脏器组织高辨识成像方法、装置、存储介质及计算机设备与流程

本发明涉及医疗图像处理技术领域，尤其涉及一种基于人工智能的脏器组织高辨识成像方法、装置、存储介质及计算机设备。

背景技术：

x线胸片是一种广泛应用于肺部疾病诊断的影像学技术，因为其价格低廉、常规有效、相对安全；然而，肋骨和锁骨等解剖结构的重叠给影像科医生阅读诊断带来了困难；因此，x线胸片对骨结构的分离对影像科医生和计算机辅助诊断方案有极大的帮助。

随着数字化x射线摄影的发展，数字摄影双能减影(dualenergysubtraction，des)技术已经实现x线胸片中骨与软组织的分离；双能减影是指采用两次曝光的方法得到两幅图像，将其进行图像减影分别重建为软组织图像和骨组织图像；但是双能减影成像质量容易受到两次曝光之间的呼吸、心跳、运动等因素的影响，会产生运动伪影，容易导致误诊；此外，短时间的交替输出高低两种能量x射线束对球管要求高、损耗大，由于需要专门的设备，只有少数的医院使用des装置，并且，两次高低能量曝光也会使病人所受到的辐射剂量增加。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于人工智能的脏器组织高辨识成像方法、装置、存储介质及计算机设备，只需输入常规的单kvp的ct测量数据即可到高质量的ct骨图像或软组织图像，高效且减少病人的辐射剂量。

为了解决上述中至少一个技术问题，本发明实施例提供了一种基于人工智能的脏器组织高辨识成像方法，所述方法包括：

获得单kvp的ct测量数据；

对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据；

将所述校正后的ct测量数据输入收敛的第一神经网络模型中生成并输出ct骨图像或软组织图像。

可选的，所述对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据，包括：

基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据；

将所述滤波后的ct测量数据输入收敛的第二神经网络模型中进行数据校正处理，输出校正后的ct测量数据。

可选的，所述基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据，包括：

设ct测量数据为y，滤波后的ct测量数据为x，i和j分别表示滤波后的ct测量数据x和ct测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；

所述权值w(i,j)是由像素点i和j为中心的矩形领域y(i)和y(j)的距离确定的，如下：

基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据；

基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据的具体公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，z(i)表示归一化系数，δ²表示平滑参数。

可选的，所述第二神经网络模型为u-net网络结构搭建的神经网络；

所述第二神经网络模型的训练过程如下：

获取配对的“ct测量数据-高剂量ct测量数据”数据集；

对所获取的“ct测量数据-高剂量ct测量数据”数据集进行最小-最大值归一化处理，获得归一化数据集；

利用所述归一化数据集对所述第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。

可选的，所述第一神经网络模型为多尺度下的神经网络或级联神经网络。

可选的，所述第一神经网络模型为采用残差网络模型搭建的神经网络；

所述第一神经网络模型的训练过程如下：

获取配对的“ct测量数据-ct骨图像或软组织图像”数据集；

对所述“ct测量数据-ct骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，所述增强处理包括旋转和放缩处理；

利用增强后的数据集对所述第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；

所述第一神经网络模型的代价函数设计为2范数均方根误差，记为：

其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标ct骨图像或软组织图像；n表示训练样本数；θ表示需要学习的参数。

可选的，所述多尺度下的神经网络包括旋转和放缩；

所述旋转和放缩包括对所述校正后的ct测量数据进行旋转和方式，在所述第一神经网络模型中对所述校正后的ct测量数据进行上下采样操作。

另外，本发明实施例还提供了一种基于人工智能的脏器组织高辨识成像装置，所述装置包括：

数据获得模块：用于获得单kvp的ct测量数据；

数据校正模块：用于对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据；

图像生成模块：用于将所述校正后的ct测量数据输入收敛的第一神经网络模型中生成并输出ct骨图像或软组织图像。

另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述中任意一项所述的脏器组织高辨识成像方法。

另外，本发明实施例还提供了一种计算机设备，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行上述中任意一项所述的脏器组织高辨识成像方法。

