置为用于设置散射辐射去除程度的用户界面(UI)；
图9和10示出了根据本公开示例性实施例的，通过将学习网络模型应用于X射线装置来获取医学图像的过程；
图11示出了根据本公开示例性实施例的，示出散射辐射处理效果的图像；
图12至图13b是示出了根据本公开示例性实施例的，通过将学习网络模型应用于X射线装置来获取从其去除骨骼结构(bone structure)的医学图像的过程的视图；以及
图14和15是示出了根据本公开示例性实施例的，使用X射线装置获取医学图像的方法的流程图。
具体实施方式
现在将详细参考本公开的示例性实施例，其示例在附图中示出，其中，相同的标号始终表示相同的元件。
在本说明书中，解释了本公开的原理，并且以使得本公开的范围变得显而易见的方式公开了本公开的示例性实施例，并且本公开可以由本发明所属的领域的普通技术人员来实施。这里阐述的示例性实施例可以以许多不同的形式实现。
贯穿说明书，相同的附图标记指代相同的元件。本说明书未描述示例性实施例的所有元件，并且将省略本公开所属领域的常规内容或示例性实施例之间的相同内容。这里使用的术语“部分”和“部件”可以体现为软件或硬件，并且根据示例性实施例，多个“部分”可以体现为单个单元或元件，而单个“部分”可以包括多个元件。在下文中，将参考附图描述本公开的操作原理和示例性实施例。表达“a，b和c中的至少一个”应理解为可以仅包括a、仅包括b、仅包括c、包括a和b、包括a和c、包括b和c、或包括全部a、b和c。
在本说明书中，图像可以包括由诸如磁共振成像(MRI)装置、计算机断层摄影(CT)成像装置、超声成像装置、X射线成像装置等等的医学成像装置获取的医学图像。
这里使用的术语“对象”指的是要成像的对象，并且可以包括例如，人、动物或其一部分。例如，对象可以包括身体的一部分(例如，器官)、体模等。
图1是示出了根据本公开示例性实施例的X射线装置100的结构的视图。图1示例性地示出了固定型X射线装置。
参考图1，X射线装置100包括：X射线发射器110，其被配置为产生和发射X射线；X射线检测器200，其被配置为检测从X射线照射器110发射并穿过对象的X射线；以及工作站180，其被配置为用于接收用户的命令，并向用户提供信息。另外，X射线装置100可以包括：控制器120，其被配置为根据输入命令控制X射线装置100；以及通信单元140，其被配置为与外部设备通信。
控制器120和通信单元140的元件可以部分地或完全地包括在工作站180中，或者可以与工作站180分开布置(例如，在单独的服务器中)。
X射线发射器110可以包括：X射线源，其被配置为产生X射线；以及准直器，其被配置为控制从X射线源产生的X射线的照射区域。
导轨(guide rail)30可以安装在X射线装置100所在的检查室的天花板上，X射线发射器110可以连接到移动托架40，移动托架40被构造成沿着导轨30移动以移动X射线发射器110到对应于对象P的位置，并且移动托架40和X射线发射器110可以经由可伸展或伸缩的柱框架50彼此连接，以调节X射线发射器110的高度。
工作站180可以包括：输入单元181，其被配置为接收用户的命令；以及显示单元182，其被配置为显示信息。
输入单元181可以接收用于捕获协议、捕获条件信息、捕获定时、控制X射线发射器110的位置的命令等。输入单元181可以包括键盘、鼠标、触摸屏、语音识别器等。
显示单元182可以显示用于引导或接收用户输入的屏幕、X射线图像、显示X射线装置100的状态的屏幕等。
控制器120可以根据从用户输入的命令来控制X射线发射器110的捕获定时、捕获条件信息等，并且可以使用从X射线检测器200接收的图像数据来产生医学图像。另外，控制器120可以控制在其处安装X射线检测器200的X射线发射器110或安装部件14和24的位置或姿势，或其两者。在替代示例性实施例中，X射线发射器110安装在安装部件14或24处，并且控制器120可以控制安装部件14或24的位置，或者控制安装在其他位置的X射线检测器200的位置。
控制器120可以包括：存储器，其被配置为存储用于执行上述操作以及将在下面描述的操作的程序；以及至少一个处理器，其被配置为执行所存储的程序，并且可以被布置在工作站180中。控制器120可以包括单个处理器或多个处理器。在后一种情况下，多个处理器可以集成在单个芯片上，或者可以在物理上彼此分离。
当控制器120包括多个处理器时，一些处理器可以布置在工作站180中，并且一些处理器可以布置在子用户界面(UI)80、移动托架40或其他设备中。例如，布置在工作站180中的处理器可以执行用于产生医学图像的成像等的控制，并且布置在子UI 80或移动托架40中的处理器可以执行与X射线发射器110或X射线检测器200的移动相关的控制。
X射线装置100可以通过通信单元140而有线或无线连接到外部设备(例如，外部服务器310)、医疗装置320和便携式终端330(例如，智能电话、平板电脑、可穿戴设备等)，以发送或接收数据。
通信单元140可以包括被配置为实现与外部设备的通信的一个或多个元件，并且可以包括例如，短程通信模块、有线通信模块和无线通信模块中的至少一个。
另外，通信单元140可以从外部设备接收控制信号，并且将接收的控制信号发送到控制器120，以使控制器120能够根据接收的控制信号控制X射线装置100。
另外，控制器120可以经由通信单元140向外部设备发送控制信号或从外部设备接收控制信号，以根据控制器120的控制信号控制外部设备。例如，外部设备可以根据经由通信单元140接收的控制器120的控制信号来处理数据。
另外，通信单元140还可以包括内部通信模块，该内部通信模块被配置为能够在X射线装置100的元件之间进行通信。能够控制X射线装置100的程序可以安装在外部设备上，使得该程序可以包括被配置为部分或完全执行控制器120的操作的命令。
程序可以预先安装在便携式终端330中，或者便携式终端330的用户可以通过从应用提供服务器下载程序来安装程序。应用提供服务器可以包括存储相应程序的记录介质。
同时，X射线检测器200可以实施为固定在支架(stand)20或工作台10上的固定型X射线检测器，可以可拆卸地安装在安装部件14和24上，或者可以实施为可在任意位置使用的便携式X射线检测器。根据数据传输方法及其供电方法，便携式X射线检测器可以是有线型X射线检测器或无线型X射线检测器。
可以包括或不包括X射线检测器200作为X射线装置100的元件。在后一种情况下，X射线检测器200可以由用户登记在X射线装置100中。另外，在两种情况下，X射线检测器200可以经由通信单元140连接到控制器120，以从其接收控制信号或者向其发送图像数据。
被配置为向用户提供信息并从用户接收命令的子UI 80可以被提供在X射线发射器110的侧表面处，并且由工作站180的输入单元181和显示单元182执行的功能可以在子UI80中部分地或完全地执行。
虽然图1示出了连接到检查室的天花板的固定型X射线装置，X射线装置100可以包括具有在本领域普通技术人员显而易见的范围内的各种结构的X射线装置、C型臂X射线装置、移动X射线装置等。
图2是示出了作为X射线装置的示例的移动X射线装置的视图。
与图1中相同的标号执行相同的功能，因此这里将省略其详细描述。
X射线装置100可以实施为上述天花板型X射线装置或移动X射线装置。当X射线装置100被实施为移动X射线装置时，连接到X射线发射器110的主体101可自由移动，并且将X射线发射器110连接到主体101的臂103也是可旋转的并且可以线性移动，因此X射线发射器110可在三维空间中自由移动。
主体101可以包括存储部件105，其被配置为存储X射线检测器200。另外，可以在存储部件105的内部提供能够对X射线检测器200充电的充电端口，使得存储部件105可以存储X射线检测器200并对其充电。
输入单元151、显示单元152、控制器120和通信单元140可以布置在主体101中，并且经历图像处理后，由X射线检测器200获取的图像数据可以被发送到主体101，然后显示在显示单元152上，或者可以通过通信单元140发送到外部设备。
