本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，特別是涉及基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法。

背景技術(shù)：

x線胸部平片(簡稱胸片)是肺部疾病檢測的基本影像手段之一。然而，胸片中解剖結(jié)構(gòu)互相重疊，增加了醫(yī)生讀片診斷的難度，特別是肋骨和鎖骨的遮擋會使得肺部小結(jié)節(jié)病灶的診斷難度增加。

現(xiàn)有技術(shù)解決上述問題的方法主要有以下兩大方向：其一，隨著數(shù)字x線成像(digitalradiography,dr)和計算機x線攝影(computedradiography,cr)設(shè)備和技術(shù)的發(fā)展，x線雙能減影(dualenergysubtraction,des)技術(shù)可分離出胸片中呈現(xiàn)出特性組織成分的圖像——軟組織像(soft-tissueimage)和骨像(boneimage)。雙能減影設(shè)備采集高低兩種不同能量x線(如120kv和60kv)下的兩幅圖像，利用組織在不同能量x線下的衰減系數(shù)不同，產(chǎn)生不同的x線胸片，進行加權(quán)減影處理，可將不同衰減系數(shù)的組織分開，得到軟組織像和骨骼圖像。x線雙能減影設(shè)備：x線雙能減影設(shè)備相對普通x線機的成本要高，而且其x線球管的使用壽命可能相對較短，現(xiàn)臨床使用的dr設(shè)備一般不具有雙能減影功能。雙能減影成像需要兩次x線曝光，兩次曝光之間有一定時間間隔，因此成像質(zhì)量易受病人呼吸、心臟搏動等人體組織運動影響，從而獲取的軟組織像和骨像中一般存在運動偽影，兩次曝光也會使病人接受的輻射劑量有所增加。

其二，利用圖像處理和模式識別技術(shù)模擬雙能減影設(shè)備功能，對dr或cr設(shè)備獲取的單幅數(shù)字常規(guī)胸片進行處理，將此單幅圖像分解為軟組織像和骨像，實現(xiàn)骨骼影像的抑制?，F(xiàn)通過圖像處理技術(shù)，實現(xiàn)胸片骨骼影像抑制的方法又分為兩類：1、基于骨骼結(jié)構(gòu)分割和邊緣檢測的方法。2、基于回歸模型預測的方法。第一類方法需要先對x線胸片中肋骨和鎖骨進行分割，利用曲線擬合、霍夫變換等方法定位肋骨和鎖骨的邊緣，然后對肋骨、鎖骨的區(qū)域灰度或邊緣梯度建立模型，通過信號分離或進行梯度域修正重建等技術(shù)實現(xiàn)軟組織像和骨像的分離?；诠趋澜Y(jié)構(gòu)分割和邊緣檢測的骨抑制處理方法：這類方法一般認為骨像灰度在肋骨或鎖骨區(qū)域內(nèi)為常數(shù)，然而與實際情況不符，與此同時軟組織像和骨像的分離效果嚴重依賴于骨骼結(jié)構(gòu)分割和邊緣定位的精度。x線胸片中骨骼結(jié)構(gòu)的精準分割和邊緣的精細定位相當困難，因此這類方法得到的骨抑制結(jié)果中，肋骨和鎖骨邊緣會存在明顯的條狀偽影和骨骼影像抑制不徹底的現(xiàn)象。第二類方法通過雙能減影設(shè)備獲取到的圖像數(shù)據(jù)(包括常規(guī)胸片、軟組織像和骨像)作為訓練樣本，通過模式識別中統(tǒng)計的學習方法建立回歸預測模型，以常規(guī)胸片圖像局部特征為輸入，預測和重建相應的軟組織像或骨像。發(fā)明人為：陽維,盧振泰,馮前進,陳武凡,發(fā)明名稱為：一種抑制x線圖像骨骼影像的方法及處理設(shè)備,申請?zhí)枮椋?01310305019.2的中國發(fā)明專利(實審中)就是采用的上述第二類方法?；诨貧w模型預測的骨抑制方法：采用k近鄰回歸進行軟組織像或骨像的預測，優(yōu)化得到的濾波器組響應作為局部特征。基于回歸模型預測的骨抑制方法需要建立海量的樣本數(shù)據(jù)才能保證預測的精準性，與此同時從數(shù)據(jù)庫中搜索每個像素對應的特征近鄰非常耗時，使得該方法存在處理速度慢、骨抑制效果不理想等問題，難以投入實際應用。人工神經(jīng)網(wǎng)絡(luò)是最常用的參數(shù)化回歸預測模型，用于x線胸片骨抑制的工作中，通過提取胸片圖像中的局部特征作為人工神經(jīng)網(wǎng)絡(luò)的輸入，預測單個像素或區(qū)域的軟組織像或者骨像的強度，速度相對較快，其性能主要依賴于有效的局部特征和模型的預測能力。當前用于胸片骨抑制的回歸預測模型具有一定的問題，其需要預先對胸片進行復雜的對比度歸一化處理，隨后從胸片圖像提取有效的特征和優(yōu)化預測模型的參數(shù)，同時需要對預測得到的骨像或者軟組織像，進行后處理，以排除預測過程中產(chǎn)生的其它問題，以保證預測精度，但這種后處理在保證一定精度的同時，會造成某種程度的失真。

