CN113643211A - 去除条形伪影的方法、***、可读存储介质和设备 - Google Patents
去除条形伪影的方法、***、可读存储介质和设备 Download PDFInfo
- Publication number
- CN113643211A CN113643211A CN202110992187.8A CN202110992187A CN113643211A CN 113643211 A CN113643211 A CN 113643211A CN 202110992187 A CN202110992187 A CN 202110992187A CN 113643211 A CN113643211 A CN 113643211A
- Authority
- CN
- China
- Prior art keywords
- bar
- image
- angle
- artifacts
- artifact
- 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 57
- 238000009499 grossing Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 39
- 230000010354 integration Effects 0.000 claims description 28
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001788 irregular Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 210000004872 soft tissue Anatomy 0.000 description 16
- 238000002591 computed tomography Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000001816 cooling Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000002600 positron emission tomography Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002826 coolant Substances 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000015592 Involuntary movements Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000617 arm Anatomy 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010351 cardiac pulsation Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种去除条形伪影的方法、***、可读存储介质和设备,根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
Description
技术领域
本申请涉及医疗影像技术领域,特别是涉及一种去除条形伪影的方法、***、可读存储介质和设备。
背景技术
一般情况下,采用医学影像设备(如CT(Computed Tomography,电子计算机断层扫描)、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)、MR(Magnetic Resonance,磁共振)等)对受试者的某一扫描区域扫描过程中,受试者可能存在自主或不自主的运动(如受试者自主的呼吸运动、不自主的心脏搏动和胃肠蠕动等),这些自主或不自主的运动会在重建图像上形成强度和分布不规则的条形伪影,降低图像质量甚至影响诊断。
目前针对相关技术中,对于强度和分布不规则的条形伪影的去除效果差的问题,尚未提出有效的解决方案。
发明内容
基于此,有必要针对相关技术中对于强度和分布不规则的条形伪影的去除效果差的问题,提供一种去除条形伪影的方法、***、可读存储介质和设备。
第一方面,本申请提供了一种去除条形伪影的方法,包括以下步骤:
根据条形伪影的范围确定掩模图像;
对掩模图像进行平滑处理;
将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。
在其中一个实施例中,去除条形伪影的方法还包括以下步骤:
获取包含条形伪影的目标区域的扫描图像,确定条形伪影在扫描图像中的范围。
在其中一个实施例中,确定条形伪影在扫描图像中的范围包括基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式。
在其中一个实施例中,基于人机交互的半自动方式包括以下步骤:
在扫描图像中确定目标区域的范围,从目标区域上的点出发,在各个角度上进行线积分,获取线积分强度最大的目标角度,根据目标角度和目标区域上对应的点确定条形伪影。
在其中一个实施例中,获取线积分强度最大的目标角度包括以下步骤:
针对任一角度,获取该角度的预设角度变化范围内的线积分强度之和,并获取线积分强度之和与总线积分强度之和的比例,其中总线积分强度之和是目标区域上对应的点在各个角度上的线积分强度之和;
若比例大于预设阈值,将该角度作为线积分强度最大的目标角度。
在其中一个实施例中,获取线积分强度最大的目标角度包括以下步骤:
根据各个角度的线积分强度获取线积分曲线,根据线积分曲线的变化趋势获取线积分曲线上的极大值点;
若存在多个极大值点,且相邻两个极大值点之间的角度差小于间隔阈值,将线积分强度较大的极大值点所在角度作为目标角度;
若相邻两个极大值点之间的角度差大于或等于间隔阈值,将相邻两个极大值点所在角度均作为目标角度。
在其中一个实施例中,根据目标角度和目标区域上对应的点确定条形伪影包括以下步骤:
根据目标角度和目标区域上对应的点确定对应条形伪影的直线,其中,直线经过目标区域上对应的点;
