CN113628174A - 一种主观及客观超声医学图像质量评价方法及*** - Google Patents
一种主观及客观超声医学图像质量评价方法及*** Download PDFInfo
- Publication number
- CN113628174A CN113628174A CN202110829098.1A CN202110829098A CN113628174A CN 113628174 A CN113628174 A CN 113628174A CN 202110829098 A CN202110829098 A CN 202110829098A CN 113628174 A CN113628174 A CN 113628174A
- Authority
- CN
- China
- Prior art keywords
- quality
- medical image
- subjective
- neural network
- training
- 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
Images
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种主观及客观超声医学图像质量评价方法及***,方法包括:对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;采用所述分类评估结果进行神经网络的训练,所述神经网络分别从不同所述超声医学图像中提取高维度特征,将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果;通过不断训练得到一个准确率最高的神经网络模型;将待评价的超声医学图像输入训练得到的所述神经网络模型,得到最终的医学图像质量评价结果。本发明可以辅助医生对不合格、没有诊断意义的医疗图像进行筛选剔除。
Description
技术领域
本发明涉及图像质量评价以及医学图像技术领域,具体地,涉及一种主观及客观超声医学图像质量评价方法及***。
背景技术
医学成像是医学的重要分支。在协助诊断和治疗方面特别有用。其中最常见的成像方式是磁共振成像(MRI),计算机断层扫描(CT),超声成像,X射线,单光子计算机断层扫描(SPECT)和正电子发射断层扫描(PET)的核磁成像。它们中的每一个都有其自己的特定功能,并且根据图像类型,物理和/或生理学研究,患者的状况和可用性的要求进行选择。在采集过程或后处理过程中,进行了许多研究来改善医学图像的质量。医学成像的大多数研究和开发旨在加快采集时间和/或改善图像信噪比(SNR)。因此,需要一种高质量的图像质量评估(IQA)标准,以评估任何新开发的硬件,软件,更高的场强(在MRI中)或辐射(在CT,X射线PET中),图像重建技术和图像在过去的几十年中,与其他成像方式相比,MRI的研究和开发有了巨大的进步。
目前,大多数已发表的医学图像IQA研究都是在MRI上进行的。图像质量评价(IQA)在评估任何新的硬件,软件,图像采集技术,图像重建或后处理算法等方面都起着重要作用。在过去的十年中,研究者们已经设计了很多种IQA方法来评估自然图像的质量,有一些方法被尝试用于医学图像质量评价,但是使用效果是受限的。目前IQA在医学图像中的应用主要是在CT、MRI和超声成像等医学图像上,相比于自然图像,不同种类的医学图像的成像方式中存在许多不同的图像特征和内容,因此很难在医学图像领域找到一个普适性的IQA方法。
在医学图像IQA中有两个最重要的问题:①图像质量的度量不是诊断准确性的可靠度量;②图像质量评价的好坏并不反应扫描区域有任何异常。换句话说,IQA不一定等于诊断质量评估。然而医生们还是更倾向于用高质量的图像以进行准确的诊断。高质量的图像可以增加诊断的置信度,帮助医生正确诊断。同时,本项目还针对医疗图像在成像的过程中可能因患者头部运动、机器噪声等因素,可能会产生模糊、重影、伪影等现象,影响医生诊断效果。
发明内容
医院医生在日常工作中面对众多医疗图像数据,其中可能存在有模糊、重影、伪影、噪声等现象,这些问题有的是在可接受范围内的,有的则会严重影响医生对于病情的诊断。为克服上述技术问题,本发明提出一种主观及客观超声医学图像质量评价方法及***。
本发明的第一方面,提供一种主观及客观超声医学图像质量评价方法,包括:
对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;所述第一质量、第二质量和第三质量按照图像质量的高低不同来设置;
采用所述分类评估结果进行神经网络的训练,所述神经网络分别从不同所述超声医学图像中提取高维度特征,将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型;
将待评价的超声医学图像输入训练得到的所述神经网络模型,得到最终的医学图像质量评价结果,即对应上述的三种分类结果作为最终的评价结果。
可选地,所述超声医学图像,是从同一图像采集设备获取的,并统一调整为所需的分辨率。
可选地,所述对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种,包括:
对所述超声医学图像进行数据集的标注,针对每一张图像分别由专家进行主观质量评估,其中,
采用多位专家的多数投票结果来确定每张图像的质量,最终得到第一质量、第二质量、第三质量的的三类分类分数。
可选地,所述神经网络分别从所述超声医学图像中提取高维度特征,包括:
将所述超声医学图像输入到所述神经网络中,通过增加过滤器的大小来逐渐过滤以提取高维度特征。
可选地,所述将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,包括:
所述高维度特征被送入由softmax激活的全连接层以获得最终分类输出。
可选地,所述神经网络的训练,其中:
使用交叉熵作为所述神经网络的损失函数,使用动量为0.9的SGD优化器来帮助模型最小化交叉熵损失函数。
可选地,所述神经网络的训练,其中:
在训练过程中应用k折交叉验证方法,将对超声医学图像进行主观质量评估结果形成主观评价数据库,并将主观评价数据库分成五个相等的部分;
然后在每个独立的训练过程中,取四份作为训练和验证集,一份作为测试集,以获得测试精度,而最终的测试准确率就是多次测试结果的平均值。
本发明的第二方面,提供一种主观及客观超声医学图像质量评价***,包括:
主观质量评估模块:对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;所述第一质量、第二质量和第三质量按照图像质量的高低不同来设置;
神经网络模型训练模块:采用所述分类评估结果进行神经网络的训练,所述神经网络分别从所述血管超声医学图像中提取高维度特征,将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型;
评价模块:将待评价的超声医学图像输入训练得到的所述神经网络模型,得到最终的医学图像质量评价结果。
本发明的第三方面,提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行所述的主观及客观超声医学图像质量评价方法。
本发明的第四方面,提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行所述的主观及客观超声医学图像质量评价方法。
与现有技术相比,本发明实施例具有如下至少一种有益效果:
医院医生在日常工作中面对众多医疗图像数据,其中可能存在有模糊、重影、伪影、噪声等现象,这些问题有的是在可接受范围内的,有的则会严重影响医生对于病情的诊断。本发明通过主观评价,针对不同质量的医疗图像进行质量评价主观打分,从而建立一个医疗图像质量主观评价数据库;其次进行客观评价,在获得了数据库之后,采用自然图像领处理方法提取图像中的有效特征;通过主观和客观的评价来构建一个自动医疗图像质量评价***,辅助医生对不合格、没有诊断意义的医疗图像进行筛选剔除。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例所提供的数据库中的医学图像数据;
图2为本发明一实施例所采用的最优神经网络结构;
图3为本发明一实施例所采用的整体质量评价流程图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
本发明针对医疗图像的质量和诊断意义,目标是建立一个医疗图像质量评价方法和***,从而能够辅助医生挑选出更有价值和诊断意义的图像。本发明中将主观和客观图像评价进行结合,首先通过主观超声医学图像质量评价方法,通过专家来针对不同质量的医疗图像进行质量评价主观打分,从而建立一个专业的医疗图像质量评价数据库;其次采用客观超声医学图像质量评价方法,在通过主观打分获得了医疗图像质量评价数据库之后,采用自然图像领域的传统算法以及深度学习算法,来提取图像中的有效特征,从而构建一个自动医疗图像质量评价方法和***,辅助医生对不合格、没有诊断意义的医疗图像进行筛选剔除。
具体的,参照图3所示,本发明一较优实施例提供一种主观及客观超声医学图像质量评价方法,本实施例中以血管超声医学图像为例进行说明,包括如下步骤:
第一步、收集血管超声医学图像
可以从日常医学诊断过程中采集得到需要质量评价打分的血管超声医学图像。具体地,本实施例中采用的数据是Flair序列MRI图像。Flair是液体衰减反转恢复序列,主要在于抑制脑脊液中的自由水信号。高信号意味着组织中结合水增多,或者说与蛋白质等大分子物质结合的水增加,也就是意味着脑部存在病变。相对应的,本实施例中用到了常用的MRI数据处理过程,这些过程是比较繁琐的,但是处理了之后才可以得到匹配准确、只有大脑部分组织的数据,可以排除了大部分颅脑和数据采样过程中的干扰。为了方便不同亚型之间的特征提取。
为了更好的用于后续评价,本实施例中对血管超声医学图像进行了预处理,包括对MRI数据进行格式转换、时序校正、头动校正、图像匹配、空间标准化和图像平滑等预处理。同时为了避免数据中颅骨对分类的影响,进一步采用开源库FSL进行颅脑分离,降低非脑区域对分类结果的影响。
如图1所示,经过上述过程,本实施例中共收集了20名患者的10766张IVUS图像。所有图像均从同一图像采集设备获取并调整为512*512的分辨率。血管超声图像主要包含三个部分:
第一部分是最内层:它由三个子部分组成:内膜、动脉粥样硬化和内弹性膜。动脉粥样硬化是包含患者病灶区域的感兴趣范围。血管超声内膜病变具有不同的斑块组成,因此不同的患者会有不同的病理表现,这也是医生会重点关注的领域。
第二部分是中间层(Media层)。它由不反射超声的均匀平滑肌细胞组成,因此在超声图像中出现圆形暗区。
第三部分是外膜和外膜周围组织。它由可以反射大量超声波的胶原蛋白组成,因此在血管超声图像中呈现白色。
在临床诊断中,一般医生最关心的是最内层,所以主观的图像质量评估标准主要集中在最内层的清晰度和完整性上。
第二步,对收集的血管超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;所述第一质量、第二质量和第三质量按照图像质量的高低不同来设置;
具体的,在本实施例的主观质量评价实验中,邀请了某医院的10名专家医生(6男4女,年龄34±10%)进行主观质量评估研究,要求他们对每张图像给出第一质量、第二质量和第三质量三种结果中一种,其中第一质量、第二质量和第三质量按照图像质量的高低不同来设置,比如,第一质量、第二质量和第三质量分别对应低质量、中等质量和高质量的三类分类分数,其中:低质量标签意味着医生无法对他们做出正确的诊断、中等质量标签意味着医生可以在没有太大信心的情况下进行大致诊断、高质量标签意味着医生可以根据自信地做出正确的诊断。然后,采用10位专家医生的多数投票结果来确定每张图像的质量标签。这些主观质量评估结果形成数据库。
第三步,采用分类评估结果进行神经网络的训练,神经网络分别从不同超声医学图像中提取高维度特征,将提取的高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型。
具体地,对于每一个输入血管超声医学图像,都利用独立的神经网络来提取高维度特征,如图2所示,神经网络可以利用在ImageNet上预训练好的深度神经网络,包括AlexNet、VGG、GoogLeNet、ResNet等;对于上述的预训练好的深度神经网络,可以通过移除深度神经网络的若干层来提取若干维质量特征(高维度特征),而非原始神经网络最后输出的物体类别。
在本实施例的神经网络训练过程中,经预处理后的大小为512*512的血管超声医学图像被输入到神经网络中,并通过增加过滤器的大小来逐渐过滤以提取高维度特征。最终的高维度特征被送入由softmax激活的全连接层以获得最终分类(训练过程)输出。训练过程中使用交叉熵作为损失函数,并使用动量为0.9的SGD优化器来帮助模型最小化交叉熵损失函数。受GPU能力的限制,本实施例批量大小设置为8;在训练过程中应用了k折交叉验证方法,并将主观评估结果数据库分成五个相等的部分。然后在每个独立的训练过程中,取四份作为训练和验证集,一份作为测试集,以获得测试精度,那么最终的测试准确率就是它们的平均值。通过上述不断训练得到一个准确率最高的神经网络模型。
第四步、将待评估的血管超声医学图像输入上述训练得到的神经网络模型,从输入血管超声医学图像中提取感知质量特征,得到最终的医学图像质量评价结果,即对应上述的三种分类结果作为最终的评价结果
本实施例中,选择的神经网络为预训练过的引入了注意力机制的Resnet网络,该网络已经在提出的医学图像数据集(血管超声医学图像)上预训练好,其输入图的分辨率为512×512。该网络的全连接层可以输出一个三维的分类结果。对于每个图像,最终得到的结果会是低、中、高三个中的一种,医生根据评估结果来辅助诊断。本实施例中引入注意力机制可以获得更好的神经网络分类效率。
在上述得到评估结果(分类结果)后,根据三类的分类结果进行一定后处理,具体地,对于低质量的图像,采取重新拍摄的操作,对于中、高质量的图像交给医生做进一步判断。
基于上述相同技术构思,在本发明另一实施例中,还提供一种主观及客观超声医学图像质量评价***,包括:
主观质量评估模块:对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果;
神经网络模型训练模块:采用三类分类评估结果进行神经网络的训练,神经网络分别从超声医学图像中提取高维度特征,将提取的高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型;
评价模块:将待评价的超声医学图像输入训练得到的神经网络模型,得到最终的医学图像质量评价结果。
上述***中的各模块具体实现与主观及客观超声医学图像质量评价方法实施例中步骤相对应,在此不再赘述。
基于上述相同技术构思,在本发明另一实施例中,还一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,存储器存储有计算机程序,当程序被处理器执行时,使得处理器能够执行上述任一项实施例中的主观及客观超声医学图像质量评价方法。
基于上述相同技术构思,在本发明另一实施例中,还一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述任一项实施例中的主观及客观超声医学图像质量评价方法。
实施效果:
为了对本发明上述实施例中所提供的主观及客观血管超声医学图像质量评价方法的有效性进行验证,可以采用M20名患者的10766张IVUS图像。所有图像均从同一图像采集设备获取并调整为512*512的分辨率。为了构建MUIQA数据库,邀请了某医院的10名专家医生(6男4女,年龄34±10%)进行主观质量评估研究。由于对每张图像给出准确的质量分数对医生来说极其困难,因此没有采取打具体分数的方式,而是要求他们对每张图像给出低质量、中等质量和高质量的三类分类分数,其中:低质量标签意味着医生无法对他们做出正确的诊断,中等质量标签意味着医生可以在没有太大信心的情况下进行大致诊断,高质量标签意味着医生可以根据自信地做出正确的诊断。然后,采用10位专家医生的多数投票结果来确定每张图像的质量标签。
性能测试结果如表1所示,除了最终模型,实验还测试了传统图像质量评价算法以及一些基础深度学习骨干网络在MUIQA数据库上的分类效果。从该表中可以看出,最终的模型可以有效地评价医学图像的总体体验质量。最终模型即为本发明提出的医学图像质量评价模型,对应下表中的Proposed Method。
表1
本发明上述实施例提供的一种主观及客观超声医学图像质量评价方法,辅助医生对不合格、没有诊断意义的医疗图像进行筛选剔除。针对医疗图像质量评价***,结合医院医生在日常工作中面对众多医疗图像数据,其中可能存在有模糊、重影、伪影、噪声等现象,这些问题有的是在可接受范围内的,有的则会严重影响医生对于病情的诊断。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种主观及客观超声医学图像质量评价方法,其特征在于,包括:
对超声医学图像进行主观质量评估,对每张超声医学图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;所述第一质量、第二质量和第三质量按照图像质量的高低不同来设置;
采用所述分类评估结果进行神经网络的训练,所述神经网络分别从不同所述超声医学图像中提取高维度特征,将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型;
将待评价的超声医学图像输入训练得到的所述神经网络模型,得到最终的医学图像质量评价结果。
2.根据权利要求1所述的主观及客观超声医学图像质量评价方法,其特征在于,所述超声医学图像,是从同一图像采集设备获取的,并统一调整为所需的分辨率。
3.根据权利要求1所述的主观及客观超声医学图像质量评价方法,其特征在于,所述对超声医学图像进行主观质量评估,对每张超声医学图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种,包括:
对所述超声医学图像进行数据集的标注,针对每一张超声医学图像分别由多个专家进行主观质量评估,其中,
采用多位专家的多数投票结果来确定每张超声医学图像的质量,最终得到第一质量、第二质量、第三质量的的三类分类分数。
4.根据权利要求1所述的一种主观及客观超声医学图像质量评价方法,其特征在于,所述神经网络分别从所述超声医学图像中提取高维度特征,包括:
将所述超声医学图像输入到所述神经网络中,通过增加过滤器的大小来逐渐过滤以提取高维度特征。
5.根据权利要求4所述的一种主观及客观超声医学图像质量评价方法,其特征在于,所述将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,包括:
所述高维度特征被送入由softmax激活的全连接层以获得最终分类输出。
6.根据权利要求1所述的一种主观及客观超声医学图像质量评价方法,其特征在于,所述神经网络的训练,其中:
使用交叉熵作为所述神经网络的损失函数,使用动量为0.9的SGD优化器来帮助模型最小化交叉熵损失函数。
7.根据权利要求6所述的一种主观及客观超声医学图像质量评价方法,其特征在于,所述神经网络的训练,其中:
在训练过程中应用k折交叉验证方法,将对超声医学图像进行主观质量评估结果形成主观评价数据库,并将主观评价数据库分成五个相等的部分;
然后在每个独立的训练过程中,取四份作为训练和验证集,一份作为测试集,以获得测试精度,而最终的测试准确率就是多次测试结果的平均值。
8.一种主观及客观超声医学图像质量评价***,其特征在于,包括:
主观质量评估模块:对超声医学图像进行主观质量评估,每张图像给出第一质量、第二质量和第三质量的三类分类评估结果中一种;所述第一质量、第二质量和第三质量按照图像质量的高低不同来设置;
神经网络模型训练模块:采用所述分类评估结果进行神经网络的训练,所述神经网络分别从所述血管超声医学图像中提取高维度特征,将提取的所述高维度特征进行全连接输出得到第一质量、第二质量和第三质量三类分类结果,作为最终分类结果;通过不断训练得到一个准确率最高的神经网络模型;
评价模块:将待评价的超声医学图像输入训练得到的所述神经网络模型,得到最终的医学图像质量评价结果。
9.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~7任一项所述的主观及客观超声医学图像质量评价方法。
10.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~7任一项所述的主观及客观超声医学图像质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829098.1A CN113628174A (zh) | 2021-07-21 | 2021-07-21 | 一种主观及客观超声医学图像质量评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829098.1A CN113628174A (zh) | 2021-07-21 | 2021-07-21 | 一种主观及客观超声医学图像质量评价方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628174A true CN113628174A (zh) | 2021-11-09 |
Family
ID=78380496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829098.1A Pending CN113628174A (zh) | 2021-07-21 | 2021-07-21 | 一种主观及客观超声医学图像质量评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628174A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046277A (zh) * | 2015-07-15 | 2015-11-11 | 华南农业大学 | 特征显著性在图像质量评价中的鲁棒机理研究方法 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及*** |
-
2021
- 2021-07-21 CN CN202110829098.1A patent/CN113628174A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046277A (zh) * | 2015-07-15 | 2015-11-11 | 华南农业大学 | 特征显著性在图像质量评价中的鲁棒机理研究方法 |
CN110827250A (zh) * | 2019-10-29 | 2020-02-21 | 浙江明峰智能医疗科技有限公司 | 基于轻量级卷积神经网络的智能医学图像质量评估方法 |
CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2013400936B2 (en) | Image analysis techniques for diagnosing diseases | |
CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
Jafari et al. | Automated diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging using deep learning models: A review | |
CN1934589A (zh) | 为医学成像提供自动决策支持的***和方法 | |
CN110288698B (zh) | 基于mri的半月板三维重建*** | |
Balasooriya et al. | Intelligent brain hemorrhage diagnosis using artificial neural networks | |
Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
Chen et al. | Muiqa: Image quality assessment database and algorithm for medical ultrasound images | |
CN114943688A (zh) | 基于触诊和超声数据对乳腺图像中感兴趣区域的提取方法 | |
CN114241187A (zh) | 基于超声双模态影像的肌肉疾病诊断***、设备及介质 | |
CN116597950A (zh) | 一种医学图像分层方法 | |
CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
Zhang et al. | Medical image fusion based a densely connected convolutional networks | |
CN113628174A (zh) | 一种主观及客观超声医学图像质量评价方法及*** | |
CN112884759B (zh) | 一种乳腺癌腋窝***转移状态的检测方法及相关装置 | |
Hernanda et al. | Semantic segmentation of venous on deep vein thrombosis (DVT) case using UNet-ResNet | |
Niu et al. | Improving automated tissue characterization in optical coherence tomography by melding attenuation compensation with deep learning | |
Estermann et al. | Pwml detection in 3d cranial ultrasound volumes using over-segmentation and multimodal classification with deep learning | |
Mani | Deep learning models for semantic multi-modal medical image segmentation | |
Ji et al. | ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images | |
Zair et al. | An automated segmentation of coronary artery calcification using deep learning in specific region limitation | |
Musatian et al. | Medical images segmentation operations | |
Estermann et al. | Vision Transformer and Multiview Classification for Lesion Detection in 3D Cranial Ultrasound | |
CN115409834B (zh) | 一种用于跟腱病诊断的特征提取方法、***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 |