CN110458827B - 医学影像坏点的检测方法、装置、设备及介质 - Google Patents
医学影像坏点的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110458827B CN110458827B CN201910740407.0A CN201910740407A CN110458827B CN 110458827 B CN110458827 B CN 110458827B CN 201910740407 A CN201910740407 A CN 201910740407A CN 110458827 B CN110458827 B CN 110458827B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- dead pixel
- dead
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 12
- 101100288962 Mus musculus Lefty2 gene Proteins 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种医学影像坏点的检测方法、装置、设备及介质，包括：采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。采用高剂量图像检测出的坏点和低剂量图像中检测出的坏点，有效避免了在特定剂量下，因坏点灰度值与正常像素点灰度值比较接近而导致漏检情况的发生，提高检测的准确性。
Description
技术领域
本申请涉及医学检测领域，特别是医学影像坏点的检测方法、装置、设备及介质。
背景技术
数字X射线摄影系统所配置的平板探测器在采集图像的过程中，经常会出现位置固定的异常“亮”或“暗”的像素点，这些像素点被称为坏点。数字X线图像中存在坏点，会在一定程度上影响医生的阅片和诊断。
目前检测坏点的方法主要分成人工视觉检测、自动检测以及自动检测+人工视觉检测三种。其中，对于现有需要人工辅助修真的方案，由于通过人工进行检测阈值修正，容易受主观因素的限制，影响检测的准确性。此外，不同的坏点对于X射线的响应不同，在固定曝光参数的图像中检测坏点，存在坏点的灰度值与正常像素点灰度值相差不大的情况，从而容易无法检测出该坏点，导致漏检；对于后面两种检测方法，检测效率和准确性偏低。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的医学影像坏点的检测方法、装置、设备及介质，包括：
一种医学影像坏点的检测方法，包括：
采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；
依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
进一步地，所述获取采用相同的平板探测器在不同曝光条件下生成的第一图像和第二图像的步骤包括：
分别采集在第一预设曝光参数下的低剂量图像序列和在第二预设曝光参数下的高剂量图像序列；其中，所述低剂量图像序列和所述高剂量图像序列含有相同的图像数量；
对所述低剂量图像序列进行加权求平均处理得到所述第一图像；
对所述高剂量图像序列进行加权求平均处理得到所述第二图像。
进一步地，所述依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集的步骤包括：
依据所述第一图像的灰度值生成所述第一图像的灰度直方图HistA；
依据所述灰度直方图HistA，所述最大值MaxA和所述最小值MinA生成所述第一坏点集。
进一步地，所述依据所述灰度直方图HistA，所述最大值MaxA和所述最小值MinA生成所述第一坏点集的步骤包括：
依据所述最大值MaxA和所述最小值MinA生成有效灰度值的起点值LeftA和有效灰度值的终点值RightA；
依据所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA计算出所述第一图像的灰度均值MeanA；
依据预设参数Th1、预设参数Th2和所述灰度均值MeanA从所述第一图像中筛选出所述第一坏点集。
进一步地，所述依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集的步骤包括：
依据所述第一图像的灰度值生成所述第二图像的灰度直方图HistB；
依据所述灰度直方图HistB，所述最大值MaxB和所述最小值MinB生成所述第二坏点集。
进一步地，所述依据所述灰度直方图HistB，所述最大值MaxB和所述最小值MinB生成所述第二坏点集的步骤包括：
依据所述最大值MaxB和所述最小值MinB生成有效灰度值的起点值LeftB和有效灰度值的终点值RightB；
依据所述灰度直方图HistB、所述有效灰度值的起点值LeftB和所述有效灰度值的终点值RightB计算出所述第二图像的灰度均值MeanB；
依据预设参数Th1、预设参数Th2和所述灰度均值MeanB从所述第二图像中筛选出所述第二坏点集。
进一步地，所述依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集的步骤包括：
合并所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
一种医学影像坏点的检测装置，包括：
第一获取模块，用于采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
第二获取模块，用于分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
第一检测模块，用于依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；
