像預(yù)測(cè)單元進(jìn)行級(jí)聯(lián)處理，K大于1，每個(gè)骨像預(yù)測(cè)單元k, k= 1，2，……K，針對(duì)不同 尺度的胸片包含對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，具體通過如下步驟進(jìn)行，
[0047] (8-1)對(duì)輸入的原始胸片圖像1〇進(jìn)行進(jìn)行K次空間采樣，使得輸入胸片圖像像素尺 寸為設(shè)定值，采樣結(jié)果分別為第1下采樣圖像、第2下采樣圖像、……、第K-1下采樣圖像和第 Κ下采樣圖像，第κ下采樣圖像的尺度精細(xì)于第Κ-1下采樣圖像的尺度；
[0048] (8-2)當(dāng)k=l時(shí)，W第1下采樣圖像作為輸入的胸片圖像，由骨像預(yù)測(cè)單元1進(jìn)行骨 像預(yù)測(cè)得到輸出Bi，骨像預(yù)測(cè)通過如上述權(quán)利要求1-7任意一項(xiàng)中的步驟(2)至步驟(6)的 方式預(yù)測(cè)；
[0049] (8-3)令k = k+l，判斷k是否小于K，當(dāng)k小于拙寸，進(jìn)入步驟(8-4)，當(dāng)k等于即寸，停止 骨像預(yù)測(cè)，W當(dāng)前骨像預(yù)測(cè)單元k的輸出化作為輸出，進(jìn)入步驟(8-5);
[0050] (8-4)?第k下采樣圖像、骨像預(yù)測(cè)單元k-i進(jìn)行骨像預(yù)測(cè)得到的輸出Bk-i作為輸入， 由骨像預(yù)測(cè)單元k進(jìn)行骨像預(yù)測(cè)得到輸出Bk，返回步驟(8-3)，骨像預(yù)測(cè)通過如上述權(quán)利要求 1-7任意一項(xiàng)中的步驟(2)至步驟(6)的方式預(yù)測(cè)；
[0051] (8-5)從輸入的原始胸片圖像中減去化得到骨抑制處理結(jié)果。
[0052] 上述步驟(8-5)具體是:通過最小化式(8)的能量函數(shù)求解最優(yōu)的骨像B*，然后從 輸入胸片中減去骨像B*得到骨抑制處理結(jié)果；
[0化3]
[0054] 式中，Gk,x和Gk,y分別表示骨像預(yù)測(cè)單元k中卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的水平和豎直方向 的骨像梯度圖像，Dx和Dy分別表示水平和豎直方向差分操作的矩陣形式，Ak表示采樣因子為 2KA的下采樣操作，λ為可調(diào)節(jié)的系數(shù)。
[0055] 優(yōu)選通過共輛梯度下降算法求解最優(yōu)的骨像Β*。
[0056] 本發(fā)明不需特殊的設(shè)備和兩次X線曝光，對(duì)普通X線設(shè)備獲取的單幅胸片圖像進(jìn)行 處理，實(shí)現(xiàn)胸片中骨骼影像的抑制，避免兩次曝光和運(yùn)動(dòng)偽影的產(chǎn)生。
[0057] 本發(fā)明也不需要對(duì)圖像特征提取方式進(jìn)行特別的設(shè)計(jì)，通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型 的訓(xùn)練自動(dòng)完成圖像特征的學(xué)習(xí)。
[005引本發(fā)明中的卷積神經(jīng)網(wǎng)絡(luò)在圖像梯度域進(jìn)行特征提取和預(yù)測(cè)，減少骨像或者軟組 織像預(yù)測(cè)對(duì)于圖像對(duì)比度歸一化處理的依賴，并充分利用胸片圖像梯度的稀疏性和可分 性，提高骨像或者軟組織像的預(yù)測(cè)精度。
[0059] 本發(fā)明可通過對(duì)X線雙能減影圖像數(shù)據(jù)的人工修正，對(duì)胸片圖像中不同區(qū)域賦予 不同權(quán)重，并構(gòu)造加權(quán)的目標(biāo)函數(shù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，在準(zhǔn)確預(yù)測(cè)骨像或者軟組織 像的同時(shí)保持骨抑制處理結(jié)果中的重要結(jié)構(gòu)。
[0060] 本發(fā)明處理方法操作簡(jiǎn)單，處理方便，圖像精度高。
【附圖說明】
[0061] 利用附圖對(duì)本發(fā)明作進(jìn)一步的說明，但附圖中的內(nèi)容不構(gòu)成對(duì)本發(fā)明的任何限 制。
[0062] 圖1是本發(fā)明一種基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法的流程示意圖。
[0063] 圖2是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法用于骨像或者軟組織 像預(yù)測(cè)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架示意圖。
[0064] 圖3是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度級(jí)聯(lián)方式X線胸片骨抑制處理方法的流 程的示意圖。
[0065] 圖4是本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度級(jí)聯(lián)方式X線胸片骨抑制處理方法中一 種骨像預(yù)測(cè)單元處理流程的示意圖。
[0066] 圖5是本發(fā)明實(shí)施例3的具體實(shí)施例對(duì)一輸入胸片圖像進(jìn)行骨抑制處理的輸入圖 像、中間結(jié)果及骨抑制處理輸出的圖像。
[0067] 圖6是本發(fā)明實(shí)施例4的一具體實(shí)施例采用多尺度級(jí)聯(lián)方式對(duì)一輸入胸片圖像進(jìn) 行骨抑制處理的結(jié)果，在圖6中從左至右依次為輸入胸片圖像、各骨像預(yù)測(cè)單元預(yù)測(cè)的骨 像、多尺度融合方式重建的骨像、最終的骨抑制處理結(jié)果。
【具體實(shí)施方式】
[0068] 結(jié)合W下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。
[0069] 實(shí)施例1。
[0070] -種基于卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，如圖1所述，包括如下步驟：
[0071] (1)對(duì)胸片圖像進(jìn)行空間分辨率歸一化處理；
[0072] (2)獲得胸片梯度圖像；
[0073] (3)對(duì)胸片梯度圖像歸一化處理；
[0074] (4)通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)骨像或者軟組織像的梯度；
[0075] (5)由預(yù)測(cè)的梯度圖像重建骨像或者軟組織像；
[0076] (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。
[0077] 其中，步驟（1)具體是，對(duì)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。步驟（1)中對(duì)原始胸片圖像1〇的 空間采樣可采用雙線性插值或者Ξ次B樣條插值方法實(shí)現(xiàn)。
[0078] 步驟(2)具體是，對(duì)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。
[0079] 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^。
[0080] 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(cè)胸片圖像I對(duì)應(yīng)的骨像或者軟組織像。
[0081] 如圖2所示，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(duì)應(yīng)輸入特征圖，輸出對(duì)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(duì)應(yīng)卷積層中卷積核的數(shù)目。
[0082] 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,. . . ,ηι);
[0083] 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：
[0084] Fi〇 = Ix……式(1);
[00 化]F2° = ^……式（2);
[0086]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：
[0087]
/ = 1.2…"i-1……式（3);
[0088] 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)，如,/ 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。
[0089] 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(cè)的骨像或者軟組織像的梯度圖像Gx和Gy:
[0092] 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)。
[OOW]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)；
[0094] 當(dāng)非線性激活函數(shù)〇(.)為雙曲線正切函數(shù)時(shí)：〇^) = (6^6-、)/(6、+6-、），其中0為 自然底數(shù)；
[0095] 當(dāng)非線性激活函數(shù)〇(.)為ReLU函數(shù)時(shí)
[0096] 關(guān)于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練用的DES圖像樣本:卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練(亦即卷積神經(jīng)網(wǎng) 絡(luò)各卷積層中的卷積核和偏置項(xiàng)的優(yōu)化)通過采集大量胸片梯度圖像和對(duì)應(yīng)的DES骨像(或 者軟組織像)梯度圖像對(duì)作為訓(xùn)練樣本對(duì)進(jìn)行。訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)用的胸片梯度圖像和對(duì) 應(yīng)的DES骨像(或者軟組織像)梯度圖像采用步驟(3)中方法得到的幅值歸一化系數(shù)進(jìn)行幅 值歸一化處理。為了避免在卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的骨像(或者軟組織像）中出現(xiàn)運(yùn)動(dòng)偽影，可 將訓(xùn)練預(yù)測(cè)模型用的胸片圖像中的運(yùn)動(dòng)偽影區(qū)域排除掉，或者將運(yùn)動(dòng)偽影區(qū)域權(quán)重置為0。 為了保證預(yù)測(cè)模型在胸片結(jié)節(jié)和異常區(qū)域的預(yù)測(cè)精度，可將訓(xùn)練預(yù)測(cè)模型用的胸片中的結(jié) 節(jié)和異常區(qū)域人工標(biāo)注出，并對(duì)運(yùn)些區(qū)域賦予較大的權(quán)重值。為了保證預(yù)測(cè)模型在肋骨和 鎖骨邊緣的預(yù)測(cè)精度，可將訓(xùn)練預(yù)測(cè)模型的胸片中的肋骨和鎖骨的邊緣人工勾畫出，并對(duì) 運(yùn)些區(qū)域賦予較大的權(quán)重值。
[0097] 關(guān)于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)和優(yōu)化算法:訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的目 標(biāo)函數(shù)可為預(yù)測(cè)值與DES骨像(或者軟組織像)梯度之間的均方誤差、加權(quán)的均方誤差或者 加權(quán)的魯棒損失函數(shù)，加權(quán)所用的權(quán)重通過胸片圖像的人工標(biāo)注結(jié)果確定。卷積神經(jīng)網(wǎng)絡(luò) 的訓(xùn)練可采用誤差反向傳播和隨機(jī)梯度下降算法最小化目標(biāo)函數(shù)完成。
[0098] 步驟(5)由預(yù)測(cè)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(cè)的