[发明专利]基于轻量级卷积神经网络的智能医学图像质量评估方法

说明书

本发明提供了一种基于轻量级卷积神经网络的智能医学图像质量评估方法，涉及医学图像质量评估方法技术领域，包括采集临床扫描的CT图像；对CT图像做预处理；对不同厚度的CT图像做重采样；将CT图像尺寸归一化到相同尺寸；CT图像质量进行评估分类并打分；加载网络结构；初始化网络；将处理好的CT图像和对应的分数输入到网络中训练并计算网络损失；根据网络损失最优化网络；保存最优网络和最优权重；利用最优化的网络模型对CT图像的每一张切片进行质量分类；使用加权平均的方法给出当前扫描CT图像整体的质量分数，得到评估结果。（1）本发明采用轻量级深度学习模型可以快速实现CT图像质量评估。自动评估图像质量，不需要人为干预，准确可靠。

技术领域

本发明涉及一种医学图像质量评估方法，尤其涉及一种基于轻量级卷积神经网络的智能医学图像质量评估方法。

背景技术

计算机断层成像（Computed Tomography，简称CT），是一种利用数位几何处理后重建的三维放射线医学影像。该技术使用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光，经过光电转换器件将光信号转变为电信号，再经模拟/数字转换器转为数字信号，并输入计算机处理。由于不同的组织对X射线的吸收能力（线性衰减系数）不同，可以用计算机的三维重建技术重建出断层面影像。CT成像技术的优点之一是它可以提供很高的空间分辨率（0.5 毫米）。它的一个弱点是软组织对比度较差。当诊断对软组织对比度要求较高时，需要配合核磁共振影像技术来辅助检查。因此CT成像技术通常用于头部，胸前，心脏，腹部，盆骨，以及四肢的检查。

在当前的CT扫描流程中，医生根据病人的身高体重，以及临床诊断需要，确定合适的扫描协议来完成病人的CT检查。由于影响CT图像质量的因素很多，常见的包括CT扫描器校准出现异常，CT探测器异常，错误的扫描协议等因素。

现有技术中一般是使用人眼来检查CT扫描图像质量，或者需要依靠专业医师或技师来评价图像质量，但存在检查效率低，对人员专业素养要求高，依赖性强，容易出现评估不准确可靠性不高的缺陷。

因此为了避免或者降低由于CT图像质量的原因导致的误诊或者漏诊的问题，亟需一种利用深度学习模型来准确而快速的评估方法来评估本次扫描图像的质量，在扫描完成之后，迅速而自动给出图像质量评判，使技师能在病人离开医院之前进行及时补救，或者对机器进行必要维护/维修。然而目前并没有任何文献提出使用深度学习的方法来准确且快速的评估CT扫描图像质量的方法。

基于此，做出本申请。

发明内容

为了解决现有技术中存在的上述缺陷，本发明的目的是提供一种基于轻量级卷积神经网络的智能医学图像质量评估方法，评估效率高，准确可靠，因此可以降低误诊和漏诊的几率，或对扫描进行及时补扫，或者及时进行机器维护/维修。

为了实现上述目的，本发明采取的技术方案如下：

一种基于轻量级卷积神经网络的智能医学图像质量评估方法，包括以下：

（1）采集临床扫描的CT图像；

（2）对CT图像做预处理；

（3）对不同厚度的CT图像做重采样；

（4）将CT图像尺寸归一化到相同尺寸；

（5）CT图像质量进行评估分类并打分；

（6）加载网络结构；

（7）初始化网络；

（8）将处理好的CT图像和对应的分数输入到网络中训练并计算网络损失；

（9）根据网络损失最优化网络；

（10）保存最优网络和最优权重；