CN113114952A - 一种评价乳腺随访图像质量的方法、系统及装置 - Google Patents
一种评价乳腺随访图像质量的方法、系统及装置 Download PDFInfo
- Publication number
- CN113114952A CN113114952A CN202110371037.5A CN202110371037A CN113114952A CN 113114952 A CN113114952 A CN 113114952A CN 202110371037 A CN202110371037 A CN 202110371037A CN 113114952 A CN113114952 A CN 113114952A
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- follow
- quality
- mammary gland
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/76—Circuitry for compensating brightness variation in the scene by influencing the image signals
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
-
- 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]
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种评价乳腺随访图像质量的方法、系统及装置,所述方法包括:提取并保存前片乳腺图像的曝光参数;采集乳腺随访图像并提取其曝光参数;系统自动调取前片图像的曝光参数,实时将两次图像的曝光参数进行比较;当乳腺随访图像的曝光参数优于或接近前片图像时,认为所拍摄的随访图像质量符合质量控制,评为“甲片”;当乳腺随访图像的曝光参数比前片图像差,评为“乙片”或“丙片”时,则立刻对患者乳腺进行重新摄影。本发明通过图像数据量化,能够实时对图像质量进行控制,比较前后两次图像的曝光参数,当出现“乙片”或“丙片”时,立刻重新拍摄,使后续的图像质量符合“甲片”标准。
Description
技术领域
本发明涉及医学影像处理技术领域,特别是涉及一种评价乳腺随访图像质量的方法、系统及装置。
背景技术
据WHO统计,全世界每年有120万妇女患乳腺癌,50万妇女死于乳腺癌,其发病率以每年2%~8%的速度递增。在我国,根据国家癌症中心公开发表的数据,女性恶性肿瘤病例中约有15%是乳腺癌病例,占据着女性死因的首位,且发病率每年以平均0.2%-8%的速度增加。由于我国人口基数大,患者数量多,给社会带来了沉重的负担。早期接受治疗的乳腺癌患者,其生存率显著提高,5年生存率可超过95%。乳腺癌防治关键在于早发现、早诊断、早治疗,因此,每年一次的乳腺健康检查是非常必要的。
乳腺X线摄影简便易行,且分辨率高,重复性好,留取的图像可供前后对比,不受年龄、体形的限制,目前被证实为最有效的乳腺病筛查方法之一,在乳腺癌的筛查、诊断、随访中起重要作用。通过头尾位(Craniocaudal view,CC)及内外侧斜位(Mediolateraloblique,MLO)两个常规体位的X线成像,能够突出组织边缘的轮廓,清楚显示病灶的位置、大小、形态,有利于微小钙化的检出及良恶性病变的鉴别诊断,是早期发现、早期诊断乳腺癌的最有效和可靠的方法之一,尤其对于临床不可探及的,以微小钙化簇为唯一表现的早期乳腺癌具有独特的诊断意义。
然而,优质的乳腺X线图像是病灶检出的关键。常规的乳腺图像质量控制从以下内容进行评审:影像体位、压迫、曝光条件、锐利度、伪影和检查标识。如常规乳腺头尾位,图像清晰锐利,充分显示腺体后方的脂肪组织,未出现皮肤褶皱,且包含乳腺的后内侧缘,不显示部分胸大肌边缘。在临床工作中,由于不同年资的技师经验差异,难以准确把握每次摄影的图像质量,因此在临床中,当医师发现图像质量无法达到诊断标准,即“乙片”时,常需要召回患者重新拍摄,这导致技师的工作效率低,也给患者的反复来回带去麻烦。而且,当前的乳腺图像质量控制都是基于单张拍摄的图像,尚未考虑将同一个患者前后拍摄的随访图像进行比较,并作为一种新的图像质量控制方法。针对以上的情况,急需一种根据前片曝光参数评价乳腺随访图像质量的方法及系统。
发明内容
本发明的目的在于提供一种评价乳腺随访图像质量的方法、系统及装置,旨在针对拍摄乳腺图像时,通过图像数据量化,能够实时对图像质量进行控制,比较前后两次图像的曝光参数,当出现“乙片”或“丙片”时,立刻重新拍摄,使后续的图像质量符合“甲片”标准,提高操作技师的工作效率。
为实现上述目的,本发明提供了如下方案:
一种评价乳腺随访图像质量的方法,包括以下步骤:
提取并保存前片乳腺图像的曝光参数;
采集乳腺随访图像并提取其曝光参数;
系统自动调取前片图像的曝光参数及随访图像的曝光参数,实时将两次图像的曝光参数进行比较;
通过计算得到图像曝光参数的差异百分比,判断所拍摄的随访图像质量是否符合质量控制。
优选地,在所述前片乳腺图像上,从其DICOM信息中提取并保存曝光参数于系统中,所提取的曝光参数包括:乳腺厚度BT1、乳腺压迫力度CF1,乳腺面积BA1;
所述乳腺随访图像中提取的曝光参数包括:乳腺厚度BT2、乳腺压迫力度CF2、乳腺面积BA2。
优选地,所述乳腺面积的计算方法为:提取乳腺轮廓,计算乳腺轮廓内的像素点个数,根据每个像素点的面积进行叠加,最后得到乳腺面积。
优选地,计算图像曝光参数的差异百分比的方法为:
乳腺厚度差异百分比:BT%=(BT2-BT1)/BT1;
乳腺压迫力度差异百分比:CF%=(CF2-CF1)/CF1;
乳腺面积差异百分比:BA%=(BA2-BA1)/BA1。
优选地,当所述乳腺厚度差异百分比BT%、乳腺压迫力度差异百分比CF%、乳腺面积差异百分比BA%中有两个参数大于5%,另外的参数在-5%~5%内,则认为乳腺随访图像的曝光参数优于前片图像,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%参数均在-5%~5%内时,认为乳腺随访图像的曝光参数基本与前片图像一致,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%中只有一个或两个参数在-5%~5%范围内时,另外的参数小于-5%时,认为乳腺随访图像的曝光参数劣于前片图像,所拍摄的随访图像质量符合质量控制,评为“乙片”;
当BT%、CF%、BA%中有两个及以上参数小于-5%~时,认为乳腺随访图像的曝光参数明显差于前片图像,通过对话框弹窗的方式,告知技师该图像评为“丙片”,需要立刻对患者乳腺进行重新摄影。
一种评价乳腺随访图像质量的系统,包括:
信息提取模块:用于提取前片及随访图像的DICOM信息,包括乳腺厚度、乳腺压迫力度、乳腺面积;
数据分析模块:用于通过对前后两次图像的比较,计算乳腺厚度差异百分比、乳腺压迫力度百分比、乳腺面积差异百分比;
评价模块:根据所述数据分析模块的比较结果,评价所拍摄图像的质量。
优选地,所述信息提取模块包括:卷积神经网络单元,所述卷积神经网络单元包括第一卷积神经网络和第二卷积神经网络,所述第一卷积神经网络用于对图像进行分割预处理,所述第二卷积神经网络用于对经过预处理操作的图像进行DICOM信息的提取。
优选地,所述数据分析模块包括:
比较单元:用于比较前后两次图像的DICOM信息;
计算单元:用于计算图像曝光参数的差异百分比。
一种评价乳腺随访图像质量的装置,包括:至少一个处理器,以及与所述至少一个处理器通信连接的图像显示和存储系统,所述图像显示和存储系统存储有能被所述至少一个处理器执行的指令,所述指令能够被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任意一项所述的评价乳腺随访图像质量的方法。
一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令促使所述至少一个处理器实现权利要求1-5任意一项所述的评价乳腺随访图像质量的方法。
本发明的有益效果为:
针对拍摄乳腺图像时,由于不同年资的技师经验差异,难以准确把握每次摄影的图像质量,容易产生“乙片”,甚至“丙片”,常需要召回患者重新拍摄,导致技师的工作效率低,也给患者的反复来回带去麻烦。本发明通过对曝光参数的量化,能够实时对图像质量进行控制,比较前后两次图像的曝光参数,当出现“乙片”或“丙片”时,立刻重新拍摄,使后续的图像质量符合“甲片”标准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为本发明实施例中乳腺图像所提取的轮廓示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开一种评价乳腺随访图像质量的方法、系统及装置,能够实时对图像质量进行控制,比较前后两次图像的曝光参数,使得后续拍摄的图像质量符合“甲片”标准。
一种评价乳腺随访质量的方法(如图1所示),包括以下步骤:
S1、提取并保存前片乳腺图像的曝光参数;
在前片乳腺图像上,从其DICOM信息中提取并保存曝光参数于系统中,所提取的曝光参数包括:乳腺厚度BT1、乳腺压迫力度CF1,乳腺面积BA1,先通过式(1)提取乳腺轮廓(如图2所示),计算轮廓内的像素点个数,根据每个像素点的面积,最后叠加得到乳腺面积如式(2)。
Border(x,y)=f(x+1,y+1)-f(x,y) (1)
