一种x射线成像方法、装置和计算机可读存储介质
技术领域：
：1.本发明涉及医疗设备
技术领域：
：，特别是涉及一种x射线成像方法、装置和计算机可读存储介质。
背景技术：
：：2.x射线是波长介于紫外线和γ射线之间的电磁辐射。x射线具有穿透性，对不同密度的物质有不同的穿透能力。在医学上一般用x射线投射人体器官及骨骼以形成医学图像。直接数字化放射摄影(digitalradiology，dr)技术具有成像速度快、操作便捷和成像分辨率高的特点，成为x射线摄影的主导方向。3.x射线成像系统通常包括x射线发生组件、胸片架(bucky-wall-stand，bws)组件、检查床(table)组件、平板探测器和位于远程的控制主机，等等。x射线发生组件利用高压发生器提供的高压发出透过照射成像目标的x射线，并在平板探测器上形成成像目标的医学图像信息。平板探测器将医学图像信息发送到控制主机。成像目标可以站立在胸片架组件附近或躺在检查床组件上，从而分别接受头颅、胸部、腹部以及关节等各部位的x射线摄影。4.在很多应用场景(比如，长骨检查(orthoexamination))中，需要用户基于个人经验估计成像目标的曝光区域，再人工移动x射线发生组件(比如，人工移动x射线球管和束光器)到曝光区域附近，以尽量使x射线覆盖该曝光区域。5.然而，这种人工估计曝光区域以及人工移动x射线发生组件的方式严重依赖于用户的个人经验，麻烦费时而且准确度不高。技术实现要素：6.本发明实施方式提出一种x射线成像方法、装置和计算机可读存储介质。7.本发明实施方式的技术方案如下：8.一种x射线成像方法，包括：9.获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像；10.基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域；11.基于所述曝光区域对所述成像目标执行曝光以生成x射线图像。12.可见，本发明实施方式利用可见光图像采集元件采集成像目标的图像，并采用曝光区域识别模型从该图像中自动确定出曝光区域，从而减少人工工作量。而且，本发明实施方式还基于曝光区域对成像目标执行曝光，无需手动移动x射线发生组件即可实现精准曝光。13.在一个实施方式中，在所述基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域之前，该方法还包括：14.建立人工神经网络模型；15.将作为训练数据的、具有标注的图像输入所述人工神经网络模型；16.利用所述训练数据将所述人工神经网络模型训练为所述曝光区域识别模型。17.因此，本发明实施方式可以利用人工标注的图像作为训练数据对人工神经网络模型进行训练，以得到深度学习的曝光区域识别模型，从而将人工智能能力引入到x射线成像中，并由此提高图像质量。18.在一个实施方式中，所述曝光区域识别模型与所述预定x射线成像协议一一对应；19.所述基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域包括：20.将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出对应于预定所述x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述候选曝光区域中确定出所述对应于预定x射线成像协议的曝光区域。21.可见，曝光区域识别模型可以与预定x射线成像协议一一对应，可以直接利用曝光区域识别模型确定出对应于预定x射线成像协议的曝光区域，可以节约处理流程和减少成像耗时。22.在一个实施方式中，所述曝光区域识别模型对应于包含所述预定x射线成像协议的多个x射线成像协议；23.所述基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域包括：24.将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；响应于选择指令，从多个x射线成像协议的曝光区域中选择出对应于所述预定x射线成像协议的曝光区域；或25.将所述成像目标的图像和所述预定x射线成像协议的类别标签输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；基于与所述类别标签的匹配，从多个x射线成像协议的曝光区域中确定出对应于所述预定x射线成像协议的曝光区域。26.