[發(fā)明專利]基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710246611.8
• 申請(qǐng)日: 2017-04-16
• 公開（公告）號(hào): CN107038692A
• 公開（公告）日: 2017-08-11
• 發(fā)明（設(shè)計(jì)）人: 陽(yáng)維;陳瑩胤;贠照強(qiáng);馮前進(jìn)
• 申請(qǐng)（專利權(quán)）人: 南方醫(yī)科大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11350
• 代理人: 趙蕊紅

1.基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于，包括以下步驟：

步驟(1)、X線胸片圖像空間分辨率的歸一化處理；

步驟(2)、求取X線胸片圖像小波系數(shù)；

步驟(3)、胸片圖像小波系數(shù)的歸一化處理；

步驟(4)、訓(xùn)練樣本的增加和偽影區(qū)域的刪減，及其訓(xùn)練樣本采樣預(yù)處理，根據(jù)關(guān)注度不同對(duì)不同區(qū)域賦予不同的權(quán)重；

步驟(5)、訓(xùn)練預(yù)測(cè)骨像或者軟組織像小波系數(shù)的卷積神經(jīng)網(wǎng)絡(luò)；

步驟(6)、通過(guò)預(yù)測(cè)的小波系數(shù)圖像重建骨像或者軟組織像；

步驟(7)、原歸一化后的胸片圖像中減去重建的骨像或者以重建的軟組織像作為骨抑制處理的結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述步驟(1)具體是對(duì)原始X線胸片圖像I₀進(jìn)行空間采樣，使輸入胸片圖像的像素尺寸對(duì)應(yīng)的空間尺寸為設(shè)值，得到空間分辨率統(tǒng)一的胸片圖像I。

3.根據(jù)權(quán)利要求2所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述步驟(2)具體是對(duì)步驟(1)處理得到的圖像I進(jìn)行小波分解操作，得到胸片小波分解的近似系數(shù)I_A和細(xì)節(jié)系數(shù)I_H、I_V、I_D。

4.根據(jù)權(quán)利要求3所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述步驟(3)具體是由步驟(2)得到的胸片的小波系數(shù)圖像I_A和I_H、I_V、I_D，計(jì)算小波四個(gè)通道系數(shù)的中值、方差或者設(shè)定的分位數(shù)作為各個(gè)通道的幅值歸一化系數(shù)，四個(gè)通道系數(shù)分別除以各自的幅值歸一化系數(shù)。

5.根據(jù)權(quán)利要求4所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述I_A的歸一化處理為：

或者

其中I_A為其分解系數(shù)圖像像素值，

mean(I_A)為I_A中圖像像素灰度值均值，

std(I_A)為I_A圖像像素灰度值標(biāo)準(zhǔn)差，

median(|I_A|)為I_A圖像像素灰度絕對(duì)值中值，

I_H、I_V、I_D統(tǒng)一做歸一化處理。

6.根據(jù)權(quán)利要求4所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述步驟(5)是以步驟(3)、步驟(4)得到的幅值歸一化的胸片小波系數(shù)圖像I_A和I_H、I_V、I_D作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測(cè)骨像或者軟組織像的小波系數(shù)，然后通過(guò)小波逆變換得到骨像或者軟組織像。

7.根據(jù)權(quán)利要求6所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)用的胸片小波系數(shù)圖像和對(duì)應(yīng)的雙能減影骨像或者軟組織像小波系數(shù)圖像采用步驟(3)中方法進(jìn)行幅值歸一化處理，然后根據(jù)步驟(4)將訓(xùn)練預(yù)測(cè)模型用的胸片圖像中的運(yùn)動(dòng)偽影區(qū)域排除掉或?qū)⑦\(yùn)動(dòng)偽影區(qū)域權(quán)重置為0，將胸片中的結(jié)節(jié)和異常區(qū)域標(biāo)注出，并對(duì)這些區(qū)域賦予一個(gè)權(quán)重值，該權(quán)重值大于0，繼而進(jìn)行訓(xùn)練，將胸片中的肋骨和鎖骨的邊緣進(jìn)行勾畫，并對(duì)這些區(qū)域也賦予一個(gè)權(quán)重值，該權(quán)重值大于0，在訓(xùn)練樣本不足的情況下，通過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等操作進(jìn)行樣本量增加。

8.根據(jù)權(quán)利要求6所述的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的X線胸片骨抑制處理方法，其特征在于：所述訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的目標(biāo)函數(shù)為預(yù)測(cè)值與DES骨像或者軟組織像各小波系數(shù)之間的均方誤差、加權(quán)的均方誤差或者加權(quán)的魯棒損失函數(shù)，以及幾項(xiàng)損失函數(shù)不同權(quán)重的組合，加權(quán)所用的權(quán)重通過(guò)胸片圖像的標(biāo)注結(jié)果確定，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用誤差反向傳播和隨機(jī)梯度下降算法、Adagrad、RMSprop、Adam優(yōu)化算法最小化目標(biāo)函數(shù)來(lái)完成。