TWI782737B - X光攝影參數及影像品質預測方法 - Google Patents
X光攝影參數及影像品質預測方法 Download PDFInfo
- Publication number
- TWI782737B TWI782737B TW110137203A TW110137203A TWI782737B TW I782737 B TWI782737 B TW I782737B TW 110137203 A TW110137203 A TW 110137203A TW 110137203 A TW110137203 A TW 110137203A TW I782737 B TWI782737 B TW I782737B
- Authority
- TW
- Taiwan
- Prior art keywords
- image quality
- parameter
- ray
- photography
- parameters
- Prior art date
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一種X光攝影參數及影像品質預測方法，用以解決習知X光攝影無法選擇最低輻射劑量並取得清晰影像的問題。係包含：一數據收集步驟，收集多名X光攝影之受檢者的個人資料、病歷、至少一身體參數、至少一攝影參數及一影像品質；一學習步驟，分析該數據收集步驟所收集的資訊，透過資料分類及曲線擬合方法，建立一攝影參數預測模型、一最低可接受攝影參數預測模型及一影像品質預測模型；一攝影參數預測步驟，輸入該至少一身體參數，以預測該至少一攝影參數；及一影像品質預測步驟，輸入該至少一身體參數及該至少一攝影參數以預測該影像品質。
Description
本發明係關於一種醫療檢驗輔助技術，尤其是一種預測清晰影像及對應之最小輻射劑量的X光攝影參數及影像品質預測方法。
醫學影像技術係用於醫療檢查及研究，例如：健康檢查、探測病變、病歷研究、術前術後對照等，藉由非侵入方式取得人體內部組織的影像，其中，運用X射線(X-Ray)的穿透力，照射人體組織密度不同的部位，並紀錄X射線穿透或被吸收的情形，可以得到反應組織內部情形的影像。由於X射線係電子釋放動能或位能所產生的游離輻射能量，因此操作X射線成像必須遵守輻射防護法規，並符合輻射劑量限度。
習知的X光攝影檢查過程，係由放射師評估受檢者的年齡、生理狀況(例如：懷孕)、體型、體厚及照射部位等因素，以調整適當的電壓、電流及照射時間等X光攝影參數，惟，參數調整過程係仰賴放射師的經驗進行主觀認定，可能導致X光攝影參數設定過高或過低，當X光攝影參數設定過高時，雖然能夠拍攝清晰的X光影像，但是使受檢者暴露於超量的輻射劑量；反之，當X光攝影參數設定過低時，係無法達到預期的影像品質甚至需要重複拍攝，造成醫療資源浪費、增加檢查時間及人力成本等狀況。
有鑑於此，習知的X光攝影過程確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種X光攝影參數及影像品質預測方法，係可以降低X光受檢者接受的輻射劑量。
本發明的次一目的是提供一種X光攝影參數及影像品質預測方法，係可以拍攝高品質X光影像。
本發明的又一目的是提供一種X光攝影參數及影像品質預測方法，係可以輔助醫療人員操作X光攝影流程。
本發明的X光攝影參數及影像品質預測方法，包含：一數據收集步驟，收集多名X光攝影之受檢者的個人資料、病歷、至少一身體參數、至少一攝影參數及一影像品質；一學習步驟，分析該數據收集步驟所收集的資訊，透過資料分類及曲線擬合方法，建立一攝影參數預測模型、一最低可接受攝影參數預測模型及一影像品質預測模型；一攝影參數預測步驟，將任一名受檢者的個人資料、病歷及該至少一身體參數，輸入該攝影參數預測模型以預測該至少一攝影參數，或輸入該最低可接受攝影參數預測模型以預測最低可接受的該至少一攝影參數；及一影像品質預測步驟，將任一名受檢者的個人資料、病歷、該至少一身體參數及該至少一攝影參數，輸入該影像品質預測模型以預測該影像品質。
據此，本發明的X光攝影參數及影像品質預測方法，藉由收集並分析大筆X光攝影的相關數據，將原本離散或看似不相關的資訊轉換為具有規律性的該數個預測模型，係可以預測影像品質、攝影參數及最低可接受之攝影參數，具有提供高品質X光影像、降低檢測的輻射劑量及減輕放射師工作負擔等功效。
其中，各該受檢者的個人資料包含性別及年齡；病歷包含攝影
部位及人體植入物。如此，該學習步驟係可以依據不同受檢者的個體差異及輻射敏感度進行分類，以樣本相關性高的數據進行擬合，係具有提升預測模型的預測準確性的功效。
其中，該至少一身體參數為選自包含各該受檢者的身高、體重、體厚、體寬、體脂肪及骨質密度的至少一個。如此，依據不同身體參數可以擬合出多個曲線方程式，並進行交叉比對或擇優使用，係具有提升預測準確性的功效。
其中，該至少一攝影參數為選自包含管電壓、管電流及X光劑量的至少一個。如此，管電壓與X光穿透力相關，管電流及X光劑量與拍攝物大小相關，係可以依據拍攝目標及需求選擇合適的攝影參數，係具有提升X光影像品質及降低輻射劑量的功效。
其中，該影像品質由一暴露指標表示，該暴露指標由放射物質照射量或吸收劑量定義。如此，該影像品質係可以由數據資料量化表示，而不是由放射師或醫師主觀認定，係具有提升預測準確性及系統化的功效。
其中，該學習步驟用於曲線擬合的方程式為多項式函數、冪函數、高斯函數、指數函數或傅立葉函數。如此，係可以依據不同樣本資料的相關性選擇近似的曲線函數，係具有增加預測模型的多樣性及準確性的功效。
其中，該學習步驟計算曲線擬合之數個方程式的判定係數，各該預測模型優先採用判定係數最大之方程式。如此，各該預測模型可以依據與樣本資料最相關的曲線進行預測，係具有提升預測準確性的功效。
S1:數據收集步驟
S2:學習步驟
S3:攝影參數預測步驟
S4:影像品質預測步驟
〔第1圖〕本發明較佳實施例的方法流程圖。
〔第2圖〕本發明較佳實施例之攝影參數預測模型的曲線擬合圖。
〔第3圖〕本發明較佳實施例之最低可接受攝影參數預測模型的曲線擬合圖。
〔第4圖〕本發明較佳實施例之影像品質預測模型的關係圖。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式作詳細說明；此外，在不同圖式中標示相同符號者視為相同，會省略其說明。
請參照第1圖所示，其係本發明X光攝影參數及影像品質預測方法的一較佳實施例，係包含一數據收集步驟S1、一學習步驟S2、一攝影參數預測步驟S3及一影像品質預測步驟S4。
該數據收集步驟S1係收集多名X光攝影受檢者的數筆生理特徵、設定之攝影參數及拍攝結果之影像品質。其中，該生理特徵可以包含受檢者的性別、年齡、攝影部位及人體植入物等個人資料及病歷，及身高、體重、體厚、體寬、體脂肪及骨質密度等可量化的身體參數。該X光攝影參數可以包含管電壓(單位：千伏峰值，kVp)、管電流(單位：毫安培，mA)，又，X光劑量可以由管電流與照射時間的乘積表示(單位：毫安培秒，mAs)，當受檢者身體厚實或攝影部位密度高時，需提高管電壓以增加X光強度及穿透力；當受檢者體型較大或攝影面積大時，需提高管電流或照射時間以增加X光劑量。該影像品質可以由一暴露指標(Exposure Indicator，EI)表示，而不同廠牌儀器對暴露指標的定義不同，可以是放射物質照射量(Roentgen，R；單位：毫倫琴，mR)或吸收劑量(Gray，Gy；單位：微戈雷，μGy)，例如：柯達(Kodak)X光機定義照射量1mR為2000EI。
請參照第1~4圖所示，該學習步驟S2係將該數據收集步驟S1所收集的多筆受檢者資訊分類並建立數個預測模型。如第2圖所示舉例說明，挑選同性別、相近年齡層的胸部X光攝影過程且暴露指標位於相同水準，再以回歸分析找出合適的方程式進行曲線擬合，且擬合後的方程式可以透過判定係數(Coefficient of Determination，R2)判斷與樣本資料的相關性，各該預測模型較佳選擇判定係數最大之方程式，本實施例所用之方程式為二階的多項式函數(Polynomial Function)，該方程式還可以是冪函數(Power Function)、高斯函數(Gaussian Function)、指數函數(Exponential Function)或傅立葉函數(Fourier Function)等，本案不以此為限，係可以產生數個由該身體參數(BMI、體重身高比、體厚、體脂肪等)與該攝影參數(mAs、kVp)之間的關係式，作為一攝影參數預測模型，其中，在進行曲線擬合之前，還可以加入該影像品質(EI)為限制條件，以減少離散的數據資料，具有降低運算難度及提升擬合結果準確性的作用，本實施例係以體重身高比為該攝影參數預測模型的輸入資料，及以X光劑量為輸出資料，惟，本案之攝影參數預測模型不以此為限，還可以透過複數個該身體參數與該攝影參數的數個關係式進行交叉比對；又，如第3圖所示，在上述該身體參數與該攝影參數的關係圖中，選取資料分布最小值的數個數據點為最低攝影參數，係可以作為一最低可接受攝影參數預測模型。
另外，該學習步驟S2還可以建立一影像品質預測模型，如第4圖所示，先挑選同性別、相同年齡層、相同攝影部位且各該身體參數相近的X光攝影過程及結果，分類製作該攝影參數(mAs、kVp)與該影像品質(EI)的關係圖，可以作為一影像品質預測模型。
請參照第1~3圖所示，該攝影參數預測步驟S3係在一名受檢者接受X光攝影之前，以該受檢者之個人特徵(可以包含：性別、年齡、病
歷、攝影部位等)作為搜尋條件，在該攝影參數預測模型中選擇同樣特徵的關係式，再輸入該受檢者之身體參數，透過該至少一個關係式找出對應的該攝影參數作為預測結果；另外，還可以在該最低可接受攝影參數預測模型中選擇標示最低攝影參數位置的關係圖，輸入該受檢者之身體參數以比對出該最低攝影參數為預測結果。該預測結果係可以供放射師參考，以輔助調整X光攝影參數並提升拍攝的X光影像品質。
請參照第1及4圖所示，該影像品質預測步驟S4係在一名受檢者接受X光攝影之前，以該受檢者之個人生理特徵(可以包含：性別、年齡、病歷、攝影部位等)作為搜尋條件，選擇最相關的影像品質預測模型，再將放射師針對該受檢者所預設的攝影參數輸入該影像品質預測模型，以比對出該影像品質為預測結果。放射師係可以透過該預測結果檢驗該預設的攝影參數是否適當，以確保拍攝的X光影像品質良好，避免該受檢者需要重複拍攝而暴露於額外的X光劑量。
本發明的X光攝影參數及影像品質預測方法可以由機器學習執行，由一電腦程式透過該數據收集步驟S1建立X光攝影的臨床資料庫，再以該學習步驟S2分析找出大筆資料的規律性，並利用規律性建立該數個預測模型，係可以透過已知資訊預測未知資訊，即該攝影參數預測步驟S3，依據受檢者的體型、年齡、性別及攝影部位，該電腦程式分析比對該攝影參數預測模型或該最低可接受攝影參數預測模型，係可以預測該攝影參數或該最低攝影參數，如第2及3圖所示，體重身高比為0.4的受檢者，所預測的平均X光劑量是2.5mAs，最低X光劑量是1.8mAs；又，該影像品質預測步驟S4，依據受檢者的體型、年齡、性別、攝影部位及該攝影參數，該電腦程式分析比對該影像品質預測模型，係可以預測該影像品質，如第4圖所示，設定X光劑量為2mAs，所預測的影像品質是100~180EI。
綜上所述，本發明的X光攝影參數及影像品質預測方法，藉由收集並分析大筆X光攝影的相關數據，將原本離散或看似不相關的資訊轉換為具有規律性的該數個預測模型，係可以預測影像品質、攝影參數及最低可接受之攝影參數，具有提供高品質X光影像、降低檢測的輻射劑量及減輕放射師工作負擔等功效。
雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當包含後附之申請專利範圍所記載的文義及均等範圍內之所有變更。又，上述之數個實施例能夠組合時，則本發明包含任意組合的實施態樣。
S1:數據收集步驟
S2:學習步驟
S3:攝影參數預測步驟
S4:影像品質預測步驟
Claims (7)
- 一種X光攝影參數及影像品質預測方法，包含：一數據收集步驟，收集多名X光攝影之受檢者的個人資料、病歷、至少一身體參數、至少一攝影參數及一影像品質；一學習步驟，分析該數據收集步驟所收集的資訊，透過資料分類及曲線擬合方法，建立一攝影參數預測模型、一最低可接受攝影參數預測模型及一影像品質預測模型；一攝影參數預測步驟，將任一名受檢者的個人資料、病歷及該至少一身體參數，輸入該攝影參數預測模型以預測該至少一攝影參數，或輸入該最低可接受攝影參數預測模型以預測最低可接受的該至少一攝影參數；及一影像品質預測步驟，將任一名受檢者的個人資料、病歷、該至少一身體參數及該至少一攝影參數，輸入該影像品質預測模型以預測該影像品質。
- 如請求項1之X光攝影參數及影像品質預測方法，其中，各該受檢者的個人資料包含性別及年齡；病歷包含攝影部位及人體植入物。
- 如請求項1之X光攝影參數及影像品質預測方法，其中，該至少一身體參數為選自包含各該受檢者的身高、體重、體厚、體寬、體脂肪及骨質密度的至少一個。
- 如請求項1之X光攝影參數及影像品質預測方法，其中，該至少一攝影參數為選自包含管電壓、管電流及X光劑量的至少一個。
- 如請求項1之X光攝影參數及影像品質預測方法，其中，該影像品質由一暴露指標表示，該暴露指標由放射物質照射量或吸收劑量定義。
- 如請求項1之X光攝影參數及影像品質預測方法，其中，該學習步驟用於曲線擬合的方程式為多項式函數、冪函數、高斯函數、指數函數或傅立葉函數。
- 如請求項6之X光攝影參數及影像品質預測方法，其中，該學習步驟計算曲線擬合之數個方程式的判定係數，各該預測模型優先採用判定係數最大之方程式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110137203A TWI782737B (zh) | 2021-10-06 | 2021-10-06 | X光攝影參數及影像品質預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110137203A TWI782737B (zh) | 2021-10-06 | 2021-10-06 | X光攝影參數及影像品質預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI782737B true TWI782737B (zh) | 2022-11-01 |
| TW202315584A TW202315584A (zh) | 2023-04-16 |
Family
ID=85794309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110137203A TWI782737B (zh) | 2021-10-06 | 2021-10-06 | X光攝影參數及影像品質預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI782737B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201204327A (en) * | 2010-07-16 | 2012-02-01 | Wolfram R Jarisch | High efficiency computed tomography with optimized recursions |
| CN112367915A (zh) * | 2018-06-15 | 2021-02-12 | 佳能株式会社 | 医学图像处理装置、医学图像处理方法和程序 |
-
2021
- 2021-10-06 TW TW110137203A patent/TWI782737B/zh active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201204327A (en) * | 2010-07-16 | 2012-02-01 | Wolfram R Jarisch | High efficiency computed tomography with optimized recursions |
| CN112367915A (zh) * | 2018-06-15 | 2021-02-12 | 佳能株式会社 | 医学图像处理装置、医学图像处理方法和程序 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202315584A (zh) | 2023-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10984528B2 (en) | System and apparatus for clinical decision optimisation | |
| US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
| US20180122094A1 (en) | Radiographic image analysis device and method, and storage medium having stored therein program | |
| US7796795B2 (en) | System and method for computer aided detection and diagnosis from multiple energy images | |
| US9008382B2 (en) | Method and system for analysing tissue from images | |
| US20140270053A1 (en) | Method for Consistent and Verifiable Optimization of Computed Tomography (CT) Radiation Dose | |
| US11737704B2 (en) | Systems and methods for approximating bone mineral density and fracture risk using single energy x-rays | |
| JP2004522465A (ja) | Ｘ線画像解析のための方法および装置 | |
| US20030198316A1 (en) | Osteoporosis screening method | |
| Damilakis | CT dosimetry: what has been achieved and what remains to be done | |
| WO2007079073A1 (en) | Bone mineral density assessment using mammography system | |
| JP2004148121A (ja) | 放射線撮影収集の最適パラメータを決定する方法 | |
| Kochgaven et al. | Detecting presence of covid-19 with resnet-18 using pytorch | |
| EP1357480A1 (en) | Osteoporosis screening method | |
| Ramadhan et al. | Fast and accurate detection of Covid-19-related pneumonia from chest X-ray images with novel deep learning model | |
| TWI782737B (zh) | X光攝影參數及影像品質預測方法 | |
| Yang et al. | A multiple deep learner approach for X-ray image-based pneumonia detection | |
| Tapiovaara | Relationships between physical measurements and user evaluation of image quality in medical radiology–a review | |
| Takaki et al. | Calculating the target exposure index using a deep convolutional neural network and a rule base | |
| KR102045435B1 (ko) | 컴퓨터 단층촬영 영상 이미지의 밀도 분석을 통한 진단 장치, 방법 및 이를 기록한 기록매체 | |
| JP2022110425A (ja) | 医療情報管理装置及び医療情報管理プログラム | |
| Matsushima et al. | Investigation of a Recognition System for General X-ray Images Using CNN and Faster R-CNN | |
| Caban et al. | Monitoring pulmonary fibrosis by fusing clinical, physiological, and computed tomography features | |
| US9824439B2 (en) | Method for indicating a characteristic of bone mineral density | |
| Guzmán et al. | Natural Scene Statistics of Mammography Accreditation Phantom Images |