在本发明实施例中，只需输入常规的单kvp的ct测量数据即可到高质量的ct骨图像或软组织图像，无需担心两次曝光之间的呼吸、心跳、运动等的影响，且对球管要求较低，耗能较少，因此高效且减少病人的辐射剂量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于人工智能的脏器组织高辨识成像方法的方法流程示意图；

图2是本发明实施例中的基于人工智能的脏器组织高辨识成像装置的结构组成示意图；

图3是本发明实施例中的计算机设备的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1是本发明实施例中的基于人工智能的脏器组织高辨识成像方法的方法流程示意图。

如图1所示，一种基于人工智能的脏器组织高辨识成像方法，所述方法包括：

s11：获得单kvp的ct测量数据；

在本发明具体实施过程中，通过获得介入放射设备的kvp(千伏峰值，为ct设备输出能力单位)的ct测量数据，即通过在ct设备上，设定相应的kvp数据，再在该kvp数据的基础上设定相应的ct测量数据，即可获得单kvp的ct测量数据。

s12：对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据；

在本发明具体实施过程中，所述对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据，包括：基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据；将所述滤波后的ct测量数据输入收敛的第二神经网络模型中进行数据校正处理，输出校正后的ct测量数据。

进一步的，所述基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据，包括：设ct测量数据为y，滤波后的ct测量数据为x，i和j分别表示滤波后的ct测量数据x和ct测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；所述权值w(i,j)是由像素点i和j为中心的矩形领域y(i)和y(j)的距离确定的，如下：

基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据；基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据的具体公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，z(i)表示归一化系数，δ²表示平滑参数。

进一步的，所述第二神经网络模型为u-net网络结构搭建的神经网络；

所述第二神经网络模型的训练过程如下：获取配对的“ct测量数据-高剂量ct测量数据”数据集；对所获取的“ct测量数据-高剂量ct测量数据”数据集进行最小-最大值归一化处理，获得归一化数据集；利用所述归一化数据集对所述第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。

具体的，对该ct测量数据进行校正的过程中，首先使用传统非局部均值滤波算法进行滤波，之后在利用第二神经网络模型对滤波之后的ct测量数据进行校正，从而实现对ct测量数据的校正工作。

在进行传统非局部均值滤波算法进行滤波时，首先需要假设ct测量数据为y，滤波后的ct测量数据为x，i和j分别表示滤波后的ct测量数据x和ct测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；该权值w(i,j)是由像素点i和j为中心的矩形领域y(i)和y(j)的距离确定的，如下：

基于该权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据；

根据该权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据的具体公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，z(i)表示归一化系数，δ²表示平滑参数。

在获得滤波后的ct测量数据之后，将该滤波后的ct测量数据输入收敛的第二神经网络模型中，输出校正后的ct测量数据；其中第二神经网络模型是采用u-net网络结构搭建的模型，该第二神经网络模型需要进行训练，在训练收敛之后，用于对滤波后的ct测量数据进行校正，具体的，第二神经网络模型的训练如下：获取配对的“ct测量数据-高剂量ct测量数据”数据集；对该“ct测量数据-高剂量ct测量数据”数据集进行最小-最大值归一化处理得到归一化数据集；利用归一化数据集对第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。

s13：将所述校正后的ct测量数据输入收敛的第一神经网络模型中生成并输出ct骨图像或软组织图像。

在本发明具体实施过程中，所述第一神经网络模型为多尺度下的神经网络或级联神经网络。

进一步的，所述多尺度下的神经网络包括旋转和放缩；所述旋转和放缩包括对所述校正后的ct测量数据进行旋转和方式，在所述第一神经网络模型中对所述校正后的ct测量数据进行上下采样操作。

进一步的，所述第一神经网络模型为采用残差网络模型搭建的神经网络；所述第一神经网络模型的训练过程如下：获取配对的“ct测量数据-ct骨图像或软组织图像”数据集；对所述“ct测量数据-ct骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，所述增强处理包括旋转和放缩处理；利用增强后的数据集对所述第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；所述第一神经网络模型的代价函数设计为2范数均方根误差，记为：