因此，針對現(xiàn)有技術(shù)不足，提供基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法以克服現(xiàn)有技術(shù)不足甚為必要。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于避免現(xiàn)有技術(shù)的不足之處而提供基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，從而解決胸片中解剖結(jié)構(gòu)影像重疊的問題，增強胸片影像的可讀性。

本發(fā)明的上述目的通過如下技術(shù)手段實現(xiàn)。

基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，包括以下步驟：

步驟(1)、x線胸片圖像空間分辨率的歸一化處理；

步驟(2)、求取x線胸片圖像小波系數(shù)；

步驟(3)、胸片圖像小波系數(shù)的歸一化處理；

步驟(4)、訓練樣本的增加和偽影區(qū)域的刪減，及其訓練樣本采樣預處理，根據(jù)關(guān)注度不同對不同區(qū)域賦予不同的權(quán)重；

步驟(5)、訓練預測骨像或者軟組織像小波系數(shù)的卷積神經(jīng)網(wǎng)絡(luò)；

步驟(6)、通過預測的小波系數(shù)圖像重建骨像或者軟組織像；

步驟(7)、原歸一化后的胸片圖像中減去重建的骨像或者以重建的軟組織像作為骨抑制處理的結(jié)果。

進一步，所述步驟(1)具體是對原始x線胸片圖像i0進行空間采樣，使輸入胸片圖像的像素尺寸對應的空間尺寸為設(shè)值，得到空間分辨率統(tǒng)一的胸片圖像i。

進一步，所述步驟(2)具體是對步驟(1)處理得到的圖像i進行小波分解操作，得到胸片小波分解的近似系數(shù)ia和細節(jié)系數(shù)ih、iv、id。

進一步，所述步驟(3)具體是由步驟(2)得到的胸片的小波系數(shù)圖像ia和ih、iv、id，計算小波四個通道系數(shù)的中值、方差或者設(shè)定的分位數(shù)作為各個通道的幅值歸一化系數(shù)，四個通道系數(shù)分別除以各自的幅值歸一化系數(shù)。

進一步，所述ia的歸一化處理為：

或者

其中ia為其分解系數(shù)圖像像素值，

mean(ia)為ia中圖像像素灰度值均值，

std(ia)為ia圖像像素灰度值標準差，

median(|ia|)為ia圖像像素灰度絕對值中值，

ih、iv、id統(tǒng)一做歸一化處理。

進一步，所述步驟(5)是以步驟(3)、步驟(4)得到的幅值歸一化的胸片小波系數(shù)圖像ia和ih、iv、id作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，預測骨像或者軟組織像的小波系數(shù)，然后通過小波逆變換得到骨像或者軟組織像。

進一步，所述訓練卷積神經(jīng)網(wǎng)絡(luò)用的胸片小波系數(shù)圖像和對應的雙能減影骨像或者軟組織像小波系數(shù)圖像采用步驟(3)中方法進行幅值歸一化處理，然后根據(jù)步驟(4)將訓練預測模型用的胸片圖像中的運動偽影區(qū)域排除掉或?qū)⑦\動偽影區(qū)域權(quán)重置為0，將胸片中的結(jié)節(jié)和異常區(qū)域標注出，并對這些區(qū)域賦予一個權(quán)重值，該權(quán)重值大于0，繼而進行訓練，將胸片中的肋骨和鎖骨的邊緣進行勾畫，并對這些區(qū)域也賦予一個權(quán)重值，該權(quán)重值大于0，在訓練樣本不足的情況下，通過旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等操作進行樣本量增加。

