CN109859168B - 一种x射线胸片图像质量确定方法及装置 - Google Patents
一种x射线胸片图像质量确定方法及装置 Download PDFInfo
- Publication number
- CN109859168B CN109859168B CN201811626384.2A CN201811626384A CN109859168B CN 109859168 B CN109859168 B CN 109859168B CN 201811626384 A CN201811626384 A CN 201811626384A CN 109859168 B CN109859168 B CN 109859168B
- Authority
- CN
- China
- Prior art keywords
- result
- segmentation model
- separation result
- image
- separation
- 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.)
- Active
Links
- 238000002601 radiography Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000000926 separation method Methods 0.000 claims abstract description 236
- 230000011218 segmentation Effects 0.000 claims abstract description 174
- 210000004072 lung Anatomy 0.000 claims abstract description 154
- 210000001991 scapula Anatomy 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000013136 deep learning model Methods 0.000 claims abstract description 57
- 238000010606 normalization Methods 0.000 claims abstract description 52
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 7
- 210000000038 chest Anatomy 0.000 description 134
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000013139 quantization Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001898 sternoclavicular joint Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0002—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种X射线胸片图像质量确定方法和装置,所述方法包括:将X射线胸片图像进行归一化处理;将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;基于所述分离结果确定所述X射线胸片的图像质量。本发明对X射线胸片图像质量进行全自动评估,图像质量确定速度快;且可以帮助技师把控胸片的图像质量,间接提高了读片的准确性。
Description
技术领域
本发明涉及X射线胸片图像领域,尤其涉及一种X射线胸片图像质量确定方法及装置。
背景技术
X射线胸片是目前应用最广泛的医学图像检查手段,使用场景包括了急诊、重症监护、一般门诊、体检等。一张胸片的质量直接影响了诊断的结果,如果胸片的质量不合格,就容易出现漏诊和误诊。
X射线胸片正位标准片包括以下要求:
1.第4胸椎以下椎体清晰可见,无双边影;
2.肺门到肺野外纹理显示清晰,肩胛骨投影于肺野外;
3.从颈部到器官分叉部可连续追踪到器官影像;
4.两侧膈肌边缘锐利,肺尖部清晰显示;
5.锁骨与第4肋骨重叠,胸锁关节左右对称;
6.心脏、主动脉、将主动脉走形清晰显示;
7.不允许出现任何的体外金属以及X射线无法穿透的其他异物。
通常医院对拍片的需求非常大,而目前,对图像质量的评估主要是由放射科技师来完成,人工评估效率低下,且容易导致一些不合格的片子进入临床读片诊断,从而影响诊断的安全性和准确性。
因此,有必要提供一种智能化的X射线胸片图像质量确定方法及装置。
发明内容
本发明的目的是针对现有技术的不足,提供一种X射线胸片图像质量确定方法。
本发明是通过以下技术方案实现的:
一方面,本发明提供了一种X射线胸片图像质量确定方法,所述方法包括:
将X射线胸片图像进行归一化处理;
将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
基于所述分离结果确定所述X射线胸片的图像质量。
进一步地,所述将X射线胸片图像进行归一化处理包括:
按照灰度值对所述X射线胸片图像像素进行排序;
取排序后位于第一设定值的像素的灰度值作为最小值,取排序后位于第二设定值的像素的灰度值作为最大值,按照灰度值对所述图像进行有截断的归一化处理;
对归一化处理后的图像进行标准归一化处理。
进一步地,当所述深度学习模型为肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型进行图像分离识别,得到肺叶分离结果、脊柱分离结果、肩胛骨分离结果和异物分离结果;
判断所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果是否满足对应的预设条件;
若是,则得到不合格结果;
若否,则得到合格结果;
其中,所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果、异物分离结果对应的预设条件包括:
所述肺叶分离结果小于预设肺叶边缘阈值;
所述脊柱分离结果的绝对值大于预设偏移量;
所述肩胛骨分离结果大于预设面积比率;
所述异物分离结果的置信分数大于预设数值。
进一步地,当所述深度学习模型为肺叶分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入肺叶分割模型进行图像分离识别,得到肺叶分离结果;
判断肺叶分离结果是否小于预设肺叶边缘阈值;
若是,则判断所述X射线胸片中肺叶位置异常,即得第一不合格结果;
若否,则判断所述X射线胸片中肺叶位置正常,即得第一合格结果;或者
当所述深度学习模型为脊柱分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别,得到脊柱分离结果;
判断脊柱分离结果的绝对值是否大于预设偏移量;
若是,则判断所述X射线胸片中脊柱位置异常,即得第二不合格结果;
若否,则判断所述X射线胸片中脊柱位置正常,即得第二合格结果;或者
当所述深度学习模型为肩胛骨分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入肩胛骨分割模型进行图像分离识别,得到肩胛骨分离结果;
判断肩胛骨分离结果是否大于预设面积比率;
若是,则判断所述X射线胸片中肩胛骨位置异常,即得第三不合格结果;
若否,则判断所述X射线胸片中肩胛骨位置正常,即得第三合格结果;或者
当所述深度学习模型为异物检测模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入异物检测模型进行图像分离识别,得到异物分离结果,即多个边界框;
判断所述边界框的置信分数是否大于预设数值;
若是,则判断所述X射线胸片中存在异物;
若否,则判断所述X射线胸片中不存在异物,即得第四合格结果。
进一步地,所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
相应的,所述基于所述分离结果确定所述X射线胸片的图像质量包括:
当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,则判断所述X射线胸片为合格片;
当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,则判断所述X射线胸片为二级片;
当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;若否,则判断所述X射线胸片为二级片;
当肺叶分割模型得到不合格结果时,则判断所述X射线胸片为不合格片。
在一个具体实施方式中,在确定X射线胸片的图像质量的同时,还将不合格片和二级片存在的问题输出,供用户参考。
进一步地,当深度学习模型包括多个模型时,所述方法还包括:
对多个分离结果进行无差别量化处理;
基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。
另一方面,本发明还提供了一种X射线胸片图像质量确定装置,所述装置包括:
归一化处理模块,用于将X射线胸片图像进行归一化处理;
分离结果获取模块,用于将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
图像质量确定模块,用于基于所述分离结果确定所述X射线胸片的图像质量。
进一步地,所述归一化处理模块包括:
排序单元,用于按照灰度值对所述X射线胸片图像像素进行排序;
归一化处理单元,用于取排序后位于第一设定值的像素的灰度值作为第一数值,取排序后位于第二设定值的像素的灰度值作为第二数值,依据第一数值和第二数值对所述图像进行有截断的归一化处理;
标准归一化处理单元,用于对归一化处理后的图像进行标准归一化处理。
进一步地,当所述深度学习模型为肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型时,所述分离结果获取模块包括:
分离结果获取单元,用于将标准归一化处理后的图像输入肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型进行图像分离识别,得到肺叶分离结果、脊柱分离结果、肩胛骨分离结果和异物分离结果;
分离结果判断单元,用于判断所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果是否满足对应的预设条件;
不合格结果判断单元,用于当所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果满足对应的预设条件时,得到不合格结果;
合格结果判断单元,用于当所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果不满足对应的预设条件时,得到合格结果;
其中,所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果、异物分离结果对应的预设条件包括:
所述肺叶分离结果小于预设肺叶边缘阈值;
所述脊柱分离结果的绝对值大于预设偏移量;
所述肩胛骨分离结果大于预设面积比率;
所述异物分离结果的置信分数大于预设数值。
进一步地,当所述深度学习模型为肺叶分割模型时,所述分离结果获取模块包括:
肺叶分离结果获取单元,用于将标准归一化处理后的图像输入肺叶分割模型进行图像分离识别,得到肺叶分离结果;
肺叶分离结果判断单元,用于判断肺叶分离结果是否小于预设肺叶边缘阈值;
第一不合格结果判断单元,用于当肺叶分离结果小于预设肺叶边缘阈值时,判断所述X射线胸片中肺叶位置异常,即得第一不合格结果;
第一合格结果判断单元,用于当肺叶分离结果大于或等于预设肺叶边缘阈值时,判断所述X射线胸片中肺叶位置正常,即得第一合格结果;或者
当所述深度学习模型为脊柱分割模型时,所述分离结果获取模块包括:
脊柱分离结果获取单元,用于将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别,得到脊柱分离结果;
脊柱分离结果判断单元,用于判断脊柱分离结果的绝对值是否大于预设偏移量;
第二不合格结果判断单元,用于当脊柱分离结果的绝对值大于预设偏移量时,判断所述X射线胸片中脊柱位置异常,即得第二不合格结果;
第二合格结果判断单元,用于当脊柱分离结果的绝对值小于或等于预设偏移量时,判断所述X射线胸片中脊柱位置正常,即得第二合格结果;或者
当所述深度学习模型为肩胛骨分割模型时,所述分离结果获取模块包括:
肩胛骨分离结果获取单元,用于将标准归一化处理后的图像输入肩胛骨分割模型进行图像分离识别,得到肩胛骨分离结果;
肩胛骨分离结果判断单元,用于判断肩胛骨分离结果是否大于预设面积比率;
第三不合格结果判断单元,用于当肩胛骨分离结果大于预设面积比率时,判断所述X射线胸片中肩胛骨位置异常,即得第三不合格结果;
第三合格结果判断单元,用于当肩胛骨分离结果小于或等于预设面积比率时,判断所述X射线胸片中肩胛骨位置正常,即得第三合格结果;或者
当所述深度学习模型为异物检测模型时,所述分离结果获取模块包括:
异物分离结果获取单元,用于将标准归一化处理后的图像输入异物检测模型进行图像分离识别,得到异物分离结果,即多个边界框;
异物分离结果判断单元,用于判断所述边界框的置信分数是否大于预设数值;
异物判断单元,用于当所述边界框的置信分数大于预设数值时,判断所述X射线胸片中存在异物;
第四合格结果判断单元,用于当所述边界框的置信分数小于或等于预设数值时,判断所述X射线胸片中不存在异物,即得第四合格结果。
进一步地,所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
所述图像质量确定模块包括:
合格片判断单元,用于当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,判断所述X射线胸片为合格片;
二级片判断单元,用于当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,判断所述X射线胸片为二级片;还用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若否,则判断所述X射线胸片为二级片;
不合格片判断单元,用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;还用于当肺叶分割模型得到不合格结果时,判断所述X射线胸片为不合格片。
进一步地,当深度学习模型包括多个模型时,所述装置还包括:
无差别量化处理模块,用于对多个分离结果进行无差别量化处理;
所述图像质量确定模块,用于基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。
第三方面,本发明还提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的X射线胸片图像质量确定方法。
本发明实施例提供的技术方案带来的有益效果是:
(1)本发明将胸片的评估拆分成胸片是否有异物出现在肺野、肩胛骨是否出现在肺野之内、图像有没有中心对齐以及两侧膈肌是否超出图像范围等几个子问题,基于深度学习技术实现了对胸片的图像质量的快速分级,不仅可以提醒技师图像质量是否合格,而且可以提示技师不合格胸片属于哪种不合格情况。
(2)本发明对X射线胸片图像质量进行全自动评估,图像质量确定速度快。
(3)本发明对X射线胸片图像质量分级的快速评估方法,可以帮助技师把控胸片的图像质量,间接提高了读片的准确性。
附图说明
为了更清楚地说明本发明的技术方案,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的前提下,还可以根据这些附图获得其它附图。
图1是本发明中X射线胸片图像质量确定方法的一种流程图;
图2是本发明中将X射线胸片图像进行归一化处理的一种流程图;
图3是本发明中将归一化处理后的图像输入肺叶分割模型进行图像分离识别的一种流程图;
图4是本发明中将归一化处理后的图像输入脊柱分割模型进行图像分离识别的一种流程图;
图5是本发明中本发明中将归一化处理后的图像输入肩胛骨分割模型进行图像分离识别的一种流程图;
图6是本发明中将归一化处理后的图像输入异物检测模型进行图像分离识别的一种流程图;
图7是本发明中X射线胸片图像质量确定装置的一种结构示意图;
图8是本发明中归一化处理模块的一种结构示意图;
图9是本发明中分离结果获取模块的第一种结构示意图;
图10是本发明中分离结果获取模块的第二种结构示意图;
图11是本发明中分离结果获取模块的第三种结构示意图;
图12是本发明中分离结果获取模块的第四种结构示意图;
图13是本发明中图像质量确定模块的一种结构示意图;
图14是本发明中X射线胸片图像(a)及标注后的肺叶图像(b);
图15是本发明中X射线胸片图像(a)及标注后的脊柱图像(b);
图16是本发明中X射线胸片图像(a)及标注后的肩胛骨图像(b);
图17是本发明中X射线胸片图像(a)及标注后的异物图像(b);
图18是本发明中输入肺叶分割模型前的X射线胸片图像(a)及该模型的输出图像(b);
图19是本发明中输入脊柱分割模型前的X射线胸片图像(a)及该模型的输出图像(b);
图20是本发明中输入肩胛骨分割模型前的X射线胸片图像(a)及该模型的输出图像(b);
图21是本发明中输入异物检测模型前的X射线胸片图像(a)及该模型的输出图像(b)。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明所提供的几个实施例中,所描述的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或单元的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
实施例1
如图1所示,本实施例提供了一种X射线胸片图像质量确定方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。具体的如图1所示,所述方法包括:
S101.将X射线胸片图像进行归一化处理;
S102.将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
深度学***台训练完成,标注数据的数量以及质量会影响到模型的准确性。本实施例中数据标注的方法可以为人工标注,也可以由智能化机器标注。
如图14所示,图a为X射线胸片图像,图b为标注后的肺叶图像;
如图15所示,图a为X射线胸片图像,图b为标注后的脊柱图像;
如图16所示,图a为X射线胸片图像,图b为标注后的肩胛骨图像;
如图17所示,图a为X射线胸片图像,图b为标注后的异物图像。
深度学习网络结构包括但不限于分割网络(V-Net,LinkNet,FC-DenseNet等)以及检测网络(Faster-RCNN,RetinaNet,YOLO v3等)。其中,肺叶分割模型采用FC-DenseNet,脊柱分割模型和肩胛骨分割模型采用LinkNet和FC-DenseNet,异物检测模型采用RetinaNet。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据。
S103.基于所述分离结果确定所述X射线胸片的图像质量。
如图2所示,所述将X射线胸片图像进行归一化处理包括:
S1011.按照灰度值对所述X射线胸片图像像素进行升序排序;
S1012.取排序后位于第一设定值的像素的灰度值作为第一数值,即最小值,取排序后位于第二设定值的像素的灰度值作为第二数值,即最大值,按照灰度值对所述图像进行有截断的最大最小归一化处理;其中,0%≤第一设定值≤10%,90%≤第二设定值≤100%,在一个优选实施例中,取排序后位于第5%的像素的灰度值作为最小值,取排序后位于第95%的像素的灰度值作为最大值;
需要说明的是,如果按照灰度值对所述X射线胸片图像像素进行降序排序,那么,0%≤第二设定值≤10%,90%≤第一设定值≤100%。
S1013.对归一化处理后的图像进行标准归一化处理,即将归一化处理后的图像数据减去训练数据集上的均值,然后除以训练数据的标准差;
具体计算公式如下:
x*=(x-μ)/σ;
其中,x是最大最小归一化后的图像数据,其中μ为训练数据的均值,σ为训练数据的标准差。
实施例2
本实施例以实施例1为基础。如图3所示,当所述深度学习模型为肺叶分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
S201.将归一化处理后的图像输入肺叶分割模型进行图像分离识别,得到肺叶分离结果;如图18所示,其中a为输入肺叶分割模型之前的图像;b为输入肺叶分割模型之后的输出图像;
S202.判断肺叶分离结果是否小于预设肺叶边缘阈值;
S203.若是,则判断所述X射线胸片中肺叶位置异常,即得第一不合格结果;若否,则判断所述X射线胸片中肺叶位置正常,即得第一合格结果。
在一个具体的实施方式中,对于肺叶分割模型,批量测试493例图像数据,443例正常,50例为肋角缺失,根据肺叶分割结果,统计正常443例胸片距离图像上下左右边缘的像素值,可以得到,预设左右边缘阈值为A1(本次实施方式中A1为0.012-0.035),预设上下边缘阈值为A2(本次实施方式中A2为0.031-0.062)。如果测试图像的左右边缘阈值小于预设左右边缘阈值A1和/或测试图像的上下边缘阈值小于预设上下边缘阈值A2,则判断所述X射线胸片中肺叶位置异常;反之,则判断所述X射线胸片中肺叶位置正常。需要说明的是,预设左右边缘阈值A1以及预设上下边缘阈值A2均可根据具体的测试数据进行设置。
如图4所示,当所述深度学习模型为脊柱分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
S301.将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别,得到脊柱分离结果;如图19所示,其中a为输入脊柱分割模型之前的图像;b为输入脊柱分割模型之后的输出图像;
S302.判断脊柱分离结果的绝对值是否大于预设偏移量;
S303.若是,则判断所述X射线胸片中脊柱位置异常,即得第二不合格结果;若否,则判断所述X射线胸片中脊柱位置正常,即得第二合格结果。
在一个具体的实施方式中,对于脊柱分割模型,批量测试490例数据,400例正常,90例图像中心偏移,在水平方向上,分别计算分割结果中每个像素距离图像中心的相对距离并求和。以上可得到490个带有符号的数值,取±B(本次实施方式中B为0.02-0.07)作为阈值,可以确保95%以上的准确度。如果测试图像的结果小于-B,那么该图像向左偏移图像中心,说明图像异常;如果测试图像的量化结果大于B,那么该图像向右偏移图像中心,同样说明图像异常。反之,则判断所述X射线胸片中脊柱位置正常。需要说明的是,预设偏移阈值B可根据具体的测试数据进行设置。
如图5所示,当所述深度学习模型为肩胛骨分割模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
S401.将归一化处理后的图像输入肩胛骨分割模型进行图像分离识别,得到肩胛骨分离结果;如图20所示,其中a为输入肩胛骨分割模型之前的图像;b为输入肩胛骨分割模型之后的输出图像;
S402.判断肩胛骨分离结果是否大于预设面积比率;
S403.若是,则判断所述X射线胸片中肩胛骨位置异常,即得第三不合格结果;若否,则判断所述X射线胸片中肩胛骨位置正常,即得第三合格结果。
在一个具体的实施方式中,对于肩胛骨分割模型,批量测试500例,100例为肩胛骨出现在肺野范围内,400例为正常胸片。根据肩胛骨分割模型,计算分割结果的面积和原图像的比率,预设比率为C(本次实施方式中C为0.009-0.028)时,可以到达90%以上的准确率。如果测试图像的量化结果大于预设比率,则判断所述X射线胸片中肩胛骨位置异常;反之,则判断所述X射线胸片中肩胛骨位置正常。需要说明的是,预设比率C可根据具体的测试数据进行设置。
如图6所示,当所述深度学习模型为异物检测模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
S501.将归一化处理后的图像输入异物检测模型进行图像分离识别,得到异物分离结果,即多个边界框;如图21所示,其中a为输入异物检测模型之前的图像;b为输入异物检测模型之后的输出图像;
S502.判断所述边界框的置信分数是否大于预设数值;在一个具体的实施方式中,置信分数的预设数值为D(本次实施方式中D为0.2-0.8);需要说明的是,预设数值D可根据实际情况进行设置。
S503.若是,则判断所述X射线胸片中存在异物;进一步地,对置信分数大于预设数值的边界框,可采用非极大值抑制算法处理,得到所有候选边界框;若否,则判断所述X射线胸片中不存在异物,即得第四合格结果。
在一个具体的实施方式中,当所述深度学习模型包括肺叶分割模型和异物检测模型时;
所述基于所述分离结果确定所述X射线胸片的图像质量包括:
当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;若否,则判断所述X射线胸片为二级片。
在一个具体的实施方式中,当所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型时;
相应的,所述基于所述分离结果确定所述X射线胸片的图像质量包括:
当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,则判断所述X射线胸片为合格片;
当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,则判断所述X射线胸片为二级片;
当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;若否,则判断所述X射线胸片为二级片;
当肺叶分割模型得到不合格结果时,无论脊柱分割模型、肩胛骨分割模型和异物检测模型得到合格或不合格结果,均判断所述X射线胸片为不合格片。
在一个具体的实施方式中,当深度学习模型包括多个模型时,所述方法还包括:
对多个分离结果进行无差别量化处理;
基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。
本发明还提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的X射线胸片图像质量确定方法。
实施例3
如图7所示,本实施例公开了一种X射线胸片图像质量确定装置,所述装置包括:
归一化处理模块701,用于将X射线胸片图像进行归一化处理;
分离结果获取模块702,用于将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
图像质量确定模块703,用于基于所述分离结果确定所述X射线胸片的图像质量。
在一个具体的实施方式中,如图8所示,所述归一化处理模块701包括:
排序单元7011,用于按照灰度值对所述X射线胸片图像像素进行升序排序;
归一化处理单元7012,用于取排序后位于第一设定值的像素的灰度值作为第一数值,即最小值,取排序后位于第二设定值的像素的灰度值作为第二数值,即最大值,按照灰度值对所述图像进行有截断的最大最小归一化处理;其中,0%≤第一设定值≤10%,90%≤第二设定值≤100%,在一个优选实施例中,取排序后位于第5%的像素的灰度值作为最小值,取排序后位于第95%的像素的灰度值作为最大值;
需要说明的是,如果按照灰度值对所述X射线胸片图像像素进行降序排序,那么,0%≤第二设定值≤10%,90%≤第一设定值≤100%。
标准归一化处理单元7013,用于对归一化处理后的图像进行标准归一化处理。
深度学***台训练完成,标注数据的数量以及质量会影响到模型的准确性。本实施例中数据标注的方法可以为人工标注,也可以由智能化机器标注。
实施例4
在实施例3的基础上,针对不同的深度学习模型,本发明装置中的分离结果获取模块如下:
如图9所示,当所述深度学习模型为肺叶分割模型时,所述分离结果获取模块702包括:
肺叶分离结果获取单元901,用于将标准归一化处理后的图像输入肺叶分割模型进行图像分离识别,得到肺叶分离结果;
肺叶分离结果判断单元902,用于判断肺叶分离结果是否小于预设肺叶边缘阈值;
第一不合格结果判断单元903,用于当肺叶分离结果小于预设肺叶边缘阈值时,判断所述X射线胸片中肺叶位置异常,即得第一不合格结果;
第一合格结果判断单元904,用于当肺叶分离结果大于或等于预设肺叶边缘阈值时,判断所述X射线胸片中肺叶位置正常,即得第一合格结果;
如图10所示,当所述深度学习模型为脊柱分割模型时,所述分离结果获取模块702包括:
脊柱分离结果获取单元1001,用于将标准归一化处理后的图像输入脊柱分割模型进行图像分离识别,得到脊柱分离结果;
脊柱分离结果判断单元1002,用于判断脊柱分离结果的绝对值是否大于预设偏移量;
第二不合格结果判断单元1003,用于当脊柱分离结果的绝对值大于预设偏移量时,判断所述X射线胸片中脊柱位置异常,即得第二不合格结果;
第二合格结果判断单元1004,用于当脊柱分离结果的绝对值小于或等于预设偏移量时,判断所述X射线胸片中脊柱位置正常,即得第二合格结果;
如图11所示,当所述深度学习模型为肩胛骨分割模型时,所述分离结果获取模块702包括:
肩胛骨分离结果获取单元1101,用于将标准归一化处理后的图像输入肩胛骨分割模型进行图像分离识别,得到肩胛骨分离结果;
肩胛骨分离结果判断单元1102,用于判断肩胛骨分离结果是否大于预设面积比率;
第三不合格结果判断单元1103,用于当肩胛骨分离结果大于预设面积比率时,判断所述X射线胸片中肩胛骨位置异常,即得第三不合格结果;
第三合格结果判断单元1104,用于当肩胛骨分离结果小于或等于预设面积比率时,判断所述X射线胸片中肩胛骨位置正常,即得第三合格结果;
如图12所示,当所述深度学习模型为异物检测模型时,所述分离结果获取模块702包括:
异物分离结果获取单元1201,用于将标准归一化处理后的图像输入异物检测模型进行图像分离识别,得到异物分离结果,即多个边界框;
异物分离结果判断单元1202,用于判断所述边界框的置信分数是否大于预设数值;
异物判断单元1203,用于当所述边界框的置信分数大于预设数值时,判断所述X射线胸片中存在异物;
第四合格结果判断单元1204,用于当所述边界框的置信分数小于或等于预设数值时,判断所述X射线胸片中不存在异物,即得第四合格结果。
在一个具体的实施方式中,当所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型时;
如图13所示,所述图像质量确定模块703包括:
合格片判断单元7031,用于当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,判断所述X射线胸片为合格片;
二级片判断单元7032,用于当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,判断所述X射线胸片为二级片;还用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若否,则判断所述X射线胸片为二级片;
不合格片判断单元7033,用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;还用于当肺叶分割模型得到不合格结果时,判断所述X射线胸片为不合格片。
在一个具体的实施方式中,当深度学习模型包括多个模型时,所述装置还包括:
无差别量化处理模块,用于对多个分离结果进行无差别量化处理;
所述图像质量确定模块,用于基于无差别量化处理后的分离结果确定所述X射线胸片的图像质量。
本发明将胸片的评估拆分成胸片是否有异物出现在肺野、肩胛骨是否出现在肺野之内、图像有没有中心对齐以及两侧膈肌是否超出图像范围等几个子问题,基于深度学习技术实现了对胸片的图像质量的快速分级,不仅可以提醒技师图像质量是否合格,而且可以提示技师不合格胸片属于哪种不合格情况。对X射线胸片图像质量分级的快速评估方法,可以帮助技师把控胸片的图像质量,间接提高了读片的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述是本发明的优选实施方式,对本发明的技术方案进行了进一步详细说明,并不用于限定本发明的保护范围,应该指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种X射线胸片图像质量确定方法,其特征在于,所述方法包括:
将X射线胸片图像进行归一化处理;
将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
基于所述分离结果确定所述X射线胸片的图像质量;
当所述深度学习模型为肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型时,所述将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果包括:
将标准归一化处理后的图像输入肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型进行图像分离识别,得到肺叶分离结果、脊柱分离结果、肩胛骨分离结果和异物分离结果的至少之一;
判断所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果是否满足对应的预设条件;
若是,则得到不合格结果;
若否,则得到合格结果;
其中,所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果、异物分离结果对应的预设条件包括:
所述肺叶分离结果小于预设肺叶边缘阈值;
所述脊柱分离结果的绝对值大于预设偏移量;
所述肩胛骨分离结果大于预设面积比率;
所述异物分离结果的置信分数大于预设数值。
2.根据权利要求1所述的方法,其特征在于,所述将X射线胸片图像进行归一化处理包括:
按照灰度值对所述X射线胸片图像像素进行排序;
取排序后位于第一设定值的像素的灰度值作为最小值,取排序后位于第二设定值的像素的灰度值作为最大值,按照灰度值对所述图像进行有截断的归一化处理;
对归一化处理后的图像进行标准归一化处理。
3.根据权利要求1所述的方法,其特征在于,
所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
相应的,所述基于所述分离结果确定所述X射线胸片的图像质量包括:
当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,则判断所述X射线胸片为合格片;或者
当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,则判断所述X射线胸片为二级片;或者
当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;若否,则判断所述X射线胸片为二级片;或者
当肺叶分割模型得到不合格结果时,则判断所述X射线胸片为不合格片。
4.一种X射线胸片图像质量确定装置,其特征在于,所述装置包括:
归一化处理模块,用于将X射线胸片图像进行归一化处理;
分离结果获取模块,用于将归一化处理后的图像输入深度学习模型进行图像分离识别,得到至少一个分离结果;所述深度学习模型至少包括下式之一:
肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
图像质量确定模块,用于基于所述分离结果确定所述X射线胸片的图像质量;
当所述深度学习模型为肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型时,所述分离结果获取模块包括:
分离结果获取单元,用于将标准归一化处理后的图像输入肺叶分割模型、脊柱分割模型、肩胛骨分割模型或异物检测模型进行图像分离识别,得到肺叶分离结果、脊柱分离结果、肩胛骨分离结果和异物分离结果的至少之一;
分离结果判断单元,用于判断所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果是否满足对应的预设条件;
不合格结果判断单元,用于当所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果满足对应的预设条件时,得到不合格结果;
合格结果判断单元,用于当所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果或异物分离结果不满足对应的预设条件时,得到合格结果;
其中,所述肺叶分离结果、脊柱分离结果、肩胛骨分离结果、异物分离结果对应的预设条件包括:
所述肺叶分离结果小于预设肺叶边缘阈值;
所述脊柱分离结果的绝对值大于预设偏移量;
所述肩胛骨分离结果大于预设面积比率;
所述异物分离结果的置信分数大于预设数值。
5.根据权利要求4所述的装置,其特征在于,所述归一化处理模块包括:
排序单元,用于按照灰度值对所述X射线胸片图像像素进行排序;
归一化处理单元,用于取排序后位于第一设定值的像素的灰度值作为第一数值,取排序后位于第二设定值的像素的灰度值作为第二数值,依据第一数值和第二数值对所述图像进行有截断的归一化处理;
标准归一化处理单元,用于对归一化处理后的图像进行标准归一化处理。
6.根据权利要求4所述的装置,其特征在于,所述深度学习模型包括肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型;
所述图像质量确定模块包括:
合格片判断单元,用于当肺叶分割模型、脊柱分割模型、肩胛骨分割模型和异物检测模型得到的均为合格结果时,判断所述X射线胸片为合格片;
二级片判断单元,用于当肺叶分割模型得到合格结果,且脊柱分割模型、肩胛骨分割模型中得到至少一个不合格结果时,判断所述X射线胸片为二级片;还用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若否,则判断所述X射线胸片为二级片;
不合格片判断单元,用于当肺叶分割模型得到合格结果,且异物检测模型判断所述X射线胸片中存在异物时,根据所述异物检测模型和所述肺叶分割模型判断所述异物是否在肺野范围内,若是,则判断所述X射线胸片为不合格片;还用于当肺叶分割模型得到不合格结果时,判断所述X射线胸片为不合格片。
7.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-3任一项所述的X射线胸片图像质量确定方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626384.2A CN109859168B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
CN202110198562.1A CN113052795B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
US16/729,249 US11436720B2 (en) | 2018-12-28 | 2019-12-27 | Systems and methods for generating image metric |
PCT/CN2019/129553 WO2020135792A1 (en) | 2018-12-28 | 2019-12-28 | Systems and methods for generating image metric |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626384.2A CN109859168B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110198562.1A Division CN113052795B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859168A CN109859168A (zh) | 2019-06-07 |
CN109859168B true CN109859168B (zh) | 2021-02-19 |
Family
ID=66893074
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626384.2A Active CN109859168B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
CN202110198562.1A Active CN113052795B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110198562.1A Active CN113052795B (zh) | 2018-12-28 | 2018-12-28 | 一种x射线胸片图像质量确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109859168B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436720B2 (en) * | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
CN110264449B (zh) * | 2019-06-14 | 2022-05-20 | 辽宁万象联合医疗科技有限公司 | 基于人工智能的医学放射影像胸部摄片的质量控制方法 |
CN110866898B (zh) * | 2019-10-30 | 2022-10-14 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、***、可读存储介质和设备 |
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
CN111640093A (zh) * | 2020-05-20 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法和计算机可读存储介质 |
CN111753896A (zh) * | 2020-06-16 | 2020-10-09 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的胸片曝光问题分类方法及*** |
CN112263269B (zh) * | 2020-09-22 | 2024-04-19 | 北京赛迈特锐医疗科技有限公司 | 泌尿系x线平片结石智能检测***及方法 |
CN112168193B (zh) * | 2020-10-14 | 2024-04-23 | 北京赛迈特锐医疗科技有限公司 | 基于髌骨轴位x线图像获取髌骨解剖参数的***及方法 |
CN112308853A (zh) * | 2020-10-20 | 2021-02-02 | 平安科技(深圳)有限公司 | 电子设备、医学图像指标生成方法、装置及存储介质 |
CN113409924A (zh) * | 2021-07-01 | 2021-09-17 | 上海市第一人民医院 | 基于人工智能的肺部检查影像辅助标记方法及其*** |
CN113555089A (zh) * | 2021-07-14 | 2021-10-26 | 江苏宏创信息科技有限公司 | 一种应用于临床影像的人工智能医学影像质控方法 |
CN113689425A (zh) * | 2021-09-15 | 2021-11-23 | 心医国际数字医疗***(大连)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116092642B (zh) * | 2023-03-07 | 2023-06-20 | 福建智康云医疗科技有限公司 | 一种医学影像质量控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、***及终端设备 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8660372B2 (en) * | 2010-05-10 | 2014-02-25 | Board Of Regents Of The University Of Texas System | Determining quality of an image or video using a distortion classifier |
CN103745470A (zh) * | 2014-01-08 | 2014-04-23 | 兰州交通大学 | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 |
CN106688014B (zh) * | 2014-10-30 | 2018-04-24 | 皇家飞利浦有限公司 | 用于确定放射摄影图像的图像质量的设备和方法 |
US10157467B2 (en) * | 2015-08-07 | 2018-12-18 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for detecting central pulmonary embolism in CT pulmonary angiography images |
CN105957094B (zh) * | 2016-06-15 | 2018-09-25 | 深圳维影医疗科技有限公司 | 一种基于轮廓检测的胸片肺野快速自动分割方法及其*** |
US10049457B2 (en) * | 2016-08-29 | 2018-08-14 | CephX Technologies Ltd. | Automated cephalometric analysis using machine learning |
WO2019000455A1 (zh) * | 2017-06-30 | 2019-01-03 | 上海联影医疗科技有限公司 | 图像分割的方法及*** |
CN108596198A (zh) * | 2017-07-26 | 2018-09-28 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的气胸x光图像识别方法及*** |
CN108648182B (zh) * | 2018-04-27 | 2022-02-11 | 南京信息工程大学 | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 |
CN108806776A (zh) * | 2018-06-14 | 2018-11-13 | 暨南大学附属第医院(广州华侨医院) | 一种基于深度学习的多模态医学影像的方法 |
-
2018
- 2018-12-28 CN CN201811626384.2A patent/CN109859168B/zh active Active
- 2018-12-28 CN CN202110198562.1A patent/CN113052795B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、***及终端设备 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113052795A (zh) | 2021-06-29 |
CN113052795B (zh) | 2023-12-08 |
CN109859168A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859168B (zh) | 一种x射线胸片图像质量确定方法及装置 | |
US11468564B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
CN110459319B (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断*** | |
Hao et al. | Inaccurate labels in weakly-supervised deep learning: Automatic identification and correction and their impact on classification performance | |
Schreuder et al. | Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: ready for practice? | |
US10755413B1 (en) | Method and system for medical imaging evaluation | |
US10438353B2 (en) | Evaluation of an X-ray image of a breast produced during a mammography | |
WO2017031099A1 (en) | Devices and methods for classifying diabetic and macular degeneration | |
CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
CN112699868A (zh) | 一种基于深度卷积神经网络的图像识别方法、设备 | |
CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
US8401255B2 (en) | Computer-assisted reconciliation of multiple image reads | |
US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
CN111986182A (zh) | 辅助诊断方法、***、电子设备及存储介质 | |
CN111883256A (zh) | 基于电子病历数据的肺结核患者预警***及预警方法 | |
CN114450716A (zh) | 用于卒中表征的图像处理 | |
Chen et al. | Enhancement of chest radiographs obtained in the intensive care unit through bone suppression and consistent processing | |
CN114757873A (zh) | 肋骨骨折检测方法、装置、终端设备及可读存储介质 | |
CN113592834A (zh) | 一种x射线胸片图像质量确定方法及装置 | |
CN116977338B (zh) | 基于视觉语义联合的染色体病例级异常提示*** | |
CN111415333A (zh) | 乳腺x射线影像反对称生成分析模型训练方法和装置 | |
Takaki et al. | Calculating the target exposure index using a deep convolutional neural network and a rule base | |
CN116228660A (zh) | 胸部正片异常部位检测方法及装置 | |
Ummah et al. | Covid-19 and Tuberculosis Detection in X-Ray of Lung Images with Deep Convolutional Neural Network. | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |