[发明专利]基于深度神经网络的X光片手骨兴趣区域自动提取方法

权利要求书

1.一种基于深度神经网络的X光片手骨兴趣区域自动提取方法，其特征在于：所述方法包括以下步骤：

步骤一，对原始手骨X光片灰度影像，去除影像两边的黑色背景嵌入文字的部分，从而使得原图像去除掉大部分的文字；

步骤二，对原始手骨X光片灰度影像进行提亮操作，该步骤，先对影像进行整体亮度评估，对于亮度不足的影像进行提亮操作，提亮之后进行去噪操作，得到的影像集称为Output1；

步骤三，采样并训练模型M1，该模型用于去除Output1中的X光片中手骨附近以及手骨上的文字，得到没有文字的手骨X光片灰度影像Output2；

步骤四，将Output2中所有影像归一化尺寸，为保持高宽大小一致，先进行两侧黑底填充操作，当图片的宽比高的数值大时，采取两侧向内切割的操作，然后再对影像缩小至(512,512)，称新的影像集为Output3；

步骤五，采样并训练模型M2，该模型用于对Output3中的手骨，背景，手骨背景相交的三部分进行判断，手骨背景的大小为16*16；

步骤六，有了模型M2，对Output3中的影像滑窗判断，将判断的值加到每个像素点中，接着每个像素点根据自己得到的不同判断类型的值的大小，将手骨部分的像素值设为255，背景部分的像素值设为0，从而得到手骨二值标记图，称之为Output4；

步骤七，对照Output4的手骨二值标记图，在Output3的基础上得到仅有手骨区域的影像，但是同时该影像中依然会存在背景杂质，于是在这里需要进行一次最大联通区域的计算，去除杂质，得到Output5；

步骤八，由于Output5中存在影像周围光圈被判断为手骨组织的现象，并且它与最大联通区域是相连接的，由于光圈的长远远大于手骨的宽，于是对Output5中每张影像的底部部分做差异比较，从而去除影像中的光圈，得到最终的手骨兴趣区域。

2.如权利要求1所述的基于深度神经网络的X光片手骨兴趣区域自动提取方法，其特征在于：所述步骤一中，去除黑色背景中嵌入文字部分的方法为：先将影像转化为数值数组，最左右两列开始向中间检测，由于纯白文字与纯黑背景的特殊性，如果存在的非纯黑的个数超过整列的10％，则可以判断这里开始为非黑色背景嵌入文字部分，那么之前的部分将被全部切割掉。

3.如权利要求1或2所述的基于深度神经网络的X光片手骨兴趣区域自动提取方法，其特征在于：所述步骤二中，整体亮度评估过程为：设一张原影像O的分辨率为M×N，每一个像素点的值为t_ij，通过公式计算该影像的整体亮度，这里考虑像素值大于120的像素点，对于不同的Aug值，用不同的参数进行提亮。

4.如权利要求1或2所述的基于深度神经网络的X光片手骨兴趣区域自动提取方法，其特征在于：所述步骤三中，对于模型M1的训练，样本采集过程为：截取原灰度影像中含字母的100*100的样本，作为正样本；再截取完全不包含字母的同样尺寸样本，作为负样本；构建二维卷积神经网络的过程为：

步骤3.1输入图像经过Conv2D卷积层提取局部特征，输入size为100*100*1，接着是relu激活函数层，Maxpooling池化层；

步骤3.2提取size不同的三层Conv2D卷积层，其中的激活函数层和池化层结构与步骤3.1一致；

步骤3.3经过一个Flatten层来连接上述4层卷积层与接下来的全连接层；

步骤3.4上述特征通过第一个全连接层，内部顺序包括Dense层，relu激活层，Dropout层防止过拟合，接下来是第二个全连接层，内部顺序包括Dense层，以及sigmoid激活层，得到输出结果；

通过选择性搜索方法在影像中找寻字母并判断，因为字母的特殊性，字母L均能通过该方法找到，并且精确地定位成100*100的尺寸；由于其他字母主要集中于影像右上角，并且右上角文字不会影响手骨区域的判断，于是在找到L并去除之后，对右上角区域根据背景周边值的平均值进行填充。