CN110458817A - 医学图像的质量预测方法、装置、设备及存储介质 - Google Patents
医学图像的质量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110458817A CN110458817A CN201910717868.6A CN201910717868A CN110458817A CN 110458817 A CN110458817 A CN 110458817A CN 201910717868 A CN201910717868 A CN 201910717868A CN 110458817 A CN110458817 A CN 110458817A
- Authority
- CN
- China
- Prior art keywords
- scan
- motion information
- quality
- image
- subject
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种医学图像的质量预测方法、装置、设备及存储介质。该方法包括:在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型;将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。本发明实施例的技术方案,以受检者的运动信息为参考因素,在图像重建前,就可预测出每张医学图像的图像质量,特别是医学图像中运动伪影的情况,以便医师根据质量预测结果进行扫描决策,由此,无需重建每张医学图像并对重建后的医学图像一一检查,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。
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预测方法、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、图像缺陷、受检者的运动等。其中,在扫描中,因受检者的运动比如呼吸、心跳、姿态而带来的运动伪影的图像质量问题,是无法通过硬件和扫描参数的优化而得以改善,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预测方法、装置、设备及存储介质,以在扫描过程中实现图像质量的自动预测。
第一方面,本发明实施例提供了一种医学图像的质量预测方法,可以包括:
在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型;
将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
可选的,在上述方案的基础上,该方法还可以包括:
在扫描中,获取样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子,并将样本扫描协议、样本运动信息和样本图像质量因子作为一组训练样本;
基于多个训练样本对原始机器学习模型进行训练,得到与样本扫描协议对应的图像质量预测机器学习模型,其中,多个训练样本中的各个样本扫描协议的属性相同。
可选的,在上述方案的基础上,若样本扫描协议包括磁共振扫描序列和磁共振扫描参数,则属性可以包括磁共振扫描序列和磁共振扫描参数对运动的敏感程度。
可选的,在扫描中,获取受检者的运动信息,可以包括:
在磁共振扫描中,基于运动导航序列获取受检者的运动信息。
可选的,获取受检者的运动信息,可以包括:
基于运动探测装置获取受检者的运动信息,其中,运动探测装置包括摄像装置和/或雷达装置。
可选的,获取受检者的运动信息,可以包括:
获取受检者的目标部位的运动信息,其中,目标部位包括头部、腹部、胸部、臀部和腿部中的至少一个。
可选的,获取受检者的运动信息,可以包括:获取受检者的运动信息、身体基本信息和结构信息;
相应的,将扫描协议和运动信息输入至图像质量预测机器学习模型中,可以包括:
将扫描协议和受检者的运动信息、身体基本信息和结构信息输入至图像质量预测机器学习模型中。
第二方面,本发明实施例还提供了一种医学图像的质量预测装置,该装置可以包括:
获取模块,用于在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型;
质量预测模块,用于将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
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:
在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
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:
在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
本发明实施例的技术方案,通过在扫描中,实时获取扫描协议和受检者的运动信息,并将该扫描协议和受检者的运动信息输入至已训练完备的图像质量预测机器学习模型中,由此,在图像重建前就可以实时预测重建后的每张医学图像的图像质量。上述技术方案,以受检者的运动信息为参考因素,在图像重建前,就可预测出每张医学图像的图像质量,特别是医学图像中运动伪影的情况,以便医师根据质量预测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,无需重建每张医学图像并对重建后的医学图像一一检查,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预测方法的流程图;
图2a是本发明实施例一中的一种医学图像的质量预测方法中第一效果图;
图2b是本发明实施例一中的一种医学图像的质量预测方法中第二效果图;
图3是本发明实施例二中的一种医学图像的质量预测方法的流程图;
图4是本发明实施例三中的一种医学图像的质量预测装置的结构框图;
图5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,目前需要在图像重建后才能实现图像质量的检查。然而,对于那些质量不佳的图像,这些图像的重建意义有限,基本上是在浪费时间。因此,如果可以找到一种在图像重建前就可以预测出重建后的图像的质量的方法,在临床应用中具有重大意义。在此基础上,考虑到很多质量较差的图像是因为图像中存在严重的运动伪影,该运动伪影可能是由于受检者的运动而造成的,则,如果在扫描中可以实时获取到受检者的运动信息,由当前时刻的运动信息也许可以预测到基于当前时刻对应的扫描数据所重建后的图像的质量。示例性的,在当前时刻,若受检者因为情绪紧张而使得呼吸节奏加快、心跳剧烈,则当前时刻对应的重建图像很可能存在严重的运动伪影,图像质量较差。上述思想就是用已有的信息来预测那些未知的信息,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预测方法。
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预测方法的流程图。本实施例可适用于在图像重建前预测图像质量的情况,尤其适用于在图像重建前,根据受检者的运动信息实时预测图像质量的情况。该方法可以由本发明实施例提供的医学图像的质量预测装置来执行,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、在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型。
其中,获取受检者的运动信息,因为运动信息在重建后的医学图像中很可能呈现出运动伪影,特别是在磁共振图像中,运动伪影对磁共振图像的影响更为明显。则,在图像重建前或扫描结束前,根据受检者的运动信息可以预测出重建后的医学图像的图像质量。在此基础上,可选的,获取受检者的运动信息,可以是获取受检者的身体部位器官的运动信息,这身体部位器官的运动信息多是微观运动信息,比如心跳运动信息、呼吸运动信息等等,这些身体部位器官的运动信息可以反映出胸腹部的起伏位移和/或心脏区皮肤的起伏位移。可选的,获取受检者的运动信息,还可以是获取受检者的目标部位的运动信息,该目标部位可以包括头部、腹部、胸部、臀部和腿部中的至少一个,这是因为在扫描中,这些目标部位的姿态和/或位移是较为容易出现变化的,比如,姿态变化可以包括3个方向的旋转,位移变化可以包括3个方向的移动,且位移变化和旋转变化都可能在重建后的医学图像中呈现出运动伪影。
可选的,受检者的运动信息可以是基于运动探测装置获取,该运动探测装置可以包括摄像装置和/或雷达装置。其中,该摄像装置可以是深度飞行时间(Time of flight,TOF)、结构光、双目摄像仪、单目摄像仪等等,该雷达装置可以是多普勒、毫米波雷达等等。或者,还可以基于各种声、光、电的传感器获取受检者的运动信息。另外,如果是在磁共振扫描中,还可以基于运动导航序列获取受检者的运动信息。
在获取到受检者的运动信息后,可以将运动信息与已训练完备的图像质量预测机器学习模型相互配合,由此来预测医学图像质量,该医学图像质量可以用于反映医学图像中是否存在运动伪影的情况。而且,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,用于预测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。
需要说明的是,在医学图像领域,在不同的扫描协议下,相同的运动信息对医学图像的影响存在差异,即不同的扫描协议对运动的敏感程度存在差异。比如,磁共振图像涉及到的扫描协议可以包括扫描序列和扫描参数,该扫描序列可以是T1、T2等等,该扫描参数可以是翻转角、回波时间、重复时间、梯度强度、射频强度等等。由于不同的扫描序列和/或扫描参数对运动的敏感程度不同,则,由此产生的运动伪影的情况有所差异。再比如,电子计算机断层扫描涉及到的扫描协议可以包括扫描参数,该扫描参数可以是转速、重建方式等等,同样的,以转速为例,转速越大则运动伪影越严重,转速越小则运动伪影越轻微。由上述举例可知,扫描协议对运动伪影的影响较大。
在此基础上,为了提高医学图像质量的预测精度,可以是将不同的扫描协议对应有不同的图像质量预测机器学习模型,或者,也可以是将对运动的敏感程度较为类似的扫描协议归为一类,该类扫描协议中的各个扫描协议可以对应有相同的图像质量预测机器学习模型。由此,在扫描中,在获取受检者的运动信息时,还需要获取当前时刻的扫描协议,以及,与该扫描协议对应的已训练完备的图像质量预测机器学习模型。
S120、将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
其中,当将当前时刻的扫描协议和运动信息输入至图像质量预测机器学习模型后,可以直接预测出当前时刻对应的医学图像质量。换言之,若实时地将扫描协议和运动信息输入至图像质量预测机器学习模型中,则可以预测出每个时刻对应的医学图像质量。该医学图像质量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,若预先定义好医学图像的运动伪影可以分为大、中、小3个指标,则每个时刻对应的扫描获得的医学图像的质量预测结果可是大、中或是小,该扫描获得的医学图像可以是未重建的医学图像。
进一步,医师可以根据实时生成的医学图像的质量预测结果,区分高质量的医学图像和低质量的医学图像。即,医学图像的质量预测结果增加了图像信息的可读性,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。即,在扫描时,这可以实时将即将完成的图像质量信息反馈给医师来指导受检者配合扫描、暂停扫描或终止扫描,以及更换扫描协议等操作。
这是因为,一方面,如果根据质量预测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,对于该时刻或是该时间段内的扫描数据无需重建,这些质量较差的医学图像对后续诊断的辅助意义有限,因此,医师对那些预测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,在图像重建前,医师可以从质量预测结果中直接得出当前时刻对应的医学图像质量,无需重建每一张医学图像,并对重建后的每张医学图像一一检查,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。
当然,为了进一步提高医学图像质量的预测精度,在获取到扫描协议和受检者的运动信息时,还可以获取受检者的身体基本信息和结构信息,该身体基本信息可以包括身高、体重、腰围等等,该结构信息可以包括水、骨头、脂肪分布等等。则,在将扫描协议和受检者的运动信息输入至图像质量预测机器学习模型时,还可以将身体基本信息和结构信息也输入至图像质量预测机器学习模型中,由此从多个角度预测医学图像质量。
为了更好地理解上述步骤的具体实现过程,示例性的,以磁共振的腹部扫描为例,如图2a所示,基于运动探测传感器探测头部、腹部和脚部的生数据,并将这些生数据上传至上位机,该上位机可以是用于处理生数据的计算机;上位机对提取到的传感器生数据进行预处理,由此提取出受检者的运动信号。随着时间推移,在时间序列上,各个时刻的运动信号可以如图2b所示,将每个时刻的运动信号和扫描协议输入至图像质量预测机器学习模型中,该图像质量预测机器学习模型可以是训练完备的深度学习分类网络,这样可以预测出未重建的医学图像中的运动伪影的大小。由图2b可知,当运动信号是弱运动时,预测出的图像运动伪影是小;相应的,当运动信号是强运动时,预测出的图像运动伪影是大。值得注意的是,图2b右侧的重建图像是根据各个时刻的扫描数据实际重建出的医学图像,经过对比得知,对于质量预测结果是小运动伪影的情况,其对应的重建图像中的运动伪影确实比较轻微,反之亦然成立,由此证明了上述医学图像的质量预测方法的有效性。或者,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预测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。
本发明实施例的技术方案,通过在扫描中,实时获取扫描协议和受检者的运动信息,并将该扫描协议和受检者的运动信息输入至已训练完备的图像质量预测机器学习模型中,由此,在图像重建前就可以实时预测重建后的每张医学图像的图像质量。上述技术方案以受检者的运动信息为参考因素,在图像重建前,就可预测出每张医学图像的图像质量,特别是医学图像中运动伪影的情况,以便医师根据质量预测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,无需重建每张医学图像并对重建后的医学图像一一检查,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。
实施例二
图3是本发明实施例二中提供的一种医学图像的质量预测方法的流程图。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,上医学图像的质量预测方法,还可以包括:在扫描中,获取样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子,并将样本扫描协议、样本运动信息和样本图像质量因子作为一组训练样本;基于多个训练样本对原始机器学习模型进行训练,得到与样本扫描协议对应的图像质量预测机器学习模型,其中,多个训练样本中的各个样本扫描协议的属性相同。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3,本实施例的方法具体可以包括如下步骤:
S210、在扫描中,获取样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子,并将样本扫描协议、样本运动信息和样本图像质量因子作为一组训练样本。
其中,模型的训练过程与模型的使用过程类似,需要获取扫描中的样本扫描协议和样本对象的样本运动信息,以及,根据样本扫描结果得到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当前时刻对应的重建图像的图像质量,即对当前时刻的扫描数据进行处理,得到当前时刻的重建图像,进而,根据该重建图像确定样本图像质量因子。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,将获取到的样本扫描协议、样本运动信息和样本图像质量因子作为一组训练样本,其中,样本扫描协议和样本运动信息可以作为实际输入,样本图像质量因子可以作为理想输出。
S220、基于多个训练样本对原始机器学习模型进行训练,得到与样本扫描协议对应的图像质量预测机器学习模型,其中,多个训练样本中的各个样本扫描协议的属性相同。
其中,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,得到图像质量预测机器学习模型。具体的,可以将样本扫描协议和样本运动信息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,由此得到图像质量预测机器学习模型,其中,上述差异值可以均方差、差值、比值等等。
需要注意的是,多个训练样本中的各个样本扫描协议的属性应当相同,这是因为,相同的运动信息在医学图像上呈现出的运动伪影可能存在差异,这与成像时的样本扫描协议有关。为了提高图像质量预测机器学习模型在预测医学图像质量时的精确度,应当分析各个样本扫描协议的属性,并将属性相同的多个样本扫描协议所构成的训练样本作为整体来训练模型,则,由此得到的图像质量预测机器学习模型是与样本扫描协议相对应的。
上述样本扫描协议的属性可以认为是该样本扫描协议对运动的敏感程度,比如,在磁共振扫描中,若样本扫描协议包括磁共振扫描序列和磁共振扫描参数,则属性可以包括磁共振扫描序列和磁共振扫描参数对运动的敏感程度,该磁共振扫描参数可以包括翻转角、回波时间、重复时间、梯度强度、射频强度等等。基于这样的训练样本训练得到的图像质量预测机器学习模型才能准确地预测医学图像质量,特别是医学图像中的运动伪影的情况。
S230、在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型。
S240、将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
本发明实施例的技术方案,通过将扫描中获取到的样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子作为一组训练样本,并基于多个训练样本对原始机器学习模型进行训练,该多个训练样本中的各个样本扫描协议的属性应当相同,由此得到的图像质量预测机器学习模型,可以在重建前实时预测那些未重建的医学图像的图像质量。
实施例三
图4为本发明实施例三提供的医学图像的质量预测装置的结构框图,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预测方法。该装置与上述各实施例的医学图像的质量预测方法属于同一个发明构思,在医学图像的质量预测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预测方法的实施例。参见图4,该装置具体可包括:获取模块310和质量预测模块320。
其中,获取模块310,用于在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型;
质量预测模块320,用于将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
可选的,在上述装置的基础上,该装置还可包括:
样本获取模块,用于在扫描中,获取样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子,并将样本扫描协议、样本运动信息和样本图像质量因子作为一组训练样本;
模型训练模块,用于基于多个训练样本对原始机器学习模型进行训练,得到与样本扫描协议对应的图像质量预测机器学习模型,其中,多个训练样本中的各个样本扫描协议的属性相同。
可选的,若样本扫描协议包括磁共振扫描序列和磁共振扫描参数,则属性可以包括磁共振扫描序列和磁共振扫描参数对运动的敏感程度。
可选的,获取模块310,具体可用于:
在磁共振扫描中,基于运动导航序列获取受检者的运动信息。
可选的,获取模块310,具体可用于:
基于运动探测装置获取受检者的运动信息,其中,运动探测装置包括摄像装置和/或雷达装置。
可选的,获取模块310,具体可用于:
获取受检者的目标部位的运动信息,其中,目标部位包括头部、腹部、胸部、臀部和腿部中的至少一个。
可选的,获取模块310,具体可用于:
获取受检者的运动信息、身体基本信息和结构信息;
相应的,质量预测模块320,具体可用于:
将扫描协议和受检者的运动信息、身体基本信息和结构信息输入至图像质量预测机器学习模型中。
本发明实施例三提供的医学图像的质量预测装置,通过获取模块实时获取扫描中的扫描协议和受检者的运动信息;质量预测模块将该扫描协议和受检者的运动信息输入至已训练完备的图像质量预测机器学习模型中,由此,在图像重建前就可以实时预测重建后的每张医学图像的图像质量。上述装置,以受检者的运动信息为参考因素,在图像重建前,就可预测出每张医学图像的图像质量,特别是医学图像中运动伪影的情况,以便医师根据质量预测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,无需重建每张医学图像并对重建后的医学图像一一检查,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预测装置可执行本发明任意实施例所提供的医学图像的质量预测方法,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预测装置的实施例中,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5为本发明实施例四提供的一种设备的结构示意图,如图5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5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5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预测方法对应的程序指令/模块(例如,医学图像的质量预测装置中的获取模块310和质量预测模块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预测方法。
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预测方法,该方法包括:
在扫描中,获取扫描协议和受检者的运动信息,以及,与扫描协议对应的已训练完备的图像质量预测机器学习模型;
将扫描协议和运动信息输入至图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
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预测方法中的相关操作。
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预测方法,其特征在于,包括:
在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
在扫描中,获取样本扫描协议、样本对象的样本运动信息,以及,根据扫描结果得到的样本图像质量因子,并将所述样本扫描协议、所述样本运动信息和所述样本图像质量因子作为一组训练样本;
基于多个所述训练样本对原始机器学习模型进行训练,得到与所述样本扫描协议对应的所述图像质量预测机器学习模型,其中,所述多个训练样本中的各个所述样本扫描协议的属性相同。
3.根据权利要求2所述的方法,其特征在于,若所述样本扫描协议包括磁共振扫描序列和磁共振扫描参数,则所述属性包括所述磁共振扫描序列和所述磁共振扫描参数对运动的敏感程度。
4.根据权利要求1所述的方法,其特征在于,所述在扫描中,获取受检者的运动信息,包括:
在磁共振扫描中,基于运动导航序列获取受检者的运动信息。
5.根据权利要求1所述的方法,其特征在于,所述获取受检者的运动信息,包括:基于运动探测装置获取受检者的运动信息,其中,所述运动探测装置包括摄像装置和/或雷达装置。
6.根据权利要求1所述的方法,其特征在于,所述获取受检者的运动信息,包括:获取受检者的目标部位的运动信息,其中,所述目标部位包括头部、腹部、胸部、臀部和腿部中的至少一个。
7.根据权利要求1所述的方法,其特征在于,所述获取受检者的运动信息,包括:获取受检者的运动信息、身体基本信息和结构信息;
相应的,所述将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,包括:
将所述扫描协议和所述受检者的运动信息、身体基本信息和结构信息输入至所述图像质量预测机器学习模型中。
8.一种医学图像的质量预测装置,其特征在于,包括:
获取模块,用于在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
质量预测模块,用于将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
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:
在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
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:
在扫描中,获取扫描协议和受检者的运动信息,以及,与所述扫描协议对应的已训练完备的图像质量预测机器学习模型;
将所述扫描协议和所述运动信息输入至所述图像质量预测机器学习模型中,得到扫描获得的医学图像的质量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717868.6A CN110458817B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717868.6A CN110458817B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458817A true CN110458817A (zh) | 2019-11-15 |
CN110458817B CN110458817B (zh) | 2023-07-18 |
Family
ID=68484934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717868.6A Active CN110458817B (zh) | 2019-08-05 | 2019-08-05 | 医学图像的质量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458817B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110916701A (zh) * | 2019-11-28 | 2020-03-27 | 腾讯医疗健康(深圳)有限公司 | 图像扫描时间预测方法、装置、设备及存储介质 |
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
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 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113379862A (zh) * | 2021-06-08 | 2021-09-10 | 苏州晟诺医疗科技有限公司 | 获得扫描参数值的方法、装置、介质和电子设备 |
CN113674848A (zh) * | 2020-05-14 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 扫描协议的添加方法、装置、设备和存储介质 |
CN114170166A (zh) * | 2021-11-26 | 2022-03-11 | 四川大学华西医院 | 磁共振头部扫描图像质量评价方法及设备 |
CN114692822A (zh) * | 2020-12-31 | 2022-07-01 | 武汉联影生命科学仪器有限公司 | 扫描模型训练方法、扫描方法、装置及存储介质 |
CN116859774A (zh) * | 2023-04-28 | 2023-10-10 | 北京飞燕四海医疗科技有限责任公司 | 扫描设备控制方法、装置及计算机设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020118884A1 (en) * | 2000-12-13 | 2002-08-29 | Cho Hyun Duk | Device and method for encoding DPCM image |
CN1663530A (zh) * | 2003-11-19 | 2005-09-07 | Ge医药系统环球科技公司 | 用于处理图像数据以帮助检测疾病的方法和装置 |
CN103654784A (zh) * | 2012-09-13 | 2014-03-26 | 西门子公司 | 用于在医学成像检查期间采集患者的运动的方法 |
CN104509109A (zh) * | 2012-08-27 | 2015-04-08 | 汤姆逊许可公司 | 用于估计视频质量评估的运动均匀性的方法及装置 |
