[发明专利]一种基于人工智能的抗散射光栅方法及装置

权利要求书

1.一种基于人工智能的抗散射光栅方法，其特征在于，包括：

将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；

利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；

将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像；

其中，对所述X射线拍摄图像进行预处理的步骤包括：

对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像；

其中，对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：

数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵；

其中，将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；

I＝C_factorlog((2^bits-1)/I_ori)

其中，I是校正后的结果；C_factor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；I_ori是图像矩阵。

2.根据权利要求1所述的基于人工智能的抗散射光栅方法，其特征在于，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X射线拍摄图像进行规范化处理。

3.根据权利要求2所述的基于人工智能的抗散射光栅方法，其特征在于，对所述预处理后的X射线拍摄图像进行规范化处理的步骤采用下式公式进行：

其中，I²是规范化后的结果，x是校正后的图像矩阵中每一个像素的具体数值，μ是校正后的图像矩阵的均值，std由以下公式计算：

其中，σ是校正后的图像矩阵的标准方差，N是校正后的图像矩阵中的像素数目。

4.根据权利要求1-3任一项所述的基于人工智能的抗散射光栅方法，其特征在于，获得扣除散射影响的估计图像之后还包括：

对所述估计图像进行体外数据异常检测，若所述估计图像中存在体外数据异常区域，则将估计图像中的体外数据区域进行标记，并将所述X射线拍摄图像和标记后的所述估计图像均进行归一化处理，以使所述X射线拍摄图像和所述估计图像均处于[0,1]之间；

使用泊松融合技术将被标记的所述体外数据区域替换为所述X射线拍摄图像，以获得待处理图像；并按照所述X射线拍摄图像的灰度区间恢复所述待处理图像的灰度，以获得体外校正后的图像。

5.根据权利要求4所述的基于人工智能的抗散射光栅方法，其特征在于，还包括：对所述估计图像或所述体外校正后的图像进行图像增强处理。