CN111462112A - 一种判断图像质量的方法和系统 - Google Patents

一种判断图像质量的方法和系统 Download PDF

Info

Publication number
CN111462112A
CN111462112A CN202010327417.4A CN202010327417A CN111462112A CN 111462112 A CN111462112 A CN 111462112A CN 202010327417 A CN202010327417 A CN 202010327417A CN 111462112 A CN111462112 A CN 111462112A
Authority
CN
China
Prior art keywords
image
judgment
judged
quality
score
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.)
Pending
Application number
CN202010327417.4A
Other languages
English (en)
Inventor
鲍园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202010327417.4A priority Critical patent/CN111462112A/zh
Publication of CN111462112A publication Critical patent/CN111462112A/zh
Priority to PCT/CN2021/089454 priority patent/WO2021213519A1/zh
Priority to EP21791868.9A priority patent/EP4131160A4/en
Priority to US18/049,277 priority patent/US20230063828A1/en
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种判断图像质量的方法。该方法包括获取待判断图像。基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。本说明书实施例公开的方法可以减少图像质量判断的人工参与，有效地降低图像判断的出错率，提高图像质量判断的效率和精度。

Description

一种判断图像质量的方法和系统
技术领域
本说明书涉及图像处理领域，特别涉及一种判断图像质量的方法和系统。
背景技术
医学图像处理是一项非常繁重的工作，医生在判断图像质量时，需要从多个维度综合进行判断，工作量大，并且需要判断人员经验丰富，非常容易出现误判。现有的判断方法中多为让医生凭借经验对图像质量进行判断，判断的效率和质量难以得到保证。
因此，有必要提出一种判断图像质量的方法，以提高图像质量判断的效率和质量。
发明内容
本说明书实施例的一个方面提供一种判断图像质量的方法。所述判断图像质量的方法包括：获取待判断图像。可以基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。可以基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
本说明书实施例的另一个方面提供一种判断图像质量的系统。所述系统包括：获取模块，可以用于获取待判断图像。第一处理模块，可以用于基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。第二处理模块，可以用于基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
本说明书实施例的另一个方面提供一种判断图像质量的装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现判断图像质量的方法。
本说明书实施例的另一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行判断图像质量的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的判断图像质量的系统的示例性应用场景示意图；
图2是根据本说明书一些实施例所示的判断图像质量的方法的示例性流程图；
图3是根据本说明书一些实施例所示的获取判断指标相关的评分的示例性流程图；
图4是根据本说明书一些实施例所示的判断图像质量的系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的判断图像质量的系统的示例性应用场景示意图。
判断图像质量的系统100可以通过实施本说明书披露的方法和/或过程，快速地判断图像质量，有效地降低图像判断出错率，提高图像质量判断的效率和精度。
在一些实施例中，判断图像质量的系统100可以获取目标对象得到的待判断图像，并对该图像的图像质量进行判断。如图1所示，判断图像质量的系统100包括扫描设备110、第一计算系统130、第二计算系统140。
