CN115294110A - 扫描期的识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种CT扫描影像扫描期的识别方法和装置、电子设备和存储介质，其中该方法包括：获取CT扫描序列，并确定该CT扫描序列的扫描组织信息；基于扫描组织信息，识别该CT扫描序列的扫描期。该方法在识别扫描期时，可以考虑不同扫描组织的组织学特征差异，保证CT扫描影像扫描期识别的可靠性。

Description

扫描期的识别方法、装置、电子设备和存储介质

技术领域

本申请属于计算机数据处理技术领域，具体涉及一种CT扫描影像扫描期的识别方法、装置、电子设备和存储介质。

背景技术

医学影像阅片系统（Medical Imaging Reading System，MIRS）提供了针对医学影像阅片的多场景综合解决方案，实现了从影像管理到阅片管理整个业务流程的信息化和智能化。在整个业务流程中，智能阅片平台作为影像的阅片工具，可以对影像的上传审核阅片进行智能的统计管理，实时跟进影像状态和阅片进度，是MIRS的核心组成部分，而智能审核图像功能的一个关键需求是识别3D扫描影像的扫描期。

公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，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

本申请的目的在于提供一种CT扫描影像扫描期的识别方法，其用于解决智能审核图像功能中需要识别3D扫描影像的扫描期的问题。

为实现上述目的，本申请提供了一种CT扫描影像扫描期的识别方法，所述方法包括：

获取CT扫描序列，并确定所述CT扫描序列的扫描组织信息；

基于所述扫描组织信息，识别所述CT扫描序列的扫描期。

一实施例中，在所述扫描组织信息为第一预设类型时，所述方法包括：

计算所述CT扫描序列的各影像中扫描组织的面积；

基于所述扫描组织的面积和CT扫描序列的扫描方向，确定所述CT扫描序列中的参考部位影像；

基于所述参考部位影像和第一神经网络模型，确定所述CT扫描序列的扫描期。

一实施例中，计算所述CT扫描序列的各影像中扫描组织的面积，具体包括：

对所述CT扫描序列的各影像进行二值化处理，以获得二值化影像；

将所述二值化影像中面积最大的连通区域的面积，确定为扫描组织的面积。

一实施例中，基于所述扫描组织的面积和CT扫描序列的扫描方向，确定所述CT扫描序列中的参考部位影像，具体包括：

在所述CT扫描序列的扫描方向上，将扫描组织的面积在第一个波谷处时对应的影像，确定位第一基准部位影像；

在所述CT扫描序列的扫描方向上，将所述第一基准部位影像后扫描组织的面积在第一个波峰处时对应的影像，确定为第二基准部位影像；

基于所述第一基准部位影像和第二基准部位影像，确定所述参考部位影像。

一实施例中，基于所述参考部位影像和第一神经网络模型，得到所述CT扫描序列的扫描期，具体包括：

对所述参考部位影像进行二值化处理，以获得二值化影像；

基于所述二值化影像中的像素值和行列坐标，确定所述参考部位影像的重心；

以所述参考部位影像的重心为中心，切割所述参考部位影像中预设面积的感兴趣区域；

将所述参考部位影像的感兴趣区域输入所述第一神经网络模型，得到所述CT扫描序列的扫描期。

一实施例中，在所述扫描组织信息为第一预设类型或第二预设类型时，所述方法包括：

从所述CT扫描序列的各影像中分别分割出扫描组织区域影像；

对各所述扫描组织区域影像进行各向同分辨率的重采样，以获得投影基准影像；

基于各所述投影基准影像进行投影，以获得二维组织区域影像；

基于所述二维组织区域影像和第二神经网络模型，得到所述CT扫描序列的扫描期。

一实施例中，从所述CT扫描序列的各影像中分别分割出扫描组织区域影像，具体包括：

对所述CT扫描序列的各影像进行二值化处理，以获得二值化图像；

去除所述二值化影像中面积非最大的连通区域，以获得扫描组织区域影像；或，

将所述CT扫描序列的各影像输入第三神经网络，得到去骨组织影像；

对所述各去骨组织影像进行二值化处理，以获得二值化图像；

去除所述二值化影像中面积非最大的连通区域，以获得扫描组织区域影像。

一实施例中，在从所述CT扫描序列的各影像中分别分割出扫描组织区域影像之前，还包括：

将所述CT扫描序列的各影像在扫描方向上重采样到预设扫描间距。

一实施例中，所述第二预设类型包括非头颈部组织类型。

一实施例中，所述第一预设类型包括头部组织类型、颈部组织类型、以及头颈部组织类型中的至少一种。

本申请还提供一种CT扫描影像扫描期的识别装置，包括：

获取模块，用于获取CT扫描序列，并确定所述CT扫描序列的扫描组织信息；

识别模块，用于基于所述扫描组织信息，识别所述CT扫描序列的扫描期。

本申请还提供一种电子设备，包括：

至少一个处理器；以及

存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的CT扫描影像扫描期的识别方法。

本申请还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的CT扫描影像扫描期的识别方法。

与现有技术相比，根据本申请的CT扫描影像扫描期的识别方法，基于扫描组织信息识别CT扫描序列的扫描期，可以考虑不同扫描组织的组织学特征差异，保证CT扫描影像扫描期识别的可靠性。

另一个方面，在扫描组织信息为第一预设类型时，可以通过CT扫描序列中选取的参考部位影像进行扫描期识别，特别在对头部、颈部、头颈部的CT扫描序列识别中，可以提供较高的识别效率。

另一个方面，在扫描组织信息为第二预设类型时，可以将CT扫描序列中各影像投影为二维组织区域影像，不同位置的影像信息可以互相印证并影响判断，特别在除头颈部以外的CT扫描序列识别中，可以给出具有较高可信度的扫描期识别结果。

附图说明

图1是本申请CT扫描影像扫描期的识别方法应用的场景示意图；

图2是根据本申请一实施例CT扫描影像扫描期的识别方法的流程图；

图3是根据本申请又一实施例CT扫描影像扫描期的识别方法的流程图；

图4是根据本申请又一实施例CT扫描影像扫描期的识别方法的流程图；

图5是根据本申请一实施例CT扫描影像扫描期的识别方法中，头颈部CT扫描影像的示意图；

图6是根据本申请一实施例CT扫描影像扫描期的识别方法中，头颈部CT扫描影像的扫描组织面积分布图；

图7是根据本申请一实施例CT扫描影像扫描期的识别方法中，从参考部位影像中切割感兴趣区域的示意图；

图8是根据本申请一实施例CT扫描影像扫描期的识别方法中，对影像进行去骨和去床区域的示意图；

图9是根据本申请一实施例CT扫描影像扫描期的识别方法中，投影得到的二维组织区域影像示意图；

图10根据本申请一实施例CT扫描影像扫描期的识别装置的模块图；

图11是根据本申请一实施例电子设备的硬件结构图。

具体实施方式

以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

CT平扫和增强CT扫描是CT检查的两个重要分类。其中，CT平扫又称普通扫描，是指静脉内不给含碘造影剂的扫描。CT平扫下，人体内的血管和软组织以及常见的肝脏，肾脏，脾等器官对X射线的吸收能力比较接近，根据CT成像原理，CT平扫这些组织或者器官具有相近的灰度值，因此，如果要观察病变，CT平扫并不能提供较好的对比度。

增强CT通过在静脉注射造影剂（一种相对于人体组织具有更强的吸收X射线能力的液体），检查时，造影剂随着人体的血液循环会进入动脉、静脉、肝动脉、肝静脉、肾动脉、肾静脉以及新陈代谢后期进入输尿管。由于癌变或者病变组织的供血非常活跃，所以造影剂会跟踪供血循环到达病变区域，因此使用造影剂会增强病变组织的对比度，从而从CT影像上更容易准确观察到病变组织位置、大小等。

在增强扫描中，扫描期对应造影剂到达人体不同部位的时期，方便观察不同部位的病变。例如，在扫描期中的动脉期，造影剂充盈于动脉系统中，动脉血管以及血供丰富的器官得到造影剂强化；在扫描期中的静脉期，其相对于动脉期更靠后，肝门静脉得到造影剂强化，此时非常利于观察肝脏部位的病变；在扫描期中的平衡期，造影剂重新分布于门静脉、下腔静脉以及腹主动脉，此时在静脉系统和动脉系统中都可以看到造影剂的充盈；在扫描期中的延迟期，血管内造影剂减少，但如果有肿瘤等富血管组织，其内的造影剂衰退比较慢，此时利于观察这类富血管组织。

CT平扫和增强CT扫描在不同场景的检查中，都有广泛的应用，增强CT扫描的不同扫描期的识别则对于观察特定部位病变的时机选择也非常重要。因此，在本申请的一些实施例中，期望区分CT平扫以及增强CT扫描；又或者，更进一步地，区分增强CT扫描的不同扫描期。对应地，在本申请的各实施例中，所提及的扫描期可以是指平扫和增强扫描、或者是指平扫和增强扫描中不同的扫描期、或者仅是指增强扫描中的不同的扫描期。

在进行人工图像质量监控阅片过程中，影像质量质检员需要使用DICOM VIEWER一类的医学影像浏览器加载3D图像切片，并反复浏览多张3D图像切片对比多器官的影像来确认该扫描隶属于哪个扫描期。然而，在一些场景中，同一扫描序列下可能有多达数百张的图像切片，影像质量质检员浏览这些图像切片，根据经验和一些数字信息、以及图像的协议产生的标签信息对图像的扫描期进行判断和分类，然后在网页或者其它同类型工具对该扫描序列进行标记，在效率和准确率上对人工阅片都是极大的挑战。因而，在MIRS系统中，期望能够实现CT扫描影像扫描期的智能识别。

参图1，在本申请应用的一个典型系统架构中，可以包括服务器和终端。用户可以使用终端与服务器交互，以接收或者发送消息等。本申请公开的CT扫描影像扫描期的识别方法可以由服务器执行，相应地，本申请公开的CT扫描影像扫描期的识别装置可以设置于服务器中。

用户可以通过终端指示服务器接收CT扫描序列，服务器在接收到CT扫描序列后，执行相应的识别方法，从而识别出与该CT扫描序列对应的扫描期。

在一些场景下，服务器在执行相应的识别方法时，可以首先确定CT扫描序列的扫描组织信息，并基于扫描组织信息，识别CT扫描序列的扫描期，也即CT扫描序列的扫描组织信息可以是由服务器执行相应识别方法时自动确定。

在另一些场景下，服务器也可以是选择性地不对CT扫描序列的扫描组织信息进行自动确定，并例如由操作人员选定当前序列对应的扫描组织信息。以扫描组织信息包括第一预设类型和第二预设类型为例，本申请的各实施例还可以是提供分别针对第一预设类型和第二预设类型的CT扫描影像扫描期的识别方法。当操作人员选定当前序列的扫描组织信息为第一预设类型时，服务器执行针对第一预设类型的CT扫描影像扫描期的识别方法；类似地，当操作人员选定当前序列的扫描组织信息为第二预设类型时，服务器执行针对第二预设类型的CT扫描影像扫描期的识别方法。

当然，在一些系统架构中，本申请公开的CT扫描影像扫描期的识别方法也可以由能够与终端设备通信的服务器集群执行，相应地，本申请公开的CT扫描影像扫描期的识别装置可以设置于服务器集群中。

在终端可提供相匹配算力的系统架构中，本申请公开的CT扫描影像扫描期的识别方法也可以直接由终端执行，相应地，本申请公开的CT扫描影像扫描期的识别装置可以设置于终端中。

参图2，介绍本申请CT扫描影像扫描期的识别方法的一实施例。在本实施例中，该方法包括：

S11、获取CT扫描序列，并确定所述CT扫描序列的扫描组织信息。

本实施例中，CT扫描序列可以是被保存为DICOM图像（即DICOM文件）。DICOM文件的保存方式为，一幅CT扫描序列中的医学影像（image）对应保存为一个DICOM文件，如果采集一个影像序列（image series），比如一个脑部的影像序列，或者一个全身的影像序列，则会被保存为相应数量的DICOM文件。这里一个DICOM文件指保存为了一个独立文件（例如后缀为*.dcm的文件）。其中，每个DICOM文件的影像数据对应医学图像序列内一个影像切片（slice）的影像。

以DICOM 3.0标准为例，每一张医学影像中都携带着大量的信息，这些信息具体可以分为以下四类：Patient（病人）、Study（指定检查）、Series（检查的序列）、Image（医学影像）。

Patient中包含了病人的基本信息（例如姓名、性别、年龄等）和医生指定的检查Study；Study中包含了检查类型（例如电子计算机断层扫描CT，核磁共振检查MR，超声波检查等）和指定检查的序列Series；Series中包含检查的技术条件（例如，毫安，视场角FOV，层厚等）和影像Image。

一个CT影像的检查的序列Series通常包括Group（标签组），Element（要素值），Title（标签描述），Value（具体的值）。示范性地，表①示出了其中的部分项目。

表①

Group	Element	Title
			0008	0060	检查模态（MR/CT）
0018	0015	身体部位

一些实施例中，可以是读取检查的序列Series中0018标签组Group中0015要素值Element的值Value，确定CT扫描序列的扫描组织信息。示范性地，这里DICOM文件中各要素值Element的值Value可以是利用PYTHON程序中的PYDICOM库进行读取。

在另一些实施例中，还可以是基于机器学习的方法对CT扫描序列中的各影像进行分类，并基于分类的结果确定CT扫描序列的扫描组织信息。

示范性地，可以基于深度神经网络模型和影像样本进行分类训练，训练完成后的深度神经网络模型可以将影像分类为人体的各组织类型：头部影像、颈部影像、胸部影像、膝关节影像等。例如，若深度神经网络模型识别一个CT扫描序列中包括头部影像和颈部影像，则可以确定该CT扫描序列为头颈部组织的扫描序列。

在本申请的实施例中，从扫描组织的组织学特性出发，可以将扫描组织信息区分为两类：第一预设类型和第二预设类型。对应到具体的扫描组织，第一预设类型可以是包括头部组织类型、颈部组织类型、以及头颈部组织类型中的至少一种，第二预设类型可以是包括非头颈部组织类型。

S12、基于扫描组织信息，识别CT扫描序列的扫描期。

本实施例中，扫描组织信息可以视为选择不同的识别方法对CT扫描序列进行识别的“标签”。具体地：

①扫描组织信息为第一预设类型

S211、计算CT扫描序列的各影像中扫描组织的面积。

配合参图3，CT扫描序列的影像中，通常会包括扫描组织以及CT扫描机器中床两部分的影像。在计算影像中扫描组织的面积时，可以是首先识别出影像中扫描组织和床对应的影像区域。

具体地，可以首先对CT扫描序列的各影像进行二值化处理，以获得二值化影像。

一实施例中，将CT扫描序列的影像二值化可以是基于下述公式：

image[i,j] < threshold , image[i,j] = 0

image[i, j] >= threshold, image[i, j] = 1

其中，image[i,j]表示影像中各像素点的灰度值，threshold , image[i,j]表示预设的灰度值阈值。

由于CT扫描序列的影像中，除了扫描组织和床外，其它部分区域为空气，而空气部分通常具有较小的灰度值。因此，通过设置合理的灰度值阈值，可以首先将扫描组织和床相对于空气部分进行区分，得到扫描组织和床部分区域的像素被标记为1、其它部分区域的像素被标记为0的二值化图像。

其次，将二值化影像中面积最大的连通区域的面积，确定为扫描组织的面积。

对于CT扫描序列的影像而言，扫描组织和床部分区域是两个连通区域，相对地，扫描组织部分区域是影像中面积最大的连通区域。因此，可以直接将二值化影像中面积最大的连通区域的面积，确定为对应影像中扫描组织的面积。

S212、基于扫描组织的面积和CT扫描序列的扫描方向，确定CT扫描序列中的参考部位影像。

配合参图5和图6，对于第一预设类型对应的头颈部组织而言，在CT扫描序列的扫描方向上，其扫描组织的面积通常是变化的（参图5中序号A-B-C-D）。一个典型的头颈部组织的扫描中，通常有类似如图6所示走势的扫描组织面积分布曲线，其中，图6中横坐标为序列号，纵坐标为扫描组织的面积。

可以看出，该扫描组织的面积曲线在扫描方向上会有一个波谷，在该波谷之后会一个波峰。对应到人体组织学特征上，表示出CT扫描时从胸颈部逐渐朝向头部扫描时，人体组织在CT扫描序列的影像中的面积变化趋势。而上述的“波谷”即对应人体组织的“颈部最细位置”，“波峰”即对应人体组织的“头部脑围最大位置”。

对应地，可以在CT扫描序列的扫描方向上，将扫描组织的面积在第一个波谷处时对应的影像，确定位第一基准部位影像；并在CT扫描序列的扫描方向上，将第一基准部位后扫描组织的面积在第一个波峰处时对应的影像，确定为第二基准部位影像，最终基于第一基准部位影像和第二基准部位影像，确定参考部位影像。

第一基准部位影像即为上述人体组织的颈部最细位置处的影像，第二基准部位影像即为上述人体组织的头部脑围最大位置处的影像。相对于头颈部其它部分的影像而言，第一基准部位影像和第二基准部位影像可以包括更多的可参考信息，基于第一基准部位影像和第二基准部位影像确定参考部位影像，可以提高在后分析的可靠性和准确度。

本实施例中，参考部位影像可以是在扫描方向上，位于第一基准部位影像和第二基准部位影像前后相邻位置的影像。

例如，可以在第一基准部位影像前后分别选取1张与基准部位影像相邻的图像，在第二基准部位影像前后分别选取1张与基准部位影像相邻的图像，这些选取的影像与第一基准部位影像、第二基准部位影像共同作为参考部位影像，也即参考部位影像的数量为6张。

又例如，可以在第一基准部位影像前后分别选取1张与基准部位影像相邻的图像，在第二基准部位影像前后分别选取2张与基准部位影像相邻的图像，这些选取的影像与第一基准部位影像共同作为参考部位影像，也即参考部位影像的数量为7张。

在一些实施例中，扫描期的识别可以是基于参考部位影像进行“投票”。例如，7张参考部位影像中，有4张被识别为动脉期，3张被识别为静脉期，则该7张参考部位影像对应的CT扫描序列会被确定为动脉期。可以看出，在这样的实施例中，参考部位影像的数量选取为奇数张，将更有利于此时扫描期识别时的投票。

在另一些实施例中，还可以对参考部位影像中的各影像设置权重。例如，对于参考部位影像中是原第一基准部位影像或第二基准部位影像的，设置更高的权重。在这样的实施例中，参考部位影像的数量选取也可以为偶数张。

S213、基于参考部位影像和第一神经网络模型，得到CT扫描序列的扫描期。

对于参考部位影像而言，其中除了包括用于表征其增强平扫图像的血管位置，还存在可能影响识别判断的影像信息。因此，在本实施例中，可以进一步基于参考部位影像切割感兴趣区域（region of interest，ROI）。

具体地，可以首先对参考部位影像进行二值化处理，以获得二值化影像。类似地，这里的二值化处理可以是基于下述公式：

image[i,j] < threshold , image[i,j] = 0

image[i, j] >= threshold, image[i, j] = 1

其中，image[i,j]表示影像中各像素点的灰度值，threshold , image[i,j]表示预设的灰度值阈值。

其次，基于二值化影像中的像素值和行列坐标，确定参考部位影像的重心。这里重心的求取可以是基于下述公式：

Center of row =

Center of column =

其中，Center of row为行方向重心，Center of column为列方向重心，

是影像中（i，j）点的像素值，i是像素点的行坐标，j是像素点的列坐标。

像素值的获取可以是基于DICOM文件中标签PixelData（7FE0，0010）的像素数据。

接着，以参考部位影像的重心为中心，切割该参考部位影像中预设面积的感兴趣区域。

感兴趣区域的形状可以根据需要进行设置为矩形、圆形等。并且，感兴趣区域的预设面积可以是基于头颈部组织有效区域的面积统计数据进行设置。

配合参图7，例如，在一张参考部位影像中，可以以其重心为中心，切割90mm*90mm至130mm*130mm的矩形区域作为感兴趣区域。

最后，将这些参考部位影像的感兴趣区域输入第一神经网络模型，得到CT扫描序列的扫描期。

②扫描组织信息为第二预设类型

S221、从CT扫描序列的各影像中分别分割出扫描组织区域影像。

配合参图4，第二预设类型对应非头颈部组织类型，在本申请实施例的考量中，头颈部以外区域扫描期的识别相对需要更多的参考信息。

对于人体而言，胸部、腹部、盆腔等部位的血管和器官组织相对于头颈部更丰富。若仅基于较少数量的参考影像，例如，仅选取一个位置或者一个器官组织的对应影像作为参考影像，则可能不能达到满意的扫描期识别结果。

因此，在本实施例中，期望对CT扫描序列中包括整个胸部、腹部或者盆腔在每张影像上的信息进行综合利用。如此，不同位置的影像信息可以互相印证并影响判断，从而给出具有较好可信度的扫描期识别结果。

在一些应用场景中，考虑到计算资源的限制，可以在分割扫描组织区域影像之前，先将CT扫描序列的各影像在扫描方向上重采样到预设扫描间距。

例如，原始CT扫描序列中各影像之间的间距小于5mm，则可以以5mm作为预设扫描间距，对各影像进行重采样。示范性地，若原始CT扫描序列中各影像之间的间距为2.5mm，则可以对相邻的每两层影像做一次平均。

可以理解的是，在计算资源充足的场景中，这里对CT扫描序列中各影像的重采样可以是可选的。

在利用CT扫描序列中每张影像上的信息作为识别依据时，可以是基于多种不同的影像预处理方式，并对应到不同的扫描期识别模型的训练样本。

例如，可以将多张影像直接作为扫描期识别模型的输入，此时的扫描期识别模型应当同样基于多个序列的多张影像切片进行训练。又例如，可以将多张影像投影为二维组织区域影像后，作为扫描期识别模型的输入，此时的扫描期识别模型应当同样基于多个序列的多张影像投影所得的二维组织区域影像进行训练。

配合参图8，本实施例中，可以选择基于CT扫描序列的各影像投影获得的二维组织区域影像，进行扫描期的识别。对应地，由于投影操作是沿着影像的列方向进行投影，为了强化软组织、造影剂的投影结果，可以将投影方向上的其它灰度值比较大得干扰因素抑制掉，例如骨头和床，从而达到理想的提高软组织和造影剂对比度的投影效果。

具体地，可以首先将CT扫描序列的各影像输入第三神经网络，得到去骨组织影像。

一实施例中，第三神经网络可以例如是UNet网络。典型的UNet网络结构是一个对称的网络结构，包含左侧和右侧两条路径。

左侧的路径可以视为一个编码器，也可以称为上采样处理路径，其包括五个卷积子模块，每个子模块包括两个卷积层和ReLU层。每个子模块之后通过最大池化实现的下采样层。卷积子模块用于提取特征，最大池化层用于降低维度，每次最大池化层之后输出的特征图像的分辨率变为一半。最后一个卷积子模块输出的特征图不经过最大池化，直接被输入到右侧的解码器。

右侧的路径可以视为一个解码器，也可以称为下采样处理路径，包含与编码器基本对称的结构，对输入的特征图执行卷积和上采样，逐步修复物体的细节和空间维度。

此外，UNet网络中还用到了特征融合，通过跳层连接的方式将在前下采样网络的特征与在后上采样的特征进行了拼接和融合以获得更准确的上下文信息，达到更好的分割效果。

另一些实施例中，第三神经网络还可以是利用UNet网络改造的DOUBLE-UNET、NESTED-UNET、UNET++等。

接着，将各去骨组织影像进行二值化处理，以获得二值化图像。这里的二值化处理过程可以参考上述实施例所述，在此不再赘述。

最后，去除二值化影像中面积非最大的连通区域，获得扫描组织区域影像。类似地，这里去除的面积非最大的连通区域主要为床的影像区域。

上述实施例中对去骨组织影像去除床的影像区域的操作可以理解为形态学操作。可以理解的，在替换的实施例中，也可以是先对CT扫描序列的各影像进行形态学操作去除床的影像区域，再利用第三神经网络去除骨头的影像区域，以同样得到扫描组织区域影像。

S222、对各扫描组织区域影像进行各向同分辨率的重采样，以获得投影基准影像。

对于CT扫描序列而言，其中各影像切片在扫描方向（也即身高方向）和切片内部的分辨率通常并不一致，直接投影会带来投影影像比例失真问题，也会对后续神经网络理解影像信息的准确率产生影响。

例如，影像切片在身高方向上每个像素是10mm，但是在切片内部的左右以及前后方向上每个像素是1mm。如此，在三维图像中，人体在高度方向上相当于被压缩，投影成二维图像之后也呈压缩状。因此，需要对各扫描组织区域影像进行各向同分辨率的重采样，以使得各扫描组织区域影像在各向上均具有相同的分辨率。

示范性地，一个影像切片原始的三个方向（身高方向、左右方向、前后方向）的分辨率如果是[5mm, 0.5mm, 0.5mm]，重采样之后的分辨率就可以设置为[1mm, 1mm, 1mm]。此时的重采样在身高方向相当于上采样（需要更密的影像切片），而在左右或者前后方向是降采样（过密的影像切片被平均）。

S223、基于各投影基准影像进行投影，以获得二维组织区域影像。

配合参照图9，这里的投影所得的二维组织区域影像可以是冠状位影像，也即CT扫描序列高度方向上的投影。具体的投影算法可以例如是最大强度投影（Maximal IntensityProjection，MaxIP）算法，最大强度投影算法是将扫描序列沿着视线方向上的采样的最大值作为绘制影像相应位置处的像素值，这样可以对体数据中高灰度值的结构进行可视化。

在替换的实施例中，根据应用场景的需要，这里的二维组织区域影像还可以是例如基于均值投影（Average Intensity Projection，AvgIP）算法、中值投影(MedianIntensity Projection，MedIP)算法等获得。

S224、基于二维组织区域影像和第二神经网络模型，得到CT扫描序列的扫描期。

在本申请的各实施例中，用于CT扫描序列识别的第一神经网络、第二神经网络可以是利用多种卷积神经网络进行训练和构建。示范性地，一个典型的网络结构包括前后连接的：输入层-卷积层-池化层-卷积层-池化层-全连接层-分类器，输入层、卷积层以及结尾的分类器是类似神经网络的通用结构，并可以根据具体的使用场景，也即分类效果，适应性调节中间层的架构。

在第一神经网络、第二神经网络的训练过程中，通过输入去除骨头、床等区域的影像样本，可观察到的平扫、增强，以及进一步的动脉期、静脉期、延迟期、平衡期的特征被凸显。神经网络通过卷积层的参数迭代获得这些特征，并输出相应的分类。在此过程中，产生影像到分类的映射关系，大量的训练数据将使得这种映射关系具有正确率高的通用性，从而在新的影像数据上也具备可信的预测准确率。

在以上的实施例中，介绍了对于头颈部组织和非头颈部组织对应的CT扫描序列进行扫描期识别的不同实现方式。在本申请提供的另一些实施例中，对于头颈部组织（也即扫描组织信息为第一预设类型时），也可以类似地采用上述扫描组织信息为第二预设类型时扫描期的识别方法。在这样的实施例中，考虑到组织学的差异，对于CT扫描序列中的各影像，也可以只利用形态学操作去除床的影像区域，而并不考虑去除骨头的影像区域。

具体地，可以对CT扫描序列的各影像进行二值化处理，以获得二值化图像，并去除此时二值化影像中面积非最大的连通区域，以获得扫描组织区域影像。这里二值化处理的具体方法可以参考上述实施例所述，在此不再赘述。

参图10，介绍本申请CT扫描影像扫描期的识别装置的一实施例。在本实施例中，该CT扫描影像扫描期的识别装置包括获取模块21和识别模块22。

获取模块21用于获取CT扫描序列，并确定CT扫描序列的扫描组织信息；识别模块22用于基于扫描组织信息，识别CT扫描序列的扫描期。

一实施例中，在扫描组织信息为第一预设类型时，识别模块22用于计算CT扫描序列的各影像中扫描组织的面积；基于扫描组织的面积和CT扫描序列的扫描方向，确定CT扫描序列中的参考部位影像；基于参考部位影像和第一神经网络模型，得到CT扫描序列的扫描期。

一实施例中，识别模块22具体用于对CT扫描序列的各影像进行二值化处理，以获得二值化影像；将二值化影像中面积最大的连通区域的面积，确定为扫描组织的面积。

一实施例中，识别模块22具体用于在CT扫描序列的扫描方向上，将扫描组织的面积在第一个波谷处时对应的影像，确定位第一基准部位影像；在CT扫描序列的扫描方向上，将第一基准部位影像后扫描组织的面积在第一个波峰处时对应的影像，确定为第二基准部位影像；基于第一基准部位影像和第二基准部位影像，确定参考部位影像。

一实施例中，识别模块22具体用于基于参考部位影像和第一神经网络模型，得到CT扫描序列的扫描期，具体包括：对参考部位影像进行二值化处理，以获得二值化影像；基于二值化影像中的像素值和行列坐标，确定参考部位影像的重心；以参考部位影像的重心为中心，切割参考部位影像中预设面积的感兴趣区域；将参考部位影像的感兴趣区域输入第一神经网络模型，得到CT扫描序列的扫描期。

一实施例中，在扫描组织信息为第一预设类型或第二预设类型时，识别模块22用于从CT扫描序列的各影像中分别分割出扫描组织区域影像；对各扫描组织区域影像进行各向同分辨率的重采样，以获得投影基准影像；基于各投影基准影像进行投影，以获得二维组织区域影像；基于二维组织区域影像和第二神经网络模型，得到CT扫描序列的扫描期。

一实施例中，识别模块22具体用于对CT扫描序列的各影像进行二值化处理，以获得二值化图像；去除二值化影像中面积非最大的连通区域，以获得扫描组织区域影像；或，将CT扫描序列的各影像输入第三神经网络，得到去骨组织影像；对各去骨组织影像进行二值化处理，以获得二值化图像；去除二值化影像中面积非最大的连通区域，以获得扫描组织区域影像。

一实施例中，在从CT扫描序列的各影像中分别分割出扫描组织区域影像之前，识别模块22还用于将CT扫描序列的各影像在扫描方向上重采样到预设扫描间距。

一实施例中，第二预设类型包括非头颈部组织类型。

一实施例中，第一预设类型包括头部组织类型、颈部组织类型、以及头颈部组织类型中的至少一种。

如上参照图1至图9，对根据本说明书实施例CT扫描影像扫描期的识别方法进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书实施例的CT扫描影像扫描期的识别装置。上面的CT扫描影像扫描期的识别装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

图11示出了根据本说明书的实施例的电子设备的硬件结构图。如图5所示，电子设备30可以包括至少一个处理器31、存储器32(例如非易失性存储器)、内存33和通信接口34，并且至少一个处理器31、存储器32、内存33和通信接口34经由内部总线35连接在一起。至少一个处理器31执行在存储器32中存储或编码的至少一个计算机可读指令。

应该理解，在存储器32中存储的计算机可执行指令当执行时使得至少一个处理器31进行本说明书的各个实施例中以上结合图1至图9描述的各种操作和功能。

在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理（PDA）、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。

根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-图7描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本说明书的保护范围应当由所附的权利要求书来限定。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理客户实现，或者，有些单元可能分由多个物理客户实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。

上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所对应的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (13)

1.一种CT扫描影像扫描期的识别方法，其特征在于，所述方法包括：

获取CT扫描序列，并确定所述CT扫描序列的扫描组织信息；

基于所述扫描组织信息，识别所述CT扫描序列的扫描期。

2.根据权利要求1所述的CT扫描影像扫描期的识别方法，其特征在于，在所述扫描组织信息为第一预设类型时，所述方法包括：

计算所述CT扫描序列的各影像中扫描组织的面积；

基于所述扫描组织的面积和CT扫描序列的扫描方向，确定所述CT扫描序列中的参考部位影像；

基于所述参考部位影像和第一神经网络模型，确定所述CT扫描序列的扫描期。

3.根据权利要求2所述的CT扫描影像扫描期的识别方法，其特征在于，计算所述CT扫描序列的各影像中扫描组织的面积，具体包括：

对所述CT扫描序列的各影像进行二值化处理，以获得二值化影像；

将所述二值化影像中面积最大的连通区域的面积，确定为扫描组织的面积。

4.根据权利要求2所述的CT扫描影像扫描期的识别方法，其特征在于，基于所述扫描组织的面积和CT扫描序列的扫描方向，确定所述CT扫描序列中的参考部位影像，具体包括：

在所述CT扫描序列的扫描方向上，将扫描组织的面积在第一个波谷处时对应的影像，确定位第一基准部位影像；

在所述CT扫描序列的扫描方向上，将所述第一基准部位影像后扫描组织的面积在第一个波峰处时对应的影像，确定为第二基准部位影像；

基于所述第一基准部位影像和第二基准部位影像，确定所述参考部位影像。

5.根据权利要求2所述的CT扫描影像扫描期的识别方法，其特征在于，基于所述参考部位影像和第一神经网络模型，得到所述CT扫描序列的扫描期，具体包括：

对所述参考部位影像进行二值化处理，以获得二值化影像；

基于所述二值化影像中的像素值和行列坐标，确定所述参考部位影像的重心；

以所述参考部位影像的重心为中心，切割所述参考部位影像中预设面积的感兴趣区域；

将所述参考部位影像的感兴趣区域输入所述第一神经网络模型，得到所述CT扫描序列的扫描期。

6.根据权利要求1所述的CT扫描影像扫描期的识别方法，其特征在于，在所述扫描组织信息为第一预设类型或第二预设类型时，所述方法包括：

从所述CT扫描序列的各影像中分别分割出扫描组织区域影像；

对各所述扫描组织区域影像进行各向同分辨率的重采样，以获得投影基准影像；

基于各所述投影基准影像进行投影，以获得二维组织区域影像；

基于所述二维组织区域影像和第二神经网络模型，确定所述CT扫描序列的扫描期。

7.根据权利要求6所述的CT扫描影像扫描期的识别方法，其特征在于，从所述CT扫描序列的各影像中分别分割出扫描组织区域影像，具体包括：

对所述CT扫描序列的各影像进行二值化处理，以获得二值化图像；

去除所述二值化影像中面积非最大的连通区域，以获得扫描组织区域影像；或，

将所述CT扫描序列的各影像输入第三神经网络，得到去骨组织影像；

对所述各去骨组织影像进行二值化处理，以获得二值化图像；

去除所述二值化影像中面积非最大的连通区域，以获得扫描组织区域影像。

8.根据权利要求6或7所述的CT扫描影像扫描期的识别方法，其特征在于，在从所述CT扫描序列的各影像中分别分割出扫描组织区域影像之前，还包括：

将所述CT扫描序列的各影像在扫描方向上重采样到预设扫描间距。

9.根据权利要求6或7所述的CT扫描影像扫描期的识别方法，其特征在于，所述第二预设类型包括非头颈部组织类型。

10.根据权利要求2至7任一项所述的CT扫描影像扫描期的识别方法，其特征在于，所述第一预设类型包括头部组织类型、颈部组织类型、以及头颈部组织类型中的至少一种。

11.一种CT扫描影像扫描期的识别装置，其特征在于，包括：

获取模块，用于获取CT扫描序列，并确定所述CT扫描序列的扫描组织信息；

识别模块，用于基于所述扫描组织信息，识别所述CT扫描序列的扫描期。

12.一种电子设备，包括：

至少一个处理器；以及

存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至10任一项所述的CT扫描影像扫描期的识别方法。

13.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至10任一项所述的CT扫描影像扫描期的识别方法。

Images