[发明专利]一种基于人工智能的抗散射光栅方法及装置

说明书

本发明涉及图像处理领域，提供一种基于人工智能的抗散射光栅方法及装置，该方法包括将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使深度学习卷积神经网络模型估计散射对X射线拍摄图像的影响，获得估计残差图；利用X射线拍摄图像的灰度区间对估计残差图进行复原，以获得绝对残差图；将绝对残差图与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。本方法通过深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的抗散射光栅方法及装置。

背景技术

医用X射线具有穿透能力强等特点，正是由于这样的特点，医用X射线广泛应用于医疗诊断和治疗中。利用医用X射线进行人体检测的设备如数字平板X线成像系统(DR)由于具有图像分辨率高，成像稳定等特点，在医学诊断与检测领域中具有无可替代的地位。

但是，当X射线穿过待测物体时，不仅仅会发生初级的辐照效应，而且散射辐射也会产生。对于待测物体，散射辐射会产生额外的曝光，反映到最后的成像效果就相当于在原有待测物体真实轮廓的基础上蒙上了一层“散射雾”。由散射所引起的“雾状”影响会验证降低X射线图像的对比度，信噪比等指标，模糊一些本该清晰可见的细节纹理，严重干扰医生基于此图像的判断。

目前，为了缓解散射辐射的影响，以最常用的数字平板X射线成像系统为例，该系统往往采用一种特殊的抗散射栅格。这些栅格往往是采用高密度的物质制成，具有体积小，吸收率高等特点，栅格可以允许来自焦点的主辐射X射线通过，但是吸收其他方向的辐射。这样的装置可以有效摒除散射射线对图像质量的影响，从而达到提高图像质量的效果。

单纯采用抗散射栅格也有一些问题，由于存在栅格对X射线的吸收，会客观上造成后续探测器接受的剂量不足，在放射源相同剂量辐照的条件下，采用抗散射栅格会造成图像整体质量下降。为了弥补上述缺陷，往往会采用提高剂量的方法，这对于医护人员以及接受辐照的人员来说会对他们的健康产生不利影响。

发明内容

本发明实施例提供一种基于人工智能的抗散射光栅方法及装置，用以解决现有技术中散射辐射对X射线成像质量影响的问题。

本发明实施例提供一种基于人工智能的抗散射光栅方法，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，所述对从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：将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，所述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。

其中，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。