CN115147673B - 影像设备质量检测方法、装置、设备和存储介质 - Google Patents

影像设备质量检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115147673B
CN115147673B CN202210541459.7A CN202210541459A CN115147673B CN 115147673 B CN115147673 B CN 115147673B CN 202210541459 A CN202210541459 A CN 202210541459A CN 115147673 B CN115147673 B CN 115147673B
Authority
CN
China
Prior art keywords
model
image sequence
measured
sample
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.)
Active
Application number
CN202210541459.7A
Other languages
English (en)
Other versions
CN115147673A (zh
Inventor
尹红霞
胡艳军
王振常
张禹
任鹏玲
赵鹏飞
吕晗
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.)
Beijing Friendship Hospital
Original Assignee
Beijing Friendship Hospital
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 Beijing Friendship Hospital filed Critical Beijing Friendship Hospital
Publication of CN115147673A publication Critical patent/CN115147673A/zh
Application granted granted Critical
Publication of CN115147673B publication Critical patent/CN115147673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种影像设备质量检测方法、装置、设备和存储介质，该方法包括：获取通过影像设备采集的被测模体的图像序列，图像序列包括多层图像；识别图像序列，以确定被测模体的型号信息；基于型号信息以及图像序列，确定与影像设备对应的至少一项待测指标参数；将至少一项待测指标参数与对应的标准数值范围进行比较，以评估影像设备的质量。在本发明中，测量待检测指标参数完全是按照设定的标准由设备进行的，其中不涉及人工参与，提高了检测过程的标准化程度，所得的测试结果的可信度较高，并且由于本发明实现了高度的自动化，因此对影像设备质量的检测操作效率高。

Description

影像设备质量检测方法、装置、设备和存储介质
技术领域
本发明涉及医疗技术领域，尤其涉及一种影像设备质量检测方法、装置、设备和存储介质。
背景技术
相关技术中，医护人员主要通过影像设备采集的人体图像对病人进行诊断，由此可见，影像设备采集的人体图像的质量直接影响了医护人员诊断的准确性。而人体图像的质量是直接由对其进行采集的影像设备的质量决定的，故而，有必要了解影像设备的质量。
一般来说，在检测影像设备的质量时，技术人员会操控影像设备采集模体的图像序列，然后应用规定的测量方法对采集上来的图像序列进行相关的待测指标参数的检测。
由于测量待测指标参数的过程是由技术人员完成的，测量结果与技术人员的测试经验相关性较大，测试过程的标准化程度低，测试结果可信度低，且由于测量工作大部分是由人工完成的，操作效率低。
发明内容
本发明实施例提供一种影像设备质量检测方法、装置、设备和存储介质，用以实现提高测试结果的可信度，标准化影像设备的质量检测过程，并提高检测效率。
第一方面，本发明实施例提供一种影像设备质量检测方法，该方法包括：
获取通过影像设备采集的被测模体的图像序列，所述图像序列包括多层图像；
识别所述图像序列，以确定所述被测模体的型号信息；
基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数；
将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量。
可选地，所述识别所述图像序列，以确定所述被测模体的型号信息，包括：
将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息；
获取多个参考模体数字模型；
将所述被测模体分别与各参考模体数字模型进行比较匹配，以确定出所述多个参考模体数字模型中与所述被测模体相匹配的目标模体数字模型；
确定所述目标模体数字模型对应的型号信息，作为所述被测模体的第二型号信息；
基于所述第一型号信息以及所述第二型号信息，确定所述被测模体的型号信息。
可选地，所述基于所述第一型号信息以及所述第二型号信息，确定所述被测模体的型号信息，包括：
若所述第一型号信息与所述第二型号信息相一致，则确定所述第一型号信息或者所述第二型号信息为所述被测模体的型号信息；
若所述第一型号信息与所述第二型号信息不一致，则获取用户从所述第一型号信息和所述第二型号信息中选择的型号信息，作为所述被测模体的型号信息。
可选地，在将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息之前，所述方法还包括：
获取通过不同样本影像设备分别采集的样本模体的样本图像序列；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型。
可选地，所述影像设备包括电子计算机断层扫描机；
所述基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型，包括：
对所述增广后的样本图像序列进行预处理，所述预处理包括重采样以及对相应的样本模体进行不同厚度的重建；
将经过预处理的样本图像序列输入到待训练的神经网络模型，得到样本模体型号预测信息；
将所述样本模体型号预测信息与对应的样本模体的型号信息进行比较；
根据比较结果相应调整所述待训练的神经网络模型的模型参数，以完成所述待训练的神经网络模型的训练过程。
