CN110428415A - 医学图像的质量评估方法、装置、设备及存储介质 - Google Patents
医学图像的质量评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110428415A CN110428415A CN201910717862.9A CN201910717862A CN110428415A CN 110428415 A CN110428415 A CN 110428415A CN 201910717862 A CN201910717862 A CN 201910717862A CN 110428415 A CN110428415 A CN 110428415A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- quality
- reference picture
- learning 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种医学图像的质量评估方法、装置、设备及存储介质。该方法包括:获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。本发明实施例的技术方案,以未存在待评估的图像质量缺陷的参考图像为金标准,评估目标图像是否存在该图像质量缺陷,以便医师根据质量评估结果进行扫描决策,可以有效减少医师的工作量,并且避免因质量较差的医学图像而影响后续诊断。
Description
技术领域
本发明实施例涉及医学图像处理技术领域,尤其涉及一种医学图像的质量评估方法、装置、设备及存储介质。
背景技术
在医学成像系统中,图像质量取决于很多因素,比如空间分辨率、组织对比度、信噪比等,因这些因素而出现的图像质量方面的缺陷可以通过硬件和扫描参数的优化而得以改善,由此得到较好的图像质量;然而,有些情况,比如,因金属装置如手术器械而带来的金属伪影的缺陷,因扫描过程中受检者的运动比如呼吸、心跳而带来的运动伪影的缺陷,是无法通过硬件和扫描参数的优化而得到较好的图像质量,较差的图像质量无法满足临床诊断要求。
为了呈现出更好的图像质量,在图像重建后,医师需要手动调取并观察重建后的图像,评估图像中包含的信息的完整性,由此在数据处理分析前,判断这些图像是否具有可接受的图像质量,以及,是否需要重新扫描。但是,每名受检者可能对应有多张重建图像,以全身磁共振扫描为例,一方面,由于扫描硬件的限制,只能以若干床位分别扫描的方式完成全身扫描;另一方面,每个床位上常规的磁共振扫描要包含不同加权的图像比如T1、T2、DWI,相同加权图像要包含不同的采集方位比如T2横断位、T2冠状位,不同参数采集,和/或,有些疾病会在某些部位增加更有针对性的磁共振扫描序列,因此,磁共振扫描序列可能有至少二十个,即每名受检者重建后的图像可能有至少二十个,这使得医师观察图像质量的过程相当耗时且费力,增加了医师的工作负担。
发明内容
本发明实施例提供了一种医学图像的质量评估方法、装置、设备及存储介质,以实现图像质量的客观评估。
第一方面,本发明实施例提供了一种医学图像的质量评估方法,可以包括:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
可选的,在此基础上,该医学图像的质量评估方法,还可以包括:
获取样本对象扫描重建后的样本参考图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像、样本目标图像和样本图像质量因子作为一组训练样本,其中,样本参考图像和样本目标图像具有相同的断层信息和位置信息,样本参考图像未存在待评估的图像质量缺陷;
基于多个训练样本对原始机器学习模型进行训练,得到图像质量评估机器学习模型。
可选的,该医学图像的质量评估方法,还可以包括:获取已训练完备的预测图像输出机器学习模型;
相应的,将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果,可以包括:
将参考图像输入至该预测图像输出机器学习模型中,得到与参考图像对应的预测图像;
将预测图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
可选的,在此基础上,该医学图像的质量评估方法,还可以包括:
获取样本对象扫描重建后的样本参考图像、样本预测图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像和样本预测图像作为一组第一训练样本,将样本预测图像、样本目标图像和样本图像质量因子作为一组第二训练样本;
基于多个第一训练样本对第一原始机器学习模型进行训练,得到预测图像输出机器学习模型,以及,基于多个第二训练样本对第二原始机器学习模型进行训练,得到图像质量评估机器学习模型;
其中,样本参考图像和样本预测图像未存在待评估的图像质量缺陷,样本参考图像、样本预测图像和样本目标图像具有相同的断层信息和位置信息。
可选的,将预测图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果,可以包括:对比预测图像和目标图像的相似度,得到目标图像的图像质量的评估结果。
可选的,在此基础上,若待评估的图像质量缺陷包括运动伪影,则相似度可以包括结构相似度;若待评估的图像质量缺陷包括亮度不均,则相似度可以包括亮度相似度。
可选的,样本预测图像可以包括基于预设磁共振扫描序列扫描重建后的图像,其中,预设磁共振扫描序列的扫描速度大于预设速度阈值。
第二方面,本发明实施例还提供了一种医学图像的质量评估装置,该装置可以包括:
获取模块,用于获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
图像质量评估模块,用于将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
第三方面,本发明实施例还提供了一种设备,该设备可以包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如下操作:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下操作:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
本发明实施例的技术方案,通过获取受检者扫描重建后的参考图像和目标图像,并将参考图像和目标图像输入至已训练完备的图像质量评估机器学习模型中,由此,可以根据未存在待评估的图像质量缺陷的参考图像评估目标图像的图像质量。上述技术方案,以未存在与图像质量评估机器学习模型对应的图像质量缺陷的参考图像为金标准,可以客观评估目标图像是否存在该图像质量缺陷,以便医师根据质量评估结果及时提醒受检者配合扫描,同时,还可以确定那些图像质量欠缺的部位或是序列是否需要进行重扫或是加扫,由此,无需医师一一检查那些扫描重建后的医学图像,可以有效减少医师的工作量,并且避免因质量较差的医学图像而导致的后续诊断不精确的问题。
附图说明
图1是本发明实施例一中的一种医学图像的质量评估方法的流程图;
图2是本发明实施例二中的一种医学图像的质量评估方法的流程图;
图3a是本发明实施例二中的一种医学图像的质量评估方法中参考图像到预测图像的转换示意图;
图3b是本发明实施例二中的一种医学图像的质量评估方法中预测图像和目标图像的对比示意图;
图4是本发明实施例二中的一种医学图像的质量评估方法中对抗神经网络模型的架构示意图;
图5是本发明实施例三中的一种医学图像的质量评估装置的结构框图;
图6是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例之前,先对本发明实施例的应用场景进行说明,通常情况下,以磁共振图像为例,在获取到受检者的扫描数据后,会对这些扫描数据进行图像重建,得到重建图像。医师在阅片时,可以把重建图像一一加载到浏览器中以便逐层检测图像质量。对于全身成像,由于各个扫描序列可以通过列表的形式呈现,为了节省阅片时间,医师可以根据实际需要在列表中通过序列名称查找感兴趣的序列,由此检查图像质量。
由上述内容可知,目前需要医师人工检查图像质量,然而,每名受检者重建后的图像可能有多张,在受检者数量较大的情况下,这将使得医师检查图像质量的过程相当耗时且费力,增加了医师的工作负担。因此,如果可以找到一种可以自动评估重建后的医学图像的质量的方法,在临床应用中具有重大意义。在此基础上,考虑到不同扫描协议对各种图像质量缺陷的敏感程度不同,比如,以图像质量缺陷为运动伪影为例,正电子发射型计算机断层成像(Positron Emission Computed Tomography,PET)图像对运动伪影不太敏感,而在某些扫描序列下得到的磁共振成像(Magnetic Resonance Imaging,MR)图像对运动伪影十分敏感,则,也许可以以PET图像作为金标准,借由PET图像来评估MR图像的图像质量。上述思想就是以未存在待评估的图像质量缺陷的图像为金标准,来评估那些可能存在该图像质量缺陷的图像,而且,由于是图像之间的直接对比,并非是根据人工的检测结果评估,这使得评估结果更为客观,在此基础上,提出了本发明各实施例所述的医学图像的质量评估方法。
实施例一
图1是本发明实施例一中提供的一种医学图像的质量评估方法的流程图。本实施例可适用于对扫描重建后的医学图像进行质量评估的情况,尤其适用于以未存在待评估的图像质量缺陷的参考图像为金标准,评估扫描重建后的目标图像是否存在相应的图像质量缺陷的情况。该方法可以由本发明实施例提供的医学图像的质量评估装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在各种设备上。
参见图1,本发明实施例的方法具体包括如下步骤:
S110、获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷。
其中,参考图像和目标图像都是受检者扫描重建后的真实存在的图像,它们可以是正电子发射型计算机断层图像、磁共振图像、电子计算机断层扫描图像等等。示例性的,从参考图像到目标图像,可以是PET图像到MR图像,PET图像到PET图像,相同对比度的MR图像到MR图像,不同对比度的MR图像到MR图像,MR图像到PET图像,等等。在此基础上,参考图像和目标图像可以具有相同的断层信息和位置信息,这样二者的对比才更具有针对性。示例性的,若以垂直于矢状面的方向为X方向、以垂直于冠状面的方向为Y方向、以垂直于横断面的方向为Z方向来建立三维坐标系,则断层信息可以体现在Z方向,即参考图像和目标图像在Z方向的坐标相同,而位置信息可以体现在X-Y平面,即受检者在参考图像和目标图像中的位移和姿态基本相同。
若以参考图像为金标准来评估目标图像的图像质量,则参考图像应当未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷,因为在这种情况下,参考图像对目标图像的评估才是有意义的。换言之,参考图像可以存在除待评估的图像质量缺陷以外的图像质量缺陷,比如,若待评估的图像质量缺陷是运动伪影,则参考图像可以存在磁化率伪影及金属伪影、设备伪影、亮度不均等图像质量缺陷,因为这些图像质量缺陷不会对目标图像是否存在运动伪影以及该运动伪影的严重程度的评估产生影响。
示例性的,在磁共振扫描中,不同扫描序列对亮度不均的敏感程度不同,比如,T1对亮度不均并不敏感,而T2对亮度不均较为敏感,则可以将在T1下获得的磁共振图像作为参考图像,在T2下获得的磁共振图像作为目标图像,由此来评估目标图像中是否存在亮度不均的情况。或者,虽然T2对亮度不均较为敏感,但如果可以在T2下获得一张亮度均匀的磁共振图像,则也可以以该磁共振图像为参考图像,评估其余的在T2下获得的目标图像是否存在亮度不均的情况。再示例性的,在磁共振扫描中,可以寻找一个对运动伪影不敏感的扫描序列,基于该扫描序列进行定位像扫描,由于定位像扫描可以在几毫秒之内扫描完毕,即使出现运动现象,定位像也不会发生变化,此时得到的定位像就可以作为参考图像,该参考图像也就是未存在运动伪影的金标准。
对于已训练完备的图像质量评估机器学习模型,其可以用于评估目标图像是否存在待评估的图像质量缺陷,即,该图像质量评估机器学习模型可以是与待评估的图像质量缺陷相对应,比如,有的图像质量评估机器学习模型可以用于评估运动伪影,有的图像质量评估机器学习模型可以用于评估亮度不均,当然,有图像质量评估机器学习模型可以同时用于评估运动伪影和亮度不均,这主要取决于模型训练时的训练样本都有哪些。比如,若可以找到未存在任何的图像质量缺陷的训练样本来训练模型,则由此得到的图像质量评估机器学习模型就可以用于评估任何的图像质量缺陷。示例性的,如果想要得到用于评估运动伪影的图像质量评估机器学习模型,基于磁共振扫描中的可以实现快速扫描的序列获得的参考图像对运动伪影不敏感。这是因为运动伪影与磁场有关,比如,运动会导致磁场变化,而快速扫描的序列对主磁场和射频场均不敏感,则它就可以忽略掉磁场信息,只保留受检者的结构信息,因此,快速扫描的序列对运动伪影不敏感。再示例性的,不同的磁共振序列可以测量成像物体的纵向弛豫时间(T1)以及横向横向弛豫时间(T2),而T1和T2是由成像物体本身的物质组成决定的,因此,T2*是由T2和磁场不均匀性决定的。则,若为了评估T2*因磁场不均匀导致的图像质量问题,可用将T2作为参考图像。
在此基础上,即使是评估相同的图像质量缺陷,为了提高医学图像质量的预测精度,不同来源的参考图像和/或不同来源的目标图像都可以对应于不同的图像质量评估机器学习模型。这是因为如果模型的输入数据和/或输出数据发生变化,模型也很可能发生变化。需要说明的是,对于图像质量评估机器学习模型,由于机器学习模型包括神经网络模型,神经网络模型包括深度学习模型,则,用于评估医学图像质量的模型可以是机器学习模型、神经网络模型和深度学习模型中的任一种,比如,其可以是对抗神经网络模型。
S120、将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