另外，控制器120和通信单元140可以与主体101分开布置，或者控制器120和通信单元140的仅一部分元件可以布置在主体101中。
根据本发明的实力型实施例，图1和图2的每个X射线装置100的存储器150可以被配置为存储学习网络模型160。
学习网络模型160可以被设计为使得可以在计算机或至少一个处理器上模拟人的大脑结构。
例如，学习网络模型160可以包括具有权重和模拟人类神经网络的神经元的多个网络节点。多个网络节点可以在它们之间形成连接关系，以模拟经由突触的针对信号转导的突触事件。
学习网络模型160可以包括例如人工智能(AI)神经网络模型或从神经网络模型开发的深度学习网络模型。在深度学习网络模型中，多个网络节点可以位于其不同的深度(或层)，并根据卷积连接关系发送或接收数据。
学习网络模型160可以体现为例如软件模块。当学习网络模型160体现为包括软件模块(例如，指令)的程序(模块)时，学习网络模型160可以被存储在计算机可读记录介质中。在这种情况下，计算机可读记录介质可以是图1的X射线装置100的存储器150的至少一部分。
在另一示例性实施例中，学习网络模型160可以以硬件芯片的形式集成，因此可以是上述控制器120的一部分。例如，学习网络模型160可以以用于AI的专用硬件芯片的形式来设计，或者可以被设计为现有通用处理器(例如，中央处理单元(CPU)或应用处理器)或图形专用处理器(例如，图形处理单元(GPU))的一部分。
在另一示例性实施例中，学习网络模型160可以以软件模块或硬件芯片的形式设计，并且位于外部服务器310中。
在又一示例性实施例中，学习网络模型160可以是嵌入式软件，或者可以是可以或可以不与操作系统一起运行的固件。
在这种情况下，X射线装置100可以经由通信单元140将用于图像处理的输入数据发送到外部服务器310。输入数据可以包括例如由X射线装置100检测的原始辐射图像。原始辐射图像可以基于入射在X射线检测器200上的辐射指示整个辐射图像。原始辐射图像也可以被称为例如主要处理的辐射图像、初始辐射图像或未处理辐射图像。
外部服务器310可以将从X射线装置100接收的输入数据输入到学习网络模型160以获取改进的医学图像，并且可以将获取的医学图像发送到X射线装置100的通信单元140。
当位于外部服务器310中的学习网络模型160体现为软件模块时，学习网络模型160可以被存储在计算机可读记录介质中。在这种情况下，计算机可读记录介质可以是图1的服务器310的存储器(未示出)。
学习网络模型160可以在外部服务器310中产生。外部服务器310可以是例如X射线装置100的制造商的服务器、X射线装置100的管理员的服务器、或由制造商或管理员委托或租赁的第三方服务器。外部服务器310可以是被配置为仅生成或更新学习网络模型160的服务器，或者可以是被配置为从X射线装置100接收输入数据，并且提供使用学习网络模型160处理的改进图像的服务器。
外部服务器310可以使用学习数据来教导学习网络模型160。学习数据可以是例如由X射线装置100或另一X射线装置捕获的原始辐射图像、关于原始辐射图像的散射图像、和对其执行了散射辐射处理的医学图像中的至少一个。
学习数据可以由X射线装置100的制造商或管理员从医院或医生处收集，或者使用X射线装置100中的学习网络模型160获得的结果可以被重新用作学习数据。
可以周期性地或非周期性地更新学习网络模型160。非定期更新的情况可以包括例如存在管理员请求的情况，或者收集特定容量或更多学习数据的情况。
根据各种示例性实施例，可以在X射线装置100中直接执行产生学习网络模型160的过程。即，X射线装置100可以执行学习网络模型160的教学和更新，以及使用学习网络模型160的图像处理。
另外，外部服务器310可以包括多个服务器。多个服务器可以包括例如云服务器。云服务器可以包括被配置为使用在因特网环境中彼此连接的各种设备(服务器、客户端等)的资源来存储和处理数据的系统。
根据本公开的示例性实施例，学习网络模型160可以被配置为估计散射辐射图像或估计通过处理来自原始辐射图像的散射辐射而获得的医学图像。在另一示例性实施例中，学习网络模型160可以被配置为估计骨骼结构辐射图像。
下面将详细描述使用学习网络模型160估计散射辐射图像、在其上处理散射辐射的医学图像、和骨骼结构辐射图像的示例，并且将省略对相同元件的详细描述。
同时，在本公开中，当学习网络模型160用于估计散射图像时，学习网络模型160被视为指示多个散射内核的集成形式，而不是使用多个现有散射内核中的每一个，因此可以称为集成式散射网络模型。
如本文所使用的表述“学习网络模型160被配置为实现上述目标”可以意味着学习网络模型160不是能够响应各种情况的通用学习网络模型，而是针对特定目的而教导的学习网络模型，因此，其根据目的来实施。
图3是便携式X射线检测器的外部视图。
如上所述，X射线装置100中使用的X射线检测器200可以实现为便携式X射线检测器。在这种情况下，X射线检测器200可以包括被配置为供应电力以在无线方式中进行操作的电池。如图3所示，充电端口201可以经由要操作的电缆C而连接到分离的电源。
可以在形成X射线检测器200的外观的壳体203中提供：被配置为检测X射线并将X射线转换为图像数据的检测元件；被配置为临时或非临时存储图像数据的存储器；被配置为从X射线装置100接收控制信号或将图像数据发送到X射线装置100的通信模块；以及电池。此外，存储器可以存储X射线检测器200的图像校正信息和X射线检测器200的唯一识别信息，并且还可以在与X射线装置100通信时发送存储在其中的识别信息。
图4是示出根据本公开示例性实施例的使用X射线装置获取医学图像的过程的视图。
参考图4的(a)，当X射线发射器110用X射线照射对象时，X射线检测器200可以检测穿过对象的辐射。入射在X射线检测器200上的辐射可以包括包含重要信息的主辐射401和降低图像质量的散射辐射402。
X射线检测器200可以将根据主辐射401和散射辐射402产生的原始图像数据发送到工作站180或主体101。
当工作站180或主体101接收原始辐射图像时，可以对原始辐射图像进行散射辐射处理以获取医学图像。
特别地，参考图4的(b)，当从X射线检测器200获取原始辐射图像411时，X射线装置100可以执行散射场估计421。在这种情况下，X射线装置100可以使用被配置为估计从其去除散射的辐射的学习网络模型421-1来执行散射场估计421。
在这种情况下，学习网络模型421-1可以包括例如AI神经网络模型或深度学习网络模型。另外，散射的估计可以包括，例如，估计在原始辐射图像411中分布的散射场和散射聚集、散射密度、散射分布类型和散射分散中的至少一个。
当使用学习网络模型421-1通过散射场估计421获取散射辐射图像412时，X射线装置100可以通过接收原始辐射图像411和散射辐射图像412来执行散射处理422(或散射校正)，以用于获取散射辐射处理的医学图像。在这方面，散射辐射处理过程可以包括去除散射辐射的至少一部分、降低散射辐射的至少一部分的强度、或者过滤散射辐射的至少一部分。
当获取散射处理的辐射图像时，X射线装置100可以通过后处理423获取最终的医学图像413。在示例性实施例中，散射处理的辐射图像具有比原始图像更少的散射辐射。后处理423可以包括例如去除输入图像的噪声的处理或者调整输入图像的对比度的处理。
获取散射处理的辐射图像的上述过程可以由下面的等式1示出。
[等式1]
P＝wpT-S(T)
T：总辐射(输入图像)
P：主辐射
S(T)：估计散射辐射
Wp：在In/Non网格之间的主辐射比率
在等式1中，T表示基于入射在X射线检测器200上的辐射的整个辐射图像。整个辐射图像可以被称为原始辐射图像或未处理辐射图像。
当不使用一般的防散射网格时，原始辐射图像可以是基于从X射线检测器200接收的图像数据的辐射图像。然而，根据各种示例性实施例，当使用防散射网格时，从X射线检测器200接收的辐射图像可以是原始辐射图像的对象。
