CN113052930A - 一种胸部dr双能量数字减影图像生成方法 - Google Patents
一种胸部dr双能量数字减影图像生成方法 Download PDFInfo
- Publication number
- CN113052930A CN113052930A CN202110270213.6A CN202110270213A CN113052930A CN 113052930 A CN113052930 A CN 113052930A CN 202110270213 A CN202110270213 A CN 202110270213A CN 113052930 A CN113052930 A CN 113052930A
- Authority
- CN
- China
- Prior art keywords
- image
- chest
- subtraction
- subtraction image
- bone
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 57
- 210000001519 tissue Anatomy 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 210000000038 chest Anatomy 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 210000000115 thoracic cavity Anatomy 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 210000004072 lung Anatomy 0.000 description 11
- 210000004872 soft tissue Anatomy 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- OPNPQXLQERQBBV-UHFFFAOYSA-N carbromal Chemical compound CCC(Br)(CC)C(=O)NC(N)=O OPNPQXLQERQBBV-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成对抗网络生成胸部DR双能量数字减影图像的方法、装置及存储介质，包括获取胸部DR双能减影图像，对胸部DR双能减影图像进行预处理后构建训练集，构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织图像。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于生成对抗网络的胸部DR双能量数字减影图像生成方法。
背景技术
胸部DR能够清楚记录胸部的大体病变，包括肺部肿块、结节、结核、实变、胸部肋骨以及胸椎软组织等胸腔肺组织，拥有放射浓度低、成像迅速、便于检查等优点。但由于成像原理的局限,重叠因素较多,许多感兴趣区的正常结构和异常病灶被其他组织或结构遮挡,易致病变漏诊、定位错误或误诊。
双能量减影采用两次曝光法，在200ms之内对被拍摄物体以连续两次高低输出能量(KVP)进行曝光，得到两幅图像或数据，将其进行图像减影或数据整合分离，可重建为3幅图像，分别为骨减影、软组织减影以及普通胸片图像。其中软组织减影图像移除了骨结构更有利于观察结节性病变，骨减影可辨别出良性的钙化结节和细微的骨折等病变。但两次曝光法较DR普通拍摄会有不到两倍的射线剂量，对病人身体的伤害更大。
近年来，许多图像处理方法应用于双能减影图像。基于非深度学习方法包括基于主动形状模型、Gabor滤波器、主动轮廓模型等方法，这些方法的关键在于计算骨的边界，然后根据像素强度生成最终的双能减影图像，但以上方法会因图像质量尤其是噪声、骨边界计算结果的差异导致结果精度受影响。基于深度学习的方法能够自动学习图像特征，而深度学习方法中生成对抗网络十分适合生成风格迁移之后的图片，因此本申请考虑利用生成对抗网络根据普通胸片生成减影后的数据，该方法能够在普通胸片和骨减影、软组织减影图像之间，无须建立训练数据间一对一的映射，便可实现风格的迁移，并且生成结果不受图像质量以及细小噪声的影响，符合临床需求，便于医生给出更加详细的诊断结果。
发明内容
针对现有技术存在的问题，本发明首先提供了一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法，其特征在于，包括以下步骤：
1)获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；
2)对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
3)构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；
4)获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。
进一步地，所述步骤2)中预处理可以包括以下步骤：
获得所述胸部DR双能减影图像的最适窗宽窗位，以所述最适窗宽窗位为目标对所述胸部DR双能减影图像进行线性拉伸，重设图像大小为2048。
进一步的，所述步骤3)中生成对抗网络模型包括生成器和鉴别器，所述生成器包括编码器Es、解码器Gt和辅助分类器ηs，所述编码器Es包括多个下采样卷积层和多个残差模块，所述解码器Gt包括多个上采样卷积层和多个残差模块，所述鉴别器包括编码器Edt。
优选的，所述生成器的编码器采用IN，解码器的残差模块采用归一化函数AdaILN，其它模块采用ILN，鉴别器上的采样模块采用SN。
更优选的，所述生成对抗网络模型采用的损失函数包括对抗损失函数、循环损失函数、身份损失函数和类激活映射损失函数。
进一步的，所述步骤3)中的训练包括以下步骤：以所述胸部DR原图或噪声作为生成器的输入，得到重构图像，所述重构图像包括骨减影图像和组织减影图像，将所述重构图像与真实的骨减影图像和组织减影图像输入到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，完成模型的训练。
进一步的，所述步骤4)中待处理的胸部DR图像在输入前经过预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，重设图像的大小为2048。
本发明还提供了一种图像处理装置，包括：
1)图像获取单元，用于获取原始训练样本，所述原始训练样本包括胸部DR原图、骨减影图像和组织减影图像；以及获取待处理的胸部DR图像；
2)图像预处理单元，用于对所述图像获取单元获取的图像进行预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
3)图像生成单元，用于将所述胸部DR原图和/或噪声，以及待处理的胸部DR图像输入到生成器中，得到骨减影或者组织减影图像；
4)图像训练单元，用于将生成器生成的重构图像输入到到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，以完成对所述生成对抗网络模型的训练。
本发明还提供了一种电子设备，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行所述的胸部DR骨减影图像和组织减影图像的生成方法。
本发明还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行所述的胸部DR骨减影图像和组织减影图像的生成方法。
相比于现有技术，本发明的技术优势至少包括如下几点：
1.本专利考虑利用生成对抗网络根据普通胸片生成双能减影后的数据，该方法能够在普通胸片和骨减影、软组织减影图像之间，无须建立训练数据间一对一的映射，便可实现风格的迁移，并且生成结果不受图像质量以及细小噪声的影响，符合临床需求，便于医生给出更加详细的诊断结果。
2.结合双能减影的影像特征，做了针对性的窗宽窗位选择，然后进行线性拉伸，可以在增加图像对比度的同时最大程度保留图像的细节，尤其是在椎骨、肺尖以及肺门处。这样预处理的优点是可以使得网络提取到关键的特征信息，用于网络的训练以及最终图像的生成。
3.以前的非深度学习方法，在图像噪声过大或者骨轮廓不清晰时，模型的效果会很差，且鲁棒性不高，易受图像本身质量影响。本发明采用的方法，由于无需计算骨轮廓以及肺轮廓，因而受图像成像质量影响较小，模型泛化能力强，生成图像速度快且置信度更高，对图像解读更准确。
4.本发明通过生成对抗网络以胸部DR原片作为输入，生成骨减影以及组织减影，在拍摄时仅需一次曝光，相比于两次曝光法，一方面使用现有的胸部DR原片可以减少患者的辐射剂量、减少拍摄机器的磨损，另一方面生成的双能减影图像有利于病灶的显示以及检出，可以减少医生的工作量，减少等待时长，从而加快诊断进度。
附图说明
图1为本发明的一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法的一个实施例的方法流程图
图2为胸部DR原图、骨减影图像和组织减影图像的一个示例；
图3为三种窗宽窗位分别对应的胸部DR原图的一个示例；
图4为三种窗宽窗位分别对应的骨减影图像的一个实例；
图5为三种窗宽窗位分别对应的组织减影图像的一个实例；
图6为本发明生成对抗网络的示意图；
图7为生成器结构；
图8为鉴别器结构；
图9为胸部DR原图、骨/组织减影图像和本发明生成的骨/组织减影图像的对比。
图10示出了根据本发明的实施例4的电子设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
图1示出了根据本发明的一个实施例的基于生成对抗网络生成胸部DR骨减影图像和组织减影图像方法的示意图。
如图1所示，根据本发明的一个实施例的胸部DR图像的骨减影图像和组织减影图像生成方法，本实施例以胸部DR图像为例对发明方案进行阐述，本发明的方法不仅限于胸部DR图像，也可用于医学检查中使用的彩超、CT、核磁共振等医学成像方法获取的图像。
基于生成对抗网络的胸部DR骨减影图像和组织减影图像生成方法，包括以下步骤：
S101:获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；
S102:对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小，优选的，重设图像的大小为2048；
S103:构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；
本实施例构建了如图6所示的生成对抗网络模型，包括如图7所示的生成器和如图8所示的鉴别器，本实施例采用的生成器在常见的生成对抗网络的基础上加入了一个新的注意力模块和归一化函数AdaLIN，注意力模块根据辅助分类器获得的注意图，通过区分源域和目标域，帮助模型知道在哪里进行集中转换，具体的过程是通过注意力图加权到特征图之上，从而对重要性不同的区域赋予不同的权重，引导模型关注更重要的区域，忽略次要区域。AdaLIN功能帮助注意力导向模型灵活地控制形状和纹理的变化量，而无需修改模型架构或超参数。
具体的，输入的胸部DR原图或者噪声经过编码器Es处理后得到一定数量的特征图，本实施例采用256*64*64(C*H*W)的特征图，然后对特征图的最大池化成256*1*1，经过全连接层输出一个节点的预测逻辑回归值，然后将这个全连接层的参数(也就是256个w权重)和特征图对应相乘得到最大池化注意力的特征图，w权重的获取借鉴了CAM。同样对特征图均值池化然后同样的操作得到均值池化注意力的特征图，将两个特征图合并连接得到256*2＝512通道的64*64的特征图，然后将新的特征图经过1*1卷积将通道改变成256送入解码器Gt解码阶段，同时通过将特征图扁平化处理后经过全连接得到C通道的γ和β，作为生成器解码阶段的自适应参数。
鉴别器的结果与生成器类似，不同之处包括：鉴别器也采用了CAM，但鉴别器中的CAM不做域的分类；一方面生成器在得到加了权的特征图{a1，a2，…，an}之后，通过解码器Gt得到结果图，而鉴别器通过Convolution with sigmoid，得到最终的分数用于判断输入图像是真实样本还是生成样本，从而通过反向传播更新鉴别器以及生成器的参数。
S104:获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。
实施例2
本实施例提供了一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的示例，包括以下三个阶段：
第一阶段为数据预处理阶段，本阶段的目的是确定输入图像与最终生成图像的分布，对原始的胸部DR影像进行针对性处理，增大图像全局对比度，还原图像细节尤其是椎骨、肺门、病灶等部分，使得网络更容易学习到有效的特征，从而准确地生成骨减影和组织减影图像。
本实施例采用的数据集包括2000例病例(每个病例都包括胸部DR原图、骨减影图像以及组织减影图像)，将数据集分为1600例训练数据、200例验证数据和200例测试数据，所述数据集中的图像均以dicom格式存储，对每个图像，dicom数据中包括三种窗宽窗位，分别为“Normal”、“Harder”和“Softer”，所述三种窗宽窗位均为有经验的医生确定。