第二检测模块，用于依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
生成模块，用于依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的医学影像坏点的检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的医学影像坏点的检测的步骤。
本申请具有以下优点：
在本申请的实施例中，采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集，除去人工参与过程，大幅度提高检测的效率，有效排除人工参与时主观因素的影响，提高检测的准确性；采用高剂量图像检测出的坏点和低剂量图像中检测出的坏点，有效避免了在特定剂量下，因坏点灰度值与正常像素点灰度值比较接近而导致漏检情况的发生，提高检测的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述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申请的一些实施例，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他的附图。
图1是本申请一实施例提供的一种医学影像坏点的检测方法的步骤流程图；
图2是本申请一具体实现提供的一种医学影像坏点的检测方法的第一图像区域M的像素点灰度值示意图；
图3是本申请一实施例提供的一种医学影像坏点的检测方法的第一图像区域M的坏点示意图；
图4是本申请一实施例提供的一种医学影像坏点的检测方法的第二图像区域N的像素点灰度值示意图；
图5是本申请一实施例提供的一种医学影像坏点的检测方法的第二图像区域N的坏点示意图；
图6是本申请一实施例提供的一种医学影像坏点的检测方法的与不同网络对比的二维心脏图像分割的模型简化测试结果示意图；
图7是本申请一实施例提供的一种医学影像坏点的检测装置的结构框图；
图8是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种医学影像坏点的检测方法，包括：
S110、采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
S120、分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
S130、依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；
S140、依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
S150、依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
在本申请的实施例中，采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集，除去人工参与过程，大幅度提高检测的效率，有效排除人工参与时主观因素的影响，提高检测的准确性；采用高剂量图像检测出的坏点和低剂量图像中检测出的坏点，有效避免了在特定剂量下，因坏点灰度值与正常像素点灰度值比较接近而导致漏检情况的发生，提高检测的准确性。
下面，将对本示例性实施例中医学影像坏点的检测方法作进一步地说明。
如上述步骤S110所述，采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；其中，所述相同的平板探测器为同一台医学成像设备中的同一个平板探测器，通过调节该医学成像设备的曝光参数得出两个不同的所述曝光条件，其从而获取出在不同曝光条件下的医学图像。
需要说明的是，由于获取的医学图像中一般存在噪声干扰，一般获取的医学图像需要通过去噪处理后才能得出所述第一图像和所述第二图像，其中，所述第一图像为在低曝光剂量下的医学图像，所述第二图像为在高曝光剂量下的医学图像。
例如：利用在相同曝光条件获取多幅医学图像，医学图像数量可以为5幅，并对图像进行加权求平均处理，通过人工神经网络的自学习、自适应特性找到患者心脏MR图像与指定参数间的映射规律。
在一实施例中，可以结合下列描述进一步说明步骤S110中“采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像”的具体过程。
如下列步骤所述：分别采集在第一预设曝光参数下的低剂量图像序列和在第二预设曝光参数下的高剂量图像序列；其中，所述低剂量图像序列和所述高剂量图像序列含有相同的图像数量；
在一具体实现中，设定所述第一预设曝光参数为40KV，6.3mAs；所述第二预设曝光参数为70KV、10mAs，获取所述低剂量图像序列和所述高剂量图像序列，其中，所述低剂量图像序列含有5幅低剂量医学图像；所述高剂量图像序列含有5幅高剂量医学图像。
如下列步骤所述：对所述低剂量图像序列进行加权求平均处理得到所述第一图像；
在一具体实现中，将所述低剂量图像序列通过加权求平均的方式生成所述第一图像的具体公式如下：(设所述低剂量图像序列中含有低剂量医学图像的数量为5幅)
式中，A表示第一图像；A1-A5分别表示低剂量图像序列中的一幅医学图像。
如下列步骤所述：对所述高剂量图像序列进行加权求平均处理得到所述第二图像
在一具体实现中，将所述高剂量图像序列通过加权求平均的方式生成所述第二图像的具体公式如下：(设所述高剂量图像序列中含有高剂量医学图像的数量为5幅)
式中，B代表第一图像；B1-B5分别代表低剂量图像序列中的一幅医学图像。
由此，通过加权求平均的方式获得所述第一图像和所述第二图像，有利于降低坏点检测时的噪声影响，进而提升确定的坏点的精准性和可靠性。
如上述步骤S120所述，分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
通过筛选的方式筛选出所述第一图像中像素点的灰度值的最大值MaxA和最小值MinA。
通过筛选的方式筛选出所述第二图像中像素点的灰度值的最大值MaxB和最小值MinB。
如上述步骤S130所述，依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；
在一实施例中，可以结合下列描述进一步说明步骤S130中“依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集”的具体过程。
如下列步骤所述：依据所述第一图像的灰度值生成所述第一图像的灰度直方图HistA；
统计所述第一图像中的所有像素点的灰度值，从而得出所述第一图像中包含有的不同的灰度值的取值，以及每一个灰度值出现的频数，依据每个灰度值的频数以及取值建立所述灰度直方图HistA。
如下列步骤所述：依据所述灰度直方图HistA，所述最大值MaxA和所述最小值MinA生成所述第一坏点集。
在一实施例中，可以结合下列描述进一步说明“依据所述灰度直方图HistA，所述最大值MaxA和所述最小值MinA生成所述第一坏点集”的具体过程。
如下列步骤所述：依据所述最大值MaxA和所述最小值MinA生成有效灰度值的起点值LeftA和有效灰度值的终点值RightA；
需要说明的是，由于坏点的灰度值一般位于图像灰度值值域的两端(坏点的灰度值可能非常大也可能非常小)，因此，为了消除坏点的灰度值对坏点的检测出现影响，则计算出有效灰度值的起点值LeftA和有效灰度值的终点值RightA，用于将坏点排除出有效灰度值区域，具体计算公式如下：
如下列步骤所述：依据所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA计算出所述第一图像的灰度均值MeanA；
在一具体实现中，通过下列公式计算出所述灰度均值MeanA，公式具体如下：
由此，通过所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA进行灰度均值MeanA的计算，有利于降低坏点灰度值对坏点检测时的影响，进而提升确定的坏点的精准性和可靠性。
如下列步骤所述：依据预设参数Th1、预设参数Th2和所述灰度均值MeanA从所述第一图像中筛选出所述第一坏点集。
作为一种示例，通过下列公式筛选出所述第一坏点集，公式具体如下：
式中：(x,y)表示像素点的坐标；Th1＝2；Th2＝0.5；当DefectA(x，y)＝1时表示第一图像中像素点(x,y)为坏点；当DefectA(x，y)＝0时，表示图像A中像素点(x,y)不是坏点。
参考图2-3，在一具体实现中，以所述第一图像中的区域M为例，计算出所述第一图像中的区域M的坏点，生成所述区域M中的灰度直方图，并通过前述公式(1)、(3)、(4)、(5)将区域M中的灰度均值，通过前述公式(6)筛选出区域M中的坏点，如图3所示，其中，图中值为0的像素点为非坏点，图中值不为0的像素点为坏点。
如上述步骤S140所述，依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
在一实施例中，可以结合下列描述进二步说明步骤S140中“依据所述最大值MBxB和最小值MinB检测出所述第二图像的第二坏点集”的具体过程。
如下列步骤所述：依据所述第二图像的灰度值生成所述第二图像的灰度直方图HistB；
统计所述第二图像中的所有像素点的灰度值，从而得出所述第二图像中包含有的不同的灰度值的取值，以及每二个灰度值出现的频数，依据每个灰度值的频数以及取值建立所述灰度直方图HistB。
如下列步骤所述：依据所述灰度直方图HistB，所述最大值MBxB和所述最小值MinB生成所述第二坏点集。
在一实施例中，可以结合下列描述进二步说明“依据所述灰度直方图HistB，所述最大值MBxB和所述最小值MinB生成所述第二坏点集”的具体过程。
如下列步骤所述：依据所述最大值MBxB和所述最小值MinB生成有效灰度值的起点值LeftB和有效灰度值的终点值RightB；
需要说明的是，由于坏点的灰度值二般位于图像灰度值值域的两端(坏点的灰度值可能非常大也可能非常小)，因此，为了消除坏点的灰度值对坏点的检测出现影响，则计算出有效灰度值的起点值LeftB和有效灰度值的终点值RightB，用于将坏点排除出有效灰度值区域，具体计算公式如下：
如下列步骤所述：依据所述灰度直方图HistB、所述有效灰度值的起点值LeftB和所述有效灰度值的终点值RightB计算出所述第二图像的灰度均值MeBnB；
在一具体实现中，通过下列公式计算出所述灰度均值MeBnB，公式具体如下：
由此，通过所述灰度直方图HistB、所述有效灰度值的起点值LeftB和所述有效灰度值的终点值RightB进行灰度均值MeBnB的计算，有利于降低坏点灰度值对坏点检测时的影响，进而提升确定的坏点的精准性和可靠性。
如下列步骤所述：依据预设参数Th1、预设参数Th2和所述灰度均值MeBnB从所述第二图像中筛选出所述第二坏点集。
在一具体实现中，通过下列公式筛选出所述第二坏点集，公式具体如下：
式中：(x,y)表示像素点的坐标；Th1＝2；Th2＝0.5；当DefectB(x，y)＝1时表示第二图像中像素点(x,y)为坏点；当DefectB(x，y)＝0时，表示图像B中像素点(x,y)不是坏点。
参考图4-5，在一具体实现中，以所述第一图像中的区域N为例，区域N与区域M对应的图像坐标相同，计算出所述第一图像中的区域N的坏点，生成所述区域N中的灰度直方图，并通过前述公式(2)、(7)、(8)、(9)将区域N中的灰度均值，通过前述公式(10)筛选出区域N中的坏点，如图5所示，其中，图中值为0的像素点为非坏点，图中值不为0的像素点为坏点。
如上述步骤S150所述，依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
在一实施例中，可以结合下列描述进一步说明步骤S150中“依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集”的具体过程。
作为一种示例，通过下列公式筛选出所述第二坏点集，公式具体如下
Defect(x,y)＝DefectA(x,y)+DefectB(x,y)(11)
其中：(x,y)表示像素点的坐标；当Defect(x，y)>0时表示像素点(x,y)为坏点；当Defect(x，y)＝0时表示像素点(x,y)非坏点。
参考图6，在一具体实现中，将区域M和区域N中的坏点集进行何必得出如图6所示的最终坏点集，该最终坏点集即为针对所述平板探测器获取的医学图像的坏点集。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图7，示出了本申请一实施例提供的一种医学影像坏点的检测装置，包括：
第一获取模块110，用于采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
第二获取模块120，用于分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
第一检测模块130，用于依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；
第二检测模块140，用于依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
生成模块150，用于依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
在一实施例中，所述第一获取模块110包括：
图像序列采集模块，用于分别采集在第一预设曝光参数下的低剂量图像序列和在第二预设曝光参数下的高剂量图像序列；其中，所述低剂量图像序列和所述高剂量图像序列含有相同的图像数量；
第一除噪模块，用于对所述低剂量图像序列进行加权求平均处理得到所述第一图像；
第二除噪模块，用于对所述高剂量图像序列进行加权求平均处理得到所述第二图像。
在一实施例中，所述第一检测模块130包括：
第一直方图生成子模块，用于依据所述第一图像的灰度值生成所述第一图像的灰度直方图HistA；
第一坏点集生成子模块，用于依据所述灰度直方图HistA，所述最大值MaxA和所述最小值MinA生成所述第一坏点集。
在一实施例中，所述第一坏点集生成子模块，包括：
第一区域灰度均值生成子模块，用于依据所述最大值MaxA和所述最小值MinA生成有效灰度值的起点值LeftA和有效灰度值的终点值RightA；
第一图像灰度均值生成子模块，用于依据所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA计算出所述第一图像的灰度均值MeanA；
第一坏点集筛选子模块，用于依据预设参数Th1、预设参数Th2和所述灰度均值MeanA从所述第一图像中筛选出所述第一坏点集。
在一实施例中，所述第二检测模块140包括：
第二直方图生成子模块，用于依据所述第一图像的灰度值生成所述第二图像的灰度直方图HistB；
第二坏点集生成子模块，用于依据所述灰度直方图HistB，所述最大值MaxB和所述最小值MinB生成所述第二坏点集。
在一实施例中，所述第二坏点集生成子模块，包括：
第二区域灰度均值生成子模块，用于依据所述最大值MaxB和所述最小值MinB生成有效灰度值的起点值LeftB和有效灰度值的终点值RightB；
第二图像灰度均值生成子模块，用于依据所述灰度直方图HistB、所述有效灰度值的起点值LeftB和所述有效灰度值的终点值RightB计算出所述第二图像的灰度均值MeanB；
第二坏点集筛选子模块，用于依据预设参数Th1、预设参数Th2和所述灰度均值MeanB从所述第二图像中筛选出所述第二坏点集。
在一实施例中，所述生成模块150包括：
坏点集合并子模块，用于合并所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
参照图8，示出了本发明的一种医学影像坏点的检测方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的医学影像坏点的检测方法。
也即，上述处理单元16执行上述程序时实现：采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的医学影像坏点的检测方法：
也即，给程序被处理器执行时实现：采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的医学影像坏点的检测方法、装置、设备及介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种医学影像坏点的检测方法，其特征在于，包括：
采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；具体地，依据所述第一图像的灰度值生成所述第一图像的灰度直方图HistA；依据所述最大值MaxA和所述最小值MinA生成有效灰度值的起点值LeftA和有效灰度值的终点值RightA，用于将坏点排除出有效灰度值区域；依据所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA计算出所述第一图像的灰度均值MeanA；依据预设参数Th1、预设参数Th2和所述灰度均值MeanA从所述第一图像中筛选出所述第一坏点集；
依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
2.根据权利要求1所述的方法，其特征在于，所述获取采用相同的平板探测器在不同曝光条件下生成的第一图像和第二图像的步骤包括：
