一种医学X光影像处理控制参量的智能优选方法与流程

技术特征：

1.一种医学X光影像处理控制参量的智能优选方法，其特征在于该方法具体是：

步骤1、收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量，所述的样本集分类为训练样本集和验证样本集；

步骤2、建立多层结构的神经网络模型；

为实现高度非线性的输入输出映射关系，采用多层多输出节点并行结构的神经网络模型；

神经网络的输入向量I由一组从影像提取的特征参量组成；所述特征参量包括归一化的像素值的直方图，像素值重心和分布方差，梯度强度角分量分布，拉普拉斯角分量分布，将它们标为I＝(I1,I2,I3,…,In)；

神经网络的输出是一组处理当前X光影像所需要的控制参量，包括低频截止频率、低频抑制强度、高通截止频率、高通增强强度和灰阶度影射曲线参数；

神经网络的初级输出为识别域中的多节点M，有三个维度，如下：

mi,j,k＝∑lwijklIl

其中，i是输出控制参量指数，j是输出参数量子化量值数列指数，k是多节点识别域的节点指数；

神经网络的次级输出为控制参量的量子化量值Oij，该值是从多节点输出值中选出最大值；

神经网络的第三层输出为控制参量V，采用类似于模糊逻辑去量子化的计算方式来获得控制参量的模拟数值；

步骤3、神经网络模型的训练；

为训练步骤2的神经网络权重矩阵，用训练样本集中大于500例的样本进行神经网络模型训练：X光影像最佳控制参量与当前神经网络输出值做比较，利用其间的误差对神经网络的权重做出调整，反复运行，渐进优化，直至误差小于第一阈值；

步骤4、神经网络模型的检验；

将步骤3训练好的神经网络模型，用验证样本集中大于100例的样本，逐个比较最佳控制参量与神经网络模型得到的控制参量，若误差小于第二阈值，即完成神经网络模型的验证；否则，返回步骤3，将误差大的样本放入训练样本集中，重新训练神经网络模型；

步骤5、神经网络模型的应用；

将步骤4训练好并且检验过的神经网络模型应用于CR/DR影像处理主程序中，供技师在遇到不切个案的控制参量情形下，选用神经网络系统智能优选的控制参量，保证CR/DR成像质量。

2.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：步骤2中一组特征参量构成高维特征空间；从一个影像提取的特征参量向量，在这个高维空间里是一个点；将所有的影像分类，则需要用某一组相同控制参量处理的影像分为一类，这组影像在这个高维特征空间里是一群点，形成一个或多个形状不规则的特征板块；因此本神经网络采用多个节点形成高度非线性的识别域，以分类在这种不规则的特征板块里的影像，构成多节点识别域的节点数由训练过程根据板块的不规则程度动态决定。

3.根据权利要求2所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：步骤1中收集足够大的X光影像样本集，所述的X光影像样本集包括各种影像类别和各种成像条件；影像样本集充分涵盖各种影像类型和成像条件，以保证有效而完整地为训练过程构建所述的特征空间里的特征板块。

4.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：所述的神经网络模型为多层多输出节点的并行结构神经网络；该神经网络实现高度非线性特性，并克服了传统多层神经网络反向传播纠错训练方法的大累计误差问题；神经网络的训练机制包括考虑对特征空间短程结构和长程结构对纠错的影响；神经网络的训练过程为一种自适应性的训练过程，训练控制参量在不同特征板块结构的情况下会做自适应性调整，包括特征空间短程结构或长程结构对纠错的贡献度的动态调整，以达到最佳收敛状态的自动平衡。

5.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：该方法应用于CR/DR影像处理时，可以对个别影像摄取类型设人工预置控制参量；在处理X光影像时，影像设备摄取X光影像，提供校正好的数字影像，如果对该数字影像有合适的人工预置的控制参量，主模块直接采用人工预置的参量处理数字影像；当人工预置参数缺省时，自动启用神经网络模型智能模块对该数字影像进行分析，得出数字影像处理控制参量，影像处理主模块采用此控制参量处理当前数字影像。