CN111568451A - 一种曝光剂量调节方法和系统 - Google Patents
一种曝光剂量调节方法和系统 Download PDFInfo
- Publication number
- CN111568451A CN111568451A CN202010439423.9A CN202010439423A CN111568451A CN 111568451 A CN111568451 A CN 111568451A CN 202010439423 A CN202010439423 A CN 202010439423A CN 111568451 A CN111568451 A CN 111568451A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- exposure dose
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 36
- 238000013136 deep learning model Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 abstract description 29
- 238000012545 processing Methods 0.000 description 55
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000003384 imaging method Methods 0.000 description 41
- 210000004072 lung Anatomy 0.000 description 41
- 210000000988 bone and bone Anatomy 0.000 description 40
- 230000006870 function Effects 0.000 description 21
- 230000015654 memory Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 210000002216 heart Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 239000007943 implant Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种曝光剂量调节方法和系统。所述方法包括:根据第一曝光剂量,获取第一图像;将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型;确定第一图像中的感兴趣区域的灰度值;根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。本申请可以快速获得曝光剂量合适的高质量图像,同时有效降低患者接收不必要的辐射剂量。
Description
技术领域
本申请涉及医疗设备技术领域,特别涉及一种曝光剂量调节方法和系统。
背景技术
医疗成像技术中的自动曝光剂量调节可以根据病人的摆位、病人的胖瘦、被拍摄的部位自动调节剂量,以期既可以保证图像质量,又可以保证病人免受多余X射线的照射。自动曝光剂量调节技术是根据计算的当前图像的人体区域的灰度,来调节下一帧曝光的剂量。基于传统的图像处理算法检测出的人体某个特定部位区域(例如,骨骼、肺部)中可能含有非人体组织(例如,植入物)或者直接曝光区域(例如,空气)。如果基于通过传统的图像处理算法检测出来的人体某个特定部位区域的灰度对曝光剂量进行调整,难以快速获得比较合理的曝光剂量,导致成像质量较差且可能使患者接收不必要的辐射剂量。因此,本申请提供一种曝光剂量调节方法和系统。
发明内容
本申请实施例的一个方面提供一种曝光剂量调节方法。所述方法包括:根据第一曝光剂量,获取第一图像;将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型;确定第一图像中的感兴趣区域的灰度值;根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。
本申请实施例的另一个方面提供一种曝光剂量调节系统。所述系统包括:图像获取模块,用于根据第一曝光剂量,获取第一图像;感兴趣区域确定模块,用于将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型;灰度值确定模块,用于确定第一图像中的感兴趣区域的灰度值;曝光剂量调节模块,用于根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。
本申请实施例的另一方面提供一种曝光剂量调节装置。所述装置包括至少一个存储介质及至少一个处理器;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,以实现如上所述的曝光剂量调节方法。
本申请实施例的另一方面提供一种计算机可读存储介质。所述存储介质存储有计算机指令,当所述计算机指令被处理器执行时,实现如上所述的曝光剂量调节方法。
附图说明
本申请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是根据本申请一些实施例所示的曝光剂量调节系统的应用场景示意图;
图2是根据本申请一些实施例所示的示例性处理设备的框图;
图3是根据本申请一些实施例所示的曝光剂量调节方法的示例性流程图;
图4是根据本申请一些实施例所示的获取标记感兴趣区域/边界的二值图像的方法的示例性流程图;
图5是根据本申请一些实施例所示的确定第一图像中的感兴趣区域的灰度值的方法的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,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申请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申请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。
如本申请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。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用,然而,任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请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。
通过以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
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。
图1是根据本申请一些实施例所示的曝光剂量调节系统的应用场景示意图。曝光剂量调节系统100可以包括成像设备110、网络120、终端130、处理设备140和存储设备150。曝光剂量调节系统100中的各个部件可以以多种方式相连接。例如,曝光剂量调节系统100可以与处理设备140通过网络120连接,也可以与处理设备140直接连接(如图1中曝光剂量调节系统100和处理设备140之间的点状虚线箭头所示的双向连接)。又例如,存储设备150可以与处理设备140直接或通过网络120连接。又例如,终端130可以与处理设备140通过网络120连接,也可以与处理设备140直接连接(如图1中终端130和处理设备140之间的点状虚线箭头所示的双向连接)。
成像设备110可以对扫描对象114进行扫描并生成与扫描对象114相关的数据(例如,医学图像)。成像设备110可以包括但不限于电子计算机断层扫描(ComputedTomography,CT)、单光子发射计算机断层成像(Single-Photon Emission ComputedTomography,SPECT)、正电子发射断层成像(Positron Emission Tomography,PET)、数字化X射线摄影(Digital Radiography,DR)、计算机X射线摄影(Computed Radiography,CR)、平片X射线机、胃肠机、数字减影血管造影机(Digital Subtraction Angiography,DSA)、移动X射线设备(比如,移动C形臂)、直线加速器等或其任意组合。仅作为示例,所述成像设备可以是C型臂。成像设备110可以包括C型臂111、射线接收装置112以及射线发射装置113。射线接收装置112和射线发射装置113分别连接于C形臂111的两端,其中,射线发射装置113可以用于发射放射性射线(例如,X射线、γ射线、β射线、电子线、质子束等),射线接收装置112可以用于接收射线以成像,即射线发射装置113发出的射线通过扫描对象114(例如,患者)后,射线接收装置112接收射线并将其转换为电信号以生成对应的医学图像。在一些实施例中,所述成像设备110可以通过网络120将其生成的医学图像发送至处理设备140、存储设备150等。
网络120可以促进信息和/或数据的交换。网络120可以包括能够促进系统100的信息和/或数据交换的任何合适的网络。在一些实施例中,系统100的至少一个组件(例如,成像设备110、处理设备140、存储设备150、一个或多个终端130)可以通过网络120与系统100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以通过网络120从成像设备110获得图像信息。又例如,处理设备140可以通过网络120从至少一个终端130获得用户(如医生)指令。
在一些实施例中,网络120可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,系统100的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
终端130可以接收、发送和/或显示数据。所述接收的数据可以包括成像设备110获取的数据、处理设备140生成的处理结果、存储设备150存储的数据等。例如,终端130接收和/或显示的数据可以包括成像设备110生成的医学图像数据、处理设备140基于检测模型确定的医学图像中的感兴趣区域等。所述发送的数据可以包括用户(例如,医生)的输入数据、接收到的数据。例如,终端130可以将图像的曝光剂量通过网络120发送给成像设备110。又例如,终端130可以获取经由成像设备110生成的医学图像数据,并将医学图像数据发送到处理设备140以进行处理。
在一些实施例中,终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3等或其任意组合。例如,移动设备130-1可以包括移动电话、个人数字助理(PDA)、医用移动终端等或其任意组合。在一些实施例中,终端130可以包括输入设备、输出设备等。输入设备可以包括字母数字和其他按键,用于输入控制指令对成像设备110进行控制(例如,调节曝光剂量等)。输入设备可以选用键盘输入、触摸屏输入、语音输入、手势输入或任何其他类似的输入机制。通过输入设备接收的输入信息可以通过如总线传输到处理设备140,以进行进一步处理。其他类型的输入设备可以包括光标控制装置,例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等或其任意组合,用于输出成像设备110采集的医学影像。在一些实施例中,终端130可以是处理设备140的一部分。
处理设备140可以处理从成像设备110、终端130、存储设备150和/或系统100的其他组件获得数据和/或信息。在一些实施例中,处理设备140可以从成像设备110或终端130获得扫描对象114的医学图像,通过对医学图像进行处理以确定其中的感兴趣区域(例如,肺部、骨骼、血管、心脏等)。在一些实施例中,处理设备140可以根据医学图像中的感兴趣区域,确定所述感兴趣区域的灰度值,然后根据所述灰度值和预设灰度阈值,对曝光剂量进行调整。在一些实施例中,处理设备140可以将调整后的曝光剂量发送给成像设备110,以用于成像设备110生成下一张医学图像。在一些实施例中,处理设备140可以从存储设备150获取预先存储的计算机指令,并执行该计算机指令以实现本申请所述的曝光剂量调节方法。
在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地或远程的。例如,处理设备140可以通过网络120从成像设备110、存储设备150和/或终端130访问信息和/或数据。又例如,处理设备140可以直接连接到成像设备110、终端130和/或存储设备150以访问信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
存储设备150可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备150可以存储从成像设备110、终端130和/或处理设备140获得的数据。例如,存储设备150可以存储成像设备110采集的医学图像。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、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。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备150可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备150可以连接到网络120以与系统100中的至少一个其他组件(例如,成像设备110、处理设备140、至少一个终端130)通信。系统100中的至少一个组件可以通过网络120访问存储设备150中存储的数据、指令或其他信息。在一些实施例中,存储设备150可以与系统100中的一个或以上组件(例如,成像设备110、终端130)直接连接或通信。在一些实施例中,存储设备150可以是处理设备140的一部分。
应当注意的是,上述有关曝光剂量调节系统100的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对曝光剂量调节系统100进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。
图2是根据本申请一些实施例所示的示例性处理设备200的框图。处理设备200可以包括图像获取模块210、感兴趣区域确定模块220、灰度值确定模块230以及曝光剂量调节模块240。
图像获取模块210可以用于获取图像数据。在一些实施例中,图像获取模块210可以根据第一曝光剂量,获取第一图像。在一些实施例中,所述第一图像中包括至少一个类别感兴趣区域。在一些实施例中,成像设备110可以基于初始曝光剂量(即第一曝光剂量)进行曝光,得到该第一曝光剂量所对应的第一图像。所述第一曝光剂量可以是系统自动设定的,或者可以直接从存储设备150中调取,或者可以基于历史经验人工预设的。在一些实施例中,图像获取模块210可以将获取的第一图像发送到感兴趣区域确定模块220进一步处理,或者可以将其存储到存储单元150中。
感兴趣区域确定模块220可以用于确定图像中的感兴趣区域。在一些实施例中,感兴趣区域确定模块220可以将所述第一图像输入至检测模型,从而确定该第一图像中的感兴趣区域(Region of Interest,ROI),该检测模型可以是机器学习模型。在一些实施例中,该机器学习模型可以为深度学习模型。感兴趣区域确定模块220可以进一步包括第一感兴趣区域确定单元222和第二感兴趣区域确定单元224。
第一感兴趣区域确定单元222可以用于确定第一图像的感兴趣区域的初始边缘,并进一步处理以得到第一图像中的感兴趣区域。在一些实施例中,第一感兴趣区域确定单元222可以将第一图像输入至检测模型,输出标记感兴趣区域初始边缘的图像,然后对所述标记感兴趣区域初始边缘的图像进行后处理,以获得标记感兴趣区域的标记图像。在一些实施例中,所述标记感兴趣区域初始边缘的图像可以为标记至少两个类别感兴趣区域的初始边缘的图像。在一些实施例中,第一感兴趣区域确定单元222还可以根据所述标记感兴趣区域的标记图像,生成与每一类别感兴趣区域对应的二值图像,然后基于所述与每一类别感兴趣区域对应的二值图像与所述第一图像,得到所述第一图像中的各个感兴趣区域。其中,所述与每一类别感兴趣区域对应的二值图像中,感兴趣区域内的像素值为0和1中的一个值,感兴趣区域外的像素值为0和1中的另一值。在一些实施例中,第一感兴趣区域确定单元222可以判断所述初始边缘所包围的区域是否为连通区域,如果所述初始边缘所包围的区域为非连通区域,可以通过形态学运算对所述初始边缘进行连接得到连通区域,获得标记感兴趣区域的标记图像。其中,所述形态学运算至少包括膨胀和/或腐蚀。关于对第一图像的感兴趣区域进行边缘检测处理,以获得标记感兴趣区域的二值图像的方法的更多细节可以参见图4及其相关描述,在此不再赘述。
在一些实施例中,第一感兴趣区域确定单元222可以对初始检测模型进行训练,以获得训练好的检测模型。在一些实施例中,所述初始检测模型可以为机器学习模型。在一些实施例中,所述初始检测模型可以为深度学习模型,可以采用类别感知语义边缘检测算法(CASENet)、Robert算子、Sobel算子、Prewitt算子、Laplacian算子、Canny算子等边缘检测算法提取图像中感兴趣区域的初始边缘。优选的,所述初始检测模型为类别语义感知的神经网络模型。在一些实施例中,第一感兴趣区域确定单元222可以获取多组样本图像,每组样本图像包括输入图像和与所述输入图像对应的标记感兴趣区域边缘的图像,然后将所述输入图像输入至初始检测模型,得到输出结果,以及基于所述输出结果与所述输入图像对应的标记感兴趣区域边缘的图像构造损失函数,通过最小化所述损失函数,来更新所述初始检测模型的至少一个参数。
第二感兴趣区域确定单元224可以用于确定标记感兴趣区域的二值图像,并进一步处理以得到第一图像中的感兴趣区域。在一些实施例中,第二感兴趣区域确定单元224可以将第一图像输入至检测模型,输出标记感兴趣区域的标记图像,然后基于所述标记感兴趣区域的标记图像与所述第一图像,得到所述第一图像中的各个感兴趣区域。在一些实施例中,所述标记图像可以为二值图像。关于对第一图像的感兴趣区域直接进行检测,以获得标记感兴趣区域的二值图像的方法的更多细节可以参见图4及其相关描述,在此不再赘述。
在一些实施例中,第二感兴趣区域确定单元224可以对初始检测模型进行训练,以获得训练好的检测模型。在一些实施例中,所述初始检测模型可以为机器学习模型。在一些实施例中,所述初始检测模型可以为深度学习模型,包括但不限于V-Net(V型网络)、DenseNet(Dense Convolutional Network,密集卷积网络)、ResNet(Residual Network,残差网络)、VGGNet(Visual Geometry Group)或Fast R-CNN(Fast Region-basedConvolutional Network method)等模型。在一些实施例中,第二感兴趣区域确定单元224可以获取多组样本图像,每组样本图像包括输入图像和与所述输入图像对应的标记感兴趣区域的图像,然后将所述输入图像输入至初始检测模型,得到输出结果,以及基于输出结果与输入图像对应的标记感兴趣区域的图像构造损失函数,通过最小化所述损失函数,来更新所述初始检测模型的至少一个参数。
灰度值确定模块230可以用于确定灰度值。在一些实施例中,灰度值确定模块230可以确定第一图像中的感兴趣区域的灰度值。在一些实施例中,灰度值确定模块230可以获取所述第一图像中各类别感兴趣区域的灰度值,并且获取所述各类别感兴趣区域的权重系数,然后基于所述各类别感兴趣区域的权重系数,对所述第一图像中各类别感兴趣区域的灰度值进行加权运算,以获得所述第一图像中的感兴趣区域的灰度值。关于确定第一图像中的感兴趣区域的灰度值的方法的更多细节可以参见图5及其相关描述,在此不再赘述。
曝光剂量调节模块240可以用于调节生成图像的曝光剂量。在一些实施例中,曝光剂量调节模块240可以根据第一图像中的感兴趣区域的灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。在一些实施例中,曝光剂量调节模块240可以判断所述灰度值是否大于预设灰度目标值;响应于所述灰度值大于所述预设灰度目标值,降低所述第一曝光剂量以获得所述第二曝光剂量;响应于所述灰度值小于所述预设灰度目标值,提高所述第一曝光剂量以获得所述第二曝光剂量。
可以理解的是,本申请中涉及的处理设备200可以用于对扫描对象(例如,患者)的组织、器官和/或系统的医学扫描图像中的感兴趣区域(例如,骨骼、肺部、心脏)进行检测,确定该扫描图像中感兴趣区域的灰度值,并且基于该灰度值调节下一帧图像的曝光剂量,从而得到高质量的扫描图像,进而辅助用户(例如,医生)对扫描对象进行医学诊断。
应当理解,图2所示的处理设备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。本申请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,上述关于处理设备200的描述仅出于说明性目的而提供,并不旨在限制本申请的范围。可以理解,对于本领域的技术人员来说,可以根据本申请的描述,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,图2中披露的图像获取模块210、感兴趣区域确定模块220、灰度值确定模块230以及曝光剂量调节模块240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,感兴趣区域确定模块220以及灰度值确定模块230可以是两个模块,也可以是一个模块同时具有感兴趣区域确定和灰度值确定功能。再例如,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,均在本申请的保护范围之内。
图3是根据本申请一些实施例所示的曝光剂量调节方法的示例性流程图。
在一些实施例中,流程300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图3所示的曝光剂量调节的流程300中的一个或多个操作可以通过图1所示的处理设备140实现。例如,流程300可以以指令的形式存储在存储设备150中,并由处理设备140执行调用和/或执行。
步骤310,根据第一曝光剂量,获取第一图像。具体的,步骤310可以由图像获取模块210执行。
在一些实施例中,所述第一图像可以是利用成像设备110在第一曝光剂量下对扫描对象进行扫描后得到的医学图像。例如,将扫描对象114置于成像设备110的扫描区域,在第一曝光剂量下,射线发射装置113发出射线,该射线穿透人体受检部位(例如,胸部、头部、四肢等)后,射线接收装置112接收该射线并将该射线转换为电信号输出,根据输出的电信号可以生成第一图像。在一些实施例中,所述第一图像可以是对成像设备110在第一曝光剂量下生成的初始医学图像进行预处理后得到的医学图像。由于需要通过检测模型对第一图像中的感兴趣区域进行检测,而输入模型的第一图像需要符合模型输入要求,因此需要对初始医学图像进行预处理以得到符合模型输入要求的第一图像。所述预处理可以包括但不限于数字化、几何变换、归一化、平滑去噪、复原、增强等。所述第一图像可以是二维图像,也可以是三维图像。所述第一图像可以是灰度图像或者彩色图像。所述第一图像可以包括但不限于CT(Computed Tomography,计算机断层摄影)图像、MRI(Magnetic ResonanceImaging,磁共振成像)图像、PET(Positron Emission Tomography,正电子发射断层成像)图像、红外图像或DR(Digital Radiography,数字X线成像)图像等。在一些实施例中,所述第一曝光剂量可以为预设曝光剂量值。例如,为了避免曝光剂量过高对人体造成损害,该预设曝光剂量值可以设置得相对较低。
在一些实施例中,所述第一图像可以包括一个或多个感兴趣区域。例如,该第一图像可以是包含多类组织或器官所在的区域的图像,示例性的,当医生想要检查患者的胸部骨骼区域时,可以通过相应的操作得到的第一图像可能包括胸部骨骼区域、肺部区域、心脏区域、钢钉植入物区域、没有病人组织的直接曝光区域(空气部分)等。可以理解,当需要针对某些感兴趣区域进行成像时,人们期望使用的曝光剂量更适于这些区域的成像,因此第一图像包含其他器官或组织区域时,需要对第一图像进行处理,确定其中的感兴趣区域,并基于此确定曝光剂量。
步骤320,将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型。具体的,步骤320可以由感兴趣区域确定模块220执行。
在一些实施例中,感兴趣区域确定模块220中的第一感兴趣区域确定单元222可以将所述第一图像输入至检测模型,输出标记感兴趣区域初始边缘的图像,并且对所述标记感兴趣区域初始边缘的图像进行后处理,以获得标记感兴趣区域的二值图像。所述感兴趣区域表示用户想要拍摄,并意图基于拍摄结果进行诊断的器官、组织等所对应的图像区域,例如,当用户想要对患者的肺部进行诊断时,可以在成像过程中将肺部对应的图像区域作为感兴趣区域。所述感兴趣区域可以是第一图像中的一部分,例如,感兴趣的器官、感兴趣的组织、感兴趣的病变等或其任何组合。所述感兴趣区域的形状可以是圆形、环形、方形、三角形、其他规则或不规则形状等。所述感兴趣区域初始边缘表示经检测模型识别得到的感兴趣区域的轮廓,该轮廓可以是连续的,也可以是不连续的。在一些实施例中,提取的感兴趣区域初始边缘可以用于生成的二值图像。在一些实施例中,所述二值图像中,感兴趣区域的像素值为0和1中的一个值,非感兴趣区域的像素值为0和1中的另一值。在一些实施例中,所述第一图像可以包括至少两个类别感兴趣区域,检测模型可以输出标记至少两个类别感兴趣区域的初始边缘的图像。例如,第一图像中可以包括骨骼区域和软组织区域等两个类别的感兴趣区域,模型输出的图像标记有骨骼区域和软组织区域等两个类别感兴趣区域的初始边缘。在一些实施例中,检测模型可以输出一张标记至少两个类别感兴趣区域的初始边缘的图像,或者可以输出至少两张标记感兴趣区域初始边缘的图像,每张图像对应一种类别的感兴趣区域的初始边缘。其具体输出形式可以由检测模型的训练方式及模型结构决定。在一些实施例中,第一感兴趣区域确定单元222可以判断所述初始边缘所包围的区域是否为连通区域,如果所述初始边缘所包围的区域为连通区域,则基于所述连通区域生成与每一类别感兴趣区域对应的二值图像;如果所述初始边缘所包围的区域为非连通区域,则通过形态学运算对所述初始边缘进行连接得到连通区域(在一些实施例中,可以将经过形态学运算等后处理的标记感兴趣区域初始边缘的图像称为标记图像),然后基于所述标记图像中的连通区域生成与每一类别感兴趣区域对应的二值图像,所述形态学运算至少包括膨胀和/或腐蚀。关于对第一图像的感兴趣区域进行边缘检测处理,以获得标记感兴趣区域的二值图像的方法的更多细节可以参见图4及其相关描述,在此不再赘述。
在一些实施例中,第一感兴趣区域确定单元222可以对初始检测模型进行训练,以获得训练好的检测模型。在一些实施例中,所述初始检测模型可以为机器学习模型。在一些实施例中,所述初始检测模型可以为深度学习模型,可以采用类别感知语义边缘检测算法(CASENet)、Robert算子、Sobel算子、Prewitt算子、Laplacian算子、Canny算子等边缘检测算法提取图像中感兴趣区域的初始边缘。优选的,所述初始检测模型为类别语义感知的神经网络模型。所述类别语义感知的神经网络模型可以对图像中不同类别的对象(例如,感兴趣区域)进行识别,并提取不同类别的对象的轮廓边缘。在一些实施例中,检测模型可以通过以下方式训练获得:获取多组样本图像,每组样本图像包括输入图像和与所述输入图像对应的标记感兴趣区域边缘的图像,然后将所述输入图像输入至初始检测模型,得到输出结果,并基于所述输出结果与所述输入图像对应的标记感兴趣区域边缘的图像构造损失函数,通过最小化所述损失函数,来更新所述初始检测模型的至少一个参数。具体的,获取多组样本图像,每组样本图像可以包括医学图像,以及与该医学图像对应的标记有感兴趣区域边缘的图像,然后输入初始检测模型进行训练,并且基于模型输出的医学图像的感兴趣区域边缘图像与对应的标记感兴趣区域边缘的图像构造损失函数,基于损失函数逐步迭代更新初始检测模型的网络参数,直至损失函数达到最小值,即模型的损失函数的最小值达到预设阈值时即可完成训练,得到训练好的检测模型,其中,标记的感兴趣区域边缘需要为连续的完整边缘。
在一些实施例中,感兴趣区域确定模块220中的第二感兴趣区域确定单元224可以将第一图像输入至检测模型,输出标记感兴趣区域的标记图像,然后基于所述标记感兴趣区域的标记图像与所述第一图像,得到所述第一图像中的各个感兴趣区域。在一些实施例中,所述标记图像可以为二值图像。所述标记感兴趣区域的标记图像中,感兴趣区域的像素值为0和1中的一个值,非感兴趣区域的像素值为0和1中的另一值。在一些实施例中,所述标记图像还可以是显示任意两个不同等级灰阶的图像。例如,所述标记感兴趣区域的标记图像中,感兴趣区域的灰阶可以为一级灰阶(白),非感兴趣区域的灰阶可以为四级灰阶(灰)。在一些实施例中,该检测模型可以输出至少两张标记感兴趣区域的标记图像,每张图像对应一种类别的感兴趣区域,且感兴趣区域与非感兴趣区域的像素值不同。在一些实施例中,所述检测模型可以输出一张标记至少两个类别感兴趣区域的标记图像,不同类别的感兴趣区域用不同像素值表示,且感兴趣区域的像素值与非感兴趣区域的像素值不同。关于对第一图像的感兴趣区域直接进行检测,以获得标记感兴趣区域的二值图像的方法的更多细节可以参见图4及其相关描述,在此不再赘述。
在一些实施例中,第二感兴趣区域确定单元224可以对初始检测模型进行训练,以获得训练好的检测模型。在一些实施例中,所述初始检测模型可以为机器学习模型。在一些实施例中,所述初始检测模型可以为深度学习模型,包括但不限于上述的V-Net、DenseNet、ResNet、VGGNet或Fast R-CNN等模型。在一些实施例中,该检测模型可以通过以下方式训练获得:获取多组样本图像,每组样本图像包括输入图像和与所述输入图像对应的标记感兴趣区域的图像,然后将所述输入图像输入至初始检测模型,得到输出结果,并基于输出结果与输入图像对应的标记感兴趣区域的图像构造损失函数,通过最小化所述损失函数,来更新所述初始检测模型的至少一个参数。其中,标记感兴趣区域的图像可以是二值化图像。例如,在该图像中,感兴趣区域内的像素值为1,感兴趣区域外的像素值均为0。具体的,在一些实施例中,获取多组样本图像,每组样本图像包括医学图像和与该医学图像对应的标记有感兴趣区域的图像,然后输入初始检测模型,基于模型输出的预测感兴趣区域图像与对应的标记有感兴趣区域的图像构建损失函数,基于损失函数逐步迭代更新初始检测模型的网络参数,直至损失函数达到预设阈值或迭代次数达到预设的次数时(与下面的说法统一),得到训练好的检测模型。例如,可以采用包含肺部的图像,以及其对应的标记肺部区域的二值图像作为样本图像,然后输入初始检测模型进行训练,当该初始检测模型经过多次参数更新,使其达到预设的迭代次数或损失函数达到预设阈值时即可完成训练,得到具有识别肺部区域并对肺部区域和其他区域进行二值化处理的功能的检测模型。
步骤330,确定第一图像中的感兴趣区域的灰度值。具体的,步骤330可以由灰度值确定模块230执行。
在一些实施例中,可以将步骤320获得的标记感兴趣区域的二值化图像作为掩模图像,与第一图像进行与运算,从而提取出第一图像中的感兴趣区域。在一些实施例中,第一图像中可以包括一个类别感兴趣区域。在一些实施例中,灰度值确定模块230可以将该感兴趣区域的平均灰度值作为该感兴趣区域的灰度值。在一些实施例中,灰度值确定模块230可以根据该感兴趣区域内的各像素点的灰度值,得到灰度值直方图,然后计算该灰度值直方图的中值,将该中值作为该感兴趣区域的灰度值。在一些实施例中,灰度值确定模块230可以对该感兴趣区域内的像素点的最大灰度值和最小灰度值求平均,将计算得到的平均值作为该感兴趣区域的灰度值。在一些实施例中,若同一个感兴趣区域中各个像素的灰度值较为接近(即最大灰度值和最小灰度值的差值小于一定阈值),可以从该感兴趣区域中任意选取一个像素点,然后将其灰度值作为该感兴趣区域的灰度值。
在一些实施例中,第一图像中可以包括至少两个类别感兴趣区域。在一些实施例中,灰度值确定模块230可以获取所述第一图像中各类别感兴趣区域的灰度值,并且获取所述各类别感兴趣区域的权重系数,然后基于所述各类别感兴趣区域的权重系数,对所述第一图像中各类别感兴趣区域的灰度值进行加权运算,以获得所述第一图像中的感兴趣区域的灰度值。例如,可以针对每一个类别的感兴趣区域分别预设一权重系数(例如,肺部区域的权重系数设为x1,骨骼区域的权重系数设为x2),然后基于第一图像中每一个类别的感兴趣区域的灰度值(例如,肺部区域的灰度值为p1、骨骼区域的灰度值为p2)及权重系数进行加权求和,从而得到该第一图像中多个类别感兴趣区域的整体灰度值(例如,p1×x1+p2×x2),将该整体灰度值作为第一图像中的感兴趣区域的灰度值。在一些实施例中,若医师仅关注某类别的感兴趣区域,可以例如根据协议中的参数知悉医师重点关注的区域,而将图像中的该类别的感兴趣区域的灰度值的权重自动设定为比较高的权重,例如100%,而其他类别的感兴趣区域灰度值设定为0或者比较低的权重,例如0,并输出整体灰度值;本领域普通技术人员可以理解,也可以通过在机器学习过程中输出一张重点关注的感兴趣区域的标记图像而不必进行其他感兴趣区域的处理来实现。关于确定第一图像中的感兴趣区域的灰度值的方法的更多细节可以参见图5及其相关描述,在此不再赘述。
步骤340,根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。具体的,步骤340可以由曝光剂量调节模块240执行。
在一些实施例中,曝光剂量调节模块240可以将第一图像中感兴趣区域的灰度值与预设灰度目标值进行比较,若该第一图像中感兴趣区域的灰度值大于预设灰度目标值,则降低第一曝光剂量,得到用于生成第二图像的第二曝光剂量;若该第一图像中感兴趣区域的灰度值小于预设灰度目标值,则可以提高第一曝光剂量,得到用于生成第二图像的第二曝光剂量。所述预设灰度目标值可以是图像中感兴趣区域可以高质量显示时其感兴趣区域所应达到的灰度值。所述预设灰度目标值可以通过以下方法获得:通过对大量曝光图像进行分析,获得使图像中的感兴趣区域高质量显示且低曝光剂量时所对应的灰度值,该灰度值可设定为预设灰度目标值。在一些实施例中,图像中的感兴趣区域不同,对应的预设灰度目标值也可以不同。例如,某一个感兴趣区域高质量显示且通过一相对较低的曝光剂量拍摄得到的图片,该图片中感兴趣区域的灰度值为p0,则可以将p0作为该感兴趣区域所对应的预设灰度目标值。需要说明,在本申请实施例中,不同感兴趣区域所对应的预设灰度目标值可以相同,也可以不同,在此不作限定。所述曝光剂量是指对扫描对象进行扫描以采集图像时所使用的放射剂量。所述灰度值与所述曝光剂量通常呈正相关。在一些实施例中,所述第一曝光剂量及所述预设灰度目标值可以存储在存储设备150中,并且,与所述预设灰度目标值同理,在本申请实施例中,不同感兴趣区域所对应的第一曝光剂量可以相同,也可以不同。在一些实施例中,曝光剂量调节模块240还可以根据第一图像中感兴趣区域的灰度值与预设灰度目标值之间的差值控制上述第一曝光剂量的调节幅度。例如,当第一图像中感兴趣区域的灰度值与预设灰度目标值之间的差值较大时,第二曝光剂量与第一曝光剂量之间的调节幅度则较大,以达到目标灰度值。当第一图像中感兴趣区域的灰度值与预设灰度目标值之间的差值较小时,第二曝光剂量与第一曝光剂量之间的调节幅度则较小来达到目标灰度值,从而在保证成像质量的同时缩短调节至最佳曝光剂量的调节时间。
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是根据本申请一些实施例所示的获取标记感兴趣区域/边界的二值图像的方法的示例性流程图。在一些实施例中,所述获取标记感兴趣区域/边界的二值图像的方法400中的一个或以上步骤可以在感兴趣区域确定模块220中实现。
步骤410,将所述第一图像输入至检测模型。
在一些实施例中,图像获取模块210获取的第一图像可以发送给感兴趣区域确定模块220,以输入检测模型来确定标记感兴趣区域/边缘的二值图像。所述第一图像可以是利用成像设备110在第一曝光剂量下对扫描对象进行扫描后得到的医学图像,也可以是对成像设备110在第一曝光剂量下生成的初始医学图像进行预处理后得到的医学图像。例如,将扫描对象114置于成像设备110的扫描区域,在第一曝光剂量下,射线发射装置113发出射线,该射线穿透人体受检部位(例如,胸部、头部、四肢等)后,射线接收装置112接收该射线并将该射线转换为电信号输出,根据输出的电信号生成初始医学图像,可以将该初始医学图像作为第一图像,或者,也可以对初始医学图像进行归一化、平滑去噪、复原、增强等预处理,然后将预处理后得到的图像作为第一图像。在一些实施例中,所述第一图像可以包括至少一个感兴趣区域。感兴趣区域可以包括组织、器官、肿瘤等或其任何组合的部分区域。例如,肺部区域、心脏区域、骨骼区域和/或软组织区域等。在一些实施例中,所述第一图像可以包括至少两个感兴趣区域。所述感兴趣区域的形状可以是圆形、环形、方形、三角形或者其他不规则形状等,在此不作限定。
在一些实施例中,图像获取模块210可以将第一图像发送到第一感兴趣区域确定单元222,第一感兴趣区域确定单元222可以通过所述检测模型对第一图像中感兴趣区域的边缘信息进行提取。在一些实施例中,所述初始检测模型可以为深度学习模型,可以采用类别感知语义边缘检测算法(CASENet)、Robert算子、Sobel算子、Prewitt算子、Laplacian算子、Canny算子等边缘检测算法提取图像中感兴趣区域的初始边缘。优选的,所述初始检测模型为类别语义感知的神经网络模型。所述类别语义感知的神经网络模型可以对图像中不同类别的对象(例如,感兴趣区域)进行识别,并提取不同类别的对象的轮廓边缘。
在一些实施例中,图像获取模块210可以将第一图像发送到第二感兴趣区域确定单元224,第二感兴趣区域确定单元224可以通过所述检测模型检测第一图像中的感兴趣区域。所述检测模型可以为深度学习模型,包括但不限于上述的V-Net、DenseNet、ResNet、VGGNet或Fast R-CNN等模型。
步骤420,输出标记感兴趣区域/边缘的二值图像。
在一些实施例中,第一感兴趣区域确定单元222可以通过所述检测模型输出标记感兴趣区域初始边缘的图像。优选的,利用类别语义感知的神经网络模型从第一图像提取感兴趣区域的初始边缘。在一些实施例中,所述检测模型可以输出标记至少两个类别感兴趣区域的初始边缘的图像。例如,输出标记有骨骼区域和肺部区域的初始边缘的图像。在一些实施例中,所述检测模型可以输出一张标记至少两个类别感兴趣区域的初始边缘的图像。例如,当第一图像中同时包含肺部和骨骼两个类别感兴趣区域时,通过该检测模型可以得到一张同时标记肺部区域初始边缘以及骨骼区域初始边缘的图像。在一些实施例中,该检测模型可以输出至少两张标记感兴趣区域初始边缘的图像,每张图像对应一种类别的感兴趣区域的初始边缘。例如,当第一图像中同时包含肺部和骨骼两个类别感兴趣区域时,通过该检测模型可以得到一张标记肺部区域初始边缘的图像,以及一张标记骨骼区域初始边缘的图像。
在一些实施例中,第一感兴趣区域确定单元222还可以对检测模型输出的标记感兴趣区域初始边缘的图像进行后处理,以获得标记感兴趣区域的标记图像,并根据所述标记感兴趣区域的标记图像,生成与每一类别感兴趣区域对应的二值图像。在一些实施例中,对标记感兴趣区域初始边缘的图像进行后处理时,第一感兴趣区域确定单元222可以先判断该初始边缘所包围的区域是否为连通区域,如果所述初始边缘所包围的区域为连通区域,则基于所述连通区域生成与每一类别感兴趣区域对应的二值图像。模型输出的图像中初始边缘所包围的区域如果是连通区域,则不需要进行边缘修正处理,可以直接基于图像中的连通区域,生成与每一类别感兴趣区域对应的二值图像。例如,模型输出的图像中初始边缘所包围的连通区域包括两个类别,分别为骨骼连通区域和肺部连通区域,则可以进一步生成两张二值图像,其中一张为标记骨骼区域的二值图像,另一张为标记肺部区域的二值图像。在一些实施例中,模型输出的图像中可以具有一个或多个连通区域,所述连通区域可以是一个封闭的二维区域。具体的,第一感兴趣区域确定单元222可以填充连通区域,将连通区域(即感兴趣区域)内的像素值标为0和1中的一个值;将连通区域外(即非感兴趣区域)的像素值标为0和1中的另一值,从而将感兴趣区域和非感兴趣区域区分开。在一些实施例中,如果判断出该初始边缘所包围的区域不连通(即感兴趣区域不封闭),则可以通过形态学运算对感兴趣区域的初始边缘进行连接,得到一个边缘封闭的连通区域,然后基于所述连通区域生成与每一类别感兴趣区域对应的二值图像。所述形态学运算可以包括腐蚀、膨胀、开运算、闭运算等或其任意组合。示例性的,模型输出的图像中标记感兴趣区域的初始边缘可能是不连通的,比如存在间隙或孔洞,可以进一步采用一个结构元素在初始边缘内的区域进行膨胀操作,然后再用该结构元素对该初始边缘内的区域进行腐蚀操作,从而将不连通的感兴趣区域的初始边缘连接起来,得到具有闭合轮廓的感兴趣区域边缘,其中,所述结构元素具有一定的尺寸,例如,结构元素可以为4×4的方形区域。在一些实施例中,如果模型输出一张标记至少两个类别感兴趣区域的初始边缘的图像,可以对标记至少两个感兴趣区域的初始边缘的图像进行后处理,并基于后处理结果生成与每一类别感兴趣区域对应的至少两张二值图像。例如,如果模型输出一张同时标记骨骼区域初始边缘和肺部区域初始边缘的图像,可以对该张图像中的骨骼区域和肺部区域的初始边缘进行预处理:首先判断该骨骼区域和肺部区域初始边缘所包围的区域是否为连通区域,如果所述初始边缘所包围的区域为连通区域,则基于骨骼区域和肺部区域分别生成两张图像,其中一张图像对表示骨骼区域的连通区域和非骨骼区域进行二值化填充,获得标记骨骼区域的二值图像,另一张图像对表示肺部区域的连通区域和非肺部区域进行二值化填充,获得标记肺部区域的二值图像;如果所述初始边缘所包围的区域为非连通区域,通过形态学运算对所述初始边缘进行连接得到连通区域,然后基于骨骼区域和肺部区域分别生成两张图像,其中一张图像对表示骨骼区域的连通区域和非骨骼区域进行二值化填充,获得标记骨骼区域的二值图像,另一张图像对表示肺部区域的连通区域和非肺部区域进行二值化填充,获得标记肺部区域的二值图像。
在一些实施例中,第二感兴趣区域确定单元224可以通过所述检测模型输出标记感兴趣区域的二值图像。在一些实施例中,所述检测模型可以为深度学习模型,其可以基于监督学习或半监督学习进行训练获得。在一些实施例中,将所述检测模型输出的图像为二值图像,图像上像素点的像素值设置为0和1两个等级,不同像素值分别表示感兴趣区域和非感兴趣区域。例如,可以将感兴趣区域内的像素点的像素值标为1,并且可以将非感兴趣区域的像素点的像素值标为0,从而将感兴趣区域和非感兴趣区域区分开。示例性的,将胸部图像输入检测模型进行感兴趣区域检测,输出标记骨骼区域的二值化图像。在一些实施例中,所述检测模型可以输出标记至少两个类别感兴趣区域的二值图像。例如,输出标记有骨骼区域和肺部区域的二值图像。在一些实施例中,该检测模型可以输出至少两张标记感兴趣区域的二值图像,每张图像对应一种类别的感兴趣区域。例如,当第一图像中同时包含肺部和骨骼两个类别感兴趣区域时,通过该检测模型可以得到一张标记肺部区域的二值图像,以及一张标记骨骼区域的二值图像。
图5是根据本申请一些实施例所示的确定第一图像中的感兴趣区域的灰度值的方法的示例性流程图。在一些实施例中,所述确定第一图像中的感兴趣区域的灰度值的方法500中的一个或以上步骤可以在图2所示的灰度值确定模块230中实现。
步骤510,获取所述第一图像中各类别感兴趣区域的灰度值。
在一些实施例中,第一图像可以包括至少两个类别的感兴趣区域。在一些实施例中,灰度值确定模块230可以将一个类别感兴趣区域内的各像素点的灰度值求平均得到平均灰度值,将该平均灰度值作为该类别感兴趣区域的灰度值,基于此方法可以获得第一图像中各个不同类别感兴趣区域的灰度值。例如,第一图像中感兴趣的骨骼区域的灰度值为p1,感兴趣的肺部区域的灰度值为p2。在一些实施例中,灰度值确定模块230可以将一个类别感兴趣区域内的各像素点的灰度值按顺序排列,将灰度值的中值作为该类别感兴趣区域的灰度值,基于此方法可以获得第一图像中各个不同类别感兴趣区域的灰度值。在一些实施例中,灰度值确定模块230可以对一个类别感兴趣区域内的像素点的最大灰度值和最小灰度值求平均,将计算得到的平均值作为该类别感兴趣区域的灰度值,基于此方法可以获得第一图像中各个不同类别感兴趣区域的灰度值。获取第一图像中各类别感兴趣区域的灰度值的方法包括但不限于上述实施例所述的方法。
步骤520,获取所述各类别感兴趣区域的权重系数。
在一些实施例中,灰度值确定模块230可以对每一类别的感兴趣区域设定对应的权重系数。例如,骨骼区域对应设定的权重系数可以为x1,肺部区域对应设定的权重系数可以为x2。在一些实施例中,可以根据用户对第一图像中各个感兴趣区域关注度的不同而设定对应的权重系数。例如,当第一图像同时包含肺部区域和骨骼区域,而用户(医生)更加关注骨骼区域时,可以将骨骼区域所对应的权重系数x1设定为大于肺部区域所对应的权重系数x2。
步骤530,基于所述各类别感兴趣区域的权重系数,对所述第一图像中各类别感兴趣区域的灰度值进行加权运算,以获得所述第一图像中的感兴趣区域的灰度值。
在一些实施例中,当第一图像中包括至少两个类别感兴趣区域时,可以分别获取第一图像中每一个类别的感兴趣区域的灰度值及权重系数,并基于各类别感兴趣区域的灰度值和权重系数进行加权求和,从而得到该第一图像中多个感兴趣区域的整体灰度值。例如,当第一图像中同时包含肺部区域和骨骼区域时,骨骼区域和肺部区域对应的灰度值分别为p1和p2,骨骼区域和肺部区域对应权重系数分别为x1和x2,则可以计算得到该第一图像中感兴趣区域的整体灰度值S,即S=p1×x1+p2×x2。上述灰度计算方法综合考虑了图像中所有类别感兴趣区域的灰度值,可以更准确的调节成像设备的曝光剂量,从而改善成像设备的成像质量以及降低患者所接收的辐射剂量。
本申请实施例可能带来的有益效果包括但不限于:(1)采用深度学习方法可以快速准确的检测出人体的某个感兴趣区域,无需再通过先检测并排除掉植入物、直接曝光区域等非感兴趣区域获得人体的感兴趣区域,从而提高了感兴趣区域检测的效率和准确性;(2)采用深度学习方法可以更准确地确定出感兴趣区域,从而提高了基于感兴趣区域灰度值调节图像曝光剂量的准确性,进而提高了生成的图像质量;(3)通过提高曝光剂量调节的准确性,可以有效降低患者在检测过程中所接触到的辐射剂量,从而降低对人体所造成的损害。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
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,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请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,本申请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,本申请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,本申请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,本申请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。
本申请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、VisualBasic、Fortran2003、Perl、COBOL2002、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处理设备上运行。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,本申请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,并非用于限定本申请流程和方法的顺序。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申请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,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,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申请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。尽管本申请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。
针对本申请引用的每个专利、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申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (12)
1.一种曝光剂量调节方法,其特征在于,所述方法包括:
根据第一曝光剂量,获取第一图像;
将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型;
确定第一图像中的感兴趣区域的灰度值;
根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。
2.根据权利要求1所述的曝光剂量调节方法,其特征在于,所述将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,包括:
将所述第一图像输入至检测模型,输出标记感兴趣区域初始边缘的图像;
对所述标记感兴趣区域初始边缘的图像进行后处理,获得标记感兴趣区域的标记图像。
3.根据权利要求2所述的曝光剂量调节方法,其特征在于,所述标记感兴趣区域初始边缘的图像为标记至少两个类别感兴趣区域的初始边缘的图像;
所述将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,还包括:
根据所述标记感兴趣区域的标记图像,生成与每一类别感兴趣区域对应的二值图像;所述与每一类别感兴趣区域对应的二值图像中,感兴趣区域内的像素值为0和1中的一个值,感兴趣区域外的像素值为0和1中的另一值;
基于所述与每一类别感兴趣区域对应的二值图像与所述第一图像,得到所述第一图像中的各个感兴趣区域。
4.根据权利要求2所述的曝光剂量调节方法,其特征在于,所述对所述标记感兴趣区域初始边缘的图像进行后处理,获得标记感兴趣区域的标记图像包括:
判断所述标记感兴趣区域初始边缘的图像中初始边缘所包围的区域是否为连通区域;
响应于所述初始边缘所包围的区域为非连通区域,对所述初始边缘进行连接得到连通区域,获得标记感兴趣区域的标记图像。
5.根据权利要求1所述的曝光剂量调节方法,其特征在于,所述将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,包括:
将所述第一图像输入至检测模型,输出标记感兴趣区域的标记图像;
基于所述标记感兴趣区域的标记图像与所述第一图像,得到所述第一图像中的各个感兴趣区域。
6.根据权利要求5所述的曝光剂量调节方法,其特征在于,所述标记图像为二值图像。
7.根据权利要求1所述的曝光剂量调节方法,其特征在于,所述第一图像中包括至少两个类别感兴趣区域;
所述确定第一图像中的感兴趣区域的灰度值,包括:
获取所述第一图像中各类别感兴趣区域的灰度值;
获取所述各类别感兴趣区域的权重系数;
基于所述各类别感兴趣区域的权重系数,对所述第一图像中各类别感兴趣区域的灰度值进行加权运算,以获得所述第一图像中的感兴趣区域的灰度值。
8.根据权利要求1或7所述的曝光剂量调节方法,其特征在于,所述根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量,包括:
响应于所述灰度值大于所述预设灰度目标值,降低所述第一曝光剂量以获得所述第二曝光剂量;或
响应于所述灰度值小于所述预设灰度目标值,提高所述第一曝光剂量以获得所述第二曝光剂量。
9.根据权利要求1所述的曝光剂量调节方法,其特征在于,所述机器学习模型为深度学习模型。
10.一种曝光剂量调节系统,其特征在于,所述系统包括:
图像获取模块,用于根据第一曝光剂量,获取第一图像;
感兴趣区域确定模块,用于将所述第一图像输入至检测模型,确定所述第一图像中的感兴趣区域,所述检测模型为机器学习模型;
灰度值确定模块,用于确定第一图像中的感兴趣区域的灰度值;
曝光剂量调节模块,用于根据所述灰度值和预设灰度目标值,调节第一曝光剂量,得到用于生成第二图像的第二曝光剂量。
11.一种曝光剂量调节装置,其特征在于,所述装置包括至少一个存储介质及至少一个处理器;
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1~9中任一项所述的曝光剂量调节方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机指令,当所述计算机指令被处理器执行时,实现如权利要求1~9中任一项所述的曝光剂量调节方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439423.9A CN111568451A (zh) | 2020-05-22 | 2020-05-22 | 一种曝光剂量调节方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439423.9A CN111568451A (zh) | 2020-05-22 | 2020-05-22 | 一种曝光剂量调节方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111568451A true CN111568451A (zh) | 2020-08-25 |
Family
ID=72115974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010439423.9A Pending CN111568451A (zh) | 2020-05-22 | 2020-05-22 | 一种曝光剂量调节方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111568451A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111991704A (zh) * | 2020-08-28 | 2020-11-27 | 深圳大学 | 一种基于光动力治疗系统的治疗方法及光动力治疗系统 |
WO2022089626A1 (en) * | 2020-10-30 | 2022-05-05 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及系统 |
CN115147596A (zh) * | 2022-09-06 | 2022-10-04 | 南通鼎彩新材料科技有限公司 | 用于热收缩管生产工艺的辐照剂量控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103705258A (zh) * | 2013-11-19 | 2014-04-09 | 江苏康众数字医疗设备有限公司 | 一种成像设备的自动曝光控制方法及装置 |
CN104146724A (zh) * | 2014-08-29 | 2014-11-19 | 重庆邮电大学 | 一种数字x光机自动曝光控制方法及装置 |
CN105411614A (zh) * | 2015-12-11 | 2016-03-23 | 沈阳东软医疗系统有限公司 | 平板探测器的曝光剂量的确定方法、装置及设备 |
CN106413236A (zh) * | 2016-09-08 | 2017-02-15 | 沈阳东软医疗系统有限公司 | 一种曝光参数调整方法和装置 |
CN106952244A (zh) * | 2017-03-28 | 2017-07-14 | 中航视嘉(北京)技术有限公司 | 一种图像亮度的自动调整方法及装置 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN108056784A (zh) * | 2017-12-01 | 2018-05-22 | 上海奕瑞光电子科技股份有限公司 | 一种数字x射线放射系统、自动曝光控制方法及系统 |
CN110766000A (zh) * | 2019-09-29 | 2020-02-07 | 深圳市安健科技股份有限公司 | 自动曝光控制方法及计算机可读存储介质 |
-
2020
- 2020-05-22 CN CN202010439423.9A patent/CN111568451A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103705258A (zh) * | 2013-11-19 | 2014-04-09 | 江苏康众数字医疗设备有限公司 | 一种成像设备的自动曝光控制方法及装置 |
CN104146724A (zh) * | 2014-08-29 | 2014-11-19 | 重庆邮电大学 | 一种数字x光机自动曝光控制方法及装置 |
CN105411614A (zh) * | 2015-12-11 | 2016-03-23 | 沈阳东软医疗系统有限公司 | 平板探测器的曝光剂量的确定方法、装置及设备 |
CN106413236A (zh) * | 2016-09-08 | 2017-02-15 | 沈阳东软医疗系统有限公司 | 一种曝光参数调整方法和装置 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN106952244A (zh) * | 2017-03-28 | 2017-07-14 | 中航视嘉(北京)技术有限公司 | 一种图像亮度的自动调整方法及装置 |
CN108056784A (zh) * | 2017-12-01 | 2018-05-22 | 上海奕瑞光电子科技股份有限公司 | 一种数字x射线放射系统、自动曝光控制方法及系统 |
CN110766000A (zh) * | 2019-09-29 | 2020-02-07 | 深圳市安健科技股份有限公司 | 自动曝光控制方法及计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111991704A (zh) * | 2020-08-28 | 2020-11-27 | 深圳大学 | 一种基于光动力治疗系统的治疗方法及光动力治疗系统 |
WO2022089626A1 (en) * | 2020-10-30 | 2022-05-05 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
CN114463294A (zh) * | 2022-01-24 | 2022-05-10 | 北京唯迈医疗设备有限公司 | 一种x射线机自动计量控制方法及系统 |
CN115147596A (zh) * | 2022-09-06 | 2022-10-04 | 南通鼎彩新材料科技有限公司 | 用于热收缩管生产工艺的辐照剂量控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694086B2 (en) | Systems and methods for detecting region of interset in image | |
US10489907B2 (en) | Artifact identification and/or correction for medical imaging | |
US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
CN107545309B (zh) | 使用深度生成机器学习模型的图像质量评分 | |
US9684961B2 (en) | Scan region determining apparatus | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
CN109060849B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
CN113689342A (zh) | 一种图像质量优化的方法及系统 | |
US11854232B2 (en) | Systems and methods for patient positioning | |
US11672496B2 (en) | Imaging systems and methods | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
US20220092787A1 (en) | Systems and methods for processing x-ray images | |
US20240104705A1 (en) | Systems and methods for image correction | |
US11565129B2 (en) | Binary tracking of an anatomical tracking structure on medical images | |
CN116547699A (zh) | 一种用于放射治疗中的临床靶标勾画方法 | |
CN113538419B (zh) | 一种图像处理方法和系统 | |
US20230342974A1 (en) | Imaging systems and methods | |
Al-Dhamari et al. | Automatic cochlear multimodal 3D image segmentation and analysis using atlas–model-based method | |
US20230206454A1 (en) | Systems and methods for feature information determination | |
WO2023020609A1 (en) | Systems and methods for medical imaging | |
US20240242312A1 (en) | Methods and systems for image processing | |
US20220378383A1 (en) | Target area determination method and medical imaging system | |
CN115330896A (zh) | 金属物体识别方法、系统及装置 |
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 |