分别采集在第一预设曝光参数下的低剂量图像序列和在第二预设曝光参数下的高剂量图像序列；其中，所述低剂量图像序列和所述高剂量图像序列含有相同的图像数量；
对所述低剂量图像序列进行加权求平均处理得到所述第一图像；
对所述高剂量图像序列进行加权求平均处理得到所述第二图像。
3.根据权利要求1所述的方法，其特征在于，所述依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集的步骤包括：
依据所述第一图像的灰度值生成所述第二图像的灰度直方图HistB；
依据所述灰度直方图HistB，所述最大值MaxB和所述最小值MinB生成所述第二坏点集。
4.根据权利要求3所述的方法，其特征在于，所述依据所述灰度直方图HistB，所述最大值MaxB和所述最小值MinB生成所述第二坏点集的步骤包括：
依据所述最大值MaxB和所述最小值MinB生成有效灰度值的起点值LeftB和有效灰度值的终点值RightB；
依据所述灰度直方图HistB、所述有效灰度值的起点值LeftB和所述有效灰度值的终点值RightB计算出所述第二图像的灰度均值MeanB；
依据预设参数Th1、预设参数Th2和所述灰度均值MeanB从所述第二图像中筛选出所述第二坏点集。
5.根据权利要求4所述的方法，其特征在于，所述依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集的步骤包括：
合并所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
6.一种医学影像坏点的检测装置，其特征在于，包括：
第一获取模块，用于采用相同的平板探测器在不同曝光条件下获取的第一图像和第二图像；
第二获取模块，用于分别获取所述第一图像的灰度值的最大值MaxA和最小值MinA，以及第二图像的灰度值的最大值MaxB和最小值MinB；
第一检测模块，用于依据所述最大值MaxA和最小值MinA检测出所述第一图像的第一坏点集；具体地，依据所述第一图像的灰度值生成所述第一图像的灰度直方图HistA；依据所述最大值MaxA和所述最小值MinA生成有效灰度值的起点值LeftA和有效灰度值的终点值RightA，用于将坏点排除出有效灰度值区域；依据所述灰度直方图HistA、所述有效灰度值的起点值LeftA和所述有效灰度值的终点值RightA计算出所述第一图像的灰度均值MeanA；依据预设参数Th1、预设参数Th2和所述灰度均值MeanA从所述第一图像中筛选出所述第一坏点集；
第二检测模块，用于依据所述最大值MaxB和最小值MinB检测出所述第二图像的第二坏点集；
生成模块，用于依据所述第一坏点集和所述第二坏点集生成针对所述平板探测器获取的医学图像的坏点集。
7.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740407.0A CN110458827B (zh) | 2019-08-12 | 2019-08-12 | 医学影像坏点的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740407.0A CN110458827B (zh) | 2019-08-12 | 2019-08-12 | 医学影像坏点的检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458827A CN110458827A (zh) | 2019-11-15 |
| CN110458827B true CN110458827B (zh) | 2023-04-07 |
Family
ID=68485946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910740407.0A Active CN110458827B (zh) | 2019-08-12 | 2019-08-12 | 医学影像坏点的检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458827B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114068591A (zh) * | 2020-07-29 | 2022-02-18 | 京东方科技集团股份有限公司 | 平板探测器及成像系统 |
| CN114095721B (zh) * | 2020-08-25 | 2023-04-28 | 京东方科技集团股份有限公司 | 视频坏点检测的方法和装置、计算机可读介质 |
| CN112067138B (zh) * | 2020-09-09 | 2021-08-20 | 武汉高德智感科技有限公司 | 一种红外探测器测温定标方法及测温定标装置 |
| CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
| CN113628187A (zh) * | 2021-08-09 | 2021-11-09 | 中南大学湘雅医院 | 一种自动化可迁移人工智能医学影像识别系统及识别方法 |
| CN116228756B (zh) * | 2023-05-08 | 2023-07-25 | 常州星宇车灯股份有限公司 | 一种自动驾驶中相机坏点的检测方法及检测系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1323545C (zh) * | 2004-06-22 | 2007-06-27 | 东软飞利浦医疗设备系统有限责任公司 | 医学影像坏点自动检测门限确定方法 |
| US8063957B2 (en) * | 2006-03-24 | 2011-11-22 | Qualcomm Incorporated | Method and apparatus for processing bad pixels |
| CN101895786B (zh) * | 2010-07-15 | 2012-07-25 | 杭州海康威视软件有限公司 | 一种图像传感器的检测方法及装置 |
| CN105991997B (zh) * | 2015-03-06 | 2018-02-23 | 深圳指瑞威科技有限公司 | 一种电容式图像传感器坏点实时定位的方法 |
| CN104700424B (zh) * | 2015-03-30 | 2017-07-11 | 山东省计量科学研究院 | 医用彩色电子内窥镜图像坏点检测装置 |
-
2019
- 2019-08-12 CN CN201910740407.0A patent/CN110458827B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458827A (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458827B (zh) | 医学影像坏点的检测方法、装置、设备及介质 | |
| CN109785243B (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
| CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
| JP2012524329A (ja) | 多重尺度画像の正規化及び強調 | |
| US7995828B2 (en) | Speckle reporting in digital radiographic imaging | |
| CN110853024B (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
| US9922409B2 (en) | Edge emphasis in processing images based on radiation images | |
| CN112348763B (zh) | 图像增强方法、装置、电子设备及介质 | |
| CN110163857B (zh) | 图像背景区域的检测方法、装置、存储介质及x射线系统 | |
| CN111368717A (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
| CN113763270B (zh) | 蚊式噪声去除方法及电子设备 | |
| US8634630B2 (en) | Method and apparatus for enhancing representations of micro-calcifications in a digital mammogram image | |
| CN112116542A (zh) | 图像对比度增强方法、装置、电子设备和存储介质 | |
| CN111353958A (zh) | 图像处理方法、装置及系统 | |
| US20180018759A1 (en) | Image artifact detection and correction in scenes obtained from multiple visual images | |
| CN107833185B (zh) | 图像去雾方法及装置、存储介质、电子设备 | |
| CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
| CN114418848B (zh) | 视频处理方法、装置、存储介质及电子设备 | |
| CN114266799A (zh) | 一种识别束光器边框方法、装置、计算机设备及存储介质 | |
| CN113313649B (zh) | 图像重建方法及装置 | |
| CN115564682A (zh) | 一种光照不均图像增强方法及系统 | |
| CN115294166A (zh) | 一种图像边缘提取方法及装置 | |
| US20050243334A1 (en) | Image processing method, image processing apparatus and image processing program | |
| CN111489314A (zh) | 图像增强方法、装置及终端设备 | |
| CN115170737A (zh) | 乳腺三维断层摄影的图像处理方法、装置及系统 |
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: No.103, baguang District Service Center, No.2 BaiShaWan Road, baguang community, Kuiyong street, Dapeng New District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Lanying Medical Technology Co.,Ltd. Address before: 518000 floor 1, building C, jingchengda Industrial Park, science and technology 4th Road, Langxin community, Shiyan street, Bao'an District, Shenzhen, Guangdong Province Applicant before: SHENZHEN LANYUN MEDICAL IMAGE CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |