CN118212156A - 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法 - Google Patents

一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法 Download PDF

Info

Publication number
CN118212156A
CN118212156A CN202410337624.6A CN202410337624A CN118212156A CN 118212156 A CN118212156 A CN 118212156A CN 202410337624 A CN202410337624 A CN 202410337624A CN 118212156 A CN118212156 A CN 118212156A
Authority
CN
China
Prior art keywords
chest
model
image
ray
ray image
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
CN202410337624.6A
Other languages
English (en)
Inventor
孙逸飞
陈章昊
郑浩
葛瑞泉
陈一飞
樊谨
王昌淼
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202410337624.6A priority Critical patent/CN118212156A/zh
Publication of CN118212156A publication Critical patent/CN118212156A/zh
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于BS‑LDM模型的高分辨率胸部X光图像骨抑制方法，包括S1、采集图像数据并预处理；S2、搭建基于BS‑LDM模型的高分辨率胸部X光图像骨抑制网络模型，包括一个向量量化生成对抗网络和一个条件扩散模型；S3、对向量量化生成对抗网络进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像与模型输出图像间的差异；S4、对条件扩散模型进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像与模型输出图像间的差异；S5、输入预处理后的胸部X光图像至完成训练的基于BS‑LDM模型的高分辨率胸部X光图像骨抑制网络模型中，最终生成软组织图像。该方法基于输入的胸部X光图像，自动生成高质量、高分辨率的软组织图像。

Description

一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法
技术领域
本发明涉及图像修复与增强技术领域，具体指一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法。
背景技术
胸部X光(ChestX-Ray,CXR)是一种广泛用于肺部筛查的成像技术。然而，由于骨骼结构与肺组织重叠，CXR的诊断准确性受到限制。为了改善这一问题，人们采用了一种称为骨抑制的技术。双能量减影(Dual-Energy Subtraction,DES)是一种众所周知的骨抑制方法，但成本高昂且辐射量大。因此，目前正在研究开发具有成本效益的替代方法。
最初的CXR骨抑制方法通常基于统计方法，如Simko和Juhasz等人提出的骨抑制方法，这些方法需要精确的分割和边界注释，但未能纳入有关骨骼的高级语义信息。最近，许多骨骼抑制方法利用深度学习算法生成软组织。这些方法有的将骨骼抑制作为端到端的图像去噪任务，有的则专注于在CXR中划分骨骼梯度，以区分软组织和骨质元素。
Yang等人首创了一种级联多尺度卷积神经网络(CNN)，在CXR的梯度域内进行训练，用于骨抑制。虽然该模型取得了不俗的性能，但并没有保持高水平的感知或结构完整性。在另一项研究中，Gusarev等人通过利用自动编码器和深度CNN的组合特征来消除骨骼结构，将骨骼概念化为噪声，但不幸的是，这导致了图像模糊。Zhou等人从生成对抗网络(GANs)中获得线索，推出了多尺度条件对抗网络(MCA-Net)，旨在生成保留基本解剖结构的软组织图像。此外，Rajaraman等人开发了ResNet-BS模型，用于抑制CXR中的骨骼，并通过后续的分析任务验证了其实用性。Chen等人提出了BS-Diff，即开发一个条件扩散模型，并增加一个用于抑制骨骼的基本增强模块。尽管如此，该模型在分辨率、细节和计算要求方面仍有局限性。
总的来说，目前在临床和科学上的挑战性(问题)如下所示：
从临床角度来分析，主要包括：用DES得到的软组织图像中骨骼基本能被完全抑制以及制定一个合适的数据纳入标准。
从科学角度来分析，主要包括：训练的模型需要能够较好地抑制骨骼；训练模型在抑制骨骼地同时不能引入或者减少其他物质(即恰好抑制骨骼)；训练的模型能够在细节纹理方面保持的较好，比如血管结构、清晰度等；训练的模型要有鲁棒性以及训练的模型能够去除因为拍摄DES时病人心跳呼吸等产生的运动伪影。
发明内容
本发明针对现有技术的不足，提出一种基于BS-LDM(Bone Suppression-LatentDiffusion Model，骨抑制-隐式扩散模型)模型的高分辨率胸部X光图像骨抑制方法，该方法基于输入的胸部X光图像，自动生成高分辨率、高清晰度以及囊括了空间特征和纹理细节的软组织图像。
为了解决上述技术问题，本发明的技术方案为：
一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，包括如下步骤：
S1、采集图像数据并预处理；
S1-1、使用双能剪影设备采集同一患者的胸部X光图像和与之相匹配的软组织图像；
S1-2、对采集的配对图像根据纳入标准进行筛选，并使用离散傅里叶变换的自动配准操作，通过最大化图像相似性，使图像达到最佳的对齐状态；纳入标注以外的数据会干扰模型的预测效果，所述纳入标准包括：年龄＞18岁，既往无胸部手术史、外伤史；使用双能摄影条件进行胸部正位X线摄影；摄影摆位达到胸部正位的标准要求；患者胸廓正常；胸腔诊断正常；肺气肿诊断正常；
S2、搭建基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型，所述基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型包括一个向量量化生成对抗网络和一个条件扩散模型；其中，隐式扩散模型的核心是在隐空间进行扩散模型的前向和反向过程，向量量化生成对抗网络通过编码器将像素空间中的图像映射到隐空间，并通过解码器将隐空间中的潜变量映射回像素空间，条件扩散模型允许根据意图来控制生成结果，其核心思想是学习一个有条件的反向过程而不改变正向过程，这样采样的x0对数据分布具有高保真度。在训练期间，首先采样/>从一个完全配对的数据分布/>也就是软组织x0和胸部X光图像/>学习一个条件扩散模型，提供/>作为反向过程的输入，公式如下所示：
其中，为有条件的反向过程，均值μθ和方差∑θ都可以使用基于U-Net的网络(输入为xt和t)进行估计。
S3、将预处理后的胸部X光图像同时作为输入和标签进行自重建任务，对向量量化生成对抗网络进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像(标签)与模型输出图像间的差异；
S4、通过DES得到胸部X光图像和相匹配的软组织图像，将预处理后的胸部X光图像作为输入，用DES得到的相匹配的软组织图像作为标签进行图像生成任务，对条件扩散模型进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像(标签)与模型输出图像间的差异；
S5、使用双能剪影设备采集患者的胸部X光图像经预处理后输入至完成训练的基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型中，先后通过向量量化生成对抗网络的编码器、条件扩散模型、向量量化生成对抗网络的解码器，最终生成软组织图像。其中，向量量化生成对抗网络通过编码器将像素空间中的图像映射到隐空间，并通过解码器将隐空间中的潜变量映射回像素空间，在条件扩散模型中，模型接受高斯噪声和胸部X光图像的拼接作为输入，经过多次采样去噪后得到预测的软组织图像的潜变量；
作为优选，所述步骤S1中，将预处理后的图像统一调整为1024×1024。
作为优选，所述步骤S3中，模型训练的损失函数为：
其中，为平均绝对误差损失；/>为量化损失；/>为预先训练的视觉几何神经网络的感知损失；/>为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失；/>为平均绝对误差损失的权重，λQua＝1为量化损失的权重，λPer＝0.001为预先训练的视觉几何神经网络的感知损失的权重，λAdv＝0.01为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失的权重。
作为优选，所述步骤S4中，模型训练的损失函数为均方误差。
本发明具有以下的特点和有益效果：
采用上述技术方案，本发明真正实现了根据胸部X光图像自动去除骨骼生成软组织的医学需求，具体包括：1.通过相关深度学习算法获取的去骨后的X线胸部照片，可以使胸片图像中的软组织结构(如肺部、心脏、血管等)更加清晰可见，可帮助诊断与肋骨区域重叠的肺部病变，减少误诊或漏诊，能有效地使得医生可以更容易地观察和评估一些肺部疾病(如：肺内结节、肺炎、肿瘤)的性质、大小和位置，为进一步的诊断、治疗提供辅助与干预。2.患者不需要接受目前临床上普遍使用的DES这种高剂量辐射检查设备，同时也能避免这种设备带来的心跳、呼吸运动造成的影像伪影。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明实施例基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型的整体架构；
图3为本发明实施例基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型生成的软组织图像与其他方法生成的软组织图像对比示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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”等仅用于描述目的，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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明提供了一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，如图1所示，具体操作如下：
S1、使用双能剪影设备采集同一患者的胸部X光图像和与之相匹配的软组织图像，大小均为2021×2021。纳入标注以外的数据会干扰模型的预测效果，故根据纳入标准(如下)：
(1)年龄＞18岁，既往无胸部手术史、外伤史；
(2)进行胸部正位X线摄影；
(3)使用双能摄影条件进行胸部正位摄片；
(4)不存在摄影摆位没有达到胸部正位的标准要求或脊柱呈S型侧弯等明显胸廓畸形的情况；
(5)不存在任意一侧胸腔诊断为气胸、胸腔积液或液气胸的情况；
(6)不存在任意一侧诊断肺气肿的情况。
对采集的配对图像根据纳入标准进行筛选，并作自动配准、图像局部自适应增强等预处理操作。
本实施例中所采用的数据集是从合作医院收集的167张成对的前后DES胸部X光图像，这些图像是由配备了双曝光DES设备(Discovery XR656，GE Healthcare)的数字放射摄影(DR)机拍摄的。图像最初以14位深度的DICOM格式存储，但为了方便起见，后来转换成了PNG文件。所有胸部X光图像的像素尺寸均为2021×2021，像素大小范围为0至0.1943毫米。排除了包括操作错误、明显运动伪影和可见胸腔积液、气胸在内的8张配对X光片。最终的实验数据集由159张成对图像组成。将整个数据集分为训练集和测试集，两者的比例为8:2。为了节省内存，所有图像都被调整为1024×1024像素。本发明还采用了图像配准来优化配对图像之间的信息融合，以及对比度受限的自适应直方图均衡化来增强局部对比度。随后，所有图像像素值均归一化为[-1,1]。
S2、搭建基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型，所述基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型包括一个向量量化生成对抗网络和一个条件扩散模型；其中，隐式扩散模型的核心是在隐空间进行扩散模型的前向和反向过程，向量量化生成对抗网络通过编码器将像素空间中的图像映射到隐空间，并通过解码器将隐空间中的潜变量映射回像素空间，条件扩散模型允许根据意图来控制生成结果，其核心思想是学习一个有条件的反向过程而不改变正向过程，这样采样的x0对数据分布具有高保真度。在训练期间，首先采样/>从一个完全配对的数据分布/>也就是软组织x0和胸部X光图像/>学习一个条件扩散模型，提供/>作为反向过程的输入，公式如下所示：
其中，为有条件的反向过程，均值μθ和方差∑θ都可以使用基于U-Net的网络(输入为xt和t)进行估计。
S3、在向量量化生成对抗网络训练阶段，将预处理后的胸部X光图像同时作为输入和标签进行自重建任务，对向量量化生成对抗网络进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像(标签)与模型输出图像间的差异，其中损失函数为：
其中，为平均绝对误差损失；/>为量化损失；/>为预先训练的视觉几何神经网络的感知损失；/>为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失；/>为平均绝对误差损失的权重，λQua＝1为量化损失的权重，λPer＝0.001为预先训练的视觉几何神经网络的感知损失的权重，λAdv＝0.01为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失的权重。
S4、在条件扩散模型训练阶段，将预处理后的胸部X光图像作为输入，用DES得到的相匹配的软组织图像作为标签进行图像生成任务，对条件扩散模型进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像(标签)与模型输出图像间的差异，其中损失函数为均方误差，条件扩散模型前向过程中加入的噪声为偏移噪声，即在标准噪声添加过程中叠加从高斯分布中采样的额外偏置噪声以改善色彩生成效果；
S5、在模型推理阶段，使用双能剪影设备采集患者的胸部X光图像经预处理后输入至完成训练的基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型中，先后通过向量量化生成对抗网络的编码器、条件扩散模型、向量量化生成对抗网络的解码器，最终生成软组织图像。其中，向量量化生成对抗网络通过编码器将像素空间中的图像映射到隐空间，并通过解码器将隐空间中的潜变量映射回像素空间，在条件扩散模型中，模型接受高斯噪声和胸部X光图像的拼接作为输入，经过多次采样去噪后得到预测的软组织图像的潜变量，在条件扩散模型的反向过程中，本发明采取了动态裁剪策略，即每一次采样后对数据数值界限[-s，s]进行裁剪，裁剪区间大小s随当前采样步数t增大而减小，如下所示：
s＝ω·t+b
其中，ω＝0.0021表示函数的斜率，b＝1.5表示函数的截距。
基于上述实施例，如图3所示，展示了基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型生成的软组织图像与其他方法生成的软组织图像对比示意图，可以看到由本发明实施例基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型生成的软组织图像与由高质量双能剪影获得的软组织图像相似度极高，以至于无法判断图片是由模型生成的还是由双能剪影设备拍摄的，同时由模型生成的软组织图像清晰且准确地捕捉并合成了相关微小病变，由此说明了本发明能够有效地为肺部疾病的诊断、治疗提供辅助与干预。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (7)

1.一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，包括如下步骤：
S1、采集图像数据并预处理；
S1-1、使用双能剪影设备采集同一患者的胸部X光图像和与之相匹配的软组织图像；
S1-2、对采集的配对图像根据纳入标准进行筛选，并使用离散傅里叶变换的自动配准操作，通过最大化图像相似性，使图像达到对齐状态；
S2、搭建基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型，所述基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型包括一个向量量化生成对抗网络和一个条件扩散模型；
S3、将预处理后的胸部X光图像同时作为输入和标签进行自重建任务，对向量量化生成对抗网络进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像与向量量化生成对抗网络输出图像间的差异；
S4、通过DES得到胸部X光图像和相匹配的软组织图像，将预处理后的胸部X光图像作为输入，用DES得到的相匹配的软组织图像作为标签进行图像生成任务，对条件扩散模型进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像与模型输出图像间的差异；
S5、使用双能剪影设备采集患者的胸部X光图像经预处理后输入至完成训练的基于BS-LDM模型的高分辨率胸部X光图像骨抑制网络模型中，先向量量化生成对抗网络通过编码器将像素空间中的图像映射到隐空间，并通过解码器将隐空间中的潜变量映射回像素空间，在条件扩散模型中，模型接受高斯噪声和胸部X光图像的拼接作为输入，经过多次采样去噪后得到预测的软组织图像的潜变量。
2.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述纳入标准包括：年龄＞18岁，既往无胸部手术史、外伤史；使用双能摄影条件进行胸部正位X线摄影；摄影摆位达到胸部正位的标准要求；患者胸廓正常；胸腔诊断正常；肺气肿诊断正常。
3.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述步骤S1中，将预处理后的图像统一调整为1024×1024。
4.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述步骤S3中，向量量化生成对抗网络训练的损失函数为：
其中，为平均绝对误差损失；/>为量化损失；/>为预先训练的视觉几何神经网络的感知损失；/>为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失；/>为平均绝对误差损失的权重，λQua＝1为量化损失的权重，λPer＝0.001为预先训练的视觉几何神经网络的感知损失的权重，λAdv＝0.01为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失的权重。
5.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述步骤S4中，条件扩散模型训练的损失函数为均方误差。
6.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述步骤S5中，在条件扩散模型的反向过程中，采取了动态裁剪策略，即每一次采样后对数据数值界限进行裁剪，裁剪区间大小随当前采样步数增大而减小。
7.根据权利要求1所述的一种基于BS-LDM模型的高分辨率胸部X光图像骨抑制方法，其特征在于，所述步骤S5中，将条件扩散模型生成的软组织图像送入基于自编码器的增强模块，输出增强后的软组织图像。
CN202410337624.6A 2024-03-23 2024-03-23 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法 Pending CN118212156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410337624.6A CN118212156A (zh) 2024-03-23 2024-03-23 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410337624.6A CN118212156A (zh) 2024-03-23 2024-03-23 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法

Publications (1)

Publication Number Publication Date
CN118212156A true CN118212156A (zh) 2024-06-18

Family

ID=91448553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410337624.6A Pending CN118212156A (zh) 2024-03-23 2024-03-23 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法

Country Status (1)

Country Link
CN (1) CN118212156A (zh)

Similar Documents

Publication Publication Date Title
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
JP5612371B2 (ja) 画像位置合わせ装置および方法並びにプログラム
CN111540025B (zh) 预测用于图像处理的图像
CN111539930A (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
US20100266188A1 (en) Chest x-ray registration, subtraction and display
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
JP2003153082A (ja) 画像の位置合わせ装置および画像処理装置
CN106530236B (zh) 一种医学图像处理方法及系统
JP2005199057A (ja) 肺画像データの位置合わせのための方法及び装置
CN111815735B (zh) 一种人体组织自适应的ct重建方法及重建系统
CN111798535B (zh) Ct图像增强显示方法及计算机可读存储介质
CN111062997A (zh) 一种血管造影成像方法、系统、设备和存储介质
WO2022086910A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri
CN115908449A (zh) 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置
CN117934371A (zh) 一种基于条件扩散模型的胸部x光图像骨抑制方法
US12039718B2 (en) Inference apparatus, medical apparatus, and program
CN112967254A (zh) 基于胸部ct影像肺部疾病识别和检测方法
CN116402954A (zh) 一种基于深度学习的脊柱三维结构的重建方法
CN118212156A (zh) 一种基于bs-ldm模型的高分辨率胸部x光图像骨抑制方法
CN115147694A (zh) 一种三图多模态医学图像融合方法
CN114708283A (zh) 图像目标的分割方法、装置、电子设备及存储介质
CN115578285B (zh) 一种乳腺钼靶图像细节增强方法及系统
Kalisz et al. Autoencoder-based bone removal algorithm from x-ray images of the lung
Gomalavalli et al. Boundary detection of renal using contour segmentation

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