根据各个角度的线积分强度获取线积分曲线,获取目标角度在线积分曲线上的半高全宽;
获取线积分采用的第一像素数、目标区域的第二像素数和目标区域的成像范围,根据第一像素数、第二像素数、成像范围和半高全宽获取条形伪影的宽度;
根据直线和宽度确定条形伪影。
在其中一个实施例中,对掩模图像进行平滑处理包括以下步骤:
利用扫描图像在掩模图像周围的像素对掩模图像进行平滑处理,获取平滑后的图像与条形伪影的差值图像并低通滤波。
第二方面,本申请提供了一种去除条形伪影的***,包括:
图像获取单元,用于获取扫描图像,其中,扫描图像包含条形伪影;
掩模获取单元,用于根据条形伪影的范围确定掩模图像;
伪影处理单元,用于对掩模图像进行平滑处理,将平滑后的掩模图像加回扫描图像,完成条形伪影的去除。
在其中一个实施例中,掩模获取单元还用于基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式确定条形伪影在扫描图像中的范围。
在其中一个实施例中,掩模获取单元还用于在扫描图像中确定目标区域的范围,从目标区域上的点出发,在各个角度上进行线积分,获取线积分强度最大的目标角度,根据目标角度和目标区域上对应的点确定条形伪影。
在其中一个实施例中,掩模获取单元还用于针对任一角度,获取该角度的预设角度变化范围内的线积分强度之和,并获取线积分强度之和与总线积分强度之和的比例,其中总线积分强度之和是目标区域上对应的点在各个角度上的线积分强度之和;若比例大于预设阈值,将该角度作为线积分强度最大的目标角度。
在其中一个实施例中,掩模获取单元还用于根据各个角度的线积分强度获取线积分曲线,根据线积分曲线的变化趋势获取线积分曲线上的极大值点;若存在多个极大值点,且相邻两个极大值点之间的角度差小于间隔阈值,将线积分强度较大的极大值点所在角度作为目标角度;若相邻两个极大值点之间的角度差大于或等于间隔阈值,将相邻两个极大值点所在角度均作为目标角度。
在其中一个实施例中,掩模获取单元还用于根据目标角度和目标区域上对应的点确定对应条形伪影的直线,其中,直线经过目标区域上对应的点;根据各个角度的线积分强度获取线积分曲线,获取目标角度在线积分曲线上的半高全宽;获取线积分采用的第一像素数、目标区域的第二像素数和目标区域的成像范围,根据第一像素数、第二像素数、成像范围和半高全宽获取条形伪影的宽度;根据直线和宽度确定条形伪影。
在其中一个实施例中,伪影处理单元还用于利用扫描图像在掩模图像周围的像素对掩模图像进行平滑处理,获取平滑后的图像与条形伪影的差值图像并低通滤波。
第三方面,本申请提供了一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现上述任一去除条形伪影的方法的步骤。
第四方面,本申请提供了一种去除条形伪影的设备,包括存储器和处理器,存储器存储有可执行程序,处理器执行可执行程序时实现上述的去除条形伪影的方法的步骤。
相比于相关技术,本申请提供的去除条形伪影的方法、***、可读存储介质和设备是根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一个实施例中的示例性医学设备100的示意图;
图2为一个实施例中的在其上实现处理引擎140的示例性计算设备200的示例性硬件和/或软件组件的示意图;
图3为一个实施例中的可以在其上实现终端130的示例性移动设备300的示例性硬件和/或软件组件的示意图;
图4为一个实施例中的去除条形伪影的方法的流程示意图。
图5为一个实施例中的CT图像中条形伪影的示意图。
图6为一个实施例中的CT图像中软组织的示意图。
图7为一个实施例中的线积分曲线的示意图。
图8为一个实施例中去除条形伪影后的CT图像的示意图。
图9为一个实施例中的去除条形伪影的***的结构示意图。
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、***、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“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”等仅仅是区别类似的对象,不代表针对对象的特定排序。
图1是一个实施例的示例性用于去除条形伪影的的医学设备100的示意图。参考图1所示,医学设备100可包括扫描仪110、网络120、一个或多个终端130、处理引擎140以及存储器150。医学设备100中的所有组件都可以通过网络120互相连接。
扫描仪110可扫描对象并且生成与该扫描对象相关的扫描图像数据。在一些实施例中,扫描仪110可以是医学成像设备,例如CT设备、PET设备、SPECT设备、MRI设备等或其任意组合(例如,PET-CT设备或CT-MRI设备)。
本申请中提到的“图像”可以指2D图像、3D图像、4D图像和/或任何相关数据,这并非旨在限制本申请的范围。对于本领域的技术人员来说,在本申请的指导下可以进行各种修正和改变。
扫描仪110可包括支撑组件111、探测器组件112、扫描床114、电子模块115以及冷却组件116。
支撑组件111可以支撑扫描仪110的一个或多个部件,例如探测器组件112、电子模块115、冷却组件116等。在一些实施例中,支撑组件111可以包括主机架、机架基座、前盖板以及后盖板(未出示)。前盖板可以与机架基座连接。前盖板可以垂直于机架基座。主机架可以安装于前盖板的侧面。主机架可以包括一个或多个支撑架以容纳探测器组件112和/或电子模块115。主机架可以包括圆形的开口(例如,检测区域113)以容纳受试者。在一些实施例中,主机架的开口可以是其它形状,包括,例如椭圆形。后盖板可以安装于主机架上与前盖板相对的侧面。机架基座可以支撑前盖板、主机架和/或后盖板。在一些实施例中,扫描仪110可以包括一个外壳以覆盖并保护主机架。
探测器组件112可以探测从检测区域113发射的辐射事件(例如,X射线信号等)。在一些实施例中,探测器组件112可以接收辐射线(例如,X射线信号等)并且生成电信号。探测器组件112可以包括一个或多个探测器单元。一个或多个探测器单元可以被封装而形成一个探测器区块。一个或多个探测器区块可以被封装而形成一个探测器盒。一个或多个探测器盒可以被安装而形成一个探测环。一个或多个探测环可以被安装而形成一个探测器模块。
扫描床114可以支撑受试者并将受试者定位于检测区域113中所需位置。在一些实施例中,受试者可以在扫描床114上。扫描床114可以移动并且到达检测区域113中的所需位置。在一些实施例中,扫描仪110可以具有相对较长的轴向视野,例如2米长的轴向视野。相应地,扫描床114可以沿着轴向在较广范围(例如,大于2米)内移动。
电子模块115可以采集和/或处理由探测器组件112生成的电信号。电子模块115可以包括加算器、乘法器、减法器、放大器、驱动器电路、差动电路、积分电路、计数器、过滤器、模数转换器、下限检测电路、恒定系数鉴别器电路、时间-数字转换器、符合电路等其中一种或几种的组合。电子模块115可以将与探测器组件112接收到的辐射线的能量相关的模拟信号转化为数字信号。电子模块115可以比较多个数字信号、分析多个数字信号并且通过探测器组件112中所接收辐射线的能量确定图像数据。在一些实施例中,如果探测器组件112具有一个大的轴向视野(例如,0.75米至2米),则电子模块115可以具有来自多个探测器通道的高数据输入速率。例如,电子模块115可以每秒处理数百亿事件。在一些实施例中,数据输入速率可以与探测器组件112中探测器单元的数量有关。
冷却组件116可以产生、转移、传送、传导冷却介质或使冷却介质在扫描仪110中循环以吸收成像过程中扫描仪110产生的热量。在一些实施例中,冷却组件116可以完全集成入扫描仪110并且成为扫描仪110的一部分。在一些实施例中,冷却组件116可以部分集成入扫描仪110并且与扫描仪110相关联。冷却组件116可以允许扫描仪110维持适合且稳定的工作温度(例如,25℃、30℃、35℃等)。在一些实施例中,冷却组件116可以控制扫描仪110的一个或多个目标部件的温度。目标部件可以包括探测器组件112、电子模块115和/或在操作中生成热量的任何其他部件。冷却介质可以是气态、液态(例如,水)等其中一种或几种的组合。在一些实施例中,气态冷却介质可以是空气。
扫描仪110可以扫描位于其检测区域内的对象,并生成与对象相关的多个成像数据。在本申请中,“受试者”和“对象”可交替使用。仅作为示例,受试者可包括扫描目标、人造物体等。在另一实施例中,受试者可包括扫描目标的特定部分、器官和/或组织。例如,受试者可包括头部、大脑、颈部、身体、肩部、手臂、胸部、心脏、胃、血管、软组织、膝盖、脚或其他部位等,或其任意组合。在本申请中,受试者主要为心脏。
网络120可包括任意合适的网络,该网络能协助医学设备100交换信息和/或数据。在一些实施例中,医学设备100的一个或多个组件(例如,扫描仪110、终端130、处理引擎140、存储器150等)可通过网络120与医学设备100的一个或多个其他组件传递信息和/或数据。例如,处理引擎140可通过网络120从扫描仪110获得图像数据。作为另一示例,处理引擎140可通过网络120从终端130获得用户指令。一个或多个终端130包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中,移动设备131可包括智能家用设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等或其任意组合。
处理引擎140可以处理从扫描仪110、终端130和/或存储器150获得的数据和/或信息。在一些实施例中,处理引擎140可以是单个服务器或服务器组。服务器组可以是集中式的或者分布式的。在一些实施例中,处理引擎140可以是本地的或远程的。例如,处理引擎140可通过网络120来访问存储在扫描仪110、终端130和/或存储器150中的信息和/或数据。作为另一示例,处理引擎140可以直接连接到扫描仪110、终端130和/或存储器150以访问所存储的信息和/或数据。在一些实施例中,处理引擎140可在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等或者其任意组合。在一些实施例中,处理引擎140可由图2中所示的具有一个或多个组件的计算设备200来实现。
存储器150可存储数据、指令、和/或任何其他信息。在一些实施例中,存储器150可以存储从终端130和/或处理引擎140获得的数据。在一些实施例中,存储器150可存储数据和/或指令,处理引擎140可以执行或使用该数据和/或指令以执行本申请中所描述的示例性方法。在一些实施例中,存储器150可包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(ROM)等或其任意组合。
在一些实施例中,存储器150可连接到网络120,以便与医学设备100中的一个或多个其他组件(例如,处理引擎140、终端130等)通信。医学设备100中的一个或多个组件可通过网络120来访问存储在存储器150中的数据或指令。在一些实施例中,存储器150可直接连接到医学设备100中的一个或多个其他组件(例如,处理引擎140、终端130等)或与这些组件通信。在一些实施例中,存储器150可以是处理引擎140的一部分。
图2是一个实施例的可以在其上实现处理引擎140的示例性计算设备200的示例性硬件和/或软件组件的示意图。如图2所示,计算设备200可以包括内部通信总线210、处理器(processor)220、只读存储器(ROM)230、随机存取存储器(RAM)240、通信端口250、输入/输出组件260、硬盘270以及用户界面设备280。
图3是一个实施例的可以在其上实现终端130的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可包括天线310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入输出单元(I/O)350、内存360以及存储器390。在一些实施例中,移动设备300中还可包括任何其他合适的组件,包括但不限于***总线或控制器(未示出)。在一些实施例中,移动操作***370(例如,iOS、Android、Windows Phone等)和一个或多个应用程序380可从存储器390被加载到内存360中以便由CPU340执行。应用程序380可包括浏览器或任意其它合适的移动应用以用于接收和绘制与图像处理相关的信息或来自处理引擎140的其它信息。用户与信息流的交互可通过I/O350来实现并通过网络120提供给处理引擎140和/或医学设备100的其他组件。
为了实现本申请中所描述的各种模块、单元及其功能,计算机硬件平台可被用作本文所描述的一个或多个元件的(诸)硬件平台。具有用户界面元件的计算机可被用于当作个人计算机(PC)或任何其他类型的工作站或终端设备。如果进行适当的编程,计算机也可以充当服务器。在医学设备100中可以实现去除条形伪影的方法、***等。
本申请中使用了流程图用来说明根据本申请的实施例的方法所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
参见图4所示,为本申请一个实施例的去除条形伪影的方法的流程示意图。该实施例中的去除条形伪影的方法包括以下步骤:
步骤S410:根据条形伪影的范围确定掩模图像;
在本步骤中,条形伪影位于扫描图像的目标区域中,掩模图像需要覆盖条形伪影,可通过条形伪影的范围确定掩模图像;
步骤S420:对掩模图像进行平滑处理;
在本步骤中,平滑处理可对掩模图像中的像素进行调整,弱化条形伪影;
步骤S430:将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。
在本实施例中,根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
需要说明的是,上述去除条形伪影的方法可以在医学设备的控制台上执行,也可以在医学设备的后处理工作站上执行,或在能与医学设备通信的终端设备上执行,且不局限于此,可以根据实际应用的需要进行变化调整。
在一个实施例中,去除条形伪影的方法还包括以下步骤:
获取包含条形伪影的目标区域的扫描图像,确定条形伪影在扫描图像中的范围。
在本步骤中,目标区域是医学扫描图像中的感兴趣区域,条形伪影是在图像上表现为条形的非受试者特征的伪影,若条形伪影出现在感兴趣区域中,则会对扫描图像的准确性造成影响,因此本申请选取包含条形伪影的目标区域的扫描图像,可便于对其中的条形伪影进行处理。
目标区域的扫描图像可以从存储器150中获取,存储器150中可以设置数据库,用于保存各种扫描图像,扫描图像的数据也可以在扫描后从电子模块115中获取,具体过程为:受试者可以置于医学设备扫描仪110的扫描床114上,进入扫描仪110的检测区域113并进行扫描拍摄,从电子模块115中直接获取数据,并通过图像算法获取各种扫描图像。
具体的,医学设备在扫描时可得到扫描影像数据,包括多种类型,如计算机断层扫描影像数据、X射线影像数据、磁共振影像数据、正电子发射断层扫描影像数据以及多模态融合影像数据等,可通过CT设备、MR设备或PET设备等扫描成像设备获取扫描影像数据,上述扫描影像数据也可从相应设备的存储器中进行读取。
进一步的,在得到目标区域的扫描图像前,可以对获取的原始扫描图像进行预处理,如对其中的目标区域进行分割,以便于进行后续处理,在预处理时可采用图像分割算法、深度学习等技术。
在一个实施例中,获取包含条形伪影的目标区域的扫描图像包括以下步骤:
获取医学扫描图像,对医学扫描图像进行目标区域提取,获得目标区域的扫描图像。
在本实施例中,目标区域的扫描图像中可不包含其他区域,而目标区域仅是医学扫描图像中的部分区域,因此,可在获取医学扫描图像后,对医学扫描图像进行提取,得到目标区域的扫描图像,便于有针对性地对目标区域的扫描图像进行处理,避免其他区域的存在对目标区域的图像处理产生影响。
进一步的,目标区域可包括软组织,在实际应用中,一般条形伪影对软组织的影响较大,在图像中会造成软组织的显示不清楚,因此,可将目标区域选为软组织,并根据软组织在图像中的参数阈值,对医学扫描图像进行软组织提取。
具体的,参数阈值可选为灰度阈值,软组织的灰度值一般在1000-1300之间,根据扫描图像的灰度值提取软组织的扫描图像。为了保证软组织的边界平滑,可去除部分离散点,并可适当进行图像的腐蚀膨胀运算。
需要说明的是,软组织也可采用针对软组织的各种不同的图像识别算法来提取。
在一个实施例中,确定条形伪影在扫描图像中的范围包括基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式。
在本实施例中,采用基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式,确定条形伪影在扫描图像中的范围,可准确快速地实现对条形伪影的范围的确认。
在一个实施例中,基于神经网络模型算法的全自动方式可分为两种模型:
一种神经网络模型的训练集输入项为带条形伪影的图像,金标准为分割出条形伪影范围的掩模图像,通过迭代训练得到相应的神经网络模型;在模型测试使用过程中,其输入项为带有条形伪影的扫描图像,在训练好的模型里进行处理,输出项为带有条形伪影的精确位置以及范围的模板,然后根据此模板制作掩模图像,对掩模图像进行平滑处理,再将掩模图像加到扫描图像上,完成条形伪影去除;
另一种神经网络模型的训练集输入项为带条形伪影的图像,金标准为不带条形伪影的图像,通过迭代训练得到相应的神经网络模型;在模型测试使用过程中,其输入项为带有条形伪影的扫描图像,在训练好的模型里进行处理,输出项为不带有条形伪影的图像。
在本实施例中,通过神经网络模型的应用,可快速便捷地得到去除条形伪影的图像。
在一个实施例中,基于人机交互的半自动方式包括以下步骤:
在扫描图像中确定目标区域的范围,从目标区域上的点出发,在各个角度上进行线积分,获取线积分强度最大的目标角度,根据目标角度和目标区域上对应的点确定条形伪影。
在本实施例中,目标区域在扫描图像中具有确定的范围,目标区域可以是连续的,也可以是离散的,目标区域可由多个预设大小的点组成,可对每个点分别进行处理,在各个角度上进行线积分,各个角度是指在图像平面上相对于X轴正向的各个角度,如从0度至360度,线积分为在经过目标区域上的点,沿某一角度下的直线覆盖的像素点的像素值的积分;由于条形伪影在图像上一般表现为局部范围的像素增强,若存在条形伪影,在经过目标区域上的点的某一角度的线积分,会出现线积分强度突变增强,通过获取线积分强度最大的目标角度,结合目标区域上的点,可确定条形伪影在目标区域的扫描图像上的具***置。
具体的,由于目标区域具有适当的大小,其中的像素点较多,可选择目标区域的边界或边界附近的点进行线积分处理,也可选择目标区域的内部的点进行线积分处理。若是连续的目标区域,其边界是唯一的,若是离散的目标区域,可存在多个边界;边界可由多个预设大小的点组成,可对每个边界上的点分别进行处理,即从边界上的任意一点出发,在各个角度上进行线积分。
需要说明的是,由于目标区域的范围有限,可对线积分的范围进行限制,如从边界上的点出发,在各个角度上对连续的N个像素进行线积分,N的取值范围可在10-100之间,在实际应用中,可选取N为50、60或70等,具体可根据实际需要进行调整,以减少线积分的计算量。另外,在进行线积分时,积分对象可为像素点的像素值,包括像素点的亮度值、明度值、对比度值和/或灰度值等,具体可根据实际需要进行选取。
在一个实施例中,获取线积分强度最大的目标角度包括以下步骤:
针对任一角度,获取该角度的预设角度变化范围内的线积分强度之和,并获取线积分强度之和与总线积分强度之和的比例,其中总线积分强度之和是目标区域上对应的点在各个角度上的线积分强度之和;
若比例大于预设阈值,将该角度作为线积分强度最大的目标角度。
在本实施例中,可采用比例法来确定线积分强度最大的目标角度,比例法的具体过程如下:针对任意一个角度,获取该角度的预设角度变化范围内的线积分强度之和,其中预设角度变化范围包括该角度附近的若干角度,总线积分强度之和为目标区域上对应的点在各个角度上的线积分强度之和,若两个和值的比例大于预设阈值,表明该角度及其附近的角度的线积分形成了在各个角度上的线积分强度的突变增强,可将该角度作为线积分强度最大的目标角度,即条形伪影所在的角度。如此可快速便捷地寻到条形伪影所在的位置。
进一步的,预设角度变化范围可根据实际需要进行调整,如该角度的前后各5度的范围。
在一个实施例中,获取线积分强度最大的目标角度包括以下步骤:
根据各个角度的线积分强度获取线积分曲线,根据线积分曲线的变化趋势获取线积分曲线上的极大值点;
若存在多个极大值点,且相邻两个极大值点之间的角度差小于间隔阈值,将线积分强度较大的极大值点所在角度作为目标角度;
若相邻两个极大值点之间的角度差大于或等于间隔阈值,将相邻两个极大值点所在角度均作为目标角度。
在本实施例中,可对各个角度的线积分强度进行统计记录,并以此生成以线积分角度为横坐标,线积分强度为纵坐标的线积分曲线,利用线积分曲线的变化趋势确定线积分曲线上的极大值点,极大值点对应的角度可能为条形伪影所在的角度,若存在多个极大值点,经过目标区域上对应的点可能有多个条形伪影,此时需判断相邻两个极大值点之间的角度差,若角度差小于预设的间隔阈值,表明两个极大值点对应的角度相近,由于条形伪影具有相当的宽度,且条形伪影本身的分布不规则,导致出现两个极大值点,可选取其中线积分强度较大的极大值点所在角度作为目标角度;若角度差大于或等于间隔阈值,表明两个极大值点对应的角度具有相当的间隔,有两个条形伪影同时经过目标区域上的同一点,可将两个极大值点所在角度均作为目标角度。如此可针对多个条形伪影经过目标区域上的同一点的情况进行处理,从而更加准确地确定条形伪影。
在一个实施例中,根据目标角度和目标区域上对应的点确定条形伪影包括以下步骤:
根据目标角度和目标区域上对应的点确定对应条形伪影的直线,其中,直线经过目标区域上对应的点;
根据各个角度的线积分强度获取线积分曲线,获取目标角度在线积分曲线上的半高全宽;
获取线积分采用的第一像素数、目标区域的第二像素数和目标区域的成像范围,根据第一像素数、第二像素数、成像范围和半高全宽获取条形伪影的宽度;
根据直线和宽度确定条形伪影。
在本实施例中,利用目标区域上对应的点和目标角度可确定对应条形伪影的直线,获取目标角度在线积分曲线上的半高全宽,结合线积分采用的第一像素数、目标区域的第二像素数和目标区域的成像范围,可计算出条形伪影的宽度,根据直线和宽度可确定条形伪影。通过获取条形伪影的宽度,可使确定的条形伪影更加准确。
具体的,条形伪影的宽度可由公式来估计:N*FOV/Npixel*sin(FWHM/2)。其中,N为线积分所采用的第一像素数,FOV为目标区域的成像范围,Npixel为目标区域的第二像素数,FWHM为线积分曲线中目标角度处的半高全宽(单位:角度)。
进一步的,在确定直线和宽度后,可将具有该宽度的直线与目标区域的扫描图像重叠的区域作为条形伪影。
在一个实施例中,对掩模图像进行平滑处理包括以下步骤:
利用扫描图像在掩模图像周围的像素对掩模图像进行平滑处理,获取平滑后的图像与条形伪影的差值图像并低通滤波。
在本实施例中,在去除条形伪影时,可利用确定的条形伪影生成掩模图像,根据扫描图像在掩模图像周围的像素对掩模图像进行平滑处理,得到平滑后的图像;由于条形伪影一般为低频,可能覆盖了高频的组织结构信息,平滑后的图像与条形伪影作差,并进行低通滤波,得到滤波后的图像,其中仅包含负向的条状伪影,将滤波后的图像加回至条形伪影,即可得到条形伪影校正后的图像。如此可精确去除图像中的条形伪影,提高图像的准确性。
进一步的,在将条形伪影从目标区域的扫描图像中去除后,还可以显示在显示设备上,在显示设备上展示去除条形伪影后的图像,并且可保存在存储器中,以备读取使用。
在实际应用中,以CT扫描人体头部为例,在经过CT设备扫描,并获取CT重建图像(如图5所示)后,针对该CT重建图像进行软组织边界的提取(如图6所示),可根据软组织的灰度阈值(1000-1300之间)提取软组织的范围,并确定相应的软组织边界,从边界上的每个点出发,在不同的角度上对连读的N个像素(比如N=50)进行线积分,得到横坐标为线积分角度,纵坐标为线积分强度的曲线,如图7所示。
针对任一角度,计算该角度前后各C度(比如C=5)的线积分强度加和与总线积分强度加和的比例,当该比例大于一定阈值时,认为找到了一个条形伪影。条形伪影一般表现为局部范围的强度突变,因此在线积分曲线上表现为孤立的尖峰,采用前述的比例法可以较好的提取出尖峰存在与否以及尖峰的位置。此处的尖峰实质上是线积分曲线上的极大值点,当同一个边界点有多个条形伪影时,会有多个孤立的极大值点。极大值点可通过梯度法来确认,对于线积分曲线的每一个点,当其左侧梯度和右侧梯度同时呈下降趋势时,则标记为极大值点。目标角度可通过设置幅度阈值和间隔阈值来确认,幅度阈值的应用如前的比例法,另外,两个极大值点的角度差小于间隔阈值时,抛弃小的极大值点,在图像上表现为两个条形伪影如果接近,可能会被间隔阈值判断为一个条形伪影来处理,依此生成的掩模图像的宽度会较宽,以满足可以覆盖这两条相近的条形伪影。
但在上述情况中,会由于抛弃较小的极大值点后,导致经过去除条形伪影后获取的图像中还存在有部分遗漏的条形伪影,而针对这种情况,可以进行迭代去除,即对含有条形伪影的目标图像反复多次进行条形伪影去除处理,直到获得完全去除条形伪影的图像,作为最终的输出图像。
如果两个极大值点的角度差等于或超过间隔阈值,就判断为两个条形伪影,此时就分别生成两条对应的掩模图像进行条形伪影去除。
当确认存在条形伪影时,记录条形伪影的范围。方法为:记录条形伪影对应的直线,该直线穿过前述边界点,且角度为前述线积分极大值对应的角度。记录条形伪影的宽度,宽度可由公式来估计:N*FOV/Npixel*sin(FWHM/2)。其中N为线积分所采用的第一像素数,FOV为CT图像的成像范围即前述的目标区域的成像范围,Npixel为CT图像的像素数即前述的目标区域的第二像素数,FWHM为前述线积分曲线极大值处的半高全宽(单位:角度)。由此即可确认条形伪影的范围,形成条形伪影的掩模(mask)。
利用掩模周围的像素对掩模中的图像进行平滑,使用低通滤波器滤除平滑后图像与掩模图像的差值,再将滤波后的图像加回CT图像,即可去除其中的条形伪影,如图8所示。
需要说明的是,去除条形伪影的方法同样适用于PET、MRI等扫描图像中。
根据上述去除条形伪影的方法,本申请实施例还提供一种去除条形伪影的***,以下就去除条形伪影的***的实施例进行详细说明。
参见图9所示,为一个实施例的去除条形伪影的***的结构示意图。该实施例中的去除条形伪影的***包括:
图像获取单元510,用于获取扫描图像,其中,扫描图像包含条形伪影;
掩模获取单元520,用于根据条形伪影的范围确定掩模图像;
伪影处理单元530,用于对掩模图像进行平滑处理,将平滑后的掩模图像加回扫描图像,完成条形伪影的去除。
在本实施例中,根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
在一个实施例中,掩模获取单元520还用于基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式确定条形伪影在扫描图像中的范围。
在一个实施例中,掩模获取单元520还用于在扫描图像中确定目标区域的范围,从目标区域上的点出发,在各个角度上进行线积分,获取线积分强度最大的目标角度,根据目标角度和目标区域上对应的点确定条形伪影。
在一个实施例中,掩模获取单元520还用于针对任一角度,获取该角度的预设角度变化范围内的线积分强度之和,并获取线积分强度之和与总线积分强度之和的比例,其中总线积分强度之和是目标区域上对应的点在各个角度上的线积分强度之和;若比例大于预设阈值,将该角度作为线积分强度最大的目标角度。
在一个实施例中,掩模获取单元520还用于根据各个角度的线积分强度获取线积分曲线,根据线积分曲线的变化趋势获取线积分曲线上的极大值点;若存在多个极大值点,且相邻两个极大值点之间的角度差小于间隔阈值,将线积分强度较大的极大值点所在角度作为目标角度;若相邻两个极大值点之间的角度差大于或等于间隔阈值,将相邻两个极大值点所在角度均作为目标角度。
在一个实施例中,掩模获取单元520还用于根据目标角度和目标区域上对应的点确定对应条形伪影的直线,其中,直线经过目标区域上对应的点;根据各个角度的线积分强度获取线积分曲线,获取目标角度在线积分曲线上的半高全宽;获取线积分采用的第一像素数、目标区域的第二像素数和目标区域的成像范围,根据第一像素数、第二像素数、成像范围和半高全宽获取条形伪影的宽度;根据直线和宽度确定条形伪影。
在一个实施例中,伪影处理单元530还用于利用扫描图像在掩模图像周围的像素对掩模图像进行平滑处理,获取平滑后的图像与条形伪影的差值图像并低通滤波。
本申请实施例的去除条形伪影的***与上述去除条形伪影的方法一一对应,在上述去除条形伪影的方法的实施例阐述的技术特征及其有益效果均适用于去除条形伪影的***的实施例中。
根据上述去除条形伪影的方法,本申请实施例还提供一种可读存储介质和去除条形伪影的设备。
一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现上述的去除条形伪影的方法的步骤。
上述可读存储介质,通过在处理器上运行可执行程序,可以实现根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
一种去除条形伪影的设备,包括存储器和处理器,存储器存储有可执行程序,处理器执行可执行程序时实现上述的去除条形伪影的方法的步骤。
上述去除条形伪影的设备,通过在处理服务器上运行可执行程序,可以实现根据条形伪影的范围确定掩模图像,对掩模图像进行平滑处理,将平滑后的掩模图像加回含有条形伪影的扫描图像,完成条形伪影的去除。通过确定条形伪影的范围来获取掩模图像,并进行平滑处理,并加回有条形伪影的扫描图像,即使条形伪影的强度和分布不规则,也可去除条形伪影,增强条形伪影的去除效果,提高医学图像的清晰度和准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时,包括上述方法所述的步骤。所述的存储介质,包括:ROM/RAM、磁碟、光盘等。
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 (11)
1.一种去除条形伪影的方法,其特征在于,所述方法包括以下步骤:
根据条形伪影的范围确定掩模图像;
对所述掩模图像进行平滑处理;
将平滑后的掩模图像加回含有所述条形伪影的扫描图像,完成所述条形伪影的去除。
2.根据权利要求1所述的去除条形伪影的方法,其特征在于,所述方法还包括:获取包含所述条形伪影的目标区域的扫描图像,确定所述条形伪影在所述扫描图像中的范围。
3.根据权利要求2所述的去除条形伪影的方法,其特征在于,所述确定所述条形伪影在所述扫描图像中的范围包括基于人机交互的半自动方式和/或基于神经网络模型算法的全自动方式。
4.根据权利要求3所述的去除条形伪影的方法,其特征在于,所述基于人机交互的半自动方式包括以下步骤:
在所述扫描图像中确定所述目标区域的范围,从所述目标区域上的点出发,在各个角度上进行线积分,获取线积分强度最大的目标角度,根据所述目标角度和所述目标区域上对应的点确定所述条形伪影。
5.根据权利要求4所述的去除条形伪影的方法,其特征在于,所述获取线积分强度最大的目标角度包括以下步骤:
针对任一角度,获取该角度的预设角度变化范围内的线积分强度之和,并获取所述线积分强度之和与总线积分强度之和的比例,其中所述总线积分强度之和是目标区域上对应的点在各个角度上的线积分强度之和;
若所述比例大于预设阈值,将该角度作为线积分强度最大的目标角度。
6.根据权利要求4所述的去除条形伪影的方法,其特征在于,所述获取线积分强度最大的目标角度包括以下步骤:
根据各个角度的线积分强度获取线积分曲线,根据所述线积分曲线的变化趋势获取所述线积分曲线上的极大值点;
若存在多个极大值点,且相邻两个极大值点之间的角度差小于间隔阈值,将线积分强度较大的极大值点所在角度作为目标角度;
若相邻两个极大值点之间的角度差大于或等于所述间隔阈值,将所述相邻两个极大值点所在角度均作为目标角度。
7.根据权利要求4所述的去除条形伪影的方法,其特征在于,所述根据所述目标角度和所述目标区域上对应的点确定所述条形伪影包括以下步骤:
根据所述目标角度和所述目标区域上对应的点确定对应所述条形伪影的直线,其中,所述直线经过所述目标区域上对应的点;
根据各个角度的线积分强度获取线积分曲线,获取所述目标角度在所述线积分曲线上的半高全宽;
获取所述线积分采用的第一像素数、所述目标区域的第二像素数和所述目标区域的成像范围,根据所述第一像素数、所述第二像素数、所述成像范围和所述半高全宽获取所述条形伪影的宽度;
根据所述直线和所述宽度确定所述条形伪影。
8.根据权利要求1所述的去除条形伪影的方法,其特征在于,所述对所述掩模图像进行平滑处理包括以下步骤:
利用所述扫描图像在所述掩模图像周围的像素对所述掩模图像进行平滑处理,获取平滑后的图像与所述条形伪影的差值图像并低通滤波。
9.一种去除条形伪影的***,其特征在于,所述***包括:
图像获取单元,用于获取扫描图像,其中,所述扫描图像包含条形伪影;
掩模获取单元,用于根据所述条形伪影的范围确定掩模图像;
伪影处理单元,用于对所述掩模图像进行平滑处理,将平滑后的掩模图像加回所述扫描图像,完成所述条形伪影的去除。
10.一种可读存储介质,其上存储有可执行程序,其特征在于,所述可执行程序被处理器执行时实现权利要求1至8中任意一项所述的去除条形伪影的方法的步骤。
11.一种去除条形伪影的设备,包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,所述处理器执行所述可执行程序时实现权利要求1至8中任意一项所述的去除条形伪影的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992187.8A CN113643211A (zh) | 2021-08-27 | 2021-08-27 | 去除条形伪影的方法、***、可读存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992187.8A CN113643211A (zh) | 2021-08-27 | 2021-08-27 | 去除条形伪影的方法、***、可读存储介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643211A true CN113643211A (zh) | 2021-11-12 |
Family
ID=78424086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110992187.8A Pending CN113643211A (zh) | 2021-08-27 | 2021-08-27 | 去除条形伪影的方法、***、可读存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643211A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5727041A (en) * | 1996-11-13 | 1998-03-10 | General Electric Company | Methods and apparatus for reducing partial volume image artifacts |
US20070177713A1 (en) * | 2004-02-13 | 2007-08-02 | Koninklijke Philips Electronics N.V. | Motion artifacts compensation |
US20130039556A1 (en) * | 2011-08-10 | 2013-02-14 | Siemens Aktiengesellschaft | Method, computing unit, ct system and c-arm system for reducing metal artifacts in ct image datasets |
CN103679642A (zh) * | 2012-09-26 | 2014-03-26 | 上海联影医疗科技有限公司 | 一种ct图像金属伪影校正方法、装置及ct设备 |
CN103778603A (zh) * | 2014-01-08 | 2014-05-07 | 天津大学 | 显微ct中闪烁体缺陷引起的图像伪影的修复算法 |
KR20140139725A (ko) * | 2013-05-28 | 2014-12-08 | 전북대학교산학협력단 | Ct 영상에서의 아티팩트 제거 방법 |
US20180197314A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Hierarchical tomographic reconstruction |
CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、***、装置及存储介质 |
-
2021
- 2021-08-27 CN CN202110992187.8A patent/CN113643211A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5727041A (en) * | 1996-11-13 | 1998-03-10 | General Electric Company | Methods and apparatus for reducing partial volume image artifacts |
US20070177713A1 (en) * | 2004-02-13 | 2007-08-02 | Koninklijke Philips Electronics N.V. | Motion artifacts compensation |
US20130039556A1 (en) * | 2011-08-10 | 2013-02-14 | Siemens Aktiengesellschaft | Method, computing unit, ct system and c-arm system for reducing metal artifacts in ct image datasets |
CN103679642A (zh) * | 2012-09-26 | 2014-03-26 | 上海联影医疗科技有限公司 | 一种ct图像金属伪影校正方法、装置及ct设备 |
KR20140139725A (ko) * | 2013-05-28 | 2014-12-08 | 전북대학교산학협력단 | Ct 영상에서의 아티팩트 제거 방법 |
CN103778603A (zh) * | 2014-01-08 | 2014-05-07 | 天津大学 | 显微ct中闪烁体缺陷引起的图像伪影的修复算法 |
US20180197314A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Hierarchical tomographic reconstruction |
CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、***、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741284B (zh) | 用于校正pet成像中由呼吸运动引起的失配的***和方法 | |
US20100135544A1 (en) | Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement | |
US11288849B2 (en) | Systems and methods for evaluating image quality | |
CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
WO1997041532A1 (en) | Iterative image registration process using closest corresponding voxels | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
CN112001979B (zh) | 运动伪影处理方法、***、可读存储介质和设备 | |
CN106530236A (zh) | 一种医学图像处理方法及*** | |
US11995745B2 (en) | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction | |
CN111260703A (zh) | 一种获取脊柱拉直图像集的方法、***、介质及存储介质 | |
CN114037803B (zh) | 医学图像三维重建方法及*** | |
CN114565711A (zh) | 基于深度学习的心脏图像重建方法及*** | |
US8805122B1 (en) | System, method, and computer-readable medium for interpolating spatially transformed volumetric medical image data | |
Rizzo et al. | Matching a computerized brain atlas to multimodal medical images | |
CN112669405B (zh) | 图像重建方法、***、可读存储介质和设备 | |
CN113643211A (zh) | 去除条形伪影的方法、***、可读存储介质和设备 | |
CN113538419B (zh) | 一种图像处理方法和*** | |
CN114299019A (zh) | 一种用于核医学设备的扫描方法、***和装置 | |
Longuefosse et al. | Lung CT Synthesis Using GANs with Conditional Normalization on Registered Ultrashort Echo-Time MRI | |
WO2023020609A1 (en) | Systems and methods for medical imaging | |
CN111932475B (zh) | 滤波方法、装置、ct设备及ct*** | |
Chen et al. | “One-Shot” Reduction of Additive Artifacts in Medical Images | |
CN113724158B (zh) | 一种动态对比增强磁共振成像的降噪方法 | |
Ding et al. | Medical Image Quality Assessment | |
Eldeeb et al. | Hybrid intensity-and phase-based optical flow tracking of tagged MRI |
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 |