CN115965538A - 去除x射线图像中的滤线栅栅影的方法和装置及存储介质 - Google Patents
去除x射线图像中的滤线栅栅影的方法和装置及存储介质 Download PDFInfo
- Publication number
- CN115965538A CN115965538A CN202111185284.2A CN202111185284A CN115965538A CN 115965538 A CN115965538 A CN 115965538A CN 202111185284 A CN202111185284 A CN 202111185284A CN 115965538 A CN115965538 A CN 115965538A
- Authority
- CN
- China
- Prior art keywords
- grid
- ray image
- neural network
- ray
- artificial neural
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明实施方式公开了一种去除X射线图像中的滤线栅栅影的方法和装置及存储介质。方法包括:获取X射线图像;将所述X射线图像转换为预定分辨率;将转换为所述预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中所述人工神经网络的输入层对应于所述预定分辨率;当所述人工神经网络确定所述转换为预定分辨率的X射线图像中包含滤线栅栅影时,对所述X射线图像执行去栅影处理。本发明实施方式基于机器学习确定X射线图像中是否存在栅影,无需执行快速傅立叶变换,节约了处理时间。而且,本发明实施方式适用于支持混合滤线栅的X射线成像系统,可以节约成本。
Description
技术领域
本发明涉及医学成像技术领域,特别是涉及一种去除X射线图像中的滤线栅栅影的方法和装置及计算机可读存储介质。
背景技术
X射线是波长介于紫外线和γ射线之间的电磁辐射。X射线具有穿透性,对不同密度的物质有不同的穿透能力。在医学上一般用X射线投射人体器官及骨骼以形成医学图像。X射线成像系统通常包括X射线发生组件、胸片架(Bucky-Wall-Stand,BWS)组件、检查床(table)组件、包含平板探测器的片盒组件和位于远程的控制主机,等等。X射线发生组件利用高压发生器提供的高压发出透过照射成像目标的X射线,并在平板探测器上形成成像目标的医学图像信息。平板探测器将医学图像信息发送到控制主机。成像目标可以站立在胸片架组件附近或躺在检查床组件上,从而分别接受头颅、胸部、腹部以及关节等各部位的X射线摄影。
在X射线成像中,部分的X射线发生散射,从而影响图像质量。具有抗散射作用的抗散射滤线栅(Anti-scattering grid)能够有效过滤散射的X射线,并提高图像的对比度和信噪比(Signal Noise Ratio,SNR)。目前,通常在成像对象和平板探测器之间布置滤线栅,以抑制散射对平板探测器的不利影响。当使用低成本的低栅密度滤线栅(如40线/厘米)时,图像中通常存在滤线栅栅影,此时需要对X射线图像执行栅影去除处理以去除栅影;当使用高成本的高密度滤线栅(如92线/厘米)时,此时不应该对X射线图像执行栅影去除处理,否则反而会对图像质量造成负面影响。
在以美国专利公开号US6269176B1为示例的现有技术中,提取X射线图像的高频信号,然后计算高频信号的方差,并通过快速傅立叶变换(FFT)确定X射线图像中是否存在栅影。然而,快速傅立叶变换通常会耗费大量时间。
发明内容
本发明实施方式提出一种去除X射线图像中的滤线栅栅影的方法和装置。
本发明实施方式的技术方案包括:
一种去除X射线图像中的滤线栅栅影的方法,包括:
获取X射线图像;
将所述X射线图像转换为预定分辨率;
将转换为所述预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中所述人工神经网络的输入层对应于所述预定分辨率;
当所述人工神经网络确定所述转换为预定分辨率的X射线图像中包含滤线栅栅影时,对所述X射线图像执行去栅影处理。
可见,在本发明实施方式中,基于人工神经网络确定X射线图像中是否存在栅影,无需执行快速傅立叶变换,因此节约了处理时间。
在一个实施方式中,所述预定分辨率为N*M个像素点,所述人工神经网络的输入层包含N*M个神经节点,其中所述N*M个神经节点中的每个神经节点一一对应于所述N*M个像素点中的各自的像素点,其中N和M都为正整数。
因此,本发明实施方式的人工神经网络的输入层中的神经节点数目对应于X射线图像被转换后的分辨率,实现了人工神经网络与X射线图像之间的匹配,从而人工神经网络可以快速处理各种具有不同原始分辨率的X射线图像,提高了处理效率。
在一个实施方式中,所述人工神经网络的隐含层包含K个神经节点,其中所述K个神经节点中的每个神经节点分别与所述输入层中的、所述N*M个神经节点中的每个神经节点连接,其中K为正整数;所述人工神经网络的输出层包含2个神经节点,其中所述2个神经节点中的每个神经节点分别与所述隐含层中的、所述K个神经节点中的每个神经节点连接。
可见,本发明实施方式的人工神经网络的输出层包含2个神经节点,尤其适用于输出是否包含滤线栅栅影的分类结果。
在一个实施方式中,还包括:
当所述人工神经网络确定所述转换为预定分辨率的X射线图像中不包含滤线栅栅影时,不对所述X射线图像执行去栅影处理。
因此,本发明实施方式确定X射线图像中不包含滤线栅栅影时,不对X射线图像执行去栅影处理,避免了盲目执行去栅影处理对图像质量造成的负面影响。
在一个实施方式中,还包括:
针对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;
利用已标注的所述X射线历史图像对所述人工神经网络进行训练,其中当所述人工神经网络输出结果的准确率大于预定的阈值时,完成所述人工神经网络的训练过程。
可见,本发明实施方式基于X射线历史图像对人工神经网络执行训练,保证了人工神经网络的处理精度。
在一个实施方式中,所述获取X射线图像包括:
从支持混合滤线栅的X射线成像系统中获取所述X射线图像;
其中所述混合滤线栅包含在第一源像距时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中所述第二源像距大于第一源像距,所述第二滤线栅的栅密度大于所述第一滤线栅的栅密度。
因此,本发明实施方式适用于支持混合滤线栅的X射线成像系统,可以节约成本。而且,工作人员无需预先了解混合滤线栅中具体采取何种滤线栅,通过人工神经网络可以自行决定是否执行去栅影处理,从而提高了处理效率。
一种去除X射线图像中的滤线栅栅影的装置,包括:
获取模块,用于获取X射线图像;
转换模块,用于将所述X射线图像转换为预定分辨率;
输入模块,用于将转换为所述预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中所述人工神经网络的输入层对应于所述预定分辨率;
处理模块,用于当所述人工神经网络确定所述转换为预定分辨率的X射线图像中包含滤线栅栅影时,对所述X射线图像执行去栅影处理。
可见,在本发明实施方式中,基于人工神经网络确定X射线图像中是否存在栅影,无需执行快速傅立叶变换,因此节约了处理时间。
在一个实施方式中,所述预定分辨率为N*M个像素点,所述人工神经网络的输入层包含N*M个神经节点,其中所述N*M个神经节点中的每个神经节点一一对应于所述N*M个像素点中的各自的像素点,其中N和M都为正整数。
因此,本发明实施方式的人工神经网络的输入层中的神经节点数目对应于X射线图像被转换后的分辨率,实现了人工神经网络与X射线图像之间的匹配,从而人工神经网络可以快速处理各种具有不同原始分辨率的X射线图像,提高了处理效率。
在一个实施方式中,所述人工神经网络的隐含层包含K个神经节点,其中所述K个神经节点中的每个神经节点分别与所述输入层中的、所述N*M个神经节点中的每个神经节点连接,其中K为正整数;所述人工神经网络的输出层包含2个神经节点,其中所述2个神经节点中的每个神经节点分别与所述隐含层中的、所述K个神经节点中的每个神经节点连接。
可见,本发明实施方式的人工神经网络的输出层包含2个神经节点,尤其适用于输出是否包含滤线栅栅影的分类结果。
在一个实施方式中,所述处理模块,还用于当所述人工神经网络确定所述转换为预定分辨率的X射线图像中不包含滤线栅栅影时,不对所述X射线图像执行去栅影处理。
因此,本发明实施方式确定X射线图像中不包含滤线栅栅影时,不对X射线图像执行去栅影处理,避免了盲目执行去栅影处理对图像质量造成的负面影响。
在一个实施方式中,还包括:
训练模块,用于针对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;利用已标注的所述X射线历史图像对所述人工神经网络进行训练,其中当所述人工神经网络输出结果的准确率大于预定的阈值时,完成所述人工神经网络的训练过程。
可见,本发明实施方式基于X射线历史图像对人工神经网络执行训练,保证了人工神经网络的处理精度。
在一个实施方式中,所述获取模块,用于从支持混合滤线栅的X射线成像系统中获取所述X射线图像;其中所述混合滤线栅包含在第一源像距时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中所述第二源像距大于第一源像距,所述第二滤线栅的栅密度大于所述第一滤线栅的栅密度。
因此,本发明实施方式适用于支持混合滤线栅的X射线成像系统,可以节约成本。而且,工作人员无需预先了解混合滤线栅中具体采取何种滤线栅,通过人工神经网络可以自行决定是否执行去栅影处理,从而提高了处理效率。
一种去除X射线图像中的滤线栅栅影的装置,包括处理器和存储器;
所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行如上任一种所述的去除X射线图像中的滤线栅栅影的方法。
可见,本发明实施方式还提出了一种具有存储器-处理器架构的装置,可以基于人工神经网络确定X射线图像中是否存在栅影,无需执行快速傅立叶变换,因此节约了处理时间。
一种计算机可读存储介质,其中存储有计算机可读指令,该计算机可读指令用于执行如上任一种所述的去除X射线图像中的滤线栅栅影的方法。
因此,本发明实施方式还提出了一种包含计算机可读指令的计算机可读存储介质,可以基于人工神经网络确定X射线图像中是否存在栅影,无需执行快速傅立叶变换,因此节约了处理时间。
附图说明
图1为根据本发明实施方式去除X射线图像中的滤线栅栅影的方法的流程图。
图2为根据本发明实施方式对应于512*512的分辨率的人工神经网络的示范性结构图。
图3为根据本发明实施方式的隐藏层激活函数的示意图。
图4为根据本发明实施方式的输出层激活函数的示意图。
图5为根据本发明实施方式去除X射线图像中的滤线栅栅影的装置的结构图。
图6为根据本发明实施方式具有存储器-处理器架构的、去除X射线图像中的滤线栅栅影的装置的结构图。
其中,附图标记如下:
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图及实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以阐述性说明本发明,并不用于限定本发明的保护范围。
为了描述上的简洁和直观,下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显,本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案,一些实施方式没有进行细致地描述,而是仅给出了框架。下文中,“包括”是指“包括但不限于”,“根据……”是指“至少根据……,但不限于仅根据……”。由于汉语的语言习惯,下文中没有特别指出一个成分的数量时,意味着该成分可以是一个也可以是多个,或可理解为至少一个。
考虑到现有技术中的去除X射线图像中栅影的技术方案中,需要执行快速傅立叶变换以检测栅影的诸多缺陷,本发明实施方式提出一种利用人工智能去除X射线图像中栅影的技术方案。
图1为根据本发明实施方式去除X射线图像中的滤线栅栅影的方法的流程图。优选地,可以由控制器执行图1所示方法。其中,该控制器可以被集成到X射线成像系统的控制主机(比如影像工作站)中,还可以实施为与控制主机相独立的控制单元。
如图1所示,该方法包括:
步骤101:获取X射线图像。
在这里,平板探测器检测到X射线图像后,可经由有线接口或无线接口将X射线图像发送到执行图1流程的控制器。优选地,有线接口包括下列中至少一个:通用串行总线接口、控制器局域网接口、串口,等等;无线接口包括下列中至少一个:红外接口、近场通讯接口、蓝牙接口、紫蜂接口、无线宽带接口,等等。
在一个实施方式中,步骤101中获取X射线图像具体包括:从支持混合滤线栅的X射线成像系统中获取X射线图像;其中该混合滤线栅包含在第一源像距(Source to ImageDistance,SID)时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中第二源像距大于第一源像距,第二滤线栅的栅密度大于第一滤线栅的栅密度。在这里,源像距即为X射线源(通常位于X射线发生组件中)与平板探测器的成像面之间的距离。
在本发明实施方式中,X射线成像系统可以支持混合滤线栅,其中混合滤线栅可以支持分别具有不同栅密度的多个滤线栅(每个栅密度分别对应于各自的源像距)。支持混合滤线栅的X射线成像系统可以适用于多种应用环境。
步骤102:将X射线图像转换为预定分辨率。
通常而言,X射线图像的原始分辨率较高,如果直接将具有原始分辨率的X射线图像输入到人工神经网络,则需要人工神经网络的输入层具有大量神经节点,导致人工神经网络非常复杂。在这里,将步骤101中获取的X射线图像的分辨率(即原始分辨率)转换为对应于人工神经网络的输入层的预定分辨率,便于后续利用人工神经网络处理X射线图像。
而且,考虑到步骤101中获取的X射线图像的原始分辨率可能存在多种数值,通过将其转换为预定分辨率,便于后续利用人工神经网络规格化地统一处理X射线图像。
在一个实施方式中,在步骤102中可以采用线性插值法将X射线图像转换为预定分辨率。比如,线性插值法可以包括自适应线性插值法和非自适应线性插值法。具体地,非自适应线性插值法可以包括:最近邻插值法、双线性插值法、双三次插值法、样条插值法、sinc插值法或lanczos插值法,等等。自适应线性插值法包括各自图像处理软件中的诸多专有算法,例如:Qimage,PhotoZoom Pro和Fractals,等等。
以上示范性描述了将X射线图像转换为预定分辨率的典型实施方式,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。
步骤103:将转换为预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中人工神经网络的输入层对应于预定分辨率。
人工神经网络通常包括输入层、隐藏层和输出层。通过对应于预定分辨率的输入层从转换为预定分辨率的X射线图像中激活信号,再通过隐藏层提取X射线图像的特征,其中不同隐藏层的神经节点所对应的输入层的神经节点权重和自身偏置均可能不同。输出层再根据不同的隐藏层的神经节点权重和自身偏置输出X射线图像的分类结果(即包含滤线栅栅影或不包含滤线栅栅影)。
在一个实施方式中,预定分辨率为N*M个像素点,人工神经网络的输入层包含N*M个神经节点,其中N*M个神经节点中的每个神经节点一一对应于N*M个像素点中的各自的像素点,其中N和M都为正整数。因此,本发明实施方式的人工神经网络的输入层中的神经节点数目对应于X射线图像被转换后的分辨率,实现了人工神经网络与X射线图像之间的匹配,从而人工神经网络可以快速处理各种具有不同原始分辨率的X射线图像,提高了处理效率。
在一个实施方式中,人工神经网络的隐含层包含K个神经节点,其中所述K个神经节点中的每个神经节点分别与所述输入层中的、所述N*M个神经节点中的每个神经节点连接,其中K为正整数;所述人工神经网络的输出层包含2个神经节点,其中所述2个神经节点中的每个神经节点分别与所述隐含层中的、所述K个神经节点中的每个神经节点连接。可见,本发明实施方式的人工神经网络的输出层包含2个神经节点,尤其适用于输出是否包含滤线栅栅影的分类结果。
步骤104:当人工神经网络确定转换为预定分辨率的X射线图像中包含滤线栅栅影时,对X射线图像执行去栅影处理。
在这里,当人工神经网络确定转换为预定分辨率的X射线图像中包含滤线栅栅影时,即可确定需要对步骤101中获取的X射线图像执行去栅影处理,并针对步骤101中获取的X射线图像执行去栅影处理。
在一个实施方式中,可以利用凯赛滤波器(Kaiser-Filter)对步骤101中获取的X射线图像执行去删影处理。比如,可以参照2014年出版的国际生物医学工程杂志第八卷(Vol:8)的编号8(No:8)披露的、计算机放射成像图像中的栅影抑制(Grid ArtifactsSuppression in Computed Radiographic Images)论文中所提到的去栅影处理方式,对步骤101中获取的X射线图像执行去删影处理。
在一个实施方式中,可以利用二维离散小波变换对步骤101中获取的X射线图像执行去删影处理。比如,可以参照网址:https://www.hal.inserm.fr/inserm-01136187中所披露的基于二维离散小波变换的静态删影抑制算法,对步骤101中获取的X射线图像执行去删影处理。
以上示范性描述了执行去栅影处理的典型实施方式,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。
在一个实施方式中,该方法还包括:当人工神经网络确定转换为预定分辨率的X射线图像不包含滤线栅栅影时,不对X射线图像施加栅影去除算法。
可见,当人工神经网络确定转换为预定分辨率的X射线图像不包含滤线栅栅影时,即可确定不需要对步骤101中获取的X射线图像执行去栅影处理,并因此不针对步骤101中获取的X射线图像执行去栅影处理,从而避免了盲目执行去栅影处理对图像质量造成的负面影响。
当X射线成像系统支持混合滤线栅时,栅密度较高的滤线栅所产生的X射线图像,一般存在栅影;栅密度较低的滤线栅所产生的X射线图像,一般不存在栅影。图1所示流程尤其适用于支持混合滤线栅的X射线成像系统。应用图1所示方法后,工作人员无需预先了解混合滤线栅中具体采取何种滤线栅,通过人工神经网络可以自行决定是否执行去栅影处理,从而提高了处理效率。
在一个实施方式中,还包括:对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;利用已标注的X射线历史图像对人工神经网络进行训练,其中当人工神经网络输出结果的准确率大于预定的阈值时,完成人工神经网络的训练过程。训练数据的获取方式可以包括:首先,获取大量的X射线历史图像。然后,由专家在这些X射线历史图像上做出标记,以标识出每张X射线历史图像是否包含滤线栅栅影。
图2为根据本发明实施方式对应于512*512的分辨率的人工神经网络的示范性结构图。
图2所示的人工神经网络适配于确定分辨率为512*512(即包含512*512个像素点)的X射线图像中是否包含滤线栅栅影。
如图2所示,人工神经网络的输入层包含N个神经节点,分别为神经节点X1、神经节点X2、神经节点X3……神经节点XN,其中N等于512*512。神经节点X1、神经节点X2、神经节点X3……神经节点XN中的每个神经节点,分别对应于分辨率为512*512的X射线图像中的各自像素点。人工神经网络的隐藏层包含256个神经节点,分别为神经节点Y1、神经节点Y2、神经节点Y3……神经节点Y256。神经节点Y1、Y2、Y3……Y256中的每个神经节点,都与输入层中的全部神经节点连接。人工神经网络的输出层包含2个神经节点,分别为神经节点Z1和神经节点Z2。神经节点Z1和神经节点Z2,分别与隐藏层中的全部神经节点连接。输入层从X射线图像中激活信号;隐藏层基于激活信号提取X射线图像的特征;输出层基于X射线图像的特征输出X射线图像的分类结果(即包含滤线栅栅影或不包含滤线栅栅影)。
隐含层和输出层分别具有各自的激活函数。激活函数可以将信号转换为非线性的,而这种非线性可以学习到输入与输出之间任意复杂的变换关系。比如,隐含层可以采用线性整流函数作为激活函数,输出层可以采用Sigmoid函数作为激活函数。
比如:假定神经节点X1的权重分布为W1,神经节点X2的权重分布为W2,神经节点X3的权重分布为W3……神经节点XN的权重分布为WN;那么对于隐藏层的任意神经节点,分别计算出T,其中T=Max(0,z),其中z=b+(X1*W1+X2*W2+X3*W3+X4*W4+……XN*WN),其中b为该隐藏层的任意神经节点的偏置;Max为取最大值函数。图3为根据本发明实施方式的隐藏层激活函数的示意图。
再比如,假定神经节点Y1的权重分布为K1,神经节点Y2的权重分布为K2,神经节点Y3的权重分布为K3……神经节点Y256的权重分布为K256;那么对于输出层的任意神经节点,分别计算出M,其中 其中z=b+(Y1*K1+Y2*K2+Y3*K3+Y4*K4+……Y256*K256),其中b为该输出层的任意神经节点的偏置。图4为根据本发明实施方式的输出层激活函数的示意图。
以上示范性描述了人工神经网络的典型架构,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。比如,取决于分辨率的不同,人工神经网络的输入层的神经节点数目可以发生变化;取决于需要提取的图像特征的数目变化,人工神经网络的隐藏层的神经节点数目可以发生变化;隐藏层激活函数和输出层激活函数可以发生变化。再比如,可以进一步在隐藏层的损失函数中添加范数正则化以防止过拟合,等等。
基于上述描述,本发明实施方式还提出了去除X射线图像中的滤线栅栅影的装置。
图5为根据本发明实施方式去除X射线图像中的滤线栅栅影的装置的结构图。
如图5所示,去除X射线图像中的滤线栅栅影的装置500包括:
获取模块501,用于获取X射线图像;
转换模块502,用于将X射线图像转换为预定分辨率;
输入模块503,用于将转换为预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中人工神经网络的输入层对应于预定分辨率;
处理模块504,用于当人工神经网络确定转换为预定分辨率的X射线图像中包含滤线栅栅影时,对X射线图像执行去栅影处理。
在一个实施方式中,预定分辨率为N*M个像素点,人工神经网络的输入层包含N*M个神经节点,其中N*M个神经节点中的每个神经节点一一对应于N*M个像素点中的各自的像素点,其中N和M都为正整数。
在一个实施方式中,人工神经网络的隐含层包含K个神经节点,其中K个神经节点中的每个神经节点分别与输入层中的、N*M个神经节点中的每个神经节点连接,其中K为正整数;人工神经网络的输出层包含2个神经节点,其中2个神经节点中的每个神经节点分别与隐含层中的、K个神经节点中的每个神经节点连接。
在一个实施方式中,处理模块504,还用于当人工神经网络确定转换为预定分辨率的X射线图像不包含滤线栅栅影时,不对X射线图像执行去栅影处理。
在一个实施方式中,还包括训练模块505,用于对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;利用已标注的X射线历史图像对人工神经网络进行训练,其中当人工神经网络输出结果的准确率大于预定的阈值时,完成人工神经网络的训练过程。
在一个实施方式中,获取模块501,用于从支持混合滤线栅的X射线成像系统中获取所述X射线图像;其中所述混合滤线栅包含在第一源像距时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中所述第二源像距大于第一源像距,所述第二滤线栅的栅密度大于所述第一滤线栅的栅密度。
图6为根据本发明实施方式具有存储器-处理器架构的、去除X射线图像中的滤线栅栅影的装置的结构图。
如图6所示,去除X射线图像中的滤线栅栅影的装置600包括处理器601、存储器602及存储在存储器602上并可在处理器601上运行的计算机程序,计算机程序被处理器601执行时实现如上任一种的去除X射线图像中的滤线栅栅影的方法。其中,存储器602具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器601可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列,其中现场可编程门阵列集成一或多个中央处理器核。具体地,中央处理器或中央处理器核可以实施为CPU或MCU或DSP等等。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如,一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式,或是采用专用的永久性电路,或是采用临时配置的电路(如由软件进行配置)来实现硬件模块,可以根据成本和时间上的考虑来决定。
本发明还提供了一种机器可读的存储介质,存储用于使一机器执行如本文所述方法的指令。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外,还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施方式中任一实施方式的功能。用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机或云上下载程序代码。
以上所述,仅为本发明的较佳实施方式而已,并非用于限定本发明的保护范围。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 (14)
1.一种去除X射线图像中的滤线栅栅影的方法(100),其特征在于,包括:
获取X射线图像(101);
将所述X射线图像转换为预定分辨率(102);
将转换为所述预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中所述人工神经网络的输入层对应于所述预定分辨率(103);
当所述人工神经网络确定所述转换为预定分辨率的X射线图像中包含滤线栅栅影时,对所述X射线图像执行去栅影处理(104)。
2.根据权利要求1所述的去除X射线图像中的滤线栅栅影的方法(100),其特征在于,所述预定分辨率为N*M个像素点,所述人工神经网络的输入层包含N*M个神经节点,其中所述N*M个神经节点中的每个神经节点一一对应于所述N*M个像素点中的各自的像素点,其中N和M都为正整数。
3.根据权利要求2所述的去除X射线图像中的滤线栅栅影的方法(100),其特征在于,所述人工神经网络的隐含层包含K个神经节点,其中所述K个神经节点中的每个神经节点分别与所述输入层中的、所述N*M个神经节点中的每个神经节点连接,其中K为正整数;所述人工神经网络的输出层包含2个神经节点,其中所述2个神经节点中的每个神经节点分别与所述隐含层中的、所述K个神经节点中的每个神经节点连接。
4.根据权利要求1所述的去除X射线图像中的滤线栅栅影的方法(100),其特征在于,还包括:
当所述人工神经网络确定所述转换为预定分辨率的X射线图像中不包含滤线栅栅影时,不对所述X射线图像执行去栅影处理。
5.根据权利要求1所述的去除X射线图像中的滤线栅栅影的方法(100),其特征在于,还包括:
针对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;
利用已标注的所述X射线历史图像对所述人工神经网络进行训练,其中当所述人工神经网络输出结果的准确率大于预定的阈值时,完成所述人工神经网络的训练过程。
6.根据权利要求1-5中任一项所述的去除X射线图像中的滤线栅栅影的方法(100),其特征在于,所述获取X射线图像(101)包括:
从支持混合滤线栅的X射线成像系统中获取所述X射线图像;
其中所述混合滤线栅包含在第一源像距时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中所述第二源像距大于第一源像距,所述第二滤线栅的栅密度大于所述第一滤线栅的栅密度。
7.一种去除X射线图像中的滤线栅栅影的装置(500),其特征在于,包括:
获取模块(501),用于获取X射线图像;
转换模块(502),用于将所述X射线图像转换为预定分辨率;
输入模块(503),用于将转换为所述预定分辨率的X射线图像输入适配于检测滤线栅栅影的人工神经网络,其中所述人工神经网络的输入层对应于所述预定分辨率;
处理模块(504),用于当所述人工神经网络确定所述转换为预定分辨率的X射线图像中包含滤线栅栅影时,对所述X射线图像执行去栅影处理。
8.根据权利要求7所述的去除X射线图像中的滤线栅栅影的装置(500),其特征在于,所述预定分辨率为N*M个像素点,所述人工神经网络的输入层包含N*M个神经节点,其中所述N*M个神经节点中的每个神经节点一一对应于所述N*M个像素点中的各自的像素点,其中N和M都为正整数。
9.根据权利要求8所述的去除X射线图像中的滤线栅栅影的装置(500),其特征在于,所述人工神经网络的隐含层包含K个神经节点,其中所述K个神经节点中的每个神经节点分别与所述输入层中的、所述N*M个神经节点中的每个神经节点连接,其中K为正整数;所述人工神经网络的输出层包含2个神经节点,其中所述2个神经节点中的每个神经节点分别与所述隐含层中的、所述K个神经节点中的每个神经节点连接。
10.根据权利要求7所述的去除X射线图像中的滤线栅栅影的装置(500),其特征在于,
所述处理模块(504),还用于当所述人工神经网络确定所述转换为预定分辨率的X射线图像中不包含滤线栅栅影时,不对所述X射线图像执行去栅影处理。
11.根据权利要求7所述的去除X射线图像中的滤线栅栅影的装置(500),其特征在于,还包括:
训练模块(505),用于针对作为训练数据的X射线历史图像标注出是否包含滤线栅栅影;利用已标注的所述X射线历史图像对所述人工神经网络进行训练,其中当所述人工神经网络输出结果的准确率大于预定的阈值时,完成所述人工神经网络的训练过程。
12.根据权利要求7-11中任一项所述的去除X射线图像中的滤线栅栅影的装置(500),其特征在于,
所述获取模块(501),用于从支持混合滤线栅的X射线成像系统中获取所述X射线图像;其中所述混合滤线栅包含在第一源像距时被配置的第一滤线栅以及在第二源像距时被配置的第二滤线栅,其中所述第二源像距大于第一源像距,所述第二滤线栅的栅密度大于所述第一滤线栅的栅密度。
13.一种去除X射线图像中的滤线栅栅影的装置(600),其特征在于,包括处理器(601)和存储器(602);
所述存储器(602)中存储有可被所述处理器(601)执行的应用程序,用于使得所述处理器(601)执行如权利要求1至6中任一项所述的去除X射线图像中的滤线栅栅影的方法(100)。
14.一种计算机可读存储介质,其特征在于,其中存储有计算机可读指令,该计算机可读指令用于执行如权利要求1至6中任一项所述的去除X射线图像中的滤线栅栅影的方法(100)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185284.2A CN115965538A (zh) | 2021-10-12 | 2021-10-12 | 去除x射线图像中的滤线栅栅影的方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185284.2A CN115965538A (zh) | 2021-10-12 | 2021-10-12 | 去除x射线图像中的滤线栅栅影的方法和装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115965538A true CN115965538A (zh) | 2023-04-14 |
Family
ID=87351677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111185284.2A Pending CN115965538A (zh) | 2021-10-12 | 2021-10-12 | 去除x射线图像中的滤线栅栅影的方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965538A (zh) |
-
2021
- 2021-10-12 CN CN202111185284.2A patent/CN115965538A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7134017B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP5530446B2 (ja) | Pet−mrにおける減衰マップの生成方法及び装置 | |
US8483470B2 (en) | Radiological image area extracting apparatus, radiological image area extraction program, and radiographic apparatus | |
JP2016104373A (ja) | 医用画像処理装置 | |
US9936924B2 (en) | Task-based source-detector trajectories for tomographic imaging | |
KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
JP2013192951A (ja) | 画像再構成装置、画像再構成方法およびx線コンピュータ断層撮影装置 | |
CN107106114B (zh) | 运算装置、x射线ct装置及图像重构方法 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
CN115965538A (zh) | 去除x射线图像中的滤线栅栅影的方法和装置及存储介质 | |
WO2020031515A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US20220175331A1 (en) | Image processing apparatus, radiation imaging system, image processing method, and non-transitory computer-readable storage medium | |
US9008262B2 (en) | X-ray CT apparatus and image processing apparatus | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
US8571171B2 (en) | Reconstructing a tomographic image with reduced artifacts | |
WO2021039211A1 (ja) | 機械学習装置、機械学習方法及びプログラム | |
US8199162B2 (en) | Contrast increase in X-ray projection images and/or in tomographically reconstructed volumes by deconvolution of the projection images | |
JP7277536B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
EP3632325A1 (en) | System for providing a spectral image | |
US20240104802A1 (en) | Medical image processing method and apparatus and medical device | |
JP2023100836A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP2006263224A (ja) | 放射線画像処理装置、放射線画像処理方法、プログラム及びコンピュータ可読媒体。 | |
KR20240078452A (ko) | 의료영상의 척추 마디 식별 장치 및 방법 | |
CN114073538A (zh) | 生成定位像的方法、装置以及计算机可读存储介质 | |
JP2022095182A (ja) | 放射線画像処理装置、放射線画像処理方法およびプログラム |
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 |