CN110120045A - 一种基于回归模型的x光成像曝光参数确定方法 - Google Patents

Abstract

本发明属于医疗成像技术领域，公开了一种基于回归模型的X光成像曝光参数确定方法。本发明包括：获取活体信息、环境信息和/或硬件信息作为待预测输入数据；判断当前待预测输入数据是否为有效数据，如是，则将待预测输入数据导入已完成训练的回归模型中进行预测运算，如否，则输出预警信息；得到当前待预测输入数据对应的X光成像的曝光参数，将当前X光成像的曝光参数作为当前待预测输入数据对应的最优曝光参数；根据当前最优曝光参数得出X光成像所需的曝光参数。本发明实现了活体信息、环境信息及硬件信息与曝光参数之间的映射关系的建立，避免采用现有技术或人为调节曝光参数造成的X光图像质量问题，且避免了活体受到不必要的电离辐射。

Description

一种基于回归模型的X光成像曝光参数确定方法

技术领域

本发明属于医疗成像技术领域，具体涉及一种基于回归模型的X光成像曝光参数确定方法。

背景技术

X-ray(X射线/X光)诊断作为最常用的诊断方法之一，在现代医学诊断中具有十分广泛的应用。从诊断需求的角度来看，高质量的X光图像要能够尽可能清晰的反应出活体所有的病灶，而一张高质量的X光图像很大程度取决于曝光剂量；而从患者健康的角度来看，拍摄X光图像时，受到X-ray辐射的剂量应越少越好，这同样取决于曝光参数；因此，合理的曝光参数设置在X光图像形成过程中是至关重要的。

根据上述，合理的曝光参数可以在获取高质量的X光图像的同时，尽可能的降低活体所受到的辐射危害；其中，曝光参数包括：kvp(球管管电压)、mA(球管管电流)、ms(曝光时间)，mA与ms常常以乘积的形式共同出现称为mAs(电流积)，kvp决定了X射线的穿透力，mA决定了X射线的密度，mAs决定了X射线的量；过高的kvp意味着射线穿透力过强，导致在最终X光图像上部分组织器官被完全穿透，从而由于被完全穿透的器官呈现为黑色而失去细节；过低的kvp会导致不同组织器官都没有被穿透而拥有接近的灰度，从而由于没有被穿透的组织器官呈现为大片白色而难以分辨；mAs过高则以不同的原理呈现出与kvp过高类似的结果，且mAs过低会极大增大图像的噪声；上述的各种由于曝光参数不当拍摄的X光图像，出现极大的图像质量问题，从而影响诊断结果，增大误诊概率。

现有技术中，医疗人员在临床拍摄过程中，为了尽可能得到高质量的X光图像，需要反复对活体进行X-ray曝光，反复调节曝光参数，直到图像清晰、病灶明显为止，这样反复曝光对活体造成了极大的危害。现有技术中也有通过使用电离室测量X-射线吸收量来间接指导调整曝光参数的方法；该方法通过测量多块位于探测器(X-射线探测接收装置)不同方位的电离室对X-射线的吸收量，来“告知”探测器持续积分，采用该方法解决了部分问题：可以实时控制X-射线辐射量，即X-射线球管的工作电流积mAs，由于该方法只能控制积分时间来控制积分量，故没有数据依据可以直接调节曝光参数，且该方法虽然可以控制探测器的积分时间，但不能控制球管的曝光时间，导致出现球管的曝光时间过长造成活体需要承受多余的电离辐射，且该方法有误触发、低剂量不触发等风险；同时，该方法在控制供电模块不再供电后，其不可控的硬件通信延迟依然会造成产生多余射线，导致活体需要承受多余的电离辐射。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种基于回归模型的X光成像曝光参数确定方法。

本发明所采用的技术方案为：

获取活体信息、环境信息和/或硬件信息作为待预测输入数据；

判断当前待预测输入数据是否为有效数据，如是，则将待预测输入数据导入已完成训练的回归模型中进行预测运算，如否，则输出预警信息；

进行预测运算后，得到当前待预测输入数据对应的X光成像的曝光参数，将当前X光成像的曝光参数作为当前待预测输入数据对应的最优曝光参数；

根据当前最优曝光参数得出X光成像所需的曝光参数，其中，曝光参数包括球管管电压(kvp)、球管管电流(mA)及曝光时间(ms)。

作为优选，所述的活体信息包括活体物种、活体性别、活体年龄、活体体重、待检测部位厚度、待检测部位密度、待检测部位疾病及待检测部位病灶发展阶段中的一种或多种。

作为优选，所述的环境信息包括活体距离、X光机所在的环境温度、环境湿度、环境气压及X光机固有滤过的铝当量中的一种或多种；其中，活体距离为活体与球管的真空玻璃管之间的距离。

作为优选，所述的硬件信息包括X光机出厂参数、X光机使用参数、球管使用参数及探测器出厂参数中的一种或多种。

作为优选，所述的回归模型的训练步骤如下：

获取多张X光图像作为初始数据，提取每个X光图像拍摄时记录的活体信息、环境信息及硬件信息作为基础数据，将每个基础数据对应的曝光参数作为每个基础数据的标签；

将每个X光图像的所有基础数据均进行降维计算得到样本数据，然后将降维后的每个X光图像的所有样本数据作为一个二元组，将多个二元组导入到深度学习模型中进行识别训练，其中，将每个二元组作为样本输入数据，将与每个二元组对应的曝光参数作为样本校验数据；

直到建立每种活体信息、环境信息或硬件信息与曝光参数之间映射关系，则完成训练。

作为优选，训练过程中，根据训练所得的样本输入数据与样本校验数据的匹配结果，通过梯度下降算法不断优化深度学习模型，直到训练同一种样本输入数据与样本校验数据的相关度的误差小于阈值时，则完成训练。

作为优选，当样本输入数据与样本校验数据的相关度大于预设值时，当前样本输入数据为必要数据；判断当前待预测输入数据是否为有效数据时，具体步骤如下：

判断当前预测输入数据中是否包括所有的必要数据，如是，则当前待预测输入数据为有效数据，如否，则当前待预测输入数据为无效数据。

作为优选，将每个基础数据对应的曝光参数作为每个基础数据的标签后，通过计算协方差的方式得到每个基础数据与曝光参数之间的相关度。

作为优选，对基础数据进行降维计算时，采用PCA方法、tSNE方法和/或Auto-Encoder方法。

作为优选，针对各种活体信息、环境信息及硬件信息，对应X光图像的数目不少于1000张。

本发明的有益效果为：

通过回归模型对活体信息、环境信息及硬件信息的分析及输出，实现了活体信息、环境信息及硬件信息与曝光参数之间的映射关系的建立，进而实现了输入活体信息、环境信息及硬件信息即可输出对应的实际所需要的球管管电压、球管管电流及曝光时间，避免采用现有技术调节或人为调节曝光参数造成的X光图像质量问题，且避免了活体受到不必要的电离辐射，进一步便于后续医生能够做出更加精准的诊断，降低了X光成像的成本；同时，回归模型能够对活体信息、环境信息及硬件信息对于X光成像结果的影响按照相关度进行排序，进而尽可能得到与曝光参数相关度最高的必要数据，由此可以在非必要活体信息、环境信息和/或硬件信息都缺省的情况下，依然可以预测出近似合理的曝光参数；本发明使得拍摄的X光图像清晰、病灶明显，且使用的曝光参数合理，对活体危害相对较小，适于推广使用。

本发明的有益效果不限于此描述，为了更好的便于理解，在具体实施方式部分进行了更加详细的描述，即本发明的附加优点、目的以及特征将在各个实施例中加以阐述。

附图说明

图1是实施例1的流程框图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元，并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1：

如图1所示，本实施例提供一种基于回归模型的X光成像曝光参数确定方法，包括以下步骤：

获取活体信息、环境信息和/或硬件信息作为待预测输入数据；在实际成像过程中活体信息、环境信息及硬件信息均可通过其他辅助元器件或系统测量得到，通过多维度数据使得通过回归模型最终得到的曝光参数的准确率最大程度地提高，为后续医生诊断提供高质量的X光图像。

判断当前待预测输入数据是否为有效数据，如是，则将待预测输入数据导入已完成训练的回归模型中进行预测运算，如否，则输出预警信息；输出预警信息则表示输入的活体信息、环境信息和/或硬件信息缺少必要数据，当前待预测输入数据得到的曝光参数无法形成高质量的X光图像，需要重新获取活体信息、环境信息和/或硬件信息作为待预测输入数据，由此缺少某个或某几个数据造成X光成像质量低；其中，回归模型基于临床收集的多维度数据及高质量X光图像训练而成，其可以预测在已知活体信息、环境信息及硬件信息时高质量X光成像应当使用的曝光参数。

进行预测运算后，得到当前待预测输入数据对应的X光成像的曝光参数，将当前X光成像的曝光参数作为当前待预测输入数据对应的最优曝光参数；

根据当前最优曝光参数得出X光成像所需的曝光参数，其中，曝光参数包括球管管电压(kvp)、球管管电流(mA)及曝光时间(ms)。

实施例2

本实施例在实施例1的基础上做出改进，具体的，本实施例中，活体信息通过自动厚度测量系统、病例管理系统、智能诊疗系统等现有医疗系统获取，活体信息包括活体物种、活体性别、活体年龄、活体体重、待检测部位厚度、待检测部位密度、待检测部位疾病及待检测部位病灶发展阶段中的一种或多种；其中，活体物种可以为人、各类动物等，需要医疗人员人为判断后手动输入；由于不同性别、不同年龄及不同体重的活体的密度不同，故活体性别、活体年龄及活体体重用于区分不同性别、不同年龄及不同体重，活体性别、活体年龄及活体体重可以根据登记信息自动填充或由医疗人员手动输入；待检测部位厚度是判断曝光剂量的一个不可或缺的标准，因为无论从穿透力还是射线量来说，厚度越大则需要越高的曝光剂量；待检测部位密度可以根据已知的器官密度由医疗人员手动输入；待检测部位疾病是针对想要确诊某个或者某些特定疾病而获取，部分特定病灶需要特定的曝光剂量；由于每种疾病不同阶段可能呈现出不同病灶，也可能出现扩展或转移，同时，在病灶康复阶段与病灶诊断阶段采用的曝光剂量均会出现不同，因此待检测部位病灶发展阶段是针对不同病灶发展阶段所需要曝光剂量而获取。

实施例3

本实施例在实施例1和/或2基础上做出改进，具体的，本实施例中，环境信息包括活体距离、X光机所在的环境温度、环境湿度、环境气压及X光机固有滤过的铝当量中的一种或多种；其中，X光的电离能力受其传播介质影响，在不同的自然环境中，保持其他变量不变，即使采用相同的曝光参数最终得到的X光电离能力也是不同的，而医疗环境中的传播介质主要由温度、湿度、气压等客观因素决定，为了进一步提高X光成像的质量，针对不同客观因素，最终的曝光参数也需要进行不同程度的微调；活体距离为活体与球管的真空玻璃管之间的距离，X光在传播过程中的散射量也是在标准辐射质量(如RQA5)中明确提到的影响因素，活体距离会影响X光本身的能力；X光在传播过程中的固有滤过，一般来说，这应该是标准的2.5mm铝当量，可以通过已知的固有滤过的铝当量调整曝光参数，进一步提高最优曝光参数的准确率。