其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标ct骨图像或软组织图像；n表示训练样本数；θ表示需要学习的参数。

具体的，该第一神经网络模型可以是多尺度下的神经网络或者级联神经网络；当为多尺度下的神经网络时，第一神经网络模型还包括旋转和放缩，该旋转和放缩包括对该校正后的ct测量数据进行旋转和方式，在该第一神经网络模型中对该校正后的ct测量数据进行上下采样操作。

一般情况下，第一神经网络模型是采用残差网络模型搭建的神经网络，对该第一神经网络模型的训练如下：获取配对的“ct测量数据-ct骨图像或软组织图像”数据集；对该“ct测量数据-ct骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，该增强处理包括旋转和放缩处理；利用增强后的数据集对该第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；该第一神经网络模型在训练时的代价函数设计为2范数均方根误差，记为：

其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标ct骨图像或软组织图像；n表示训练样本数；θ表示需要学习的参数。

在本发明实施例中，只需输入常规的单kvp的ct测量数据即可到高质量的ct骨图像或软组织图像，无需担心两次曝光之间的呼吸、心跳、运动等的影响，且对球管要求较低，耗能较少，因此高效且减少病人的辐射剂量。

实施例

请参阅图2，图2是本发明实施例中的基于人工智能的脏器组织高辨识成像装置的结构组成示意图。

如图2所示，一种基于人工智能的脏器组织高辨识成像装置，所述装置包括：

数据获得模块21：用于获得单kvp的ct测量数据；

在本发明具体实施过程中，通过获得介入放射设备的kvp(千伏峰值，为ct设备输出能力单位)的ct测量数据，即通过在ct设备上，设定相应的kvp数据，再在该kvp数据的基础上设定相应的ct测量数据，即可获得单kvp的ct测量数据。

数据校正模块22：用于对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据；

在本发明具体实施过程中，所述对所述ct测量数据进行数据校正处理，获得校正后的ct测量数据，包括：基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据；将所述滤波后的ct测量数据输入收敛的第二神经网络模型中进行数据校正处理，输出校正后的ct测量数据。

进一步的，所述基于传统非局部均值滤波算法对所述ct测量数据进行滤波处理，获得滤波后的ct测量数据，包括：设ct测量数据为y，滤波后的ct测量数据为x，i和j分别表示滤波后的ct测量数据x和ct测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；所述权值w(i,j)是由像素点i和j为中心的矩形领域y(i)和y(j)的距离确定的，如下：

基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据；基于所述权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据的具体公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，z(i)表示归一化系数，δ²表示平滑参数。

进一步的，所述第二神经网络模型为u-net网络结构搭建的神经网络；

所述第二神经网络模型的训练过程如下：获取配对的“ct测量数据-高剂量ct测量数据”数据集；对所获取的“ct测量数据-高剂量ct测量数据”数据集进行最小-最大值归一化处理，获得归一化数据集；利用所述归一化数据集对所述第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。

具体的，对该ct测量数据进行校正的过程中，首先使用传统非局部均值滤波算法进行滤波，之后在利用第二神经网络模型对滤波之后的ct测量数据进行校正，从而实现对ct测量数据的校正工作。

在进行传统非局部均值滤波算法进行滤波时，首先需要假设ct测量数据为y，滤波后的ct测量数据为x，i和j分别表示滤波后的ct测量数据x和ct测量数据y的像素点，权值w(i,j)表示像素点i和j的相似度；该权值w(i,j)是由像素点i和j为中心的矩形领域y(i)和y(j)的距离确定的，如下：

基于该权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据；

根据该权值w(i,j)和x中像素点i处的灰度值计算获得滤波后的ct测量数据的具体公式如下：

x(i)＝∑w(i,j)*y(j)；

其中，z(i)表示归一化系数，δ²表示平滑参数。

在获得滤波后的ct测量数据之后，将该滤波后的ct测量数据输入收敛的第二神经网络模型中，输出校正后的ct测量数据；其中第二神经网络模型是采用u-net网络结构搭建的模型，该第二神经网络模型需要进行训练，在训练收敛之后，用于对滤波后的ct测量数据进行校正，具体的，第二神经网络模型的训练如下：获取配对的“ct测量数据-高剂量ct测量数据”数据集；对该“ct测量数据-高剂量ct测量数据”数据集进行最小-最大值归一化处理得到归一化数据集；利用归一化数据集对第二神经网络模型进行端到端进行训练，直至收敛或达到训练次数阈值。

图像生成模块23：用于将所述校正后的ct测量数据输入收敛的第一神经网络模型中生成并输出ct骨图像或软组织图像。

在本发明具体实施过程中，所述第一神经网络模型为多尺度下的神经网络或级联神经网络。

进一步的，所述多尺度下的神经网络包括旋转和放缩；所述旋转和放缩包括对所述校正后的ct测量数据进行旋转和方式，在所述第一神经网络模型中对所述校正后的ct测量数据进行上下采样操作。

进一步的，所述第一神经网络模型为采用残差网络模型搭建的神经网络；所述第一神经网络模型的训练过程如下：获取配对的“ct测量数据-ct骨图像或软组织图像”数据集；对所述“ct测量数据-ct骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，所述增强处理包括旋转和放缩处理；利用增强后的数据集对所述第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；所述第一神经网络模型的代价函数设计为2范数均方根误差，记为：

其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标ct骨图像或软组织图像；n表示训练样本数；θ表示需要学习的参数。

具体的，该第一神经网络模型可以是多尺度下的神经网络或者级联神经网络；当为多尺度下的神经网络时，第一神经网络模型还包括旋转和放缩，该旋转和放缩包括对该校正后的ct测量数据进行旋转和方式，在该第一神经网络模型中对该校正后的ct测量数据进行上下采样操作。

一般情况下，第一神经网络模型是采用残差网络模型搭建的神经网络，对该第一神经网络模型的训练如下：获取配对的“ct测量数据-ct骨图像或软组织图像”数据集；对该“ct测量数据-ct骨图像或软组织图像”数据集进行数据增强处理，获得增强后的数据集，该增强处理包括旋转和放缩处理；利用增强后的数据集对该第一神经网络模型进行端到端训练，直至收敛或达到训练次数阈值；该第一神经网络模型在训练时的代价函数设计为2范数均方根误差，记为：

其中，表示第一神经网络模型的第i个训练样本的最终预测图像；表示第i个训练样本的目标ct骨图像或软组织图像；n表示训练样本数；θ表示需要学习的参数。

在本发明实施例中，只需输入常规的单kvp的ct测量数据即可到高质量的ct骨图像或软组织图像，无需担心两次曝光之间的呼吸、心跳、运动等的影响，且对球管要求较低，耗能较少，因此高效且减少病人的辐射剂量。

本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中任意一个实施例的脏器组织高辨识成像方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-onlymemory，只读存储器)、ram(randomaccessmemory，随即存储器)、eprom(erasableprogrammableread-onlymemory，可擦写可编程只读存储器)、eeprom(electricallyerasableprogrammableread-onlymemory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。

本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的脏器组织高辨识成像方法。

此外，图3是本发明实施例中的计算机设备的结构组成示意图。

本发明实施例还提供了一种计算机设备，如图3所示。所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解，图3示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块，处理器302运行存储在存储器303的应用程序301，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、zip盘、u盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。

输入单元304用于接收信号的输入，以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。

作为一个实施例，所述计算机设备包括：一个或多个处理器302，存储器303，一个或多个应用程序301，其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行，所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中对的脏器组织高辨识成像方法。

在本发明实施例中，只需输入常规的单kvp的ct测量数据即可到高质量的ct骨图像或软组织图像，无需担心两次曝光之间的呼吸、心跳、运动等的影响，且对球管要求较低，耗能较少，因此高效且减少病人的辐射剂量。

另外，以上对本发明实施例所提供的一种基于人工智能的脏器组织高辨识成像方法、装置、存储介质及计算机设备进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。