CN112862778A - 扫描影像检测方法、电子设备和计算机可读介质 - Google Patents

扫描影像检测方法、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN112862778A
CN112862778A CN202110157713.9A CN202110157713A CN112862778A CN 112862778 A CN112862778 A CN 112862778A CN 202110157713 A CN202110157713 A CN 202110157713A CN 112862778 A CN112862778 A CN 112862778A
Authority
CN
China
Prior art keywords
image
images
layers
scanning
scanned
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
CN202110157713.9A
Other languages
English (en)
Inventor
郑介志
陈琪湉
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 Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent 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 Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202110157713.9A priority Critical patent/CN112862778A/zh
Publication of CN112862778A publication Critical patent/CN112862778A/zh
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
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种扫描影像检测方法、电子设备和计算机可读介质，该方法包括：获取扫描对象的若干层扫描影像；将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果；响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，从存在异常的至少一部分层扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域，以提示至少一部分层扫描影像中存在的影像质量问题。本发明基于神经网络模型从若干层扫描影像中分别检测出影像质量检测结果，在数十层甚至上百层扫描影像中方便快捷地筛选出存在质量问题的扫描影像并进行异常区域的提示，以实现对扫描影像质量的智能评估，提升检查诊断整个流程的效率和准确率。

Description

扫描影像检测方法、电子设备和计算机可读介质
技术领域
本发明涉及人工智能领域，特别涉及一种扫描影像检测方法、电子设备和计算机可读介质。
背景技术
随着现代医学的发展，胸部CT(电子计算机断层扫描)检查作为一种常用的检测疾病手段，可以为临床诊断提供丰富的信息。
然而，由于技师本人的技术水平不足、疲劳的工作状态、语言不通等多种原因可能会引起拍摄的胸部CT影像质量不佳。例如，由于病人没有屏住呼吸而引起的呼吸运动伪影、由于病人没有摘掉金属配饰等引起的金属伪影、由于技师定位问题引起的扫描范围不全、由于扫描剂量不足等原因引起的机器伪影等等。
质量较差的胸部CT影像难以满足诊断的需求，病人可能需要重新扫描。在目前的工作流程中，技师完成CT扫描后，需要对扫描得到的数十层甚至上百层CT影像一一进行人工检查，导致极大地增加了技师的工作量，而且若技师没有及时检查出需要不符合诊断要求的影像，直接上传数据，会降低检查诊断整个流程的效率，影像诊断的准确率，加重了医生和技师的负担。
发明内容
本发明要解决的技术问题是为了克服现有技术中无法有效地一一针对每层扫描影像进行质量检测，导致降低检查效率和准确率的缺陷，提供一种扫描影像检测方法、电子设备和计算机可读介质。
本发明是通过下述技术方案来解决上述技术问题：
根据本发明的一实施方式，提供一种扫描影像检测方法，包括：
获取扫描对象的若干层扫描影像；
将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果；
响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，从存在异常的所述至少一部分层扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域，以提示所述至少一部分层扫描影像中存在的影像质量问题。
可选地，所述方法还包括：
响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，分别判断存在异常的所述至少一部分层扫描影像中的质量问题程度是否符合影像质量要求，若否，从不符合影像质量要求的扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域。
可选地，所述方法还包括：
将若干层扫描影像输入至疾病检测模型以获取若干层扫描影像的疾病检测结果；
判断存在异常的所述至少一部分层扫描影像中的质量问题程度是否符合针对所述疾病检测结果的识别、分析或诊断要求，并提示结果。
可选地，所述方法还包括：
获取扫描对象所处的扫描场景信息和/或扫描对象类型；
在将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果的步骤中，调用与所述扫描场景信息和/或所述扫描对象类型相关联的质控网络模型；和/或，
根据所述扫描场景信息和/或所述扫描对象类型调解质控网络模型的置信度阈值。
可选地，所述将若干层扫描影像输入至质控网络模型以获取若干层中至少一部分层扫描影像的影像质量检测结果的步骤，包括：
将若干层扫描影像输入至所述质控网络模型以获取若干层中至少一部分层扫描影像的影像质量检测结果，
其中，所述质控网络模型的训练步骤，包括：
将若干层扫描影像样本输入待训练质控网络模型，其中若干层扫描影像分成至少不同的两组，根据不同分组计算出的损失以训练出质控网络模型。
可选地，所述方法还包括：
当从存在异常的所述至少一部分层扫描影像中分别确定出不同的影像异常区域并在扫描影像中标记出影像异常区域时，将标记出的不同的影像异常区域进行叠加以获取叠加不同的影像异常区域后的扫描影像。
可选地，所述在扫描影像中标记出影像异常区域的步骤，还包括：
根据不同的异常区分标准对影像异常区域进行区分，并且在扫描影像中以不同的标记方式标记出所述影像异常区域的不同的区分区域。
可选地，所述质控网络模型包括呼吸运动伪影模型、金属伪影模型、范围不全模型、机器伪影模型或异物检测模型中的任意一种或多种。
根据本发明的另一实施方式，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现如上述的扫描影像检测方法的步骤。
根据本发明的另一实施方式，提供一种计算机可读介质，其上存储有计算机指令，所述计算机指令在由处理器执行时实现如上述的扫描影像检测方法的步骤。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：
本发明基于神经网络模型从若干层扫描影像中分别检测出影像质量检测结果，在数十层甚至上百层扫描影像中方便快捷地筛选出存在质量问题的扫描影像并进行异常区域的提示，而且还可分析与疾病检测结果相关联的质量问题程度，以实现对扫描影像质量的智能评估，从而提升了检查诊断整个流程的效率以及准确率。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的所述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附目标记。
图1为根据本发明的一实施例的扫描影像检测方法的流程示意图。
图2为示出基于热力图定位出伪影产生区域的CT扫描影像示意图。
图3为示出基于热力图指示出不同的伪影程度的CT扫描影像示意图。
图4为根据本发明另一实施例的实现扫描影像检测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
为了克服目前存在的上述缺陷，本实施例提供一种扫描影像检测方法，包括：获取扫描对象的若干层扫描影像；将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果；响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，从存在异常的至少一部分层扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域，以提示至少一部分层扫描影像中存在的影像质量问题。
在本实施例中，上述扫描影像检测方法优选应用于CT影像设备以对CT影像质量进行评估，但并不具体限定该方法的应用场景，同时也可应用于MR(磁共振成像)，PET(正电子发射计算机断层显像)，X光等任何影像设备，可根据实际需求进行相应的选择及调整。
在本实施例中，基于神经网络模型从若干层扫描影像中分别检测出影像质量检测结果，在数十层甚至上百层扫描影像中方便快捷地筛选出存在质量问题的扫描影像并进行异常区域的提示，以实现对扫描影像质量的智能评估，从而提升了检查诊断整个流程的效率以及准确率。
具体地，作为一实施例，如图1所示，本实施例提供的扫描影像检测方法，应用于CT影像设备，该方法主要包括以下步骤：
步骤101、获取扫描对象的若干层扫描影像及扫描场景信息。
在本步骤中，获取CT扫描对象的若干层CT影像以及CT扫描对象所处的扫描场景信息。
具体地，在本步骤中，通过调用医院数据库或第三方数据库可以获取CT扫描对象的扫描场景信息，也可根据技师实时输入的信息中获取到相应的扫描场景信息，例如，该扫描场景可以为体检、门诊、住院、急诊等，当然并不具体限定应用场景，可根据实际需求进行相应的选择及调整。