其中，标准辐射质量RQA5是基于铝附加滤板构成的模体的辐射质量，用于描述源于模拟患者出射面的辐射，其在YY/T 0590.1-2005行业标准中有明确地引用；行业标准YY/T 0590.1-2005详细规定了在给定的限度内调整X射线球管电压到所需半价层时的X射线球管电压来获取辐射质量，即对应的X射线球管工作电压与工作电流积之间的关系；而特定影像链系统的大量临床数据除了上述的X射线球管工作电压与工作电流积之间的关系之外，还提供了X射线球管工作电压与患者部位厚度的关系数据，因此EI标准范围表中包括的身体部位名称、体型厚度值、工作管电压值以及工作电流积值具有可靠的数据支撑以及理论支撑，并且能够方便且准确地指导X-射线发生器根据实际情况需要发射的辐射质量；

另外需要说明的是，目前标准辐射质量RQA5在行业中的应用最为广泛，其对应的是X射线球管电压为70v的质量标准，但除了标准辐射质量RQA5，还可以选择X射线球管电压分别为50v、60v、80v的标准辐射质量RQA3、标准辐射质量RQA4、标准辐射质量RQA6等其他行业标准。

实施例4

本实施例在实施例1、2和/或3基础上做出改进，具体的，本实施例中，硬件信息包括X光机出厂参数、X光机使用参数、球管使用参数及探测器出厂参数中的一种或多种；其中，X光机出厂参数可以但不仅于包括功率、所支持的参数调节范围、每个参数的刻度、衰减曲线等；X光机使用参数可以但不仅于包括使用年龄、曝光次数等；球管(即X光发生源)使用参数可以但不仅限于包括使用年龄、稳定程度等；探测器(及影像采集装置)出厂参数可以但不仅限于包括线性响应范围、灵敏度、工艺、材料等；上述客观参数或使用过程中的器材损耗参数均会对X光成像造成不同程度的影响，因此也需要作为调整最优曝光参数的参考数据。

实施例5

本实施例在实施例1、2、3和/或4基础上做出改进，具体的，本实施例中，回归模型的训练步骤如下：

获取多张X光图像作为初始数据，提取每个X光图像拍摄时记录的活体信息、环境信息及硬件信息作为基础数据，将每个基础数据对应的曝光参数作为每个基础数据的标签；其中，本步骤中获取的X光图像均为在临床收集且由权威影像科专家确认的最终高质量X光图像；将每个基础数据对应的曝光参数作为每个基础数据的标签时，每个基础数据的标签均为当前基础数据的X光图像对应的曝光参数。

将每个X光图像的所有基础数据均进行降维计算得到样本数据，然后将降维后的每个X光图像的所有样本数据作为一个二元组，将多个二元组导入到深度学习模型中进行识别训练，其中，将每个二元组作为样本输入数据，将与每个二元组对应的曝光参数作为样本校验数据；

直到建立每种活体信息、环境信息或硬件信息与曝光参数之间映射关系，则完成训练。

实施例6

本实施例在实施例5的基础上做出改进，具体的，本实施例中，训练过程中，根据训练所得的样本输入数据与样本校验数据的匹配结果，通过梯度下降算法不断优化深度学习模型，直到训练同一种样本输入数据与样本校验数据的相关度的误差小于阈值时，则完成训练；其中，阈值既可是预先设定的门限值，也可以是默认值，由此可以计算出与曝光参数相关度高的活体信息、环境信息及硬件信息，由此使得训练完成的回归模型对待预测数据的预测准确率更高。

实施例7

本实施例在实施例6的基础上做出改进，具体的，本实施例中，当样本输入数据与样本校验数据的相关度大于预设值时，当前样本输入数据为必要数据；判断当前待预测输入数据是否为有效数据时，具体步骤如下：

判断当前预测输入数据中是否包括所有的必要数据，如是，则当前待预测输入数据为有效数据，如否，则当前待预测输入数据为无效数据。

实施例8

本实施例在实施例5、6和/或7的基础上做出改进，具体的，本实施例中，将每个基础数据对应的曝光参数作为每个基础数据的标签后，通过计算协方差的方式得到每个基础数据与曝光参数之间的相关度。

