CN110796613B - 一种图像伪影的自动识别方法及装置 - Google Patents
一种图像伪影的自动识别方法及装置 Download PDFInfo
- Publication number
- CN110796613B CN110796613B CN201910959091.4A CN201910959091A CN110796613B CN 110796613 B CN110796613 B CN 110796613B CN 201910959091 A CN201910959091 A CN 201910959091A CN 110796613 B CN110796613 B CN 110796613B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- artifact
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 122
- 238000000605 extraction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012636 positron electron tomography Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G06T5/80—
-
- 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
-
- 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
Abstract
本公开提供一种图像伪影自动识别的方法和装置，其中方法包括：获得待测部位的扫描图像；将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；其中，所述神经网络模型通过深度学习的方式对所述待测部位的样本数据训练得到，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。本公开能够极大提高图像伪影识别的效率和准确性。
Description
技术领域
本申请涉及图像识别领域，特别是涉及一种图像伪影的自动识别方法与装置。
背景技术
目前，利用医学图像来进行医学治疗和/或者诊断是较为常见的方法。常用的医学影像技术包括：计算机断层扫描(Computerized tomography，CT)、正子发射断层扫描(Positron emission tomography，PET)、核磁共振成像(MRI magnetic resonanceimaging，MRI)和医学超声检查(Ultra Sonography，US)等。利用上述医学影像技术，能够较为快速的获得反映受检者的体内状况的医学图像，因此越来越广泛的被用于各种疾病的检查中。
由于扫描设备或被扫描对象本身的原因，可能造成扫描图像中出现被扫描对象上实际并不存在的影像，这些影像可称为伪影。例如，当需要在患者体内置入手术探针等情形时会使得被扫描的物体中包含金属，这会导致重建出来图像存在金属伪影。又如，在对人体的某些部位进行扫描时，由于人体自主运动或生理性运动的原因，扫描得到的图像中可能出现运动伪影(扫描部位的结构模糊或重影)。这些伪影的出现会降低扫描图像的清晰度，进而影响医生依据该扫描图像所得的诊断结果的准确性。
目前已有的针对医学图像伪影的研究多分布在成像过程中对伪影的抑制与矫正，对于已生成图像中伪影的自动辨识，鲜有论述。
发明内容
本申请实施例提供了一种图像伪影自动识别的方法及装置，旨在克服相关技术中存在的问题。
具体地，本申请是通过如下技术方案实现的：
第一方面，提供一种图像伪影的自动识别方法：包括：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
其中，所述神经网络模型通过深度学习的方式对所述待测部位的样本数据训练得到，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
第二方面，提供一种图像伪影的自动识别装置，包括：
图像获取单元，用于获得待测部位的扫描图像；
识别单元，用于将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
训练单元，用于通过深度学习的方式对所述待测部位的样本数据训练得到神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
第三方面，提供一种图像伪影自动识别设备，所述设备包括：存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
其中，所述神经网络模型通过深度学习的方式对所述待测部位的样本数据训练得到，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
第四方面，提供一种计算机可读存储介质，其具有存储在其上的指令，当由一个或多个处理器执行时，使得一个或多个处理器执行图像重建方法，该方法包括：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
其中，所述神经网络模型通过深度学习的方式对所述待测部位的样本数据训练得到，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
本公开提供的图像伪影自动识别的方法和装置，通过应用深度学习技术，实现快速逐层识别扫描图像中是否存在伪影，使得医生筛查扫描图像的效率大大提高，得到的图像也更加准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像伪影的自动识别方法的流程图；
图2为本申请实施例提供的一种神经网络模型训练方法的流程图；
图3A为本申请实施例提供的一种示例性的神经网络模型的结构框图；
图3B为本申请实施例提供的另一种示例性的神经网络模型的结构框图；
图4为本申请实施例提供的针对CT多层图像的神经网络模型训练方法的流程图；
图5为通过本申请实施例提供的一种图像伪影的自动识别方法得到的CT图像伪影判别的实验结果；
图6为本申请实施例提供的一种图像伪影自动识别装置的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
本领域技术人员应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
通过深度学习技术训练计算机自主学习图像内容并进行识别分类，在自然图像领域已有较多的应用实例，如场景识别，人脸识别等；将该技术应用于医学影像的实例近年来也逐渐增多，如肺结节自动筛查，某些病变组织检测等。
上述应用中，待辨识组织与正常组织之间往往存在较明显的视觉差异，而本发明所述的伪影识别则存在较大不同，首先是含有伪影的图像与正常图像的视觉差异往往并不明显，其次不同类型伪影的表现形式差异很大且可能多种类型伪影同时存在，此外，同一类伪影在不同扫描部位的表现也存在较大差异。这些都给伪影自动辨识增加的难度。
下面将结合附图1对本发明示例性实施例示出的一种图像伪影的自动识别方法进行介绍。
参见图1，本发明实施例提供的一种图像伪影的自动识别方法，该方法可以包括以下几个步骤：
S101：获得待测部位的扫描图像。
对受检者的待检测部位进行扫描，得到待测部位的扫描图像。该图像可以是CT、MRI、PET或者US图像。
S102：将扫描图像输入预先训练的神经网络模型，得到扫描图像的伪影信息；
将待测部位的扫描图像输入到预先训练的神经网络模型中，神经网络模型的输出是扫描图像中包含的伪影信息。
神经网络模型，是通过深度学习的方式对所述待测部位的样本数据训练得到。训练的过程包括：将待测部位的样本数据输入神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的事先标记的伪影信息。通过神经网络输出的伪影信息与标记的伪影信息进行比对，修正神经网络模型的参数，得到训练后的神经网络模型。
所述样本数据，包括待测部位的样本图像，可以理解的是，样本图像可以是同一待测部位的历史扫描图像。
所述样本数据，还包括待测部位的样本图像包含的标记伪影信息。可以理解的是，样本图像包含的标记伪影信息，可以是医生根据经验进行标注的伪影信息，也可以是通过其他图像识别方法自动识别并标记的伪影信息，具体的图像识别方法，本实施例不做限定。样本图像包含的标记伪影信息，包括伪影类型和每类伪影的大小。神经网络模型输出的扫描图像的伪影信息包括所述待测部位扫描图像包含的伪影类型和每类伪影的大小。
为了便于理解，下面对伪影信息的概念进行说明：根据常见的伪影类型，预先设定伪影信息的位数和每一位代表的伪影类型，例如，以三位伪影信息为例，第一位表示运动伪影，第二位表示金属伪影，第三位表示呼吸伪影，每一位用一个数字表示其伪影的严重程度。该数字可以是0-1之间的数字，0表示不具有该类型伪影，1表示具有该类型伪影的程度最为严重。
例如，某一扫描图像的伪影信息为[0.1,0.6,0.3]，那么表示该图像包含运动伪影的严重程度是0.1，包含金属伪影的严重程度是0.6，包含呼吸伪影的严重程度是0.3。医生可以根据伪影信息所代表的包含伪影的严重程度，进一步判断是否需要对该待测部位重新扫描。
需要说明的是，对待测部位进行扫描、重建得到的初始图像中，并不是所有信息都是医生需要的，因此需要过滤掉图像序列中对于鉴别伪影没有帮助的干扰区域，比较常用的方法是采用形态学方法识别感兴趣区域。在本申请实施例中，针对多层的胸部CT图像，可以首先将各CT图像转换至适合的窗宽窗位，以利于辨别肺部内组织细节。具体的，窗宽窗位可以根据人工筛查时的习惯转换到更合适的窗宽窗位。进行窗宽窗位转换后，可以通过形态学方法分割出胸部及肺部区域，以便过滤图像中无关部分的干扰。具体的分割方法，可以是对CT图像进行二值化，并在此基础上的寻找轮廓信息，根据轮廓的面积大小即可确定肺部区域。针对其他扫描部位的其他扫描方式得到的图像，可根据实际情况采用不同的预处理方法。在此不再赘述。
本实施例通过应用深度学习技术，实现快速逐层识别扫描图像中是否存在伪影，整个过程在几秒钟内自动完成，大大减少了医师人工筛查扫描图像的工作负担，有效提高了扫描效率。
神经网络模型的训练过程，请参见图2，包括以下步骤：
S201：构建所述神经网络模型，设置所述神经网络模型的初始参数；
在本申请实施例中，神经网络模型可以采用通用的神经网络模型结构，作为一个示例，神经网络模型包括若干特征提取模块、一个全局平均池化层或一个全连接层，每个特征提取模块由若干卷积层、池化层和批量归一化层组成，特征提取模块完成特征提取工作，全局平均池化层或全连接层负责规范化特征长度并完成分类判别。为了便于理解，参见图3A，该图为本实施例提供的一种神经网络模型结构示意图。在每一个特征提取模块中，设置不同的卷积层的步长和滤波器数量，以便控制输出特征图的尺寸和通道数量。所述特征提取模块之间可通过级联或残差连接的方式自由组合。
图像序列经过若干特征提取模块后输出到全局平均池化层或全连接层，实现特征的有效组合，最终描述出伪影特征，有效识别出伪影。
可以理解的是，神经网络模型的参数和模型结构，共同构成了一个完整的神经网络模型。在训练之前，预先设置神经网络模型的初始参数，经过多次迭代训练，修正参数，完成对神经网络模型的训练。
S202：将所述样本数据中的所述样本图像输入所述神经网络模型，得到所述样本图像的特征图；
S203：基于所述样本图像的特征图，得到所述样本图像的预测伪影信息；
所述特征图，是神经网络模型的中间输出结果，即将样本图像输入神经网络模型后，神经网络模型(不包括全连接层)输出所述样本图像的特征图。神经网络模型继续基于特征图，生成样本图像的伪影信息。
样本图像的预测伪影信息包括预测的样本图像中包含的伪影类型，还包括每类伪影的严重程度。
S204：根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，构建损失函数，训练得到所述神经网络模型。
需要说明的是，神经网络模型的训练过程是一个迭代的过程。每一次迭代，输入样本图像，根据当前的神经网络模型参数，输出预测伪影信息，根据预测伪影信息和标记伪影信息，对神经网络模型进行训练。
在本申请实施例中，预测伪影信息和标记伪影信息可能并不相同，会存在一定差异，预测伪影信息和标记伪影信息之间的差异通过损失函数来进行计算。损失函数可以采用sigmoid cross entropy的方法，也可以采用其他损失函数计算方法，本申请不做限定。
根据输出的预测伪影信息和标记伪影信息，通过损失函数计算出差值，若该差值不满足预设的迭代停止条件，说明当前的神经网络模型参数需要进一步修正，因此需要根据损失函数的结算结果来进一步修正神经网络模型的网络参数。
其中，神经网络模型参数的修正，可以采用(Back Propagation BP)算法，也可以采用其他修正算法，本申请不做限定。
其中预设的迭代停止条件，可以是损失函数小于某一预设阈值，也可以是损失函数的结果基本停止继续变小时，说明当前的神经网络模型已经趋于实际标注结果，可以用于伪影图像的识别停止迭代。
通过损失函数计算的差值满足预设的迭代停止条件，则停止对神经网络模型参数进行修正，当前的神经网络模型即为训练完毕的神经网络模型。
下面结合图4，以对待测部位进行CT扫描、重建，得到CT多层图像为例，具体说明神经网络模型的训练过程：
考虑到CT图像本身具有的三维属性，通常来说，伪影可能会同时存在于连续的几个相邻图像层中，为了更好地提取辨识伪影的最佳特征，因此在网络模型的设计上增加了层与层之间的相关性。作为一个示例，请参见图3B所示的神经网络结构框图。
S301：将样本图像中的一层样本CT图像输入所述神经网络模型后，得到所述层的样本CT图像的特征图；
S302：将所述层的样本CT图像的特征图与上一相邻层的样本CT图像的特征图组合，得到所述层的组合特征图；
具体的，本层样本CT图像输入神经网络模型时，还可以同时输入上一相邻层的样本CT图像的第一特征图，神经网络模型中会输出本层样本CT图像的第二特征图，可以理解的是，第一特征图与第二特征图会具有相同的大小和维度，可以将第一特征图与第二特征图进行图像组合，将组合后的图像输入神经网络模型的全连接层，进而得到本层样本CT图像的预测伪影信息。因为组合特征图中不仅包含了本层样本CT图像的特征，还包含了相邻的上一层样本CT图像中的特征，因此，可以更清晰的描述CT图像的细节特征。
可以理解的是，第一层样本CT图像，并没有相邻的上一层样本CT图像，因此可以模拟出一个虚拟图像作为第一特征图，本层样本CT图像作为第二特征图。例如，可以模拟出全部数据为0的虚拟图像作为第一特征图。
S303：基于所述层的样本CT图像的组合特征图，得到所述层的所述样本CT图像的预测伪影信息；
根据本层样本CT图像的组合特征图，得到本层样本CT图像的预测伪影信息。具体的说，将本层样本CT图像的组合特征图，输入所述神经网络模型中，得到本层样本CT图像的组合特征图对应的预测伪影信息，其中，预测伪影信息包括组合特征图中包括的伪影类型，以及每类伪影类型的严重程度。
所述样本图像中的每一层所述样本CT图像对应的所述预测伪影信息构成预测伪影信息集；
例如，将第一层的样本CT图像输入神经网络模型，得到第一层样本CT图像特征图Fig1和第一层样本CT图像的预测伪影信息；继续将第二层的样本CT图像和Fig1共同输入神经网络模型，在神经网络模型中的全连接层之前，得到第二层样本CT图像特征图Fig2，将Fig1和Fig2组合，得到第二层样本CT图像的组合特征图ConbineFig2，神经网络模型根据ConbineFig2得到第二层样本CT图像的预测伪影信息；以此类推，当所有层的样本CT图像全部完成预测伪影信息的获得后，所有层的样本CT图像的预测伪影信息构成了预测伪影信息集；
S304：根据所述预测伪影信息集和所述标记伪影信息集，训练得到所述神经网络模型。
可以理解的是，标记伪影信息集是将每一层样本CT图像进行预先伪影标记，所有层的样本CT图像的标记伪影信息构成了标记伪影信息集。
根据预测伪影信息集和标记伪影信息集，训练神经网络模型。神经网络模型的训练过程参见S201-204，再此不在赘述。
为体现本实施例提供的基于神经网络模型的CT图像伪影的自动识别试验结果，参见图5所示利用本方法得到的CT图像伪影识别的结果，左图包含运动伪影，右图不包含运动伪影，从图中可以看出，通过本实施例提供的方法可以准确的判别CT图像包含的伪影，具有良好的实用性。
通过本申请实施例公开的图像的伪影自动识别方法，预先训练神经网络模型，将扫描得到的待测部位图像输入神经网络模型，得到图像中包含的伪影类型及每类伪影的大小，实现了自动化辨识扫描图像是否存在伪影并区分伪影类型，降低了医生的工作负担；并且，辨识过程在几秒内完成，避免患者需二次扫描时产生的等待时间。
与前述图像伪影自动识别方法的实施例相对应，本申请还提供了图像伪影自动识别装置的实施例。
参见图6，为本发明实施例提供的一种图像伪影自动识别装置的示意图。该装置可以包括：图像获取单元601，识别单元602以及训练单元603。
其中，图像获取单元601，用于获得待测部位的扫描图像；
识别单元602，用于将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
训练单元603，用于通过深度学习的方式对所述待测部位的样本数据训练得到神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
在训练单元603中，通过深度学习的方式对所述待检测部位的样本数据训练得到所述神经网络模型，包括：
构建所述神经网络模型，设置所述神经网络模型的初始参数；
将所述样本数据中的所述样本图像输入所述神经网络模型，得到所述样本图像的特征图；
基于所述样本图像的特征图，得到所述样本图像的预测伪影信息；
根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，训练得到所述神经网络模型。
在一些实施方式中，所述样本图像为多层的样本CT图像，所述样本图像对应的所述标记伪影信息为所述样本图像中的每一层样本CT图像对应的标记伪影信息构成的标记伪影信息集，所述将所述样本图像输入所述神经网络模型，得到所述样本图像的特征图，具体包括：
将所述样本图像中的一层样本CT图像输入所述神经网络模型后，得到所述层的样本CT图像的特征图；
将所述层的样本CT图像的特征图与上一相邻层的样本CT图像的特征图组合，得到所述层的样本CT图像的组合特征图；
所述基于所述样本图像的特征图，得到所述样本图像的预测伪影信息，具体包括：
基于所述层的样本CT图像的组合特征图，得到所述层的所述样本CT图像的预测伪影信息；
所述样本图像中的每一层所述样本CT图像对应的所述预测伪影信息构成预测伪影信息集；
所述根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，训练得到所述神经网络模型，具体包括：
根据所述预测伪影信息集和所述标记伪影信息集，训练得到所述神经网络模型。
本公开的方法的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台图像处理设备执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本例子提供的一种计算机可读存储介质，其具有存储在其上的指令，当由一个或多个处理器执行时，使得一个或多个处理器执行本公开的图像伪影的自动识别方法，该方法包括：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
其中，通过深度学习的方式对所述待测部位的样本数据训练得到神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
本公开还提供了一种图像伪影自动识别的设备，该设备可以包括：存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行指令时实现以下步骤：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息；
其中，通过深度学习的方式对所述待测部位的样本数据训练得到神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
Claims (6)
1.一种图像伪影的自动识别方法，包括：
获得待测部位的扫描图像；
将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息，所述伪影信息包括待测部位扫描图像包含的伪影类型和每类伪影的大小；
其中，所述神经网络模型通过深度学习的方式对所述待测部位的样本数据训练得到，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小，所述标记伪影信息是根据伪影类型预先设定伪影信息的位数，每一位表示一种伪影类型，每一位上的数值表示所述伪影类型的伪影大小，所述伪影大小用于指示伪影的严重程度，用[0-1]之间的浮点数表示，0表示不具有该类型伪影，1表示具有该类型伪影的程度最为严重；
医生可以根据伪影信息所代表的包含伪影的严重程度，进一步判断是否需要对该待测部位重新扫描；
所述样本图像为多层的样本CT图像，所述样本图像对应的所述标记伪影信息为所述样本图像中的每一层样本CT图像对应的标记伪影信息构成的标记伪影信息集，所述通过深度学习的方式对所述待测部位的样本数据训练得到所述神经网络模型，包括：
构建所述神经网络模型，设置所述神经网络模型的初始参数；
将所述样本数据中的所述样本图像输入所述神经网络模型，得到所述样本图像的特征图，包括：将所述样本图像中的一层样本CT图像输入所述神经网络模型后，得到所述层的样本CT图像的特征图；将所述层的样本CT图像的特征图与上一相邻层的样本CT图像的特征图组合，得到所述层的样本CT图像的组合特征图；
基于所述样本图像的特征图，得到所述样本图像的预测伪影信息，包括：基于所述层的样本CT图像的组合特征图，得到所述层的所述样本CT图像的预测伪影信息；所述样本图像中的每一层所述样本CT图像对应的所述预测伪影信息构成预测伪影信息集；
根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，训练得到所述神经网络模型，包括：根据所述预测伪影信息集和所述标记伪影信息集，训练得到所述神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，训练得到所述神经网络模型，包括：
判断所述样本图像的预测伪影信息与所述样本图像的标记伪影信息是否满足预设训练停止条件；
若满足，则将当前神经网络模型作为所述神经网络模型；
若不满足，则调整所述神经网络模型参数，重新将所述样本图像输入所述神经网络模型中。
3.根据权利要求2所述的方法，其特征在于，所述预设训练停止条件包括：
将所述样本图像的预测伪影信息与所述样本图像的标记伪影信息输入损失函数，若所述损失函数的值小于预设阈值，则满足所述预设训练停止条件。
4.根据权利要求1所述的方法，其特征在于，所述将所述样本数据中的所述样本图像输入所述神经网络模型之前，还包括：
对待测部位的样本图像进行图像预处理，过滤掉所述样本图像中的非感兴趣区域。
5.一种图像伪影的自动识别装置，包括：
图像获取单元，用于获得待测部位的扫描图像；
识别单元，用于将所述扫描图像输入预先训练的神经网络模型，得到所述扫描图像的伪影信息，所述伪影信息包括所述待测部位扫描图像包含的伪影类型和每类伪影的大小；
训练单元，用于通过深度学习的方式对所述待测部位的样本数据训练得到神经网络模型，所述样本数据包括待测部位的样本图像，以及与所述样本图像对应的标记伪影信息，所述标记伪影信息包括所述样本图像包含的伪影类型和伪影大小，所述标记伪影信息是根据伪影类型预先设定伪影信息的位数，每一位表示一种伪影类型，每一位上的数值表示所述伪影类型的伪影大小，所述伪影大小用于指示伪影的严重程度，用[0-1]之间的浮点数表示，0表示不具有该类型伪影，1表示具有该类型伪影的程度最为严重；所述样本图像为多层的样本CT图像，所述样本图像对应的所述标记伪影信息为所述样本图像中的每一层样本CT图像对应的标记伪影信息构成的标记伪影信息集；
所述训练单元，具体用于所述通过深度学习的方式对所述待测部位的样本数据训练得到所述神经网络模型，包括：构建所述神经网络模型，设置所述神经网络模型的初始参数；
将所述样本数据中的所述样本图像输入所述神经网络模型，得到所述样本图像的特征图，包括：将所述样本图像中的一层样本CT图像输入所述神经网络模型后，得到所述层的样本CT图像的特征图；将所述层的样本CT图像的特征图与上一相邻层的样本CT图像的特征图组合，得到所述层的样本CT图像的组合特征图；
基于所述样本图像的特征图，得到所述样本图像的预测伪影信息，包括：基于所述层的样本CT图像的组合特征图，得到所述层的所述样本CT图像的预测伪影信息；所述样本图像中的每一层所述样本CT图像对应的所述预测伪影信息构成预测伪影信息集；
根据所述样本图像的预测伪影信息和所述样本图像的标记伪影信息，训练得到所述神经网络模型，包括：根据所述预测伪影信息集和所述标记伪影信息集，训练得到所述神经网络模型。
6.一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如权利要求1至4中一个或多个所述的图像伪影的自动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910959091.4A CN110796613B (zh) | 2019-10-10 | 2019-10-10 | 一种图像伪影的自动识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910959091.4A CN110796613B (zh) | 2019-10-10 | 2019-10-10 | 一种图像伪影的自动识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796613A CN110796613A (zh) | 2020-02-14 |
| CN110796613B true CN110796613B (zh) | 2023-09-26 |
Family
ID=69438904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910959091.4A Active CN110796613B (zh) | 2019-10-10 | 2019-10-10 | 一种图像伪影的自动识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796613B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242947B (zh) * | 2020-03-12 | 2024-02-20 | 南京安科医疗科技有限公司 | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 |
| CN111798440A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 医学图像伪影自动识别方法、系统及存储介质 |
| CN111968111A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 一种ct图像的脏器或伪影辨别方法及装置 |
| CN112862778A (zh) * | 2021-02-04 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 扫描影像检测方法、电子设备和计算机可读介质 |
| CN113256529B (zh) * | 2021-06-09 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN113538613A (zh) * | 2021-06-25 | 2021-10-22 | 李懋 | 推荐扫描方案的同时动态提示mr扫描伪影的方法及系统 |
| WO2023046092A1 (en) * | 2021-09-23 | 2023-03-30 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for artifact removing |
| 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 |
| CN115063641B (zh) * | 2022-08-19 | 2022-11-29 | 青岛美迪康数字工程有限公司 | 一种基于深度学习的ct伪影识别方法和装置 |
| CN116167984B (zh) * | 2023-01-13 | 2023-11-24 | 浙江医准智能科技有限公司 | 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 |
| CN115797729B (zh) * | 2023-01-29 | 2023-05-09 | 有方（合肥）医疗科技有限公司 | 模型训练方法及装置、运动伪影识别及提示的方法及装置 |
| CN116721045B (zh) * | 2023-08-09 | 2023-12-19 | 经智信息科技(山东)有限公司 | 一种多ct图像融合的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤（北京）网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
| CN108122265A (zh) * | 2017-11-13 | 2018-06-05 | 深圳先进技术研究院 | 一种ct重建图像优化方法及系统 |
| CN110070612A (zh) * | 2019-04-25 | 2019-07-30 | 东北大学 | 一种基于生成对抗网络的ct图像层间插值方法 |
| GB201912149D0 (en) * | 2019-08-23 | 2019-10-09 | Univ Oxford Innovation Ltd | Computerised tomography image processing |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8494257B2 (en) * | 2008-02-13 | 2013-07-23 | Museami, Inc. | Music score deconstruction |
| EP3451284A1 (de) * | 2017-09-05 | 2019-03-06 | Siemens Healthcare GmbH | Verfahren zur automatischen artefakterkennung in computertomographischen bilddaten |
| US10489907B2 (en) * | 2017-11-13 | 2019-11-26 | Siemens Healthcare Gmbh | Artifact identification and/or correction for medical imaging |
| US11295013B2 (en) * | 2017-12-11 | 2022-04-05 | International Business Machines Corporation | Dimensionality reduction based on functionality |
| US11039146B2 (en) * | 2018-03-01 | 2021-06-15 | Arris Enterprises Llc | Visual artifact detector |
-
2019
- 2019-10-10 CN CN201910959091.4A patent/CN110796613B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122265A (zh) * | 2017-11-13 | 2018-06-05 | 深圳先进技术研究院 | 一种ct重建图像优化方法及系统 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤（北京）网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
| CN110070612A (zh) * | 2019-04-25 | 2019-07-30 | 东北大学 | 一种基于生成对抗网络的ct图像层间插值方法 |
| GB201912149D0 (en) * | 2019-08-23 | 2019-10-09 | Univ Oxford Innovation Ltd | Computerised tomography image processing |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796613A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
| WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
| CN104217418B (zh) | 钙化血管的分割 | |
| EP3144892B1 (en) | Method for automatic segmentation of body tissues | |
| CN111539944B (zh) | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 | |
| US8290568B2 (en) | Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image | |
| US8515133B2 (en) | Structure detection apparatus and method, and computer-readable medium storing program thereof | |
| US8073210B2 (en) | Methods of smoothing segmented regions and related devices | |
| JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
| CN113506294B (zh) | 一种医疗图像评估方法、系统、计算机设备及存储介质 | |
| JP7204007B2 (ja) | 画像データ中の病変部の境界の識別 | |
| KR102030533B1 (ko) | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 | |
| CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| CN114037803B (zh) | 医学图像三维重建方法及系统 | |
| WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
| CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| Agafonova et al. | Meningioma detection in MR images using convolutional neural network and computer vision methods | |
| US11967079B1 (en) | System and method for automatically detecting large vessel occlusion on a computational tomography angiogram | |
| CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 |
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 |