本发明实施方式的曝光区域识别模型可以与多个x射线成像协议对应，因此可以利用该曝光区域识别模型为多个x射线成像协议确定曝光区域，而无需为每个x射线成像协议分别生成各自的曝光区域识别模型。另外，本发明实施方式可以通过选择指令或类别标签选择对应于预定x射线成像协议的曝光区域，适用性广。27.在一个实施方式中，所述基于曝光区域对所述成像目标执行曝光以生成x射线图像包括下列中的至少一个：28.基于所述曝光区域的高度参数，控制所述曝光中的x射线成像范围；29.基于所述曝光区域的宽度参数，控制所述曝光中的x射线视野宽度；30.基于所述曝光区域的中心点位置，控制所述曝光中的x射线焦点位置。31.可见，本发明实施方式可以基于曝光区域对成像目标执行曝光，无需手动移动x射线发生组件即可实现精准曝光。32.在一个实施方式中，所述获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像包括：33.确定对应于所述预定x射线成像协议的、x射线发生组件的初始位置；34.移动所述x射线发生组件到所述初始位置；35.控制所述可见光图像采集元件采集所述成像目标的图像。36.因此，通过移动x射线发生组件到预先设置的初始位置，可以快速获取成像目标的图像。37.一种x射线成像装置，包括：38.图像获取模块，用于获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像；39.曝光区域确定模块，用于基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域；40.曝光模块，用于基于所述曝光区域对所述成像目标执行曝光以生成x射线图像。41.可见，本发明实施方式利用可见光图像采集元件采集成像目标的图像，并采用曝光区域识别模型从该图像中自动确定出曝光区域，从而减少人工工作量。而且，本发明实施方式还基于曝光区域对成像目标执行曝光，无需手动移动x射线发生组件即可实现精准曝光。42.在一个实施方式中，还包括：43.训练模块，用于建立人工神经网络模型；将作为训练数据的、具有标注的图像输入所述人工神经网络模型；利用所述训练数据将所述人工神经网络模型训练为所述曝光区域识别模型。44.因此，本发明实施方式可以利用人工标注的图像作为训练数据对人工神经网络模型进行训练，以得到深度学习的曝光区域识别模型，从而将人工智能能力引入到x射线成像中，并由此提高图像质量。45.在一个实施方式中，所述曝光区域识别模型与所述预定x射线成像协议一一对应；46.所述曝光区域确定模块，用于将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出对应于预定所述x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述候选曝光区域中确定出所述对应于预定x射线成像协议的曝光区域。47.可见，曝光区域识别模型可以与预定x射线成像协议一一对应，可以直接利用曝光区域识别模型确定出对应于预定x射线成像协议的曝光区域，可以节约了处理流程和减少成像耗时。48.在一个实施方式中，所述曝光区域识别模型对应于包含所述预定x射线成像协议的多个x射线成像协议；49.所述曝光区域确定模块，用于将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；响应于选择指令，从多个x射线成像协议的曝光区域中选择出对应于所述预定x射线成像协议的曝光区域；或50.所述曝光区域确定模块，用于将所述成像目标的图像和所述预定x射线成像协议的类别标签输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；基于与所述类别标签的匹配，从多个x射线成像协议的曝光区域中确定出对应于所述预定x射线成像协议的曝光区域。51.本发明实施方式的曝光区域识别模型可以与多个x射线成像协议对应，因此可以利用该曝光区域识别模型为多个x射线成像协议确定曝光区域，而无需为每个x射线成像协议分别生成各自的曝光区域识别模型。另外，本发明实施方式可以通过选择指令或类别标签选择对应于预定x射线成像协议的曝光区域，适用性广。52.在一个实施方式中，所述曝光模块，用于执行下列中的至少一个：53.基于所述曝光区域的高度参数，控制所述曝光中的x射线成像范围；54.基于所述曝光区域的宽度参数，控制所述曝光中的x射线视野宽度；55.基于所述曝光区域的中心点位置，控制所述曝光中的x射线焦点位置。56.可见，本发明实施方式可以基于曝光区域对成像目标执行曝光，无需手动移动x射线发生组件即可实现精准曝光。