進一步，所述訓練卷積神經(jīng)網(wǎng)絡(luò)預測模型的目標函數(shù)為預測值與des骨像或者軟組織像各小波系數(shù)之間的均方誤差、加權(quán)的均方誤差或者加權(quán)的魯棒損失函數(shù)，以及幾項損失函數(shù)不同權(quán)重的組合，加權(quán)所用的權(quán)重通過胸片圖像的標注結(jié)果確定，卷積神經(jīng)網(wǎng)絡(luò)的訓練采用誤差反向傳播和隨機梯度下降算法、adagrad、rmsprop、adam優(yōu)化算法最小化目標函數(shù)來完成。

進一步，所述步驟(6)具體是由步驟(5)通過卷積神經(jīng)網(wǎng)絡(luò)預測得到的小波系數(shù)圖像ia和ih、iv、id，通過小波逆變換將預測的小波系數(shù)圖像重建為骨像b或者軟組織像s。

進一步，所述如果步驟(6)重建得到的是骨像b，則骨抑制得到的軟組織像為i-b；如果步驟(6)重建得到的是軟組織像s，則骨抑制的最終結(jié)果即為s。

本發(fā)明的基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以胸片圖像小波系數(shù)為輸入，預測其對應的骨像或者軟組織像的小波系數(shù)圖像。已有的骨像或者軟組織像人工神經(jīng)網(wǎng)絡(luò)預測方法，需要對原胸片圖像采用較為復雜的對比度歸一化處理方法進行處理，而本發(fā)明在小波域處理輸入胸片圖像，可采用簡單的方法進行幅值歸一化處理；已有的骨像或者軟組織像的人工神經(jīng)網(wǎng)絡(luò)預測方法，需要設(shè)計圖像特征提取方法作為人工神經(jīng)網(wǎng)絡(luò)的輸入，本發(fā)明直接以胸片圖像小波分解圖像為輸入，通過訓練卷積神經(jīng)網(wǎng)絡(luò)自動學習、優(yōu)化卷積核，完成圖像的特征提取過程，無需設(shè)計圖像特征提取方法。

本發(fā)明不需要昂貴的雙能減影設(shè)備,僅對普通x線設(shè)備獲取的單幅胸片圖像進行處理即可，實現(xiàn)x線胸片中骨骼影像的抑制，避免了兩次曝光從而降低了病人的輻射劑量和運動偽影的產(chǎn)生。

本發(fā)明不需要圖像特征提取方法的特別設(shè)計，僅通過卷積神經(jīng)網(wǎng)絡(luò)模型的訓練從而自動完成圖像的特征學習。

本發(fā)明中卷積神經(jīng)網(wǎng)絡(luò)在圖像的小波域進行特征提取和預測，減少骨像或者軟組織像預測對于圖像對比度歸一化處理的依賴，同時充分利用了胸片圖像小波系數(shù)的稀疏性和可分性，提高了骨像或者軟組織像的預測精度。

本發(fā)明可通過對x線雙能減影圖像數(shù)據(jù)進行修正，對x線胸片圖像中不同區(qū)域賦予不同權(quán)重，并構(gòu)造有效的加權(quán)目標函數(shù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓練，在準確預測骨像或者軟組織像的同時保留輸入胸片圖像中的重要結(jié)構(gòu)。

附圖說明

利用附圖對本發(fā)明作進一步的說明，但附圖中的內(nèi)容不構(gòu)成對本發(fā)明的任何限制。

圖1是本發(fā)明進行胸片圖像骨抑制處理的基本流程圖。

圖2是本發(fā)明用于預測骨像或者軟組織像的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架示意圖。

圖3是本發(fā)明一種小波多尺度分解級聯(lián)方式預測骨像流程的示意圖。

圖4是本發(fā)明中骨像預測單元k-1處理流程示意圖。

圖5是本發(fā)明的具體實例對一輸入x線胸片圖像進行骨抑制處理單元，圖中顯示了輸入圖像、中間結(jié)果及骨抑制處理輸出圖像的范例。

具體實施方式

結(jié)合以下實施例對本發(fā)明作進一步描述。

實施例1。

基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，包括以下步驟：步驟(1)、x線胸片圖像空間分辨率的歸一化處理；步驟(2)、求取x線胸片圖像小波系數(shù)；步驟(3)、胸片圖像小波系數(shù)的歸一化處理；步驟(4)、訓練樣本的增加和偽影區(qū)域的刪減，及其訓練樣本采樣預處理；步驟(5)、訓練預測骨像或者軟組織像小波系數(shù)的卷積神經(jīng)網(wǎng)絡(luò)；步驟(6)、通過預測的小波系數(shù)圖像重建骨像或者軟組織像；步驟(7)、原歸一化后的胸片圖像中減去重建的骨像或者以重建的軟組織像作為骨抑制處理的結(jié)果。如圖1所示為本發(fā)明進行胸片圖像骨抑制處理的基本流程圖。

實現(xiàn)步驟如下：

步驟(1)：對原始x線胸片圖像i0進行空間采樣，使輸入胸片圖像的像素尺寸對應的空間尺寸為定值，如0.194mm或0.2mm，得到空間分辨率統(tǒng)一的胸片圖像i。在具體應用中，對原始胸片圖像i0的空間采樣可采用雙線性插值或者三次b樣條插值等方法實現(xiàn)。

步驟(2)：對步驟(1)處理得到的圖像i，對圖像進行小波分解操作，得到胸片小波分解的近似系數(shù)ia和細節(jié)系數(shù)ih、iv、id。具體應用中，求取胸片小波分解圖像可采用不同的小波基(例如haar，meyer，morlet，daubechied，mexicanhat等)進行分解操作。

步驟(3)：由步驟(2)得到的胸片的小波系數(shù)圖像ia和ih、iv、id，計算小波四個通道系數(shù)的中值、方差或者設(shè)定的分位數(shù)(如90％分位數(shù))作為各個通道的幅值歸一化系數(shù)，四個通道系數(shù)分別除以各自的幅值歸一化系數(shù)，因為ia的分布與其它三通道ih、iv、id的幅值分布不同，需要求出ia的均值，ia的歸一化處理為：

或者

其中ia為其分解系數(shù)圖像像素值，

mean(ia)為ia中圖像像素灰度值均值，

std(ia)為ia圖像像素灰度值標準差，

median(|ia|)為ia圖像像素灰度絕對值中值。

由于ih、iv、id的分布基本一致，可以統(tǒng)一做歸一化處理。從而使得不同設(shè)備、不同病人的胸片圖像小波系數(shù)幅值的中值、方差或者設(shè)定的分位數(shù)相同。

步驟(5)：以步驟(3)得到的幅值歸一化的胸片小波系數(shù)圖像ia和ih、iv、id作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，預測的骨像或者軟組織像的小波系數(shù)，然后通過小波逆變換得到骨像或者軟組織像。本發(fā)明采用的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架如圖2所示，可具有多個卷積層，卷積神經(jīng)網(wǎng)絡(luò)各卷積層的輸入和輸出都稱為特征圖(featuremap)。特征圖除了第一層輸入和最后一層輸出通常具有多個通道，通道數(shù)目取決于輸出特征圖的卷積層中的卷積核數(shù)目。設(shè)第l層的卷積層有nl個卷積核，第l層的輸出特征圖記為f^l，特征圖f^l的第i個通道記為fi^l(i＝1,2,3,...,nl)。卷積網(wǎng)絡(luò)的輸入記為f⁰，f⁰具有四個通道，分別為：

數(shù)學上的表達，卷積神經(jīng)網(wǎng)絡(luò)卷積層中的第l層輸出f^l與輸入f^l-1之間的關(guān)系可表述為：

式中，*為二維卷積操作，σ(.)為非線性激活函數(shù)，為第l層個卷積層中用于計算輸出特征圖的第i個通道結(jié)果的卷積核，輸出特征圖為輸入特征圖中第j個通道與進行卷積的結(jié)果，為第l層卷積層中用于計算輸出特征圖中第i個通道的偏置項，l表示卷積網(wǎng)絡(luò)中的卷積層數(shù)目。非線性激活函數(shù)σ(.)可以為sigmoid函數(shù)、雙曲線正切函數(shù)、relu(rectifiedlinearunits)函數(shù)以及其它激活函數(shù)等。第l層卷積層中，輸出為預測的骨像或者軟組織像的小波系數(shù)圖像：

如圖2所示，為本發(fā)明用于預測骨像或者軟組織像的卷積神經(jīng)網(wǎng)絡(luò)單元構(gòu)架示意圖。

對于卷積神經(jīng)網(wǎng)絡(luò)訓練用到的雙能減影圖像樣本：卷積神經(jīng)網(wǎng)絡(luò)的訓練(即卷積神經(jīng)網(wǎng)絡(luò)各卷積層中的卷積核和偏置項的優(yōu)化過程)需要采集大量胸片小波系數(shù)圖像和對應的雙能減影骨像(或者軟組織像)的小波系數(shù)圖像的樣本對作為訓練集進行訓練。訓練卷積神經(jīng)網(wǎng)絡(luò)用的胸片小波系數(shù)圖像和對應的雙能減影骨像(或者軟組織像)小波系數(shù)圖像采用步驟(3)中方法進行幅值歸一化處理?？蓪⒂柧氼A測模型用的胸片圖像中的運動偽影區(qū)域排除掉或?qū)⑦\動偽影區(qū)域權(quán)重置為0，從而避免通過卷積神經(jīng)網(wǎng)絡(luò)預測的骨像(或者軟組織像)出現(xiàn)運動偽影。為了提升預測模型在胸片結(jié)節(jié)和異常區(qū)域的預測精度，可將胸片中的結(jié)節(jié)和異常區(qū)域人工標注出，并對這些區(qū)域賦予較大的權(quán)重值，繼而進行訓練?？蓪⑿仄械睦吖呛玩i骨的邊緣人工勾畫出，并對這些區(qū)域也賦予較大的權(quán)重值，使得訓練預測模型的在肋骨和鎖骨邊緣的預測精度同時也得到提升。

關(guān)于卷積神經(jīng)網(wǎng)絡(luò)訓練的目標函數(shù)和優(yōu)化算法：訓練卷積神經(jīng)網(wǎng)絡(luò)預測模型的目標函數(shù)可為預測值與des骨像(或者軟組織像)各小波系數(shù)之間的均方誤差、加權(quán)的均方誤差或者加權(quán)的魯棒損失函數(shù)，以及幾項損失函數(shù)不同權(quán)重的組合，加權(quán)所用的權(quán)重通過胸片圖像的人工標注結(jié)果確定。卷積神經(jīng)網(wǎng)絡(luò)的訓練可采用誤差反向傳播和隨機梯度下降算法、adagrad、rmsprop、adam等不同的優(yōu)化算法最小化目標函數(shù)來完成。

步驟(6)：由步驟(5)通過卷積神經(jīng)網(wǎng)絡(luò)預測得到的小波系數(shù)圖像ia和ih、iv、id，可通過小波逆變換將預測的小波系數(shù)圖像重建為骨像b(或者軟組織像s)。為使得骨抑制輸出圖像強度值范圍與原始輸入胸片圖像強度值范圍一致，可將骨抑制輸出圖像乘以步驟(3)中相應通道的幅值歸一化系數(shù)。

步驟(7)：如果步驟(6)重建得到的是骨像b，則骨抑制得到的軟組織像為i-b；如果步驟(6)重建得到的是軟組織像s，則骨抑制的最終結(jié)果即為s。

在具體實現(xiàn)中，步驟(3)中可訓練兩個卷積神經(jīng)網(wǎng)絡(luò)模型分別預測骨像(或者軟組織像)近似系數(shù)ia和細節(jié)系數(shù)ih、iv、id；或者每個通道的系數(shù)分別訓練一個卷積神經(jīng)網(wǎng)絡(luò)模型。

具體實現(xiàn)中，小波變換可以實現(xiàn)多尺度分解，進而方便以級聯(lián)的方式對本發(fā)明進行擴展，從而進一步提升骨抑制效果，多尺度級聯(lián)方式預測骨像的流程如圖3所示。圖3中，i表示輸入的胸片圖像，骨像預測單元k(k＝k,...,2,1)表示不同尺度胸片骨像的預測單元,每個單元包含對應尺度的卷積神經(jīng)網(wǎng)絡(luò)預測模型，k為骨像預測單元數(shù)目也為小波分解的級數(shù)，bk(k＝k,...,2,1)為骨像預測單元k預測和重建出的骨像。骨像預測單元k的輸入為經(jīng)過k層分解的小波系數(shù)圖像，骨像預測單元1的輸入為經(jīng)過一層的小波系數(shù)圖像和上一層預測得到的小波系數(shù)經(jīng)小波逆變換得到的圖像。骨像預測單元k(k＝1,2,...,k)預測骨像的過程為上述步驟的(2)～(7)；當k>1時，骨像預測單元k的輸入為經(jīng)k級小波分解后的小波系數(shù)圖像和經(jīng)小波逆變換后的前一級處理單元預測輸出的小波系數(shù)，如圖4所示；經(jīng)小波分解處理后,骨像預測單元k中卷積神經(jīng)網(wǎng)絡(luò)的輸入有4個通道,如圖4所示。

