[发明专利]一种胸部DR双能量数字减影图像生成方法

说明书

本发明公开了一种基于生成对抗网络生成胸部DR双能量数字减影图像的方法、装置及存储介质，包括获取胸部DR双能减影图像，对胸部DR双能减影图像进行预处理后构建训练集，构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织图像。

技术领域

本发明涉及图像处理领域，具体涉及一种基于生成对抗网络的胸部DR双能量数字减影图像生成方法。

背景技术

胸部DR能够清楚记录胸部的大体病变，包括肺部肿块、结节、结核、实变、胸部肋骨以及胸椎软组织等胸腔肺组织，拥有放射浓度低、成像迅速、便于检查等优点。但由于成像原理的局限,重叠因素较多,许多感兴趣区的正常结构和异常病灶被其他组织或结构遮挡,易致病变漏诊、定位错误或误诊。

双能量减影采用两次曝光法，在200ms之内对被拍摄物体以连续两次高低输出能量(KVP)进行曝光，得到两幅图像或数据，将其进行图像减影或数据整合分离，可重建为3幅图像，分别为骨减影、软组织减影以及普通胸片图像。其中软组织减影图像移除了骨结构更有利于观察结节性病变，骨减影可辨别出良性的钙化结节和细微的骨折等病变。但两次曝光法较DR普通拍摄会有不到两倍的射线剂量，对病人身体的伤害更大。

近年来，许多图像处理方法应用于双能减影图像。基于非深度学习方法包括基于主动形状模型、Gabor滤波器、主动轮廓模型等方法，这些方法的关键在于计算骨的边界，然后根据像素强度生成最终的双能减影图像，但以上方法会因图像质量尤其是噪声、骨边界计算结果的差异导致结果精度受影响。基于深度学习的方法能够自动学习图像特征，而深度学习方法中生成对抗网络十分适合生成风格迁移之后的图片，因此本申请考虑利用生成对抗网络根据普通胸片生成减影后的数据，该方法能够在普通胸片和骨减影、软组织减影图像之间，无须建立训练数据间一对一的映射，便可实现风格的迁移，并且生成结果不受图像质量以及细小噪声的影响，符合临床需求，便于医生给出更加详细的诊断结果。

发明内容

针对现有技术存在的问题，本发明首先提供了一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法，其特征在于，包括以下步骤：

1)获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；

2)对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；

3)构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；

4)获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。

进一步地，所述步骤2)中预处理可以包括以下步骤：

获得所述胸部DR双能减影图像的最适窗宽窗位，以所述最适窗宽窗位为目标对所述胸部DR双能减影图像进行线性拉伸，重设图像大小为2048。

进一步的，所述步骤3)中生成对抗网络模型包括生成器和鉴别器，所述生成器包括编码器E_s、解码器G_t和辅助分类器η_s，所述编码器Es包括多个下采样卷积层和多个残差模块，所述解码器G_t包括多个上采样卷积层和多个残差模块，所述鉴别器包括编码器Edt。

优选的，所述生成器的编码器采用IN，解码器的残差模块采用归一化函数AdaILN，其它模块采用ILN，鉴别器上的采样模块采用SN。

更优选的，所述生成对抗网络模型采用的损失函数包括对抗损失函数、循环损失函数、身份损失函数和类激活映射损失函数。