一种通过CT图像合成X光片及标记的方法技术

本发明专利技术提出一种通过CT图像合成X光片及标记的方法，包括步骤：(1)获取CT图像；(2)从CT图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；(3)对得到的CT图像进行特定角度的正投处理，得到CT图像的X线图像；(4)对得到的标记图像进行特定角度的正投处理，得到标记图像的X线图像；(5)将CT图像的X线图像与标记图像的X线图像进行合成，得到带有所需组织标记的合成X线图像。本发明专利技术通过CT图像合成X线图像，根据在CT图像上所得到的标注合成X线图像上的标注，相对于直接在X光片上进行标注，可以缩短时间和提高准确率。

A method to synthesize X-ray film and mark by CT image

【技术实现步骤摘要】
一种通过CT图像合成X光片及标记的方法
本专利技术涉及CT图像处理
，尤其是一种通过CT图像合成X光片及标记的方法，该方法用于构建病变组织分割深度学习模型的训练数据集，属于深度学习模型训练过程中的训练数据预处理部分。
技术介绍
X光片是最常用的影像诊断技术之一。X光机具有成本低廉，体积小，基本上是各个级别的医院的必备影像系统。由于不同器官组织吸收X射线能力不同，从而能获得不同组织的投影图像。X光片成像速度快，花费低，放射剂量小，并且能够显示特定的病理结构等优点，临床上常被首选用于疾病诊断，体检筛查。但由于拍片是重叠影像，客观上存在着其他组织结构的影响和干扰，例如单纯正位胸片不能清晰显示脊柱旁、心后等部位的病变，因此，这些部位的病变客观上存在着漏诊的可能性。尤其是在大规模体检或者疾病筛查的过程中，海量的数据如果依靠人工的方法效率非常低。因此，开发适合X光片的辅助检测技术，近年来已成为一个活跃的研究领域(例如辅助诊断肺结核，肺炎等)。基于深度学习的人工智能方法可以快速、准确的进行病变区域的快速分割，并且可重复性强，是辅助检测技术中的一大主流技术。基于人工智能的病变区域的快速分割模型的训练一般包括如下步骤：1、数据准备和预处理，2、网络模型设计和损失函数设计，3、网络训练，4、网络模型验证。其中最重要的部分在于如何产生大量而且准确的数据供神经网络来学习。在小数据集上使用深度学习往往容易过拟合，所以深度学习需要大量的数据，然而标注图像是一个费时的过程。尤其对于X光片，由于X光片本身的成像原理，三维的人体结构被压缩到了一张X光片上，丢失了很多对比度的信息，和三维空间信息。如何能对组织结构和病灶的区域进行准确的标记变得更加有挑战性，由于其本质的重叠影像的性质，标注不仅费时，而且容易出错。以X线胸片为例，胸腔包含了人体很多重要的器官，所以对X线胸片的标注是一个费时费力的过程。现在的标注方法包括人工标注，和基于自动分割的标注数以万计的图片。由于胸片自身的性质如对比度低，器官重叠，边界模糊等，所以直接在X线胸片上人工标注不仅费时，而且准确率低。基于分割的方法，如阈值分割、特征空间聚类、区域增长等，以及基于边缘检测，边缘跟踪的方法等，这些分割算法的组合以及改进所形成的新算法至今已经累计达到上千种之多，然而没有一种算法具有良好的通用性，标记的效果更差。所以这个领域亟需一种能够提供准确标记的方法来提高辅助检测的准确度。
技术实现思路
专利技术目的：为了解决现有的基于深度学习的病变组织分割技术中，作为训练数据的X光片标记困难且精确度低的技术问题，本专利技术提出一种通过CT图像合成X光片并添加人工标记的方法。该方法利用成像装置CT，由于它也是利用X射线对人体进行成像，因此CT图像本身和X光片有着很大的共同点。但是由于采用了CT扫描的方式，它的图像质量相比于X光片，有着更高的对比度，更精确的像素值。本专利技术就是利用CT图像的数据来生成X光片的数据集，为以X光片为输入的的基于深度学习的病变区域快速分割模型提供更准确的训练数据集。技术方案：本专利技术提出以下技术方案：一种通过CT图像合成X光片及标记的方法，包括步骤：(1)获取CT图像；(2)在CT图像上分割出不同组织的轮廓图像；(3)从轮廓图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；(4)对步骤(2)得到的轮廓图像进行特定角度的正投处理，得到轮廓图像的X线图像；(5)对步骤(2)添加的标记图像进行特定角度的正投处理，得到标记图像的X线图像；(6)将轮廓图像的X线图像与标记图像的X线图像进行合成，得到带有所需组织标记的合成X线图像。进一步的，所述正投方式包括锥束正投、扇束正投和平行束正投。进一步的，所述步骤(4)中，还包括对得轮廓图像的X线图像进行增强处理。具体的，所述增强处理的方法为自适应图像均衡法。进一步的，在执行步骤(6)之前，还包括步骤：对步骤(5)得到的标记图像的X线图像进行后处理以消除图像中的毛刺，所述后处理包括腐蚀和膨胀操作。有益效果：与现有技术相比，本专利技术具有以下优势：本专利技术首先通过CT图像合成X线图像，根据在CT图像上所得到的标注合成X线图像上的标注。医生在CT图像上的标注相对于在X线图像上标注可以明显缩短标注时间和提高准确率，CT图像上的自动分割标注方法也明显优于在X线图像上的标注方法。通过本专利技术可以为基于深度学习的病变组织分割模型提供带有精准标记的训练数据集，进而可以使训练出的基于深度学习的病变组织分割模型准确度更高。附图说明图1为本专利技术实施例的流程图；图2为胸部CT图像，从左到右依次为横断面，冠状面和矢状面图像；图3为胸部肺组织标记图像，从左到右依次为横断面，冠状面和矢状面图像；图4为胸部CT图像的X线图像；图5为增强后的胸部X线图像；图6为肺部的X线图像；图7为后处理之后的肺部的X线图像；图8为带有肺组织标记的胸部合成X线图像。具体实施方式下面结合附图和具体实施例对本专利技术作更进一步的说明。图1所示为本专利技术的一种实施例的流程图，包括步骤：(1)数据收集和整理：收集Dicom图像数据或者其他格式的CT图像数据。在本实施例中，选取胸部CT的dicom图像，如图2所示，图2从左到右依次为横断面，冠状面和矢状面图像，每一幅图像的尺寸为1024*1024*800，一共有800张图像，每张图像的行和列分别为1024。图像的像素大小为0.3125mm*0.3125mm*0.3125mm，图像的像素尺寸越小，分辨率越高，合成的X线图像和标注图像质量越好。(2)对CT图像进行特定角度的正投处理，例如0度或者90度正投处理，得到CT图像的X线图像；正投可以按照锥束，扇束或者平行束的几何参数执行，本实施例采用最简单的平行束几何参数，正投得到0度合成的X线图像，如图4所示。(3)对CT的X线图像进行增强处理，来增加图像的对比度。图像增强的方法很多，本实施例中采用自适应图像均衡法对图像进行增强，增强后的图像如图5所示。(4)提取感兴趣的组织，就是通常在DR平片上需要看到组织区域，例如肺部的轮廓，心包的轮廓，肋骨结构，肺结节等等，医生在诊断时需要先看到这些组织的图像，然后再给出诊断意见。这个感兴趣的组织可以提取单个或者多个。我们通过图像标记的方法提取感兴趣的组织：将步骤(1)得到的CT图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像。本实施例选取肺组织作为所需组织进行标记，从图2所示的胸部CT的dicom图像中提取肺组织，我们将属于肺组织的体素点标记为1，不属于肺组织的体素点标记为0，这样就得到肺组织的标记图像，如图3所示，图3中从左到右依次为肺组织横断面标记图像，肺组织冠状面标记图像和肺组织矢状面标记图像。(5)对步骤(4)得到的标记图像进行跟CT图像一样本文档来自技高网...

【技术保护点】
1.一种通过CT图像合成X光片及标记的方法，其特征在于，包括步骤：/n(1)获取CT图像；/n(2)从CT图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；/n(3)对步骤(1)得到的CT图像进行特定角度的正投处理，得到CT图像的X线图像；/n(4)对步骤(2)得到的标记图像进行特定角度的正投处理，得到标记图像的X线图像；/n(5)将CT图像的X线图像与标记图像的X线图像进行合成，得到带有所需组织标记的合成X线图像。/n

【技术特征摘要】
1.一种通过CT图像合成X光片及标记的方法，其特征在于，包括步骤：
(1)获取CT图像；
(2)从CT图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；
(3)对步骤(1)得到的CT图像进行特定角度的正投处理，得到CT图像的X线图像；
(4)对步骤(2)得到的标记图像进行特定角度的正投处理，得到标记图像的X线图像；
(5)将CT图像的X线图像与标记图像的X线图像进行合成，得到带有所需组织标记的合成X线图像。


2.根据权利要求1所述的一种通过CT图像合成X光片及标记的方法...

【专利技术属性】
技术研发人员：曾凯，何健，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