梯度圖像Gx和Gy，通過二維積分方法將預(yù)測的梯度圖像重建為骨像B或者軟組織 像S;
[0099] 具體通過最小化能量函數(shù)重建骨像B或者軟組織像S，其中：
[0100] (a)當(dāng)卷積神經(jīng)網(wǎng)絡(luò)輸出為骨像梯度Gx和Gy，能量函數(shù)為：
[0101]
[0102] (b)當(dāng)卷積神經(jīng)網(wǎng)絡(luò)輸出為軟組織像梯度Gx和Gy，能量函數(shù)為：
[0103] E(S)=e||l-S| |2+| |DxS-Gx||2+| |DyS-Gy| |2 ……式(7)。
[0104] 在式(6)、式(7)中，β為可調(diào)節(jié)的系數(shù)，Dx和Dy分別表示水平和豎直方向差分操作的 矩陣形式。最優(yōu)的B和S可通過快速傅里葉變換進(jìn)行求解。
[0105] 步驟(6)具體是:如果步驟(5)重建的是骨像B，則骨抑制處理輸出結(jié)果為I-B;如果 步驟(5)重建的是軟組織像S，則骨抑制處理輸出結(jié)果為S?？蓪⒐且种戚敵鰣D像乘W步驟 (3)中的梯度幅值歸一化系數(shù)使得骨抑制輸出圖像強(qiáng)度值范圍與原始輸入胸片圖像強(qiáng)度值 范圍一致。
[0106] 本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)W胸片圖像梯度為輸入，預(yù)測其對(duì)應(yīng)的骨像/軟組織像 的梯度圖像。不需特殊的設(shè)備和兩次X線曝光，對(duì)普通X線設(shè)備獲取的單幅胸片圖像進(jìn)行處 理，實(shí)現(xiàn)胸片中骨骼影像的抑制，避免兩次曝光和運(yùn)動(dòng)偽影的產(chǎn)生。
[0107] 本發(fā)明不需要對(duì)圖像特征提取方式進(jìn)行特別的設(shè)計(jì)，通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的 訓(xùn)練自動(dòng)完成圖像特征的學(xué)習(xí)。
[0108] 本發(fā)明中的卷積神經(jīng)網(wǎng)絡(luò)在圖像梯度域進(jìn)行特征提取和預(yù)測，減少骨像或者軟組 織像預(yù)測對(duì)于圖像對(duì)比度歸一化處理的依賴，并充分利用胸片圖像梯度的稀疏性和可分 性，提高骨像或者軟組織像的預(yù)測精度。
[0109] 本發(fā)明可通過對(duì)X線雙能減影圖像數(shù)據(jù)的人工修正，對(duì)胸片圖像中不同區(qū)域賦予 不同權(quán)重，并構(gòu)造加權(quán)的目標(biāo)函數(shù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，在準(zhǔn)確預(yù)測骨像或者軟組織 像的同時(shí)保持骨抑制處理結(jié)果中的重要結(jié)構(gòu)。
[0110] 本發(fā)明處理方法操作簡單，處理方便，圖像精度高。
[01川實(shí)施例2。
[0112] 為了進(jìn)一步提升骨抑制處理效果，可通過多尺度級(jí)聯(lián)(multi-scale cascade)方 式對(duì)本發(fā)明實(shí)施例1的的應(yīng)用方式進(jìn)行擴(kuò)展，基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度級(jí)聯(lián)方式X線胸片 骨抑制處理方法的流程示意圖如圖3所示。
[0113] 在圖3中，，I表示輸入的胸片圖像，骨像預(yù)測單元k化=1，2，...，Κ)表示針對(duì)不同 尺度胸片，骨像預(yù)測單元包含對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型，Κ為骨像預(yù)測單元的數(shù)目，化， k=l，2,...，Κ，為骨像預(yù)測單元k預(yù)測和重建的骨像。骨像預(yù)測單元1的輸入為最粗糖尺度的 圖像，骨像預(yù)測單元K的輸入為最精細(xì)尺度的圖像。骨像預(yù)測單元k，k = l，2,...，Κ，進(jìn)行骨像 預(yù)測的過程包含上述步驟(2)~(6);當(dāng)k〉l時(shí)，骨像預(yù)測單元k的輸入為經(jīng)下采樣后的輸入 胸片圖像和經(jīng)上采樣后的前一級(jí)處理單元的輸出，運(yùn)樣經(jīng)差分處理后骨像預(yù)測單元k中卷 積神經(jīng)網(wǎng)絡(luò)的輸入具有4個(gè)通道，如圖4所示。骨像預(yù)測單元k對(duì)輸入圖像的下采樣因子可取 值2"^^\對(duì)預(yù)測輸出圖像81^的上采樣因子取值2。各骨像預(yù)測單元中卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型 可采用步驟(4)所述方式依次訓(xùn)練得到:首先通過下采樣的DES圖像樣本對(duì)訓(xùn)練骨像預(yù)測單 元1中的卷積神經(jīng)網(wǎng)絡(luò);然后，上采樣骨像預(yù)測單元1的預(yù)測結(jié)果，結(jié)合經(jīng)下采樣的DES圖像數(shù) 據(jù)，形成輸入-輸出樣本對(duì)，訓(xùn)練骨像預(yù)測單元2中的卷積神經(jīng)網(wǎng)絡(luò)；依此類推，依次訓(xùn)練骨 像預(yù)測單元3........骨像預(yù)測單元K中的卷積神經(jīng)網(wǎng)絡(luò)。
[0114] 具體的，基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度級(jí)聯(lián)方式X線胸片骨抑制處理方法，通過K個(gè) 骨像預(yù)測單元進(jìn)行級(jí)聯(lián)處理，K大于1，每個(gè)骨像預(yù)測單元k，k=l，2,……K，針對(duì)不同尺度的 胸片包含對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過如下步驟進(jìn)行。
[0115] (8-1)對(duì)輸入的原始胸片圖像Ιο進(jìn)行進(jìn)行Κ次空間采樣，使得輸入胸片圖像像素尺 寸為設(shè)定值，采樣結(jié)果分別為第1下采樣圖像、第2下采樣圖像、……、第Κ-1下采樣圖像和第 Κ下采樣圖像，第Κ下采樣圖像的尺度精細(xì)于第Κ-1下采樣圖像的尺度。
[0116] (8-2)當(dāng)k=l時(shí)，W第1下采樣圖像作為輸入的胸片圖像，由骨像預(yù)測單元1進(jìn)行骨 像預(yù)測得到輸出Bi，骨像預(yù)測通過如上述權(quán)利要求1-7任意一項(xiàng)中的步驟(2)至步驟(6)的 方式預(yù)測。
[0117] (8-3)令k = k+1，判斷k是否小于K，當(dāng)k小于K時(shí)，進(jìn)入步驟(8-4)。當(dāng)k等于K時(shí)，停止 骨像預(yù)測，W當(dāng)前骨像預(yù)測單元k的輸出化作為輸出，進(jìn)入步驟(8-5)。圖4示意了一種骨像預(yù) 測單元處理流程的示意圖。
[0118] (8-4)?第k下采樣圖像、骨像預(yù)測單元k-i進(jìn)行骨像預(yù)測得到的輸出Bk-i作為輸入， 由骨像預(yù)測單元k進(jìn)行骨像預(yù)測得到輸出Bk，返回步驟(8-3)，骨像預(yù)測通過如上述權(quán)利要求 1-7任意一項(xiàng)中的步驟(2)至步驟(6)的方式預(yù)測。
[0119] (8-5)從輸入的原始胸片圖像中減去化得到骨抑制處理結(jié)果。
[0120] 可利用所有骨像預(yù)測單元的預(yù)測結(jié)果，進(jìn)行多尺度的融合，W進(jìn)一步改善骨抑制 效果，上述步驟(8-5)可通過最小化式(8)的能量函數(shù)求解最優(yōu)的骨像B*，然后從輸入胸片 中減去骨像B*得到骨抑制處理結(jié)果；
[0121]
[0122] 式中，Gk,x和Gk,y分別表示骨像預(yù)測單元k中卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的水平和豎直方向 的骨像梯度圖像，Dx和Dy分別表示水平和豎直方向差分操作的矩陣形式，Ak表示采樣因子為 2K-k的下采樣操作，λ為可調(diào)節(jié)的系數(shù)。最小化上式中的能量函數(shù)為求解最小二乘問題，可通 過共輛梯度下降算法求解最優(yōu)的骨像Β*，然后從輸入胸片中減去骨像Β*得到骨抑制處理結(jié) 果。
[0123] 在一些擴(kuò)展應(yīng)用中，本發(fā)明的基本應(yīng)用方式和多尺度級(jí)聯(lián)方式可應(yīng)用于骨像/軟 組織像拉普拉斯的預(yù)測，直接或者結(jié)合預(yù)測的骨像/軟組織像梯度，通過最小化能量函數(shù)的 方式重建骨像/軟組織像，完成胸片圖像的骨抑制處理。
[0124] 在一些擴(kuò)展應(yīng)用中，針對(duì)胸片圖像中不同部位，如左肺、右肺、鎖骨、肋骨等區(qū)域， 訓(xùn)練不同的卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)用本發(fā)明的基本應(yīng)用方式和多尺度級(jí)聯(lián)方式預(yù)測骨像/軟組 織像，完成胸片圖像的骨抑制處理。
[0125] 本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)W胸片圖像梯度為輸入，W多尺度級(jí)聯(lián)方式預(yù)測其對(duì)應(yīng) 的骨像/軟組織像的梯度圖像。不需特殊的設(shè)備和兩次X線曝光，對(duì)普通X線設(shè)備獲取的單幅 胸片圖像進(jìn)行處理，實(shí)現(xiàn)胸片中骨骼影像的抑制，避免兩次曝光和運(yùn)動(dòng)偽影的產(chǎn)生。
[0126] 本發(fā)明不需要對(duì)圖像特征提取方式進(jìn)行特別的設(shè)計(jì)，通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的 訓(xùn)練自動(dòng)完成圖像特征的學(xué)習(xí)。
[0127] 本發(fā)明中的卷積神經(jīng)網(wǎng)絡(luò)在圖像梯度域進(jìn)行特征提取和預(yù)測，減少骨像或者軟組 織像預(yù)測對(duì)于圖像對(duì)比度歸一化處理的依賴，并充分利用胸片圖像梯度的稀疏性和可分 性，提高骨像或者軟組織像的預(yù)測精度。
[0128] 本發(fā)明可通過對(duì)X線雙能減影圖像數(shù)據(jù)的人工修正，對(duì)胸片圖像中不同區(qū)域賦予 不同權(quán)重，并構(gòu)造加權(quán)的目標(biāo)函數(shù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，在準(zhǔn)確預(yù)測骨像或者軟組織 像的同時(shí)保持骨抑制處理結(jié)果中的重要結(jié)構(gòu)。
[0129] 本發(fā)明處理方法操作簡單，處理方便，圖像精度高。
[0130] 實(shí)施例3。
[0131] 在一具體實(shí)施例中，卷積神經(jīng)網(wǎng)絡(luò)預(yù)測輸出為骨像的梯度圖像，輸入圖像像素尺 寸大小歸一化為0.194mm。該卷積神經(jīng)網(wǎng)絡(luò)包含Ξ個(gè)卷積層，第一層卷積層卷積核大小為16 X 16、卷積核數(shù)目為256，第二層卷積層卷積核大小為1 X 1、卷積核數(shù)目為256，第Ξ層卷積 層卷積核大小為8X8、卷積核數(shù)目為256。第一、二層非線性激活函數(shù)為ReLU函數(shù)。求取胸片 圖像梯度采用前向差分操作;輸入圖像梯度幅值的歸一化系數(shù)取梯度幅值的90%分位數(shù)。 由卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的骨像梯度重建骨像的能量函數(shù)中，參數(shù)β取值0.001。
[0132] 圖5所示為此具體實(shí)施例中對(duì)一輸入胸片圖像進(jìn)行骨抑制處理，卷積神經(jīng)網(wǎng)絡(luò)的 輸入和輸出，W及相應(yīng)的重建的骨像和骨抑制處理結(jié)果。
[0133] 本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)W胸片圖像梯度為輸入，預(yù)測其對(duì)應(yīng)的骨像/軟組織像 的梯度圖像。不需特殊的設(shè)備和兩次X線曝光，對(duì)普通X線設(shè)備獲取的單幅胸片圖像進(jìn)行處 理，實(shí)現(xiàn)胸片中骨骼影像的抑制，避免兩次曝光和運(yùn)動(dòng)偽影的產(chǎn)生。
[0134] 本發(fā)明不需要對(duì)圖像特征提取方式進(jìn)行特別的設(shè)計(jì)，通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的 訓(xùn)練自動(dòng)完成圖像特征的學(xué)習(xí)。
[0135] 本發(fā)明中的卷積神經(jīng)網(wǎng)絡(luò)在圖像梯度域進(jìn)行特征提取和預(yù)測，減少骨像或者軟組 織像預(yù)測對(duì)于圖像對(duì)比度歸一化處理的依賴，并充分利用胸片圖像梯度的稀疏性和可分 性，提高骨像或者軟組織像的預(yù)測精度。