CN116258661A - Dr图像的分析方法、dr成像设备和电子设备 - Google Patents
Dr图像的分析方法、dr成像设备和电子设备 Download PDFInfo
- Publication number
- CN116258661A CN116258661A CN202111491319.5A CN202111491319A CN116258661A CN 116258661 A CN116258661 A CN 116258661A CN 202111491319 A CN202111491319 A CN 202111491319A CN 116258661 A CN116258661 A CN 116258661A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- region
- characteristic
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 33
- 238000003703 image analysis method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000002601 radiography Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003908 quality control method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/10116—X-ray image
- G06T2207/10124—Digitally reconstructed radiograph [DRR]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种DR图像的分析方法、DR成像设备和电子设备,方法包括:控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过目标组织部位后的X射线以得到X线信号;对X线信号进行处理以获取数字X线摄影DR图像;从DR图像中提取至少一个特征区域,特征区域为目标组织部位中的组织解剖结构所在的区域;针对每个特征区域提取至少一种图像特征,得到每个特征区域的图像特征集合,其中图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;将所有特征区域各自的图像特征集合输入到目标模型中,得到每个特征区域的区域指标,区域指标反映特征区域的特征信息含量;输出每个特征区域的区域指标。
Description
技术领域
本申请涉及直接数字化X射线摄影系统(Digital Radiography,简称为DR)成像技术领域,更具体地涉及一种DR图像的分析方法、DR成像设备和电子设备。
背景技术
DR图像作为医学数字图像中常见的一种类型,广泛应用于体检及常规医学影像诊断领域。由于数字化X线探测器及数字图像处理系统的发展,DR图像往往在很宽的曝光剂量范围内都能呈现可用于诊断的图像效果,而这过程中往往会依赖操作技师的经验对最终图像效果进行把握,判断的准确性容易受到经验差异、主观差异以及后处理等多种因素的影响。
一种常见的解决方案是曝光指数EI,用来指示单次曝光量的大小,但曝光指数通常对特定的线质存在能量依赖性,并且通常曝光指数仅利用的图像的灰度信息,由于临床图像及人体结构的复杂多样性,EI值并不能很好的反映实际用于诊断的图像信息。
发明内容
为了解决上述问题而提出了本申请。根据本申请一方面,提供了一种DR图像的分析方法,所述方法包括:控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过所述目标组织部位后的X射线,以得到X线信号;对所述X线信号进行处理,以获取数字X线摄影DR图像;从所述DR图像中提取至少一个特征区域,所述特征区域为所述目标组织部位中的组织解剖结构所在的区域;针对每个所述特征区域提取至少一种图像特征,得到每个所述特征区域的图像特征集合,其中所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;将所有所述特征区域各自的所述图像特征集合输入到目标模型中,得到每个所述特征区域的区域指标,所述区域指标反映所述特征区域的特征信息含量;输出每个所述特征区域的区域指标。
根据本申请另一方面,提供了一种DR图像的分析方法,所述方法包括:控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过所述目标组织部位后的X射线,以得到X线信号;对所述X线信号进行处理,以获取数字X线摄影DR图像;将所述DR图像输入到目标模型中,由所述目标模型从所述DR图像中提取至少一个特征区域,针对每个所述特征区域提取至少一种图像特征,并基于每个所述特征区域的图像特征集合输出每个所述特征区域的区域指标;其中,所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;其中,所述区域指标反映所述特征区域的特征信息含量;所述特征区域为所述目标组织部位中组织解剖结构所在的区域。
根据本申请再一方面,提供了一种DR图像的分析方法,所述方法包括:获取数字X线摄影DR图像;从所述DR图像中提取至少一个特征区域,所述特征区域为所述目标组织部位中临床关注的组织解剖结构所在的区域;针对每个所述特征区域提取至少一种图像特征,得到每个所述特征区域的图像特征集合,其中,所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;根据所有所述特征区域各自的所述图像特征集合确定每个所述特征区域的区域指标,所述区域指标反映所述特征区域的基本特征信息含量;输出每个所述特征区域的区域指标。
根据本申请又一方面,提供了一种DR成像设备,所述DR成像设备包括X射线发生器、探测器、处理器以及显示器;所述X射线发生器用于产生X射线,向目标组织部位发射X射线;所述探测器用于接收穿过所述目标组织部位后的X射线,以得到X线信号,并将所述X线信号进行处理以获取数字X线摄影DR图像;所述处理器用于根据上述方法得到所述DR图像中每个所述特征区域的区域指标;所述显示器用于显示每个所述特征区域的区域指标。
根据本申请再一方面,提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行上述DR图像的分析方法的步骤。
根据本申请实施例的DR图像的分析方法、DR成像设备和电子设备从DR图像中提取至少一个特征区域,对每个特征区域提取至少一种图像特征,根据每个特征区域的图像特征集合,输出每个特征区域的区域指标,由于特征区域是目标组织部位中的组织解剖结构所在的区域,且最终输出的每个特征区域的区域指标反映该特征区域的特征信息含量,使得能够客观化地反映DR图像中临床关注组织结构及其特征信息含量,从而能够给拍片技师提供客观化判断依据,并且能够用于院内质控及指引降剂量成像等方向。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出根据本申请一个实施例的DR图像的分析方法的示意性流程图。
图2示出根据本申请实施例的DR图像的分析方法中采用的目标模型的训练和应用示意图。
图3示出根据本申请另一个实施例的DR图像的分析方法的示意性流程图。
图4示出根据本申请再一个实施例的DR图像的分析方法的示意性流程图。
图5示出根据本申请一个实施例的DR成像设备的示意性结构框图。
图6示出根据本申请另一个实施例的DR成像设备的示意性结构框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
图1示出根据本申请一个实施例的DR图像的分析方法100的示意性流程图。如图1所示,DR图像的分析方法100可以包括如下步骤:
在步骤S110,控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过目标组织部位后的X射线,以得到X线信号。
在步骤S120,对X线信号进行处理,以获取数字X线摄影DR图像。
在步骤S130,从DR图像中提取至少一个特征区域,特征区域为目标组织部位中的组织解剖结构所在的区域。
在步骤S140,针对每个特征区域提取至少一种图像特征,得到每个特征区域的图像特征集合,其中图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种。
在步骤S150,将所有特征区域各自的图像特征集合输入到目标模型中,得到每个特征区域的区域指标,区域指标反映特征区域的特征信息含量;输出每个特征区域的区域指标。
在本申请的实施例中,从DR图像(DR原始图像和/或DR原始图像经处理后的图像)中提取至少一个特征区域,对每个特征区域提取至少一种图像特征,目标模型(诸如常规数学模型或者机器学习模型等)以所有特征区域各自的图像特征集合为输入,输出每个特征区域的区域指标(也可称为图像特征指标,Image Feature Index,简称为IFI);由于特征区域是目标组织部位中的组织解剖结构(即临床关注的组织解剖结构)所在的区域,且最终输出的每个特征区域的区域指标反映该特征区域的特征信息含量,使得能够客观化地反映DR图像中临床关注组织结构及其特征信息含量,从而能够给拍片技师提供客观化判断依据,并且能够用于院内质控及指引降剂量成像等方向。
在本申请的一个实施例中,步骤S130中从DR图像中提取至少一个特征区域,可以包括:将DR图像中预先设定的至少一个区域提取出来,得到至少一个特征区域。在该实施例中,DR图像中的特征区域是预先设定好的,只需将预先设定好的至少一个区域提取出来即可得到至少一个特征区域。在一个示例中,预先设定的至少一个区域是根据预先设定的规则进行区域定义后而得到的。在该示例中,根据预先设定的规则进行区域定义,然后根据区域定义进行对应图像区域的数据提取。例如,预先划定一个框,拍摄的时候在框内拍,框内区域即为预先设定好的区域(预定位置区域)。
在本申请的另一个实施例中,步骤S130中从DR图像中提取至少一个特征区域,可以包括:对DR图像中的组织进行分割,得到至少一个特征区域。在该实施例中,DR图像中的特征区域是通过对组织进行分割得到的,可以根据不同体位对应的组织结构特征,基于特定计算方法进行对应图像区域的数据提取。示例性地,对DR图像中的组织进行分割可以是基于图像分割算法(即前文的特定计算方法)进行,图像分割算法包括以下中的至少一项:图像形态学算法、主动轮廓模型算法、阈值分割算法、机器学习算法。
在本申请的实施例中,当在步骤S130中从DR图像中提取至少两个特征区域时,不同的特征区域之间可以彼此没有重叠或者存在部分重叠。例如,假定从DR图像中提取两个特征区域,分别为区域A和区域B,那么,区域A和区域B可能是彼此没有重叠的,也可能是区域A和区域B存在部分重叠。例如,区域A的面积大于区域B的面积,且区域A包含区域B。在该示例中,区域A可能对应于主要诊断区域(例如包括肺部和肋骨),区域B可能对应于次要诊断区域(例如包括部分肺部和部分肋骨)。在不同的应用(临床)场景中,提取的特征区域的情况也是不同的。
在本申请的实施例中,步骤S140中针对每个特征区域提取至少一种图像特征,可以包括提取灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种。这些特征各自有其表征的含义,稍后在下文中针对各自特征的含义及其提取方式进行描述。
在本申请的实施例中,根据X光量子被平板探测器系统转换成数字信号的传递特性,可以将DR图像的任一特征区域中每一个独立灰度级视为一种信源,DR成像过程可以视为通过信源传递信息的过程,DR图像中该特征区域的灰度熵特征可以通过统计计算筛除冗余信源后得到的信息含量。对于DR图像中的任一特征区域,该特征区域的灰度熵特征为通过统计筛除该特征区域中的冗余灰度级信源后得到的信息含量。
在本申请的实施例中,针对一个特征区域提取灰度熵特征,可以包括:获得特征区域中每个灰度级信源的第一概率统计分布;对灰度级信源中冗余灰度级信源的第一概率统计分布进行筛选,以得到非冗余灰度级信源的第一概率统计分布;根据每个非冗余灰度级信源的第一概率统计分布与全部非冗余灰度级信源的第一概率统计分布之和的比值得到每个非冗余灰度级信源的第二概率统计分布;根据非冗余灰度级信源的第二概率统计分布进行求熵,以得到灰度熵特征。示例性地,可按照下式计算:
在上式中,H为灰度熵计算结果,pH为每一个灰度级信源的概率统计分布。在本申请的实施例中,由于灰度熵特征的提取过程筛除了冗余灰度级信源,因而能够提取更多的有效图像信息。
在本申请的实施例中,对于DR图像中的任一特征区域,其纹理特征提取通过统计该特征区域上不同灰度值在空间上的变化关系来计算反映人体组织变化规律的抽象特征。
在本申请的实施例中,针对一个特征区域提取纹理特征,可以包括:根据特征区域中各像素的灰度值得到纹理特征描述矩阵,纹理特征描述矩阵描述特征区域中不同距离和不同方向上的灰度值的变化;提取纹理特征描述矩阵的至少一个二维分量,以作为纹理特征。示例性地,设DR图像中一个特征区域为f(x,y),则其纹理特征描述矩阵P(i,j)为:
P(i,j)=#{(x1,y1),(x2,y2)∈M*N|f(x1,y1)=i,f(x2,y2)=j}
其中#(x)表示集合x中的元素个数,设(x1,y1)与(x2,y2)的间距为k,则不同方向l的纹理特征描述矩阵可扩展为P(i,j,k,l)。为了计算不同角度的实际特征值,每次角度变化后对该特征区域进行超分辨率插值以获得新的目标位置对应的图像灰度值。获得纹理特征描述矩阵后,对其再次计算二维纹理特征值分量,以统计以下中的至少一项:纹理特征描述矩阵的值分布与特征区域中纹理变化的整体分布;纹理特征描述矩阵中值分布与特征区域中平行及法向的相似程度;纹理特征描述矩阵中值分布与特征区域灰度变化分布均匀程度;纹理特征描述矩阵中值分布与特征区域纹理局部变化量的度量。
在本申请的实施例中,对于DR图像中的任一特征区域,其图像噪声特征主要包括X光量子噪声,而X线光量子的分布服从泊松分布,其方差与平均量子检测数成正比,根据此特性可从该特征区域上统计计算X光量子的波动程度作为噪声。
在本申请的实施例中,针对一个特征区域提取图像噪声特征,可以包括:从该特征区域得到高频图像;提取高频图像中的有效信息,以得到噪声分布图像,其中,噪声分布图像为高频图像中每个像素点的局部均方根所构成的图像;对噪声分布图像中的噪声值分布进行统计,以得到图像噪声特征。示例性地,设一个特征区域为I,对I进进行高斯低通滤波,得到I1,二维高斯滤波核为:
然后计算高频图像I2,I2=I1-I。得到I2后,计算I2中每个像素点的局部均方根图像I3:
其中I3(i,j)为I3在像素点(i,j)处的值,I2(l,k)为I2在像素点(l,k)处的值;将I3像素值划分为M个区间,每个区间的取值间隔为d,初始化直方图向量h,长度为M,每个分量h(i)代表第i个区间内取值的数量,对I3像素点(i,j),该点像素值对应区间为R[I3(i,j)],遍历I3每个像素点,统计h(R(I3(i,j))),获得h后,其主峰最大值为max(h),对应区间R0=arg max(h),R0*d为噪声值。
上述图像噪声计算中采用了计算局部均方根的方法,在本申请的其他实施例中,还可以采用L1范数或其他显而易见的近似或等价测度。
在本申请的实施例中,根据X光穿透人体不同组织后的吸收系数不同,会在DR图像中形成不同组织的区域分布,不同组织区域之间会存在不同程度的边界,这些边界的清晰程度可以通过提取梯度特征来进行量化。因此,对于DR图像中的任一特征区域,可对该特征区域进行梯度特征提取,提取的梯度特征可以用于表征该特征区域中组织的边界的清晰度。
在本申请的实施例中,针对一个特征区域提取梯度特征,可以包括:确定该特征区域中不同组织的区域分布,获取不同组织区域分布的边界的清晰度,以作为梯度特征。示例性地,设该特征区域表示为Image(x,y),则该特征区域的梯度特征Grad(x,y)可以按照下式计算:
在本申请的实施例中,由于DR图像中不同组织的边界并非严格的界限,而是存在一定程度的过渡,这种过渡的强弱程度及趋势一致性可以通过提取散度特征来进行量化。因此,对于DR图像中的任一特征区域,可对该特征区域进行散度特征提取,提取的散度特征可以用于表征所述特征区域中组织的边界的过渡强弱程度和/或趋势一致性。
在本申请的实施例中,针对一个特征区域提取散度特征,可以包括:确定该特征区域中不同组织的区域分布,获取不同组织区域分布的边界的过渡强弱程度和/或趋势一致性,以作为散度特征。示例性地,设该特征区域表示为Image(x,y),则该特征区域的散度特征Diver(x,y)可以按照下式计算:
以上描述了根据DR图像中任一特征区域进行特征提取的方式。除了上述方式,也可以采用其他合适的方式来进行特征提取,诸如采用网络训练方式也可以进行特征提取。通过对每个特征区域提取至少一种特征,可得到每个特征区域的图像特征集合。每个特征区域的图像特征集合将输入到目标模型,从而得到每个区域的区域指标(也可称为图像特征指标或者图像特征指数,Image Feature Index,简称为IFI)。
在本申请的实施例中,该目标模型可以通过离线训练的方式进行。具体地,该过程可以包括:获取DR原始图像集合(例如表示为U(I)),DR原始图像集合包括多个DR原始图像;根据DR原始图像集合得到图像特征集合(例如表示为U(F)),图像特征集合包括从多个DR原始图像中提取的多个图像特征;根据DR原始图像集合得到DR诊断图像集合(例如表示为U(P)),DR诊断图像集合包括对多个DR原始图像进行图像处理得到的多个DR诊断图像;根据DR诊断图像集合得到评分集合(例如通过临床专家评价给出专家评分集合U(S)),评分集合包括对多个DR诊断图像的评价信息;以图像特征集合和评分集合作为训练样本集合对目标模型进行训练,以得到训练好的目标模型。例如,可以进行分类回归训练,公式例如为:
其中,其中x为特征向量,{xi}i=1,...,m为支持向量,αi为加权系数,b为偏置,k为核函数,特征向量的每一个值需要经过线性传递函数获得,例如参见下式:
核函数例如可以参见如下:
或者如下:
可以结合图2理解根据本申请实施例的DR图像的分析方法中采用的目标模型的上述训练过程以及该目标模型的应用过程。如图2所示的,在训练好该目标模型后,该目标模型的输入是各个特征区域的图像特征集合(即如图2所示的图像特征集合1、图像特征集合2、……、图像特征集合n,它们分别是对特征区域1、特征区域2、……、特征区域n进行图像特征提取得到的),输出是每个特征区域的区域指标(也称为图像特征指标,如图2所示的RIFI1、RIFI2、……、RIFIn)。
在本申请的实施例中,步骤S150中输出每个特征区域的区域指标,可以包括:以向量形式显示所有特征区域的区域指标。例如,对于图2中所示的示例,以向量形式显示所有特征区域的区域指标,得到多区域图像特征指标MRIFI。
在本申请的另一个实施例中,步骤S150中输出每个特征区域的区域指标,可以包括:在DR图像中每个特征区域的位置处显示与特征区域对应的区域指标。在该实施例中,可以以数据的形式直观看到每个特征区域的区域指标。
在本申请的再一个实施例中,步骤S150中输出每个特征区域的区域指标,可以包括:在与目标组织部位对应的体位标准图中显示所有特征区域的区域指标。在该实施例中,可以在体位图中更直观地了解每个特征区域的区域指标。
在本申请的实施例中,在与目标组织部位对应的体位标准图中显示所有特征区域的区域指标,可以包括:获取体位标准图中所有特征区域各自对应的标准指标;针对目标模型输出的每个特征区域各自的区域指标,将特征区域的区域指标与特征区域的标准指标进行比较,并在体位标准图的特征区域内显示比较结果。在该实施例中,可以在体位图中更直观地了解每个特征区域的区域指标与标准指标的比较结果。
在上述体位标准图的实施例中,体位标准图的构建可以基于所有特征区域的区域指标结果。体位标准图可以包含指示区域和区域指标两个部分。对于每一个可以应用的体位,都应预先获得该体位的标准图像,标准图像为经过资深临床医生评价认可的典型且标准的临床图像,然后对标准图像进行特征区域提取,并基于提取的特征区域给出体位标准图的指示区域以及后续的MRIFI计算。体位标准图中的区域指标为基于每个应用体位的标准图像计算获得的MRIFI向量对应的区域分量。获得每个应用体位的体位标准图以后,在临床拍片时,可以根据实际图像计算获得的MRIFI,与体位标准图的MRIFI进行对应特征区域的区域分量比较,并在不同的特征区域上予以呈现,具体的呈现形式可以是实际图像MRIFI与体位标准图MRIFI的在不同特征区域的对比显示,或者实际图像MRIFI与体位标准图MRIFI在不同特征区域的差值显示,也可以是实际图像MRIFI在不同特征区域的符合或超限提示等。通过提供体位标准图应用系统的指引,可以让使用者更明确地了解当前拍摄图像是否符合要求,以及在不符合要求的情况下对应的具体临床组织区域对应的相关问题方向。
基于上面的描述,根据本申请实施例的DR图像的分析方法从DR图像中提取至少一个特征区域,对每个特征区域提取至少一种图像特征,目标模型以所有特征区域各自的图像特征集合为输入,输出每个特征区域的区域指标,由于特征区域是目标组织部位中的组织解剖结构所在的区域,且最终输出的每个特征区域的区域指标反映该特征区域的特征信息含量,使得能够客观化地反映DR图像中临床关注组织结构及其特征信息含量,从而能够给拍片技师提供客观化判断依据,并且能够用于院内质控及指引降剂量成像等方向。
下面结合图3描述根据本申请另一个实施例的DR图像的分析方法。图3示出了根据本申请另一个实施例的DR图像的分析方法300的示意性流程图。如图3所示,方法300可以包括如下步骤:
在步骤S310,控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过目标组织部位后的X射线,以得到X线信号。
在步骤S320,对X线信号进行处理,以获取数字X线摄影DR图像。
在步骤S330,将DR图像输入到目标模型中,由目标模型从DR图像中提取至少一个特征区域,针对每个特征区域提取至少一种图像特征,并基于每个特征区域的图像特征集合输出每个特征区域的区域指标。其中,图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种。其中,区域指标反映特征区域的特征信息含量,特征区域为目标组织部位中组织解剖结构所在的区域。
在本申请的实施例中,DR图像的分析方法300与前文所述的DR图像的分析方法100大体上不同类似,不同之处在于:DR图像的分析方法100是将从DR图像中提取的所有特征区域各自的图像特征集合输入至目标模型,由目标模型输出每个特征区域的区域指标;DR图像的分析方法300是直接将DR图像输入到目标模型,由目标模型从DR图像中提取至少一个特征区域,并提取每个特征区域的图像特征,然后根据每个特征区域各自的图像特征集合输出每个特征区域的区域指标。因此,相对于DR图像的分析方法100,DR图像的分析方法300的目标模型具备更多的功能,执行了更多的操作,在训练时可以基于上述功能执行相应训练即可。在本申请的其他实施例中,输入到目标模型的数据也可以为DR图像以及每个特征区域各自的图像特征集合,同样地,目标模型基于相应的功能执行相应训练即可。DR图像的分析方法300的其他内容与上述DR图像的分析方法100相似,为了简洁,此处仅描述一些主要操作,其他细节不再赘述。
在本申请的实施例中,步骤S330中从DR图像中提取至少一个特征区域,可以包括:将DR图像中预先设定的至少一个区域提取出来,得到至少一个特征区域;或者对DR图像中的组织进行分割,得到至少一个特征区域。
在本申请的实施例中,预先设定的至少一个区域是根据预先设定的规则进行区域定义后得到。
在本申请的实施例中,对DR图像中的组织进行分割是基于图像分割算法进行,图像分割算法包括以下中的至少一项:图像形态学算法、主动轮廓模型算法、阈值分割算法、机器学习算法。
在本申请的实施例中,步骤S330中输出每个特征区域的区域指标,可以包括以下中的至少一项:以向量形式显示所有特征区域的区域指标;在DR图像中每个特征区域的位置处显示与特征区域对应的区域指标;在与目标组织部位对应的体位标准图中显示所有特征区域的区域指标。
在本申请的实施例中,在与目标组织部位对应的体位标准图中显示所有特征区域的区域指标,可以包括:获取体位标准图中所有特征区域各自对应的标准指标;针对目标模型输出的每个特征区域各自的区域指标,将特征区域的区域指标与特征区域的标准指标进行比较,并在体位标准图的特征区域内显示比较结果。
基于上面的描述,根据本申请实施例的DR图像的分析方法基于目标模型从DR图像中提取至少一个特征区域,对每个特征区域提取至少一种图像特征,根据每个特征区域的图像特征集合,输出每个特征区域的区域指标,由于特征区域是目标组织部位中的组织解剖结构所在的区域,且最终输出的每个特征区域的区域指标反映该特征区域的特征信息含量,使得能够客观化地反映DR图像中临床关注组织结构及其特征信息含量,从而能够给拍片技师提供客观化判断依据,并且能够用于院内质控及指引降剂量成像等方向。
下面结合图4描述根据本申请另一个实施例的DR图像的分析方法。图4示出了根据本申请另一个实施例的DR图像的分析方法400的示意性流程图。如图4所示,方法400可以包括如下步骤:
在步骤S410,获取数字X线摄影DR图像。
在步骤S420,从DR图像中提取至少一个特征区域,特征区域为目标组织部位中临床关注的组织解剖结构所在的区域。
在步骤S430,针对每个特征区域提取至少一种图像特征,得到每个特征区域的图像特征集合,其中,图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种。
在步骤S440,根据所有特征区域各自的图像特征集合确定每个特征区域的区域指标,区域指标反映特征区域的基本特征信息含量;输出每个特征区域的区域指标。
在本申请的实施例中,DR图像的分析方法400与前文所述的DR图像的分析方法100大体上不同类似,不同之处在于:DR图像的分析方法100是将从DR图像中提取的所有特征区域各自的图像特征集合输入至目标模型,由目标模型输出每个特征区域的区域指标;DR图像的分析方法400可以不是由目标模型输出每个特征区域的区域指标,而是根据所有特征区域各自的图像特征集合直接输出每个特征区域的区域指标;此外,DR图像的分析方法400可以独立于DR成像设备来执行,只要具备计算能力的设备均可以执行。DR图像的分析方法400的其他内容与上述DR图像的分析方法100相似,为了简洁,此处不再赘述。
以上示例性地示出了根据本申请实施例的DR图像的分析方法。下面结合图5到图6分别描述根据本申请另一方面提供的DR成像设备和电子设备,其可以用于执行前文所述的根据本申请实施例的DR图像的分析方法100、300和400。
图5示出了根据本申请实施例的DR成像设备500的示意性结构框图。如图5所示,DR成像设备500包括X射线发生器510、探测器520、处理器530和显示器540。其中,X射线发生器510用于产生X射线,向目标组织部位发射X射线;探测器520用于接收穿过目标组织部位后的X射线,以得到X线信号,并将X线信号进行处理以获取数字X线摄影DR图像530;处理器540用于根据前文所述的本申请实施例的DR图像的分析方法100、200或300得到DR图像中每个特征区域的区域指标;显示器540用于显示每个特征区域的区域指标。本领域技术人员可以结合前文所述理解DR成像设备500的结构和操作,为了简洁,此处不再赘述。
图6示出了根据本申请实施例的电子设备600的示意性结构框图。如图6所示,电子设备600包括存储器610和处理器620,存储器610上存储有由处理器620运行的计算机程序,计算机程序在被处理器620运行时执行根据本申请实施例的DR图像的分析方法的步骤。本领域技术人员可以结合前文所述理解电子设备600的结构和操作,为了简洁,此处不再赘述。
基于上面的描述,根据本申请实施例的DR图像的分析方法、DR成像设备和电子设备从DR图像中提取至少一个特征区域,对每个特征区域提取至少一种图像特征,根据每个特征区域的图像特征集合,输出每个特征区域的区域指标,由于特征区域是目标组织部位中的组织解剖结构所在的区域,且最终输出的每个特征区域的区域指标反映该特征区域的特征信息含量,使得能够客观化地反映DR图像中临床关注组织结构及其特征信息含量,从而能够给拍片技师提供客观化判断依据,并且能够用于院内质控及指引降剂量成像等方向。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本申请的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的物品分析设备中的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的超声血流成像装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干超声血流成像装置的单元权利要求中,这些超声血流成像装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式或对具体实施方式的说明,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (23)
1.一种DR图像的分析方法,其特征在于,所述方法包括:
控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过所述目标组织部位后的X射线,以得到X线信号;
对所述X线信号进行处理,以获取数字X线摄影DR图像;
从所述DR图像中提取至少一个特征区域,所述特征区域为所述目标组织部位中的组织解剖结构所在的区域;
针对每个所述特征区域提取至少一种图像特征,得到每个所述特征区域的图像特征集合,其中所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;
将所有所述特征区域各自的所述图像特征集合输入到目标模型中,得到每个所述特征区域的区域指标,所述区域指标反映所述特征区域的特征信息含量;输出每个所述特征区域的区域指标。
2.根据权利要求1所述的方法,其特征在于,从所述DR图像中提取至少一个特征区域,包括:
将所述DR图像中预先设定的至少一个区域提取出来,得到所述至少一个特征区域;或者
对所述DR图像中的组织进行分割,得到所述至少一个特征区域。
3.根据权利要求2所述的方法,其特征在于,所述预先设定的至少一个区域是根据预先设定的规则进行区域定义后得到。
4.根据权利要求2所述的方法,其特征在于,所述对所述DR图像中的组织进行分割是基于图像分割算法进行,所述图像分割算法包括以下中的至少一项:图像形态学算法、主动轮廓模型算法、阈值分割算法、机器学习算法。
5.根据权利要求1-4中的任一项所述的方法,其特征在于,当从所述DR图像中提取至少两个所述特征区域时,不同的所述特征区域之间彼此没有重叠或者存在部分重叠。
6.根据权利要求1所述的方法,其特征在于,所述输出每个所述特征区域的区域指标,包括以下中的至少一项:
以向量形式显示所有所述特征区域的区域指标;
在所述DR图像中每个所述特征区域的位置处显示与所述特征区域对应的区域指标;
在与所述目标组织部位对应的体位标准图中显示所有所述特征区域的区域指标。
7.根据权利要求6所述的方法,其特征在于,所述在与所述目标组织部位对应的体位标准图中显示所有所述特征区域的区域指标,包括:
获取所述体位标准图中所有所述特征区域各自对应的标准指标;
针对所述目标模型输出的每个所述特征区域各自的区域指标,将所述特征区域的区域指标与所述特征区域的标准指标进行比较,并在所述体位标准图的所述特征区域内显示比较结果。
8.如权利要求1-7中任一项所述的方法,其特征在于,所述灰度熵特征为通过统计筛除所述特征区域中的冗余灰度级信源后得到的信息含量,
所述针对每个所述特征区域提取至少一种图像特征,包括针对所述特征区域提取所述灰度熵特征,
所述针对所述特征区域提取所述灰度熵特征,包括:
获得所述特征区域中每个灰度级信源的第一概率统计分布;
对所述灰度级信源中冗余灰度级信源的所述第一概率统计分布进行筛选,以得到非冗余灰度级信源的所述第一概率统计分布;
根据每个所述非冗余灰度级信源的所述第一概率统计分布与全部非冗余灰度级信源的第一概率统计分布之和的比值得到每个非冗余灰度级信源的第二概率统计分布;
根据所述非冗余灰度级信源的第二概率统计分布进行求熵,以得到所述灰度熵特征。
9.如权利要求1-7中任一项所述的方法,其特征在于,所述纹理特征表示所述特征区域上不同灰度值在空间上的变化关系,
所述针对每个所述特征区域提取至少一种图像特征,包括针对所述特征区域提取所述纹理特征,
所述针对所述特征区域提取所述纹理特征,包括:
根据所述特征区域中各像素的灰度值得到纹理特征描述矩阵,所述纹理特征描述矩阵描述所述特征区域中不同距离和不同方向上的灰度值的变化;
提取所述纹理特征描述矩阵的至少一个二维分量,以作为所述纹理特征。
10.如权利要求1-7中任一项所述的方法,其特征在于,所述图像噪声特征包括X光量子噪声,所述X光量子噪声特征反映所述特征区域中X光量子的波动程度,
所述针对每个所述特征区域提取至少一种图像特征,包括针对所述特征区域提取所述图像噪声特征,
所述针对所述特征区域提取所述图像噪声特征,包括:
从所述特征区域得到高频图像;
提取所述高频图像中的有效信息,以得到噪声分布图像,其中,所述噪声分布图像为所述高频图像中每个像素点的局部均方根所构成的图像;
对所述噪声分布图像中的噪声值分布进行统计,以得到所述图像噪声特征。
11.根据权利要求1-7中任一项所述的方法,其特征在于,所述梯度特征用于表征所述特征区域中组织的边界的清晰度,
所述针对每个所述特征区域提取至少一种图像特征,包括针对所述特征区域提取所述梯度特征,
所述针对所述特征区域提取所述梯度特征,包括:
确定所述特征区域中不同组织的区域分布;
获取不同组织区域分布的边界的清晰度,以作为所述梯度特征。
12.根据权利要求1-7中任一项所述的方法,其特征在于,所述散度特征用于表征所述特征区域中组织的边界的过渡强弱程度和/或趋势一致性,
所述针对每个所述特征区域提取至少一种图像特征,包括针对所述特征区域提取所述散度特征,
所述针对所述特征区域提取所述散度特征,包括:
确定所述特征区域中不同组织的区域分布;
获取不同组织区域分布的边界的过渡强弱程度和/或趋势一致性,以作为所述散度特征。
13.根据权利要求1-7中任一项所述的方法,其特征在于,所述目标模型的训练过程包括:
获取DR原始图像集合,所述DR原始图像集合包括多个DR原始图像;
根据所述DR原始图像集合得到图像特征集合,所述图像特征集合包括从多个所述DR原始图像中提取的多个图像特征;
根据所述DR原始图像集合得到DR诊断图像集合,所述DR诊断图像集合包括对多个所述DR原始图像进行图像处理得到的多个DR诊断图像;
根据所述DR诊断图像集合得到评分集合,所述评分集合包括对多个所述DR诊断图像的评价信息;
以所述图像特征集合和所述评分集合作为训练样本集合对目标模型进行训练,以得到训练好的目标模型。
14.一种DR图像的分析方法,其特征在于,所述方法包括:
控制DR成像设备向目标对象的目标组织部位发射X射线,并接收穿过所述目标组织部位后的X射线,以得到X线信号;
对所述X线信号进行处理,以获取数字X线摄影DR图像;
将所述DR图像输入到目标模型中,由所述目标模型从所述DR图像中提取至少一个特征区域,针对每个所述特征区域提取至少一种图像特征,并基于每个所述特征区域的图像特征集合输出每个所述特征区域的区域指标;
其中,所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;
其中,所述区域指标反映所述特征区域的特征信息含量;所述特征区域为所述目标组织部位中组织解剖结构所在的区域。
15.根据权利要求14所述的方法,其特征在于,从所述DR图像中提取至少一个特征区域,包括:
将所述DR图像中预先设定的至少一个区域提取出来,得到所述至少一个特征区域;或者
对所述DR图像中的组织进行分割,得到所述至少一个特征区域。
16.根据权利要求15所述的方法,其特征在于,所述预先设定的至少一个区域是根据预先设定的规则进行区域定义后得到。
17.根据权利要求15所述的方法,其特征在于,所述对所述DR图像中的组织进行分割是基于图像分割算法进行,所述图像分割算法包括以下中的至少一项:图像形态学算法、主动轮廓模型算法、阈值分割算法、机器学习算法。
18.根据权利要求14所述的方法,其特征在于,所述输出每个所述特征区域的区域指标,包括以下中的至少一项:
以向量形式显示所有所述特征区域的区域指标;
在所述DR图像中每个所述特征区域的位置处显示与所述特征区域对应的区域指标;
在与所述目标组织部位对应的体位标准图中显示所有所述特征区域的区域指标。
19.根据权利要求18所述的方法,其特征在于,所述在与所述目标组织部位对应的体位标准图中显示所有所述特征区域的区域指标,包括:
获取所述体位标准图中所有所述特征区域各自对应的标准指标;
针对所述目标模型输出的每个所述特征区域各自的区域指标,将所述特征区域的区域指标与所述特征区域的标准指标进行比较,并在所述体位标准图的所述特征区域内显示比较结果。
20.根据权利要求14-19中任一项所述的方法,其特征在于,所述目标模型的训练过程包括:
获取DR原始图像集合,所述DR原始图像集合包括多个DR原始图像;
根据所述DR原始图像集合得到DR诊断图像集合,所述DR诊断图像集合包括对多个所述DR原始图像进行图像处理得到的多个DR诊断图像;
以所述DR原始图像集合和所述DR诊断图像集合作为训练样本集合对目标模型进行训练,以得到训练好的目标模型。
21.一种DR图像的分析方法,其特征在于,所述方法包括:
获取数字X线摄影DR图像;
从所述DR图像中提取至少一个特征区域,所述特征区域为所述目标组织部位中临床关注的组织解剖结构所在的区域;
针对每个所述特征区域提取至少一种图像特征,得到每个所述特征区域的图像特征集合,其中,所述图像特征包括灰度熵特征、纹理特征、图像噪声特征、梯度特征和散度特征中的至少一种;根据所有所述特征区域各自的所述图像特征集合确定每个所述特征区域的区域指标,所述区域指标反映所述特征区域的基本特征信息含量;
输出每个所述特征区域的区域指标。
22.一种DR成像设备,其特征在于,所述DR成像设备包括X射线发生器、探测器、处理器以及显示器;
所述X射线发生器用于产生X射线,向目标组织部位发射X射线;
所述探测器用于接收穿过所述目标组织部位后的X射线,以得到X线信号,并将所述X线信号进行处理以获取数字X线摄影DR图像;
所述处理器用于根据权利要求1-21中任一项所述的方法得到所述DR图像中每个所述特征区域的区域指标;
所述显示器用于显示每个所述特征区域的区域指标。
23.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行权利要求1-21中任一项所述的DR图像的分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491319.5A CN116258661A (zh) | 2021-12-08 | 2021-12-08 | Dr图像的分析方法、dr成像设备和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491319.5A CN116258661A (zh) | 2021-12-08 | 2021-12-08 | Dr图像的分析方法、dr成像设备和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258661A true CN116258661A (zh) | 2023-06-13 |
Family
ID=86684815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111491319.5A Pending CN116258661A (zh) | 2021-12-08 | 2021-12-08 | Dr图像的分析方法、dr成像设备和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258661A (zh) |
-
2021
- 2021-12-08 CN CN202111491319.5A patent/CN116258661A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2677764C2 (ru) | Координатная привязка медицинских изображений | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
CN109791692A (zh) | 使用来自感兴趣区域的不同视角的多个图像进行计算机辅助检测以提高检测准确度 | |
Eck et al. | Computational and human observer image quality evaluation of low dose, knowledge‐based CT iterative reconstruction | |
US9092867B2 (en) | Methods for segmenting images and detecting specific structures | |
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 | |
US20120053446A1 (en) | Voting in image processing | |
US11615508B2 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
US10335105B2 (en) | Method and system for synthesizing virtual high dose or high kV computed tomography images from low dose or low kV computed tomography images | |
Cheema et al. | Liver extraction using residual convolution neural networks from low-dose CT images | |
US10729389B2 (en) | 3D assessment of conjugant eye deviation for the identificaiton of acute ischemic stroke | |
US20220076430A1 (en) | Heatmap and atlas | |
KR20200108686A (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
CN112819818A (zh) | 图像识别模块训练方法和装置 | |
Lau et al. | Towards visual-search model observers for mass detection in breast tomosynthesis | |
CN110910342B (zh) | 通过使用深度学习来分析骨骼创伤 | |
Petrov et al. | Model and human observer reproducibility for detection of microcalcification clusters in digital breast tomosynthesis images of three-dimensionally structured test object | |
CN115482223A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
CN116258661A (zh) | Dr图像的分析方法、dr成像设备和电子设备 | |
Ma et al. | Automated quantification and evaluation of motion artifact on coronary CT angiography images | |
CN116236213A (zh) | Dr图像的分析方法、dr成像设备和电子设备 | |
KR20200121550A (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
JP2016171961A (ja) | 画像処理装置、画像処理方法、及びプログラム |
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 |