可选地，所述基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数，包括：
基于所述型号信息，确定用于测量与所述影像设备对应的至少一项待测指标参数的测量方法；
确定分别用于测量各项待测指标参数的所述图像序列中的目标图像；
采用所述测量方法对所述目标图像中对应的待测指标参数进行测量。
可选地，所述确定分别用于测量各项待测指标参数的所述图像序列中的目标图像，包括：
将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像。
可选地，在将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像之前，所述方法还包括：
对于与各项待测指标参数对应的第二神经网络模型中的任一神经网络模型，获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中用于测量各项待测指标参数的图像，对待训练的神经网络模型进行训练，得到所述任一神经网络模型。
可选地，所述采用所述测量方法对所述目标图像中对应的待测指标参数进行测量，包括：
通过图像处理方法或者第三神经网络模型，对所述目标图像中对应的待测指标参数进行测量；
其中，训练所述第三神经网络模型的过程包括：
获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中与各图像分别对应的指标参数值，对待训练的神经网络模型进行训练，得到所述第三神经网络模型。
可选地，所述将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量，包括：
将所述至少一项待测指标参数中的任一待测指标参数与对应的标准数值范围进行比较；
若所述任一待测指标参数超过了对应的标准数值范围，则输出异常提示信息，所述异常提示信息用于指示所述影像设备的所述任一待测指标参数发生异常，所述异常提示信息包括与所述任一待测指标参数对应的异常可能原因以及处理异常的操作建议。
可选地，在评估所述影像设备的质量之后，所述方法还包括：
在所述影像设备未发生异常的情况下，若确定出在不同时间点评估到的所述影像设备的质量呈现随时间下降的变化趋势，则输出设备质量下降提示信息。
第二方面，本发明实施例提供一种影像设备质量检测装置，包括：
获取模块，用于获取通过影像设备采集的被测模体的图像序列，所述图像序列包括多层图像；
识别模块，用于识别所述图像序列，以确定所述被测模体的型号信息；
确定模块，用于基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数；
评估模块，用于将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量。
可选地，所述识别模块，用于：
将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息；
获取多个参考模体数字模型；
将所述被测模体分别与各参考模体数字模型进行比较匹配，以确定出所述多个参考模体数字模型中与所述被测模体相匹配的目标模体数字模型；
确定所述目标模体数字模型对应的型号信息，作为所述被测模体的第二型号信息；
基于所述第一型号信息以及所述第二型号信息，确定所述被测模体的型号信息。
可选地，所述识别模块，用于：
若所述第一型号信息与所述第二型号信息相一致，则确定所述第一型号信息或者所述第二型号信息为所述被测模体的型号信息；
若所述第一型号信息与所述第二型号信息不一致，则获取用户从所述第一型号信息和所述第二型号信息中选择的型号信息，作为所述被测模体的型号信息。
可选地，所述装置还包括训练模块，所述训练模块，用于：
获取通过不同样本影像设备分别采集的样本模体的样本图像序列；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型。
可选地，所述影像设备包括电子计算机断层扫描机；
所述训练模块，用于：
对所述增广后的样本图像序列进行预处理，所述预处理包括重采样以及对相应的样本模体进行不同厚度的重建；
将经过预处理的样本图像序列输入到待训练的神经网络模型，得到样本模体型号预测信息；
将所述样本模体型号预测信息与对应的样本模体的型号信息进行比较；
根据比较结果相应调整所述待训练的神经网络模型的模型参数，以完成所述待训练的神经网络模型的训练过程。
可选地，所述确定模块，用于：
基于所述型号信息，确定用于测量与所述影像设备对应的至少一项待测指标参数的测量方法；
确定分别用于测量各项待测指标参数的所述图像序列中的目标图像；
采用所述测量方法对所述目标图像中对应的待测指标参数进行测量。
可选地，所述确定模块，用于：
将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像。
可选地，所述装置还包括训练模块，所述训练模块，用于：
对于与各项待测指标参数对应的第二神经网络模型中的任一神经网络模型，获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中用于测量各项待测指标参数的图像，对待训练的神经网络模型进行训练，得到所述任一神经网络模型。
可选地，所述确定模块，用于：
通过图像处理方法或者第三神经网络模型，对所述目标图像中对应的待测指标参数进行测量；
其中，训练所述第三神经网络模型的过程包括：
获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中与各图像分别对应的指标参数值，对待训练的神经网络模型进行训练，得到所述第三神经网络模型。
可选地，所述评估模块，用于：
将所述至少一项待测指标参数中的任一待测指标参数与对应的标准数值范围进行比较；
若所述任一待测指标参数超过了对应的标准数值范围，则输出异常提示信息，所述异常提示信息用于指示所述影像设备的所述任一待测指标参数发生异常，所述异常提示信息包括与所述任一待测指标参数对应的异常可能原因以及处理异常的操作建议。
可选地，所述评估模块，还用于：
在所述影像设备未发生异常的情况下，若确定出在不同时间点评估到的所述影像设备的质量呈现随时间下降的变化趋势，则输出设备质量下降提示信息。
第三方面，本发明实施例提供一种电子设备，其中包括处理器和存储器，其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器至少可以实现第一方面中的影像设备质量检测方法。
第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现第一方面中的影像设备质量检测方法。
采用本发明，可以基于通过影像设备采集的被测模体的图像序列，自动识别被测模体的型号信息，实现了模体信号识别的自动化过程。通过采用与被测模体型号对应的测量方法，实现对图像序列进行待测指标参数的自动化以及标准化检测处理。最终，通过将待测指标参数与对应的标准数值范围进行比较的方式，完成对影像设备质量的评估过程。在本发明中，测量待检测指标参数完全是按照设定的标准由设备进行的，其中不涉及人工参与，提高了检测过程的标准化程度，所得的测试结果的可信度较高，并且由于本发明实现了高度的自动化，因此对影像设备质量的检测操作效率高。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明实施例提供的一种影像设备质量检测方法的流程示意图；
图2为本发明实施例提供的一种测量矢状定位序列中的单层图像的示意图；
图3为本发明实施例提供的一种T1加权横断位以及T2加权横断位中的第5层图像的示意图；
图4为本发明实施例提供的一种影像设备质量检测装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
图1为本发明实施例提供的一种影像设备质量检测方法的流程图，该方法可以应用于电子设备。如图1所示，该方法包括如下步骤：
101、获取通过影像设备采集的被测模体的图像序列，图像序列包括多层图像。
102、识别图像序列，以确定被测模体的型号信息。
103、基于型号信息以及图像序列，确定与影像设备对应的至少一项待测指标参数。
104、将至少一项待测指标参数与对应的标准数值范围进行比较，以评估影像设备的质量。
其中，影像设备包括但不限于：电子计算机断层扫描机(CT)、核磁共振(MR)、数字化X射线摄影系统(DR)、数字减影血管造影(DSA)、乳腺机、胃肠机。
实际应用中，模体的型号有很多，不同影像设备可以使用不同型号模体进行检测，同一影像设备也可以使用不同型号模体进行检测。但是针对某一影像设备，需要使用与其适配的模体进行检测，否则无法通过检测结果评估出该影像设备的质量。
可以控制待检测的影像设备对被测模体进行影像采集，这样可以得到被测模体的图像序列。然后可以通过对图像序列的检测处理来确定与影像设备对应的至少一项待测指标参数，通过对至少一项待测指标参数的评估，可以得到影像设备的质量。
值得注意的是，对于不同或者同一影像设备来说，当使用的模体不同时，相应获得的图像序列不同，进而对不同图像序列进行检测处理时所使用的测量方法也不同。基于此，在实际通过对图像序列的检测处理来确定与影像设备对应的至少一项待测指标参数之前，可以基于图像序列识别被测模体的型号信息，然后基于型号信息以及图像序列，确定与影像设备对应的至少一项待测指标参数。
可选地，上述识别图像序列，以确定被测模体的型号信息的过程可以实现为：将图像序列输入到第一神经网络模型中，得到被测模体的第一型号信息；获取多个参考模体数字模型；将被测模体分别与各参考模体数字模型进行比较匹配，以确定出多个参考模体数字模型中与被测模体相匹配的目标模体数字模型；确定目标模体数字模型对应的型号信息，作为被测模体的第二型号信息；基于第一型号信息以及第二型号信息，确定被测模体的型号信息。
实际应用中，可以通过第一神经网络模型识别被测模体的第一型号信息，然后再通过多个参考模体数字模型中与被测模体相匹配的目标模体数字模型确定被测模体的第二型号信息。最后，基于第一型号信息以及第二型号信息，确定被测模体的型号信息。
其中需要说明的是，参考模体数字模型是对真实的模体进行仿真和映射处理所得的仿真数据。参考模体数字模型不仅保留有真实模体的外观信息，还保留有真实模体的内部结构信息，也就是说，参考模体数字模型相当于对真实模体的建模。
在另一方面，通过影像设备对被测模体进行影像采集，可以扫描到被测模体的内部结构，因此通过影像采集获得的图像序列包含了被测模体的内部结构信息，且该内部结构信息是图像的方式进行记录的。基于此，可以将被测模体分别与各参考模体数字模型进行比较匹配，也就是说，将被测模体的内部结构信息分别与各参考模体数字模型的内部结构信息进行特征匹配，这样就能够确定出多个参考模体数字模型中与被测模体相匹配的目标模体数字模型。每个参考模体数字模型都各自对应有进行仿真和映射的真实模体，各真实模体对应有各自的型号信息，因此可以确定目标模体数字模型对应的型号信息，并将其作为被测模体的第二型号信息。
可选地，上述基于第一型号信息以及第二型号信息，确定被测模体的型号信息的过程可以实现为：若第一型号信息与第二型号信息相一致，则确定第一型号信息或者第二型号信息为被测模体的型号信息；若第一型号信息与第二型号信息不一致，则获取用户从第一型号信息和第二型号信息中选择的型号信息，作为被测模体的型号信息。
需要说明的是，当第一型号信息与第二型号信息不一致时，可以输出相应的提示信息，以提示用户手动选择被测模体的型号信息。
可选地，下面介绍上述第一神经网络模型的训练过程，该训练过程可以包括：获取通过不同样本影像设备分别采集的样本模体的样本图像序列；对样本图像序列进行数据增广处理，得到增广后的样本图像序列；基于增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到第一神经网络模型。
其中需要说明的是，在本发明实施例中通过对样本图像序列的数据增广处理，可以实现对原有的样本图像序列的扩展，进而可以提高样本图像序列的多样性，进而保证训练出的第一神经网络模型对任一被测模体的预测准确度，同时还可以降低收集原有的样本图像序列的操作规模。
其中，可选地，基于增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到第一神经网络模型的过程可以实现为：对增广后的样本图像序列进行预处理，预处理包括重采样以及对相应的样本模体进行不同厚度的重建；将经过预处理的样本图像序列输入到待训练的神经网络模型，得到样本模体型号预测信息；将样本模体型号预测信息与对应的样本模体的型号信息进行比较；根据比较结果相应调整待训练的神经网络模型的模型参数，以完成待训练的神经网络模型的训练过程。
实际应用中，对于某些影像设备，像是CT机，还可以对增广后的样本图像序列进行预处理，通过经过预处理的样本图像序列对待训练的神经网络模型进行训练。而对于另外的影像设备，像是MR，无需对增广后的样本图像序列进行预处理，可以直接通过增广后的样本图像序列对待训练的神经网络模型进行训练。
下面介绍基于型号信息以及图像序列，确定与影像设备对应的至少一项待测指标参数的过程。
可选地，上述确定过程可以实现为：基于型号信息，确定用于测量与影像设备对应的至少一项待测指标参数的测量方法；确定分别用于测量各项待测指标参数的图像序列中的目标图像；采用上述测量方法对目标图像中对应的待测指标参数进行测量。
其中，可选地，CT机对应的待测指标参数可以包括但不限于：床定位精度、CT值、均匀性、噪声、重建层厚偏差、高对比分辨力、低对比分辨力、CT值线性、CTDIw等。MR对应的待测指标参数可以包括但不限于：激光定位精度、几何精度、信噪比、均一性、伪影分析、高对比分辨力、低对比分辨力、层位置精度、层厚精度、层间射频干扰等。
需要说明的是，由于测量对象是图像序列，测量指标是至少一项待测指标参数。对于至少一项待测指标参数中的任一待测指标参数i，待测指标参数i可以是通过图像序列中的某一个或者某几个图像层的目标图像实现检测过程的，换句话说，并不是需要使用图像序列中的所有图像来检测待测指标参数i。基于此，在实际检测之前，需要为每个待测指标参数匹配用于检测它们的图像序列中的目标图像。
另外需要说明的是，在某些可选实施例中，可以通过不同的图像处理模块实现不同模体的图像序列的检测过程。其中，不同的图像处理模块针对相应的图像序列采用不同的测量方法进行待测指标参数的检测。不同的图像处理模块和各模体的型号信息之间存在对应关系，也就是说，不同型号的模体对应着不同的图像处理模块。在确定了被测模体的型号信息之后，可以确定与型号信息对应的目标图像处理模块。然后可以将图像序列输入到该目标图像处理模块，由该目标图像处理模块采用已设定好的测量方法对输入到其中的图像序列进行待测指标参数的检测处理。
需要为每个待测指标参数匹配用于检测它们的图像序列中的目标图像。可选地，确定分别用于测量各项待测指标参数的图像序列中的目标图像的过程可以实现为：将图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的图像序列中的目标图像。
需要说明的是，可以设置多个第二神经网络模型，不同第二神经网络模块用于为不同的待测指标参数匹配图像。
可选地，第二神经网络模型的训练过程可以实现为：对于与各项待测指标参数对应的第二神经网络模型中的任一神经网络模型，获取通过样本影像设备采集的样本模体的样本图像序列，样本影像设备与影像设备的类型相同，样本模体与被测模体的型号相同；对样本图像序列进行数据增广处理，得到增广后的样本图像序列；基于增广后的样本图像序列以及增广后的样本图像序列中用于测量各项待测指标参数的图像，对待训练的神经网络模型进行训练，得到任一神经网络模型。
在本发明实施例中通过对样本图像序列的数据增广处理，可以实现对原有的样本图像序列的扩展，进而可以提高样本图像序列中包含的图像的多样性，进而保证训练出的第二神经网络模型对待测指标参数和图像的匹配准确度，同时还可以降低收集原有的样本图像序列的操作规模。
实际应用中，可选地，对于某些影像设备，像是CT机，还可以对增广后的样本图像序列进行预处理，通过经过预处理的样本图像序列对待训练的神经网络模型进行训练。而对于另外的影像设备，像是MR，无需对增广后的样本图像序列进行预处理，可以直接通过增广后的样本图像序列对待训练的神经网络模型进行训练。
可选地，采用测量方法对目标图像中对应的待测指标参数进行测量的过程可以实现为：通过图像处理方法或者第三神经网络模型，对目标图像中对应的待测指标参数进行测量。
举例来说，在测量CT机对应的床定位精度的过程中，对被测模体边缘(或被测模体内的定位标记)进行扫描，以获得定位相图像。给出指令让诊断床前进/后退300mm，再次扫描定位相图像。将两个定位相图像对比，通过第三神经网络模型识别被测模体边缘(或被测模体内的定位标记)的位移，通过该位移可以确定床定位精度。
其中，训练第三神经网络模型的过程可以包括：获取通过样本影像设备采集的样本模体的样本图像序列，样本影像设备与影像设备的类型相同，样本模体与被测模体的型号相同；对样本图像序列进行数据增广处理，得到增广后的样本图像序列；基于增广后的样本图像序列以及增广后的样本图像序列中与各图像分别对应的指标参数值，对待训练的神经网络模型进行训练，得到第三神经网络模型。
在本发明实施例中通过对样本图像序列的数据增广处理，可以实现对原有的样本图像序列的扩展，进而可以提高样本图像序列中包含的图像的多样性，进而保证训练出的第三神经网络模型对待测指标参数的预测准确度，同时还可以降低收集原有的样本图像序列的操作规模。
实际应用中，可选地，对于某些影像设备，像是CT机，还可以对增广后的样本图像序列进行预处理，通过经过预处理的样本图像序列对待训练的神经网络模型进行训练。而对于另外的影像设备，像是MR，无需对增广后的样本图像序列进行预处理，可以直接通过增广后的样本图像序列对待训练的神经网络模型进行训练。
在获得影像设备的至少一项待测指标参数之后，可以将至少一项待测指标参数与对应的标准数值范围进行比较，以评估影像设备的质量。具体来说，可选地，将至少一项待测指标参数与对应的标准数值范围进行比较，以评估影像设备的质量的过程可以实现为：将至少一项待测指标参数中的任一待测指标参数与对应的标准数值范围进行比较；若任一待测指标参数超过了对应的标准数值范围，则输出异常提示信息，异常提示信息用于指示影像设备的任一待测指标参数发生异常，异常提示信息包括与任一待测指标参数对应的异常可能原因以及处理异常的操作建议。
可以理解的是，可以预先收集不同待测指标参数发生异常时可能引发异常的异常可能原因，同时还可以为不同异常关联上对应的处理异常的操作建议。这样，在确定某个待测指标参数超过了对应的标准数值范围之后，可以通过上述对应关系获取该待测指标参数发生异常时可能引发异常的异常可能原因，同时还可以获取对应于该异常可能原因的处理异常的操作建议，通过异常提示信息输出获取到的异常可能原因以及处理异常的操作建议。另外，也可以通过设备质量报告的形式输出影像设备的质量评估结果、异常可能原因以及处理异常的操作建议。
可选地，在评估影像设备的质量之后，还可以在影像设备未发生异常的情况下，若确定出在不同时间点评估到的影像设备的质量呈现随时间下降的变化趋势，则输出设备质量下降提示信息。
对于某些影像设备来说，它的待测指标参数可能并未发生任何异常，但是通过不同时间点的影像设备的评估结果来看，影像设备的质量是呈随时间下降的变化趋势的。在这样的情况下，即使影像设备没有发生异常，也可以输出设备质量下降提示信息。这样，技术人员通过设备质量下降提示信息可以了解到影像设备正处于质量下降期，可以视情况采取相应措施。比如说，影像设备用了很长的一段时间后发生了设备老化的现象，所以影像设备的质量呈现了下降的变化趋势，技术人员可以联系相关人员对影像设备采取设备维护的措施，以缓解这种老化现象。
在某些可选实施例中，本发明实施例提供的方法可以通过多个功能模块实现。该多个功能模块可以包括：模体自动匹配模块、图像处理模块、性能指标判定模块、预警及统计分析模块等。其中，图像处理模块的功能已在前文中介绍过，在此不再赘述。
其中，模体自动匹配模块可以用于识别被测模体的型号信息。性能指标判定模块可以用于将至少一项待测指标参数与对应的标准数值范围进行比较。预警及统计分析模块可以用于确定发生异常的待测指标参数对应的异常可能原因，同时还可以用于确定对应于异常可能原因的处理异常的操作建议，通过异常提示信息输出异常可能原因以及处理异常的操作建议。
下面介绍通过图像处理方法，对目标图像中对应的待测指标参数进行测量的几个示例。
示例1：MR对应的几何精度的自动测量过程(以ACR水模为例)
201、将扫描ACR水模获得的图像序列输入模体自动匹配模块(对应第一神经网络模型)，获得ACR水模的型号信息。如果识别失败，则可以借助人工确定ACR水模的型号信息。
202、将ACR水模的型号信息及所需要测量的几何精度，输入到对应的图像处理模块(对应第二神经网络模型)，可以实现下述功能：能选择用于测量几何精度的图像序列中的目标图像(ACR水模的图像序列可以包括矢状位定位序列、T1加权横断位和T2加权横断位，几何精度需要测量矢状定位序列中的单层图像(如图2所示)、T1加权横断位以及T2加权横断位中的第5层图像(如图3所示))。
203、对几何精度进行自动测量。
首先自动调节合适的窗宽值以及窗位值(自动得出ACR模体显示为一半白一半黑时的窗位值，记录此时的窗位置；将窗宽值设置为上述记录的窗位值；将窗位值设置为窗宽值的一半)。然后，在轴位T1WI序列得到的第5层图像中识别ACR模体的中心点，经过中心点建立与水平方向对应的X轴，经过中心点建立与竖直方向对应的Y轴。识别ACR水模的模体边缘，沿X轴方向过中心点做直线，该直线需要与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D1-w1。沿Y轴方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D2-w1。沿与X轴夹角为45度的方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D3-w1。沿与X轴夹角为135度的方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D4-w1。
同理，在轴位T2WI序列得到的第5层图像中识别ACR模体的中心点，经过中心点建立与水平方向对应的X轴，经过中心点建立与竖直方向对应的Y轴。识别ACR水模的模体边缘，沿X轴方向过中心点做直线，该直线需要与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D1-w2。沿Y轴方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D2-w2。沿与X轴夹角为45度的方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D3-w2。沿与X轴夹角为135度的方向过中心点做直线，该直线与ACR水模的模体边缘相交于两点，标出位于相交的两点之间的线段，测量该线段的长度为D4-w2。
204、对矢状定位序列中的单层图像，按步骤203的方法自动调节合适的窗宽值以及窗位值。识别出模体前后边缘，标出前后边缘分别对应的参考线，并测量前后两条参考线之间的距离D5-loc-w1。
205、对D1-w1、D2-w1、D3-w1、D4-w1、D5-loc-w1、D1-w2、D2-w2、D3-w2、D4-w2、D5-loc-w2分别与标准数值范围进行比较。其中D1-w1、D2-w1、D3-w1、D4-w1、D1-w2、D2-w2、D3-w2、D4-w2应在188mm至190mm之间，D5-loc-w1、D5-loc-w2应在146mm至150mm之间。
206、显示测量结果(汇总在一张表格中)。对于异常指标进行预警，对不在标准数值范围内的测量结果进行标注，并分析异常可能原因以及进一步的处理异常的操作建议。
示例2：CT值(水)测量
301、选定(接收)特定可测量CT值的dcm图像，分别读取dcm图像的头文件和像素矩阵。
302、(正常可测量CT值的图像，只有内边框和外边框两个圆形轮廓)通过图像识别函数确认两个圆环轮廓，并确定圆心。计算内圆直径设定为模体直径。
303、在图像中心(圆心)选取直径为测试模体直径10％的ROI，收集ROI所有像素值并计算均值，所得均值作为CT值(水)的测量值。
304、将头文件信息和所得CT值(水)的测量值写入指定路径。
示例3：噪声测量
401、选定(接收)特定可测量噪声的dcm图像，分别读取dcm图像的头文件和像素矩阵。
402、从dcm头文件获取图像层厚T。
403、(正常可测量噪声的图像，只有内边框和外边框两个圆形轮廓)通过图像识别函数确认两个圆环轮廓，并确定圆心。计算内圆直径设定为模体直径。
404、在图像中心(圆心)选取直径约为测试模体直径40％的ROI，收集ROI所有像素值并计算标准差s。
405、计算噪声值n：
Figure BDA0003648502940000181
406、将头文件信息和所得噪声测量值写入指定路径。
示例4：均匀性测量
501、选定(接收)特定可测量均匀性的dcm图像，分别读取dcm图像的头文件和像素矩阵。
502、(正常可测量CT值的图像，只有内边框和外边框两个圆形轮廓)通过图像识别函数确认两个圆环轮廓，并确定圆心。计算内圆直径设定为模体直径。
503、分别在图像中心(圆心)的3、6、9、12点方向，距离圆心0.6倍半径的位置确定4个模体直径10％的ROI，分别收集4个ROI的像素值并计算均值。
504、将4个ROI所得均值分别与上述CT值(水)比较，其中最大差值作为均匀性的测量值。
505、将头文件信息和所得均匀性测量值写入指定路径。
采用本发明，可以基于通过影像设备采集的被测模体的图像序列，自动识别被测模体的型号信息，实现了模体信号识别的自动化过程。通过采用与被测模体型号对应的测量方法，实现对图像序列进行待测指标参数的自动化以及标准化检测处理。最终，通过将待测指标参数与对应的标准数值范围进行比较的方式，完成对影像设备质量的评估过程。在本发明中，测量待检测指标参数完全是按照设定的标准由设备进行的，其中不涉及人工参与，提高了检测过程的标准化程度，所得的测试结果的可信度较高，并且由于本发明实现了高度的自动化，因此对影像设备质量的检测操作效率高。
以下将详细描述本发明的一个或多个实施例的影像设备质量检测装置。本领域技术人员可以理解，这些影像设备质量检测装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图4为本发明实施例提供的一种影像设备质量检测装置的结构示意图，如图4所示，该装置包括：
获取模块41，用于获取通过影像设备采集的被测模体的图像序列，所述图像序列包括多层图像；
识别模块42，用于识别所述图像序列，以确定所述被测模体的型号信息；
确定模块43，用于基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数；
评估模块44，用于将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量。
可选地，所述识别模块42，用于：
将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息；
获取多个参考模体数字模型；
将所述被测模体分别与各参考模体数字模型进行比较匹配，以确定出所述多个参考模体数字模型中与所述被测模体相匹配的目标模体数字模型；
确定所述目标模体数字模型对应的型号信息，作为所述被测模体的第二型号信息；
基于所述第一型号信息以及所述第二型号信息，确定所述被测模体的型号信息。
可选地，所述识别模块42，用于：
若所述第一型号信息与所述第二型号信息相一致，则确定所述第一型号信息或者所述第二型号信息为所述被测模体的型号信息；
若所述第一型号信息与所述第二型号信息不一致，则获取用户从所述第一型号信息和所述第二型号信息中选择的型号信息，作为所述被测模体的型号信息。
可选地，所述装置还包括训练模块，所述训练模块，用于：
获取通过不同样本影像设备分别采集的样本模体的样本图像序列；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型。
可选地，所述影像设备包括电子计算机断层扫描机；
所述训练模块，用于：
对所述增广后的样本图像序列进行预处理，所述预处理包括重采样以及对相应的样本模体进行不同厚度的重建；
将经过预处理的样本图像序列输入到待训练的神经网络模型，得到样本模体型号预测信息；
将所述样本模体型号预测信息与对应的样本模体的型号信息进行比较；
根据比较结果相应调整所述待训练的神经网络模型的模型参数，以完成所述待训练的神经网络模型的训练过程。
可选地，所述确定模块43，用于：
基于所述型号信息，确定用于测量与所述影像设备对应的至少一项待测指标参数的测量方法；
确定分别用于测量各项待测指标参数的所述图像序列中的目标图像；
采用所述测量方法对所述目标图像中对应的待测指标参数进行测量。
可选地，所述确定模块43，用于：
将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像。
可选地，所述装置还包括训练模块，所述训练模块，用于：
对于与各项待测指标参数对应的第二神经网络模型中的任一神经网络模型，获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中用于测量各项待测指标参数的图像，对待训练的神经网络模型进行训练，得到所述任一神经网络模型。
可选地，所述确定模块43，用于：
通过图像处理方法或者第三神经网络模型，对所述目标图像中对应的待测指标参数进行测量；
其中，训练所述第三神经网络模型的过程包括：
获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中与各图像分别对应的指标参数值，对待训练的神经网络模型进行训练，得到所述第三神经网络模型。
可选地，所述评估模块44，用于：
将所述至少一项待测指标参数中的任一待测指标参数与对应的标准数值范围进行比较；
若所述任一待测指标参数超过了对应的标准数值范围，则输出异常提示信息，所述异常提示信息用于指示所述影像设备的所述任一待测指标参数发生异常，所述异常提示信息包括与所述任一待测指标参数对应的异常可能原因以及处理异常的操作建议。
可选地，所述评估模块44，还用于：
在所述影像设备未发生异常的情况下，若确定出在不同时间点评估到的所述影像设备的质量呈现随时间下降的变化趋势，则输出设备质量下降提示信息。
图4所示装置可以执行前述图1至图3所示实施例中提供的影像设备质量检测方法，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。
在一个可能的设计中，上述图4所示影像设备质量检测装置的结构可实现为一电子设备，如图5所示，该电子设备可以包括：处理器91、存储器92。其中，所述存储器92上存储有可执行代码，当所述可执行代码被所述处理器91执行时，使所述处理器91至少可以实现如前述图1至图3所示实施例中提供的影像设备质量检测方法。
可选地，该电子设备中还可以包括通信接口93，用于与其他设备进行通信。
另外，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如前述图1至图3所示实施例中提供的影像设备质量检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例提供的影像设备质量检测方法可以由某种程序/软件来执行，该程序/软件可以由网络侧提供，前述实施例中提及的电子设备可以将该程序/软件下载到本地的非易失性存储介质中，并在其需要执行前述影像设备质量检测方法时，通过CPU将该程序/软件读取到内存中，进而由CPU执行该程序/软件以实现前述实施例中所提供的影像设备质量检测方法，执行过程可以参见前述图1至图3中的示意。
最后应说明的是：以上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精神和范围。

Claims (12)

1.一种影像设备质量检测方法，其特征在于，包括：
获取通过影像设备采集的被测模体的图像序列，所述图像序列包括多层图像；
将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息；
获取多个参考模体数字模型；
将所述被测模体分别与各参考模体数字模型进行比较匹配，以确定出所述多个参考模体数字模型中与所述被测模体相匹配的目标模体数字模型；
确定所述目标模体数字模型对应的型号信息，作为所述被测模体的第二型号信息；
若所述第一型号信息与所述第二型号信息相一致，则确定所述第一型号信息或者所述第二型号信息为所述被测模体的型号信息；
若所述第一型号信息与所述第二型号信息不一致，则获取用户从所述第一型号信息和所述第二型号信息中选择的型号信息，作为所述被测模体的型号信息；
基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数；
将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量。
2.根据权利要求1所述的方法，其特征在于，在将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息之前，所述方法还包括：
获取通过不同样本影像设备分别采集的样本模体的样本图像序列；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述影像设备包括电子计算机断层扫描机；
所述基于所述增广后的样本图像序列以及与增广后的各样本图像序列相对应的样本模体的型号信息，对待训练的神经网络模型进行训练，得到所述第一神经网络模型，包括：
对所述增广后的样本图像序列进行预处理，所述预处理包括重采样以及对相应的样本模体进行不同厚度的重建；
将经过预处理的样本图像序列输入到待训练的神经网络模型，得到样本模体型号预测信息；
将所述样本模体型号预测信息与对应的样本模体的型号信息进行比较；
根据比较结果相应调整所述待训练的神经网络模型的模型参数，以完成所述待训练的神经网络模型的训练过程。
4.根据权利要求1所述的方法，其特征在于，所述基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数，包括：
基于所述型号信息，确定用于测量与所述影像设备对应的至少一项待测指标参数的测量方法；
确定分别用于测量各项待测指标参数的所述图像序列中的目标图像；
采用所述测量方法对所述目标图像中对应的待测指标参数进行测量。
5.根据权利要求4所述的方法，其特征在于，所述确定分别用于测量各项待测指标参数的所述图像序列中的目标图像，包括：
将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像。
6.根据权利要求5所述的方法，其特征在于，在将所述图像序列输入到与各项待测指标参数对应的第二神经网络模型中，得到分别用于测量各项待测指标参数的所述图像序列中的目标图像之前，所述方法还包括：
对于与各项待测指标参数对应的第二神经网络模型中的任一神经网络模型，获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中用于测量各项待测指标参数的图像，对待训练的神经网络模型进行训练，得到所述任一神经网络模型。
7.根据权利要求4所述的方法，其特征在于，所述采用所述测量方法对所述目标图像中对应的待测指标参数进行测量，包括：
通过图像处理方法或者第三神经网络模型，对所述目标图像中对应的待测指标参数进行测量；
其中，训练所述第三神经网络模型的过程包括：
获取通过样本影像设备采集的样本模体的样本图像序列，所述样本影像设备与所述影像设备的类型相同，所述样本模体与所述被测模体的型号相同；
对所述样本图像序列进行数据增广处理，得到增广后的样本图像序列；
基于所述增广后的样本图像序列以及所述增广后的样本图像序列中与各图像分别对应的指标参数值，对待训练的神经网络模型进行训练，得到所述第三神经网络模型。
8.根据权利要求1所述的方法，其特征在于，所述将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量，包括：
将所述至少一项待测指标参数中的任一待测指标参数与对应的标准数值范围进行比较；
若所述任一待测指标参数超过了对应的标准数值范围，则输出异常提示信息，所述异常提示信息用于指示所述影像设备的所述任一待测指标参数发生异常，所述异常提示信息包括与所述任一待测指标参数对应的异常可能原因以及处理异常的操作建议。
9.根据权利要求1所述的方法，其特征在于，在评估所述影像设备的质量之后，所述方法还包括：
在所述影像设备未发生异常的情况下，若确定出在不同时间点评估到的所述影像设备的质量呈现随时间下降的变化趋势，则输出设备质量下降提示信息。
10.一种影像设备质量检测装置，其特征在于，包括：
获取模块，用于获取通过影像设备采集的被测模体的图像序列，所述图像序列包括多层图像；
识别模块，用于将所述图像序列输入到第一神经网络模型中，得到所述被测模体的第一型号信息；获取多个参考模体数字模型；将所述被测模体分别与各参考模体数字模型进行比较匹配，以确定出所述多个参考模体数字模型中与所述被测模体相匹配的目标模体数字模型；确定所述目标模体数字模型对应的型号信息，作为所述被测模体的第二型号信息；若所述第一型号信息与所述第二型号信息相一致，则确定所述第一型号信息或者所述第二型号信息为所述被测模体的型号信息；若所述第一型号信息与所述第二型号信息不一致，则获取用户从所述第一型号信息和所述第二型号信息中选择的型号信息，作为所述被测模体的型号信息；
确定模块，用于基于所述型号信息以及所述图像序列，确定与所述影像设备对应的至少一项待测指标参数；
评估模块，用于将所述至少一项待测指标参数与对应的标准数值范围进行比较，以评估所述影像设备的质量。
11.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的影像设备质量检测方法。
12.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的影像设备质量检测方法。
CN202210541459.7A 2022-05-10 2022-05-17 影像设备质量检测方法、装置、设备和存储介质 Active CN115147673B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210509175X 2022-05-10
CN202210509175 2022-05-10

Publications (2)

Publication Number Publication Date
CN115147673A CN115147673A (zh) 2022-10-04
CN115147673B true CN115147673B (zh) 2023-04-07

Family

ID=83405748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541459.7A Active CN115147673B (zh) 2022-05-10 2022-05-17 影像设备质量检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115147673B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846830A (zh) * 2018-05-25 2018-11-20 妙智科技（深圳）有限公司 对ct中腰椎自动定位的方法、装置以及存储介质
CN109145956A (zh) * 2018-07-26 2019-01-04 上海慧子视听科技有限公司 评分方法、装置、计算机设备及存储介质
CN110211119A (zh) * 2019-06-04 2019-09-06 厦门美图之家科技有限公司 图像质量评估方法、装置、电子设备及可读存储介质
CN112949519A (zh) * 2021-03-09 2021-06-11 上海芯物科技有限公司 目标检测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106657991B (zh) * 2017-01-25 2019-02-15 泰山医学院 一种磁共振质量控制方法、服务器及系统
CN111078912B (zh) * 2019-12-18 2024-02-20 国网上海市电力公司 电力设备图像数据仓库及电力设备缺陷检测方法
CN112712492B (zh) * 2020-02-04 2021-12-24 首都医科大学附属北京友谊医院 确定设备质量的方法、装置、服务器和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846830A (zh) * 2018-05-25 2018-11-20 妙智科技（深圳）有限公司 对ct中腰椎自动定位的方法、装置以及存储介质
CN109145956A (zh) * 2018-07-26 2019-01-04 上海慧子视听科技有限公司 评分方法、装置、计算机设备及存储介质
CN110211119A (zh) * 2019-06-04 2019-09-06 厦门美图之家科技有限公司 图像质量评估方法、装置、电子设备及可读存储介质
CN112949519A (zh) * 2021-03-09 2021-06-11 上海芯物科技有限公司 目标检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115147673A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
US9390509B2 (en) Medical image processing device, medical image processing method, program
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
EP2987114B1 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
CN111445546B (zh) 图像重建方法、装置、电子设备、存储介质
EP2653109B1 (en) Image processing method and apparatus
US20110148861A1 (en) Pet data processing system, an arrangement, a method and a computer program product for determining a distribution of a tracer uptake
JP2005230456A (ja) 脳疾患の診断支援方法及び装置
KR20140028534A (ko) 기능성 자기 공명 영상을 사용한 뇌기능 진단 시스템 및 방법
CN115147673B (zh) 影像设备质量检测方法、装置、设备和存储介质
CN113100742B (zh) 乳腺mr影像智能诊断方法、装置及设备
KR102373987B1 (ko) 알츠하이머 병 및 정상 노화에서 템플릿 기반 해마 서브필드 위축 분석 방법
CN112690809B (zh) 确定设备异常原因的方法、装置、服务器和存储介质
CN112712492B (zh) 确定设备质量的方法、装置、服务器和存储介质
CN113100827A (zh) 一种超声骨龄检测方法
US7657068B2 (en) Indication of accuracy of quantitative analysis
EP1877818A1 (en) Determination of relaxation rate changes for mr molecular imaging
TWI781463B (zh) 腦部多巴胺轉運體檢查系統及其運作方法
Osika et al. Harmonization Benchmarking Tool for Neuroimaging Datasets
CN113425279B (zh) 一种用于呼吸窘迫综合征的动物实验方法
JPWO2020257108A5 (zh)
Toledano et al. Methods for quantitative imaging biomarker studies
Turco et al. Assessment of kidney volumes in polycystic kidney disease from coronal and axial MR images
JP2023552547A (ja) 拡散強調磁気共鳴画像から胎児の脳室容積を判定するためのコンピュータ実装方法及びシステム、並びに関連するｎｍｒ脳室容積評価方法
DE102023136425A1 (de) Prüfverfahren, prüfvorrichtung und prüfprogramm für eine scheibenförmige massteilungsplatte
DE102023136421A1 (de) Prüfverfahren, prüfvorrichtung und prüfprogramm für eine scheibenförmige massteilungsplatte

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
GR01 Patent grant
GR01 Patent grant