其中,f(x,y)为该像素点的灰度值,x、y分别为乳腺图像中像素点的横坐、纵坐标,Border(x,y)为乳腺轮廓点。
其中,xs为整张乳腺图像最大的横坐标值,x为乳腺轮廓点,ys为整张乳腺图像最大的纵坐标值。
本发明在Hologic(USA)机器上采集的乳腺前片及随访图像,在计算乳腺轮廓边界点时,当Border(x,y)<10时,认为Border(xn,yn)为乳腺轮廓点,xn、yn分别为轮廓点的横坐标、纵坐标。
S2、采集乳腺随访图像,从其DICOM信息中提取曝光参数,包括:乳腺厚度BT2、乳腺压迫力度CF2、乳腺面积BA2。
S3、系统自动调取前片图像的曝光参数及随访图像的曝光参数,实时将两次图像的曝光参数进行比较;
计算以下参数的差异百分比:
乳腺厚度差异百分比:BT%=(BT2-BT1)/BT1
乳腺压迫力度差异百分比:CF%=(CF2-CF1)/CF1
乳腺面积差异百分比:BA%=(BA2-BA1)/BA1
S4、通过计算得到图像曝光参数的差异百分比,判断所拍摄的随访图像质量是否符合质量控制。
当BT%、CF%、BA%等中有两个参数大于5%及第三个参数在-5%~5%内,或三个参数均大于5%时,认为乳腺随访图像的曝光参数优于前片图像,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%中的参数均在-5%~5%内时,认为乳腺随访图像的曝光参数基本与前片图像一致,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%中只有一个或两个参数在-5%~5%内,另外的参数小于-5%时,认为乳腺随访图像的曝光参数劣于前片图像,所拍摄的随访图像质量符合质量控制,评为“乙片”;
当BT%、CF%、BA%中有两个及以上参数小于-5%时,认为乳腺随访图像的曝光参数明显差于前片图像,通过对话框弹窗的方式,告知技师该图像评为“丙片”,需要立刻对患者乳腺进行重新摄影。
一种评价乳腺随访图像质量的系统,包括:
信息提取模块:用于提取前片及随访图像的DICOM信息,包括乳腺厚度、乳腺压迫力度、乳腺面积;
所述信息提取模块包括:卷积神经网络单元,所述卷积神经网络单元包括第一卷积神经网络和第二卷积神经网络,所述第一卷积神经网络用于对图像进行分割预处理,所述第二卷积神经网络用于对经过预处理操作的图像进行DICOM信息的提取。
数据分析模块:通过对前后两次图像的比较,计算乳腺厚度差异百分比、乳腺压迫力度差异百分比、乳腺面积差异百分比;
所述数据分析模块包括:
比较单元:用于比较前后两次图像的DICOM信息;
计算单元:用于计算图像曝光参数的差异百分比。
评价模块:根据数据分析模块的比较结果,评价所拍摄图像的质量,为“甲片”、“乙片”或“丙片”。
一种评价乳腺随访图像质量的装置,包括:
由X线管、探测器和扫描架组成的扫描部分;
计算机系统,将扫描收集到的信息数据进行贮存计算;
所述计算机系统包括:处理器,以及与处理器通信连接的图像显示和存储系统,所述图像显示和存储系统存储有处理器执行的指令,所述指令可被处理器执行。
图像显示和存储系统,将经过计算机处理、重建的图像显示在电视屏或用多幅照相机或激光照相机将图像摄下。
本发明的数据预处理过程使用归一化方法进行处理,将图像的尺寸、像素进行归一化的设置,第一卷积神经网络用于识别图像中的DICOM信息,按照其性质进行分类,包括:乳腺厚度BT1、乳腺压迫力度CF1,乳腺面积BA1;第二卷积神经网络对分类结果进行信息提取,将所提取的信息发送到数据分析模块进行计算。数据分析模块通过比较前后两次图像的DICOM信息,经过计算单元计算得到乳腺厚度差异百分比、乳腺压迫力度差异百分比、乳腺面积差异百分比,将计算结果发送到评价模块做出评价,最后通过图像显示和存储系统反馈给技师。
本发明所提供的一种根据前片曝光参数评价乳腺随访图像质量的方法、系统及装置,可针对拍摄乳腺图像时,由于不同年资的技师经验差异,难以准确把握每次摄影的图像质量,容易产生“乙片”,甚至“丙片”。本发明通过对曝光参数的量化,能够实时对图像质量进行控制,比较前后两次图像的曝光参数,当出现“乙片”或“丙片”时,立刻重新拍摄,使后续的图像质量符合“甲片”标准。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种评价乳腺随访图像质量的方法,其特征在于,包括以下步骤:
提取并保存前片乳腺图像的曝光参数;
采集乳腺随访图像并提取其曝光参数;
系统自动调取前片图像的曝光参数及随访图像的曝光参数,实时将两次图像的曝光参数进行比较;
通过计算得到图像曝光参数的差异百分比,判断所拍摄的随访图像质量是否符合质量控制。
2.根据权利要求1所述的评价乳腺随访图像质量的方法,其特征在于,在所述前片乳腺图像上,从其DICOM信息中提取并保存曝光参数于系统中,所提取的曝光参数包括:乳腺厚度BT1、乳腺压迫力度CF1,乳腺面积BA1;
所述乳腺随访图像中提取的曝光参数包括:乳腺厚度BT2、乳腺压迫力度CF2、乳腺面积BA2。
3.根据权利要求2所述的评价乳腺随访图像质量的方法,其特征在于,所述乳腺面积的计算方法为:提取乳腺轮廓,计算乳腺轮廓内的像素点个数,根据每个像素点的面积进行叠加,最后得到乳腺面积。
4.根据权利要求1所述的评价乳腺随访图像质量的方法,其特征在于,计算图像曝光参数的差异百分比的方法为:
乳腺厚度差异百分比:BT%=(BT2-BT1)/BT1;
乳腺压迫力度差异百分比:CF%=(CF2-CF1)/CF1;
乳腺面积差异百分比:BA%=(BA2-BA1)/BA1。
5.根据权利要求4所述的评价乳腺随访图像质量的方法,其特征在于,当所述乳腺厚度差异百分比BT%、乳腺压迫力度差异百分比CF%、乳腺面积差异百分比BA%中有两个参数大于5%,另外的参数在-5%~5%内,则认为乳腺随访图像的曝光参数优于前片图像,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%参数均在-5%~5%内时,认为乳腺随访图像的曝光参数基本与前片图像一致,所拍摄的随访图像质量符合质量控制,评为“甲片”;
当BT%、CF%、BA%中只有一个或两个参数在-5%~5%范围内时,另外的参数小于-5%时,认为乳腺随访图像的曝光参数劣于前片图像,所拍摄的随访图像质量符合质量控制,评为“乙片”;
当BT%、CF%、BA%中有两个及以上参数小于-5%~时,认为乳腺随访图像的曝光参数明显差于前片图像,通过对话框弹窗的方式,告知技师该图像评为“丙片”,需要立刻对患者乳腺进行重新摄影。
6.一种评价乳腺随访图像质量的系统,其特征在于,包括:
信息提取模块:用于提取前片及随访图像的DICOM信息,包括乳腺厚度、乳腺压迫力度、乳腺面积;
数据分析模块:用于通过对前后两次图像的比较,计算乳腺厚度差异百分比、乳腺压迫力度百分比、乳腺面积差异百分比;
评价模块:根据所述数据分析模块的比较结果,评价所拍摄图像的质量。
7.根据权利要求6所述的评价乳腺随访图像质量的系统,其特征在于,所述信息提取模块包括:卷积神经网络单元,所述卷积神经网络单元包括第一卷积神经网络和第二卷积神经网络,所述第一卷积神经网络用于对图像进行分割预处理,所述第二卷积神经网络用于对经过预处理操作的图像进行DICOM信息的提取。
8.根据权利要求6所述的评价乳腺随访图像质量的系统,其特征在于,所述数据分析模块包括:
比较单元:用于比较前后两次图像的DICOM信息;
计算单元:用于计算图像曝光参数的差异百分比。
9.一种评价乳腺随访图像质量的装置,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的图像显示和存储系统,所述图像显示和存储系统存储有能被所述至少一个处理器执行的指令,所述指令能够被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任意一项所述的评价乳腺随访图像质量的方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令促使所述至少一个处理器实现权利要求1-5任意一项所述的评价乳腺随访图像质量的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371037.5A CN113114952B (zh) | 2021-04-07 | 2021-04-07 | 一种评价乳腺随访图像质量的方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371037.5A CN113114952B (zh) | 2021-04-07 | 2021-04-07 | 一种评价乳腺随访图像质量的方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113114952A true CN113114952A (zh) | 2021-07-13 |
CN113114952B CN113114952B (zh) | 2022-02-18 |
Family
ID=76714430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371037.5A Active CN113114952B (zh) | 2021-04-07 | 2021-04-07 | 一种评价乳腺随访图像质量的方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113114952B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1147889A (zh) * | 1994-05-13 | 1997-04-16 | 明尼苏达州采矿制造公司 | 自动化图象质量控制 |
CN101627916A (zh) * | 2009-08-10 | 2010-01-20 | 深圳圣诺医疗设备有限公司 | 乳腺x光机及其实现全自动曝光的方法 |
CN102164247A (zh) * | 2010-02-22 | 2011-08-24 | 奥林巴斯映像株式会社 | 照相机及其控制方法 |
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN104463828A (zh) * | 2013-09-18 | 2015-03-25 | 株式会社日立医疗器械 | Ct图像评价装置及ct图像评价方法 |
CN104545957A (zh) * | 2013-10-22 | 2015-04-29 | 上海西门子医疗器械有限公司 | X线影像系统、x线影像设备、服务器及方法 |
CN104615915A (zh) * | 2015-01-15 | 2015-05-13 | 于飞 | 一种针对医疗放射影像的计算机辅助图像质量分析控制方法及系统 |
CN104983436A (zh) * | 2015-05-27 | 2015-10-21 | 中北大学 | 一种x射线成像装置及方法 |
CN105193436A (zh) * | 2014-06-20 | 2015-12-30 | 深圳市蓝韵实业有限公司 | 数字乳腺x射线成像系统曝光剂量的评价方法 |
CN106018426A (zh) * | 2016-07-20 | 2016-10-12 | 武汉大学 | 印刷品质量在线检测系统 |
CN109730704A (zh) * | 2018-12-29 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 一种控制医用诊疗设备曝光的方法及系统 |
CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
-
2021
- 2021-04-07 CN CN202110371037.5A patent/CN113114952B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1147889A (zh) * | 1994-05-13 | 1997-04-16 | 明尼苏达州采矿制造公司 | 自动化图象质量控制 |
CN101627916A (zh) * | 2009-08-10 | 2010-01-20 | 深圳圣诺医疗设备有限公司 | 乳腺x光机及其实现全自动曝光的方法 |
CN102164247A (zh) * | 2010-02-22 | 2011-08-24 | 奥林巴斯映像株式会社 | 照相机及其控制方法 |
CN104424385A (zh) * | 2013-08-22 | 2015-03-18 | 上海联影医疗科技有限公司 | 一种医学影像的评价方法和装置 |
CN104463828A (zh) * | 2013-09-18 | 2015-03-25 | 株式会社日立医疗器械 | Ct图像评价装置及ct图像评价方法 |
CN104545957A (zh) * | 2013-10-22 | 2015-04-29 | 上海西门子医疗器械有限公司 | X线影像系统、x线影像设备、服务器及方法 |
CN105193436A (zh) * | 2014-06-20 | 2015-12-30 | 深圳市蓝韵实业有限公司 | 数字乳腺x射线成像系统曝光剂量的评价方法 |
CN104615915A (zh) * | 2015-01-15 | 2015-05-13 | 于飞 | 一种针对医疗放射影像的计算机辅助图像质量分析控制方法及系统 |
CN104983436A (zh) * | 2015-05-27 | 2015-10-21 | 中北大学 | 一种x射线成像装置及方法 |
CN106018426A (zh) * | 2016-07-20 | 2016-10-12 | 武汉大学 | 印刷品质量在线检测系统 |
CN109730704A (zh) * | 2018-12-29 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 一种控制医用诊疗设备曝光的方法及系统 |
CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113114952B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
JP3001232B2 (ja) | 画像処理方法および装置 | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
Giger et al. | Image processing and computer-aided diagnosis | |
US7916912B2 (en) | Efficient border extraction of image feature | |
US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
JPH10503961A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
US8351667B2 (en) | Methods of contrast enhancement for images having blood vessel structures | |
US20120014585A1 (en) | Radiation image processing apparatus, radiation image processing method, and radiation image processing program | |
Hsieh et al. | Combining VGG16, Mask R-CNN and Inception V3 to identify the benign and malignant of breast microcalcification clusters | |
Sheba et al. | Objective quality assessment of image enhancement methods in digital mammography–a comparative study | |
Abbas et al. | Lungs nodule cancer detection using statistical techniques | |
CN113114952B (zh) | 一种评价乳腺随访图像质量的方法、系统及装置 | |
Patanachai et al. | Wavelet transformation for dental X-ray radiographs segmentation technique | |
WO2002015113A2 (en) | Mammography screening to detect and classify microcalcifications | |
EP2313848A1 (en) | Methods for enhancing vascular patterns in cervical imagery | |
Liantoni et al. | Increased mammogram image contrast using histogram equalization and gaussian in the classification of breast cancer | |
Salman et al. | Breast Cancer Classification as Malignant or Benign based on Texture Features using Multilayer Perceptron | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Natarajan et al. | Detection of Tumor in Mammogram Images using Extended Local Minima Threshold | |
Nguyen et al. | Detect abnormalities in mammograms by local contrast thresholding and rule-based classification | |
da Cruz | Automatic analysis of mammography images: enhancement and segmentation techniques | |
da Cruz | Automatic analysis of mammography images | |
Dheeba et al. | Cascaded Correlation Neural Network based Microcalcification detection in Mammographic Images |
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 |