57.在一个实施方式中，所述图像获取模块，用于确定对应于所述预定x射线成像协议的、x射线发生组件的初始位置；移动所述x射线发生组件到所述初始位置；控制所述可见光图像采集元件采集所述成像目标的图像。58.因此，通过移动x射线发生组件到预先设置的初始位置，可以快速获取成像目标的图像。59.一种x射线成像装置，包括处理器和存储器；60.所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如上任一种所述的x射线成像方法。61.因此，本发明实施方式还提出了具有存储器-处理器架构的成像装置，可以自动确定出曝光区域，而且无需手动移动x射线发生组件即可实现精准曝光。62.一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可读指令用于执行如上任一种所述的x射线成像方法。63.因此，本发明实施方式还提出了包含计算机可读指令的计算机可读存储介质，可以自动确定出曝光区域，而且无需手动移动x射线发生组件即可实现精准曝光。附图说明64.图1为根据本发明实施方式的x射线成像方法的流程图。65.图2为根据本发明实施方式的倒瓶颈残差块处理的示范性示意图。66.图3为根据本发明实施方式的成像目标的图像与曝光区域的第一示范性示意图。67.图4为根据本发明实施方式的成像目标的图像与曝光区域的第二示范性示意图。68.图5为根据本发明实施方式的成像目标的图像与曝光区域的第三示范性示意图。69.图6为根据本发明实施方式的成像目标的图像与曝光区域的第四示范性示意图。70.图7为根据本发明实施方式的x射线成像装置的结构图。71.图8为根据本发明实施方式具有存储器-处理器架构的x射线成像装置的示范性结构图。72.其中，附图标记如下：[0073][0074]具体实施方式[0075]为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以阐述性说明本发明，并不用于限定本发明的保护范围。[0076]为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。[0077]申请人发现：在现有技术中，在诸如长骨检查等多种x射线摄影应用场景中，用户通常基于个人经验估计x射线在成像目标上的曝光区域，这既麻烦又费时。考虑到该缺点，本发明实施方式利用可见光图像采集元件采集成像目标的图像，并采用曝光区域识别模型从该图像中自动确定出曝光区域，从而减少人工工作量。而且，本发明实施方式还基于该曝光区域对成像目标执行曝光，无需手动移动x射线发生组件即可实现精准曝光。[0078]进一步地，本发明实施方式还可以利用人工(比如，专家)标注的图像作为训练数据对人工神经网络模型进行训练，以得到深度学习的曝光区域识别模型，从而将人工智能(ai)能力引入到x射线成像中，并由此提高图像质量。[0079]图1为根据本发明实施方式的x射线成像方法的流程图。优选地，该方法可以由x射线成像系统中的控制主机执行。[0080]如图1所示，该方法100包括：[0081]步骤101：获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像。[0082]在这里，成像目标为需要被执行x射线摄影的目标。成像目标可以为生物体或无生命物体，本发明实施方式对成像目标的具体特性并无限定。[0083]可见光图像采集元件通过光学拍摄方式采集成像目标的可见光，以得到成像目标的图像(优选为rgb格式的二维图像)。比如，可见光图像采集元件具体可以实施为摄像头或单孔相机，等等。[0084]可见光图像采集元件通常包含镜头、图像传感器和数字/模拟(a/d)转换器。图像传感器可以实施为电荷耦合器件(charge-coupleddevice，ccd)或互补金属氧化物半导体(complementarymetaloxidesemiconductor，cmos)，等等。通过镜头生成的光学图像，被投射到图像传感器表面上以转换为电信号，再经过a/d转换器被转换为数字格式的图像。[0085]在一个实施方式中，可见光图像采集元件可以固定在x射线发生组件的球管罩壳上或束光器壳体上。比如，在球管罩壳上或束光器的壳体上布置用于容纳可见光图像采集元件的凹槽，通过螺栓连接、卡扣连接、钢丝绳套等方式将可见光图像采集元件固定至凹槽。[0086]可见光图像采集元件采集到成像目标的图像后，可以经由有线接口或无线接口将该图像发送到x射线成像系统中的控制主机。优选地，有线接口包括下列中至少一个：通用串行总线接口、控制器局域网接口、串口，等等；无线接口包括下列中至少一个：红外接口、近场通讯接口、蓝牙接口、紫蜂接口、无线宽带接口，等等。优选地，控制主机获取到成像目标的图像后，在显示屏幕上展示成像目标的二维图像。[0087]以上示范性描述了可见光图像采集元件的典型布置方式和图像的典型传输方式，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。[0088]步骤102：基于曝光区域识别模型，从成像目标的图像中确定出对应于预定x射线成像协议的曝光区域。[0089]在这里，预定x射线成像协议即为期望对成像目标执行的x射线成像协议。该x射线成像协议中可以包含成像方式、成像部位、成像方向、高压发生器的电压值或电流值等成像参数。具体地，该x射线成像协议可以实施为对应于不同器官组织的器官组织程序(organprogram，ogp)。举例，x射线成像协议可以包括：全脊柱正位成像协议、全脊柱侧位成像协议、下肢全长骨成像协议、胸部正位成像协议、胸部侧位成像协议、手掌成像协议、背部成像协议或膝关节成像协议，等等。[0090]曝光区域识别模型适配于从成像目标的图像中确定出对应于该预定x射线成像协议的曝光区域。其中，曝光区域的形状可以为长方形、正方形、圆形、三角形等规则几何形状，或预定义的不规则几何形状。[0091]以上示范性描述了x射线成像协议和曝光区域的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。[0092]在一个实施方式中，在步骤102之前预先生成曝光区域识别模型。优选地，采用ai算法生成曝光区域识别模型。比如，曝光区域识别模型可以为基于人工神经网络(比如，卷积神经网络)的深度学习模型。[0093]采用ai算法生成曝光区域识别模型的具体过程可以包括：建立人工神经网络模型；将作为训练数据的、具有标注的图像输入人工神经网络模型；将人工神经网络模型训练为曝光区域识别模型。其中：在训练过程中可以采用监督学习方式，利用最优化方法(如随机梯度下降)，调节人工神经网络模型中的参数，以使得人工神经网络模型的预测结果与标注之间的误差不断减小直至收敛。[0094]用于训练曝光区域识别模型的训练数据的获取方式可以包括：首先利用布置在预设位置处的可见光图像采集元件(比如相机)拍摄关于成像目标(比如各种各样的人)的大量二维彩色图像。而且，再由专家依据放射科文献中对曝光区域位置的描述在这些二维彩色图像上做出矩形标记以标识出曝光区域。[0095]在一个实施方式中，曝光区域识别模型与预定x射线成像协议一一对应。也就是，该曝光区域识别模型，适配于从成像目标的图像中确定出对应于预定x射线成像协议的曝光区域。此时，步骤102中基于曝光区域识别模型，从成像目标的图像中确定出对应于预定x射线成像协议的曝光区域包括：将成像目标的图像输入曝光区域识别模型；使能曝光区域识别模型提取图像的高阶特征；使能曝光区域识别模型基于高阶特征检测出对应于预定所述x射线成像协议的候选曝光区域；使能曝光区域识别模型从候选曝光区域中确定出对应于预定x射线成像协议的曝光区域(比如，采用非最大抑制过程)。其中，图像的高阶特征包括：曝光区域识别模型中对应于高阶的卷积核所检测到的图像特征。一般地，对应于高阶的卷积核通常位于曝光区域识别模型的中部或末端。[0096]举例，与手掌成像协议一一对应的曝光区域识别模型的生成过程包括：首先，利用布置在预设位置处的可见光图像采集元件(比如相机)拍摄关于成像目标(比如各种各样的人)的大量二维彩色图像。然后，专家在这些二维彩色图像上以矩形标记标识出手掌区域。接着，将标记后的大量二维彩色图像作为训练数据输入人工神经网络模型以训练出对应于手掌成像协议的曝光区域识别模型。基于这种方式训练出的曝光区域识别模型，可以从输入图片中自动标出手掌区域。[0097]在一个实施方式中，曝光区域识别模型对应于包含预定x射线成像协议的多个x射线成像协议。也就是，该曝光区域识别模型，可以从成像目标的图像中确定出对应于每个x射线成像协议的每个曝光区域。此时，步骤102中基于曝光区域识别模型，从成像目标的图像中确定出对应于预定x射线成像协议的曝光区域包括：将成像目标的图像输入所述曝光区域识别模型；使能曝光区域识别模型提取图像的高阶特征；使能曝光区域识别模型基于所述高阶特征检测出多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能曝光区域识别模型从每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；响应于选择指令，从多个x射线成像协议的曝光区域中选择出对应于所述预定x射线成像协议的曝光区域。