一种X射线胸片图像质量确定方法及装置制造方法及图纸

本发明专利技术公开了一种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。本发明专利技术对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。

A Method and Device for Determining the Image Quality of X-ray Chest Film

The invention discloses a method and device for determining the quality of X-ray chest X-ray image, which includes: normalizing X-ray chest X-ray image; input the normalized image into a depth learning model for image separation and recognition, and obtain at least one separation result; the depth learning model includes at least one of the following formulas: lung lobe segmentation model, spine segmentation model, and so on. The scapula segmentation model and foreign body detection model are used to determine the image quality of the X-ray chest film based on the separation results. The method can automatically evaluate the image quality of X-ray chest film, and the image quality determination speed is fast. It can help the technician to control the image quality of chest film and indirectly improve the accuracy of reading film.

【技术实现步骤摘要】
一种X射线胸片图像质量确定方法及装置
本专利技术涉及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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术是通过以下技术方案实现的：一方面，本专利技术提供了一种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，本专利技术还提供了一种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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。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，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。4.根据权利要求3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。5.根据权利要求1所述的方法，其特征在于，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。6.一种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。...

【专利技术属性】
技术研发人员：龚再文，詹恒泽，郑介志，詹翊强，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海,31