医学图像采集方法、装置、设备和计算机可读存储介质

摘要

本发明涉及一种医学图像采集方法、装置、设备和计算机可读存储介质。其中，该方法包括：实时采集医学图像；提取医学图像的梯度方向直方图特征；将医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，分类结果用于表示医学图像中的伪影是否影响组织特征的识别；在分类结果表示医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。通过本发明，解决了医学成像系统无法识别图像质量的问题，实现了医学图像的图像质量的识别并在图像质量欠缺时自动进行图像重扫，有效地减少了医师的工作量。

权利要求

1.一种医学图像采集方法，其特征在于包括：

实时采集医学图像；

提取所述医学图像的梯度方向直方图特征；

将所述医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，所述分类结果用于表示所述医学图像中的伪影是否影响组织特征的识别；

在所述分类结果表示所述医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

2.根据权利要求1所述的方法，其特征在于，所述分类结果包括所述医学图像的质量因子，所述质量因子用于表示所述医学图像中的伪影影响组织特征的识别的程度。

3.根据权利要求1所述的方法，其特征在于，所述浅层机器学习模型包括以下之一：支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、决策树模型。

4.根据权利要求1所述的方法，其特征在于，所述训练完备的浅层机器学习模型的训练过程包括：准备医学图像集，其中，所述医学图像集中的医学图像被基于质量因子分类，所述质量因子用于表示医学图像中的伪影影响组织特征的识别的程度；

从所述医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，得到训练集；

加载初始的浅层机器学习模型；

使用所述训练集训练所述初始的浅层机器学习模型，直至误差低于预设值，得到所述训练完备的浅层机器学习模型。

5.根据权利要求4所述的方法，其特征在于，准备医学图像集还包括：对所述医学图像集中的医学图像进行正则化处理，以使所述医学图像集中的医学图像具有相同的尺寸。

6.根据权利要求1所述的方法，其特征在于，所述训练完备的浅层机器学习模型基于与所述医学图像包含相同的人体部位影像的医学图像训练。

7.根据权利要求1至6中任一项所述的方法，其特征在于，提取医学图像的梯度方向直方图特征包括：计算所述医学图像中每个像素的梯度；

将所述医学图像分割成具有相同尺寸大小和像素数量的多个细胞单元；

统计所述多个细胞单元的梯度方向直方图，得到所述多个细胞单元中每个细胞单元的梯度方向直方图特征；

将所述多个细胞单元按照预定数量组合成多个块，并根据所述多个块中每个块内细胞单元的梯度方向直方图特征，统计每个块的梯度方向直方图特征；

将所述多个块的梯度方向直方图特征串联，得到所述医学图像的所述梯度方向直方图特征。

8.一种医学图像采集装置，其特征在于包括：

第一采集模块，用于实时采集医学图像；

提取模块，用于提取所述医学图像的梯度方向直方图特征；

输入模块，用于将所述医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，所述分类结果用于表示所述医学图像中的伪影是否影响组织特征的识别；

第二采集模块，用于在所述分类结果表示所述医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

9.一种医学图像采集设备，其特征在于包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1至7中任一项所述的方法。

说明书

医学图像采集方法、装置、设备和计算机可读存储介质

技术领域

[0001] 本发明涉及医学影像处理领域，特别是涉及一种医学图像采集方法、装置、设备和计算机可读存储介质。

背景技术

[0002] 在医学成像系统中，图像质量取决于很多因素，例如空间分辨率、组织对比度、信号噪比、对比噪声比、图像缺陷等。其中，在扫描中，因受检者的运动比如呼吸、心跳、姿态而带来的运动伪影的图像质量问题，是无法通过硬件和扫描参数的优化而得以改善，较差的图像质量无法满足临床诊断要求。

[0003] 为了呈现出更好的图像质量，在图像重建后，医师需要手动调取并观察重建后的图像，评估图像中包含的信息的完整性，由此在数据处理分析前，判断这些图像是否具有可接受的图像质量，以及，是否需要重新扫描。但是，每名受检者可能对应有多张重建图像，以全身磁共振扫描为例，一方面，由于扫描硬件的限制，只能以若干床位分别扫描的方式完成全身扫描；另一方面，每个床位上常规的磁共振扫描要包含不同加权的图像比如T1、T2、DWI，相同加权图像要包含不同的采集方位比如T2横断位、T2冠状位，不同参数采集，和/或，有些疾病会在某些部位增加更有针对性的磁共振扫描序列，因此，磁共振扫描序列可能有至少二十个，即每名受检者重建后的图像可能有至少二十个，这使得医师观察图像质量的过程相当耗时且费力，增加了医师的工作负担。

发明内容

[0004] 基于此，有必要针对相关技术中的医学成像系统无法识别图像质量的问题，提供一种医学图像采集方法、装置、设备和计算机可读存储介质。

[0005] 根据本发明实施例的一个方面，提供了一种医学图像采集方法，包括：实时采集医学图像；提取所述医学图像的梯度方向直方图特征；将所述医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，所述分类结果用于表示所述医学图像中的伪影是否影响组织特征的识别；在所述分类结果表示所述医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

[0006] 在其中一些实施例中，所述分类结果包括所述医学图像的质量因子，所述质量因子用于表示所述医学图像中的伪影影响组织特征的识别的程度。

[0007] 在其中一些实施例中，所述浅层机器学习模型包括以下之一：支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、决策树模型。

[0008] 在其中一些实施例中，所述训练完备的浅层机器学习模型的训练过程包括：准备医学图像集，其中，所述医学图像集中的医学图像被基于质量因子分类，所述质量因子用于表示医学图像中的伪影影响组织特征的识别的程度；从所述医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，得到训练集；加载初始的浅层机器学习模型；使用所述训练集训练所述初始的浅层机器学习模型，直至误差低于预设值，得到所述训练完备的浅层机器学习模型。

[0009] 在其中一些实施例中，准备医学图像集还包括：对所述医学图像集中的医学图像进行正则化处理，以使所述医学图像集中的医学图像具有相同的尺寸。

[0010] 在其中一些实施例中，所述训练完备的浅层机器学习模型基于与所述医学图像包含相同的人体部位影像的医学图像训练。

[0011] 在其中一些实施例中，提取医学图像的梯度方向直方图特征包括：计算所述医学图像中每个像素的梯度；将所述医学图像分割成具有相同尺寸大小和像素数量的多个细胞单元；统计所述多个细胞单元的梯度方向直方图，得到所述多个细胞单元中每个细胞单元的梯度方向直方图特征；将所述多个细胞单元按照预定数量组合成多个块，并根据所述多个块中每个块内细胞单元的梯度方向直方图特征，统计每个块的梯度方向直方图特征；将所述多个块的梯度方向直方图特征串联，得到所述医学图像的所述梯度方向直方图特征。

[0012] 根据本发明实施例的一个方面，提供了一种医学图像采集装置，包括：第一采集模块，用于实时采集医学图像；提取模块，用于提取所述医学图像的梯度方向直方图特征；输入模块，用于将所述医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，所述分类结果用于表示所述医学图像中的伪影是否影响组织特征的识别；第二采集模块，用于在所述分类结果表示所述医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

[0013] 根据本发明实施例的一个方面，还提供了一种医学图像采集设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的方法。

[0014] 根据本发明实施例的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现上述的方法。

[0015] 与现有技术相比，通过本发明实施例提供的医学图像采集方法、装置、设备和计算机可读存储介质，通过实时采集医学图像；提取医学图像的梯度方向直方图特征；将医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，分类结果用于表示医学图像中的伪影是否影响组织特征的识别；在分类结果表示医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集的方式。本发明实施例通过上述方式在采集到医学图像采用浅层机器学习模型后对医学图像的质量进行评估，并在医学图像中的伪影影响组织特征识别的情况下重新进行医学图像采集，解决了医学成像系统无法识别图像质量的问题，实现了医学图像的图像质量的识别并在图像质量欠缺时自动进行图像重扫，有效地减少了医师的工作量。

附图说明

[0016] 图1是根据本发明实施例的医学图像采集方法的流程图；

[0017] 图2是根据本发明优选实施例的浅层机器学习模型的训练过程的流程图；

[0018] 图3是根据本发明实施例的清晰的医学图像的示意图；

[0019] 图4是根据本发明实施例的具有严重伪影的医学图像的示意图；

[0020] 图5是根据本发明实施例的医学图像采集装置的结构框图；

[0021] 图6是根据本发明实施例的医学图像采集设备的硬件结构示意图。

具体实施方式

[0022] 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，对本申请进行进一步详细说明。应当理解，此处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。

[0023] 本实施例优选应用于医学图像扫描设备中，例如正电子发射型计算机断层成像(Positron Emission Computed Tomography，简称为PET)设备、磁共振成像(Magnetic Resonance Imaging，简称为MRI)设备等。在本实施例中将以磁共振成像设备采集磁共振图像为例对本发明进行描述和说明。

[0024] 在本实施例中提供了一种医学图像采集方法，图1是根据本发明实施例的医学图像采集方法的流程图，如图1所示，该流程包括如下步骤：

[0025] 步骤S101，磁共振扫描仪实时采集医学图像。

[0026] 步骤S102，磁共振扫描仪提取医学图像的梯度方向直方图特征。

[0027] 步骤S103，磁共振扫描仪将医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，分类结果用于表示医学图像中的伪影是否影响组织特征的识别。

[0028] 步骤S104，在分类结果表示医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

[0029] 目前的磁共振扫描仪或者其他的医学成像系统都不具备图像质量识别的功能，而需要依靠医师来识别图像质量。医师在识别图像质量时，通常使用图像浏览工作站以列表形式展示和检查，医师在阅片的时候把扫描的医学图像一一加载到浏览器中逐层检查图像质量；对于全身成像，由于图像数量很多，为了节省时间，医师通常只能够在列表中通过序列名称查找感兴趣的医学图像并检查图像质量。

[0030] 相关技术中因医学成像系统无法识别图像质量而导致了医师工作量增加。相对于相关技术而言，本实施例通过上述步骤，磁共振扫描仪在实时采集到医学图像后提取医学图像的梯度方向直方图特征，并将梯度方向直方图特征输入到浅层机器学习模型中得到用于表示医学图像中的伪影是否影响组织特征的识别的分类结果，并在分类结果表示医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。在本实施例中通过浅层机器学习模型对医学图像的梯度方向直方图特征进行分类，从而实现了对医学图像质量的识别并在图像质量欠缺时自动进行图像重扫，有效地减少了医师的工作量。

[0031] 在采用浅层机器学习模型分类时，可以将医学图像分成两类或者多类。例如，在分成两类时，可以按照“医学图像中的伪影影响组织特征的识别”和“医学图像中的伪影不影响组织特征的识别”来进行分类，这样分类的优势在于通过浅层机器学习模型能够实现全自动化的伪影图像识别和医学图像的重新采集而可以无需人工介入。而如果将医学图像分成多类，则可以在分类结果中包含医学图像的质量因子，质量因子用于表示医学图像中的伪影影响组织特征的识别的程度。例如分为3类时，则可以在分类结果中包含“轻微”、“中等”、“严重”三种质量因子或者三个数值，以对医学图像进行分类。其中，质量因子“轻微”表示无需重扫医学图像，质量因子“严重”表示需要重扫医学图像，质量因子“中等”则可以由人工介入判断是否需要重扫。将医学图像分为多类相对于将医学图像分为两类而言，能够以一定的人工介入的工作量的代价取得更高的分类准确程度。

[0032] 机器学习包括浅层学习和深度学习。而深度学习中使用的特征是由深度学习模型提取的，深度学习模型并不清楚最终分类的特征，因此深度学习模型通过训练过程不断调整提取出的各个特征的权重，最终找到分类依据的特征及其权重。这种方式使得深度学习模型虽然能够具有比较好的分类效果，但是其需要大量的训练数据以及训练时间才能够达到权重参数收敛。因此，深度学习模型难以适用于训练数据较少的场景，训练数据的准备也将耗费大量的时间。

[0033] 与深度学习不同的是，在本实施例中用于浅层机器学习模型的训练和分类的特征是有针对性地提取的，在步骤S102中提取的医学图像的梯度方向直方图特征，表征了医学图像的纹理特征(包括纹理的方向和数量等)，而因伪影导致质量欠缺的医学图像相比于没有伪影或者伪影不明显的医学图像而言，呈现出更明显的纹理特征。由此可见，在本实施例中在已经大致了解需要分类的数据依据的基本特征，采用浅层机器学习模型对这些特征进行分类不仅能够取得很好的分类效果，还能够大大降低训练所需的训练数据的数量以及训练时间。

[0034] 在本实施例中，浅层机器学习模型可以采用基于相关技术中的任意一种浅层机器学习算法的浅层机器学习模型，包括但不限于：支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、决策树模型等。

[0035] 在本实施例中的浅层机器学习模型的训练采用监督学习的方式训练。图2是根据本发明实施例的浅层机器学习模型的训练过程的流程图，如图2所示，该流程包括如下步骤：

[0036] 步骤S201，准备医学图像集，其中，医学图像集中的医学图像被基于质量因子分类，质量因子用于表示医学图像中的伪影影响组织特征的识别的程度。

[0037] 在上述步骤中，医学图像集中的医学图像是通过人工标注标签的方式分类。为了能够得到更多的训练用的医学图像，可以将实时采集到的医学图像镜像处理，从而迅速得到更多的医学图像作为训练集。此外，在准备医学图像集时，还可以对医学图像集中的医学图像进行正则化处理，即将医学图像集中的医学图像缩放和/或裁剪到相同的尺寸，但尽量不改变医学图像的比例关系，从而排除训练用的医学图像的尺寸对训练模型的影响。

[0038] 此外，在分类数量为两个的情况下，医学图像集中的医学图像可以被基于质量因子分类为：不具有伪影或者具有伪影但不影响组织特征的识别的第一医学图像，和具有伪影且影响组织特征的识别的第二医学图像。在分类数量为三个的情况下，医学图像集中的医学图像可以被基于质量因子分类为：伪影严重影响组织特征的识别的第三医学图像、伪影中等影响组织特征的识别的第四医学图像，以及伪影轻微影响组织特征的识别的第五医学图像。

[0039] 步骤S202，从医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，得到训练集。

[0040] 在上述步骤中，从医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，与其中一个医学图像对应的梯度方向直方图特征和标签就组成了一个样本；抽取到的所有的医学图像对应的梯度方向直方图特征和标签组成了训练集。训练集中的样本既有正样本也有负样本，其中正样本是指与伪影不影响组织特征的识别的医学图像对应的样本，负样本是指与伪影影响组织特征的识别的医学图像对应的样本。在本实施例中，在训练样本中负样本是正样本的2-3倍，训练得到的浅层机器学习模型具有比较准确的分类效果。

[0041] 此外，还可以在医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，得到验证集。优选地，验证集和训练集中的样本没有交集，即在准备训练集和准备验证集时抽取的医学图像中没有完全相同的医学图像。在获得验证集后，优选采用交叉验证的方式来验证浅层机器学习模型的训练程度，以增强浅层机器学习模型的泛化能力和避免浅层机器学习模型过拟合。

[0042] 步骤S203，加载初始的浅层机器学习模型。

[0043] 步骤S204，使用训练集训练初始的浅层机器学习模型，直至误差低于预设值，得到训练完备的浅层机器学习模型。

[0044] 在医学图像中，不同的医学图像的纹理特征也具有差异性。例如，头颅的扫描图像中纹理特征较少，而腹腔的扫描图像中纹理特征则相对更多。由于伪影图像相对于正常图像而言，其纹理数量往往是呈倍数增加，并且，医学图像中纹理的方向特征也能够一定程度上表征该医学图像对应的不同部位，因此，在不对医学图像的扫描位置进行区分而由同一个浅层机器学习模型进行分类的情况下，也能够达到比较准确的分类效果。

[0045] 在本发明的另一些实施例中，为了进一步提高浅层机器学习模型的分类效果，训练完备的浅层机器学习模型是基于与医学图像包含相同的人体部位影像的医学图像训练的。采取这种方式，对每个不同的人体部位分别训练对应的浅层机器学习模型，并用对应的浅层机器学习模型对该人体部位的医学图像的图像质量进行分类，不仅能够减少每个浅层机器学习模型的训练时间，也能够进一步提高每个浅层机器学习模型的分类准确程度。

[0046] 在对不同的人体部位分别训练了浅层机器学习模型之后，磁共振扫描仪通过当前扫描的人体部位来选择对应的浅层机器学习模型，并将实时获取到的医学图像输入到对应的浅层机器学习模型中，从而获得对应的浅层机器学习模型的分类结果。

[0047] 在上述步骤S102和步骤S202中提取医学图像的梯度方向直方图特征可以采取相关技术中的任一种提取方法，例如，在本实施例中通过下列步骤提取医学图像的梯度方向直方图特征：

[0048] 步骤1，计算医学图像中每个像素的梯度。

[0049] 在本实施例中，计算图像每个像素的梯度(包括大小和方向)，目的是捕获轮廓信息，同时进一步弱化光照的干扰。

[0050] 步骤2，将医学图像分割成具有相同尺寸大小和像素数量的多个细胞单元。

[0051] 在本实施例中，将图像划分成小细胞单元(cell)，定义细胞单元的大小(例如：8像素×8像素/细胞单元)。

[0052] 步骤3，统计多个细胞单元的梯度方向直方图，得到多个细胞单元中每个细胞单元的梯度方向直方图特征。

[0053] 在本实施例中，设置梯度直方图相应的bin的数目，统计每个细胞单元的梯度直方图，即可形成每个细胞单元的特征描述器。

[0054] 步骤4，将多个细胞单元按照预定数量组合成多个块，并根据多个块中每个块内细胞单元的梯度方向直方图特征，统计每个块的梯度方向直方图特征。

[0055] 在本实施例中，由每几个细胞单元组成一个区块(block)，例如3*3个细胞单元/区块，一个区块内所有细胞单元的特征描述器串联起来便得到该区块的梯度方向直方图特征描述器。

[0056] 步骤5，将多个块的梯度方向直方图特征串联，得到医学图像的梯度方向直方图特征。

[0057] 在本实施例中，将图像内的所有区块的梯度方向直方图特征描述器串联起来就可以得到该图像的梯度方向直方图特征描述器，这个就是最终可供分类使用的特征向量了。

[0058] 在上述实施例中，由于医学图像通常为灰度图像，因此从医学图像中提取梯度方向直方图特征可以不再对医学图像进行灰度化处理。

[0059] 在上述实施例中，在计算各个像素的梯度之前还可以采用Gamma校正法对医学图像进行颜色空间的归一化处理，其目的是调节图像的对比度，降低图像局部的阴影和图像亮度变化所造成的影响，同时可以抑制噪音的干扰。

[0060] 在上述实施例中，图像的梯度方向直方图特征维度是这样的：假设图像尺寸为64×64；每个cell为8×8；每个block包含2×2的cell，即为16×16；步长为1个cell，共有7×7＝49个block；最终得到的特征向量的维度是：49×(2×2×9)＝1764，这就是图像的梯度方向直方图特征描述器，也就是梯度方向直方图特征。

[0061] 在上述实施例中，计算方向梯度直方图是针对每个cell进行计算的。方向的值会被分割成多个bin，通常只考虑梯度的方向而不考虑正负。在本实施例中的方向值范围是0°～180°，采用9个bin的直方图，即方向值得分割间距为20°。每个cell的梯度向量产生一个bin，该bin的权重对应梯度的幅值。

[0062] 梯度方向直方图具体来说就是描述梯度方向的分布情况的图，计算梯度方向直方图的主要流程是在一幅图像中，图像上的形状和纹理能够被亮度梯度或边缘的方向密度分布描述。梯度方向直方图的优点是可以对几何和光学的形变保持很好的不变形，换句话说，对环境的变化具有很强的鲁棒性。

[0063] 为了观察这些梯度的空间分布，梯度方向直方图具体实现方法是首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。正常的医学图像(如图3所示)中组织和背景拥有很清晰的边界和对比度，而运动伪影图像(如图4所示)的形态特征是组织的叠加出现，所以伪影图像拥有很强的纹理特征，梯度方向直方图非常适合做这种类型的伪影探测。

[0064] 在本实施例中，为了提高算法性能针对图像亮度变化和阴影获得更好的效果，我们把这些局部直方图在图像的更大的范围内区间进行对比度归一化，所采用的方法是：先计算各直方图在这个区间中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。

[0065] 在本实施例中还提供了一种医学图像采集装置，该装置用于实现上述的医学图像采集方法。图5是根据本发明实施例的医学图像采集方法的结构框图，如图5所示，该医学图像采集装置包括：

[0066] 第一采集模块51，用于实时采集医学图像；

[0067] 提取模块52，耦合至第一采集模块51，用于提取医学图像的梯度方向直方图特征；

[0068] 输入模块53，耦合至提取模块52和训练完备的浅层机器学习模型，用于将医学图像的梯度方向直方图特征输入到训练完备的浅层机器学习模型，得到分类结果，分类结果用于表示医学图像中的伪影是否影响组织特征的识别；

[0069] 第二采集模块54，耦合至训练完备的浅层机器学习模型，用于在分类结果表示医学图像中的伪影影响组织特征的识别的情况下，重新进行医学图像采集。

[0070] 在其中一些实施例中，分类结果包括医学图像的质量因子，质量因子用于表示医学图像中的伪影影响组织特征的识别的程度。

[0071] 在其中一些实施例中，浅层机器学习模型包括以下之一：支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、决策树模型。。

[0072] 在其中一些实施例中，训练完备的浅层机器学习模型的训练过程包括：准备医学图像集，其中，医学图像集中的医学图像被基于质量因子分类，质量因子用于表示医学图像中的伪影影响组织特征的识别的程度；从医学图像集中抽取医学图像，并提取这些医学图像的梯度方向直方图特征，得到训练集；加载初始的浅层机器学习模型；使用训练集训练初始的浅层机器学习模型，直至误差低于预设值，得到训练完备的浅层机器学习模型。

[0073] 在其中一些实施例中，准备医学图像集还包括：对医学图像集中的医学图像进行正则化处理，以使医学图像集中的医学图像都具有相同的尺寸大小。

[0074] 在其中一些实施例中，训练完备的浅层机器学习模型是基于与医学图像包含相同的人体部位影像的医学图像训练的。

[0075] 在其中一些实施例中，提取模块52提取医学图像的梯度方向直方图特征包括：计算医学图像中每个像素的梯度；将医学图像分割成具有相同尺寸大小和像素数量的多个细胞单元；统计多个细胞单元的梯度方向直方图，得到多个细胞单元中每个细胞单元的梯度方向直方图特征；将多个细胞单元按照预定数量组合成多个块，并根据多个块中每个块内细胞单元的梯度方向直方图特征，统计每个块的梯度方向直方图特征；将多个块的梯度方向直方图特征串联，得到医学图像的梯度方向直方图特征。

[0076] 另外，结合图1描述的本发明实施例的医学图像采集方法可以由医学图像采集设备来实现。图6示出了本发明实施例提供的医学图像采集设备的硬件结构示意图。

[0077] 医学图像采集设备可以包括处理器61以及存储有计算机程序指令的存储器62。

[0078] 具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

[0079] 存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器
62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性固态存储器。在特定实施例中，存储器62包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

[0080] 处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种医学图像采集方法。

[0081] 在一个示例中，医学图像采集设备还可包括通信接口63和总线60。其中，如图6所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。

[0082] 通信接口63，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

[0083] 总线60包括硬件、软件或两者，将医学图像采集设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

[0084] 该医学图像采集设备可以基于获取到的医学图像，执行本发明实施例中的医学图像采集方法，从而实现结合图1描述的医学图像采集方法。

[0085] 另外，结合上述实施例中的医学图像采集方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种医学图像采集方法。

[0086] 综上所述，通过本发明的上述实施例，基于梯度方向直方图特征结合浅层机器学习模型探测图像伪影，根据生成的图像指标预测图像质量，从而可以及时提醒医生、或者中断扫描提醒病人配合扫描；亦或是对图像质量欠缺部位或序列进行自动重扫、或者加扫，因此大量减少浪费在扫描质量差的图像上的时间。

[0087] 以上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。

[0088] 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。