如图2-图5所示，由于各种组织结构具有不同的CT值，因此想要显示某一组织结构细节时，需要选择适合观察该组织的窗宽窗位，对于胸部DR原片来讲，采用“Normal”对应的窗宽窗位保持了较高的图像对比度，同时赋予了肺内组织及病灶相对高的亮度，在生成后续图像时可以保持图像的细节；对于骨减影图像，采用“Softer”对应的图像可以保持骨上细节，尤其是中间的椎骨部分，可以看清每一个锥骨关节的形态；对于组织减影图像，采用“Softer”对应的图像可以较好地还原肺内组织，而其他两张图像不能完整地显示整个肺内组织结构，尤其是偏向于肺尖以及肺门处，成像相对不清晰，无法看清内部结构，对于诊断反而有干扰作用。
因此，对于胸部DR原图，本实施例采用“Normal”对应的窗宽窗位进行预处理；对于骨减影图像和组织减影图像，本实施例采用“Softer”对应的窗宽窗位进行预处理，并将图像大小统一重设为2048。
第二阶段为生成对抗网络模型的训练阶段，首先将胸部DR原片或噪声作为输入，经生成器生成“fake”图片，然后将真实的骨减影或者组织减影图像作为“real”图片，共同输入进鉴别器，经过鉴别网络之后输出0或者1，然后经过反向传播与梯度更新调节生成器与鉴别器权值参数，完成模型的训练。
第三阶段为图片的生成阶段，将预处理后的胸部DR图像作为输入，经过训练好的生成器，就可以得到生成的骨减影和组织减影图像。
图9为本实施例生成结果的一组示例，包括胸部DR原图、原始骨减影和组织减影图像以及本实施例生成的骨减影图像和组织减影图像，骨减影图像和组织减影图像是分别训练得到的，可以看到利用本实施例提供的方法得到的骨减影和组织减影图像成像清晰，对关键部位的还原度高，与利用双能减影方法得到的图像相似度高。
实施例3
本发明的实施例3提供一种图像处理装置，图像处理装置可以是运行于终端中的一个计算机程序(包括程序代码)。该图像处理装置可以执行实施例1中的基于生成对抗网络生成胸部DR骨减影图像和组织减影图像方法，具体包括：
图像获取单元，用于获取原始训练样本，所述原始训练样本包括胸部DR原图、骨减影图像和组织减影图像；以及获取待处理的胸部DR图像；
图像预处理单元，用于对所述图像获取单元获取的图像进行预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
图像生成单元，用于将所述胸部DR原图和/或噪声，以及待处理的胸部DR图像输入到生成器中，得到骨减影或者组织减影图像；
图像训练单元，用于将生成器生成的重构图像输入到到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，以完成对所述生成对抗网络模型的训练。
上述图像处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本发明的其它实施例中，基于模型训练装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本发明的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行实施例1中相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如附图10中所示的图像处理装置设备，以及来实现本发明实施例的模型训练方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
实施例4
本发明的实施例4提供一种电子设备，其特征在于，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行实施例1中所述的基于生成对抗网络生成胸部DR骨减影图像和组织减影图像方法。
本实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、医学图像获取装置等等的固定终端。图10示出的终端设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，终端设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有终端设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许终端设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的终端设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
实施例5
本发明的实施例5提供一种计算机可读存储介质，所述计算机可读存储介质存储有一条或多条第一指令，所述一条或多条第一指令适于由处理器加载并执行前述实施例中的基于生成对抗网络生成胸部DR骨减影图像和组织减影图像方法。
需要说明的是，本发明上述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述终端设备中所包含的；也可以是单独存在，而未装配入该终端设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被本发明所述的电子设备执行时，使得该电子设备执行本发明的基于生成对抗网络生成胸部DR骨减影图像和组织减影图像方法，获取胸部DR双能减影图像；对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织图像。
本发明各实施例方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本发明各实施例装置中的单元可根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上结合附图详细说明了本发明的技术方案，以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法，其特征在于，包括以下步骤：
1)获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；
2)对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
3)构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；
4)获取待处理的胸部DR图像，将待处理的胸部DR图像输入步骤3)中训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。
2.如权利要求1所述的方法，其特征在于，所述步骤2)中预处理具体包括以下步骤：
