CN114565584A - 一种胸片去骨处理方法及装置 - Google Patents

一种胸片去骨处理方法及装置 Download PDF

Info

Publication number
CN114565584A
CN114565584A CN202210198942.XA CN202210198942A CN114565584A CN 114565584 A CN114565584 A CN 114565584A CN 202210198942 A CN202210198942 A CN 202210198942A CN 114565584 A CN114565584 A CN 114565584A
Authority
CN
China
Prior art keywords
chest
image
bone
model
processed
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
Application number
CN202210198942.XA
Other languages
English (en)
Inventor
张晓东
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.)
Peking University First Hospital
Original Assignee
Peking University First Hospital
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 Peking University First Hospital filed Critical Peking University First Hospital
Priority to CN202210198942.XA priority Critical patent/CN114565584A/zh
Publication of CN114565584A publication Critical patent/CN114565584A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30008—Bone
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种胸片去骨处理方法及装置，其中，胸片去骨处理方法包括：获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；以编码器‑解码器为深度学习模型基础架构，构建去骨模型；基于常规胸片图像和其对应的目标去骨胸片图像一起对去骨模型进行训练，得到训练好的去骨模型；获取待处理胸片图像；将待处理胸片图像输入去骨模型，得到对应的去骨胸片图像。通过以编码器‑解码器为深度学习模型基础架构，构建去骨模型，将待处理的胸片图像输入至训练好的去骨模型得到去骨胸片图像，不仅可以有效解决由于病人心跳、呼吸产生运动伪影导致的去骨效果不佳的问题，同时大幅缩短了去骨处理的时间，提高了对不显著肺部病灶的判读准确率。

Description

一种胸片去骨处理方法及装置
技术领域
本发明涉及医学影像领域，具体涉及一种胸片去骨处理方法及装置。
背景技术
X线胸片在临床工作中应用广泛，通过对患者的X线胸片图像进行判读是目前诊断呼吸系统疾病的一种常用的检查方法，但由于胸片是重叠影像，胸部区域骨质结构和肺部软组织在图像上的投影有重叠，所以在实际临床读片过程中，不显著的肺部病灶的判读可能受到干扰，出现漏诊的情况。如果可以去除胸片中的骨组织，无论对影像科医师还是计算机辅助诊断系统都有好处，既往研究证明采用双能减影成像(Dual-Energy SubtractionImaging,DES)技术对胸片进行骨质结构图像抑制是非常有用的，然而DES的辐射剂量相对较大，需要特殊的双能量成像设备，而且心跳、呼吸产生的运动伪影可导致去骨效果不佳，另外，也可以通过传统图像后处理算法来去除胸片骨质结构，但效果也往往达不到临床使用的要求。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中胸部区域骨质结构和肺部软组织在图像上的投影有重叠，导致不显著的肺部病灶的判读受到干扰从而出现漏诊的缺陷，从而提供一种胸片去骨处理方法及装置。
根据第一方面，本发明实施例提供了一种胸片去骨处理方法，所述方法包括：
获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；
以编码器-解码器为深度学习模型基础架构，构建去骨模型；
将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像；
基于所述常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型；
获取待处理胸片图像；
将所述待处理胸片图像输入所述去骨模型，得到所述待处理胸片图像对应的去骨胸片图像。
可选地，所述基于所述常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型，包括：
利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征；
计算所述当前目标去骨胸片图像和所述当前预测去骨胸片图像的最小绝对值偏差；
基于所述当前目标去骨胸片图像和所述当前预测去骨胸片图像对应的图像特征以及所述最小绝对值偏差计算损失函数的损失值；
利用所述损失值对所述去骨模型的模型参数进行调整，直至所述损失值满足预设损失值要求，得到训练好的去骨模型。
可选地，所述损失函数通过如下公式表示：
Figure BDA0003528417860000031
其中，P为所述当前预测去骨胸片图像，T为所述当前目标去骨胸片图像，VGGj为由所述预设VGG卷积神经网络模型的第j个卷积获得的激活图，Gvgg为所述预设VGG卷积神经网络模型的协方差矩阵。
可选地，所述去骨模型包括：编码器模块和解码器模块，其中，
所述编码器模块用于提取所述待处理胸片图像的图像特征；
所述解码器模块用于基于所述待处理胸片图像的图像特征，生成去骨胸片图像。
可选地，在将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像之前，或在将所述待处理胸片图像输入所述去骨模型得到所述待处理胸片图像对应的所述去骨胸片图像之前，所述方法还包括：
对所述常规胸片图像或所述待处理胸片图像进行图像格式转换。
可选地，在将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像之前，或在将所述待处理胸片图像输入所述去骨模型得到所述待处理胸片图像对应的所述去骨胸片图像之前，所述方法还包括：
获取所述常规胸片图像或所述待处理胸片图像的DICOM头信息；
基于所述DICOM头信息对所述常规胸片图像或所述待处理胸片图像进行灰度反转，得到所述常规胸片图像或所述待处理胸片图像对应的灰度分布直方图；
基于所述灰度分布直方图调整所述常规胸片图像或所述待处理胸片图像的图像对比度。
根据第二方面，本发明实施例提供了一种胸片去骨处理装置，所述装置包括：
第一获取模块，用于获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；
第一处理模块，用于以编码器-解码器为深度学习模型基础架构，构建去骨模型；
第二处理模块，用于将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像；
第三处理模块，用于基于所述多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型；
第二获取模块，用于获取待处理胸片图像；
第四处理模块，用于将所述待处理胸片图像输入所述去骨模型，得到所述待处理胸片图像对应的去骨胸片图像。
可选地，所述第三处理模块包括：
提取模块，用于利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征；
第一计算模块，用于计算所述当前目标去骨胸片图像和所述当前预测去骨胸片图像的最小绝对值偏差；
第二计算模块，用于基于所述当前目标去骨胸片图像和所述当前预测去骨胸片图像对应的图像特征以及所述最小绝对值偏差计算损失函数的损失值；
训练模块，用于利用所述损失值对所述去骨模型的模型参数进行调整，直至所述损失值满足预设损失值要求，得到训练好的去骨模型。
根据第三方面，本发明实施例提供了一种电子设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
根据第四方面，本发明实施例提供了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计算机指令，所述计算机指令用于使所述计算机执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
本发明技术方案，具有如下优点：
本发明提供的一种胸片去骨处理方法及装置，通过获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；以编码器-解码器为深度学习模型基础架构，构建去骨模型；将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像；基于所述多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型；获取待处理胸片图像；将所述待处理胸片图像输入所述去骨模型，得到所述待处理胸片图像对应的去骨胸片图像。通过以编码器-解码器为深度学习模型基础架构，构建去骨模型，将待处理的胸片图像输入至训练好的去骨模型得到去骨胸片图像，不仅可以有效解决由于病人心跳、呼吸等产生运动伪影导致的去骨效果不佳的问题，同时大幅缩短了去骨处理的时间，提高了对不显著肺部病灶的判读准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例的一种胸片去骨处理方法的流程图；
图2为本发明实施例的去骨模型的结构图；
图3为本发明实施例的去骨模型的测试结果图。
图4为本发明实施例的一种胸片去骨处理装置的结构示意图；
图5为本发明实施例的第三处理模块的结构示意图；
图6为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明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做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，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种胸片去骨处理方法，如图1所示，该胸片去骨处理方法具体包括如下步骤：
步骤S101：获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像。
步骤S102：以编码器-解码器为深度学习模型基础架构，构建去骨模型。
具体地，去骨模型包括：编码器模块和解码器模块，其中，
编码器模块用于提取待处理胸片图像的图像特征；
解码器模块用于基于待处理胸片图像的图像特征，生成去骨胸片图像。
如图2所示，本发明实施例提供的胸片去骨模型以编码器-解码器架构为深度学习模型的基础架构，其中编码器部分以RESNET为基础进行构建，解码器部分以动态U形网络为基础进行构建，并以最小绝对值损失及基于VGG卷积神经网络模型提取的图像特征共同组成特定的损失函数建立胸片去骨模型。U型网络结构已经过大量实践训练，具有良好的使用基础，特别是在图像生成处理上，U型网络的效果极佳。
步骤S103：将常规胸片图像输入去骨模型得到预测去骨胸片图像。
具体地，在实际应用中，常规胸片及其对应的目标去骨胸片图像在实际临床工作中由双能X光机(Dual Energy Subtraction GE Discovery XR656)扫描得到，均为正位胸部X线图像。双能X光机在物理上通过两个能量和进行减影操作，能同时获得常规胸片图像和目标去骨胸片图像，通过上述双能X光机采集得到的两类图像均满足临床要求。
通过本发明实施例提供的基于RESNET基础架构并结合动态UNET网络的胸片去骨模型，将常规胸片图像输入至去骨模型中得到预测去骨胸片图像，不仅可以提高去骨处理的速度，还有效避免了病人的呼吸运动可能造成的干扰。
步骤S104：基于常规胸片图像对应的目标去骨胸片图像和预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型。通过利用深度学习算法训练去骨模型，与传统后处理算法或双能X光机获得的去骨胸片的方式相比，具有对病人呼吸运动不敏感、耗时短、图像质量高的特点。本发明实施例提供的去骨模型已用实际临床数据验证其可行性和有效性。
具体地，在一实施例中，上述步骤S104具体包括如下步骤：
步骤S201：利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征。
具体地，在实际应用中，本发明实施例提供的去骨模型是由常规胸片图像生成去骨胸片图像，即由输入的图像生成新的图像，属于图像生成模型。在图像训练及测试阶段，主要涉及三类图像：输入图像I(input)，目标图像T(target)和预测生成图像P(prediction)，输入图像I为未进行去骨处理的常规胸片；目标图像T为目标去骨胸片图像；预测生成图像P为预测去骨胸片图像。
步骤S202：计算当前目标去骨胸片图像和当前预测去骨胸片图像的最小绝对值偏差。
步骤S203：基于当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征以及最小绝对值偏差计算损失函数的损失值；
具体地，损失函数通过如下公式表示：
Figure BDA0003528417860000091
其中，P为当前预测去骨胸片图像，T为当前目标去骨胸片图像，VGGj为由预设VGG卷积神经网络模型的第j个卷积获得的激活图，Gvgg为预设VGG卷积神经网络模型的协方差矩阵。
优选地，本发明实施例采用的VGG卷积神经网络模型的深度为16，但实际情况不限于此，为提高识别准确率而进行的网络模型深度的变化，也在本发明实施例提供的一种胸片去骨处理方法的保护范围之内。
步骤S204：利用损失值对去骨模型的模型参数进行调整，直至损失值满足预设损失值要求，得到训练好的去骨模型。
图3示出了本发明实施例提供的去骨模型在进行模型训练过程中的一次结果，左侧为常规胸片图像；中间为目标去骨胸片图像(样品去骨胸片图像)；右侧为由去骨模型生成的预测去骨胸片图像。
具体地，在实际应用中，本发明实施例提供的去骨模型的模型效能，主要从目标图像T和预测生成图像P之间的相互关系角度来比较评估。在对去骨模型进行训练的过程中，本发明实施例通过采用测试集的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性(Structure Similarity,SSIM)评价去骨模型的效能。
其中，PSNR即峰值信号的能量与噪声的平均能量之比，是一种评估图像质量的客观标准，是基于相比较的T与P两图像间对应像素点的均方误差(Mean Square Error,MSE)的图像质量评价。PSNR的单位是分贝dB，数值越大代表图像质量越好，一般来说，PSNR与图像质量的关系如下：PSNR>40dB，提示图像质量极好；30dB<PSNR<40dB，提示图像质量较好；20dB<PSNR<30dB，提示图像质量差；PSNR<20dB，提示图像极差。
SSIM是另一种图像质量的评价指标，分别从亮度、对比度、结构三方面度量图像之间的相似性，SSIM取值范围为0～1之间的数值，值越大表示图像T与P之间相似度越高。本发明实施例将相比较的T与P两图像的均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似度的估计。
通过对图像质量进行评估，得到峰值信噪比PSNR和结构相似性SSIM指标结果均较高，PSNR最大值为37.22dB，最小值为25.35dB，平均值±标准差为31.94±2.49dB。SSIM最大值为98.48％，最小值为25.35％，平均值±标准差为93.37±5.11％，评估结果表明基于本发明实施例提供的去骨模型，目标图像T与预测生成图像P的图像质量较好且相似度较高。
步骤S105：获取待处理胸片图像。
步骤S106：将待处理胸片图像输入去骨模型，得到待处理胸片图像对应的去骨胸片图像。
具体地，在临床应用中，本发明实施例提供的去骨模型可以作为一个新的读片功能选项使用单独加入临床影像读片软件中，也可以与胸部X光相关的其他人工智能分类或预测模型联合使用，以提高其准确率和鲁棒性。
具体地，在实际应用中，在执行步骤S103和步骤S106之前，还包括对常规胸片图像或待处理胸片图像进行图像格式转换和基础处理。
通过进行图像的基础处理，提高识别的准确度，从而保证得到的去骨胸片更加准确。在进行图像基础处理过程中，通过获取常规胸片图像或待处理胸片图像的DICOM头信息；基于DICOM头信息对常规胸片图像或待处理胸片图像进行灰度反转，得到常规胸片图像或待处理胸片图像对应的灰度分布直方图；基于灰度分布直方图调整常规胸片图像或待处理胸片图像的图像对比度。
在实际应用中，本发明实施例将图像格式转换和对图像进行基础处理的过程通过输入模块完成。为更好地实现去骨胸片的快速准确输出，如图2所示，本发明实施例提供的去骨模型由输入模块(Input)、编码器模块(Encoder)、解码器模块(Decoder)、特征损失模块(Feature Loss)以及模型输出模块(Model Output)组成。
具体模块技术细节详细描述如下：
输入模块：将胸部X光片(Chest X-Ray)输入至胸片去骨模型，具有自动处理图像格式转化及对比度增强的功能，其中图像格式转换指将原始DICOM图像格式转换为NIFTI格式图像，并根据DICOM头信息判断原始胸片图像是否需要灰度反转，自动根据原始图像灰度分布直方图，调整图像对比。
编码器模块：具有自动提取原始胸片图像特征的功能，该模块以RESNET为基础架构(Resnet-Based)，通过将不同深度的RESNET模型组合，来实现最优的图像特征提取。
解码器模块：具有根据编码器模块提取的特征来生成目标图像的功能，该模块以UNET网络模型为基础架构(Dynamic-UNET)，利用不同深度编码器提取的特征和不同维度原始图像直接生成的特征整合共同生成最终的目标图像。
特征损失模块：由L1损失函数为基础，基于胸片样本图像得到的Imagenet数据集以及结合Imagenet数据集训练得到的VGG卷积神经网络提取的图像特征共同组成评估去骨效果的专用损失函数(VGG-Based)，具有图像灰度和纹理等高阶特征评判的功能。
模型输出模块：将处理后得到的去骨胸片图像进行输出，得到去骨胸部X光片(Bone-Suppression X-Ray)。
优选地，本发明实施例所使用的RESNET模型的深度为34，即Resnet34，具体的模型架构为编码器-解码器结构，其中编码器部分完成图像特征提取的功能，由Resnet34模型的特征提取层组成，具体包括其前4个Resnet块(Resnet Block)。解码器部分由U型网络模型构成，该结构与传统UNET分割模型结构基本相同，完成图像生成功能。
通过执行上述步骤，本发明实施例提供的胸片去骨处理方法，通过获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；以编码器-解码器为深度学习模型基础架构，构建去骨模型；将常规胸片图像输入去骨模型得到预测去骨胸片图像；基于多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像和预测去骨胸片图像对去骨模型进行训练，得到训练好的去骨模型；获取待处理胸片图像；将待处理胸片图像输入去骨模型，得到待处理胸片图像对应的去骨胸片图像。通过以编码器-解码器为深度学习模型基础架构，构建去骨模型，将待处理的胸片图像输入至训练好的去骨模型得到去骨胸片图像，不仅可以有效解决由于病人心跳、呼吸等产生运动伪影导致的去骨效果不佳的问题，同时大幅缩短了去骨处理的时间，提高了对不显著肺部病灶的判读准确率。
下面将结合具体应用示例，对本发明实施例提供的胸片去骨处理方法进行详细的说明。
结合图1-图3所示，通过将待处理的胸片图像输入至基于RESNET基础架构并结合动态UNET网络的胸片去骨模型中，经输入模块对待处理的胸片图像进行格式转换和对比度增强等操作，得到满足提取要求的图像，将经过输入模块处理后的图像输入至编码器模块中，提取到最优的图像特征，基于最优图像特征和解码器模块，生成去骨胸片图像，并通过特征损失模块计算损失函数，保证了去骨图片达到理想效果，最终去骨胸片图像通过模型输出模块进行输出。本发明实施例提出了通过专门针对胸片去骨的图像生成模型架构以及去骨特定图像特征损失函数，不仅大幅提高了去骨处理的速度，还用实际临床数据验证了该胸片去骨处理方法的可行性和有效性。
本发明实施例提供了一种胸片去骨处理装置，如图4所示，该胸片去骨处理装置包括：
第一获取模块101，用于获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。
第一处理模块102，用于以编码器-解码器为深度学习模型基础架构，构建去骨模型。详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。
第二处理模块103，用于将常规胸片图像输入去骨模型得到预测去骨胸片图像。详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。
第三处理模块104，用于基于多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像和预测去骨胸片图像对去骨模型进行训练，得到训练好的去骨模型。详细内容参见上述方法实施例中步骤S104的相关描述，在此不再进行赘述。
第二获取模块105，用于获取待处理胸片图像。详细内容参见上述方法实施例中步骤S105的相关描述，在此不再进行赘述。
第四处理模块106，用于将待处理胸片图像输入去骨模型，得到待处理胸片图像对应的去骨胸片图像。详细内容参见上述方法实施例中步骤S106的相关描述，在此不再进行赘述。
具体地，如图5所示，第三处理模块包括：
提取模块201，用于利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征。详细内容参见上述方法实施例中步骤S201的相关描述，在此不再进行赘述。
第一计算模块202，用于计算当前目标去骨胸片图像和当前预测去骨胸片图像的最小绝对值偏差。详细内容参见上述方法实施例中步骤S202的相关描述，在此不再进行赘述。
第二计算模块203，用于基于当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征以及最小绝对值偏差计算损失函数的损失值。详细内容参见上述方法实施例中步骤S203的相关描述，在此不再进行赘述。
训练模块204，用于利用损失值对去骨模型的模型参数进行调整，直至损失值满足预设损失值要求，得到训练好的去骨模型。详细内容参见上述方法实施例中步骤S204的相关描述，在此不再进行赘述。
上述的胸片去骨处理装置的更进一步描述参见上述胸片去骨处理方法实施例的相关描述，在此不再进行赘述。
通过上述各个组成部分的协同合作，本发明实施例提供的胸片去骨处理装置，通过以编码器-解码器为深度学习模型基础架构，构建去骨模型，将待处理的胸片图像输入至训练好的去骨模型得到去骨胸片图像，不仅可以有效解决由于病人心跳、呼吸等产生运动伪影导致的去骨效果不佳的问题，同时大幅缩短了去骨处理的时间，提高了对不显著肺部病灶的判读准确率。
本发明实施例提供了一种电子设备，如图6所示，该电子设备包括处理器901和存储器902，存储器902和处理器901之间互相通信连接，其中处理器901和存储器902可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、图形处理器(Graphics Processing Unit，GPU)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器901的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种胸片去骨处理方法，其特征在于，包括：
获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；
以编码器-解码器为深度学习模型基础架构，构建去骨模型；
将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像；
基于所述常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型；
获取待处理胸片图像；
将所述待处理胸片图像输入所述去骨模型，得到所述待处理胸片图像对应的去骨胸片图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型，包括：
利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征；
计算所述当前目标去骨胸片图像和所述当前预测去骨胸片图像的最小绝对值偏差；
基于所述当前目标去骨胸片图像和所述当前预测去骨胸片图像对应的图像特征以及所述最小绝对值偏差计算损失函数的损失值；
利用所述损失值对所述去骨模型的模型参数进行调整，直至所述损失值满足预设损失值要求，得到训练好的去骨模型。
3.根据权利要求2所述的方法，其特征在于，所述损失函数通过如下公式表示：
Figure FDA0003528417850000021
其中，P为所述当前预测去骨胸片图像，T为所述当前目标去骨胸片图像，VGGj为由所述预设VGG卷积神经网络模型的第j个卷积获得的激活图，Gvgg为所述预设VGG卷积神经网络模型的协方差矩阵。
4.根据权利要求1所述的方法，其特征在于，所述去骨模型包括：编码器模块和解码器模块，其中，
所述编码器模块用于提取所述待处理胸片图像的图像特征；
所述解码器模块用于基于所述待处理胸片图像的图像特征，生成去骨胸片图像。
5.根据权利要求1所述的方法，其特征在于，在将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像之前，或在将所述待处理胸片图像输入所述去骨模型得到所述待处理胸片图像对应的所述去骨胸片图像之前，所述方法还包括：
对所述常规胸片图像或所述待处理胸片图像进行图像格式转换。
6.根据权利要求1所述的方法，其特征在于，在将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像之前，或在将所述待处理胸片图像输入所述去骨模型得到所述待处理胸片图像对应的所述去骨胸片图像之前，所述方法还包括：
获取所述常规胸片图像或所述待处理胸片图像的DICOM头信息；
基于所述DICOM头信息对所述常规胸片图像或所述待处理胸片图像进行灰度反转，得到所述常规胸片图像或所述待处理胸片图像对应的灰度分布直方图；
基于所述灰度分布直方图调整所述常规胸片图像或所述待处理胸片图像的图像对比度。
7.一种胸片去骨处理装置，其特征在于，包括：
第一获取模块，用于获取多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像；
第一处理模块，用于以编码器-解码器为深度学习模型基础架构，构建去骨模型；
第二处理模块，用于将所述常规胸片图像输入所述去骨模型得到预测去骨胸片图像；
第三处理模块，用于基于所述多个常规胸片图像及各常规胸片图像对应的目标去骨胸片图像和所述预测去骨胸片图像对所述去骨模型进行训练，得到训练好的去骨模型；
第二获取模块，用于获取待处理胸片图像；
第四处理模块，用于将所述待处理胸片图像输入所述去骨模型，得到所述待处理胸片图像对应的去骨胸片图像。
8.根据权利要求7所述的装置，其特征在于，所述第三处理模块包括：
提取模块，用于利用预设VGG卷积神经网络模型分别提取当前目标去骨胸片图像和当前预测去骨胸片图像对应的图像特征；
第一计算模块，用于计算所述当前目标去骨胸片图像和所述当前预测去骨胸片图像的最小绝对值偏差；
第二计算模块，用于基于所述当前目标去骨胸片图像和所述当前预测去骨胸片图像对应的图像特征以及所述最小绝对值偏差计算损失函数的损失值；
训练模块，用于利用所述损失值对所述去骨模型的模型参数进行调整，直至所述损失值满足预设损失值要求，得到训练好的去骨模型。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行如权利要求1-6中任一项所述的方法。
CN202210198942.XA 2022-03-02 2022-03-02 一种胸片去骨处理方法及装置 Pending CN114565584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210198942.XA CN114565584A (zh) 2022-03-02 2022-03-02 一种胸片去骨处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210198942.XA CN114565584A (zh) 2022-03-02 2022-03-02 一种胸片去骨处理方法及装置

Publications (1)

Publication Number Publication Date
CN114565584A true CN114565584A (zh) 2022-05-31

Family

ID=81716142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210198942.XA Pending CN114565584A (zh) 2022-03-02 2022-03-02 一种胸片去骨处理方法及装置

Country Status (1)

Country Link
CN (1) CN114565584A (zh)

Similar Documents

Publication Publication Date Title
WO2021213519A1 (zh) 图像获取、判断图像质量、医学图像采集的方法和系统
CN111768343B (zh) 用于促进检查肝脏肿瘤病例的系统和方法
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN111540025B (zh) 预测用于图像处理的图像
CN111915696B (zh) 三维图像数据辅助的低剂量扫描数据重建方法及电子介质
CN102024251B (zh) 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法
JP2016531709A (ja) 疾患を診断するための画像解析技術
US20100266188A1 (en) Chest x-ray registration, subtraction and display
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
CN106530236B (zh) 一种医学图像处理方法及系统
CN111080552B (zh) 基于深度学习神经网络的胸片虚拟双能去骨方法及系统
CN111798535B (zh) Ct图像增强显示方法及计算机可读存储介质
CN114270397A (zh) 使用电特性断层成像确定流体和组织体积估计的系统和方法
CN114596225A (zh) 一种运动伪影模拟方法和系统
CN108038840B (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN110599530A (zh) 基于双正则约束的mvct图像纹理增强方法
CN116433620A (zh) 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统
CN115861172A (zh) 基于自适应正则化光流模型的室壁运动估计方法及装置
US20240135605A1 (en) Methods and systems for metal artifacts correction
CN117934371A (zh) 一种基于条件扩散模型的胸部x光图像骨抑制方法
CN117523204A (zh) 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质
CN111325758A (zh) 肺部图像分割方法及装置、图像分割模型的训练方法
CN117437144A (zh) 用于图像去噪的方法和系统
CN116630342A (zh) 腹部mri图像分割系统、方法、电子设备及存储介质
CN114565584A (zh) 一种胸片去骨处理方法及装置

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