CN107507169A - 双能减影参数的估算方法及计算机可读存储介质 - Google Patents

双能减影参数的估算方法及计算机可读存储介质 Download PDF

Info

Publication number
CN107507169A
CN107507169A CN201710629356.5A CN201710629356A CN107507169A CN 107507169 A CN107507169 A CN 107507169A CN 201710629356 A CN201710629356 A CN 201710629356A CN 107507169 A CN107507169 A CN 107507169A
Authority
CN
China
Prior art keywords
soft tissue
marginal point
shadow parameter
parameter
gray scale
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
Application number
CN201710629356.5A
Other languages
English (en)
Other versions
CN107507169B (zh
Inventor
荣繁壮
孙凯
叶超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN ANGELL TECHNOLOGY Co Ltd
Original Assignee
SHENZHEN ANGELL TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHENZHEN ANGELL TECHNOLOGY Co Ltd filed Critical SHENZHEN ANGELL TECHNOLOGY Co Ltd
Priority to CN201710629356.5A priority Critical patent/CN107507169B/zh
Publication of CN107507169A publication Critical patent/CN107507169A/zh
Application granted granted Critical
Publication of CN107507169B publication Critical patent/CN107507169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种双能减影参数的估算方法及计算机可读存储介质，方法包括：在边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；根据像素点的坐标以及预设的不同的减影参数，得到像素点对应不同减影参数的第三灰度值；分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；分别计算各边缘点对应同一减影参数的软组织灰度的方差；将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数；分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值；计算所述灰度差的和；将最小的差值和对应的减影参数作为纯软组织像减影参数。本发明可快速准确地确定出合适的减影参数。

Description

双能减影参数的估算方法及计算机可读存储介质
技术领域
本发明涉及医学影像处理技术领域，尤其涉及一种双能减影参数的估算方法及计算机可读存储介质。
背景技术
由于肺部有肋骨遮挡，容易造成肺部较小病灶(如结节等)的漏诊。为了降低漏诊率，一般使用虚拟双能减影和真实双能减影两种方法提取纯骨组织像和纯软组织像。虚拟双能减影只需要曝光一次，即可使用模式识别的方法去除肋骨遮挡，但是可能会把钙化灶当作肋骨一并去除。
真实双能减影利用不同组织对不同KV的X射线的吸收特性，通过两次不同KV(例如60KV和120KV)的曝光分别得到低能图像和高能图像。利用骨组织和软组织在不同KV的X射线下衰减率的不同，可以提取纯骨像和纯软组织像。较为简单的提取算法是使用低能图像和高能图像幂的商，公式为：
Ides(x，y)＝Il(x，y)/Ih(x，y)ω
其中，Il(x,y)和Ih(x,y)分别是低能和高能图像中点的灰度，Ides(x,y)是减影图中点的灰度，ω是幂指数，也即减影参数。
其分辨率和图像稳定性都要优于虚拟双能减影。但是，由于不同病人的体厚不同，采用同一组参数可能会造成减影不完全，造成纯软组织像中有骨组织的伪像存在，如图1所示，影响医生诊断。并且不同部位都要设置不同的减影参数，操作较为繁琐。
发明内容
本发明所要解决的技术问题是：提供一种双能减影参数的估算方法及计算机可读存储介质，可快速准确地估算出合适的减影参数。
为了解决上述技术问题，本发明采用的技术方案为：一种双能减影参数的估算方法，包括：
对X光图像进行边缘检测，得到边缘；
在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；
