CN103366348A - 一种抑制x线图像中骨骼影像的方法及处理设备 - Google Patents
一种抑制x线图像中骨骼影像的方法及处理设备 Download PDFInfo
- Publication number
- CN103366348A CN103366348A CN2013103050192A CN201310305019A CN103366348A CN 103366348 A CN103366348 A CN 103366348A CN 2013103050192 A CN2013103050192 A CN 2013103050192A CN 201310305019 A CN201310305019 A CN 201310305019A CN 103366348 A CN103366348 A CN 103366348A
- Authority
- CN
- China
- Prior art keywords
- image
- ray image
- bone
- picture
- ray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种抑制X线图像中骨骼影像的方法及处理设备，处理设备设置的处理单元包括双能图像数据库单元、X线图像预处理与特征提取单元、X线图像检索单元、骨像初始估计单元、骨像重建单元和骨抑制图像输出单元。处理方法包括：（1）对待处理X线图像进行预处理并提取主体图像特征；（2）检索得到最相似的M幅参照X线图像及相应信息；（3）计算获得初始骨像；（4）对待处理X线图像进行骨像重建获得重建的骨像；（5）将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像。本发明在不需要DES设备进行双能减影摄片的情况下，可利用单幅X线图像进行骨像的重建，通过减影消除X线图像中的骨像，实现骨骼影像抑制的目的。
Description
技术领域
本发明属于X线图像处理技术领域，具体涉及一种抑制X线图像中骨骼影像的方法及处理设备。
背景技术
X线胸部摄片简称胸片，是检测肺结节和诊断肺部疾病的基本影像手段之一。然而，常规胸片中解剖结构互相重叠，部分肺内小结节和病变组织可能由于肋骨和锁骨的遮挡而漏诊。去除胸片中的骨骼影像，可以解决解剖结构影像重叠的问题，增强X线图像的可视性，方便医生进行影像判读和诊断，具有强烈的临床需求性。
双能减影（Dual Energy Subtraction，DES）技术可有效解决胸片中骨骼叠影问题。双能减影技术是用高低两种不同能量的X线分别摄取两幅图像，利用组织对不同能量X线衰减系数不同，对其进行加权减影处理，以将不同衰减系数的组织分开，生成骨像和软组织像。
然而，相对常规胸片的摄片方式，DES技术的使用会使病人接受的辐射剂量有所增加。另外，临床上DES设备的应用也并不广泛，现有大部分临床使用的DR（Digital Radiography，数字化放射成像）和CR（Computed Radiography，计算机放射成像）设备并不具备DES功能。 因此，针对DR或CR设备摄取的单幅常规胸片，设计合适的图像后处理方法，抑制或消除胸片中的骨像，在不需使用DES设备的情况下模拟实现双能减影功能，具有重要的临床应用价值。
对单幅胸片进行骨抑制处理，需要利用胸片的图像特性和先验信息，对软组织像或骨像进行预测和重建而实现。常用的方案是以DES设备获取的图像作为训练样本数据和金标准，对骨抑制所需的预测模型进行学习和评价。
现有技术中的胸片骨抑制方法可分为两类：非参数化方法和参数化方法。非参数化方法，如Loog等采用的k近邻回归方法，不需要估计预测模型的参数，但Loog等提出的方法需要建立数量巨大（在特征空间分布足够密集）的样本数据才能保证预测的准确性，然而从数据库中对每个像素对应的特征搜索近邻非常耗时，因此该方法存在处理速度慢的缺点，难以实用化。参数化方法使用的预测模型，如神经网络、贝叶斯集成机器等。参数化预测模型，以神经网络为例，一般通过胸片的局部特征预测单个像素的软组织像（或）骨像的强度，速度相对较快，但对噪声敏感，其预测性能主要依赖于有效的局部特征和预测模型的泛化能力。局部特征的设计缺乏理论指导，而神经网络模型则难以有效利用胸片图像的全局信息。单像素预测模型不能有效描述像素间的关联性，难以保证生成软组织像的空间一致性。
因此，针对现有技术不足，提供一种不需进行双能减影摄片的情况下可方便简单地抑制X线图像中骨骼影像的方法。
发明内容
本发明的目的在于针对现有技术不足，提供一种抑制X线图像中骨骼影像的方法及处理设备，能够不需进行双能减影摄片，可方便简单地实现抑制X线图像中骨骼影像。
本发明的上述目的通过如下技术方案实现。
一种抑制X线图像中骨骼影像的方法，包括：
(1）对待处理X线图像进行预处理并提取其图像特征，所提取的图像特征称为主体图像特征；
（2）根据所述主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与每幅参照X线图像所对应的骨像、软组织像和滤波响应信息，其中M为自然数；
所述双能图像数据库预存储有多幅临床双能减影先验X线图像及对应的软组织像、骨像、病变区域位置信息及先验X线图像的图像特征信息，先验X线图像的图像特征称为参考图像特征；
（3）根据步骤（2）得到的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像；
（4）根据步骤（3）得到的初始骨像，对待处理X线图像进行骨像重建，获得重建的骨像；
（5）将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像。
上述步骤（1）中对待处理X线图像进行预处理具体是对图像的灰度值范围、空间分辨率、对比度参数进行统一标准化处理。
上述主体图像特征包括空间金字塔直方图和滤波响应；
具体是由码本对待处理X线图像中的局部特征进行量化处理，获得待处理X线图像的空间金字塔直方图；其中，码本由图像块局部特征的局部描述子构成的样本集通过k均值聚类得到的聚类中心构成，图像块局部描述子使用原始图像块、像素坐标、滤波器组响应、Daisy描述子及多种局部描述子的组合构成；
由滤波器组与待处理X线图像进行卷积计算获得滤波响应。
上述步骤（2）具体是通过所述主体图像特征与所述参考图像特征进行图像检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。
上述步骤（2）具体是通过所述主体图像特征的空间金字塔直方图与所述参考图像特征的空间金字塔直方图进行比较，以直方图之间的距离度量作为图像间的相似性标准进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。
上述距离度量具体为欧式距离或者卡方距离。
上述步骤（3）具体是通过图像块逼近近邻搜索算法确定待处理图像中每一图像块在步骤（2）检索获得的M幅参照X线图像中最相似的图像块。
上述步骤（3）中具体是通过k近邻回归方法估计获得子初始骨像，并对所获得的M个子初始骨像进行加权组合得到初始骨像。
上述步骤（4）具体采用高斯条件随机场模型对待处理X线图像进行骨像重建。
一种抑制X线图像中骨骼影像的处理设备，采用上述抑制X线图像中骨骼影像的方法进行图像处理，设置的处理单元包括：
双能图像数据库单元、X线图像预处理与特征提取单元、X线图像检索单元、骨像初始估计单元、骨像重建单元和骨抑制图像输出单元；
所述双能图像数据库单元预存储有多幅临床双能减影先验参考X线图像及对应的软组织像、骨像、病变区域位置信息及先验参考X线图像的图像特征信息；
所述X线图像预处理与特征提取单元对输入的待处理X线图像进行预处理并提取其图像特征，所提取的图像特征分别输入至所述双能图像数据库单元的存储器、所述X线图像检索单元、所述骨像初始估计单元和所述骨像重建单元；
所述X线图像检索单元根据所述主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息；
所述骨像初始估计单元根据所述X线图像检索单元输出的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像；
所述骨像重建单元根据所述骨像初始估计单元输出的初始骨像及所述主体图像特征进行骨像重建，获得重建后的骨像；
所述骨抑制图像输出单元将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像进行输出显示。
本发明的一种抑制X线图像中骨骼影像的方法及抑制X线图像中骨骼影像的处理设备，具有以下的有益效果：
（1）本发明在不需要DES设备进行双能减影摄片的情况下，可利用单幅X线图像进行骨像的重建，通过减影消除X线图像中的骨像，实现骨骼影像抑制的目的。
（2）本发明可通过扩充DES图像数据库中的图像数据，提高骨像重建精度，改善骨骼影像抑制的效果。
（3）本发明可通过调整骨像重建模型中的参数，实现对软组织像的不同图像质量指标的优化，改善骨骼影像抑制的效果。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明一种抑制X线图像中骨骼影像的方法的流程示意图；
图2为本发明一种抑制X线图像中骨骼影像的处理设备的结构示意图。
具体实施方式
下面结合具体的实施例对本发明进行详细描述。
实施例1。
本发明提供了一种在不需进行双能减影摄片的情况下抑制X线图像中骨骼影像的方法。具体的，本发明是对普通DR或CR设备摄取的单幅X线图像，利用既往DES图像数据预测和重建骨像，通过减影生成软组织像；在无需增加曝光剂量和使用DES设备的情况下，实现X线图像中骨骼影像的抑制。
本发明的一种抑制X线图像中骨骼影像的方法，如图1所示，依次包括如下步骤。
(1）对待处理X线图像进行预处理并提取其图像特征，将所提取的图像特征称为主体图像特征。
其中，对待处理X线图像进行预处理具体是对图像的灰度值范围、空间分辨率、对比度参数进行统一标准化处理，使得不同成像参数下的图像之间具有一致性。
