CN114862981A - 校正算法自动调用方法、装置、电子设备及存储介质 - Google Patents
校正算法自动调用方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114862981A CN114862981A CN202210490256.XA CN202210490256A CN114862981A CN 114862981 A CN114862981 A CN 114862981A CN 202210490256 A CN202210490256 A CN 202210490256A CN 114862981 A CN114862981 A CN 114862981A
- Authority
- CN
- China
- Prior art keywords
- region
- corrected
- interest
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10104—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
- G06T2207/20081—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种校正算法自动调用方法、装置、电子设备及存储介质,其方法包括:获取待校正医疗图像,并确定所述待校正医疗图像中的感兴趣区域;基于预设的判别模型判断所述感兴趣区域是否需要进行校正;当所述感兴趣区域需要校正时,调用预设的校正算法校正所述待校正医疗图像。本发明节省了将待校正医疗数据呈现给医生以及等待医生判断是否需要校正的时间,从而提高了判断是否需要校正的效率,进而提高了对待校正医疗图像进行校正的效率。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种校正算法自动调用方法、装置、电子设备及存储介质。
背景技术
随着医学成像技术的不断发展,为了更好的对人体进行检查,采用多种技术融合的方式对人体进行检测。例如,正电子发射计算机断层显像/X射线计算机体层成像设备(Positron Emission Tomography/Computed Tomography,PET/CT),其对器官以及软组织检测使用PET,对人体进行体层检测使用CT。同时获得CT图像和PET图像,两种图像优势互补,使医生在了解生物代谢信息的同时获得精准的解剖定位,从而对疾病做出全面、准确的判断。
然而,目前在通过PET/CT系统对患者进行检测时,由于CT扫描速度很快,CT图像对应人体呼吸运动单帧或相邻帧成像。而PET图像通常扫描时间比较长,因此PET图像对应人体呼吸平均成像。因此,在对患者进行检测时,患者呼吸、运动较大,会造成CT图像与PET图像之间差异较大。再利用CT图像对PET图像进行衰减校正时,会导致重建后的PET图像存在呼吸伪影和/或运动伪影,从而影响对疾病的判断。
现有技术中为了避免由于呼吸伪影和/或运动伪影对疾病诊断结果造成不良影响,通常需要医生人工阅片,即:医生人工查看重建后的PET图像,判断是否存在伪影,若存在伪影,则手动调用校正算法对PET图像进行校正,以提高疾病诊断的可靠性。现有技术存在以下问题:依赖医生人工阅片,导致对PET图像进行校正的时间长、效率低。
发明内容
有鉴于此,有必要提供一种校正算法自动调用方法、装置、电子设备及存储介质,用以解决现有技术中存在的对医疗图像进行校正的校正时间长、效率低的技术问题。
一方面,本发明提供了一种校正算法自动调用方法,包括:
获取待校正医疗图像,并确定所述待校正医疗图像中的感兴趣区域;
基于预设的判别模型判断所述感兴趣区域是否需要进行校正;
当所述感兴趣区域需要校正时,调用预设的校正算法校正所述待校正医疗图像。
在一些可能的实现方式中,所述判别模型包括病灶识别子模型和图像伪影检测子模型,所述基于预设的判别模型判断所述感兴趣区域是否需要进行校正,包括:
依次基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正;
或,
依次基于所述图像伪影检测子模型和所述病灶识别子模型判断所述感兴趣区域是否需要校正;
或,
同时基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正。
在一些可能的实现方式中,所述依次基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要进行校正,包括:
通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
当所述感兴趣区域为病灶区域时,通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域存在图像伪影时,所述感兴趣区域需要进行校正。
在一些可能的实现方式中,所述依次基于所述图像伪影检测子模型和所述病灶识别子模型判断所述感兴趣区域是否需要进行校正,包括:
通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域存在图像伪影时,通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
当所述感兴趣区域为病灶区域时,所述感兴趣区域需要进行校正。
在一些可能的实现方式中,所述同时基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正,包括:
通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域为病灶区域且所述感兴趣区域存在图像伪影时,所述感兴趣区域需要进行校正。
在一些可能的实现方式中,所述确定所述待校正医疗图像中的感兴趣区域,包括:
基于图像分割算法对所述待校正医疗图像进行分割,获得多个图像区域;
基于部位识别算法对所述多个图像区域进行标定,获得所述感兴趣区域。
另一方面,本发明还提供了一种校正算法自动调用装置,包括:
图像获取单元,用于获取待校正医疗图像,并确定所述待校正医疗图像中的感兴趣区域;
校正判别单元,用于基于预设的判别模型判断所述感兴趣区域是否需要进行校正;
校正算法调用单元,用于当所述感兴趣区域需要校正时,调用预设的校正算法校正所述待校正医疗图像。
另一方面,本发明还提供了一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的校正算法自动调用方法中的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述任意实现方式中所述的校正算法自动调用方法中的步骤。
采用上述实施例的有益效果是:本发明提供的校正算法自动调用方法,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。无需医生人工阅片,并判断待校正医疗图像是否需要进行校正,节省了将待校正医疗数据呈现给医生以及等待医生判断是否需要校正的时间,从而提高了判断是否需要校正的效率,进而提高了对待校正医疗图像进行校正的效率。
进一步地,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,还可避免人工阅片带来的人工出错率,从而可提高判断感兴趣区域是否需要进行校正的准确性。并且,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像,而无需等待医生人工下发调用指令调用校正算法,进一步提高对待校正医疗图像进行校正的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的校正算法自动调用方法的一个实施例流程示意图;
图2为本发明图1中S102的第一个实施例流程示意图;
图3为本发明图1中S102的第二个实施例流程示意图;
图4为本发明图1中S102的第三个实施例流程示意图;
图5为本发明图1中S101的一个实施例流程示意图;
图6为本发明提供的校正算法自动调用装置的一个实施例结构示意图;
图7为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如:A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种校正算法自动调用方法、装置、电子设备及存储介质,以下分别进行说明。
图1为本发明提供的校正算法自动调用方法的一个实施例流程示意图,如图1所示,该校正算法自动调用方法包括:
S101、获取待校正医疗图像,并确定待校正医疗图像中的感兴趣区域;
S102、基于预设的判别模型判断感兴趣区域是否需要进行校正;
S103、当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。
与现有技术相比,本发明实施例提供的校正算法自动调用方法,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。无需医生人工阅片,并判断待校正医疗图像是否需要进行校正,节省了将待校正医疗数据呈现给医生以及等待医生判断是否需要校正的时间,从而提高了判断是否需要校正的效率,进而提高了对待校正医疗图像进行校正的效率。
进一步地,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,还可避免人工阅片带来的人工出错率,从而可提高判断感兴趣区域是否需要进行校正的准确性。并且,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像,而无需等待医生人工下发调用指令调用校正算法,进一步提高对待校正医疗图像进行校正的效率。
在本发明的一些实施例中,步骤S101中的待校正医疗图像可为通过医疗成像设备扫描受试物体后获得的医疗图像。其中,受试物体可为生物学的或非生物学的。例如:受试物体可为患者、人造物体(例如人体模型)等。
在本发明的一些实施例中,感兴趣区域可为受试物体的特定部分、器官和/或组织。例如,当受试物体为患者时,感兴趣区域可为患者的头部、颈部、腹部、胸部、肩膀、手臂、腿部、心脏、胃、肝、肺等部位中的任意一种。
在一些具体实施例中,医疗成像设备可为单模态医疗成像设备或多模态医疗成像设备,具体地:单模态医疗成像设备可为PET医疗成像设备,多模态医疗成像设备可为PET/CT医疗成像设备。
在一种实际情况中,当医疗成像设备为PET/CT医疗成像设备时,由于PET扫描时间较长,PET和CT所处的呼吸相位不同会导致肝肺交界处的香蕉伪影,俗称呼吸伪影。
由于在实际疾病的诊断过程中,关注的是病灶区域是否存在图像伪影,而非病灶区域存在图像伪影并不会影响疾病诊断结果,因此,为了减少对待校正医疗图像进行校正的校正工作量,在本发明的一些实施例中,判别模型包括病灶识别子模型和图像伪影检测子模型。
本发明实施例通过设置判别模型包括病灶识别子模型和图像伪影检测子模型,可实现对病灶区域存在图像伪影的待校正医疗图像进行校正,而无需对所有存在伪影的待校正医疗图像均进行校正,减少校正工作量,提高待校正医疗图像的校正准确性。
需要说明的是:图像检测子模型可包括呼吸伪影检测子模型和/或运动伪影检测子模型。通过设置图像检测子模型包括呼吸伪影检测子模型和/或运动伪影检测子模型,可对呼吸伪影和/或运动伪影进行检测,提高伪影检测的全面性和可靠性。
由于当感兴趣区域不是病灶区域时,即使感兴趣区域存在图像伪影,也不会对诊断结果造成影响,即:无需对不是病灶区域但存在图像伪影的感兴趣区域进行校正;同理,也无需对是病灶区域但不存在图像伪影的感兴趣区域进行图像伪影校正,因此,为了减少校正工作量,本发明的一些实施例中,步骤S102包括:
依次基于病灶识别子模型和图像伪影检测子模型判断感兴趣区域是否需要校正;
或,
依次基于图像伪影检测子模型和病灶识别子模型判断感兴趣区域是否需要校正。
即:病灶识别子模型和图像伪影检测子模型的运行方式为串行,而并非同时运行,通过设置病灶识别子模型和图像伪影检测子模型的运行方式为串行,只有在当感兴趣区域存在图像伪影,且感兴趣区域为病灶区域时,才确定感兴趣区域需要校正,避免不必要的校正工作,提高对待校正图像进行校正的准确性和效率。并且,还可避免同时运行病灶识别子模型和图像伪影检测子模型导致占用的内存过大,导致病灶识别子模型和图像伪影检测子模型运行过程出错的技术问题,提高模型运行的安全性和可靠性。
为了进一步提高判别模型的判别速度,在本发明的一些实施例中,步骤S102包括:
同时基于病灶识别子模型和图像伪影检测子模型判断感兴趣区域是否需要校正。
即:病灶识别子模型和图像伪影检测子模型的运行方式为并行,通过设置病灶识别子模型和图像伪影检测子模型的运行方式为并行,实现病灶识别子模型和图像伪影子模型同时运行,提高判别模型对感兴趣区域是否需要进行校正的判断效率,从而可进一步提高对待校正医疗图像进行校正的效率。
应当理解的是:在实际应用中,可根据运行判别模型的硬件条件或实际需求选取是采用依次基于病灶识别子模型和图像伪影检测子模型或依次基于图像伪影检测子模型和病灶识别子模型判断感兴趣区域是否需要校正,还是采用同时基于病灶识别子模型和图像伪影检测子模型判断感兴趣区域是否需要校正的方式,在此不做具体限定。
在本发明的一些实施例中,如图2所示,依次基于病灶识别子模型和图像伪影检测子模型判断感兴趣区域是否需要进行校正,包括:
S201、通过病灶识别子模型确定感兴趣区域是否为病灶区域;
S202、当感兴趣区域为病灶区域时,通过图像伪影检测子模型检测感兴趣区域是否存在图像伪影;
S203、当感兴趣区域存在图像伪影时,感兴趣区域需要进行校正。
在本发明的一些实施例中,如图3所示,依次基于图像伪影检测子模型和病灶识别子模型判断感兴趣区域是否需要进行校正,包括:
S301、通过图像伪影检测子模型检测感兴趣区域是否存在图像伪影;
S302、当感兴趣区域存在图像伪影时,通过病灶识别子模型确定感兴趣区域是否为病灶区域;
S303、当感兴趣区域为病灶区域时,感兴趣区域需要进行校正。
本发明实施例通过设置步骤S201-S203中先确定感兴趣区域是否为病灶区域,后确定病灶区域是否存在图像伪影来确定感兴趣区域是否需要进行校正以及步骤S301-S303中先确定感兴趣区域是否存在图像伪影,再确定存在图像伪影的感兴趣区域是否为病灶区域来确定感兴趣是否需要进行校正这两种判断方式,提高感兴趣区域是否需要校正的判断方式的多样性和灵活性。
在本发明的一些实施例中,如图4所示,同时基于病灶识别子模型和图像伪影检测子模型判断感兴趣区域是否需要校正,包括:
S401、通过病灶识别子模型确定感兴趣区域是否为病灶区域;
S402、通过图像伪影检测子模型检测感兴趣区域是否存在图像伪影;
S403、当感兴趣区域为病灶区域且感兴趣区域存在图像伪影时,感兴趣区域需要进行校正。
本发明实施例通过设置同时通过病灶识别子模型和图像伪影检测子模型对感兴趣区域是否为病灶区域以及感兴趣区域是否存在图像伪影进行确定,而无需在病灶识别子模型有识别结果或图像伪影检测子模型有检测结果后才对应通过图像伪影检测子模型或并在识别子模型进行检测,提高了判断感兴趣区域是否需要进行校正的判断效率。
在本发明的一些实施例中,在步骤S102之前,还包括:
获取历史医疗图像,并基于深度学习算法根据历史医疗图像建立图像伪影检测子模型和病灶识别子模型。
应当理解的是:深度学习算法可以是能够从已有数据(历史医疗图像)中学习到一定的知识和能力用于处理新数据,并可以被设计用于执行各种任务,在本发明的实施例中用于对感兴趣区域是否为病灶区域和/或感兴趣区域是否存在图像伪影的确定。
在本发明的一些实施例中,深度学习算法的示例包括但不限于深度信念网络(Deep belief Networks,DBN)、卷积神经网络(Convolution Neural Networks,CNN)、递归神经网络(Recurrent Neural Networks,RNN)等等。
在本发明的具体实施例中,病灶识别子模型的网络结构可为2DU-net、3DU-net、U-net++、U-net3+、V-net中的任意一种。
在本发明的一些实施例中,建立图像伪影检测子模型的具体过程为:首先根据上述提及的任意一种深度学习算法建立初始模型,然后基于历史医疗图像对初始模型进行训练,训练完成后,即可得到图像伪影检测子模型,根据图像伪影检测子模型即可对感兴趣区域是否存在图像伪影进行检测。
应当理解的是:历史医疗图像包括有图像伪影的医疗图像和无图像伪影的医疗图像。
还应当理解的是:建立病灶识别子模型的具体过程与建立图像伪影检测子模型的具体过程一样,在此不做赘述。
在本发明的一些实施例中,如图5所示,步骤S101中的确定待校正医疗图像中的感兴趣区域包括:
S501、基于图像分割算法对待校正医疗图像进行分割,获得多个图像区域;
S502、基于部位识别算法对多个图像区域进行标定,获得感兴趣区域。
本发明实施例通过设置图像分割算法对待校正医疗图像进行分割,而无需医生手动对带图像医疗图像进行分割,可提高感兴趣区域的获得速度,从而可进一步提高对待校正医疗图像是否需要校正的判断效率。
应当理解的是:步骤S501中的图像分割算法可为基于阈值的分割算法、基于边缘的分割算法、基于聚类分析的分割算法、基于小波变换的分割算法或基于神经网络的分割算法中的任意一种。
在本发明的一些实施例中,当待校正医疗图像为人体图像时,步骤S502中的部位识别算法用于对多个图像区域是人体的哪个部位进行识别并标定,并从识别出的多个图像区域中确定感兴趣区域。
例如:当通过部位识别算法识别出腹部、胸部、肝、肺这四个部位时,可根据需求选定腹部、胸部、肝、肺这四个部位中的至少一个部位为感兴趣区域。
应当理解的是:步骤S502中的部位识别算法可为决策树、随机深林算法、支持向量机(Support Vector Machine,SVM)等算法中的任意一种。
需要说明的是:考虑到通过预设的校正算法校正后的待校正医疗图像的实时显示需求和非实时显示需求,在本发明的一些实施例中,在步骤S103之后,还包括:
将通过校正算法校正后的待校正医疗图像进行存储;
响应显示信号,调用并显示存储的经过校正的待校正医疗图像。
本发明实施例通过设置将校正后的待校正医疗图像进行存储,并响应显示信号进行调用并显示,可满足通过预设的校正算法校正后的待校正医疗图像的实时显示需求和非实时显示需求。
为了更好实施本发明实施例中的校正算法自动调用方法,在校正算法自动调用方法基础之上,对应的,如图6所示,本发明实施例还提供了一种校正算法自动调用装置,校正算法自动调用装置600包括:
图像获取单元601,用于获取待校正医疗图像,并确定待校正医疗图像中的感兴趣区域;
校正判别单元602,用于基于预设的判别模型判断感兴趣区域是否需要进行校正;
校正算法调用单元603,用于当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。
上述实施例提供的校正算法自动调用装置600可实现上述校正算法自动调用方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述校正算法自动调用方法实施例中的相应内容,此处不再赘述。
如图7所示,本发明还相应提供了一种电子设备700。该电子设备700包括处理器701、存储器702及显示器703。图7仅示出了电子设备700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。
处理器701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702中存储的程序代码或处理数据,例如本发明中的校正算法自动调用方法。
在一些实施例中,处理器701可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中,处理器701可为本地的或远程的。在一些实施例中,处理器701可实施于云平台。在一实施例中,云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等,或以上的任意组合。
存储器702在一些实施例中可以是电子设备700的内部存储单元,例如电子设备700的硬盘或内存。存储器702在另一些实施例中也可以是电子设备700的外部存储设备,例如电子设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器702还可既包括电子设备700的内部储存单元也包括外部存储设备。存储器702用于存储安装电子设备700的应用软件及各类数据。
显示器703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703用于显示在电子设备700的信息以及用于显示可视化的用户界面。电子设备700的部件701-703通过系统总线相互通信。
在一实施例中,当处理器701执行存储器702中的校正算法自动调用程序时,可实现以下步骤:
获取待校正医疗图像,并确定待校正医疗图像中的感兴趣区域;
基于预设的判别模型判断感兴趣区域是否需要进行校正;
当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。
应当理解的是:处理器701在执行存储器702中的校正算法自动调用程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备700的类型不做具体限定,电子设备700可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备700也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的校正算法自动调用方法中的步骤或功能。
本发明实施例提供的校正算法自动调用方法,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像。无需医生人工阅片,并判断待校正医疗图像是否需要进行校正,节省了将待校正医疗数据呈现给医生以及等待医生判断是否需要校正的时间,从而提高了判断是否需要校正的效率,进而提高了对待校正医疗图像进行校正的效率。
进一步地,通过基于预设的判别模型判断感兴趣区域是否需要进行校正,还可避免人工阅片带来的人工出错率,从而可提高判断感兴趣区域是否需要进行校正的准确性。并且,当感兴趣区域需要校正时,调用预设的校正算法校正待校正医疗图像,而无需等待医生人工下发调用指令调用校正算法,进一步提高对待校正医疗图像进行校正的效率。
更进一步地,本发明实时通过对符合事件计数进行衰变校正,可提高获得的符合事件计数的准确性,从而可提高估计注射剂量的准确性。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的校正算法自动调用方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种校正算法自动调用方法,其特征在于,包括:
获取待校正医疗图像,并确定所述待校正医疗图像中的感兴趣区域;
基于预设的判别模型判断所述感兴趣区域是否需要进行校正;
当所述感兴趣区域需要校正时,调用预设的校正算法校正所述待校正医疗图像。
2.根据权利要求1所述的校正算法自动调用方法,其特征在于,所述判别模型包括病灶识别子模型和图像伪影检测子模型,所述基于预设的判别模型判断所述感兴趣区域是否需要进行校正,包括:
依次基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正;
或,
依次基于所述图像伪影检测子模型和所述病灶识别子模型判断所述感兴趣区域是否需要校正;
或,
同时基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正。
3.根据权利要求2所述的校正算法自动调用方法,其特征在于,所述依次基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要进行校正,包括:
通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
当所述感兴趣区域为病灶区域时,通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域存在图像伪影时,所述感兴趣区域需要进行校正。
4.根据权利要求2所述的校正算法自动调用方法,其特征在于,所述依次基于所述图像伪影检测子模型和所述病灶识别子模型判断所述感兴趣区域是否需要进行校正,包括:
通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域存在图像伪影时,通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
当所述感兴趣区域为病灶区域时,所述感兴趣区域需要进行校正。
5.根据权利要求2所述的校正算法自动调用方法,其特征在于,所述同时基于所述病灶识别子模型和所述图像伪影检测子模型判断所述感兴趣区域是否需要校正,包括:
通过所述病灶识别子模型确定所述感兴趣区域是否为病灶区域;
通过所述图像伪影检测子模型检测所述感兴趣区域是否存在图像伪影;
当所述感兴趣区域为病灶区域且所述感兴趣区域存在图像伪影时,所述感兴趣区域需要进行校正。
6.根据权利要求2-5任意一项所述的校正算法自动调用方法,其特征在于,在所述基于预设的判别模型判断所述感兴趣区域是否需要进行校正之前,还包括:
获取历史医疗图像,并基于深度学习算法根据所述历史医疗图像建立所述图像伪影检测子模型和所述病灶识别子模型。
7.根据权利要求1所述的校正算法自动调用方法,其特征在于,所述确定所述待校正医疗图像中的感兴趣区域,包括:
基于图像分割算法对所述待校正医疗图像进行分割,获得多个图像区域;
基于部位识别算法对所述多个图像区域进行标定,获得所述感兴趣区域。
8.一种校正算法自动调用装置,其特征在于,包括:
图像获取单元,用于获取待校正医疗图像,并确定所述待校正医疗图像中的感兴趣区域;
校正判别单元,用于基于预设的判别模型判断所述感兴趣区域是否需要进行校正;
校正算法调用单元,用于当所述感兴趣区域需要校正时,调用预设的校正算法校正所述待校正医疗图像。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任意一项所述的校正算法自动调用方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的校正算法自动调用方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490256.XA CN114862981A (zh) | 2022-04-27 | 2022-04-27 | 校正算法自动调用方法、装置、电子设备及存储介质 |
US18/302,763 US20230334664A1 (en) | 2022-04-18 | 2023-04-18 | Systems and methods for image generation |
EP23168831.8A EP4266252A3 (en) | 2022-04-18 | 2023-04-19 | Systems and methods for image generation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490256.XA CN114862981A (zh) | 2022-04-27 | 2022-04-27 | 校正算法自动调用方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862981A true CN114862981A (zh) | 2022-08-05 |
Family
ID=82636283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210490256.XA Pending CN114862981A (zh) | 2022-04-18 | 2022-04-27 | 校正算法自动调用方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862981A (zh) |
-
2022
- 2022-04-27 CN CN202210490256.XA patent/CN114862981A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
CN110458830B (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
CN107123137B (zh) | 医学图像处理方法及设备 | |
US9471987B2 (en) | Automatic planning for medical imaging | |
WO2020238044A1 (zh) | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
US7711160B2 (en) | Automatic optimal view determination for cardiac acquisitions | |
CN110473269B (zh) | 一种图像重建方法、系统、设备及存储介质 | |
CN100592336C (zh) | 医学图像配准的系统和方法 | |
CN111340756B (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
US9171377B2 (en) | Automatic point-wise validation of respiratory motion estimation | |
CN110458837B (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
EP3828829B1 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
CN111080583B (zh) | 医学图像检测方法、计算机设备和可读存储介质 | |
CN111063422A (zh) | 一种医学图像标注方法、装置、设备及介质 | |
WO2012061452A1 (en) | Automatic image-based calculation of a geometric feature | |
CN112150571A (zh) | 一种图像运动伪影消除方法、装置、设备及存储介质 | |
CN111445550A (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
CN109493383B (zh) | 超声图像中内中膜厚度的测量方法、服务器及存储介质 | |
CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
CN117045273B (zh) | Ct扫描辐射剂量确定方法、装置、设备和存储介质 | |
CN113344926A (zh) | 胆胰超声图像识别方法、装置、服务器及存储介质 | |
CN114862981A (zh) | 校正算法自动调用方法、装置、电子设备及存储介质 |
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 |