CN116434918A - 医学图像处理方法及计算机可读存储介质 - Google Patents
医学图像处理方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116434918A CN116434918A CN202111652660.4A CN202111652660A CN116434918A CN 116434918 A CN116434918 A CN 116434918A CN 202111652660 A CN202111652660 A CN 202111652660A CN 116434918 A CN116434918 A CN 116434918A
- Authority
- CN
- China
- Prior art keywords
- medical image
- medical
- processing method
- artifact
- image processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 38
- 238000013441 quality evaluation Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 210000003739 neck Anatomy 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000002184 metal Substances 0.000 description 7
- 238000001303 quality assessment method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 240000004282 Grewia occidentalis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000264 spin echo pulse sequence Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000001490 effect on brain Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种医学图像处理方法及计算机可读存储介质，包括：获取待检测的多张医学图像；对多张所述医学图像进行初步筛查，以确定候选医学图像；对所述候选医学图像进行图像质量评估，以获取质量评估结果。本发明提供的医学图像处理方法，在对医学图像进行质量评估之前，先通过初步筛查确定出候选医学图像，可以对图像质量进行快速筛查，节省算力，提高了图像质量的检测效率。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种医学图像处理方法及计算机可读存储介质。
背景技术
在医学成像系统中，图像质量取决于很多因素，例如空间分辨率，组织对比度，信号噪比，对比噪声比，图像缺陷。为了呈现出最好的图像质量，硬件和扫描参数都根据不同的器官或是病理进行过优化。在扫描中，但是由于被检体的生理因素影响(呼吸、心跳，身体结构)，扫描时候被检者的运动会导致图像质量变差，从而不满足临床诊断要求。
为了保证扫描质量，在扫描中，用户需要手动调取并观察扫描出的图像，评估图像中包含的信息的完整性以确保在处理数据分析之前它们具有可接受的质量，并确定是否需要重扫以保证需求。特别是对于全身成像，但由于硬件的限制，只能以若干床位分别采集的方式完成全身图像采集，加上每个床位上常规磁共振扫描都要包含不同加权的图像，如T1、T2、DWI，以及相同加权图像的不同方位采集，如T2横断位、T2冠状位，不同参数采集等。另外，针对不同的疾病可能在某些部位还会加扫更有针对性的磁共振序列进行鉴别诊断。因此最终导致MR常规检查的序列就有至少二十个，在图像浏览观测图像质量的时候。这一过程耗时且费力，无疑给医生增加了负担。
伪影(Artifacts)是指原本被扫描物体并不存在而在图像上却出现的各种形态的影像，伪影是造成医学图像质量降低的重要因素，甚至会极大影响医生对病变的分析诊断。因此，作为医学诊断依据，医学图像伪影识别至关重要。传统的可以使用学习的方法(机器/深度学习)去预测伪影，精度越高，模型越大，计算机需求算力越大。实际应用中有图像质量问题图像不到5％，如果对每张扫描出来的医学图像进行图像质量分析运算量巨大，且会影响其他算法的运行。因此，有必要提供一种快速图像质量筛查方法来节省算力，提高图像质量的检测效率。
发明内容
本发明的目的在于一种医学图像处理方法及计算机可读存储介质，以实现图像质量的快速筛查，节省算力，提高图像质量的检测效率。
为达到上述目的，本发明提供一种医学图像处理方法，包括：
获取待检测的多张医学图像；
对多张所述医学图像进行初步筛查，以确定候选医学图像；
对所述候选医学图像进行图像质量评估，以获取质量评估结果。
可选的，对多张所述医学图像进行初步筛查，以确定候选医学图像包括：
分割至少一张所述医学图像中的组织区域；
根据分割后的所述医学图像分别设定第一阈值和第二阈值，并计算评估参数，所述评估参数为所述医学图像中像素值介于所述第一阈值和所述第二阈值之间的像素的个数与所述组织区域中像素个数的比值；
根据所述评估参数与一设定阈值之间的关系，从多张所述医学图像进行初步筛查得到候选医学图像。
可选的，提取所述医学图像的背景中最大像素值作为第一阈值，提取所述组织区域中最小像素值作为第二阈值。
可选的，分割所述医学图像中的组织区域之前还包括对所述医学图像中身体部位的识别。
可选的，对所述医学图像中身体部位的识别之前还包括对所述医学图像进行预处理，所述预处理包括降采样、滤波处理或者归一化处理。
可选的，当所述评估参数大于所述设定阈值时，则判定所述医学图像为所述候选医学图像。
可选的，采用经训练的神经网络模型对所述候选医学图像的质量进行评估，所述质量通过图像完整性、图像对比度、图像信噪比、图像分辨率中的至少一种图像属性参数表征。
可选的，所述质量评估结果包括正常、一般、中度异常或重度异常。
可选的，所述医学图像为通过扫描仪对扫描对象扫描获得，所述医学图像处理方法还包括：根据所述质量评估结果，确定所述扫描仪的状态参数。
本发明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存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现上述任意一项所述的医学图像处理方法。
综上，本发明提供一种医学图像处理方法及计算机可读存储介质，包括：获取待检测的多张医学图像；对多张所述医学图像进行初步筛查，以确定候选医学图像；对所述候选医学图像进行图像质量评估，以获取质量评估结果。本发明提供的医学图像处理方法，在对医学图像进行质量评估之前，先通过初步筛查确定出候选医学图像，可以对图像质量进行快速筛查，节省算力，提高了图像质量的检测效率。
附图说明
图1为本发明一实施例提供的医学图像处理方法的流程图；
图2为本发明一实施例提供的医学图像处理方法中候选医学图像的获取过程的流程图；
图3为本发明一实施例提供的医学图像处理方法中分割医学图像中非组织区域与组织区域的示意图；
图4为本发明一实施例提供的医学图像处理方法中伪影质量评估采用的两层CNN的卷积神经网络的结构框图；
图5为本发明一实施例提供的医学图像处理方法中建立伪影筛查网络模型的流程图；
图6为本发明另一实施例提供的医学图像处理方法的流程图；
图7为本发明一实施例提供的医学图像处理方法中质量评估结果的获取过程的流程图。
具体实施方式
以下结合附图和具体实施例对本发明的医学图像处理方法及计算机可读存储介质作进一步详细说明。根据下面的说明和附图，本发明的优点和特征将更清楚，然而，需说明的是，本发明技术方案的构思可按照多种不同的形式实施，并不局限于在此阐述的特定实施例。附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
在说明书中的术语“第一”、“第二”等用于在类似要素之间进行区分，且未必是用于描述特定次序或时间顺序。要理解，在适当情况下，如此使用的这些术语可替换，例如可使得本文所述的本发明实施例能够以不同于本文所述的或所示的其他顺序来操作。类似的，如果本文所述的方法包括一系列步骤，且本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序，且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。若某附图中的构件与其他附图中的构件相同，虽然在所有附图中都可轻易辨认出这些构件，但为了使附图的说明更为清楚，本说明书不会将所有相同构件的标号标于每一图中。
本实施例提供一种医学图像处理方法，图1为本实施例提供的医学图像处理方法的流程图，如图1所示，本实施例提供的医学图像处理方法，包括：
步骤S11：获取待检测的多张医学图像；
步骤S12：对多张医学图像进行初步筛查，以确定候选医学图像；
步骤S13：对候选医学图像进行图像质量评估，以获取质量评估结果。
可选的，多张医学图像可以通过医疗设备的扫描仪实时重建获得，或者通过医学图像数据管理系统例如图片存档及通信系统(PACS)获得。可选的，医学图像处理方法可通过一后处理软件执行。可选的，可将多张医学图像存储在一个按照医学通信标准DICOM的文件中。DICOM标准(Digital Imaging and Communication in Medicine，医学中的数字成像和通信)对用于放射图像的格式和描述参数的结构以及交换这些图像的命令进行了标准化，也对其它数据对象如图像序列、检查序列以及检查报告进行了标准化。
可选的，候选医学图像的确定过程可以等效为对多张医学图像进行初步识别的过程。可选的，对多张医学图像进行初步筛查可通过计算每张医学图像的分辨率实现，可通过计算每张医学图像的信噪比实现，可通过计算每张医学图像的对比度实现，又或者通过计算每张医学图像是否存在感兴趣区域(ROI)来确定图像是否完整。
可选的，对多张所述医学图像进行初步筛查，以确定候选医学图像包括：分割至少一张医学图像中的组织区域；根据分割后的医学图像分别设定第一阈值和第二阈值，并计算评估参数，该评估参数为医学图像中像素值介于所述第一阈值和所述第二阈值之间的像素的个数与组织区域中像素个数的比值；根据评估参数与一设定阈值之间的关系，从多张医学图像进行初步筛查得到候选医学图像。第一阈值与第二阈值不同，例如：第一阈值可根据医学图像的背景(例如非组织区域)所包含像素的像素值确定，第二阈值可通过医学图像中的组织区域确定，具体通过医学图像中的组织区域所包含像素的像素值确定。本申请实施例中的评估参数可以是医学图像质量参数。评估参数可以是伪影参数、分辨率参数、对比度参数或完整性参数等。当然，第一阈值、第二阈值也可通过经验值设定，本申请实施例中对比不作限定。
可选的，候选医学图像的质量评估结果，例如可以是医学图像出现的伪影程度/等级，医学图像所对应的对比度等级，医学图像能否适用于/能够用于当前临床诊断等。可选的，医学图像中的伪影可以包括：自主运动产生的运动伪影、相位缠绕产生的卷褶伪影；梯度火花伪影；检测对象携带金属产生的金属伪影；散射的shading状伪影；对比剂/示踪剂带来的伪影；截断伪影；呼吸运动伪影等。
在一个实施例中，候选医学图像通过初步筛查医学图像中是否存在运动伪影获得，该运动伪影造成图像背景的模糊。如图2所示，候选医学图像的获取包括：
步骤S21：获取待检测的医学图像；
步骤S22：分割至少一张所述医学图像中的组织区域和非组织区域；
步骤S23：提取所述医学图像的背景的设定区域的任一像素值作为第一阈值M1、所述组织区域的任一像素值作为第二阈值M2，并计算伪影参数P，所述伪影参数P为所述医学图像中像素值介于所述第一阈值M1和所述第二阈值M2之间的像素的个数M与所述组织区域中像素个数N的比值；以及，
步骤S24：根据所述伪影参数P与一设定阈值之间的关系以判定所述医学图像无伪影。
具体的，首先，获取待检测的医学图像。所述医学图像可以是多源医学图像，即来自不同类型的医学图像，如CT、MRI等；或来自不同医院设备的医学图像。例如医学图像为MRI，其中，扫描场强包括1.5T(特斯拉)、3.0T等，扫描部位包括头横断位、头冠状位、头矢状位、颈横断位、颈冠状位、颈矢状位等，扫描方向包括冠状位、矢状位、横断位，扫描序列包括梯度回波脉冲序列(GRE)或快速自旋回波脉冲序列(FSE)。本实施例提供的图形筛选方法能够支持不同部位的伪影识别，如头部、脊柱、下肢等；支持不同伪影类型的识别，如运动伪影、金属伪影等。
接着，对所述医学图像进行预处理。所述预处理包括降采样、滤波处理或者归一化处理等。例如将所述医学图像降采样到降采样到320*320大小。
接着，对所述医学图像中的身体部位进行识别。示例性的，可以根据人体区域的形态来实现划分。由于人体器官或者组织其形态是通常具有相同的共性，例如：肾的形状为豆子形，乳房为山丘形。相应的，器官或者组织在人体区域图像中的灰度分布特征通常也在一定的预设范围内，基于人体区域图像中的灰度分布特征，能够将非组织区域从人体区域图像中划分出来，利于候选图像的快速筛选。
接着，如图3所示，分割所述医学图像中的组织区域和非组织区域。例如采用阈值法分割组织和非组织区域，阈值法分割组织和非组织区域过程中阈值的选取根据所述医学图像的背景噪音/噪声决定。医学图像是否出现背景噪声或者在背景噪声上是否平坦决定了基于图像处理的伪影筛查方法是否稳定。在纯净背景噪声环境下，即使简单的阈值分割检测方法也能够得到较好的伪影检测效果，然而，一般情况下，我们得到的医学图像信号均会存在背景噪声。因此，我们建立的医学图像处理方法必须对噪声具有较好的鲁棒性。即在组织区域和非组织区域分割过程中根据医学图像的背景噪音决定阈值法分割的阈值。另外，对于不同采集方式获取的医学图像的图像数据，背景噪音提取方式也相应不同。
接着，提取所述医学图像的背景的设定区域的任一像素值作为第一阈值M1，提取所述组织区域的任一像素值作为第二阈值M2，并计算伪影参数P，其中，所述伪影参数P为所述医学图像中像素值介于所述第一阈值M1和所述第二阈值M2之间的像素的个数M与所述组织区域中像素个数N的比值，即P＝M/N。可选的，背景区域的设定区域可以为包含四角信息的区域。四角信息例如可以是医学图像的左上角、左下角、右上角、右上角等包含的显示模式信息、图像属性信息等。
接着，参考图2所示，根据所述伪影参数P与一设定阈值之间的关系以判定所述医学图像无伪影。具体的，判断所述伪影参数P与一设定阈值之间的关系，当所述伪影参数P大于一设定阈值时，则判定所述医学图像存在伪影(输出1)，当所述伪影参数P小于或等于一设定阈值时，则判定所述医学图像无伪影(输出0)。
