CN115222805A - 一种基于肺癌影像的预期成像方法及装置 - Google Patents
一种基于肺癌影像的预期成像方法及装置 Download PDFInfo
- Publication number
- CN115222805A CN115222805A CN202211140111.3A CN202211140111A CN115222805A CN 115222805 A CN115222805 A CN 115222805A CN 202211140111 A CN202211140111 A CN 202211140111A CN 115222805 A CN115222805 A CN 115222805A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- key
- imaging
- pixel
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- 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
- 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
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于肺癌影像的预期成像方法及装置。基于肺癌影像的预期成像方法,包括:获取预先存储的参考图像;所述参考图像为对肺癌患者的肺部进行成像所获得的影像;确定所述参考图像中的关键像素;所述关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值;根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置;基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数;基于所述控制参数控制所述成像设备进行患者肺部扫描,以获得患者肺部扫描图像。本发明能够保证成像设备的成像质量,且提高成像设备的扫描参数与扫描器官或者组织之间的适配性。
Description
技术领域
本发明是关于医学成像技术,特别是关于一种基于肺癌影像的预期成像方法及装置。
背景技术
随着医学技术的发展,医学造影技术也随之发展。常见的医学影像技术如,核磁共振、CT(Computed Tomography,电子计算机断层扫描),通过不同的射线,采用对应的扫描方式,可获取到不同的组织或者器官的扫描图像,这些扫描图像可作为医学诊断的基础。
现有技术中,在进行医学影像的扫描时,通常采用固定的扫描参数,该固定的扫描参数可能是预先配置好的,也可能是根据扫描人员的经验制定的。这种方式,不一定能保证获得的医学影像的可用性,且并不能与特定的扫描器官或者组织适配,从而不能保证得到的医学影像的图像质量。
因此,现有的医学成像技术,成像质量难以得到保证,且成像设备的扫描参数与扫描器官或者组织之间没有适配性。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于肺癌影像的预期成像方法及装置,其能够保证成像设备的成像质量,且提高成像设备的扫描参数与扫描器官或者组织之间的适配性。
为实现上述目的,本发明的实施例提供了基于肺癌影像的预期成像方法,包括:获取预先存储的参考图像;所述参考图像为对肺癌患者的肺部进行成像所获得的影像;确定所述参考图像中的关键像素;所述关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值;根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置;基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数;基于所述控制参数控制所述成像设备进行患者肺部扫描,以获得患者肺部扫描图像。
在本发明的一个或多个实施方式中,所述确定所述参考图像中的关键像素,包括:将所述参考图像输入预先训练好的标识模型中,获得所述预先训练好的标识模型输出的标识结果;所述标识结果在所述参考图像的基础上,标记出关键区域,所述关键区域对应的图像部分对肺癌判定结果的影响值大于所述预设影响值;根据所述标识结果中标记的关键区域确定所述参考图像中的关键像素。
在该实施方式中,通过预先训练好的标识模型对参考图像中的关键区域进行标注,从而基于标注的关键区域实现关键像素的有效确定。
在本发明的一个或多个实施方式中,所述基于肺癌影像的预期成像方法还包括:获取训练数据集;所述训练数据集中包括多张样本肺癌影像,所述多张样本肺癌影像中标记有对肺癌判定结果的影响值大于所述预设影响值的样本关键区域;基于所述训练数据集,对初始的标识模型进行训练,获得所述预先训练好的标识模型。
在该实施方式中,通过标记有关键区域的多张样本肺癌影像,对标识模型进行训练,训练好的标识模型能够用于实现关键区域的有效且准确的标识。
在本发明的一个或多个实施方式中,所述确定所述参考图像中的关键像素,包括:获取非肺癌患者的标准肺部影像;将所述标准肺部影像的各个像素灰度值和所述参考图像中的对应像素灰度值进行比较,确定出所述参考图像中与所述标准肺部影像中的对应像素灰度值不相同的差异像素;基于所述差异像素确定所述参考图像中的关键像素。
在该实施方式中,通过将非肺癌患者的标准肺部影像与参考图像进行比较,若两者之间存在差异的部分,基于该差异的部分对应的像素可确定关键像素。因此,通过两者的比较,可实现关键像素的有效且准确的确定。
在本发明的一个或多个实施方式中,所述基于差异像素确定所述参考图像中的关键像素,包括:根据所述差异像素的数量确定预期差异像素值范围;所述预期差异像素值范围包括预期差异像素值上限和预期差异像素值下限,所述预期差异像素值上限与所述预期差异像素值下限之间的差值为预设值;判断所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值是否在所述预期差异像素值范围内;若所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值不在所述预期差异像素值范围内,确定所述差异像素为所述关键像素。
在该实施方式中,结合非肺癌患者的标准肺部影像与参考图像的比较结果所确定的差异像素,先确定预期差异像素值范围,然后判断该差异像素与对应的像素之间的像素灰度值差值是否在该预期差异像素值范围内,根据判断结果,实现差异像素的有效且准确的确定。
在本发明的一个或多个实施方式中,所述根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置,包括:获取预先存储的扫描位置表;所述扫描位置表中包括:肺部图像中的各个像素与肺部的扫描位置之间的对应关系;确定所述关键像素对应的像素误差;根据所述像素误差对所述关键像素进行增量处理,获得增量后的关键像素;根据所述预先存储的扫描位置表确定所述增量后的关键像素对应的肺部扫描位置,以确定患者肺部的关键扫描位置。
在该实施方式中,预先配置肺部图像中的各个像素与肺部的扫描位置之间的对应关系的扫描位置表,以及对关键像素进行增量处理,提高关键像素的数量;从而,基于扫描位置表,确定增量处理后的关键像素对应的肺部扫描位置,实现关键扫描位置的有效且准确的确定。
在本发明的一个或多个实施方式中,所述基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数,包括:基于所述预期的成像质量确定所述成像设备的初始控制参数;基于所述初始控制参数和所述关键扫描位置进行肺部模拟成像,获得所述关键扫描位置对应的模拟肺部扫描图像;将所述模拟肺部扫描图像的图像质量与所述参考图像的图像质量进行比较,获得图像质量比较结果;根据所述图像质量比较结果对所述初始控制参数进行调整,并将调整后的初始控制参数确定为所述成像设备的控制参数。
在该实施方式中,先基于预期的成像质量确定成像设备的初始控制参数,然后利用初始控制参数对关键扫描位置进行肺部模拟成像,再基于模拟肺部扫描图像的图像质量与参考图像的图像质量之间的比较结果,对初始控制参数进行调整,使调整后的初始控制参数,即成像设备最终的控制参数(可以理解为成像设备的扫描参数),在保证最终的成像质量的基础上,还与肺部适配,提高成像设备的扫描参数与扫描的器官或者组织之间的适配性。
在本发明的一个或多个实施方式中,所述根据所述图像质量比较结果对所述初始控制参数进行调整,包括:若所述模拟肺部扫描图像的图像质量高于所述参考图像的图像质量,判断所述模拟肺部扫描图像的图像质量是否满足所述预期的成像质量;若所述模拟肺部扫描图像的图像质量满足所述预期的成像质量,基于第一预设控制参数调整值调整所述初始控制参数;所述第一预设控制参数调整值用于降低所述成像设备的成像质量;若所述模拟肺部扫描图像的图像质量不满足所述预期的成像质量,基于第二预设控制参数调整值调整所述初始控制参数;所述第二预设控制参数调整值用于提高所述成像设备的成像质量。
在该实施方式中,若模拟肺部扫描图像的图像质量高于参考图像的图像质量,则基于模拟肺部图像的图像质量是否满足预期的成像质量,结合预设的控制参数调整值,实现初始控制参数的有效且准确的调整。
在本发明的一个或多个实施方式中,所述基于肺癌影像的预期成像方法还包括:若所述模拟肺部扫描图像的图像质量低于所述参考图像的图像质量,基于第三预设控制参数调整值调整所述初始控制参数,所述第三预设控制参数调整值用于提高所述成像设备的成像质量,且所述第三预设控制参数调整值对应的成像质量提高程度高于所述第二预设控制参数调整值对应的成像质量提高程度。
在该实施方式中,若模拟肺部扫描图像的图像质量低于参考图像的图像质量,则基于模拟肺部图像的图像质量是否满足预期的成像质量,结合预设的控制参数调整值,实现初始控制参数的有效且准确的调整。
本发明的实施例提供了基于肺癌影像的预期成像装置,包括:用于实现前述的基于肺癌影像的预期成像方法以及对应的一个或者多个实施方式的各个功能模块。
本发明的实施例还提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器通信连接;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行上述的任意一种实施方式中所述的基于肺癌影像的预期成像方法。
本发明的实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时,执行上述的任意一种实施方式中所述的基于肺癌影像的预期成像方法。
与现有技术相比,根据本发明实施方式的基于肺癌影像的预期成像方法及装置、电子设备、计算机可读存储介质,通过确定预先存储的肺癌患者的肺部影像中的关键像素,即通过确定肺癌影像中的关键像素,确定患者肺部的关键扫描位置,基于该关键扫描位置和预期的成像质量,确定成像设备的控制参数。从而,使成像设备的控制参数(即扫描参数)与肺部(即扫描器官)之间具有适配性;并且,还结合预期的成像质量确定控制参数,使成像设备的控制参数还能够保证最终的成像质量。因此,该技术方案能够保证成像设备的成像质量,且提高成像设备的扫描参数与扫描器官或者组织之间的适配性。
附图说明
图1是根据本发明一实施方式的基于肺癌影像的预期成像方法的流程图;
图2是根据本发明一实施方式的基于肺癌影像的预期成像装置的结构示意图;
图3是根据本发明一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本发明的实施例的技术方案可以应用于对成像设备进行成像控制的应用场景中,例如:当成像设备需要进行成像时,利用该技术方案实现成像控制。
该技术方案还应用于成像设备进行肺部成像的应用场景中,当然,当应用于其他器官或者组织的成像时,也可参照本发明的技术方案,不构成对本发明的应用场景的限定。
上述的成像设备可以是核磁共振成像设备、CT等,这些成像设备采用不同的成像原理,均可实现器官或者组织的成像。
本发明的实施例的技术方案的硬件运行环境可以是成像设备的控制端,该控制端可以是独立于成像设备外的单独的控制设备,也可以是与成像设备一体的控制端,在此不作限定。
该控制端,通过本发明的实施例的技术方案实现成像设备的控制参数,即扫描参数的确定,然后基于确定的扫描参数控制成像设备实现肺部扫描和成像。
本发明的实施例的技术方案,一方面,基于肺癌影像实现肺部关键扫描位置的确定,另一方面,配置预期的成像质量,用于限定扫描图像的图像质量。从而,结合肺部关键扫描位置和预期的成像质量,对成像设备的控制参数进行确定,使成像设备的控制参数不仅可以适配肺部,还可以保证最终的成像质量。
如图1所示,为根据本发明优选实施方式的基于肺癌影像的预期成像方法的流程图,该预期成像方法包括:
步骤101,获取预先存储的参考图像。其中,参考图像为对肺癌患者的肺部进行成像所获得的影像。
在一些实施例中,根据不同的成像设备,参考图像也不同。例如,CT扫描所得的影像为CT图像,核磁共振扫描所得的影像为核磁共振图像。
在一些实施例中,将已经确诊为肺癌的患者的肺部扫描图像作为参考图像,该参考图像可以从医院的数据库中调取。可以理解为,参考图像为肺癌影像。
在一些实施例中,医院会管理整个医院的数据库,因此,每当有确诊的肺癌患者时,可将对应的肺部扫描图像作为肺癌影像进行存储,便于后续随时获取。
在另一些实施例,参考图像也可以是通过其他途径所获得的图像,例如:通过一些特定的技术合成的图像等,在此不作限定。
步骤102,确定参考图像中的关键像素。其中,关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值。
可以理解,对于肺癌来说,所产生的病变并不一定会影响到整个肺部,因此,能够用于判定肺癌的图像部分也不一定是整个图像,从而,在步骤102中,可以确定出对肺癌判定结果的影响值大于预设影响值的图像部分。
其中,对肺癌判定结果的影响值大于预设影响值用于表征对肺癌判定结果的影响较大,预设影响值的具体值在此不作限定,在不同的应用场景中,可能有不同的取值。
在本发明的实施例中,可采用两种不同的实施方式确定关键像素。
作为第一种可选的实施方式,步骤102包括:将参考图像输入预先训练好的标识模型中,获得预先训练好的标识模型输出的标识结果;标识结果在参考图像的基础上,标记出关键区域,关键区域对应的图像部分对肺癌判定结果的影响值大于预设影响值;根据标识结果中标记的关键区域确定参考图像中的关键像素。
在一些实施例中,预先训练好的标识模型可以是神经网络模型、随机森林模型等,在此不作限定。
作为一种可选的实施方式,该标识模型的训练过程包括:获取训练数据集;训练数据集中包括多张样本肺癌影像,多张样本肺癌影像中标记有对肺癌判定结果的影响值大于预设影响值的样本关键区域;基于训练数据集,对初始的标识模型进行训练,获得预先训练好的标识模型。
其中,多张样本肺癌影像的获取方式可采用与参考图像相同的获取方式。不过,相较于参考图像,还需要在样本肺癌影像中标记出关键区域。
该关键区域对应的图像部分对肺癌判定结果的影响值大于预设影响值,该关键区域可采用人工标注的方式确定。
基于训练数据集,可以对初始的标识模型进行训练。当标识模型采用不同的实施方式时,对应的训练算法或者训练方式也对应不同的。例如,当采用神经网络模型时,采用神经网络的训练方式;当采用随机森林模型时,采用随机森林模型的训练方式。
此外,在模型的训练过程中,为了保证模型的训练精度,还可以采用一些提高模型精度的实施方式。
例如,预设训练次数,当模型的训练次数达到该预设训练次数时,视为训练完成。再例如,除了训练数据集,还设置测试数据集,在模型完成训练之后,通过测试数据集对训练好的模型进行精度测试,若测试的模型精度未达到预设的精度要求,则需要再次训练;若测试的模型精度达到预设的精度要求,视为得到最终训练好的模型。
除了上述的提高模型精度的实施方式,还可以采用其他的实施方式,在此不作限定。
在该实施方式中,通过标记有关键区域的多张样本肺癌影像,对标识模型进行训练,训练好的标识模型能够用于实现关键区域的有效且准确的标识。
通过上述模型的训练的实施方式的介绍可以看出,在将参考图像输入预先训练好的标识模型中后,标识模型便可输出标识结果。该标识结果,在参考图像的基础上,标记有关键区域。基于标记的关键区域,可确定参考图像中的关键像素。
在该实施方式中,通过预先训练好的标识模型对参考图像中的关键区域进行标注,从而基于标注的关键区域实现关键像素的有效确定。
在一些实施例中,可将关键区域中的所有像素确定为关键像素。在另一些实施例中,将关键区域中的所有像素以及与关键区域中的像素之间的像素距离在预设像素距离范围内的像素确定为关键像素。这种实施方式,可以增加关键像素的数量。
除了上述两种实施方式,也可以基于关键区域采用其他的关键像素确定方式,在此不作限定。
作为第二种可选的实施方式,步骤102包括:获取非肺癌患者的标准肺部影像;将标准肺部影像的各个像素灰度值和参考图像中的对应像素灰度值进行比较,确定出参考图像中与标准肺部影像中的对应像素灰度值不相同的差异像素;基于差异像素确定参考图像中的关键像素。
在这种实施方式中,通过标准肺部影像来确定参考图像中的关键像素。可以理解,非肺癌患者的肺部影像与肺癌患者的肺部影像是有较大差距的,通过比较两者之间的差距,可确定出对肺癌判定结果影响较大的关键像素。
因此,将标准肺部影像的各个像素灰度值和参考图像中的对应像素灰度值进行比较,先确定出参考图像中与标准肺部影像中的对应像素灰度值不相同的差异像素。
在一些实施例中,标准肺部影像与参考图像都是肺部的影像,且都是同类型的成像设备所扫描的图像。因此,标准肺部影像与参考图像中的各个像素之间具有对应关系,即,位于图像同一位置的像素为对应的像素。
从而,可将参考图像中的各个像素与标准肺部影像的各个对应像素进行比较,判断对应的像素的灰度值是否相同,若相同,则代表该部分没有问题;若不相同,则对应的像素为差异像素。基于差异像素,可确定出参考图像中的关键像素。
在该实施方式中,通过将非肺癌患者的标准肺部影像与参考图像进行比较,若两者之间存在差异的部分,基于该差异的部分对应的像素可确定关键像素。因此,通过两者的比较,可实现关键像素的有效且准确的确定。
作为一种可选的实施方式,基于差异像素确定所述参考图像中的关键像素,包括:根据差异像素的数量确定预期差异像素值范围;预期差异像素值范围包括预期差异像素值上限和预期差异像素值下限,预期差异像素值上限与预期差异像素值下限之间的差值为预设值;判断差异像素的灰度值与标准肺部影像中的对应像素的灰度值是否在预期差异像素值范围内;若差异像素的灰度值与标准肺部影像中的对应像素的灰度值不在预期差异像素值范围内,确定差异像素为关键像素。
在一些实施例中,预先设置不同的差异像素数量范围对应的差异像素值范围。根据差异像素的数量确定对应的差异像素数量范围,然后将对应的差异数量范围对应的差异像素值范围确定为预期差异像素值范围。
在一些实施例中,预期差异像素值范围包括预期差异像素值上限和预期差异像素值下限,该预期差异像素值上限与预期差异像素值下限之间的差值为预设值。
在一些实施例中,预期差异像素值范围中的像素值也指的是像素灰度值。
在不同的应用场景中,上述的不同的差异像素数量范围对应的差异像素值范围,以及预期差异像素值上限和预期差异像素值下限、预设值等,均可以采用不同的取值,在此不作限定。
基于预期差异像素值范围,可判断差异像素的灰度值与标准肺部影像中的对应像素的灰度值是否在预期差异像素值范围内,如果在该范围内,说明该差异像素并属于异常的像素;如果不在该范围内,说明该差异像素属于异常的像素,可确定差异像素为关键像素。
可以理解,差异像素的数量为多个时,需要按照相同的判断方式分别判断各个差异像素是否为关键像素。
在该实施方式中,结合非肺癌患者的标准肺部影像与参考图像的比较结果所确定的差异像素,先确定预期差异像素值范围,然后判断该差异像素与对应的像素之间的像素灰度值差值是否在该预期差异像素值范围内,根据判断结果,实现差异像素的有效且准确的确定。
步骤103,根据关键像素在参考图像中的位置确定患者肺部的关键扫描位置。
作为一种可选的实施方式,步骤103包括:获取预先存储的扫描位置表;扫描位置表中包括:肺部图像中的各个像素与肺部的扫描位置之间的对应关系;确定关键像素对应的像素误差;根据像素误差对关键像素进行增量处理,获得增量后的关键像素;根据预先存储的扫描位置表确定增量后的关键像素对应的肺部扫描位置,以确定患者肺部的关键扫描位置。
在这种实施方式中,预先存储有扫描位置表,该扫描位置表中包括肺部图像中的各个像素与肺部的扫描位置之间的对应关系。例如,位于左上角的像素对应肺部的第一扫描位置;位于中间的像素对应肺部的第二扫描位置等。
在这种实施方式中,还需要对关键像素进行增量处理。
在一些实施例中,若关键像素在图像的中间位置,则对应的像素误差可以较小,例如为1-3个像素。若关键像素在图像的两侧位置,则对应的像素误差可以较大,例如为3-5个像素。
基于像素误差,可在关键像素的基础上,确定出更多的关键像素。例如,在关键像素的1-3个像素距离内的像素,将其一并确定为关键像素。
在一些实施例中,为了避免关键像素的重复性,在进行关键像素增量处理时,可先判断该像素是否已确定为关键像素,若是,则无需再重复确定。
在另一些实施例中,也可以在确定出多个增量后的关键像素之后,对所有的关键像素作去重处理,即去掉其中重复且多余的像素。
进一步地,基于预先存储的扫描位置表,将增量后的关键像素对应的肺部扫描位置确定为患者肺部的关键扫描位置即可。
在该实施方式中,预先配置肺部图像中的各个像素与肺部的扫描位置之间的对应关系的扫描位置表,以及对关键像素进行增量处理,提高关键像素的数量;从而,基于扫描位置表,确定增量处理后的关键像素对应的肺部扫描位置,实现关键扫描位置的有效且准确的确定。
步骤104,基于预期的成像质量和关键扫描位置确定成像设备的控制参数。
作为一种可选的实施方式,步骤104包括:基于预期的成像质量确定成像设备的初始控制参数;基于初始控制参数和关键扫描位置进行肺部模拟成像,获得关键扫描位置对应的模拟肺部扫描图像;将模拟肺部扫描图像的图像质量与参考图像的图像质量进行比较,获得图像质量比较结果;根据图像质量比较结果对初始控制参数进行调整,并将调整后的初始控制参数确定为成像设备的控制参数。
在一些实施例中,不同的成像质量可对应不同的初始控制参数。其中,成像质量涉及到图像亮度、图像清晰度、图像对比度等,当成像设备采用不同的控制参数时,所获得的图像的这些参数均不相同。
因此,基于预期的成像质量可确定成像设备的初始控制参数。在一些实施例中,对于成像设备来说,上述的各个成像质量参数对应哪些控制参数,可通过一些固定的算法或者公式进行计算,具体可参照本领域的成熟技术,在此不作详细介绍。
在确定初始控制参数之后,可以基于初始控制参数和关键扫描位置进行肺部模拟成像,获得关键扫描位置对应的模拟肺部扫描图像。
在一些实施例中,可通过模拟仿真成像设备对模拟的肺部,或者真实的肺部进行肺部扫描试验,获得模拟肺部扫描图像,即并不用真实设备进行图像扫描,而是通过计算机的模拟方式实现图像扫描。
当然,在另一些实施例中,该步骤也可以通过真实的成像设备实现,在此不作限定。不过,相较于模拟的成像设备,能够更节约成本。
在利用初始控制参数对关键扫描位置进行图像扫描,获得模拟肺部扫描图像之后,可将模拟肺部扫描图像的图像质量与参考图像的图像质量进行比较,获得图像质量比较结果。从而,根据图像质量比较结果对初始控制参数进行调整,以使调整后的初始控制参数可适配肺部扫描,以及保证图像质量。
在一些实施例中,在进行图像质量比较时,若涉及到多项图像质量参数,需要分别将各个图像质量参数进行比较,然后整合多项图像质量参数的比较结果,作为最终的图像质量比较结果。当然,若只有一项图像质量参数,则直接将该图像质量参数的比较结果作为最终的图像质量比较结果即可。
在该实施方式中,先基于预期的成像质量确定成像设备的初始控制参数,然后利用初始控制参数对关键扫描位置进行肺部模拟成像,再基于模拟肺部扫描图像的图像质量与参考图像的图像质量之间的比较结果,对初始控制参数进行调整,使调整后的初始控制参数,即成像设备最终的控制参数(可以理解为成像设备的扫描参数),在保证最终的成像质量的基础上,还与肺部适配,提高成像设备的扫描参数与扫描的器官或者组织之间的适配性。
作为一种可选的实施方式,根据图像质量比较结果对初始控制参数进行调整,包括:若模拟肺部扫描图像的图像质量高于参考图像的图像质量,判断模拟肺部扫描图像的图像质量是否满足预期的成像质量;若模拟肺部扫描图像的图像质量满足预期的成像质量,基于第一预设控制参数调整值调整初始控制参数;第一预设控制参数调整值用于降低成像设备的成像质量;若模拟肺部扫描图像的图像质量不满足预期的成像质量,基于第二预设控制参数调整值调整初始控制参数;第二预设控制参数调整值用于提高成像设备的成像质量。
在一些实施例中,预期的成像质量为整个肺部扫描图像的成像质量,而模拟肺部扫描图像的图像质量仅是针对关键扫描位置所获得的图像的成像质量。
将两者进行比较,若模拟肺部扫描图像的图像质量满足预期的成像质量,由于模拟肺部扫描图像的图像质量高于参考图像的图像质量,则说明图像质量已经符合需求,此时可适当降低图像质量,以避免高图像质量带来的设备消耗。
若模拟肺部扫描图像的图像质量不满足预期的成像质量,虽然模拟肺部扫描图像的图像质量高于参考图像的图像质量,也将图像质量判定为不符合需求,此时需要提高图像质量,以避免图像质量不满足要求,无法实现肺癌的有效判断。
在一些实施例中,第一预设控制参数调整值和第二预设控制参数调整值的绝对值可以相同,但是第一预设控制参数调整值为负值,而第二预设控制参数调整值为正值。从而,进行初始控制参数的调整时,在初始控制参数的基础上,加上第一预设控制参数调整值或者第二预设控制参数调整值即可。
这种实施方式,适用于控制参数值越高,对应的图像质量越高的情况。若控制参数值越低,对应的图像质量越低,则上述的正负值情况应该相反。即,第一预设控制参数调整值为正值,第二预设控制参数调整值为负值。
或者,在另一些实施例中,控制参数值与图像质量的变化情况并不成正比,此时,第一预设控制参数调整值和第二预设控制参数调整值可能并无正负之分,而是具有大小之分,在此不作限定。
在另一些实施例中,第一预设控制参数调整值和第二预设控制参数调整值的绝对值不相同。
在一些实施例中,第一预设控制参数调整值和第二预设控制参数调整值均包括多项控制参数调整值,即,每项控制参数均对应设置有预设控制参数调整值。
在不同的应用场景中,预设控制参数调整值可以采取不同的取值,在此不对值作限定。
在一些实施例中,不同的成像质量对应的控制参数调整值,可通过预先的模拟试验确定。例如,分别设定不同的成像质量,然后通过调整控制参数,来达到对应的成像质量,并记录整个调整过程中,成像质量的变化,以及控制参数的变化。从而,相当于得到不同的控制参数对应的成像质量。
则,基于试验结果,可确定不同的成像质量变化量对应的控制参数变化量。从而,基于该对应关系,可为不同的成像质量变化情况设定不同的控制参数调整量。
在该实施方式中,若模拟肺部扫描图像的图像质量高于参考图像的图像质量,则基于模拟肺部图像的图像质量是否满足预期的成像质量,结合预设的控制参数调整值,实现初始控制参数的有效且准确的调整。
作为一种可选的实施方式,基于肺癌影像的预期成像方法还包括:若模拟肺部扫描图像的图像质量低于参考图像的图像质量,基于第三预设控制参数调整值调整初始控制参数,第三预设控制参数调整值用于提高成像设备的成像质量,且第三预设控制参数调整值对应的成像质量提高程度高于第二预设控制参数调整值对应的成像质量提高程度。
在这种实施方式,若模拟肺部扫描图像的图像质量低于参考图像的图像质量,说明初始控制参数对应的图像质量还远不能达到成像质量的要求,此时,无需再对预期成像质量进行判断,直接基于提高成像质量的角度调整初始控制参数。
在一些实施例中,也可以在初始控制参数的基础上,加上第三预设控制参数调整值。当然,也可以是在初始控制参数的基础上,减去第三预设控制参数调整值,在此不作限定。
可以理解,由于此处的图像质量与需求的图像质量之间的差距较大,所以,第三预设控制参数调整值对应的成像质量提高程度高于第二预设控制参数调整值对应的成像质量提高程度,才能保证图像质量符合需求。
即,在初始控制参数的基础上,通过第三预设控制参数调整值调整后,成像质量的提高,应大于前述的第二预设控制参数调整值所带来的图像质量提高效果。
在该实施方式中,若模拟肺部扫描图像的图像质量低于参考图像的图像质量,则基于模拟肺部图像的图像质量是否满足预期的成像质量,结合预设的控制参数调整值,实现初始控制参数的有效且准确的调整。
步骤105,基于控制参数控制成像设备进行患者肺部扫描,以获得患者肺部扫描图像。
在确定出控制参数之后,便可直接基于控制参数控制成像设备进行患者肺部扫描,以获得对应的肺部扫描图像。此时得到的肺部扫描图像不仅图像质量满足需求,而且还能够使其与肺部适配,更便于医生基于肺部扫描图像进行诊断。
通过前述实施例的介绍可以看出,根据本发明实施方式的基于肺癌影像的预期成像方法,通过确定预先存储的肺癌患者的肺部影像中的关键像素,即通过确定肺癌影像中的关键像素,确定患者肺部的关键扫描位置,基于该关键扫描位置和预期的成像质量,确定成像设备的控制参数。从而,使成像设备的控制参数(即扫描参数)与肺部(即扫描器官)之间具有适配性;并且,还结合预期的成像质量确定控制参数,使成像设备的控制参数还能够保证最终的成像质量。因此,该技术方案能够保证成像设备的成像质量,且提高成像设备的扫描参数与扫描器官或者组织之间的适配性。
如图2所示,为本发明的实施例提供的基于肺癌影像的预期成像装置的结构示意图,包括:
获取模块201,用于:获取预先存储的参考图像;所述参考图像为对肺癌患者的肺部进行成像所获得的影像;
控制模块202,用于:确定所述参考图像中的关键像素;所述关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值;根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置;基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数;基于所述控制参数控制所述成像设备进行患者肺部扫描,以获得患者肺部扫描图像。
在一些实施例中,控制模块202具体用于:将所述参考图像输入预先训练好的标识模型中,获得所述预先训练好的标识模型输出的标识结果;所述标识结果在所述参考图像的基础上,标记出关键区域,所述关键区域对应的图像部分对肺癌判定结果的影响值大于所述预设影响值;根据所述标识结果中标记的关键区域确定所述参考图像中的关键像素。
在一些实施例中,控制模块202还用于:获取训练数据集;所述训练数据集中包括多张样本肺癌影像,所述多张样本肺癌影像中标记有对肺癌判定结果的影响值大于所述预设影响值的样本关键区域;基于所述训练数据集,对初始的标识模型进行训练,获得所述预先训练好的标识模型。
在一些实施例中,控制模块202还用于:获取非肺癌患者的标准肺部影像;将所述标准肺部影像的各个像素灰度值和所述参考图像中的对应像素灰度值进行比较,确定出所述参考图像中与所述标准肺部影像中的对应像素灰度值不相同的差异像素;基于所述差异像素确定所述参考图像中的关键像素。
在一些实施例中,控制模块202具体用于:根据所述差异像素的数量确定预期差异像素值范围;所述预期差异像素值范围包括预期差异像素值上限和预期差异像素值下限,所述预期差异像素值上限与所述预期差异像素值下限之间的差值为预设值;判断所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值是否在所述预期差异像素值范围内;若所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值不在所述预期差异像素值范围内,确定所述差异像素为所述关键像素。
在一些实施例中,控制模块202具体用于:获取预先存储的扫描位置表;所述扫描位置表中包括:肺部图像中的各个像素与肺部的扫描位置之间的对应关系;确定所述关键像素对应的像素误差;根据所述像素误差对所述关键像素进行增量处理,获得增量后的关键像素;根据所述预先存储的扫描位置表确定所述增量后的关键像素对应的肺部扫描位置,以确定患者肺部的关键扫描位置。
在一些实施例中,控制模块202具体用于:基于所述预期的成像质量确定所述成像设备的初始控制参数;基于所述初始控制参数和所述关键扫描位置进行肺部模拟成像,获得所述关键扫描位置对应的模拟肺部扫描图像;将所述模拟肺部扫描图像的图像质量与所述参考图像的图像质量进行比较,获得图像质量比较结果;根据所述图像质量比较结果对所述初始控制参数进行调整,并将调整后的初始控制参数确定为所述成像设备的控制参数。
在一些实施例中,控制模块202具体用于:若所述模拟肺部扫描图像的图像质量高于所述参考图像的图像质量,判断所述模拟肺部扫描图像的图像质量是否满足所述预期的成像质量;若所述模拟肺部扫描图像的图像质量满足所述预期的成像质量,基于第一预设控制参数调整值调整所述初始控制参数;所述第一预设控制参数调整值用于降低所述成像设备的成像质量;若所述模拟肺部扫描图像的图像质量不满足所述预期的成像质量,基于第二预设控制参数调整值调整所述初始控制参数;所述第二预设控制参数调整值用于提高所述成像设备的成像质量。
在一些实施例中,控制模块202还用于:若所述模拟肺部扫描图像的图像质量低于所述参考图像的图像质量,基于第三预设控制参数调整值调整所述初始控制参数,所述第三预设控制参数调整值用于提高所述成像设备的成像质量,且所述第三预设控制参数调整值对应的成像质量提高程度高于所述第二预设控制参数调整值对应的成像质量提高程度。
基于肺癌影像的预期成像装置与前述的基于肺癌影像的预期成像方法对应,因此,基于肺癌影像的预期成像装置的实施方式可参照前述的基于肺癌影像的预期成像方法的实施方式,在此不作重复介绍。
请参照图3,本申请实施例还提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通信连接。该电子设备可作为前述的基于肺癌影像的预期成像方法的执行主体。
其中,存储器302中存储有可被处理器301执行的指令,所述指令被处理器301执行,以使处理器301能够执行前述实施例中所述的基于肺癌影像的预期成像方法。
在一些实施例中,处理器301和存储器302之间通过通信总线实现通信连接。
可以理解,电子设备还可以包括更多所需的通用模块,在本发明实施例不作一一介绍。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于肺癌影像的预期成像方法,其特征在于,包括:
获取预先存储的参考图像;所述参考图像为对肺癌患者的肺部进行成像所获得的影像;
确定所述参考图像中的关键像素;所述关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值;
根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置;
基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数;和
基于所述控制参数控制所述成像设备进行患者肺部扫描,以获得患者肺部扫描图像。
2.如权利要求1所述的基于肺癌影像的预期成像方法,其特征在于,所述确定所述参考图像中的关键像素,包括:
将所述参考图像输入预先训练好的标识模型中,获得所述预先训练好的标识模型输出的标识结果;所述标识结果在所述参考图像的基础上,标记出关键区域,所述关键区域对应的图像部分对肺癌判定结果的影响值大于所述预设影响值;
根据所述标识结果中标记的关键区域确定所述参考图像中的关键像素。
3.如权利要求2所述的基于肺癌影像的预期成像方法,其特征在于,所述基于肺癌影像的预期成像方法还包括:
获取训练数据集;所述训练数据集中包括多张样本肺癌影像,所述多张样本肺癌影像中标记有对肺癌判定结果的影响值大于所述预设影响值的样本关键区域;
基于所述训练数据集,对初始的标识模型进行训练,获得所述预先训练好的标识模型。
4.如权利要求1所述的基于肺癌影像的预期成像方法,其特征在于,所述确定所述参考图像中的关键像素,包括:
获取非肺癌患者的标准肺部影像;
将所述标准肺部影像的各个像素灰度值和所述参考图像中的对应像素灰度值进行比较,确定出所述参考图像中与所述标准肺部影像中的对应像素灰度值不相同的差异像素;
基于所述差异像素确定所述参考图像中的关键像素。
5.如权利要求4所述的基于肺癌影像的预期成像方法,其特征在于,所述基于差异像素确定所述参考图像中的关键像素,包括:
根据所述差异像素的数量确定预期差异像素值范围;所述预期差异像素值范围包括预期差异像素值上限和预期差异像素值下限,所述预期差异像素值上限与所述预期差异像素值下限之间的差值为预设值;
判断所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值是否在所述预期差异像素值范围内;
若所述差异像素的灰度值与所述标准肺部影像中的对应像素的灰度值不在所述预期差异像素值范围内,确定所述差异像素为所述关键像素。
6.如权利要求1所述的基于肺癌影像的预期成像方法,其特征在于,所述根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置,包括:
获取预先存储的扫描位置表;所述扫描位置表中包括:肺部图像中的各个像素与肺部的扫描位置之间的对应关系;
确定所述关键像素对应的像素误差;
根据所述像素误差对所述关键像素进行增量处理,获得增量后的关键像素;
根据所述预先存储的扫描位置表确定所述增量后的关键像素对应的肺部扫描位置,以确定患者肺部的关键扫描位置。
7.如权利要求1所述的基于肺癌影像的预期成像方法,其特征在于,所述基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数,包括:
基于所述预期的成像质量确定所述成像设备的初始控制参数;
基于所述初始控制参数和所述关键扫描位置进行肺部模拟成像,获得所述关键扫描位置对应的模拟肺部扫描图像;
将所述模拟肺部扫描图像的图像质量与所述参考图像的图像质量进行比较,获得图像质量比较结果;
根据所述图像质量比较结果对所述初始控制参数进行调整,并将调整后的初始控制参数确定为所述成像设备的控制参数。
8.如权利要求7所述的基于肺癌影像的预期成像方法,其特征在于,所述根据所述图像质量比较结果对所述初始控制参数进行调整,包括:
若所述模拟肺部扫描图像的图像质量高于所述参考图像的图像质量,判断所述模拟肺部扫描图像的图像质量是否满足所述预期的成像质量;
若所述模拟肺部扫描图像的图像质量满足所述预期的成像质量,基于第一预设控制参数调整值调整所述初始控制参数;所述第一预设控制参数调整值用于降低所述成像设备的成像质量;
若所述模拟肺部扫描图像的图像质量不满足所述预期的成像质量,基于第二预设控制参数调整值调整所述初始控制参数;所述第二预设控制参数调整值用于提高所述成像设备的成像质量。
9.如权利要求8所述的基于肺癌影像的预期成像方法,其特征在于,所述基于肺癌影像的预期成像方法还包括:
若所述模拟肺部扫描图像的图像质量低于所述参考图像的图像质量,基于第三预设控制参数调整值调整所述初始控制参数,所述第三预设控制参数调整值用于提高所述成像设备的成像质量,且所述第三预设控制参数调整值对应的成像质量提高程度高于所述第二预设控制参数调整值对应的成像质量提高程度。
10.一种基于肺癌影像的预期成像装置,其特征在于,包括:
获取模块,用于:获取预先存储的参考图像;所述参考图像为对肺癌患者的肺部进行成像所获得的影像;
控制模块,用于:
确定所述参考图像中的关键像素;所述关键像素对应的图像部分对肺癌判定结果的影响值大于预设影响值;
根据所述关键像素在所述参考图像中的位置确定患者肺部的关键扫描位置;
基于预期的成像质量和所述关键扫描位置确定成像设备的控制参数;
基于所述控制参数控制所述成像设备进行患者肺部扫描,以获得患者肺部扫描图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140111.3A CN115222805B (zh) | 2022-09-20 | 2022-09-20 | 一种基于肺癌影像的预期成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140111.3A CN115222805B (zh) | 2022-09-20 | 2022-09-20 | 一种基于肺癌影像的预期成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222805A true CN115222805A (zh) | 2022-10-21 |
CN115222805B CN115222805B (zh) | 2023-01-13 |
Family
ID=83617133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140111.3A Active CN115222805B (zh) | 2022-09-20 | 2022-09-20 | 一种基于肺癌影像的预期成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222805B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103040467A (zh) * | 2012-12-31 | 2013-04-17 | 北京师范大学 | 一种汉语语言功能区测查用功能磁共振成像数据的处理方法 |
CN103340643A (zh) * | 2013-06-09 | 2013-10-09 | 成都军区昆明总医院 | 应用多功能标准体模对ct关键技术指标进行检测的方法 |
CN104027113A (zh) * | 2014-07-01 | 2014-09-10 | 中国科学院武汉物理与数学研究所 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
CN105078495A (zh) * | 2014-04-30 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种pet-ct扫描成像方法及相关成像方法 |
CN109602435A (zh) * | 2017-09-29 | 2019-04-12 | 通用电气公司 | 用来取得预期图像质量的ct成像系统和方法 |
CN109938764A (zh) * | 2019-02-28 | 2019-06-28 | 佛山原子医疗设备有限公司 | 一种基于深度学习的自适应多部位扫描成像方法及其系统 |
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗系统股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
CN110660110A (zh) * | 2018-06-30 | 2020-01-07 | 上海联影医疗科技有限公司 | 成像方法、装置、计算机设备和存储介质 |
CN110664425A (zh) * | 2019-10-11 | 2020-01-10 | 上海市肺科医院 | 一种肺原位癌识别方法的关键ct技术 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN110960241A (zh) * | 2019-12-09 | 2020-04-07 | 上海联影医疗科技有限公司 | 医学影像扫描的扫描参数确定方法、装置和计算机设备 |
CN111260647A (zh) * | 2020-03-12 | 2020-06-09 | 南京安科医疗科技有限公司 | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 |
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
US20210045706A1 (en) * | 2019-08-16 | 2021-02-18 | GE Precision Healthcare LLC | Methods and systems for x-ray tube conditioning |
CN112568933A (zh) * | 2019-09-29 | 2021-03-30 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、设备和存储介质 |
CN112763578A (zh) * | 2021-04-08 | 2021-05-07 | 成都飞机工业(集团)有限责任公司 | 在役整体复材r区检测方法、对比试块及试块制造方法 |
CN112767393A (zh) * | 2021-03-03 | 2021-05-07 | 常州市第一人民医院 | 一种基于机器学习的双模态影像组学磨玻璃结节分类方法 |
CN112862869A (zh) * | 2020-12-31 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 图像扫描处理方法、成像扫描设备、电子设备及可读介质 |
CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
CN112991478A (zh) * | 2021-02-25 | 2021-06-18 | 复旦大学附属中山医院 | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
CN113689377A (zh) * | 2021-07-07 | 2021-11-23 | 浙江大学 | 一种肺部ct扫描影像比对方法、装置及介质 |
CN113971754A (zh) * | 2021-10-26 | 2022-01-25 | 数坤(北京)网络科技股份有限公司 | 图像数据采集方法、装置、计算设备及存储介质 |
CN114468997A (zh) * | 2022-01-18 | 2022-05-13 | 中国科学院精密测量科学与技术创新研究院 | 一种原位移植肺癌模型的多模态检测方法 |
-
2022
- 2022-09-20 CN CN202211140111.3A patent/CN115222805B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103040467A (zh) * | 2012-12-31 | 2013-04-17 | 北京师范大学 | 一种汉语语言功能区测查用功能磁共振成像数据的处理方法 |
CN103340643A (zh) * | 2013-06-09 | 2013-10-09 | 成都军区昆明总医院 | 应用多功能标准体模对ct关键技术指标进行检测的方法 |
CN105078495A (zh) * | 2014-04-30 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种pet-ct扫描成像方法及相关成像方法 |
CN104027113A (zh) * | 2014-07-01 | 2014-09-10 | 中国科学院武汉物理与数学研究所 | 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法 |
CN109602435A (zh) * | 2017-09-29 | 2019-04-12 | 通用电气公司 | 用来取得预期图像质量的ct成像系统和方法 |
CN110660110A (zh) * | 2018-06-30 | 2020-01-07 | 上海联影医疗科技有限公司 | 成像方法、装置、计算机设备和存储介质 |
CN109938764A (zh) * | 2019-02-28 | 2019-06-28 | 佛山原子医疗设备有限公司 | 一种基于深度学习的自适应多部位扫描成像方法及其系统 |
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗系统股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
US20210045706A1 (en) * | 2019-08-16 | 2021-02-18 | GE Precision Healthcare LLC | Methods and systems for x-ray tube conditioning |
CN112568933A (zh) * | 2019-09-29 | 2021-03-30 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、设备和存储介质 |
CN110664425A (zh) * | 2019-10-11 | 2020-01-10 | 上海市肺科医院 | 一种肺原位癌识别方法的关键ct技术 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN110960241A (zh) * | 2019-12-09 | 2020-04-07 | 上海联影医疗科技有限公司 | 医学影像扫描的扫描参数确定方法、装置和计算机设备 |
CN111260647A (zh) * | 2020-03-12 | 2020-06-09 | 南京安科医疗科技有限公司 | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 |
CN111429456A (zh) * | 2020-05-06 | 2020-07-17 | 上海联影医疗科技有限公司 | 一种图像数据处理方法、装置、电子设备及存储介质 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN112862869A (zh) * | 2020-12-31 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 图像扫描处理方法、成像扫描设备、电子设备及可读介质 |
CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
CN112991478A (zh) * | 2021-02-25 | 2021-06-18 | 复旦大学附属中山医院 | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
CN112767393A (zh) * | 2021-03-03 | 2021-05-07 | 常州市第一人民医院 | 一种基于机器学习的双模态影像组学磨玻璃结节分类方法 |
CN112763578A (zh) * | 2021-04-08 | 2021-05-07 | 成都飞机工业(集团)有限责任公司 | 在役整体复材r区检测方法、对比试块及试块制造方法 |
CN113393433A (zh) * | 2021-06-10 | 2021-09-14 | 北京安德医智科技有限公司 | 一种通用的医学影像灌注参数预测方法及装置 |
CN113689377A (zh) * | 2021-07-07 | 2021-11-23 | 浙江大学 | 一种肺部ct扫描影像比对方法、装置及介质 |
CN113971754A (zh) * | 2021-10-26 | 2022-01-25 | 数坤(北京)网络科技股份有限公司 | 图像数据采集方法、装置、计算设备及存储介质 |
CN114468997A (zh) * | 2022-01-18 | 2022-05-13 | 中国科学院精密测量科学与技术创新研究院 | 一种原位移植肺癌模型的多模态检测方法 |
Non-Patent Citations (3)
Title |
---|
JI HE等: "Downsampled Imaging Geometric Modeling for Accurate CT Reconstruction via Deep Learning", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张建华: "高时空分辨扫描相干衍射成像方法学研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
王梁: "微波检测乳腺肿瘤的成像与快速识别", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222805B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161290B (zh) | 一种图像分割模型的构建方法、图像分割方法及系统 | |
CN110522466B (zh) | 确定患者重量和/或体重指数的方法和装置 | |
CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
US9489736B2 (en) | Visualization of image transformation | |
CN113689359B (zh) | 一种图像伪影去除模型及其训练方法和系统 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
Shrestha et al. | A quantitative approach to evaluate image quality of whole slide imaging scanners | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
CN113226181B (zh) | 在x射线锥形束计算机断层扫描中校准x射线投影几何形状的方法 | |
CN112308764A (zh) | 图像配准方法及装置 | |
CN115222805B (zh) | 一种基于肺癌影像的预期成像方法及装置 | |
JP2019208832A (ja) | 歯科分析システムおよび歯科分析x線システム | |
CN116158774B (zh) | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 | |
CN110478042B (zh) | 一种基于人工智能技术的介入手术导航装置 | |
CN111797902A (zh) | 一种基于图像数据分析的医学x线片放大率测量系统及方法 | |
US11727567B2 (en) | Method for generating synthetic X-ray images, control unit, and computer program | |
CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
CN111127371A (zh) | 图像增强参数自动优化方法、存储介质和x射线扫描装置 | |
CN117015799A (zh) | 检测x射线图像中的异常 | |
CN113962953A (zh) | 一种图像处理方法和系统 | |
JP2007526070A (ja) | 医療環境における幾何学的マッチングの検証のための方法、システム及びコンピュータプログラム | |
CN111227933A (zh) | 一种下颌角截骨术的预测和实时渲染系统 | |
CN111627554A (zh) | 一种基于深度卷积神经网络的骨折图像自动分类系统 | |
CN115192057B (zh) | 一种基于ct的复合成像方法及装置 | |
CN116725640B (zh) | 一种身体穿刺打印模板的构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |