CN111091516B - 一种基于人工智能的抗散射光栅方法及装置 - Google Patents
一种基于人工智能的抗散射光栅方法及装置 Download PDFInfo
- Publication number
- CN111091516B CN111091516B CN201911348996.4A CN201911348996A CN111091516B CN 111091516 B CN111091516 B CN 111091516B CN 201911348996 A CN201911348996 A CN 201911348996A CN 111091516 B CN111091516 B CN 111091516B
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- estimated
- scattering
- residual error
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000000338 in vitro Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 9
- 230000002411 adverse Effects 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010057362 Underdose Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域，提供一种基于人工智能的抗散射光栅方法及装置，该方法包括将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使深度学习卷积神经网络模型估计散射对X射线拍摄图像的影响，获得估计残差图；利用X射线拍摄图像的灰度区间对估计残差图进行复原，以获得绝对残差图；将绝对残差图与X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。本方法通过深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的抗散射光栅方法及装置。
背景技术
医用X射线具有穿透能力强等特点，正是由于这样的特点，医用X射线广泛应用于医疗诊断和治疗中。利用医用X射线进行人体检测的设备如数字平板X线成像系统(DR)由于具有图像分辨率高，成像稳定等特点，在医学诊断与检测领域中具有无可替代的地位。
但是，当X射线穿过待测物体时，不仅仅会发生初级的辐照效应，而且散射辐射也会产生。对于待测物体，散射辐射会产生额外的曝光，反映到最后的成像效果就相当于在原有待测物体真实轮廓的基础上蒙上了一层“散射雾”。由散射所引起的“雾状”影响会验证降低X射线图像的对比度，信噪比等指标，模糊一些本该清晰可见的细节纹理，严重干扰医生基于此图像的判断。
目前，为了缓解散射辐射的影响，以最常用的数字平板X射线成像系统为例，该系统往往采用一种特殊的抗散射栅格。这些栅格往往是采用高密度的物质制成，具有体积小，吸收率高等特点，栅格可以允许来自焦点的主辐射X射线通过，但是吸收其他方向的辐射。这样的装置可以有效摒除散射射线对图像质量的影响，从而达到提高图像质量的效果。
单纯采用抗散射栅格也有一些问题，由于存在栅格对X射线的吸收，会客观上造成后续探测器接受的剂量不足，在放射源相同剂量辐照的条件下，采用抗散射栅格会造成图像整体质量下降。为了弥补上述缺陷，往往会采用提高剂量的方法，这对于医护人员以及接受辐照的人员来说会对他们的健康产生不利影响。
发明内容
本发明实施例提供一种基于人工智能的抗散射光栅方法及装置，用以解决现有技术中散射辐射对X射线成像质量影响的问题。
本发明实施例提供一种基于人工智能的抗散射光栅方法，包括：将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。
其中，对所述X射线拍摄图像进行预处理的步骤包括：对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像。
其中，所述对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：将数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵。
其中，所述将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。
其中，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X射线拍摄图像进行规范化处理。
其中，对所述预处理后的X射线拍摄图像进行规范化处理的步骤采用下式公式进行：
其中，I2是规范化后的结果，x是校正后的图像矩阵中每一个像素的具体数值，μ是校正后的图像矩阵的均值，std由以下公式计算：
其中，σ是校正后的图像矩阵的标准方差，N是校正后的图像矩阵中的像素数目。
其中，获得扣除散射影响的估计图像之后还包括：对所述估计图像进行体外数据异常检测，若所述估计图像中存在体外数据异常区域，则将估计图像中的体外数据区域进行标记，并将所述X射线拍摄图像和标记后的所述估计图像均进行归一化处理，以使所述X射线拍摄图像和所述估计图像均处于[0,1]之间；使用泊松融合技术将被标记的所述体外数据区域替换为所述X射线拍摄图像，以获得待处理图像；并按照所述X射线拍摄图像的灰度区间恢复所述待处理图像的灰度，以获得体外校正后的图像。
其中，所述的基于人工智能的抗散射光栅方法，还包括：对所述估计图像或所述体外校正后的图像进行图像增强处理。
本发明还提供一种基于人工智能的抗散射光栅装置，包括：输入机构，用于将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；复原机构，用于利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；处理机构，用于将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。
本发明还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的基于人工智能的抗散射光栅方法。
本发明实施例提供的基于人工智能的抗散射光栅方法及装置，通过深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于人工智能的抗散射光栅方法的流程框图；
图2为本发明实施例提供的基于人工智能的抗散射光栅方法中进行预处理前后的效果图；
图3为本发明实施例提供的基于人工智能的抗散射光栅方法中扣除散射影响前后的估计图像；
图4为本发明实施例提供的基于人工智能的抗散射光栅方法中体外数据异常处理及校正处理前后的估计图像；
图5为本发明实施例提供的基于人工智能的抗散射光栅方法中进行图像增强处理前后的效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
图1示出了本发明用基于人工智能的抗散射光栅方法的一个优选实施例，如图1所示，该抗散射光栅方法包括：将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。
具体地，在得到预处理后的X射线拍摄图像后，将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，例如，该预处理可以为调整X射线拍摄图像的灰度范围等，预处理后的X射线拍摄图像的质量较好，为后续扣除散射影响提供较好的基础；该深度学习卷积神经网络模型可以是基于多个X射线拍摄图像和多个去除散射影响后的X射线拍摄图像学习后的卷积神经网络模型；则将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型后，该深度学习卷积神经网络模型可以对输入的X射线拍摄图像中散射对图像的影响进行估计，进而得到估计残差图，这里的残差是相对残差。
之后，使用原图(即，未经处理的X射线拍摄图像)的灰度区间对得到的估计残差图进行复原，进而得到绝对残差图。随后，将该绝对残差图同数据原图(即，未经处理的X射线拍摄图像)进行加和处理计算，则可获得扣除散射影响的估计图像。
在本实施例中采用深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。
进一步地，对所述X射线拍摄图像进行预处理的步骤包括：对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像。
具体地，通过将X射线拍摄图像进行解析可以便于对图像进行处理，例如，将从X射线探测器获取的数字电学信号的二进制文件进行转码，可以将其转码为16位整型数据；例如，X射线探测器可以为数字X射线系统平板探测器；然后，将转码后的数据进行转置，例如，可以根据提前获知的探测器尺寸进行转置，例如，探测器尺寸为m×n，则可将转码后的16位整型数据采用Lancos4算子转置为该尺寸大小，即可获得m×n大小的图像矩阵。
进一步地，所述将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。
具体地，对获得的图像矩阵进行灰度初步校正，使得被拍摄对象的组织以正常形态呈现在图像中；在进行灰度初步校正时，采用如下公式：
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果。Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围，一般而言可以将该调制参数设置为1000，这种情况下可使得调整后图像的灰度平均值是数千，这种范围内既能满足图像纹理的对比度展示效果又能确保较低的图像大小。bits是输入位数参数，一般可以将该输入位参数设置为16，反映的是图像最高灰度值是2的16次方。Iori是获得的m×n图像矩阵。
经过灰度初步校正可以获得进行初步调整的X射线拍摄图像，其中被拍摄对象的组织以正常形态呈现，但是可见较为明显的雾状效果；校正前与矫正后效果展示如图2所示，图2左为校正前的图像，图2右为校正后的图像。
之后，将预处理后的X射线拍摄U型输入深度学习卷积神经网络模型，可以得到估计残差图；然后，利用X射线拍摄图像的灰度区间对该估计残差图进行复原，得到绝对残差图；随后，将该绝对残差图与X射线拍摄图像进行加和计算，得到去除散射影响的估计图像。
在本实施例中，通过对X射线拍摄图像进行预处理可以得到组织以正常形态呈现的数字图像，便于对该图像进行后续的去除散射雾处理，提高了处理的准确性。
进一步地，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X射线拍摄图像进行规范化处理。
具体地，在将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型进行估计之前，还可以对该预处理后的X射线拍摄图像进行规范化处理，这样便于残差的生成。例如，采用下式进行规范化处理：
其中，I2是规范化后的结果，x是校正后的图像矩阵中每一个像素的具体数值，μ是校正后的图像矩阵的均值，std由以下公式计算：
其中，σ是校正后的图像矩阵的标准方差，N是校正后的图像矩阵中的像素数目。
在本实施例中，进行规范化处理的目的在于，基于深度学习的卷积神经网络模型估计的是散射能谱对X射线拍摄图像的影响，这种效果反映到具体的图像上是一种以残差形式存在的矩阵，这样采用规范化的方式更有利于生成的残差，提高深度学习卷积神经网络模型的输出效率。
在对预处理后的X射线拍摄图像进行规范化处理后，则可将其输入深度学习卷积神经网络模型，可以得到估计残差图；然后，利用X射线拍摄图像的灰度区间对该估计残差图进行复原，得到绝对残差图；随后，将该绝对残差图与X射线拍摄图像进行加和计算，得到去除散射影响的估计图像，如图3所示，图3左为未扣除散射影响的图像，图3右图为扣除散射影响后的估计图像。
进一步地，获得扣除散射影响的估计图像之后还包括：对所述估计图像进行体外数据异常检测，若所述估计图像中存在体外数据异常区域，则将估计图像中的体外数据区域进行标记，并将所述X射线拍摄图像和标记后的所述估计图像均进行归一化处理，以使所述X射线拍摄图像和所述估计图像均处于[0,1]之间；使用泊松融合技术将被标记的所述体外数据区域替换为所述X射线拍摄图像，以获得待处理图像；并按照所述X射线拍摄图像的灰度区间恢复所述待处理图像的灰度，以获得体外校正后的图像。
具体地，在获得去除散射雾影响的估计图像后，还可对该估计图像进行去干扰处理，即将该估计图像进行体外数据异常检测，用于排出体外异常物体对图像的干扰，达到美化图像的目的。例如，可以采用multi-otsu(Satapathy,Suresh Chandra,et al."Multi-level image thresholding using Otsu and chaotic bat algorithm."NeuralComputing and Applications 29.12(2018):1285-1307.)技术来获取体外数据的空间位置信息，随后在体外位置进行阈值检测，如果在体外区域能检测到有大面积的高于设定阈值的区域，则将该区域记为异常区域，异常区域示例如图4左中框住的区域。
如果检测出异常区域，则启动异常区域处理方案，由于之前已经获取体外数据的空间位置信息，将此空间位置信息标记为mask；然后将原图(即，原来未经处理的X射线拍摄图像)与标记后的估计图像均进行归一化处理，将两者归一化至[0,1]；然后使用泊松融合技术(Pérez,Patrick,Michel Gangnet,and Andrew Blake."Poisson image editing."ACM Transactions on graphics(TOG)22.3(2003):313-318.)将归一化处理后被标记的体外数据区域替换成原图中相对的区域；随后再按照原图的灰度区间恢复成完整的灰度图像，即得到体外校正后的图像，效果如图4右图所示。
进一步地，基于人工智能的抗散射光栅方法，还包括：对所述估计图像或所述体外校正后的图像进行图像增强处理。
