一种胸部DR双能量数字减影图像生成方法技术

本发明专利技术公开了一种基于生成对抗网络生成胸部DR双能量数字减影图像的方法、装置及存储介质，包括获取胸部DR双能减影图像，对胸部DR双能减影图像进行预处理后构建训练集，构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织图像。生成相应的骨减影图像和组织图像。生成相应的骨减影图像和组织图像。

【技术实现步骤摘要】
一种胸部DR双能量数字减影图像生成方法


[0001]本专利技术涉及图像处理领域，具体涉及一种基于生成对抗网络的胸部DR双能量数字减影图像生成方法。

技术介绍

[0002]胸部DR能够清楚记录胸部的大体病变，包括肺部肿块、结节、结核、实变、胸部肋骨以及胸椎软组织等胸腔肺组织，拥有放射浓度低、成像迅速、便于检查等优点。但由于成像原理的局限,重叠因素较多,许多感兴趣区的正常结构和异常病灶被其他组织或结构遮挡,易致病变漏诊、定位错误或误诊。
[0003]双能量减影采用两次曝光法，在200ms之内对被拍摄物体以连续两次高低输出能量(KVP)进行曝光，得到两幅图像或数据，将其进行图像减影或数据整合分离，可重建为3幅图像，分别为骨减影、软组织减影以及普通胸片图像。其中软组织减影图像移除了骨结构更有利于观察结节性病变，骨减影可辨别出良性的钙化结节和细微的骨折等病变。但两次曝光法较DR普通拍摄会有不到两倍的射线剂量，对病人身体的伤害更大。
[0004]近年来，许多图像处理方法应用于双能减影图像。基于非深度学习方法包括基于主动形状模型、Gabor滤波器、主动轮廓模型等方法，这些方法的关键在于计算骨的边界，然后根据像素强度生成最终的双能减影图像，但以上方法会因图像质量尤其是噪声、骨边界计算结果的差异导致结果精度受影响。基于深度学习的方法能够自动学习图像特征，而深度学习方法中生成对抗网络十分适合生成风格迁移之后的图片，因此本申请考虑利用生成对抗网络根据普通胸片生成减影后的数据，该方法能够在普通胸片和骨减影、软组织减影图像之间，无须建立训练数据间一对一的映射，便可实现风格的迁移，并且生成结果不受图像质量以及细小噪声的影响，符合临床需求，便于医生给出更加详细的诊断结果。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术首先提供了一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法，其特征在于，包括以下步骤：
[0006]1)获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；
[0007]2)对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
[0008]3)构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；
[0009]4)获取待处理的胸部DR图像，将待处理的胸部DR图像输入训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。
[0010]进一步地，所述步骤2)中预处理可以包括以下步骤：
[0011]获得所述胸部DR双能减影图像的最适窗宽窗位，以所述最适窗宽窗位为目标对所
述胸部DR双能减影图像进行线性拉伸，重设图像大小为2048。
[0012]进一步的，所述步骤3)中生成对抗网络模型包括生成器和鉴别器，所述生成器包括编码器E
s
、解码器G
t
和辅助分类器η
s
，所述编码器Es包括多个下采样卷积层和多个残差模块，所述解码器G
t
包括多个上采样卷积层和多个残差模块，所述鉴别器包括编码器Edt。
[0013]优选的，所述生成器的编码器采用IN，解码器的残差模块采用归一化函数AdaILN，其它模块采用ILN，鉴别器上的采样模块采用SN。
[0014]更优选的，所述生成对抗网络模型采用的损失函数包括对抗损失函数、循环损失函数、身份损失函数和类激活映射损失函数。
[0015]进一步的，所述步骤3)中的训练包括以下步骤：以所述胸部DR原图或噪声作为生成器的输入，得到重构图像，所述重构图像包括骨减影图像和组织减影图像，将所述重构图像与真实的骨减影图像和组织减影图像输入到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，完成模型的训练。
[0016]进一步的，所述步骤4)中待处理的胸部DR图像在输入前经过预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，重设图像的大小为2048。
[0017]本专利技术还提供了一种图像处理装置，包括：
[0018]1)图像获取单元，用于获取原始训练样本，所述原始训练样本包括胸部DR原图、骨减影图像和组织减影图像；以及获取待处理的胸部DR图像；
[0019]2)图像预处理单元，用于对所述图像获取单元获取的图像进行预处理，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；
[0020]3)图像生成单元，用于将所述胸部DR原图和/或噪声，以及待处理的胸部DR图像输入到生成器中，得到骨减影或者组织减影图像；
[0021]4)图像训练单元，用于将生成器生成的重构图像输入到到鉴别器，经过反向传播与梯度更新调节生成器与鉴别器权值参数，以完成对所述生成对抗网络模型的训练。
[0022]本专利技术还提供了一种电子设备，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行所述的胸部DR骨减影图像和组织减影图像的生成方法。
[0023]本专利技术还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行所述的胸部DR骨减影图像和组织减影图像的生成方法。
[0024]相比于现有技术，本专利技术的技术优势至少包括如下几点：
[0025]1.本专利考虑利用生成对抗网络根据普通胸片生成双能减影后的数据，该方法能够在普通胸片和骨减影、软组织减影图像之间，无须建立训练数据间一对一的映射，便可实现风格的迁移，并且生成结果不受图像质量以及细小噪声的影响，符合临床需求，便于医生给出更加详细的诊断结果。
[0026]2.结合双能减影的影像特征，做了针对性的窗宽窗位选择，然后进行线性拉伸，可以在增加图像对比度的同时最大程度保留图像的细节，尤其是在椎骨、肺尖以及肺门处。这样预处理的优点是可以使得网络提取到关键的特征信息，用于网络的训练以及最终图像的生成。
[0027]3.以前的非深度学习方法，在图像噪声过大或者骨轮廓不清晰时，模型的效果会
很差，且鲁棒性不高，易受图像本身质量影响。本专利技术采用的方法，由于无需计算骨轮廓以及肺轮廓，因而受图像成像质量影响较小，模型泛化能力强，生成图像速度快且置信度更高，对图像解读更准确。
[0028]4.本专利技术通过生成对抗网络以胸部DR原片作为输入，生成骨减影以及组织减影，在拍摄时仅需一次曝光，相比于两次曝光法，一方面使用现有的胸部DR原片可以减少患者的辐射剂量、减少拍摄机器的磨损，另一方面生成的双能减影图像有利于病灶的显示以及检出，可以减少医生的工作量，减少等待时长，从而加快诊断进度。
附图说明
[0029]图1为本专利技术的一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法的一个实施例的方法流程图...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络生成胸部DR骨减影图像和组织减影图像的方法，其特征在于，包括以下步骤：1)获取胸部DR双能减影图像，所述胸部DR双能减影图像包括胸部DR原图、骨减影图像和组织减影图像；2)对所述胸部DR双能减影图像进行预处理后构建训练集，所述预处理包括利用特定的窗宽窗位对图像进行线性拉伸，以及重设图像的大小；3)构建生成对抗网络模型，将预处理后的胸部DR原图、骨减影图像和组织减影图像输入生成对抗网络模型进行训练；4)获取待处理的胸部DR图像，将待处理的胸部DR图像输入步骤3)中训练好的生成对抗网络中，生成相应的骨减影图像和组织减影图像。2.如权利要求1所述的方法，其特征在于，所述步骤2)中预处理具体包括以下步骤：获得所述胸部DR双能减影图像的最适窗宽窗位，以所述最适窗宽窗位为目标对所述胸部DR双能减影图像进行线性拉伸，重设图像大小为2048。3.如权利要求1或2所述的方法，其特征在于，所述步骤3)中生成对抗网络模型包括生成器和鉴别器，所述生成器包括编码器E
s
、解码器G
t
和辅助分类器η
s
，所述编码器E
s
包括多个下采样卷积层和多个残差模块，所述解码器G
t
包括多个上采样卷积层和多个残差模块；所述鉴别器包括编码器Edt。4.如权利要求3所述的方法，其特征在于，所述生成器的编码器采用IN，解码器的残差模块采用归一化函数AdaILN，其它模块采用ILN，鉴别器上的采样模块采用SN。5.如权利要求1
‑
4任一项所述的方法，其特征在于，所述步骤3)中生成对抗网络模型采用的损失函数包括对抗损失函数、循环损失函数、身份损失函数和类激活映射损失函数。6.如权利要求...

【专利技术属性】
技术研发人员：李铁成，王子腾，贾潇，王立威，胡阳，丁佳，吕晨翀，
申请(专利权)人：广西医准智能科技有限公司，
类型：发明
国别省市：