CN111260647B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111260647B CN111260647B CN202010168261.XA CN202010168261A CN111260647B CN 111260647 B CN111260647 B CN 111260647B CN 202010168261 A CN202010168261 A CN 202010168261A CN 111260647 B CN111260647 B CN 111260647B
- Authority
- CN
- China
- Prior art keywords
- image
- scanning
- artifact
- body position
- 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.)
- Active
Links
- 238000002591 computed tomography Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000013441 quality evaluation Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect 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
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 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
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- 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
- G06T2207/20—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
- G06T2207/30004—Biomedical image processing
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出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,涉及CT扫描技术领域;本发明在扫描过程中,实时采集病人的体位图像;然后将采集到的体位图像输入构建好的关键点检测模型,通过所述关键点检测模型提取所述体位图像中人体关键点的坐标;将本次采集到的体位图像中的关键点坐标和上一次采集到的体位图像中的关键点坐标导入预先构建的图像域相似度指标计算模型,计算出所述两幅体位图像的相似度;最后通过阈值条件判断病人在扫描过程中是否发生摆位变化。如果检测到病人运动,则可中断扫描,避免病人接受不必要剂量。本发明能够在CT扫描过程中及时发现病人摆位变化,降低技师操作难度,减少对CT设备操作水平的依赖。
Description
技术领域
本发明涉及CT扫描技术领域,尤其是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。
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,病人摆位不当和扫描过程中发生位置移动带来的带状伪影等等。
由于影响CT扫描图像最终质量的因素很多,因此放射科医生和技师需要丰富的经验去对CT扫描图像进行甄别,剔除质量低的CT扫描图像,以避免影响对病情的判断,而很多医生的经验不足,就很难辨别出质量低的CT扫描图像,这尤其是在三级甲医院以下的医院中,很多技师都是刚刚毕业的学生,没有那么多的使用经验。
另一方面,放射科医生和技师还需要在扫描前调整病人摆位,以及选择合适的扫描协议及参数,以便能够扫描得到高质量的、清晰的图像,但对于扫描过程中病人发生移动导致摆位变化,放射科医生和技师很难及时发现并提醒病人调整,而病人摆位变化常常导致CT扫描图像质量不合格,很多时候病人需要再次甚至多次扫描,白白承受很多射线剂量。
发明内容
发明目的:为弥补现有技术的缺陷,本发明提出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,能够在CT扫描过程中及时发现病人摆位变化,降低放射科技师的操作难度,减少对经验和CT设备操作水平的依赖。
技术方案:为实现上述目的,本发明提出的技术方案为:
一种基于图像检测的CT扫描辅助方法,包括步骤:
(1)在CT扫描过程中,实时采集病人的体位图像;
(2)将采集到的体位图像输入构建好的基于卷积神经网络的关键点检测模型,通过所述关键点检测模型提取所述体位图像中人体关键点的坐标;
(3)将本次采集到的体位图像中的关键点坐标和上一次采集到的体位图像中的关键点坐标导入预先构建的图像域相似度指标计算模型,计算出所述两幅体位图像的相似度,若计算出的相似度值不符合预设的阈值条件,则判定病人体位在扫描过程中发生变化,否则,判定病人体位在扫描过程中没有发生变化。
进一步的,所述基于卷积神经网络的关键点检测模型的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。
进一步的,所述图像域相似度指标计算模型的计算步骤包括:
选取人体的一个点或者CT病床上的一个点作为参考点;
找到所述参考点在上一次采集到的体位图像上的对应点,计算上一次采集到的体位图像中所有关键点与/>之间的角度和像素距离;
找到所述参考点在本次采集到的体位图像上的对应点,计算本次采集到的体位图像中所有关键点与/>之间的角度和像素距离;
对于每一个关键点,计算它在所述两次采集到的体位图像中与所述参考点的角度的变化量和像素距离的变化量作为图像域相似度指标。
进一步的,所述基于图像检测的CT扫描辅助方法还包括步骤:
在CT扫描后,对CT扫描重建图像进行质量评价,具体步骤包括:
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;
构建基于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扫描重建图像中的伪影类型,包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
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。
本发明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,实现所述的基于图像检测的CT扫描辅助方法。
本发明提出一种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所述的基于图像检测的CT扫描辅助方法。
有益效果:与现有技术相比,本发明具有以下优势:
本发明在扫描过程中,通过对病人摆位的检测,避免病人发生摆位变化导致最终CT扫描重建的图像质量差的问题,如果检测到病人运动,则可中断扫描,避免病人接受不必要的剂量;
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。
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为本发明的实施例的流程图;
图2为本发明实施例所涉及的卷积神经网络的工作流程图;
图3为本发明实施例所涉及的伪影分类模型的工作流程图;
图4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为本发明的一个实施例的示例性示意图,本实施例在扫描过程中,通过对病人摆位的检测,避免病人发生摆位变化导致最终CT扫描重建的图像质量差的问题,如果检测到病人运动,则提示中断扫描,避免病人接受不必要的剂量。本实施例的具体步骤为:
S1、在进行CT扫描前,首先构建合适的扫描环境,例如扫描区域外不能有物体,调整合适的床高等,然后在CT扫描过程中,通过相机或者具有相机功能的设备获取病人在CT病床上的摆位图像,相机安装在扫描机架上或者屏蔽室的天花板上,能够拍摄到病人全身。
S2、通过预先训练好的基于卷积神经网络的关键点检测模型从步骤S1得到的图像中提取人体关键点的坐标;这些关键点通常选取能够表征人体关键部位(例如手腕,手肘,肩膀,眼睛,鼻子等等)的点,为判断病人体位提供信息。这里的卷积神经网络为DenseNet、ResNet等网络框架,其工作流程如图2所示,首先将图片输入到卷积神经网络,卷积神经网络提取图像特征,得到关键点坐标,然后将关键点坐标送入分类网络进行分类,以及通过区域坐标回归网络进行回归,最后输出关键点的类别和坐标。
这里的卷积神经网络的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。
所述卷积神经网络的训练过程如下:从临床数据中选取10000多图片,图片大小为640*480,手动标记人体关键点坐标,通过tensorflow框架训练网络。网络输入数据大小为1*640*480,网络输出数据形状为nkp+1*640*480,其中nkp为人体关键点数量,网络损失函数为交叉熵函数。
S3、将本次采集到的体位图像中的关键点坐标和上一次采集到的体位图像中的关键点坐标导入预先构建的图像域相似度指标计算模型,计算出所述两幅体位图像的相似度,若计算出的相似度值不符合预设的阈值条件,则判定病人体位在扫描过程中发生变化,否则,判定病人体位在扫描过程中没有发生变化。
图像域相似性测度就是比较一段很短的时间内的两个图像的相似度,这个图像域相似度指标计算模型是用于表征两幅体位图像中关键点之间差异的计算公式,可以根据需求去构建具体计算公式。例如对于扫描过程中间隔一秒的两张图像,具体比较方案如下:
选取人体的一个点或者CT病床上的一个点作为参考点;
找到所述参考点在上一次采集到的体位图像上的对应点,计算上一次采集到的体位图像中所有关键点与/>之间的角度和像素距离;例如关键点/>与/>两个点的角度Angle和像素距离Dist的计算公式为:
其中,表示最小数值计算误差
找到所述参考点在本次采集到的体位图像上的对应点,计算本次采集到的体位图像中所有关键点与/>之间的角度和像素距离;
对于每一个关键点,计算它在所述两次采集到的体位图像中与所述参考点的角度的变化量和像素距离的变化量作为图像域相似度指标;若角度的变化量或像素距离的变化量大于预设的阈值,则判定病人体位在扫描过程中发生变化,否则,判定病人体位在扫描过程中没有发生变化。
作为本发明的优选实施方式,本实施例在上述实施例的基础上,还增加了对最终的CT扫描重建图像进行质量评价的步骤,可将质量差的CT扫描重建图像剔除出来。质量评价的具体步骤包括:
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4所示,图4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,本实施例中采用神经网络来实现伪影的识别,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)神经网络模型设计,本实施例选取VGG网络模型,如图3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噪声的类型,网络输出数据格式为(1 * N+1),其中N为训练中的噪声种类。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。
优选的,本发明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,实现所述的基于图像检测的CT扫描辅助方法。
优选的,本发明提出一种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所述的基于图像检测的CT扫描辅助方法。
上述实施例,特别是任何“优选”实施例,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 (6)
1.一种基于图像检测的CT扫描辅助方法,其特征在于,包括步骤:
(1)在CT扫描过程中,实时采集病人的体位图像;
(2)将采集到的体位图像输入构建好的基于卷积神经网络的关键点检测模型,通过所述关键点检测模型提取所述体位图像中人体关键点的坐标;
(3)将本次采集到的体位图像中的关键点坐标和上一次采集到的体位图像中的关键点坐标导入预先构建的图像域相似度指标计算模型,计算出所述两幅体位图像的相似度,若计算出的相似度值不符合预设的阈值条件,则判定病人体位在扫描过程中发生变化,否则,判定病人体位在扫描过程中没有发生变化;
所述图像域相似度指标计算模型的计算步骤包括:
选取人体的一个点或者CT病床上的一个点作为参考点;
找到所述参考点在上一次采集到的体位图像上的对应点,计算上一次采集到的体位图像中所有关键点与/>之间的角度和像素距离;
找到所述参考点在本次采集到的体位图像上的对应点,计算本次采集到的体位图像中所有关键点与/>之间的角度和像素距离;
对于每一个关键点,计算它在所述两次采集到的体位图像中与所述参考点的角度的变化量和像素距离的变化量作为图像域相似度指标。
2.根据权利要求1所述的一种基于图像检测的CT扫描辅助方法,其特征在于,所述基于卷积神经网络的关键点检测模型的结构包括:Alexnet、ZFNet、OverFeat、VGG、GoogleNet、ResNet、DenseNet。
3.根据权利要求1或2所述的一种基于图像检测的CT扫描辅助方法,其特征在于,还包括步骤:
在CT扫描后,对CT扫描重建图像进行质量评价,具体步骤包括:
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;
构建基于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扫描重建图像中的伪影类型,包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
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。
4.根据权利要求2所述的一种基于图像检测的CT扫描辅助方法,其特征在于,
还包括步骤:
在CT扫描后,对CT扫描重建图像进行质量评价,具体步骤包括:
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;
构建基于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扫描重建图像中的伪影类型,包括:无伪影、环形伪影、条状伪影、带状伪影、截断伪影;
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。
5.一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4任意一项所述的基于图像检测的CT扫描辅助方法。
6.一种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4任意一项所述的基于图像检测的CT扫描辅助方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168261.XA CN111260647B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010168261.XA CN111260647B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260647A CN111260647A (zh) | 2020-06-09 |
CN111260647B true CN111260647B (zh) | 2023-07-25 |
Family
ID=70945836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010168261.XA Active CN111260647B (zh) | 2020-03-12 | 2020-03-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260647B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968112B (zh) * | 2020-09-02 | 2023-12-26 | 广州海兆印丰信息科技有限公司 | Ct三维定位图像的获取方法、装置和计算机设备 |
CN112802019B (zh) * | 2021-04-01 | 2021-06-29 | 成都成电金盘健康数据技术有限公司 | 一种基于脊柱AIS影像的lenke分型方法 |
CN115222805B (zh) * | 2022-09-20 | 2023-01-13 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
CN117635565B (zh) * | 2023-11-29 | 2024-05-24 | 珠海诚锋电子科技有限公司 | 一种基于图像识别的半导体表面缺陷检测系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065342B (zh) * | 2012-12-21 | 2016-10-19 | 深圳先进技术研究院 | 一种ct图像的重建方法 |
US10043088B2 (en) * | 2016-06-23 | 2018-08-07 | Siemens Healthcare Gmbh | Image quality score using a deep generative machine-learning model |
CN106529418B (zh) * | 2016-10-19 | 2020-01-21 | 中国科学院计算技术研究所 | 一种跌倒检测及报警方法 |
CN109753891A (zh) * | 2018-12-19 | 2019-05-14 | 山东师范大学 | 基于人体关键点检测的足球运动员姿势校准方法及系统 |
CN110544285B (zh) * | 2019-10-30 | 2020-02-04 | 南京安科医疗科技有限公司 | 一种矫正头部ct图像中头部位置的方法 |
-
2020
- 2020-03-12 CN CN202010168261.XA patent/CN111260647B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111260647A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
WO2021179534A1 (zh) | 一种ct扫描辅助方法、装置及计算机可读存储介质 | |
CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
US20210012488A1 (en) | Automated scan quality monitoring system | |
US8977027B2 (en) | Dual modality imaging including quality metrics | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
US10825149B2 (en) | Defective pixel correction using adversarial networks | |
Wang et al. | Automated segmentation of CBCT image using spiral CT atlases and convex optimization | |
EP3745950B1 (en) | System and method for detecting anatomical regions | |
CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
JP7101809B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US11615508B2 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
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 | |
CN114529502A (zh) | 用于进行自动化受检者解剖结构和取向识别的基于深度学习的方法和系统 | |
EP4027887B1 (en) | Inhalation metric for chest x-ray images | |
CN110619621A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
EP3048968B1 (en) | System and method for context-aware imaging | |
US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
WO2022194855A1 (en) | Detecting abnormalities in an x-ray image | |
Ilovar et al. | Analysis of radiograph and detection of cardiomegaly | |
EP3968215A1 (en) | Determining target object type and position | |
WO2023021076A1 (en) | Finding-specific training of machine-learning models using image inpainting | |
EP4388489A1 (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 |