S(T)表示通过上述散射估计过程估计的散射辐射图像。
Wp表示考虑到插入防散射网格之前和之后之间的差异而计算的原始辐射图像的权重。
P表示包括重要信息的主辐射图像。根据等式1，主辐射图像可以是通过从整个加权辐射图像中去除估计的散射辐射图像而获得的图像。
根据本公开的示例性实施例，X射线装置100可以使用能够精确地估计散射的算法和应用，以主动地响应对象的特征和各种图像捕获条件信息。
特别地，本公开的X射线装置100可以使用学习网络模型(例如，深度学习网络模型)来估计散射。在另一示例性实施例中，本公开的X射线装置100可以使用深度学习网络模型来估计散射去除的辐射图像。在另一示例性实施例中，本公开的X射线装置100可以使用深度学习网络模型直接估计散射去除和后处理的医学图像。
根据各种示例性实施例，可以使用本公开的示例性实施例和现有示例性实施例来执行医学图像的估计。例如，可以根据身体部位的区域或厚度使用不同的散射内核来获取散射去除的辐射图像。另外，可以将散射去除的辐射图像输回到本公开的学习网络模型，以获取从中去除更大量散射的辐射图像。
在下文中，将描述根据本公开的各种示例性实施例的产生学习网络模型(例如，深度学习网络模型)和使用所生成的学习网络模型获取辐射图像的过程。
图5是示出根据本公开示例性实施例的使用学习网络模型(例如，深度学习网络模型)获取医学图像的过程的视图。
在图5中，(a)示出了产生学习网络模型的过程，并且(b)示出了使用学习网络模型获取辐射图像的过程。
首先，参考图5的(a)，可以基于包括散射辐射图像的学习数据510来执行教导学习网络模型的建模过程520。在这种情况下，学习数据510可以包括例如散射辐射图像511、目标对象的区域的特征512、目标对象的厚度513、和捕获条件信息514中的至少一个。捕获条件信息514可以包括例如kVp、mAs、SID和滤波器中的至少一个。在这方面，kVp和mAs分别是指施加到X射线发射器以产生X射线的电压和电流，SID表示从X射线发射器管到对象的距离，并且滤波器可以表示发射的X射线能带的范围。
另外，学习数据510可以包括原始辐射图像。
当完成建模过程520时，结果是可以获得被配置为估计散射辐射的学习网络模型530。
参考图5的(b)，当获得学习网络模型530(例如，组合的散射网络模型)时，X射线装置100可以执行散射辐射图像估计550(例如，散射分布场的直接估计)，其中，输入数据540(例如，获取条件(kVp、mAs、SID、滤波器等))被应用于被配置为估计散射辐射的学习网络模型530。结果，X射线装置100可以获取散射辐射图像560。在这种情况下，输入数据540可以包括例如当不使用防散射网格时获取的原始辐射图像541，以及捕获条件信息542。
具体地，X射线装置100可以通过根据多个网络深度中的每一个，将通过将网络节点的权重应用于输入数据540而获取的结果相加来获取散射辐射图像560。
使用X射线装置100获取散射辐射图像560的上述过程由下面的等式2示出。
[等式2]
在等式2中，SF表示估计的散射辐射图像560。
W表示被配置为估计散射辐射的学习网络模型530的网络节点的权重，并且Iinput表示输入数据540。
接下来，X射线装置100可以执行从原始辐射图像541去除(或校正)估计的散射辐射图像560的散射处理570(例如，来自输入图像的校正估计的散射分布)。
作为散射处理570的结果，X射线装置100可以获取散射辐射处理(或补偿)的医学图像580。
在图5中，(c)示出了在应用上述过程之前和之后的辐射图像。
参见图5的(c)，X射线装置100可以在不使用防散射网格时获取的原始辐射图像541上执行散射辐射图像估计550和散射处理570(例如，散射校正)。结果，X射线装置100可以获取散射辐射处理的医学图像580(例如，散射补偿的图像)。在这种情况下，散射辐射处理的医学图像580可以类似于使用防散射网格从其去除散射辐射的原始辐射图像。
图6示出了图示根据本公开另一示例性实施例的使用学习网络模型获取医学图像的过程的图。
首先，参考图6的(a)，可以基于包括原始辐射图像的学习数据610来执行教导学习网络模型的建模过程620(例如，通过深度学习原理来对组合的散射网络模型建模)。在这种情况下，学习数据610可以包括例如原始辐射图像611、目标对象的区域的特征612(例如，解剖区域的特征)、目标对象的厚度613(例如，患者深度)和捕获条件信息614(例如，诸如kVp、mAs、SID、滤波器等的获取条件)中的至少一个。
作为执行建模过程620的结果，可以获取被配置为估计散射辐射处理的医学图像的学习网络模型630(例如，组合的散射网络模型)。
参考图6的(b)，当获得学习网络模型630时，X射线装置100可以执行散射辐射图像估计650(例如，散射辐射效应的直接补偿)，其中输入数据640(例如，未处理图像)被应用到被配置为估计散射辐射的学习网络模型630。结果，X射线装置100可以获取散射辐射处理(或补偿)的医学图像660(例如，输出的散射补偿的图像)。
图7示出了根据本公开示例性实施例的使用学习网络模型获取医学图像的过程。
在图7中，X射线装置100的用户可能希望为医学图像设置散射辐射的去除程度。例如，用户可能需要从其中完全去除散射辐射的辐射图像，或者在其中包括一定程度的散射辐射的自然辐射图像。
在这种情况下，X射线装置100可以基于由用户选择的、来自散射辐射图像的散射辐射的去除程度来提供散射辐射处理的医学图像。
首先，参考图7的(a)，可以基于包括散射辐射图像的学习数据710来执行教导学习网络模型的建模过程720。在这种情况下，学习数据710可以包括例如散射辐射图像711(例如，散射分布)、目标对象的区域的特征712(例如，解剖区域的特征)、目标对象的厚度713(例如，患者深度)、捕获条件信息714(例如，获取条件(kVp、mAs、SID、滤波器等)，以及散射辐射的强度(或补偿)程度715(例如，补偿目标)的至少一个。此外，学习数据710还可以包括原始辐射图像。
在这方面，散射辐射图像的去除程度可以包括在辐射穿过防散射网格之后获取的原始辐射图像中剩余的散射的强度、分布和密度中的至少一个。散射辐射图像711的去除程度可以通过由个人手动设置或者根据图像处理技术自动设置来确定。可以将去除程度的值确定为例如0到100之间的值。
作为执行建模过程720的结果(例如，通过深度学习原理对组合的散射网络模型建模)，可以获得被配置为估计散射辐射图像的学习网络模型730(例如，组合的散射网络模型)。
参考图7的(b)，当获取学习网络模型730时，X射线装置100可以执行散射辐射图像估计750(例如，散射分布场的直接估计)，在其中输入数据740被应用到被配置为估计散射辐射的学习网络模型730。结果，X射线装置100可以获取散射辐射图像760。在这方面，输入数据740可以包括例如原始辐射图像741和捕获条件信息742(例如，获取条件(kVp、mAs、SID、过滤器等)。
同时，在散射辐射图像估计750中可以进一步包括设置散射辐射的去除程度(例如，补偿目标设置)的过程751(例如，散射分布场的直接估计)。在这种情况下，X射线装置100可以获取具有与设置的散射辐射的去除程度相对应的散射辐射强度的散射辐射图像。在下文中将参考图8描述设置散射辐射的去除程度的过程751(例如，补偿目标设置)，因此，将省略其详细描述。
接下来，X射线装置100可以执行散射处理770(例如，来自输入图像的校正估计的散射分布)，在其中从原始辐射图像741去除估计的散射辐射图像760。
作为散射处理770的结果，基于预设的散射辐射的去除程度，X射线装置100可以获取具有与去除程度相对应的散射辐射的强度的医学图像780(例如，输出的散射补偿的图像)。
在图7中，(c)示出了根据预设的散射辐射的去除程度的散射辐射处理的医学图像。
参考图7中的(c)，X射线装置100可以对原始辐射图像741执行散射辐射图像估计750和散射处理570。在这种情况下，根据预设的散射辐射的去除程度，X射线装置100可以获取具有与设置的散射辐射的去除程度相对应的散射辐射的强度的医学图像。在这种情况下，医学图像可以对应于作为使用防散射网格而获得的医学图像的质量。
例如，当将权重#1(例如，补偿权重)设置为去除程度的值时，可以获取具有与具有“85Lp/cm和6:1比率”的防散射网格的效果相同或相似的效果的医学图像781。另外，当将权重#2设置为去除程度的值时，可以获取具有与具有“85Lp/cm和10：1比率”的防散射网格的效果相同或相似的效果的医学图像782，并且，当将权重#3设置为去除程度的值时，可以获取具有与具有“85Lp/cm和16：1比率”的防散射网格的效果相同或相似的效果的医学图像783。这里使用的“Lp/cm”可以指包括在1cm中的网格线对的数量。此外，这里使用的术语“比率”可以指防散射网格的厚度。在这种情况下，Lp/cm值越大，辐射图像的清晰度越高，以及越大的防散射网格的厚度可以指示越高的散射辐射阻挡率。
在这种情况下，上述防散射网格的规格仅仅是一个示例，可以根据预设的散射辐射的去除程度来获取具有与具有各种规格的防散射网格相同或相似效果的医学图像。
图8示出了根据本公开示例性实施例的被配置为设置散射辐射的去除程度的UI。
被配置为设置散射辐射的去除程度的UI可以例如经由工作站180的输入单元181或显示部件182来提供，或者可以经由移动X射线装置100的输入单元151或显示部件152来提供。
首先，如图8的(a)所示，X射线装置100可以提供滚动条UI，其允许用户设置散射辐射的去除程度。在这种情况下，由用户设置的散射辐射的去除程度可以作为级别数滑块来提供，如图8(a)的811所示，可以作为从高到低的去除程度滑块来提供，如图8(a)的812所示，或者可以作为防散射网格的规格的例子的厚度比滑块来提供，如图8(a)的813所示。
在另一个示例性实施例中，如图8的(b)所示，X射线装置100可以提供允许用户设置散射辐射的去除程度的按钮UI。在这种情况下，由用户设置的散射辐射的去除程度可以作为级别数来提供，如图8(b)的821所示，或者可以作为防散射网格的厚度比来提供，如图8(b)的823所示。
在另一个示例性实施例中，如图8的(c)所示，X射线装置100可以提供包括缩略图信息的按钮UI，以便于用户的选择。在这种情况下，包括缩略图信息的按钮UI可以对应于具有不同的散射辐射的去除程度的样本医学图像。
在另一个示例性实施例中，如图8的(d)所示，X射线装置100可以提供被配置为以步进方式设置散射辐射的去除程度的UI。首先，参考图8的(d)，当选择被配置为设置散射辐射的去除程度的UI 841时，X射线装置100可以以步进方式提供与具有不同散射辐射的强度的医学图像对应的多个按钮UI。
在图8中，作为示例，更大的级别数、更高的去除程度和更大的网格厚度可以指示在医学图像中示出更低强度的散射辐射。也就是说，由于散射辐射的高去除程度，可以提供清晰的医学图像。另一方面，较小的级别数、较低的去除程度和较小的网格厚度可以指示在医学图像中示出较高强度的散射辐射。也就是说，由于散射辐射的去除程度低，可以提供与原始医学图像类似的自然医学图像。
当用户使用所提供的UI中的至少一个来设置散射辐射的去除程度时，X射线装置100可以获取具有与所设置的散射辐射的去除程度相对应的散射辐射的强度的医学图像。
图9示出了根据本公开示例性实施例的使用学习网络模型获取医学图像的过程。
参考图9，X射线装置100可以自动地提供具有适当的散射辐射的强度的医学图像而无需用户的输入，这与上面参考图7和图8所描述的不同。
首先，在图9的(a)中，可以基于包括散射辐射图像的学习数据910来执行教导学习网络模型的建模过程920(例如，通过深度学习原理来对组合的散射网络模型建模)。在这种情况下，学习数据910可以包括，例如，散射辐射图像911(例如，散射分布)、目标对象的区域特征912(例如，解剖区域的特征)、目标对象的厚度913(例如，患者深度)、捕获条件信息914(例如，获取条件(kVp、mAs、SID、滤波器等))、以及散射辐射的强度(或补偿)程度915(例如，补偿目标)中的至少一个。另外，学习数据910可以包括原始辐射图像。
在这种情况下，如图9的(a-1)所示，散射辐射图像911和每个散射辐射图像911的散射辐射的强度程度915可以被提供作为学习数据910的一部分。在另一个示例性实施例中，当原始辐射图像被包括在学习数据910中时，可以提供原始辐射图像和包括在每个原始辐射图像中的散射辐射的强度程度作为学习数据910的一部分。在另一个示例性实施例中，当原始辐射图像被包括在学习数据910中时，可以提供原始辐射图像和被包括在从原始辐射图像获取的每个散射辐射处理的医学图像中的散射辐射的强度程度来作为学习数据910的一部分。
作为执行建模过程920的结果，可以获得被配置为估计散射辐射图像的学习网络模型930(例如，组合的散射网络模型)。
如图9的(b)所示，当获得学习网络模型930时，X射线装置100可以执行散射辐射图像估计950(例如，散射分布场的直接估计)，在其中输入数据940被应用到被配置为估计散射辐射的学习网络模型930。结果，X射线装置100可以获取散射辐射图像960(例如，散射图像)。在这种情况下，输入数据940可以包括例如原始辐射图像941(例如，具有物理网格的未处理图像)和捕获条件信息942(例如，获取条件(kVp、mAs、SID、滤波器等)。
同时，在散射辐射图像估计950中可以进一步包括自动设置散射辐射的去除程度的过程951(例如，自动补偿目标设置)。即，X射线装置100可以使用学习网络模型930，获取具有适当的散射辐射强度的散射辐射图像960，所述学习网络模型930考虑到输入的原始辐射图像中包括的散射辐射的强度程度，学习了与原始辐射图像对应的散射辐射的强度程度。
接下来，X射线装置100可以执行从原始辐射图像941去除估计的散射辐射图像960的散射处理970(例如，来自输入图像的校正估计的散射分布)。
作为散射处理970的结果，X射线装置100可以获取具有满足用户的适当散射辐射强度的医学图像980(例如，输出的散射补偿的图像)。
在图9中，(c)示出了在其上根据预设的散射辐射的去除程度来处理散射辐射的医学图像。
在图9的(c)中，X射线装置100可以对原始辐射图像941执行散射辐射图像估计950和散射处理970。在这种情况下，X射线装置100可以执行自动设置散射辐射的去除程度的处理951，以自动获取具有适当散射辐射强度的医学图像。
例如，当去除程度的值被自动设置为权重#1(例如，补偿权重)时，可以获取具有与具有“85Lp/cm和6：1比率”的防散射网格的效果相同或相似效果的医学图像981，当去除程度的值被自动设置为权重#2时，可以获取具有与具有“85Lp/cm和10：1比率”的防散射网格的效果相同或相似效果的医学图像982，并且当去除程度的值被自动设置为权重#3时，可以获取具有与具有“85Lp/cm和16：1比率”的防散射网格的效果相同或相似效果的医学图像983。
图10示出了根据本公开示例性实施例的使用学习网络模型获取医学图像的过程。
在图10中，X射线装置100可以使用学习网络模型来进一步过滤在辐射通过防散射网格之后剩余的散射。例如，在用X射线照射肥胖患者的情况下，尽管使用防散射网格，仍可能发生相当大量的散射辐射。在这种情况下，需要使用学习网络模型去除残余散射辐射。
首先，在图10的(a)中，可以基于包括散射辐射图像的学习数据1010来执行教导学习网络模型的建模过程1020(例如，通过深度学习原理对组合的散射网络模型建模)。在这种情况下，学习数据1010可以包括例如散射辐射图像1011(例如，散射分布)、目标对象的区域特征1012(例如，解剖区域的特征)、目标对象的厚度1013(例如，患者深度)、捕获条件信息1014(例如，获取条件(kVp、mAs、SID、滤波器等))和散射辐射的强度(补偿或滤波)程度1015(补偿目标)的至少一个。在这种情况下，散射辐射图像1011可以是当使用防散射网格时捕获的辐射图像。