扫描设备110可以用于对目标对象进行成像从而产生图像。扫描设备110产生的图像可以作为待判断图像，进行后续的图像质量判断处理。扫描设备110可以是医学成像设备(例如，CT(Computed Tomography，计算机断层扫描)成像设备、PET(Positron EmissionComputed Tomography，正电子发射型计算机断层显像)成像设备、MRI(MagneticResonance Imaging，磁共振成像)成像设备、SPECT(Single-Photon Emission ComputedTomography，单光子发射计算机断层成像术)成像设备、PET-CT成像设备、PET-MRI成像设备等)。在一些实施例中，扫描设备110可以包括机架111、探测器112、探测区域113、和/或扫描床114。目标对象可以放置于扫描床114上接受扫描。机架111可以支撑探测器112。在一些实施例中，探测器112可以包括一个或多个探测器单元。探测器单元可以是和/或包括单排探测器和/或多排探测器。探测器单元可以包括闪烁探测器(例如，碘化铯探测器)和其他探测器等。在一些实施例中(例如，在PET成像设备中)，探测器112可以探测从探测区域113发出的辐射束(例如，伽马光子)，在接收目标对象发出的辐射束后，探测器112可以将其转变为可见光，并通过光电转换转变为电信号，再经模拟/数字转换器转换为数字信息，输入计算设备(例如，计算机)进行处理，或传输至存储设备进行存储。在一些实施例中，机架111可以旋转，例如，在CT成像设备中，机架111可以围绕机架旋转轴线顺时针或逆时针旋转。在一些实施例中，扫描设备110可以进一步包括放射扫描源，放射扫描源可以与机架111一同旋转。放射扫描源可以发出放射线束(例如，X射线)到目标对象，经目标对象衰减后被探测器112探测到，进而产生图像信号。在一些实施例中(例如，在MRI成像设备中)，成像设备110可以包括射频发射线圈和/或射频接收线圈(图中未展示)，通过射频发射线圈向目标对象施加射频脉冲从而使目标对象中的氢质子受到激励而发生磁共振现象，再通过射频接收线圈接收磁共振信号从而产生图像。
第一计算系统130和第二计算系统140可以相同也可以不同。
第一计算系统130和第二计算系统140是指具有计算能力的系统，可以包括各种计算机，比如服务器、个人计算机，也可以是由多台计算机以各种结构连接组成的计算平台。
第一计算系统130和第二计算系统140中可以包括处理器，处理器可以执行程序指令。处理器可以包括各种常见的通用中央处理器(central processing unit，CPU)，图形处理器(Graphics Processing Unit，GPU)，微处理器，特殊应用集成电路(application-specific integrated circuit，ASIC)，或其他类型的集成电路。
第一计算系统130和第二计算系统140中可以包括存储介质，存储介质可以存储指令，也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
第一计算系统130和第二计算系统140还可以包括用于内部连接和与外部连接的网络。也可以包括用于输入或输出的终端。网络可以是有线网络或无线网络中的任意一种或多种。终端可以包括各类具有信息接收和/或发送功能的设备，如计算机、手机、文字扫描设备、显示设备、打印机等。
第一计算系统130可以获取样本数据120，样本数据120可以是用于训练模型的数据。示例的，样本数据120可以是训练初始判断模型的数据。样本数据120可以通过各种常见的方式被输入第一计算系统130。
在第一计算系统130中可以训练模型132，更新模型132的参数，得到训练好的模型。示例的，模型132可以是初始判断模型。
第二计算系统140可以获取数据150，数据150可以是待处理的数据。示例的，数据150可以是待判断图像质量的图像，例如，待判断图像。数据150可以通过各种常见的方式被输入第二计算系统140。在一些实施例中，数据150可以从扫描设备110处获取。在一些实施例中，数据150可以从其他存储设备获取，所述存储设备可以存储扫描设备110产生的图像。
在第二计算系统140中可以包括模型142，模型142的参数来自于训练好的模型132。其中，参数可以以任何常见的方式传递。在一些实施例中，模型132与模型142也可以是相同的。第二计算系统140基于模型142，生成结果160，结果160可以是模型142对数据150的判断结果。示例的，模型142为判断模型，结果160可以是对待判断图像的评分，即，待判断图像与判断指标相关的评分。
模型(例如，模型132或/和模型142)可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时，所使用的参数可以是被预先设置好的，也可以是动态可调整的。一些参数可以通过训练的方法获得，一些参数可以在执行的过程中获得。关于本说明书中涉及模型的具体说明，可参见本说明书的相关部分。
关于待判断图像、判断指标、评分和判断模型的更多细节参见图2-图3，此处不再赘述。
图2是根据本说明书一些实施例所示的判断图像质量的方法的示例性流程图。在一些实施例中，流程200可以由处理设备执行。例如，流程200可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程200。流程200可以包括以下操作。
步骤202，获取待判断图像。步骤202可以由获取模块410执行。
在一些实施例中，待判断图像可以是由探测设备(例如图1中所示的探测器112)所获取的扫描投影数据经过处理后得到的医学图像。例如，扫描设备110使用一束经过准直的X光线，对目标对象进行扫描，由探测器112接收透过目标对象层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digitalconverter)转换得到扫描投影数据，在对扫描投影数据进行处理后得到的图像。对投影数据进行处理可以是对扫描投影数据进行图像重建。图像重建的算法可以包括解析算法(例如滤波反投影算法)、迭代算法(例如代数重建算法、最大似然算法)、傅里叶切片定理算法、扇束重建算法等。所述目标对象可以包括患者或者其他医学实验对象(例如，试验用小白鼠等其他动物)等。所述目标对象还可以是患者或其他医学实验对象的一部分，包括器官和/或组织，例如，心脏、肺、肋骨、腹腔等。
