CN111242947A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111242947A CN111242947A CN202010168255.4A CN202010168255A CN111242947A CN 111242947 A CN111242947 A CN 111242947A CN 202010168255 A CN202010168255 A CN 202010168255A CN 111242947 A CN111242947 A CN 111242947A
- Authority
- CN
- China
- Prior art keywords
- artifact
- scanning
- image
- image quality
- quality evaluation
- 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
- 238000002591 computed tomography Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
Images
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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种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,涉及CT扫描技术领域;方法包括:(1)设置图像质量评价指标和各个图像质量评价指标相应的阈值条件;(2)构建基于卷积神经网络的伪影分类模型,通过伪影分类模型识别CT扫描重建图像中是否含有伪影以及所含有的伪影类型;(3)在CT扫描后,对CT扫描重建图像计算图像质量评价指标,若计算出的图像质量评价指标不满足相应的阈值条件,则判定图像质量不合格;否则将CT扫描重建图像输入所述伪影分类模型进行伪影分类,若分类结果为存在伪影,判定图像质量不合格并输出伪影类型。本发明能够对CT扫描重建图像进行一个质量评价,为医生提供准确的参考信息。
Description
技术领域
本发明涉及CT扫描技术领域,尤其是一种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。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体,获得投影数据,并通过断层重建算法来处理这些投影数据,获得物体的断层和三维的密度信息,达到无损检测的目的(图1)。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域,CT自从1970年问世以来,与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段,CT重建能够快速得到高分辨率的图像,重建结果的对比度精度可以控制在1%以内,能分辨0.5mm的级别的物体。因成像物理过程的复杂性,即使最先进的CT系统也要应对各种图像伪影对最终图像质量的影响。再高端的机器,在复杂紧张的医院场合中,如果使用不当也会带来各种伪影,比如物体过大导致的截断伪影,光子饥饿造成的条状伪影,病人呼吸带来的运动伪影,病人摆位不当带来的带状伪影等等。
这些带有伪影的低质量CT扫描图像不能作为诊断的依据,需要予以排除,并重新进行CT扫描以获得更高质量的CT扫描图像。在进行重新扫描之前,还需要根据CT图像内容判断出导致CT图像质量低的因素,然后对相关因素进行排查和调整,再重新进行CT扫描,才能得到质量较高的CT图像。
但是,能够做到上述对CT图像进行质量甄别和把控的只有很少数拥有丰富经验的医生,而大部分医院,尤其是三甲以下的医院中,通常是缺少对CT扫描拥有足够经验的资深医生的,往往一个资深的放射科医生需要去多家医院轮值,以保证CT质量符合作为诊断依据的要求。
发明内容
发明目的:为弥补现有技术中CT质量的把控只能依靠医生经验的缺陷,本发明提出一种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,能够自动地对CT扫描图像进行质量评价和伪影类型分析,为医生提供准确的参考信息,降低年轻医生操作CT扫描设备的难度。
技术方案:为实现上述目的,本发明提出的技术方案为:
一种CT扫描图像质量评价方法,包括步骤:
(1)设置图像质量评价指标和各个图像质量评价指标相应的阈值条件,所述图像质量评价指标包括:图像的均值、图像的噪声、图像的截断误差、图像的直方图均值;
(2)构建基于卷积神经网络的伪影分类模型,通过所述伪影分类模型识别所述CT扫描重建图像中是否含有伪影以及所含有的伪影类型;
(3)在CT扫描后,对每一幅CT扫描重建图像计算图像质量评价指标,若计算出的图像质量评价指标不满足相应的阈值条件,则判定图像质量不合格;否则,将CT扫描重建图像输入所述伪影分类模型进行伪影分类,若分类结果为存在伪影,则判定图像质量不合格,并输出伪影类型。
进一步的,所述卷积神经网络的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。
进一步的,所述基于卷积神经网络的伪影分类模型的训练过程包括:
收集带有伪影的CT扫描图像和无伪影的CT扫描图像;
为收集到的CT扫描图像添加分类标签,所述分类标签对应的分类结果包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
将所述添加了分类标签的CT扫描图像作为训练样本输入构建好的卷积神经网络,反复训练所述卷积神经网络直至所述卷积神经网络的损失函数小于预设的阈值。
一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个可被处理器执行的指令,所述至少一个指令被处理器执行时,实现所述的CT扫描图像质量评价方法。
一种CT扫描装置,所述CT扫描装置包括存储器和处理器,所述存储器用于存储至少一个指令,所述处理器用于执行所述至少一个指令以实现所述的CT扫描图像质量评价方法。
有益效果:与现有技术相比,本发明具有以下优势:
本发明在CT扫描结束后,对最终的CT扫描重建图像进行一个质量评价,可将质量差的CT扫描重建图像剔除出来,避免医生在后续的诊断过程中被低质量的CT扫描重建图像影响判断;
对于含有伪影的CT扫描图像,本发明可自动识别伪影类别,以便放射科技师或医生根据伪影类型找出产生伪影的因素,进而排除相应因素,再进行重新CT扫描,获得质量更高的CT扫描图像;
本发明能够降低放射科技师的操作难度,减少对培训水平的依赖,最大限度的减少售后的工作量和成本。
附图说明
图1为本发明的流程图;
图2为本发明实施例所涉及的伪影分类模型的工作流程图;
图3为本发明实施例所涉及的不同类型的伪影示例图,图中,第一行从左至右分别为:环形伪影、球管打火引起的条形伪影、金属伪影,第二行从左至右分别为:截断伪影、运动伪影和球管电流选择过小引起的条形伪影。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是,本发明可以以各种形式实施,以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例,并不意图将本发明限制于所说明的具体实施例。
应当理解的是,在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,从而形成本发明范围内的另外的实施例。此外,本发明所述的特定示例和实施例是非限制性的,并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
图1为本发明的流程图,在扫描结束后,对最终的CT扫描重建图像进行一个质量评价,可将质量差的CT扫描重建图像剔除出来,避免医生在后续的诊断过程中被低质量的CT扫描重建图像影响判断。具体流程为:
首先利用一些经典的图像指标进行快速判断,比如图像均值,图像的噪声,图像的直方图等,来提示一部分比较明显的图像问题。然后除此之外还需要利用神经网络来训练分辨图像是否存在各种伪影,并提示图像质量的问题。这个功能可以利用神经网络来训练来解决,也可以通过经典图像处理的方法,比如看噪声,截断误差等等。
CT图像的伪影表现形式一般有:环形伪影、条装伪影、带状伪影、阴影伪影等,各种伪影的图像如图3所示,图3中第一行从左至右分别为:环形伪影、球管打火引起的条形伪影、金属伪影,第二行从左至右分别为:截断伪影、运动伪影和球管电流选择过小引起的条形伪影。
为了识别CT扫描重建图像中是否有伪影,以及这些伪影的类型,本实施例中采用卷积神经网络来实现伪影的识别,进一步的,所述卷积神经网络的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。所述基于卷积神经网络的伪影分类模型的训练过程包括:
收集带有伪影的CT扫描图像和无伪影的CT扫描图像;
为收集到的CT扫描图像添加分类标签,所述分类标签对应的分类结果包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
将所述添加了分类标签的CT扫描图像作为训练样本输入构建好的卷积神经网络,反复训练所述卷积神经网络直至所述卷积神经网络的损失函数小于预设的阈值。
下面以VGG结构为例,进一步阐述所述卷积神经网络的训练和工作过程,具体步骤如下:
(1)收集伪影数据和正常数据,如病人头部、胸腹和四肢等区域的CT重建数据,数据包含正常的高质量图像数据和伪影数据例如噪声引起的条状伪影、球管打火引起的条纹伪影、金属伪影、运动伪影、截断伪影、探测器引起的环形伪影等;
(2)卷积神经网络模型设计,本实施例选取VGG网络模型,如图2所示;其中网络图像输入为扫描图像(512*512大小),通过卷积池化提取特征,最后通过全连接层输出伪影的类型,网络输出数据格式为(1 * N+1),其中N为训练中的伪影种类。网络损失函数采用MSE均方误差函数:,其中为真实数据,为神经网络输出数据。
(3)网络模型参数训练,收集好的数据分为不同的类别,对应不同的标签值,如表1所示:
表1
伪影 | 正常图像 | 噪声 | 打火 | 运动 | 截断 | 金属 | 环 | … |
标签 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | … |
把数据和标签输入到设计好的神经网络模型,损失函数选取均方误差,优化方法选取Adam进行训练。以环形伪影、条状伪影、带状伪影、阴影伪影四种伪影为例,所述神经网络模型的训练过程为:
准备数据,对于每一种伪影分别挑选1000张512*512的CT扫描数据,同时挑选无伪影的1000张数据;
生成标签,对于每一张伪影图像采用one-hot编码,其中编码第一位对应无伪影,往后类推分别对应环形伪影、条状伪影、带状伪影、截断伪影,例如对于环状伪影编码(0,1,0,0,0);
将数据输入网络,在Tensorflow平台上进行训练, 损失函数采用MSE;
保存训练完成的网络模型。
(4)图像质量判断,扫描后,把图像输入到训练好的网络模型来判断图像质量和伪影类型。例如以环形伪影、条状伪影、带状伪影、截断伪影为例,将待分辨伪影类型的图像(512*512)输入已训练的神经网络模型,得到五位输出编码,取最大概率所在位置,从而得到输入图像的伪影类型,例如对于输出(0,0,1,0,0),对应于条状伪影。
除了神经网络方法来识别判断重建图像的伪影,还可以用经典图像处理的方法,如扫描协议设置不当可导致图像的噪声增加,噪声增加表现为图像标准差(StandardDeviation,std)增加,可以通过测量和比较std的方法来判断协议是否设置正确;截断误差表现为图像边缘CT值增高,可以通过测量区域CT值大小的方法来判断有没有截断伪影,其他的伪影在图像域存在不同特征,同样可以通过图像处理的方法来进行判断。
进一步的,本实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个可被处理器执行的指令,所述至少一个指令被处理器执行时,实现本实施所述的CT扫描图像质量评价方法。
进一步的,本实施例还提出一种CT扫描装置,所述CT扫描装置包括存储器和处理器,所述存储器用于存储至少一个指令,所述处理器用于执行所述至少一个指令以实现本实施例所述的CT扫描图像质量评价方法。
上述实施例,特别是任何“优选”施例,是实施方式的可能示例,并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下,可以对上述实施例做出许多变化和修改,这些变化和修改也应视为本发明的保护范围。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种CT扫描图像质量评价方法,其特征在于,包括步骤:
(1)设置图像质量评价指标和各个图像质量评价指标相应的阈值条件,所述图像质量评价指标包括:图像的均值、图像的噪声、图像的截断误差、图像的直方图均值;
(2)构建基于卷积神经网络的伪影分类模型,通过所述伪影分类模型识别所述CT扫描重建图像中是否含有伪影以及所含有的伪影类型;
(3)在CT扫描后,对每一幅CT扫描重建图像计算图像质量评价指标,若计算出的图像质量评价指标不满足相应的阈值条件,则判定图像质量不合格;否则,将CT扫描重建图像输入所述伪影分类模型进行伪影分类,若分类结果为存在伪影,则判定图像质量不合格,并输出伪影类型。
2.根据权利要求1所述的一种CT扫描图像质量评价方法,其特征在于,所述卷积神经网络的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。
3.根据权利要求1所述的一种CT扫描图像质量评价方法,其特征在于,所述基于卷积神经网络的伪影分类模型的训练过程包括:
收集带有伪影的CT扫描图像和无伪影的CT扫描图像;
为收集到的CT扫描图像添加分类标签,所述分类标签对应的分类结果包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
将所述添加了分类标签的CT扫描图像作为训练样本输入构建好的卷积神经网络,反复训练所述卷积神经网络直至所述卷积神经网络的损失函数小于预设的阈值。
4.一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存储有至少一个可被处理器执行的指令,所述至少一个指令被处理器执行时,实现如权利要求1至3任意一项所述的CT扫描图像质量评价方法。
5.一种CT扫描装置,其特征在于,所述CT扫描装置包括存储器和处理器,所述存储器用于存储至少一个指令,所述处理器用于执行所述至少一个指令以实现如权利要求1至3任意一项所述的CT扫描图像质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168255.4A CN111242947B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168255.4A CN111242947B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242947A true CN111242947A (zh) | 2020-06-05 |
CN111242947B CN111242947B (zh) | 2024-02-20 |
Family
ID=70873198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010168255.4A Active CN111242947B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242947B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN113269847A (zh) * | 2021-05-24 | 2021-08-17 | 深圳安科高技术股份有限公司 | 基于短扫描的ct图像重建方法、装置、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 |
CN115797729A (zh) * | 2023-01-29 | 2023-03-14 | 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 |
CN116649993A (zh) * | 2023-04-21 | 2023-08-29 | 北京绪水互联科技有限公司 | 多期扫描影像图像质量控制方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011152255A (ja) * | 2010-01-27 | 2011-08-11 | Hitachi Medical Corp | 再構成演算装置、再構成演算方法、及びx線ct装置 |
JP2015058355A (ja) * | 2013-09-18 | 2015-03-30 | 株式会社日立メディコ | Ct画像評価装置及びct画像評価方法 |
CN110570492A (zh) * | 2019-09-11 | 2019-12-13 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备以及介质 |
CN110796613A (zh) * | 2019-10-10 | 2020-02-14 | 东软医疗系统股份有限公司 | 一种图像伪影的自动识别方法及装置 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
-
2020
- 2020-03-12 CN CN202010168255.4A patent/CN111242947B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011152255A (ja) * | 2010-01-27 | 2011-08-11 | Hitachi Medical Corp | 再構成演算装置、再構成演算方法、及びx線ct装置 |
JP2015058355A (ja) * | 2013-09-18 | 2015-03-30 | 株式会社日立メディコ | Ct画像評価装置及びct画像評価方法 |
CN110570492A (zh) * | 2019-09-11 | 2019-12-13 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备以及介质 |
CN110796613A (zh) * | 2019-10-10 | 2020-02-14 | 东软医疗系统股份有限公司 | 一种图像伪影的自动识别方法及装置 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN113269847A (zh) * | 2021-05-24 | 2021-08-17 | 深圳安科高技术股份有限公司 | 基于短扫描的ct图像重建方法、装置、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 |
CN115797729A (zh) * | 2023-01-29 | 2023-03-14 | 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 |
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 |
CN116649993A (zh) * | 2023-04-21 | 2023-08-29 | 北京绪水互联科技有限公司 | 多期扫描影像图像质量控制方法、装置、电子设备及存储介质 |
CN116649993B (zh) * | 2023-04-21 | 2024-05-14 | 北京绪水互联科技有限公司 | 多期扫描影像图像质量控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111242947B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242947B (zh) | 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 | |
CN107945132B (zh) | 一种基于神经网络的ct图像的伪影校正方法及装置 | |
US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
CN111260647B (zh) | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 | |
CN105593905B (zh) | 针对完全3d迭代ct重建中的图像质量优化用于对正则化参数的局部调节的方法 | |
US8977027B2 (en) | Dual modality imaging including quality metrics | |
US11935229B2 (en) | Automated scan quality monitoring system | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
US11660061B2 (en) | Method and system for motion assessment and correction in digital breast tomosynthesis | |
US11797846B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
CN111292378A (zh) | 一种ct扫描辅助方法、装置及计算机可读存储介质 | |
US20180253624A1 (en) | Defective Pixel Identification Using Machine Learning | |
CN111462112A (zh) | 一种判断图像质量的方法和系统 | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
KR101467380B1 (ko) | 의료 영상 화질 개선 방법 및 그 장치 | |
US20220351387A1 (en) | Weakly supervised lesion segmentation | |
Yang et al. | Attenuation profile matching: An accurate and scan parameter‐robust measurement method for small airway dimensions in low‐dose CT scans | |
WO2019169251A1 (en) | System and method for an accelerated clinical workflow | |
US20230360366A1 (en) | Visual Explanation of Classification | |
Khandekar | Development of a Method to Detect and Quantify CT Motion Artifacts: Feasibility Study | |
US20240120072A1 (en) | System and method for obtaining quality image data and measurements from a medical imaging device | |
US20240074722A1 (en) | Method for obtaining tube current value and medical imaging system | |
WO2023020609A1 (en) | Systems and methods for medical imaging | |
WO2023021076A1 (en) | Finding-specific training of machine-learning models using image inpainting |
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 |