CN113129343A - 用于x射线成像中的解剖结构/视图分类的方法和系统 - Google Patents

用于x射线成像中的解剖结构/视图分类的方法和系统 Download PDF

Info

Publication number
CN113129343A
CN113129343A CN202011640144.5A CN202011640144A CN113129343A CN 113129343 A CN113129343 A CN 113129343A CN 202011640144 A CN202011640144 A CN 202011640144A CN 113129343 A CN113129343 A CN 113129343A
Authority
CN
China
Prior art keywords
image
view
images
ray
anatomy
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
CN202011640144.5A
Other languages
English (en)
Inventor
王德军
杨静怡
葛雅安
周爱珍
凯特琳·奈
吉雷沙·拉奥
其布尔
纳吉布·阿克拉姆
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN113129343A publication Critical patent/CN113129343A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • 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
    • G06T2207/10116—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了用于x射线成像的各种方法和系统。在一个实施方案中，一种方法包括：控制x射线源和x射线检测器以获取受检者的图像；利用经训练的神经网络对该图像中所描绘的解剖结构/视图进行分类；基于该解剖结构/视图执行所述图像的后处理；以及显示经后处理的图像。以这种方式，可以简化用于x射线图像获取和处理的用户工作流，并且可以提高放射线图像的外观一致性以及图像粘贴检查的配准准确度。

Description

用于X射线成像中的解剖结构/视图分类的方法和系统
技术领域
本文所公开的主题的实施方案涉及x射线成像。
背景技术
诸如x射线成像的成像技术允许非侵入性采集诸如患者等受检者的内部结构或特征的图像。数字x射线成像系统产生可以重建为放射线图像的数字数据。在数字x射线成像系统中，来自源的辐射朝向受检者。辐射的一部分穿过受检者并冲击检测器。检测器包括离散图片元素或检测器像素的阵列，并且基于冲击每个像素区域的辐射的量或强度来生成输出信号。随后处理输出信号以生成可显示以供查看的图像。这些图像用于识别和/或检查患者体内的内部结构和器官。
发明内容
在一个实施方案中，一种方法包括：控制x射线源和x射线检测器以获取受检者的图像；利用经训练的神经网络对所述图像中所描绘的解剖结构/视图进行分类；基于所述解剖结构/视图执行所述图像的后处理；以及显示所述经后处理的图像。以这种方式，可以简化用于x射线图像获取和处理的用户工作流，并且可以提高放射线图像的外观一致性以及图像粘贴检查的配准准确度。
应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本发明，其中以下：
图1示出了根据一个实施方案的示例性x射线成像系统；
图2示出了根据实施方案的示出用于自动解剖结构/视图分类的示例性方法的高级流程图；
图3示出了根据实施方案的示出用于基于解剖结构/视图分类进行所获取的放射线图像的后处理的示例性方法的高级流程图；
图4示出了根据实施方案的示出图3的方法的图像集；
图5示出了根据实施方案的示出用于基于解剖结构/视图分类对放射线图像进行图像粘贴的示例性方法的高级流程图；
图6示出了根据实施方案的示出用于基于对多个放射线图像的解剖结构/视图分类的预测来确定解剖结构/视图分类的示例性方法的高级流程图；
图7示出了根据实施方案的示出图5的方法的图像集；
图8示出了根据实施方案的示出用于针对获取协议选择的解剖结构/视图分类的示例性方法的高级流程图；以及
图9示出了根据实施方案的示出基于相机数据的解剖结构/视图分类的图像集。
具体实施方式
以下描述涉及x射线成像的各种实施方案。具体地，提供了用于x射线成像的自动解剖结构/视图分类的系统和方法。一种x射线成像系统(诸如图1中所描绘的x射线成像系统)包括经训练的分类网络，用于自动确定成像受试者的解剖结构/视图。解剖结构/视图包括成像受试者相对于x射线源和x射线检测器的取向和定位。一种用于x射线成像的方法(诸如图2中所描绘的方法)包括：对一个或多个图像中所描绘的解剖结构/视图进行分类；以及基于解剖结构/视图对一个或多个图像进行后处理。对于放射线图像处理，不同的解剖结构/视图需要与整体外观有关的自适应参数，诸如与边缘细节、对比度、噪声水平等有关的参数。一种用于放射线图像处理的方法(诸如图3和图4中所描绘的方法)包括基于由分类网络分类的解剖结构/视图来自动调整此类参数。以这种方式，即使成像系统的用户经由成像系统用户界面选择了不正确的协议，也以正确的协议来处理图像。由于用户不需要选择用于显示图像的最佳视图协议，因此提高了工作流效率，同时提高了所显示图像的一致性。
此外，图像粘贴或者合成图像的创建通常通过具有用于获取总视场大于检测器视场(FOV)的图像的系统来完成。对于诸如全脊柱成像或长腿成像的应用，解剖结构的总覆盖范围(例如，60cm-120cm)超过了大多数当前的检测器和胶片屏幕系统的覆盖范围。在克服检测器FOV的限制的一种方法中，在图像粘贴检查期间以重叠的FOV获取多个图像并将其拼接在一起。历史上，图像是用检测器FOV采集的，然后由放射科医师手动切割各种图像以避免重叠，并手动重新粘贴以重建具有整个FOV的图像。最近，用于数字粘贴连续图像的自动技术提高了图像粘贴检查的准确度。通常，在图像粘贴检查期间获取受试者或患者的多个取向或视图。在用于在图像粘贴检查期间获取受试者的多个视图的典型工作流中，用户针对每个视图选择不同的协议。如果选择了不正确的视图协议，则视图的图像可能配准失调，从而降低了图像粘贴的准确性。一种用于提高工作流效率并提高图像粘贴检查成功率的方法(诸如图5至图7所示的方法)包括：使用分类网络来识别每个图像中的解剖结构/视图；评估解剖结构/视图的分类以确保分类是正确的；然后使用基于分类自动选择的适当的视图协议来执行图像粘贴。
此外，在一些示例中，可以在x射线成像系统中提供相机以获取光学域中的放射线图像。一种用于x射线成像的方法(诸如图8和图9中示出的方法)包括：对利用相机所获取的相机数据中的解剖结构/视图自动分类；以及基于受试者的解剖结构/视图自动选择获取协议(例如，选择x射线管电流和/或x射线管电压)。以这种方式，可以在无用户输入的情况下确定适当的获取协议以及视图协议，从而提高工作流效率、提高放射线成像的准确度和一致性并能够减少剂量。
现在转向图1，其示出了根据本公开的一个实施方案的x射线成像系统100的框图。x射线成像系统100包括辐射x射线的x射线源111、检查期间受检者105站立在其上的立架132、以及用于检测由x射线源111辐射并由受检者105衰减的x射线的x射线检测器134。作为非限制性示例，x射线检测器134可以包括闪烁体、一个或多个离子室、光检测器阵列、x射线曝光监视器、电基板等。x射线检测器134安装在立架138上，并且被配置成根据受检者的成像区域可竖直移动。
操作控制台160包括处理器161、存储器162、用户界面163、用于控制一个或多个马达143的马达驱动器145、x射线功率单元114、x射线控制器116、相机数据获取单元121、x射线数据获取单元135和图像处理器150。从x射线检测器134传输的x射线图像数据由x射线数据采集单元135接收。收集的x射线图像数据由图像处理器150进行图像处理。通信地耦接到操作控制台160的显示设备155在其上显示图像处理过的x射线图像。
x射线源111由支撑柱141支撑，支撑柱141可以安装到天花板(例如，如图所描绘)或安装在可移动立架上，用于定位在成像室内。x射线源111可相对于受检者或患者105竖直移动。例如，一个或多个马达143中的一个马达可以集成到支撑柱141中，并且可以被配置成例如通过增加或减少x射线源111与天花板或地板的距离来调整x射线源111的竖直位置。为此，操作控制台160的马达驱动器145可以通信地耦接到一个或多个马达143，并且被配置成控制一个或多个马达143。
x射线功率单元114和x射线控制器116将合适的电压电流的功率提供给x射线源111。准直器(未示出)可以固定到x射线源111，用于指定x射线束的照射视场。从x射线源111辐射的x射线束经由准直器施加到受检者身上。
x射线源111和相机120可以沿角方向129相对于支撑柱141枢转或旋转以对受试者105的不同部分成像。例如，在图像粘贴检查期间，可以以不同的角度采集受检者105的多个x射线图像，并将其粘贴或拼接在一起以形成单个图像。如图所描绘，x射线源111可以以第一视场126定向，以采集第一x射线图像。然后，x射线源111可以在角向方向129上旋转到第二视场127，以采集第二x射线图像。然后，x射线源111可以在角向方向129上旋转到第三视场128，以采集第三x射线图像。三个视场126、127和128被描绘为部分重叠。因此，所采集的三个x射线图像可以如本文进一步描述的那样拼接在一起，以形成单个x射线图像。
因此，除了执行典型的单能x射线图像获取之外，x射线成像系统100还可以用于执行如上所述的图像拼接检查。
如本文进一步描述的，此类方法包括控制处理器161和/或图像处理器150将图像提供给分类网络170，以自动识别图像中所描绘的解剖结构/视图。分类网络170可以包括神经网络模型(诸如卷积神经网络)，该神经网络模型在放射线图像集上利用图像中所描绘的解剖结构/视图的对应标签进行训练。例如，分类网络170可以包括有效的卷积神经网络，诸如MobileNet模型。可以例如通过加载预训练参数而利用大规模非放射学图像的训练数据集来对分类网络170进行初始训练或进行装填，这些预训练参数是通过利用大规模非放射学图像的训练数据集对神经网络进行训练而获得的。
存储器162存储可执行指令172，这些可执行指令在被执行时致使处理器161和图像处理器150中的一个或多个执行一个或多个动作。在本文关于图2、图3、图5、图6和图9进一步描述了可以被存储为可执行指令172的示例性方法。
在一些示例中，x射线成像系统100可以包括相机120，该相机邻近x射线源111定位并与x射线源111共校准或共对准。相机120可以包括检测光学范围内的电磁辐射的光学相机。附加地或另选地，相机120可以包括深度相机或距离成像相机。作为说明性和非限制性的示例，被配置为深度相机的相机120可以包括光学相机、红外相机和在相机120的视场中投射红外点的红外投影仪。红外相机对这些点成像，这些点又可用于测量相机120的光学相机内的深度。作为另一个说明性和非限制性的示例，相机120可以包括飞行时间相机。相机120通信地耦接到操作控制台160的相机数据采集单元121。因此，由相机120采集或生成的相机数据可以被传输到相机数据采集单元121，相机数据采集单元继而将采集的相机图像数据提供给图像处理器150用于图像处理。相机120的视场可以与x射线源111的视场重叠。以这种方式，可以根据由相机120记录的相机数据自动确定x射线源111的视场。此外，如本文关于图8和图9进一步描述的那样，图像处理器150可以利用分类网络170处理所获取的相机数据以相对于x射线源111和x射线检测器134自动确定受试者105的解剖结构/视图。然后，图像处理器150可以基于相机数据中所确定的解剖结构/视图来确定用于控制x射线源111和x射线检测器134以获取一个或多个放射线图像的获取参数以及用于处理所获取的图像的视图参数。
图2示出了根据实施方案的示出用于自动解剖结构/视图分类的示例性方法200的高级流程图。具体地，方法200涉及利用诸如分类网络170的分类网络对一个或多个图像中描绘的解剖结构/视图自动分类。参照图1的系统和部件描述方法200，但是应当理解，在不脱离本公开的范围的情况下，方法200可以用其他系统和部件来实现。方法200可以作为可执行指令172存储在例如操作控制台160的非暂态存储器162中，并且可以由处理器161和图像处理器150中的一个或多个执行以执行本文以下所描述的动作。
方法200在205处开始。在205处，方法200获取一个或多个图像。在一些示例中，方法200可以控制x射线源111以生成朝向x射线检测器134的x射线束，并且将由x射线检测器134检测到的x射线转换成放射线图像。在其他示例中，方法200控制x射线源111和x射线检测器134以获取放射线图像系列，同时调整x射线源111和x射线检测器134的相对位置，使得放射线图像描绘出受试者105的不同但相邻的区域。在此类示例中，方法200可以控制x射线源111和x射线检测器134以获取受试者105的多个图像的不同视图。例如，方法200可以获取受试者105的图像(右侧位视图)、受试者105的图像(前后位(AP)视图)、受试者105的图像(后前位(PA)视图)、以及受试者105的图像(左侧位视图)中的两个或更多个。作为另一示例，方法200可以获取受试者105的多个视图中的多个图像，其中多个图像描绘了受试者105的不同但相邻的区域。
在205处获取图像之后，方法200继续到210。在210处，方法200将所获取的图像输入到分类网络，诸如分类网络170。对分类网络170进行训练以对所获取图像中所描绘的解剖结构/视图进行分类。例如，解剖结构可包括头部、脊、腹腔、腿部等，而视图可以指示受试者相对于x射线检测器的取向，该取向以解剖学术语表示，诸如侧位、前后位(AP)、后前位(PA)等。因此，可以将由分类网络分类的解剖结构/视图作为图像中描绘的解剖结构以及图像中描绘的解剖结构的视图的组合来输出。例如，分类网络170的输出可以包括解剖结构/视图分类，诸如脊APPA、脊右侧位、脊左侧位、腿部APPA等。
在215处继续，方法200从分类网络170接收对一个或多个所获取的图像中所描绘的解剖结构/视图的分类。也就是说，对于输入到分类网络170的每个所获取的图像，方法200接收对应的解剖结构/视图分类。例如，如果在205处获取单个放射线图像，则方法200接收对单个放射线图像中所描绘的解剖结构/视图的分类。如果在205处获取放射线图像系列以进行图像粘贴，则方法200接收对该系列中的每个放射线图像中所描绘的解剖结构/视图的分类。
在220处，方法200基于解剖结构/视图的分类对一个或多个所获取的图像执行后处理。例如，基于对图像中的解剖结构/视图的分类，方法200根据分类来选择后处理参数以用于对图像进行后处理，因为不同的解剖结构/视图可以使用关于边缘细节、对比度、噪声水平等的不同的后处理参数。因此，可以针对每个解剖结构/视图配置包括后处理参数集的后处理协议，并且方法200可以基于分类来选择适当的后处理协议。然后，方法200根据后处理协议或根据基于解剖结构/视图分类而选择的后处理参数来处理所获取的图像。以这种方式，对解剖结构/视图的自动分类能够自动选择正确的参数以用于图像的后处理，从而确保用户的一致外观。
作为另一示例，对于在视图中获取的多个图像，对所获取的图像的后处理可以包括对如上所提及的针对单个图像的对比度、边缘细节、噪声水平等的后处理，并且还可以包括图像粘贴或图像拼接。也就是说，在一些示例中，对所获取的图像的后处理可以包括将多个图像拼接在一起成为单个图像，该单个图像具有比每个单独图像的视场更大的视场。为了确保根据正确的协议拼接正确的图像，方法200基于每个图像的解剖结构/视图分类来自动选择用于拼接图像的协议。以这种方式，提高了图像粘贴配准成功率，同时消除了用户针对每个视图手动选择协议的需求。
在225处，方法200输出经后处理的图像。方法200可以例如将经后处理的图像输出到显示设备155以显示给用户。另外，方法200可以将经后处理的图像输出到存储器162以供以后查看，和/或输出到图片归档和通信系统(PACS)。在输出经后处理的图像之后，方法200然后返回。
图3示出了根据实施方案的示出用于基于解剖结构/视图分类来对所获取的放射线图像进行后处理的示例性方法300的高级流程图。具体地，方法300涉及基于在所获取的图像中所描绘的自动分类的解剖结构/视图来自动选择用于对所获取的图像进行后处理的参数。参照图1的系统和部件描述方法300，但是应当理解，在不脱离本公开的范围的情况下，方法300可以用其他系统和部件来实现。方法300可以作为可执行指令172存储在例如操作控制台160的非暂态存储器162中，并且可以由处理器161和图像处理器150中的一个或多个执行以执行本文以下所描述的动作。
方法300在305处开始。在305处，方法300接收对协议的选择。具体地，方法300接收对获取协议的选择，该获取协议指定用于获取图像的一个或多个参数，诸如管电压、管电流等。方法300可以例如经由用户界面163接收对协议的选择。在310处继续，方法300根据所选择的协议来控制诸如x射线源111的x射线源以获取图像。方法300还可以根据协议控制诸如x射线检测器134的x射线检测器以获取图像。
在获取图像之后，方法300继续到315。在315处，方法300将所获取的图像输入到分类网络，诸如分类网络170。如上文所讨论的，对分类网络170进行训练以对所获取的图像中所描绘的解剖结构/视图进行分类。例如，解剖结构可包括头部、脊、腹腔、腿部等，而视图可以指示受试者相对于x射线检测器的取向，该取向以解剖学术语表示，诸如侧位、前后位(AP)、后前位(PA)等。因此，可以将由分类网络分类的解剖结构/视图作为图像中描绘的解剖结构以及图像中描绘的解剖结构的视图的组合来输出。例如，分类网络170的输出可以包括解剖结构/视图分类，诸如脊APPA、脊右侧位、脊左侧位、腿部APPA等。
因此，在320处继续，方法300从分类网络170接收对所获取的图像中所描绘的解剖结构/视图的分类。在325处，方法300基于解剖结构/视图分类对所获取的图像执行后处理。例如，基于对图像中的解剖结构/视图的分类，方法300根据分类来选择后处理参数以用于对图像进行后处理，因为不同的解剖结构/视图可以使用关于边缘细节、对比度、噪声水平等的不同的后处理参数。因此，可以针对每个解剖结构/视图配置包括后处理参数集的后处理协议，并且方法300可以基于分类来选择适当的后处理协议。然后，方法300根据后处理协议或根据基于解剖结构/视图分类选择的后处理参数来处理所获取的图像。以这种方式，对解剖结构/视图的自动分类能够自动选择正确的参数以用于图像的后处理，从而确保用户的一致外观。
在330处，方法300输出经后处理的图像。例如，方法300可以将经后处理的图像输出到显示设备155以显示给用户。另外，方法300可以将经后处理的图像输出到存储器162以供存储、和/或输出到PACS以便远程存储和/或查看。然后，方法300返回。
作为例示性示例，图4示出了示出所获取的图像的自动分类的图像集400。图像集400包括示例性获取图像405。图像集400还包括分类网络的示例性输出410，其包括所获取的图像405和针对所获取的图像405的解剖结构/视图分类412。如所描绘的，解剖结构/视图分类412指示所获取的图像405的视图为“左侧位”视图。在一些示例中，解剖结构/视图分类412可以叠加在所获取的图像405上，并且可以例如经由显示设备155显示给用户以进行确认。在其他示例中，解剖结构/视图分类412可以不叠加在所获取的图像405上或显示给用户。此外，虽然解剖结构/视图分类412如所描绘的并没有明确地指示解剖结构，但在一些示例中，解剖结构/视图分类412可以例如通过除了在解剖结构/视图分类412中指示“左侧位”视图之外还指示“颈部”解剖结构来进一步明确地指示解剖结构。如上文所讨论的，所获取的图像405根据解剖结构/视图分类412进行后处理。具体地，可以基于解剖/视图分类412确定一个或多个后处理参数，包括但不限于视场、对比度、边缘细节、降噪等，并且可以根据一个或多个后处理参数处理所获取的图像405以生成经后处理的图像415。以这种方式，可以减轻手动选择后处理或视图协议的工作量，同时保持高质量的后处理性能。
图5示出了根据实施方案的示出用于基于解剖结构/视图分类对放射线图像进行图像粘贴的示例性方法500的高级流程图。具体地，方法500涉及获取多个图像的至少一个视图并且基于自动解剖结构/视图分类对多个图像自动进行后处理以获得至少一个拼接的图像。参照图1的系统和部件描述方法500，但是应当理解，在不脱离本公开的范围的情况下，方法500可以用其他系统和部件来实现。方法500可以作为可执行指令172存储在例如操作控制台160的非暂态存储器162中，并且可以由处理器161和图像处理器150中的一个或多个执行以执行本文以下所描述的动作。
方法500在505处开始。在505处，方法500接收对协议的选择。具体地，方法500接收对获取协议的选择，该获取协议指定用于获取图像的一个或多个参数，诸如管电压、管电流等。获取协议可以包括图像粘贴获取协议，因此可以包括患者覆盖范围的定义。获取协议可以对应于特定视图。例如，获取协议可以包括APPA获取协议或侧位获取协议。此外，获取协议可以指定要成像的解剖结构，使得可以选择适当的获取参数。方法500可以例如经由用户界面163接收对协议的选择。
在510处，方法500获取多个图像的至少一个视图。为此，方法500例如根据在505处所选择的协议来控制x射线源111和x射线检测器134以获取放射线图像系列，同时调整x射线源111和x射线检测器134的相对位置，使得放射线图像描绘出受试者105的不同但相邻的区域。在此类示例中，方法500可以控制x射线源111和x射线检测器134以获取受试者105的多个图像的第一视图(例如，APPA、侧位等)以及不同于第一视图的第二视图。
在获取多个图像之后，方法500继续到515。在515处，方法500将多个图像输入到分类网络，诸如分类网络170。如上文所讨论的，对分类网络170进行训练以对所获取的图像中所描绘的解剖结构/视图进行分类。例如，解剖结构可包括头部、脊、腹腔、腿部等，而视图可以指示受试者相对于x射线检测器的取向，该取向以解剖学术语表示，诸如侧位、前后位(AP)、后前位(PA)等。因此，可以将由分类网络分类的解剖结构/视图作为图像中描绘的解剖结构以及图像中描绘的解剖结构的视图的组合来输出。例如，分类网络170的输出可以包括解剖结构/视图分类，诸如脊APPA、脊右侧位、脊左侧位、腿部APPA等。因此，在520处，方法500接收针对多个图像中的每个图像对解剖结构/视图的预测。也就是说，分类网络170输出针对每个图像对解剖结构/视图的分类、以及关于每个图像的解剖结构/视图分类是正确的可能性的预测或概率。
在525处继续，方法500基于预测来确定每个图像的解剖结构/视图。如本文关于图6进一步描述的，一种用于基于由分类网络170输出的对解剖结构/视图分类的预测来确定每个图像的解剖结构/视图的方法包括根据一个或多个条件评估每个预测，以确保图像被准确地分类。因此，在一些示例中，方法500可以确定由分类网络170预测的每个图像的解剖结构/视图分类是正确的。同时，在其他示例中，例如，如果第二图像被预测为与第一图像的解剖结构/视图分类相同同时仍然具有属于该解剖结构/视图分类的较高概率，并且如果没有图像被分类网络170分类为对应的解剖结构的第二视图，则方法500可以将第一图像的解剖结构/视图分类从第一视图调整为第二视图。也就是说，即使在冗余解剖结构/视图分类的情况下，方法500也可以自动且准确地推导出适当的解剖结构/视图分类。
在确定多个图像中的每个图像的解剖结构/视图分类之后，方法500继续到530。在530处，方法500基于所确定的解剖结构/视图对多个图像执行图像粘贴以针对每个视图生成拼接图像。在一些示例中，方法500可以利用根据解剖结构/视图分类所选择的后处理参数，根据相应的解剖结构/视图分类来处理每个图像。此外，方法500针对每个视图选择图像粘贴协议以应用于被确定为与该视图相对应的多个图像，然后根据图像粘贴协议对多个图像执行图像粘贴。因此，可以根据侧位图像粘贴协议自动拼接侧位视图中的图像，同时可以根据前后位图像粘贴协议自动拼接前后位视图中的图像。通过使用正确的图像粘贴协议，可以改善视图内的图像的配准。
在535处，方法500输出拼接图像。例如，方法500可以将每个视图的拼接图像输出到显示设备155以进行显示，并且另外可以将拼接图像输出到存储器162和/或PACS。然后，方法500返回。
图6示出了根据实施方案的示出用于基于针对多个放射线图像对解剖结构/视图分类的预测来确定解剖结构/视图分类的示例性方法600的高级流程图。具体地，方法600可以例如通过包括上文描述的动作525而包括方法500的子例程。参考图1的系统和部件以及图5的方法500描述方法600，但是应当理解，在不脱离本公开的范围的情况下，方法600可以用其他系统、部件和方法来实现。方法600可以作为可执行指令172存储在例如操作控制台160的非暂态存储器162中，并且可以由处理器161和图像处理器150中的一个或多个执行以执行本文以下所描述的动作。
方法600在605处开始。在605处，方法600针对多个图像中的每个图像评估对解剖结构/视图的预测，这些预测包括预测的标签和对腿部预测的概率。在610处，方法600确定是否满足第一条件。具体地，方法600确定至少一个图像被分类为腿部的概率P是否大于概率阈值Pt。如果满足第一条件(“是”)，则方法600继续到612，其中方法600将解剖结构/视图分类为腿部。然后，方法600返回。
然而，如果在610处不满足第一条件(“否”)，则方法600继续到615。在615处，方法600确定是否满足第二条件。具体地，方法600确定所有图像是否都被预测为同一类。如果满足第二条件(“是”)，则方法600继续到617，其中方法600确定这些预测是一个图像的预测结果。然后，方法600返回。
然而，如果在615处不满足第二条件(“否”)，则方法600继续到620。在620处，方法600确定是否满足第三条件。具体地，方法600确定在这些预测中一个标签的出现率是否高于其他标签。如果满足第三条件(“是”)，则方法600继续到622。在622处，方法600确定大多数图像与出现率高于其他标签的标签相对应。然后，方法600返回。
然而，如果在620处不满足第三条件(“否”)，则方法600继续到625。在625处，方法600删除第一图像的预测结果。然后方法600返回到605以继续评估预测。因此，方法600对多个图像进行评估，直到方法600在其中一个条件下终止。通过根据方法600评估对解剖结构/视图分类的预测，可以自动解决相冲突的解剖结构/视图分类。
为了示出本文提供的图像粘贴方法，图7示出了根据实施方案的示出图5的方法500的示例性图像集700。示例性图像集700包括多个所获取的图像705。所获取的图像705包括第一图像集710和第二图像集715，其中第一集710包括第一图像711、第二图像712和第三图像713，而第二集715包括第四图像715、第五图像716和第六图像717。如所描绘的，对于第一视图(具体地，PA视图)，获取第一图像集710，而对于不同于第一视图的第二视图(具体地，侧位视图)，获取第二图像集715。将多个所获取的图像705输入到分类网络诸如分类网络170，以自动确定多个所获取的图像705中的每个图像的解剖结构/视图分类。
如所描绘的，分类网络170为所获取的图像705输出预测集725，包括第一预测集730和第二预测集735。第一预测集730包括针对第一图像集710中的第一图像711的第一预测731、第二图像712的第二预测732和第三图像713的第三预测733。第二预测集735包括针对第二集715中的第四图像716的第四预测736、第五图像717的第五预测737和第六图像718的第六预测738。
具体地，第一预测731指示第一图像711是PA视图，第二预测732指示第二图像712是PA视图，并且第三预测733指示第三图像713是侧位视图。同时，第四预测736指示第四图像716是侧位视图，第五预测737指示第五图像717是侧位视图，第六预测738指示第六图像718是侧位视图。
由于第三预测733和第六预测738两者都指示第三图像713和第六图像738对应于具有同一解剖结构的侧位视图，使得与PA视图相比，更多的图像被分类为该侧位视图，因此如上文参照图5和图6所述来评估预测集725，以确定每个图像的适当的解剖结构/视图分类。由于第六预测738的概率高于第三预测733的概率，因此第三预测733被重新分类为PA视图。
因此，在应用图6的决策算法之后，获得分类集745，其中第一分类集750被明确地分类为PA视图，而第二分类集755被明确地分类为侧位视图。具体地，第一分类集750包括被确定为包括第一视图(具体地，PA视图)的第一图像751、第二图像752和第三图像753。第一图像751、第二图像752和第三图像753分别对应于第一集710的第一图像711、第二图像712和第三图像713。
第二分类集755包括被确定为包括第二视图(具体地，侧位视图)的第四图像756、第五图像757和第六图像758。第四图像756、第五图像757和第六图像758分别对应于第二图像集715的第四图像716、第五图像717和第六图像718。
然后，将分类的图像745进行图像粘贴或拼接以获得粘贴的图像765。具体地，第一分类图像集750根据PA图像粘贴协议进行拼接以获得第一粘贴图像770，而第二分类图像集755根据侧位图像粘贴协议进行拼接以获得第二粘贴图像775。通过使用适当的图像粘贴协议来拼接分类图像745，提高了分类图像745的配准的准确性，因此准确地拼接了分类图像745以生成粘贴图像765。
因此，提供了用于提高一个或多个所获取的图像的后处理的方法和系统，该后处理包括对一个或多个所获取的图像中所描绘的解剖结构/视图自动分类。
在一些示例中，一种x射线成像系统(诸如x射线成像系统100)可以包括诸如相机120的相机，该相机与x射线源111共对准以捕获受试者105的相机数据。在此类示例中，可以训练诸如分类网络170的分类网络以对这样的相机数据中所描绘的解剖结构/视图自动分类。因此，可以在获取x射线图像之前自动选择适当的获取协议，而无需来自x射线成像系统100的用户的手动输入。
作为例示性示例，图8示出了根据实施方案的示出用于针对获取协议选择的解剖结构/视图分类的示例性方法800的高级流程图。具体地，方法800涉及基于相机数据对解剖结构/视图进行分类，然后基于分类的解剖结构/视图获取x射线图像。参照图1的系统和部件描述方法800，但是应当理解，在不脱离本公开的范围的情况下，方法800可以用其他系统和部件来实现。方法800可以作为可执行指令172存储在例如操作控制台160的非暂态存储器162中，并且可以由处理器161和图像处理器150中的一个或多个执行以执行本文以下所描述的动作。
方法800在805处开始。在805处，方法800从诸如相机120的相机接收相机数据，该相机与诸如x射线源111的x射线源共对准。例如，相机数据包括受试者105的光学或非放射线图像。随着相机120与x射线源111共对准，因此捕获的相机数据描绘了受试者105相对于x射线源111和x射线检测器134的取向。在810处继续，方法800将相机数据输入到分类网络，诸如分类网络170。如上文所讨论的，对分类网络170进行训练以对所获取的图像中所描绘的解剖结构/视图进行分类。除了如上所述对放射线图像中所描绘的解剖结构/视图进行分类之外，还可以训练分类网络170以对相机数据中所描绘的解剖结构/视图进行分类。例如，解剖结构可包括头部、脊、腹腔、腿部等，而视图可以指示受试者相对于x射线检测器的取向，该取向以解剖学术语表示，诸如侧位、前后位(AP)、后前位(PA)等。因此，可以将由分类网络分类的解剖结构/视图作为相机数据中描绘的解剖结构以及相机数据中描绘的解剖结构的视图的组合来输出。例如，分类网络170的输出可以包括解剖结构/视图分类，诸如脊APPA、脊右侧位、脊左侧位、腿部APPA等。
在815处，方法800从分类网络接收对相机数据中所描绘的解剖结构/视图的分类。在820处继续，方法800根据解剖结构/视图分类为x射线源111选择协议。例如，方法800基于解剖结构/视图分类自动选择一个或多个获取参数。然后，在825处，方法800利用所选择的协议来控制x射线源111以获取x射线或放射线图像。此外，由于已经基于相机数据对解剖结构/视图进行了分类，因此无需利用分类网络170对所获取的x射线图像中的解剖结构/视图进行分类。因此，在830处继续，方法800基于如上所述的解剖结构/视图分类对所获取的图像执行后处理。在835处，方法800将例如经后处理的图像输出到显示设备155以显示给用户。方法800还可以将经后处理的图像输出到存储器162以便存储和/或输出到PACS。然后，方法800返回。
图9示出了根据实施方案的示出基于相机数据的解剖结构/视图分类的图像集900。图像集900包括经由诸如相机120的相机获取的相机图像910，该相机与诸如x射线源111的X射线源共对准。相机图像910描绘了位于检测器915前面的成像受试者917，该检测器可以包括图1的检测器134。相机图像910(在上文中也称为相机数据)被输入到分类网络170，以对相机图像910的解剖结构/视图自动分类。分类网络170的输出930包括相机图像910以及由分类网络170确定的解剖结构/视图的标签或分类932。如所描绘的，由分类网络170输出的分类932指示该视图对应于APPA视图。应当理解，尽管在图9中未明确示出，但分类932还可以指示在相机数据910中所描绘的解剖结构，诸如脊或躯干。如上所述，分类932可以用于自动选择用于控制x射线源111和x射线检测器134以获取一个或多个放射线图像的获取协议。此外，分类932还可以用于确定视图或后处理参数，以对所获取的放射线图像进行后处理。因此，通过在x射线成像系统100中包括相机120以及包括分类网络170，可以使用户免于选择获取协议和/或视图或后处理协议。
本公开的技术效应包括对图像中所描绘的解剖结构和视图的分类。本公开的另一个技术效应包括根据解剖结构和视图对获取协议和/或后处理协议的自动选择。本公开的又一个技术效应包括在图像粘贴检查中在图像之间的改善的配准。本公开的另一个技术效应包括根据所获取的放射线图像中所描绘的自动分类的解剖结构和视图对所获取的放射线图像的准确处理。
在一个实施方案中，一种方法包括：控制x射线源和x射线检测器以获取受检者的图像；利用经训练的神经网络对所述图像中所描绘的解剖结构/视图进行分类；基于所述解剖结构/视图执行所述图像的后处理；以及显示所述经后处理的图像。
在该方法的第一示例中，该方法还包括：根据解剖结构/视图确定用于调整图像中的边缘细节、对比度和噪声水平中的一者或多者的参数；以及根据确定的参数执行图像的后处理。在该方法的第二示例中，其任选地包括第一示例，该方法还包括控制x射线源和x射线检测器以获取受试者的第二图像，其中第一图像和第二图像描绘了受试者的相邻且重叠的区域。在该方法的第三示例中，其任选地包括第一示例和第二示例中的一个或多个，该方法还包括利用经训练的神经网络对第二图像中所描绘的第二解剖结构/视图进行分类。在该方法的第四示例中，其任选地包括第一示例至第三示例中的一个或多个，基于解剖结构/视图来执行图像的后处理包括：根据解剖结构/视图和第二解剖结构/视图将图像配准到第二图像；以及将图像拼接到第二图像以生成拼接图像，并且显示经后处理的图像包括显示拼接图像。在该方法的第五示例中，其任选地包括第一示例至第四示例中的一个或多个，该方法还包括在将图像配准到第二图像之前，分别根据解剖结构/视图和第二解剖结构/视图来调整图像和第二图像的对比度并执行降噪。在该方法的第六示例中，其任选地包括第一示例至第五示例中的一个或多个，该方法还包括控制x射线源和x射线检测器以获取受试者的第三图像和第四图像，其中第一图像和第二图像描绘了受试者的相邻且重叠的区域的第一视图，并且其中第三图像和第四图像描绘了受试者的相邻且重叠的区域的不同于第一视图的第二视图。在该方法的第七示例中，其任选地包括第一示例至第六示例中的一个或多个，该方法还包括用经训练的神经网络对第三图像中所描绘的第三解剖结构/视图和第四图像中所描绘的第四解剖结构/视图进行分类。在该方法的第八示例中，其任选地包括第一示例至第七示例中的一个或多个，该方法还包括：根据第三解剖结构/视图和第四解剖结构/视图将第三图像配准到第四图像；将第三图像拼接到第四图像以生成第二拼接图像的第二视图；以及显示第二拼接图像。在该方法的第九示例中，其任选地包括第一示例至第八示例中的一个或多个，该方法还包括从经训练的神经网络接收针对图像、第二图像、第三图像和第四图像所分类的对应的解剖结构/视图的概率并且分别基于第二概率之前的概率来确定对应的解剖结构/视图是否正确。
在另一个实施方案中，一种方法包括：获取受试者的一个或多个图像；利用分类网络从受试者的一个或多个图像中确定受试者相对于x射线源和x射线检测器的取向和位置；基于受试者的取向和位置，对利用x射线源和x射线检测器所获取的受试者的一个或多个x射线图像进行处理；以及显示一个或多个经处理的x射线图像。
在该方法的第一示例中，获取受试者的一个或多个图像包括利用与x射线源共对准的光学相机获取一个或多个图像并且还包括基于取向和位置选择一个或多个获取参数以及根据一个或多个获取参数控制X射线源和x射线检测器以获取一个或多个x射线图像。在该方法的第二示例中，其任选地包括第一示例，一个或多个图像包括一个或多个x射线图像，并且处理一个或多个x射线图像包括根据基于受试者的取向和位置所选择的视图协议来调整一个或多个x射线图像的外观。在该方法的第三示例中，其任选地包括第一示例和第二示例中的一个或多个，一个或多个x射线图像包括受试者处于第一取向的第一多个x射线图像和受试者处于第二取向的第二多个x射线图像，其中利用分类网络确定取向包括确定第一多个x射线图像的第一取向和第二多个x射线图像的第二取向。在该方法的第四示例中，其任选地包括第一示例至第三示例中的一个或多个，基于受试者的取向和位置处理一个或多个x射线图像包括：将基于第一取向的第一多个x射线图像配准并拼接成第一拼接图像，该第一拼接图像具有大于第一多个x射线图像中的每一个的第一视场；以及将基于第二取向的第二多个x射线图像配准并拼接成第二拼接图像，该第二拼接图像具有大于第二多个x射线图像中的每一个的第二视场。
在又一个实施方案中，一种x射线成像系统包括：x射线源，该x射线源用于生成x射线；x射线检测器，该x射线检测器被配置为检测x射线；显示设备；以及处理器，该处理器被配置为在非暂态存储器中具有指令，这些指令在被执行时致使处理器：控制x射线源和x射线检测器以获取受试者的图像；利用经训练的神经网络对所述图像中所描绘的解剖结构/视图进行分类；基于所述解剖结构/视图执行所述图像的后处理；以及经由显示设备显示经后处理的图像。
在该系统的第一示例中，该处理器还被配置为在非暂态存储器中具有指令，这些指令在被执行时致使该处理器根据解剖结构/视图确定用于调整图像中的边缘细节、对比度和噪声水平中的一者或多者的参数并且根据确定的参数执行图像的后处理。在该系统的第二示例中，其任选地包括第一示例，控制x射线源和x射线检测器以获取图像包括控制x射线源和x射线检测器以获取受试者的多个图像，并且对图像中所描绘的解剖结构/视图进行分类包括利用经训练的神经网络对多个图像的每个图像中所描绘的解剖结构/视图进行分类。在该系统的第三示例中，其任选地包括第一示例和第二示例中的一个或多个，该处理器还被配置为在非暂态存储器中具有指令，这些指令在被执行时致使该处理器：确定多个图像中与第一视图对应的第一多个图像；确定多个图像中与第二视图对应的第二多个图像；根据第一视图将第一多个图像配准并拼接成第一拼接图像；以及根据第二视图将第二多个图像配准并拼接成第二拼接图像。在该系统的第四示例中，其任选地包括第一示例至第三示例中的一个或多个，该系统还包括光学相机，该光学相机邻近x射线源定位并与x射线源共对准，其中该处理器还被配置为在非暂态存储器中具有指令，这些指令在被执行时致使该处理器：经由光学相机获取相机数据；利用所述经训练的神经网络对所述相机数据中所描绘的所述受试者的解剖结构/视图进行分类；基于所述相机数据中所描绘的所述受试者的所述解剖结构/视图来选择一个或多个获取参数；以及利用一个或多个获取参数控制x射线源和x射线检测器以获取受试者的图像。
如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，对本发明的“一个实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在…中”用作相应的术语“包含”和“其中”的简明语言等同形式。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。
该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元件，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元件，则此类其他示例旨在落入权利要求书的范围内。

Claims (20)

1.一种方法，包括：
控制x射线源和x射线检测器以采集受检者的图像；
利用经训练的神经网络对所述图像中所描绘的解剖结构/视图进行分类；
基于所述解剖结构/视图来执行所述图像的后处理；以及
显示所述经后处理的图像。
2.根据权利要求1所述的方法，还包括根据所述解剖结构/视图确定用于调整所述图像中的边缘细节、对比度和噪声水平中的一者或多者的参数以及根据所述确定的参数来执行所述图像的所述后处理。
3.根据权利要求1所述的方法，还包括控制所述x射线源和所述x射线检测器以获取所述受试者的第二图像，其中第一图像和所述第二图像描绘了所述受试者的相邻且重叠的区域。
4.根据权利要求3所述的方法，还包括利用所述经训练的神经网络对所述第二图像中所描绘的第二解剖结构/视图进行分类。
5.根据权利要求4所述的方法，其中基于所述解剖结构/视图执行所述图像的所述后处理包括根据所述解剖结构/视图和所述第二解剖结构/视图将所述图像配准到所述第二图像以及将所述图像拼接到所述第二图像以生成拼接图像，并且其中显示所述经后处理的图像包括显示所述拼接图像。
6.根据权利要求5所述的方法，还包括在将所述图像配准到所述第二图像之前，分别根据所述解剖结构/视图和所述第二解剖结构/视图来调整所述图像和所述第二图像的对比度并执行降噪。
7.根据权利要求5所述的方法，还包括控制所述x射线源和所述x射线检测器以获取所述受试者的第三图像和第四图像，其中所述第一图像和所述第二图像描绘了所述受试者的相邻且重叠的区域的第一视图，并且其中所述第三图像和所述第四图像描绘了所述受试者的相邻且重叠的区域的不同于所述第一视图的第二视图。
8.根据权利要求7所述的方法，还包括利用所述经训练的神经网络对所述第三图像中所描绘的第三解剖结构/视图和所述第四图像中所描绘的第四解剖结构/视图进行分类。
9.根据权利要求8所述的方法，还包括：根据所述第三解剖结构/视图和所述第四解剖结构/视图将所述第三图像配准到所述第四图像；将所述第三图像拼接到所述第四图像以生成第二拼接图像的第二视图；以及显示所述第二拼接图像。
10.根据权利要求8所述的方法，还包括从所述经训练的神经网络接收针对所述图像、所述第二图像、所述第三图像和所述第四图像所分类的对应的解剖结构/视图的概率以及分别基于第二概率之前的概率来确定所述对应的解剖结构/视图是否正确。
11.一种方法，包括：
获取受试者的一个或多个图像；
利用分类网络从所述受试者的所述一个或多个图像中确定所述受试者相对于x射线源和x射线检测器的取向和位置；
基于所述受试者的所述取向和所述位置，对利用所述x射线源和所述x射线检测器所获取的所述受试者的一个或多个x射线图像进行处理；以及
显示所述一个或多个经处理的x射线图像。
12.根据权利要求11所述的方法，其中获取所述受试者的所述一个或多个图像包括利用与所述x射线源共对准的光学相机获取所述一个或多个图像并且还包括基于所述取向和所述位置选择一个或多个获取参数以及根据所述一个或多个获取参数控制所述x射线源和所述x射线检测器以获取所述一个或多个x射线图像。
13.根据权利要求11所述的方法，其中所述一个或多个图像包括所述一个或多个x射线图像，并且其中处理所述一个或多个x射线图像包括根据基于所述受试者的所述取向和所述位置所选择的视图协议来调整所述一个或多个x射线图像的外观。
14.根据权利要求13所述的方法，其中所述一个或多个x射线图像包括所述受试者处于第一取向的第一多个x射线图像和所述受试者处于第二取向的第二多个x射线图像，其中利用所述分类网络确定所述取向包括确定所述第一多个x射线图像的所述第一取向和所述第二多个x射线图像的所述第二取向。
15.根据权利要求14所述的方法，其中基于所述受试者的所述取向和所述位置处理所述一个或多个x射线图像包括：将基于所述第一取向的所述第一多个x射线图像配准并拼接成第一拼接图像，所述第一拼接图像具有大于所述第一多个x射线图像中的每一个的第一视场；以及
将基于所述第二取向的所述第二多个x射线图像配准并拼接成第二拼接图像，所述第二拼接图像具有大于所述第二多个x射线图像中的每一个的第二视场。
16.一种x射线成像系统，包括：
x射线源，所述x射线源用于生成x射线；
x射线检测器，所述x射线检测器被配置为检测所述x射线；
显示设备；以及
处理器，所述处理器在非暂态存储器中配置有指令，所述指令在执行时致使所述处理器：
控制所述x射线源和所述x射线检测器以获取受试者的图像；
利用经训练的神经网络对所述图像中所描绘的解剖结构/视图进行分类；
基于所述解剖结构/视图执行所述图像的后处理；以及
经由所述显示设备显示所述经后处理的图像。
17.根据权利要求16所述的系统，其中所述处理器还被配置为在所述非暂态存储器中具有指令，所述指令在被执行时致使所述处理器根据所述解剖结构/视图来确定用于调整所述图像中的边缘细节、对比度和噪声水平中的一者或多者的参数以及根据所述确定的参数执行所述图像的所述后处理。
18.根据权利要求16所述的系统，其中控制所述x射线源和所述x射线检测器以获取所述图像包括控制所述x射线源和所述x射线检测器以获取所述受试者的多个图像，并且其中对所述图像中所描绘的所述解剖结构/视图进行分类包括利用所述经训练的神经网络对所述多个图像的每个图像中所描绘的解剖结构/视图进行分类。
19.根据权利要求18所述的系统，其中所述处理器还被配置为在所述非暂态存储器中具有指令，所述指令在被执行时致使所述处理器：确定所述多个图像中与第一视图对应的第一多个图像；确定所述多个图像中与第二视图对应的第二多个图像；根据所述第一视图将所述第一多个图像配准并拼接成第一拼接图像；以及根据所述第二视图将所述第二多个图像配准并拼接成第二拼接图像。
20.根据权利要求16所述的系统，还包括光学相机，所述光学相机邻近所述x射线源定位并与所述x射线源共对准，其中所述处理器还被配置为在所述非暂态存储器中具有指令，所述指令在被执行时致使所述处理器：
经由所述光学相机获取相机数据；
利用所述经训练的神经网络对所述相机数据中所描绘的所述受试者的解剖结构/视图进行分类；
基于所述相机数据中所描绘的所述受试者的所述解剖结构/视图来选择一个或多个获取参数；以及
利用所述一个或多个获取参数控制所述x射线源和所述x射线检测器以获取所述受试者的所述图像。
CN202011640144.5A 2020-01-14 2020-12-31 用于x射线成像中的解剖结构/视图分类的方法和系统 Pending CN113129343A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/742,629 US11564651B2 (en) 2020-01-14 2020-01-14 Method and systems for anatomy/view classification in x-ray imaging
US16/742,629 2020-01-14

Publications (1)

Publication Number Publication Date
CN113129343A true CN113129343A (zh) 2021-07-16

Family

ID=76760702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011640144.5A Pending CN113129343A (zh) 2020-01-14 2020-12-31 用于x射线成像中的解剖结构/视图分类的方法和系统

Country Status (2)

Country Link
US (1) US11564651B2 (zh)
CN (1) CN113129343A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3936052A1 (en) * 2020-07-07 2022-01-12 Koninklijke Philips N.V. User interface for x-ray tube-detector alignment
US20230169649A1 (en) * 2021-11-26 2023-06-01 GE Precision Healthcare LLC System and Method for Automatic Detection and Correction of Anatomy, View, Orientation and Laterality in X-Ray Image for X-Ray Imaging System
WO2023117674A1 (en) * 2021-12-21 2023-06-29 Koninklijke Philips N.V. Chest x-ray system and method

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060023929A1 (en) * 2004-07-30 2006-02-02 Hui Luo Method for computer recognition of projection views and orientation of chest radiographs
US20060110036A1 (en) * 2004-11-23 2006-05-25 Hui Luo Automated radiograph classification using anatomy information
CN1934589A (zh) * 2004-03-23 2007-03-21 美国西门子医疗解决公司 为医学成像提供自动决策支持的系统和方法
US20070242869A1 (en) * 2006-04-12 2007-10-18 Eastman Kodak Company Processing and measuring the spine in radiographs
CN101061511A (zh) * 2004-11-19 2007-10-24 伊斯曼柯达公司 X射线照片方向的检测和校正方法
CN101065777A (zh) * 2004-11-23 2007-10-31 伊斯曼柯达公司 用于识别x光照片投影图的方法
CN101112315A (zh) * 2007-08-24 2008-01-30 珠海友通科技有限公司 X线透视人体影像自动融合拼接方法
US20140046177A1 (en) * 2010-11-18 2014-02-13 Shimadzu Corporation X-ray radiographic apparatus
CN103584876A (zh) * 2012-08-15 2014-02-19 西门子公司 用于x射线图像的自动质量控制
CN105389813A (zh) * 2015-10-30 2016-03-09 上海联影医疗科技有限公司 医学图像中器官的识别方法及分割方法
CN106372719A (zh) * 2016-08-31 2017-02-01 浙江莱达信息技术有限公司 一种医学x光影像处理控制参量的智能优选方法
US20180338742A1 (en) * 2017-05-23 2018-11-29 Siemens Healthcare Gmbh X-ray system and method for standing subject
CN109419521A (zh) * 2017-08-24 2019-03-05 通用电气公司 用于对受检者成像的系统和方法
CN109727238A (zh) * 2018-12-27 2019-05-07 贵阳朗玛信息技术股份有限公司 X光胸片的识别方法及装置
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法
US20200205763A1 (en) * 2018-12-27 2020-07-02 Medtronic Navigation, Inc. System and Method for Imaging a Subject

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4903310A (en) 1987-04-20 1990-02-20 Fuji Photo Film Co. Ltd. Method of automatically determining imaged body posture in medical image display
US5943435A (en) 1997-10-07 1999-08-24 Eastman Kodak Company Body part recognition in radiographic images
US7375755B2 (en) 2001-08-30 2008-05-20 Canon Kabushiki Kaisha Image processing apparatus and method for displaying an image and posture information
US6895106B2 (en) * 2001-09-11 2005-05-17 Eastman Kodak Company Method for stitching partial radiation images to reconstruct a full image
CN101989326B (zh) 2009-07-31 2015-04-01 三星电子株式会社 人体姿态识别方法和装置
US9524552B2 (en) * 2011-08-03 2016-12-20 The Regents Of The University Of California 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos
DE102015212953A1 (de) 2015-07-10 2017-01-12 Siemens Healthcare Gmbh Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
US10748319B1 (en) * 2016-09-19 2020-08-18 Radlink, Inc. Composite radiographic image that corrects effects of parallax distortion
WO2020044345A1 (en) * 2018-08-28 2020-03-05 Technion Research & Development Foundation Limited Correcting motion-related distortions in radiographic scans
US11311247B2 (en) * 2019-06-27 2022-04-26 Retrace Labs System and methods for restorative dentistry treatment planning using adversarial learning

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934589A (zh) * 2004-03-23 2007-03-21 美国西门子医疗解决公司 为医学成像提供自动决策支持的系统和方法
US20060023929A1 (en) * 2004-07-30 2006-02-02 Hui Luo Method for computer recognition of projection views and orientation of chest radiographs
CN101061511A (zh) * 2004-11-19 2007-10-24 伊斯曼柯达公司 X射线照片方向的检测和校正方法
US20060110036A1 (en) * 2004-11-23 2006-05-25 Hui Luo Automated radiograph classification using anatomy information
CN101065762A (zh) * 2004-11-23 2007-10-31 伊斯曼柯达公司 使用组织信息的自动放射线照片分类
CN101065777A (zh) * 2004-11-23 2007-10-31 伊斯曼柯达公司 用于识别x光照片投影图的方法
US20070242869A1 (en) * 2006-04-12 2007-10-18 Eastman Kodak Company Processing and measuring the spine in radiographs
CN101112315A (zh) * 2007-08-24 2008-01-30 珠海友通科技有限公司 X线透视人体影像自动融合拼接方法
US20140046177A1 (en) * 2010-11-18 2014-02-13 Shimadzu Corporation X-ray radiographic apparatus
CN103584876A (zh) * 2012-08-15 2014-02-19 西门子公司 用于x射线图像的自动质量控制
CN105389813A (zh) * 2015-10-30 2016-03-09 上海联影医疗科技有限公司 医学图像中器官的识别方法及分割方法
CN106372719A (zh) * 2016-08-31 2017-02-01 浙江莱达信息技术有限公司 一种医学x光影像处理控制参量的智能优选方法
US20180338742A1 (en) * 2017-05-23 2018-11-29 Siemens Healthcare Gmbh X-ray system and method for standing subject
CN109419521A (zh) * 2017-08-24 2019-03-05 通用电气公司 用于对受检者成像的系统和方法
CN109727238A (zh) * 2018-12-27 2019-05-07 贵阳朗玛信息技术股份有限公司 X光胸片的识别方法及装置
US20200205763A1 (en) * 2018-12-27 2020-07-02 Medtronic Navigation, Inc. System and Method for Imaging a Subject
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
V. P. DINESH KUMAR 等: "Automatic Estimation of Orientation and Position of Spine in Digitized X-rays using Mathematical Morphology", 《JOURNAL OF DIGITAL IMAGING》, vol. 18, no. 3, 2 June 2005 (2005-06-02), pages 234 - 241, XP019368451 *
ZHIYUN XUE 等: "Chest X-ray Image View Classification", 《2015 IEEE 28TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS》, 27 July 2015 (2015-07-27), pages 66 - 71 *
刘坤 等: "基于半监督生成对抗网络X光图像分类算法", 《光学学报》, vol. 39, no. 8, 25 April 2019 (2019-04-25), pages 0810003 - 1 *

Also Published As

Publication number Publication date
US20210212650A1 (en) 2021-07-15
US11564651B2 (en) 2023-01-31

Similar Documents

Publication Publication Date Title
US11972585B2 (en) Dense body marker estimation from camera data for patient positioning in medical imaging
US11276166B2 (en) Systems and methods for patient structure estimation during medical imaging
US10521927B2 (en) Internal body marker prediction from surface data in medical imaging
CN113129343A (zh) 用于x射线成像中的解剖结构/视图分类的方法和系统
US8879817B2 (en) Scan plan field of view adjustor, determiner, and/or quality assessor
US20100290707A1 (en) Image acquisition method, device and radiography system
US20070071299A1 (en) Method of processing radiographic image and processing apparatus
WO2014050045A1 (ja) 体動検出装置および方法
US20190059827A1 (en) System and method for imaging a subject
US7912263B2 (en) Method for detecting clipped anatomy in medical images
CN107495978B (zh) X射线摄影系统及图像采集方法
Frohwein et al. PET attenuation correction for flexible MRI surface coils in hybrid PET/MRI using a 3D depth camera
JP2014079558A (ja) 体動検出装置および方法
JP2002063563A (ja) 画像処理方法および画像処理システム
US20190117183A1 (en) Device for imaging an object
JP5992848B2 (ja) 体動表示装置および方法
US11553891B2 (en) Automatic radiography exposure control using rapid probe exposure and learned scene analysis
JP2001120524A (ja) 放射線画像処理装置
JP4532868B2 (ja) 放射線画像処理装置
US20240148351A1 (en) Image-based planning of tomographic scan
WO2024096039A1 (ja) 情報処理装置、放射線撮影システム、情報処理方法、及びプログラム
EP4086839A1 (en) Stitching multiple images to create a panoramic image
US20200359979A1 (en) Artificial intelligence based automatic marker placement in radiographic images
CN111815514A (zh) 影像获取方法、装置、可读存储介质及影像采集设备
JP2006263226A (ja) 放射線画像処理装置、放射線画像処理方法、プログラム及びコンピュータ可読媒体

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