基于卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，特別是設(shè)及一種基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸 片骨抑制處理方法。
【背景技術(shù)】
[0002] 隨著數(shù)字化放射成像（Digital Radiography,簡稱DR)和計(jì)算機(jī)X線攝影 (Computed Radiography,簡稱CR)設(shè)備和技術(shù)的發(fā)展，X線雙能減影（Dual Energy Subtraction,簡稱DES)技術(shù)已可分離出胸片中體現(xiàn)組織成分的特性圖像一一軟組織像 (Soft-tissue Image)和骨像（Bone Image) eDES設(shè)備使用高低兩種不同能量（如120kV和 60kV)的X線攝取兩幅圖像，利用組織對不同能量X線衰減系數(shù)不同的現(xiàn)象，進(jìn)行加權(quán)減影處 理，可將不同衰減系數(shù)的組織分開，得到軟組織像和骨像。但是X線DES設(shè)備檢測中相對普通 X線設(shè)備需要使用額外的設(shè)備，并可能降低X線球管的使用壽命，現(xiàn)有臨床使用的DR設(shè)備絕 大部分并不具備DES功能。DES成像需要X線兩次曝光，成像質(zhì)量易受病人呼吸、屯、臟搏動(dòng)等 人體組織運(yùn)動(dòng)的影響，所獲取的軟組織和骨像中一般存在運(yùn)動(dòng)偽影，而且也會(huì)使病人接受 的福射劑量有所增加。
[000引為了避免X線DES設(shè)備，出現(xiàn)了利用圖像處理和模式識別技術(shù)模擬DES設(shè)備功能，對 DR或CR設(shè)備獲取的單幅數(shù)字化常規(guī)胸片進(jìn)行處理，將其分解為組織像和骨像，可實(shí)現(xiàn)骨骼 影像的抑制?，F(xiàn)有技術(shù)中，通過圖像處理技術(shù)實(shí)現(xiàn)胸片骨抑制的方法主要分為兩類:1、基于 骨骼分割和邊緣檢測的方法，2、基于回歸預(yù)測模型的方法。第一類方法需先對胸片中肋骨 和鎖骨進(jìn)行分割，利用曲線擬合、霍夫變換等技術(shù)定位肋骨和鎖骨的邊緣，然后對肋骨、鎖 骨區(qū)域和邊緣的灰度或梯度建立模型，通過信號分離或在梯度域修正后重建等方法實(shí)現(xiàn)軟 組織像和骨像的分離。第二類方法WDES設(shè)備獲取的圖像數(shù)據(jù)(包括常規(guī)胸片、軟組織像和 骨像)作為訓(xùn)練樣本數(shù)據(jù)，通過統(tǒng)計(jì)學(xué)習(xí)方法建立W常規(guī)胸片圖像局部特征為輸入的回歸 預(yù)測模型，對相應(yīng)的軟組織像或骨像進(jìn)行預(yù)測和重建。
[0004] 基于骨骼分割和邊緣檢測的骨抑制處理方法:運(yùn)類方法一般假設(shè)骨像灰度在肋骨 或鎖骨區(qū)域內(nèi)為常數(shù)，與實(shí)際情況不符，并且軟組織像和骨像的分離效果嚴(yán)重依賴于骨骼 分割和邊緣定位的精度。胸片中骨骼的準(zhǔn)確自動(dòng)分割和邊緣定位相當(dāng)困難，因此運(yùn)類方法 得到的骨抑制結(jié)果，在肋骨和鎖骨邊緣會(huì)存在明顯的線條狀偽影或骨骼影像抑制不徹底。
[0005] 基于回歸預(yù)測模型的骨抑制處理方法:采用k近鄰回歸方法進(jìn)行軟組織像或骨像 的預(yù)測，局部特征為優(yōu)化的濾波器組響應(yīng)。需建立數(shù)量巨大的樣本數(shù)據(jù)才能保證預(yù)測的準(zhǔn) 確性，然而從數(shù)據(jù)庫中對每個(gè)像素對應(yīng)的特征捜索近鄰非常耗時(shí)，因此該方法存在處理速 度慢、骨抑制效果不理想的不足，難W實(shí)用化。
[0006] 人工神經(jīng)網(wǎng)絡(luò)是用于胸片骨抑制最常用的參數(shù)化回歸預(yù)測模型，通過提取胸片圖 像中的局部特征作為人工神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測單個(gè)像素的軟組織像/骨像的強(qiáng)度，速度相 對較快，其性能主要依賴有效的局部特征和模型的預(yù)測能力。當(dāng)前用于胸片骨抑制的回歸 預(yù)測模型的主要問題在于，需要對胸片進(jìn)行復(fù)雜的對比度歸一化處理，并從胸片圖像提取 有效的特征和預(yù)測模型參數(shù)的優(yōu)化，w保證預(yù)測精度。
[0007] 因此，針對現(xiàn)有技術(shù)不足，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法 W克服現(xiàn)有技術(shù)不足甚為必要。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于避免現(xiàn)有技術(shù)的不足之處而提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的X線 胸片骨抑制處理方法及基于該方法的多尺度級聯(lián)方式X線胸片骨抑制處理方法，處理方法 操作簡單，處理方便，圖像精度高。
[0009] 本發(fā)明的上述目的通過如下技術(shù)手段實(shí)現(xiàn)。
[0010] 提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，包括如下步驟：
[0011] (1)對胸片圖像進(jìn)行空間分辨率歸一化處理；
[0012] (2)獲得胸片梯度圖像；
[0013] (3)對胸片梯度圖像歸一化處理；
[0014] (4)通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測骨像或者軟組織像的梯度；
[0015] (5)由預(yù)測的梯度圖像重建骨像或者軟組織像；
[0016] (6)從胸片圖像中減去重建的骨像或者直接W重建的軟組織像作為骨抑制處理的 結(jié)果。
[0017] 上述步驟(1)具體是，對輸入的原始胸片圖像1〇進(jìn)行空間采樣，使得輸入胸片圖像 像素尺寸為設(shè)定值，得到空間分辨率相同的胸片圖像I。
[0018] 所述步驟（1)中對原始胸片圖像1〇的空間采樣采用雙線性插值或者Ξ次B樣條插 值方法實(shí)現(xiàn)。
[0019] 上述步驟(2)具體是，對步驟(1)得到的胸片圖像I，在水平和豎直方向進(jìn)行一階差 分操作，得到胸片水平的梯度圖像1x0和豎直方向上的梯度圖像^0。
[0020] 上述步驟(3)具體是，根據(jù)公式
求取胸片梯度幅值圖像M，計(jì)算Μ中梯 度幅值的中值或者其它分位數(shù)作為梯度幅值歸一化系數(shù)，將梯度圖像1、〇和^〇除W梯度幅 值歸一化系數(shù)，得到梯度幅值歸一化的胸片梯度圖像^和^。歸一化系數(shù)為梯度幅值圖像Μ 中的中值或者其他分位數(shù)，如90%分位數(shù)，每幅胸片圖像均有對應(yīng)的歸一化系數(shù)，中值等價(jià) 于50 %分位數(shù)。
[0021] 上述步驟(4)具體是W步驟(3)得到的梯度幅值歸一化的胸片梯度圖像1、和^作為 卷積神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測胸片圖像I對應(yīng)的骨像或者軟組織像；
[0022] 所述卷積神經(jīng)網(wǎng)絡(luò)具有多個(gè)卷積層，卷積神經(jīng)網(wǎng)絡(luò)各層的輸入和輸出稱為特征 圖，輸入對應(yīng)輸入特征圖，輸出對應(yīng)輸出特征圖；特征圖具有多個(gè)通道，通道數(shù)目取決于對 應(yīng)卷積層中卷積核的數(shù)目；
[0023] 設(shè)第1層卷積層有m個(gè)卷積核，第1層輸出的特征圖記為Fi，特征圖Fi的第i個(gè)通道 記為 Fii(i = l，2,3，...，ni);
[0024] 卷積神經(jīng)網(wǎng)絡(luò)的輸入記為!^<^，護(hù)具有兩個(gè)通道，分別為：
[0025] Fi° = Ix……式（1);
[0026] F2° = ^……式(2);
[0027]卷積神經(jīng)網(wǎng)絡(luò)中第1層卷積層輸出Fi與輸入fH之間的關(guān)系為：
[002引
：/ = .1,之…，1-1......式（3);
[0029] 式(3)中，*表示二維卷積操作，〇(.)表示輸入矩陣中元素的非線性激活函數(shù)，W:, 為第1層卷積層中用于計(jì)算輸出特征圖第i個(gè)通道、與輸入特征圖中第j個(gè)通道進(jìn)行卷積的 二維卷積核，為第1層卷積層中用于計(jì)算輸出特征圖第i個(gè)通道的偏置項(xiàng)，L表示卷積網(wǎng)絡(luò) 中的卷積層數(shù)目；
[0030] 根據(jù)式(3)依次計(jì)算求得第L層卷積層輸出，第L層卷積層激活函數(shù)為線性函數(shù)，輸 出為卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的骨像或者軟組織像的梯度圖像Gx和Gy:
[0033] 非線性激活函數(shù)〇(.)可為Sigmoid函數(shù)、雙曲線正切函數(shù)或者ReLU函數(shù)；
[0034] 當(dāng)非線性激活函數(shù)〇(.)為Sigmoid函數(shù)時(shí):〇(x) = l/(l+e^x)，其中e為自然底數(shù)；
[0035] 當(dāng)非線性激活函數(shù)〇(.)為雙曲線正切函數(shù)時(shí)：〇^) = (6心6-、)/(6、+6-、），其中6為 自然底數(shù)；
[0036] 當(dāng)非線性激活函數(shù)〇(.)為ReLU函數(shù)時(shí)：
[0037] 上述步驟(5)由預(yù)測的梯度圖像重建骨像或者軟組織像具體是：由步驟(4)中卷積 神經(jīng)網(wǎng)絡(luò)預(yù)測的梯度圖像Gx和Gy，通過二維積分方法將預(yù)測的梯度圖像重建為骨像B或者軟 組織像S;
[0038] 具體通過最小化能量函數(shù)重建骨像B或者軟組織像S，其中：
[0039] (a)當(dāng)卷積神經(jīng)網(wǎng)絡(luò)輸出為骨像梯度Gx和Gy，能量函數(shù)為：
[0040] ε(Β)=0||Β| |2+| |DxB-Gx||2+| |DyB-Gy| |2 ……式(6);
[0041] (b)當(dāng)卷積神經(jīng)網(wǎng)絡(luò)輸出為軟組織像梯度Gx和Gy，能量函數(shù)為：
[0042] E(S)=e||l-S| |2+| |DxS-Gx||2+| |DyS-Gy| |2 ……式(7)。
[0043] 在式(6)、式(7)中，β為可調(diào)節(jié)的系數(shù)，Dx和Dy分別表示水平和豎直方向差分操作的 矩陣形式。最優(yōu)的B和S可通過快速傅里葉變換進(jìn)行求解。
[0044] 上述步驟(6)具體是:如果步驟(5)重建的是骨像B，則骨抑制處理輸出結(jié)果為I-B; 如果步驟(5)重建的是軟組織像S，則骨抑制處理輸出結(jié)果為S;
[0045] 還包括將骨抑制輸出圖像乘W步驟(3)中的梯度幅值歸一化系數(shù)使得骨抑制輸出 圖像強(qiáng)度值范圍與原始輸入胸片圖像強(qiáng)度值范圍一致。
[0046] 本發(fā)明另外提供基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度級聯(lián)方式X線胸片骨抑制處理方法， 通過K個(gè)骨