CN110866880A - 图像伪影检测方法、装置、设备和存储介质 - Google Patents
图像伪影检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110866880A CN110866880A CN201911111799.0A CN201911111799A CN110866880A CN 110866880 A CN110866880 A CN 110866880A CN 201911111799 A CN201911111799 A CN 201911111799A CN 110866880 A CN110866880 A CN 110866880A
- Authority
- CN
- China
- Prior art keywords
- artifact
- category
- target
- image
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T5/80—Geometric correction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像伪影检测方法、装置、设备和存储介质。所述方法包括：获取待检测的医学图像；将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；根据所述目标伪影类别和所述目标解决策略，输出提示消息。采用本方法对图像进行检测的检测精度更高，最终得到的图像质量也更高。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像伪影检测方法、装置、设备和存储介质。
背景技术
磁共振成像因为具有诸多优点，因此被广泛应用于人体疾病检测上，但磁共振成像系统和磁共振成像过程均比较复杂，因此，在磁共振成像过程中不可避免的会出现很多伪影现象，这样会导致图像质量变差，影响检测效果，因此，对图像是否出现伪影进行检测就显得尤为重要。
相关技术在检测图像是否出现伪影时，一般是医生通过对图像上的信息进行分析和判断，从而得知是否出现伪影，若出现伪影，那么就需要对扫描过程进行重新设定，然后重新进行磁共振成像。
然而上述技术通过人工检测伪影，存在检测精度不高，从而会导致最终得到的图像质量较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够最终提高图像质量的图像伪影检测方法、装置、设备和存储介质。
一种图像伪影检测方法，该方法包括：
获取待检测的医学图像；
将医学图像输入至神经网络模型中进行伪影识别，确定医学图像的目标伪影类别；
根据目标伪影类别，在预设的策略表中确定目标伪影类别对应的目标解决策略；预设的策略表包括伪影类别和解决策略之间的对应关系；
根据目标伪影类别和目标解决策略，输出提示消息。
一种图像伪影检测装置，该装置包括：
获取模块，用于获取待检测的医学图像；
第一确定模块，用于将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
第二确定模块，用于根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
输出模块，用于根据所述目标伪影类别和所述目标解决策略，输出提示消息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测的医学图像；
将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
根据所述目标伪影类别和所述目标解决策略，输出提示消息。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测的医学图像；
将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
根据所述目标伪影类别和所述目标解决策略，输出提示消息。
上述图像伪影检测方法、装置、设备和存储介质，通过获取待检测对象的医学图像，并将待检测对象的医学图像输入至神经网络模型进行伪影识别，确定医学图像的目标伪影类别，根据目标伪影类别，在预设的策略表中得到目标伪影类别对应的目标解决策略，该预设的策略表包括伪影类别和解决策略之间的对应关系，根据目标伪影类别和目标解决策略，输出提示消息。在该方法中，由于可以利用神经网络模型对图像进行伪影识别，得到图像的伪影类别，相比于人工检测伪影，利用神经网络模型进行检测的检测精度更高，效率更高；另外，根据神经网络模型检测得到的伪影类别，可以从预设的策略表中得到该伪影类别对应的解决策略，这样后续就可以采用伪影类别对应的解决策略对图像进行处理，从可以减少图像的伪影，提高图像的质量，即利用该方法最终对图像进行处理，得到的图像的质量更高。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中图像伪影检测方法的流程示意图；
图3为另一个实施例中图像伪影检测方法的流程示意图；
图4为另一个实施例中图像伪影检测方法的流程示意图；
图5为另一个实施例中图像伪影检测方法的流程示意图；
图6为另一个实施例中图像伪影检测方法的流程示意图；
图7为一个实施例中图像伪影检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前，磁共振技术因其成像方式灵活多变，可得到多种对比度的图像而成为一种不可替代的成像技术，但也正因为磁共振系统及成像方式的复杂性，导致在成像过程中可能会产生出各种各样的伪影，影响医生的诊断，在现有技术条件下，磁共振是否产生伪影需要技师人工进行判断，这样的方法存在检测精度不高的问题。如今医院人满为患，大量的扫描量增加了技师的压力同时也加大了漏掉伪影图像的概率，若严重的伪影图像没有被及时发现，那么最终得到图像质量就比较低，如果需要进一步诊断，那就需要患者重新预约扫描，不仅浪费技师、患者的时间，甚至有时候因为得到的图像质量较低，导致有可能会耽误患者病情；在另外的一些情况下，产生的伪影与扫描时的不当操作或者机器本身的故障有关，而缺乏经验的一些技师并不能及时发现，进一步产生更多的问题，例如暂停使用机器等待维修人员，造成资源浪费。可以看出，上述技术都还存在一定的问题，因此，本申请实施例提供一种图像伪影检测方法、装置、设备和存储介质，旨在解决上述一些问题。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，例如笔记本电脑、台式电脑、工业电脑等，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像伪影检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是图像伪影检测装置，也可以是计算机设备，下述实施例以计算机设备为执行主体进行说明。
在一个实施例中，提供了一种图像伪影检测方法，本实施例涉及的是如何得到图像的伪影类别以及通过伪影类别得到对应的解决策略，并利用伪影类别和解决策略对图像进行处理的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取待检测的医学图像。
其中，待检测的医学图像可以是待检测对象的医学图像，待检测对象在这里可以是个体全身的所有部位，也可以是个体的任意一个或多个部位，部位指的是头部、胸部、腹部、腿部等等。待检测的医学图像在这里可以是一维图像、二维图像、三维图像等，本实施例主要使用的是三维图像。
具体的，在对待检测对象进行检查时，可以通过对扫描设备采集的快速扫描数据进行图像重建和校正，就可以得到待检测对象的医学图像，或者，待检测对象的医学图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取医学图像。又或者，计算机设备也可以从外部设备中获取医学图像，比如，将待检测对象的医学图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该待检测对象的医学图像。本实施例对获取待检测对象的医学图像的获取方式不做限定。
S204，将医学图像输入至神经网络模型中进行伪影识别，确定医学图像的目标伪影类别。
其中，神经网络模型在这里可以是分类模型，该分类模型可以是VGG(VisualGeometry Group Network，视觉几何群网络)模型、Inception NET模型、FCN(FullyConvolutional Networks，全卷积神经网络)模型、SegNet(Segmentation Networks，分割网络)模型、DeepLab(语义分割)模型、Mask-RCNN(Mask-Region Convolutional NeuralNetworks，掩模-卷积神经网络)模型等等。
另外，这里医学图像的目标伪影类别可以是大类别，也可以是大类别下面的小类别。
具体的，计算机设备在得到待检测的医学图像之后，可以将该待检测的医学图像输入至训练好的神经网络模型中，在该神经网络模型中对伪影进行识别，得到待检测的医学图像的伪影类别，以及根据伪影类别判断得到该待检测图是否存在伪影的结果，这里不存在伪影的结果也属于一种伪影类别，最终确定的医学图像的伪影类别记为目标伪影类别。示例地，例如不存在伪影的结果是类别0，存在伪影的结果是类别1～n，n的大小视实际设置的伪影类别数量而定。
S206，根据目标伪影类别，在预设的策略表中确定目标伪影类别对应的目标解决策略；预设的策略表包括伪影类别和解决策略之间的对应关系。
其中，这里策略表中的解决策略指的是对应各个伪影类别提出的解决方案或者操作建议等等。一般每个伪影类别可以对应一个解决策略，不同的伪影类别对应的解决策略可以不同，也可以相同。
在本步骤中，在使用预设的策略表之前，还需要预先建立该策略表，可选的，如图3所示，该预设的策略表的建立方式可以包括以下步骤S302-S304：
S302，获取至少一个伪影类别和至少一个解决策略。
S304，建立至少一个伪影类别和至少一个解决策略之间的对应关系，得到策略表。
在这里，可以预先得到各种伪影类别的图像，然后针对各种伪影类别的图像的伪影产生原因，分别制定不同的解决策略，然后将各伪影类别和对应的解决策略绑定起来，就可以得到预设的策略表，通过预设的策略表，从而可以为本步骤S206在通过伪影类别查找对应的解决策略时，提供一个查找基础。
另外，一般可以将所有伪影分为三大类别：一类是患者带来的伪影，包括运动伪影，金属伪影等；第二类为技师操作不当带来的伪影，例如射频干扰伪影(屏蔽房门没关)、卷折伪影等；第三类为机器本身故障带来的伪影，例如打火伪影等；当然还可以有其他大类别，本实施例只是一个示例，并不作具体限定。在每一大类别下还可以再分为若干个小类别，例如运动伪影还可以分为自主运动造成的伪影和不自主造成的伪影等。这里预设的策略表中包括的伪影类别和解决策略之间的对应关系，可以是大类别和解决策略之间的对应关系，也可以是小类别和解决策略之间的对应关系。这里大类别对应的解决策略可以和小类别对应的解决策略相同，也可以不同。
进一步地，上述神经网络模型得到的待检测图像的伪影类别可以是大类别，也可以是小类别，示例地，假设有四大类别，分别为A、B、C、D，各自对应的小类别可以是[A1、A2、...An]、[B1、B2、...Bn]、[C1、C2、...Cn]、[D1、D2、...Dn]，其中n个数可以根据实际情况而定；上述神经网络模型得到的可以是A、B、C、D中的任意一个，也可以是[A1、A2、...An]、[B1、B2、...Bn]、[C1、C2、...Cn]、[D1、D2、...Dn]中的任意一个，例如得到A3，表示该待检测图像的伪影类别属于A大类别下的A3小类别。
具体的，计算机设备可以根据神经网络模型输出的待检测图像的目标伪影类别，在预设的策略表中查找得到该目标伪影类别对应的解决策略，记为目标解决策略。
示例地，假设目标伪影类别为运动伪影，则目标解决策略可以是提醒用户(技师)患者运动导致伪影，是否需要重新扫描；再假设目标伪影类别为金属伪影，则目标解决策略可以是提醒用户(技师)需要将患者身上的金属物品拿出扫描间重新扫描等；再比如若目标伪影类别是患者自主运动造成的伪影，则目标解决策略可以是提示用户(技师)，患者在扫描过程中动了，可能需要重新扫描，若目标伪影类别是患者不自主运动造成的伪影，则目标解决策略可以是提示用户(技师)，可能需要增加饱和等等。
S208，根据目标伪影类别和目标解决策略，输出提示消息。
其中，这里的提示消息可以是用于指示用户如何利用目标解决策略去除伪影的消息，也可以只是包括目标伪影类别和目标解决策略的消息，当然还可以包括产生该目标伪影类别的原因；另外，这里的提示消息还可以只是提示用户或技师有没有伪影的消息，同时在输出该提示消息的同时还可以输出目标伪影类别对应的目标解决策略，这里的解决策略也可以称为解决方案。
具体的，计算机设备在得到目标伪影类别和对应的目标解决策略之后，可以将目标伪影类别和对应的目标解决策略以提示消息的形式输出给用户(或者操作扫描设备的技师等)，用户可以根据该提示消息对待检测图像进行相应地去伪影处理，得到去除伪影后的图像，或者是用户根据提示消息对扫描设备的参数进行重新设置，然后用重新设置的参数对待检测对象继续重新扫描，得到新的图像，该新的图像相比参数重新设置之前的图像，伪影情况应该是有明显改善的，也就是说，最终得到的图像质量应该是更高的。这样输出提示消息可以进一步对用户进行操作提醒，帮助用户正确处理伪影，降低扫描设备的使用门槛，对其推广使用起到积极作用。
上述图像伪影检测方法中，通过获取待检测对象的医学图像，并将待检测对象的医学图像输入至神经网络模型进行伪影识别，确定医学图像的目标伪影类别，根据目标伪影类别，在预设的策略表中得到目标伪影类别对应的目标解决策略，该预设的策略表包括伪影类别和解决策略之间的对应关系，根据目标伪影类别和目标解决策略，输出提示消息。在该方法中，由于可以利用神经网络模型对图像进行伪影识别，得到图像的伪影类别，相比于人工检测伪影，利用神经网络模型进行检测的检测精度更高，效率更高；另外，根据神经网络模型检测得到的伪影类别，可以从预设的策略表中得到该伪影类别对应的解决策略，这样后续就可以采用伪影类别对应的解决策略对图像进行处理，从可以减少图像的伪影，提高图像的质量，即利用该方法最终对图像进行处理，得到的图像的质量更高。
在另一个实施例中，提供了另一种图像伪影检测方法，本实施例涉及的是如何根据目标伪影类别确定待检测图像是否存在伪影的一种可能的实施方式。在上述实施例的基础上，上述方法还可以包括以下步骤a：
步骤a，获取目标伪影类别的标识，根据目标伪影类别的标识确定医学图像是否存在伪影，以及输出确定结果。
其中，目标伪影类别的标识可以是数字、字母、文字等等，输出的确定结果可以是存在伪影或不存在伪影的结果，当然也可以是类似于true或者false的结果，true可以代表存在伪影，false可以代表不存在伪影。另外，可以预先设置伪影类别标识和是否存在伪影的对应关系，例如，可以预先设置哪些标识属于存在伪影的，哪些标识属于不存在伪影的，示例地，不存在伪影的标识为0，存在伪影的标识可以是1-n，n的大小视实际设置的伪影类别数量而定，一般一个伪影类别可以对应一个标识，另外，可以有大类别标识和小类别标识，这里可以参照上述S206中的类别标识，在此不再赘述。
具体的，计算机设备在上述通过神经网络模型得到伪影类别之后，一般得到的可以是伪影类别的标识，通过该伪影类别的标识和预先设置好的伪影类别标识和是否存在伪影的对应关系，就可以得到该目标伪影类别的标识对应的是否存在伪影的结果，是否存在伪影的结果即为待检测的医学图像的伪影结果，最后可以将该伪影结果输出来，以便更明显地提示用户是否存在伪影，便于后续据此执行下一步操作。示例地，假设目标伪影类别的标识为0，则可以确定不存在伪影，假设目标伪影类别的标识为B2，则可以确定存在伪影，且为B大类下的2小类。
本实施例提供的图像伪影检测方法，通过获取目标伪影类别的标识，并根据目标伪影类别的标识确定医学图像是否存在伪影，以及输出确定结果。在本实施例中，由于可以通过目标伪影类别的标识确定是否存在伪影，因此，该方法可以较为简单地得到医学图像是否存在伪影的结果，便于后续据此执行下一步操作。
在另一个实施例中，提供了另一种图像伪影检测方法，本实施例涉及的是如何将医学图像输入至神经网络模型，得到医学图像的目标伪影类别的一种可能的实施方式。在上述实施例的基础上，如图4所示，上述S204可以包括以下步骤：
S402，将医学图像输入至神经网络模型中进行伪影识别，得到医学图像属于各个伪影类别的概率。
S404，将医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定医学图像的目标伪影类别。
在本实施例中，伪影类别有很多种，所以这里可以得到属于各个伪影类别的概率；概率阈值可以根据实际情况而定，例如可以是0.5、0.6、0.7等等。
具体的，计算机设备在得到待检测的医学图像之后，可以将该待检测的医学图像输入至训练好的神经网络模型中，在神经网络模型中对该医学图像的伪影类别进行识别处理，得到该医学图像属于各个伪影类别的概率，即得到多个概率，将该多个概率分别和预设的概率阈值进行对比，得到多个对比结果，之后可以将对比结果为大于概率阈值的概率对应的伪影类别确定为医学图像的目标伪影类别。示例地，假设有5种伪影类别，分别为a、b、c、d、e，概率阈值为0.7，医学图像在神经网络模型中输出的这5个类别对应的概率分别为0.1、0.4、0.8、0.35、0.62，可见，0.1、0.4、0.35、0.62均小于0.7，只有0.8大于0.7，所以0.8对应的c类别为医学图像的目标伪影类别。
本实施例提供的图像伪影检测方法，在对医学图像进行检测时，可以将医学图像输入至神经网络模型中进行伪影识别，得到医学图像属于各个伪影类别的概率，将医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定医学图像的目标伪影类别。在本实施例中，由于利用各伪影类别的概率与概率阈值进行比较，以此来确定医学图像的目标伪影类别，该比较过程比较简单，计算量也较小，因此，该方法可以提高图像伪影检测的效率。
在另一个实施例中，提供了另一种图像伪影检测方法，本实施例涉及的是神经网络模型训练的具体过程。在上述实施例的基础上，如图5所示，神经网络模型的训练过程可以包括以下S502-S504：
S502，获取样本图像，样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，样本图像已标注伪影类别。
其中，可选的，在得到样本图像之后，还可以对样本图像进行预处理，得到预处理后的样本图像。这里的预处理可以是重采样、归一化、数据扩增等预处理。另外，样本的已标注伪影类别可以是伪影类别的标识等。
S504，将样本图像作为初始神经网络模型的输入，将样本图像的伪影类别作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到神经网络模型。
在本步骤中，在具体训练神经网络时，可选的，可以采用如图6所示的步骤进行具体训练，如下S602-S606：
S602，将样本图像输入至初始神经网络模型，得到样本图像的预测伪影类别。
S604，将预测伪影类别和已标注伪影类别输入至预设的损失函数，得到损失函数的值。
S606，利用损失函数的值对初始神经网络模型的参数进行调整，直至损失函数的值达到预设的标准值为止，得到神经网络模型。
具体的，计算机设备在得到预处理后的样本图像之后，可以将各预处理后样本图像输入至初始的神经网络模型，得到各样本图像的预测伪影类别，并根据上述样本图像的已标注伪影类别和预测伪影类别，计算已标注伪影类别和预测伪影类别之间的损失，并将该损失作为损失函数的值，利用该损失函数的值对初始神经网络模型进行训练，最终得到训练好的神经网络模型。在这里，损失可以是样本图像的预测伪影类别和已标注伪影类别之间的误差、方差、范数等；损失函数在这里可以是Cross Entropy Loss损失函数、FocalLoss函数等等；在训练神经网络模型时，当神经网络模型的损失函数的值小于预设的阈值时，或者当损失函数的值基本稳定时(即不再发生变化时)，则可以确定神经网络模型已经训练好，否则还要继续训练，当训练好时可以固定神经网络模型的参数，便于后续测试时使用。其中，预设的标准值就可以是这里的预设的阈值或者达到基本稳定时的稳定值等等。
本实施例提供的图像伪影检测方法，在对神经网络模型训练时，可以获取样本图像，样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，样本图像已标注伪影类别，并将样本图像作为初始神经网络模型的输入，将样本图像的伪影类别作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到神经网络模型。在本实施例中，由于神经网络模型是利用已标注伪影类别的样医学图像进行训练得到的，因此得到的神经网络模型是比较准确的，进而在利用该准确的网络进行伪影检测和确定伪影类别时，得到的伪影类别和伪影检测结果也是比较准确的。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种图像伪影检测装置，包括：获取模块10、第一确定模块11、第二确定模块12和输出模块13，其中：
获取模块10，用于获取待检测的医学图像；
第一确定模块11，用于将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
第二确定模块12，用于根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
输出模块13，用于根据所述目标伪影类别和所述目标解决策略，输出提示消息。
关于图像伪影检测装置的具体限定可以参见上文中对于图像伪影检测方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，上述装置还可以包括第三确定模块，该第三确定模块用于获取所述目标伪影类别的标识，根据所述目标伪影类别的标识确定所述医学图像是否存在伪影；上述输出模块13还用于输出确定结果。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，上述装置还可以包括建立模块，该建立模块用于获取至少一个伪影类别和至少一个解决策略；建立所述至少一个伪影类别和所述至少一个解决策略之间的对应关系，得到所述策略表。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，上述第一确定模块11可以包括：识别单元和确定单元，其中：
识别单元，用于将所述医学图像输入至神经网络模型中进行伪影识别，得到所述医学图像属于各个伪影类别的概率；
确定单元，用于将所述医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定所述医学图像的目标伪影类别。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，上述装置还可以包括模型训练模块，该模型训练模块可以包括获取单元和训练单元，其中：
获取单元，用于获取样本图像，所述样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，所述样本图像已标注伪影类别；
训练单元，用于将所述样本图像作为初始神经网络模型的输入，将所述样本图像的伪影类别作为所述初始神经网络模型的输出，对所述初始神经网络模型进行训练，得到所述神经网络模型。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，上述训练单元可以包括识别子单元、确定子单元、训练子单元，其中：
识别子单元，用于将所述样本图像输入至初始神经网络模型，得到所述样本图像的预测伪影类别；
确定子单元，用于将所述预测伪影类别和所述已标注伪影类别输入至预设的损失函数，得到所述损失函数的值；
训练子单元，用于利用所述损失函数的值对所述初始神经网络模型的参数进行调整，直至所述损失函数的值达到预设的标准值为止，得到所述神经网络模型。
在另一个实施例中，提供了另一种图像伪影检测装置，在上述实施例的基础上，在所述获取样本图像之后，上述训练模块还可以包括预处理单元，该预处理单元用于对所述样本图像进行预处理，得到预处理后的样本图像。
关于图像伪影检测装置的具体限定可以参见上文中对于图像伪影检测方法的限定，在此不再赘述。
上述图像伪影检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测的医学图像；
将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
根据所述目标伪影类别和所述目标解决策略，输出提示消息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述目标伪影类别的标识，根据所述目标伪影类别的标识确定所述医学图像是否存在伪影，以及输出确定结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取至少一个伪影类别和至少一个解决策略；
建立所述至少一个伪影类别和所述至少一个解决策略之间的对应关系，得到所述策略表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述医学图像输入至神经网络模型中进行伪影识别，得到所述医学图像属于各个伪影类别的概率；
将所述医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定所述医学图像的目标伪影类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本图像，所述样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，所述样本图像已标注伪影类别；
将所述样本图像作为初始神经网络模型的输入，将所述样本图像的伪影类别作为所述初始神经网络模型的输出，对所述初始神经网络模型进行训练，得到所述神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述样本图像输入至初始神经网络模型，得到所述样本图像的预测伪影类别；
将所述预测伪影类别和所述已标注伪影类别输入至预设的损失函数，得到所述损失函数的值；
利用所述损失函数的值对所述初始神经网络模型的参数进行调整，直至所述损失函数的值达到预设的标准值为止，得到所述神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述样本图像进行预处理，得到预处理后的样本图像。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测的医学图像；
将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
根据所述目标伪影类别和所述目标解决策略，输出提示消息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述目标伪影类别的标识，根据所述目标伪影类别的标识确定所述医学图像是否存在伪影，以及输出确定结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取至少一个伪影类别和至少一个解决策略；
建立所述至少一个伪影类别和所述至少一个解决策略之间的对应关系，得到所述策略表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述医学图像输入至神经网络模型中进行伪影识别，得到所述医学图像属于各个伪影类别的概率；
将所述医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定所述医学图像的目标伪影类别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本图像，所述样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，所述样本图像已标注伪影类别；
将所述样本图像作为初始神经网络模型的输入，将所述样本图像的伪影类别作为所述初始神经网络模型的输出，对所述初始神经网络模型进行训练，得到所述神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述样本图像输入至初始神经网络模型，得到所述样本图像的预测伪影类别；
将所述预测伪影类别和所述已标注伪影类别输入至预设的损失函数，得到所述损失函数的值；
利用所述损失函数的值对所述初始神经网络模型的参数进行调整，直至所述损失函数的值达到预设的标准值为止，得到所述神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述样本图像进行预处理，得到预处理后的样本图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像伪影检测方法，其特征在于，所述方法包括：
获取待检测的医学图像；
将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
根据所述目标伪影类别和所述目标解决策略，输出提示消息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标伪影类别的标识，根据所述目标伪影类别的标识确定所述医学图像是否存在伪影，以及输出确定结果。
3.根据权利要求1或2所述的方法，其特征在于，所述预设的策略表的建立方式包括：
获取至少一个伪影类别和至少一个解决策略；
建立所述至少一个伪影类别和所述至少一个解决策略之间的对应关系，得到所述策略表。
4.根据权利要求1所述的方法，其特征在于，所述将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别，包括：
将所述医学图像输入至神经网络模型中进行伪影识别，得到所述医学图像属于各个伪影类别的概率；
将所述医学图像属于各个伪影类别的概率分别和预设的概率阈值进行对比，根据对比结果确定所述医学图像的目标伪影类别。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练方法包括：
获取样本图像，所述样本图像包括存在伪影的样本图像和/或不存在伪影的样本图像，所述样本图像已标注伪影类别；
将所述样本图像作为初始神经网络模型的输入，将所述样本图像的伪影类别作为所述初始神经网络模型的输出，对所述初始神经网络模型进行训练，得到所述神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述将所述样本图像作为初始神经网络模型的输入，将所述样本图像的伪影类别作为所述初始神经网络模型的输出，对所述初始神经网络模型进行训练，得到所述神经网络模型，包括：
将所述样本图像输入至初始神经网络模型，得到所述样本图像的预测伪影类别；
将所述预测伪影类别和所述已标注伪影类别输入至预设的损失函数，得到所述损失函数的值；
利用所述损失函数的值对所述初始神经网络模型的参数进行调整，直至所述损失函数的值达到预设的标准值为止，得到所述神经网络模型。
7.根据权利要求5或6所述的方法，其特征在于，在所述获取样本图像之后，所述方法还包括：
对所述样本图像进行预处理，得到预处理后的样本图像。
8.一种图像伪影检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的医学图像；
第一确定模块，用于将所述医学图像输入至神经网络模型中进行伪影识别，确定所述医学图像的目标伪影类别；
第二确定模块，用于根据所述目标伪影类别，在预设的策略表中确定所述目标伪影类别对应的目标解决策略；所述预设的策略表包括伪影类别和解决策略之间的对应关系；
输出模块，用于根据所述目标伪影类别和所述目标解决策略，输出提示消息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种可读存储介质，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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911111799.0A CN110866880B (zh) | 2019-11-14 | 2019-11-14 | 图像伪影检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911111799.0A CN110866880B (zh) | 2019-11-14 | 2019-11-14 | 图像伪影检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866880A true CN110866880A (zh) | 2020-03-06 |
| CN110866880B CN110866880B (zh) | 2023-04-28 |
Family
ID=69654162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911111799.0A Active CN110866880B (zh) | 2019-11-14 | 2019-11-14 | 图像伪影检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866880B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112649773A (zh) * | 2020-12-22 | 2021-04-13 | 上海联影医疗科技股份有限公司 | 磁共振扫描方法、装置、设备及存储介质 |
| CN112652031A (zh) * | 2020-12-30 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 伪影校正分析方法、电子设备及存储介质 |
| 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 |
| CN113409312A (zh) * | 2021-08-03 | 2021-09-17 | 广东博创佳禾科技有限公司 | 一种用于生物医疗影像的图像处理方法和装置 |
| 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 |
| 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 |
| CN115063641A (zh) * | 2022-08-19 | 2022-09-16 | 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 |
| CN116309923A (zh) * | 2023-05-24 | 2023-06-23 | 吉林大学 | 基于图神经网络的ct金属伪影消除方法及系统 |
| CN117409016A (zh) * | 2023-12-15 | 2024-01-16 | 华中科技大学同济医学院附属同济医院 | 一种磁共振图像自动分割方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| 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 |
| CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
| CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
| US20190073804A1 (en) * | 2017-09-05 | 2019-03-07 | Siemens Healthcare Gmbh | Method for automatically recognizing artifacts in computed-tomography image data |
| CN109727203A (zh) * | 2017-10-27 | 2019-05-07 | 西门子医疗保健有限责任公司 | 用于借助于机器学习来补偿运动伪影的方法和系统 |
| CN110163849A (zh) * | 2019-04-28 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 训练数据处理方法、分类模型训练方法及设备 |
| CN110189386A (zh) * | 2019-05-06 | 2019-08-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN110321920A (zh) * | 2019-05-08 | 2019-10-11 | 腾讯科技（深圳）有限公司 | 图像分类方法、装置、计算机可读存储介质和计算机设备 |
| WO2019201968A1 (en) * | 2018-04-19 | 2019-10-24 | Koninklijke Philips N.V. | Automatic artifact detection and pulse sequence modification in magnetic resonance imaging |
-
2019
- 2019-11-14 CN CN201911111799.0A patent/CN110866880B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| US20190073804A1 (en) * | 2017-09-05 | 2019-03-07 | Siemens Healthcare Gmbh | Method for automatically recognizing artifacts in computed-tomography image data |
| CN109727203A (zh) * | 2017-10-27 | 2019-05-07 | 西门子医疗保健有限责任公司 | 用于借助于机器学习来补偿运动伪影的方法和系统 |
| 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 |
| CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
| WO2019201968A1 (en) * | 2018-04-19 | 2019-10-24 | Koninklijke Philips N.V. | Automatic artifact detection and pulse sequence modification in magnetic resonance imaging |
| CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
| CN110163849A (zh) * | 2019-04-28 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 训练数据处理方法、分类模型训练方法及设备 |
| CN110189386A (zh) * | 2019-05-06 | 2019-08-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN110321920A (zh) * | 2019-05-08 | 2019-10-11 | 腾讯科技（深圳）有限公司 | 图像分类方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (5)
| Title |
|---|
| IRENE FANTINI等: "Automatic detection of motion artifacts on MRI using Deep CNN", 《2018 INTERNATIONAL WORKSHOP ON PATTERN RECOGNITION IN NEUROIMAGING (PRNI)》 * |
| MANISH N. TIBDEWAL等: "ANN Based Automatic Identification and Classification of Ocular Artifacts and Non-Artifactual EEG", 《2018 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS)》 * |
| 刘建邦: "锥束CT图像散射伪影校正方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 岳学旺等主编: "《实用医学影像学（下）》", 30 September 2017, 吉林科学技术出版社 * |
| 张鹏程: "残差学习在CT稀疏重建伪影校正中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112037146B (zh) * | 2020-09-02 | 2023-12-22 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
| CN112649773A (zh) * | 2020-12-22 | 2021-04-13 | 上海联影医疗科技股份有限公司 | 磁共振扫描方法、装置、设备及存储介质 |
| CN112652031A (zh) * | 2020-12-30 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 伪影校正分析方法、电子设备及存储介质 |
| 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 |
| 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 |
| CN113409312B (zh) * | 2021-08-03 | 2021-11-02 | 广东博创佳禾科技有限公司 | 一种用于生物医疗影像的图像处理方法和装置 |
| CN113409312A (zh) * | 2021-08-03 | 2021-09-17 | 广东博创佳禾科技有限公司 | 一种用于生物医疗影像的图像处理方法和装置 |
| 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 |
| CN115063641A (zh) * | 2022-08-19 | 2022-09-16 | 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 |
| 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 |
| CN116309923A (zh) * | 2023-05-24 | 2023-06-23 | 吉林大学 | 基于图神经网络的ct金属伪影消除方法及系统 |
| CN117409016A (zh) * | 2023-12-15 | 2024-01-16 | 华中科技大学同济医学院附属同济医院 | 一种磁共振图像自动分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866880B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866880B (zh) | 图像伪影检测方法、装置、设备和存储介质 | |
| CN109598745B (zh) | 图像配准方法、装置和计算机设备 | |
| CN110428415B (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
| CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
| CN110189306B (zh) | 脑图像中异常区域对应的责任血管确定方法和设备 | |
| CN110400626B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN111091539B (zh) | 网络模型训练、医学图像处理方法、装置、介质及设备 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| CN115136192A (zh) | 对模型的输入实例的分布外检测 | |
| CN110244249B (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
| CN114549594A (zh) | 图像配准方法、装置和电子设备 | |
| CN111145152B (zh) | 图像检测方法、计算机设备和存储介质 | |
| CN111128345B (zh) | 医学图像的获取方法、医学扫描设备和计算机存储介质 | |
| US11010893B2 (en) | Image identifying method and image identifying device | |
| CN111241945A (zh) | 人脸识别性能的测试方法、装置、计算机设备及存储介质 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN113673318B (zh) | 一种动作检测方法、装置、计算机设备和存储介质 | |
| CN109480886B (zh) | 骨损伤检测方法、装置、计算机设备和存储介质 | |
| CN114170178A (zh) | 一种图像分割方法及存储介质 | |
| CN109524102B (zh) | 检查参数选择的方法及装置、计算机设备和可读存储介质 | |
| CN111161239B (zh) | 医学图像分析方法、装置、存储介质及计算机设备 |
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 |