在一些实施例中，所述探测设备可以包括但不限于计算机X线摄影仪(CR)、数字化X线摄影仪(DR)、计算机断层扫描(CT)、正电子发射计算机断层扫描(PET)、屏片X射线机、移动X射线设备(比如移动C臂机)、数字减影血管造影扫描仪(DSA)、直线加速器等中的一种或其任意组合。所述待判断图像可以包括计算机断层扫描图像、X射线投影图像、相位衬度图像、暗场图像以及核磁共振图像中的一种或多种。
在一些实施例中，可以直接从扫描目标对象的扫描设备，例如扫描设备110处直接获取所述待判断图像，也可以从存储设备或医学数据库上获取所述待判断图像。
在一些实施例中，可以对待判断图像进行预处理。
在一些实施例中，对待判断图像进行预处理可以是对待判断图像中每一个像素的颜色进行标准化。颜色标准化的方法可以包括灰度化、Gamma校正或其他方法。其中，灰度化可以使图像的颜色只有灰度的256个值(0～255)。Gamma校正可以调节图像的对比度，从而降低图像局部的阴影和图像亮度变化所造成的影响，同时可以减少图像噪声。对图像进行预处理可以消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性、最大限度地简化数据，从而改进特征提取、图像分割和识别的可靠性，提高对图像质量判断的效率和准确性。
在一些实施例中，对待判断图像进行预处理可以是提取所述待判断图像的图像特征。图像的特征可以包括图像的灰度特征、图像的纹理特征、图像的频谱特征、图像的梯度特征以及图像的部位形状(例如，物体的外边界)特征等。
在一些实施例中，对待判断图像进行预处理还可以包括提取所述待判断图像的局部图像的局部特征。局部图像的局部特征可以包括颜色特征、纹理特征、形状特征以及局部特征点等。提取的局部特征可以用于判断所述局部图像的图像质量，以进一步地根据局部图像的图像质量判断所述待判断图像的质量。关于局部图像的更多描述可以参见图3及其相关描述，此处不再赘述。提取的特征可以用于输入至模型(例如，判断模型、判断子模型)用于判断所述待判断图像的图像质量。
特征提取方法可以包括方向梯度直方图(HOG，histogram ofOrientedGradient)、尺度不变特征变换(SIFT，Scale-invariant features transform)、加速稳健特征(SURF，Speeded Up Robust Features)、局部二值模式(Local BinaryPattern)等。
步骤204，基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。步骤204可以由第一处理模块420执行。
在一些实施例中，判断模型可以基于目标对象的生物组织和/或器官的医学图像和/或自然图像，与其对应的标签训练得到。标签可以是由人工给出的在不同判断指标相关的评分。在一些实施例中，判断指标相关的评分，可以理解为待判断图像在判断指标相关的分数分类，每一个类别对应一个标签，每一个标签对应一个分数。例如，在五分类中，第一个类别的标签[1，0，0，0，0]可以对应评分1分，第二个类别的标签[0，1，0，0，0]可以对应评分2分，第三个类别的标签[0，0，1，0，0]可以对应评分3分，第四个类别的标签[0，0，0，1，0]可以对应评分4分，第五个类别的标签[0，0，0，0，1]可以对应评分5分。对判断指标进行分类，由于其不同的类别对应不同的分数，确定判断指标下该待判断图像的类别，即确定在该判断指标下待判断图像的评分。
在一些实施例中，可以由多个已知不同判断指标相关的评分标签的医学图像和/或自然图像进行多次训练得到多个判断模型，多个判断模型可以分别用于获取不同判断指标(例如，解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度)下的评分。判断模型的输入是待判断图像，判断模型的输出是该待判断图像在该判断指标相关的评分。在一些实施例中，获取判断指标相关的评分时，可以使用单个判断模型获取单个判断指标相关的评分，例如，使用第一判断模型获取解剖结构清晰度下的评分。
判断指标为用于衡量所述待判断图像质量的参数。判断指标可以包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个。
在一些实施例中，解剖结构清晰度可以为待判断图像上各部分(或者各解剖结构)的纹理及其边界的清晰程度。解剖结构可以为待判断图像中所包含的部位的解剖结构，例如，如果待判断图像为脑部图像，那么解剖结构为脑部解剖结构(例如，大脑、间脑、小脑、脑干等)；又如，如果待判断图像为肾脏图像，那么解剖结构为肾脏解剖结构(例如，肾皮质、肾髓质等)。
在一些实施例中，目标部位对比度可以为待判断图像中明暗区域明与暗之间的对比度，例如最亮区域的白和最暗区域的黑之间不同亮度层级的对比，也可以理解为一幅图像中灰度反差的大小。目标部位可以是患者或者其他医学实验对象的需要观察的部位，比如脑部颅骨、胸部的肺窗、腹部的软组织等。
在一些实施例中，图像信号均匀度可以为扫描设备扫描目标对象时获取的图像信号的均匀程度。例如，核磁共振扫描时，扫描目标对象的组织器官和/或病灶中的氢原子核在外部强磁场作用下产生的磁共振信号大小的均匀程度。
在一些实施例中，图像噪声水平可以为存在于所述待判断图像中的不需要或多余的干扰信息的含有程度。例如，在图像中某些区域可能会存在的一些孤立的噪声点。
在一些实施例中，伪影抑制程度可以为对待判断图像中伪影的消除或抑制程度。
判断指标相关的评分可以为待判断图像在衡量图像质量的参数项上的评分。例如，解剖结构清晰度的评分、目标部位对比度的评分、图像信号均匀度的评分、图像噪声水平的评分以及伪影抑制程度的评分等。各判断指标相关的评分范围可以由系统100或用户进行设定。在一些实施例中，评分范围可以设置为1-5分之间，分值越高，代表图像质量越好。解剖结构清晰度的评分越高，表示待判断图像的解剖结构越清晰，图像质量越好。目标部位对比度的评分越高，表示待判断图像的目标部位对比度越高，图像质量越好。图像信号均匀度的评分越高，表示待判断图像的图像信号均匀度越高，图像质量越好。图像噪声水平的评分越高，表示待判断图像的噪声水平越符合要求(例如，图像均匀区域噪声水平越低、有物体区域包含适量的噪声)，图像质量越好。伪影抑制程度的评分越高，表示待判断图像的伪影水平越低，图像质量越好。
在一些实施例中，所述判断指标相关的评分可以分别基于不同的所述判断模型获取。例如，解剖结构清晰度的评分可以将待判断图像输入第一判断模型获取，目标部位对比度的评分可以将待判断模型输入第二判断模型获取，图像信号均匀度的评分可以将待判断图像输入第三判断模型获取，图像噪声水平的评分可以将待判断图像输入第四判断模型获取，伪影抑制程度的评分可以将待判断图像输入第五判断模型获取。其中，不同的判断模型指的是具有不同模型参数的模型，判断模型的类型和/或结构可以相同，例如，第一判断模型、第二判断模型、第三判断模型、第四判断模型以及第五判断模型可以均为分类模型，其不同之处仅在于参数不同。在一些实施例中，不同判断模型之间的模型参数也可以相同。在一些实施例中，第一判断模型、第二判断模型、第三判断模型、第四判断模型以及第五判断模型可以具有不同的模型类型和/或模型结构。
在一些实施例中，不同的所述判断模型可以基于相同或相似的方式训练得到。作为示例，判断模型可以采用以下方式训练得到：模型的输入为已知标签的医学图像和/或自然图像，模型的输出为判断指标相关的评分。其中，模型的输出可以以表示属于某个标签的概率分布的向量的形式进行表示，例如，[0.05,0.8,0.05,0.05,0.05]，表示图像在该判断指标相关的评分为2分的概率为0.8。可以以模型的输出与标签之间的差异构建损失函数，通过不断优化模型的参数使损失函数的值小于阈值，完成对模型的训练。在一些实施例中，模型的损失函数可以为模型输出与标签之间的差值的L1范数、交叉熵损失函数等。
在一些实施例中，多个判断指标相关的多个评分也可以是将待判断图像输入至一个判断模型中一次性得出。该判断模型可以以与上述描述的训练方式相同或相似的方法进行训练得到。例如，模型的输入同样为已知标签的医学图像和/或自然图像，不同之处可以在于已知的标签可以是多个标签，模型的输出为多个向量，分别对应多个已知的标签。例如，输入模型的医学图像可以同时包括解剖结构清晰度指标下的[0，0，0，1，0]、图像信号均匀度指标下的标签[0，0，0，0，1]、目标部位对比度指标下的标签[0，0，0，0，1]，模型的输出可以为[0.05,0.05,0.05,0.8,0.05]、[0.05,0.05,0.05,0.05，0.8]、[0.05,0.05,0.05,0.05，0.8]，其分别表示属于图像信号均匀度指标、图像信号均匀度指标、目标部位对比度指标下的标签的概率。以此可以实现通过一个判断模型快速判断出一个待判断图像在多个判断指标相关的评分，进一步地提高对图像质量进行判断的效率。
在一些实施例中，一个或多个判断模型中的至少一个可以包括神经网络模型。在一些实施例中，所述一个或多个判断模型中的至少一个可以包括线性回归模型、支持向量机(SVM)等。
步骤206，基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。步骤206可以由第二处理模块430执行。
质量判断结果可以为对所述待判断图像的总体质量评分。在一些实施例中，质量判断结果的总体质量评分范围可以由系统100或用户进行设定。总体质量评分范围与各判断指标相关的评分范围可以一致，也可以不一致。例如，总体质量评分可以设置为1-5分之间。总体质量评分可以用于评价待判断图像的质量等级，质量等级可以包括“不可用”、“可用”、“良好”以及“优秀”。例如，1-5分的评分中，1-2分为“不可用”，3分为“可用”，4分为“良好”，5分为“优秀”。即，3-5分表示该待判断图像可以用于后续处理，例如医生诊断、脑部血流量计算等；1-2分表示该待判断图像不可用，需要重新扫描或重新进行图像重建等。
在一些实施例中，可以对所述判断指标相关的评分进行加权平均运算，得到所述待判断图像的总体质量评分。可以对不同的判断指标分别给予不同的权重，将权重乘以其对应判断指标的评分后进行求和平均后得到该待判断图像的总体质量评分。在一些实施例中，针对不同扫描部位进行扫描后获取的待判断图像，在获取所述判断指标相关的评分时的标准可以不同，即可以根据目标对象不同部位的图像来确定判断指标的权重。例如，对于脑部图像，图像质量要求为：1、灰白质对比明显，边界清晰；2、颅底密度均匀，包括亨氏暗区、小脑蚓部；3、减少伪影；4、颅骨不能太厚，颅骨厚度应接近于骨算法的颅骨厚度；那么可以给解剖结构清晰度、目标部位对比度、图像信号均匀度、伪影抑制程度分配相对较高的权重，而给图像噪声水平分配相对较低的权重或不分配权重。再例如，对于心脏部位，图像质量要求为：1、冠脉边缘显示清晰；2、血管强化；3、噪声程度；4、减少伪影；那么可以给解剖结构清晰度、目标部位对比度、图像噪声水平、伪影抑制程度分配相对较高的权重，而给图像信号均匀度分配相对较低的权重或不分配权重。又例如，对于目标患者的脑灌注成像、胸腹部成像(容易受到胸腹部呼吸运动的影响)，容易造成最后成像的图像中包含伪影，则可以给伪影抑制程度分配相对较大的权重。应当理解，以上例子仅仅是为了示例和说明，并不旨在进行限定。
在一些实施例中，可以由人工根据经验给出所述权重，也可以通过其他方式确定权重。例如，可以将所述判断指标相关的评分和待判断图像输入已训练好的权重模型，模型的输出为各项判断指标的权重。权重模型可以使用已知各项判断指标的权重的多个医学图像进行训练得到。例如，一张脑部医学图像的判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度，其权重分别为0.4、0.3、0.3。一张心脏部位医学图像的判断指标包括解剖结构清晰度、目标部位对比度、图像噪声水平、伪影抑制程度，其权重分别为0.3,0.2,0.2,0.3。
在一些实施例中，对所述判断指标相关的评分进行加权平均运算，可以在所述判断模型之外进行，也可以由所述判断模型进行。在所述判断模型之外进行，可以是按照加权平均公式由人工计算或由处理设备(比如第一计算系统130)进行计算，也可以是其他方式进行计算，本说明书对此不作限定。在所述判断模型之内进行，可以是将用于获取所述判断指标相关的评分的模型和用于加权平均计算的模型以端到端的联合学习方式进行训练，得到判断模型。将待判断图像输入至判断模型后，判断模型可以直接输出待判断图像的总体质量评分。
在一些实施例中，在所述待判断图像总体质量评分较低(1-2)或不高(例如3分)时，还可以根据质量判断结果给出图像处理建议。例如，对于目标患者胸腹部成像时，由于胸腹部呼吸运动的影响，最后成像的图像中可能包含大量伪影，则可以给出建议重新扫描或者给出伪影抑制建议(例如，选择伪影抑制效果更好的图像重建算法(例如迭代重建))等。
在一些实施例中，所述待判断图像的质量判断结果可以包括所述待判断图像的总体质量评分。在一些实施例中，所述待判断图像的质量判断结果可以包括所述待判断图像的部位分类、所述待判断图像的疾病分类、所述待判断图像的伪影分类中的一种或多种。待判断图像的部位分类可以是对待判断图像中显示的目标对象的部位进行分类的结果，例如，胸部图像、腹部图像或脑部图像等。待判断图像的疾病分类可以是对待判断图像中显示的目标对象的部位患有的疾病的类型，例如，肿瘤、心脏病、血管疾病等。待判断图像的伪影分类可以为图像中的伪影类型，例如，运动伪影、混淆伪影、化学位移伪影、截断伪影、磁敏感伪影等。
在一些实施例中，在对判断模型进行训练时，可以使用标注了多个标签(例如判断指标相关的评分的标签、图像总体质量评分的标签、部位分类标签、疾病分类标签以及伪影分类标签)的医学图像和/或自然图像进行模型训练，训练后的判断模型经过对图像进行计算即输出包括图像总体质量评分以及待判断图像的部位分类、所述待判断图像的疾病分类、所述待判断图像的伪影分类中的一种或多种质量判断结果。模型的训练方式可以参见本说明书其他部分的描述，例如，步骤204的相关描述。
本说明书实施例公开的技术方案中，基于机器学习技术，利用训练好的模型判断图像质量，减少图像质量判断的人工参与，可以有效地降低图像质量判断时的出错率，提高图像质量判断的效率和精度。并且可以针对低分的图像及时给予补扫或调整重建方式等建议，可以有效地帮助医院或医生对图像质量的把控，快速筛选出对临床诊断有价值的图像。同时，判断模型可以输出待判断图像的部位分类、疾病分类、伪影分类结果，医生可以根据分类结果快速地对图像进行筛选，例如，可以根据疾病分类结果快速进行临床诊断、可以根据伪影分类结果快速判断图像是否可用，减少医生对于图像分析的工作量。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，对本说明书有关流程步骤的改变，如添加预处理步骤和存储步骤等。
图3是根据本说明书一些实施例所示的获取判断指标相关的评分的示例性流程图。在一些实施例中，流程300可以由处理设备执行。例如，流程300可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程300。在一些实施例中，流程300可以由位于处理设备上的第一处理模块410执行。如图3所示，流程300可以包括以下操作。
步骤302，将所述待判断图像输入所述特征提取模型。
在一些实施例中，所述判断模型可以包括判断子模型和特征提取模型。特征提取模型可以用于基于所述待判断图像确定特征提取位置。判断子模型可以用于获取所述判断指标相关的评分。在一些实施例中，所述待判断图像也可以是经过预处理的图像，例如，经过灰度化处理的图像。关于特征提取位置的更多描述可以参见后文步骤304的描述。
在一些实施例中，待判断图像可以输入至特征提取模型。在一些实施例中，待判断图像也可以直接输入至判断子模型。
在一些实施例中，特征提取模型可以是卷积神经网络模型。判断子模型可以包括神经网络模型、线性回归模型、支持向量机(SVM)等。
在一些实施例中，可以采用端到端的联合学习方式对判断子模型和特征提取模型进行联合训练，得到所述判断模型。例如，可以基于生物组织和/或器官的医学图像和/或自然图像，与其对应的标签训练得到。样本数据为已知标签的图像，标签为由人工给出的图像在不同判断指标相关的评分。在对判断模型进行训练时，样本数据首先经过特征提取模型，由特征提取模型确定图像的特征提取位置并得到若干局部图像，局部图像可以理解为对图像进行网格划分后的若干子网格所对应的图像。例如，对待判断图像进行网格划分后，得到4个子网格，即，4个局部图像。在确定了局部图像后，所有的局部图像再进入判断子模型，由判断子模型对局部图像进行筛选(例如，从4个局部图像中筛选出2个局部图像)后，给出筛选后的局部图像在判断指标相关的评分。判断子模型对局部图像进行筛选后，可以过滤掉局部图像中不重要的部分，进而可以减少计算待判断图像在判断指标相关的评分时的计算量，提高图像质量判断的效率。关于模型训练的更多描述可以参见图2及其相关描述，此处不再赘述。
在一些实施例中，可以通过端到端的联合学习方式训练得到一个或多个判断模型，例如，前述的第一判断模型、第二判断模型、第三判断模型、第四判断模型、第五判断模型等。
步骤304，利用所述特征提取模型确定所述待判断图像的特征提取位置。
特征提取模型的输入为所述待判断图像，输出即为所述待判断图像的特征提取位置。特征提取位置可以是待判断图像中一个或多个图像子分块的位置。特征提取模型可以对待判断图像进行网格划分得到若干个子网格后，从若干个子网格中确定出一个或多个子网格的位置，即所述特征提取位置。在一些实施例中，特征提取位置与所述待判断图像的判断指标相关联，例如，在解剖结构清晰度指标下的特征提取位置可以是图像中目标对象的解剖结构所在的位置。再例如，在伪影抑制程度指标下的特征提取位置可以是图像中的伪影所在位置。特征可以是待判断图像在该位置的图像的特征，例如，图像的灰度特征、图像的纹理特征、图像的频谱特征、图像灰度变换的梯度特征等。
在一些实施例中，特征提取模型可以以生成掩码向量的方式确定所述待判断图像的特征提取位置。例如，特征提取模型可以将待判断图像划分为一个64乘64的网格，并生成长度为64乘64的掩码向量，掩码向量的元素值与划分后的网格一一对应。
在一些实施例中，掩码向量的值可以由卷积神经网络模型输出后经过激活函数获得。激活函数可以使用ReLU函数。
步骤306，基于所述特征提取位置获取所述待判断图像对应的局部图像，并提取所述局部图像的局部特征。
在一些实施例中，所述局部图像即为待判断图像中特征提取位置所对应的图像的部分。可以根据特征提取位置获取所述待判断图像中需要的局部图像，例如，可以根据位置对应关系对掩码向量对应元素对位相乘，获取所需要的局部图像。在一些实施例中，可以将进行了二次特征提取的待判断图像输入至判断子模型，判断子模型的输出即为所述待判断图像的在判断指标相关的评分。关于局部特征的更多描述可以参见图2及其相关说明。
从所述待判断图像中提取的局部图像可以是一个或多个。将用于判断图像质量的图像从整个待判断图像转换为一个或多个局部图像，再对局部图像进行特征提取得到局部特征，可以将高维的图像数据的特征进行简化，从而提高图像质量判断的效率，降低图像质量判断的运算量，提高图像质量判断的效率，以便根据图像质量判断结果及时做出相应反馈(例如是否需要重扫、是否需要更改图像重建算法等)。
步骤308，基于所述局部图像的局部特征获取所述判断指标相关的评分。
在一些实施例中，将所述局部图像输入至所述判断子模型后，判断子模型可以根据局部图像的局部特征进行计算，并输出所述判断指标相关的评分。关于判断指标以及其评分的更多描述可以参考本说明书的图2及其相关说明，此处不再赘述。
通过使用特征提取模型，可以根据图像的内容，选择出具有代表性的多处局部图像，从而使得提取的来自局部图像的特征更具有代表性。
判断子模型的输入集中为局部图像的特征。相较于待判断图像的图像特征，局部图像的数据量更少，使得判断子模型的注意力更加集中，对于图像的质量代表性更强。通过这种方式，可以有效地提高图像质量判断的效率，同时可以通过加深判断子模型的复杂度，在兼顾效率的情况下获得更好的判别能力。
利用判断子模型来判断图像的成像质量，可以有效地减少由人工判断图像质量所带来的成本，同时判断子模型在训练时可以学习到大量的图像质量判断经验，以此提高图像质量判断的效率和精度，图像质量判断可以更加客观、准确。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的判断图像质量的系统的示例性模块图。如图4所示，所述系统可以包括第一获取模块410、第一处理模块420以及第二处理模块430。
获取模块410可以用于获取待判断图像。
第一处理模块420可以用于基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分可以分别基于不同的所述判断模型获取。
第二处理模块430可以用于基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
在一些实施例中，所述第二处理模块430还可以用于对所述判断指标相关的评分进行加权平均运算，得到所述待判断图像的总体质量评分。
在一些实施例中，所述判断模型可以包括判断子模型和特征提取模型；所述特征提取模型可以用于基于所述待判断图像确定特征提取位置，所述特征提取位置用于获取所述待判断图像对应的局部图像；所述判断子模型可以用于基于所述局部图像的局部特征获取所述与判断指标相关的评分。
在一些实施例中，所述一个或多个判断模型中的至少一个包括神经网络模型。
在一些实施例中，所述待判断图像包括计算机断层扫描图像、X射线投影图像、相位衬度图像、暗场图像以及核磁共振图像中的一种或多种。
在一些实施例中，所述待判断图像的质量判断结果可以包括所述待判断图像的总体质量评分，和/或所述待判断图像的部位分类、所述待判断图像的疾病分类、所述待判断图像的伪影分类中的一种或多种。
关于判断图像质量的系统的各模块的具体描述，可以参考本说明书流程图部分，例如，图2至图3的相关说明。
应当理解，图4所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于判断图像质量的系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，获取模块410、第一处理模块420以及第二处理模块430可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，获取模块410、第一处理模块420可以是两个模块，也可以是一个模块同时具有获取和处理功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
本说明书实施例还提供一种装置，其至少包括处理器以及存储器。所述存储器用于存储指令。当所述指令被所述处理器执行时，导致所述装置实现前述的短语分割模型的训练方法。所述方法可以包括：获取待判断图像。可以基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。可以基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
本说明书实施例还提供一种计算机可读存储介质。所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机实现前述的短语分割模型的训练方法。所述方法可以包括：获取待判断图像。可以基于一个或多个判断模型获取所述待判断图像在判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取。可以基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种判断图像质量的方法，其特征在于，所述方法包括：
获取待判断图像；
基于一个或多个判断模型获取所述待判断图像与判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取；
基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果，包括：
对所述判断指标相关的评分进行加权平均运算，得到所述待判断图像的总体质量评分。
3.根据权利要求1所述的方法，其特征在于，所述判断模型包括判断子模型和特征提取模型；
基于所述特征提取模型在所述待判断图像中确定特征提取位置，基于所述特征提取位置获取所述待判断图像对应的局部图像；
所述判断子模型用于基于所述局部图像的局部特征获取所述判断指标相关的评分。
4.根据权利要求1所述的方法，其特征在于，针对不同扫描部位进行扫描后获取的所述待判断图像，基于所述一个或多个判断模型获取所述判断指标相关的评分的标准不同。
5.根据权利要求1所述的方法，其特征在于，所述一个或多个判断模型中的至少一个包括神经网络模型。
6.根据权利要求1所述的方法，其特征在于，所述待判断图像包括计算机断层扫描图像、X射线投影图像、相位衬度图像、暗场图像以及核磁共振图像中的一种或多种。
7.根据权利要求1所述的方法，其特征在于，所述待判断图像的质量判断结果包括所述待判断图像的总体质量评分，以及所述待判断图像的部位分类、所述待判断图像的疾病分类、所述待判断图像的伪影分类中的一种或多种。
8.一种判断图像质量的系统，其特征在于，所述系统包括：
获取模块，用于获取待判断图像；
第一处理模块，用于基于一个或多个判断模型获取所述待判断图像判断指标相关的评分，所述判断指标包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中的一个或多个；所述判断指标相关的评分分别基于不同的所述判断模型获取；
第二处理模块，用于基于所述判断指标相关的评分，获取所述待判断图像的质量判断结果。
9.一种判断图像质量的装置，包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～7任一项所述的方法。
CN202010327417.4A 2020-04-23 2020-04-23 一种判断图像质量的方法和系统 Pending CN111462112A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010327417.4A CN111462112A (zh) 2020-04-23 2020-04-23 一种判断图像质量的方法和系统
PCT/CN2021/089454 WO2021213519A1 (zh) 2020-04-23 2021-04-23 图像获取、判断图像质量、医学图像采集的方法和系统
EP21791868.9A EP4131160A4 (en) 2020-04-23 2021-04-23 METHOD AND SYSTEM FOR OBTAINING IMAGES, METHOD AND SYSTEM FOR DETERMINING QUALITY OF IMAGES, AND METHOD AND SYSTEM FOR ACQUIRING MEDICAL IMAGES
US18/049,277 US20230063828A1 (en) 2020-04-23 2022-10-24 Methods and systems for image acquisition, image quality evaluation, and medical image acquisition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327417.4A CN111462112A (zh) 2020-04-23 2020-04-23 一种判断图像质量的方法和系统

Publications (1)

Publication Number Publication Date
CN111462112A true CN111462112A (zh) 2020-07-28

Family

ID=71679533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327417.4A Pending CN111462112A (zh) 2020-04-23 2020-04-23 一种判断图像质量的方法和系统

Country Status (1)

Country Link
CN (1) CN111462112A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111928798A (zh) * 2020-09-17 2020-11-13 征图新视(江苏)科技股份有限公司 相位偏折术光电成像质量评价方法
WO2021213519A1 (zh) * 2020-04-23 2021-10-28 上海联影医疗科技股份有限公司 图像获取、判断图像质量、医学图像采集的方法和系统
CN115331805A (zh) * 2022-07-04 2022-11-11 深圳市镜象科技有限公司 基于自然语言处理的精神疾病诊断方法及计算机设备
CN116563294A (zh) * 2023-07-11 2023-08-08 深圳微创心算子医疗科技有限公司 图像质量的确定方法、装置、计算机设备和存储介质
WO2023160645A1 (zh) * 2022-02-25 2023-08-31 索尼集团公司 图像增强方法及设备
CN116681681A (zh) * 2023-06-13 2023-09-01 富士胶片（中国）投资有限公司 内窥镜图像的处理方法、装置、用户设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028218A (zh) * 2019-12-10 2020-04-17 上海志唐健康科技有限公司 眼底图像质量判定模型训练方法、装置和计算机设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028218A (zh) * 2019-12-10 2020-04-17 上海志唐健康科技有限公司 眼底图像质量判定模型训练方法、装置和计算机设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021213519A1 (zh) * 2020-04-23 2021-10-28 上海联影医疗科技股份有限公司 图像获取、判断图像质量、医学图像采集的方法和系统
CN111928798A (zh) * 2020-09-17 2020-11-13 征图新视(江苏)科技股份有限公司 相位偏折术光电成像质量评价方法
WO2023160645A1 (zh) * 2022-02-25 2023-08-31 索尼集团公司 图像增强方法及设备
CN115331805A (zh) * 2022-07-04 2022-11-11 深圳市镜象科技有限公司 基于自然语言处理的精神疾病诊断方法及计算机设备
CN116681681A (zh) * 2023-06-13 2023-09-01 富士胶片（中国）投资有限公司 内窥镜图像的处理方法、装置、用户设备及介质
CN116681681B (zh) * 2023-06-13 2024-04-02 富士胶片（中国）投资有限公司 内窥镜图像的处理方法、装置、用户设备及介质
CN116563294A (zh) * 2023-07-11 2023-08-08 深圳微创心算子医疗科技有限公司 图像质量的确定方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN111462112A (zh) 一种判断图像质量的方法和系统
US20230063828A1 (en) Methods and systems for image acquisition, image quality evaluation, and medical image acquisition
EP3362984B1 (en) Pseudo-ct generation from mr data using a feature regression model
CN113689342B (zh) 一种图像质量优化的方法及系统
CN109472263B (zh) 一种结合全局和局部信息的大脑磁共振图像分割方法
CN107464231B (zh) 用于确定医学成像的最佳操作参数的系统和方法
EP3362146A1 (en) Pseudo-ct generation from mr data using tissue parameter estimation
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
Malkus et al. A method to extract image noise level from patient images in CT
US11715212B2 (en) Heatmap and atlas
CN111568451A (zh) 一种曝光剂量调节方法和系统
CN113744264A (zh) 一种图像处理方法和系统
CN114037803B (zh) 医学图像三维重建方法及系统
US20240104705A1 (en) Systems and methods for image correction
CN108618797A (zh) 光谱ct图像数据的对比度增强再现
US11455711B2 (en) Providing an optimum subtraction data set
EP3771405A1 (en) Method and system for automated dynamic medical image acquisition
CN114359431A (zh) 一种参数图像的直接重建方法和系统
CN114943780A (zh) 一种图像重建处理方法、系统以及医疗影像设备
CN115482183A (zh) 一种图像的校正方法和系统
WO2023020609A1 (en) Systems and methods for medical imaging
EP4152037A1 (en) Apparatus and method for generating a perfusion image, and method for training an artificial neural network therefor
US20230009528A1 (en) Methods and apparatus for deep learning based image attenuation correction
Ding et al. Medical Image Quality Assessment
Völgyes Image quality in forensic CT imaging

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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CB02 Change of applicant information