其中,在获取到受检者扫描重建后的参考图像和目标图像后,可以将参考图像和目标图像与已训练完备的图像质量评估机器学习模型相互配合,由此来评估目标图像的图像质量,该图像质量的评估结果可以用于反映出目标图像中是否存在与图像质量评估机器学习模型对应的图像质量缺陷。可以理解的是,该图像质量的评估结果可以通过多种形式呈现,比如图形化的方式、指标化的方式等等。例如,以指标化的方式呈现为例,若预先定义好目标图像的运动伪影可以分为大、中、小3个指标,则每个目标图像的质量评估结果可以是未存在运动伪影,或是,存在运动伪影,且该运动伪影的程度是大、中或是小。在实际应用中,以磁共振扫描为例,当扫描出图时,扫描列表或是检测列表中的序列名称的显示效果可以根据质量评估结果呈现出不同程度的变化,该显示效果可以是字体、颜色、大小、形状等等,由此引起医师的注意。
进一步,医师可以根据实时得到的目标图像的质量评估结果,区分高质量的目标图像和低质量的目标图像。即,目标图像的质量评估结果增加了医学图像信息的可读性,方便医师进行高效的判别和理解整体扫描的图像质量,从而辅助医师进行扫描决策,比如,医师可以及时确定是否需要中断扫描来提醒受检者配合扫描,是否需要对图像质量欠缺的部位或是序列进行重扫或加扫,等等。这是因为,一方面,如果根据质量评估结果确定某个时刻或是某个时间段内的图像质量较差,这可能是受检者的运动程度较大造成的,则医师可以及时提醒受检者配合扫描;另一方面,该时刻或是该时间段内的扫描重建后的医学图像对后续诊断的辅助意义有限,因此,医师对那些评估出的图像质量较差的部位或是序列可以确定是否需要进行重扫或是加扫。由上可知,医师可以从质量评估结果中直接得出每张医学图像对应的图像质量,无需一一检查每张医学图像,由此可以减少医师的工作量,并且有效避免因质量较差的医学图像而导致的后续诊断不精确的问题。
本发明实施例的技术方案,通过获取受检者扫描重建后的参考图像和目标图像,并将参考图像和目标图像输入至已训练完备的图像质量评估机器学习模型中,由此,可以根据未存在待评估的图像质量缺陷的参考图像客观评估目标图像的图像质量。上述技术方案,以未存在与图像质量评估机器学习模型对应的图像质量缺陷的参考图像为金标准,可以评估目标图像是否存在该图像质量缺陷,以便医师根据质量评估结果及时提醒受检者配合扫描,同时,还可以确定那些图像质量欠缺的部位或是序列是否需要进行重扫或是加扫,由此,无需医师一一检查那些扫描重建后的医学图像,可以有效减少医师的工作量,并且避免因质量较差的医学图像而导致的后续诊断不精确的问题。
在上述技术方案的基础上,该医学图像的质量评估方法,还可包括:获取样本对象扫描重建后的样本参考图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像、样本目标图像和样本图像质量因子作为一组训练样本,其中,样本参考图像和样本目标图像具有相同的断层信息和位置信息,样本参考图像未存在待评估的图像质量缺陷;基于多个训练样本对原始机器学习模型进行训练,得到图像质量评估机器学习模型。
其中,模型的训练过程与模型的使用过程类似,需要获取样本对象扫描重建后的样本参考图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,上述样本图像质量因子可以用于表示样本目标图像的图像质量。当然,正如上文所述,该样本图像质量因子可以通过多种形式呈现,比如图形化的方式、指标化的方式等等。例如,若以指标化的方式为例,该样本图像质量因子可以是大、中、小3个指标,也可以是非常严重、严重、中等、轻微4个指标;若以图形化的方式为例,该样本图像质量因子可以红圆点、黄圆点、绿圆点3个图形。进一步,将获取到的样本参考图像、样本目标图像和样本图像质量因子作为一组训练样本,其中,样本参考图像和样本目标图像可以作为实际输入,样本图像质量因子可以作为理想输出。
基于多个训练样本对原始机器学习模型进行训练,调节原始机器学习模型中的网络参数,得到图像质量评估机器学习模型。具体的,可以将样本参考图像和样本目标图像输入至原始机器学习模型中,生成实际图像质量因子;根据实际图像质量因子与样本图像质量因子的差异值,确定损失函数;将损失函数反向输入至原始机器学习模型中,调节原始机器学习模型的网络参数;重复执行上述步骤,直至损失函数满预设条件,由此得到图像质量评估机器学习模型,其中,上述差异值可以均方差、差值、比值等等。上述技术方案无需人工标注信息,可以直接学习参考图像和目标图像的差异,训练过程简单,由此训练得到的图像质量评估机器学习模型可以客观评估目标图像的图像质量。
实施例二
图2是本发明实施例二中提供的一种医学图像的质量评估方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,该医学图像的质量评估方法,具体还可包括:获取已训练完备的预测图像输出机器学习模型;相应的,将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果,可以包括:将参考图像输入至预测图像输出机器学习模型中,得到与参考图像对应的预测图像;将预测图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例的方法具体可以包括如下步骤:
S210、获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型和预测图像输出机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷。
其中,如果已训练完备的图像质量评估机器学习模型足够强大,强大到可以直接学习参考图像和目标图像的差异性,并由此评估目标图像的图像质量,则一个图像质量评估机器学习模型就可以实现目标图像的图像质量评估。相应的,如果已训练完备的图像质量评估机器学习模型没有足够强大到可以直接学习参考图像和目标图像的差异性,则可以提供给模型一个学习的方向,比如,可以先根据参考图像生成预测图像,再以预测图像为依据评估目标图像的图像质量。在此基础上,在获取已训练完备的图像质量评估机器学习模型时,还需要获取已训练完备的预测图像输出机器学习模型,该预测图像输出机器学习模型就是用于输出与参考图像对应的预测图像。
S220、将参考图像输入至预测图像输出机器学习模型中,得到与参考图像对应的预测图像。
其中,将参考图像输入至预测图像输出机器学习模型中,可以得到与参考图像对应的预测图像,该预测图像可以认为是一张伪目标图像,即模拟出的非真实存在的目标图像。示例性的,如果参考图像是未存在运动伪影的PET图像,则预测图像输出机器学习模型可以将PET图像和一个图像数据库中的各张MR图像进行对比,由此找到与PET图像最为相似的MR图像。当然,该MR图像并非是受检者扫描重建后真实存在的MR图像,它是一张伪MR图像,一张未存在运动伪影的模拟出的MR图像。
需要说明的是,对于参考图像、预测图像和目标图像之间的关系,首先,他们具有相同的断层信息和位置信息,这样根据以参考图像为依据生成的预测图像来评估目标图像才有意义。其次,与参考图像一样,预测图像也未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷,只有这样,才能以预测图像为依据来评估目标图像是否存在待评估的图像质量缺陷。再次,预测图像和目标图像的类型可以相同或是相似,比如,若预测图像和目标图像均是PET图像,或者,预测图像和目标图像均是对比度相同的MR图像,则二者类型相同;若预测图像和目标图像是对比度不同的MR图像,则二者类型相似;若预测图像和目标图像均对运动不敏感,则二者类型相似,这样设置的好处在于,除了待评估的图像质量缺陷,可以保证预测图像和目标图像的一致性。
示例性的,以预测图像输出机器学习模型为对抗神经网络模型为例,如图3a所示,在磁共振扫描中,T1对亮度不均并不敏感,而T2对亮度不均较为敏感,参考图像可以是磁共振T1图像,则预测图像可以是模拟出的磁共振T2图像,该磁共振T2图像是未存在亮度不均的伪磁共振图像,它模拟了在T2下获得的磁共振图像。
S230、将预测图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
其中,将预测图像和目标图像输入至图像质量评估机器学习模型中,可以得到目标图像的图像质量的评估结果,该评估结果可以表示目标图像是否存在与图像质量评估机器学习模型对应的图像质量缺陷,在此基础上,还可以表示该图像质量缺陷的严重程度,目标图像中的哪个区域存在该图像质量缺陷,等等。需要说明的是,上述步骤还可以理解为是对比预测图像和目标图像的相似度,根据对比结果得到目标图像的图像质量的评估结果。需要说明的是,不同的图像质量缺陷可以对比不同的相似度,比如,若待评估的图像质量缺陷包括运动伪影,则相似度可以包括结构相似度;若待评估的图像质量缺陷包括亮度不均,则相似度可以包括亮度相似度。
示例性的,继续以图3a所示的例子为例,参见图3b,亮度相似度的应用场景可能是:有些扫描序列对金属伪影、主磁场或是射频场的变化比较敏感,当这些扫描序列对应的目标图像中存在金属伪影、主磁场或是射频场变化的区域时,这些区域的亮度很可能会有所提高。此时,就可以对比预测图像(未存在亮度不均的伪磁共振图像)和目标图像(可能存在亮度不均的真磁共振图像)的亮度相似度,由此确定目标图像是否存在亮度不均的情况;而且,由于预测图像和目标图像的结构相同,只是在亮度方面存在差异,则经过对比可以客观确定目标图像中的哪个区域存在亮度不均的情况。
本发明实施例的技术方案,通过获取两个已训练完备的机器学习模型,分别实现从参考图像到预测图像的转换,以及,预测图像和目标图像的对比,该预测图像是未存在待评估的图像质量缺陷的伪目标图像,由此实现了目标图像的图像质量的客观评估。
在上述技术方案的基础上,该医学图像的质量评估方法,具体还可以包括:获取样本对象扫描重建后的样本参考图像、样本预测图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像和样本预测图像作为一组第一训练样本,将样本预测图像、样本目标图像和样本图像质量因子作为一组第二训练样本;基于多个第一训练样本对第一原始机器学习模型进行训练,得到预测图像输出机器学习模型,以及,基于多个第二训练样本对第二原始机器学习模型进行训练,得到图像质量评估机器学习模型;其中,样本参考图像和样本预测图像未存在待评估的图像质量缺陷,样本参考图像、样本预测图像和样本目标图像具有相同的断层信息和位置信息。
其中,两个机器学习模型的具体的训练过程可以参考实施例一中的相关内容,在此不在赘述。在此基础上,可选的,在磁共振扫描中,样本预测图像可以包括基于预设磁共振扫描序列扫描重建后的图像,其中,预设磁共振扫描序列的扫描速度大于预设速度阈值。这是因为磁化率伪影及金属伪影、运动伪影等等均与磁场有关,比如,运动会导致磁场变化,金属变强也会导致磁场变化,当扫描序列的扫描速度足够快时,它就可以忽略掉磁场信息,只保留受检者的结构信息,因此,这样的扫描序列对任何的图像质量缺陷都不敏感。
为了更好地理解上述步骤,示例性的,以预测图像输出机器学习模型为对抗神经网络模型(GAN)为例,基于CycleGAN循环生成的对抗神经网络模型的架构可以参见图4。其中,CycleGAN的原理可以概述为将一类图像转换成另一类图像,比如将亮度不均的图像转换为亮度均匀的图像。也就是说,如果有两个空间A和B,CycleGAN可以将A空间中的图像转换成B空间中的图像,即获取A空间的图像特征,并将其转换为B空间的图像特征。因此,CycleGAN就是学习从A空间到B空间的映射,若假设这个映射为生成器GAB,则生成器GAB对应着GAN中的判别器DA,GAB可以将A空间中的图像转换为B空间中的图像。对于生成的图像,我们还需要GAN中的判别器DB来判别它是否为真实图片,由此构成对抗神经网络模型。总之,为了实现这个过程,需要两个生成器GAB和GAB,由此实现A空间和B空间中的图像的互相转换。换言之,A空间中的图像经过生成器GAB可以表示B空间中的图像;B空间中的图像经过生成器GBA可以表示A空间中的图像。而且,为了训练这个单向GAN,需要两个损失函数,分别是生成器的重建损失函数LA和判别器的判别损失函数LB。
实施例三
图5为本发明实施例三提供的医学图像的质量评估装置的结构框图,该装置用于执行上述任意实施例所提供的医学图像的质量评估方法。该装置与上述各实施例的医学图像的质量评估方法属于同一个发明构思,在医学图像的质量评估装置的实施例中未详尽描述的细节内容,可以参考上述医学图像的质量评估方法的实施例。参见图5,该装置具体可包括:获取模块310和图像质量评估模块320。
其中,获取模块310,用于获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
图像质量评估模块320,用于将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
可选的,在此基础上,该装置还可包括:
训练样本构成模块,用于获取样本对象扫描重建后的样本参考图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像、样本目标图像和样本图像质量因子作为一组训练样本,其中,样本参考图像和样本目标图像具有相同的断层信息和位置信息,样本参考图像未存在待评估的图像质量缺陷;
机器学习模型得到模块,用于基于多个训练样本对原始机器学习模型进行训练,得到图像质量评估机器学习模型。
可选的,该医学图像的质量评估装置,具体还可以包括:
预测图像输出机器学习模型获取模块,用于获取已训练完备的预测图像输出机器学习模型;
相应的,图像质量评估模块320,具体可以包括:
预测图像得到单元,用于将参考图像输入至预测图像输出机器学习模型中,得到与参考图像对应的预测图像;
图像质量评估单元,用于将预测图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
可选的,在此基础上,该装置还可包括
训练样本构成模块,用于获取样本对象扫描重建后的样本参考图像、样本预测图像和样本目标图像,以及,与样本目标图像对应的样本图像质量因子,并将样本参考图像和样本预测图像作为一组第一训练样本,将样本预测图像、样本目标图像和样本图像质量因子作为一组第二训练样本;
机器学习模型得到模块,用于基于多个第一训练样本对第一原始机器学习模型进行训练,得到预测图像输出机器学习模型,以及,基于多个第二训练样本对第二原始机器学习模型进行训练,得到图像质量评估机器学习模型;
其中,样本参考图像和样本预测图像未存在待评估的图像质量缺陷,样本参考图像、样本预测图像和样本目标图像具有相同的断层信息和位置信息。
可选的,图像质量评估单元,具体可以用于:对比预测图像和目标图像的相似度,得到目标图像的图像质量的评估结果。
可选的,在此基础上,若待评估的图像质量缺陷包括运动伪影,则相似度包括可以结构相似度;若待评估的图像质量缺陷包括亮度不均,则相似度可以包括亮度相似度。
可选的,样本预测图像可以包括基于预设磁共振扫描序列扫描重建后的图像,其中,预设磁共振扫描序列的扫描速度大于预设速度阈值。
本发明实施例三提供的医学图像的质量评估装置,通过获取模块获取受检者扫描重建后的参考图像和目标图像;图像质量评估模块将参考图像和目标图像输入至已训练完备的图像质量评估机器学习模型中,由此,可以根据未存在待评估的图像质量缺陷的参考图像评估目标图像的图像质量。上述装置,以未存在与图像质量评估机器学习模型对应的图像质量缺陷的参考图像为金标准,可以评估目标图像是否存在该图像质量缺陷,以便医师根据质量评估结果及时提醒受检者配合扫描,同时,还可以确定那些图像质量欠缺的部位或是序列是否需要进行重扫或是加扫,由此,无需医师一一检查那些扫描重建后的医学图像,可以有效减少医师的工作量,并且避免因质量较差的医学图像而导致的后续诊断不精确的问题。
本发明实施例所提供的医学图像的质量评估装置可执行本发明任意实施例所提供的医学图像的质量评估方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述医学图像的质量评估装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图6为本发明实施例四提供的一种设备的结构示意图,如图6所示,该设备包括存储器410、处理器420、输入装置430和输出装置440。设备中的处理器420的数量可以是一个或多个,图6中以一个处理器420为例;设备中的存储器410、处理器420、输入装置430和输出装置440可以通过总线或其它方式连接,图6中以通过总线450连接为例。
存储器410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的医学图像的质量评估方法对应的程序指令/模块(例如,医学图像的质量评估装置中的获取模块310和图像质量评估模块320)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的医学图像的质量评估方法。
存储器410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像的质量评估方法,该方法包括:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,参考图像和目标图像具有相同的断层信息和位置信息,参考图像未存在与图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将参考图像和目标图像输入至图像质量评估机器学习模型中,得到目标图像的图像质量的评估结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的医学图像的质量评估方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。依据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种医学图像的质量评估方法,其特征在于,包括:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,所述参考图像和所述目标图像具有相同的断层信息和位置信息,所述参考图像未存在与所述图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将所述参考图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取样本对象扫描重建后的样本参考图像和样本目标图像,以及,与所述样本目标图像对应的样本图像质量因子,并将所述样本参考图像、所述样本目标图像和所述样本图像质量因子作为一组训练样本,其中,所述样本参考图像和所述样本目标图像具有相同的断层信息和位置信息,所述样本参考图像未存在所述待评估的图像质量缺陷;
基于多个所述训练样本对原始机器学习模型进行训练,得到所述图像质量评估机器学习模型。
3.根据权利要求1所述的方法,其特征在于,还包括:获取已训练完备的预测图像输出机器学习模型;
相应的,所述将所述参考图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果,包括:
将所述参考图像输入至所述预测图像输出机器学习模型中,得到与所述参考图像对应的预测图像;
将所述预测图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果。
4.根据权利要求3所述的方法,其特征在于,还包括:
获取样本对象扫描重建后的样本参考图像、样本预测图像和样本目标图像,以及,与所述样本目标图像对应的样本图像质量因子,并将所述样本参考图像和所述样本预测图像作为一组第一训练样本,将所述样本预测图像、所述样本目标图像和所述样本图像质量因子作为一组第二训练样本;
基于多个所述第一训练样本对第一原始机器学习模型进行训练,得到所述预测图像输出机器学习模型,以及,基于多个所述第二训练样本对第二原始机器学习模型进行训练,得到所述图像质量评估机器学习模型;
其中,所述样本参考图像和所述样本预测图像未存在所述待评估的图像质量缺陷,所述样本参考图像、样本预测图像和样本目标图像具有相同的断层信息和位置信息。
5.根据权利要求3所述的方法,其特征在于,所述将所述预测图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果,包括:
对比所述预测图像和所述目标图像的相似度,得到所述目标图像的图像质量的评估结果。
6.根据权利要求5所述的方法,其特征在于,若所述待评估的图像质量缺陷包括运动伪影,则所述相似度包括结构相似度;若所述待评估的图像质量缺陷包括亮度不均,则所述相似度包括亮度相似度。
7.根据权利要求4所述的方法,其特征在于,所述样本预测图像包括基于预设磁共振扫描序列扫描重建后的图像,其中,所述预设磁共振扫描序列的扫描速度大于预设速度阈值。
8.一种医学图像的质量评估装置,其特征在于,包括:
获取模块,用于获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,所述参考图像和所述目标图像具有相同的断层信息和位置信息,所述参考图像未存在与所述图像质量评估机器学习模型对应的待评估的图像质量缺陷;
图像质量评估模块,用于将所述参考图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如下操作:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,所述参考图像和所述目标图像具有相同的断层信息和位置信息,所述参考图像未存在与所述图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将所述参考图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果。
10.一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如下操作:
获取受检者扫描重建后的参考图像和目标图像,以及,已训练完备的图像质量评估机器学习模型,其中,所述参考图像和所述目标图像具有相同的断层信息和位置信息,所述参考图像未存在与所述图像质量评估机器学习模型对应的待评估的图像质量缺陷;
将所述参考图像和所述目标图像输入至所述图像质量评估机器学习模型中,得到所述目标图像的图像质量的评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717862.9A CN110428415B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717862.9A CN110428415B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428415A true CN110428415A (zh) | 2019-11-08 |
CN110428415B CN110428415B (zh) | 2022-05-13 |
Family
ID=68412568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717862.9A Active CN110428415B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428415B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838116A (zh) * | 2019-11-14 | 2020-02-25 | 上海联影医疗科技有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
CN111161238A (zh) * | 2019-12-27 | 2020-05-15 | Oppo广东移动通信有限公司 | 图像质量评价方法及装置、电子设备、存储介质 |
CN111192682A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
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 |
CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN112505598A (zh) * | 2020-12-10 | 2021-03-16 | 上海交通大学 | 定量磁化率成像重建方法及系统、存储介质及终端 |
CN112754459A (zh) * | 2020-12-23 | 2021-05-07 | 上海交通大学 | 骨骼组织定量成像方法、系统、介质及终端 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN117274180A (zh) * | 2023-09-13 | 2023-12-22 | 广州诺芯软件科技有限公司 | 应用于产品质量评估模型的数据处理方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050111542A1 (en) * | 2003-11-20 | 2005-05-26 | Canon Kabushiki Kaisha | Image processing apparatus and method, and computer program and computer-readable storage medium |
US7292711B2 (en) * | 2002-06-06 | 2007-11-06 | Wintriss Engineering Corporation | Flight parameter measurement system |
CN103295200A (zh) * | 2013-05-29 | 2013-09-11 | 深圳大学 | 数字图像配准方法及装置、数字减影图像矫正方法及设备 |
CN104751456A (zh) * | 2015-03-13 | 2015-07-01 | 深圳大学 | 基于条件直方图码书的盲图像质量评价方法 |
CN105184819A (zh) * | 2015-09-14 | 2015-12-23 | 浙江大学 | 用于医学图像重建参数寻优的客观图像质量评价方法 |
US20160212338A1 (en) * | 2015-01-15 | 2016-07-21 | Electronics And Telecommunications Research Institute | Apparatus and method for generating panoramic image based on image quality |
CN107633520A (zh) * | 2017-09-28 | 2018-01-26 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的超分辨率图像质量评估方法 |
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
EP3379488A1 (en) * | 2017-03-24 | 2018-09-26 | Samsung Medison Co., Ltd. | Medical image displaying apparatus and medical image displaying method |
CN108596890A (zh) * | 2018-04-20 | 2018-09-28 | 浙江科技学院 | 一种基于视觉测量率自适应融合的全参考图像质量客观评价方法 |
CN108596902A (zh) * | 2018-05-04 | 2018-09-28 | 北京大学 | 基于选通卷积神经网络的多任务全参考图像质量评价方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
CN109242834A (zh) * | 2018-08-24 | 2019-01-18 | 浙江大学 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
US20190035078A1 (en) * | 2017-03-31 | 2019-01-31 | The Board Of Trustees Of The Leland Stanford Junior University | Quality of Medical Images Using Multi-Contrast and Deep Learning |
CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
CN109697719A (zh) * | 2019-03-05 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 一种图像质量评估方法、装置及计算机可读存储介质 |
CN109983502A (zh) * | 2016-10-25 | 2019-07-05 | 皇家飞利浦有限公司 | 用于医学图像数据集的质量评估的设备和方法 |
-
2019
- 2019-08-05 CN CN201910717862.9A patent/CN110428415B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7292711B2 (en) * | 2002-06-06 | 2007-11-06 | Wintriss Engineering Corporation | Flight parameter measurement system |
US20050111542A1 (en) * | 2003-11-20 | 2005-05-26 | Canon Kabushiki Kaisha | Image processing apparatus and method, and computer program and computer-readable storage medium |
CN103295200A (zh) * | 2013-05-29 | 2013-09-11 | 深圳大学 | 数字图像配准方法及装置、数字减影图像矫正方法及设备 |
US20160212338A1 (en) * | 2015-01-15 | 2016-07-21 | Electronics And Telecommunications Research Institute | Apparatus and method for generating panoramic image based on image quality |
CN104751456A (zh) * | 2015-03-13 | 2015-07-01 | 深圳大学 | 基于条件直方图码书的盲图像质量评价方法 |
CN105184819A (zh) * | 2015-09-14 | 2015-12-23 | 浙江大学 | 用于医学图像重建参数寻优的客观图像质量评价方法 |
CN109983502A (zh) * | 2016-10-25 | 2019-07-05 | 皇家飞利浦有限公司 | 用于医学图像数据集的质量评估的设备和方法 |
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
EP3379488A1 (en) * | 2017-03-24 | 2018-09-26 | Samsung Medison Co., Ltd. | Medical image displaying apparatus and medical image displaying method |
US20190035078A1 (en) * | 2017-03-31 | 2019-01-31 | The Board Of Trustees Of The Leland Stanford Junior University | Quality of Medical Images Using Multi-Contrast and Deep Learning |
CN107633520A (zh) * | 2017-09-28 | 2018-01-26 | 福建帝视信息科技有限公司 | 一种基于深度残差网络的超分辨率图像质量评估方法 |
CN108596890A (zh) * | 2018-04-20 | 2018-09-28 | 浙江科技学院 | 一种基于视觉测量率自适应融合的全参考图像质量客观评价方法 |
CN108596902A (zh) * | 2018-05-04 | 2018-09-28 | 北京大学 | 基于选通卷积神经网络的多任务全参考图像质量评价方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
CN109242834A (zh) * | 2018-08-24 | 2019-01-18 | 浙江大学 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
CN109697719A (zh) * | 2019-03-05 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 一种图像质量评估方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
KE GU等: "Full-Reference Image Quality Assessment via Region-Based Analysis", 《2011 4TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
徐志杰等: "基于LSSVM的JPEG图像信息隐藏盲检测算法", 《火力与指挥控制》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11462316B2 (en) | 2019-11-14 | 2022-10-04 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for evaluating medical image |
CN110838116A (zh) * | 2019-11-14 | 2020-02-25 | 上海联影医疗科技有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
CN110838116B (zh) * | 2019-11-14 | 2023-01-03 | 上海联影医疗科技股份有限公司 | 医学图像采集方法、装置、设备和计算机可读存储介质 |