对候选医学图像进行图像质量评估，以获取质量评估结果可通过机器学习网络模型实现。机器学习网络模型可以是DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)等，在机器学习网络模型是CNN时，其可以是V-Net模型、U-Net模型、生成式对抗网络Generative Adversarial Nets模型等。质量能够通过图像完整性、图像对比度、图像信噪比、图像分辨率中的至少一种图像属性参数表征。
在一个实施例中，质量通过图像信噪比表征。当判定所述医学图像存在伪影时，还需要对所述伪影的质量进行评估。可以采用神经网络对所述伪影的质量进行评估。通常采用Resnet 18或者Resnet 50做多分类伪影质量评估，例如可用简单的2层CNN进行伪影质量评估，如图4所示。伪影质量评估的结果以伪影程度表示，所述伪影程度包括正常、一般、中度异常或重度异常。
又或者，在一个实施例中，为了方便确定候选医学图像中的伪影对待处理医学图像质量的影响程度，机器学习网络模型输出的质量评估结果为伪影程度指示信息。可选的，计算机设备可以将伪影程度指示信息分级为一级，二级，三级以及四级，其中，一级可以表示候选医学图像正常，不受伪影影响；二级可以表示伪影对候选医学图像轻微影响，可继续使用；三级可以表示伪影对候选医学图像中度影响，无法临床使用；四级表示伪影对候选医学图像重度影响，无法临床使用。
伪影的质量评估也可以通过伪影筛查网络模型进行，如图5所示，所述伪影筛查网络模型的建立过程包括：
步骤S51：收集医学图像的图像数据，构建不同场景、不同伪影程度的数据集，并进行预处理，得到训练数据集；
步骤S52：构建部位识别网络，并根据所述图像数据获得所述医学图像对应场景的编号；
步骤S53：基于深度卷积神经网络，构建伪影筛查网络模型；
步骤S54：根据所述训练数据集和所述场景的编号对所述伪影筛查网络模型进行网络训练，并通过网络训练后的所述伪影筛查网络模型计算所述医学图像的伪影程度；
步骤S55：根据所述伪影筛查网络模型计算的伪影程度，适当调整所述数据集。
其中，步骤S51中的所述场景包括扫描部位和扫描序列，所述扫描部位包括头横断位、头冠状位、头矢状位、颈横断位、颈冠状位或颈矢状位，所述扫描序列包括梯度回波脉冲序列(GRE)或快速自旋回波脉冲序列(FSE)。所述伪影程度包括正常、一般、中度异常或重度异常。
根据质量评估结果可生成提示信息。在一个实施例中，若待处理医学图像中的伪影对候选医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则计算机设备输出提示信息。
其中，提示信息可以为一提示标识，用于提示用户确认是否接受候选医学图像的伪影，以及是否需要对候选医学图像对应的被扫描部位进行重新扫；或者，提示信息可以仅为一警示标识，用于指示待处理医学图像中存在影响图像质量的伪影；提示信息可以为具体的序列，该序列对应受伪影影响的医学图像，且该序列为整个医学成像扫描中一段时序。计算机设备输出提示信息的方式还可以是发出提示声音，也可以是发出提示红光，还可以是在显示屏上显示重新扫描的提示文字，本申请实施例对计算机设备输出提示信息的方式不做具体限定。
在一个实施例中，医学图像为通过扫描仪对扫描对象实时扫描并重建获得，如图6所示，医学图像处理方法包括：
步骤S61：获取待检测的多张医学图像；
步骤S62：对多张医学图像进行初步筛查，以确定候选医学图像；
步骤S63：对候选医学图像进行图像质量评估，以获取质量评估结果；
步骤S64：根据质量评估结果，确定扫描仪的状态参数。
扫描仪的状态参数可以是设备本身的运行状态参数，例如梯度参数、射频参数、主磁场参数等；扫描仪的状态参数还可是扫描对象的状态，例如是否携带金属、是否存在自主运动。可选的，扫描仪的状态参数的确定可以包括：根据质量评估结果确定候选医学图像的分辨率未达到设定值，扫描仪的扫描时长设置过短，需要延长扫描仪的扫描时间或者提高采样速率；或者，根据质量评估结果确定候选医学图像存在火花伪影，需要改变梯度波形；又或者，根据质量评估结果确定候选医学图像存在金属伪影，则扫描仪的扫描对象携带有金属，需要增加伪影抑制算法。
在一个实施例中，以候选医学图像存在运动伪影为例，如图7所示，质量评估结果的获取过程可以包括：
步骤S71，将候选医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息。
目标伪影识别模型对候选医学图像进行识别处理之后，可以输出目标伪影属性信息，其中，目标伪影属性信息用于指示候选医学图像中的伪影的属性特征。目标伪影属性信息可以包括伪影的大小信息、伪影的位置信息、伪影的数量信息以及伪影的种类信息中的至少一项信息。其中，伪影的种类可以包括拉链伪影、火花伪影、不自主运动伪影、呼吸伪影、血管搏动伪影等。伪影的种类还可根据来源划分为设备伪影和人为伪影，设备伪影例如包括成像系统的测量误差伪影、X射线束硬化伪影、成像系统高电压波动伪影、电子线路的温漂伪影、探测器漂移伪影等；人为伪影例如包括检测对象体位移动的伪影、体内器官蠕动的伪影、体内金属植入物伪影等。
步骤S72，将候选医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息。
其中，伪影程度指示信息用于指示候选医学图像中的伪影对候选医学图像的图像质量的影响程度。
具体地，在将候选医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息之后，计算机设备可以将候选医学图像以及目标伪影属性信息输入至目标伪影程度识别模型。目标伪影程度识别模型可以基于目标伪影属性信息确定候选医学图像中的伪影对候选医学图像的图像质量的影响程度。
可选的，目标伪影程度识别模型可以对候选医学图像进行识别，并划分待处理医学图像中的感兴趣区域和非感兴趣区域。其中，感兴趣区域可以是待处理医学图像中包括的被扫描部位。例如，在被扫描部位为脑部时，待处理图像中既包括脑部对应的图像信息，还包括小部分颈部对应的图像信息。目标伪影程度识别模型将待处理医学图像中的颈部划分为非感兴趣区域，并将待处理医学图像中的脑部划分为感兴趣区域。
目标伪影程度识别模型在确定了候选医学图像中的感兴趣区域之后，可以根据候选医学图像中感兴趣区域的位置信息、感兴趣区域的属性信息以及目标伪影的属性信息确定候选医学图像中的伪影对图像质量的影响程度。
示例性的，候选医学图像对应的被扫描部位为脑部，目标伪影程度识别模型对候选医学图像进行识别，将候选医学图像中的脑白质、脑灰质等脑部组织识别为感兴趣区域，并将候选医学图像中的颈部识别为非感兴趣区域。目标伪影程度模型根据目标伪影属性信息确定候选医学图像中的目标伪影为颈部运动伪影。由于颈部运动伪影对于脑部组织的影响甚小，因此，目标伪影程度识别模型确定候选医学图像中的伪影对图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值(例如信噪比阈值、对比度阈值)等的差值，确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值的差值越大，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值的差值越小，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影与被扫描部位之间的位置关系确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影距离被扫描部位的距离小于预设距离阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影距离被扫描部位的距离大于或等于预设距离阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影的面积大小确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影的面积超过预设的面积阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影的面积小于预设的面积阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影的数量多少确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影的数量超过预设的数量阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影的数量小于预设的数量阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，标伪影程度识别模型可以根据目标伪影的种类确定候选医学图像中的伪影对图像质量的影响程度。如果目标伪影的种类属于被扫描部位在扫描过程中不可避免的伪影的种类，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小；如果目标伪影的种类属于被扫描部位在扫描过程中可以避免的伪影的种类，则目标伪影程度识别模型确定待处理医学图像中的伪影对候选医学图像的图像质量的影响程度较大。
相应的，本发明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存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现如上述的医学图像处理方法。
综上所述，本发明提供一种医学图像处理方法及计算机可读存储介质，包括：获取待检测的多张医学图像；对多张所述医学图像进行初步筛查，以确定候选医学图像；对所述候选医学图像进行图像质量评估，以获取质量评估结果。本发明提供的医学图像处理方法，在对医学图像进行质量评估之前，先通过初步筛查确定出候选医学图像，可以对图像质量进行快速筛查，节省算力，提高了图像质量的检测效率。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (10)
1.一种医学图像处理方法，其特征在于，包括：
获取待检测的多张医学图像；
对多张所述医学图像进行初步筛查，以确定候选医学图像；
对所述候选医学图像进行图像质量评估，以获取质量评估结果。
2.根据权利要求1所述的医学图像处理方法，其特征在于，对多张所述医学图像进行初步筛查，以确定候选医学图像包括：
分割至少一张所述医学图像中的组织区域；
根据分割后的所述医学图像分别设定第一阈值和第二阈值，并计算评估参数，所述评估参数为所述医学图像中像素值介于所述第一阈值和所述第二阈值之间的像素的个数与所述组织区域中像素个数的比值；
根据所述评估参数与一设定阈值之间的关系，从多张所述医学图像进行初步筛查得到候选医学图像。
3.根据权利要求2所述的医学图像处理方法，其特征在于，提取所述医学图像的背景中最大像素值作为第一阈值，提取所述组织区域中最小像素值作为第二阈值。
4.根据权利要求2所述的医学图像处理方法，其特征在于，分割所述医学图像中的组织区域之前还包括对所述医学图像中身体部位的识别。
5.根据权利要求4所述的医学图像处理方法，其特征在于，对所述医学图像中身体部位的识别之前还包括对所述医学图像进行预处理，所述预处理包括降采样、滤波处理或者归一化处理。
6.根据权利要求2所述的医学图像处理方法，其特征在于，当所述评估参数大于所述设定阈值时，则判定所述医学图像为所述候选医学图像。
7.根据权利要求1所述的医学图像处理方法，其特征在于，采用机器学习模型对所述候选医学图像的质量进行评估，所述质量通过图像完整性、图像对比度、图像信噪比、图像分辨率中的至少一种图像属性参数表征。
8.根据权利要求7所述的医学图像处理方法，其特征在于，所述质量评估结果包括正常、一般、中度异常或重度异常。
9.根据权利要求1所述的医学图像处理方法，其特征在于，所述医学图像为通过扫描仪对扫描对象扫描获得，所述医学图像处理方法还包括：根据所述质量评估结果，确定所述扫描仪的状态参数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现如权利要求1至9任意一项所述的医学图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111652660.4A CN116434918A (zh) | 2021-12-30 | 2021-12-30 | 医学图像处理方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111652660.4A CN116434918A (zh) | 2021-12-30 | 2021-12-30 | 医学图像处理方法及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434918A true CN116434918A (zh) | 2023-07-14 |
Family
ID=87091197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111652660.4A Pending CN116434918A (zh) | 2021-12-30 | 2021-12-30 | 医学图像处理方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434918A (zh) |
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 |
| CN118037731A (zh) * | 2024-04-12 | 2024-05-14 | 泉州医学高等专科学校 | 一种医学图像管理系统 |
-
2021
- 2021-12-30 CN CN202111652660.4A patent/CN116434918A/zh active Pending
Cited By (4)
| 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 |
| CN118037731A (zh) * | 2024-04-12 | 2024-05-14 | 泉州医学高等专科学校 | 一种医学图像管理系统 |
| CN118037731B (zh) * | 2024-04-12 | 2024-07-16 | 泉州医学高等专科学校 | 一种医学图像管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7672517B2 (en) | Method for encoding image pixels a method for processing images and a method for processing images aimed at qualitative recognition of the object reproduced by one or more image pixels | |
| CN110506278B (zh) | 隐空间中的目标检测 | |
| US20190320934A1 (en) | Medical image acquisition with sequence prediction using deep learning | |
| US8588486B2 (en) | Apparatus and method for isolating a region in an image | |
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| JP5562598B2 (ja) | 画像表示装置、画像表示方法および磁気共鳴イメージング装置 | |
| US20040101179A1 (en) | Method and apparatus for partitioning a volume | |
| CN110807755A (zh) | 使用定位器图像进行平面选择 | |
| US20240055126A1 (en) | Medical Image Segmentation Using Deep Learning Models Trained with Random Dropout and/or Standardized Inputs | |
| KR20190061041A (ko) | 이미지 프로세싱 | |
| US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
| CN116434918A (zh) | 医学图像处理方法及计算机可读存储介质 | |
| US11257211B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
| US20210225491A1 (en) | Diagnostic image converting apparatus, diagnostic image converting module generating apparatus, diagnostic image recording apparatus, diagnostic image converting method, diagnostic image converting module generating method, diagnostic image recording method, and computer recordable recording medium | |
| CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
| CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
| CN115249279A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
| US8036730B1 (en) | Temporal magnetic resonance imaging | |
| Lu et al. | Cardiac chamber segmentation using deep learning on magnetic resonance images from patients before and after atrial septal occlusion surgery | |
| US20200022660A1 (en) | Systems and methods for cardiac triggering of an imaging system | |
| CN115700740A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
| CN115137342A (zh) | 基于深度学习的图像采集医学系统和方法 | |
| KR20200057463A (ko) | 진단 영상 변환 장치, 진단 영상 변환모듈 생성 장치, 진단 영상 촬영 장치, 진단 영상 변환 방법, 진단 영상 변환모듈 생성 방법, 진단 영상 촬영 방법, 및 컴퓨터 판독 가능한 기록매체 | |
| Chen et al. | “One-Shot” Reduction of Additive Artifacts in Medical Images | |
| US20240242400A1 (en) | Systems and methods for medical imaging |
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 |