在一优选可实施的方式中，在本步骤中，还获取扫描对象类型，扫描对象类型是指根据扫描对象的疾病信息等信息来进行区分的类型，例如，可以为肺部患者、四肢相关患者、肿瘤患者等，当然并不限于此，也可以是根据扫描对象的年龄、性别或其他区分条件来进行区分的类型，可根据实际需求进行相应的选择及调整。
在本步骤中，CT影像可以为根据扫描场景信息和/或扫描对象类型确定出的针对不同身体部位的CT影像。例如，根据扫描场景是体检场景执行肺部常规检测模式以获取体检对象的肺部CT影像，或根据扫描对象类型是四肢相关患者执行四肢相关疾病检测模式以获取四肢相关患者的四肢相关CT影像等。
在本实施例中，并不具体限定获取到的CT影像的数量，可根据实际情况进行相应的调整及选择。
步骤102、调用与扫描场景信息相关联的质控网络模型。
在本步骤中，根据扫描应用场景分别调用与扫描场景信息相关联的至少一个质控网络模型，以及质控分项标准等。
在一可实施的方式中，在本步骤中，同时还根据扫描场景分别调用与扫描场景信息相关联的至少一个疾病检测模型，以及相应的疾病检测标准。
例如，在体检场景下可以调取肺结节检测模型，在住院场景下可以调取肿瘤分割模型等。
在一优选可实施的方式中，根据扫描对象类型和/或扫描场景信息分别调用与扫描对象类型和/或扫描场景信息相关联的至少一个疾病检测模型及至少一个质控网络模型。
在本实施例中，疾病检测模型包括但不仅限于肺部疾病检测模型、四肢相关疾病检测模型、特定肿瘤疾病检测模型等，当然也可以为根据实际需求选择的其他疾病检测模型。
在本实施例中，质控网络模型包括但不仅限于呼吸运动伪影检测模型、金属伪影检测模型、范围不全检测模型、机器伪影检测模型等，当然也可以为根据实际需求选择的其他质控网络模型。
在本实施例中，模型所使用的深度学习方法包括但不仅限于常用的分类、分割、检测算法等，当然也可以为根据实际需求选择的其他深度学习方法。
考虑到实际应用场景，可以根据不同的场景对质控的标准进行调整，质控标准的调整可以体现为调整质控网络模型的置信度阈值，从而调整质控网络模型输出的结果。例如，体检的场景下，大多数人健康状况良好，因此可以对影像质量有更高的要求，以达到筛查等目的。而在住院、随访等场景下，病人健康状况相对较差，影像关注的重点可能是病情的变化、大面积的病灶等，此时质控的标准也会相应的调整。在实际应用场景下，与疾病检测模型相结合，在一些可疑的疾病区域进行质量的评估，分析是否满足诊断的需求。
以下具体说明伪影检测模型的训练过程。
以呼吸伪影质控分项为例，对于伪影这类边界模糊、依赖主观判断的问题，本实施例可以有效的拟合主观的经验，定位伪影区域，估计伪影程度。具体做法为：
1、数据收集标准
1)收集一定数量的伪影相关的正负样本，样本数量可根据实际需求进行选择；
2)请医生、技师等专业人员对样本进行标注，根据主观经验给出左右伪影区域的起止层编号。
2、模型训练
由于伪影本身边界模糊的特点，临床使用的要求需要从CT整体判断准确，具体伪影的位置给出大致范围即可，同时人工的标注也只能做到整体上较为准确，具体到每一层上的判断并不十分可靠。本实施例通过对标注的这一特点建模，可以准确有效的对伪影的程度进行估计。具体做法如下。
在训练过程中，将连续的若干层CT影像样本输入到神经网络模型，其中若干层CT影像可以分成至少不同的两组，例如，可以分为两组、四组、八组等2的幂次方组。对于网络模型输出的预测值，根据不同分组计算出的损失以训练出质控网络模型。例如，对于连续抽取的第0,1,…,15层影像，可以根据不同的组内样本层数量对样本进行分组，例如，将样本的若干层分为两组，第一组为0-7,第二组为8-15，或者将样本的若干层分为四组，第一组为0-3，第二组为4-7，第三组为8-11，第四组为12-15等，每组的标注根据组内层的标注调整，如组内任一层标注为异常，则改组为异常。
考虑到伪影边界模糊，模型设计的思想是一组样本层整体的预测是准确的，组内局部样本层的预测允许拟合得不好。随着组内样本层数量的减少，可以逐步拟合人工的标注。具体的做法是，让这组样本层的整体预测结果依赖于预测值相对较高的样本。即，分组损失中，预测值越高的样本占的权重越高，然后将各组的损失加在一起作为整体的损失。用公式表示分组损失即为
Figure BDA0002934416900000071
其中pi是网络对样本i的预测，f是一个将pi映射到正数的单调递增函数，li是人工对样本i的标注。
一些伪影问题不是非黑即白的问题，而是程度的问题，一般依赖医生或技师主观的判断。在本实施例中，利用人工智能算法从大量样本中拟合这种主观判断，对伪影严重程度进行判断，筛选出影响诊断的CT影像。以呼吸运动伪影为例，在扫描过程中一般要求检查者屏住呼吸，但实际扫描完成的影像中大多数都有轻微的伪影，临床阅片时只有严重到影响诊断的CT才会选择重新扫描。
步骤103、将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果。
在本步骤中，将若干层CT影像分别输入至训练后的至少一个质控网络模型以获取若干层CT影像的影像质量检测结果，该影像质量检测结果中包含影像质量的正常和异常结果。
在一可实施的方式中，在本步骤中，还将若干层CT影像分别输入至训练后的至少一个疾病检测模型以获取若干层CT影像的疾病检测结果。
在一可实施的方式中，将若干层CT影像分别输入至伪影检测模型以获取若干层CT影像的伪影检测结果，伪影检测结果用于表征CT影像中的伪影异常程度。
由于深度学习算法的快速与有效，可以实现在扫描完成后秒级时间内完成对CT影像的分析，一方面可以有效控制技师等待算法结果的时间代价，另一方面可以在医生阅片前挑出不符合诊断要求的影像，提高医生的效率。
步骤104、响应于至少一部分层扫描影像质量检测结果为异常，判断存在异常的扫描影像中的质量问题程度是否符合影像质量要求，若是，执行步骤105，若否，执行步骤106。
在一可实施的方式中，在本步骤中，整体上判断CT影像中的质量问题程度是否符合整体影像质量要求。
若是，即当整体的影像质量没有问题时，进一步判断CT影像的中的质量问题程度是否符合局部影像质量要求，若是，执行步骤105，若否，执行步骤106。在本实施例中，局部影像质量要求可根据扫描场景、扫描对象类型或检测疾病等因素来自行设定或确定。
若否，即当整体的影像质量存在问题时，执行步骤106。
在另一可实施的方式中，在本步骤中，整体上判断CT影像中的质量问题程度是否符合整体影像质量要求。
若是，即当整体的影像质量没有问题时，执行步骤105。
若否，即当整体的影像质量存在问题时，进一步判断CT影像中的质量问题程度是否符合局部影像质量要求，若是，执行步骤105，若否，执行步骤106。
在另一可实施的方式中，在本步骤中，当还检测出疾病检测结果时，响应于疾病检测结果中包括疑似病灶结果，判断CT影像中存在疑似病灶区域的影像质量检测结果中的质量问题程度是否符合针对疾病检测结果的识别、分析或诊断要求，若是，执行步骤105，若否，执行步骤106。
在本步骤中，作为一实施方式，通过建立扫描影像的质量问题程度与疾病检测结果关联数据库的方式，调用该数据库进行查询的方式得到上述判断结果，即该数据库中不仅存有各项疾病检测结果的识别、分析或诊断要求，还存有各种质量问题程度与上述识别、分析或诊断要求之间的对应关系，因此，可通过查询相应的质量问题程度的方式获取到的相关的判断结果。
在本步骤中，作为另一实施方式，通过训练神经网络模型的方式，生成用于识别质量问题程度是否符合识别、分析或诊断要求的质量问题检测模型，并且将质量问题程度和疾病检测结果作为输入，以获取模型输出的判断结果。
在一个实施例中，疾病检测结果标识病灶区域，如肿瘤区域，该病灶区域与质量检测的异常区域不同，如与异常区域不在同一层，或者与异常区域在同一层的不同位置，则判断该异常符合扫描影像的质量要求。异常可以为伪影等任何一种质控要求。
在一可实施的方式中，判断扫描影像的伪影问题程度是否符合用于识别疾病检测结果的伪影要求。
在本实施例中，针对疾病检测结果的识别、分析或诊断要求根据扫描场景信息和/或扫描对象类型来生成。
当然，也可以先对具体的质控分项结果进行分析，根据预设的分项质控标准，判断是否符合标准，例如是否有未摘下的金属配饰，是否有严重的呼吸伪影。进一步，根据检查者所处的扫描场景，结合疾病检测模型的疾病检测结果，分析局部影像质量是否满足诊断要求。例如，在体检场景下，调用肺结节检测模型，对于疑似肺结节的区域，查看附近伪影的程度是否符合诊断的要求。与疾病相关的局部影像质量要求与整体的影像质量要求可以不同。
步骤105、上传扫描影像数据至服务器。
在本步骤中，当检测到CT影像中的质量问题程度符合针对疾病检测结果的识别、分析或诊断要求时，将该层CT影像中的疾病检测结果和相应的CT影像上传至服务器以提供医生进行诊断，技师和医生无需查看每一层CT影像即可获取没有质量问题或质量问题不影响诊断要求的CT影像，以及时进行相关诊断，医生的诊断不会受到影像质量的影响，从而有效地提升了医生的工作效率。
步骤106、在扫描影像中标记出影像异常区域。执行步骤106之后，执行步骤107。
在本步骤中，分别从存在异常的至少一部分层扫描影像中确定出影像异常区域并在扫描影像中标记出影像异常区域。
在一优选实施的方式中，不同的异常区分标准对影像异常区域进行区分并在扫描影像中以不同的标记方式标记出影像异常区域的不同的区分区域。
具体地，参考图2及图3所示，利用CAM(计算机辅助制造)、Grad-CAM等方法，可以定位出伪影所在的位置，并且产生热力图来指示相应的程度。展示方式包括但不仅限于检测框、掩膜、热力图、dicom(医学数字成像和通信)序列中的编号、某一坐标系中的坐标位置。
例如，挑选几层横断面的图像，通过热力图的形式展示伪影最严重的区域，通过检测框的形式展示异物、通过箭头或文字的形式提示范围不全的问题。对于可能互相影响的展示结果，例如同一张图像上若存在不同的伪影，则分开展示。
在另一可实施的方式中，在本步骤中，当通过多个质控网络模型获取到多个相应的影像质量检测结果时，分别从扫描影像中确定出对应的影像异常区域并在扫描影像中标记出对应的影像异常区域以获取至少两个标记后的扫描影像；将至少两个标记后的扫描影像进行叠加以获取叠加不同的影像异常区域后的扫描影像。