实施例9

本实施例在实施例5、6、7和/或8基础上做出改进，具体的，本实施例中，对基础数据进行降维计算时，采用PCA方法、tSNE方法和/或Auto-Encoder方法。

实施例10

本实施例在实施例5、6、7、8和/或9任一的基础上做出改进，具体的，本实施例中，所述深度学习模型采用逻辑回归、决策树、随机森林、贝叶斯网络、支持向量机或高斯混合模型实现，由此使得回归模型的识别准确率高。

实施例11

本实施例在实施例5、6、7、8、9和/或10的基础上做出改进，具体的，本实施例中，针对每个活体信息、每个环境信息及每个硬件信息对应的基础数据均不少于1000条，足够的基础数据数量能够进一步提高回归模型的预测准确率，进而能够形成更加准确的输入样本与校验样本之间的映射关系。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (9)

1.一种基于回归模型的X光成像曝光参数确定方法，其特征在于：包括以下步骤：

获取活体信息、环境信息和/或硬件信息作为待预测输入数据；

判断当前待预测输入数据是否为有效数据，如是，则将待预测输入数据导入已完成训练的回归模型中进行预测运算，如否，则输出预警信息；

进行预测运算后，得到当前待预测输入数据对应的X光成像的曝光参数，将当前X光成像的曝光参数作为当前待预测输入数据对应的最优曝光参数；

根据当前最优曝光参数得出X光成像所需的曝光参数，其中，曝光参数包括球管管电压、球管管电流及曝光时间。

2.根据权利要求1所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：所述的活体信息包括活体物种、活体性别、活体年龄、活体体重、待检测部位厚度、待检测部位密度、待检测部位疾病及待检测部位病灶发展阶段中的一种或多种。

3.根据权利要求2所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：所述的环境信息包括活体距离、X光机所在的环境温度、环境湿度、环境气压及X光机固有滤过的铝当量中的一种或多种。

4.根据权利要求3所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：所述的硬件信息包括X光机出厂参数、X光机使用参数、球管使用参数及探测器出厂参数中的一种或多种。

5.根据权利要求1-4任一所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：所述的回归模型的训练步骤如下：

获取多张X光图像作为初始数据，提取每个X光图像拍摄时记录的活体信息、环境信息及硬件信息作为基础数据，将每个基础数据对应的曝光参数作为每个基础数据的标签；

将每个X光图像的所有基础数据均进行降维计算得到样本数据，然后将降维后的每个X光图像的所有样本数据作为一个二元组，将多个二元组导入到深度学习模型中进行识别训练，其中，将每个二元组作为样本输入数据，将与每个二元组对应的曝光参数作为样本校验数据；

直到建立每种活体信息、环境信息或硬件信息与曝光参数之间映射关系，则完成训练。

6.根据权利要求5所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：训练过程中，根据训练所得的样本输入数据与样本校验数据的匹配结果，通过梯度下降算法不断优化深度学习模型，直到训练同一种样本输入数据与样本校验数据的相关度的误差小于阈值时，则完成训练。

7.根据权利要求6所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：当样本输入数据与样本校验数据的相关度大于预设值时，当前样本输入数据为必要数据；判断当前待预测输入数据是否为有效数据时，具体步骤如下：

判断当前预测输入数据中是否包括所有的必要数据，如是，则当前待预测输入数据为有效数据，如否，则当前待预测输入数据为无效数据。

8.根据权利要求5所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：将每个基础数据对应的曝光参数作为每个基础数据的标签后，通过计算协方差的方式得到每个基础数据与曝光参数之间的相关度。

9.根据权利要求5所述的基于回归模型的X光成像曝光参数确定方法，其特征在于：对基础数据进行降维计算时，采用PCA方法、tSNE方法和/或Auto-Encoder方法。