[发明专利]基于卷积神经网络的X线胸片骨抑制处理方法

说明书

技术领域

本发明属于数字图像处理技术领域，特别是涉及一种基于卷积神经网络的X线胸片骨抑制处理方法。

背景技术

随着数字化放射成像(DigitalRadiography，简称DR)和计算机X线摄影(ComputedRadiography，简称CR)设备和技术的发展，X线双能减影(DualEnergySubtraction，简称DES)技术已可分离出胸片中体现组织成分的特性图像——软组织像(Soft-tissueImage)和骨像(BoneImage)。DES设备使用高低两种不同能量(如120kV和60kV)的X线摄取两幅图像，利用组织对不同能量X线衰减系数不同的现象，进行加权减影处理，可将不同衰减系数的组织分开，得到软组织像和骨像。但是X线DES设备检测中相对普通X线设备需要使用额外的设备，并可能降低X线球管的使用寿命，现有临床使用的DR设备绝大部分并不具备DES功能。DES成像需要X线两次曝光，成像质量易受病人呼吸、心脏搏动等人体组织运动的影响，所获取的软组织和骨像中一般存在运动伪影，而且也会使病人接受的辐射剂量有所增加。

为了避免X线DES设备，出现了利用图像处理和模式识别技术模拟DES设备功能，对DR或CR设备获取的单幅数字化常规胸片进行处理，将其分解为组织像和骨像，可实现骨骼影像的抑制。现有技术中，通过图像处理技术实现胸片骨抑制的方法主要分为两类：1、基于骨骼分割和边缘检测的方法，2、基于回归预测模型的方法。第一类方法需先对胸片中肋骨和锁骨进行分割，利用曲线拟合、霍夫变换等技术定位肋骨和锁骨的边缘，然后对肋骨、锁骨区域和边缘的灰度或梯度建立模型，通过信号分离或在梯度域修正后重建等方法实现软组织像和骨像的分离。第二类方法以DES设备获取的图像数据(包括常规胸片、软组织像和骨像)作为训练样本数据，通过统计学习方法建立以常规胸片图像局部特征为输入的回归预测模型，对相应的软组织像或骨像进行预测和重建。

基于骨骼分割和边缘检测的骨抑制处理方法：这类方法一般假设骨像灰度在肋骨或锁骨区域内为常数，与实际情况不符，并且软组织像和骨像的分离效果严重依赖于骨骼分割和边缘定位的精度。胸片中骨骼的准确自动分割和边缘定位相当困难，因此这类方法得到的骨抑制结果，在肋骨和锁骨边缘会存在明显的线条状伪影或骨骼影像抑制不彻底。

基于回归预测模型的骨抑制处理方法：采用k近邻回归方法进行软组织像或骨像的预测，局部特征为优化的滤波器组响应。需建立数量巨大的样本数据才能保证预测的准确性，然而从数据库中对每个像素对应的特征搜索近邻非常耗时，因此该方法存在处理速度慢、骨抑制效果不理想的不足，难以实用化。

人工神经网络是用于胸片骨抑制最常用的参数化回归预测模型，通过提取胸片图像中的局部特征作为人工神经网络的输入，预测单个像素的软组织像/骨像的强度，速度相对较快，其性能主要依赖有效的局部特征和模型的预测能力。当前用于胸片骨抑制的回归预测模型的主要问题在于，需要对胸片进行复杂的对比度归一化处理，并从胸片图像提取有效的特征和预测模型参数的优化，以保证预测精度。

因此，针对现有技术不足，提供一种基于卷积神经网络的X线胸片骨抑制处理方法以克服现有技术不足甚为必要。

发明内容

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卷积神经网络的X线胸片骨抑制处理方法及基于该方法的多尺度级联方式X线胸片骨抑制处理方法，处理方法操作简单，处理方便，图像精度高。

本发明的上述目的通过如下技术手段实现。

提供一种基于卷积神经网络的X线胸片骨抑制处理方法，包括如下步骤：

(1)对胸片图像进行空间分辨率归一化处理；

(2)获得胸片梯度图像；

(3)对胸片梯度图像归一化处理；

(4)通过卷积神经网络预测骨像或者软组织像的梯度；

(5)由预测的梯度图像重建骨像或者软组织像；

(6)从胸片图像中减去重建的骨像或者直接以重建的软组织像作为骨抑制处理的结果。

上述步骤(1)具体是，对输入的原始胸片图像I₀进行空间采样，使得输入胸片图像像素尺寸为设定值，得到空间分辨率相同的胸片图像I。

所述步骤(1)中对原始胸片图像I₀的空间采样采用双线性插值或者三次B样条插值方法实现。

上述步骤(2)具体是，对步骤(1)得到的胸片图像I，在水平和竖直方向进行一阶差分操作，得到胸片水平的梯度图像I_x0和竖直方向上的梯度图像I_y0。