CN113112463A - 医学图像质量评估方法、电子设备及存储介质 - Google Patents

医学图像质量评估方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113112463A
CN113112463A CN202110347821.2A CN202110347821A CN113112463A CN 113112463 A CN113112463 A CN 113112463A CN 202110347821 A CN202110347821 A CN 202110347821A CN 113112463 A CN113112463 A CN 113112463A
Authority
CN
China
Prior art keywords
medical image
quality
quality evaluation
evaluated
threshold range
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
CN202110347821.2A
Other languages
English (en)
Inventor
殷敬敬
郑介志
柳林
莫展豪
隋赫
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 CN202110347821.2A priority Critical patent/CN113112463A/zh
Publication of CN113112463A publication Critical patent/CN113112463A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明提供一种医学图像质量评估方法、电子设备及存储介质，该方法包括：获取待评估医学图像；通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值；获取与所述质量检测数值所属的阈值范围对应的质量评估等级，并将获取到的所述质量评估等级作为所述待评估医学图像的目标质量评估等级。本发明根据回归网络输出的质量检测数值所属的阈值范围而确定的质量评估等级，考虑了等级之间的排序关系，提高了医学图像评估的准确性。

Description

医学图像质量评估方法、电子设备及存储介质
技术领域
本申请涉及医学成像技术领域，特别是涉及一种医学图像质量评估方法、电子设备及存储介质。
背景技术
在临床诊断中，医学图像检测仪器已成为人体病情诊断的重要设备，其生成的医学图像的质量优劣直接影响了后续医生的诊断及病人的治疗，因而对医学图像进行准确的质量评估是非常重要的。
例如，X-ray胸片是目前应用最广泛的医学图像检查手段，其使用场景包括急诊、重症监护、一般门诊、体检等。胸片的质量直接影响诊断结果，而肩胛骨在肺野程度上的占比是评价胸片图像质量的一个重要因素。
目前，主要将医学图像质量评估转化为简单的分类问题，即采用分类模型对医学图像进行评估。然而，分类模型并不考虑类别之间的排序关系，比如进行猫、狗、鸟三分类时，分类模型将一张实际为猫的图片识别为狗和鸟的损失是一样的，即分类模型的损失只有分类“正确”与“错误”之分；但在图像质量评估时，如果将一张合格的胸片识别为轻微和严重时的损失相同，则显然是不合理的。可见，利用分类模型所分的类别之间是完全独立的，忽略了类别之间的内在联系，因而用于进行医学图像质量评估时，准确度不高。
发明内容
为了解决利用分类模型进行医学图像质量评估时，未考虑类别之间的排序关系而导致分类准确度不高的缺陷，本发明提供一种基于回归网络的医学图像质量评估方法、电子设备及存储介质
为了实现上述目的，本发明一方面提供一种医学图像质量评估方法，包括：
获取待评估医学图像；
通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值；
获取与所述质量检测数值所属的阈值范围对应的质量评估等级，并将获取到的所述质量评估等级作为所述待评估医学图像的目标质量评估等级。
在本发明一个优选实施例中，所述回归网络包括：
特征提取模块，用于提取所述待评估医学图像对应的特征图；
回归运算模块，用于对所述特征图进行回归运算，得到所述待评估医学图像的质量检测数值。
在本发明一个优选实施例中，所述特征提取模块为基于残差结构的神经网络，且所述残差结构包括注意力单元。
在本发明一个优选实施例中，所述获取与所述质量检测数值所属的阈值范围对应的质量评估等级，包括：
获取不同阈值范围与不同质量评估等级之间的对应关系；
从所述不同质量评估等级中，获取与所述质量检测数值所属的阈值范围对应的质量评估等级。
在本发明一个优选实施例中，在获取与所述质量检测数值所属的阈值范围对应的质量评估等级之前，还包括：
配置不同阈值范围与不同质量评估等级之间的对应关系。
在本发明一个优选实施例中，所述配置不同阈值范围与不同质量评估等级之间的对应关系，包括：
配置第一阈值范围[K0，K1)对应于第一质量评估等级K0；
配置第二阈值范围[K1，K2)对应于第二质量评估等级K1；
配置第三阈值范围[K2，K3)对应于第三质量评估等级K2；
配置第四阈值范围[K3，∞)对应于第四质量评估等级K3；
其中，K0、K1、K2、K3为预设的阈值，且K0<K1<K2<K3。
在本发明一个优选实施例中，所述待评估医学图像为胸片图像，所述质量评估等级包括所述待评估医学图像中肩胛骨对肺野的占据程度等级。
在本发明一个优选实施例中，所述回归网络的训练过程如下：
获取样本数据集，所述样本数据集包括若干样本医学图像；
将所述样本医学图像输入预设的回归网络，得到所述样本医学图像的质量预测数值；
根据所述质量预测数值与对应的金标准，计算模型损失；
根据所述模型损失对所述回归网络进行训练。
为了实现上述目的，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述方法的步骤。
为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
通过采用上述技术方案，本发明具有如下有益效果：
本发明通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值，而后获取与所述质量检测数值所属的阈值范围对应的质量评估等级，以作为所述待评估医学图像的目标质量评估等级。由于回归网络的损失并非只有分类“正确”与“错误”之分，其损失可以衡量输出值与真实值之间的“误差大小”，因此根据回归网络输出的质量检测数值所属的阈值范围而确定的质量评估等级，考虑了等级之间的排序关系，提高了医学图像评估的准确性。
附图说明
图1为本发明实施例1的医学图像质量评估方法的流程图；
图2为本发明实施例1中神经网络的残差结构的结构示意图；
图3为本发明实施例1中注意力单元的工作原理图；
图4为本发明实施例1中回归网络的训练流程图；
图5为本发明实施例1提供的不同样本医学图像的示例图；
图6为本发明实施例2的医学图像质量评估系统的流程图；
图7为本发明实施例3的电子设备的硬件架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开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。
实施例1
本实施例提供一种医学图像质量评估方法，如图1所示，该方法具体包括以下步骤：
S11，获取待评估医学图像。
在本实施例中，待评估医学图像可以是DR(数字X线摄影)设备根据采集指令采集受测对象的DR图像、核磁共振仪根据采集指令采集受测对象的MRI(核磁共振成像)图像、CT(电子计算机断层扫描)设备根据采集指令采集受测对象的CT图像等。可选地，待评估医学图像可以为头部图像、胸部图像、腹部图像、盆腔图像，也可以为受测对象其他部位的图像，本实施例对此不做任何具体限制。
S12，通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值。
在本实施例中，所述回归网络包括特征提取模块和回归运算模块。其中，特征提取模块用于提取所述待评估医学图像对应的特征图；回归运算模块用于对提取到的特征图进行回归运算，得到所述待评估医学图像的质量检测数值。
优选地，所述特征提取模块为基于残差结构的神经网络(如resnet34网络)。进一步优选地，如图2所示，该神经网络中的残差结构基于注意力机制实现，即，残差结构中增加了注意力单元，用以对特征图中的关键特征进行加强，同时对非关键特征进行抑制，从而提高网络的准确率。
在本实施例中，采用的注意力单元包括依次连接的全局池化层、全连接层和激活函数层。如图3所示，注意力单元的工作流程如下：
S121，通过全局池化层对待评估医学图像的特征图(大小为W*H*C)进行全局平均池化的操作，得到一个1*1*C大小的特征图；
S122，通过全连接层和激活函数层拟合1*1*C特征图的通道之间的相关性；
S123，将W*H*C的特征图与经过步骤S122处理的1*1*C特征图相乘，从而得到不同通道的重要性不一样的特征。
注意力单元通过全连接网络可以根据模型损失自动学习特征权重，使得有效的关键特征通道权重大，让网络能够提高对信息功能的敏感性，以便它们可以被后续的转换所利用，同时抑制相关性不高的信息。
当待评估医学图像输入训练好的回归网络后，模型将输出待评估医学图像的质量检测数值。例如，待评估医学图像可以为胸片图像，相应地，质量检测数值可以为胸片图像中肩胛骨对肺野的占据程度。应该理解，胸片图像的质量检测数值并不局限于肩胛骨对肺野的占据程度，其代表的含义根据回归网络训练时所采用的样本标注标准而定。
S13，获取与所述质量检测数值所属的阈值范围对应的质量评估等级，并将获取到的所述质量评估等级作为所述待评估医学图像的目标质量评估等级。
具体地，首先获取不同阈值范围与不同质量评估等级之间的对应关系；而后从所述不同质量评估等级中，获取与所述质量检测数值所属的阈值范围对应的质量评估等级，以作为目标质量评估等级。
在本实施例中，预先配置不同阈值范围与不同质量评估等级之间的对应关系。例如，配置第一阈值范围[K0，K1)对应于第一质量评估等级K0；配置第二阈值范围[K1，K2)对应于第二质量评估等级K1；配置第三阈值范围[K2，K3)对应于第三质量评估等级K2；配置第四阈值范围[K3，∞)对应于第四质量评估等级K3；其中，K0、K1、K2、K3为预设的阈值，且K0<K1<K2<K3。
例如，当待评估医学图像为胸片图像，回归网络输出的质量检测数值为胸片图像中肩胛骨对肺野的占据程度时，预先配置四个质量评估等级，分别为0、1、2、3，依次用于表示所述待评估医学图像中肩胛骨对肺野的占据程度等级为合格、轻微、中等、严重，则质量评估等级与质量检测数值的有序对应关系如下：
Figure BDA0003001362020000061
在式(1)中，xi表示待评估医学图像，f(xi)表示回归网络输出的质量检测数值，
Figure BDA0003001362020000062
表示与不同阈值范围对应的质量评估等级。
根据式(1)，若质量检测数值f(xi)在0和1之间则对应的质量评估等级可以包括0，若质量检测数值f(xi)在1和2之间则对应的质量评估等级可以包括1，若质量检测数值f(xi)在2和3之间则对应的质量评估等级可以包括2，若质量检测数值f(xi)大于3则对应的质量评估等级可以包括3。
本实施例通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值，而后获取与所述质量检测数值所属的阈值范围对应的质量评估等级，以作为所述待评估医学图像的目标质量评估等级。由于回归网络的损失并非只有分类“正确”与“错误”之分，其损失可以衡量输出值与真实值之间的“误差大小”，因此根据回归网络输出的质量检测数值所属的阈值范围而确定的质量评估等级，考虑了等级之间的排序关系，提高了医学图像评估的准确性。
如图4所示，在本实施例中，所述回归网络的训练过程如下：
S21，获取样本数据集，所述样本数据集包括若干样本医学图像。
在本实施例中，样本医学图像可以是DR设备根据采集指令采集受测对象的DR图像、核磁共振仪根据采集指令采集受测对象的MRI图像、CT设备根据采集指令采集受测对象的CT图像等。可选地，待评估医学图像可以为头部图像、胸部图像、腹部图像、盆腔图像，也可以为受测对象其他部位的图像，本实施例对此不做任何具体限制。
例如，图5提供了标注有不同质量标注等级0、1、2、3的样本胸片图像。在一个实施例中，胸片图像的质量标注等级表示胸片图像中肩胛骨对肺野的占据程度等级，等级越高，表示肩胛骨占据肺野越多，对肺野诊断带来的不利影响越大。应该理解，胸片图像的质量标注等级并不局限于肩胛骨对肺野的占据程度等级，其代表的含义根据标注时所依据的标注标准而定。
S22，将所述样本医学图像输入预设的回归网络，得到所述样本医学图像的质量预测数值。
S23，根据所述质量预测数值与对应的金标准，计算模型损失；
在本实施例中，模型损失优选为均方误差MSE，其公式如下式(2)所示：
Figure BDA0003001362020000071
其中，xi表示第i个样本医学图像，f(xi)表示回归网络输出的第i个样本医学图像的质量预测等级，yi表示与第i个样本医学图像对应的金标准(即质量标注等级)。
S24，根据所述模型损失对所述回归网络进行训练。
具体地，根据模型损失对回归网络的参数进行迭代调整，直至满足预设的训练终止条件，例如直至模型损失收敛或小于预设的最小阈值，或者直至满足预设的迭代次数。
可见，回归网络的模型损失可以衡量输出值与真实值之间的误差大小，将一张合格的胸片识别为轻微和严重时的损失是不同的，误差越大，损失越大，即，回归网络考虑了等级之间的排序关系，因而将其用于医学图像质量评估，能够提高评估准确性。
实施例2
本实施例提供一种医学图像质量评估系统，如图6所示，该系统具体包括图像获取模块11、图像处理模块12和等级获取模块13。下面分别对各个模块进行详细描述：
图像获取模块11用于获取待评估医学图像。
在本实施例中，待评估医学图像可以是DR(数字X线摄影)设备根据采集指令采集受测对象的DR图像、核磁共振仪根据采集指令采集受测对象的MRI(核磁共振成像)图像、CT(电子计算机断层扫描)设备根据采集指令采集受测对象的CT图像等。可选地，待评估医学图像可以为头部图像、胸部图像、腹部图像、盆腔图像，也可以为受测对象其他部位的图像，本实施例对此不做任何具体限制。
图像处理模块12用于通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值。
在本实施例中，所述回归网络包括特征提取模块和回归运算模块。其中，特征提取模块用于提取所述待评估医学图像对应的特征图；回归运算模块用于对提取到的特征图进行回归运算，得到所述待评估医学图像的质量检测数值。
优选地，所述特征提取模块为基于残差结构的神经网络(如resnet34网络)。进一步优选地，如图2所示，该神经网络中的残差结构基于注意力机制实现，即，残差结构中增加了注意力单元，用以对特征图中的关键特征进行加强，同时对非关键特征进行抑制，从而提高网络的准确率。
在本实施例中，采用的注意力单元包括依次连接的全局池化层、全连接层和激活函数层，其工作流程如图3所示。
当待评估医学图像输入训练好的回归网络后，模型将输出待评估医学图像的质量检测数值。例如，待评估医学图像可以为胸片图像，相应地，质量检测数值可以为胸片图像中肩胛骨对肺野的占据程度。应该理解，胸片图像的质量检测数值并不局限于肩胛骨对肺野的占据程度，其代表的含义根据回归网络训练时所采用的样本标注标准而定。
等级获取模块13用于获取与所述质量检测数值所属的
阈值范围对应的质量评估等级，并将获取到的所述质量评估等级作为所述待评估医学图像的目标质量评估等级。
具体地，首先获取不同阈值范围与不同质量评估等级之间的对应关系；而后从所述不同质量评估等级中，获取与所述质量检测数值所属的阈值范围对应的质量评估等级，以作为目标质量评估等级。
在本实施例中，医学图像质量评估系统预先配置有不同阈值范围与不同质量评估等级之间的对应关系。例如，配置第一阈值范围[K0，K1)对应于第一质量评估等级K0；配置第二阈值范围[K1，K2)对应于第二质量评估等级K1；配置第三阈值范围[K2，K3)对应于第三质量评估等级K2；配置第四阈值范围[K3，∞)对应于第四质量评估等级K3；其中，K0、K1、K2、K3为预设的阈值，且K0<K1<K2<K3。
本实施例通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值，而后获取与所述质量检测数值所属的阈值范围对应的质量评估等级，以作为所述待评估医学图像的目标质量评估等级。由于回归网络的损失并非只有分类“正确”与“错误”之分，其损失可以衡量输出值与真实值之间的“误差大小”，因此根据回归网络输出的质量检测数值所属的阈值范围而确定的质量评估等级，考虑了等级之间的排序关系，提高了医学图像评估的准确性。
此外，在本实施例的医学图像质量评估系统还包括模型训练模块14，用于训练所述回归网络，其中模型训练模块的训练过程参考前述步骤S21-S24。
训练时，回归网络的模型损失可以衡量输出值与真实值之间的误差大小，将一张合格的胸片识别为轻微和严重时的损失是不同的，误差越大，损失越大，即，回归网络考虑了等级之间的排序关系，因而将其用于医学图像质量评估，能够提高评估准确性。
实施例3
本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务机构设备)，包括存储机构、处理机构及存储在存储机构上并可在处理机构上运行的计算机程序，其中处理机构执行计算机程序时可以实现实施例1提供的医学图像质量评估方法。
图7示出了本实施例的硬件结构示意图，如图7所示，电子设备9具体包括：
至少一个处理机构91、至少一个存储机构92以及用于连接不同系统组件(包括处理机构91和存储机构92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储机构92包括易失性存储机构，例如随机存取存储机构(RAM)921和/或高速缓存存储机构922，还可以进一步包括只读存储机构(ROM)923。
存储机构92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924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。
处理机构91通过运行存储在存储机构92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的医学图像质量评估方法。
电子设备9进一步可以与一个或多个外部设备94(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95进行。并且，电子设备9还可以通过网络适配机构96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。网络适配机构96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动机构、冗余处理机构、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动机构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，根据本申请的实施方式，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。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理机构执行时实现实施例1所提供的医学图像质量评估方法的步骤。
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、随机存取存储机构、只读存储机构、可擦拭可编程只读存储机构、光存储机构件、磁存储机构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实施例1的医学图像质量评估方法的步骤。
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)

1.一种医学图像质量评估方法，其特征在于，包括：
获取待评估医学图像；
通过预先训练的回归网络对所述待评估医学图像进行处理，得到所述待评估医学图像的质量检测数值；
获取与所述质量检测数值所属的阈值范围对应的质量评估等级，并将获取到的所述质量评估等级作为所述待评估医学图像的目标质量评估等级。
2.根据权利要求1所述的医学图像质量评估方法，其特征在于，所述回归网络包括：
特征提取模块，用于提取所述待评估医学图像对应的特征图；
回归运算模块，用于对所述特征图进行回归运算，得到所述待评估医学图像的质量检测数值。
3.根据权利要求2所述的医学图像质量评估方法，其特征在于，所述特征提取模块为基于残差结构的神经网络，且所述残差结构包括注意力单元。
4.根据权利要求1所述的医学图像质量评估方法，其特征在于，所述获取与所述质量检测数值所属的阈值范围对应的质量评估等级，包括：
获取不同阈值范围与不同质量评估等级之间的对应关系；
从所述不同质量评估等级中，获取与所述质量检测数值所属的阈值范围对应的质量评估等级。
5.根据权利要求4所述的医学图像质量评估方法，其特征在于，在获取与所述质量检测数值所属的阈值范围对应的质量评估等级之前，还包括：
配置不同阈值范围与不同质量评估等级之间的对应关系。
6.根据权利要求5所述的医学图像质量评估方法，其特征在于，所述配置不同阈值范围与不同质量评估等级之间的对应关系，包括：
配置第一阈值范围[K0，K1)对应于第一质量评估等级K0；
配置第二阈值范围[K1，K2)对应于第二质量评估等级K1；
配置第三阈值范围[K2，K3)对应于第三质量评估等级K2；
配置第四阈值范围[K3，∞)对应于第四质量评估等级K3；
其中，K0、K1、K2、K3为预设的阈值，且K0<K1<K2<K3。
7.根据权利要求1所述的医学图像质量评估方法，其特征在于，所述待评估医学图像为胸片图像，所述质量评估等级包括所述待评估医学图像中肩胛骨对肺野的占据程度等级。
8.根据权利要求1所述的医学图像质量评估方法，其特征在于，所述回归网络的训练过程如下：
获取样本数据集，所述样本数据集包括若干样本医学图像；
将所述样本医学图像输入预设的回归网络，得到所述样本医学图像的质量预测数值；
根据所述质量预测数值与对应的金标准，计算模型损失；
根据所述模型损失对所述回归网络进行训练。
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，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
10.一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至8任一项所述方法的步骤。
CN202110347821.2A 2021-03-31 2021-03-31 医学图像质量评估方法、电子设备及存储介质 Pending CN113112463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110347821.2A CN113112463A (zh) 2021-03-31 2021-03-31 医学图像质量评估方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110347821.2A CN113112463A (zh) 2021-03-31 2021-03-31 医学图像质量评估方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113112463A true CN113112463A (zh) 2021-07-13

Family

ID=76713261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110347821.2A Pending CN113112463A (zh) 2021-03-31 2021-03-31 医学图像质量评估方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113112463A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219803A (zh) * 2022-02-21 2022-03-22 浙江大学 一种三阶段图像质量评估的检测方法与系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184819A (zh) * 2015-09-14 2015-12-23 浙江大学 用于医学图像重建参数寻优的客观图像质量评价方法
CN108257132A (zh) * 2018-03-05 2018-07-06 南方医科大学 一种基于机器学习的ct图像质量评估的方法
CN109741317A (zh) * 2018-12-29 2019-05-10 成都金盘电子科大多媒体技术有限公司 医学影像智能评价方法
CN109949277A (zh) * 2019-03-04 2019-06-28 西北大学 一种基于排序学习和简化残差网络的oct图像质量评价方法
CN111259982A (zh) * 2020-02-13 2020-06-09 苏州大学 一种基于注意力机制的早产儿视网膜图像分类方法和装置
CN111709906A (zh) * 2020-04-13 2020-09-25 北京深睿博联科技有限责任公司 医学图像的质量评估方法和装置
CN111815558A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 一种医学图像处理系统、方法及计算机存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184819A (zh) * 2015-09-14 2015-12-23 浙江大学 用于医学图像重建参数寻优的客观图像质量评价方法
CN108257132A (zh) * 2018-03-05 2018-07-06 南方医科大学 一种基于机器学习的ct图像质量评估的方法
CN109741317A (zh) * 2018-12-29 2019-05-10 成都金盘电子科大多媒体技术有限公司 医学影像智能评价方法
CN109949277A (zh) * 2019-03-04 2019-06-28 西北大学 一种基于排序学习和简化残差网络的oct图像质量评价方法
CN111259982A (zh) * 2020-02-13 2020-06-09 苏州大学 一种基于注意力机制的早产儿视网膜图像分类方法和装置
CN111709906A (zh) * 2020-04-13 2020-09-25 北京深睿博联科技有限责任公司 医学图像的质量评估方法和装置
CN111815558A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 一种医学图像处理系统、方法及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219803A (zh) * 2022-02-21 2022-03-22 浙江大学 一种三阶段图像质量评估的检测方法与系统
CN114219803B (zh) * 2022-02-21 2022-07-15 浙江大学 一种三阶段图像质量评估的检测方法与系统

Similar Documents

Publication Publication Date Title
JP6976360B2 (ja) データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
CN110400298B (zh) 心脏临床指标的检测方法、装置、设备及介质
US20230342918A1 (en) Image-driven brain atlas construction method, apparatus, device and storage medium
CN109191451B (zh) 异常检测方法、装置、设备和介质
US20240029866A1 (en) Image-driven brain atlas construction method, device and storage medium
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
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN110660484A (zh) 骨龄预测方法、装置、介质及电子设备
CN110111885B (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
CN114549469A (zh) 一种基于置信度校准的深层神经网络医疗图像诊断方法
CN109146891B (zh) 一种应用于mri的海马体分割方法、装置及电子设备
CN112862778A (zh) 扫描影像检测方法、电子设备和计算机可读介质
CA3111320A1 (en) Determination of a growth rate of an object in 3d data sets using deep learning
CN114298234A (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
CN116797572A (zh) 基于多模态数据的类风湿关节炎活动度分级装置
CN113313699B (zh) 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备
CN113112463A (zh) 医学图像质量评估方法、电子设备及存储介质
CN111598966B (zh) 一种基于生成对抗网络的磁共振成像方法及装置
CN116243680A (zh) 一种黑盒域适应的工业设备诊断方法、系统及存储介质
CN115564763A (zh) 甲状腺超声图像处理方法、装置、介质及电子设备
Ramli et al. Automatic Pneumonia Detection Through Chest X-Ray Image-Based
CN112766333B (zh) 医学影像处理模型训练方法、医学影像处理方法及装置
CN113177923B (zh) 医学影像内容识别方法、电子设备及存储介质
CN112669973B (zh) 基于大数据深度学习的疾病协同递进预测方法和机器人

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