CN113610744A - X光图像质量控制系统 - Google Patents

Abstract

本发明涉及一种X光图像质量控制系统，包括：图像获取单元，配置成获取X光图像并且确定成像部位的类型和投射方式的类型；质量检测单元，配置成针对成像部位的类型和/或投射方式的类型来检测X光图像中的图像缺陷。上述质量控制系统可有效地识别包括摆位不准、病人移动、外部物体伪影以及曝光不佳等图像问题，并且还能够在图像采集点向技术人员提供反馈，有利于及时地调整图像采集解决方案。

Description

X光图像质量控制系统

技术领域

本发明涉及数字X线摄影技术领域，更具体地，涉及一种X光图像质量控制系统。

背景技术

在数字X线摄影中，一些质量较差的图像会被拒绝。其原因可能包括成像部位摆位不准、病人移动、伪影以及曝光不佳。其中，摆位错误可以被划分为两种类型：中心定位错误和因错误的投射（例如摄影装置旋转）引起的错误。摆位错误还可以包括因待成像部位未完全成像（或被遮挡、被截断）之类的错误。

针对X光图像（例如DR图像或CR图像）的质量控制通常基于技术人员的视觉观察来实现，这存在一定的主观性。一些图像质量缺陷较为明显，例如项链阴影（其会阻挡对胸部或脊骨的观察）或膝关节软组织区域的视觉上的截断；一些图像质量缺陷不太明显，需要仔细观察，例如，肩胛骨和肺部重叠区的量超过预定阈值这种缺陷。总体来说，X光图像的质量控制需要人工操作、存在主观性且高度依赖技术人员的专业经验。

一种自动化图像质量保障系统包括运动检测、解剖体完整性检测、低曝光检测以及伪影检测。这种现有技术中的图像质量保障系统可能存在以下缺陷：对摆位不准问题的检测技术没有考虑采用一个特别的图像质量标准，以及，对曝光不佳问题的检测技术或依赖于曝光指数或依赖于全局或局部直方图分析，但其又不考虑DR成像的身体部位、组织或骨结构是否可辨识。另一种图像质量评估方式中，将DR图像上传到云端，由云端服务器来进行图像质量评估。然而，在图像采集端的技术人员无法及时得到反馈来调整图像采集解决方案。

发明内容

本发明的一个目的在于提供一种X光图像质量控制系统，其至少能够克服上述现有技术缺陷中的一部分。

为实现上述目的，本发明提供一种技术方案如下。

一种X光图像质量控制系统，包括：图像获取单元，配置成获取X光图像并且确定成像部位的类型和投射方式的类型；质量检测单元，配置成针对成像部位的类型和/或投射方式的类型来检测X光图像中的图像缺陷。

可选地，质量控制系统还包括质量反馈单元，配置成向图像获取单元和/或图像采集端反馈图像缺陷。

可选地，质量检测单元配置成提取成像部位的骨结构和/或软组织结构的位置及定向的特征集合；基于对特征集合的计算，定位或分割成像部位的感兴趣区域。

可选地，质量检测单元配置成利用机器学习算法来训练以至少确定和/或调节第一检测参数。

可选地，质量检测单元配置成对成像部位的类型和投射方式的类型的第一组合，基于第一检测参数来检测感兴趣区域；对成像部位的类型和投射方式的类型的第二组合，基于不同于第一检测参数的第二检测参数来检测感兴趣区域。

可选地，质量检测单元还配置成利用直方图分析算法来检测与第一图像缺陷类型关联的感兴趣区域。

可选地，图像获取单元配置成对X光图像进行预处理，预处理包括将X光图像分割为骨结构区域、软组织区域和背景区域。

可选地，质量反馈单元包括交互单元，以供筛选图像缺陷和/或设置自动筛选参数。

本发明还另外提供一种X光成像设备，其包括上述X光图像质量控制系统。

本发明的另一目的在于提供一种X光图像质量检测方法，包括：获取X光图像；确定成像部位的类型和投射方式的类型；针对成像部位的类型和/或投射方式的类型，检测X光图像中的图像缺陷。

可选地，质量检测方法还包括向X光图像采集端反馈图像缺陷。

可选地，检测X光图像中的图像缺陷包括：提取成像部位的骨结构和软组织结构的位置及定向的特征集合；基于对特征集合的计算，定位或分割成像部位的感兴趣区域。

可选地，检测X光图像中的图像缺陷还包括：对成像部位的类型和投射方式的类型的第一组合，基于第一检测参数来检测感兴趣区域；对成像部位的类型和投射方式的类型的第二组合，基于不同于第一检测参数的第二检测参数来检测感兴趣区域；其中第一检测参数和第二检测参数通过机器学习算法来确定。

可选地，检测X光图像中的图像缺陷还包括：利用直方图分析算法来检测与第一图像缺陷类型关联的感兴趣区域。

可选地，该方法还包括：对X光图像进行预处理，预处理包括将X光图像分割为骨结构区域、软组织区域和背景区域。

本发明提供自动化图像质量控制系统，其能够自动化地、综合地评估X光图像质量，可识别包括摆位不准、病人移动、外部物体伪影以及曝光不佳等图像问题。这种图像质量控制系统能够在图像采集点就向技术人员提供反馈，有利于及时地调整图像采集解决方案。此外，该系统也能够采用机器学习技术来实时地评估X光图像质量。

附图说明

图1示出本发明第一实施例提供的图像质量控制系统的模块结构示意图。

图2示出本发明第二实施例提供的X光图像质量反馈方法的流程示意图。

具体实施方式

在以下描述中提出更具体细节，以便提供对本发明的透彻理解。然而，本领域的技术人员将清楚地知道，即使没有这些具体细节也可实施本发明的实施例。在本发明中，进行具体的数字引用，例如“第一元件”、“第二装置”等。但是，具体数字引用不应被理解为必须服从于其字面顺序，而是应被理解为“第一元件”与“第二元件”不同。

本发明所提出的具体细节只是示范性的，具体细节可以变化，但仍然落入本发明的精神和范围之内。术语“耦合”定义为表示直接连接到组件或者经由另一个组件而间接连接到组件。

本发明中，X光图像是由X射线源发出的X射线穿过人体后，由平板探测器得到的数字化图像。根据平板探测器结构类型和成像技术的不同，“投射类型”可以划分为直接数字化X线成像（非晶硒）、间接数字化X线成像（非晶硅）、CCD线成像、多丝正比电离室成像。本发明中，成像部位可以为胸部脊椎、背脊椎、手肘部、膝盖正部，各类成像部位具有截然不同的骨结构和组织结构。

以下通过参照附图来描述适于实现本发明的方法、系统和装置的优选实施例。虽然各实施例是针对元件的单个组合来描述，但是应理解，本发明包括所公开元件的所有可能组合。因此，如果一个实施例包括元件A、B和C，而第二实施例包括元件B和D，则本发明也应被认为包括A、B、C或D的其他剩余组合，即使没有明确公开。

如图1所示，本发明第一实施例提供一种X光图像质量控制系统，其包括图像获取单元10、质量检测单元20和质量反馈单元30。

其中，图像获取单元10配置成采集X光图像、确定成像部位的类型和投射方式的类型，图像获取单元10耦合到质量检测单元20并向其提供X光图像。质量检测单元20配置成针对成像部位的类型和/或投射方式的类型来检测X光图像中的图像缺陷，质量检测单元20耦合到质量反馈单元30并向其提供质量检测结果。质量反馈单元30配置成向图像获取单元10反馈图像缺陷，形成控制闭环。应理解，除了检测缺陷以外，质量检测单元20也可以用来检测一些用户关注或感兴趣的区域或特征，质量检测结果可以涵盖对缺陷、感兴趣区域或特征的检测结果。

在本发明的一些实施例中，X光图像质量控制系统包括图像获取单元，该图像获取单元从外部的图像数据源获取X光图像。在另一些实施例中，图像获取单元既可以从外部数据源（例如，医疗云或医院数据中心）获取X光图像，也可以利用其包括的图像采集装置来采集X光图像。相应地，质量反馈单元可以向图像获取单元或图像采集端反馈质量检测结果。

该控制系统中，质量检测过程是由布置于系统本地端的质量检测单元20来完成，无需将X光图像数据上传云端，也无需再从云端获取检测结果数据。按这种方式，从质量反馈单元30到图像获取单元10的关于图像缺陷的反馈近乎于实时地完成，从而在图像采集端的技术人员能够及时地调整采集解决方案以克服图像缺陷，并重新获得合乎期望的X光图像。在本发明的另一些实施例中，上述质量反馈步骤不是必需的，技术人员可以主动地从质量检测单元获取改进建议。

