CN112150574B - 一种图像伪影自动校正方法、系统、装置及存储介质 - Google Patents
一种图像伪影自动校正方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN112150574B CN112150574B CN202011068529.9A CN202011068529A CN112150574B CN 112150574 B CN112150574 B CN 112150574B CN 202011068529 A CN202011068529 A CN 202011068529A CN 112150574 B CN112150574 B CN 112150574B
- Authority
- CN
- China
- Prior art keywords
- reconstructed image
- artifact
- target object
- image
- scan data
- 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
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
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/428—Real-time
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例公开了一种图像伪影自动校正方法、系统、装置及存储介质。所述方法实现于医学成像设备。所述方法包括:获取目标对象的第一重建图像;确定所述第一重建图像中是否包含伪影;响应于所述第一重建图像中包含伪影,通过至少一次迭代确定所述目标对象的目标重建图像。每一次迭代包括:通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像;确定所述第二重建图像中是否包含伪影;响应于所述第二重建图像中不包含伪影或包含的伪影满足预设容忍条件,获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像;响应于所述第二重建图像包含的伪影不满足预设容忍条件,执行下一轮次迭代。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像伪影自动校正方法、系统、装置及存储介质。
背景技术
近年来,随着医学影像的发展,成像技术越来越成熟,医学成像设备(例如CT设备)等应用越来越广泛,例如,疾病筛查。
目前,通过医学成像设备扫描生成的医学图像或多或少的存在伪影,伪影的存在可能会误导基于医学图像的疾病诊断,从而出现漏诊或者错诊等情况。因此,希望可以提供一种快速去除伪影的方法,快速检测且去除医学图像中的伪影,以确保生成的医学图像中的伪影尽可能的减少甚至不存在,提高疾病诊断的准确性以及效率。
发明内容
本申请实施例之一提供一种图像伪影自动校正方法,所述方法实现于医学成像设备,所述方法包括:获取目标对象的第一重建图像;确定所述第一重建图像中是否包含伪影;响应于所述第一重建图像中包含的伪影不满足预设容忍条件,通过至少一次迭代确定所述目标对象的目标重建图像,其中,所述至少一次迭代中的每一次包括:通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像;确定所述第二重建图像中是否包含伪影;响应于所述第二重建图像中不包含伪影或包含的伪影满足所述预设容忍条件,获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像;其中,所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据;响应于所述第二重建图像包含的伪影不满足所述预设容忍条件,执行下一轮次迭代。
本申请实施例之一提供一种图像伪影自动校正系统,所述系统包括:第一获取模块,用于获取目标对象的第一重建图像;第一确定模块,用于确定所述第一重建图像中是否包含伪影;第二确定模块,用于响应于所述第一重建图像中包含的伪影不满足预设容忍条件,通过至少一次迭代确定所述目标对象的目标重建图像,其中,所述至少一次迭代中的每一次包括:通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像;确定所述第二重建图像中是否包含伪影;响应于所述第二重建图像中不包含伪影或包含的伪影满足所述预设容忍条件,获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像;其中,所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据;响应于所述第二重建图像包含的伪影不满足所述预设容忍条件,执行下一轮次迭代。
本申请实施例之一提供一种图像伪影自动校正装置,包括处理器,所述处理器用于执行图像伪影自动校正方法。
本申请实施例之一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,计算机执行以上所述任意一种图像伪影自动校正方法。
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图像伪影自动校正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图像伪影自动校正方法的示例性流程图;
图3是根据本申请一些实施例所示的获取所述目标对象在当前迭代轮次中的第二重建图像的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用于图像伪影自动校正的处理设备的模块图;
图5是根据本申请一些实施例所示的包括运动伪影的示例性扫描预览图;以及
图6是根据本申请一些实施例所示的包括金属伪影的示例性扫描预览图。
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。
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。
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。
目前,医学成像设备(例如,X射线成像设备例如CT、磁共振成像设备例如MRI、超声成像设备例如US、核医学成像设备例如PET等)通常会提供预览图功能。预览图可以是一个低分辨率的快速重建图像,医学成像设备的操作者例如医生可以通过预览图确定与扫描过程相关的信息,例如,扫描位置是否正确、扫描获得的扫描对象比如患者的状态信息(例如,患者的身体特征是否平稳、患者的摆位是否发生变化)是否正确等。预览图还可以在一定程度上反映最终的重建图像的质量,这可以为医生提供一个参考。例如,医生可以通过预览图来判断根据原始扫描数据进行重建是否会导致重建图像中出现伪影,从而决定所述原始扫描数据是否可用,或者是否对所述原始扫描数据进行处理(例如,去伪影操作)。
同时,医学成像设备也会提供去伪影功能。医学成像设备的操作者例如医生可以根据需求自行的选择是否执行去伪影操作。另外,某些医学成像设备中的去伪影功能是必选的。即成像过程中都会执行去伪影操作。但去伪影操作通常需要花费较长时间,倘若不加分别的执行去伪影操作,将会导致整个扫描过程的出图相对较慢,甚至慢到用户无法接受。同时,对于存在伪影的情况,执行去伪影操作能够很好的去除伪影。但对于本就不存在伪影的情况,执行去伪影操作可能会产生副作用。例如,直接根据原始扫描数据进行重建得到的重建图像中可能不会存在伪影,但是如果在重建过程中执行了去伪影操作,最终得到的重建图像中反而出现了伪影,影响图像质量。
