用于处理放射学图像的方法技术

一种用于处理数字格式的放射学图像I(x,y)的方法，该放射学图像包括使用卷积神经网络检测到的至少一个放射学异常，该卷积神经网络已被训练以检测放射学检查中的放射学异常，所述放射学图像I(x,y)的特征在于其每个像素I(x,y)的强度，以及至少一个放射学异常影响图C

【技术实现步骤摘要】
【国外来华专利技术】用于处理放射学图像的方法


[0001]本专利技术涉及一种用于处理放射学图像的方法，并且属于用于利用X射线成像所获得的图像的医疗设备的领域，并且更准确地说属于用于辅助放射学检查的诊断的图像处理和机器学习的领域。

技术介绍

[0002]为了基于放射学检查建立诊断，放射科医师对图像应用各种后处理操作(对比度优化、开窗、轮廓增强等)以突出指示存在一种或多种病状的某些异常。放射学异常对应于放射学检查中可见的表明患者病状的任何迹象。例如，这些异常可能是混浊、凝结、钙化、浸润等。
[0003]这些后处理操作需要参数化，被默认建立或由用户提供、或者是自动的并且基于对整个图像或在用户定义的感兴趣区域(ROI)中执行的测量。
[0004]这些后处理操作通常需要人工干预来参数化它们或定义ROI。因此，定义参数或ROI可能要花费时间，并且如果在应用这些处理操作之前很难看到所讨论的异常，则可能是困难的。因此，可能会增加诊断时间。
[0005]当对整个图像执行这些措施时，就可视化位于图像的特定区域中的异常而言，所获得的结果可能不是最佳的。
[0006]作为替代方案，基于机器学习算法的系统最近已经被用于基于放射学检查来辅助诊断，使用首字母缩写词CAD表示“计算机辅助诊断”。然而，其中大部分仍处于实验阶段，并且其结果难以解释。因此，放射科医师有必要研究检查以建立诊断。
[0007]有许多后处理操作用于提高放射学图像的质量，特别是用于提高对比度。其中的许多基于直方图均衡化(HE)，如以下文献中所公开的："Computer vision:algorithms and applications",Springer Science&Business Media,by Szeliski,Richard,2010,in paragraph 3.1.4。在这种方法中，像素的强度被修改，以便在图像的所有像素上获得最均质的可能强度分布。HE算法没有规定任何参数化，但也没有设法提高图像所有区域的对比度。
[0008]为了克服这个问题，存在许多变体，特别是对比度受限的自适应直方图均衡化(CLAHE)，如以下文献中所描述的："Adaptive histogram equalization and its variations",Computer vision,graphics,and image processing 39(3):355
–
368,by Pizer,Stephen M,E Philip Amburn,John D Austin,Robert Cromartie,Ari Geselowitz,Trey Greer,Bart ter Haar Romeny,John B Zimmerman,and Karel Zuiderveld.1987；以及"Modified Contrast Limited Adaptive Histogram Equalization Based on Local Contrast Enhancement for Mammogram Images"Mobile Communication and Power Engineering,edited by Vinu V Das and Yogesh Chaba,296:397
‑
403,Communications in Computer and Information Science,Berlin,Heidelberg:Springer Berlin Heidelberg,https://doi.org/10.1007/978
‑3‑
642
‑
35864
‑
7_60,by Mohan,Shelda,and M.Ravishankar,2013。这些变体必须参数化，并且一些作品提出自动参数化方法。在方法"Automatic x
‑
ray image contrast enhancement based on parameter auto
‑
optimization",Journal of Applied Clinical Medical Physics 18(6):218
‑
23,https://doi.org/10.1002/acm2,2017中，Pizer的解决方案与高通滤波器耦合，并优化它们的参数以最大化处理后图像的熵。文献"Improved Lung Nodule Visualization on Chest Radiographs Using Digital Filtering and Contrast Enhancement"5(12):4by Kwan,Benjamin Y M,and Hon Keung Kwan,2011提出在另一个处理操作之后使用HE或者简单地将HE应用于用户定义的ROI。
[0009]Pizer和Mohan的方法提出了HE(直方图均衡化)改进来克服上述问题。然而，这些方法必须参数化，或者利用可能不适合每个图像的默认参数，或者由放射科医师手动设置。
[0010]Kwan的方法提出在高通滤波器之后应用HE，并且因此HE的局限性仍然存在。作为替代方案，它提出在ROI上计算HE，但这需要用户定义ROI。因此，该任务需要放射科医师的干预，并且如果放射科医师没有关于要可视化的异常位置的任何先验信息，则有时可能会证明是复杂的。
[0011]文献"Automatic x
‑
ray image contrast enhancement based on parameter auto
‑
optimization".Journal of Applied Clinical Medical Physics 18(6):218
‑
23,by Qiu,Jianfeng,H.Harold Li,Tiezhi Zhang,Fangfang Ma,and Deshan Yang,2017提出了一种Pizer方法的变体，通过将其与高通滤波器耦合。它还描述了一种自动参数化策略，其中优化参数以最大化处理后图像的熵。
[0012]还有其他提高对比度的方法，例如在以下文献中介绍的方法："Contrast Enhancement of Medical X
‑
Ray Image Using Morphological Operators with Optimal Structuring Element",ArXiv:1905.08545[Cs,Eess],http://arxiv.org/abs/1905.08545,2019,by Kushol,Rafsanjany,Md Nishat Raihan,Md Sirajus Salekin,and A.B.M.Ashikur Rahman。该文献还提出了一种用于执行自动参数化的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于处理数字格式的放射学图像I(x,y)的方法，所述放射学图像包括使用卷积神经网络检测到的至少一个放射学异常，所述卷积神经网络已被训练以检测放射学检查中的放射学异常，所述放射学图像I(x,y)以其像素I(x,y)中的每一个的强度以及至少一个放射学异常影响图C
k
(x,y)为特征，所述至少一个放射学异常影响图为所述放射学图像I(x,y)的每个像素(x,y)分配值，所述值表示该像素对所述放射学异常k的检测结果的影响的比例，所述方法由计算机实现并且包括以下步骤：
‑
归一化(3)所述放射学异常影响图C
k
(x,y)以给出归一化的放射学异常影响图C
kn
(x,y)；
‑
融合(4)所述归一化的放射学异常影响图C
kn
(x,y)以给出单个融合影响图C(x,y)；
‑
使用强度直方图对所述图像I(x,y)进行改进处理(5)，其中，每个像素在所述强度直方图的计算中的贡献由所述融合影响图C(x,y)加权。2.如权利要求1所述的方法，其中，每个异...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：塔莱斯公司，
类型：发明
国别省市：