WO2016092402A1 (en) * | 2014-12-08 | 2016-06-16 | Align Technology, Inc. | Intraoral scanning using ultrasound and optical scan data |
US20160253443A1 (en) * | 2015-02-26 | 2016-09-01 | Washington University In St.Louis | CT Simulation Optimization for Radiation Therapy Contouring Tasks |
CN106232009A (zh) * | 2014-02-21 | 2016-12-14 | 三星电子株式会社 | 断层扫描设备和由断层扫描设备重构断层扫描图像的方法 |
US20180101744A1 (en) * | 2016-10-09 | 2018-04-12 | Airspace Systems Inc. | Spatio-temporal awareness engine for priority tree based region selection across multiple input cameras and multimodal sensor empowered awareness engine for target recovery and object path prediction |
CN107945850A (zh) * | 2016-10-13 | 2018-04-20 | 三星电子株式会社 | 用于处理医学图像的方法和装置 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
-
2019
- 2019-08-05 CN CN201910717868.6A patent/CN110458817B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020118884A1 (en) * | 2000-12-13 | 2002-08-29 | Cho Hyun Duk | Device and method for encoding DPCM image |
CN1663530A (zh) * | 2003-11-19 | 2005-09-07 | Ge医药系统环球科技公司 | 用于处理图像数据以帮助检测疾病的方法和装置 |
CN104509109A (zh) * | 2012-08-27 | 2015-04-08 | 汤姆逊许可公司 | 用于估计视频质量评估的运动均匀性的方法及装置 |
CN103654784A (zh) * | 2012-09-13 | 2014-03-26 | 西门子公司 | 用于在医学成像检查期间采集患者的运动的方法 |
CN106232009A (zh) * | 2014-02-21 | 2016-12-14 | 三星电子株式会社 | 断层扫描设备和由断层扫描设备重构断层扫描图像的方法 |
WO2016092402A1 (en) * | 2014-12-08 | 2016-06-16 | Align Technology, Inc. | Intraoral scanning using ultrasound and optical scan data |
US20160253443A1 (en) * | 2015-02-26 | 2016-09-01 | Washington University In St.Louis | CT Simulation Optimization for Radiation Therapy Contouring Tasks |
US20180101744A1 (en) * | 2016-10-09 | 2018-04-12 | Airspace Systems Inc. | Spatio-temporal awareness engine for priority tree based region selection across multiple input cameras and multimodal sensor empowered awareness engine for target recovery and object path prediction |
CN107945850A (zh) * | 2016-10-13 | 2018-04-20 | 三星电子株式会社 | 用于处理医学图像的方法和装置 |
CN108961227A (zh) * | 2018-06-22 | 2018-12-07 | 西安理工大学 | 一种基于空域和变换域多特征融合的图像质量评价方法 |
CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
MOSTAFA EZELDEEN等: "As Low Dose as Sufficient Quality: Optimization of Cone-beam Computed Tomographic Scanning Protocol for Tooth Autotransplantation Planning and Follow-up in Children", 《CLINICAL RESEARCH》 * |
董智: "面罩吸氧对MSCT冠状动脉成像影像质量", 《中国优秀博硕士学位论文全文数据库 (硕士)(医药卫生科技辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110916701A (zh) * | 2019-11-28 | 2020-03-27 | 腾讯医疗健康(深圳)有限公司 | 图像扫描时间预测方法、装置、设备及存储介质 |
CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
CN111080584B (zh) * | 2019-12-03 | 2023-10-31 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