主体图像特征包括空间金字塔直方图和滤波响应等参数。具体是由码本对待处理X线图像中的局部特征进行量化处理，获得待处理X线图像的空间金字塔直方图；其中，码本由图像块局部特征的局部描述子构成的样本集通过k均值聚类得到的聚类中心构成，图像块局部描述子使用原始图像块、像素坐标、滤波器组响应、Daisy描述子及多种局部描述子的组合构成。滤波响应可由滤波器组与待处理X线图像进行卷积计算获得。
（2）根据主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息等，其中M为自然数，通常选取3至10之间的自然数，以5至8之间最佳。
双能图像数据库预存储有多幅临床双能减影先验X线图像及对应的软组织像、骨像、病变区域位置信息及先验X线图像的图像特征信息，先验X线图像的图像特征称为参考图像特征。
具体是通过所述主体图像特征的空间金字塔直方图与所述参考图像特征的空间金字塔直方图进行比较，以直方图之间的距离度量作为图像间的相似性标准进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。距离度量可为欧式距离或者卡方距离等。
（3）根据步骤（2）得到的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像。
具体是通过图像块逼近近邻搜索算法确定待处理图像中每一图像块在对应的参照X线图像中最相似的图像块，通过k近邻回归方法估计获得与参照X线图像对应的子初始骨像。将待处理图像与步骤(2)的得到的多幅参照X线图像一一进行搜索得到M个子初始骨像，对M个子初始骨像进行加权组合得到初始骨像。
（4）根据步骤（3）得到的初始骨像，采用高斯条件随机场模型对待处理X线图像进行骨像重建，获得重建的骨像。
（5）将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像。
本发明的抑制X线图像中骨骼影像的方法在不需要DES设备进行双能减影摄片的情况下，可利用单幅X线图像进行骨像的重建，通过减影消除X线图像中的骨像，实现骨骼影像抑制的目的。
同时，本发明可通过扩充DES图像数据库中的图像数据，提高骨像重建精度，改善骨骼影像抑制的效果。
也可以通过调整骨像重建模型中的参数，实现对软组织像的不同图像质量指标的优化，改善骨骼影像抑制的效果。
实施例2。
一种抑制X线图像中骨骼影像的处理设备，如图2所示，采用上述实施例1的抑制X线图像中骨骼影像的方法进行图像处理，设置的处理单元包括：双能图像数据库单元、X线图像预处理与特征提取单元、X线图像检索单元、骨像初始估计单元、骨像重建单元和骨抑制图像输出单元。
双能图像数据库单元预存储有多幅临床双能减影先验参考X线图像及对应的软组织像、骨像、病变区域位置信息及先验参考X线图像的图像特征信息。双能图像数据库单元存储的信息可以是预先存储，也可以是使用时再导入。
X线图像预处理与特征提取单元对输入的待处理X线图像进行预处理并提取其图像特征，所提取的图像特征分别输入至双能图像数据库单元的存储器、X线图像检索单元、骨像初始估计单元和骨像重建单元。
X线图像检索单元根据主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。
骨像初始估计单元根据所述X线图像检索单元输出的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像。
骨像重建单元根据所述骨像初始估计单元输出的初始骨像及主体图像特征进行骨像重建，获得重建后的骨像。
骨抑制图像输出单元将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像进行输出显示。
通过该抑制X线图像中骨骼影像的处理设备，可在不需要DES设备进行双能减影摄片的情况下，利用单幅X线图像进行骨像的重建，通过减影消除X线图像中的骨像，实现骨骼影像抑制的目的。能够实现骨骼影像抑制，且够避免对使用者造成过多剂量辐射，适用性强。
实施例3。
以一具体实施例对本发明的方法进行说明。
预先做好前期准备，将双能图像数据库单元预先存储有临床真实的DES图像数据，包括常规胸片的图像信息及其对应的软组织像和骨像、成像参数、结节和病变大小位置等数据信息，这些数据信息存储于双能图像数据库单元的存储器。
欲对一待处理的X线图像信息进行处理，具体通过如下步骤进行。
(1）对待处理X线图像进行预处理并提取其图像特征，将所提取的图像特征称为主体图像特征。主体特征可以存储于双能图像数据库单元的存储器。
首先将待处理X线图像的灰度值范围、空间分辨率、对比度等按照统一标准进行处理，使得不同成像参数下的图像之间具有一致性。由滤波器组与待处理X线图像进行卷积计算图像特征和滤波响应。由码本对图像中的局部特征进行量化处理，获取空间金字塔直方图。其中，码本由图像块局部特征的局部描述子构成的样本集通过k均值聚类得到的聚类中心构成，图像块局部描述子可使用原始图像块、像素坐标、滤波器组响应、Daisy描述子及多种局部描述子的组合等。
获得主体特征后，进入步骤（2）。
（2）对待处理X线图像，使用图像预处理和特征提取单元输出的空间金字塔直方图表达，与图像数据库中所有X线图像对应的直方图表达进行比较，以直方图之间的距离作为图像间的相似性度量（距离小则相似性大）在图像数据库中进行检索，返回最相似的前M幅X线图像及其对应的骨像、软组织像和滤波响应。其中，距离度量可使用欧式距离、卡方距离等；M的取值可依据数据库中的图像数量进行确定，如5~10之间，M值过大会导致后续处理所需的计算时间增加，M值过小可能导致骨像及其滤波响应的初始估计偏差较大。
接着进入步骤（3），搜索图像块的近邻，初始估计骨像。设图像检索单元输出的图像集合为：
，
其中，I m 表示第m幅X线图像，B m 表示I m 对应的骨像，R m, j 表示B m 对应的第j个滤波器响应，J表示滤波器组中滤波器的数量。对待处理图像I中每个图像块q，在图像I m （m=1, 2,…, M）中搜索与之最相似的前K个图像块（近邻）p k （k=1,2,…,K）。描述图像块的特征可使用原始图像块、滤波器组响应、Daisy等；图像块之间的相似性可使用欧式距离进行度量；K可取1~10，K过大会导致所需计算时间增加。
在大规模数据中搜索精确的近邻极端耗时，如1024*1024大小的X线图像中图像块的数量超过100万个，搜索一幅图像中所有图像块在另一幅图像中的精确近邻，所需时间可能长达数小时。因此，对于本发明的目的而言，搜索图像块的精确近邻仅存在理论上的可行性，而无实际应用价值。另一方面，利用图像自相似性和空间一致性的特征，已有一些算法可快速完成两幅图像间图像块逼近近邻的搜索。本发明采用搜索图像间图像块逼近近邻的方式避免精确近邻搜索极端耗时的问题，可使用的图像块逼近近邻搜索算法有CSH、PatchMatch、TreeCNN等。
设q为图像I中的一个图像块，q在图像I m 中的K个（逼近）近邻为，由k近邻回归估计图像块q对应的骨像强度为：
其中，图像块p k 对应的权重系数
，h为设定的参数，B(s)和R j (s)可以为图像块s中心的像素，也可以是图像块s中包含的小图像块。
对图像I中所有的图像块q逐一估计
，将所有
按照次序进行排列、组合构成骨像的一个子初始估计
。若之间存在重叠部分，则重叠部分采用平均或加权平均的方式进行处理。
利用检索返回的M幅X像图像及其对应信息，可得到M个骨像的子初始估计，将这M个估计进行加权组合得到最终的骨像初始估计
：
其中
由待处理图像I与检索返回图像I m 之间的相似性定义的权重，I与I m 越相似，则r m 的值越大。
（4）利用骨像的初始估计通过高斯条件随机场（Gaussian Conditional Field, GCRF）模型对骨像进行重建，进一步改善骨像的图像质量。方便起见，采用矩阵形式阐述GCRF模型的工作原理和参数优化方法。用于骨像重建的GCRF模型的能量函数具体形式如下：
其中矩阵F i （j=1, 2,…, J）为滤波器组（402）中滤波器对应的矩阵形式表达，X、
为图像的向量形式表达，F i X等价于一图像与滤波器f i 进行卷积，T表示矩阵转置操作；对角矩阵W(I;θ)由图像I和模型参数θ共同决定；特别地，F 0为单位矩阵、
为骨像的初始估计，
（j=1, 2,…, J）。最小化能量函数E(X)重建骨像，可通过矩阵伪逆的方式快速求解最终重建的骨像：
其中
，
。
GCRF模型最简单的形式是令对角矩阵W为单位矩阵，与具体待处理的图像和重建目的无关，其重建的骨像图像质量不理想。通过参数θ和具体图像特征改变矩阵W中对角元素的取值，可改善GCRF模型的性能。GCRF模型参数θ优化可通过梯度下降的方式进行：
（1）定义优化的目标函数。本发明的目的是实现骨骼影像抑制，依据此目的，经骨抑制处理后的图像应与DES设备生成的软组织像足够相似，此外还需保持X线图像中的重要结构和细节清晰可见，以保证骨抑制处理后的X线图像具备临床应用价值。为此，本发明采用的目标函数为加权均方误差（Content-Weighted Mean Squared Error，WMSE）和加权峰值信噪比（Weighted Peak Signal-to-Noise Ratio，WPSNR）。设重建的骨像为
，则本发明方法得到的软组织像为，设实际DES设备获取的软组织像为S，则残差图像为
。由X线图像I中病变区域的位置信息定义图像I各个像素的权重，使得病变区域的权重大而其他区域的权重小，可使用以病变区域为中心的二维高斯函数进行定义各像素的权重。WMSE对应目标函数的具体形式为：
，
WPSNR对应目标函数的具体形式为：
其中w i 为图像I中像素i的权重，e i 为残差图像中像素i处的值。
（2）由DES图像数据库获取M幅X线图像及其对应的骨像、软组织像构成GCRF模型参数优化的训练样本集，对训练样本集中的X线进行预处理和特征提取，得到滤波器组的响应 a ，以 a 为图像特征计算矩阵W对应于图像I中(x, y)处元素的值为
；由骨像初始估计单元估计初始骨像
。对于训练样本集中的任一X线图像I及其对应的软组织像S，目标损失函数关于GCRF参数θ中元素θ n 的偏导为：
其中，
可使用
和
。这样，可采用梯度下降方法对参数θ进行优化，调整参数θ的值使目标函数减小，以达到优化重建图像质量的目的。
步骤（5），从X线图像I 0中按照固定比例如100%或用户设定的比例减去骨像重建单元输出的骨像，得到软组织像；可对软组织像进行灰度范围调整和对比度增强处理，然后输出至显示设备进行显示。