具体地，在获得估计图像后，若该估计图像中没有体外异常区域，则可以直接对该估计图像进行图像增强处理；或者，若该估计图像中存在体外异常区域，则可在对该估计图像进行去异常处理后，再对得到的体外校正后的图像进行图像增强处理。例如，可以采用CLAHE(Pizer,Stephen M.,et al."Contrast-limited adaptive histogramequalization:speed and effectiveness."[1990]Proceedings of the FirstConference on Visualization in Biomedical Computing.IEEE,1990.)方法进行图像增强处理，若有其他图像增强处理的方法也可以应用在方法中，经过图像增强处理后的图像中细节纹理更加凸显；图5右为图像增强处理后的效果，图5左为未进行图像增强处理的图像。
本发明还提供了一种基于人工智能的抗散射光栅装置，包括：输入机构，用于将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；复原机构，用于利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；处理机构，用于将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。
具体地，在得到预处理后的X射线拍摄图像后，输入机构用于将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，例如，该深度学习卷积神经网络模型可以是基于多个X射线拍摄图像和多个去除散射影响后的X射线拍摄图像学习后的卷积神经网络模型；则将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型后，该深度学习卷积神经网络模型可以对输入的X射线拍摄图像中散射对图像的影响进行估计，进而得到估计残差图，这里的残差是相对残差。
之后，复原机构使用原图(即，未经处理的X射线拍摄图像)的灰度区间对得到的估计残差图进行复原，进而得到绝对残差图。随后，吹机构将该绝对残差图同数据原图(即，未经处理的X射线拍摄图像)进行加和处理计算，则可获得扣除散射影响的估计图像。
在本实施例中输入机构将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型进行处理，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该装置及能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。
本发明还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的基于人工智能的抗散射光栅方法。例如包括：将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于人工智能的抗散射光栅方法，其特征在于，包括：
将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；
利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；
将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像；
其中，对所述X射线拍摄图像进行预处理的步骤包括：
对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像；
其中，对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：
数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵；
其中，将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。
2.根据权利要求1所述的基于人工智能的抗散射光栅方法，其特征在于，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X射线拍摄图像进行规范化处理。
3.根据权利要求2所述的基于人工智能的抗散射光栅方法，其特征在于，对所述预处理后的X射线拍摄图像进行规范化处理的步骤采用下式公式进行：
其中，I2是规范化后的结果，x是校正后的图像矩阵中每一个像素的具体数值，μ是校正后的图像矩阵的均值，std由以下公式计算：
其中，σ是校正后的图像矩阵的标准方差，N是校正后的图像矩阵中的像素数目。
4.根据权利要求1-3任一项所述的基于人工智能的抗散射光栅方法，其特征在于，获得扣除散射影响的估计图像之后还包括：
对所述估计图像进行体外数据异常检测，若所述估计图像中存在体外数据异常区域，则将估计图像中的体外数据区域进行标记，并将所述X射线拍摄图像和标记后的所述估计图像均进行归一化处理，以使所述X射线拍摄图像和所述估计图像均处于[0,1]之间；
使用泊松融合技术将被标记的所述体外数据区域替换为所述X射线拍摄图像，以获得待处理图像；并按照所述X射线拍摄图像的灰度区间恢复所述待处理图像的灰度，以获得体外校正后的图像。
5.根据权利要求4所述的基于人工智能的抗散射光栅方法，其特征在于，还包括：对所述估计图像或所述体外校正后的图像进行图像增强处理。
6.一种基于人工智能的抗散射光栅装置，其特征在于，包括：
输入机构，用于将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；
复原机构，用于利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；
处理机构，用于将所述绝对残差图与所述X射线拍摄图像进行加和处理，以获得扣除散射影响的估计图像；
其中，对所述X射线拍摄图像进行预处理的步骤包括：
对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像；
其中，对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：
数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵；
其中，将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一所述的基于人工智能的抗散射光栅方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348996.4A CN111091516B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的抗散射光栅方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348996.4A CN111091516B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的抗散射光栅方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091516A CN111091516A (zh) | 2020-05-01 |
| CN111091516B true CN111091516B (zh) | 2021-06-04 |
Family