本申请所披露的技术方案,将以上两种孤立的,无联系的功能进行结合。可以通过预览图实时的监控扫描所得到的原始扫描数据是否会导致最终的重建图像中出现伪影。并针对可能出现伪影的情况自动地在图像重建过程中执行去伪影操作。
图1是根据本申请一些实施例所示的图像伪影自动校正系统的应用场景示意图。图像伪影自动校正系统100可以用于医疗领域。例如,图像伪影校正系统100可以对医学图像进行是否存在伪影的识别判断,并根据判断结果自动地调用(或不调用)相应的去伪影模块执行去伪影操作。图像伪影自动校正系统100可以自动地快速检测且去除医学图像中的伪影,确保生成的医学图像中的伪影尽可能减少甚至不存在,提高图像质量,进而提高疾病诊断的准确性以及效率。
图像伪影自动校正系统100可以是用于医疗系统平台。例如,该图像伪影自动校正系统100可以用于医学影像平台。图像伪影自动校正系统100可以包含处理设备110、网络120、医学成像设备130和存储设备140。处理设备110可包含处理设备。
在一些实施例中,处理设备110可以用于对医学成像设备130生成的快速重建图像例如预览图进行是否存在伪影的识别判断,并根据判断结果自动化的调用(或不调用)相应的去伪影模块。例如,处理设备110可以确定第一重建图像中是否包含伪影,并根据是否包含伪影结果执行或者不执行去伪影操作。处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如:处理设备110可以是分布式系统)。在一些实施例中该处理设备110可以是区域的或者远程的。例如,处理设备110可通过网络访问存储于医学成像设备130、存储设备140中的信息和/或资料。在一些实施例中,处理设备110可直接与医学成像设备130、存储设备140直接连接以访问存储于其中的信息和/或资料。在一些实施例中,处理设备110可在云平台上执行。例如,该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中,处理设备110可包含一个或多个子处理设备(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理设备可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进数据和/或信息的交换,数据和/或信息可以包括医学成像设备130发送给处理设备110一个或多个医学图像。在一些实施例中,图像伪影自动校正系统100中的一个或多个组件(医学成像设备130、存储设备140)可通过网络120发送数据和/或信息给图像伪影自动校正系统100中的其他组件。在一些实施例中,网络120可是任意类型的有线或无线网络。例如,公共网络(例如,因特网)、专用网络(例如,局部区域网络(LAN)、广域网(WAN)等)、有线网络(例如,以太网网络)、无线网络(例如,Wi-Fi网络、Li-Fi网络等)、蜂窝网络(例如,长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、紫蜂TM网络、近场通信(NFC)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、窄带物联网(NB-IoT)、红外通信等或其任何组合。在一些实施例中,网络120可包括一个或多个网络接入点。例如,网络120可包含有线或无线网络进出点,如基站和/或网际网络交换点120-1、120-2、…,通过这些进出点,图像伪影自动校正系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
医学成像设备130可以是一种具有生成医学图像功能的医疗设备,可以包括计算机X线摄影仪(CR)、数字化X线摄影仪(DR)、计算机断层扫描仪(CT)、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)、发射型计算机断层扫描仪(ECT)、磁共振成像设备(MRI)、超声成像设备(Ultrasound)等中的一种或任意组合。医学成像设备130可以对扫描对象进行扫描,以获取扫描数据。医学成像设备130也可以基于扫描数据执行图像重建操作,得到扫描对象的重建图像。在一些实施例中,医学成像设备130可包括具有发送数据功能的装置。例如,在对患者进行扫描时或扫描结束后,将所获取的扫描数据或基于扫描数据生成的重建图像发送给处理设备110。在一些实施例中,医学成像设备130可以通过网络120将数据发送给处理设备110。在一些实施例中,医学成像设备130可以直接发送数据至处理设备110。
存储设备140可以存储数据(例如,对扫描对象的扫描数据)、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从处理设备110、和/或医学成像设备130处获得的数据,例如,存储设备140可以存储从医学成像设备130获得的扫描对象的扫描数据。在一些实施例中,存储设备140可以存储处理设备110执行或使用的数据和/或指令,以执行本申请中描述的示例性方法。在一些实施例中,存储设备130可包括大容量存储器、可移除存储器、易失性读写存储器、只读存储器(ROM)等其中一种或几种的组合。大容量存储可以包括磁盘、光盘、固态硬盘、移动存储等。可移除存储器可以包括闪存驱动器、软盘、光盘、存储卡、ZIP磁盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态随机存储器(DRAM)、双数据率同步动态随机存取存储器(DDR-SDRAM)、静态随机存取存储器(SRAM)、可控硅随机存取存储器(T-RAM)、零电容随机存取存储器(Z-RAM)等。ROM可以包括掩模只读存储器(MROM)、可编程的只读存储器(PROM)、可擦除可编程只读存储器(EPROM),电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)、数字多功能光盘等。在一些实施例中,存储设备150可以通过本申请中描述的云平台实现。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、跨云、多云等其中一种或几种的组合。
在一些实施例中,存储设备140可与网络120连接以与系统100的一个或多个组件(例如,处理设备110、医疗成像设备130等)通讯。图像伪影自动校正系统100的一个或多个组件可通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中,存储设备140可直接与图像伪影自动校正系统100中的一个或多个组件(例如,处理设备110、医学成像设备130等)连接或通讯。在一些实施例中,存储设备140可以是处理设备110的一部分。
图2是根据本申请一些实施例所示的图像伪影自动校正的方法的示例性流程图。在一些实施例中,流程200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2所示的用于图像伪影自动校正的流程200中的一个或多个操作可以通过图1所示的处理设备110实现。例如,流程200可以以指令的形式存储在存储设备140中,并由处理设备110执行调用和/或执行。在一些实施例中,流程200可以由处理设备400执行。如图2所示,流程200可以包括以下操作。
步骤202,获取目标对象的第一重建图像。所述步骤可由第一获取模块410执行。
在一些实施例中,所述目标对象可以包括使用医学图像设备(例如,医学成像设备130)进行扫描的对象。例如,所述目标对象可以包括患者或者患者的至少一部分,例如,组织、器官等。在一些实施例中,可以利用医学成像设备130对目标对象进行扫描后得到医学图像以对目标对象进行医疗诊断。
