一种基于人工智能的医学放射影像胸部摄片的质量提控方法技术

本发明专利技术公开了一种基于人工智能的医学放射影像胸部摄片的质量提控方法，主要涉及医学影像质量技术领域。包括获取医学图像原始数据；输入医学原始图像数据，基于R‑L采用P阶向后差分离散法进行高阶离散；使用分形维的方法提取OCT图像中的纹理特征，获取基于图像纹理粗糙度估计的分数阶；构建基于分形维的分数阶函数，分数阶采用变阶分数阶微分模板；构建变阶分数阶微分算子，采用8对称方向的模板结构来构建变阶的分数阶微分模板M，并对所述模板M中的元素归一化；基于模板M进行卷积训练，获得最终增强的图像J。本发明专利技术的有益效果在于：能够有效突出特征细节，并对噪声也能很好的抑制，能够获得清楚且细节特征突出的胸部摄片影像。

【技术实现步骤摘要】
一种基于人工智能的医学放射影像胸部摄片的质量提控方法
本专利技术涉及医学影像质量
，具体是一种基于人工智能的医学放射影像胸部摄片的质量提控方法。
技术介绍
1998年3月波士顿的研究人员用光和镜探索出了一条能窥探心脏血管内部且创伤最小的途径。其所看到的细节几乎像在显微镜下用手术摘除和放置的切片一样的清晰。这种“光学活检”无论比临床上的MRI,还是高频超声都强10倍以上。Kermany等人开发了用于OCT图像的AI框架。他们的AI框架在训练集上使用了转移学习方法InceptionV3，并使用三种不同的方法重复了100次迭代。该方法能够以90％的准确度诊断疾病。与六名人类专家相比，深度学习系统在根据OCT图像确定需要紧急转诊的个体时发现了类似的结果。进一步深度学习算法有效性的验证，是在一套由5,232次训练组成的儿童胸部X光片(CXR)上进行的来自5826名患者的图像(2538张细菌性肺炎图像、1345张病毒性肺炎图像和1349张健康图像)，和来自624例患者的624张图像(234张健康图像和390张肺炎图像)中进行的，他们达到了92.8％的准确度。此外，OCT在胸部主动脉的扫描中也具有很好的支持。但是,由于OCT成像技术利用了低相干光干涉原理,会引入一些散斑噪声的干扰,它会使不同组织在边界处发生模糊,从而降低图像的对比度和清晰度,进而为接下来的图像组织病变的分割增加了困难。因此,如何有效降低散斑噪声对OCT图像的干扰,增强图像对比度并突出图像中重要的病变处的细节信息是实现胸部摄片准确分割的一个亟待解决的关键问题，也是对摄片质量实现高水平控制的瓶颈所在。
技术实现思路
本专利技术的目的在于提供一种基于人工智能的医学放射影像胸部摄片的质量提控方法，它能够有效突出特征细节，并对噪声也能很好的抑制，能够获得清楚且细节特征突出的胸部摄片影像。本专利技术为实现上述目的，通过以下技术方案实现：一种基于人工智能的医学放射影像胸部摄片的质量提控方法，包括以下步骤：步骤1，获取医学图像原始数据；步骤2，输入医学原始图像数据，基于R-L分数阶导数的定义，采用P阶向后差分离散法对原始图像数据进行高阶离散；步骤3，使用分形维的方法提取OCT图像中的纹理特征，获取基于图像纹理粗糙度估计的分数阶；步骤4，构建基于分形维的分数阶函数，所述分数阶采用变阶分数阶微分模板；步骤5，构建变阶分数阶微分算子，采用8对称方向的模板结构来构建变阶的分数阶微分模板M，并对所述模板M中的元素归一化，使所有元素之和为1；步骤6，基于模板M进行卷积训练，获得最终增强的图像J。进一步的，所述步骤2中，采用R-L分数阶导数的定义作为标准，R-L分数阶微分导数在点x＝xj的离散化的数学表达式为公式1：所述h代表步长；所述v是分数阶微分导数的阶次，所述是R-L分数阶导数的p阶离散系数；所述P阶向后差分离散法的离散系数由以下递归公式2获得：uj满足以下公式3的条件：离散阶p取值范围是p＝{1，2，3}。进一步的，所述步骤4的可变分数阶导数通过以下公式4计算获得：所述v是分数阶导数的阶数，取值范围为(0，1)，fd为区域范围内的分形维数，Dmin和Dmax分别代表分形维的阈值。进一步的，所述步骤5中采用的8对称方向分别为：基于X轴正方向、Y轴正方向、X轴负方向、Y轴负方向、左下对角线方向、左上对角线方向、右上对角线方向和右下对角线方向的8个对称方向。所述模板M如表所示：所述模板的大小为(2m+1)*(2m+1),所述为前述步骤获得的离散系数。模板中的元素通过以下公式5进行归一化：对比现有技术，本专利技术的有益效果在于：动脉血管的外侧壁面以及内侧的腔体轮廓都得到了显著的增强，而周围背景区域的散斑噪声也同时得到较好的抑制，增强后的OCT图像可以为后续的血管精准分割奠定良好的图像质量基础。附图说明附图1是本专利技术实施例1中步骤2中三种方案的最终增强效果对比。图中：图(a)为原始图像；图(b)为FPDF-1byv＝0.6离散方案的最终增强结果；图(c)为FPDF-2byv＝0.8离散方案的最终增强结果；图(d)为FPDF-3byv＝0.5离散方案的最终增强结果。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。下述实施例中所涉及的仪器、试剂、材料等，若无特别说明，均为现有技术中已有的常规仪器、试剂、材料等，可通过正规商业途径获得。下述实施例中所涉及的实验方法，检测方法等，若无特别说明，均为现有技术中已有的常规实验方法，检测方法等。实施例：一种基于人工智能的医学放射影像胸部摄片的质量提控方法1)获取胸部摄片图像数据，所述影像数据为通过采用光学相干断层扫描(OCT)对胸主动脉夹层的血管进行体外成像。OCT成像技术是目前分辨率最高的血管腔内成像技术，可以有效地显示血管的内壁结构，识别血管内膜的撕裂、斑块组织成分、支架贴合不良等现象，进而可以为动脉壁上发生的病变(如：夹层、微小血栓)以及支架贴合情况等提供强有力的检测工具。2)输入图像数据，对分数阶微分导数进行高阶离散，方法是基于R-L分数阶导数的定义，采用P阶向后差分离散法(FBDF-p)进行高阶离散。本示例采用R-L分数阶导数的定义作为标准，R-L分数阶微分导数在点x＝xj的离散化的数学表达式为公式1：所述h代表步长；所述v是分数阶微分导数的阶次，所述是R-L分数阶导数的p阶离散系数。采用的高阶离散方法为P阶向后差分离散法(FBDF-p)离散系数由以下递归公式2获得：uj满足以下公式3的条件：离散阶p取值范围是p＝{1，2，3}。分别根据以上取值，采用三种离散方案，对图像库中的某一OCT图像进行增强，结果中最清晰的三幅增强图像如附图1所示，通过观察能够发现，本离散方法能够获得较好的图像细节增强能力。通过比较三种离散方案下图像增强后的图像质量，包括平均梯度、对比度的分析，能够看出在二阶的分数阶离散方法下，相比较于一阶和三阶离散增强的图像，增强效果较优，其中，三阶的离散方案最后构建出的分数阶模板中心位置出现较高峰值，采用此模板增强图像，会对平滑区域内的噪声也同步增强，因此不利于去噪，对特征的放大不明显。3)获取基于图像纹理粗糙度估计的分数阶人体心脏包含了很多分值系统，包括大量的冠状动脉分支，支气管树的分值系统，以及肺动脉系统都可以通过分形维来进行准确的建模，分形维(FD)取本文档来自技高网...

【技术保护点】
1.一种基于人工智能的医学放射影像胸部摄片的质量提控方法，其特征在于，包括以下步骤：/n步骤1，获取医学图像原始数据；/n步骤2，输入医学原始图像数据，基于R-L分数阶导数的定义，采用P阶向后差分离散法对原始图像数据进行高阶离散；/n步骤3，使用分形维的方法提取OCT图像中的纹理特征，获取基于图像纹理粗糙度估计的分数阶；/n步骤4，构建基于分形维的分数阶函数，所述分数阶采用变阶分数阶微分模板；/n步骤5，构建变阶分数阶微分算子，采用8对称方向的模板结构来构建变阶的分数阶微分模板M，并对所述模板M中的元素归一化，使所有元素之和为1；/n步骤6，基于模板M进行卷积训练，获得最终增强的图像J。/n

【技术特征摘要】
1.一种基于人工智能的医学放射影像胸部摄片的质量提控方法，其特征在于，包括以下步骤：
步骤1，获取医学图像原始数据；
步骤2，输入医学原始图像数据，基于R-L分数阶导数的定义，采用P阶向后差分离散法对原始图像数据进行高阶离散；
步骤3，使用分形维的方法提取OCT图像中的纹理特征，获取基于图像纹理粗糙度估计的分数阶；
步骤4，构建基于分形维的分数阶函数，所述分数阶采用变阶分数阶微分模板；
步骤5，构建变阶分数阶微分算子，采用8对称方向的模板结构来构建变阶的分数阶微分模板M，并对所述模板M中的元素归一化，使所有元素之和为1；
步骤6，基于模板M进行卷积训练，获得最终增强的图像J。


2.根据权利要求1所述一种基于人工智能的医学放射影像胸部摄片的质量提控方法，其特征在于，
所述步骤2中，采用R-L分数阶导数的定义作为标准，R-L分数阶微分导数在点x＝xj的离散化的数学表达式为公式1：



所述h代表步长；
所述v是分数阶微分导数的阶次，
所述是R-L分数阶导数的p阶离散系数；
所述P阶向后差分离散法的离散系数由以下递归公式2获得：



uj满足以下公...

【专利技术属性】
技术研发人员：孙凯，韩瑞娟，李坤成，刘宝良，袁建军，
申请(专利权)人：深圳市龙岗区第三人民医院，
类型：发明
国别省市：广东;44