在本发明一些实施例中，成像部位的类型为胸部脊椎，投射方式的类型为直接数字化X线成像；成像部位的类型也可以为膝盖正部，投射方式类型为CCD线成像。应理解，各种不同的成像部位类型和投射方式类型可以组成多种组合。同时，不同成像部位的骨结构和软组织结构显著地不同，例如，膝盖正部不存在脊椎结构，胸部脊椎不存在关节内半月板。另外，在不同的投射方式下，同一成像部位的X光图像也会相差很大。

为了准确地识别不同成像部位中可能的图像缺陷，质量检测单元20提取成像部位的骨结构和软组织结构的位置及定向的特征集合，并基于对特征集合的计算，来定位或分割成像部位的感兴趣(ROI)区域，每一个ROI区域或对应于一个可分辨的骨结构区域或软组织区域，或对应于X光图像中的异常部分，即图像缺陷。ROI区域之外的图像被视为背景部分图像。ROI区域也可以包括若干骨结构区域的组合或骨结构区域与适当软组织区域的组合。在后续的步骤中，ROI区域将被进一步分类为正常ROI和异常ROI，异常ROI对应于各类图像缺陷。对ROI区域的分类也是依据于对该ROI区域提取的特征来进行。ROI区域图像块连同对其提取的特征被一起提供给质量检测单元20内的检测网络。检测网络基于定位分割的结果来进行缺陷判断，判断方法可包括阈值法、模板匹配、图像分类或它们的组合等。

本发明采用机器学习算法或深度学习方法来训练质量检测单元20。质量控制人员可向质量检测单元20提供包括正常X光图像和异常X光图像（其中包括一个或多个图像缺陷）在内的各种X光图像，以供其训练学习。在质量检测单元20内设置有一个或多个检测网络，各检测网络均具有多个可调节参数。通过训练学习，使得质量检测单元20对各种图像缺陷具有较高的敏感度。在本发明中，X光图像缺陷存在多种类型。例如，第一图像缺陷类型包括曝光伪影和运动伪影，第二图像缺陷类型包括摆位缺陷和投射缺陷。

在更优选的实施例中，针对成像部位类型和投射方式类型的组合中的每一个，质量检测单元20配置成利用机器学习算法来训练检测网络，以获得对应的一组识别参数。按照这种方式，每组识别参数被专用于一个成像部位类型和投射方式类型的组合，从而能够对在这种组合下获得的X光图像中的各类图像缺陷具有更高的敏感度。为此，本发明对成像部位的类型和投射方式的类型的各种组合，采用不同的（最好是独特的）检测参数来检测各ROI区域，这种方式有利于提高检测的准确度，适用于更广泛的X光检测的应用场合。

具体来说，质量检测单元20对成像部位的类型和投射方式的类型的第一组合，利用第一检测参数（一个或多个）来检测感兴趣区域；对成像部位的类型和投射方式的类型的第二组合，则利用不同于第一检测参数的第二检测参数（一个或多个）来检测感兴趣区域。其中，第一检测参数至少部分不同于第二检测参数。类似地，对成像部位的类型和投射方式的类型的第三组合，质量检测单元20选择第三检测参数来执行检测。与此相应地，在质量检测单元20内的检测网络可以与上述检测参数一一对应，以便于单独进行训练学习，或者，检测网络的每种独特组合能够与检测参数相对应，以实现资源的复用。

在对质量检测单元20训练完成后，基于成像标准（包括对成像部位和投射方式的具体要求）和上述分类数据，利用在计算机或处理器上实现的该质量检测单元对采集所得的X光图像进行质量检测，将错误图像与正常图像分开。包含各种图像缺陷的错误图像可被提供给技术专家。

在本发明的一些实施例中，质量检测单元20还利用直方图分析算法来检测与其中一类图像缺陷类型（例如，曝光伪影或曝光不足、曝光过度的问题）关联的感兴趣区域。这是因为直方图分析对伪影类缺陷具有良好的识别度。直方图分析算法可以与上述机器学习算法相组合来共同识别X光图像中的各类图像缺陷。

在本发明一些实施例中，图像获取单元10还对采集到的X光图像进行预处理，预处理包括将X光图像分割为骨结构区域、软组织区域和背景区域。不符合预处理要求的X光图像将被拒绝进入后续处理，例如，无法分割出骨结构区域或软组织区域的图像显然不符合要求，可识别的骨结构区域（不一定真是骨结构区域）之间距离过近或过远也不符合要求，它们可能意味着项链或其他身体部位遮挡成像部位。预处理过程能够加速后续步骤执行效率，使得X光图像质量控制系统更好地满足实时性需求。

质量反馈单元30向图像获取单元10反馈检测得到的图像缺陷。作为示例，质量反馈单元向技术专家提供文字/颜色提示，将缺陷位置/大小通过热力图或者框或其他方式标出。不同的缺陷呈现为不同颜色的框。质量反馈单元30还可以包括交互单元，通过交互单元，技术专家能够筛选出供反馈的那些图像缺陷或者设置筛选参数，来自动筛选符合反馈要求的图像缺陷类型。优选情况下，质量反馈单元30还配置成向图像采集端或图像获取单元10提供关于X光图像采集的改进指示，例如，指示调整X射线源的投射方向或曝光参数，指示移除病人戴着的项链等。

本发明一些实施例提供一种X光成像设备，其用于对病人的身体部位进行X线摄影成像。这种成像设备设置由上述第一实施例中提供的图像质量控制系统。

本发明第二实施例提供一种X光图像质量反馈方法，其包括步骤S201-S203-S205-S207。该质量反馈方法均在系统的本地端（例如X光图像采集端）进行，而无需将X光图像数据上传云端。

步骤S201中，获取X光图像（例如DR图像）。步骤S203中，确定成像部位的类型和投射方式的类型。步骤S205中，针对成像部位的类型和投射方式的类型，检测DR图像中的图像缺陷。步骤S207中，向DR图像采集端反馈图像缺陷。上述各步骤中的一些可以被拆分、相互组合或按不同的先后顺序来执行。例如，步骤S201和S203可以合并为一个步骤，步骤S207可以先于步骤S201而执行。

在本发明的一些实施例中，DR图像并不是经采集过程获得，而是来自于外部的图像数据源，例如包括医疗云或医院数据中心。此外，作为可选步骤，反馈图像缺陷的步骤S207可以在一些实施例中省略。在采用步骤S207的场合，包括图像缺陷在内的各类质量检测结果可以被反馈到图像采集端、医疗云或医院数据中心，以供它们用来评估或改进。

检测DR图像中的图像缺陷包括确定ROI区域，具体包括：提取成像部位的骨结构和软组织结构的位置及定向的特征集合；基于对特征集合的计算，定位或分割成像部位的感兴趣区域。

在后续的步骤中，ROI区域将被进一步分类为正常ROI和异常ROI。正常ROI区域对应于骨结构区域、软组织区域、或骨结构区域的组合、或骨结构区域与适当软组织区域的组合。异常ROI区域对应于各类图像缺陷。步骤S205中检测所得的图像缺陷将在步骤S207中反馈给DR图像采集端，并可进一步提供改进指示，以供图像采集端操作人员调整采集方案。

在利用机器学习算法来训练质量检测单元的过程中，由无线放射操作员和技术专家提供并评估诊断图像，其中包括有缺陷的X光图像，涉及各种各样的图像质量缺陷，包括但不限于摆位错误、病人移动、不正确曝光以及伪影。技术专家对评估后的图像分类并添加标签，以供训练质量检测单元所用。分类或所添加的标签应与成像部位类型和/或投射方式类型相关联。按这种方式训练质量检测单元，使得其对成像部位类型以及投射方式类型更为敏感。换言之，就不同的成像部位类型而言，质量检测单元所采用的检测参数截然不同；但对同一类型而言，检测参数将大体上一致。此外，对不同的投射方式类型来说，质量检测单元所采用的参数会相差很大，但对同一类投射方式的检测参数则趋于一致。

在本发明的一些实施例中，检测X光图像中的图像缺陷还包括：对成像部位的类型和投射方式的类型的第一组合，基于通过机器学习算法确定的第一检测参数来检测感兴趣区域；而对成像部位的类型和投射方式的类型的第二组合，则基于不同于第一检测参数的第二检测参数来检测感兴趣区域，第二检测参数也通过机器学习算法确定。按这种方式，每组识别参数被专用于一个成像部位类型和投射方式类型的组合，这有助于提供识别图像缺陷的准确率。

检测图像缺陷还可以采用直方图分析算法，其对曝光伪影等缺陷具有良好的识别度。

在一些实施例中，为了提高处理效率，对采集到的X光图像进行预处理，预处理过程可将X光图像分割为骨结构区域、软组织区域和背景区域。

本领域的技术人员将会理解，结合本文中所公开的方面所描述的各种说明性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了表明硬件和软件间的可互换性，各种说明性部件、块、模块、电路和步骤在上文根据其功能性总体地进行了描述。这样的功能性是实现为硬件还是软件将取决于特定应用以及对总体系统所施加的设计限制。技术人员可以针对具体的特定应用、按照变化的方式来实现所描述的功能性，但是，这样的实现方式决策不应当被理解为引起与本发明范围的背离。

上述说明仅针对于本发明的优选实施例，并不在于限制本发明的保护范围。本领域技术人员可能作出各种变形设计，而不脱离本发明的思想及附随的权利要求。因此，基于本专利精神的任何实施方案或变形设计可以自然延伸到其他医疗影像质控技术。

Claims (18)

1.一种X光图像质量控制系统，包括：

图像获取单元，配置成获取X光图像并且确定成像部位的类型和投射方式的类型；

质量检测单元，配置成针对所述成像部位的类型和/或所述投射方式的类型来检测所述X光图像中的图像缺陷。

2.根据权利要求1所述的控制系统，还包括：

质量反馈单元，配置成向所述图像获取单元和/或图像采集端反馈所述图像缺陷。

3.根据权利要求1所述的控制系统，其特征在于，所述质量检测单元配置成：

提取所述成像部位的骨结构和/或软组织结构的位置及定向的特征集合；

基于对所述特征集合的计算，定位或分割所述成像部位的感兴趣区域。

4.根据权利要求2所述的控制系统，其特征在于，所述质量检测单元配置成利用机器学习算法来训练以至少确定和/或调节第一检测参数。

5.根据权利要求4所述的控制系统，其特征在于，所述质量检测单元配置成：

对所述成像部位的类型和所述投射方式的类型的第一组合，基于所述第一检测参数来检测所述感兴趣区域；

对所述成像部位的类型和所述投射方式的类型的第二组合，基于不同于所述第一检测参数的第二检测参数来检测所述感兴趣区域。

6.根据权利要求2所述的控制系统，其特征在于，所述质量检测单元还配置成利用直方图分析算法来检测与第一图像缺陷类型关联的所述感兴趣区域。

7.根据权利要求2所述的控制系统，其特征在于，所述图像获取单元还配置成对所述X光图像进行预处理，所述预处理包括将所述X光图像分割为骨结构区域、软组织区域和背景区域。

8.根据权利要求2所述的控制系统，其特征在于，所述质量反馈单元包括交互单元，以供筛选所述图像缺陷和/或设置自动筛选参数。

9.根据权利要求1所述的控制系统，其特征在于，所述图像获取单元配置成从外部图像数据源获取所述X光图像。

10.根据权利要求1所述的控制系统，其特征在于，所述图像获取单元包括配置成采集所述X光图像的图像采集装置。

11.一种X光成像设备，包括如权利要求1至10中任一项所述的图像质量控制系统。

12.一种X光图像质量检测方法，包括：

获取X光图像；

确定成像部位的类型和投射方式的类型；

针对所述成像部位的类型和/或所述投射方式的类型，检测所述X光图像中的图像缺陷。

13.如权利要求12所述的方法，还包括：

向X光图像采集端反馈所述图像缺陷。

14.如权利要求12所述的方法，其特征在于，检测所述X光图像中的图像缺陷包括：

提取所述成像部位的骨结构和/或软组织结构的位置及定向的特征集合；

基于对所述特征集合的计算，定位或分割所述成像部位的感兴趣区域。

15.如权利要求14所述的方法，其特征在于，检测所述X光图像中的图像缺陷还包括：

对所述成像部位的类型和所述投射方式的类型的第一组合，基于第一检测参数来检测所述感兴趣区域；

对所述成像部位的类型和所述投射方式的类型的第二组合，基于不同于所述第一检测参数的第二检测参数来检测所述感兴趣区域;

其中所述第一检测参数和所述第二检测参数通过机器学习算法来确定。

16.如权利要求12所述的方法，其特征在于，检测所述X光图像中的图像缺陷还包括：

利用直方图分析算法来检测与第一图像缺陷类型关联的所述感兴趣区域。

17.如权利要求12所述的方法，还包括：

对所述X光图像进行预处理，所述预处理包括将所述X光图像分割为骨结构区域、软组织区域和背景区域。

18.一种计算机可读存储介质，其上存储有一批机器可执行指令，所述机器可执行指令在由处理器执行时，实现如权利要求12至17中任一项所述的方法。

Images