骨像預測單元k對輸入圖像進行k層小波分解、對預測輸出的結(jié)果進行小波逆變換得到圖像bk。各骨像預測單元的卷積神經(jīng)網(wǎng)絡(luò)預測模型可采用步驟(5)中方式從k級分解到1級分解的層級依次訓練得到：首先通過小波分解的des圖像樣本對骨像預測單元k中的卷積神經(jīng)網(wǎng)絡(luò)訓練；然后，小波逆變換骨像預測單元k的預測結(jié)果bk，結(jié)合經(jīng)k-1級小波分解的des圖像數(shù)據(jù)的高頻分量ih,k-1、iv,k-1、id,k-1作為輸入樣本，和des骨像的k-1級小波系數(shù)圖形ba,k-1、bh,k-1、bv,k-1、bd,k-1形成輸入輸出樣本對，訓練骨像預測單元k-1中的卷積神經(jīng)網(wǎng)絡(luò)；依此類推，依次訓練骨像預測單元k-2、......、骨像預測單元1中的卷積神經(jīng)網(wǎng)絡(luò),如圖4所示為骨像預測單元k-1層的具體流程示意圖。

在其他一些部位擴展應用中，針對胸片圖像中不同部位，如左肺、右肺、鎖骨、肋骨等區(qū)域，可訓練不同分區(qū)的卷積神經(jīng)網(wǎng)絡(luò)預測模型，應用本發(fā)明的基本應用單元方式和多尺度級聯(lián)方式預測骨像或者軟組織像，完成胸片圖像骨抑制處理。

實施例2。

基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，其它結(jié)構(gòu)與實施例1相同，不同之處在于：

卷積神經(jīng)網(wǎng)絡(luò)預測的輸出為骨像的小波系數(shù)圖像，輸入圖像像素尺寸對應的空間尺寸大小歸一化為0.194mm；每個預測單元中卷積神經(jīng)網(wǎng)絡(luò)包含三個卷積層，第一層卷積層的卷積核大小為16×16、卷積核數(shù)目為256，第二層卷積層卷積核大小為1×1、核數(shù)為256，第三層卷積層卷積核大小為8×8、核數(shù)為256；第一、二層卷積層后的非線性激活函數(shù)為relu函數(shù)。求取胸片圖像小波系數(shù)采用haar小波進行分解操作；輸入圖像小波系數(shù)的幅值歸一化系數(shù)分別取每個通道小波系數(shù)分量幅值的90％分位數(shù)。圖5為此具體實例中為最底層處理單元對一輸入x線胸片圖像進行骨抑制處理的過程，顯示了卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出，以及相應的重建的骨像和骨抑制處理結(jié)果。如圖5所示，本發(fā)明的具體實例對一輸入x線胸片圖像進行骨抑制處理單元的的輸入圖像、中間結(jié)果及骨抑制處理輸出圖像。

在此單元中，是現(xiàn)在此尺度上實現(xiàn)骨像預測，通過原圖像減影骨像輸出軟組織像，實現(xiàn)骨抑制的效果。

實施例3。

基于小波分解和卷積神經(jīng)網(wǎng)絡(luò)的x線胸片骨抑制處理方法，其它結(jié)構(gòu)與實施例1相同，不同之處在于：通過多尺度級聯(lián)方式進行骨抑制處理，多尺度級聯(lián)構(gòu)架中骨像預測單元數(shù)目為4，骨像預測單元k對輸入圖像的小波分解級數(shù)為24-k、預測輸出分量的小波逆變換bk的尺度為預測前的2倍。輸入胸片圖像像素尺寸大小歸一化為0.194mm。骨像預測單元k中的卷積神經(jīng)網(wǎng)絡(luò)均包含三個卷積層，第一層卷積核大小為16×16、核數(shù)為256，第二層卷積核大小為1×1、核數(shù)為256，第三層層卷積核大小為8×8、核數(shù)為256；第一、二層卷積層后的非線性激活函數(shù)為relu函數(shù)。骨像預測單元k中卷積神經(jīng)網(wǎng)絡(luò)預測輸出為骨像的小波系數(shù)，求取胸片圖像小波系數(shù)采用haar小波分解操作。

通過小波分解，把骨像分解為不同尺度ia及其相應尺度的高頻信息的細節(jié)系數(shù)ih、iv、id，在不同通道上進行相應的預測，從而實現(xiàn)更精細的預測，然后通過小波逆變換得到更精細尺度的預測結(jié)果ia，通過這種分解和級聯(lián)多尺度模式從而使得預測更加精準。

最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細說明，本領(lǐng)域的普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。