获得所述胸部DR双能减影图像的最适窗宽窗位，以所述最适窗宽窗位为目标对所述胸部DR双能减影图像进行线性拉伸，重设图像大小为2048。
3.如权利要求1或2所述的方法，其特征在于，所述步骤3)中生成对抗网络模型包括生成器和鉴别器，所述生成器包括编码器Es、解码器Gt和辅助分类器ηs，所述编码器Es包括多个下采样卷积层和多个残差模块，所述解码器Gt包括多个上采样卷积层和多个残差模块；所述鉴别器包括编码器Edt。
4.如权利要求3所述的方法，其特征在于，所述生成器的编码器采用IN，解码器的残差模块采用归一化函数AdaILN，其它模块采用ILN，鉴别器上的采样模块采用SN。
5.如权利要求1-4任一项所述的方法，其特征在于，所述步骤3)中生成对抗网络模型采用的损失函数包括对抗损失函数、循环损失函数、身份损失函数和类激活映射损失函数。
6.如权利要求1-5任一项所述的方法，其特征在于，所述步骤3)的训练包括以下步骤：以所述胸部DR原图或噪声作为生成器的输入，得到重构图像，所述重构图像包括骨减影图像和组织减影图像，将所述重构图像与真实的骨减影图像和组织减影图像输入到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，完成模型的训练。
7.如权利要求1-6任一项所述的方法，其特征在于，所述步骤4)中待处理的胸部DR图像在输入前经过预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，重设图像的大小为2048。
8.一种图像处理装置，其特征在于，包括：
1)图像获取单元，用于获取原始训练样本，所述原始训练样本包括胸部DR原图、骨减影图像和组织减影图像；以及获取待处理的胸部DR图像；
2)图像预处理单元，用于对所述图像获取单元获取的图像进行预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
3)图像生成单元，用于将所述胸部DR原图和噪声，以及待处理的胸部DR图像输入到生成器中，得到骨减影或者组织减影图像；
4)图像训练单元，用于将生成器生成的重构图像输入到到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，以完成对所述生成对抗网络模型的训练。
9.一种电子设备，其特征在于，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110270213.6A CN113052930A (zh) | 2021-03-12 | 2021-03-12 | 一种胸部dr双能量数字减影图像生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110270213.6A CN113052930A (zh) | 2021-03-12 | 2021-03-12 | 一种胸部dr双能量数字减影图像生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052930A true CN113052930A (zh) | 2021-06-29 |
Family
ID=76511973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110270213.6A Pending CN113052930A (zh) | 2021-03-12 | 2021-03-12 | 一种胸部dr双能量数字减影图像生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052930A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742807A (zh) * | 2022-04-24 | 2022-07-12 | 北京医准智能科技有限公司 | 基于x光图像的胸片识别方法、装置、电子设备和介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN106296613A (zh) * | 2016-08-15 | 2017-01-04 | 南京普爱医疗设备股份有限公司 | 一种基于dr机器的双能量减影方法 |
| CN108596884A (zh) * | 2018-04-15 | 2018-09-28 | 桂林电子科技大学 | 一种胸部ct图像中的食管癌分割方法 |
| CN110084863A (zh) * | 2019-04-25 | 2019-08-02 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
| CN111080552A (zh) * | 2019-12-16 | 2020-04-28 | 广州柏视医疗科技有限公司 | 基于深度学习神经网络的胸片虚拟双能去骨方法及系统 |
| 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 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
| CN112053328A (zh) * | 2020-08-18 | 2020-12-08 | 深圳蓝韵医学影像有限公司 | 数字x射线尘肺图像的处理方法及系统 |
| CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、系统和计算机存储介质 |
| CN112164130A (zh) * | 2020-09-07 | 2021-01-01 | 北京电影学院 | 基于深度对抗网络的视频-动画风格迁移方法 |
| CN112258415A (zh) * | 2020-10-27 | 2021-01-22 | 浙江工业大学 | 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法 |
| WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
-
2021
- 2021-03-12 CN CN202110270213.6A patent/CN113052930A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN106296613A (zh) * | 2016-08-15 | 2017-01-04 | 南京普爱医疗设备股份有限公司 | 一种基于dr机器的双能量减影方法 |
| CN108596884A (zh) * | 2018-04-15 | 2018-09-28 | 桂林电子科技大学 | 一种胸部ct图像中的食管癌分割方法 |
| CN110084863A (zh) * | 2019-04-25 | 2019-08-02 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
| WO2021022752A1 (zh) * | 2019-08-07 | 2021-02-11 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
| CN111080552A (zh) * | 2019-12-16 | 2020-04-28 | 广州柏视医疗科技有限公司 | 基于深度学习神经网络的胸片虚拟双能去骨方法及系统 |
| 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 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
| CN112053328A (zh) * | 2020-08-18 | 2020-12-08 | 深圳蓝韵医学影像有限公司 | 数字x射线尘肺图像的处理方法及系统 |
| CN112085677A (zh) * | 2020-09-01 | 2020-12-15 | 深圳先进技术研究院 | 一种图像处理方法、系统和计算机存储介质 |
| CN112164130A (zh) * | 2020-09-07 | 2021-01-01 | 北京电影学院 | 基于深度对抗网络的视频-动画风格迁移方法 |
| CN112258415A (zh) * | 2020-10-27 | 2021-01-22 | 浙江工业大学 | 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| JUNHO KIM: "U-GAT-IT: UNSUPERVISED GENERATIVE ATTENTIONAL NETWORKS WITH ADAPTIVE LAYERINSTANCE NORMALIZATION FOR IMAGE-TO-IMAGE TRANSLATION", ICLR 2020, pages 1 - 19 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742807A (zh) * | 2022-04-24 | 2022-07-12 | 北京医准智能科技有限公司 | 基于x光图像的胸片识别方法、装置、电子设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
| RU2667879C1 (ru) | Обработка и анализ данных на изображениях компьютерной томографии | |
| CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111369562B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US20070133851A1 (en) | Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system | |
| CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN114298234B (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
| CN110910465B (zh) | 一种运动伪影校正方法和系统 | |
| CN116664713A (zh) | 一种超声造影图像生成模型的训练方法及图像的生成方法 | |
| CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
| CN110852993B (zh) | 一种造影剂作用下的成像方法与设备 | |
| WO2020078252A1 (en) | Method, apparatus and system for automatic diagnosis | |
| CN116452808A (zh) | 图像分割方法、模型训练方法、系统、设备及存储介质 | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
| CN114487964A (zh) | 基于深度学习的磁共振成像（mri）检查加速 | |
| CN107799166B (zh) | 医学成像系统 | |
| CN117392119B (zh) | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 | |
| CN111599447B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| WO2023060735A1 (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 | |
| US20240203039A1 (en) | Interpretable task-specific dimensionality reduction | |
| Lou et al. | Predicting radiologist attention during mammogram reading with deep and shallow high-resolution encoding | |
| CN110853738B (zh) | 一种造影剂作用下的成像方法与设备 | |
| US20230274424A1 (en) | Appartus and method for quantifying lesion in biometric image |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Applicant after: Guangxi Yizhun Intelligent Technology Co.,Ltd. Address before: 1106, 11 / F, Weishi building, No.39 Xueyuan Road, Haidian District, Beijing Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd. Applicant before: Guangxi Yizhun Intelligent Technology Co.,Ltd. |