CN117670758A - 确定曝光参数的方法、装置、存储介质及程序产品 - Google Patents

确定曝光参数的方法、装置、存储介质及程序产品 Download PDF

Info

Publication number
CN117670758A
CN117670758A CN202210953947.9A CN202210953947A CN117670758A CN 117670758 A CN117670758 A CN 117670758A CN 202210953947 A CN202210953947 A CN 202210953947A CN 117670758 A CN117670758 A CN 117670758A
Authority
CN
China
Prior art keywords
exposure parameter
body type
exposure
training data
model
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
Application number
CN202210953947.9A
Other languages
English (en)
Inventor
葛辰杰
曹景泰
彭希帅
邹赟哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Shanghai Medical Equipment Ltd
Original Assignee
Siemens Shanghai Medical Equipment Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Shanghai Medical Equipment Ltd filed Critical Siemens Shanghai Medical Equipment Ltd
Priority to CN202210953947.9A priority Critical patent/CN117670758A/zh
Priority to PCT/EP2023/072074 priority patent/WO2024033425A1/en
Publication of CN117670758A publication Critical patent/CN117670758A/zh
Pending legal-status Critical Current

Links

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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
    • A61B6/544—Control of apparatus or devices for radiation diagnosis involving control of exposure dependent on patient size
    • 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
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/32—Transforming X-rays
    • 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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施方式公开了一种X射线成像中确定曝光参数的方法、装置、存储介质及程序产品。方法包括：获取待测者的三维图像；基于所述三维图像，提取所述待测者的体型特征；将所述体型特征输入对应于X射线成像协议的曝光参数预测模型，其中所述曝光参数预测模型是基于第一训练数据训练得到的，所述第一训练数据包含所述X射线成像协议的历史曝光操作中的历史体型特征及所述历史曝光操作中的曝光参数历史值；从所述曝光参数预测模型接收基于所述体型特征确定的曝光参数预测值。本发明实施方式根据成像目标的三维图像自动确定曝光参数，提高了曝光准确度，降低了人工难度。

Description

确定曝光参数的方法、装置、存储介质及程序产品
技术领域
本发明涉及医学成像技术领域，特别是涉及一种X射线成像中确定曝光参数的方法、装置、存储介质及程序产品。
背景技术
X射线是波长介于紫外线和γ射线之间的电磁辐射。X射线具有穿透性，对不同密度的物质有不同的穿透能力。在医学上一般用X射线投射人体器官及骨骼以形成医学图像。X射线成像系统通常包括X射线发生组件、胸片架(Bucky-Wall-Stand，BWS)组件、检查床(table)组件、包含平板探测器的片盒组件和位于远程的控制主机，等等。X射线发生组件利用高压发生器提供的高压发出透过照射成像目标的X射线，并在平板探测器上形成成像目标的医学图像信息。平板探测器将医学图像信息发送到控制主机。成像目标可以站立在胸片架组件附近或躺在检查床组件上，从而分别接受头颅、胸部、腹部以及关节等各部位的X射线摄影。
在X射线成像中，X射线曝光参数(如球管电压、球管电流和曝光时间等)对X射线图像质量有很大影响。目前，主要根据技师的个人经验自行设置X射线曝光参数，具有实施困难的缺陷。
发明内容
本发明实施方式提出一种X射线成像中确定曝光参数的方法、装置、存储介质及程序产品。
一种X射线成像中确定曝光参数的方法，所述方法包括：
获取待测者的三维图像；
基于所述三维图像，提取所述待测者的体型特征；
将所述体型特征输入对应于X射线成像协议的曝光参数预测模型，其中所述曝光参数预测模型是基于第一训练数据训练得到的，所述第一训练数据包含所述X射线成像协议的历史曝光操作中的历史体型特征及所述历史曝光操作中的曝光参数历史值；
从所述曝光参数预测模型接收基于所述体型特征确定的曝光参数预测值。
因此，本发明实施方式根据待测者的三维图像自动确定曝光参数，提高了曝光准确度，降低了人工难度。而且，在自动确定曝光参数的过程中，还考虑到待测者的体型特征与曝光参数的关联性，进一步提高了参数准确度。
在示范性实施方式中，还包括：
建立第一人工神经网络模型；
利用所述第一训练数据将所述第一人工神经网络模型训练为所述曝光参数预测模型，其中所述训练包括：
将所述第一训练数据输入所述第一人工神经网络模型，以由所述第一人工神经网络模型输出对应于所述第一训练数据的曝光参数预测值；基于第一训练数据中的曝光参数历史值与所述对应于第一训练数据的曝光参数预测值之间的差值，确定所述第一人工神经网络模型的损失函数值；配置所述第一人工神经网络模型的模型参数，以使所述损失函数值低于第一预设阈值；将配置后的所述第一人工神经网络模型，确定为所述曝光参数预测模型。
因此，通过将人工神经网络引入曝光参数预测过程，降低了实现难度。
在示范性实施方式中，所述基于所述三维图像，提取所述待测者的体型特征包括：
将所述三维图像输入体型特征确定模型，其中所述体型特征确定模型是基于第二训练数据训练得到的，所述第二训练数据包含历史三维图像及基于所述历史三维图像被标注的体型特征；从所述体型特征确定模型接收基于所述三维图像确定的体型特征。
因此，实现了从三维图像中自动提取体型特征，提高了特征提取效率。
在示范性实施方式中，还包括：
建立第二人工神经网络模型；
利用所述第二训练数据将所述第二人工神经网络模型训练为所述体型特征确定模型，所述训练包括：
将所述第二训练数据输入所述第二人工神经网络模型，以由所述第二人工神经网络模型输出对应于所述第二训练数据的预测体型特征；基于第二训练数据中的被标注的体型特征与所述预测体型特征之间的差值，确定所述第二人工神经网络模型的损失函数值；配置所述第二人工神经网络模型的模型参数，以使所述损失函数值低于第二预设阈值；将配置后的所述第二人工神经网络模型，确定为所述体型特征确定模型。
因此，通过将人工神经网络引入体型特征提取过程，降低了实现难度。
在示范性实施方式中，还包括：判断是否接收到针对所述曝光参数预测值的调整指令；其中当接收到针对所述曝光参数预测值的调整指令时，基于所述调整指令调整所述曝光参数预测值，基于调整后的曝光参数预测值对所述成像目标执行第一曝光操作；当没有接收到针对所述曝光参数预测值的调整指令时，基于所述曝光参数预测值对所述成像目标执行第二曝光操作。
因此，可以基于调整操作对曝光参数预测值进行调整，保证了预测值的准确度。
在示范性实施方式中，还包括：在执行所述第一曝光操作后，在日志中存储第三训练数据，所述第三训练数据包含执行所述第一曝光操作的、调整后的曝光参数预测值及所述成像目标的体型特征；从所述日志中提取所述第三训练数据；利用所述第三训练数据对所述曝光参数预测模型执行更新训练过程，所述更新训练过程包括：将所述第三训练数据输入所述曝光参数预测模型，以由所述曝光参数预测模型输出对应于所述第三训练数据的曝光参数预测值；基于第三训练数据中的、所述调整后的曝光参数预测值与所述对应于第三训练数据的曝光参数预测值之间的差值，确定所述曝光参数预测模型的损失函数值；配置所述曝光参数预测模型的模型参数，以使所述损失函数值低于第三预设阈值；将配置后的所述曝光参数预测模型，确定为更新训练后的曝光参数预测模型。
可见，通过日志对曝光参数预测模型进行更新训练，可以在曝光参数预测模型中引入调整偏好，使得曝光参数预测模型更符合用户习惯。
在示范性实施方式中，所述体型特征包括具有第一权重的第一体型特征和具有第二权重的第二体型特征，其中所述第一体型特征表征所述待测者的整体体型，所述第二体型特征表征所述待测者所包含的、对应于所述X射线成像协议的成像目标的局部体型；其中第二权重大于第一权重。
因此，利用待测者的体型特征和成像目标的体型特征，共同得到预测结果。预测结果综合权衡了整体体型和局部体型，保证了准确度。而且，局部体型的权重大于整体体型的权重，提升了预测结果与成像目标的关联性。
一种Z射线成像中确定曝光参数的装置，所述装置包括：
获取模块，被配置为获取成像目标的三维图像；
提取模块，被配置为基于所述三维图像，提取所述成像目标的体型特征；
输入模块，被配置为将所述体型特征输入对应于X射线成像协议的曝光参数预测模型，其中所述曝光参数预测模型是基于第一训练数据训练得到的，所述第一训练数据包含所述X射线成像协议的历史曝光操作中的历史体型特征及所述历史曝光操作中的曝光参数历史值；
接收模块，被配置为从所述曝光参数预测模型接收基于所述体型特征确定的曝光参数预测值。
因此，本发明实施方式根据待测者的三维图像自动确定曝光参数，提高了曝光准确度，降低了人工难度。而且，在自动确定曝光参数的过程中，还考虑到待测者的体型特征与曝光参数的关联性，进一步提高了参数准确度。
在示范性实施方式中，所述提取模块，被配置为将所述三维图像输入体型特征确定模型，其中所述体型特征确定模型是基于第二训练数据训练得到的，所述第二训练数据包含历史三维图像及基于所述历史三维图像被标注的体型特征；从所述体型特征确定模型接收基于所述三维图像确定的体型特征。
在示范性实施方式中，还包括：
曝光模块，被配置为判断是否接收到针对所述曝光参数预测值的调整指令；其中当接收到针对所述曝光参数预测值的调整指令时，基于所述调整指令调整所述曝光参数预测值，基于调整后的曝光参数预测值对所述成像目标执行第一曝光操作；当没有接收到针对所述曝光参数预测值的调整指令时，基于所述曝光参数预测值对所述成像目标执行第二曝光操作。
因此，可以基于调整操作对曝光参数预测值进行调整，保证了预测值的准确度。
在示范性实施方式中，还包括：
更新模块，被配置为在执行所述第一曝光操作后，在日志中存储第三训练数据，所述第三训练数据包含执行所述第一曝光操作的、调整后的曝光参数预测值及所述成像目标的体型特征；从所述日志中提取所述第三训练数据；利用所述第三训练数据对所述曝光参数预测模型执行更新训练过程，所述更新训练过程包括：将所述第三训练数据输入所述曝光参数预测模型，以由所述曝光参数预测模型输出对应于所述第三训练数据的曝光参数预测值；基于第三训练数据中的、所述调整后的曝光参数预测值与所述对应于第三训练数据的曝光参数预测值之间的差值，确定所述曝光参数预测模型的损失函数值；配置所述曝光参数预测模型的模型参数，以使所述损失函数值低于第三预设阈值；将配置后的所述曝光参数预测模型，确定为更新训练后的曝光参数预测模型。
可见，通过日志对曝光参数预测模型进行更新训练，可以在曝光参数预测模型中引入调整偏好，使得曝光参数预测模型更符合用户习惯。
一种X射线成像中确定曝光参数的装置，包括处理器和存储器；
所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如上任一种所述的X射线成像中确定曝光参数的方法。
一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可读指令被处理器执行时实现如上任一种所述的Z射线成像中确定曝光参数的方法。
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上任一种所述的X射线成像中确定曝光参数的方法。
附图说明
下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
图1为根据本发明实施方式X射线成像中确定曝光参数的方法的示范性流程图。
图2为根据本发明实施方式确定待测者的体型特征的示范性流程图。
图3为根据本发明实施方式的曝光操作日志的存储示意图。
图4为根据本发明实施方式的X射线成像中确定曝光参数的示范性过程示意图。
图5为根据本发明实施方式的X射线成像中确定曝光参数的装置的示范性结构图。
图6为根据本发明实施方式的Z射线成像中确定曝光参数的装置的示范性结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。
鉴于现有技术中依据技师的个人经验自行设置X射线曝光参数的缺陷，本发明实施方式考虑到待测者的体型特征与曝光参数的关联性(通常情况下：待测者的体型越大，则曝光参数越大)，根据待测者的三维图像自动确定体型特征，再基于体型特征自动确定曝光参数，既提高了曝光准确度，还降低了人工难度。
图1为根据本发明实施方式X射线成像中确定曝光参数的方法的流程图。优选地，可以由控制器执行图1所示方法。其中，该控制器可以实施为被集成到X射线成像系统的控制主机，还可以实施为与控制主机相独立的控制单元。
如图1所示，该方法100包括：
步骤101：获取待测者的三维图像。
在一个实施方式中，在步骤101中可以利用摄像组件拍摄待测者以得到待测者的三维图像。在另一个实施方式中，在步骤101中可以从存储介质(比如，云端或本地数据库)获取待测者的三维图像，其中该三维图像是利用摄像组件拍摄待测者所得到的。
在这里，拍摄组件的光源既可以与X射线成像系统中的Z射线源重合，也可以与Z射线源不重合。当拍摄组件的光源与X射线成像系统中的Z射线源重合时，拍摄组件通常固定在X射线发生组件的球管罩壳上或束光器壳体上。比如，在球管罩壳上或束光器的壳体上布置用于容纳拍摄组件的凹槽，通过螺栓连接、卡扣连接、钢丝绳套等方式将拍摄组件固定至凹槽。当拍摄组件的光源与X射线成像系统中的X射线源不重合时，拍摄组件可以布置在待测者所处的检查室中、适于拍摄待测者的任意位置处，比如天花板上、地板上或医学成像系统中的各种组件上，等等。
在一个实施方式中，拍摄组件包括至少一个三维照相机。该三维照相机利用三维成像技术拍摄待测者以生成待测者的三维图像。
在一个实施方式中，拍摄组件包括至少两个二维照相机，其中每个二维照相机分别布置在预定位置。实践中，本领域的技术人员可以根据需要选择合适的位置作为预定位置来布置二维照相机。拍摄组件中可以进一步包括图像处理器。图像处理器将各个二维照相机所拍摄出的二维图像合成为待测者的三维图像，其中图像处理器在合成中采用的景深可以为任意的二维图像的景深。可选地，每个二维照相机可以将各自拍摄出的二维图像发送到拍摄组件之外的图像处理器，以由拍摄组件之外的图像处理器将各个二维照相机所拍摄出的二维图像合成为待测者的三维图像，其中拍摄组件之外的图像处理器在合成过程中采用的景深，同样可以为任意的二维图像的景深。具体地，拍摄组件之外的图像处理器可以实施为X射线成像系统中的控制主机，还可以实施为与X射线成像系统分立的独立控制单元。每个二维照相机可以布置在待测者所处的检查室中、适于拍摄待测者的任意位置处，比如天花板上、地板上或X射线成像系统中的各种组件上，等等。
在一个实施方式中，拍摄组件可以包括：至少一个二维照相机及至少一个景深传感器。至少一个二维照相机及至少一个景深传感器装设于相同位置处。拍摄组件中可以进一步包括图像处理器。图像处理器利用景深传感器提供的景深与二维照相机提供的二维照片，共同生成待测者的三维图像。可选地，二维照相机将所拍摄出的待测者的二维图像发送到拍摄组件之外的图像处理器，景深传感器将采集的景深发送到该拍摄组件之外的图像处理器，以由该拍摄组件之外的图像处理器利用该景深与二维照片共同生成待测者的三维图像。优选地，拍摄组件之外的图像处理器可以实施为X射线成像系统中的控制主机，还可以实施为与Z射线成像系统分立的独立控制单元。二维照相机可以布置在待测者所处的检查室中、任意适于拍摄待测者的位置处，比如天花板上、地板上或Z射线成像系统中的各种组件上，等等。
摄像组件采集到待测者的三维图像后，可以经由有线接口或无线接口将三维图像发送到执行图1流程的控制器。优选地，有线接口包括下列中至少一个：通用串行总线接口、控制器局域网接口、串口，等等；无线接口包括下列中至少一个：红外接口、近场通讯接口、蓝牙接口、紫蜂接口、无线宽带接口，等等。
以上示范性描述了摄像组件拍摄待测者以生成三维图像的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
步骤102：基于三维图像，提取待测者的体型特征。
体型是对人体形状的总体描述和评定，主要包括各部分长度、宽度以及各部分之间的比例。体型与待测者的运动能力和其他机能有一定的关系。通常情况下：待测者的体型越大，则曝光参数越大。
体型特征用于表征待测者的体型。在一个实施方式中，体型特征包括表征待测者的整体体型的第一体型特征。比如，第一体型特征可以包括：身高、体重、上肢长度、下肢长度、上下肢长度比、胸围、腰围、臀围、腰臀比、身高腰围指数和身体质量指数(BMI)，等等。
在一个实施方式中，体型特征包括表征待测者所包含的、对应于X射线成像协议的成像目标的体型的第二体型特征。成像目标为待测者中的、需要基于X射线成像协议被执行X射线成像的目标。比如，成像目标可以为待测者的手掌、腰部、腹部或脊椎，等等。X射线成像协议为针对成像目标执行X射线成像过程中所采用的具体协议(比如为组织器官协议(OGP))。可以基于用户在人机交互界面中的选择操作，确定X射线成像协议。举例，当成像目标为待测者的腹部时，第二体型特征可以包括：腹部的脂肪厚度、腹上角、腹部的上界位置，等等。当成像目标为待测者的脊柱时，第二体型特征可以包括：脊柱长度、椎体长度、椎间盘长度及脊柱长度与身高的比例，等等。
以上示范性描述了第一体型特征和第二体型特征的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
在一个实施方式中，基于三维图像，提取待测者的体型特征包括：将三维图像输入体型特征确定模型，其中体型特征确定模型是基于第二训练数据训练得到的，第二训练数据包含历史三维图像及基于历史三维图像被标注的体型特征；从体型特征确定模型接收基于三维图像确定的体型特征。因此，实现了从三维图像中自动提取体型特征，提高了特征提取效率。其中，历史三维图像可以包括：应用X射线成像协议在历史上已经执行完毕的曝光操作中的待测者的三维图像；基于历史三维图像被标注的体型特征可以为：人工浏览历史三维图像后、标注出的体型特征，或基于机器算法自动标注出的体型特征，等等。在一个实施方式中，还包括：建立第二人工神经网络模型；利用第二训练数据将第二人工神经网络模型训练为体型特征确定模型。训练包括：将第二训练数据输入第二人工神经网络模型，以由第二人工神经网络模型输出对应于第二训练数据的预测体型特征；基于第二训练数据中的被标注的体型特征与预测体型特征之间的差值，确定第二人工神经网络模型的损失函数值；配置第二人工神经网络模型的模型参数，以使损失函数值低于第二预设阈值；将配置后的第二人工神经网络模型，确定为体型特征确定模型。因此，通过将人工神经网络引入体型特征提取过程，降低了实现难度。
在另一个实施方式中，以待测者的三维图像作为建模数据，通过仿真建模方式以得到待测者的三维模型。接着，从三维模型中读取待测者的体型特征。比如，仿真建模方式包括：线框建模、实体建模、曲面建模，等等。比如，在曲面建模中，从三维图像中提取匹配标记点或图像轮廓，根据标记点和图像轮廓以及体积不变的约束条件，估计人体三维变形和运动参数，然后使用圆球体和旋转圆锥曲面绘制人体模型。
步骤103：将体型特征输入对应于X射线成像协议的曝光参数预测模型，其中曝光参数预测模型是基于第一训练数据训练得到的，第一训练数据包含X射线成像协议的历史曝光操作中的历史体型特征及历史曝光操作中的曝光参数历史值。
在一个实施方式中，还包括：建立第一人工神经网络模型；利用第一训练数据将第一人工神经网络模型训练为曝光参数预测模型，其中训练包括：将第一训练数据输入第一人工神经网络模型，以由第一人工神经网络模型输出对应于第一训练数据的曝光参数预测值；基于第一训练数据中的曝光参数历史值与对应于第一训练数据的曝光参数预测值之间的差值，确定第一人工神经网络模型的损失函数值；配置第一人工神经网络模型的模型参数，以使损失函数值低于第一预设阈值；将配置后的第一人工神经网络模型，确定为曝光参数预测模型。在训练过程中，第一人工神经网络模型自动学习历史体型特征与曝光参数历史值之间的关联关系，并具有利用体型特征预测曝光参数的能力。其中，X射线成像协议的历史曝光操作的含义是：应用X射线成像协议，在历史上已经执行完毕的曝光操作。获取历史曝光操作中的待测者的体型特征(称为历史体型特征)以及历史曝光操作中的曝光参数(称为曝光参数历史值)。基于历史体型特征和曝光参数历史值构建出第一训练数据。
具体地，曝光参数可以包括：球管电压、球管电流、曝光时间、曝光剂量、球管电流与曝光时间的乘积以及曝光密度中的至少一个。
因此，在利用历史曝光操作中的曝光参数历史值及历史曝光操作中的历史体型特征训练出的曝光参数预测模型中，包含了体型特征与曝光参数的关联性。因此，曝光参数预测模型可以提高曝光参数准确度。
步骤104：从曝光参数预测模型接收基于体型特征确定的曝光参数预测值。
因此，本发明实施方式根据待测者的三维图像自动确定曝光参数，提高了曝光准确度，降低了人工难度。而且，在自动确定曝光参数的过程中，还考虑到待测者的体型特征与曝光参数的关联性，进一步提高了参数准确度。
在一个实施方式中，体型特征包括具有第一权重的第一体型特征和具有第二权重的第二体型特征，其中第二权重大于第一权重。相应地，第一训练数据、第二训练数据和第三训练数据中的历史体型特征也相应包含具有第一权重的第一历史体型特征和具有第二权重的第二历史体型特征。可见，利用待测者的整体体型特征和成像目标的局部体型特征共同得到预测结果。预测结果综合权衡了待测者的整体体型和成像目标的局部体型，保证了准确度。而且，局部体型的权重大于整体体型的权重，提升了预测结果与成像目标的关联性。
在一个实施方式中，还包括：展示曝光参数预测值(比如，通过用户界面展示曝光参数预测值)；判断是否接收到(比如，经由用户界面接收)针对曝光参数预测值的调整指令；其中当接收到针对曝光参数预测值的调整指令时，基于调整指令调整曝光参数预测值，基于调整后的曝光参数预测值对成像目标执行第一曝光操作；当没有接收到针对曝光参数预测值的调整指令时，基于曝光参数预测值对成像目标执行第二曝光操作。因此，可以基于调整操作对曝光参数预测值进行调整，保证了预测值的准确度。
在一个实施方式中，还包括：在日志中存储第三训练数据，第三训练数据包含执行曝光操作的曝光参数值及成像目标的体型特征；从日志中提取第三训练数据；利用第三训练数据对曝光参数预测模型执行更新训练过程，更新训练过程包括：将第三训练数据输入曝光参数预测模型，以由曝光参数预测模型输出对应于第三训练数据的曝光参数预测值；基于第三训练数据中的曝光参数值与对应于第三训练数据的曝光参数预测值之间的差值，确定曝光参数预测模型的损失函数值；配置曝光参数预测模型的模型参数，以使损失函数值低于第三预设阈值；将配置后的曝光参数预测模型，确定为更新训练后的曝光参数预测模型。可见，通过日志对曝光参数预测模型进行更新训练，可以在曝光参数预测模型中引入调整偏好，使得曝光参数预测模型更符合用户习惯。
图2为根据本发明实施方式确定待测者的体型特征的示范性流程图。
首先，执行拍摄处理20。在拍摄处理20中，利用三维相机拍摄待测者，以得到待测者的三维图像。然后，以待测者的三维图像作为建模数据，通过仿真建模方式以得到待测者的三维模型21。接着，从三维模型21中提取待测者的体型特征22。体型特征22包括：(1)待测者的整体体型特征60；(2)待测者所包含的、对应于X射线成像协议的成像目标的体型特征70，可称为局部体型特征。整体体型特征60可以为一或多个，比如具体包括待测者的上下肢长度比221、胸围222和腰围223等。局部体型特征70可以为一或多个。比如当成像目标为腹部时，局部体型特征70可以包括腹部脂肪厚度321、腹上角322、腹部的上界位置323等。
图3为根据本发明实施方式的日志存储示意图。当待测者进入准备状态30后，拍摄待测者以得到三维图像31。利用三维图像31提取体型特征32。在控制主机的设置界面上设置曝光参数34。当检测到曝光按键按下事件35后，将曝光参数34和体型特征32关联存储到日志33中。后续，可以从日志33中提取出曝光参数34和体型特征32，以作为曝光参数预测模型的第一训练数据。
图4为根据本发明实施方式的X射线成像中确定曝光参数的示范性过程示意图。
预先训练得到曝光参数预测模型42。具体包括：将日志中保存的体型特征40以及关联于体型特征40的曝光参数41作为第一训练数据。在这里，体型特征40与曝光参数41关联的含义是：已经利用曝光参数41，对具有体型特征40的历史待测者执行曝光。将第一训练数据输入第一人工神经网络模型，以由第一人工神经网络模型输出对应于第一训练数据的曝光参数预测值；基于第一训练数据中的曝光参数历史值与对应于第一训练数据的曝光参数预测值之间的差值，确定第一人工神经网络模型的损失函数值；配置第一人工神经网络模型的模型参数，以使损失函数值低于第一预设阈值；将配置后的第一人工神经网络模型，确定为曝光参数预测模型42。
训练得到曝光参数预测模型42后，可以利用曝光参数预测模型42自动确定曝光参数。确定曝光参数的具体过程包括：利用摄像组件拍摄待测者，得到待测者的三维图像43。将三维图像43输入体型特征确定模型44，其中体型特征确定模型44是基于第二训练数据训练得到的，第二训练数据包含历史三维图像及基于历史三维图像被标注的体型特征。体型特征确定模型44基于待测者的三维图像，确定待测者的体型特征。体型特征确定模型44将待测者的体型特征发送到曝光参数预测模型42。曝光参数预测模型42基于待测者的体型特征，预测得到曝光参数预测值45。在用户界面上展示曝光参数预测值45。然后，在判断过程46中判断是否接收到针对用户界面上展示的曝光参数预测值45的确认指令，如果是(对应于“Y”分支)，执行曝光处理48；如果不是(对应于“N”分支)，执行曝光参数手动调整处理47。在曝光参数手动调整处理48中，手动调整曝光参数预测值45，再利用手动调整后的曝光参数预测值45执行曝光处理48。
图5为根据本发明实施方式X射线成像中确定曝光参数的装置的结构图。如图5所示，X射线成像中确定曝光参数的装置500包括：获取模块501，被配置为获取成像目标的三维图像；提取模块502，被配置为基于三维图像，提取成像目标的体型特征；输入模块503，被配置为将体型特征输入对应于X射线成像协议的曝光参数预测模型，其中曝光参数预测模型是基于第一训练数据训练得到的，第一训练数据包含X射线成像协议的历史曝光操作中的历史体型特征及历史曝光操作中的曝光参数历史值；接收模块504，被配置为从曝光参数预测模型接收基于体型特征确定的曝光参数预测值。
在示范性实施方式中，装置500还包括：训练模块506，被配置为建立第一人工神经网络模型；利用第一训练数据将第一人工神经网络模型训练为曝光参数预测模型，其中训练包括：将第一训练数据输入第一人工神经网络模型，以由第一人工神经网络模型输出对应于第一训练数据的曝光参数预测值；基于第一训练数据中的曝光参数历史值与对应于第一训练数据的曝光参数预测值之间的差值，确定第一人工神经网络模型的损失函数值；配置第一人工神经网络模型的模型参数，以使损失函数值低于第一预设阈值；将配置后的第一人工神经网络模型，确定为曝光参数预测模型。
在示范性实施方式中，提取模块502，被配置为将三维图像输入体型特征确定模型，其中体型特征确定模型是基于第二训练数据训练得到的，第二训练数据包含历史三维图像及基于历史三维图像被标注的体型特征；从体型特征确定模型接收基于三维图像确定的体型特征。
在示范性实施方式中，训练模块506，被配置为建立第二人工神经网络模型；利用第二训练数据将第二人工神经网络模型训练为体型特征确定模型，训练包括：将第二训练数据输入第二人工神经网络模型，以由第二人工神经网络模型输出对应于第二训练数据的预测体型特征；基于第二训练数据中的被标注的体型特征与预测体型特征之间的差值，确定第二人工神经网络模型的损失函数值；配置第二人工神经网络模型的模型参数，以使损失函数值低于第二预设阈值；将配置后的第二人工神经网络模型，确定为体型特征确定模型。
在示范性实施方式中，还包括曝光模块507，被配置为判断是否接收到针对曝光参数预测值的调整指令；其中当接收到针对曝光参数预测值的调整指令时，基于调整指令调整曝光参数预测值，基于调整后的曝光参数预测值对成像目标执行曝光操作；当没有接收到针对曝光参数预测值的调整指令时，基于曝光参数预测值对成像目标执行曝光操作。
在示范性实施方式中，还包括：更新模块508，被配置为在日志中存储第三训练数据，第三训练数据包含执行曝光操作的曝光参数值及成像目标的体型特征；从日志中提取第三训练数据；利用第三训练数据对曝光参数预测模型执行更新训练过程，更新训练过程包括：将第三训练数据输入曝光参数预测模型，以由曝光参数预测模型输出对应于第三训练数据的曝光参数预测值；基于第三训练数据中的曝光参数值与对应于第三训练数据的曝光参数预测值之间的差值，确定曝光参数预测模型的损失函数值；配置曝光参数预测模型的模型参数，以使损失函数值低于第三预设阈值；将配置后的曝光参数预测模型，确定为更新训练后的曝光参数预测模型。
在示范性实施方式中，体型特征包括具有第一权重的第一体型特征和具有第二权重的第二体型特征，其中第一体型特征表征待测者的整体体型，第二体型特征表征待测者所包含的、对应于X射线成像协议的成像目标的局部体型；其中第二权重大于第一权重。
图6为根据本发明实施方式具有存储器-处理器架构的、X射线成像中确定曝光参数的装置的结构图。
如图6所示，X射线成像中确定曝光参数的装置600包括处理器601、存储器602及存储在存储器602上并可在处理器601上运行的计算机程序，计算机程序被处理器601执行时实现如上任一种的X射线成像中确定曝光参数的方法。其中，存储器602具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器601可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列，其中现场可编程门阵列集成一或多个中央处理器核。具体地，中央处理器或中央处理器核可以实施为CPU或MCU或DSP等等。
需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。
本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本文方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机或云上下载程序代码。
以上所述，仅为本发明的较佳实施方式而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种X射线成像中确定曝光参数的方法(100)，其特征在于，所述方法(100)包括：
获取待测者的三维图像(101)；
基于所述三维图像，提取所述待测者的体型特征(102)；
将所述体型特征输入对应于X射线成像协议的曝光参数预测模型，其中所述曝光参数预测模型是基于第一训练数据训练得到的，所述第一训练数据包含所述X射线成像协议的历史曝光操作中的历史体型特征及所述历史曝光操作中的曝光参数历史值(103)；
从所述曝光参数预测模型接收基于所述体型特征确定的曝光参数预测值(104)。
2.根据权利要求1所述的方法(100)，其特征在于，还包括：
建立第一人工神经网络模型；
利用所述第一训练数据将所述第一人工神经网络模型训练为所述曝光参数预测模型，其中所述训练包括：
将所述第一训练数据输入所述第一人工神经网络模型，以由所述第一人工神经网络模型输出对应于所述第一训练数据的曝光参数预测值；基于第一训练数据中的曝光参数历史值与所述对应于第一训练数据的曝光参数预测值之间的差值，确定所述第一人工神经网络模型的损失函数值；配置所述第一人工神经网络模型的模型参数，以使所述损失函数值低于第一预设阈值；将配置后的所述第一人工神经网络模型，确定为所述曝光参数预测模型。
3.根据权利要求1所述的方法(100)，其特征在于，所述基于所述三维图像，提取所述待测者的体型特征(102)包括：
将所述三维图像输入体型特征确定模型，其中所述体型特征确定模型是基于第二训练数据训练得到的，所述第二训练数据包含历史三维图像及基于所述历史三维图像被标注的体型特征；
从所述体型特征确定模型接收基于所述三维图像确定的体型特征。
4.根据权利要求3所述的方法(100)，其特征在于，还包括：
建立第二人工神经网络模型；
利用所述第二训练数据将所述第二人工神经网络模型训练为所述体型特征确定模型，所述训练包括：
将所述第二训练数据输入所述第二人工神经网络模型，以由所述第二人工神经网络模型输出对应于所述第二训练数据的预测体型特征；基于第二训练数据中的被标注的体型特征与所述预测体型特征之间的差值，确定所述第二人工神经网络模型的损失函数值；配置所述第二人工神经网络模型的模型参数，以使所述损失函数值低于第二预设阈值；将配置后的所述第二人工神经网络模型，确定为所述体型特征确定模型。
5.根据权利要求1所述的方法(100)，其特征在于，还包括：
判断是否接收到针对所述曝光参数预测值的调整指令；
其中当接收到针对所述曝光参数预测值的调整指令时，基于所述调整指令调整所述曝光参数预测值，基于调整后的曝光参数预测值对所述成像目标执行第一曝光操作；当没有接收到针对所述曝光参数预测值的调整指令时，基于所述曝光参数预测值对所述成像目标执行第二曝光操作。
6.根据权利要求5所述的方法(100)，其特征在于，还包括：
在执行所述第一曝光操作后，在日志中存储第三训练数据，所述第三训练数据包含执行所述第一曝光操作的、调整后的曝光参数预测值及所述成像目标的体型特征；
从所述日志中提取所述第三训练数据；
利用所述第三训练数据对所述曝光参数预测模型执行更新训练过程，所述更新训练过程包括：
将所述第三训练数据输入所述曝光参数预测模型，以由所述曝光参数预测模型输出对应于所述第三训练数据的曝光参数预测值；基于第三训练数据中的、所述调整后的曝光参数预测值与所述对应于第三训练数据的曝光参数预测值之间的差值，确定所述曝光参数预测模型的损失函数值；配置所述曝光参数预测模型的模型参数，以使所述损失函数值低于第三预设阈值；将配置后的所述曝光参数预测模型，确定为更新训练后的曝光参数预测模型。
7.根据权利要求1-6中任一项所述的方法(100)，其特征在于，所述体型特征包括具有第一权重的第一体型特征和具有第二权重的第二体型特征，其中所述第一体型特征表征所述待测者的整体体型，所述第二体型特征表征所述待测者所包含的、对应于所述X射线成像协议的成像目标的局部体型；其中第二权重大于第一权重。
8.一种X射线成像中确定曝光参数的装置(500)，其特征在于，所述装置(500)包括：
获取模块(501)，被配置为获取成像目标的三维图像；
提取模块(502)，被配置为基于所述三维图像，提取所述成像目标的体型特征；
输入模块(503)，被配置为将所述体型特征输入对应于X射线成像协议的曝光参数预测模型，其中所述曝光参数预测模型是基于第一训练数据训练得到的，所述第一训练数据包含所述X射线成像协议的历史曝光操作中的历史体型特征及所述历史曝光操作中的曝光参数历史值；
接收模块(504)，被配置为从所述曝光参数预测模型接收基于所述体型特征确定的曝光参数预测值。
9.根据权利要求8所述的装置(500)，其特征在于，
所述提取模块(502)，被配置为将所述三维图像输入体型特征确定模型，其中所述体型特征确定模型是基于第二训练数据训练得到的，所述第二训练数据包含历史三维图像及基于所述历史三维图像被标注的体型特征；从所述体型特征确定模型接收基于所述三维图像确定的体型特征。
10.根据权利要求8所述的装置(500)，其特征在于，还包括：
曝光模块(505)，被配置为判断是否接收到针对所述曝光参数预测值的调整指令；其中当接收到针对所述曝光参数预测值的调整指令时，基于所述调整指令调整所述曝光参数预测值，基于调整后的曝光参数预测值对所述成像目标执行第一曝光操作；当没有接收到针对所述曝光参数预测值的调整指令时，基于所述曝光参数预测值对所述成像目标执行第二曝光操作。
11.根据权利要求10所述的装置(500)，其特征在于，还包括：
更新模块(506)，被配置为在执行所述第一曝光操作后，在日志中存储第三训练数据，所述第三训练数据包含执行所述第一曝光操作的、调整后的曝光参数预测值及所述成像目标的体型特征；从所述日志中提取所述第三训练数据；利用所述第三训练数据对所述曝光参数预测模型执行更新训练过程，所述更新训练过程包括：将所述第三训练数据输入所述曝光参数预测模型，以由所述曝光参数预测模型输出对应于所述第三训练数据的曝光参数预测值；基于第三训练数据中的、所述调整后的曝光参数预测值与所述对应于第三训练数据的曝光参数预测值之间的差值，确定所述曝光参数预测模型的损失函数值；配置所述曝光参数预测模型的模型参数，以使所述损失函数值低于第三预设阈值；将配置后的所述曝光参数预测模型，确定为更新训练后的曝光参数预测模型。
12.一种X射线成像中确定曝光参数的装置(600)，其特征在于，包括处理器(601)和存储器(602)；
所述存储器(602)中存储有可被所述处理器(601)执行的应用程序，用于使得所述处理器(601)执行如权利要求1-7中任一项所述的X射线成像中确定曝光参数的方法(100)。
13.一种计算机可读存储介质，其特征在于，其中存储有计算机可读指令，该计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述的X射线成像中确定曝光参数的方法(100)。
14.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的X射线成像中确定曝光参数的方法(100)。
CN202210953947.9A 2022-08-09 2022-08-09 确定曝光参数的方法、装置、存储介质及程序产品 Pending CN117670758A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210953947.9A CN117670758A (zh) 2022-08-09 2022-08-09 确定曝光参数的方法、装置、存储介质及程序产品
PCT/EP2023/072074 WO2024033425A1 (en) 2022-08-09 2023-08-09 Method and apparatus for determining exposure parameters, storage medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953947.9A CN117670758A (zh) 2022-08-09 2022-08-09 确定曝光参数的方法、装置、存储介质及程序产品

Publications (1)

Publication Number Publication Date
CN117670758A true CN117670758A (zh) 2024-03-08

Family

ID=87696053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953947.9A Pending CN117670758A (zh) 2022-08-09 2022-08-09 确定曝光参数的方法、装置、存储介质及程序产品

Country Status (2)

Country Link
CN (1) CN117670758A (zh)
WO (1) WO2024033425A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170072633A (ko) * 2015-12-17 2017-06-27 삼성전자주식회사 방사선 촬영 장치 및 방사선 촬영 장치의 제어 방법
WO2018087083A1 (en) * 2016-11-10 2018-05-17 Koninklijke Philips N.V. Selecting acquisition parameter for imaging system
CN113538707A (zh) * 2020-04-22 2021-10-22 西门子(深圳)磁共振有限公司 医疗影像系统的扫描准备方法、装置及系统

Also Published As

Publication number Publication date
WO2024033425A1 (en) 2024-02-15

Similar Documents

Publication Publication Date Title
US11083421B2 (en) X-ray apparatus and method of acquiring medical image thereof
US20200226752A1 (en) Apparatus and method for processing medical image
US7158661B2 (en) Radiographic image processing method, radiographic image processing apparatus, radiographic image processing system, program, computer-readable storage medium, image diagnosis assisting method, and image diagnosis assisting system
CN107536620A (zh) 用于定位可定位台的方法
JP2006341092A (ja) 医用画像データセットの取得、解析および表示方法
US10078906B2 (en) Device and method for image registration, and non-transitory recording medium
CN108024776A (zh) 放射断层摄影成像设备和程序
JP2003520115A (ja) Ｘ線画像生成装置に関する方法および機構
KR102204309B1 (ko) 증강현실 기반의 엑스선 영상 표시 방법
WO2019143120A1 (ko) 지능형 자동 방사선 치료계획 수립방법 및 시스템
KR101941209B1 (ko) 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법
CN114145761A (zh) 一种氟骨症医学影像学检测系统及其使用方法
US6789087B1 (en) Information processing apparatus for processing a photographed image of a person
CN117670758A (zh) 确定曝光参数的方法、装置、存储介质及程序产品
CN109350059A (zh) 用于肘部自动对准的组合的转向引擎和界标引擎
CN110278389B (zh) X光图像的成像方法、装置、系统和存储介质
CN110022772B (zh) X射线装置及其获取医学图像的方法
CN114529498A (zh) 一种确定x射线成像的曝光区域的方法、装置和存储介质
US8897417B2 (en) Method and device for planning a treatment
WO2023023955A1 (en) Method and apparatus for determining touch panel to object distance in x-ray imaging
CN117911306A (zh) 确定曝光参数的方法、装置、存储介质及程序产品
WO2023023956A1 (en) Method and apparatus for visualization of touch panel to object distance in x-ray imaging
JP2004188094A (ja) 放射線画像撮影装置及び放射線画像撮影システム
CN116671953A (zh) X射线成像中的姿态引导方法、装置、介质和程序产品
JP2020520701A (ja) Ｘ線画像における改善されたジオメトリ測定

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