图像增强参数自动优化方法、存储介质和X射线扫描装置制造方法及图纸

本发明专利技术公开了一种图像增强参数自动优化方法、存储介质和X射线扫描装置，涉及医学成像领域，所述方法中对实际扫描数据利用图像增强默认参数和当前参数进行图像增强，将输出的当前参数增强图像、默认参数增强图像与标准样片投入神经网络中进行视觉特征提取，计算当前参数增强图像的视觉特征误差，视觉特征误差大于阈值时，数值优化算法自动调整参数，获取更新后的当前参数增强图像，重复迭代计算直至当前参数增强图像的视觉特征误差小于阈值。本发明专利技术根据图像增强算法，利用数值优化算法自动调整各个参数，使得当前参数增强图像和标准样片更加接近，避免人工干预，降低工作量以及产品开发、使用人员的要求。

Automatic optimization method of image enhancement parameters, storage medium and X-ray scanning device

【技术实现步骤摘要】
图像增强参数自动优化方法、存储介质和X射线扫描装置
本专利技术涉及医学成像领域，尤其涉及一种图像增强参数自动优化方法、存储介质和X射线扫描装置。
技术介绍
X射线在医学、安检、无损检测、工业探伤等领域中发挥了巨大作用，DR（DigitalRadiography）扫描即为一种数字化X射线摄影技术。X射线穿透物体不同组织时会产生不同的衰减，用探测器把这些不同强度的X射线记录下来，就得到了三维物体的二维投影平面图像。探测器从开始的胶片和荧光屏，到图像增强器，再到现在的数字平板探测器硬件技术更新换代，图像质量有较大的提高。但是X射线探测器采集到的图像仍然是很模糊，对比度也很低，远远不能达到诊断的效果。而且，在X射线成像中，往往都有很多种扫描协议，比如一个协议中，有不同的部位，胸部，头部，四肢等等，协议中还有要关注的组织，软组织，骨骼等等。还有成人，儿童等等。所以这些因素排列组合在一起可以很容易有几十个甚至上百个协议。因此需要对这么多方面都进行调节的工作量是很大，而且需要医生和工程师大量的沟通，还要有很丰富的经验。为了能够达到更好的图像质量，现有的X射线成像产品中普遍应用了图像增强的功能，比如自适应滤波，金字塔滤波，小波变换等等。通常的图像处理/增强算法由于其算法的复杂性，其中有很多参数，比如滤波的参数，金字塔层数，权重等等。目前的办法是都是人工靠经验来调节，针对每一种扫描协议，部位，通过医生的主观评价和工程师的交流来决定最终的系数。
技术实现思路
技术目的：针对现有技术中X射线进行图像增强时需要人工调整图像增强参数的缺陷，本专利技术公开了一种图像增强参数自动优化方法、存储介质和X射线扫描装置，根据图像增强算法，以标准样片为目标，利用数值优化算法自动调整各个图像增强参数，使得当前参数增强图像和标准样片更加接近。技术方案：为实现上述技术目的，本专利技术采用以下技术方案：一种图像增强参数自动优化方法，包括：S1、获取标准样片：在扫描前，获取X射线扫描协议的标准样片；S2、获取默认参数增强图像和当前参数增强图像：进行X射线扫描，获取实际扫描数据，利用所述X射线扫描协议和图像增强默认参数、当前参数分别对实际扫描数据进行图像增强，采用图像增强方法，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值为默认参数；S3、对所有图像提取视觉特征：利用所述标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；S4、计算当前参数增强图像的视觉特征误差：利用所述主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；S5、对当前参数进行调整优化：根据所述视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；S6、图像增强参数优化完成，输出当前参数及当前参数增强图像，所述当前参数增强图像与标准样片更加接近。优选地，所述步骤S4中当前参数增强图像相对于标准样片的视觉特征误差计算过程具体包括：步骤S41、计算特征自相关系数：获取所述标准样片、默认参数增强图像和当前参数增强图像在神经网络的主干网络中输出的视觉特征，对所有图像利用所述主干网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；步骤S42、计算当前参数增强图像和标准样片之间的特征差异：先利用所述每层特征自相关系数计算输入的当前参数增强图像和标准样片之间的初步特征差异，再对计算得到的每一层初步特征差异加权计算，获取当前参数增强图像和标准样片之间的特征差异；步骤S43、计算当前参数增强图像相对于标准样片的视觉特征误差：利用所述当前参数增强图像和标准样片之间的特征差异和当前参数增强图像与默认参数增强图像之间的特征差异计算当前参数增强图像相对于标准样片的视觉特征误差。优选地，所述步骤S41中每一层的特征自相关系数计算公式为：其中，x为神经网络中主干网络的输入图像，为第层卷积网络，I、J为图像二维坐标的总尺寸，c、d为该层卷积网络输出的两个通道特征，c∈[1,N]，d∈[1,N]，N为第层卷积网络的总特征数；i、j为该通道输出特征的二维坐标，i∈[1,M]，j∈[1,M]，M为第层卷积网络的特征尺寸；F为输入图像的特征图。优选地，所述步骤S42中当前参数增强图像和标准样片之间的特征差异计算公式为：其中，为当前参数增强图像，为标准样片，为第层卷积网络权值，m、n为卷积网络层数，c、d为该层卷积网络输出的两个通道特征，c∈[1,N]，d∈[1,N]，N为第层卷积网络的总特征数；为特征自相关系数。优选地，所述步骤S43中当前参数增强图像相对于标准样片的视觉特征误差计算公式为：其中，为默认参数增强图像，m为权重参数，k为图像像素的索引，k∈[1,Y*Y]，Y*Y为图像的尺寸。优选地，所述步骤S5中数值优化算法为梯度下降优化算法、ICD优化算法或牛顿法。优选地，所述图像增强参数包括滤波器参数、神经网络的卷积核大小、形状和图像增强方法中金字塔层数。优选地，所述步骤S3中进行视觉特征提取的神经网络为VGG、ResNet、DenseNet、ResNeXt。本专利技术公开一种存储介质，所述存储介质存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现以上任意一项所述的一种图像增强参数自动优化方法。本专利技术公开一种X射线扫描装置，所述X射线扫描装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现以上任意一项所述的一种图像增强参数自动优化方法。有益效果：1、本专利技术根据图像增强算法，以标准样片为目标，利用数值优化算法自动调整各个图像增强参数，使得当前参数增强图像和标准样片更加接近，采用参数自动优化，避免人工干预，降低工作量的同时降低对产品开发以及使用人员要求；2、本专利技术优化的参数包括滤波器参数、神经网络的卷积核大小、形状和图像增强方法中金字塔层数，不同参数进行自动优化提高了当前参数增强图像与标准样片之间的相似性准确度，使得本优化方法更加合理；3、本专利技术中适用的扫描协议的标准样片不是唯一的，即标准样片的来源可以是任何一个系统拍摄的与输入图像同类型的样片，大大提升了工作效率。附图说明图1为本专利技术的方法流程图；图2为采用本专利技术方法后图像结果参照图，其中（a）为默认参数下图像，（b）为参数自动优化后图像，（c）为样本图像。具体实施方式以下结合附图对本专利技术做进一步的解释和说明。在本方案中，DR为DigitalRadiography，即数字化X射线摄影技术本文档来自技高网...

【技术保护点】
1.一种图像增强参数自动优化方法，其特征在于，包括：/nS1、获取标准样片：在扫描前，获取X射线扫描协议的标准样片；/nS2、获取默认参数增强图像和当前参数增强图像：进行X射线扫描，获取实际扫描数据，利用所述X射线扫描协议和图像增强默认参数、当前参数分别对实际扫描数据进行图像增强，采用图像增强后，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值为默认参数；/nS3、对所有图像提取视觉特征：利用所述标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；/nS4、计算当前参数增强图像的视觉特征误差：利用所述主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；/nS5、对当前参数进行调整优化：根据所述视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；/nS6、图像增强参数优化完成，输出当前参数及当前参数增强图像，所述当前参数增强图像与标准样片更加接近。/n...

【技术特征摘要】
1.一种图像增强参数自动优化方法，其特征在于，包括：
S1、获取标准样片：在扫描前，获取X射线扫描协议的标准样片；
S2、获取默认参数增强图像和当前参数增强图像：进行X射线扫描，获取实际扫描数据，利用所述X射线扫描协议和图像增强默认参数、当前参数分别对实际扫描数据进行图像增强，采用图像增强后，输出默认参数增强图像和当前参数增强图像，其中当前参数初始值为默认参数；
S3、对所有图像提取视觉特征：利用所述标准样片、默认参数增强图像和当前参数增强图像进行视觉特征提取，将图像输入至预训练的神经网络主干网络中，获取主干网络中每一个卷积层输出的若干视觉特征；
S4、计算当前参数增强图像的视觉特征误差：利用所述主干网络中每一个卷积层输出的若干视觉特征，计算当前参数增强图像相对于标准样片的视觉特征误差；视觉特征误差大于阈值，则执行步骤S5，视觉特征误差小于阈值，执行步骤S6；
S5、对当前参数进行调整优化：根据所述视觉特征误差和数值优化算法自动调整当前图像增强参数，将当前参数依次沿每个参数方向最小化视觉特征误差，对当前所有参数进行逐个优化调整，获取优化后的所有当前参数，返回步骤S2；
S6、图像增强参数优化完成，输出当前参数及当前参数增强图像，所述当前参数增强图像与标准样片更加接近。


2.根据权利要求1所述的一种图像增强参数自动优化方法，其特征在于：所述步骤S4中当前参数增强图像相对于标准样片的视觉特征误差计算过程具体包括：
步骤S41、计算特征自相关系数：获取所述标准样片、默认参数增强图像和当前参数增强图像在神经网络的主干网络中输出的视觉特征，对所有图像利用所述主干网络中每一个卷积层输出的若干视觉特征计算每一层的特征自相关系数；
步骤S42、计算当前参数增强图像和标准样片之间的特征差异：先利用所述每层特征自相关系数计算输入的当前参数增强图像和标准样片之间的初步特征差异，再对计算得到的每一层初步特征差异加权计算，获取当前参数增强图像和标准样片之间的特征差异；
步骤S43、计算当前参数增强图像相对于标准样片的视觉特征误差：利用所述当前参数增强图像和标准样片之间的特征差异和当前参数增强图像与默认参数增强图像之间的特征差异计算当前参数增强图像相对于标准样片的视觉特征误差。


3.根据权利要求2所述的一种图像增强参数自动优化方法，其特征...

【专利技术属性】
技术研发人员：曾凯，冯亚崇，
申请(专利权)人：南京安科医疗科技有限公司，
类型：发明
国别省市：江苏;32