CN113743814A - 医学影像质量评价和处理方法、装置、设备和介质 - Google Patents
医学影像质量评价和处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113743814A CN113743814A CN202111070624.7A CN202111070624A CN113743814A CN 113743814 A CN113743814 A CN 113743814A CN 202111070624 A CN202111070624 A CN 202111070624A CN 113743814 A CN113743814 A CN 113743814A
- Authority
- CN
- China
- Prior art keywords
- medical image
- target
- branch
- quality evaluation
- prediction model
- 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
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 200
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims description 81
- 238000012545 processing Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000002059 diagnostic imaging Methods 0.000 description 16
- 230000002452 interceptive effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/465—Displaying means of special interest adapted to display user selection data, e.g. graphical user interface, icons or menus
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- 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
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Economics (AREA)
- Heart & Thoracic Surgery (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本申请涉及一种医学影像质量评价和处理方法、装置、设备和介质。所述方法包括:获取待处理医学影像;将所述待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息。采用本方法通过多假设预测模型来对待处理医学影像进行处理,得到各个分支对应的目标定位结果,这样可以得到待处理医学影像对应的目标质量评价信息,不需要用户介入,可以直接得到目标定位结果和目标质量评价信息,从而可以提高扫描规划的效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种医学影像质量评价和处理方法、装置、设备和介质。
背景技术
医学影像学是以放射诊断医学为基础的涵盖多种影像技术的学科。如普通X线摄影(X-ray Radiography、XR)、数字摄影(Digital Radiography、DR)、数字减影血管造影(Digital subtraction angiography、DSA)、计算机X线断层扫描(Computed Tomography、CT)、磁共振成像(Magnetic Resonance Imaging、MRI)、超声技术(B超等)以及放射性核素扫描(正电子发射型计算机断层显像等)等等。由于影像设备采集和处理信号方式的不同以及人类视觉的感知差异等,最终所接收到的医学影像信息存在着各样差别,因此如何从诊断价值角度出发,综合全面地评价医学影像技术(包括医学影像设备和方法),对医学影像学的发展至关重要
以核磁共振MRI为例,其扫描的采集通常包括作为第一步的规划。此步骤需要采集调查扫描,然后将其用于扫描规划,即通常先扫描一个包含目标部位的侦测图像(scoutimage),基于侦测图像中的若干目标位置确定诊断图像的扫描坐标系(包括扫描位置和扫描方向的信息)。但是,此步骤通常涉及用户介入,并且依赖于用户的经验水平,其将减慢扫描规划。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对医学影像的定位结果进行评价,提高扫描规划的效率的医学影像质量评价和处理方法、装置、设备和介质。
一种医学影像质量评价方法,所述医学影像质量评价方法包括:
获取待处理医学影像;
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;
根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息。
在其中一个实施例中,所述多假设预测模型包括级联的至少两个预测层,每个所述预测层中包括与所述分支数量对应的网络块。
在其中一个实施例中,所述将所述待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到对应所述至少两个预测层中的每一网络块的初始定位结果;
根据每个分支中所连接的所述网络块,对所述初始定位结果进行处理得到各个分支对应的目标定位结果。
在其中一个实施例中,所述待处理医学影像中包括至少一个目标;所述将所述待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
在其中一个实施例中,所述根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息,包括:
根据各个分支对应的目标定位结果,计算得到所述待处理医学影像的每个目标对应的目标质量评价信息;或者
根据各个分支对应的目标定位结果,并基于不同统计指标计算得到所述待处理医学影像对应的目标质量评价信息;或者
根据各个分支对应的目标定位结果,计算得到所述待处理医学影像对应的目标质量评价信息,并根据所述目标质量评价指标生成热力图;或者
根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定所述目标质量评价信息对应的等级。
一种多假设预测模型的训练方法,所述多假设预测模型的训练方法包括:
获取样本医学影像、所述样本医学影像对应的标准定位结果以及初始预测模型;
为所述初始预测模型的各个分支分配当前权重;
将所述样本医学影像输入至所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失;
根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失;
当所述综合损失不满足要求时,则根据所述综合损失对所述初始预测模型进行模型参数调整,并根据所述当前分支损失重新为各个分支分配当前权重;
继续将所述样本医学影像输入至调整后的所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失,直至所述综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
在其中一个实施例中,所述根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失,包括:
根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;
根据各个分支的当前权重以及所述当前分支损失以及所述惩罚项计算得到所述初始预测模型的综合损失。
一种医学影像处理方法,所述医学影像处理方法包括:
扫描得到待处理医学影像;
根据上述的医学影像质量评价方法对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;
显示所述目标质量评价信息以及目标定位结果,并接收根据所述目标质量评价信息的针对所显示的目标定位结果的校正指令;
根据所述校正指令得到校正扫描参数,所述校正扫描参数用于控制扫描过程。
在其中一个实施例中,所述根据所述校正指令得到校正扫描参数之后,还包括:
存储所述校正扫描参数;
所述显示所述目标质量评价信息以及目标定位结果之前,还包括:
查询是否存在与所述待处理医学影像对应的校正扫描参数;