[0098]在一个实施方式中，曝光区域识别模型对应于包含预定x射线成像协议的多个x射线成像协议。也就是，该曝光区域识别模型，可以从成像目标的图像中确定出对应于每个x射线成像协议的每个曝光区域。此时，步骤102中基于曝光区域识别模型，从成像目标的图像中确定出对应于预定x射线成像协议的曝光区域包括：将成像目标的图像和所述预定x射线成像协议的类别标签输入曝光区域识别模型；使能曝光区域识别模型提取所述图像的高阶特征；使能曝光区域识别模型基于高阶特征检测出所述多个x射线成像协议中每个x射线成像协议的候选曝光区域；使能曝光区域识别模型从每个x射线成像协议的候选曝光区域中确定出每个x射线成像协议的曝光区域；基于与类别标签的匹配，从多个x射线成像协议的曝光区域中确定出对应于所述预定x射线成像协议的曝光区域。[0099]举例，与手掌成像协议、背部成像协议和膝关节成像协议对应的曝光区域识别模型的生成过程包括：首先，利用布置在预设位置处的可见光图像采集元件(比如相机)拍摄关于成像目标(比如各种各样的人)的大量二维彩色图像。然后，专家在这些二维彩色图像上以矩形标记标识出手掌区域、背部区域和膝关节。接着，将标记后的大量二维彩色图像作为训练数据输入人工神经网络模型以训练出与手掌成像协议、背部成像协议和膝关节成像协议对应的曝光区域识别模型。基于这种方式训练出的曝光区域识别模型，可以从输入图片中自动标出手掌区域、背部区域和膝关节区域。[0100]因此，当用户将图片输入到与手掌成像协议、背部成像协议和膝关节成像协议对应的曝光区域识别模型后，该模型可能输出手掌区域、背部区域和和膝关节区域。用户可以通过鼠标、键盘、触摸控制单元等人机交互设备发出选择指令，从手掌区域、背部区域和和膝关节区域中选出对应于预定x射线成像协议的曝光区域(即用户需要的曝光区域)。或者，可以由曝光区域识别模型基于用户预先提供的类别标签，自动从手掌区域、背部区域和和膝关节区域中确定出对应于预定x射线成像协议的曝光区域(即用户需要的曝光区域)。[0101]比如，当需要执行手掌成像协议时，用户从手掌区域、背部区域和和膝关节区域中选出手掌区域，以作为手掌成像协议的曝光区域。或者，当需要执行手掌成像协议时，曝光区域识别模型自动基于用户提供的类别标签(指示为手掌)从手掌区域、背部区域和和膝关节区域中选出手掌区域，以作为手掌成像协议的曝光区域。[0102]本发明实施方式的人工神经网络模型可以实施为：深度卷积神经网络、前馈神经网络模型、径向基神经网络模型、长短期记忆(lstm)网络模型、回声状态网络(esn)、门循环单元(gru)网络模型或深度残差网络模型，等等。优选地，人工神经网络模型实施为深度卷积神经网络。更优选地，人工神经网络模型实施为轻量级的卷积神经网络，比如mobilenet系列的卷积神经网络、shufflenet系列的卷积神经网络或作为轻量型目标检测网络(thundernet)骨干网络的snet卷积神经网络，等等。[0103]以上示范性描述了基于人工神经网络建立曝光区域识别模型的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。比如，还可以基于小波矩或分形特征等方式预先建立曝光区域识别模型，等等。[0104]下面以人工神经网络具体实施为mobilenet深度卷积神经网络模型为例，描述本发明实施方式的曝光区域识别模型。mobilenet深度卷积神经网络模型的核心思想主要包括：利用深度可分离卷积替代标准卷积，从而减少参数量。关于mobilenet深度卷积神经网络模型的内容可以参见通过如下链接能够获得的技术文献(由m.sandler,a.g.howard,m.zhu,a.zhmoginov,l.chen.等人提出的题为“mobilenetv2:invertedresidualsandlinearbottlenecks(mobilenetv2:倒残差和线性瓶颈)”的文献)：https://arxiv.org/pdf/1801.04381.pdf。[0105]mobilenet深度卷积神经网络模型训练出的曝光区域识别模型，具体包括：[0106](1)、特征提取器：通过若干个卷积层从作为输入的、成像目标的图像(rgb图像)中提取高级特征。[0107](2)、基于锚框(anchorbox)的回归器：利用提取的高级特征来获取编码的目标框位置及其类别的置信度得分。