ID=70396961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911348996.4A Active CN111091516B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的抗散射光栅方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091516B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7931784B2 (en) * | 2008-04-30 | 2011-04-26 | Xyleco, Inc. | Processing biomass and petroleum containing materials |
| CN108205797B (zh) * | 2016-12-16 | 2021-05-11 | 杭州海康威视数字技术股份有限公司 | 一种全景视频融合方法及装置 |
| JP6887030B2 (ja) * | 2017-06-26 | 2021-06-16 | エレクタ、インク.Elekta, Inc. | ディープ畳み込みニューラルネットワークを使用してコーンビームコンピュータ断層撮影画像を改善する方法 |
| CN108563975B (zh) * | 2017-07-31 | 2021-06-25 | 海峡创新互联网股份有限公司 | 一种基于深度学习的高密度人群人数估计方法 |
| CN108259743A (zh) * | 2018-01-15 | 2018-07-06 | 维沃移动通信有限公司 | 全景图像拍摄方法及电子设备 |
| CN110443759A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于深度学习的图像去雾方法 |
-
2019
- 2019-12-24 CN CN201911348996.4A patent/CN111091516B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091516A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Metal artifact reduction in CT using fusion based prior image | |
| JP7494125B2 (ja) | ディープラーニング技法を用いたｘ線データの金属影響ボクセル表現の自動補正 | |
| Karimi et al. | Segmentation of artifacts and anatomy in CT metal artifact reduction | |
| EP1892953B1 (en) | X-Ray image processing system | |
| Schüller et al. | Segmentation‐free empirical beam hardening correction for CT | |
| US11645736B2 (en) | Image processing methods, apparatuses and systems | |
| Park et al. | Metal artifact reduction in CT by identifying missing data hidden in metals | |
| CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
| JP7370989B2 (ja) | スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影（ｃｔ）スキャナ | |
| KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
| CN110651302A (zh) | 用于图像重建的方法和设备 | |
| Elhamiasl et al. | Low-dose x-ray CT simulation from an available higher-dose scan | |
| Hayes et al. | Low‐dose cone‐beam CT via raw counts domain low‐signal correction schemes: Performance assessment and task‐based parameter optimization (Part I: Assessment of spatial resolution and noise performance) | |
| CN115797485A (zh) | 图像去伪影方法、系统、电子设备及存储介质 | |
| CN112085809A (zh) | 神经网络的训练方法、消除金属伪影的方法及其装置 | |
| Kim et al. | Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme | |
| Anhaus et al. | A nonlinear scaling‐based normalized metal artifact reduction to reduce low‐frequency artifacts in energy‐integrating and photon‐counting CT | |
| WO2019051209A1 (en) | SYSTEM AND METHOD FOR REDUCING SINOGRAM DISTRIBUTED METAL ARTIFACTS | |
| CN111091516B (zh) | 一种基于人工智能的抗散射光栅方法及装置 | |
| Hsieh | Estimating scatter in cone beam CT with striped ratio grids: A preliminary investigation | |
| Li et al. | A prior-based metal artifact reduction algorithm for x-ray CT | |
| Us et al. | Combining dual-tree complex wavelets and multiresolution in iterative CT reconstruction with application to metal artifact reduction | |
| Kim et al. | Microtomography with sandwich detectors for small-animal bone imaging | |
| Park et al. | Unpaired-paired learning for shading correction in cone-beam computed tomography | |
| WO2021157403A1 (ja) | 画像処理装置および方法、プログラム |
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 |