具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本申请实施例提供的方案可应用于任何具有CT扫描能力的系统,例如CT扫描系统等。图1为本申请实施例提供的CT扫描方案的应用场景示意图,图1所示的场景仅仅是本申请的技术方案所能够应用的场景的示例之一。
在医疗领域中,CT作为基础的检查手段已经得到了广泛的应用,但是目前CT受限于其空间分辨能力的限制,而在对颞骨等精细人体结构的成像方面就无法满足诊断的要求,从而会使得医生在对于微小隐匿病变进行诊断时无法使用CT作为检查手段,从而影响了CT在临床应用方面的效能。
传统CT在采集图像过程通常采用人工摆位、手动定位扫描区域等方式,这样的方式不仅操作效率低而且由于患者个体差异大,从而在实践过程中经常发生以下问题:(1)扫描区域过大、造成对于患者的辐射剂量过大,从而导致对于患者不必要的影响;(2)扫描区域过小或偏离了目标区域,不能完整覆盖感兴趣区域,使得不得不重新进行扫描,造成对于患者的二次辐射伤害。
例如,在如图1中所示的场景中,当需要对图1中的扫描对象的颞骨区域进行扫描时,现有技术中通常由负责进行CT扫描的人员根据经验来调整扫描床的位置,并且需要人工地调整扫描参数但是由于在没有实际执行扫描的情况下,扫描人员也无法了解实际的扫描效果,因此只能够大致地进行摆位,并且在扫描之后再根据扫描结果来确认是否还需要进行二次扫描。
在本申请实施例提供的方案中,可以例如将两个光源和两个探测器以一定角度设置在扫描支架上。例如,第一个光源可以配置大视野探测器,用以实现宽视扫描;第二个光源可以配置小视野探测器,用以实现详视扫描。
在本申请实施例中,宽视扫描对应的探测器面积可以至少是详视扫描对应的探测器面积的2倍。因此,可以先通过双目视觉可见光图像获取装置来对一个固定的参考模体进行成像,以获取该模体的双目视觉图像。之后可以通过对该参考模体进行CT扫描来获得其CT图像。之后可以通过这样获取的参考模体的扫描CT图像的表面特征点以及其对应的双目视觉图像来标定CT系统坐标系和双目视觉坐标系的关系,在本申请实施例中可以称为A_V2CT。
之后,在对于实际的扫描对象进行扫描时,可以获取扫描对象的待扫描部位的两幅体表图像,根据该图像确定例如耳廓、眼眶、眉峰等标志点在双目视觉坐标系下的坐标xv1,xv2,xv3,…,进一步根据这些坐标确定待扫描区域中心点在双目视觉坐标系的坐标把/>根据上面标定的A_V2CT转换到CT系统坐标系/>根据/>的坐标可以控制扫描床以移动其所指示的位置,使目标扫描区域的中心位于CT扫描区域的中心。在本申请实施例中,CT扫描床可以在上下、左右、前后三自由度进行移动。
因此,在本申请实施例中可以通过根据双目视觉图像计算获得的坐标信息驱动扫描床在三个方向上移动到第一位置,从而实现自动摆位。
此外,在本申请实施例中,上述耳廓、眼眶、眉峰等标志点在双目视觉图像中的定位,可以通过神经网络模型来获得。例如,可以使用上述双目视觉相机采集多套体表图像,对每套体表图像的耳廓、眼眶、眉峰等标志点进行标注,以获得第一训练数据集。使用该第一训练数据集来对神经网络模型进行训练,获得用于定位耳廓、眼眶、眉峰等标志点的第一神经网络模型。因此,在实际使用中就可以将通过双目视觉采集设备获得的双目视觉图像输入到该训练好的第一神经网络模型来获得耳廓、眼眶、眉峰等标志点的定位信息。
例如,在本申请实施例中,可以使用例如YoloV4神经网络模型作为检测耳廓、眼眶、眉毛等标志点的神经网络模型,并通过将双目视觉图像输入到该神经网络模型得到特征区域的坐标xi,xj和该局部区域的图像。
之后,可以首先把检测到的局部区域拉伸至64*64,其中在图像的行和列的拉伸比例可以分别为a和b,并使用两层卷积和两层全连接网络得到标志点在局部区域的图像上的像素坐标li,lj。按照得到标志点在全图的位置信息。
之后可以使用根据双目视觉进行两两配对的标志点坐标,例如眉峰在相机1获得的图像中的坐标点和在相机2获得的图像中的坐标点,来计算标志点在CT系统坐标系下的坐标,得到多个标记点的坐标为xv1,xv2,xv3,…。根据多个定位标记点位置的加权平均确定颞骨区域的中心位置,从而可以移动扫描床使该中心位置位于CT详视扫描区域的中心,从而完成了自动摆位操作。
在如上完成了被扫描对象的摆位之后,可以通过宽视扫描来获取待扫描部位的后前、左右两幅投照图像。使用例如训练好的神经网络模型来根据该投照图像计算待扫描图像的详视区域的定位信息、扫描区域信息、曝光参数信息。之后,可以根据计算出的定位信息来驱动扫描床在三个方向移动,从而可以对于上述已经进行了摆位的扫描对象进行二次调整,以调整到进行详视扫描的位置,并且之后可以使用计算出的扫描区域信息,例如颞骨区域密度等信息以及曝光信息来进行扫描操作。
在本申请实施例中,可以使用历史头部CT数据来生成后前、左右这两个方向的投照图像,并在这样生成的投照图像中对颞骨区扫描区域进行标注。也可以使用相近参数锥束CT的历史头部后前、左右两幅投照图像,并在其中进行颞骨区扫描区域的标注。还可以使用标本CT投照头像,并在其中对颞骨区扫描野进行标注。使用剂量模体进行不同曝光参数组合的CT扫描,已获得进行CT扫描的辐射剂量。还可以使用头部体模进行不同曝光参数组合的CT扫描,并且对获得的CT扫描图像进行质量评价。从而可以根据图像质量与辐射剂量来确定优化的曝光参数。
此外,在本申请实施例中还可以使用以上一种或多种数据构成第二训练数据集,并使用上述第二训练数据集对神经网络模型进行训练,从而可以在使用中将投照图像输入到该训练好的神经网络模型中来确定颞骨区扫描区域以及扫描参数等。
例如,可以使用Yolo V4神经网络模型来对获得的后前投照图像中的扫描区域标注区域进行检测,以获得特征区域的中心坐标xj,xk1。同样使用该神经网络模型来检测左右投照图像中的扫描区域标注区域,得到特征区域的中心坐标xi,xk2。因此根据xi,xj,来精细调整扫描床的摆位,即把xi,xj,/>调整至详视扫描区域的中心。此外,还可以将计算出的采集区域信息、曝光参数信息等作为扫描控制参数来控制扫描。
在上述计算出的用于实际扫描的曝光参数可以包括光源管电压(kV)、管电流(mA)和曝光时间(s)等。并且辐射剂量模体可以具有不同尺寸,以分别用来计算新生儿、儿童、成人等不同年龄组的人体头部对进行CT扫描发射的X射线辐射吸收的物理参数。
此外,对于头部体模的图像质量评价可以包括主观评价和客观评价,总评价结果按累计积分进行计算。例如,主观评价可以由至少2名医生针对图像在图像清晰度、结构锐利度、伪影程度等方面进行盲法打分,每项打分最高分≥3,并且将分值进行累加,得到主观积分。
此外,客观评价可以通过计算客观指标来进行。例如:信噪比、对比噪声比等,计算每个指标针对所有图像的测量值的均值和均方差;根据均值和均方差对图像进行分值赋值:设定指标值在均值±0.5×标准差范围的图像分值为A(A≥3),每增加0.5倍标准差,分值增加1,每减小0.5倍标准差,分值减小1。多项指标分值相加得到客观积分。因此,在本申请实施例中的图像质量总积分可以为主观评分和客观积分之和。
此外,在本申请实施例中,还可以根据下述公式来使用平衡因子确定最优参数组合,即图像质量-辐射剂量平衡因子=图像质量总积分÷辐射剂量。
因此,通过上述方式可以获得CT扫描结果数据,并且之后就可以根据该CT扫描结果来生成CT图像。例如,在本申请实施例中,可以通过使用通过上述方式获得的详视高分辨率图像和使用常规手段获得的宽视常规分辨率图像来进行CT图像的生成。
例如,在本申请实施例中可以用ROI表示详视扫描的局部目标区域。例如,使用上述方式获得的高分辨率的CT扫描数据为:gHR-ROI=HHR-ROIμHR-ROI,μHR-ROI为局部高分辨率的线衰减系数分布,gHR-ROI为高分辨率探测器对应的投影数据。在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HHR-ROI为高分辨率下的系统矩阵。通过常规扫描手段获得的常规分辨分辨率的CT扫描数据为gNR=HNRμNR,μNR为全局常分辨率的线衰减系数分布,gNR为常规分辨率探测器对应的投影数据在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HNR为全局常规分辨率下的系统矩阵。
在本申请实施例中,可以使用两种方式重建高分辨率场的衰减图像。
1)对gNR按照高分辨率进行插值得到颞骨区域外部的高分辨率数据与gHR -ROI一起合成gHR,使用gHR按照领域内的锥束CT解析重建方法重建详视视野内的图像。从而可以使用本领域内的各种方法来重建常规分辨率宽视图像。
2)定义高分辨感兴趣区域外的常规分辨网格像素为从而混合分辨率待重建图像为μ:/>定义对应高分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HHR-hybrid,定义对应常规分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HNR-hybrid,从而
gHR-ROI=HHR-hybridμ
gNR=HNR-hybridμ
结合噪声模型,可以获得基于后验概率优化的迭代算法重建混合分辨率的图像:
其中L(gHR-ROI;μ)和L(gNR;μ)为似然函数,R(μ)为正则化项,α和β为可调超参数,argmin为求最小化函数参数值μ的运算。此目标函数的优化过程可以使用解决优化问题的迭代方法完成。
例如,在本申请实施例中,可以通过下述方式来进行CT图像重建。首先,对gNR和gHR -ROI进行去噪。之后可以使用去噪后的常规分辨数据gNR,对每层数据按照双线性插值获得对应于ROI外的区域的高采样率数据。插值得到的ROI外的数据和去噪后的详视数据gHR-ROI拼合,并乘以一个权重函数q,保持详视区域数据不变,但逐渐平滑地下降至零,以减少插值数据的影响。这样得到的数据可以记为对此数据进行FDK重建方法的加权和滤波。对滤波后的数据截取详视区域后进行带权重反投影。该反投影运算可以使用本领域中常用的各种反投影算法,并且在本申请实施例中可以仅涉及截取后的数据和图像的详视区域。
因此,本申请实施例提供的CT扫描方案,通过根据待扫描部位的双目视觉图像,确定待扫描部位的标志点在双目视觉坐标系下的第一坐标,根据坐标系转化参数,将第一坐标转换为CT坐标系下的第二坐标,从而根据第二坐标生成第一定位信息,以驱动扫描床移动到第一定位信息指定的第一位置;之后获取待扫描部位的投照图像,根据投照图像,确定待扫描部位的第二定位信息以及扫描信息,根据第二定位信息驱动扫描床移动到第二定位信息指定的第二位置并且根据扫描信息进行CT扫描,从而可以能够根据双目视觉图像确定宽视扫描区域的第一位置并根据投照图像确定详视扫描区域的第二位置以及进行详视扫描的参数,从而能够通过宽视和详视联动实现对于精细结构目标的自动摆位和准确扫描,消除了现有技术中需要人工摆位并且扫描效果不佳的缺陷。
上述实施例是对本申请实施例的技术原理和示例性的应用框架的说明,下面通过多个实施例来进一步对本申请实施例具体技术方案进行详细描述。
实施例二
图2为本申请提供的CT扫描方法一个实施例的流程图。如图2所示,该CT扫描方法可以包括如下步骤:
S201,根据待扫描部位的双目视觉图像,确定待扫描部位的标志点在双目视觉坐标系下的第一坐标。
在本申请实施例中,可以通过可见光图像获取装置来获取待扫描部位的双目视觉图像。在步骤S201中,可以根据这样的双目视觉图像来获取扫描对象的待扫描部位的例如耳廓、眼眶、眉峰等标志点在双目视觉坐标系下的坐标。例如,上述耳廓、眼眶、眉峰等标志点在双目视觉图像中的定位,可以通过神经网络模型来获得。例如,可以使用上述双目视觉相机采集多套体表图像,对每套体表图像的耳廓、眼眶、眉峰等标志点进行标注,以获得第一训练数据集。使用该第一训练数据集来对神经网络模型进行训练,获得用于定位耳廓、眼眶、眉峰等标志点的第一神经网络模型。因此,在实际使用中就可以将通过双目视觉采集设备获得的双目视觉图像输入到该训练好的第一神经网络模型来获得耳廓、眼眶、眉峰等标志点的定位信息。
S202,根据坐标系转化参数,将所第一坐标转换为标志点在CT坐标系下的第二坐标。
在步骤S201中获得的第一坐标之后,可以根据坐标系转化参数来将其转化为在CT坐标系下的第二坐标。例如,可以使用预先计算的转化参数来进行步骤S202中的转化。例如可以先通过双目视觉可见光图像获取装置来对一个固定的参考模体进行成像,以获取该模体的双目视觉图像。之后可以通过对该参考模体进行CT扫描来获得其CT图像。之后可以通过这样获取的参考模体的扫描CT图像的表面特征点以及其对应的双目视觉图像来标定CT系统坐标系和双目视觉坐标系的关系。
S203,根据第二坐标生成第一定位信息,以驱动扫描床移动到第一定位信息指定的第一位置。
在步骤S203中可以根据步骤S202中转化到CT坐标系中的坐标来控制例如扫描床以将其移动到该第一定位信息指定的位置。从而实现了自动摆位操作。
S204,获取待扫描部位的投照图像。
S205,根据投照图像,确定待扫描部位的第二定位信息以及扫描信息。
S206,根据第二定位信息驱动扫描床移动到第二定位信息指定的第二位置并且根据扫描信息进行CT扫描。
在步骤S203完成了被扫描对象的摆位之后,在步骤S204中可以通过例如宽视扫描来获取待扫描部位的后前、左右两幅投照图像。在步骤S205中可以使用例如训练好的神经网络模型来根据该投照图像计算待扫描图像的详视区域的定位信息、扫描区域信息、曝光参数信息。之后,可以在步骤S206根据计算出的定位信息来驱动扫描床在三个方向移动,从而可以对于在步骤S203已经进行了摆位的扫描对象在步骤S206进行二次调整,以调整到进行详视扫描的位置,并且之后可以使用计算出的扫描区域信息,例如颞骨区域密度等信息以及曝光信息来进行扫描操作。
此外,在本申请实施例中,为了在步骤S205中根据投照图像来确定第二定位信息和扫描信息,还可以使用历史头部CT数据来生成后前、左右这两个方向的投照图像,并在这样生成的投照图像中对颞骨区扫描区域进行标注。也可以使用相近参数锥束CT的历史头部后前、左右两幅投照图像,并在其中进行颞骨区扫描区域的标注。还可以使用标本CT投照头像,并在其中对颞骨区扫描野进行标注。使用剂量模体进行不同曝光参数组合的CT扫描,已获得进行CT扫描的辐射剂量。还可以使用头部体模进行不同曝光参数组合的CT扫描,并且对获得的CT扫描图像进行质量评价。从而可以根据图像质量与辐射剂量来确定优化的曝光参数。
在本申请实施例中还可以使用以上一种或多种数据构成第二训练数据集,并使用上述第二训练数据集对神经网络模型进行训练,从而可以在使用中将投照图像输入到该训练好的神经网络模型中来确定颞骨区扫描区域以及扫描参数等。
例如,可以使用Yolo V4神经网络模型来对获得的后前投照图像中的扫描区域标注区域进行检测,以获得特征区域的中心坐标xj,xk1。同样使用该神经网络模型来检测左右投照图像中的扫描区域标注区域,得到特征区域的中心坐标xi,xk2。因此根据xi,xj,来精细调整扫描床的摆位,即把xi,xj,/>调整至详视扫描区域的中心。此外,还可以将计算出的采集区域信息、曝光参数信息等作为扫描控制参数来控制扫描。
在上述计算出的用于实际扫描的曝光参数可以包括光源管电压(kV)、管电流(mA)和曝光时间(s)等。并且辐射剂量模体可以具有不同尺寸,以分别用来计算新生儿、儿童、成人等不同年龄组的人体头部对进行CT扫描发射的X射线辐射吸收的物理参数。
此外,对于头部体模的图像质量评价可以包括主观评价和客观评价,总评价结果按累计积分进行计算。例如,主观评价可以由至少2名医生针对图像在图像清晰度、结构锐利度、伪影程度等方面进行盲法打分,每项打分最高分≥3,并且将分值进行累加,得到主观积分。
此外,客观评价可以通过计算客观指标来进行。例如:信噪比、对比噪声比等,计算每个指标针对所有图像的测量值的均值和均方差;根据均值和均方差对图像进行分值赋值:设定指标值在均值±0.5×标准差范围的图像分值为A(A≥3),每增加0.5倍标准差,分值增加1,每减小0.5倍标准差,分值减小1。多项指标分值相加得到客观积分。因此,在本申请实施例中的图像质量总积分可以为主观评分和客观积分之和。
此外,在本申请实施例中,还可以根据下述公式来使用平衡因子确定最优参数组合,即图像质量-辐射剂量平衡因子=图像质量总积分÷辐射剂量。
因此,在步骤S205中可以使用上述方式来确定第二定位信息和例如扫描区域信息和曝光参数的并且之后就可以根据该CT扫描结果来生成CT图像。例如,在本申请实施例中,可以基于步骤S206中获得的扫描数据和使用常规手段获得的常规分辨率图像来进行CT图像的生成。
例如,在本申请实施例中可以用ROI表示详视扫描的局部目标区域。例如,使用上述方式获得的详视高分辨率的CT扫描数据为:gHR-ROI=HHR-ROIμHR-ROI,μHR-ROI为局部高分辨率的线衰减系数分布,gHR-ROI为高分辨率探测器对应的投影数据。在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HHR-ROI为高分辨率下的系统矩阵。通过常规扫描手段获得的常规分辨分辨率的CT扫描数据为gNR=HNRμNR,μNR为全局常分辨率的线衰减系数分布,gNR为常规分辨率探测器对应的投影数据在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HNR为全局常规分辨率下的系统矩阵。
在本申请实施例中,可以使用两种方式重建高分辨率场的衰减图像。
1)对gNR按照高分辨率进行插值得到颞骨区域外部的高分辨率数据与gHR -ROI一起合成gHR,使用gHR按照领域内的锥束CT解析重建方法重建详视视野内的图像。从而可以使用本领域内的各种方法来重建常规分辨率宽视图像。
2)定义高分辨感兴趣区域外的常规分辨网格像素为从而混合分辨率待重建图像为μ:/>定义对应高分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HHR-hybrid,定义对应常规分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HNR-hybrid,从而
gHR-ROI=HHR-hybridμ
gNR=HNR-hybridμ
结合噪声模型,可以获得基于后验概率优化的迭代算法重建混合分辨率的图像:
其中L(gHR-ROI;μ)和L(gNR;μ)为似然函数,R(μ)为正则化项,α和β为可调超参数,argmin为求最小化函数参数值μ的运算。此目标函数的优化过程可以使用解决优化问题的迭代方法完成。
例如,在本申请实施例中,可以通过下述方式来进行CT图像重建。首先,对gNR和gHR -ROI进行去噪。之后可以使用去噪后的常规分辨数据gNR,对每层数据按照双线性插值获得对应于ROI外的区域的高采样率数据。插值得到的ROI外的数据和去噪后的详视数据gHR-ROI拼合,并乘以一个权重函数q,保持详视区域数据不变,但逐渐平滑地下降至零,以减少插值数据的影响。这样得到的数据可以记为。对此数据进行FDK重建方法[1]的加权和滤波。对滤波后的数据截取详视区域后进行带权重反投影。该反投影运算可以使用本领域中常用的各种反投影算法,并且在本申请实施例中可以仅涉及截取后的数据和图像的详视区域。
因此,本申请实施例提供的CT扫描方法,通过根据待扫描部位的双目视觉图像,确定待扫描部位的标志点在双目视觉坐标系下的第一坐标,根据坐标系转化参数,将第一坐标转换为CT坐标系下的第二坐标,从而根据第二坐标生成第一定位信息,以驱动扫描床移动到第一定位信息指定的第一位置;之后获取待扫描部位的投照图像,根据投照图像,确定待扫描部位的第二定位信息以及扫描信息,根据第二定位信息驱动扫描床移动到第二定位信息指定的第二位置并且根据扫描信息进行CT扫描,从而可以能够根据双目视觉图像确定宽视扫描区域的第一位置并根据投照图像确定详视扫描区域的第二位置以及进行详视扫描的参数,从而能够通过宽视和详视联动实现对于精细结构目标的自动摆位和准确扫描,消除了现有技术中需要人工摆位并且扫描效果不佳的缺陷。
实施例三
图3为本申请提供的CT扫描系统一个实施例的结构示意图,可用于执行如图2所示的方法步骤。如图3所示,该CT扫描系统可以包括:摆位模块31和扫描模块32。
摆位模块31用于根据待扫描部位的双目视觉图像,确定所述待扫描部位的标志点在双目视觉坐标系下的第一坐标;根据坐标系转化参数,将所述第一坐标转换为所述标志点在CT坐标系下的第二坐标;根据所述第二坐标生成第一定位信息,以驱动扫描床移动到所述第一定位信息指定的第一位置。
在本申请实施例中,可以通过可见光图像获取装置来获取待扫描部位的双目视觉图像。可以根据这样的双目视觉图像来获取扫描对象的待扫描部位的例如耳廓、眼眶、眉峰等标志点在双目视觉坐标系下的坐标。例如,上述耳廓、眼眶、眉峰等标志点在双目视觉图像中的定位,可以通过神经网络模型来获得。例如,可以使用上述双目视觉相机采集多套体表图像,对每套体表图像的耳廓、眼眶、眉峰等标志点进行标注,以获得第一训练数据集。使用该第一训练数据集来对神经网络模型进行训练,获得用于定位耳廓、眼眶、眉峰等标志点的第一神经网络模型。因此,在实际使用中就可以将通过双目视觉采集设备获得的双目视觉图像输入到该训练好的第一神经网络模型来获得耳廓、眼眶、眉峰等标志点的定位信息。
在获得的第一坐标之后,可以根据坐标系转化参数来将其转化为在CT坐标系下的第二坐标。例如,可以使用预先计算的转化参数来进行步骤S202中的转化。例如可以先通过双目视觉可见光图像获取装置来对一个固定的参考模体进行成像,以获取该模体的双目视觉图像。之后可以通过对该参考模体进行CT扫描来获得其CT图像。之后可以通过这样获取的参考模体的扫描CT图像的表面特征点以及其对应的双目视觉图像来标定CT系统坐标系和双目视觉坐标系的关系。
可以根据转化到CT坐标系中的坐标来控制例如扫描床以将其移动到该第一定位信息指定的位置。从而实现了自动摆位操作。
扫描模块32用于获取所述待扫描部位的投照图像,其中,所述投照图像包括针对所述待扫描部位的后前投照图像和左右投照图像;根据所述投照图像,确定所述待扫描部位的第二定位信息以及扫描信息,其中,所述扫描信息包括扫描区域信息和曝光参数信息;根据所述第二定位信息驱动所述扫描床移动到所述第二定位信息指定的第二位置并且根据所述扫描信息进行CT扫描。
在完成了被扫描对象的摆位之后,可以通过例如宽视扫描来获取待扫描部位的后前、左右两幅投照图像。可以使用例如训练好的神经网络模型来根据该投照图像计算待扫描图像的详视区域的定位信息、扫描区域信息、曝光参数信息。之后,可以根据计算出的定位信息来驱动扫描床在三个方向移动,从而可以对于已经进行了摆位的扫描对象进行二次调整,以调整到进行详视扫描的位置,并且之后可以使用计算出的扫描区域信息,例如颞骨区域密度等信息以及曝光信息来进行扫描操作。
此外,在本申请实施例中,为了在根据投照图像来确定第二定位信息和扫描信息,还可以使用历史头部CT数据来生成后前、左右这两个方向的投照图像,并在这样生成的投照图像中对颞骨区扫描区域进行标注。也可以使用相近参数锥束CT的历史头部后前、左右两幅投照图像,并在其中进行颞骨区扫描区域的标注。还可以使用标本CT投照头像,并在其中对颞骨区扫描野进行标注。使用剂量模体进行不同曝光参数组合的CT扫描,已获得进行CT扫描的辐射剂量。还可以使用头部体模进行不同曝光参数组合的CT扫描,并且对获得的CT扫描图像进行质量评价。从而可以根据图像质量与辐射剂量来确定优化的曝光参数。
在本申请实施例中还可以使用以上一种或多种数据构成第二训练数据集,并使用上述第二训练数据集对神经网络模型进行训练,从而可以在使用中将投照图像输入到该训练好的神经网络模型中来确定颞骨区扫描区域以及扫描参数等。
例如,可以使用Yolo V4神经网络模型来对获得的后前投照图像中的扫描区域标注区域进行检测,以获得特征区域的中心坐标xj,xk1。同样使用该神经网络模型来检测左右投照图像中的扫描区域标注区域,得到特征区域的中心坐标xi,xk2。因此根据xi,xj,来精细调整扫描床的摆位,即把xi,xj,/>调整至详视扫描区域的中心。此外,还可以将计算出的采集区域信息、曝光参数信息等作为扫描控制参数来控制扫描。
在上述计算出的用于实际扫描的曝光参数可以包括光源管电压(kV)、管电流(mA)和曝光时间(s)等。并且辐射剂量模体可以具有不同尺寸,以分别用来计算新生儿、儿童、成人等不同年龄组的人体头部对进行CT扫描发射的X射线辐射吸收的物理参数。
此外,对于头部体模的图像质量评价可以包括主观评价和客观评价,总评价结果按累计积分进行计算。例如,主观评价可以由至少2名医生针对图像在图像清晰度、结构锐利度、伪影程度等方面进行盲法打分,每项打分最高分≥3,并且将分值进行累加,得到主观积分。
此外,客观评价可以通过计算客观指标来进行。例如:信噪比、对比噪声比等,计算每个指标针对所有图像的测量值的均值和均方差;根据均值和均方差对图像进行分值赋值:设定指标值在均值±0.5×标准差范围的图像分值为A(A≥3),每增加0.5倍标准差,分值增加1,每减小0.5倍标准差,分值减小1。多项指标分值相加得到客观积分。因此,在本申请实施例中的图像质量总积分可以为主观评分和客观积分之和。
此外,在本申请实施例中,还可以根据下述公式来使用平衡因子确定最优参数组合,即图像质量-辐射剂量平衡因子=图像质量总积分÷辐射剂。
因此,在步骤S205中可以使用上述方式来确定第二定位信息和例如扫描区域信息和曝光参数的并且之后就可以根据该CT扫描结果来生成CT图像。例如,在本申请实施例中,可以基于步骤S206中获得的扫描数据和使用常规手段获得的常规分辨率图像来进行CT图像的生成。
例如,在本申请实施例中可以用ROI表示详视扫描的局部目标区域。例如,使用上述方式获得的高分辨率的CT扫描数据为:gHR-ROI=HHR-ROIμHR-ROI,μHR-ROI为局部高分辨率的线衰减系数分布,gHR-ROI为高分辨率探测器对应的投影数据。在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HHR-ROI为高分辨率下的系统矩阵。通过常规扫描手段获得的常规分辨分辨率的CT扫描数据为gNR=HNRμNR,μNR为全局常分辨率的线衰减系数分布,gNR为常规分辨率探测器对应的投影数据在本申请实施例中,该投影数据可以是去本底除空气取负对数后的数据。HNR为全局常规分辨率下的系统矩阵。
在本申请实施例中,可以使用两种方式重建高分辨率场的衰减图像。
1)对gNR按照高分辨率进行插值得到颞骨区域外部的高分辨率数据与gHR -ROI一起合成gHR,使用gHR按照领域内的锥束CT解析重建方法重建详视视野内的图像。从而可以使用本领域内的各种方法来重建常规分辨率宽视图像。
2)定义高分辨感兴趣区域外的常规分辨网格像素为从而混合分辨率待重建图像为μ:/>定义对应高分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HHR-hybrid,定义对应常规分辨率探测器采集数据的混合分辨率重建网格下的系统矩阵为HNR-hybrid,从而
gHR-ROI=HHR-hybridμ
gNR=HNR-hybridμ
结合噪声模型,可以获得基于后验概率优化的迭代算法重建混合分辨率的图像:
其中L(gHR-ROI;μ)和L(gNR;μ)为似然函数,R(μ)为正则化项,α和β为可调超参数,argmin为求最小化函数参数值μ的运算。此目标函数的优化过程可以使用解决优化问题的迭代方法完成。
例如,在本申请实施例中,可以通过下述方式来进行CT图像重建。首先,对gNR和gHR -ROI进行去噪。之后可以使用去噪后的常规分辨数据gNR,对每层数据按照双线性插值获得对应于ROI外的区域的高采样率数据。插值得到的ROI外的数据和去噪后的详视数据gHR-ROI拼合,并乘以一个权重函数q,保持详视区域数据不变,但逐渐平滑地下降至零,以减少插值数据的影响。这样得到的数据可以记为对此数据进行FDK重建方法[1]的加权和滤波。对滤波后的数据截取详视区域后进行带权重反投影。该反投影运算可以使用本领域中常用的各种反投影算法,并且在本申请实施例中可以仅涉及截取后的数据和图像的详视区域。
因此,本申请实施例提供的CT扫描系统,通过利用摆位模块根据待扫描部位的双目视觉图像,确定待扫描部位的标志点在双目视觉坐标系下的第一坐标,根据坐标系转化参数,将第一坐标转换为CT坐标系下的第二坐标,从而根据第二坐标生成第一定位信息,以驱动扫描床移动到第一定位信息指定的第一位置,并且利用扫描模块获取待扫描部位的投照图像,根据投照图像,确定待扫描部位的第二定位信息以及扫描信息,根据第二定位信息驱动扫描床移动到第二定位信息指定的第二位置并且根据扫描信息进行CT扫描,从而可以能够根据双目视觉图像确定宽视扫描区域的第一位置并根据投照图像确定详视扫描区域的第二位置以及进行详视扫描的参数,从而能够通过宽视和详视联动实现对于精细结构目标的自动摆位和准确扫描,消除了现有技术中需要人工摆位并且扫描效果不佳的缺陷。
实施例四
以上描述了CT扫描系统的内部功能和结构,该系统可实现为一种电子设备。图4为本申请提供的电子设备实施例的结构示意图。如图4所示,该电子设备包括存储器41和处理器42。
存储器41,用于存储程序。除上述程序之外,存储器41还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器41可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器42,不仅仅局限于中央处理器(CPU),还可能为图形处理器(GPU)、现场可编辑门阵列(FPGA)、嵌入式神经网络处理器(NPU)或人工智能(AI)芯片等处理芯片。处理器42,与存储器41耦合,执行存储器41所存储的程序,该程序运行时执行上述实施例二的CT扫描方法。
进一步,如图4所示,电子设备还可以包括:通信组件43、电源组件44、音频组件45、显示器46等其它组件。图4中仅示意性给出部分组件,并不意味着电子设备只包括图4所示组件。
通信组件43被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件43经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件43还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
电源组件44,为电子设备的各种组件提供电力。电源组件44可以包括电源管理系统,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。
音频组件45被配置为输出和/或输入音频信号。例如,音频组件45包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器41或经由通信组件43发送。在一些实施例中,音频组件45还包括一个扬声器,用于输出音频信号。
显示器46包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅检测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。