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 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
CN113674848A (zh) * | 2020-05-14 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 扫描协议的添加方法、装置、设备和存储介质 |
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN114692822A (zh) * | 2020-12-31 | 2022-07-01 | 武汉联影生命科学仪器有限公司 | 扫描模型训练方法、扫描方法、装置及存储介质 |
CN113379862A (zh) * | 2021-06-08 | 2021-09-10 | 苏州晟诺医疗科技有限公司 | 获得扫描参数值的方法、装置、介质和电子设备 |
CN114170166A (zh) * | 2021-11-26 | 2022-03-11 | 四川大学华西医院 | 磁共振头部扫描图像质量评价方法及设备 |
CN116859774A (zh) * | 2023-04-28 | 2023-10-10 | 北京飞燕四海医疗科技有限责任公司 | 扫描设备控制方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110458817B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458817A (zh) | 医学图像的质量预测方法、装置、设备及存储介质 | |
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
EP3382642B1 (en) | Highly integrated annotation and segmentation system for medical imaging | |
CN110428415B (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
Droste et al. | Automatic probe movement guidance for freehand obstetric ultrasound | |
EP3270178B1 (en) | A system and method for determining optimal operating parameters for medical imaging | |
CN104346821B (zh) | 用于医学成像的自动规划 | |
Liao et al. | On modelling label uncertainty in deep neural networks: Automatic estimation of intra-observer variability in 2d echocardiography quality assessment | |
CN105022719B (zh) | 医学造影系统及方法 | |
CN105938628A (zh) | 源自图像的生物标志的直接计算 | |
Van Der Geest et al. | Evaluation of a new method for automated detection of left ventricular boundaries in time series of magnetic resonance images using an active appearance motion model | |
CN114387317B (zh) | Ct图像和mri三维图像的配准方法、装置 | |
CN112767504A (zh) | 用于图像重建的系统和方法 | |
US11315246B2 (en) | Cardiac feature tracking | |
EP3872755B1 (en) | Method for providing airway information | |
CN111223158A (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
EP4076207B1 (en) | A method and system for improved ultrasound plane acquisition | |
CN110244249A (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN109350059A (zh) | 用于肘部自动对准的组合的转向引擎和界标引擎 | |
CN104778704B (zh) | 基于随机扫视图稀疏信号重构的图像关注区域检测方法 | |
CN111276219A (zh) | 一种医疗成像处理方法、装置、设备和介质 | |
US20220328195A1 (en) | System and method for heart strain determination | |
CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
EP4083650A1 (en) | Controlling a scanning operation of a medical imaging device | |
US11627941B2 (en) | Methods and systems for detecting pleural irregularities in medical images |
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 |