CN115294232B - 重建算法的识别方法、装置、电子设备和存储介质 - Google Patents
重建算法的识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115294232B CN115294232B CN202211205697.7A CN202211205697A CN115294232B CN 115294232 B CN115294232 B CN 115294232B CN 202211205697 A CN202211205697 A CN 202211205697A CN 115294232 B CN115294232 B CN 115294232B
- Authority
- CN
- China
- Prior art keywords
- scanning
- image
- reconstruction algorithm
- value
- noise value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000002591 computed tomography Methods 0.000 claims abstract description 145
- 239000010410 layer Substances 0.000 claims abstract description 12
- 239000002356 single layer Substances 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 25
- 210000004072 lung Anatomy 0.000 claims description 20
- 210000000988 bone and bone Anatomy 0.000 claims description 14
- 210000004872 soft tissue Anatomy 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种CT扫描影像重建算法的识别方法和装置、电子设备和存储介质,其中该方法包括:获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;读取CT扫描影像的扫描信息,对基准噪声值进行校正,以获得校正噪声值,其中,扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;基于校正噪声值和参考噪声阈值,确定CT扫描影像的重建算法。该方法可以实现对CT扫描影像重建算法的智能识别,为智能审核图像提供了可能。
Description
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扫描影像重建算法的识别方法、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扫描影像的重建算法。
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扫描影像重建算法的识别方法,其用于解决智能审核图像功能中需要识别3D扫描影像的重建算法的问题。
为实现上述目的,本申请提供了一种CT扫描影像重建算法的识别方法,所述方法包括:
获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;
读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,其中,所述扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;
基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法。
一实施例中,获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值,具体包括:
从所述CT扫描影像中分割出空气区域;
在所述空气区域中选定预设面积的参考区域,并以所述参考区域的灰度值计算所述基准噪声值。
一实施例中,所述方法包括:
计算所述参考区域灰度值的标准方差,并确定为所述基准噪声值;
和/或,
基于所述CT扫描影像中各区域的CT值分割其中的空气区域。
一实施例中,读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,具体包括:
基于所述基准噪声值,建立所述校正噪声值与所述扫描信息的正比依赖关系,以获得所述校正噪声值。
一实施例中,所述校正噪声值的计算公式为:
一实施例中,所述CT扫描影像为DICOM图像;
读取所述CT扫描影像的扫描信息,具体包括:
读取所述CT扫描影像的标签,以获得所述CT扫描影像的扫描信息。
一实施例中,所述方法包括:
获取若干CT扫描影像样本,其中,所述CT扫描影像样本标记有对应的重建算法标签;
基于所述若干CT扫描影像样本的校正噪声值和重建算法标签,建立二维散点图;
基于所述二维散点图进行kmeans分类,以确定所述参考噪声阈值。
一实施例中,基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法,具体包括:
在所述校正噪声值大于所述参考噪声阈值时,将所述CT扫描影像的重建算法确定为肺重建算法或骨重建算法;
在所述校正噪声值小于所述参考噪声阈值时,将所述CT扫描影像的重建算法确定为软组织重建算法。
本申请还提供一种CT扫描影像重建算法的识别装置,所述CT扫描影像重建算法的识别装置包括:
计算模块,用于获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;
校正模块,用于读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,其中,所述扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;
确定模块,用于基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法。
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扫描影像重建算法的识别方法。
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扫描影像重建算法的识别方法。
与现有技术相比,根据本申请的CT扫描影像重建算法的识别方法,利用CT扫描影像中空气区域的灰度值计算基准噪声值,并利用CT扫描影像的扫描信息对该基准噪声值进行校正,基于最终获得的校正噪声值和参考噪声阈值,可以实现对CT扫描影像的重建算法的智能识别,而无需人工参与,为智能审核图像提供了可能。
另一个方面,根据本申请的CT扫描影像重建算法的识别方法,创造性地从不同重建算法可能带来的影像噪声水平的变化角度出发,选取影像的空气区域噪声作为基准;同时,考虑可能影响噪声水平的物理因素,选取合适的影像扫描信息对空气区域噪声进行校正,从而直接获得可信的重建算法类型;相对于从多张影像的DICOM TAG信息中确认的方式,显著地提高了阅片效率和准确率。
附图说明
图1是本申请CT扫描影像重建算法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扫描影像重建算法的识别方法的流程图;
图3是根据本申请一实施例CT扫描影像重建算法的识别方法中,在CT扫描影像中确定参考区域的示意图;
图4根据本申请一实施例CT扫描影像重建算法的识别装置的模块图;
图5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。
3D扫描影像的扫描重建算法,也叫扫描窗,常见的扫描重建算法例如有软组织重建算法,肺重建算法以及骨重建算法等。其中,CT扫描的重建算法在临床上有重要的意义,例如,肺重建算法或者骨重建算法有助于观察肺叶部分高对比度和高分辨率的图像,从而更快速和早期的诊断肺部的病变;软组织重建算法对于观察人体的软组织,如血管、脑、肝脏等部位病变,有更好的对比度和分辨率。
具体而言,扫描重建算法中涉及窗宽和窗位的设置。窗宽指CT扫描影像所显示的CT 值范围,在此CT值范围内的组织结构按其密度高低从白到黑分为16个灰阶。例如,窗宽选定为100 HU,则人眼可分辨的CT值为100/16=6.25 HU,即两种组织CT值相差在6.25HU以上即可为人眼所识别。因此,窗宽的宽窄直接影响影像的清晰度与对比度。如果使用窄的窗宽,显示的CT值范围小,每一灰阶代表的CT值幅度小,对比度强,适于观察密度接近的组织结构(如脑组织)。反之,如果使用宽的窗宽,则显示的CT值范围大,每一灰阶代表的CT 值幅度大,图像对比度差,但密度均匀,适于观察密度差别大的结构。
窗位(窗中心)指窗宽范围内均值或中心值。例如,一幅CT扫描影像的窗宽为100HU、窗位为0HU,则以窗位为中心(0HU),向上包括+50HU,向下包括-50HU,凡在这个100HU范围内的组织均可显示出来并为人眼所识别。对于地,凡大于+50HU的组织均显示为白色,凡小于-50HU的组织均显示为黑色,其密度差异无法显示。人眼只能识别±50HU范围内的CT值,每一灰阶的CT值范围是100/16=6.25HU。
如上所述,扫描重建算法通过不同窗宽和窗位的设置,实现对不同组织产生不同的对比度和分辨率。
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,并逐张浏览图像来判断该扫描图像是否符合一定的重建算法要求。例如,对于肺部的扫描图像,大部分的项目需要肺部的肺重建算法图像,因为肺重建算法图像的分辨率更高,可以更清晰地观察肺部肺叶,更早的发现病变。
在上述的人工阅片过程中,需要分别打开每个序列图像进行检查。在阅片过程中,人工通常需要反复浏览多张3D图像切片以及读取DICOM TAG信息确认该扫描隶属于哪类扫描重建算法,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扫描影像重建算法的智能识别。
在本申请以下的一个或多个实施例中,从CT扫描的物理参数原理出发,结合影像噪声理解,量化CT扫描图像在不同重建算法下的噪声水平,并给出可用于识别扫描重建算法的校正噪声。基于这些实施例,可以在不同的系统场景中应用其进行CT扫描图像重建算法的自动识别。
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扫描影像重建算法的识别方法可以由服务器执行,相应地,本申请公开的CT扫描影像重建算法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扫描影像,服务器在这收到CT扫描影像后,执行相应的识别方法,从而识别出与该CT扫描影像对应的重建算法。在一些期望服务器的处理结果中,还可以对这些CT扫描影像标记对应的重建算法的标签,又或者,按照重建算法的不同,将这些CT扫描影像归类至不同重建算法存储目录下。
当然,在一些系统架构中,本申请公开的CT扫描影像重建算法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扫描影像重建算法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扫描影像重建算法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扫描影像重建算法的识别装置可以设置于终端中。
参图2,介绍本申请CT扫描影像重建算法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扫描影像,并基于其中的空气区域灰度值计算基准噪声值。
本实施例中,CT扫描影像可以是被保存为DICOM图像(即DICOM文件)。DICOM文件的保存方式为,一幅医学图像(image)对应保存为一个DICOM文件,如果采集一个医学图像序列(image series),比如一个脑部的图像序列,或者一个全身的医学图像序列,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文件的图像数据对应医学图像序列内一个图像切片(slice)的图像。
对于DICOM文件格式的CT扫描影像,其可能的像素值范围为0-4096。一些实施例中,可以是先将其转换为灰度级范围为0-255的灰度影像。
通常地,可以利用影像的RGB值来指定色彩,这其中,R、G、B的取值范围都是0-255。而影像的灰度化则是让影像中每个像素点矩阵中每个像素点都满足关系:R=G=B,该值即为灰度值。例如,RGB(100,100,100)就代表该影像中对应的像素点的灰度值为100,RGB(50,50,50)就代表该影像中对应的像素点的灰度值为50。
本实施例中,可以利用DICOM文件中的像素数据,对应转换为灰度值。而对于DICOM文件而言,其中的PixelData(7FE0,0010)标签代表像素数据,而对该像素数据使用归一化等方式可以将其映射到0-255范围的灰度级范围。
DICOM文件的头数据中包括多个数据元素(data element),每个数据元素包含四个项目:标签(Tag)、数值表示(VR,Value Representation)、数值长度(VL,Value Length)、数值(VF,Value Field)。例如,标签“Modality”代表了模态,其数值表示为“CS”,数值长度为“2”,数值可以是CT、MR等。示范性地,这里DICOM文件中各标签对应的数据可以是利用PYTHON程序中的PYDICOM库进行读取。
本实施例中,可以将CT扫描影像中空气区域灰度值的标准方差确定为基准噪声值。其中,在获取CT扫描影像中空气区域的灰度值时,可以是先将CT扫描影像中空气区域与其它区域(例如人体组织部分区域)进行分割。
具体地,可以是基于CT扫描影像中各区域的CT值分割其中的空气区域。以CT扫描影像为人体组织成像为例,可以依据人体组织与空气区域的CT值(单位:HU,Hounsfield)的不同,执行人体组织区域和空气区域的分割。
CT值用于衡量人体组织对X射线的吸收率,例如,水的CT值为0HU,空气在CT扫描影像中CT值分布在-1000HU左右,脂肪在CT扫描影像中CT值分布在-10~90HU左右,肝脾肾、脑实质等软组织在CT扫描影像中CT值分布在20~50HU左右,骨性组织在CT扫描影像中CT值一般大于300HU,骨皮质在CT扫描影像中CT值一般大于1000HU。
对于常见的CT扫描影像而言,CT值的范围通常分布于-1024-3071HU之间。在具体的分割过程中,可以先利用DICOM文件中标签PixelData(7FE0,0010)的像素数据转换出这里的CT值。一实施例中,转换公式如下:
其中,Hu代表像素的CT值,pixel代表标签PixelData(7FE0,0010)中的像素数据,rescale intercept代表标签rescale intercept(0028,1052)中数据,rescale slope代表标签rescale slope(0028,1053)中数据。
在本申请的实施例中,为了使得基准噪声值具有更高的参考一致性,可以进一步从上述分割出的空气区域中选定预设面积的参考区域,并以该参考区域的灰度值计算基准噪声值。
配合参图3,一实施例中,期望的参考区域的选择标准为:在全部为空气区域的影像范围内,可以选择到尽可能大的区域。以将DICOM文件转换为512*512大小的CT扫描影像为例,有效的人体组织基本集中在影像的中间区域,而除人体组织外的空气区域则可以作为参考区域的目标划定范围。具体确定过程中,例如可以以CT扫描影像中任意一个角为起始顶点,选定在历史CT扫描影像中均未与人体组织区域有重叠的矩形区域,作为这里的参考区域。
S12、读取CT扫描影像的扫描信息,对基准噪声值进行校正,以获得校正噪声值。
本实施例中,扫描信息可以包括CT扫描影像的层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个。
类似地,这些扫描信息也可以基于DICOM文件中对应的标签进行获取。例如,层厚对应标签SliceThickness(0x0018,0x1100)的字段值,重建视野对应标签ReconstructionDiamete(0x0018,0x1100)的字段值,扫描电压对应标签KVP(0x0018,0x0060)的字段值,扫描电流对应标签_XRayTubeCurrent(0x0018,0x1151)的字段值,扫描时间对应标签ExposureTime(0x0018,0x1150)的字段值。
在具体的校正过程中,可以是基于基准噪声值,建立校正噪声值与扫描信息的正比依赖关系,以获得校正噪声值。例如,可以基于扫描信息建立一个校正系数,并利用该校正系数与基准噪声值进行乘积计算,以获得校正噪声值。
一实施例中,矫正噪声值的计算公式为:
考虑不同的应用场景或者CT机器参数的差异,在不同的实施例中,上述的校正噪声值的计算公式还可以按照需求进行调整。示范性,例如:
或者,
S13、基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法。
在临床应用中,不同的重建算法对不同的组织会产生不同的分辨率。对于骨重建算法和肺重建算法而言,其所对应生成的影像的分辨率会更显著地提高,但同时会导致在软组织区域的影像的噪声也会较高,而高噪声的影像会影响在一些场景中的应用。例如,在需要利用CT扫描影像进行骨组织分割时,会显著降低分割的准确性。
因为上述的原因,在CT扫描影像的多个应用场景中,需要预先确定CT扫描影像所对应的重建算法,从而决定是否需要进一步对该CT扫描影像进行降噪处理。
本实施例中,考虑不同重建算法可能对应的影像噪声水平,确定CT扫描影像的重建算法的一个具体实施结果可以是:将CT扫描影像划分为①肺重建算法/骨重建算法、以及②软组织重建算法两大类。对应地,此时选取的参考噪声阈值可以是依据肺重建算法/骨重建算法、以及软组织重建算法所对应噪声水平确定。
当然,在一些实施例中,还可以是最终将CT扫描影像划分为①肺重建算法、②骨重建算法、③软组织重建算法三大类,并对应地依据肺重建算法、骨重建算法、以及软组织重建算法所对应噪声水平确定参考噪声阈值。
参考噪声阈值可以是基于历史CT扫描影像确定,例如,依赖阅片人员的经验,确定一个可信的参考噪声阈值;又或者,可以是基于机器学习的方式,从若干CT扫描影像样本中“学习”到一个可信的参考噪声阈值。
以机器学习的方式为例,可以首先获取若干CT扫描影像样本,这些CT扫描影像样本标记有对应的重建算法标签;其次,基于该若干CT扫描影像样本的校正噪声值和重建算法标签,建立二维散点图;最后,基于该二维散点图进行kmeans分类,以确定参考噪声阈值。
这里的CT扫描影像样本可以是一个或者多个影像序列中的影像切片,类似地,也可以是基于这些CT扫描影像样本的空气区域灰度值的标准方差计算基准噪声值,以及利用扫描信息对基准噪声值进行校正以获得这里CT扫描影像样本的校正噪声值。CT扫描影像样本的校正噪声值的具体确定步骤可以部分或全部地参考上述实施例,在此不再赘述。
在本实施例中,可以设定kmeans分类的聚类数目为2,也即理解为将二维散点图中的散点划分为两个不同的聚类。一个典型的聚类过程可以是:
①随机选取两个聚类中心点以生成两个簇;
②遍历二维散点图中所有的散点,并依据欧氏距离将每个数据点划分到距离其更近的簇;
③依据划分好的两个簇和其中散点之间欧氏距离的均值选举新的聚类中心点;
④迭代上述的过程②和③,直至两个簇中的一个只包括肺重建算法/骨重建算法标签的散点、另一个只包括软组织重建算法标签的散点。
以上述建立的二维散点图的横坐标为校正噪声、纵坐标为重建算法为例。聚类完成后,可以在横坐标上选定一校正噪声值,使得穿过该校正噪声值且垂直于横坐标的分割线距离该两个簇中最近的散点的距离相等,此时该选定的校正噪声值即可以作为参考噪声阈值。
本实施例中,可以基于参考噪声阈值和校正噪声值的大小比较,确定对应的CT扫描影像的重建算法。例如,当校正噪声值大于参考噪声阈值时,确定CT扫描影像为肺重建算法/骨重建算法;而当校正噪声值小于参考噪声阈值时,确定CT扫描影像为软组织重建算法。
参图4,介绍本申请CT扫描影像重建算法的识别装置的一实施例。在本实施例中,该医学图像序列的处理装置包括计算模块21、校正模块22、以及确定模块23。
计算模块21用于获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;校正模块22用于读取CT扫描影像的扫描信息,对基准噪声值进行校正,以获得校正噪声值,其中,扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;确定模块23用于基于校正噪声值和参考噪声阈值,确定CT扫描影像的重建算法。
一实施例中,计算模块21具体用于从CT扫描影像中分割出空气区域;以及在空气区域中选定预设面积的参考区域,并以参考区域的灰度值计算基准噪声值。
一实施例中,计算模块21具体用于计算参考区域灰度值的标准方差,并确定为基准噪声值。
一实施例中,计算模块21具体用于基于CT扫描影像中各区域的CT值分割其中的空气区域。
一实施例中,校正模块22具体用于基于基准噪声值,建立校正噪声值与扫描信息的正比依赖关系,以获得校正噪声值。
一实施例中,校正噪声值的计算公式为:
一实施例中,CT扫描影像为DICOM图像;校正模块22具体用于读取CT扫描影像的标签,以获得CT扫描影像的扫描信息。
一实施例中,确定模块23用于获取若干CT扫描影像样本,其中,CT扫描影像样本标记有对应的重建算法标签;基于若干CT扫描影像样本的校正噪声值和重建算法标签,建立二维散点图;以及基于二维散点图进行kmeans分类,以确定参考噪声阈值。
一实施例中,确定模块23具体用于在校正噪声值大于参考噪声阈值时,将CT扫描影像的重建算法确定为肺重建算法或骨重建算法;以及在校正噪声值小于参考噪声阈值时,将CT扫描影像的重建算法确定为软组织重建算法。
如上参照图1至图3,对根据本说明书实施例CT扫描影像重建算法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扫描影像重建算法的识别装置。上面的CT扫描影像重建算法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5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3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3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 (10)
1.一种CT扫描影像重建算法的识别方法,其特征在于,所述方法包括:
获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;
读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,其中,所述扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;
基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法;
其中,读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,具体包括:
基于所述基准噪声值,建立所述校正噪声值与所述扫描信息的正比依赖关系,以获得所述校正噪声值。
2.根据权利要求1所述的CT扫描影像重建算法的识别方法,其特征在于,获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值,具体包括:
从所述CT扫描影像中分割出空气区域;
在所述空气区域中选定预设面积的参考区域,并以所述参考区域的灰度值计算所述基准噪声值。
3.根据权利要求2所述的CT扫描影像重建算法的识别方法,其特征在于,所述方法包括:
计算所述参考区域灰度值的标准方差,并确定为所述基准噪声值;
和/或,
基于所述CT扫描影像中各区域的CT值分割其中的空气区域。
5.根据权利要求1所述的CT扫描影像重建算法的识别方法,其特征在于,所述CT扫描影像为DICOM图像;
读取所述CT扫描影像的扫描信息,具体包括:
读取所述CT扫描影像的标签,以获得所述CT扫描影像的扫描信息。
6.根据权利要求1所述的CT扫描影像重建算法的识别方法,其特征在于,所述方法包括:
获取若干CT扫描影像样本,其中,所述若干CT扫描影像样本标记有对应的重建算法标签;
基于所述若干CT扫描影像样本的校正噪声值和重建算法标签,建立二维散点图;
基于所述二维散点图进行kmeans分类,以确定所述参考噪声阈值。
7.根据权利要求1所述的CT扫描影像重建算法的识别方法,其特征在于,基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法,具体包括:
在所述校正噪声值大于所述参考噪声阈值时,将所述CT扫描影像的重建算法确定为肺重建算法或骨重建算法;
在所述校正噪声值小于所述参考噪声阈值时,将所述CT扫描影像的重建算法确定为软组织重建算法。
8.一种CT扫描影像重建算法的识别装置,其特征在于,所述CT扫描影像重建算法的识别装置包括:
计算模块,用于获取CT扫描影像,并基于其中的空气区域灰度值计算基准噪声值;
校正模块,用于读取所述CT扫描影像的扫描信息,对所述基准噪声值进行校正,以获得校正噪声值,其中,所述扫描信息包括层厚、重建视野、扫描电压、扫描电流以及单层扫描时间中的至少一个;
确定模块,用于基于所述校正噪声值和参考噪声阈值,确定所述CT扫描影像的重建算法;
其中,所述校正模块具体用于基于所述基准噪声值,建立所述校正噪声值与所述扫描信息的正比依赖关系,以获得所述校正噪声值。
9.一种电子设备,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7任一项所述的CT扫描影像重建算法的识别方法。
10.一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7任一项所述的CT扫描影像重建算法的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205697.7A CN115294232B (zh) | 2022-09-30 | 2022-09-30 | 重建算法的识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205697.7A CN115294232B (zh) | 2022-09-30 | 2022-09-30 | 重建算法的识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294232A CN115294232A (zh) | 2022-11-04 |
CN115294232B true CN115294232B (zh) | 2023-01-06 |
Family
ID=83833600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205697.7A Active CN115294232B (zh) | 2022-09-30 | 2022-09-30 | 重建算法的识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294232B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102376097A (zh) * | 2010-08-25 | 2012-03-14 | 东软飞利浦医疗设备系统有限责任公司 | 非对称检测器ct迭代重建方法 |
CN104166971A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法 |
CN106683146A (zh) * | 2017-01-11 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像重建方法和图像重建算法的参数确定方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318536B (zh) * | 2014-10-21 | 2018-03-20 | 沈阳东软医疗系统有限公司 | Ct图像的校正方法及装置 |
JP6713860B2 (ja) * | 2016-07-04 | 2020-06-24 | 株式会社日立製作所 | 画像再構成装置、x線ct装置、および、画像再構成方法 |
US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
CN109523605A (zh) * | 2018-11-29 | 2019-03-26 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法、装置、设备及介质 |
CN111640160A (zh) * | 2020-05-18 | 2020-09-08 | 扬州哈工博浩智能科技有限公司 | 一种ct图像预处理方法 |
CN114972115A (zh) * | 2022-06-24 | 2022-08-30 | 明峰医疗系统股份有限公司 | 一种图像降噪方法、装置、设备及介质 |
-
2022
- 2022-09-30 CN CN202211205697.7A patent/CN115294232B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102376097A (zh) * | 2010-08-25 | 2012-03-14 | 东软飞利浦医疗设备系统有限责任公司 | 非对称检测器ct迭代重建方法 |
CN104166971A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法 |
CN106683146A (zh) * | 2017-01-11 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像重建方法和图像重建算法的参数确定方法 |
Non-Patent Citations (2)
Title |
---|
Edge-preserving bilateral filtering for images containing dense objects in CT;Qiao Yang等;《2013 IEEE Nuclear Science Symposium and Medical Imaging Conference (2013 NSS/MIC)》;20131231;第1-5页 * |
螺旋CT图像噪声影响因素的实验分析;刘景鑫等;《中华放射学杂志》;20000110(第01期);第9-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115294232A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102581685B1 (ko) | 딥 러닝을 이용한 3d 구강 악안면 구조의 분류 및 3d 모델링 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
US20200320685A1 (en) | Automated classification and taxonomy of 3d teeth data using deep learning methods | |
Herzog et al. | NoRM: No‐reference image quality metric for realistic image synthesis | |
US8958614B2 (en) | Image-based detection using hierarchical learning | |
WO2020142461A1 (en) | Translation of images of stained biological material | |
Arunachalam et al. | Computer aided image segmentation and classification for viable and non-viable tumor identification in osteosarcoma | |
CN113409928B (zh) | 一种医疗信息共享系统 | |
CN112435341A (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
Jaworek-Korjakowska | Novel method for border irregularity assessment in dermoscopic color images | |
Karimaghaloo et al. | Temporal hierarchical adaptive texture CRF for automatic detection of gadolinium-enhancing multiple sclerosis lesions in brain MRI | |
JP2022000777A (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
Veluchamy et al. | Brightness preserving optimized weighted bi‐histogram equalization algorithm and its application to MR brain image segmentation | |
US20240054639A1 (en) | Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
Janardhana Rao et al. | Hybridized cuckoo search with multi-verse optimization-based patch matching and deep learning concept for enhancing video inpainting | |
CN115294232B (zh) | 重建算法的识别方法、装置、电子设备和存储介质 | |
Carbonetto et al. | Characterization of border structure using fractal dimension in melanomas | |
Zhang et al. | Harmonizing pathological and normal pixels for pseudo-healthy synthesis | |
Akrami et al. | Deep quantile regression for uncertainty estimation in unsupervised and supervised lesion detection | |
Vrooman et al. | kNN-based multi-spectral MRI brain tissue classification: manual training versus automated atlas-based training | |
Angelie et al. | Optimizing the automatic segmentation of the left ventricle in magnetic resonance images | |
Fiscone et al. | Generalizing the Enhanced-Deep-Super-Resolution neural network to brain MR images: a retrospective study on the Cam-CAN dataset | |
Suwalka et al. | An improved unsupervised mapping technique using AMSOM for neurodegenerative disease detection | |
Markco et al. | Texture-driven super-resolution of ultrasound images using optimized deep learning model |
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 |