CN114202516A - 一种异物检测方法、装置、电子设备及存储介质 - Google Patents

一种异物检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114202516A
CN114202516A CN202111435340.3A CN202111435340A CN114202516A CN 114202516 A CN114202516 A CN 114202516A CN 202111435340 A CN202111435340 A CN 202111435340A CN 114202516 A CN114202516 A CN 114202516A
Authority
CN
China
Prior art keywords
foreign
image
foreign matter
foreign object
positioning image
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
CN202111435340.3A
Other languages
English (en)
Inventor
许晓莼
刘士涛
顾笑悦
贾胜果
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202111435340.3A priority Critical patent/CN114202516A/zh
Publication of CN114202516A publication Critical patent/CN114202516A/zh
Priority to PCT/CN2022/116813 priority patent/WO2023030497A1/en
Priority to EP22863631.2A priority patent/EP4329605A4/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/20—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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种异物检测方法、装置、电子设备及存储介质，方法包括：获取定位图像；将所述定位图像输入至训练完备的异物检测模型，得到异物检测结果；基于所述异物检测结果，确定与所述定位图像对应的异物检测图像和/或给出相应的提醒，其中，所述异物检测图像用于获取异物的参数信息。本发明解决了现有技术中在扫描过程中，通过技师进行人为异物有无的判定时效率低下、准确率低的技术问题。

Description

一种异物检测方法、装置、电子设备及存储介质
技术领域
本发明涉及医疗技术领域，具体涉及一种异物检测方法、装置、电子 设备及存储介质。
背景技术
在PET-CT(正电子发射计算机断层显像-X射线计算机断层造影多模态 混合系统)、CT(X射线计算机断层造影)、SPECT-CT(单光子发射断层造影) 扫描过程中，先于目标图像，会拍摄一张定位像图片，定位像图包含病人 需要扫描的整个身体部分，通过图片定位后期图像位置。
当得到定图像图片后，由技师通过人眼视图，寻找图像中的异物部件， 确认异物取下后再进行后续拍片。若图像含有无法取下的医源性异物，如 果高密度异物对诊断产生影响，可由医师或技师再次回到主机进行图像金 属伪影校正重建。
然而定位像图片一般涵盖病人全身或大部分身体，寻找异物的整个过 程较为困难、繁琐，导致异物判断的过程效率低下，而且准确率低，严重 影响整个工作流的效率。
发明内容
本发明的目的在于克服上述技术不足，提供一种异物检测方法、装置、 电子设备及存储介质，解决现有技术中在扫描过程中，通过技师进行人为 异物有无的判定时效率低下、准确率低的技术问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种异物检测方法，包括如下步骤：
获取定位图像；
将所述定位图像输入至训练完备的异物检测模型，得到异物检测结果；
基于所述异物检测结果，确定与所述定位图像对应的异物检测图像和/ 或给出相应的提醒，其中，所述异物检测图像用于获取异物的参数信息。
在其中一些实施例中，所述异物的参数信息包括异物在所述定位图像 中的位置、异物的数量、异物的大小、异物的形状以及异物的种类中的一 种或多种。
在其中一些实施例中，所述方法还包括：
获取训练集并构建初始训练模型，其中，所述训练集包括若干组定位 图像以及与定位图像一一对应的异物标注图像；
采用所述训练集对所述初始训练模型进行训练，以得到训练完备的异 物检测模型。
在其中一些实施例中，所述异物检测模型为机器学习模型或者深度学 习模型。
在其中一些实施例中，所述确定与所述定位图像对应的异物检测图像， 包括：
在所述定位图像或所述定位图像的复制图像中，采用标注框将所述异 物所在的感兴趣区域框选，以得到所述异物检测图像，其中，所述标注框 被配置为外挂有异物的参数信息的框体。
在其中一些实施例中，所述给出相应的提醒，包括：
输出包含所述异物的参数信息的语音提示信息；或者
输出包含所述异物的参数信息的驱动信号至交互式设备，以使所述交 互式设备根据所述异物的参数信息进行语音提示。
在其中一些实施例中，所述方法还包括：
在获取了定位图像后，对所述定位图像进行图像分割，以将所述定位 图像中目标物体分割为多个部位。
第二方面，本发明还提供了一种异物检测装置，包括：
获取模块，用于获取定位图像；
检测模块，用于将所述定位图像输入至训练完备的异物检测模型，得 到异物检测结果；
提醒模块，用于基于所述异物检测结果，确定与所述定位图像对应的 异物检测图像和/或给出相应的提醒，其中，所述异物检测图像用于获取异 物的参数信息。
第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的异物检测方法 中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或 者多个处理器执行，以实现如上所述的异物检测方法中的步骤。
与现有技术相比，本发明提供的异物检测方法、装置、电子设备及存 储介质，通过获取定位图像，将所述定位图像输入至训练完备的异物检测 模型，得到异物检测结果，之后基于所述异物检测结果，确定与所述定位 图像对应的异物检测图像和/或给出相应的提醒，其中，所述异物检测图像 用于获取异物的参数信息。可以通过定位像查找到的异物位置，定位CT片 中异物位置，增加异物检测的效率和准确率，减轻技师的工作，并可根据 检测结果校正异物伪影，在减少异物伪影对图像阅片产生影响的同时，减 少医生阅图后重建并再次阅图的时间。
附图说明
图1是本发明提供的异物检测方法的一实施例的流程图；
图2是本发明提供的异物检测方法中，图像分割的一实施例的示意图；
图3是本发明提供的异物检测方法中，异物检测图像显示的一实施例 的示意图；
图4是本发明提供的异物检测装置的一实施例的示意图；
图5是本发明异物检测程序的一实施例的运行环境示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所涉及的异物检测方法、装置、设备或者计算机可读存储介质 可用于医学领域中的X射线计算机断层造影系统(CT系统)、正电子发射型 断层显像系统(PET系统)、正电子发射计算机断层显像-X射线计算机断层 造影多模态混合系统(PET-CT系统)、单光子发射断层造影系统(SPECT-CT 系统)等医学成像系统中。本发明所涉及的方法、装置、设备或者计算机可 读存储介质既可以与上述系统集成在一起，也可以是相对独立的。
本实施例提供了一种异物检测方法，可由医学成像系统来执行，医学 成像系统可以为X射线计算机断层造影系统(CT系统)、正电子发射型断层 显像系统(PET系统)、正电子发射计算机断层显像-X射线计算机断层造影 多模态混合系统(PET-CT系统)、单光子发射断层造影系统(SPECT-CT系统) 等，具体可由该系统的一个或者多个处理器执行。需要说明的是，本发明 实施例所提供的一种医学成像系统中的异物检测方法，所检测的异物可以为任何高HU值/CT值(测定人体某一局部组织或器官密度大小的一种计量 单位，表示X射线穿透组织被吸收后的衰减系数)的物体，包含但不限于 金属、病理性结石、吞咽诊断装置、体内支架、钙化的异物(鱼骨、鸡骨 等)。图1是本发明实施例提供的异物检测方法的流程图，请参阅图1，异 物检测方法包括如下步骤：
S100、获取定位图像；
S200、将定位图像输入至训练完备的异物检测模型，得到异物检测结 果；
S300、基于异物检测结果，确定与定位图像对应的异物检测图像和/或 给出相应的提醒，其中，异物检测图像用于获取异物的参数信息。
本实施例中，首先获取定位图像，然后采用训练完备的异物检测模型 对定位图像进行识别，寻找定位图像中可能存在的异物，得到异物检测结 果，其中异物检测结果包括无异物结果和有异物结果，无异物结果表示该 定位图像中不存在异物，不需要进行金属伪影校正，可以进行后续目标图 像的获取，有异物结果表示该定位图像中存在异物，异物的种类可以是非 医源性异物或医源性异物，根据异物的种类确定需要取走异物或进行金属伪影校正，其中，有异物结果中包含异物的参数信息，当得到异物检测结 果后，如果结果表示定位图像中存在医源性异物，则传递该医源性异物的 位置信息，后续可在CT层面进行医源性金属伪影校正，避免异物对后续的 诊断产生影响；如果结果表示定位图像中存在非医源性异物，则确定与定 位图像对应的异物检测图像和/或给出相应的提醒，通过在定位图像中提醒 技师的方式和/或直接提醒被扫描者取走各异物的方式，可以增加整个扫描 工作流效率，减轻技师的工作，并在减少异物伪影对图像阅片产生影响的 同时，减少医生阅图后重建并再次阅图的时间。
在一些实施例中，步骤S100中，通过医学成像系统中图像采集装置采 集位于扫描腔内的目标物体的定位图像，目标物体可以包括但不限于人体、 人体的组织器官、动物、非生物等。其中，定位图像通常是扫描过程中先 于目标图像的第一张图像，其上一般有定位框，借助定位框和平面图像可 判断这一区域涵盖的结构。定位图像能够明确扫描范围、角度、扫描参数、 延迟时间等,制定出详细的扫描计划,为诊断的准确性提供保障。
在一些实施例中，为了增加图像识别的准确率，在获取了定位图像后， 对定位图像进行预处理，预处理的过程包括但不限于降噪、滤波、灰度二 值化处理、归一化增强处理等处理过程，以得到更为清晰的图像，以方便 后续异物检测模型的识别。
在一些实施例中，为了增加图像识别的效率，在获取了定位图像后， 首先判断定位图像中拍摄的部位及目标物体的姿势，从而判断出拍摄的目 标物体的种类以及目标物体当前的姿态，具体的，步骤S100和步骤S200 之间还包括：
在获取了定位图像后，对定位图像进行图像分割，以将定位图像中目 标物体分割为多个部位。
本实施例中，可采用图像语义分割模型对定位图像进行分割，从而将 定位图像根据身体部位分开成多个部分，方便后续位置的识别，如图2所 示，首先判断目标物体的定位图像中的拍摄方向、部位以及姿势，拍摄方 向可以是多种，例如正位或侧位，部位可通过图像语义分割模型实现，例 如图2中将目标物体分割为头部、胸部、腹部、盆腔部和下肢部，将定位 图像物体根据身体部位分开，而不同的部位检测的异物类型可能是不同的， 例如只有头部有假牙这种医源性金属，不可能存在其他部位，进而可以增 加异物识别的速度和准确度，此外，不同的姿势也可能影响检测结果，通 过分析目标物体的姿势，可以保证检测结果的准确性，例如图2中展开的 姿势，可以保证身体的各个部位的异物均可被检测到，若病人为蜷缩姿势， 可能会导致异物被遮挡无法检测，此时，需要病人改变姿势后，重新进行扫描，进而可以保证检测结果的准确度。其中，图像语义分割模型可采用 FCN模型(全卷积网络模型)、U-NET神经网络模型等，本发明对其实现方 式不做限定。
此外，需要说明的是，本发明中被检测的目标物体可以是身体的某一 部位，例如头部、胸部、半身等等，也可以是全身，本发明实施例对其不 做限定。
在一些实施例中，步骤S200中，通过训练完备的异物检测模型来对定 位图像进行自动识别，从而寻找出目标物体各部分或者全身可能存在的异 物。为了保证异物检测模型能够准确的识别出定位图像中的异物的参数信 息，需要先对异物检测模型进行训练，具体的，异物检测方法还包括：
获取训练集并构建初始训练模型，其中，训练集包括若干组定位图像 以及与定位图像一一对应的异物标注图像；
采用训练集对初始训练模型进行训练，以得到训练完备的异物检测模 型。
本实施例中，用于训练的定位图像中可以包括异物，对于此类定位图 像，可以通过人工标注和/或自动标注的方式获取与其对应的异物标注图 像。例如可以通过技师根据经验，人眼识别出定位图像中的异物件，然后 在图像中将异物框选出来，并标注对应的其它参数信息，例如，技师可标 注异物是医源性异物还是非医源性异物。还可以通过图像分割技术将定位 图像分割为不同区域，然后再由技师选择其中的部分区域为异物感兴趣区域，在感兴趣区域中添加其它参数信息，从而获取异物标注图像。
在一些实施例中，异物检测模型为机器学习模型或者深度学习模型。 初始训练模型也对应为机器学习模型或者深度学习模型。其中，机器学习 模型可以包括但不限于线性回归模型、岭回归模型、支持向量回归模型、 支持向量机、决策树、全连接神经网络、循环神经网络等。深度学习模型 可以包括但不限于卷积神经网络、全卷积神经网络、残差网络等。本实施 例中，异物检测模型采用全卷积神经网络模型，例如V-Net神经网络模型、 SN神经网络模型、MSN神经网络模型等。其中，异物检测模型的输入为定 位图像，输出为异物检测结果，异物检测结果可以以图像标注的方式呈现， 亦可以文字的方式呈现，本发明对其具体实现方式不做限定。
在一些实施例中，步骤S300中，异物的参数信息包括异物在定位图像 中的位置、异物的数量、异物的大小、异物的形状以及异物的种类中的一 种或多种。其中，异物在定位图像中的位置可以以坐标、所处部位或者框 选感兴趣区域的方式呈现，异物的大小可以异物的长宽高的方式呈现，异 物的种类至少包括医源性异物和非医源性异物。其中，非医源性异物为可 被取下的异物件，包括但不限于异物配件，例如拉链、异物配饰、针头等， 医源性异物包括但不限于假牙、心脏起搏器、骨钉、置换的骨头等。
当采用异物检测图像的方式进行异物的参数信息的告知时，为了更好 的方便技师的查看，异物检测图像应当能够清楚简要的表示出异物的参数 信息。在一些实施例中，确定与所述定位图像对应的异物检测图像，包括：
在定位图像或定位图像的复制图像中，采用标注框将异物所在的感兴 趣区域框选，以得到所述异物检测图像，其中，标注框被配置为外挂有异 物的参数信息的框体。
本实施例中，可直接在定位图像中进行异物的标注，圈定出异物的位 置后，得到异物检测图像，也可以将定位图像进行复制后，在定位图像的 复制图像中进行异物的标注，进而得到异物检测图像。如图3所示，可将 异物所在的感兴趣区域采用例如方框、圆框或者不规则框体的形式框选出 来，而标注框对应有异物的参数信息，可以显示包括但不限于异物的大小、 异物的形状以及异物的种类等信息，方便技师的查看分析。在一些实施例中，异物的参数信息直接外挂于框体外、显示于框体内或者显示于图像的 一侧，在另一些实施例中，标注框配置有按钮，当按钮被点击时，可弹出 弹窗，弹窗能够将异物的参数信息显示，进而提供更详细的信息，而且不 会增加用户界面的复杂性，保证界面的美观。
在一些实施例中，当采用提醒的方式进行异物的参数信息告知时，可 采用语音或者文字的方式进行提醒，为了达到直接提醒目标物体的目的， 本实施例中，采用语音的方式进行提醒，具体的，给出相应的提醒包括：
输出包含异物的参数信息的语音提示信息；或者
输出包含异物的参数信息的驱动信号至交互式设备，以使交互式设备 根据异物的参数信息进行语音提示。
本实施例中，直接利用语音提示的方式来提醒被扫描者和/或技师，语 音提示的方式有多种，例如，当该异物检测装置包含语音播放功能时，可 直接利用该异物检测装置输出包含异物的参数信息的语音提示信息，当该 异物检测装置不包含语音播放功能或者语音播放功能较差时，可将输出包 含异物的参数信息的驱动信号至交互式设备，通过交互式设备将参数信息 转化为语音信息后输出，以实现语音提醒功能。其中，交互式设备可以为 具有语音转换功能的计算机、语音播放器等智能设备。
需要说明的是，本发明实施例中采用异物检测图像告知异物的参数信 息以及采用提醒的方式告知异物的参数信息这两种方式可以同时进行，一 方面，通过异物检测图像来提醒技师进行金属伪影校正或者重新扫描，另 一方面，通过提醒的方式提醒目标物体取下异物，进而加快整个扫描的进 度，有效的减少技师进入放射扫描间的频次。
在一些实施例中，由于异物具有非常高的磁化率，能够引起局部磁场 变形，产生平面内和平面间共振频率的改变，从而使图像像素点从他们真 实的位置漂移，在图像上形成变形(包括变黑(例如信号丢失)和变亮(例 如堆积))，因此，当技师通过异物检测图像得知目标物体中存在医源性异 物时，需要进行金属伪影校正，金属伪影校正的方法在现有技术中有很多， 举例来说，可以使用更低的场强进行扫描，使磁化率随着场强的增加而增加，进而达到金属伪影校正的目的，此外，由于多个180°聚相位脉冲可以 校正一部分磁场不均匀带来的失相位，因此还可以通过使用回波间隔尽可 能短的FSE序列(快速自旋回波序列)进行金属伪影校正，另外，还可以 通过降低层厚、使用并行采集技术、减少平面内的图像形变、减少层面间 的图像形变等技术来实现金属伪影校正，其实现方式有多种，本发明实施 例对此不做限定。
此外，需要说明的是，本发明实施例在检测到医源性异物时，还可通 过修改CT的成像算法的方式来避免异物对成像的影响，另外，当医源性异 物对成像结果影响不大时(例如医源性异物较小时)，可由人工选择是否需 要进行金属伪影校正，技师可通过选择进行金属伪影校正达到更好的成像 结果，亦可不选择进行金属伪影校正，直接忽略金属的影响，根据异物的 参数来优化成像参数。
为了更好的理解本发明，以下结合图1至图3对本发明提供的异物检 测方法进行详细说明：
步骤1、由图像采集装置采集病人的定位图像；
步骤2、对定位图像进行预处理；
步骤3、对定位图像进行图像分割；
步骤4、利用异物检测模型对定位图像进行识别，并输出异物识别结果， 异物识别结果表示病人的胸部具有非医源性异物，病人的盆和下肢具有医 源性异物；
步骤5、根据异物识别结果确定异物检测图像，异物检测图像中，病人 胸部、盆和下肢上的异物均以标注方框的方式标注出来，标注框配置有按 钮，按钮设置为被点击时弹出包含异物的参数信息的弹窗；
步骤6、由语音提示器在扫描时内进行语音提示，通知病人所携带的异 物的参数信息，以提示病人将胸部的异物取下；
步骤7、之后由图像采集装置采集病人的CT图像，由医生或技师判断 是否需要在CT层面进行医源性金属伪影校正并进行校正。
基于上述异物检测方法，本发明实施例还相应的提供一种异物检测装 置400，请参阅图4，该异物检测装置400包括获取模块410、检测模块420 和提醒模块430。
获取模块410用于获取定位图像。
检测模块420用于将定位图像输入至训练完备的异物检测模型，得到 异物检测结果。
提醒模块430用于基于异物检测结果，确定与定位图像对应的异物检 测图像和/或给出相应的提醒，其中，异物检测图像用于获取异物的参数信 息。
本实施例中，首先获取定位图像，然后采用训练完备的异物检测模型 对定位图像进行识别，寻找定位图像中可能存在的异物，得到异物检测结 果，其中异物检测结果包括无异物结果和有异物结果，无异物结果表示该 定位图像中不存在异物，不需要进行金属伪影校正，可以进行后续目标图 像的获取，有异物结果表示该定位图像中存在异物，异物的种类可以是非 医源性异物或医源性异物，根据异物的种类确定需要取走异物或进行金属伪影校正，其中，有异物结果中包含异物的参数信息，当得到异物检测结 果后，如果结果表示定位图像中存在医源性异物，则传递该医源性异物的 位置信息，后续可在CT层面进行医源性金属伪影校正，避免异物对后续的 诊断产生影响；如果结果表示定位图像中存在非医源性异物，则确定与定 位图像对应的异物检测图像和/或给出相应的提醒，通过在定位图像中提醒 技师的方式和/或直接提醒被扫描者取走各异物的方式，可以增加整个扫描 工作流效率，减轻技师的工作，并在减少异物伪影对图像阅片产生影响的 同时，减少医生阅图后重建并再次阅图的时间。
在一些实施例中，异物的参数信息包括异物在定位图像中的位置、异 物的数量、异物的大小、异物的形状以及异物的种类中的一种或多种。
在一些实施例中，异物检测装置还包括训练模块，训练模块用于：
获取训练集并构建初始训练模型，其中，训练集包括若干组定位图像 以及与定位图像一一对应的异物标注图像；
采用训练集对初始训练模型进行训练，以得到训练完备的异物检测模 型。
在一些实施例中，异物检测模型为机器学习模型或者深度学习模型。
在一些实施例中，确定与定位图像对应的异物检测图像的方法具体为：
在定位图像或定位图像的复制图像中，采用标注框将异物所在的感兴 趣区域框选，以得到异物检测图像，其中，标注框被配置为外挂有异物的 参数信息的框体。
在一些实施例中，给出相应的提醒的方法具体为：
输出包含异物的参数信息的语音提示信息；或者
输出包含异物的参数信息的驱动信号至交互式设备，以使交互式设备 根据异物的参数信息进行语音提示。
在一些实施例中，异物检测装置还包括图像分割模块，图像分割模块 用于：
在获取了定位图像后，对定位图像进行图像分割，以将定位图像中目 标物体分割为多个部位。
如图5所示，基于上述异物检测方法，本发明还相应提供了一种电子 设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及 服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。 图5仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有 示出的组件，可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是该电子设备的内部存储单元，例如电 子设备的硬盘或内存。存储器20在另一些实施例中也可以是电子设备的外 部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card) 等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外 部存储设备。存储器20用于存储安装于电子设备的应用软件及各类数据， 例如安装电子设备的程序代码等。存储器20还可以用于暂时地存储已经输 出或者将要输出的数据。在一实施例中，存储器20上存储有异物检测程序 40，该异物检测程序40可被处理器10所执行，从而实现本申请各实施例 的异物检测方法。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器20中存储的 程序代码或处理数据，例如执行异物检测方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液 晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管) 触摸器等。显示器30用于显示在所述异物检测设备的信息以及用于显示可 视化的用户界面。电子设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行存储器20中异物检测程序40时实现 以下步骤：
获取定位图像；
将定位图像输入至训练完备的异物检测模型，得到异物检测结果；
基于异物检测结果，确定与定位图像对应的异物检测图像和/或给出相 应的提醒，其中，异物检测图像用于获取异物的参数信息。
在一些实施例中，异物的参数信息包括异物在定位图像中的位置、异 物的数量、异物的大小、异物的形状以及异物的种类中的一种或多种。
在一些实施例中，处理器10执行存储器20中异物检测程序40时还实 现如下步骤：
获取训练集并构建初始训练模型，其中，训练集包括若干组定位图像 以及与定位图像一一对应的异物标注图像；
采用训练集对初始训练模型进行训练，以得到训练完备的异物检测模 型。
在一些实施例中，异物检测模型为机器学习模型或者深度学习模型。
在一些实施例中，处理器10执行存储器20中异物检测程序40时还实 现如下步骤：
在定位图像或定位图像的复制图像中，采用标注框将异物所在的感兴 趣区域框选，以得到异物检测图像，其中，标注框被配置为外挂有异物的 参数信息的框体。
在一些实施例中，处理器10执行存储器20中异物检测程序40时还实 现如下步骤：
输出包含异物的参数信息的语音提示信息；或者
输出包含异物的参数信息的驱动信号至交互式设备，以使交互式设备 根据异物的参数信息进行语音提示。
在一些实施例中，处理器10执行存储器20中异物检测程序40时还实 现如下步骤：
在获取了定位图像后，对定位图像进行图像分割，以将定位图像中目 标物体分割为多个部位。
综上所述，本发明提供的异物检测方法、装置、电子设备及存储介质， 通过获取定位图像，将定位图像输入至训练完备的异物检测模型，得到异 物检测结果，之后基于异物检测结果，确定与定位图像对应的异物检测图 像和/或给出相应的提醒，其中，异物检测图像用于获取异物的参数信息。 可以通过定位像查找到的异物位置，定位CT片中异物位置，增加异物检测 的效率和准确率，减轻技师的工作，并可根据检测结果校正异物伪影，在 减少异物伪影对图像阅片产生影响的同时，减少医生阅图后重建并再次阅 图的时间。
当然，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硬件(如处理器，控制器等) 来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执 行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、 磁碟、光盘等。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。 任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包 含在本发明权利要求的保护范围内。

Claims (10)

1.一种异物检测方法，其特征在于，包括如下步骤：
获取定位图像；
将所述定位图像输入至训练完备的异物检测模型，得到异物检测结果；
基于所述异物检测结果，确定与所述定位图像对应的异物检测图像和/或给出相应的提醒，其中，所述异物检测图像用于获取异物的参数信息。
2.根据权利要求1所述的异物检测方法，其特征在于，所述异物的参数信息包括异物在所述定位图像中的位置、异物的数量、异物的大小、异物的形状以及异物的种类中的一种或多种。
3.根据权利要求1所述的异物检测方法，其特征在于，所述方法还包括：
获取训练集并构建初始训练模型，其中，所述训练集包括若干组定位图像以及与定位图像一一对应的异物标注图像；
采用所述训练集对所述初始训练模型进行训练，以得到训练完备的异物检测模型。
4.根据权利要求3所述的异物检测方法，其特征在于，所述异物检测模型为机器学习模型或者深度学习模型。
5.根据权利要求1所述的异物检测方法，其特征在于，所述确定与所述定位图像对应的异物检测图像，包括：
在所述定位图像或所述定位图像的复制图像中，采用标注框将所述异物所在的感兴趣区域框选，以得到所述异物检测图像，其中，所述标注框被配置为外挂有异物的参数信息的框体。
6.根据权利要求1所述的异物检测方法，其特征在于，所述给出相应的提醒，包括：
输出包含所述异物的参数信息的语音提示信息；或者
输出包含所述异物的参数信息的驱动信号至交互式设备，以使所述交互式设备根据所述异物的参数信息进行语音提示。
7.根据权利要求1所述的异物检测方法，其特征在于，所述方法还包括：
在获取了定位图像后，对所述定位图像进行图像分割，以将所述定位图像中目标物体分割为多个部位。
8.一种异物检测装置，其特征在于，包括：
获取模块，用于获取定位图像；
检测模块，用于将所述定位图像输入至训练完备的异物检测模型，得到异物检测结果；
提醒模块，用于基于所述异物检测结果，确定与所述定位图像对应的异物检测图像和/或给出相应的提醒，其中，所述异物检测图像用于获取异物的参数信息。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的异物检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的异物检测方法中的步骤。
CN202111435340.3A 2021-09-02 2021-11-29 一种异物检测方法、装置、电子设备及存储介质 Pending CN114202516A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111435340.3A CN114202516A (zh) 2021-11-29 2021-11-29 一种异物检测方法、装置、电子设备及存储介质
PCT/CN2022/116813 WO2023030497A1 (en) 2021-09-02 2022-09-02 Systems and methods for medical imaging
EP22863631.2A EP4329605A4 (en) 2021-09-02 2022-09-02 MEDICAL IMAGING SYSTEMS AND METHODS

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111435340.3A CN114202516A (zh) 2021-11-29 2021-11-29 一种异物检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114202516A true CN114202516A (zh) 2022-03-18

Family

ID=80649754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111435340.3A Pending CN114202516A (zh) 2021-09-02 2021-11-29 一种异物检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114202516A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063641A (zh) * 2022-08-19 2022-09-16 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN117764995A (zh) * 2024-02-22 2024-03-26 浙江首鼎视介科技有限公司 基于深度神经网络算法的胆胰成像系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063641A (zh) * 2022-08-19 2022-09-16 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN115063641B (zh) * 2022-08-19 2022-11-29 青岛美迪康数字工程有限公司 一种基于深度学习的ct伪影识别方法和装置
CN117764995A (zh) * 2024-02-22 2024-03-26 浙江首鼎视介科技有限公司 基于深度神经网络算法的胆胰成像系统及方法
CN117764995B (zh) * 2024-02-22 2024-05-07 浙江首鼎视介科技有限公司 基于深度神经网络算法的胆胰成像系统及方法

Similar Documents

Publication Publication Date Title
US10489907B2 (en) Artifact identification and/or correction for medical imaging
CN100517344C (zh) 用于医学介入程序规划的方法和装置
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
CN109567843B (zh) 一种成像扫描自动定位方法、装置、设备及介质
US20230063828A1 (en) Methods and systems for image acquisition, image quality evaluation, and medical image acquisition
Archip et al. A knowledge-based approach to automatic detection of the spinal cord in CT images
CN105022719B (zh) 医学造影系统及方法
EP3338636B1 (en) An apparatus and associated method for imaging
CN101596110B (zh) 心脏mri中视场的自动确定
JP2016531709A (ja) 疾患を診断するための画像解析技術
KR20190061041A (ko) 이미지 프로세싱
CN114202516A (zh) 一种异物检测方法、装置、电子设备及存储介质
CN111971752A (zh) 医学图像数据的显示
CN111904379A (zh) 多模态医学设备的扫描方法和装置
CN111568451A (zh) 一种曝光剂量调节方法和系统
CN114943714A (zh) 医学图像处理系统、装置、电子设备及存储介质
CN114037803B (zh) 医学图像三维重建方法及系统
CN111462139A (zh) 医学图像显示方法、装置、计算机设备和可读存储介质
CN111091539A (zh) 网络模型训练、医学图像处理方法、装置、介质及设备
WO2021112141A1 (ja) 文書作成支援装置、方法およびプログラム
CN115249279A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN109350059A (zh) 用于肘部自动对准的组合的转向引擎和界标引擎
CN115861175A (zh) 医疗影像质量监控方法、装置、电子设备和存储介质
EP4083650A1 (en) Controlling a scanning operation of a medical imaging device
CN111599004B (zh) 一种3d血管成像系统、方法及装置

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