一种基于对抗生成网络的胸片肋骨提取方法技术

本发明专利技术公开了一种基于对抗生成网络的胸片肋骨提取方法，包括通过双能量减影获得胸片图像对构建数据集，所述的胸片图像对包括1帧标准胸片I

【技术实现步骤摘要】
一种基于对抗生成网络的胸片肋骨提取方法


[0001]本专利技术涉及医学图像处理领域，具体是一种基于对抗生成网络的胸片肋骨提取方法。

技术介绍

[0002]在医疗领域中，胸片(Chest Radiograph,CXR)和计算机断层扫描(ComputedTomography，CT)是当前医学诊断中最常用的两种成像技术，均可用于判断识别胸廓中所包含的肋骨、胸椎、脏器和软组织可能发生的多种疾病，两种技术都利用了肌肉软组织、脏器、骨骼等人体解剖组织密度不同，对X射线的吸收能力也不同的原理。胸片通过使用X射线照射胸腔，在底片中成像，其中包含的软组织图像信息常用于诊断肺结核、肺炎、肿块和肺癌等肺部疾病和肠梗阻、胃肠异物等胃肠疾病，包含的骨骼图像信息则常用于诊断骨骼肿瘤、肋骨锁骨骨折、肋间异常、脊柱侧弯、佝偻病或神经纤维瘤病等骨骼疾病。胸部CT则是利用精确准直的X射线与灵敏度极高的探测器围绕胸腔作断面扫描，产生横截面或轴向图像，经重建后得到胸部CT图像，可用于诊断支气管异常、淋巴结结核、肺癌、骨骼异常等疾病。
[0003]虽然胸片和胸部CT均以其不同的优势可以在一定程度上助力医学诊断，但又有其各自的局限性。如胸片中所包含的多个解剖结构(锁骨、肋骨、脏器和肌肉组织)的叠加增加了医生对胸部图像的阅读难度，甚至可能造成病灶区域的遮挡，诊断时就非常考验医生的临床经验。有研究表明，抑制胸片中的骨结构可以提高肺部疾病诊断的检测性能。通过对包括肋骨和锁骨在内的骨骼结构的边缘定位，可以有效构造标签先验，从而在胸片中更好地优化对骨骼的抑制，为胸部疾病提供更好的诊断。此外，提取更完整的骨骼信息也有助于医生对于肋骨、锁骨疾病的诊断，如骨折、肋间异常、脊柱侧弯、佝偻病和神经纤维瘤病等。尽管胸部 CT也可以清晰地提供骨骼信息用于判断疾病，但一次胸部CT对人体所产生的辐射是一次胸片检查的几十倍到上百倍，辐射剂量的大小主要取决于CT设备的不同。有研究表明，胸部CT 所造成的辐射可达到普通胸片检查的150倍。除了患者所受辐射剂量，拍摄胸部CT的成本花费也是普通胸片的数十上百倍，普通胸片价格多为几十元，而胸部CT的价格则为数百元甚至上千元。在偏远、经济落后地区或是社区医院，由于CT设备较普通胸片设备成本造价高，许多医疗机构甚至没有专用的CT设备，只能拍摄普通胸片，此时如何从普通胸片中提取出有用的骨骼信息，从而应用于骨骼疾病诊断初期就尤为重要。
[0004]综上所述，显著地提取并描绘出胸片中的骨骼信息，尤其是其中的肋骨和锁骨，具有重要的研究意义和应用价值。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于对抗生成网络的胸片肋骨提取方法，包括如下步骤：
[0006]步骤一，通过双能量减影获得胸片图像对构建数据集，所述的胸片图像对包括1帧标准胸片I
C
、1帧软组织图像I
S
和1帧骨骼图像I
B
；
[0007]步骤二，将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化处理，并调整图像尺寸为设定大小，将标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
；I
CB
为肋骨生成数据集和I
CS
为肋骨边界监督数据集；
[0008]步骤三，利用来自同一个体的成对的I
C
、I
CB
和I
CS
构建肋骨生成数据集，对数据集中每个个体的I
C
、I
B
和I
CS
依据构建规则构建肋骨边界监督数据集；
[0009]步骤四，构建肋骨监督网络，肋骨监督网络在训练阶段采用权重共享的三元网络架构，在应用阶段采用权重共享的孪生网络架构，肋骨监督网络的输入为肋骨边界监督数据集中的图像对，输出为对应图像对的特征图，计算图像对三个特征图之间的相似度损失
[0010]步骤五，训练肋骨监督网络，将构建出的(I
C
，I
B
，I
CS
)灰度图图像对经尺寸调整为)灰度图图像对经尺寸调整为的张量后输入肋骨监督网络进行训练，完成肋骨监督网络的训练；
[0011]步骤六，构建肋骨图像生成网络，肋骨图像生成网络依据生成对抗网络模型原理，由生成器、判别器和监督器构成，其中生成器采用加入跳远连接的U
‑
net结构，判别器采用多层卷积神经网络结构，监督器为训练完成的肋骨监督网络，并对构建的肋骨图像生成网络进行训练，得到训练完成的肋骨图像生成网络；