根据所述像素点的坐标，获取所述像素点在低能图像中的第一灰度值以及在高能图像中的第二灰度值；
根据所述第一灰度值、第二灰度值以及预设的不同的减影参数，得到所述像素点对应不同减影参数的第三灰度值；
根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；
分别计算各边缘点对应同一减影参数的软组织灰度的方差，得到所述同一减影参数对应的软组织灰度方差；
将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数；
分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值，得到各边缘点对应所述同一减影参数的灰度差；
计算所述灰度差的和，得到所述同一减影参数对应的差值和；
将最小的差值和对应的减影参数作为纯软组织像减影参数。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述方法的步骤。
本发明的有益效果在于：通过获取边缘点两侧的像素点，得到软组织点集和骨组织点集；通过像素点的坐标，可得到其在低能图像和高能图像中的灰度值，再根据不同的减影参数，可得到各像素点在不同减影图像中的灰度值；将软组织点集中各像素点在不同减影图像中的灰度值求和，可得到软组织灰度，将骨组织点集中各像素点在不同减影图像中的灰度值求和，可得到骨组织灰度；通过计算各边缘点在不同减影图像中的软组织灰度的方差，当方差最小时，即可认为提取到纯骨组织图像；通过计算各边缘点在不同减影图像中的软组织灰度与骨组织灰度的差值的和，当差值的和最小时，即可认为提取到纯软组织图像。本发明可解决不同体厚病人在双能减影时纯软组织像出现的骨组织伪像的问题；通过自适应的方法，可快速准确地确定出合适的减影参数，且不依赖于拍摄部位。
附图说明
图1为含有骨组织伪影的软组织图；
图2为本发明一种双能减影参数的估算方法的流程图；
图3为本发明实施例一的方法流程图；
图4为本发明实施例一中边缘上一边缘点两侧像素点的获取示意图；
图5a为本发明实施例一中的纯骨组织示意图；
图5b为本发明实施例一中去噪和增强后的纯骨组织示意图；
图6a为本发明实施例一中的纯软组织示意图；
图6b为本发明实施例一中去噪和增强后的纯软组织示意图；
图7为本发明实施例二中某一个边缘点的灰度对比度相对减影参数的变化曲线；
图8a为本发明实施例二过滤前的边缘示意图；
图8b为本发明实施例二过滤后的边缘示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
本发明最关键的构思在于：将软组织方差最小时对应的减影参数作为纯骨组织减影参数；将软组织灰度与骨组织灰度的差值的和最小时对应的减影参数作为纯软组织减影参数。
请参阅图2，一种双能减影参数的估算方法，包括：
对X光图像进行边缘检测，得到边缘；
在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；
根据所述像素点的坐标，获取所述像素点在低能图像中的第一灰度值以及在高能图像中的第二灰度值；
根据所述第一灰度值、第二灰度值以及预设的不同的减影参数，得到所述像素点对应不同减影参数的第三灰度值；
根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；
分别计算各边缘点对应同一减影参数的软组织灰度的方差，得到所述同一减影参数对应的软组织灰度方差；
将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数；
分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值，得到各边缘点对应所述同一减影参数的灰度差；
计算所述灰度差的和，得到所述同一减影参数对应的差值和；
将最小的差值和对应的减影参数作为纯软组织像减影参数。
从上述描述可知，本发明的有益效果在于：可解决不同体厚病人在双能减影时纯软组织像出现的骨组织伪像的问题；通过自适应的方法，可快速准确地确定出合适的减影参数，且不依赖于拍摄部位。
进一步地，所述“对X光图像进行边缘检测，得到边缘”具体为：
对低能图像进行Canny边缘检测，得到边缘。
由上述描述可知，由于低能图中骨组织和软组织的对比度好于高能图，因此使用低能图像求骨的边缘所得到的结果更准确。
进一步地，所述“在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集”具体为：
分别获取所述边缘上的各边缘点所在的边缘的法线，得到各边缘点对应的法线；
在所述各边缘点对应的法线上所述各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集。
由上述描述可知，通过在法线上获取边缘点两侧的点，可很好地获取边缘点旁边的骨组织点和软组织点，有利于提高后续结果的准确性。
进一步地，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”具体为：
将一边缘点的软组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的软组织灰度；
将一边缘点的骨组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的骨组织灰度。
由上述描述可知，将软组织点集中的各像素点的灰度值求和，作为骨附近的软组织灰度；将骨组织点集中的各像素点的灰度值求和，作为骨附近的骨组织灰度。
进一步地，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”之后，进一步包括：
根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤。
进一步地，所述“根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤”具体为：
计算一边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值的绝对值，得到所述一边缘点对应所述同一减影参数的灰度对比度；
获取所述一边缘点对应不同减影参数的灰度对比度中的最小值；
若所述最小值对应的减影参数小于预设的阈值，则删除所述一边缘点。
由上述描述可知，通过对边缘进行过滤，将边缘中大多数的非骨边缘点去除，进一步提高估算结果的准确性。
进一步地，所述“将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数”之后，进一步包括：
根据所述纯骨组织像减影参数，得到纯骨组织图；
对所述纯骨组织图进行去噪和增强。
进一步地，所述“将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数”之后，进一步包括：
根据所述纯骨组织像减影参数，得到纯骨组织图；
对所述纯骨组织图进行去噪和增强。
由上述描述可知，纯骨组织图和纯软组织图经过图像去噪声和增强后，可以提供给医生做诊断。
本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述方法的步骤。
实施例一
请参照图3，本发明的实施例一为：一种双能减影参数的估算方法，可应用于医学中对肺部的诊治，包括如下步骤：
S1：对X光图像进行边缘检测，得到边缘；进一步地，由于低能图中骨组织和软组织的对比度好于高能图，因此使用低能图像求骨的边缘；边缘检测算法采用Canny边缘检测，Canny算法求出的边缘一般都是连续的曲线，且曲线的宽度为1个像素。
S2：在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；
进一步地，在边缘点所在的边缘法线上获取像素点，且两侧获取的像素点的个数一致。具体地，分别获取所述边缘上的各边缘点所在的边缘的法线，得到各边缘点对应的法线；在所述各边缘点对应的法线上所述各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集。其中，每个边缘点的软组织点集中的各像素点与骨组织点集中的各像素点相对该边缘点对称。
例如，边缘中的一段曲线如图4所示，可先使用Sobel等一阶梯度算子，计算出每个边缘点处的方向(即边缘点的切线)，然后根据边缘点的坐标和方向即可求出法线，然后在法线上边缘点的两侧分别获取n个点；图4以一边缘点为例，在该边缘点的两侧且该边缘点所在的法线上各取5个点，从而得到两个点集。由于X光图像中骨骼的灰度值一般比周围的软组织的灰度值小，所以可根据两个点集中各像素点的灰度值之和来确定哪个点集是软组织点集，哪个点集是骨组织点集。通过取多个点的灰度值之和来做区分，可以降低图像噪声对估计结果的影响，提高算法的稳定性。
S3：根据所述像素点的坐标，获取所述像素点在低能图像中的第一灰度值以及在高能图像中的第二灰度值。只要拍摄位置一致，骨边缘在不同KV的X光图像中的位置是一致的，因此，步骤S2中获取的各像素点在不同KV的X光图像中也是边缘点两侧的像素点，根据像素点的坐标，即可获取像素点在低能图像中的第一灰度值Il(x,y)和该像素点在高能图像中的第二灰度值Ih(x,y)。
S4：根据所述第一灰度值、第二灰度值以及预设的不同的减影参数，得到所述像素点对应不同减影参数的第三灰度值；根据背景技术中的公式可知，每个像素点对应不同的减影参数有不同的减影灰度，即第三灰度值，可表示为下述的第一公式；
第一公式：
S5：根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；执行步骤S6和S10。
具体地，将一边缘点的软组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的软组织灰度；
将一边缘点的骨组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的骨组织灰度。
也就是说，对于某一个边缘点i，先获取其软组织点集中的各像素点在同一减影参数ωj下的第三灰度值，然后将各像素点的第三灰度值相加求和，即可得到该边缘点i对应该减影参数ωj的软组织灰度Isoft(ωj,i)；同理，将该边缘点i的骨组织点集中各像素点在该减影参数ωj下的第三灰度值相加求和，即可得到该边缘点i对应该减影参数ωj的骨组织灰度Ibones(ωj,i)。也即对于每一个减影参数，都可以在每一个边缘点上计算出一个软组织灰度和一个骨组织灰度。
S6：分别计算各边缘点对应同一减影参数的软组织灰度的方差，得到所述同一减影参数对应的软组织灰度方差；即先获取各边缘点对应同一减影参数的软组织灰度，然后计算这些软组织灰度的方差，得到该减影参数对应的软组织灰度方差，由此即可得到各个减影参数对应的软组织灰度方差。
S7：将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数。
纯骨像的特征是软组织的灰度较为一致，而且和骨头的灰度差异较大，量化地描述，就是纯骨组织图中软组织灰度的方差较小。当这个方差最小的时候，就认为提取到了纯骨组织图像。因此，将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数。进一步地，可表示为第二公式，求各个减影参数对应的软组织灰度方差中的最小值所对应减影参数，该减影参数即可作为纯骨组织像减影参数。
第二公式：
其中，Isoft(ω,i)表示某一个减影参数ω下第i个边缘点的软组织灰度，1≤i≤N且i为整数，N为边缘点的个数；Var()表示对某一个减影参数ω下所有边缘点的软组织灰度的方差值。
S8：根据所述纯骨组织像减影参数，得到纯骨组织图；得到了纯骨组织像减影参数ωb，就可以作为幂值代入背景技术中的公式求出纯骨组织图；进一步地，纯骨组织图可表示为第三公式；
第三公式：
S9：对所述纯骨组织图进行去噪和增强。
S10：分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值，得到各边缘点对应所述同一减影参数的灰度差；
S11：计算所述灰度差的和，得到所述同一减影参数对应的差值和；即将各边缘点对应同一减影参数的灰度差进行求和，得到该减影参数对应的差值和，同理可得到其他减影参数对应的差值和，由此即可得到各减影参数对应的差值和。
S12：将最小的差值和对应的减影参数作为纯软组织像减影参数；即比较各减影参数对应的差值和，求出其中的最小值，该最小值对应的减影参数即可作为纯软组织像减影参数。
纯软组织像的特征是骨的灰度和周围软组织很相近，几乎看不出骨像。显然，这个特征可以量化为骨和附近软组织的灰度差。当这个灰度差较小时，可以认为提取到了纯软组织像。因此，为了估计纯软组织图的减影参数，需要最小化骨边缘旁软组织灰度和骨组织灰度的差值的和，可表示为第四公式；
第四公式：
其中，Isoft(ω,i)表示某一个减影参数ω下第i个边缘点的软组织灰度，Isoft(ω,i)表示与之相对应的骨组织灰度，1≤i≤N且i为整数，N为边缘点的个数。
S13：根据所述纯软组织像减影参数，得到纯软组织图；得到了纯软组织像减影参数ωs，就可以作为幂值代入背景技术中的公式求出纯软组织图；进一步地，纯软组织图可表示为第五公式；
第五公式：
S14：对所述纯软组织图进行去噪和增强。去噪和增强后的纯软组织图如图6所示。
其中，步骤S8中得到纯骨组织图如图5a所示，步骤S9中去噪和增强后的纯骨组织图如图5b所示。步骤S13中得到纯软组织图如图6a所示，步骤S14中去噪和增强后的纯软组织图如图6b所示。
纯骨组织图和纯软组织图经过图像去噪声和增强后，可以提供给医生做诊断。
本实施例通过确定合适的减影参数，计算出的软组织图中肺野部位没有明显的骨组织残留，有利于医生的诊断，不会因为肋骨的遮挡而造成误诊漏诊。
实施例二
本实施例是实施例一的进一步拓展。相同之处不再累述，区别在于，在步骤S5之后，步骤S6和S10之前，还包括步骤：根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤。
若提取的骨边缘中掺杂了太多非骨边缘点(例如肌肉和血管的边缘)，可能会导致结果估算错误，因此，对于Canny算法检测出的边缘点，可利用骨边缘和非骨边缘邻域对比度在减影过程中的变化不同，提取出骨边缘。
具体地，计算一边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值的绝对值，得到所述一边缘点对应所述同一减影参数的灰度对比度(相当于步骤S10中的灰度差的绝对值)；获取所述一边缘点对应不同减影参数的灰度对比度中的最小值；若所述最小值对应的减影参数小于预设的阈值，则删除所述一边缘点。
例如，在步骤S4、S5中，可先预设减影参数的可选范围，并预设其步长，由此得到多个可选的减影参数。例如，将减影参数的范围设置为1.00至3.50，步长设置为0.02，即可得到126个不同的减影参数，而每个边缘点对应这126个减影参数，可计算得到126个软组织灰度和126个骨组织灰度，也即每个边缘点与每个减影参数都有一一对应的软组织灰度和骨组织灰度。
然后将其中某一个边缘点i对应同一减影参数ωj的软组织灰度Isoft(ωj,i)和骨组织灰度Ibones(ωj,i)相减并求其绝对值，即可得到该边缘点i在该减影参数ωj下的灰度对比度C(ωj,i)，具体可表示为第六公式；
第六公式：C(ωj,i)＝|Isoft(ωj,i)-Ibones(ωj,i)|
每个边缘点对于每个减影参数都可得到一一对应的灰度对比度，本实施例有126个减影参数，因此，每一个边缘点对应这126个减影参数都可得到126个灰度对比度，可将这126个灰度对比度拟合成一条曲线，则一个边缘点的灰度对比度对应一条关于减影参数的变化曲线。假设某一个边缘点的变化曲线如图7所示，曲线上会有一个最小值，该最小值对应的减影参数为ωmin，由于对若干病例的观察发现，大多数非骨边缘对比度在ω＜2.0区间取得最小值，大多数骨边缘对比度在ω＞2.0区间取得最小值，因此，若ωmin小于2.0，则认为该边缘点为非骨边缘，则在边缘中删除该边缘点。
过滤前的边缘如图8a所示，过滤后的边缘如图8b所示。可以看出，通过本实施例的非骨边缘抑制算法的过滤后，很好地滤除了非骨边缘点，保证了估算结果的准确性。
实施例三
本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
对X光图像进行边缘检测，得到边缘；
在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；
根据所述像素点的坐标，获取所述像素点在低能图像中的第一灰度值以及在高能图像中的第二灰度值；
根据所述第一灰度值、第二灰度值以及预设的不同的减影参数，得到所述像素点对应不同减影参数的第三灰度值；
根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；
分别计算各边缘点对应同一减影参数的软组织灰度的方差，得到所述同一减影参数对应的软组织灰度方差；
将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数；
分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值，得到各边缘点对应所述同一减影参数的灰度差；
计算所述灰度差的和，得到所述同一减影参数对应的差值和；
将最小的差值和对应的减影参数作为纯软组织像减影参数。
进一步地，所述“对X光图像进行边缘检测，得到边缘”具体为：
对低能图像进行Canny边缘检测，得到边缘。
进一步地，所述“在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集”具体为：
分别获取所述边缘上的各边缘点所在的边缘的法线，得到各边缘点对应的法线；
在所述各边缘点对应的法线上所述各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集。
进一步地，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”具体为：
将一边缘点的软组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的软组织灰度；
将一边缘点的骨组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的骨组织灰度。
进一步地，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”之后，进一步包括：
根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤。
进一步地，所述“根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤”具体为：
计算一边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值的绝对值，得到所述一边缘点对应所述同一减影参数的灰度对比度；
获取所述一边缘点对应不同减影参数的灰度对比度中的最小值；
若所述最小值对应的减影参数小于预设的阈值，则删除所述一边缘点。
进一步地，所述“将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数”之后，进一步包括：
根据所述纯骨组织像减影参数，得到纯骨组织图；
对所述纯骨组织图进行去噪和增强。
进一步地，所述“将最小的差值和对应的减影参数作为纯软组织像减影参数”之后，进一步包括：
根据所述纯软组织像减影参数，得到纯软组织图；
对所述纯软组织图进行去噪和增强。
综上所述，本发明提供的一种双能减影参数的估算方法及计算机可读存储介质，可解决不同体厚病人在双能减影时纯软组织像出现的骨组织伪像的问题；通过自适应的方法，可快速准确地确定出合适的减影参数，且不依赖于拍摄部位；通过使用低能图来获取边缘，可得到更准确的边缘；通过在法线上获取边缘点两侧的点，可很好地获取边缘点旁边的骨组织点和软组织点，有利于提高后续结果的准确性；通过对边缘进行过滤，将边缘中大多数的非骨边缘点去除，进一步提高估算结果的准确性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种双能减影参数的估算方法，其特征在于，包括：
对X光图像进行边缘检测，得到边缘；
在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集；
根据所述像素点的坐标，获取所述像素点在低能图像中的第一灰度值以及在高能图像中的第二灰度值；
根据所述第一灰度值、第二灰度值以及预设的不同的减影参数，得到所述像素点对应不同减影参数的第三灰度值；
根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度；