具体地，检测出多个不同的影像异常区域后，将标记后的扫描影像通过预设方式叠加到同一扫描影像中以实现在一个影像中展示出不同的异常，从而方便用户查看，该预设方式，例如可以为对于异常叠加区域制定的优先级方案，或进行叠加处理时的具体执行顺序等，可根据实际需求进行相应的选择及调整。
步骤107、输出标记后的扫描影像以提示影像质量异常。
在一可实施的方式中，在本步骤中，输出以不同的标记方式标记后的扫描影像以提示影像质量异常，同时输出影像质量检测结果和/或疾病检测结果，以提示技师复核相应问题。
在本步骤中，提示影像质量异常后，可设定为直接重新调用CT影像设备以重新获取CT影像，也可由技师人工决定是否重新扫描或继续选择将原影像上传至服务器。
本实施例提供的扫描影像检测方法，基于神经网络模型从若干层扫描影像中分别检测出影像质量检测结果，在数十层甚至上百层扫描影像中方便快捷地筛选出存在质量问题的扫描影像并进行问题提示，而且还可分析与疾病检测结果相关联的扫描影像中的质量问题程度，以实现对扫描影像质量的智能评估，方便快捷地排查出存在质量问题的扫描影像，针对性的提示技师问题的类别、在影像中此类问题的典型位置，由技师决定是否需要重新扫描，提升了检查诊断整个流程的效率以及准确率。
图4为根据本发明另一实施例提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上实施例中的扫描影像检测方法。图4显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明如上实施例中的扫描影像检测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上实施例中的扫描影像检测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现如上实施例中的扫描影像检测方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种扫描影像检测方法，其特征在于，包括：
获取扫描对象的若干层扫描影像；
将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果；
响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，从存在异常的所述至少一部分层扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域，以提示所述至少一部分层扫描影像中存在的影像质量问题。
2.如权利要求1所述的方法，其特征在于，还包括：
响应于若干层中至少一部分层扫描影像的影像质量检测结果为异常，分别判断存在异常的所述至少一部分层扫描影像中的质量问题程度是否符合影像质量要求，若否，从不符合影像质量要求的扫描影像中分别确定出影像异常区域并在扫描影像中标记出影像异常区域。
3.如权利要求2所述的方法，其特征在于，还包括：
将若干层扫描影像输入至疾病检测模型以获取若干层扫描影像的疾病检测结果；
判断存在异常的所述至少一部分层扫描影像中的质量问题程度是否符合针对所述疾病检测结果的识别、分析或诊断要求，并提示结果。
4.如权利要求1所述的方法，其特征在于，还包括：
获取扫描对象所处的扫描场景信息和/或扫描对象类型；
在将若干层扫描影像输入至质控网络模型以获取若干层扫描影像的影像质量检测结果的步骤中，调用与所述扫描场景信息和/或所述扫描对象类型相关联的质控网络模型；和/或，
根据所述扫描场景信息和/或所述扫描对象类型调解质控网络模型的置信度阈值。
5.如权利要求1所述的方法，其特征在于，所述将若干层扫描影像输入至质控网络模型以获取若干层中至少一部分层扫描影像的影像质量检测结果的步骤，包括：
将若干层扫描影像输入至所述质控网络模型以获取若干层中至少一部分层扫描影像的影像质量检测结果，
其中，所述质控网络模型的训练步骤，包括：
将若干层扫描影像样本输入待训练质控网络模型，其中若干层扫描影像分成至少不同的两组，根据不同分组计算出的损失以训练出质控网络模型。
6.如权利要求1所述的方法，其特征在于，还包括：
当从存在异常的所述至少一部分层扫描影像中分别确定出不同的影像异常区域并在扫描影像中标记出影像异常区域时，将标记出的不同的影像异常区域进行叠加以获取叠加不同的影像异常区域后的扫描影像。
7.如权利要求1所述的方法，其特征在于，所述在扫描影像中标记出影像异常区域的步骤，还包括：
根据不同的异常区分标准对影像异常区域进行区分，并且在扫描影像中以不同的标记方式标记出所述影像异常区域的不同的区分区域。
8.如权利要求1～7中任意一项所述的方法，其特征在于，所述质控网络模型包括呼吸运动伪影模型、金属伪影模型、范围不全模型、机器伪影模型或异物检测模型中的任意一种或多种。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1～8中任意一项所述的扫描影像检测方法的步骤。
10.一种计算机可读介质，其上存储有计算机指令，其特征在于，所述计算机指令在由处理器执行时实现如权利要求1～8中任意一项所述的扫描影像检测方法的步骤。
CN202110157713.9A 2021-02-04 2021-02-04 扫描影像检测方法、电子设备和计算机可读介质 Pending CN112862778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157713.9A CN112862778A (zh) 2021-02-04 2021-02-04 扫描影像检测方法、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157713.9A CN112862778A (zh) 2021-02-04 2021-02-04 扫描影像检测方法、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN112862778A true CN112862778A (zh) 2021-05-28

Family

ID=75988717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157713.9A Pending CN112862778A (zh) 2021-02-04 2021-02-04 扫描影像检测方法、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112862778A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538613A (zh) * 2021-06-25 2021-10-22 李懋 推荐扫描方案的同时动态提示mr扫描伪影的方法及系统
CN115063641A (zh) * 2022-08-19 2022-09-16 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN116563404A (zh) * 2023-04-21 2023-08-08 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
CN116649993A (zh) * 2023-04-21 2023-08-29 北京绪水互联科技有限公司 多期扫描影像图像质量控制方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796613A (zh) * 2019-10-10 2020-02-14 东软医疗系统股份有限公司 一种图像伪影的自动识别方法及装置
CN110866880A (zh) * 2019-11-14 2020-03-06 上海联影智能医疗科技有限公司 图像伪影检测方法、装置、设备和存储介质
CN111080584A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像的质控方法、计算机设备和可读存储介质
CN111192679A (zh) * 2019-12-25 2020-05-22 上海联影智能医疗科技有限公司 一种影像数据异常的处理方法、装置及存储介质
CN111242947A (zh) * 2020-03-12 2020-06-05 南京安科医疗科技有限公司 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置
CN111325745A (zh) * 2020-03-09 2020-06-23 北京深睿博联科技有限责任公司 骨折区域分析方法和装置、电子设备及可读存储介质
CN112002406A (zh) * 2020-07-10 2020-11-27 杭州依图医疗技术有限公司 基于置信度的结节显示方法及计算设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796613A (zh) * 2019-10-10 2020-02-14 东软医疗系统股份有限公司 一种图像伪影的自动识别方法及装置
CN110866880A (zh) * 2019-11-14 2020-03-06 上海联影智能医疗科技有限公司 图像伪影检测方法、装置、设备和存储介质
CN111080584A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像的质控方法、计算机设备和可读存储介质
CN111192679A (zh) * 2019-12-25 2020-05-22 上海联影智能医疗科技有限公司 一种影像数据异常的处理方法、装置及存储介质
CN111325745A (zh) * 2020-03-09 2020-06-23 北京深睿博联科技有限责任公司 骨折区域分析方法和装置、电子设备及可读存储介质
CN111242947A (zh) * 2020-03-12 2020-06-05 南京安科医疗科技有限公司 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置
CN112002406A (zh) * 2020-07-10 2020-11-27 杭州依图医疗技术有限公司 基于置信度的结节显示方法及计算设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
隋栋 等著: "《显微图像处理与分析》", 中国海洋大学出版社, pages: 17 - 18 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538613A (zh) * 2021-06-25 2021-10-22 李懋 推荐扫描方案的同时动态提示mr扫描伪影的方法及系统
CN115063641A (zh) * 2022-08-19 2022-09-16 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN115063641B (zh) * 2022-08-19 2022-11-29 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN116563404A (zh) * 2023-04-21 2023-08-08 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
CN116649993A (zh) * 2023-04-21 2023-08-29 北京绪水互联科技有限公司 多期扫描影像图像质量控制方法、装置、电子设备及存储介质
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
CN116649993B (zh) * 2023-04-21 2024-05-14 北京绪水互联科技有限公司 多期扫描影像图像质量控制方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112862778A (zh) 扫描影像检测方法、电子设备和计算机可读介质
CN111160367B (zh) 图像分类方法、装置、计算机设备和可读存储介质
US8442280B2 (en) Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading
KR101874348B1 (ko) 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
US9177379B1 (en) Method and system for identifying anomalies in medical images
JP2007528746A (ja) Ｃａｄ（コンピュータ援用決定）プロセスを日常的なｃａｄシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のｃａｄ支援
US9401021B1 (en) Method and system for identifying anomalies in medical images especially those including body parts having symmetrical properties
JP2008521468A (ja) デジタル医療画像分析
JP2008259622A (ja) レポート作成支援装置およびそのプログラム
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
CN112699868A (zh) 一种基于深度卷积神经网络的图像识别方法、设备
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
CN112241961A (zh) 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统
CN111260647A (zh) 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置
US20200111558A1 (en) Information processing apparatus, medical image display apparatus, and storage medium
CN111226287B (zh) 用于分析医学成像数据集的方法、系统、程序产品和介质
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
CN114375461A (zh) 针对胸部x射线图像的吸气度量标准
CN116228660A (zh) 胸部正片异常部位检测方法及装置
CN111192679B (zh) 一种影像数据异常的处理方法、装置及存储介质
CN113112463A (zh) 医学图像质量评估方法、电子设备及存储介质
CN112885435B (zh) 图像目标区域的确定方法、装置和系统
CN113284613A (zh) 一种基于深度学习的人脸诊断系统
CN115631232B (zh) 一种确定双探头探测器径向位置方法

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