CN116869555A - 扫描协议调节方法、装置以及存储介质 - Google Patents
扫描协议调节方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN116869555A CN116869555A CN202310827114.2A CN202310827114A CN116869555A CN 116869555 A CN116869555 A CN 116869555A CN 202310827114 A CN202310827114 A CN 202310827114A CN 116869555 A CN116869555 A CN 116869555A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- quality
- medical image
- protocol
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 238000013441 quality evaluation Methods 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001668 ameliorated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种扫描协议调节方法、装置以及存储介质,其中,所述方法包括:获取基于初始扫描协议得到的初始医学图像;从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。利用本申请实施例提供的扫描协议调节方法,可以提高扫描协议调节的效率以及准确性。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种扫描协议调节方法、装置以及存储介质。
背景技术
在医学成像系统中,图像质量取决于很多因素,比如空间分辨率、组织对比度、信噪比等。因这些因素而出现的图像质量方面的缺陷可以通过扫描协议如扫描参数的优化而得以改善,由此得到较好的图像质量。
相关技术中,一般需要用户根据个人的从医经验对图像质量进行判断,并给出对应的扫描协议调节意见。在这个过程中会引入主观性和可变性的因素,因为不同用户如放射科医师对图像质量可能存在差异。另外,用户往往不能结合多种因素对图像质量综合评估,给出的扫描协议调节意见的准确性难以得到保证。
因此,相关技术亟需一种高效率的扫描协议调节方法。
发明内容
基于此,针对上述技术问题,本申请提供了一种扫描协议调节方法、装置以及存储介质,能够解决相关技术中扫描协议调节不准确的问题。
第一方面,本申请实施例提供一种扫描协议调节方法,所述方法包括:
获取基于初始扫描协议得到的初始医学图像;
从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;
基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
本申请实施例提供的扫描协议调节方法,可以获取初始扫描协议对应的初始医学图像,并根据实际的诊断需求确定预设质量影响因素。之后,可以从多个图像质量检测模型中选取与所述预设质量影响因素对应的目标图像质量检测模型,由所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果。最后,可以根据所述目标质量评估结果对副本扫描协议进行调节,以确定目标扫描协议。该方法中,多个图像质量检测模型可以满足多种图像质量缺陷维度下的检测需求,使得扫描协议调节的应用场景更加多样化。用户还可以根据实际的需求选择不同的预设质量影响因素,这样用户就可以着重观察所需观察的图像质量缺陷,实现对图像质量的高效监控。另外,还可以根据目标质量评估结果自动调节扫描协议,从而大大提高得到的医学图像的质量。最后,由于调节的扫描协议为副本扫描协议,对初始扫描协议不做任何更改,这样可以保留初始扫描协议,便于后续的图像比较。
可选的,在本申请的一个实施例中,所述预设质量影响因素按照下述至少一种方式确定:
响应于输入指令,确定预设质量影响因素;
根据目标对象的特征数据,确定预设质量影响因素;其中,针对所述目标对象扫描得到的图像为所述初始医学图像。
可选的,在本申请的一个实施例中,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议,包括:
确定所述预设质量影响因素对应的预设参数调节规则;
根据所述目标质量评估结果以及所述预设参数调节规则对副本扫描协议进行对应调节,以确定目标扫描协议。
可选的,在本申请的一个实施例中,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,包括:
获取所述预设质量影响因素对应的基准评估结果;
根据所述目标质量评估结果与所述基准评估结果的比较结果,对副本扫描协议进行对应调节。
可选的,在本申请的一个实施例中,在所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议之后,所述方法还包括:
获取所述目标扫描协议对应的医学图像;
将所述医学图像与所述初始医学图像的对比结果显示于交互界面上。
可选的,在本申请的一个实施例中,所述预设质量影响因素包括图像伪影程度、图像空间分辨率、图像对比度、图像信噪比、图像背景噪声、图像的均匀性、压脂程度中的一个或多个。
可选的,在本申请的一个实施例中,所述图像质量检测模型利用不同质量缺陷类型的各类医学图像样本训练得到,所述各类医学图像样本中标注有对应的质量评估结果。
可选的,在本申请的一个实施例中,所述图像质量检测模型被设置为按照下述方式训练得到:
获取多个医学图像样本,所述医学图像样本中标注有参考图像质量;
构建图像质量检测模型,所述图像质量检测模型中设置有训练参数;
分别将所述多个医学图像样本输入至所述图像质量检测模型中,生成预测结果;
基于所述预测结果与所述参考图像质量之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
第二方面,本申请实施例提供一种扫描协议调节装置,所述装置包括:
医学图像获取模块,用于获取基于初始扫描协议得到的初始医学图像;
质量评估结果确定模块,用于从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;
扫描协议调节模块,用于基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述各个实施例所述方法的步骤。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种应用场景示意图;
图2为本申请一个实施例提供的扫描协议调节方法的方法流程图;
图3是本申请实施例提供的扫描协议调节装置的模块结构示意图;
图4是本申请实施例提供的处理设备的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的装置、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
请参见图1,图1是本申请实施例提供的一种应用场景示意图,该应用场景中可以包括客户端101、采集装置103和扫描协议调节装置105。所述客户端101可以接收用户配置的扫描参数并以此生成初始扫描协议。所述客户端101和所述采集装置103可以通信,以将生成的所述初始扫描协议发送至所述采集装置103,由所述采集装置103根据所述初始扫描协议针对目标对象进行扫描,得到初始医学图像。例如,所述采集装置103可以根据所述初始扫描协议对所述目标对象进行扫描,得到对应的生数据,之后可以对所述生数据进行重建得到所述初始医学图像。其中,所述采集装置103可以是具有数据采集能力和数据收发能力的电子设备。比如说所述采集装置103可以包括能够采集到医学图像的电子设备,例如计算机断层扫描(Computed Tomography,CT)设备、磁共振成像设备(Magnetic ResonanceImaging,MRI)、正电子发射型计算机断层显像(Positron Emission ComputedTomography,PET)等等,或者可以是由上述多种电子设备组合而成的多模成像设备,例如PET-CT设备、PET-MRI设备等等。对应的,所述采集装置103采集到的医学图像可以为计算机断层图像、磁共振图像或正电子发射断层图像等等。所述采集装置103和所述扫描协议调节装置105可以通信,以将获取的所述初始医学图像发送至所述扫描协议调节装置105,由所述扫描协议调节装置105根据所述初始医学图像对扫描协议进行调节,确定符合要求的目标扫描协议。
所述客户端101可以是具有显示屏且可以提供配置接口的各种电子设备,包括但不限于智能手机、计算机(包括笔记本电脑,台式电脑)、平板电子设备、个人数字助理(PDA)等。所述扫描协议调节装置105可以是具有数据处理能力和数据收发能力的电子设备,所述电子设备可以是物理设备或物理设备集群,例如服务器、或服务器集群等。当然,所述电子设备也可以是虚拟化的云设备,例如云计算集群中的至少一个云计算设备,本申请在此对所述电子设备的形式不做限制。
下面结合附图对本申请所述的扫描协议调节方法进行详细的说明。图2是本申请提供的扫描协议调节方法的一种实施例的流程示意图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际中的扫描协议调节过程中或者方法执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
具体的,本申请提供的扫描协议调节方法的一种实施例如图2所示,所述方法可以包括:
S201:获取基于初始扫描协议得到的初始医学图像。
本申请实施例中,扫描协议是对目标对象进行扫描时控制医疗设备如采集装置103运行的协议。各种所述医疗设备都有其对应的扫描协议。例如,所述扫描协议可以包括所述医疗设备101扫描操作的步骤逻辑、扫描参数、床位信息等等。所述扫描参数可以包括扫描范围、扫描电压、扫描电流、扫描时间、扫描开始位置、扫描结束位置、扫描模式等等。其中,所述扫描模式可以包括所述扫描模式可以包括常规扫描如平扫、增强扫描。所述增强扫描可以包括动态增强、特异性对比剂增强扫描等等。所述扫描范围可以包括扫描视野大小和位置,以及相邻扫描范围之间的重叠区域参数,如重叠比例和重叠区域的上下边缘坐标等。在本申请其他实施例中,所述扫描参数还可以包括所述医疗设备的系统参数。可以理解的是,不同的医疗设备,其系统参数也各不相同。例如,当成像系统为MRI系统或PET-MRI系统时,系统参数可以为包含主磁场参数B0、射频磁场参数B1和梯度场参数等。所述床位信息可以包括扫描所需的床位数量以及各床位的位置信息(床位中心坐标)。在本申请的一个实施例中,所述初始扫描协议可以实时生成,例如用户根据自身经验设定不同的扫描参数,所述客户端101在接收用户的指令后可以实时生成对应的初始扫描协议。其中,所述用户可以是医生、护士、临床病理学家、医学成像专家、放射科医师、超声医师(Sonographer)等等。在本申请其他实施例中,所述初始扫描协议也可以从其他终端或者其他医疗设备中获取,本申请对此不做限制。
本申请实施例中,在获取所述初始扫描协议后,可以根据所述初始扫描协议确定对应的初始医学图像。例如,所述医疗设备可以根据所述初始扫描协议对所述目标对象的对应部位进行扫描,得到所述初始医学图像。所述目标对象可以是生命体,例如可以是人体或者动物体。当然,也可以通过数字图像处理技术,根据所述初始扫描协议在人体数字模型上进行模拟成像,以产生与所述初始扫描协议相对应的预览图像。所述人体数字模型可以是XCAT模型或者通过GATE软件模拟产生的医学领域常用的标准人体数字模型。所述预览图像的成像部位可以与所述目标对象的待扫描部位相对应,所述预览图像可以近似视为根据所述初始扫描协议对所述目标对象进行扫描成像得到的初始医学图像。可以理解的是,所述初始医学图像可以在显示屏等显示设备上显示给用于,方便用户进行观察判断。
S203:从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果。
在实际的应用中,图像质量取决于很多影响因素,比如空间分辨率、组织对比度、信噪比等,不同的影响因素会使得医学图像出现不同质量方面的缺陷。若使用同一图像质量检测模型则不能得到不同影响因素下的质量评估结果。也就是说,质量评估结果并不全面。另外,不同用户在判断图像质量时所关心的影响因素并不相同,固定的图像质量检测模型并不能据此得到不同影响因素下的质量评估结果。基于此,本申请实施例中,可以预先构建多个质量影响因素对应的图像质量检测模型,这样就可以按照实际的应用需求选择不同的图像质量检测模型对所述初始医学图像的图像质量进行评估,得到不同质量影响因素下的质量评估结果。在本申请的一个实施例中,所述预设质量影响因素包括图像伪影程度、图像空间分辨率、图像对比度、图像信噪比、图像背景噪声、图像的均匀性、压脂程度中的一个或多个。其中,所述图像对比度可以为所述初始医学图像中明暗区域明与暗之间的对比度,例如最亮区域的白和最暗区域的黑之间不同亮度层级的对比,也可以理解为一幅图像中灰度反差的大小。所述图像的均匀性可以为所述医疗设备扫描所述目标对象时获取的图像信号的均匀程度。例如,核磁共振扫描时,扫描所述目标对象的组织器官和/或病灶中的氢原子核在外部强磁场作用下产生的磁共振信号大小的均匀程度。所述图像背景噪声可以为存在于所述初始医学图像中的不需要或多余的干扰信息的占比。例如,在图像中某些区域可能会存在的一些孤立的噪声点。所述图像伪影程度可以为对所述初始医学图像中伪影的消除或抑制程度。
在本申请的一个实施例中,所述预设质量因素可以由用户根据自身需求设定,具体来说,可以响应于输入指令,确定预设质量影响因素。例如,所述扫描协议调节装置105可以提供一种交互界面,所述交互界面可以包括输入框、选择框、确认按钮等等。用户可以通过手动输入、语音输入等方式在所述输入框中输入预设质量影响因素,并在输入完成后触发确认按钮以生成输入指令。所述扫描协议调节装置105可以响应于所述输入指令,确定对应的预设质量影响因素。所述选择框可以包括单选框、下拉框等。用户还可以根据需求选择对应的预设质量影响因素。
在实际的应用中,在使用医疗设备对所述目标对象进行扫描时,目标对象的特征数据如身高、体重、年龄等也会对扫描参数如扫描层数、扫描厚度等产生影响,以使得采集得到的初始医学图像的图像质量受到影响。基于此,在本申请的另一个实施例中,还可以根据目标对象的特征数据,确定预设质量影响因素;其中,针对所述目标对象扫描得到的图像为所述初始医学图像。所述特征数据可以根据所述目标对象的建档信息确定,也可以从第三方如某健康应用程序中获取。其中,所述特征数据可以包括所述目标对象的基本信息如身高、体重、性别、年龄等,也可以包括所述目标对象的呼吸频率、心跳频率等等。
本申请实施例中,在确定所述预设质量影响因素后,可以从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型。所述图像质量检测模块可以利用多个医学图像样本训练得到。所述图像质量检测模型可以包括基于机器学习方式训练得到的模型。在一些示例中,所述机器学习方式可以包括K近邻算法、感知机算法、决策树、支持向量机、逻辑斯底回归、最大熵、深度学习算法等,所述深度学习算法可以包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent NeuralNetwork,RNN)等等,本申请在此不做限制。各个所述图像质量检测模型可以利用不同的医学图像样本训练得到。其中不同的医学图像样本可以包括医学图像样本所包含的质量缺陷类型不同。在本申请的一个实施例中,在确定所述目标图像质量检测模型后,可以将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型提取特征、判断质量后输出所述初始医学图像对应的目标质量评估结果。所述质量评估结果可以是具体的数值,也可以是等级如压脂程度高、压脂程度低等等。对应的,所述质量评估结果可以通过多种形式呈现,比如图形化的方式、指标化的方式等等。通过上述实施例,可以根据不同的图像质量检测模型确定不同缺陷类型的质量评估结果,增加了医学图像信息的可读性,方便用户进行高效的判别和理解整体扫描的图像质量。
S205:基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
在实际的应用中,一般的图像质量检测流程只停留在输出质量评估结果后,若用户没有从医经验或者从医经验不多,则无法根据质量评估结果对后续的成像过程给出建议或者无法进行后续的其他工作。基于此,本申请实施例中,可以基于所述目标质量评估结果对扫描协议进行对应调节,以确定目标扫描协议。在确定所述目标扫描协议后,可以基于所述目标扫描协议获取符合图像质量要求且符合满足临床诊断要求的目标医学图像,以方便用户进行观察并给出合理的诊断结果。在本申请的一个实施例中,为了保留初始扫描协议,以便后续进行前后扫描协议的对比,可以创建所述初始扫描协议的副本扫描协议。这样,在进行扫描协议调节的过程中,可以只针对所述副本扫描协议进行调节,保留原有的初始扫描协议。
本申请实施例提供的扫描协议调节方法,可以获取初始扫描协议对应的初始医学图像,并根据实际的诊断需求确定预设质量影响因素。之后,可以从多个图像质量检测模型中选取与所述预设质量影响因素对应的目标图像质量检测模型,由所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果。最后,可以根据所述目标质量评估结果对副本扫描协议进行调节,以确定目标扫描协议。该方法中,多个图像质量检测模型可以满足多种图像质量缺陷维度下的检测需求,使得扫描协议调节的应用场景更加多样化。用户还可以根据实际的需求选择不同的预设质量影响因素,这样用户就着重观察所需观察的图像质量缺陷,实现对图像质量的高效监控。另外,还可以根据目标质量评估结果自动调节扫描协议,从而大大提高得到的医学图像的质量。最后,由于调节的扫描协议为副本扫描协议,对初始扫描协议不做任何更改,这样可以保留初始扫描协议,便于后续的图像比较。
在实际的应用中,由于各个质量影响因素均有其对应的参数调节规则,例如压脂程度不够可以通过改善压脂系数以优化图像质量。因此,在本申请的一个实施例中,在确定所述目标质量评估结果后,可以基于参数调节规则对所述副本扫描协议进行调节。具体来说,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议,包括:
S301:确定所述预设质量影响因素对应的预设参数调节规则;
S303:根据所述目标质量评估结果以及所述预设参数调节规则对副本扫描协议进行对应调节,以确定目标扫描协议。
本申请实施例中,所述预设参数调节规则可以包括图像质量与扫描协议的对应关系。所述预设参数调节规则可以根据实验结果总结得到,也可以根据理论基础计算得到。所述预设参数调节规则的形式可以有多种,例如可以包括图像形式、函数形式、表格形式等。所述预设质量影响因素不同,所述预设参数调节规则不相同。具体的,在所述预设质量影响因素为图像分辨率的情况下,所述预设参数调节规则可以包括图像分辨率的大小与扫描参数如扫描层厚、视野(FOV)之间的对应关系。例如,所述图像分辨率与所述扫描层厚为负相关关系,与所述FOV为正相关关系。所述负相关关系可以包括所述图像分辨率与所述扫描层厚的相关系数为负数,所述正相关关系可以包括所述图像分辨率与所述FOV的相关系数为正数。在所述预设质量影响因素为图像信噪比的情况下,所述预设参数调节规则可以包括图像信噪比的大小与所述扫描参数如回波时间、重复时间、接收带宽之间的对应关系。其中,所述接收带宽为读出梯度采样的频率范围。例如,所述图像信噪比与所述回波时间以及所述接收带宽均为负相关关系,所述图像信噪比与所述重复时间为正相关关系。在本申请的一个实施例中,在确定所述预设参数调节规则后,可以根据所述目标图像质量检测模型输出的目标质量评估结果以及所述预设参数调节规则对所述副本扫描协议进行调节,以确定能够获得图像质量较佳且满足用户需求的目标扫描协议。例如,在所述目标质量评估结果为所述空间分辨率较低的情况下,可以减小扫描层厚、增大FOV以提高空间分辨率;在所述目标质量评估结果为所述图像信噪比低的情况下,可以减小回波时间、接收带宽,也可以增大所述重复时间。
通过上述实施例,可以通过所述预设参数调节规则准确地调节所述副本扫描协议,以保证调节后的扫描协议能够得到图像质量较佳的医学图像,以便后续用户根据所述医学图像做出较为准备的诊断结果。
进一步地,在本申请的一个实施例中,还可以获取每个质量影响因素类型下对应的最佳医学图像,最佳医学图像的图像质量优于其他医学图像,之后可以根据最佳医学图像的图像质量与目标质量评估结果的对比结果调节所述副本协议。具体来说,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,包括:
S401:获取所述预设质量影响因素对应的基准评估结果;
S403:根据所述目标质量评估结果与所述基准评估结果的比较结果,对副本扫描协议进行对应调节。
本申请实施例中,可以根据所述预设质量影响因素对应的基准图像的质量评估结果确定所述基准评估结果。其中,所述基准图像可以包括未存在预设质量影响因素对应缺陷类型的医学图像。所述基准图像可以从多个医院放射科的图库中获取,也可以从其他第三方设备中获取。在获取所述基准图像后,可以将所述基准图像输入至所述目标图像质量检测模型,经所述目标图像质量检测模型输出基准评估结果。当然,也可以由其他图像质量检测模型确定所述基准评估结果,本申请在此不做限制。在本申请的一个实施例中,在确定所述基准评估结果后,可以根据所述基准评估结果与所述目标质量评估结果的比较结果,对所述副本扫描协议进行对应调节。例如,在质量评估结果为具体数值的情况下,可以根据所述基准评估结果与所述目标质量评估结果的差值,确定所述扫描参数的调节程度。当然,在本申请的另一个实施例中,还可以根据所述基准图像对应的基准扫描协议对所述副本扫描协议进行调节,例如可以将所述副本扫描协议中所包含的各个扫描参数的参数值均调节成与所述基本扫描协议中所包含各个扫描参数的参数值对应的数值。通过上述实施例,可以更为简单直接地确定副本扫描协议的调节方向。
具体的,在本申请的一个实施例中,所述图像质量检测模型被设置为按照下述方式训练得到:
S501:获取多个医学图像样本,所述医学图像样本中标注有参考图像质量;
S503:构建图像质量检测模型,所述图像质量检测模型中设置有训练参数;
S505:分别将所述多个医学图像样本输入至所述图像质量检测模型中,生成预测结果;
S507:基于所述预测结果与所述参考图像质量之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
本申请实施例中,在获取所述医学图像样本之后,可以构建图像质量检测模型,所述图像质量检测模型中设置有训练参数。然后,可以分别将所述多个医学图像样本输入至所述图像质量检测模型中,生成预测结果。在本申请的一个实施例中,所述预测结果可以包括输入的所述医学图像样本对应的质量评估结果。最后,根据所述预测结果与所述参考图像质量之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。在一些示例中,所述预设要求可以包括所述预测结果与标注的参考图像质量之间的差异小于差异阈值。所述预设要求还可以包括所述迭代调整的次数大于预设次数阈值,所述预设次数阈值例如可以设置为50次、60次等。
进一步地,在本申请的一个实施例中,所述图像质量检测模型利用不同质量缺陷类型的各类医学图像样本训练得到,所述各类医学图像样本中标注有对应的质量评估结果。
本申请实施例中,为了使得训练得到的各个图像质量检测模型可以完成多种维度下的图像质量评估工作,不同的图像质量检测模型可以利用不同类别的医学图像样本训练得到,各个类别的医学图像样本标注有不同缺陷类型的质量评估结果。其中,所述多个医学图像样本可以是具有参考价值的实际医学图像,例如可以从多个医院放射科的图库中获取,也可以从多个医院中搜集到的多个做过医学图像采集的患者病历中获取。当然,还可以通过体检中心等其他渠道获取到比较真实的医学图像样本,本申请在此不做限制。在一个示例中,所述医学图像质量检测模型可以为图像对比度质量检测模型,对应的医学图像样本可以标注有不同的图像对比度。对于正样本来说,所述图像对比度较高,具有较高的成像质量。
在本申请的一个实施例中,可以在交互界面上显示初始医学图像以及目标扫描协议对应的医学图像,便于用户进行查看对比,直观且清晰的显示扫描协议调节的效果。具体的,在所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议之后,所述方法还包括:
S601:获取所述目标扫描协议对应的医学图像;
S603:将所述医学图像与所述初始医学图像的对比结果显示于交互界面上。
本申请实施例中,所述扫描协议调节装置105可以提供一种交互界面,所述交互界面可以包括命令界面、菜单界面、图形用户界面等等。所述交互界面可以包括多个显示组件,所述显示组件可以用于显示初始医学图像以及所述目标扫描协议对应的医学图像。在本申请的一个实施例中,可以以2D或3D视图方式显示所述医学图像和所述初始医学图像。对应的,所述医学图像和所述初始医学图像可以为二维图像也可以为三维图像。在将所述医学图像和所述初始医学图像显示于所述交互界面上后,还可以将所述医学图像和所述初始医学图像分别存储于影像归档和通信系统(Picture Archiving and CommunicationSystems,PACS)的医学图像,也可以存储于与医学图像对应的数据库中。
上文详细描述了本申请所提供的扫描协议调节方法,下面将结合附图3,描述根据本申请所提供的扫描协议调节装置105,所述装置105包括:
医学图像获取模块1051,用于获取基于初始扫描协议得到的初始医学图像;
质量评估结果确定模块1053,用于从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;
扫描协议调节模块1055,用于基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
可选的,在本申请的一个实施例中,所述预设质量影响因素按照下述至少一种方式确定:
响应于输入指令,确定预设质量影响因素;
根据目标对象的特征数据,确定预设质量影响因素;其中,针对所述目标对象扫描得到的图像为所述初始医学图像。
可选的,在本申请的一个实施例中,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议,包括:
确定所述预设质量影响因素对应的预设参数调节规则;
根据所述目标质量评估结果以及所述预设参数调节规则对副本扫描协议进行对应调节,以确定目标扫描协议。
可选的,在本申请的一个实施例中,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,包括:
获取所述预设质量影响因素对应的基准评估结果;
根据所述目标质量评估结果与所述基准评估结果的比较结果,对副本扫描协议进行对应调节。
可选的,在本申请的一个实施例中,在所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议之后,所述装置还包括:
获取所述目标扫描协议对应的医学图像;
将所述医学图像与所述初始医学图像的对比结果显示于交互界面上。
可选的,在本申请的一个实施例中,所述预设质量影响因素包括图像伪影程度、图像空间分辨率、图像对比度、图像信噪比、图像背景噪声、图像的均匀性、压脂程度中的一个或多个。
可选的,在本申请的一个实施例中,所述图像质量检测模型利用不同质量缺陷类型的各类医学图像样本训练得到,所述各类医学图像样本中标注有对应的质量评估结果。
可选的,在本申请的一个实施例中,所述图像质量检测模型被设置为按照下述方式训练得到:
获取多个医学图像样本,所述医学图像样本中标注有参考图像质量;
构建图像质量检测模型,所述图像质量检测模型中设置有训练参数;
分别将所述多个医学图像样本输入至所述图像质量检测模型中,生成预测结果;
基于所述预测结果与所述参考图像质量之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
根据本申请实施例的扫描协议调节装置105可对应于执行本申请实施例中描述的方法,并且扫描协议调节装置105中的各个模块的上述和其它操作和/或功能分别为了实现上述各个实施例提供的方法的相应流程,为了简洁,在此不再赘述。
另外需说明的是,以上所描述的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
本申请另一方面还提供了一种处理设备,包括存储器和处理器,所述存储器中存储有计算机程序指令,所述处理器被设置为运行所述计算机程序指令以执行上述各个实施例所述的方法。
其中,处理设备可以是物理设备或物理设备集群,也可以是虚拟化的云设备,如云计算集群中的至少一个云计算设备。为了便于理解,本申请以处理设备为独立的物理设备对该处理设备的结构进行示例说明。
如图4所示,处理设备400包括:处理器以及用于存储处理器计算机程序指令的存储器;其中,所述处理器被配置为执行所述计算机程序指令时实现上述装置。电子设备400包括存储器401、处理器403、总线405和通信接口407。存储器401、处理器403和通信接口407之间通过总线405通信。总线405可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口407用于与外部通信。
其中,处理器403可以为中央处理器(central processing unit,CPU)。存储器401可以包括易失性存储器(volatile memory),例如随机存取存储器(random accessmemory,RAM)。存储器401还可以包括非易失性存储器(non-volatile memory),例如只读存储器(read-only memory,ROM),快闪存储器,HDD或SSD等等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述各个实施例所述方法的步骤。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是,但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(Electrically Programmable Read-Only-Memory,EPROM或闪存)、静态随机存取存储器(Static Random-Access Memory,SRAM)、便携式压缩盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、数字多功能盘(Digital Video Disc,DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
这里所描述的计算机程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机程序指令,并转发该计算机程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Small talk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(Local Area Network,LAN)或广域网(WideArea Network,WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(Field-ProgrammableGate Array,FPGA)或可编程逻辑阵列(Programmable Logic Array,PLA),该电子电路可以执行计算机程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。
这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的装置、系统、方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种扫描协议调节方法,其特征在于,所述方法包括:
获取基于初始扫描协议得到的初始医学图像;
从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;
基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
2.根据权利要求1所述的方法,其特征在于,所述预设质量影响因素按照下述至少一种方式确定:
响应于输入指令,确定预设质量影响因素;
根据目标对象的特征数据,确定预设质量影响因素;其中,针对所述目标对象扫描得到的图像为所述初始医学图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议,包括:
确定所述预设质量影响因素对应的预设参数调节规则;
根据所述目标质量评估结果以及所述预设参数调节规则对副本扫描协议进行对应调节,以确定目标扫描协议。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标质量评估结果对副本扫描协议进行对应调节,包括:
获取所述预设质量影响因素对应的基准评估结果;
根据所述目标质量评估结果与所述基准评估结果的比较结果,对副本扫描协议进行对应调节。
5.根据权利要求1所述的方法,其特征在于,在所述基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议之后,所述方法还包括:
获取所述目标扫描协议对应的医学图像;
将所述医学图像与所述初始医学图像的对比结果显示于交互界面上。
6.根据权利要求1所述的方法,其特征在于,所述预设质量影响因素包括图像伪影程度、图像空间分辨率、图像对比度、图像信噪比、图像背景噪声、图像的均匀性、压脂程度中的一个或多个。
7.根据权利要求1所述的方法,其特征在于,所述图像质量检测模型利用不同质量缺陷类型的各类医学图像样本训练得到,所述各类医学图像样本中标注有对应的质量评估结果。
8.根据权利要求1所述的方法,其特征在于,所述图像质量检测模型被设置为按照下述方式训练得到:
获取多个医学图像样本,所述医学图像样本中标注有参考图像质量;
构建图像质量检测模型,所述图像质量检测模型中设置有训练参数;
分别将所述多个医学图像样本输入至所述图像质量检测模型中,生成预测结果;
基于所述预测结果与所述参考图像质量之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
9.一种扫描协议调节装置,其特征在于,所述装置包括:
医学图像获取模块,用于获取基于初始扫描协议得到的初始医学图像;
质量评估结果确定模块,用于从多个图像质量检测模型中选取与预设质量影响因素相匹配的目标图像质量检测模型;将所述初始医学图像输入至所述目标图像质量检测模型中,经所述目标图像质量检测模型输出所述初始医学图像对应的目标质量评估结果;
扫描协议调节模块,用于基于所述目标质量评估结果对副本扫描协议进行对应调节,以确定目标扫描协议;其中,所述副本扫描协议根据所述初始扫描协议创建生成。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827114.2A CN116869555A (zh) | 2023-07-06 | 2023-07-06 | 扫描协议调节方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827114.2A CN116869555A (zh) | 2023-07-06 | 2023-07-06 | 扫描协议调节方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116869555A true CN116869555A (zh) | 2023-10-13 |
Family
ID=88254170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827114.2A Pending CN116869555A (zh) | 2023-07-06 | 2023-07-06 | 扫描协议调节方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116869555A (zh) |
-
2023
- 2023-07-06 CN CN202310827114.2A patent/CN116869555A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10129553B2 (en) | Dynamic digital image compression based on digital image characteristics | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN107665736B (zh) | 用于生成信息的方法和装置 | |
EP3499509B1 (en) | Method for memorable image generation for anonymized three-dimensional medical image workflows | |
CN109754447A (zh) | 图像生成方法、装置、设备和存储介质 | |
Gatta et al. | Towards a modular decision support system for radiomics: A case study on rectal cancer | |
US11900594B2 (en) | Methods and systems for displaying a region of interest of a medical image | |
CN110889005A (zh) | 搜索医学参考图像 | |
EP2812828B1 (en) | Interactive optimization of scan databases for statistical testing | |
US11257211B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
US20150173705A1 (en) | Apparatus and method for adapting diagnostic model for computer-aided diagnosis | |
JP2022517769A (ja) | 三次元ターゲット検出及びモデルの訓練方法、装置、機器、記憶媒体及びコンピュータプログラム | |
US20190214138A1 (en) | Diagnosis support apparatus, diagnosis support system, and diagnosis support method | |
KR20210036840A (ko) | 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치 | |
JP2019121390A (ja) | 診断支援装置、診断支援システム、及び診断支援プログラム | |
US10950343B2 (en) | Highlighting best-matching choices of acquisition and reconstruction parameters | |
US20240112329A1 (en) | Distinguishing a Disease State from a Non-Disease State in an Image | |
CN113658175A (zh) | 一种征象数据的确定方法及装置 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
EP3748648A1 (en) | Artificial intelligence dispatch in healthcare | |
US20210145389A1 (en) | Standardizing breast density assessments | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
JP2020042810A (ja) | 医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システム | |
CN116869555A (zh) | 扫描协议调节方法、装置以及存储介质 | |
CN115700740A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 |
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 |