本发明涉及医学影像的图像处理
技术领域：
，特别是涉及一种基于机器学习的ct图像质量评估的方法。
背景技术：
：随着现代大型医疗成像设备的飞速发展,新的成像方法和图像处理方法不断涌现,医学图像正成为临床医学研究、诊断和治疗的依据。而ct图像是医学图像中的重要分支。ct图像内容丰富，层次清晰，细节表现具有很高空间分辨率和时间分辨率，有利于更好的诊断疾病。因此发展ct图像质量评价方法对于监控和调整ct图像质量以帮助提高疾病诊断意义重大。对于ct图像质量的评价,最可靠的方法是主观评价方法。但是ct图像主观评价方法存在代价高、耗时长、实时性差、易受主客观因素影响。因此ct图像质量客观评价方法受到了重视。目前ct图像处理系统中主要采用峰值信噪比(psnr)、结构相似性(ssim)等来进行ct图像质量的客观评价。由于未考虑到像素点间的相关性和人类视觉系统的感知特性,评价结果并不能真实反映图像的视觉感知质量。因此，针对现有技术不足，提供一种基于机器学习的ct图像质量评估的方法以解决现有技术不足甚为必要。技术实现要素：本发明的目的在于避免现有技术的不足之处而提供一种基于机器学习的ct图像质量评估的方法，本发明仅需要任意ct图像数据，即可获得该ct图像质量分数，还可以有效地通过ct图像预测图像对应质量分数，成像系统的硬件没有特殊要求，操作简便、结果准确、鲁棒性强、执行效率高。本发明的上述目的通过如下技术手段实现。提供一种基于机器学习的ct图像质量评估的方法，具体步骤如下：s1、对建模ct图像的质量进行评分，并建立ct图像质量评估数据库；s2、从数据库中选取样本作为训练数据集trainsets，并对样本进行预处理操作；s3、训练数据集trainsets对机器学习的方法进行训练，并获得ct图像质量评估模型；s4、将预测ct图像输入至ct图像质量评估模型中，得到预测ct图像的质量分数qdcnn。具体而言的，步骤s1中的评分操作是分别从建模ct图像噪声、伪影、边缘结构清晰度、图像整体质量及病灶大小五个方面进行评分。优选的，从步骤s1中的ct图像质量评估数据库中随机选取80％样本作为训练数据集trainsets。具体而言的，步骤s2中的预处理操作具体如下：a、将训练数据集trainsets中所有的样本大小处理为227×227；b、将所有样本的建模ct图像值域进行归一化处理，处理后的值域在区间【0，1】内。进一步的，步骤s1从ct图像质量评估数据库中随机选取训练数据集trainsets后剩余的20％样本作为测试数据，通过测试数据对ct图像质量评估模型进行测试。进一步的，机器学习的方法包括深度卷积神经网络、循环神经网络、多任务学习和增强学习。优选的，建模ct图像质量评分标准如下：质量等级由高至低依次分为：优、良、中、差、劣；质量等级对应的评分数值由高至低依次为：5、4、3、2、1。本发明仅需要任意ct图像数据，即可获得该ct图像质量分数，还可以有效地通过ct图像预测图像对应质量分数，成像系统的硬件没有特殊要求，操作简便、结果准确、鲁棒性强、执行效率高。附图说明利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。图1为本发明方法的流程示意图。图2为本发明所用的ct图像质量评估模型的结构图。图3是采用本发明得到的ct图像及其质量评估分数。图4是采用本发明方法得到的质量分数散点图。具体实施方式结合以下实施例对本发明作进一步描述。实施例1。如图1-2所示，一种基于机器学习的ct图像质量评估的方法，具体步骤如下：s1、对建模ct图像的质量进行评分，并建立ct图像质量评估数据库。步骤s1中的评分操作是分别从ct图像噪声、伪影、边缘结构清晰度、图像整体质量及病灶大小五个方面进行评分。建模ct图像质量评分标准如下：质量等级由高至低依次分为：优、良、中、差、劣。质量等级对应的评分数值由高至低依次为：5、4、3、2、1。表1为图像质量对应的五级数值量表。质量数值优(excellent)5良(good)4中(fair)3差(poor)2劣(bad)1表1s2、从数据库中选取样本作为训练数据集trainsets，并对样本进行预处理操作。从步骤s1中的ct图像质量评估数据库中随机选取80％样本作为训练数据集trainsets。步骤s2中的预处理操作具体如下：a、将训练数据集trainsets中所有的样本大小处理为227×227。b、将所有样本的建模ct图像值域进行归一化处理，处理后的值域在区间【0，1】内。s3、训练数据集trainsets对机器学习的方法进行训练，并获得ct图像质量评估模型。机器学习的方法包括深度卷积神经网络、循环神经网络、多任务学习和增强学习。本发明中采用的是深度卷积神经网络的机器学习方法构建ct图像质量评估模型。s4、将预测ct图像输入至ct图像质量评估模型中，得到ct图像的质量分数qdcnn。建模ct图像为指建立ct图像质量评估模型的特定ct图像，而预测ct图像为所需进行评分检测的任意ct图像。本发明仅需要任意ct图像数据，即可获得该ct图像质量分数，还可以有效地通过ct图像预测图像对应质量分数，成像系统的硬件没有特殊要求，操作简便、结果准确、鲁棒性强、执行效率高。实施例2。一种基于机器学习的ct图像质量评估的方法，其它特征与实施例1相同，不同之处在于：该实施例以真实病人肺部数据为例验证本发明的ct图像质量评估方法的具体实施过程。(1)、获取ct设备的系统参数，通过真实病人肺部高剂量的投影数据y仿真5个不同低剂量的投影数据ylow-dose。仿真的系统几何参数为x射线源到旋转中心和探测器的距离分别为595mm和1085mm，旋转角在[0,2π]之间，投影数据大小为1152×763，1152个投影角度，736个探测器单元，探测器单元的大小为1.2858mm。(2)、采用传统的扇形束fbp算法对投影数据y和ylow-dose进行重建，滤波过程采用ramp窗进行，本例中重建图像的大小均为512×512。上述步骤(1)和(2)为机器参数，以下为ct图像质量评估的具体方法：(3)、分别从建模ct图像噪声、伪影、组织边缘结构清晰度、图像整体质量以及图像中病灶大小及边缘结构等五个方面对步骤(2)获取的建模ct图像根据表1提供的图像质量五级数值量表进行评分。(4)、根据步骤(3)获得的带有质量评分的建模ct图像建立数据库。随机选择数据库中80％数据，作为训练集，将训练集中样本大小处理为227×227，且将ct图像值域归一化到区间【0,1】之间。(5)、通过步骤(4)得到的训练集，对ct图像质量评估模型进行训练，得到由建模ct图像映射到ct图像质量分数q的深度卷积神经网络模型。(6)、选择步骤(3)建立的数据库中剩余20％的数据作为测试数据，对(5)得到的ct图像质量评估模型进行测试。(7)、图3描述了不同剂量下未经任何处理直接fbp重建的图像及其对应图像质量分数。(8)、图4描述了通过本文提出的机器学习方法进行预测得到的ct图像质量分数与临床医生评估图像质量得分的散点图。另外，步骤(6)测试结构显示，本文提出的ct图像质量评估方法准确率达98％，且本文发明方法的准确性和单调性如下表2所示：modelplcc0.9953srocc0.9952表2表2可以定量说明本发明方法在ct图像质量评估上有上佳表现。经过多次验证，本发明操作简单,能够有效预测ct图像质量分数，最终实现ct图像质量评估。以上所述仅为本发明中的较佳实施例，并不用以限制本发明，本发明可以有效地通过ct图像预测图像对应质量分数，成像系统的硬件没有特殊要求。最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。当前第1页12