CN116309923A - 基于图神经网络的ct金属伪影消除方法及系统 - Google Patents
基于图神经网络的ct金属伪影消除方法及系统 Download PDFInfo
- Publication number
- CN116309923A CN116309923A CN202310587519.3A CN202310587519A CN116309923A CN 116309923 A CN116309923 A CN 116309923A CN 202310587519 A CN202310587519 A CN 202310587519A CN 116309923 A CN116309923 A CN 116309923A
- Authority
- CN
- China
- Prior art keywords
- image
- artifact
- metal
- repair
- area
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000006467 substitution reaction Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 abstract description 14
- 230000000873 masking effect Effects 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 230000005855 radiation Effects 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例涉及CT技术领域，具体公开了基于图神经网络的CT金属伪影消除方法及系统。本发明实施例通过获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；对原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；截取第一修复CT图像中金属伪影区域的边缘区域；基于图神经网络，按照边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。能够对其他伪影区域进行修复处理之后，截取金属伪影区域的边缘区域，基于图神经网络，匹配替代CT图像，进行替代修复，实现对CT图像中的CT金属伪影进行有效的修复处理，提高CT图像像质量，从而避免掩盖病灶，造成漏诊误诊的问题。
Description
技术领域
本发明属于CT技术领域，尤其涉及基于图神经网络的CT金属伪影消除方法及系统。
背景技术
CT，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT（X-CT）以及γ射线CT（γ-CT)等。
CT伪影，指的是在CT图像上出现的与真实组织形态不符的影像，可能会影响影像质量和诊断结果。伪影是CT影像中常见的现象，产生原因较为复杂，包括设备因素、坏死组织和骨头等高密度组织的存在、伪影源的位置、运动伪影、放射剂量等。
CT金属伪影，是CT伪影中最常见的类型，现有技术中，不能够准确的自动识别CT金属伪影，且不能够对CT图像中的CT金属伪影进行有效的修复处理，导致CT图像像质量下降，甚至无法分析，且容易掩盖病灶，造成漏诊误诊等问题。
发明内容
本发明实施例的目的在于提供基于图神经网络的CT金属伪影消除方法及系统，旨在解决背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
基于图神经网络的CT金属伪影消除方法，所述方法具体包括以下步骤：
获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；
对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；
截取所述第一修复CT图像中金属伪影区域的边缘区域；
基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
作为本发明实施例技术方案进一步的限定，所述获取原始CT图像，进行伪影识别，标记金属伪影区域和其他金属伪影具体包括以下步骤：
获取原始CT图像；
将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
在具有CT伪影时，标记金属伪影区域和其他伪影区域。
作为本发明实施例技术方案进一步的限定，所述对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像具体包括以下步骤：
对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
对所述噪声伪影区域进行滤波算法处理；
对所述运动伪影区域进行图像修复算法处理；
生成第一修复CT图像。
作为本发明实施例技术方案进一步的限定，所述截取所述第一修复CT图像中金属伪影区域的边缘区域具体包括以下步骤：
从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
对所述边缘区域进行截取处理。
作为本发明实施例技术方案进一步的限定，所述基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像具体包括以下步骤：
基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
基于图神经网络的CT金属伪影消除系统，所述系统包括伪影识别标记单元、第一修复处理单元、边缘区域截取单元和第二修复处理单元，其中：
伪影识别标记单元，用于获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；
第一修复处理单元，用于对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；
边缘区域截取单元，用于截取所述第一修复CT图像中金属伪影区域的边缘区域；
第二修复处理单元，用于基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
作为本发明实施例技术方案进一步的限定，所述伪影识别标记单元具体包括：
图像获取模块，用于获取原始CT图像；
标准对比模块，用于将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
伪影判断模块，用于按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
伪影标记模块，用于在具有CT伪影时，标记金属伪影区域和其他伪影区域。
作为本发明实施例技术方案进一步的限定，所述第一修复处理单元具体包括：
其他分类模块，用于对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
噪声处理模块，用于对所述噪声伪影区域进行滤波算法处理；
运动处理模块，用于对所述运动伪影区域进行图像修复算法处理；
第一生成模块，用于生成第一修复CT图像。
作为本发明实施例技术方案进一步的限定，所述边缘区域截取单元具体包括：
边缘标记模块，用于从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
截取处理模块，用于对所述边缘区域进行截取处理。
作为本发明实施例技术方案进一步的限定，所述第二修复处理单元具体包括：
匹配识别模块，用于基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
替代截取模块，用于根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
第二生成模块，用于通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
与现有技术相比，本发明的有益效果是：
本发明实施例通过获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；对原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；截取第一修复CT图像中金属伪影区域的边缘区域；基于图神经网络，按照边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。能够对其他伪影区域进行修复处理之后，截取金属伪影区域的边缘区域，基于图神经网络，匹配替代CT图像，进行替代修复，实现对CT图像中的CT金属伪影进行有效的修复处理，提高CT图像像质量，从而避免掩盖病灶，造成漏诊误诊的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的系统的应用架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解的是，CT金属伪影，是CT伪影中最常见的类型，现有技术中，不能够准确的自动识别CT金属伪影，且不能够对CT图像中的CT金属伪影进行有效的修复处理，导致CT图像像质量下降，甚至无法分析，且容易掩盖病灶，造成漏诊误诊等问题。
为解决上述问题，本发明实施例通过获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；对原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；截取第一修复CT图像中金属伪影区域的边缘区域；基于图神经网络，按照边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。能够对其他伪影区域进行修复处理之后，截取金属伪影区域的边缘区域，基于图神经网络，匹配替代CT图像，进行替代修复，实现对CT图像中的CT金属伪影进行有效的修复处理，提高CT图像像质量，从而避免掩盖病灶，造成漏诊误诊的问题。
图1示出了本发明实施例提供的方法的流程图。
具体的，在本发明的一个优选实施例中，基于图神经网络的CT金属伪影消除方法，所述方法具体包括以下步骤：
步骤S100，获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域。
在本发明实施例中，在完成对患者的CT拍摄之后，获取原始CT图像，将原始CT图像与预设的标准CT图像进行比对，生成比对结果，进而根据比对结果，对原始CT图像中是否具有CT伪影的识别判断，在具有CT伪影时，标记金属伪影区域和其他伪影区域。
具体的，在本发明提供的优选实施方式中，所述获取原始CT图像，进行伪影识别，标记金属伪影区域和其他金属伪影具体包括以下步骤：
获取原始CT图像；
将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
在具有CT伪影时，标记金属伪影区域和其他伪影区域。
进一步的，所述基于图神经网络的CT金属伪影消除方法还包括以下步骤：
步骤S200，对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像。
在本发明实施例中，通过对原始CT图像中的其他伪影区域进行分类识别，从其他伪影区域中，分类标记噪声伪影区域和运动伪影区域，噪声伪影区域还包括敏感性伪影区域和存在非清晰边缘伪影区域，通过相应的滤波算法，对包括敏感性伪影区域和存在非清晰边缘伪影区域的噪声伪影区域进行处理，再通过相应的图像修复算法，对运动伪影区域进行处理，完成处理之后，生成第一修复CT图像。
具体的，在本发明提供的优选实施方式中，所述对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像具体包括以下步骤：
对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
对所述噪声伪影区域进行滤波算法处理；
对所述运动伪影区域进行图像修复算法处理；
生成第一修复CT图像。
进一步的，所述基于图神经网络的CT金属伪影消除方法还包括以下步骤：
步骤S300，截取所述第一修复CT图像中金属伪影区域的边缘区域。
在本发明实施例中，对第一修复CT图像进行金属伪影区域的边缘识别，标记金属伪影区域的边缘区域，进而从第一修复CT图像中，将金属伪影区域的边缘区域进行截取处理。
具体的，在本发明提供的优选实施方式中，所述截取所述第一修复CT图像中金属伪影区域的边缘区域具体包括以下步骤：
从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
对所述边缘区域进行截取处理。
进一步的，所述基于图神经网络的CT金属伪影消除方法还包括以下步骤：
步骤S400，基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
在本发明实施例中，基于图神经网络，对边缘区域进行匹配识别，按照匹配识别结果，筛选匹配CT图像，再根据金属伪影区域，从匹配CT图像中，截取出对应的替代CT图像，进而通过替代CT图像，对第一修复CT图像进行替代修复，生成第二修复CT图像。
具体的，在本发明提供的优选实施方式中，所述基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像具体包括以下步骤：
基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
进一步的，图2示出了本发明实施例提供的系统的应用架构图。
其中，在本发明提供的又一个优选实施方式中，基于图神经网络的CT金属伪影消除系统，包括：
伪影识别标记单元10，用于获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域。
在本发明实施例中，在完成对患者的CT拍摄之后，伪影识别标记单元10获取原始CT图像，将原始CT图像与预设的标准CT图像进行比对，生成比对结果，进而根据比对结果，对原始CT图像中是否具有CT伪影的识别判断，在具有CT伪影时，标记金属伪影区域和其他伪影区域。
具体的，在本发明提供的优选实施方式中，所述伪影识别标记单元10具体包括：
图像获取模块，用于获取原始CT图像；
标准对比模块，用于将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
伪影判断模块，用于按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
伪影标记模块，用于在具有CT伪影时，标记金属伪影区域和其他伪影区域。
进一步的，所述基于图神经网络的CT金属伪影消除系统还包括：
第一修复处理单元20，用于对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像。
在本发明实施例中，第一修复处理单元20通过对原始CT图像中的其他伪影区域进行分类识别，从其他伪影区域中，分类标记噪声伪影区域和运动伪影区域，噪声伪影区域还包括敏感性伪影区域和存在非清晰边缘伪影区域，通过相应的滤波算法，对包括敏感性伪影区域和存在非清晰边缘伪影区域的噪声伪影区域进行处理，再通过相应的图像修复算法，对运动伪影区域进行处理，完成处理之后，生成第一修复CT图像。
具体的，在本发明提供的优选实施方式中，所述第一修复处理单元20具体包括：
其他分类模块，用于对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
噪声处理模块，用于对所述噪声伪影区域进行滤波算法处理；
运动处理模块，用于对所述运动伪影区域进行图像修复算法处理；
第一生成模块，用于生成第一修复CT图像。
进一步的，所述基于图神经网络的CT金属伪影消除系统还包括：
边缘区域截取单元30，用于截取所述第一修复CT图像中金属伪影区域的边缘区域。
在本发明实施例中，边缘区域截取单元30对第一修复CT图像进行金属伪影区域的边缘识别，标记金属伪影区域的边缘区域，进而从第一修复CT图像中，将金属伪影区域的边缘区域进行截取处理。
具体的，在本发明提供的优选实施方式中，所述边缘区域截取单元30具体包括：
边缘标记模块，用于从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
截取处理模块，用于对所述边缘区域进行截取处理。
进一步的，所述基于图神经网络的CT金属伪影消除系统还包括：
第二修复处理单元40，用于基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
在本发明实施例中，第二修复处理单元40基于图神经网络，对边缘区域进行匹配识别，按照匹配识别结果，筛选匹配CT图像，再根据金属伪影区域，从匹配CT图像中，截取出对应的替代CT图像，进而通过替代CT图像，对第一修复CT图像进行替代修复，生成第二修复CT图像。
具体的，在本发明提供的优选实施方式中，所述第二修复处理单元40具体包括：
匹配识别模块，用于基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
替代截取模块，用于根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
第二生成模块，用于通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于图神经网络的CT金属伪影消除方法，其特征在于，所述方法具体包括以下步骤：
获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；
对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；
截取所述第一修复CT图像中金属伪影区域的边缘区域；
基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
2.根据权利要求1所述的基于图神经网络的CT金属伪影消除方法，其特征在于，所述获取原始CT图像，进行伪影识别，标记金属伪影区域和其他金属伪影具体包括以下步骤：
获取原始CT图像；
将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
在具有CT伪影时，标记金属伪影区域和其他伪影区域。
3.根据权利要求1所述的基于图神经网络的CT金属伪影消除方法，其特征在于，所述对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像具体包括以下步骤：
对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
对所述噪声伪影区域进行滤波算法处理；
对所述运动伪影区域进行图像修复算法处理；
生成第一修复CT图像。
4.根据权利要求1所述的基于图神经网络的CT金属伪影消除方法，其特征在于，所述截取所述第一修复CT图像中金属伪影区域的边缘区域具体包括以下步骤：
从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
对所述边缘区域进行截取处理。
5.根据权利要求1所述的基于图神经网络的CT金属伪影消除方法，其特征在于，所述基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像具体包括以下步骤：
基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
6.基于图神经网络的CT金属伪影消除系统，其特征在于，所述系统包括伪影识别标记单元、第一修复处理单元、边缘区域截取单元和第二修复处理单元，其中：
伪影识别标记单元，用于获取原始CT图像，进行伪影识别，标记金属伪影区域和其他伪影区域；
第一修复处理单元，用于对所述原始CT图像中的其他伪影区域进行修复处理，生成第一修复CT图像；
边缘区域截取单元，用于截取所述第一修复CT图像中金属伪影区域的边缘区域；
第二修复处理单元，用于基于图神经网络，按照所述边缘区域，匹配替代CT图像，进行替代修复，生成第二修复CT图像。
7.根据权利要求6所述的基于图神经网络的CT金属伪影消除系统，其特征在于，所述伪影识别标记单元具体包括：
图像获取模块，用于获取原始CT图像；
标准对比模块，用于将所述原始CT图像与预设的标准CT图像进行比对，生成比对结果；
伪影判断模块，用于按照所述比对结果，进行伪影识别，判断是否具有CT伪影；
伪影标记模块，用于在具有CT伪影时，标记金属伪影区域和其他伪影区域。
8.根据权利要求6所述的基于图神经网络的CT金属伪影消除系统，其特征在于，所述第一修复处理单元具体包括：
其他分类模块，用于对所述原始CT图像中的其他伪影区域进行分类，标记噪声伪影区域和运动伪影区域；
噪声处理模块，用于对所述噪声伪影区域进行滤波算法处理；
运动处理模块，用于对所述运动伪影区域进行图像修复算法处理；
第一生成模块，用于生成第一修复CT图像。
9.根据权利要求6所述的基于图神经网络的CT金属伪影消除系统，其特征在于，所述边缘区域截取单元具体包括：
边缘标记模块，用于从所述第一修复CT图像中，标记金属伪影区域的边缘区域；
截取处理模块，用于对所述边缘区域进行截取处理。
10.根据权利要求6所述的基于图神经网络的CT金属伪影消除系统，其特征在于，所述第二修复处理单元具体包括：
匹配识别模块，用于基于图神经网络，对所述边缘区域进行匹配识别，筛选匹配CT图像；
替代截取模块，用于根据所述金属伪影区域，截取所述匹配CT图像中对应的替代CT图像；
第二生成模块，用于通过所述替代CT图像，对所述第一修复CT图像进行替代修复，生成第二修复CT图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587519.3A CN116309923A (zh) | 2023-05-24 | 2023-05-24 | 基于图神经网络的ct金属伪影消除方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587519.3A CN116309923A (zh) | 2023-05-24 | 2023-05-24 | 基于图神经网络的ct金属伪影消除方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116309923A true CN116309923A (zh) | 2023-06-23 |
Family
ID=86785462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587519.3A Pending CN116309923A (zh) | 2023-05-24 | 2023-05-24 | 基于图神经网络的ct金属伪影消除方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309923A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808718A (zh) * | 2024-02-29 | 2024-04-02 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701778A (zh) * | 2016-01-11 | 2016-06-22 | 赛诺威盛科技（北京）有限公司 | 一种从ct图像中去除金属伪影的方法 |
| CN106909947A (zh) * | 2017-03-03 | 2017-06-30 | 中南大学 | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 |
| CN108352078A (zh) * | 2015-09-15 | 2018-07-31 | 上海联影医疗科技有限公司 | 图像重建系统和方法 |
| CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
| CN110060313A (zh) * | 2019-04-19 | 2019-07-26 | 上海联影医疗科技有限公司 | 一种图像伪影校正方法和系统 |
| CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
| CN111656405A (zh) * | 2018-01-26 | 2020-09-11 | 皇家飞利浦有限公司 | 使用深度学习来减少金属伪影 |
| CN111681204A (zh) * | 2020-04-30 | 2020-09-18 | 北京深睿博联科技有限责任公司 | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 |
| CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
| US20210012543A1 (en) * | 2019-07-11 | 2021-01-14 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
-
2023
- 2023-05-24 CN CN202310587519.3A patent/CN116309923A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108352078A (zh) * | 2015-09-15 | 2018-07-31 | 上海联影医疗科技有限公司 | 图像重建系统和方法 |
| CN105701778A (zh) * | 2016-01-11 | 2016-06-22 | 赛诺威盛科技（北京）有限公司 | 一种从ct图像中去除金属伪影的方法 |
| CN106909947A (zh) * | 2017-03-03 | 2017-06-30 | 中南大学 | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 |
| CN111656405A (zh) * | 2018-01-26 | 2020-09-11 | 皇家飞利浦有限公司 | 使用深度学习来减少金属伪影 |
| CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
| CN110060313A (zh) * | 2019-04-19 | 2019-07-26 | 上海联影医疗科技有限公司 | 一种图像伪影校正方法和系统 |
| US20210012543A1 (en) * | 2019-07-11 | 2021-01-14 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
| CN110866880A (zh) * | 2019-11-14 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
| CN111681204A (zh) * | 2020-04-30 | 2020-09-18 | 北京深睿博联科技有限责任公司 | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 |
| CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李海燕 等: "基于U-net边缘生成和超图卷积的两阶段修复算法", 《东北大学学报(自然科学版)》, pages 331 - 338 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808718A (zh) * | 2024-02-29 | 2024-04-02 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
| CN117808718B (zh) * | 2024-02-29 | 2024-05-24 | 江西科技学院 | 基于互联网的提升医学影像数据质量的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4149598B2 (ja) | 画像収集中にｘ線イメージングシステムのコリメータを自動設定する方法、およびｘ線イメージングシステム | |
| US7359542B2 (en) | Method and apparatus for detecting anomalous shadows | |
| Said et al. | Teeth segmentation in digitized dental X-ray films using mathematical morphology | |
| EP1035508B1 (en) | Automated method and system for the segmentation of medical images | |
| JPH09508815A (ja) | 乳房ｘ線写真における、改良された、コンピュータによる、腫瘤の発見および分類のための自動的方法およびシステム | |
| CN116309923A (zh) | 基于图神经网络的ct金属伪影消除方法及系统 | |
| US20110188743A1 (en) | Image processing apparatus, image processing method, image processing system, and recording medium | |
| US7912263B2 (en) | Method for detecting clipped anatomy in medical images | |
| CN113506294A (zh) | 一种医疗图像评估方法、系统、计算机设备及存储介质 | |
| US8189896B2 (en) | Alignment apparatus for aligning radiation images by evaluating an amount of positional shift, and recording medium storing a program for aligning radiation images | |
| US20120275679A1 (en) | System and method for shutter detection | |
| US9582892B2 (en) | Radiation imaging apparatus, radiation imaging method, and program | |
| US20090010486A1 (en) | Modifying Software To Cope With Changing Machinery | |
| US7049616B2 (en) | Methods, apparatus, and software for adjusting the focal spot of an electron beam | |
| Chandran et al. | Segmentation of dental radiograph images | |
| JP2002158923A (ja) | 異常陰影検出方法および装置 | |
| CN113269733B (zh) | 一种断层扫描图像中放射粒子的伪影检测方法 | |
| Mol et al. | Application of digital image analysis in dental radiography for the description of periapical bone lesions: a preliminary study | |
| US6650725B2 (en) | Method for reducing artifacts in CT images that are caused by high-density structures | |
| JP4650114B2 (ja) | 画像処理方法および画像処理装置ならびに画像処理プログラム | |
| Elaiwat et al. | An automated system for cephalometric soft-tissue landmark detection | |
| Kawashita et al. | Collimation detection in digital radiographs using plane detection hough transform | |
| Naik et al. | Algorithm to detect fracture from OPG images using texture analysis | |
| JP7173338B2 (ja) | 骨部画像解析方法および学習方法 | |
| JPH10154226A (ja) | 放射線画像処理装置 |
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 |