分别计算各边缘点对应同一减影参数的软组织灰度的方差，得到所述同一减影参数对应的软组织灰度方差；
将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数；
分别计算各边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值，得到各边缘点对应所述同一减影参数的灰度差；
计算所述灰度差的和，得到所述同一减影参数对应的差值和；
将最小的差值和对应的减影参数作为纯软组织像减影参数。
2.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“对X光图像进行边缘检测，得到边缘”具体为：
对低能图像进行Canny边缘检测，得到边缘。
3.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“在所述边缘上的各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集”具体为：
分别获取所述边缘上的各边缘点所在的边缘的法线，得到各边缘点对应的法线；
在所述各边缘点对应的法线上所述各边缘点的两侧分别获取预设个数的像素点，得到各边缘点对应的软组织点集和骨组织点集。
4.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”具体为：
将一边缘点的软组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的软组织灰度；
将一边缘点的骨组织点集中各像素点对应同一减影参数的第三灰度值进行求和，得到所述一边缘点对应所述同一减影参数的骨组织灰度。
5.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“根据各边缘点对应的软组织点集和骨组织点集中各像素点对应不同减影参数的第三灰度值，分别计算得到各边缘点对应各减影参数的软组织灰度和骨组织灰度”之后，进一步包括：
根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤。
6.根据权利要求5所述的双能减影参数的估算方法，其特征在于，所述“根据所述软组织灰度和骨组织灰度，对所述各边缘点进行过滤”具体为：
计算一边缘点对应同一减影参数的软组织灰度与骨组织灰度的差值的绝对值，得到所述一边缘点对应所述同一减影参数的灰度对比度；
获取所述一边缘点对应不同减影参数的灰度对比度中的最小值；
若所述最小值对应的减影参数小于预设的阈值，则删除所述一边缘点。
7.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“将最小的软组织灰度方差对应的减影参数作为纯骨组织像减影参数”之后，进一步包括：
根据所述纯骨组织像减影参数，得到纯骨组织图；
对所述纯骨组织图进行去噪和增强。
8.根据权利要求1所述的双能减影参数的估算方法，其特征在于，所述“将最小的差值和对应的减影参数作为纯软组织像减影参数”之后，进一步包括：
根据所述纯软组织像减影参数，得到纯软组织图；
对所述纯软组织图进行去噪和增强。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN201710629356.5A 2017-07-28 2017-07-28 双能减影参数的估算方法及计算机可读存储介质 Active CN107507169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710629356.5A CN107507169B (zh) 2017-07-28 2017-07-28 双能减影参数的估算方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710629356.5A CN107507169B (zh) 2017-07-28 2017-07-28 双能减影参数的估算方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107507169A true CN107507169A (zh) 2017-12-22
CN107507169B CN107507169B (zh) 2020-01-07

Family

ID=60690289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710629356.5A Active CN107507169B (zh) 2017-07-28 2017-07-28 双能减影参数的估算方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN107507169B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559286A (zh) * 2018-11-19 2019-04-02 电子科技大学 一种方差梯度约束法红外图像边缘保持去噪方法
CN112801915A (zh) * 2021-02-21 2021-05-14 张燕 一种dr四肢影像骨肉分离优化影像显像方法
CN114431882A (zh) * 2020-11-02 2022-05-06 深圳市安健科技股份有限公司 图像诊断系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366348A (zh) * 2013-07-19 2013-10-23 南方医科大学 一种抑制x线图像中骨骼影像的方法及处理设备
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
WO2016168194A1 (en) * 2015-04-13 2016-10-20 Case Western Reserve University Dual energy x-ray coronary calcium grading

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366348A (zh) * 2013-07-19 2013-10-23 南方医科大学 一种抑制x线图像中骨骼影像的方法及处理设备
WO2016168194A1 (en) * 2015-04-13 2016-10-20 Case Western Reserve University Dual energy x-ray coronary calcium grading
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559286A (zh) * 2018-11-19 2019-04-02 电子科技大学 一种方差梯度约束法红外图像边缘保持去噪方法
CN109559286B (zh) * 2018-11-19 2022-12-06 电子科技大学 一种方差梯度约束法红外图像边缘保持去噪方法
CN114431882A (zh) * 2020-11-02 2022-05-06 深圳市安健科技股份有限公司 图像诊断系统及方法
CN112801915A (zh) * 2021-02-21 2021-05-14 张燕 一种dr四肢影像骨肉分离优化影像显像方法

Also Published As

Publication number Publication date
CN107507169B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
JP5874636B2 (ja) 診断支援システム及びプログラム
JP6772873B2 (ja) 動態解析装置及び動態解析システム
US20180268555A1 (en) Dynamic analysis system
JP5556413B2 (ja) 動態画像処理装置及びプログラム
US11389132B2 (en) Radiographic image processing apparatus, radiographic image processing method, and radiographic image processing program
CN108703764A (zh) 血管造影方法、装置、系统、设备及存储介质
JP2007215925A (ja) Ｘ線診断装置、画像処理装置及びプログラム
US20020090126A1 (en) Method and apparatus for detecting anomalous shadows
US20010007593A1 (en) Method and unit for displaying images
JP2013255540A (ja) 胸部診断支援情報生成方法、胸部診断支援システム及び動態画像処理装置
JP2003153082A (ja) 画像の位置合わせ装置および画像処理装置
CN107507169A (zh) 双能减影参数的估算方法及计算机可读存储介质
WO2011092982A1 (ja) 動態画像処理システム及びプログラム
JP2009153678A (ja) 動態画像処理システム
CN106911904A (zh) 图像处理方法、图像处理系统及成像系统
JP2018007801A (ja) 動態解析装置
JP2019051322A (ja) 動態解析システム
CN106228520B (zh) 图像增强方法及装置
US9867586B2 (en) Stereo X-ray tube based suppression of outside body high contrast objects
JP5940474B2 (ja) 体動検出装置および方法
JP2016533855A (ja) 血管内治療介入のためのデバイスフットプリントのない自動ロードマッピング
JPH10108073A (ja) 骨部画像処理方法および装置
JP2001357381A (ja) 異常陰影候補検出方法および検出システム
JP2019005417A (ja) 動態画像処理装置及び動態画像処理システム
JP2018175320A (ja) 放射線撮影システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant