CN114862762A - 人体扫描图像的质量评估方法及其装置 - Google Patents
人体扫描图像的质量评估方法及其装置 Download PDFInfo
- Publication number
- CN114862762A CN114862762A CN202210376389.4A CN202210376389A CN114862762A CN 114862762 A CN114862762 A CN 114862762A CN 202210376389 A CN202210376389 A CN 202210376389A CN 114862762 A CN114862762 A CN 114862762A
- Authority
- CN
- China
- Prior art keywords
- human body
- texture
- picture
- image
- num
- 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
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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人体扫描图像的质量评估方法及其装置,所述评估方法包括:包括以下步骤:获取医学影像系统拍摄的人体扫描图像,将所述人体扫描图像分割为多个图片区域;筛选出多个平滑区域,基于多个平滑区域得到第一质量评估值;筛选出多个纹理区域,基于多个纹理区域得到第二质量评估值;基于神经网络得到第三质量评估值,基于第一、第二和第三质量评估值得到人体扫描图像的评估值。从而能够评估人体扫描图像的图像质量。
Description
技术领域
本发明涉及X射线图像技术领域,尤其涉及一种人体扫描图像的质量评估方法及其装置。
背景技术
X-射线透视图像,CT(Computed Tomography,电子计算机断层扫描),MRI(Magnetic Resonance Imaging,磁共振成像}等影像设备广泛应用于临床中。医学影像系统由于受到不同的采集条件,不同的硬件性能,以及后处理算法的不同等,图像的质量也存在较多的变化。例如,由于采集过程中要控制剂量等因素,医学影像系统所得到的人体扫描图像不可避免的将会产生噪声,经过后处理算法,噪声可能被压低,也可能被放大,噪声过大时将干扰正常信息的观察,影响医生诊断。
在进行设备性能提升,以及软件算法研究时,如何有效的定量计算图像质量,是评估设备及算法性能的有效手段。拥有图像评估方法,将有利于获取设备及算法的性能,为图像质量的提升提供基础。另外一方面,由于医疗影像的采集过程无法产生一对完全匹配的高清图像及质量差的图像。
因此,如何评估人体扫描图像的图像质量,就成为一个亟待解决的问题。
发明内容
有鉴于此,本发明的主要目的在于提供一种人体扫描图像的质量评估方法及其装置。
为达到上述目的,本发明的技术方案是这样实现的:一种用于医学影像系统的人体扫描图像的质量评估方法,包括以下步骤:获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值 其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
作为本发明实施例的一种改进,所述神经网络至少包括:VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
所述“从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM”具体包括:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
所述“从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N”具体包括:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
作为本发明实施例的一种改进,在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
本发明实施例还提供了一种用于医学影像系统的人体扫描图像的质量评估装置,包括以下模块:图像获取模块,用于获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;第一处理模块,用于从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;第二处理模块,用于从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;第三处理模块,用于基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;汇总模块,用于所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
作为本发明实施例的一种改进,所述神经网络至少包括:VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
作为本发明实施例的一种改进,所述第一处理模块还用于:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
作为本发明实施例的一种改进,所述第二处理模块还用于:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
作为本发明实施例的一种改进,在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
本发明实施例所提供的人体扫描图像的质量评估方法及其装置具有以下优点:本发明实施例公开了一种人体扫描图像的质量评估方法及其装置,所述评估方法包括:包括以下步骤:获取医学影像系统拍摄的人体扫描图像,将所述人体扫描图像分割为多个图片区域;筛选出多个平滑区域,基于多个平滑区域得到第一质量评估值;筛选出多个纹理区域,基于多个纹理区域得到第二质量评估值;基于神经网络得到第三质量评估值,基于第一、第二和第三质量评估值得到人体扫描图像的评估值;从而能够评估人体扫描图像的图像质量。
附图说明
图1为本发明实施例提供的质量评估方法的流程示意图;
图2、图3、图4、图5、图6、图7A、图7B和图8为质量评估方法的实验结果图。
具体实施方式
以下将结合附图所示的实施方式对本发明进行详细描述。但该实施方式并不限制本发明,本领域的普通技术人员根据该实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
以下描述和附图充分地示出本文的具体实施方案,以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。本文中,术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来,而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素,反之亦然。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本文和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。在本文的描述中,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明实施例一提供了一种用于医学影像系统的人体扫描图像的质量评估方法,如图1所示,包括以下步骤:
步骤101:获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;
这里,对人体扫描图像P进行分割的算法至少包括:阈值分割算法、区域分割算法、边缘分割算法和直方图法等等。如图2所示,B和F均为一个图片区域。
步骤102:从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;
纹理是由于物体表面的物理属性的多样性而造成的,物理属性不同表示某个特定表面特征的灰度或者颜色信息不同,不同的物理表面会产生不同的纹理图像,因而纹理作为图像的一个极为重要的属性,在计算机视觉和图像处理中占有举足轻重的地位。纹理是图像中特征值强度的某种局部重复模式的宏观表现。这里,可以使用该图片区域在某个方向上的梯度来表征纹理强度,例如,图像横纵向梯度等。可选的,可以使用高频滤波器或者梯度检测等计算纹理强度。
在实现函数STD(y,d)时,可以先取出图片区域y中的所有像素的像素值,一共yn个,然后将每个像素值均减去数值d,于是就得到yn个数值,然后求这yn个数值的标准差。
这里,对于每个平滑区域来说,其纹理强度均小于第一预设阀值,从而能够排除噪声及纹理的干扰。
这里,第一质量评估值S1的值越大,则说明人体扫描图像P的对比度越强,噪声越小,它是一种综合图像对比度与噪声关系的指标,因为一般的对比度增强算法会放大图像噪声,导致视觉效果下降,通过该指标的计算更好的了解图像处理算法在放大图像对比度的同时是否过于放大图像噪声。
如图5所示,通过实验对比了本发明实施例中的第一质量评估值S1的指标性能。从图上可以看出,人体扫描图像A的噪声最大,人体扫描图像C的噪声最小,图像的对比度和纹理强度差别不大,因此,人体扫描图像C的质量指标应该更高。从实验结果来看,三者的第一质量评估值S1分别为0.68,0.83,1.02。得分越高说明图像质量越好,与视觉效果一致,验证了第一质量评估值S1在实际图像中具有很好的质量评估能力。
步骤103:从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;
这里,纹理区域的纹理强度均大于第二预设阀值,从而能够防止空气区域或者大面积的相同灰度区域对纹理计算时的干扰,第二质量评估值S2的值越大,则说明人体扫描图像P纹理越强,噪声越小,它是一种综合图像纹理强度与噪声关系的指标,图像细节增强算法会放大图像噪声,通过该指标的计算更好的了解图像处理算法在增强图像纹理的同时是否过于放大图像噪声。
如图6所示,通过实验对比了第二质量评估值S2的指标性能。从图上可以看出,人体扫描图像A的噪声最大,图像纹理较弱。人体扫描图像B的噪声比人体扫描图像A小,同时纹理变得清晰。人体扫描图像C的噪声最小,纹理相较于人体扫描图像B并没有衰减。因此,人体扫描图像C的质量指标应该更高。从实验结果来看,三者的第二质量评估值S2分别为7.87,9.55,9.93。得分越高说明图像质量越好,与视觉效果一致,验证了第二质量评估值S2在实际图像中具有很好的质量评估能力。
步骤104:基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;
这里,评估值可以由人工给出,如图3所示,通过对不同的受试者进行用户试验。利用用户对图像的评估值进行打分,从而获取图像及评估值数据库。
图3示出了打分界面,用户通过比较左右两幅图像,选择出视觉效果较好的一幅图像,软件会自动跳转到下一张图像上,直至对所有的数据集都对评估值进行打分。
图4示出了第二部分打分模块,用户直接对图像的评估值进行打分,得分从低到高分为5个等级,打分后软件会自动跳转到下一张图像上,直至对所有的数据集都进行打分。第一部分的打分是让观察者评估图像的整体质量,第二部分着重于对图像细节进行诊断,这里不设时间限制。观察者仔细观察图像,并根据图像细节进行决定,考虑到这部分需要对医学图像做出诊断,所以只有专业医生参与这个部分。
如图7A和图7B所示,通过实验对比了第三质量评估值S3的指标性能。对图像合成不同等级的噪声,观测质量评价得分与噪声的关系,从图7A和图7B中可以看出,第一部分和第二部分的得分均与噪声呈负相关。说明分数越高则图像噪声越低,图像越清晰,第三质量评估值S3的具有较好的评估能力。
步骤105:所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
这里,在人体扫描图像P的质量评估过程中,利用了客观的图像纹理强度,对比度以及噪声强度,同时考虑医生在实际临床应用场景中的观测偏好,开发一种无监督的图像质量评估方法,该方法无需参考图像,可以直接图像进行质量评估。
另一方面,我们通过实验方式测试不同的图像质量指标的准确度。图8对比了几种不同的图像指标计算方法,包括QAC(参见论文,Xue et al.Learning without humanscores for blind image quality assessment.CVPR.2013),NIQE(Natural ImageQuality Evaluator,自然图像质量评价器),ILNIQE(集成的本地自然图像质量评价器,Integrated Local NIQE),BRISQUE(Blind/Referenceless Image Spatial QUalityEvaluator,具体参考论文《No-Reference Image Quality Assessment in the SpatialDomain》)等,S表示总体质量评估值。SROCC(Spearman's Rank Order CorrelationCoefficient,Spearman秩序相关系数)与PLCC(Pearson Product-Moment CorrelationCoefficient,皮尔逊积矩相关系数)是用于衡量算法准确度的一种参数,当SROCC与PLCC越接近1,说明算法计算的图像分数与专家临床打分越接近。从图8中可以看出,MOS得分预测模块相较于其他几种算法更准确。
本实施例中,所述神经网络至少包括:VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
这里,VGGNet是牛津大学计算机视觉组和Google DeepMind公司的研究员一起研发的卷积神经网络,VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复的使用3x3的小型卷积核和2x2的最大池化层,VGGNet成功地构筑了16~19层深的卷积神经网络,VGG19神经网络即具有19层深的VGGNet。由论文《Very Deep Convolutional Networksfor Large-Scale Image Recognition》公开,该论文的网络下载地址为:https://arxiv.org/pdf/1409.1556.pdf。
ResNet是残差网络(Residual Network)的缩写,该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分,典型的网络有ResNet50,ResNet101等,由论文《Deep Residual Learning for Image Recognition》公开,该论文的网络下载地址为:https://arxiv.org/pdf/1512.03385.pdf。
DenseNet121神经网络由论文《Densely Connected Convolutional Networks》公开,该论文的网络下载地址为:https://arxiv.org/pdf/1608.06993.pdf
ResNeXt101神经网络由论文《Aggregated Residual Transformations for DeepNeural Networks》公开,该论文的网络下载地址为:https://arxiv.org/pdf/1611.05431.pdf。
Wide ResNet50神经网络由论文《Wide Residual Networks》公开,该论文的网络下载地址为:https://arxiv.org/pdf/1605.07146.pdf。
本实施例中,所述“从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM”具体包括:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
这里,平滑滤波处理可以包括:线性滤波器、非线性滤波器。采用线性滤波如邻域平滑滤波,对受到噪声污染而退化的图像复原,而另一种非线性滤波器如中值滤波,在一定程度上可以克服线性滤波器所带来的图像模糊问题,在滤除噪声的同时,较好地保留了图像的边缘信息。
边缘提取处理,指数字图像处理中,对于图片轮廓的一个处理。对于边界处,灰度值变化比较剧烈的地方,就定义为边缘。也就是拐点,拐点是指函数发生凹凸性变化的点。
边缘提取处理的基本思想首先是利用边缘增强算子,突出图像中的局部边缘,然后定义象素的“边缘强度”,通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在,监测到的边界可能会变宽或在某点处发生间断。
本实施例中,所述“从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N”具体包括:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
本实施例中,在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
本发明实施例二提供了.一种用于医学影像系统的人体扫描图像的质量评估装置,包括以下模块:
图像获取模块,用于获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;
第一处理模块,用于从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;
第二处理模块,用于从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;
第三处理模块,用于基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;
汇总模块,用于所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
本实施例中,所述神经网络至少包括:VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
本实施例中,所述第一处理模块还用于:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
本实施例中,所述第二处理模块还用于:对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
本实施例中在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于医学影像系统的人体扫描图像的质量评估方法,其特征在于,包括以下步骤:
获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;
从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;
从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;
基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;
所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
2.根据权利要求1所述的质量评估方法,其特征在于,所述神经网络至少包括:
VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
3.根据权利要求1所述的质量评估方法,其特征在于,所述“从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM”具体包括:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
4.根据权利要求1所述的质量评估方法,其特征在于,所述“从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N”具体包括:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
5.根据权利要求1所述的质量评估方法,其特征在于:
在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
6.一种用于医学影像系统的人体扫描图像的质量评估装置,其特征在于,包括以下模块:
图像获取模块,用于获取医学影像系统拍摄的人体扫描图像P,将所述人体扫描图像P分割为Num个图片区域,Num为自然数,Num≥2;
第一处理模块,用于从Num个图片区域中、筛选出M个平滑区域Z1,Z2,...,ZM,每个平滑区域的纹理强度均小于第一预设阀值;所述人体扫描图像P的第一质量评估值其中,M为自然数,M≤Num,c为常数,函数mean(x)为图片区域x中的所有像素的像素值的平均值,函数STD(y,d)为图片区域y中的所有yn个像素的像素值均减去数值d所得到的yn个数值的标准差;
第二处理模块,用于从Num个图片区域中、筛选出N个纹理区域Z′1,Z′2,...,Z′N,每个纹理区域的纹理强度均大于第二预设阀值,第一预设阀值≤第二预设阀值;所述人体扫描图像P的第二质量评估值其中,N为自然数,N≤Num,Gi为纹理区域Z′i的纹理强度;
第三处理模块,用于基于神经网络、生成所述人体扫描图像P的第三质量评估值S3,在训练时,向所述神经网络输入多个人体扫描图像P′,以及每个人体扫描图像P′对应的评估值;
汇总模块,用于所述人体扫描图像P的总体质量评估值S=α*S1+β*S2+γ*S3,其中,α、β和γ均为常数。
7.根据权利要求6所述的质量评估装置,其特征在于,所述神经网络至少包括:
VGG19神经网络、ResNet50神经网络、DenseNet121神经网络、ResNeXt101神经网络或Wide ResNet50神经网络。
8.根据权利要求6所述的质量评估装置,其特征在于,所述第一处理模块还用于:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和<第一预设阀值,则图片区域为一个平滑区域;最终,筛选出M个平滑区域Z1,Z2,...,ZM。
9.根据权利要求6所述的质量评估装置,其特征在于,所述第二处理模块还用于:
对Num个图片区域均进行平滑滤波处理和边缘提取处理,得到每个图片区域均对应的若干个包含边缘的图像块,之后,对每个图片区域均进行以下处理:如果图片区域所对应的若干图像块的纹理强度之和>第二预设阀值,则图片区域为一个纹理区域;最终,筛选出N个纹理区域Z′1,Z′2,...,Z′N。
10.根据权利要求6所述的质量评估装置,其特征在于:
在所述神经网络中,采用L1范数作为损失函数,利用随机梯度下降进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376389.4A CN114862762A (zh) | 2022-04-11 | 2022-04-11 | 人体扫描图像的质量评估方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376389.4A CN114862762A (zh) | 2022-04-11 | 2022-04-11 | 人体扫描图像的质量评估方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862762A true CN114862762A (zh) | 2022-08-05 |
Family
ID=82629262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376389.4A Pending CN114862762A (zh) | 2022-04-11 | 2022-04-11 | 人体扫描图像的质量评估方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862762A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095450A (zh) * | 2023-10-20 | 2023-11-21 | 武汉大学人民医院(湖北省人民医院) | 一种基于图像的眼干程度评估系统 |
-
2022
- 2022-04-11 CN CN202210376389.4A patent/CN114862762A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095450A (zh) * | 2023-10-20 | 2023-11-21 | 武汉大学人民医院(湖北省人民医院) | 一种基于图像的眼干程度评估系统 |
CN117095450B (zh) * | 2023-10-20 | 2024-01-09 | 武汉大学人民医院(湖北省人民医院) | 一种基于图像的眼干程度评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Multi-scale optimal fusion model for single image dehazing | |
JP6900581B1 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
EP1568307B1 (en) | Image processing device and image processing method | |
Raj et al. | Computer aided detection of brain tumor in magnetic resonance images | |
Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
Ningsih | Improving retinal image quality using the contrast stretching, histogram equalization, and CLAHE methods with median filters | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
JP4383352B2 (ja) | 核多形性の組織学的評価 | |
CN114119439A (zh) | 红外与可见光图像融合方法、装置、设备及存储介质 | |
Estrada et al. | Stochastic Image Denoising. | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN116188488B (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
Sheba et al. | Objective quality assessment of image enhancement methods in digital mammography–a comparative study | |
CN114862762A (zh) | 人体扫描图像的质量评估方法及其装置 | |
Srivatava et al. | Non-linear quality evaluation index for mammograms | |
CN116309435A (zh) | 医学图像镜面反射修复方法及系统 | |
Al-Kindi et al. | Breast sonogram and mammogram enhancement using hybrid and repetitive smoothing-sharpening technique | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Wu et al. | Hybrid enhancement algorithm for nailfold images with large fields of view | |
Suresh et al. | Improving the mammogram images by intelligibility mammogram enhancement method | |
CN108288267B (zh) | 一种基于暗通道的扫描电镜图像清晰度无参考评价方法 |
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 |