一種基于訓練樣本優化的骨骼抑制方法
【專利摘要】一種基于訓練樣本優化的骨骼抑制方法，其特征步驟是：①、根據圖像灰度與形狀信息的對肺區進行最優分割；②、使用B樣條小波變換的特征和jet進行特征提取，提取有效描述不同尺度骨骼的特征圖像是模型建立的基礎；③、使用Q型因子分析法對樣本進行處理；④、使用BP神經網絡預測骨骼圖像，建立肺部X光圖像與DES肋骨圖像之間的預測模型；⑤、對正常胸片與預測的骨骼圖像做圖像減法來預測軟組織圖像，建立預測模型后，可以根據肺部x光圖像的灰度值分布來預測產生骨結構圖像在肺部x光圖像中減去預測獲得的骨骼圖像就可以獲得軟組織圖像。
【專利說明】一種基于訓練樣本優化的骨骼抑制方法

【技術領域】
[0001]本發明涉及成像技術【技術領域】，特別是一種采用胸部X光圖像經過特征提取得到的特征圖像與雙能減影產生的對應骨骼圖像作為訓練數據的一種基于訓練樣本優化的骨骼抑制方法。

【背景技術】
[0002]肺癌是當前對人類健康危害最大的惡性腫瘤之一。因為肺是人體內部器官，多數肺癌在開始的時候只是在身體內悄悄地生長，患者沒有任何感覺。當患者因咳嗽、咯血及胸痛等臨床癥狀就診時，80 %的患者已經屬于中晚期，其中約75 %的患者發現有轉移病灶的存在，治療預后較差。美國國立癌癥研究所統計資料顯示，如果癌癥患者I期發現并治療，其五年生存率可達90%，而診斷治療發現在II期以后，則五年急劇下降至20%以下。因此，肺癌的早期診斷與治療是提高肺癌患者生存率的關鍵。在對肺部疾病進行診斷時，醫學影像檢查應用十分廣泛，它是肺癌早期檢測的重要手段。隨著醫學成像技術的飛速發展，形成了 X線診斷學、計算機斷層掃描成像(CT)、核磁共振成像(MRI)、超聲、核醫學成像等。X線成像因為其輻射劑量小，價格相對便宜的優勢成為胸部疾病的影像診斷的主體，然而，在胸部X光圖像中，約有12%-90%的可見肺結節(潛在肺癌病灶)患者會被放射科醫生漏診。其中，82%-95%的漏診結節位于圖像中肋骨或鎖骨結構遮擋區域。因此，肺組織和胸部骨骼重疊區域就成為胸部X光圖像病變診斷的檢查盲區。雙能減影(Dual EnergySubtract1n, DES)是在數字胸部x線攝影基礎上發展的一種較新的成像技術。DES技術根據骨骼與軟組織對X線光子能量衰減方式不同，以及不同原子量物質的光電吸收效應差另O，利用數字攝影將兩種吸收效應的信息進行分離，選擇性去除骨骼或軟組織的衰減信息，進而獲得胸部X光圖像、軟組織圖像及骨骼組織圖像。DES技術能夠消除骨骼區域對肺部病灶的遮擋，達到提高肺部疾病診斷性能的作用。
[0003]雖然DES成像技術能夠更清晰的顯示肺內病灶，但患者受到的放射線劑量卻顯著增加。對于成像質量相近的DES與普通胸部X光(Digital rad1graphy, DR)圖像,被檢者的放射線吸收劑量存在顯著差異，且DES的吸收劑量明顯高于DR。
[0004]國內對胸部X光圖像的計算機后處理研究主要集中在圖像增強、肺區域分割及肺結節檢測等方面，目前研究主要集中在肋骨分割。但是，由于肋骨結構較為復雜，且重疊的部分較多，肋骨的準確分割較為困難，效果并不理想。國外一些學者利用胸部X光圖像對骨骼區域的形狀及灰度進行估計，以實現骨骼抑制，達到生成無骨骼遮擋的軟組織圖像的目的。


【發明內容】

[0005]針對現有技術存在的不足，本發明的目的是提供一種采用胸部X光圖像經過特征提取得到的特征圖像與雙能圖像產生的對應骨骼圖像作為訓練數據，通過Q型因子分析對訓練樣本優化，再利用BP神經網絡建立回歸模型的一種基于訓練樣本優化的骨骼抑制方法。
[0006]為了實現上述目的，本發明所采用的技術方案為一種基于訓練樣本優化的骨骼抑制方法，其步驟如下:
[0007]步驟一:根據圖像灰度與形狀信息的對肺區進行分割；
[0008]步驟二:采用B樣條小波變換和2-jet進行特征提取，提取有效描述不同尺度骨骼的特征圖像；
[0009]步驟三:使用Q型因子分析法對樣本進行處理，其過程如下:
[0010]1、對大樣本數據進行預處理；
[0011]每幅特征圖像有P個特征，每個特征得到η個樣本，組成數據矩陣X，其表示如下:

【權利要求】
1.一種基于訓練樣本優化的骨骼抑制方法，其步驟如下: 步驟一:根據圖像灰度與形狀信息的對肺區進行分割，即建立肺輪廓的先驗模型，利用灰度與形狀相似性信息結合圖像特征對肺區域分割； 步驟二:采用B樣條小波變換和N-jet進行特征提取，提取有效描述不同尺度骨骼的特征圖像； 步驟三:使用Q型因子分析法對樣本進行處理，其過程如下:1、采用Q型因子分析對大樣本數據進行預處理，提取特征圖像的觀測數據矩陣X； 2、對數據矩陣X進行按列標準化，采用零均值標準差標準化的方法； 3、求出樣本間的相似系數矩陣Q； 記第i個樣本和第j個樣本的觀測P次測試值為η維空間中的兩個點，則坐標原點分別到這兩個點的η維空間向量間夾角的余弦值為相似系數，其計算公式如下:
P
Σ x^kj qη = ~, u(i，j=l，2，...，η) (3)； JI PP
Jt χΙΣ xI
V^=i k=\ 所有相似系數構成的矩陣為相似系數矩陣； 4、求相似系數矩陣Q的特征值和相應的特征向量；假設Q的η個特征值為A1, λ 2，…，λ η，且A1 >λ η，對應的單位正交特征向量為U1, μ2，…，μ η，在η個樣本中選擇m個樣本(m〈n)來代表這組觀測樣本，η個樣本中除m個樣本外的樣本由選定的m個樣本線性組合表示；各個特征值的大小代表各個因子的方差在總方差中所占的比例；Hm為累計貢獻率，其由下式表示:
m
Σ^.ΣΑ
/-1 5、求出初始因子載荷矩陣A;αη αη …aln

a2l a22 …aln

A=.aPl an2 …apn _ 其中％，Bij表示第i個樣本與第j個公因子的相似系數； 6、因子旋轉；采用方差最大正交旋轉，所述正交旋轉是指坐標軸始終保持90度角旋轉，得到因子載荷矩陣G，其表示為:
G = (gij), gij = bijXhi


m
式中，i = 1，..., n, j = I,...，m ； = ，b^.= ay/hi。 7、根據因子載荷矩陣G，從原始的樣本中按照比例選出具有代表性的樣本集；步驟四:使用BP神經網絡預測骨骼圖像，建立特征圖像與DES肋骨圖像之間的預測模型； 假設由輸入層、隱含層和輸出層構成的三層BP神經網絡，輸入節點Xi，隱含層節點yr輸出節點Z1 ;輸入節點與隱含層節點間的網絡權值為Wji,隱含層節點與輸出節點的網絡權值為Ου，當輸出節點的期望輸出為&時，BP模型的計算公式為: 隱含層檢點的輸出
其中= 輸出節點的計算輸出
其中， 輸出節點的誤差公式
步驟五、對正常胸片與預測的骨骼圖像做圖像減法來預測軟組織圖像，建立預測模型后，可以根據特征圖像的灰度值分布來預測產生骨結構圖像在特征圖像中減去預測獲得的骨骼圖像就可以獲得軟組織圖像。
2.根據權利要求1所述的基于訓練樣本優化的骨骼抑制方法，其特征在于:訓練樣本包括η張胸部X光圖像。
3.根據權利要求1所述的基于訓練樣本優化的骨骼抑制方法，其特征在于:所述B樣條小波變換提取為三階B樣條多尺度小波變換提取，N-jet提取為多尺度2-jet提取。
4.根據權利要求1所述的基于訓練樣本優化的骨骼抑制方法，其特征在于:所述特征圖像換提取過程為對胸部X光圖像分別做一、二、三尺度小波分解，通過一尺度小波分解獲得4張圖像，I張近似圖像，I張水平細節圖像，I張垂直細節圖像，I張對角線細節圖像；通過二尺度小波分解后得到不同于一尺度的I張近似圖像，I張水平細節圖像，I張垂直細節圖像，I張對角線細節圖像；通過三尺度小波分解后得到不同于二尺度的I張近似圖像，I張水平細節圖像，I張垂直細節圖像，I張對角線細節圖像；去掉對角線細節圖像，得到9張特征圖像；將得到9張特征圖像進行高斯濾波局部N-jet的特征提取；根據高斯濾波尺度的不同，每張小波變換后的圖像再得到12張特征圖像。
5.根據權利要求1所述的基于訓練樣本優化的骨骼抑制方法，其特征在于:所述方差最大正交旋轉的公式如下:
其中:
Bij表示第i 個樣本與第j個公因子的相似系數。
【文檔編號】G06T7/00GK104166994SQ201410363852
【公開日】2014年11月26日 申請日期:2014年7月29日 優先權日:2014年7月29日
【發明者】張國棟, 吳海萍, 郭薇 申請人:沈陽航空航天大學