CN111192682A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
CN111192682B (zh) * | 2019-12-25 | 2024-04-09 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
CN111161238A (zh) * | 2019-12-27 | 2020-05-15 | Oppo广东移动通信有限公司 | 图像质量评价方法及装置、电子设备、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 |
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 |
CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
CN111568422B (zh) * | 2020-05-20 | 2023-12-01 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN112505598B (zh) * | 2020-12-10 | 2022-01-07 | 上海交通大学 | 定量磁化率成像重建方法及系统、存储介质及终端 |
CN112505598A (zh) * | 2020-12-10 | 2021-03-16 | 上海交通大学 | 定量磁化率成像重建方法及系统、存储介质及终端 |
CN112754459A (zh) * | 2020-12-23 | 2021-05-07 | 上海交通大学 | 骨骼组织定量成像方法、系统、介质及终端 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN117274180A (zh) * | 2023-09-13 | 2023-12-22 | 广州诺芯软件科技有限公司 | 应用于产品质量评估模型的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110428415B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428415A (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
Küstner et al. | Automated reference-free detection of motion artifacts in magnetic resonance images | |
CN110458817B (zh) | 医学图像的质量预测方法、装置、设备及存储介质 | |
CN103800011B (zh) | 一种基于功能磁共振成像的脑区效应连接分析系统 | |
CN104346821B (zh) | 用于医学成像的自动规划 | |
CN105938628A (zh) | 源自图像的生物标志的直接计算 | |
CN109712208A (zh) | 基于深度学习的大视野磁共振扫描图像重建方法和装置 | |
CN107358608A (zh) | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN107464231A (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
Mattar et al. | Varying timescales of stimulus integration unite neural adaptation and prototype formation | |
US20150030220A1 (en) | Method and apparatus for processing medical image signal | |
US20210219862A1 (en) | Synthetically Trained Neural Network for MRI Tag Tracking | |
CN110473171A (zh) | 脑龄检测方法、计算机设备和存储介质 | |
KR20200060102A (ko) | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
Seetharam et al. | Clinical inference from cardiovascular imaging: paradigm shift towards machine-based intelligent platform | |
CN110992439A (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
Kalantar-Hormozi et al. | A cross-sectional and longitudinal study of human brain development: The integration of cortical thickness, surface area, gyrification index, and cortical curvature into a unified analytical framework | |
Nagler et al. | Maximum likelihood estimation of cardiac fiber bundle orientation from arbitrarily spaced diffusion weighted images | |
Li et al. | Identification of subject-specific brain functional networks using a collaborative sparse nonnegative matrix decomposition method | |
Demnitz et al. | Right-left asymmetry in corticospinal tract microstructure and dexterity are uncoupled in late adulthood | |
CN110244249A (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN112884706B (zh) | 一种基于神经网络模型的图像评估系统和相关产品 | |
Shi et al. | The study of seafarer's brain functional connectivity before and after sailling using fMRI |
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 |