另外，学习数据1010可以包括原始辐射图像。在这种情况下，原始辐射图像可以是当使用防散射网格时捕获的辐射图像。
作为执行建模过程1020的结果，可以获得被配置为估计散射辐射图像的学习网络模型1030(例如，组合的散射网络模型)。
在图10的(b)中，当获得学习网络模型1030时，X射线装置100可以执行散射辐射图像估计1050(例如，散射分布场的直接估计)，在其中输入数据1040被应用到被配置为估计散射辐射的学习网络模型1030。结果，X射线装置100可以获取散射辐射图像1060。在这种情况下，输入数据1040可以包括例如当使用防散射网格时获取的原始辐射图像1041(例如，具有物理网格的未处理图像)，以及捕获条件信息1042(例如，获取条件(kVp、mAs、SID、滤波器等)。
同时，在散射辐射图像估计1050中可以进一步包括设置散射辐射的去除程度的过程(未示出)。在这种情况下，X射线装置100可以获取具有对应于散射辐射的去除程度的散射辐射强度的散射辐射图像。设置散射辐射的去除程度的过程可以经由UI通过用户输入来执行，如图7所示，或者可以在没有用户输入的情况下自动设置，如图9所示。
接下来，X射线装置100可以执行在其中从原始辐射图像1041去除估计的散射辐射图像1060的散射处理1070(例如，来自输入图像的校正估计的散射分布)。在这种情况下，原始辐射图像1041可以是当使用防散射网格时捕获的辐射图像。
作为散射处理1070的结果，X射线装置100可以获取散射辐射处理的医学图像1080。
在图10中，(c)示出了在应用上述过程之前和之后的辐射图像。
在图10的(c)中，X射线装置100可以对使用防散射网格时获取的原始辐射图像1041执行散射辐射图像估计1050和散射处理1070。在这种情况下，原始辐射图像1041可以是例如当使用具有85Lp/cm和10：1比率的防散射网格时捕获的辐射图像。作为散射辐射图像估计1050和散射处理1070的结果，X射线装置100可以获取散射辐射处理的医学图像1080。在这种情况下，由于进一步执行的散射辐射去除，医学图像1080可以是比使用防散射网格捕获的原始辐射图像1040更清晰的医学图像。
图11示出了示出根据本公开示例性实施例的散射辐射处理效果的图像。
在图11中，(a)示出了在不使用防散射网格时捕获的原始辐射图像。根据图11的(a)所示的结果，可以看出原始辐射图像包括大量散射辐射，因此具有低质量。
在图11中，(b)示出了当使用防散射网格时捕获的原始辐射图像。参考图11的(b)，可以看出，由于通过防散射网格对散射辐射进行了滤波，可以获取具有比图11的(a)的原始辐射图像的质量更高质量的原始辐射图像。
在图11中，(c)示出了当不使用防散射网格时，根据本公开的示例性实施例的通过散射辐射图像估计处理和散射处理过程捕获的辐射图像。参考图11的(c)。参照图11，根据本公开的示例性实施例的辐射图像可以具有与使用物理防散射网格捕获的辐射图像相同或更高的质量。
根据本公开的上述示例性实施例，在不使用防散射网格时，可以使用学习网络模型从原始辐射图像估计散射图像，或者可以直接估计散射辐射处理的医学图像。
另外，为了在使用防散射网格时进一步改善医学图像的质量，可以使用学习网络模型从原始辐射图像估计散射图像，或者可以直接估计散射辐射处理的医学图像。
另外，当使用或不使用防散射网格时，可以考虑散射辐射设置的去除程度，使用学习网络模型从原始辐射图像估计散射图像，或者可以直接估计散射辐射处理的医学图像。
在这种情况下，可以经由UI通过用户输入来执行设置散射辐射的去除程度的过程，或者可以在没有用户输入的情况下自动设置散射辐射的去除程度。
根据各种示例性实施例，本公开的实施例还可以用在用于连接或组合多个医学图像的拼接(stitching)技术。
例如，X射线装置100可以通过将多个原始辐射图像输入到学习网络模型来获取多个散射辐射图像。另外，可以基于所获取的多个散射辐射图像来获取多个散射辐射处理的医学图像。X射线装置100可以通过拼接所获取的多个医学图像来获取对象的整个医学图像。在这种情况下，在应用学习网络模型或拼接处理的过程中，可以一起考虑多个医学图像中的每一个的捕获角度等。
根据各种示例性实施例，由散射辐射引起的噪声的变化也可以用作学习数据以教导学习网络模型。在这种情况下，可以考虑散射辐射的噪声来估计散射辐射图像或医学图像。
图12示出了根据本公开示例性实施例的通过将学习网络模型应用到X射线装置来获取从其去除骨骼结构的医学图像的过程。
X射线装置100可以对对象的身体部位(例如，人的胸部)进行X射线照相。在这种情况下，由于胸部的骨骼，病变的可见性会变差，因此可能难以准确地检测病变。因此，可能需要执行估计对象的身体部位中的骨骼并从原始辐射图像中去除估计的骨骼的过程。
本公开提供了使用学习网络模型从原始辐射图像去除骨骼的过程。
在图12中，X射线装置100可以用X射线照射身体部位(例如，胸部)以获取原始辐射图像1201。在这种情况下，原始辐射图像1201可以是根据上述示例性实施例，使用配置成估计散射辐射的学习网络模型而获取的医学图像。
X射线装置100可以使用被配置为从原始辐射图像1201估计骨骼的学习网络模型1211来执行骨骼估计1211(例如，基于“深度学习”的骨骼估计)。学习网络模型1211可以包括例如，AI神经网络模型或深度学习网络模型。
作为将原始辐射图像1201应用到学习网络模型1211的结果，X射线装置100可以获取骨骼结构辐射图像1202。骨骼结构可以包括例如肋骨、锁骨等。
当获取骨骼结构辐射图像1202时，X射线装置100可以使用原始辐射图像1201和骨骼结构辐射图像1202作为输入来执行骨骼处理1213(例如，骨骼结构抑制)以获取骨骼结构处理的医学图像1203。在这方面，骨骼结构处理可以包括从原始辐射图像1201去除骨骼结构的至少一部分、降低骨骼结构的至少一部分的强度、过滤至少一部分骨骼结构、或抑制骨骼结构的至少一部分。
这样，通过获取通过从原始辐射图像1201去除骨骼结构而获得的医学图像1203，可以改善病变和软组织的可见性。
特别是，在一般胸部辐射图像中可能无法准确区分结节(nodule)。在这种情况下，当对一般胸部辐射图像执行根据本公开示例性实施例的骨骼处理过程时，可以清楚地显示被骨骼隐藏的病变，因此能够进行准确的病变检测。
另外，现有骨骼处理算法对多个医学图像执行骨骼处理过程，而根据本公开的示例性实施例，使用一张辐射图像作为输入，因此对于对象的辐射剂量可以显著减少，并且主要在心脏病患者中发生的由于运动而导致的图像的噪声(伪影)可以最小化。
图13a和13b示出了通过将学习网络模型应用到根据本公开示例性实施例的X射线装置来获取从其去除骨骼结构的医学图像的过程。
首先，在图13a的(a)中，当获取对象的身体部位(例如，人的胸部)的辐射图像时，X射线装置100可以使用辐射图像作为输入来执行骨骼处理1320(例如，骨骼抑制成像)。在这种情况下，X射线装置100可以首先在骨骼处理1320之前执行预处理1310。预处理可以包括，例如使用上述学习网络模型来处理原始辐射图像中的散射辐射的方法。在另一示例性实施例中，预处理过程可包括去除所获取的辐射图像的噪声的过程、调整所获取的辐射图像的对比度的过程等。
接下来，作为骨骼处理1320的一部分，X射线装置100可以执行旋转1321，在其中，旋转辐射图像使得包括在捕获的辐射图像中的胸部的顶点朝向上方。例如，参考图13a的(b)，辐射图像1321-1至1321-4可以通过预处理1310旋转，使得胸部的顶点如辐射图像1321-5中那样朝向上方。
接下来，X射线装置100可以执行肺部分段1322，在其中产生掩模图像，从而从经历旋转1321的辐射图像中提取肺部相关区域。例如，参见图13a的(c)，X射线装置100可以通过肺部分段1322从左原始辐射图像1321-5产生右掩模图像1322-2。在这种情况下，从左原始辐射图像1321-5产生掩模图像1322-2的过程可以使用学习网络模型来执行。
另外，X射线装置100可以执行骨骼概率图(bone probability map，(BPM))生成1323，在其中，从经历旋转1321的辐射图像中提取骨骼结构。在这种情况下，可以使用如上参考图12所述的学习网络模型来执行BPM生成1323。
例如，参考图13b的(b)，X射线装置100可以通过BPM生成1323从原始辐射图像1321-5产生骨骼结构辐射图像1323-2。
接下来，X射线装置100可以执行使用经历旋转1321的原始辐射图像1321-5、通过BMP生成1323生成的骨骼结构辐射图像1323-2以及通过肺部分段1323生成的掩模图像1322-2来获取骨骼结构去除的辐射图像的骨骼处理过程1324(例如，骨骼结构抑制)。参照图13b的(c)，X射线装置100可以通过骨骼处理1324从原始辐射图像1321-5产生骨骼结构去除的辐射图像1324-2。
接下来，X射线装置100可以执行软组织增强1325，在其中，使用通过肺部分段1322产生的掩模图像1322-2和通过骨骼处理1324产生的骨骼结构去除的辐射图像1324-2来增强软组织的质量。
作为软组织增强1325的结果，X射线装置100可以获取具有改善的软组织分辨率和对比度的最终的骨骼结构去除的医学图像1302。
图14是示出根据本公开示例性实施例的使用X射线装置获取医学图像的方法的流程图。
首先，在操作1401中，外部服务器310或X射线装置100可以产生学习网络模型，该学习网络模型被配置为通过使用多个散射辐射图像和与每个散射辐射图像相关的多个捕获条件信息来估计散射辐射。在这种情况下，外部服务器310或X射线装置100可以产生学习网络模型，该学习网络模型被配置为通过还使用目标对象的区域的特征和目标对象的厚度中的至少一个作为学习数据来估计散射辐射。
接下来，在操作1403中，当X射线对对象照相时，X射线装置100可以获取目标对象的原始辐射图像及其捕获条件信息。
另外，在操作1405中，基于学习网络模型的多个网络节点之间的连接关系以及基于每个网络节点的权重进行的计算，X射线装置100可以通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射的学习网络模型来获取与原始辐射图像相关的散射辐射图像。在这种情况下，原始辐射图像可以是当不使用防散射网格时捕获的对象的原始辐射图像。另外，捕获条件信息可以包括当捕获原始辐射图像时，应用于产生X射线的电压、应用于产生X射线的电流、从X射线发射器到对象的距离、以及发射的X射线的能带的至少一个。
根据各种示例性实施例，X射线装置100可以接收用户输入以设置散射辐射的去除程度。在这种情况下，X射线装置100可以获取具有与设置的散射辐射的去除程度相对应的散射辐射强度的散射辐射图像。
根据各种示例性实施例，当被配置为估计散射辐射的学习网络模型被存储在外部服务器310的存储器中时，X射线装置100可以将所获取的对象的原始辐射图像和捕获条件信息发送到外部服务器310。外部服务器310可以通过将接收的原始辐射图像和捕获条件信息输入到存储的学习网络模型来获取与原始辐射图像相关的散射辐射图像。另外，外部服务器310可以将获取的散射辐射图像发送到X射线装置100。X射线装置100可以经由通信单元获取从外部服务器310发送的散射辐射图像。
接下来，在操作1407中，X射线装置100可以基于原始辐射图像和获取的散射辐射图像从原始辐射图像获取散射辐射处理的医学图像。在这种情况下，散射辐射处理的医学图像可以是通过从原始辐射图像去除散射辐射而获得的辐射图像。
图15是示出根据本公开示例性实施例的使用X射线装置获取医学图像的方法的流程图。
首先，在操作1501中，外部服务器310或X射线装置100可以产生学习网络模型，该学习网络模型被配置为通过使用多个原始辐射图像和与每个原始辐射图像相关的多个捕获条件信息来估计散射辐射处理的医学图像。在这种情况下，外部服务器310或X射线装置100可以产生学习网络模型，该学习网络模型被配置为通过还使用目标对象的区域的特征和目标对象的厚度的至少一个作为学习数据来估计散射辐射处理的医学图像。
接下来，在操作1503中，当X射线对对象照相时，X射线装置100可以获取目标对象的原始辐射图像及其捕获条件信息。
另外，在操作1505中，根据基于学习网络模型的多个网络节点之间的连接关系和每个网络节点的权重进行的计算，X射线装置100可以通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射处理的医学图像的学习网络模型来获取与原始辐射图像相关的散射辐射图像。在这种情况下，原始辐射图像可以是当不使用防散射网格时捕获的对象的原始辐射图像。
根据各种示例性实施例，X射线装置100可以接收用户输入以设置散射辐射的去除程度。在这种情况下，X射线装置100可以获取具有与根据用户输入设置的散射辐射的去除程度相对应的散射辐射的强度的散射辐射图像。
根据各种示例性实施例，当被配置为估计散射辐射处理的医学图像的学习网络模型被存储在外部服务器310的存储器中时，X射线装置100可以发送所获取的对象的原始辐射图像和捕获条件信息到外部服务器310。外部服务器310可以通过将所接收的原始辐射图像和捕获条件信息输入到存储的学习网络模型，从原始辐射图像获取散射辐射处理的医学图像。另外，外部服务器310可以将获取的医学图像发送到X射线装置100。X射线装置100可以经由通信单元获取从外部服务器310发送的医学图像。在这种情况下，散射辐射处理的医学图像可以是通过从原始辐射图像去除散射辐射而获取的辐射图像。
所公开的示例性实施例可以实现为包括存储在计算机可读存储介质中的指令的S/W程序。
计算机是从存储介质调用存储的指令并且根据所调用的指令可以根据所公开的示例性实施例来操作的设备，并且可以包括根据所公开的示例性实施例之一的X射线装置或包括通过通信连接到X射线装置的外部服务器。
计算机可读存储介质可以以非暂时性存储介质的形式提供。这里使用的术语“非暂时性”仅仅意味着存储介质不包括信号并且是有形的，但是不区分半永久地或临时地存储在存储介质上的数据。
另外，根据所公开的示例性实施例的方法可以作为计算机程序产品提供。
计算机程序产品可以包括S/W程序、存储S/W程序的计算机可读存储介质、或者在卖方和买方之间交易的产品。
例如，计算机程序产品可以包括通过X射线装置的制造商或电子市场(例如，Google Play商店或应用商店)电子分发的S/W程序形式的产品(例如，可下载的应用)。对于电子分发，S/W程序的至少一部分可以存储在存储介质中或者可以临时生成。在这种情况下，存储介质可以是制造商或电子市场的服务器、或中间服务器的存储介质。
从以上描述显而易见的是，当使用学习网络模型对原始辐射图像执行散射辐射处理时，可以改善由X射线装置获取的医学图像的质量。
另外，通常情况下，需要考虑目标对象的特性和捕获条件信息的多个散射内核中的每一个来执行散射辐射处理，而根据本公开的实施例，散射辐射图像的集成估计能够通过学习网络模型实现。因此，尽管用户没有定期地限定并且不直接设计网络，但是网络仍可以在基于神经元及其组合而学习的图像之间定期地解释并执行建模。
另外，为了不断提高医学图像的质量，可以连续地训练先前产生的学习网络模型，而不需要生成新的散射内核，从而易于管理和有效地获取医学图像。
另外，在本公开中实现的效果不限于上述效果，并且本公开所属领域的普通技术人员从以下描述中可以清楚地理解未提及的其他效果。

Claims (21)

1.一种由一个或多个计算机执行的获取X射线装置的医学图像的方法，所述方法包括：
获取对象的原始辐射图像以及对象的捕获条件信息；
通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像；以及
基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，所述散射辐射处理的医学图像具有比原始辐射图像更少的散射辐射信息，
其中，被配置为估计散射辐射的所述学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型，
其中，所述学习网络模型的学习是基于包括散射辐射图像、目标对象的区域的特征、所述目标对象的厚度和捕获条件信息中的至少一个的学习数据来执行。
2.根据权利要求1所述的方法，其中，获取散射辐射图像包括：基于学习网络模型的多个网络节点与所述多个网络节点的权重之间的关系来获取散射辐射图像。
3.根据权利要求1所述的方法，其中，所述原始辐射图像包括当不使用防散射网格时捕获的对象的原始辐射图像。
4.根据权利要求1所述的方法，其中，获取所述散射辐射图像包括：接收用户输入以设置散射辐射的去除程度，以及获取具有与设置的散射辐射的去除程度相对应的散射辐射强度的散射辐射图像。
5.根据权利要求1所述的方法，其中，获取所述散射辐射处理的医学图像包括从原始辐射图像获取散射辐射去除的辐射图像。
6.根据权利要求1所述的方法，其中，被配置为估计散射辐射的所述学习网络模型包括基于对象的区域的特征和对象的厚度中的至少一个来教导的模型。
7.根据权利要求1所述的方法，其中，被配置为估计散射辐射的所述学习网络模型包括基于原始辐射图像的散射辐射的去除程度来教导的模型。
8.根据权利要求1所述的方法，其中，所述捕获条件信息包括应用以产生X射线的电压、应用以产生X射线的电流、从X射线发射器到对象的距离和发射的X射线的能带中的至少一个。
9.根据权利要求1所述的方法，其中，所述学习网络模型被存储在X射线装置的存储器或外部服务器的存储器中，其中，当所述学习网络模型被存储在外部服务器的存储器中时，获取散射辐射图像包括通过将原始辐射图像和捕获条件信息输入到被存储在所述外部服务器中的学习网络模型来获取散射辐射图像。
10.根据权利要求1所述的方法，其中，获取所述散射辐射处理的医学图像包括:
基于在散射辐射图像中包括的散射辐射的位置来识别在原始射辐图像中包括的散射辐射，以及
通过以下操作中的至少一个来生成所述散射辐射处理的医学图像：去除所识别的在原始射辐图像中包括的散射辐射，降低所识别的在原始射辐图像中包括的散射辐射的强度，或者过滤所识别的在原始射辐图像中包括的散射辐射。
11.一种由一个或多个计算机执行的获取X射线装置的医学图像的方法，所述方法包括：
获取目标对象的原始辐射图像以及目标对象的捕获条件信息；以及
通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射处理的医学图像的学习网络模型，从原始辐射图像获取散射辐射处理的医学图像，
其中，被配置为估计散射辐射处理的医学图像的所述学习网络模型包括基于多个原始辐射图像和与多个原始辐射图像相关的多条捕获条件信息来教导的学习网络模型，
其中，所述学习网络模型的学习是基于包括散射辐射图像、目标对象的区域的特征、所述目标对象的厚度和捕获条件信息中的至少一个的学习数据来执行。
12.一种X射线装置，包括：
X射线发射器，其被配置为朝向对象发射X射线；
X射线检测器，其被配置为检测已经穿过对象的X射线；
控制器，其通信地连接到所述X射线发射器和所述X射线检测器，以控制所述X射线装置；以及
存储器，其通信地连接到所述控制器，
其中，所述存储器被配置为存储用于所述控制器执行控制操作的指令以：
通过将对象的原始辐射图像和捕获条件信息输入到被配置为估计散射辐射的学习网络模型来获取与从X射线检测器获取的对象的原始辐射图像相关的散射辐射图像，以及
基于原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，并且
其中，被配置为估计散射辐射的所述学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型，
其中，所述学习网络模型的学习是基于包括散射辐射图像、目标对象的区域的特征、所述目标对象的厚度和捕获条件信息中的至少一个的学习数据来执行。
13.根据权利要求12所述的X射线装置，其中：
用于所述控制器执行控制操作以获取与原始辐射图像相关的散射辐射图像的指令基于构成学习网络模型的多个网络节点与所述多个网络节点的权重之间的关系。
14.根据权利要求12所述的X射线装置，其中，所述原始辐射图像包括当不使用防散射网格时捕获的对象的原始辐射图像。
15.根据权利要求12所述的X射线装置，其中，用于所述控制器的指令还执行控制操作，以接收用户输入来设置散射辐射的去除程度，并且执行控制操作，以获取具有与设置的散射辐射的去除程度相对应的散射辐射强度的散射辐射图像。
16.根据权利要求12所述的X射线装置，其中，所述散射辐射处理的医学图像具有比原始辐射图像更少的散射辐射信息。
17.根据权利要求12所述的X射线装置，其中，被配置为估计散射辐射的所述学习网络模型包括基于对象的区域的特征和对象的厚度中的至少一个来教导的模型。
18.根据权利要求12所述的X射线装置，其中，被配置为估计散射辐射的所述学习网络模型包括基于原始辐射图像的散射辐射的去除程度来教导的模型。
19.根据权利要求12所述的X射线装置，其中，所述捕获条件信息包括应用以产生X射线的电压、应用以产生X射线的电流、从X射线发射器到对象的距离和发射的X射线的能带中的至少一个。
20.一种X射线装置，包括：
X射线发射器，其被配置为朝向对象发射X射线；
X射线检测器，其被配置为检测已经穿过对象的X射线；
控制器，其通信地连接到所述X射线发射器和所述X射线检测器，以控制所述X射线装置；以及
存储器，其通信地连接到所述控制器，
其中，所述存储器被配置为存储用于所述控制器执行控制操作的指令，以从自X射线检测器获取的对象的原始辐射图像获取散射辐射处理的医学图像，所述散射辐射处理的医学图像通过将对象的原始辐射图像和捕获条件信息输入到被配置为估计散射辐射处理的医学图像的学习网络模型来获取，以及
其中，被配置为估计散射辐射处理的医学图像的所述学习网络模型包括基于多个原始辐射图像和与多个原始辐射图像相关的多条捕获条件信息来教导的学习网络模型，
其中，所述学习网络模型的学习是基于包括散射辐射图像、目标对象的区域的特征、所述目标对象的厚度和捕获条件信息中的至少一个的学习数据来执行。
21.一种计算机可读记录介质，包括指令，所述指令使得X射线装置能够：
获取对象的原始辐射图像以及对象的捕获条件信息，
通过将原始辐射图像和捕获条件信息输入到被配置为估计散射辐射的学习网络模型，获取与原始辐射图像相关的散射辐射图像，以及
基于所述原始辐射图像和散射辐射图像从原始辐射图像获取散射辐射处理的医学图像，
其中，被配置为估计散射辐射的所述学习网络模型包括基于多个散射辐射图像和与多个散射辐射图像相关的多条捕获条件信息来教导的学习网络模型，
其中，所述学习网络模型的学习是基于包括散射辐射图像、目标对象的区域的特征、所述目标对象的厚度和捕获条件信息中的至少一个的学习数据来执行。
CN201780073254.8A 2016-11-25 2017-11-24 X射线装置及其获取医学图像的方法 Active CN110022772B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662426344P 2016-11-25 2016-11-25
US62/426,344 2016-11-25
KR1020170034381A KR102399148B1 (ko) 2016-11-25 2017-03-20 엑스선 장치 및 이의 의료 영상 획득
KR10-2017-0034381 2017-03-20
PCT/KR2017/013510 WO2018097641A1 (en) 2016-11-25 2017-11-24 X-ray apparatus and method of acquiring medical image thereof

Publications (2)

Publication Number Publication Date
CN110022772A CN110022772A (zh) 2019-07-16
CN110022772B true CN110022772B (zh) 2023-08-08

Family

ID=62628241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780073254.8A Active CN110022772B (zh) 2016-11-25 2017-11-24 X射线装置及其获取医学图像的方法

Country Status (1)

Country Link
CN (1) CN110022772B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803555B2 (en) 2017-08-31 2020-10-13 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction
CN107595312B (zh) * 2017-08-31 2020-12-04 上海联影医疗科技股份有限公司 模型生成方法、图像处理方法及医学成像设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69402041D1 (de) * 1993-12-24 1997-04-17 Agfa Gevaert Nv Phantom zur Röntgenkalibrierung
US6233365B1 (en) * 1996-05-27 2001-05-15 Sharp Kabushiki Kaisha Image-processing method
CN105682559A (zh) * 2013-09-25 2016-06-15 瓦里安医疗系统公司 用于估计散射的方法和系统
CN105682558A (zh) * 2013-08-29 2016-06-15 西门子保健有限责任公司 具有运动补偿的计算机断层摄影术

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8433154B2 (en) * 2010-12-13 2013-04-30 Carestream Health, Inc. Enhanced contrast for scatter compensation in X-ray imaging

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69402041D1 (de) * 1993-12-24 1997-04-17 Agfa Gevaert Nv Phantom zur Röntgenkalibrierung
US6233365B1 (en) * 1996-05-27 2001-05-15 Sharp Kabushiki Kaisha Image-processing method
CN105682558A (zh) * 2013-08-29 2016-06-15 西门子保健有限责任公司 具有运动补偿的计算机断层摄影术
CN105682559A (zh) * 2013-09-25 2016-06-15 瓦里安医疗系统公司 用于估计散射的方法和系统

Also Published As

Publication number Publication date
CN110022772A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
US11589831B2 (en) X-ray apparatus and method of acquiring medical image thereof
KR102070714B1 (ko) 오브젝트 위치 결정 장치, 오브젝트 위치 결정 방법, 오브젝트 위치 결정 프로그램, 및 방사선 치료 시스템
EP3525171B1 (en) Method and system for 3d reconstruction of x-ray ct volume and segmentation mask from a few x-ray radiographs
CN111724904B (zh) 用于针对医学扫描的患者建模的多任务渐进式网络
CN109937012B (zh) 为成像系统选择采集参数
EP3689241B1 (en) X-ray image processing method and x-ray image processing apparatus
US20200226752A1 (en) Apparatus and method for processing medical image
KR102579039B1 (ko) 의료용 화상 처리 장치, 치료 시스템, 및 의료용 화상 처리 프로그램
KR20190046471A (ko) 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치
US20140112438A1 (en) Method and system for obtaining a sequence of x-ray images using a reduced dose of ionizing radiation
KR20240013724A (ko) 다중 펄스 x-선 소스 이동 단층합성 영상화 시스템을 사용한 인공 지능 훈련
CN113397578A (zh) 一种成像系统和方法
CN108885781A (zh) 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统
JP2022546344A (ja) 脳卒中特徴取得のための画像処理
CN115087395A (zh) 针对介入的患者模型估计
CN110022772B (zh) X射线装置及其获取医学图像的方法
US11727567B2 (en) Method for generating synthetic X-ray images, control unit, and computer program
JP2022059493A (ja) モデル生成方法、モデル生成装置、画像処理方法及び画像処理装置
US11430203B2 (en) Computer-implemented method for registering low dimensional images with a high dimensional image, a method for training an aritificial neural network useful in finding landmarks in low dimensional images, a computer program and a system for registering low dimensional images with a high dimensional image
Zheng et al. Support value based stent-graft marker detection
CN114727800A (zh) 用于对象检测或识别的图像处理方法和装置
JP2023080703A (ja) 医用画像処理装置、方法及びプログラム

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
GR01 Patent grant
GR01 Patent grant