[0108](3)、后处理部分：对目标框进行解码，然后执行非最大抑制过程以过滤效果不佳的结果，仅显示所选类别具有最高置信度得分的目标框。[0109]首先对特征提取器进行说明。[0110]特征提取器包含若干个倒瓶颈残差块(invertedbottleneckresidualblock)。如果输入的形状与输出的形状相同，则将添加残差连接，这意味着特征提取器的最终输出将是输入和输出之间逐元素相加的结果。[0111]图2为根据本发明实施方式的倒瓶颈残差块处理的示范性示意图。[0112]在图2所示的倒瓶颈残差块处理中，先用1*1的卷积处理21(实现函数为conv2d)将输入的特征图(featuremap)的维度变大，然后用3*3的深度卷积处理22执行深度卷积(实现函数为depthwiseconv)运算，再使用1*1的卷积处理(实现函数为conv2d)23将其维度缩小，从而得到倒瓶颈残差块的输出特征图24。执行1*1卷积处理23后，不再使用relu激活函数，而是使用线性激活函数以保留更多特征信息，从而保证模型的表达能力。[0113]表1为倒瓶颈残差块的结构表。在表1中，实现从k向k'通道转换，其中步长(stride)为s，扩展因子为t，h和w分别为输入的特征图的高和宽。[0114]输入操作输出h*w*k1*1conv2d,relu6,stride＝1h*w*(tk)h*w*(tk)3*3depthwiseconv,relu6,stride＝2(h/s)*(w/s)*(tk)(h/s)*(w/s)*(tk)1*1conv2d,线性激活函数,stride＝1(h/s)*(w/s)*k'[0115]表1[0116]特征提取器包含两个部分。第一部分是表2中所示的mobilenetv2结构。其中，“输入”表示图像的尺寸，参数n表示该块重复n次。[0117]输入操作tk'ns输出224*224*33*3conv2d,relu6-3212112*112*32112*112*32invertedbottleneckresidualblock11611112*112*16112*112*16invertedbottleneckresidualblock6242256*56*2456*56*24invertedbottleneckresidualblock6323228*28*3228*28*32invertedbottleneckresidualblock6644214*14*6414*14*64invertedbottleneckresidualblock6963114*14*9614*14*96invertedbottleneckresidualblock6160327*7*1607*7*160invertedbottleneckresidualblock6320117*7*3207*7*3201*1conv2d,relu6-1280117*7*1280[0118]表2[0119]为了获得不同尺度的特征，需要选择不同层的输出，然后再通过如表3所示的瓶颈模块进行二次采样，其为特征提取器的第二部分。具体地，为获得不同尺度的特征，从第一部分中选择不同尺寸的层并且将这些不同尺寸的层接入表3所示的瓶颈模块。这些瓶颈模板对特征进行再次采样来进行后续预测，这是特征提取器的第二部分。所提取的这些特征被发送到边界框回归器(boundingboxregressor)。[0120]表3为瓶颈模块中从h*w*k到(h/2)*(w/2)*k'的瓶颈转换(bottlenecktransformer)的示意表。[0121]输入操作输出h*w*k1*1conv2d,relu6,stride＝1h*w*(k'/2)h*w*(k'/2)3*3conv2d,relu6,stride＝2(h/2)*(w/2)*k'[0122]表3[0123]再对基于锚框的回归器进行说明。[0124]基于锚框的回归器使用单发多框检测(ssd)架构。该回归器包含两个头(head)，第一个头为用于锚框变换参数预测的编码框预测器(encodedboxpredictor)；第二个头为用于类预测的类预测器(classpredictor)。[0125]头名输入操作通道输出encodedboxpredictorh*w*k1*1conv2dn*4h*w*(n*4)classpredictorh*w*k1*1conv2dn*(c+1)h*w*(n*(c+1))[0126]表4[0127]表4为回归器的处理表。回归器中的第一个头为每个预设锚框预测出4个变换参数，变换后可以得到最终的预测目标框。同时回归器中的第二个头为每个预设锚框预测c+1个类别(即为c类目标+背景类)的置信度得分。在表4中，n为预设的锚框数量，在特征图1上n为3，在其他的特征图上n为6，因此一共有1917个预设锚框。网络最终会输出1917个目标框以及它们在各个类别上的置信度得分。然后，后处理部分对1917个目标框进行解码，接下来执行非最大抑制的程以过滤效果不佳的输出，最终将仅显示所选类别具有最高置信度得分的目标框。[0128]以上示范性描述了神经网络模型训练出的曝光区域识别模型的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。[0129]步骤103：基于所述曝光区域对所述成像目标执行曝光以生成x射线图像。[0130]在这里，基于曝光区域的区域参数，自动控制x射线发生组件以对成像目标执行曝光，其中尽量使得x射线辐射范围与成像目标上的该曝光区域相重合。[0131]在本发明实施方式中，可以计算出包含曝光区域的图像平面(比如，控制主机的显示平面)和真实3d世界之间的映射关系，将在图像平面上确定出的曝光区域映射到现实世界以获取现实世界中的对应空间范围，从而可以基于曝光区域控制执行现实世界中的曝光操作，比如移动x射线球管的高度或控制束光器的开窗位置。[0132]比如，曝光区域的区域参数包括高度参数、宽度参数和中心点位置。其中：高度参数，用于控制曝光中的x射线成像范围；宽度参数，用于控制曝光中的x射线视野宽度；中心点位置，用于曝光中的x射线焦点位置。更具体地，基于高度参数和宽度参数，控制束光器的开窗位置；基于中心点位置，控制x射线球管的高度。[0133]在一个实施方式中，步骤101中获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像包括：确定对应于所述预定x射线成像协议的、x射线发生组件的初始位置；移动所述x射线发生组件到所述初始位置；控制所述可见光图像采集元件采集所述成像目标的图像。因此，通过将x射线发生组件预先移动到初始位置，可以快速获取成像目标的图像。[0134]图3为根据本发明实施方式的成像目标的图像与曝光区域的第一示范性示意图。由图3可见，在拍摄图像30中，自动确定出胸部侧位曝光区域31。[0135]图4为根据本发明实施方式的成像目标的图像与曝光区域的第二示范性示意图。由图4可见，在拍摄图像40中，自动确定出胸部正位曝光区域41。其中，在胸部正位曝光区域41中，还可以进一步展示作为辅助线的垂直线条和水平线条，其中垂直线条和水平线条的交点即为胸部正位曝光区域41的中心点。[0136]图5为根据本发明实施方式的成像目标的图像与曝光区域的第三示范性示意图。由图5可见，在拍摄图像50中，自动确定出手曝光区域51。其中，在手曝光区域51中，还可以进一步展示作为辅助线的垂直线条和水平线条，其中垂直线条和水平线条的交点即为手曝光区域51的中心点。[0137]图6为根据本发明实施方式的成像目标的图像与曝光区域的第四示范性示意图。由图6可见，在拍摄图像60中，自动确定出膝关节曝光区域61。其中，在膝关节曝光区域61中，还可以进一步展示作为辅助线的垂直线条和水平线条，其中垂直线条和水平线条的交点即为膝关节曝光区域61的中心点。[0138]基于上述描述，本发明实施方式还提出了一种x射线成像装置。[0139]图7为根据本发明实施方式的x射线成像装置的结构图。[0140]如图7所示，x射线成像装置700包括：[0141]图像获取模块701，用于获取布置在x射线发生组件上的可见光图像采集元件采集到的、成像目标的图像；[0142]曝光区域确定模块702，用于基于曝光区域识别模型，从所述成像目标的图像中确定出对应于预定x射线成像协议的曝光区域；[0143]曝光模块703，用于基于所述曝光区域对所述成像目标执行曝光以生成x射线图像。[0144]在一个实施方式中，还包括：[0145]训练模块704，用于建立人工神经网络模型；将作为训练数据的、具有标注的图像输入所述人工神经网络模型；利用所述训练数据将所述人工神经网络模型训练为所述曝光区域识别模型。[0146]在一个实施方式中，所述曝光区域识别模型对应于所述预定x射线成像协议；曝光区域确定模块702，用于将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出对应于预定所述x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述候选曝光区域中确定出所述对应于预定x射线成像协议的曝光区域。[0147]在一个实施方式中，所述曝光区域识别模型对应于包含所述预定x射线成像协议的多个x射线成像协议；曝光区域确定模块702，用于将所述成像目标的图像输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每种x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每种x射线成像协议的候选曝光区域中确定出该种x射线成像协议的曝光区域；响应于选择指令，从多个x射线成像协议的曝光区域中选择出对应于所述预定x射线成像协议的曝光区域。[0148]在一个实施方式中，所述曝光区域识别模型对应于包含所述预定x射线成像协议的多个x射线成像协议；曝光区域确定模块702，用于将所述成像目标的图像和对应于所述预定x射线成像协议的类别标签输入所述曝光区域识别模型；使能所述曝光区域识别模型提取所述图像的高阶特征；使能所述曝光区域识别模型基于所述高阶特征检测出所述多个x射线成像协议中每种x射线成像协议的候选曝光区域；使能所述曝光区域识别模型从所述每种x射线成像协议的候选曝光区域中确定出该种x射线成像协议的曝光区域；基于与所述类别标签的匹配，从每种x射线成像协议的曝光区域中确定出对应于所述预定x射线成像协议的曝光区域。[0149]在一个实施方式中，曝光模块703，用于执行下列中的至少一个：基于所述曝光区域的高度参数，控制所述曝光中的x射线成像范围；基于所述曝光区域的宽度参数，控制所述曝光中的x射线视野宽度；基于所述曝光区域的中心点位置，控制所述曝光中的x射线焦点位置。[0150]在一个实施方式中，图像获取模块701，用于确定对应于所述预定x射线成像协议的、x射线发生组件的初始位置；移动所述x射线发生组件到所述初始位置；控制所述可见光图像采集元件采集所述成像目标的图像。[0151]图8为根据本发明实施方式具有存储器-处理器架构的x射线成像装置的示范性结构图。[0152]如图8所示，x射线成像装置800包括处理器801、存储器802及存储在存储器802上并可在处理器801上运行的计算机程序，所述计算机程序被所述处理器801执行时实现如上任一项所述的x射线成像方法。其中，存储器802具体可以实施为电可擦可编程只读存储器(eeprom)、快闪存储器(flashmemory)、可编程程序只读存储器(prom)等多种存储介质。处理器801可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列，其中现场可编程门阵列集成一或多个中央处理器核。具体地，中央处理器或中央处理器核可以实施为cpu或mcu或dsp等等。[0153]优选地，可以将x射线成像装置800集成到x射线成像系统的控制主机中。[0154]需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。[0155]各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如fpga或asic)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。[0156]本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本技术所述方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。[0157]用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机或云上下载程序代码。[0158]在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。为使图面简洁，各图中的只示意性地表示出了与本发明相关部分，而并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”并不表示将本发明相关部分的数量限制为“仅此一个”，并且“一个”不表示排除本发明相关部分的数量“多于一个”的情形。在本文中，“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”等仅用于表示相关部分之间的相对位置关系，而非限定这些相关部分的绝对位置。[0159]以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12