当存在与所述待处理医学影像对应的校正扫描参数时,根据所述校正扫描参数对所述目标定位结果进行校正。
在其中一个实施例中,所述根据上述的医学影像质量评价方法对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果之后,还包括:
当所述目标质量评价信息低于预设阈值时,则根据所述目标定位结果生成扫描参数,所述扫描参数用于指示所述扫描器进行扫描。
在其中一个实施例中,所述显示所述目标质量评价信息以及目标定位结果,包括:
当所述质量评价信息低于风险阈值时,则显示所述目标质量评价信息以及目标定位结果;
当所述质量评价信息高于等于风险阈值时,输出提醒信息,并显示所述待处理医学影像,以接收针对所述待处理医学影像的目标定位信息,并根据所述目标定位信息生成扫描参数,所述扫描参数用于指示所述扫描器进行扫描。
一种医学影像质量评价装置,所述医学影像质量评价装置包括:
图像获取模块,用于获取待处理医学影像;
定位结果获取模块,用于将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到各个分支对应的目标定位结果;
第一质量评价信息生成模块,用于根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息。
一种医学影像处理装置,所述医学影像处理装置包括:
扫描模块,用于扫描得到待处理医学影像;
第二质量评价信息生成模块,用于根据上述的医学影像质量评价装置对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;
校正模块,用于显示所述目标质量评价信息以及目标定位结果,并接收根据所述目标质量评价信息的针对所显示的目标定位结果的校正指令;
参数生成模块,用于根据所述校正指令得到校正扫描参数,所述校正扫描参数用于控制扫描过程。
一种多假设预测模型的训练装置,所述多假设预测模型的训练装置包括:
样本获取模块,用于获取样本医学影像、所述样本医学影像对应的标准定位结果以及初始预测模型;
第一权重分配模块,用于为所述初始预测模型的各个分支分配当前权重;
分支损失计算模块,用于将所述样本医学影像输入至所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失;
综合损失计算模块,用于根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失;
第二权重分配模块,用于当所述综合损失不满足要求时,则根据所述综合损失对所述初始预测模型进行模型参数调整,并根据所述当前分支损失重新为各个分支分配当前权重;
训练模块,用于继续将所述样本医学影像输入至调整后的所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失,直至所述综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
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上述任意一个实施例中所述的方法的步骤。
上述医学影像质量评价和处理方法、装置、设备和介质,通过多假设预测模型来对待处理医学影像进行处理,得到各个分支对应的目标定位结果,这样可以得到待处理医学影像对应的目标质量评价信息,不需要用户介入,可以直接得到目标定位结果和目标质量评价信息,从而可以提高扫描规划的效率。
附图说明
图1为一个实施例中医学影像质量评价和处理方法的应用环境图;
图2为一个实施例中医学影像质量评价方法的流程示意图;
图3为一个实施例中的多假设预测模型的结构示意图;
图4为另外一个实施例中的多假设预测模型结构示意图;
图5为一个实施例中多假设预测模型的训练方法的流程示意图;
图6为一个实施例中医学影像处理方法的流程示意图;
图7为一个实施例中的头部横断扫描坐标系定位结果的示意图;
图8为另一个实施例中的头部横断扫描坐标系定位结果的示意图;
图9为一个实施例中的初始扫描的流程示意图;
图10为一个实施例中的交互界面的示意图;
图11为一个实施例中的随访扫描的流程示意图;
图12为一个实施例中医学影像质量评价装置的结构框图;
图13为一个实施例中多假设预测模型的训练装置的结构框图;
图14为一个实施例中医学影像处理装置的结构框图;
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的医学影像质量评价方法、多假设预测模型的训练方法以及医学影像处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与医疗成像设备104进行通信。其中终端102可以获取到医疗成像设备104所扫描得到的待处理医学影像。将待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息。通过多假设预测模型来对待处理医学影像进行处理,得到各个分支对应的目标定位结果,这样可以得到待处理医学影像对应的目标质量评价信息,不需要用户介入,可以直接得到目标定位结果和目标质量评价信息,从而可以提高扫描规划的效率。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备以及医疗成像设备本身的功能模块和专用电路。在此实施例中,终端102可以包括患者的移动终端设备和/或医疗操作人员的移动终端设备。医疗成像设备104包括但不限于各种成像设备,例如CT成像设备(CT:Computed Tomography,它是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一个部位做一个接一个的断面扫描,并且通过CT扫描可以重建出肿瘤等的精确三维位置图像)、磁共振设备(其是断层成像的一种,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息图像)、正电子发射型计算机断层显像(Positron Emission Computed Tomography)设备、正电子发射型磁共振成像系统(PET/MR)等
在一个实施例中,如图2所示,提供了一种医学影像质量评价方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202:获取待处理医学影像。
具体地,待处理医学影像是医学成像设备所采集的图像,其可以是初次扫描是医学成像设备所采集的,或者是随访扫描时医学成像设备采集的,在此不具体限定待处理医学影像的扫描时间。
S204:将待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果。
具体地,多假设预测模型是将预设神经网络结构的输出卷积层模块进行多分支复制,形成多假设预测机制。其中预设神经网络接口可以是U-Net、V-Net及其他相关变种中的至少一个。这样多假设预测模型则包括多个输出分支,每个输出分支均输出目标定位结果。
终端将待处理医学影像输入至预先训练得到的多假设预测模型,多假设预测模型提取待处理医学影像的特征,并根据所提取的特征来计算得到目标定位结果,其中多假设预测模型输出的是每个分支的目标定位结果,其中每个分支的权值不同或不相同,该权重是在多假设预测模型训练时确定的。
其中,需要说明的是,每个分支均输出待处理医学影像对应的目标定位结果,且每个分支可输出至少一个目标定位结果,例如当待处理医学影像中包括N个目标时,则每个分支输出对应N个目标的目标定位结果。
具体地,结合图3所示,图3为一个实施例中的多假设预测模型的结构示意图,在该实施例中,将待处理医学影像输入至多假设预测模型,其中将待处理医学影像分别输入至复制的多个分支中,每个分支中进行识别以得到目标定位结果。其中结合图3多假设预测模型包括M条分支,每个分支包括特征提取模块和对应的预测模块,最后输出目标定位结果,即每个分支输出一个目标定位结果,在图3中反应为输出M幅输出图像。
S206:根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息。
具体地,目标质量评价信息是用于对目标定位结果的准确性进行评价的。其中终端根据各个分支对应的目标定位结果进行计算以得到目标质量评价信息。进一步地,当每个分支输出的目标定位结果为定位热力图时,终端可以逐像素计算各个定位热力图的统计量,例如方差,从而形成一个方差图,最后终端计算方差图的平均值,这样方差图的每个平均值可以拟合得到高斯分布,这样每个平均值对应的高斯分布可以用来表示目标质量评价信息。
其中,需要说明的是,对于目标质量评价信息其可以通过多种方式进行显示,包括但不限于:根据各个分支对应的目标定位结果,计算得到待处理医学影像的每个目标对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,并基于不同统计指标计算得到待处理医学影像对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,计算得到待处理医学影像对应的目标质量评价信息,并根据目标质量评价指标生成热力图;或者根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定目标质量评价信息对应的等级。
具体地,该目标质量评价信息可以是各个目标分别进行显示,采用不同的统计值表示,采用热力图进行显示,采用离散的等级进行表示中的至少一个。
其中各个目标分别进行显示可以是根据各个分支对应的目标定位结果,确定各个目标对应的分支的结果,然后基于分支的结果计算得到各个目标的目标质量评价信息。
其中采用不同的统计值表示可以是采用一个或至少两个度量值,该度量值可以是连续的度量值或者是离散的分级值,例如终端根据各个分支对应的目标定位结果计算得到不同的统计值,例如方差、偏度、协方差等,这样通过不同的统计值来表征目标质量评价信息,也就是说最后输出的目标质量评价信息可以是通过至少一个统计值标识的。
其中采用热力图进行显示是指根据目标质量评价信息将不同质量的位置通过不同的方式显示,例如将质量较低的位置通过高亮、不同颜色等进行显示,或者是进一步地显示不同质量的位置的分布范围,其中分布范围的显示可以是概率热力图或者是多假设预测的结果。
其中,采用离散的分级值显示包括:根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定目标质量评价信息对应的等级,这样将连续度量值转换为离散的分级度量值。例如,终端将连续的目标质量评价信息可以改为离散的目标质量评价信息。如可将上述目标质量评价信息落于高斯分布[-σ,σ]范围内的结果定为1级(低风险),将(-2σ,-σ)和(σ,2σ)定为2级(中风险),其他度量值范围定为3级(高风险),在其他的实施例中才艺采用其他的方式,在此不做具体限定。
上述医学影像质量评价方法,通过多假设预测模型来对待处理医学影像进行处理,得到各个分支对应的目标定位结果,这样可以得到待处理医学影像对应的目标质量评价信息,不需要用户介入,可以直接得到目标定位结果和目标质量评价信息,从而可以提高扫描规划的效率。
在其中一个实施例中,多假设预测模型包括级联的至少两个预测层,每个预测层中包括与分支数量对应的网络块,且相邻的两个预测层之间的网络块通过随机组合或者是固定组合的方式连接。
具体地,结合图4所示,图4为另外一个实施例中的多假设预测模型结构示意图,在该实施例中,该多假设预测模型包括级联的至少两个预测层,即在图3所示的多假设预测模型中级联多个多假设预测层,每个预测层中包括与分支数量对应的网络块,且相邻的两个预测层之间的网络块通过随机组合的方式连接。可选地,每个预测层中的网络块的结构相同,但不同预测层中的网络块的结构相同或不相同。更进一步地,所有的预测层中的每个网络块使用相同的网络连接结构。
可选地,在推理时,各个网络块的连接可以采用固定连接,也可以沿用随机组合连接。实际使用时级联层数L一般设置为2-3层即可。需要说明的是本实施例的卷积运算是完整的,不会破坏图像空间结构的连续性和完整性,这在分割、热力图回归等形式的输出图像中的表现更佳。
在其中一个实施例中,将待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到对应至少两个预测层中的每一网络块的初始定位结果;根据每个分支中所连接的网络块,对初始定位结果进行处理得到各个分支对应的目标定位结果。
具体地,结合图4,终端将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,这样即可以得到对应至少两个预测层中的每一网络块的初始定位结果,然后根据每个分支中所连接的网络块,对初始定位结果进行处理得到各个分支对应的目标定位结果,例如将连接的网络块的定位结果进行融合,例如逐像素求取统计量,统计量包括但不限于平均值、最大值、最小值等等。
在其中一个实施例中,待处理医学影像中包括至少一个目标;将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
具体地,需要说明的是待处理医学影像中可能包括至少一个目标,例如至少一个解剖位置,因此在通过多假设预测模型进行处理时,每个分支至少输出一个目标的目标定位结果。具体地,当需要定位N个解剖位置时,对一待处理医学影像进行推理后,每个分支输出的结果包含N个通道,可以逐个通道分别按上述方法计算目标质量评价信息QFn(n=1,2,…,N),作为每个解剖位置的目标质量评价信息。
上述实施例中,一次计算可以实现对多个目标的定位的质量评价,提高了效率。
在一个实施例中,如图5所示,提供了一种多假设预测模型的训练方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S502:获取样本医学影像、样本医学影像对应的标准定位结果以及初始预测模型。
具体地,样本医学影像是医学成像设备所采集的历史图像,在此不对其做具体的限定,标准定位结果是样本医学影像中的目标的真实的位置。初始预测模型是如图3所示的结构的模型,其中该模型中的参数都是随机设置的,并没有经过训练。
S504:为初始预测模型的各个分支分配当前权重。
具体地,终端为各个分支配置对应的当前权重,以实现权重的初始化,为后续训练奠定基础。
S506:将样本医学影像输入至初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失。
具体地,当前分支损失是指当前分支所预测得到的定位结果与标准定位结果之间的差距。
S508:根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失。
具体地综合损失是根据各个分支的分支损失计算得到的。
S510:当综合损失不满足要求时,则根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重。
S512:继续将样本医学影像输入至调整后的初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失,直至综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
具体地,在训练过程中,每次迭代对各分支的前向推理结果分别计算损失值,并对各分支损失值分配不同的权重得到综合损失,这样终端可以根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重,具体,终端可以将当前损失最小的分支分配最大的权重,即在每次迭代训练的时候,权重的数值是不会变化的,但每次迭代的时候当前损失最小的分支的权重会发生变化。
当在某一次迭代的过程中,综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型,即对初始预测模型中的参数都调整完成,从而获取到参数调整完成的初始预测模型作为多假设预测模型。
具体地,为了方便理解,假设初始预测模型存在M个分支,训练中综合损失的加权策略为对当前分支损失最小的分支分配的权重为0.95,其余分支所分配的权重为0.05/(M-1)。本实施例中分支数实际设置为4。在训练迭代过程中,当综合损失收敛时,训练结束并将得到初始预测模型作为多假设预测模型。
上述实施例中,通过复制得到至少两个分支,并在训练的时候根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重,从而调整综合损失,直至综合损失收敛,训练完成。
在其中一个实施例中,根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失,包括:根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;根据各个分支的当前权重以及当前分支损失以及惩罚项计算得到初始预测模型的综合损失。
具体地,样本医学影像中包括至少一个目标;惩罚项为:
其中,P为惩罚项,N为目标的数量,I为每个目标对应的像素个数,M为分支数量,Qm(n,i)为初始预测模型或调整后的初始预测模型的输出结果经过预设模型处理后,得到的第m个分支的第n个目标的第i个像素的值;其中,预设模型为:
这样终端根据各个分支的当前权重以及当前分支损失以及惩罚项计算得到初始预测模型的综合损失,这样所得到的综合损失可以用于增加多假设预测结果的变化度/混乱度,增加此惩罚项后,训练的综合损失为loss=WTA+λ×P,其中WTA为未添加惩罚项的综合损失,即各个分支的当前分支损失计算得到的综合损失,P为惩罚项,其中λ小于1,可以设置为0.1或0.01等较小值。
上述实施例中增加变化度惩罚因子,可以增加多假设预测结果的变化度/混乱度,且神经网络保留了图像和特征图的空间完整性和连续性,且具有更低的前向预测运算成本。
在一个实施例中,如图6所示,提供了一种医学影像处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S602:扫描得到待处理医学影像。
待处理医学影像是医学成像设备所采集的图像,其可以是初次扫描是医学成像设备所采集的,或者是随访扫描时医学成像设备采集的,在此不具体限定待处理医学影像的扫描时间。
S604:根据上述任意一个实施例中的医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果。
具体地,关于目标质量评价信息以及目标定位结果的生成方式可以具体参见上文,在此不再赘述。
其中为了方便理解,以头部横断扫描坐标系定位为例进行说明,具体参见图7和图8所示,其中先在磁共振侦测图像上定位关键解剖位置,该解剖位置的形式可以是关键点、边界线、长短轴、特定平面、组织分割掩膜等。该定位算法不是本实施例的重点,因此本实施例仅以头部横断位扫描定位举例:头部横断位扫描坐标系如图7和图8所示。终端利用第一神经网络预测头部正中矢状面(Mid-sagittal plane,MSP,如图7所示)在侦测图像空间中的位置,然后重建正中矢状面二维图像,在该图像中利用第二神经网络预测头部前连合(AC)与后连合(PC)点的位置。另外,本实施例利用第二神经网络同时预测胼胝体膝部点和压部点,并以两点连线的终点作为扫描坐标系原点。以MSP法向量为扫描坐标系x轴,以AC、PC两点的连线方向作为y轴,x轴与y轴向量的叉积作为z轴,即可建立该病人头部的扫描坐标系。
S606:显示目标质量评价信息以及目标定位结果,并接收根据目标质量评价信息的针对所显示的目标定位结果的校正指令。
具体地,在本实施例中,在终端生成标质量评价信息以及目标定位结果后,将标质量评价信息以及目标定位结果进行显示,例如显示在终端的界面上,从而用户可以根据标质量评价信息对目标定位结果进行确认或校正。
具体地,目标质量评价信息以及目标定位结果的显示以及矫正指令的接收均可以通过终端来进行。具体地,目标定位结果可以是以定位点、定位线、定位框、定位平面等形式显示在待处理医学影像上。用户可通过控制点、线、框等方式对目标定位结果进行校正。用户确认定位结果后,校正的偏移量以矩阵的方式保存到所述存储器中。除此之外,终端还显示目标质量评价信息。
S608:根据校正指令得到校正扫描参数,校正扫描参数用于控制扫描过程。
具体地,终端根据所接收的校正指令得到校正扫描参数,该校正扫描参数可以包括扫描方向、扫描范围等位置信息,从而终端根据校正扫描参数控制医学成像设备进行扫描。
在实际应用中,结合图9所示,其中图9为初次扫描时的流程图,其中扫描器为医学成像设备,例如磁共振成像设备,首先对患者扫描以得到一个待处理医学影像,也即一张2D或3D的侦测图像,从而终端可以对该侦测图像进行处理以得到目标质量评价信息以及目标定位结果,并通过交互器,即磁共振检查软件交互界面输出目标质量评价信息以及目标定位结果,从而通过该软件交互界面接收根据目标质量评价信息对目标定位结果的确认或校正指令,这样终端确定校正参数,也即校正后的扫描方向、扫描范围等位置信息,并启动诊断图像的扫描。结合图10所示,图10为一个实施例中的交互界面的示意图。
可选地,当进行了校正后,终端,也即图中的存储器则将校正扫描参数存储下来。其中存储器一般是数据库、PACS系统等,存储了患者的影像检查信息。
上述实施例中,通过输出目标质量评价信息以及目标定位结果,从而用户可以根据目标质量评价信息对目标定位结果进行校正,这样包括了目标定位结果的评价机制,且根据该评价机制对目标定位结果进行处理,更加直观。
在其中一个实施例中,根据校正指令得到校正扫描参数之后,还包括:存储校正扫描参数;显示目标质量评价信息以及目标定位结果之前,还包括:查询是否存在与待处理医学影像对应的校正扫描参数;当存在与待处理医学影像对应的校正扫描参数时,根据校正扫描参数对目标定位结果进行校正。
具体地,结合图11所示,图11为一个实施例中的随访扫描的流程图,在该实施例中,其中扫描器为医学成像设备,例如磁共振成像设备,首先对患者扫描以得到一个待处理医学影像,也即一张2D或3D的侦测图像,从而终端可以对该侦测图像进行处理以得到目标质量评价信息以及目标定位结果,矫正器从存储器中检索该病例历史扫描中是否存在校正扫描参数,若是存在,则提取校正扫描参数并通过校正便宜叠加到定位器的目标定位结果中。
其中,其中存储器一般是数据库、PACS系统等,存储了患者的影像检查信息。该影像检查信息中包括患者标识、扫描位置标识等,从而可以准确地查询到患者的校正扫描参数。其中在随访扫描中,校正器搜索该病例同一扫描部位的历史扫描记录,若存在历史校正参数,则提取该历史校正参数并叠加到当前扫描中定位器得到的目标定位结果,否则直接传递定位器目标定位结果。交互器显示校正器处理后的定位结果,并显示定位器得到的目标质量评价信息。
最后,在确定扫描坐标系后,扫描器根据扫描坐标系坐标轴方向和原点位置建立扫描FOV和片层方向,执行诊断图像扫描。
最后通过交互器,即磁共振检查软件交互界面输出目标质量评价信息以及目标定位结果,从而通过该软件交互界面接收根据目标质量评价信息对目标定位结果的确认或校正指令,这样终端确定校正参数,也即校正后的扫描方向、扫描范围等位置信息,并启动诊断图像的扫描。
其中,可选地,校正偏移是一个线性变换过程,具体可以根据预设的规则进行,在此不做具体的限制。
在其中一个实施例中,根据医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果之后,还包括:当目标质量评价信息低于预设阈值时,则根据目标定位结果生成扫描参数,扫描参数用于指示扫描器进行扫描。
具体地,预设阈值是用户预先设置的,其用于判断当前目标定位结果是否准确,当目标质量评价信息低于预设阈值时,则目标定位结果准确,当目标质量评价信息不低于预设阈值时,则目标定位结果不准确。
且为了减少处理步骤,在目标质量评价信息低于预设阈值时,终端自动确认目标定位结果,而无需用户进行进一步的确认或校正。
在其中一个实施例中,显示目标质量评价信息以及目标定位结果,包括:当质量评价信息低于风险阈值时,则显示目标质量评价信息以及目标定位结果;当质量评价信息高于等于风险阈值时,输出提醒信息,并显示待处理医学影像,以接收针对待处理医学影像的目标定位信息,并根据目标定位信息生成扫描参数,扫描参数用于指示扫描器进行扫描。
具体地,在该实施例中当质量评价信息低于预设阈值时,终端可以无需进行确认或校正,因此终端可以仅直接输出目标质量评价信息以及目标定位结果,在其他的实施例中,终端也可以不输出目标质量评价信息以及目标定位结果。
风险阈值则是用于判断目标定位结果的准确性是否超出容忍度,若是在容忍度之内,即小于风险阈值时,则终端仅显示目标质量评价信息以及目标定位结果,以便于用户判断是否进行矫正。
当质量评价信息高于等于风险阈值时,终端则可以输出提示信息,且可选地,若质量评价信息介于一个阈值段之前,判断为轻微风险时,交互器将定位结果显示到交互界面上,由用户在定位器或校正器计算的定位结果上进行微调;若不确定性风险高于风险阈值,判断为高风险时,交互器不显示定位器或校正器计算的定位结果并提醒用户,由用户基于侦测图像进行人工定位。
应该理解的是,虽然图2、图5至图8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图5至图8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种医学影像质量评价装置,包括:图像获取模块1201、定位结果获取模块1202和第一质量评价信息生成模块1203,其中:
图像获取模块1201,用于获取待处理医学影像;
定位结果获取模块1202,用于将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的目标定位结果;
第一质量评价信息生成模块1203,用于根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息。
在其中一个实施例中,多假设预测模型包括级联的至少两个预测层,每个预测层中包括与分支数量对应的网络块。
在其中一个实施例中,定位结果获取模块1202包括:
分支处理单元,用于将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到对应至少两个预测层中的每一网络块的初始定位结果;
目标定位结果获取单元,用于根据每个分支中所连接的网络块,对初始定位结果进行处理得到各个分支对应的目标定位结果。
在其中一个实施例中,待处理医学影像中包括至少一个目标;定位结果获取模块1202用于将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
在其中一个实施例中,上述第一质量评价信息生成模块1203还用于根据各个分支对应的目标定位结果,计算得到待处理医学影像的每个目标对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,并基于不同统计指标计算得到待处理医学影像对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,计算得到待处理医学影像对应的目标质量评价信息,并根据目标质量评价指标生成热力图;或者根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定目标质量评价信息对应的等级。
在一个实施例中,如图13所示,提供了一种多假设预测模型的训练装置,包括:样本获取模块1301、第一权重分配模块1302、分支损失计算模块1303、综合损失计算模块1304、第二权重分配模块1305和训练模块1306,其中:
样本获取模块1301,用于获取样本医学影像、样本医学影像对应的标准定位结果以及初始预测模型;
第一权重分配模块1302,用于为初始预测模型的各个分支分配当前权重;
分支损失计算模块1303,用于将样本医学影像输入至初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失;
综合损失计算模块1304,用于根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失;
第二权重分配模块1305,用于当综合损失不满足要求时,则根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重;
训练模块1306,用于继续将样本医学影像输入至调整后的初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失,直至综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
在其中一个实施例中,综合损失计算模块1304包括:
惩罚项计算单元,用于根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;
综合损失计算单元,用于根据各个分支的当前权重以及当前分支损失以及惩罚项计算得到初始预测模型的综合损失。
在一个实施例中,如图14所示,提供了一种医学影像处理装置,包括:扫描模块1401、第二质量评价信息生成模块1402、校正模块1403和参数生成模块1404,其中:
扫描模块1401,用于扫描得到待处理医学影像;
第二质量评价信息生成模块1402,用于根据医学影像质量评价装置对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;
校正模块1403,用于显示目标质量评价信息以及目标定位结果,并接收根据目标质量评价信息的针对所显示的目标定位结果的校正指令;
参数生成模块1404,用于根据校正指令得到校正扫描参数,校正扫描参数用于控制扫描过程。
在其中一个实施例中,上述医学影像处理装置还包括:
存储模块,用于存储校正扫描参数;
查询模块,用于在显示目标质量评价信息以及目标定位结果之前,查询是否存在与待处理医学影像对应的校正扫描参数;当存在与待处理医学影像对应的校正扫描参数时,根据校正扫描参数对目标定位结果进行校正。
在其中一个实施例中,上述医学影像处理装置还包括:
扫描参数生成模块1404,用于当目标质量评价信息低于风险阈值时,则根据目标定位结果生成扫描参数,扫描参数用于指示扫描器进行扫描。
在其中一个实施例中,上述校正模块1403包括:
显示单元,用于当质量评价信息低于风险阈值时,则显示目标质量评价信息以及目标定位结果;
输出单元,用于当质量评价信息高于等于风险阈值时,输出提醒信息,并显示待处理医学影像,以接收针对待处理医学影像的目标定位信息,并根据目标定位信息生成扫描参数,扫描参数用于指示扫描器进行扫描。
关于医学影像质量评价装置、多假设预测模型的训练装置以及医学影像处理装置的具体限定可以参见上文中对于医学影像质量评价方法、多假设预测模型的训练方法以及医学影像处理方法的限定,在此不再赘述。上述医学影像质量评价装置、多假设预测模型的训练装置以及医学影像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学影像质量评价方法、多假设预测模型的训练方法以及医学影像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待处理医学影像;将待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息。
在一个实施例中,处理器执行计算机程序时所涉及的多假设预测模型包括级联的至少两个预测层,每个预测层中包括与分支数量对应的网络块。
在一个实施例中,处理器执行计算机程序时所实现的将待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到对应至少两个预测层中的每一网络块的初始定位结果;根据每个分支中所连接的网络块,对初始定位结果进行处理得到各个分支对应的目标定位结果。
在一个实施例中,处理器执行计算机程序时所涉及的待处理医学影像中包括至少一个目标;处理器执行计算机程序时所实现的将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
在一个实施例中,处理器执行计算机程序时所实现的根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,包括:根据各个分支对应的目标定位结果,计算得到待处理医学影像的每个目标对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,并基于不同统计指标计算得到待处理医学影像对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,计算得到待处理医学影像对应的目标质量评价信息,并根据目标质量评价指标生成热力图;或者根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定目标质量评价信息对应的等级。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取样本医学影像、样本医学影像对应的标准定位结果以及初始预测模型;为初始预测模型的各个分支分配当前权重;将样本医学影像输入至初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失;根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失;当综合损失不满足要求时,则根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重;继续将样本医学影像输入至调整后的初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失,直至综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
在一个实施例中,处理器执行计算机程序时所实现的根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失,包括:根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;根据各个分支的当前权重以及当前分支损失以及惩罚项计算得到初始预测模型的综合损失。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:扫描得到待处理医学影像;根据医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;显示目标质量评价信息以及目标定位结果,并接收根据目标质量评价信息的针对所显示的目标定位结果的校正指令;根据校正指令得到校正扫描参数,校正扫描参数用于控制扫描过程。
在一个实施例中,处理器执行计算机程序时所实现的根据校正指令得到校正扫描参数之后,还包括:存储校正扫描参数;显示目标质量评价信息以及目标定位结果之前,还包括:查询是否存在与待处理医学影像对应的校正扫描参数;当存在与待处理医学影像对应的校正扫描参数时,根据校正扫描参数对目标定位结果进行校正。
在一个实施例中,处理器执行计算机程序时所实现的根据医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果之后,还包括:当目标质量评价信息低于风险阈值时,则根据目标定位结果生成扫描参数,扫描参数用于指示扫描器进行扫描。
在一个实施例中,处理器执行计算机程序时所实现的显示目标质量评价信息以及目标定位结果,包括:当质量评价信息低于风险阈值时,则显示目标质量评价信息以及目标定位结果;当质量评价信息高于等于风险阈值时,输出提醒信息,并显示待处理医学影像,以接收针对待处理医学影像的目标定位信息,并根据目标定位信息生成扫描参数,扫描参数用于指示扫描器进行扫描。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待处理医学影像;将待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息。
在一个实施例中,计算机程序被处理器执行时所涉及的多假设预测模型包括级联的至少两个预测层,每个预测层中包括与分支数量对应的网络块。
在一个实施例中,计算机程序被处理器执行时所实现的将待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到对应至少两个预测层中的每一网络块的初始定位结果;根据每个分支中所连接的网络块,对初始定位结果进行处理得到各个分支对应的目标定位结果。
在一个实施例中,计算机程序被处理器执行时所涉及的待处理医学影像中包括至少一个目标;计算机程序被处理器执行时所实现的将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的目标定位结果,包括:将待处理医学影像输入至预先训练得到的多假设预测模型中,以通过多假设预测模型中的至少两个分支对待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
在一个实施例中,计算机程序被处理器执行时所实现的根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,包括:根据各个分支对应的目标定位结果,计算得到待处理医学影像的每个目标对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,并基于不同统计指标计算得到待处理医学影像对应的目标质量评价信息;或者根据各个分支对应的目标定位结果,计算得到待处理医学影像对应的目标质量评价信息,并根据目标质量评价指标生成热力图;或者根据各个分支对应的目标定位结果计算得到待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定目标质量评价信息对应的等级。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取样本医学影像、样本医学影像对应的标准定位结果以及初始预测模型;为初始预测模型的各个分支分配当前权重;将样本医学影像输入至初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失;根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失;当综合损失不满足要求时,则根据综合损失对初始预测模型进行模型参数调整,并根据当前分支损失重新为各个分支分配当前权重;继续将样本医学影像输入至调整后的初始预测模型中,并根据标准定位结果计算得到各个分支对应的当前分支损失,直至综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的根据各个分支的当前权重以及当前分支损失计算得到初始预测模型的综合损失,包括:根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;根据各个分支的当前权重以及当前分支损失以及惩罚项计算得到初始预测模型的综合损失。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:扫描得到待处理医学影像;根据医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;显示目标质量评价信息以及目标定位结果,并接收根据目标质量评价信息的针对所显示的目标定位结果的校正指令;根据校正指令得到校正扫描参数,校正扫描参数用于控制扫描过程。
在一个实施例中,计算机程序被处理器执行时所实现的根据校正指令得到校正扫描参数之后,还包括:存储校正扫描参数;显示目标质量评价信息以及目标定位结果之前,还包括:查询是否存在与待处理医学影像对应的校正扫描参数;当存在与待处理医学影像对应的校正扫描参数时,根据校正扫描参数对目标定位结果进行校正。
在一个实施例中,计算机程序被处理器执行时所实现的根据医学影像质量评价方法对待处理医学影像进行处理得到目标质量评价信息以及目标定位结果之后,还包括:当目标质量评价信息低于风险阈值时,则根据目标定位结果生成扫描参数,扫描参数用于指示扫描器进行扫描。
在一个实施例中,计算机程序被处理器执行时所实现的显示目标质量评价信息以及目标定位结果,包括:当质量评价信息低于风险阈值时,则显示目标质量评价信息以及目标定位结果;当质量评价信息高于等于风险阈值时,输出提醒信息,并显示待处理医学影像,以接收针对待处理医学影像的目标定位信息,并根据目标定位信息生成扫描参数,扫描参数用于指示扫描器进行扫描。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种医学影像质量评价方法,其特征在于,所述医学影像质量评价方法包括:
获取待处理医学影像;
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,得到至少两个分支对应的目标定位结果;
根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息。
2.根据权利要求1所述的医学影像质量评价方法,其特征在于,所述多假设预测模型包括级联的至少两个预测层,每个所述预测层中包括与所述分支数量对应的网络块。
3.根据权利要求2所述的医学影像质量评价方法,其特征在于,所述将所述待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到对应所述至少两个预测层中的每一网络块的初始定位结果;
根据每个分支中所连接的所述网络块,对所述初始定位结果进行处理得到各个分支对应的目标定位结果。
4.根据权利要求3所述的医学影像质量评价方法,其特征在于,所述待处理医学影像中包括至少一个目标;所述将所述待处理医学影像输入至预先训练得到的多假设预测模型中得到各个分支对应的目标定位结果,包括:
将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到各个分支对应的至少一个目标的目标定位结果。
5.根据权利要求1所述的医学影像质量评价方法,其特征在于,所述根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息,包括:
根据各个分支对应的目标定位结果,计算得到所述待处理医学影像的每个目标对应的目标质量评价信息;或者
根据各个分支对应的目标定位结果,并基于不同统计指标计算得到所述待处理医学影像对应的目标质量评价信息;或者
根据各个分支对应的目标定位结果,计算得到所述待处理医学影像对应的目标质量评价信息,并根据所述目标质量评价指标生成热力图;或者
根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息,并根据预设离散分组确定所述目标质量评价信息对应的等级。
6.一种权利要求1至5任意一项中的多假设预测模型的训练方法,其特征在于,所述多假设预测模型的训练方法包括:
获取样本医学影像、所述样本医学影像对应的标准定位结果以及初始预测模型;
为所述初始预测模型的各个分支分配当前权重;
将所述样本医学影像输入至所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失;
根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失;
当所述综合损失不满足要求时,则根据所述综合损失对所述初始预测模型进行模型参数调整,并根据所述当前分支损失重新为各个分支分配当前权重;
继续将所述样本医学影像输入至调整后的所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失,直至所述综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
7.根据权利要求6所述的多假设预测模型的训练方法,其特征在于,所述根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失,包括:
根据各个分支对应的目标定位结果以及分支数量计算得到惩罚项;
根据各个分支的当前权重以及所述当前分支损失以及所述惩罚项计算得到所述初始预测模型的综合损失。
8.一种医学影像处理方法,其特征在于,所述医学影像处理方法包括:
扫描得到待处理医学影像;
根据权利要求1至5任意一项所述的医学影像质量评价方法对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;
显示所述目标质量评价信息以及目标定位结果,并接收根据所述目标质量评价信息的针对所显示的目标定位结果的校正指令;
根据所述校正指令得到校正扫描参数,所述校正扫描参数用于控制扫描过程。
9.根据权利要求8所述的医学影像处理方法,其特征在于,所述根据所述校正指令得到校正扫描参数之后,还包括:
存储所述校正扫描参数;
所述显示所述目标质量评价信息以及目标定位结果之前,还包括:
查询是否存在与所述待处理医学影像对应的校正扫描参数;
当存在与所述待处理医学影像对应的校正扫描参数时,根据所述校正扫描参数对所述目标定位结果进行校正。
10.根据权利要求8所述的医学影像处理方法,其特征在于,所述根据权利要求1至5任意一项所述的医学影像质量评价方法对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果之后,还包括:
当所述目标质量评价信息低于预设阈值时,则根据所述目标定位结果生成扫描参数,所述扫描参数用于指示所述扫描器进行扫描。
11.根据权利要求8所述的医学影像处理方法,其特征在于,所述显示所述目标质量评价信息以及目标定位结果,包括:
当所述质量评价信息低于风险阈值时,则显示所述目标质量评价信息以及目标定位结果;
当所述质量评价信息高于等于风险阈值时,输出提醒信息,并显示所述待处理医学影像,以接收针对所述待处理医学影像的目标定位信息,并根据所述目标定位信息生成扫描参数,所述扫描参数用于指示所述扫描器进行扫描。
12.一种医学影像质量评价装置,其特征在于,所述医学影像质量评价装置包括:
图像获取模块,用于获取待处理医学影像;
定位结果获取模块,用于将所述待处理医学影像输入至预先训练得到的多假设预测模型中,以通过所述多假设预测模型中的至少两个分支对所述待处理医学影像进行处理,得到各个分支对应的目标定位结果;
第一质量评价信息生成模块,用于根据各个分支对应的目标定位结果计算得到所述待处理医学影像对应的目标质量评价信息。
13.一种医学影像处理装置,其特征在于,所述医学影像处理装置包括:
扫描模块,用于扫描得到待处理医学影像;
第二质量评价信息生成模块,用于根据权利要求12所述的医学影像质量评价装置对所述待处理医学影像进行处理得到目标质量评价信息以及目标定位结果;
校正模块,用于显示所述目标质量评价信息以及目标定位结果,并接收根据所述目标质量评价信息的针对所显示的目标定位结果的校正指令;
参数生成模块,用于根据所述校正指令得到校正扫描参数,所述校正扫描参数用于控制扫描过程。
14.一种权利要求12中的多假设预测模型的训练装置,其特征在于,所述多假设预测模型的训练装置包括:
样本获取模块,用于获取样本医学影像、所述样本医学影像对应的标准定位结果以及初始预测模型;
第一权重分配模块,用于为所述初始预测模型的各个分支分配当前权重;
分支损失计算模块,用于将所述样本医学影像输入至所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失;
综合损失计算模块,用于根据各个分支的当前权重以及所述当前分支损失计算得到所述初始预测模型的综合损失;
第二权重分配模块,用于当所述综合损失不满足要求时,则根据所述综合损失对所述初始预测模型进行模型参数调整,并根据所述当前分支损失重新为各个分支分配当前权重;
训练模块,用于继续将所述样本医学影像输入至调整后的所述初始预测模型中,并根据所述标准定位结果计算得到各个分支对应的当前分支损失,直至所述综合损失满足要求时,将所得到的初始预测模型作为多假设预测模型。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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5或6至7或8至11中任一项所述的方法的步骤。
16.一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5或6至7或8至11中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070624.7A CN113743814A (zh) | 2021-09-13 | 2021-09-13 | 医学影像质量评价和处理方法、装置、设备和介质 |
US17/931,899 US20230083657A1 (en) | 2021-09-13 | 2022-09-13 | Systems and methods for image evaluation |
EP22195477.9A EP4148745A1 (en) | 2021-09-13 | 2022-09-13 | Systems and methods for image evaluation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070624.7A CN113743814A (zh) | 2021-09-13 | 2021-09-13 | 医学影像质量评价和处理方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743814A true CN113743814A (zh) | 2021-12-03 |
Family
ID=78738633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070624.7A Pending CN113743814A (zh) | 2021-09-13 | 2021-09-13 | 医学影像质量评价和处理方法、装置、设备和介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230083657A1 (zh) |
EP (1) | EP4148745A1 (zh) |
CN (1) | CN113743814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102283673B1 (ko) * | 2020-11-30 | 2021-08-03 | 주식회사 코어라인소프트 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
CN117952968A (zh) * | 2024-03-26 | 2024-04-30 | 沐曦集成电路(上海)有限公司 | 一种基于深度学习的图像质量评价方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142316A1 (en) * | 2009-10-29 | 2011-06-16 | Ge Wang | Tomography-Based and MRI-Based Imaging Systems |
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 |
US20150173715A1 (en) * | 2013-12-20 | 2015-06-25 | Raghu Raghavan | Apparatus and method for distributed ultrasound diagnostics |
WO2018048575A1 (en) * | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
CN108665460A (zh) * | 2018-05-23 | 2018-10-16 | 浙江科技学院 | 基于组合神经网络和分类神经网络的图像质量评价方法 |
EP3404666A2 (en) * | 2017-04-28 | 2018-11-21 | Siemens Healthcare GmbH | Rapid assessment and outcome analysis for medical patients |
CN108898060A (zh) * | 2018-05-30 | 2018-11-27 | 珠海亿智电子科技有限公司 | 车载环境下基于卷积神经网络的车型识别方法 |
CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种医学影像的质量评价方法和装置 |
CN111640126A (zh) * | 2020-05-29 | 2020-09-08 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
CN112364843A (zh) * | 2021-01-11 | 2021-02-12 | 中国科学院自动化研究所 | 插拔式航拍图像目标定位检测方法、系统、设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11748899B2 (en) * | 2019-02-07 | 2023-09-05 | Siemens Healthcare Gmbh | Dense body marker estimation from camera data for patient positioning in medical imaging |
-
2021
- 2021-09-13 CN CN202111070624.7A patent/CN113743814A/zh active Pending
-
2022
- 2022-09-13 US US17/931,899 patent/US20230083657A1/en active Pending
- 2022-09-13 EP EP22195477.9A patent/EP4148745A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142316A1 (en) * | 2009-10-29 | 2011-06-16 | Ge Wang | Tomography-Based and MRI-Based Imaging Systems |
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 |
US20150173715A1 (en) * | 2013-12-20 | 2015-06-25 | Raghu Raghavan | Apparatus and method for distributed ultrasound diagnostics |
WO2018048575A1 (en) * | 2016-09-07 | 2018-03-15 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
US20190192880A1 (en) * | 2016-09-07 | 2019-06-27 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
EP3404666A2 (en) * | 2017-04-28 | 2018-11-21 | Siemens Healthcare GmbH | Rapid assessment and outcome analysis for medical patients |
CN108665460A (zh) * | 2018-05-23 | 2018-10-16 | 浙江科技学院 | 基于组合神经网络和分类神经网络的图像质量评价方法 |
CN108898060A (zh) * | 2018-05-30 | 2018-11-27 | 珠海亿智电子科技有限公司 | 车载环境下基于卷积神经网络的车型识别方法 |
CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种医学影像的质量评价方法和装置 |
CN111640126A (zh) * | 2020-05-29 | 2020-09-08 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
CN112364843A (zh) * | 2021-01-11 | 2021-02-12 | 中国科学院自动化研究所 | 插拔式航拍图像目标定位检测方法、系统、设备 |
Non-Patent Citations (1)
Title |
---|
任敬谋;李晓琴;: "基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用", 北京生物医学工程, no. 04, pages 63 - 71 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902227A (zh) * | 2022-12-22 | 2023-04-04 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
CN115902227B (zh) * | 2022-12-22 | 2024-05-14 | 巴迪泰(广西)生物科技有限公司 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20230083657A1 (en) | 2023-03-16 |
EP4148745A1 (en) | 2023-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743814A (zh) | 医学影像质量评价和处理方法、装置、设备和介质 | |
US10521927B2 (en) | Internal body marker prediction from surface data in medical imaging | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
US11410374B2 (en) | Synthetic parameterized computed tomography from surface data in medical imaging | |
CN107536620B (zh) | 用于定位可定位台的方法 | |
US11331081B2 (en) | Medical imaging apparatus, medical imaging apparatus control method, and computer program product | |
US9734574B2 (en) | Image processor, treatment system, and image processing method | |
EP3170144B1 (en) | Device, system and method for segmenting an image of a subject | |
US20120053446A1 (en) | Voting in image processing | |
CN113272869A (zh) | 医学成像中从定位片进行三维形状重构 | |
CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
CN111241331A (zh) | 基于人工智能的图像搜索方法、装置、设备及介质 | |
CN111563496A (zh) | 用于图像采集的自动视图规划的连续学习 | |
CN111583099A (zh) | 图像摆正方法、计算机设备和存储介质 | |
CN111105472A (zh) | Pet图像的衰减校正方法、装置、计算机设备和存储介质 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
US20240078647A1 (en) | Method and system for geometric correction based on image tracking | |
KR20200061236A (ko) | 단층 영상 처리 장치, 방법, 및 컴퓨터 프로그램 제품 | |
EP3698718A1 (en) | Heatmap and atlas | |
CN112669450A (zh) | 人体模型构建方法和个性化人体模型构建方法 | |
KR102373370B1 (ko) | Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법 | |
CN116152143A (zh) | 剂量形变评估方法、系统及设备 | |
CN114266760A (zh) | 参数确定方法、装置、计算机设备和存储介质 | |
EP3828767A1 (en) | Probablistic regularization of convolutional neurual networks for multiple-feature detection based on correlations | |
KR20200140683A (ko) | 초음파 영상과 3차원 의료 영상의 정렬을 위한 장치 및 방법 |
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 |