一种基于人工智能的抗散射光栅方法及装置制造方法及图纸

本发明专利技术涉及图像处理领域，提供一种基于人工智能的抗散射光栅方法及装置，该方法包括将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使深度学习卷积神经网络模型估计散射对X射线拍摄图像的影响，获得估计残差图；利用X射线拍摄图像的灰度区间对估计残差图进行复原，以获得绝对残差图；将绝对残差图与X摄像拍摄图像进行加和处理，以获得扣除散射影响的估计图像。本方法通过深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。

An anti scattering grating method and device based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的抗散射光栅方法及装置
本专利技术涉及图像处理
，尤其涉及一种基于人工智能的抗散射光栅方法及装置。
技术介绍
医用X射线具有穿透能力强等特点，正是由于这样的特点，医用X射线广泛应用于医疗诊断和治疗中。利用医用X射线进行人体检测的设备如数字平板X线成像系统(DR)由于具有图像分辨率高，成像稳定等特点，在医学诊断与检测领域中具有无可替代的地位。但是，当X射线穿过待测物体时，不仅仅会发生初级的辐照效应，而且散射辐射也会产生。对于待测物体，散射辐射会产生额外的曝光，反映到最后的成像效果就相当于在原有待测物体真实轮廓的基础上蒙上了一层“散射雾”。由散射所引起的“雾状”影响会验证降低X射线图像的对比度，信噪比等指标，模糊一些本该清晰可见的细节纹理，严重干扰医生基于此图像的判断。目前，为了缓解散射辐射的影响，以最常用的数字平板X射线成像系统为例，该系统往往采用一种特殊的抗散射栅格。这些栅格往往是采用高密度的物质制成，具有体积小，吸收率高等特点，栅格可以允许来自焦点的主辐射X射线通过，但是吸收其他方向的辐射。这样的装置可以有效摒除散射射线对图像质量的影响，从而达到提高图像质量的效果。单纯采用抗散射栅格也有一些问题，由于存在栅格对X射线的吸收，会客观上造成后续探测器接受的剂量不足，在放射源相同剂量辐照的条件下，采用抗散射栅格会造成图像整体质量下降。为了弥补上述缺陷，往往会采用提高剂量的方法，这对于医护人员以及接受辐照的人员来说会对他们的健康产生不利影响。
技术实现思路
本专利技术实施例提供一种基于人工智能的抗散射光栅方法及装置，用以解决现有技术中散射辐射对X射线成像质量影响的问题。本专利技术实施例提供一种基于人工智能的抗散射光栅方法，包括：将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；将所述绝对残差图与所述X摄像拍摄图像进行加和处理，以获得扣除散射影响的估计图像。其中，对所述X射线拍摄图像进行预处理的步骤包括：对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像。其中，所述对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：将数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵。其中，所述将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；I＝Cfactorlog((2bits-1)/Iori)其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。其中，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X摄像拍摄图像进行规范化处理。其中，对所述预处理后的X摄像拍摄图像进行规范化处理的步骤采用下式公式进行：其中，I是规范化后的结果，x是校正后的图像矩阵中每一个像素的具体数值，μ是校正后的图像矩阵的均值，std由以下公式计算：其中，σ是校正后的图像矩阵的标准方差，N是校正后的图像矩阵中的像素数目。其中，获得扣除散射影响的估计图像之后还包括：对所述估计图像进行体外数据异常检测，若所述估计图像中存在体外数据异常区域，则将估计图像中的体外数据区域进行标记，并将所述X射线拍摄图像和标记后的所述估计图像均进行归一化处理，以使所述X射线拍摄图像和所述估计图像均处于[0,1]之间；使用泊松融合技术将被标记的所述体外数据区域替换为所述X射线拍摄图像，以获得待处理图像；并按照所述X射线拍摄图像的灰度区间恢复所述待处理图像的灰度，以获得体外校正后的图像。其中，所述的基于人工智能的抗散射光栅方法，还包括：对所述估计图像或所述体外校正后的图像进行图像增强处理。本专利技术还提供一种基于人工智能的抗散射光栅装置，包括：输入机构，用于将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；复原机构，用于利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；处理机构，用于将所述绝对残差图与所述X摄像拍摄图像进行加和处理，以获得扣除散射影响的估计图像。本专利技术还提供非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的基于人工智能的抗散射光栅方法。本专利技术实施例提供的基于人工智能的抗散射光栅方法及装置，通过深度学习卷积神经网络模型估计去除散射影响后的结果图像，这样可以有效展示因“散射雾”影响而隐藏在图像背景中的组织细微纹理；且该方法能够有效地替代实物光栅对X射线成像质量的提高，同时免去因实物光栅的存在而引入的不利影响。附图说明为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于人工智能的抗散射光栅方法的流程框图；图2为本专利技术实施例提供的基于人工智能的抗散射光栅方法中进行预处理前后的效果图；图3为本专利技术实施例提供的基于人工智能的抗散射光栅方法中扣除散射影响前后的估计图像；图4为本专利技术实施例提供的基于人工智能的抗散射光栅方法中体外数据异常处理及校正处理前后的估计图像；图5为本专利技术实施例提供的基于人工智能的抗散射光栅方法中进行图像增强处理前后的效果图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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专利技术和简化描述，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专利技术的限制。此外，术语“第一”、“第二”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本文档来自技高网...

【技术保护点】
1.一种基于人工智能的抗散射光栅方法，其特征在于，包括：/n将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；/n利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；/n将所述绝对残差图与所述X摄像拍摄图像进行加和处理，以获得扣除散射影响的估计图像。/n

【技术特征摘要】
1.一种基于人工智能的抗散射光栅方法，其特征在于，包括：
将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型，以使所述深度学习卷积神经网络模型估计散射对所述X射线拍摄图像的影响，获得估计残差图；
利用所述X射线拍摄图像的灰度区间对所述估计残差图进行复原，以获得绝对残差图；
将所述绝对残差图与所述X摄像拍摄图像进行加和处理，以获得扣除散射影响的估计图像。


2.根据权利要求1所述的基于人工智能的抗散射光栅方法，其特征在于，对所述X射线拍摄图像进行预处理的步骤包括：
对从X射线探测器获取的数字电学信号进行解析和转置，并将解析和转置后的数字电学信号进行校正，获得被拍摄对象以正常形态呈现的数字图像。


3.根据权利要求2所述的基于人工智能的抗散射光栅方法，其特征在于，所述对从X射线探测器获取的数字电学信号进行解析和转置的步骤包括：
将数字电学信号的二进制文件转码为十六位整型数据，并将所述十六位整型数据转置为与所述X射线探测器尺寸大小相同的图像矩阵。


4.根据权利要求3所述的基于人工智能的抗散射光栅方法，其特征在于，所述将解析和转置后的数字电学信号进行校正的步骤包括：采用下式对所述图像矩阵进行灰度初步校正；
I＝Cfactorlog((2bits-1)/Iori)
其中，I是校正后的结果；Cfactor是调制参数，用于控制调整后整体图像落入的灰度范围；bits是输入位数参数；Iori是图像矩阵。


5.根据权利要求4所述的基于人工智能的抗散射光栅方法，其特征在于，在所述将预处理后的X射线拍摄图像输入深度学习卷积神经网络模型之前还包括：对所述预处理后的X摄像拍摄图像进行规范化处理。


6.根据权利要求5所述的基于人工智能的抗散射光栅方法，其特征在于，对所述预处理后的X摄像拍摄图像...

【专利技术属性】
技术研发人员：陈昊，罗召洋，魏军，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：广东;44