在一些实施例中,医学成像设备130可以对所述目标对象执行扫描过程以获取原始扫描数据。在一些实施例中,所述扫描过程可以包括一次或多次扫描。在一些实施例中,所述原始扫描数据可以包括医学成像设备130在所述扫描过程中获取的与所述目标对象相关的数据。例如,所述原始扫描数据可以包括医学成像设备130在MR扫描过程中获取的与目标对象相关的MR信号(例如,回波信号)。又例如,所述原始扫描数据可以包括医学成像设备130在CT扫描过程中获取的与目标对象相关的投影数据。再例如,所述原始扫描数据可以包括医学成像设备130在ECT(例如,PET或SPECT)扫描过程中获取的与目标对象相关的光子信息。
在一些实施例中,所述第一重建图像可以包括基于与目标对象相关的原始扫描数据重建后得到的图像,例如,基于医学成像设备130在所述扫描过程中获取的全部或部分原始扫描数据得到的目标对象的重建图像。在一些实施例中,用于生成第一重建图像的原始扫描数据可以被称为第一扫描数据。所述第一扫描数据可以包括至少一部分原始扫描数据。
在一些实施例中,所述第一重建图像可以至少包括目标对象的扫描预览图。在一些实施例中,所述扫描预览图可以具有分辨率低和/或重建速度快等特点。在一些实施例中,所述扫描预览图可以用于确定与扫描过程相关的信息。在一些实施例中,可以基于目标对象的扫描预览图判断在扫描过程中目标对象比如患者的扫描位置是否合适(例如,目标对象是否位于医学成像设备130的成像视野(FOV)中)、扫描获取到患者的状况信息(例如,患者的身体特征是否平稳、患者的摆位是否发生变化)是否正常、是否可以接受所述扫描过程(例如,扫描过程中获取的至少一部分原始扫描数据是否可以用于重建生成目标重建图像)等。在一些实施例中,由于扫描预览图是根据在扫描过程中获取的全部或部分原始扫描数据经过图像重建操作后得到的,因此扫描预览图可以包括原始扫描数据中包含的信息,例如,伪影。因此扫描预览图可以反映最终的重建图像的质量。例如,可以通过扫描预览图来判断根据原始扫描数据进行重建是否会导致最终得到的重建图像中出现伪影,从而决定至少一部分原始扫描数据是否可用,或者是否对至少一部分原始扫描数据进行处理(例如,去伪影操作)。
在一些实施例中,扫描过程结束后,第一获取模块410可以获取第一扫描数据,并根据第一扫描数据生成扫描预览图。在一些实施例中,在扫描过程中,第一获取模块410可以根据不断获取的原始扫描数据实时生成或更新扫描预览图,并根据实时生成或更新扫描预览图实时监控与扫描过程相关的信息。
在一些实施例中,第一获取模块410可获取所述目标对象的第一扫描数据,并基于所述第一扫描数据重建所述扫描预览图。在一些实施例中,所述第一扫描数据可以包括整个扫描过程中任一时间段内获取的原始扫描数据。在一些实施例中,所述第一扫描数据可以包括整个扫描过程中获取的所有原始扫描数据的一部分。例如,对目标对象执行的扫描过程的扫描时长是从扫描开始时刻A到扫描结束时刻B。扫描时刻C为扫描开始时刻A到扫描结束时刻B之间的任意一个时刻。则所述第一扫描数据可以包括医学成像设备例如医学成像设备130从扫描开始时刻A到扫描时刻C这一段时长中获取的原始扫描数据。又例如,时刻D和时刻E是从扫描开始时刻A到扫描结束时刻B这一扫描时长中的两个扫描时刻,时刻D在时刻E之前。所述第一扫描数据可以包括医学成像设备例如医学成像设备130在从时刻D到时刻E这一扫描时长中获取的原始扫描数据。在一些实施例中,所述第一扫描数据可以包括整个扫描过程中获取的所有原始扫描数据。例如,继续参考以上示例,所述第一扫描数据可以包括医学成像设备例如医学成像设备130从扫描开始时刻A到扫描结束时刻B这一整个扫描时长中获取的所有原始扫描数据。在一些实施例中,所述第一扫描数据可以随着扫描过程的进行而发生变化。例如,第一扫描数据可以包含扫描过程中从任一时刻(例如,扫描过程的开始时刻)到当前扫描时刻这一时间段内所生成的原始扫描数据。随着扫描时间的推移,第一扫描数据所包含的数据量可以越来越多。第一获取模块410可以根据实时变化的第一扫描数据实时生成或更新扫描预览图。在一些实施例中,所述原始扫描数据可以被存储至存储设备(例如,处理设备110自带的存储设备或外接存储设备比如存储设备140)中。第一获取模块410可以通过与该存储设备进行通信以获取所述第一扫描数据。在一些实施例中,第一获取模块410可以从医学成像设备130获取所述第一扫描数据。
在一些实施例中,在获取所述第一扫描数据后,第一获取模块410可以使用重建算法基于第一扫描数据重建所述扫描预览图。所使用的重建算法可以包括解析算法例如滤波反投影法、迭代算法例如OS-EM、基于机器学习的重建算法例如基于深度神经网络的重建算法、快速重建算法等。
在一些实施例中,随着扫描过程的进行,第一获取模块410可以生成不同的扫描预览图。例如,第一获取模块410可以根据不断获取的原始扫描数据对扫描预览图进行实时更新。这样,与扫描过程相关的信息可以通过扫描预览图实时的反映,从而达到自动监控扫描过程的目的。例如,可以通过实时更新的扫描预览图自动地判断目标对象的最终的重建图像中是否包含伪影。又例如,可以根据判断结果自动地执行不同的操作(例如,是否在生成最终的重建图像的过程中执行去伪影操作)。
步骤204,确定所述第一重建图像中是否包含伪影。所述步骤可由第一确定模块420执行。
在一些实施例中,在扫描过程中,由于目标对象自身(例如患者的自主运动比如身体移动或不自主运动比如呼吸、心跳等)或外部原因(例如,患者在扫描过程中佩戴了或身体内植入了影响扫描的外来物比如金属),或是医学成像设备的组件原因,得到的目标对象的最终的重建图像中可能会出现伪影。伪影的存在可能会影响医学诊断的结果。在一些实施例中,可以利用所述第一重建图像(例如,一个或多个扫描预览图)判断最终的重建图像中是否可能出现伪影。
在一些实施例中,第一确定模块420可以基于伪影判定算法,判断所述第一重建图像中是否包含伪影。所述伪影判定算法可以包括基于图像形态学的判定算法、基于图像像素值的判定算法、或机器学习算法等或其任意组合。作为示例,第一确定模块420可以使用基于图像形态学的判定算法,确定第一重建图像中的目标对象的形态是否正常,和/或是否包含有本不属于目标对象的部分。比如,第一确定模块420可以使用基于图像形态学的判定算法,确定第一重建图像中存在不规则条形,且该条形延伸至目标对象的空气区域。第一确定模块420可以根据所述确定结果,确定第一重建对象中存在伪影。参考图5,图5是根据本申请一些实施例所示的包括运动伪影的示例性扫描预览图。如图5所示,黑色区域可以是空气区域。图5中的白色箭头所指示的可以是不规则条形。当第一确定模块420判定所述第一重建图像中出现如图5所示的情况,则可以进一步确定第一重建图像中存在伪影,例如,运动伪影。
作为另一示例,第一确定模块420可以使用基于图像像素值的判定算法,对第一重建图像中的至少一个像素的像素值进行分析以确定第一重建图像是否包含伪影。例如,第一重建图像中的每个像素的像素值(或灰度值)可以被转换为CT值。第一确定模块420可以通过对CT值大小的判定,例如是否超过阈值比如3000HU,以及对这些超过阈值的像素的分布情况进行判定,例如是否属于离散点,可以判定第一重建图像中是否包含伪影。比如在第一重建图像中,CT值超过3000HU的像素的分布为非离散点,第一确定模块420可以确定第一重建图像中包含伪影。参考图6,图5是根据本申请一些实施例所示的包括金属伪影的示例性扫描预览图。如图6所示,图6中白色箭头所指示的白色圆圈内的像素点对应的CT值超过了3000HU,呈现出亮光且连接成片,属于非离散点。当第一确定模块420判定所述第一重建图像中出现如图6所示的情况,则可以进一步确定第一重建图像中存在伪影,例如,金属伪影。
作为再一示例,第一确定模块420可以使用机器学习算法例如机器学习模型(比如用于分类的人工神经网络模型)直接处理第一重建图像,以得到第一重建图像中是否包含有伪影的判定。例如,机器学习模型可以是预先经过训练的。包含有伪影的图像以及不包含伪影的图像可以分别作为训练的正负样本,同时为每个样本标记正确的标签(例如,可以包括是否含有伪影,伪影的类型,伪影在图像中的位置,伪影的大小,伪影的轮廓,伪影对应的像素值等)。利用训练样本进行模型训练得到用于判断图像中是否存在伪影的机器学习模型。第一确定模块420可以将所述第一重建图像输入至训练好的机器学习模型中,由机器学习模型对第一重建图像是否包含伪影进行判断,并输出是否包含伪影和/或伪影类型的判断结果。应当注意的是,以上关于判断第一重建图像中是否存在伪影的示例仅出于说明的目的,并不旨在限定本申请的保护范围。
在一些实施例中,所述伪影判定算法可以是预先设定的。例如,所述伪影判定算法可以是以可执行逻辑或指令或程序编码的形式预先存储在处理设备110或处理设备400的内置存储器或外接存储设备比如存储设备140中。当需要判断第一重建图像中是否存在伪影时,第一确定模块420可以通过与处理设备110处理设备或400的内置存储器或外接存储设备进行通信以调用所述伪影判定算法。
在一些实施例中,第一确定模块420可以根据当前获取的原始扫描数据实时更新第一重建图像(例如扫描预览图)。例如,扫描过程中的任意时刻所得到的第一重建图像(例如扫描预览图)都可以被执行伪影判定操作。这样可以实时监控当前获取的原始扫描数据是否会导致最终的重建图像中存在伪影。
步骤206,响应于所述第一重建图像中包含的伪影不满足预设容忍条件,通过至少一次迭代确定所述目标对象的目标重建图像。该步骤可由第二确定模块430执行。
当第一确定模块420判断第一重建图像(例如,扫描预览图)中存在伪影时,那么根据扫描过程中获取的原始扫描数据重建得到的最终的重建图像中也可能会包含有伪影。而伪影的存在会影响最终的重建图像的质量,从而影响医学诊断的正确性。因此,当第一确定模块420判断所述第一重建图像中包含的伪影不满足预设容忍条件时,第二确定模块430可以通过执行至少一次迭代操作以确定所述目标重建图像。在目标重建图像的生成过程中,可以执行去伪影操作,以生成图像质量更高的目标重建图像。所述预设容忍条件可以包括所包含的伪影在图像中所占比例小于第一预设阈值、伪影对应的像素的像素值小于第二预设阈值等。满足预设容忍条件可以认为即便图像中存在伪影,也不影响后续的正常使用。
在一些实施例中,所述至少一次迭代中的每一次可以包括以下操作。
在一些实施例中,第二确定模块430可以通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像。第二确定模块430可以使用重建算法基于所有的原始扫描数据的一部分(例如,包括了所述第一扫描数据的一部分)重建生成所述第二重建图像。所使用的重建算法可以包括解析算法例如滤波反投影法、迭代算法例如OS-EM、基于机器学习的重建算法例如基于深度神经网络的重建算法等。在获取所述第二重建图像的过程中,第二确定模块430可以执行去伪影操作。例如,第二确定模块430可以使用校正算法,对所有的原始扫描数据进行前校正后,使用校正后的扫描数据进行重建以得到所述第二重建图像。或者,第二获取模块430可以对利用原始扫描数据得到的中间重建图像进行后校正,以得到第二重建图像。在一些实施例中,所述校正算法可以是预先设定的。例如,所述校正算法可以是以可执行逻辑或指令或程序编码的形式预先存储在处理设备110或处理设备400的内置存储器或外接存储设备比如存储设备140中。当需要执行去伪影操作时,第二确定模块430可以通过与处理设备110或处理设备400的内置存储器或外接存储设备进行通信以调用所述校正算法。在一些实施例中,第二确定模块430可以根据第一重建图像(例如,扫描预览图)以及当前迭代轮次的上一迭代轮次中的第二重建图像是否存在伪影的判定,自动地在当前迭代轮次中生成第二重建图像的过程中选择执行或不执行去伪影操作,无需人工干预。
关于获取目标对象在当前迭代轮次中的第二重建图像的详细描述请参照流程300,在此不做赘述。
在一些实施例中,第二确定模块430可以确定所述第二重建图像中是否包含伪影。可以理解的是,即使在当前迭代轮次中生成所述第二重建图像的过程中执行了去伪影操作,所述第二重建图像也不能完全保证不存在伪影。这可能是因为重建所使用的扫描数据(例如,第二扫描数据)本身就包含太多噪音,即使在生成所述第二重建图像的过程中执行了去伪影操作也无法完全去除这些噪音,也可能是用于执行去伪影操作的校正算法的设计和适配的原因。若在当前迭代轮次中的第二重建图像中仍然存在伪影,则会对其后续的使用产生影响。例如,所使用的去伪影操作采用的算法不适配或效果不佳导致后续生成的目标重建图像中还会包含伪影。而目标重建图像可能用于医疗诊断,存在伪影将会影响诊断结果。因此,第二确定模块430可以确定在当前迭代轮次中的所述第二重建图像中是否包含伪影。在一些实施例中,第二确定模块430可以基于伪影判定算法,确定在当前迭代轮次中的第二重建图像是否包含伪影。关于伪影判定算法的详细描述,可以参照步骤204中的相关描述。在此不再赘述。
在一些实施例中,响应于在当前迭代轮次中的第二重建图像中不包含伪影或包含的伪影满足预设容忍条件,第二确定模块430可以获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像。当确定在当前迭代轮次中的第二重建图像中不包含伪影或包含的伪影满足预设容忍条件时,可以认为在生成当前迭代轮次中的第二重建图像时,自动调用的去伪影算法可以很好的去除伪影。也就是说,所自动调用的去伪影算法可以对由目标对象在扫描过程中产生的扫描数据重建得到的图像中存储在伪影进行去除。因此,第二确定模块430可以基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像。所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据,如步骤202中所描述的。所述去伪影操作中所调用的去伪影算法(或校正算法),可以包括在当前迭代轮次以及在当前迭代轮次之前的所有迭代轮次中所执行的去伪影操作所涉及的去伪影算法(或校正算法)。此时,第二确定模块430所得到的重建图像,可以被指定为所述目标对象的目标重建图像。该目标重建图像可以被用于后续的医学诊断操作。
在一些实施例中,当当前迭代轮次中的第二重建图像包含的伪影不满足预设容忍条件时,可以认为在得到第二重建图像过程中所使用的去伪影算法(或校正算法)不匹配或效果不佳,需要重新进行判定。因此,以上迭代可以进行下一轮,直至获得所述目标重建图像。
本申请所披露的技术方案,可以在扫描到成像的过程中,利用第一重建图像(例如,扫描预览图)对扫描过程进行实时的监控,用以判定扫描过程中获取的原始扫描数据是否会导致最终得到的重建图像中存在伪影,并在可能导致伪影的情况下自动调用校正算法,在图像重建的过程中执行去伪影操作。本申请所披露的技术方案,将基于扫描预览图的伪影判定和自动调用校正算法结合起来,可以基于扫描预览图的伪影判定自动调用校正算,用以在图像重建的过程中执行去伪影操作,减少了人工干预,提升了用户体验度。
在一些实施例中,在步骤204中,若第一确定模块420判断所述第一重建图像中不包含伪影或包含的伪影满足所述预设容忍条件,处理设备400(或第三确定模块440)可以获取目标对象的原始扫描数据。在一些实施例中,当第一重建图像中不包含伪影,可以理解成基于扫描过程得到的原始扫描数据生成的最终的重建图像中也可能不包含伪影。所述原始扫描数据可以包括针对所述目标对象执行扫描过程所获取的全部扫描数据。第三确定模块440可以基于所述原始扫描数据,获取目标对象的目标重建图像。第三确定模块440可以基于所述原始扫描数据,利用重建算法重建以得到所述目标重建图像。所使用的重建算法可以包括解析算法例如滤波反投影法、迭代算法例如OS-EM、基于机器学习的重建算法例如基于深度神经网络的重建算法、快速重建算法等。
在另一些实施例中,若第二确定模块430判断在所述至少一次迭代轮次中的所有第二重建图像中包含伪影,处理设备400(或提醒模块450)可以生成提醒信息。若经过去伪影操作后第二重建图像中仍然存在伪影,则说明去伪影操作中所用的去伪影算法(或校正算法)不能很好的去除基于目标对象的在扫描过程中得到的扫描数据生成的重建中伪影或者是由于目标对象的自身原因、或医学成像设备出现异常等所导致伪影无法去除。此时,提醒模块470可以生成提醒信息。所述提醒信息可以包括用于提醒医学成像设备例如医学成像设备130的操作者例如医生重新进行扫描、和/或检查医学成像设备。提醒模块470还可以在所述提醒信息生成后播报所述提醒信息。例如,通过语音、声光、显示屏显示图片、视频、文本等或其任意组合的方式对提醒信息进行播报。
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流程200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3是根据本申请一些实施例所示的获取所述目标对象在当前迭代轮次中的第二重建图像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2所示的用于图像伪影自动校正的流程300中的一个或多个操作可以通过图1所示的处理设备110实现。例如,流程200可以以指令的形式存储在存储设备140中,并由处理设备110执行调用和/或执行。在一些实施例中,流程200可以由处理设备400(例如,第二确定模块430)执行。如图3所示,流程300可以包括以下操作。
步骤302,确定所述第一重建图像以及前续迭代轮次中的第二重建图像中所包含的伪影所属的至少一种伪影类型。
在一些实施例中,所述第一重建图像中所包含的伪影以及前续迭代轮次中的第二重建图像,由于形成原因的不同,可以分属于不同的伪影类型。例如,当目标对象例如患者在扫描过程中移动将会导致运动伪影的产生。又例如,当目标对象佩戴有外来物例如金属手表、金属腰带等,或植入有外来物例如目标对象由于骨折治疗被植入钢钉等会导致金属伪影的产生。不同类型的伪影对应的处理方法例如用于执行去伪影操作的校正算法是不一样的。因此,第二确定模块430首先确定所述第一重建图像以及前续迭代轮次中的第二重建图像中所包含的伪影所属的至少一种伪影类型。在一些实施例中,在利用伪影判断算法确定第一重建图像中是否包含的伪影的过程中可以同时确定伪影所属的伪影类型。作为示例,在使用基于图像形态学的判定算法时,当确定第一重建图像以及前续迭代轮次中的第二重建图像中存在不规则条形,且该条形延伸至目标对象的空气区域时,可以判定第一重建图像以及前续迭代轮次中的第二重建图像中存在伪影,该伪影属于运动伪影。又例如,在使用基于图像像素值的判定算法时,当确定第一重建图像中的像素对应的CT值中存在超阈值(例如超过3000HU)且这些像素的分布为非离散情况时,可以判定第一重建图像以及前续迭代轮次中的第二重建图像中存在伪影,该伪影属于金属伪影。还例如,在使用机器学习算法例如机器学习模型(比如用于分类的人工神经网络模型)时,可以对训练样本添加标签例如添加伪影的类型,这样,训练后得到的模型在处理第一重建图像以及前续迭代轮次中的第二重建图像时可以输出伪影所属的类型。
步骤304,基于所述至少一种伪影类型中的每一个伪影类型,获取对应的校正算法。
对于一种特定类型的伪影,适配的校正算法对于消除伪影的作用较大。例如,针对运动伪影的校正算法可以很好的校正运动伪影。而对于金属伪影,针对运动伪影的校正算法在校正效力上有所欠缺。因此,需要选择与伪影类型对应的校正算法。在一些实施例中,处理设备例如处理设备110或处理设备400的内置存储器或外接存储设备比如存储设备140中可以存储有针对多种伪影类型的校正算法。例如,校正算法以可执行逻辑或指令或程序编码的形式进行存储。第二确定模块430可以根据步骤302中确定的伪影类型,从存储装置(例如,处理设备110或处理设备400的内置存储器或外接存储设备比如存储设备140)中获取对应于每个伪影类型的校正算法。例如,若所述第一重建图像中包含有运动伪影,则第二确定模块430可以获取针对于运动伪影的校正算法。若所述第一重建图像中包含有金属伪影,则第二确定模块430可以获取针对于金属伪影的校正算法。
可以理解,在当前迭代轮次的前续迭代轮次中,根据伪影类型所选择的校正算法并没有很好的达到去伪影效果。而对于同一种伪影,处理设备例如处理设备110或处理设备400的内置存储器或外接存储设备比如存储设备140可以存储有多种对应的去伪影算法。因此,在当前迭代轮次中,第二确定模块430可以获取与前续迭代轮次中所使用的校正算法不同的校正算法,来进行后续步骤,例如,去伪影操作。
步骤306,获取所述目标对象的第二扫描数据。
在一些实施例中,所述第二扫描数据可以包括针对目标对象的扫描过程中,从扫描开始至扫描结束由医学成像设备例如医学成像设备130所生成的所有的原始扫描数据。所述第二扫描数据也可以包括以上所有的原始扫描数据的一部分,其可以包括所述第一扫描数据。
在一些实施例中,所述第一扫描数据可以包括第二扫描数据的至少一部分。可以理解,第一扫描数据可以用于生成第一重建图像(例如,扫描预览图),第一重建图像可以用于实时地判定原始扫描数据是否会导致最终获得的重建图像中包含伪影,而并非用于医学目的,例如医学诊断。因此,可以在扫描的进行过程中基于已有的原始扫描数据作为第一扫描数据。而第二扫描数据可以被用于生成目标重建图像,目标重建图像可以被用于医学目的,例如,医学诊断。或者,第二扫描数据可以用于在一个迭代轮次中作为确定执行去伪影操作时所调用的去伪影算法(或校正算法)是否适配或去伪影效果是否满足要要求。
在一些实施例中,在扫描过程结束后,第二确定模块430可以获取在该扫描过程中目标对象的所有相关的原始扫描数据作为所述第二扫描数据。第二确定模块430也可以选取所述原始扫描数据中包含第一扫描数据中的一部分作为所述第二扫描数据。在一些实施例中,第二确定模块430可以获取与前续迭代轮次中用于确定第二重建图像的扫描数据不同的第二扫描数据。例如,当前迭代轮次中所获取的第二扫描数据可以包括前续迭代轮次中所获取的第二扫描数据。
步骤308,利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像。
在一些实施例中,第二确定模块430可以基于校正算法对第二扫描数据执行去伪影操作,获取第三扫描数据。对于第二扫描数据的去伪影操作可以属于前校正。作为示例,第二确定模块430可以通过适配于所需校正的伪影类型的校正表,对第二扫描数据进行校正,得到校正后的扫描数据,即第三扫描数据。又例如,第二确定模块430可以基于投影正弦图对第二扫描数据进行校正。在一些实施例中,在对第二扫描数据校正完毕后,第二确定模块430可以基于第三扫描数据进行重建,得到所述第二重建图像。所使用的重建算法在本申请其他部分可以找到,例如,图2,在此不再赘述。
在一些实施例中,第二确定模块430可以通过对第二扫描数据进行重建获取第四重建图像,并利用校正算法对第四重建图像执行去伪影操作,获取第二重建图像。第四重建图像可以是包含有伪影的图像,对其执行去伪影操作可以属于后校正。作为示例,对于环状伪影,第二确定模块430可以通过坐标转换将直角坐标系中的环状伪影变为极坐标中的线状伪影进行处理以达到校正的目的。对第四重建图像校正完毕后可得到所述第二重建图像。
在一些实施例中,当第一重建图像以及前续迭代轮次中的第二重建图像中存在多个类型的伪影时,第二确定模块430可以按预设规则对伪影的处理顺序进行排序,并按照排序结果依次执行去伪影操作。
需要说明的是,以上的示例仅出于说明的目的。任意合适的伪影校正算法都可以应用于本申请所披露的技术方案中。
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流程200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4是根据本申请一些实施例所示的用于图像伪影自动校正的处理设备的模块图。如图4所示,该用于图像伪影自动校正的处理设备400可以包括第一获取模块410、第一确定模块420、第二确定模块430、第三确定模块450、第三获取模块460、以及提醒模块470。
第一获取模块410可以获取目标对象的第一重建图像。所述目标对象可以包括使用医学图像设备(例如,医学成像设备130)进行扫描的对象。例如,所述目标对象可以包括患者或者患者的至少一部分,例如,组织、器官等。所述第一重建图像可以包括基于与目标对象相关的原始扫描数据重建后得到的图像,例如,基于医学成像设备130在所述扫描过程中获取的全部或部分原始扫描数据得到的目标对象的重建图像。在一些实施例中,用于生成第一重建图像的原始扫描数据可以被称为第一扫描数据。所述第一扫描数据可以包括至少一部分原始扫描数据。在一些实施例中,所述第一重建图像可以至少包括目标对象的扫描预览图。扫描过程结束后,第一获取模块410可以获取第一扫描数据,并根据第一扫描数据生成扫描预览图。在一些实施例中,在扫描过程中,第一获取模块410可以根据不断获取的原始扫描数据实时生成或更新扫描预览图,并根据实时生成或更新扫描预览图实时监控与扫描过程相关的信息。
第一确定模块420可以确定所述第一重建图像中是否包含伪影。第一确定模块420可以基于伪影判定算法,判断所述第一重建图像中是否包含伪影。所述伪影判定算法可以包括基于图像形态学的判定算法、基于图像像素值的判定算法、或机器学习算法等或其任意组合。
第二确定模块430可以在第一重建图像中包含伪影的情况下,通过至少一次迭代确定所述目标对象的目标重建图像。在每一次迭代中,第二确定模块430可以使用重建算法生成当前迭代轮次中的第二重建图像。在获取所述第二重建图像的过程中,第二确定模块430可以执行去伪影操作。例如,第二确定模块430可以使用校正算法,对重建所使用的扫描数据进行前校正后,使用校正后的扫描数据进行重建以得到所述第二重建图像。或者,第二确定模块430可以对利用扫描数据得到的中间重建图像进行后校正,以得到第二重建图像。在一些实施例中,第二确定模块430可以确定所述第一重建图像以及前续迭代轮次中的第二重建图像中所包含的伪影所属的至少一种伪影类型,并基于所述至少一种伪影类型中的每一个伪影类型,获取对应的校正算法。第二确定模块430可以获取所述目标对象的第二扫描数据,并利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述第二重建图像。
在一些实施例中,第二确定模块430还可以确定当前迭代轮次中的第二重建图像中是否包含伪影。第二确定模块430可以基于伪影判定算法,确定所述第二重建图像是否包含伪影。所述伪影判定算法可以包括基于图像形态学的判定算法、基于图像像素值的判定算法、或机器学习算法等或其任意组合。在当前迭代轮次中的第二重建图像中不包含伪影或包含的伪影满足预设容忍条件,第二确定模块430可以获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像。当当前迭代轮次中的第二重建图像包含的伪影不满足预设容忍条件时,可以认为在得到第二重建图像过程中所使用的去伪影算法(或校正算法)不匹配或效果不佳,需要重新进行判定。因此,第二确定模块430可以进执行下一轮迭代。
第三确定模块440可以在第一重建图像中不包含伪影或包含的伪影满足预设容忍条件的情况下,获取目标对象的原始扫描数据。所述原始扫描数据可以包括针对所述目标对象执行扫描过程所获取的全部扫描数据。第三确定模块440可以基于第四扫描数据,利用重建算法重建以得到所述目标重建图像。所使用的重建算法可以包括解析算法例如滤波反投影法、迭代算法例如OS-EM、基于机器学习的重建算法例如基于深度神经网络的重建算法、快速重建算法等。
提醒模块450可以在所述至少一次迭代轮次中的所有第二重建图像中包含伪影的情况下,生成提醒信息。所述提醒信息可以包括用于提醒医学成像设备例如医学成像设备130的操作者例如医生重新进行扫描、和/或检查医学成像设备。提醒模块470还可以在所述提醒信息生成后播报所述提醒信息。例如,通过语音、声光、显示屏显示图片、视频、文本等或其任意组合的方式对提醒信息进行播报。
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,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请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,例如,图4中披露的第一获取模块410和第二获取模块430、或第一确定模块420和第二确定模块440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。又例如,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。
本申请实施例可能带来的有益效果包括但不限于:(1)通过将医学图像进行伪影判断、以及去伪影模块的调用结合起来,以实现自动化识别及去除医学图像中的伪影,提高去伪影效果及医疗诊断过程的整体效率;(2)基于医学图像中的预览图判断医学图像是否存在伪影,预览图可以基于扫描进行中得到的已有数据进行快速重建,而不必要全部的扫描数据,由此可以实时对医学图像进行有无伪影判断,提高整个伪影识别的效率。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、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 (24)
1.一种图像伪影自动校正方法,所述方法实现于医学成像设备,其中,所述方法包括:
获取目标对象的第一重建图像,所述第一重建图像包括基于所述目标对象的原始扫描数据的至少一部分重建后得到的扫描预览图,所述扫描预览图用于实时监控基于所述原始扫描数据得到的目标重建图像是否会存在伪影;
确定所述第一重建图像中是否包含伪影;
响应于所述第一重建图像中包含的伪影不满足预设容忍条件,通过至少一次迭代确定所述目标对象的目标重建图像,其中,所述至少一次迭代中的每一次包括:
通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像;
确定所述第二重建图像中是否包含伪影;
响应于所述第二重建图像中不包含伪影或包含的伪影满足所述预设容忍条件,获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像;其中,所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据;
响应于所述第二重建图像包含的伪影不满足所述预设容忍条件,执行下一轮次迭代。
2.根据权利要求1所述的方法,其中,获取所述扫描预览图,包括:
获取所述目标对象的第一扫描数据,所述第一扫描数据包括所述原始扫描数据的至少一部分;
基于所述第一扫描数据进行重建以获取所述扫描预览图。
3.根据权利要求2所述的方法,其中,所述确定所述第一重建图像中是否包含伪影,包括:
基于伪影判定算法,确定所述第一重建图像中是否包含伪影;所述伪影判定算法至少包括基于图像形态学的判定算法、基于图像像素值的判定算法、或机器学习算法。
4.根据权利要求2所述的方法,其中,所述获取所述目标对象在当前迭代轮次中的第二重建图像,包括:
确定所述第一重建图像以及前续迭代轮次中的第二重建图像中所包含的伪影所属的至少一种伪影类型;
对于所述至少一种伪影类型中的每一个伪影类型,获取对应的校正算法;
获取所述目标对象的第二扫描数据;
利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像。
5.根据权利要求4所述的方法,其中,用于获取当前迭代轮次的第二重建图像的校正算法与用于获取前续迭代轮次的第二重建图像的校正算法不同。
6.根据权利要求4所述的方法,其中,用于获取当前迭代轮次的第二重建图像的第二扫描数据与用于获取前续迭代轮次的第二重建图像的第二扫描数据不同。
7.根据权利要求4所述的方法,其中,所述第一扫描数据包括所述第二扫描数据的至少一部分。
8.根据权利要求4所述的方法,其中,利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像,包括:
基于所述校正算法对所述第二扫描数据执行所述去伪影操作,获取第三扫描数据;
通过对所述第三扫描数据进行重建,获取所述目标对象在当前迭代轮次中第二重建图像。
9.根据权利要求4所述的方法,其中,利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像,包括:
通过对所述第二扫描数据进行重建,获取第四重建图像;
利用所述校正算法对所述第四重建图像执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像。
10.根据权利要求1所述的方法,其中,所述方法进一步包括:
响应于所述第一重建图像中不包含伪影或包含的伪影满足预设容忍条件,获取目标对象的原始扫描数据,所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据;
基于所述原始扫描数据,获取所述目标重建图像。
11.根据权利要求1所述的方法,其中,所述方法进一步包括:
响应于所述至少一次迭代中的最后一轮迭代中的所述第二重建图像中包含的伪影不满足预设容忍条件,生成提醒信息;
播报所述提醒信息。
12.一种图像伪影自动校正系统,其中,所述系统包括:
第一获取模块,用于获取目标对象的第一重建图像,所述第一重建图像包括基于所述目标对象的原始扫描数据的至少一部分重建后得到的扫描预览图,所述扫描预览图用于实时监控基于所述原始扫描数据得到的目标重建图像是否会存在伪影;
第一确定模块,用于确定所述第一重建图像中是否包含伪影;
第二确定模块,用于响应于所述第一重建图像中包含的伪影不满足预设容忍条件,通过至少一次迭代确定所述目标对象的目标重建图像,其中,所述至少一次迭代中的每一次包括:
通过执行去伪影操作,获取所述目标对象在当前迭代轮次中的第二重建图像;
确定所述第二重建图像中是否包含伪影;
响应于所述第二重建图像中不包含伪影或包含的伪影满足所述预设容忍条件,获取所述目标对象的原始扫描数据,并基于所述原始扫描数据,通过去伪影操作确定所述目标重建图像;其中,所述原始扫描数据包括针对所述目标对象执行扫描过程所获取的全部扫描数据;
响应于所述第二重建图像包含的伪影不满足所述预设容忍条件,执行下一轮次迭代。
13.根据权利要求12所述的系统,其中,为获取所述扫描预览图,所述第一获取模块用于:
获取所述目标对象的第一扫描数据,所述第一扫描数据包括所述原始扫描数据的至少一部分;
基于所述第一扫描数据进行重建以获取所述扫描预览图。
14.根据权利要求13所述的系统,其中,为确定所述第一重建图像中是否包含伪影,所述第一确定模块用于:
基于伪影判定算法,确定所述第一重建图像中是否包含伪影;所述伪影判定算法至少包括基于图像形态学的判定算法、基于图像像素值的判定算法、或机器学习算法。
15.根据权利要求13所述的系统,其中,为获取所述目标对象在当前迭代轮次中的第二重建图像,所述第二确定模块用于:
确定所述第一重建图像以及前续迭代轮次中的第二重建图像中所包含的伪影所属的至少一种伪影类型;
对于所述至少一种伪影类型中的每一个伪影类型,获取对应的校正算法;
获取所述目标对象的第二扫描数据;
利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像。
16.根据权利要求15所述的系统,其中,用于获取当前迭代轮次的第二重建图像的校正算法与用于获取前续迭代轮次的第二重建图像的校正算法不同。
17.根据权利要求15所述的系统,其中,用于获取当前迭代轮次的第二重建图像的第二扫描数据与用于获取前续迭代轮次的第二重建图像的第二扫描数据不同。
18.根据权利要求15所述的系统,其中,所述第一扫描数据包括所述第二扫描数据的至少一部分。
19.根据权利要求15所述的系统,其中,为利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像,所述第二确定模块用于:
基于所述校正算法对所述第二扫描数据执行所述去伪影操作,获取第三扫描数据;
通过对所述第三扫描数据进行重建,获取所述目标对象在当前迭代轮次中第二重建图像。
20.根据权利要求15所述的系统,其中,为利用所述校正算法,基于所述第二扫描数据执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像,所述第二确定模块用于:
通过对所述第二扫描数据进行重建,获取第四重建图像;
利用所述校正算法对所述第四重建图像执行所述去伪影操作,获取所述目标对象在当前迭代轮次中第二重建图像。
21.根据权利要求12所述的系统,其中,所述系统进一步包括第三确定模块;所述第三确定模块用于:
响应于所述第一重建图像中不包含伪影或包含的伪影满足预设容忍条件,获取目标对象的原始扫描数据;
基于所述原始扫描数据,获取所述目标重建图像。
22.根据权利要求12所述的系统,其中,所述系统进一步包括提醒模块,所述提醒模块用于:
响应于所述至少一次迭代中的最后一轮迭代中的所述第二重建图像中包含的伪影不满足预设容忍条件,生成提醒信息;
播报所述提醒信息。
23.一种图像伪影自动校正装置,其中,所述装置包括处理器,所述处理器用于执行权利要求1-11所述的方法。
24.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-11中所述的图像伪影自动方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011068529.9A CN112150574B (zh) | 2020-09-28 | 2020-09-28 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011068529.9A CN112150574B (zh) | 2020-09-28 | 2020-09-28 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150574A CN112150574A (zh) | 2020-12-29 |
CN112150574B true CN112150574B (zh) | 2022-11-08 |
Family
ID=73952434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011068529.9A Active CN112150574B (zh) | 2020-09-28 | 2020-09-28 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150574B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669405B (zh) * | 2020-12-30 | 2023-01-20 | 上海联影医疗科技股份有限公司 | 图像重建方法、系统、可读存储介质和设备 |
CN113726983B (zh) * | 2021-07-12 | 2022-07-12 | 北京邮电大学 | 一种基于时间,定位,镜头角度,入射光强和色温的太阳光眩光抑制的方法和装置 |
CN113643211B (zh) * | 2021-08-27 | 2024-07-26 | 上海联影医疗科技股份有限公司 | 去除条形伪影的方法、系统、可读存储介质和设备 |
CN113689359B (zh) * | 2021-09-23 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 一种图像伪影去除模型及其训练方法和系统 |
CN115063498A (zh) * | 2021-12-31 | 2022-09-16 | 深圳微创踪影医疗装备有限公司 | 导丝伪影抑制方法、装置、ivus系统和存储介质 |
CN115797486B (zh) * | 2022-11-04 | 2023-06-30 | 赛诺威盛科技(北京)股份有限公司 | 一种ct图像线状伪影消除方法、装置及存储介质 |
CN116563404B (zh) * | 2023-04-21 | 2024-03-01 | 四川大学华西医院 | 单期扫描影像图像质量控制方法、装置、电子设备及存储介质 |
CN116309923A (zh) * | 2023-05-24 | 2023-06-23 | 吉林大学 | 基于图神经网络的ct金属伪影消除方法及系统 |
CN116485937B (zh) * | 2023-06-21 | 2023-08-29 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106551703A (zh) * | 2015-09-30 | 2017-04-05 | 上海联影医疗科技有限公司 | 计算机断层成像方法和计算机断层成像系统 |
WO2018210648A1 (en) * | 2017-05-17 | 2018-11-22 | Koninklijke Philips N.V. | Iterative image reconstruction/de-noising with artifact reduction |
CN109512448A (zh) * | 2018-12-29 | 2019-03-26 | 深圳安科高技术股份有限公司 | 一种ct探测器位置校准方法及其系统 |
CN110084866A (zh) * | 2019-04-24 | 2019-08-02 | 上海联影医疗科技有限公司 | 一种计算机断层成像方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489907B2 (en) * | 2017-11-13 | 2019-11-26 | Siemens Healthcare Gmbh | Artifact identification and/or correction for medical imaging |
-
2020
- 2020-09-28 CN CN202011068529.9A patent/CN112150574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106551703A (zh) * | 2015-09-30 | 2017-04-05 | 上海联影医疗科技有限公司 | 计算机断层成像方法和计算机断层成像系统 |
WO2018210648A1 (en) * | 2017-05-17 | 2018-11-22 | Koninklijke Philips N.V. | Iterative image reconstruction/de-noising with artifact reduction |
CN109512448A (zh) * | 2018-12-29 | 2019-03-26 | 深圳安科高技术股份有限公司 | 一种ct探测器位置校准方法及其系统 |
CN110084866A (zh) * | 2019-04-24 | 2019-08-02 | 上海联影医疗科技有限公司 | 一种计算机断层成像方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112150574A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150574B (zh) | 一种图像伪影自动校正方法、系统、装置及存储介质 | |
WO2021213519A1 (zh) | 图像获取、判断图像质量、医学图像采集的方法和系统 | |
US10339655B2 (en) | Automated image evaluation in x-ray imaging | |
CN109785243A (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
CN110378982B (zh) | 重建图像处理方法、装置、设备及存储介质 | |
US11922601B2 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
CN106725570A (zh) | 成像方法及系统 | |
CN110866959B (zh) | 图像重建方法、系统、装置及存储介质 | |
CN111462112A (zh) | 一种判断图像质量的方法和系统 | |
US11672496B2 (en) | Imaging systems and methods | |
US20220092787A1 (en) | Systems and methods for processing x-ray images | |
US10783676B2 (en) | Processing metal artifacts in CT image | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
EP3797692B1 (de) | Verfahren und vorrichtung zur ansteuerung eines medizinischen bildgebungsgeräts | |
CN115482183A (zh) | 一种图像的校正方法和系统 | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
CN116434918A (zh) | 医学图像处理方法及计算机可读存储介质 | |
CN113614788A (zh) | 计算机辅助读取和分析的深度强化学习 | |
CN111369636A (zh) | 一种图像重建方法、系统、装置及存储介质 | |
WO2022253227A1 (en) | Systems and methods for image correction | |
CN115564858A (zh) | 一种金属伪影的校正方法、系统和x射线图像重建方法 | |
US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images | |
CN113962953A (zh) | 一种图像处理方法和系统 | |
CN115688932A (zh) | 选定数据处理模型的方法和系统 | |
RU2813480C1 (ru) | Способ обработки изображений магнитно-резонансной томографии для формирования обучающих данных |
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 |