【技术实现步骤摘要】
本专利技术涉及图像修复与增强，具体指一种基于条件扩散模型的胸部x光图像骨抑制方法。
技术介绍
1、抑制x线胸片中的骨骼成分，得到去除骨骼结构遮挡的软组织像具有重要的临床意义。软组织像可以通过骨抑制技术来获得，即从原始x线胸片中减去骨骼图像。理想的情况下，软组织像中应不再有各种骨骼结构。去除重叠结构的影响后，结节以及肺结核等病症在软组织像上会呈现得较明显，可很大程度提高结果的敏感性和特异性。因此去除和抑制x线胸片中重叠的骨骼结构，可以降低放射科医生和计算机辅助诊断的误诊率，同时增加医生阅片诊断的信心。
2、目前，x线胸片的骨抑制方法可以分为两大类：一种是使用双能减影(dual-energysubtraction,des)硬件设备实现，另一种则使用图像处理的方法实现。然而目前拥有双能减影des设备的医院并不多，因此利用计算机技术来辅助干预骨骼抑制成为了一大研究热点。
3、其中，yang等人开发的基于多尺度卷积神经网络(cnn)的模型能够在图像的梯度域内有效地学习稀疏特征，并取得了优秀的成果。然而，gusarev等人使用自动编码器和深度cnn以及各种损失函数来抑制骨骼，导致生成的图像模糊不清，无法捕捉到高频细节。为了解决这个问题，zhou等人提出了一种多尺度条件生成对抗网络(gan)，以保留高频细节并提高生成图像的清晰度。此外，受到resnet模型的启发，rajaraman等人开发了几个基于resnet的模型，并通过定性和定量分析证明了其有效性。最近，liu等人提出了一种使用两阶段知识蒸馏方法和特定数据校正技术
4、总的来说，目前在临床和科学上的挑战性(问题)如下所示：
5、从临床角度来看，主要是：用des得到的软组织图中骨骼基本能被完全抑制以及制定一个合适的数据纳入标准。
6、从科学角度来分析，主要包括：训练的模型需要能够较好地抑制骨骼；训练模型在抑制骨骼地同时不能引入或者减少其他物质(即恰好抑制骨骼)；训练的模型能够在细节纹理方面保持的较好，比如血管结构、清晰度等；训练的模型要有鲁棒性以及训练的模型能够去除因为拍摄des时病人心跳呼吸等运动伪影。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种基于条件扩散模型的胸部x光图像骨抑制方法，该方法基于输入的胸部x光图像，自动生成高分辨率、高清晰度以及囊括了空间特征和纹理细节的软组织图像。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于条件扩散模型的胸部x光图像骨抑制方法，包括如下步骤：
4、s1、采集图像数据并预处理；
5、s1-1、使用双能剪影设备采集同一患者的胸部x光图像和与之相匹配的软组织图像；
6、s1-2、对采集的配对图像根据纳入标准进行筛选，并使用离散傅里叶变换的自动配准操作，通过最大化图像相似性，使图像达到最佳的对齐状态；纳入标注以外的数据会干扰模型的预测效果，所述纳入标准包括：年龄＞18岁，既往无胸部手术史、外伤史；使用双能摄影条件进行胸部正位x线摄影；摄影摆位达到胸部正位的标准要求；患者胸廓正常；胸腔诊断正常；肺气肿诊断正常；
7、s2、搭建基于条件扩散模型的胸部x光图像骨抑制网络模型，所述基于条件扩散模型的胸部x光图像骨抑制网络模型包括一个具有u型卷积神经网络(u-net)架构的条件扩散模型和一个基于自编码器的增强模块；其中，条件扩散模型允许根据意图来控制生成结果，其核心思想是学习一个有条件的反向过程而不改变正向过程，这样采样的x0对数据分布具有高保真度。在训练期间，首先采样从一个完全配对的数据分布也就是软组织x0和胸部x光图像学习一个条件扩散模型，提供作为反向过程的输入，公式如下所示：
8、
9、其中，为有条件的反向过程，均值μθ和方差∑θ都可以使用基于u-net的网络(输入为xt和t)进行估计。
10、s3、将预处理后的胸部x光图像作为输入对条件扩散模型和基于自编码器的增强模块进行反复训练，优化网络参数，不断进行迭代优化，以模型输出图像与预处理后的图像数据所匹配的软组织图像最小化差异为训练完成标注；
11、s4、使用双能剪影设备采集患者的胸部x光图像经预处理后输入至完成训练的基于条件扩散模型的胸部x光图像骨抑制网络模型中，先后通过条件扩散模型和基于自编码器的增强模块，最终生成软组织图像。其中，在条件扩散模型中，模型接受高斯噪声和胸部x光图像的拼接作为输入，经过多次采样去噪后得到预测的软组织图像；将条件扩散模型生成的软组织图像送入增强模块，输出增强后的软组织图像。
12、作为优选，所述步骤s1中，将预处理后的图像统一调整为256×256。
13、作为优选，所述步骤s3中，模型训练的损失函数为：
14、l＝1.0·lmae+1.0·lms-ssim+0.001·lperceptual+0.01·ladversarial
15、其中，lmae为平均绝对误差损失；lms-ssim为多尺度结构相似性损失；lperceptual为预先训练的视觉几何神经网络的感知损失；ladversarial为基于像素端到像素端的超分辨率模型的补丁鉴别器上的对抗性损失。
16、本专利技术具有以下的特点和有益效果：
17、采用上述技术方案，本专利技术真正实现了根据胸部x光图像自动去除骨骼生成软组织的医学需求，具体包括：1.通过相关深度学习算法获取的去骨后的x线胸部照片，可以使胸片图像中的软组织结构(如肺部、心脏、血管等)更加清晰可见，可帮助诊断与肋骨区域重叠的肺部病变，减少误诊或漏诊，能有效地使得医生可以更容易地观察和评估一些肺部疾病(如：肺内结节、肺炎、肿瘤)的性质、大小和位置，为进一步的诊断、治疗提供辅助与干预。2.患者不需要接受目前临床上普遍使用的des这种高剂量辐射检查设备，同时也能避免这种设备带来的心跳、呼吸运动造成的影像伪影。
本文档来自技高网...【技术保护点】
1.一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，所述步骤S1中，将预处理后的图像统一调整为256×256。
3.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，所述步骤S3中，模型训练的损失函数为：
4.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，所述S1-2中自动配准操作具体方法为：首先使用离散傅里叶变换的，然后通过最大化图像相似性，使图像达到对齐状态。
5.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，在训练期间，首先采样从一个完全配对的数据分布也就是软组织x0和胸部X光图像学习一个条件扩散模型，提供作为反向过程的输入，公式如下所示：
6.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，所述步骤S2中，通过基于自编码器的增强模块进行数据增强的方法为：使用了一个编码器转换输入数据，和一
7.根据权利要求1所述的一种基于条件扩散模型的胸部X光图像骨抑制方法，其特征在于，所述步骤S4中生成软组织图像的方法为：在条件扩散模型中，模型接受高斯噪声和胸部X光图像的拼接作为输入，经过多次采样去噪后得到预测的软组织图像；将条件扩散模型生成的软组织图像送入基于自编码器的增强模块，输出增强后的软组织图像。
...【技术特征摘要】
1.一种基于条件扩散模型的胸部x光图像骨抑制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于条件扩散模型的胸部x光图像骨抑制方法，其特征在于，所述步骤s1中，将预处理后的图像统一调整为256×256。
3.根据权利要求1所述的一种基于条件扩散模型的胸部x光图像骨抑制方法，其特征在于，所述步骤s3中，模型训练的损失函数为：
4.根据权利要求1所述的一种基于条件扩散模型的胸部x光图像骨抑制方法，其特征在于，所述s1-2中自动配准操作具体方法为：首先使用离散傅里叶变换的，然后通过最大化图像相似性，使图像达到对齐状态。
5.根据权利要求1所述的一种基于条件扩散模型的胸部x光图像骨抑制方法，其特征在于，在训练期间，首先...
【专利技术属性】
技术研发人员：孙逸飞，陈章昊，葛瑞泉，贾刚勇，王昌淼，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。