[0012]步骤七，训练肋骨图像生成网络，将构建的肋骨生成数据集中图像对输入到训练完成的肋骨图像生成网络，得到胸片图像中的肋骨图像。
[0013]进一步的，所述的将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化处理，并调整图像尺寸为设定大小，将标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
；I
CB
为肋骨生成数据集和I
CS
为肋骨边界监督数据集，包括：
[0014]将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化操作，并调整其尺寸为设定尺寸，利用标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
，其中其中的减运算采用如下公式：
[0015][0016]进一步的，所述的利用来自同一个体的成对的I
C
、I
CB
和I
CS
构建肋骨生成数据集，对数据集中每个个体的I
C
、I
B
和I
CS
依据构建规则构建肋骨边界监督数据集，包括如下过程:
[0017]利用来自同一个体的成对的I
C
、I
CB
和I
CS
构建肋骨生成数据集，用于生成模型重建生成骨架图像，基于对比学习，对数据集中每个个体的I
C
、I
B
和I
CS
依据构建规则构建肋骨边界监督数据集，用于训练出对肋骨信息高度敏感的神经网络模型，监督生成网络生成过程，具体构建规则如下，其中为正样本，为负样本：
[0018]①
I
C
、I
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗生成网络的胸片肋骨提取方法，其特征在于，包括如下步骤：步骤一，通过双能量减影获得胸片图像对构建数据集，所述的胸片图像对包括1帧标准胸片I
C
、1帧软组织图像I
S
和1帧骨骼图像I
B
；步骤二，将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化处理，并调整图像尺寸为设定大小，将标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
；I
CB
为肋骨生成数据集和I
CS
为肋骨边界监督数据集；步骤三，利用来自同一个体的成对的I
C
、I
CB
和I
CS
构建肋骨生成数据集，对数据集中每个个体的I
C
、I
B
和I
CS
依据构建规则构建肋骨边界监督数据集；步骤四，构建肋骨监督网络，肋骨监督网络在训练阶段采用权重共享的三元网络架构，在应用阶段采用权重共享的孪生网络架构，肋骨监督网络的输入为肋骨边界监督数据集中的图像对，输出为对应图像对的特征图，计算图像对三个特征图之间的相似度损失步骤五，训练肋骨监督网络，将构建出的肋骨边界监督数据集(I
C
，I
B
，I
CS
)灰度图图像对经尺寸调整为的张量后输入肋骨监督网络进行训练，完成肋骨监督网络的训练；步骤六，构建肋骨图像生成网络，肋骨图像生成网络依据生成对抗网络模型原理，由生成器、判别器和监督器构成，其中生成器采用加入跳远连接的U
‑
net结构，判别器采用多层卷积神经网络结构，监督器为训练完成的肋骨监督网络，并对构建的肋骨图像生成网络进行训练，得到训练完成的肋骨图像生成网络；步骤七，训练肋骨图像生成网络，将构建的肋骨生成数据集中图像对输入到训练完成的肋骨图像生成网络，得到胸片图像中的肋骨图像。2.根据权利要求1所述的一种基于对抗生成网络的胸片肋骨提取方法，其特征在于，所述的将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化处理，并调整图像尺寸为设定大小，将标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
；I
CB
为肋骨生成数据集和I
CS
为肋骨边界监督数据集，包括：将数据集中成对的标准胸片I
C
、软组织图像I
S
和骨骼图像I
B
分别进行灰度直方图均衡化操作，并调整其尺寸为设定尺寸，利用标准胸片I
C
分别与软组织图像I
S
和骨骼图像I
B
做饱和的图像减运算得到I
CB
和I
CS
，其中其中的减运算采用如下公式：3.根据权利要求1所述的一种基于对抗生成网络的胸片肋骨提取方法，其特征在于，所述的利用来自同一个体的成对的I
C
、I
CB
和I
CS
构建肋骨生成数据集，对数据集中每个个体的I
C
、I
B
和I
CS
依据构建规则构建肋骨边...

【专利技术属性】
技术研发人员：吕建成，牛超群，李媛，王坚，陈永志，张林，
申请(专利权)人：四川大学，
类型：发明
国别省市：