CN111489409A - Ct图像处理方法、装置、ct设备及ct系统 - Google Patents
Ct图像处理方法、装置、ct设备及ct系统 Download PDFInfo
- Publication number
- CN111489409A CN111489409A CN202010335176.8A CN202010335176A CN111489409A CN 111489409 A CN111489409 A CN 111489409A CN 202010335176 A CN202010335176 A CN 202010335176A CN 111489409 A CN111489409 A CN 111489409A
- Authority
- CN
- China
- Prior art keywords
- reconstructed image
- preset
- image
- model
- value
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 145
- 238000002591 computed tomography Methods 0.000 claims abstract description 78
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000013136 deep learning model Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种CT图像处理方法、装置、CT设备及CT系统。本发明实施例通过采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像,将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像,根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值,若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,能够确保获得符合预期质量要求的重建图像,提高了CT AI图像重建技术的可靠性,避免了因图像质量不符合预期导致的误诊等严重后果。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种CT图像处理方法、装置、CT设备及CT系统。
背景技术
CT(Computed Tomography,电子计算机断层扫描)AI(Artificial Intelligence,人工智能)图像重建技术相对于传统CT重建算法,具有速度快、噪声低、对比度强等优点,是目前研究的热点。
但是,CT AI图像重建技术具有一定的风险。CT AI图像重建过程中所使用的深度学习神经网络可解释性差,在一定程度上可以认为深度学习神经网络是一种黑盒模型,在一些特殊情况下,可能会出现异常(异常是指效果不符合预期、图像不自然、图像模糊化等)。如果在CT图像重建中出生现了这种异常情况,可能会导致医生误诊,造成严重的结果。因此,需要提高CT AI图像重建技术的可靠性。
发明内容
为克服相关技术中存在的问题,本发明提供了一种CT图像处理方法、装置、CT设备及CT系统,提高CT AI图像重建技术的可靠性。
根据本发明实施例的第一方面,提供一种CT图像处理方法,包括:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
根据本发明实施例的第二方面,提供一种CT图像处理装置,包括:
重建模块,用于采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
AI处理模块,用于将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
指标值确定模块,用于根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
获取模块,用于若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
根据本发明实施例的第三方面,提供一种CT设备,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,所述外部接口,用于连接CT系统的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器,用于存储CT图像处理逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行如下操作:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
根据本发明实施例的第四方面,提供一种CT系统,包括探测器、扫描床和CT设备,所述探测器包括多个探测器室及相应的处理电路;其中:
所述探测器室,用于在所述CT系统扫描过程中,探测穿过扫描对象的X射线并转换为电信号;
所述处理电路,用于将所述电信号转换成脉冲信号,采集脉冲信号的能量信息;
所述CT设备,用于:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例,通过采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像,将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像,根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值,若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,能够确保获得符合预期质量要求的重建图像,提高了CT AI图像重建技术的可靠性,避免了因图像质量不符合预期导致的误诊等严重后果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的CT图像处理方法的流程示例图。
图2是第一重建图像的示例图。
图3是图2中的第一重建图像对应的第二重建图像的一个示例图。
图4是图2中的第一重建图像对应的第二重建图像的另一个示例图。
图5是本发明实施例提供的CT图像处理装置的功能方块图。
图6是本发明实施例提供的CT设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本文中,传统CT重建算法是指:通过反投影法、迭代法等算法对CT扫描生数据进行重建获得初步重建图像,然后对初步重建图像使用非AI方式进行后处理,得到最终的重建图像。
CT AI图像重建技术是指:首先通过反投影法、迭代法等算法对CT扫描生数据进行重建获得初步重建图像,然后通过训练好的AI深度学习模型对初步重建图像进行处理,得到最终的重建图像。
可见,CT AI图像重建技术与传统CT重建算法的区别在于:CT AI图像重建技术在重建过程中采用了AI方法。.
下面通过实施例对CT图像处理方法进行详细说明。
图1是本发明实施例提供的CT图像处理方法的流程示例图。如图1所示,本实施例中,CT图像处理方法可以包括:
S101,采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像。
S102,将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像。
S103,根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值。
S104,若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
本实施例中,预设重建算法为传统CT重建算法中对CT扫描生数据进行图像重建的算法。例如,在一个示例性的实现过程中,预设重建算法可以为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
其中,AI深度学习模型是预先训练好的。AI深度学习模型的训练可以采用相关技术中的任一种训练方法,例如迁移学习、GAN(Generative Adversarial Networks,生成式对抗网络)等方法。
AI深度学习模型的网络结构可以采用UNet、VNet等,但不限于这些网络结构。AI模型中可以包括可学习的正投影、可学习的反投影、生数据域处理、图像域处理等操作中的一种或几种。
AI深度学习模型的功能可以包括但不限于降噪、去伪影、增强等。
对于每种功能,可以设计多个AI深度学习模型,并从中选出一个作为默认模型,步骤S102中所使用的AI深度学习模型即为默认模型。
例如,对于降噪、去伪影、增强功能,可以分别设计表1所示的AI深度学习模型。
表1
功能 | AI深度学习模型 | 默认模型 |
降噪 | 模型1、模型2、模型3 | 模型1 |
去伪影 | 模型4、模型5、模型6 | 模型5 |
增强 | 模型7、模型8、模型9 | 模型9 |
本实施例中,第二重建图像为AI重建图像。
在应用中,可以根据需要设置一个或多个预设特征指标,用于判断第二重建图像是否异常。
例如,在一个示例中,可以设置一个预设特征指标:指标1,并设置指标1的阈值为阈值1。此时,如果通过步骤S103确定的指标1的值大于或等于阈值1,则可以判定第二重建图像不存在异常,可以用于辅助医生诊断。如果通过步骤S103确定的指标1的值小于阈值1,则可以判定第二重建图像存在异常,此时需要通过步骤S104采用备选处理模型重新对第一重建图像进行处理。
在另一个示例中,可以设置两个预设特征指标:指标2,指标3,并设置指标2的阈值为阈值2,指标3的阈值为阈值3。此时,如果通过步骤S103确定的指标2的值大于或等于阈值2,并且指标3的值大于或等于阈值3,则可以判定第二重建图像不存在异常,可以用于辅助医生诊断。如果通过步骤S103确定的指标2的值小于阈值2,或者指标3的值小于阈值3,则可以判定第二重建图像存在异常,此时需要通过步骤S104采用备选处理模型重新对第一重建图像进行处理。
本实施例中,预设特征指标可以包括如下指标中的至少一个:
SSIM(Structural Similarity Index,结构相似性)、PSNR(Peak Signal toNoise Ratio,峰值信噪比)。当然,预设特征指标不限于SSIM和PSNR,在其他实施例中,还可以采用其他的指标值作为预设特征指标。
其中,SSIM可以通过如下的公式(1)、(2)、(3)计算得到。
c1=(k1L)2 (1)
c2=(k2L)2 (2)
上述三个公式中,k1为0.01,k2为0.03,L为CT值分布的范围,x为初步重建图像,y为AI处理后的AI重建图像,μx为图像x的均值,μy为图像y的均值,σxy为x和y的协方差,为x的方差,为y的方差。
每次计算时,从图像上取一个N×N(N为整数)像素的窗口,然后不断滑动窗口,遍历所有图像区域。每滑动一个位置,进行一次计算,得到一个SSIM值,最后取计算得到的所有SSIM值的均值或者最小值作为全局的SSIM值。
图2是第一重建图像的示例图。图3是图2中的第一重建图像对应的第二重建图像的一个示例图。图4是图2中的第一重建图像对应的第二重建图像的另一个示例图。
根据图3和图2计算的SSIM值为0.428576,根据图4和图2计算的SSIM值为0.060457。可见,图3的质量优于图4。假设SSIM值的阈值为0.4,则图3为正常的重建图像,图4为异常的重建图像。
其中,PSNR可以通过如下的公式(4)、(5)计算得到。
公式(4)、(5)中,L为CT值分布的范围,x为初步重建图像,y为AI处理后的AI重建图像,xi和yi分别表示对应图像上第i个体素的CT值。
与计算SSIM一样,每次计算的时候都从图像上取一个N×N的窗口,然后不断滑动窗口进行计算,遍历所有图像区域。每滑动一个位置,进行一次计算,得到一个PSNR值,最后取计算得到的所有PSNR值的均值或者最小值作为全局的PSNR值。
本实施例中,预设质量条件可以为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
本实施例中,备选处理模型可以为AI方式的处理方案,例如前述的AI深度学习模型,也可以为非AI方式的处理方案。
其中,AI方式的处理方案可以是耗时更长、稳定性更佳、效果更好的AI模型。由于硬件资源的限制、建像速度的要求等,AI重建中选用的模型必然存在一定的权衡,达不到最佳稳定性和效果,当AI重建出现异常时,此时可以选用稳定性更好、效果更好、但速度较慢的模型,以弥补CT AI图像重建技术在特殊建像情况下的不足,同时也兼顾了在大多数情况下的效率问题。
其中,非AI方式的处理方案可以是与AI深度学习模型等效的不采用AI技术的方案。例如AI处理的功能之一是降噪,可以用一些非AI的降噪算法(包括但不限于NLM(Non-local Means,非局部均值)、BM3D(Block Matching 3D,三维块匹配算法)等)来进行代替,这些算法具有良好的可解释性和稳定性,能够提高重建的稳定性和可靠性。
在一个示例性的实现过程中,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,可以包括:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
本实施例中,备选处理模型库是预先设置好的,备选处理模型库可以提供多个备选处理模型,以便针对不同的图像数据,都能够有合适的备选处理模型处理得到质量合格的图像。
在一个示例性的实现过程中,按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型,可以包括:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
本实施例中,可以通过随机选择方式自动选择目标模型,或者由用户来选择目标模型,前者速度快,能够减少用户操作,后者能够满足用户的个性化需求。
在一个示例性的实现过程中,所述方法还可以包括:
若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
当所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,第二重建图像不存在异常,因此可以将第二重建图像作为最终的重建图像。
本发明实施例提供的CT图像处理方法,通过采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像,将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像,根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值,若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,能够确保获得符合预期质量要求的重建图像,提高了CT AI图像重建技术的可靠性,避免了因图像质量不符合预期导致的误诊等严重后果。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备及存储介质实施例。
图5是本发明实施例提供的CT图像处理装置的功能方块图。如图5所示,本实施例中,CT图像处理装置可以包括:
重建模块510,用于采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
AI处理模块520,用于将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
指标值确定模块530,用于根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
获取模块540,用于若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,获取模块540可以具体用于:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,获取模块540在用于按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型时可以具体用于:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
在一个示例性的实现过程中,还可以包括:
确定模块,用于若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
在一个示例性的实现过程中,所述预设重建算法为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
在一个示例性的实现过程中,所述预设特征指标包括如下指标中的至少一个:
结构相似性SSIM和峰值信噪比PSNR。
在一个示例性的实现过程中,所述预设质量条件为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
本发明实施例还提供了一种CT设备。图6是本发明实施例提供的CT设备的一个硬件结构图。如图6所示,CT设备包括:内部总线601,以及通过内部总线连接的存储器602,处理器603和外部接口604,其中,所述外部接口,用于连接CT系统的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器602,用于存储CT图像处理逻辑对应的机器可读指令;
所述处理器603,用于读取存储器602上的机器可读指令,并执行所述指令以实现如下操作:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,包括:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型,包括:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
在一个示例性的实现过程中,还包括:
若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
在一个示例性的实现过程中,所述预设重建算法为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
在一个示例性的实现过程中,所述预设特征指标包括如下指标中的至少一个:
结构相似性SSIM和峰值信噪比PSNR。
在一个示例性的实现过程中,所述预设质量条件为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
本发明实施例还提供一种CT系统,包括探测器、扫描床和CT设备,所述探测器包括多个探测器室及相应的处理电路;其中:
所述探测器室,用于在所述CT系统扫描过程中,探测穿过扫描对象的X射线并转换为电信号;
所述处理电路,用于将所述电信号转换成脉冲信号,采集脉冲信号的能量信息;
所述CT设备,用于:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,包括:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型,包括:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
在一个示例性的实现过程中,还包括:
若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
在一个示例性的实现过程中,所述预设重建算法为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
在一个示例性的实现过程中,所述预设特征指标包括如下指标中的至少一个:
结构相似性SSIM和峰值信噪比PSNR。
在一个示例性的实现过程中,所述预设质量条件为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,包括:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
在一个示例性的实现过程中,按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型,包括:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
在一个示例性的实现过程中,还包括:
若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
在一个示例性的实现过程中,所述预设重建算法为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
在一个示例性的实现过程中,所述预设特征指标包括如下指标中的至少一个:
结构相似性SSIM和峰值信噪比PSNR。
在一个示例性的实现过程中,所述预设质量条件为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (10)
1.一种CT图像处理方法,其特征在于,包括:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
2.根据权利要求1所述的方法,其特征在于,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像,包括:
按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型;所述备选处理模型库中包括至少一个备选处理模型;
使用所述目标模型对对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
3.根据权利要求2所述的方法,其特征在于,按照预设选择策略,从预设的备选处理模型库中选择一个备选处理模型,作为目标模型,包括:
从预设的备选处理模型库中随机选择一个备选处理模型,作为目标模型;或者,
根据用户的选择操作信息,从预设的备选处理模型库中选择与所述选择操作信息对应的备选处理模型,作为目标模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
若所述至少一个预设特征指标的值的全部值都大于或等于对应的预设阈值,确定所述第二重建图像为符合所述预设质量条件的图像。
5.根据权利要求1所述的方法,其特征在于,所述预设重建算法为如下算法之一:
平行束反投影算法、扇束反投影算法、螺旋束反投影算法、迭代重建算法。
6.根据权利要求1所述的方法,其特征在于,所述预设特征指标包括如下指标中的至少一个:
结构相似性SSIM和峰值信噪比PSNR。
7.根据权利要求1所述的方法,其特征在于,所述预设质量条件为:根据所述第一重建图像和所述第三重建图像确定的所述至少一个预设特征指标的值中的全部值都大于或等于相应的预设阈值。
8.一种CT图像处理装置,其特征在于,包括:
重建模块,用于采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
AI处理模块,用于将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
指标值确定模块,用于根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
获取模块,用于若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
9.一种CT设备,其特征在于,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,所述外部接口,用于连接CT系统的探测器,所述探测器包括多个探测器室及相应的处理电路;
所述存储器,用于存储CT图像处理逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行如下操作:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
10.一种CT系统,其特征在于,包括探测器、扫描床和CT设备,所述探测器包括多个探测器室及相应的处理电路;其中:
所述探测器室,用于在所述CT系统扫描过程中,探测穿过扫描对象的X射线并转换为电信号;
所述处理电路,用于将所述电信号转换成脉冲信号,采集脉冲信号的能量信息;
所述CT设备,用于:
采用预设重建算法,对受检对象的CT扫描生数据进行图像重建,得到第一重建图像;
将所述第一重建图像输入已训练好的人工智能AI深度学习模型,由所述AI深度学习模型输出第二重建图像;
根据所述第一重建图像和所述第二重建图像,确定至少一个预设特征指标的值;
若所述至少一个预设特征指标的值中存在小于对应预设阈值的值,使用备选处理模型对所述第一重建图像进行处理,获取符合预设质量条件的第三重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335176.8A CN111489409A (zh) | 2020-04-24 | 2020-04-24 | Ct图像处理方法、装置、ct设备及ct系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335176.8A CN111489409A (zh) | 2020-04-24 | 2020-04-24 | Ct图像处理方法、装置、ct设备及ct系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489409A true CN111489409A (zh) | 2020-08-04 |
Family
ID=71810487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010335176.8A Pending CN111489409A (zh) | 2020-04-24 | 2020-04-24 | Ct图像处理方法、装置、ct设备及ct系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489409A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149119A (zh) * | 2020-09-27 | 2020-12-29 | 苏州遐视智能科技有限公司 | 一种用于人工智能系统的动态主动安全防御方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108509644A (zh) * | 2018-04-12 | 2018-09-07 | 成都优易数据有限公司 | 一种具备模型预警更新机制的数据挖掘方法 |
CN110276813A (zh) * | 2019-05-06 | 2019-09-24 | 深圳先进技术研究院 | Ct图像重建方法、装置、存储介质和计算机设备 |
CN110807821A (zh) * | 2019-10-12 | 2020-02-18 | 上海联影医疗科技有限公司 | 一种图像重建方法和系统 |
US20200077969A1 (en) * | 2016-12-23 | 2020-03-12 | Samsung Electronics Co., Ltd. | Medical imaging device and medical image processing method |
-
2020
- 2020-04-24 CN CN202010335176.8A patent/CN111489409A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200077969A1 (en) * | 2016-12-23 | 2020-03-12 | Samsung Electronics Co., Ltd. | Medical imaging device and medical image processing method |
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108509644A (zh) * | 2018-04-12 | 2018-09-07 | 成都优易数据有限公司 | 一种具备模型预警更新机制的数据挖掘方法 |
CN110276813A (zh) * | 2019-05-06 | 2019-09-24 | 深圳先进技术研究院 | Ct图像重建方法、装置、存储介质和计算机设备 |
CN110807821A (zh) * | 2019-10-12 | 2020-02-18 | 上海联影医疗科技有限公司 | 一种图像重建方法和系统 |
Non-Patent Citations (1)
Title |
---|
高新波: "视觉信息质量评价方法", 31 January 2010, 西安电子科技大学出版社, pages: 111 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149119A (zh) * | 2020-09-27 | 2020-12-29 | 苏州遐视智能科技有限公司 | 一种用于人工智能系统的动态主动安全防御方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785243B (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
CN110991636B (zh) | 生成式对抗网络的训练方法及装置、图像增强方法及设备 | |
CN111311704A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN111192228A (zh) | 图像处理方法、装置、ct设备及ct系统 | |
CN112348936A (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
Gupta et al. | Real-time salt and pepper noise removal from medical images using a modified weighted average filtering | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
CN111369465B (zh) | Ct动态图像增强方法及装置 | |
CN111489409A (zh) | Ct图像处理方法、装置、ct设备及ct系统 | |
JP2024507767A (ja) | コントラスト補正機械学習システムのための訓練データ合成器 | |
CN111311531B (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
CN112785540B (zh) | 一种扩散加权图像的生成系统及方法 | |
Ma et al. | Edge-guided cnn for denoising images from portable ultrasound devices | |
JP7232242B2 (ja) | 動き補償された心臓弁の再構築 | |
CN111127581A (zh) | 图像重建方法、装置、ct设备及ct系统 | |
CN116342414A (zh) | 基于相似块学习的ct图像降噪方法及系统 | |
CN112184850B (zh) | 图像处理方法、装置、控制台设备及ct系统 | |
CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
Lew et al. | Adaptive Gaussian Wiener Filter for CT-Scan Images with Gaussian Noise Variance | |
JP2024507766A (ja) | 機械学習によるコントラスト強調 | |
Zainulina et al. | Self-supervised physics-based denoising for computed tomography | |
CN113192155A (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
Chaudhary et al. | Denoising Tc-99m DMSA images using denoising convolutional neural network with comparison to a block matching filter | |
CN112053292B (zh) | 医学图像的处理方法、处理装置及计算机可读存储介质 | |
KR20200142835A (ko) | 뇌이미지를 이용하는 알츠하이머 진단장치 |
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 |