DR的几何校正方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种DR的几何校正方法、装置、计算机设备及存储介质，其中，该DR的几何校正方法包括：将原始图像作为深度学习模型的输入参数；获取深度学习模型输出的中间投影图像；基于手动校正图像和中间投影图像获取校正损失值，将所述校正损失值反向传播至深度学习模型中；当校正损失值满足最小值时，获取校正投影图像；从校正投影图像中提取出位姿先验信息参数。上述DR的几何校正方法，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。问题。问题。

【技术实现步骤摘要】
DR的几何校正方法、装置、计算机设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种DR的几何校正方法、装置、计算机设备及存储介质。

技术介绍

[0002]医用数字X射线摄影系统（digital radiography，DR）是计算机数字图像处理技术与放射学相结合而形成的一种X线摄影技术。DR具有低剂量、高空间分辨率、短扫描时间及低成本等特点被广泛应用于体检及医学影像诊断领域。
[0003]三维DR主要包括X射线源、平板探测器、影像处理工作站等部分组成。三维DR可以满足病人立位（负重位）和卧位拍摄，适用于胸部、腹部、骨与软组织等多个部位的切片图像的X射线摄影检查及各类造影检查。在检测时，患者位于X射线源与平板探测器的中间，X射线源发射三维锥束X射线，并以病人的检查区域为中心，沿弧线进行上下（左右）移动和旋转运动，平板探测器接收到已穿透病人的X射线信息并将其转化为数字信号，并由计算机对不同角度下的投影图像进行后处理及显示，以满足病人三维冠状面重建的需要。
[0004]但是，在多角度拍摄时，由于X射线源的移动和旋转，势必会存在一定程度的运动惯性，带来拍摄误差，导致计算机系统构建的几何结构图像信息和理想的几何结构图像信息之间存在一定程度的几何偏移或者误差，并导致重建图像中产生几何伪影。传统的几何校正方法大多对多角度的DR切片图像进行手动校正，这难以满足实时精确的几何校正及三维重建的临床需求。

技术实现思路

[0005]本专利技术实施例提供一种DR的几何校正方法、装置、计算机设备及存储介质，以改进传统的几何校正方法大多对多角度的DR切片图像进行手动校正，这难以满足实时精确的几何校正及三维重建的临床需求的问题。
[0006]一种DR的几何校正方法，包括：将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束；获取深度学习模型输出的中间投影图像；基于手动校正图像和中间投影图像获取校正损失值，将所述校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度；当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像；从校正投影图像中提取出位姿先验信息参数。
[0007]一种DR的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：获取校正模体的在不同切片层数下的原始图像；
将原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取手动校正图像。
[0008]一种DR的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束之前，还包括：获取校正模体中的图像信息；对图像信息进行定位并进行位置变换，获取手动校正图像。
[0009]一种DR的几何校正方法，将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束，包括：将原始图像作为SSGNET模型的输入参数；SSGNET模型对原始图像进行编码并解码后，输出中间投影图像。
[0010]一种DR的几何校正方法，还包括：采集无标签数据；基于无标签数据，优化深度学习模型中的运行参数，形成半监督深度学习模型；基于位姿先验信息参数，对半监督深度学习模型进行约束。
[0011]一种DR的几何校正方法，获取校正模体的在不同切片层数下的原始图像，包括：设定多个测试角度；获取校正模体在多个不同的测试角度下的原始图像。
[0012]一种DR的几何校正方法，从校正投影图像中提取出位姿先验信息参数之后，还包括：将位姿先验信息参数输入进三维重建模型中，用于三维重建模型输出三维图像。
[0013]一种DR的几何校正装置，包括：输入原始图像模块，用于将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对深度学习模型进行约束；获取中间投影图像模块，用于获取深度学习模型输出的中间投影图像；迭代并更新网络梯度模块，用于基于手动校正图像和中间投影图像获取校正损失值，将校正损失值反向传播至深度学习模型中，用于迭代并更新网络梯度；获取校正投影图像模块，用于当校正损失值满足最小值时，获取深度学习模型输出的中间投影图像作为最接近手动校正图像的校正投影图像；提取位姿先验信息参数模块，用于从校正投影图像中提取出位姿先验信息参数。
[0014]一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1至7任一项DR的几何校正方法。
[0015]一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如权利要求1至7任一项DR的几何校正方法。
[0016]上述DR的几何校正方法、装置、计算机设备及存储介质，通过校正损失值对深度学习模型进行反向更新迭代，使最后得到校正投影图像为最接近手动校正图像的图像，并获得位姿先验信息参数，用于后续中三维重建模型的算法中，通过对模型的改进，保证了扫描图像的实时准确几何校正，从而较大地消除了几何偏移对三维重建的影响，改进了因系统几何结构和理想的几何结构之间存在几何偏移，导致重建图像中产生的几何伪影的问题。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1绘示本专利技术一实施例中DR的几何校正方法的应用环境示意图；图2绘示本专利技术第一实施例中DR的几何校正方法的第一流程图；图3绘示本专利技术第一实施例中DR的几何校正方法的深度学习模型的示意图；图4绘示本专利技术第二实施例中DR的几何校正方法的第二流程图；图5绘示本专利技术第一实施例中的人体结构的断层面、矢状面、冠状面的示意图；图6绘示本专利技术第一实施例中DR的几何校正方法的场景示意图；图7绘示本专利技术一实施例中DR的几何校正装置的示意图；图8绘示本专利技术一实施例中计算机设备的示意图。
具体实施方式
[0019]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。
[0020]本专利技术实施例提供的DR的几何校正方法，可应用在如图1的应用环境中，该DR的几何校正方法应用在DR的几何校正系统中，该DR的几何校正系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。进一步地，客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种DR的几何校正方法，其特征在于，包括：将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对所述深度学习模型进行约束；获取所述深度学习模型输出的中间投影图像；基于所述手动校正图像和所述中间投影图像获取校正损失值，将所述校正损失值反向传播至所述深度学习模型中，用于迭代并更新网络梯度；当所述校正损失值满足最小值时，获取所述深度学习模型输出的中间投影图像作为最接近所述手动校正图像的校正投影图像；从所述校正投影图像中提取出所述位姿先验信息参数。2.根据权利要求1所述的DR的几何校正方法，其特征在于，所述将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对所述深度学习模型进行约束之前，还包括：获取校正模体的在不同切片层数下的原始图像；将所述原始图像对应的原始切片层数与预先设定的目标切片层数进行比较，获取所述手动校正图像。3.根据权利要求1所述的DR的几何校正方法，其特征在于，所述将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对所述深度学习模型进行约束之前，还包括：获取校正模体中的图像信息；对所述图像信息进行定位并进行位置变换，获取所述手动校正图像。4.根据权利要求1所述的DR的几何校正方法，其特征在于，所述将原始图像作为深度学习模型的输入参数，用于采用手动校正图像作为输出图像对所述深度学习模型进行约束，包括：将所述原始图像作为所述SSGNET模型的输入参数；所述SSGNET模型对所述原始图像进行编码并解码后，输出所述中间投影图像。5.根据权利要求1所述的DR的几何校正方法，其特征在于，还包括：采集无标签数据；基于所述无标签数据，优化所述深度学习模型中的运行...

【专利技术属性】
技术研发人员：李晓磊，王安山，李树峰，
申请(专利权)人：深圳市宝润科技有限公司，
类型：发明
国别省市：