需要说明的是，本发明的方法中使用的滤波器组和可通过增加滤波器的方位、尺度等进行扩充；本发明的方法骨像的初始估计也可替换为软组织像的初始估计；本发明的方法矩阵W中元素的值可通过扩充图像特征进行更改；本发明的方法优化模型性能用的目标函数可替换为其他图像质量指标。本领域技术人员可以根据常规手段进行等效替换，在此不再赘述。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种抑制X线图像中骨骼影像的方法，其特征在于：包括，
(1）对待处理X线图像进行预处理并提取其图像特征，所提取的图像特征称为主体图像特征；
（2）根据所述主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与每幅参照X线图像所对应的骨像、软组织像和滤波响应信息，其中M为自然数；
所述双能图像数据库预存储有多幅临床双能减影先验X线图像及对应的软组织像、骨像、病变区域位置信息及先验X线图像的图像特征信息，先验X线图像的图像特征称为参考图像特征；
（3）根据步骤（2）得到的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像；
（4）根据步骤（3）得到的初始骨像，对待处理X线图像进行骨像重建，获得重建的骨像；
（5）将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像。
2.根据权利要求1所述的抑制X线图像中骨骼影像的方法，其特征在于：所述步骤（1）中对待处理X线图像进行预处理具体是对图像的灰度值范围、空间分辨率、对比度参数进行统一标准化处理。
3.根据权利要求2所述的抑制X线图像中骨骼影像的方法，其特征在于：所述主体图像特征包括空间金字塔直方图和滤波响应；
具体是由码本对待处理X线图像中的局部特征进行量化处理，获得待处理X线图像的空间金字塔直方图；其中，码本由图像块局部特征的局部描述子构成的样本集通过k均值聚类得到的聚类中心构成，图像块局部描述子使用原始图像块、像素坐标、滤波器组响应、Daisy描述子及多种局部描述子的组合构成；
由滤波器组与待处理X线图像进行卷积计算获得滤波响应。
4.根据权利要求3所述的抑制X线图像中骨骼影像的方法，其特征在于：所述步骤（2）具体是通过所述主体图像特征与所述参考图像特征进行图像检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。
5.根据权利要求4所述的抑制X线图像中骨骼影像的方法，其特征在于：
所述步骤（2）具体是通过所述主体图像特征的空间金字塔直方图与所述参考图像特征的空间金字塔直方图进行比较，以直方图之间的距离度量作为图像间的相似性标准进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息。
6.根据权利要求5所述的抑制X线图像中骨骼影像的方法，其特征在于：所述距离度量具体为欧式距离或者卡方距离。
7.根据权利要求6所述的抑制X线图像中骨骼影像的方法，其特征在于：所述步骤（3）具体是通过图像块逼近近邻搜索算法确定待处理图像中每一图像块在步骤（2）检索获得的M幅参照X线图像中最相似的图像块。
8.根据权利要求7所述的抑制X线图像中骨骼影像的方法，其特征在于：所述步骤（3）中具体是通过k近邻回归方法估计获得子初始骨像，并对所获得的M个子初始骨像进行加权组合得到初始骨像。
9.根据权利要求1所述的抑制X线图像中骨骼影像的方法，其特征在于：步骤（4）具体采用高斯条件随机场模型对待处理X线图像进行骨像重建。
10.一种抑制X线图像中骨骼影像的处理设备，采用如权利要求1至9任意一项所述的抑制X线图像中骨骼影像的方法进行图像处理，其特征在于：设置的处理单元包括：
双能图像数据库单元、X线图像预处理与特征提取单元、X线图像检索单元、骨像初始估计单元、骨像重建单元和骨抑制图像输出单元；
所述双能图像数据库单元预存储有多幅临床双能减影先验参考X线图像及对应的软组织像、骨像、病变区域位置信息及先验参考X线图像的图像特征信息；
所述X线图像预处理与特征提取单元对输入的待处理X线图像进行预处理并提取其图像特征，所提取的图像特征分别输入至所述双能图像数据库单元的存储器、所述X线图像检索单元、所述骨像初始估计单元和所述骨像重建单元；
所述X线图像检索单元根据所述主体图像特征，在双能减影图像数据库中进行检索，得到与待处理X线图像最相似的M幅参照X线图像及与参照X线图像所对应的骨像、软组织像和滤波响应信息；
所述骨像初始估计单元根据所述X线图像检索单元输出的M幅参照X线图像集合，将待处理图像与M幅参照X线图像一一进行对比，确定待处理图像中每一图像块与每一幅参照X线图像对应的最相似的图像块信息获得与每一幅参照X线图像对应的子初始骨像，通过获得的M个子初始骨像计算初始骨像；
所述骨像重建单元根据所述骨像初始估计单元输出的初始骨像及所述主体图像特征进行骨像重建，获得重建后的骨像；
所述骨抑制图像输出单元将待处理X线图像减去重建的骨像，获得待处理X线图像的软组织像进行输出显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310305019.2A CN103366348B (zh) | 2013-07-19 | 2013-07-19 | 一种抑制x线图像中骨骼影像的方法及处理设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310305019.2A CN103366348B (zh) | 2013-07-19 | 2013-07-19 | 一种抑制x线图像中骨骼影像的方法及处理设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103366348A true CN103366348A (zh) | 2013-10-23 |
| CN103366348B CN103366348B (zh) | 2016-04-20 |
Family
ID=49367622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310305019.2A Active CN103366348B (zh) | 2013-07-19 | 2013-07-19 | 一种抑制x线图像中骨骼影像的方法及处理设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103366348B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN105447866A (zh) * | 2015-11-22 | 2016-03-30 | 南方医科大学 | 基于卷积神经网络的x线胸片骨抑制处理方法 |
| CN105469365A (zh) * | 2015-11-12 | 2016-04-06 | 深圳市深图医学影像设备有限公司 | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 |
| CN105869163A (zh) * | 2016-03-26 | 2016-08-17 | 南方医科大学 | 基于双能减影中骨像和软组织像的梯度相关性检测运动伪影区域的方法 |
| CN103824281B (zh) * | 2014-01-07 | 2016-11-30 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN107507169A (zh) * | 2017-07-28 | 2017-12-22 | 深圳市安健科技股份有限公司 | 双能减影参数的估算方法及计算机可读存储介质 |
| CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030147497A1 (en) * | 2002-01-28 | 2003-08-07 | Avinash Gopal B. | Robust and efficient decomposition algorithm for digital x-ray de imaging |
| US20050100208A1 (en) * | 2003-11-10 | 2005-05-12 | University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| US20090087070A1 (en) * | 2007-09-26 | 2009-04-02 | Slabaugh Gregory G | Method and system for bone suppression based on a single x-ray image |
| CN101482925A (zh) * | 2009-01-16 | 2009-07-15 | 西安电子科技大学 | 基于局部嵌入式隐马尔可夫模型的照片生成方法 |
| CN101609451A (zh) * | 2009-07-10 | 2009-12-23 | 南方医科大学 | 基于医学图像模糊区域特征归类识别的相关反馈测度方法 |
| CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
| CN103186881A (zh) * | 2011-12-30 | 2013-07-03 | 无锡睿影信息技术有限公司 | 一种基于虚拟双能量技术获取肺部软组织图像的方法 |
-
2013
- 2013-07-19 CN CN201310305019.2A patent/CN103366348B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030147497A1 (en) * | 2002-01-28 | 2003-08-07 | Avinash Gopal B. | Robust and efficient decomposition algorithm for digital x-ray de imaging |
| US20050100208A1 (en) * | 2003-11-10 | 2005-05-12 | University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| US20090087070A1 (en) * | 2007-09-26 | 2009-04-02 | Slabaugh Gregory G | Method and system for bone suppression based on a single x-ray image |
| CN101482925A (zh) * | 2009-01-16 | 2009-07-15 | 西安电子科技大学 | 基于局部嵌入式隐马尔可夫模型的照片生成方法 |
| CN101609451A (zh) * | 2009-07-10 | 2009-12-23 | 南方医科大学 | 基于医学图像模糊区域特征归类识别的相关反馈测度方法 |
| CN102411781A (zh) * | 2011-09-09 | 2012-04-11 | 华南理工大学 | 一种双能减影胸部x射线图像的运动校正系统 |
| CN103186881A (zh) * | 2011-12-30 | 2013-07-03 | 无锡睿影信息技术有限公司 | 一种基于虚拟双能量技术获取肺部软组织图像的方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIANN-SHU LEE 等: "A nonparametric-based rib suppression method for chest radiographs", 《COMPUTERS AND MATHEMATICS WITH APPLICATIONS》, vol. 64, 30 September 2012 (2012-09-30), pages 1390 - 1399 * |
| M. LOOG 等: "Filter learning: Application to suppression of bony structures from chest radiographs", 《MEDICAL IMAGE ANALYSIS》, vol. 10, 21 July 2006 (2006-07-21), pages 826 - 840, XP028013500, DOI: doi:10.1016/j.media.2006.06.002 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN103824281B (zh) * | 2014-01-07 | 2016-11-30 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
| CN105469365A (zh) * | 2015-11-12 | 2016-04-06 | 深圳市深图医学影像设备有限公司 | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 |
| CN105469365B (zh) * | 2015-11-12 | 2018-08-17 | 深圳市深图医学影像设备有限公司 | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 |
| CN105447866A (zh) * | 2015-11-22 | 2016-03-30 | 南方医科大学 | 基于卷积神经网络的x线胸片骨抑制处理方法 |
| CN105869163A (zh) * | 2016-03-26 | 2016-08-17 | 南方医科大学 | 基于双能减影中骨像和软组织像的梯度相关性检测运动伪影区域的方法 |
| CN105869163B (zh) * | 2016-03-26 | 2018-12-11 | 南方医科大学 | 基于双能减影中骨像和软组织像的梯度相关性检测运动伪影区域的方法 |
| CN107507169A (zh) * | 2017-07-28 | 2017-12-22 | 深圳市安健科技股份有限公司 | 双能减影参数的估算方法及计算机可读存储介质 |
| CN107507169B (zh) * | 2017-07-28 | 2020-01-07 | 深圳市安健科技股份有限公司 | 双能减影参数的估算方法及计算机可读存储介质 |
| CN111080569A (zh) * | 2019-12-24 | 2020-04-28 | 北京推想科技有限公司 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103366348B (zh) | 2016-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | How can we make GAN perform better in single medical image super-resolution? A lesion focused multi-scale approach | |
| CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
| CN110570353A (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
| Chun et al. | MRI super‐resolution reconstruction for MRI‐guided adaptive radiotherapy using cascaded deep learning: In the presence of limited training data and unknown translation model | |
| Peng et al. | 3D liver segmentation using multiple region appearances and graph cuts | |
| Zhong et al. | Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma | |
| Wang et al. | Laplacian pyramid adversarial network for face completion | |
| Xia et al. | Super-resolution of cardiac MR cine imaging using conditional GANs and unsupervised transfer learning | |
| CN103366348B (zh) | 一种抑制x线图像中骨骼影像的方法及处理设备 | |
| Wu et al. | Semi-supervised segmentation of echocardiography videos via noise-resilient spatiotemporal semantic calibration and fusion | |
| NL2025814A (en) | Precise positioning system for three-dimensional position of tumor by multi-image fusion | |
| CN106897986A (zh) | 一种基于多尺度分析的可见光图像与远红外图像融合方法 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| Liu et al. | Video frame interpolation via optical flow estimation with image inpainting | |
| Chen et al. | Two-stage Network for OAR segmentation. | |
| Poudel et al. | Active contours extension and similarity indicators for improved 3D segmentation of thyroid ultrasound images | |
| Luo et al. | An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images | |
| CN109727227A (zh) | 一种基于spect影像的甲状腺疾病诊断方法 | |
| CN110148150A (zh) | 稠密连接非对称层次网络训练方法及心脏运动场估计方法 | |
| Zhao et al. | Study of image segmentation algorithm based on textural features and neural network | |
| Shi et al. | Dual dense context-aware network for hippocampal segmentation | |
| Ananth | Geo-cutting Liver Tumor | |
| WO2024051018A1 (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
| Lu et al. | Fine-grained calibrated double-attention convolutional network for left ventricular segmentation | |
| Du et al. | X-ray image super-resolution reconstruction based on a multiple distillation feedback network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |