X射线图像金属检测方法、装置和计算机设备

技术领域

本申请涉及医疗技术领域，特别是涉及一种X射线图像金属检测方法、装置和计算机设备。

背景技术

在医疗影像产品中，为了使图像能用于疾病诊断，通常会在设备采集图像后，进行一系列后处理算法，如均衡、降噪、增强等。而在X射线图像中，经常会有高衰减的金属进入成像区域。例如移动C型臂等设备常常用于拍摄骨科手术图像，而骨骼手术图像中常常带有金属架、螺钉、镊子等高衰减金属。这些金属通常是非诊断区域，但是，会给图像处理算法带来一定的影响，尤其是当图像中高衰减金属面积较大时，会导致后处理图像后人体区域发白，对比度较低，严重影响医生的诊断与治疗。因此，准确的检测出X射线图像中金属的位置十分必要。

由于各种金属在X射线图像中的形状、灰度都有明显的差异，有的金属灰度可能与人体的骨骼灰度很接近，导致传统的分割方法，如灰度检测算法，很难有效的得到金属在X射线图像中的具体位置，检测准确率低且容易出现大面积漏检、误检的问题。

此外，X射线成像系统会有不同的拍摄模式，例如移动C型臂有低剂量透视和高剂量数字DR两种拍摄模式，不同模式采集图像的剂量各不相同，使得图像中的噪声水平也不完全一致，对金属检测也会产生较大影响。

发明内容

本申请提供一种X射线图像金属检测方法、装置和计算机设备，以至少解决相关技术中X射线图像金属检测的准确率低且容易出现的漏检、误检的问题。

第一方面，本申请实施例提供了一种X射线图像金属检测方法，包括：

获取待检测X射线图像；

将所述待检测X射线图像输入至训练完备的金属检测模型，得到所述待检测X射线图像的金属区域概率图；所述金属检测模型包括MSN网络和SN网络；

根据金属区域概率图，确定待检测X射线图像的金属区域。

在其中一些实施例中，所述方法还包括：

获取训练集并构建初始金属检测模型，所述初始金属检测模型包括MSN网络和SN网络；

将所述训练集分别输入所述SN网络与所述MSN网络，得到对应的第一特征图像和第二特征图像；

根据所述第一特征图像、第二特征图像以及所述训练集迭代更新所述初始金属检测模型的参数，得到所述训练完备的金属检测模型。

在其中一些实施例中，所述将所述训练集分别输入所述SN网络与所述MSN网络，得到对应的第一特征图像和第二特征图像包括：所述训练集包括X射线图像和与所述X射线图像对应的金属标注图像；

将所述X射线图像分别输入所述SN网络与所述MSN网络，得到对应的第一特征图像和第二特征图像。

在其中一些实施例中，根据所述第一特征数据、第二特征数据以及所述训练集迭代更新金属检测模型的参数，得到所述训练完备的金属检测模型包括：

将所述第一特征图像和第二特征图像进行合并处理，得到混合图像；

对所述混合图像进行上采样处理，得到混合金属检测图像；

根据所述混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值；

根据所述第一损失函数的值迭代更新金属检测模型的参数，直至所述第一损失值收敛或迭代次数超过预设次数，得到训练完备的金属检测模型。

在其中一些实施例中，所述根据所述第一特征图像、第二特征图像以及所述训练集迭代更新金属检测模型的参数，得到所述训练完备的金属检测模型包括：

将所述第一特征图像和第二特征图像进行合并处理，得到混合图像；

对所述混合图像进行上采样处理，得到混合金属检测图像；

根据所述混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值；

对所述第二特征图像进行上采样处理，得到第一检测图像；

根据所述第一检测图像以及对应的金属标注图像，得到第二损失函数的值；

将所述第一损失函数的值和所述第二损失函数的值之和作为最终损失值；

根据所述最终损失值迭代更新所述金属检测模型的参数，直至所述最终损失值收敛或迭代次数超过预设次数，得到所述训练完备的金属检测模型。

在其中一些实施例中，所述方法还包括：

对所述X射线图像进行预处理；预处理方式包括白化处理、归一化处理和灰度值压缩处理中的至少一种。

在其中一些实施例中，所述第一损失函数为Focal Loss损失函数与Lovasz Loss损失函数的加权运算结果。

第二方面，本申请实施例提供了一种X射线图像金属检测装置，所述装置包括：

获取模块，用于获取待检测X射线图像；

检测模块，用于将所述待检测X射线图像输入至训练完备的金属检测模型，得到所述待检测X射线图像的金属区域概率图；所述金属检测模型包括MSN网络和SN网络；

确定模块，用于根据金属区域概率图，确定待检测X射线图像的金属区域。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的X射线图像金属检测方法。

第四方面，本申请实施例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如上述第一方面所述的X射线图像金属检测方法。

相比于相关技术，本申请实施例提供的X射线图像金属检测方法、装置、计算机设备和可读存储介质，通过获取待检测X射线图像；将所述待检测X射线图像输入至训练完备的金属检测模型，得到所述待检测X射线图像的金属区域概率图；选取所述金属区域概率图中概率大于预设阈值的区域作为所述待检测X射线图像的金属区域，解决了相关技术中X射线图像金属检测的准确率低且容易出现的漏检、误检的问题。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为一实施例提供的X射线图像金属检测方法的流程图；

图2为一实施例提供的金属检测模型的结构图；

图3为一实施例提供的金属检测模型的训练流程图；

图4为图2中ARM的结构框图；

图5为图2中residual block的结构框图；

图6为图2中FFM的结构框图；

图7为一实施例提供的根据第一特征数据、第二特征数据以及训练集迭代更新金属检测模型的参数，得到训练完备的金属检测模型的流程图；

图8为另一实施例提供的根据第一特征数据、第二特征数据以及训练集迭代更新金属检测模型的参数，得到训练完备的金属检测模型的流程图；

图9为一实施例提供的X射线图像金属检测方法的具体实施方式的示意图；

图10a和图10b分别为针对正常剂量X射线图像，本申请方法与传统方法检测分割后的后处理图像；

图11a和图11b分别为针对低剂量X射线图像，本申请方法与传统方法检测分割后的后处理图像；

图12a和图12b分别为针对高剂量X射线图像，本申请方法与传统方法检测分割后的后处理图像；

图13a和图13b分别为针对存在多种金属的X射线图像，本申请方法与传统方法检测分割后的后处理图像；

图14为一个实施例中X射线图像金属检测装置的结构框图；

图15为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请描述的各种技术在医疗影像诊断领域。为了使X射线图像能用于疾病诊断，通常需要判定识别图像中是否含有金属物体。X射线图像金属检测系统可以适用于医疗影像诊断，能够检测X射线图像中的金属物件。除此之外，X射线图像金属检测系统还可以适用于任何需要检测金属物体以得知金属分布情况便于采取相应措施的场景，本申请对此不做限制。在一些实施例中，X射线图像金属检测系统可以包括服务器、网络、存储设备以及图像采集设备。服务器可以包括处理器，处理器可以用于执行本申请任一实施例所描述的X射线图像金属检测方法。图像采集设备可以包括X射线机、电子计算机断层扫描设备(CT)、C型臂X光机、DSA等。

图1为一实施例提供的X射线图像金属检测方法流程图，如图1所示，X射线图像金属检测方法包括步骤110至步骤130；其中：

步骤110，获取待检测X射线图像。

X射线图像可以通过X射线图像金属检测系统中的图像采集设备扫描目标物体得到。目标物体可以包括但不限于人体、人体的组织器官、动物、植物、非生物等。

步骤120，将待检测X射线图像输入至训练完备的金属检测模型，得到待检测X射线图像的金属区域概率图；金属检测模型包括MSN网络和SN网络。

本申请中的金属检测模型包括MSN网络和SN网络，其中：

SN网络(Spatial Network)也称为空间网络，可以提取X射线图像的空间特征信息。参考图2，SN网络由基础卷积模块(convolution bnorm relu，cbr)组成。cbr包含卷积层(convolution layer)、批规范化层(Batch Normalization layer)，Relu激活函数。

MSN网络(Multiscale Context Network，MCN)，也称多尺度上下文网络，可以整合X射线图像多尺度的上下文特征信息。参考图2，MSN网络由以下部分组成：

(1)cbrp(convolution bnorm relu pooling)：基础卷积模块和池化层(poolinglayer)；

(2)ARM：改进的特征精炼模块，用于输出更加精细的全局特征。参考图4，ARM主要由1*1卷积核大小的卷积层和sigmoid激活函数组成。具体处理过程为：利用1*1大小的卷积核对特征的每一个像素做卷积，再采用sigmoid激活函数得到一个全局特征，即特征中的每一个像素都有一个对应的可更新权值。将这个权值矩阵乘以(mul)原始的特征，得到X射线图像更加精细的全局特征。

(3)residual block：残差模块，取自残差网络(ResNet)。参考图5，residualblock由两个基础卷积模块(cbr)连接组成；

(4)Upsampling：上采样处理模块。例如可以采用插值上采样方法或转置卷积操作实现上采样。

(5)FFM：特征融合精炼模块，其功能类似于ARM。其中的concaterate将SN网络提取的空间特征信息与MSN网络提取的多尺度上下文特征进行叠加。参考图6，FFM主要包含特征连接层(concatenate)、基础卷积模块(cbr)、卷积层+Relu激活函数、卷积层、sigmoid激活函数、mul(矩阵相乘)和add(矩阵相加。

需要说明的是，网络中的激活函数，除了ARM和FFM中的Sigmoid，也可以采用其他损失函数，如PRelu函数、ELU函数等。

本申请中，通过MSN网络和SN网络分别对待检测X射线图像进行处理，并根据两个网络的处理结果对初始金属检测模型进行训练得到训练完备的金属检测模型。在将待检测X射线图像输入至训练完备的金属检测模型后，输出X射线图像的金属区域与非金属区域对应的概率图，即金属区域概率图。

步骤130，根据金属区域概率图，确定待检测X射线图像的金属区域。

金属区域概率图可以反映X射线图像中各个像素点或像素块属于金属区域的概率值。可以基于金属区域概率图中各个像素点或像素块的概率值，确定该像素点是否属于金属区域。例如，对于一个像素点，若其属于金属区域的概率值大于其属于非金属区域的概率值，则可以将该像素点确定为金属区域。

本申请提出的X射线图像金属检测方法，基于MSN网络和SN网络双向深度神经网络架构得到的金属检测模型，可以在较短时间(毫秒级)内检测出不同模式(透视模式和数字DR模式)、不同剂量拍摄的X射线图像中的金属区域，有效改善后处理图像质量，更有助于医生诊断，对于有大面积金属的图像，图像效果提升尤为明显。而且，本申请提供的X射线图像金属检测方法具有很强的鲁棒性，对于X射线图像中存在多种金属的情况，依然具有较高的检测准确率。

在其中一些实施例中，X射线图像金属检测方法还包括步骤310至步骤330；其中：

步骤310，获取训练集并构建初始金属检测模型，初始金属检测模型包括MSN网络和SN网络；

步骤320，将训练集分别输入SN网络与MSN网络，得到对应的第一特征图像和第二特征图像；

步骤330，根据第一特征图像、第二特征图像以及训练集迭代更新初始金属检测模型的参数，得到训练完备的金属检测模型。

在其中一些实施例中，将训练集分别输入SN网络与MSN网络，得到对应的第一特征图像和第二特征图像包括：训练集包括X射线图像和与X射线图像对应的金属标注图像；

将X射线图像分别输入SN网络与MSN网络，得到对应的第一特征图像和第二特征图像。

根据SN网络输出的第一特征图像和MSN网络输出的第二特征图像，以及X射线图像对应的金属标注图像，迭代更新初始金属检测模型的参数，得到训练完备的金属检测模型。

本申请中，训练集为X射线图像数据，将训练数据按组划分，每组数据包含一张X射线图像以及一张标记对应金属区域的二值模板，即金属标注图像。

在其中一些实施例中，所述方法还包括：对X射线图像进行预处理；预处理方式包括白化处理、归一化处理和灰度值压缩处理中的至少一种。

对图像的白化处理也称为对图像的标准化处理，标准化处理方法如下：(img-mean(img))/std(img)，其中，mean是求图像灰度的均值，std是图像灰度的标准差。通过对X射线图像进行白化处理，可以减弱图像的曝光程度，使得图像中像素值的分布更加的均匀。

灰度值压缩处理即通过公式(img-max(img))*255，将X射线图像转换成uint8格式，其中，max是X射线图像灰度的最大值。

另外还可以将X射线图像缩小，从而加速推理时间。

需要说明的是，金属标注图像具体可以是手动标记金属区域的二值模板图mask(0,1)，金属区域灰度值为1，非金属区域灰度值为0。

在其中一些实施例中，如图7所示，根据第一特征数据、第二特征数据以及训练集迭代更新金属检测模型的参数，得到训练完备的金属检测模型包括步骤710至步骤740；其中：

步骤710，将第一特征图像和第二特征图像进行合并处理，得到混合图像。

步骤720，对混合图像进行上采样处理，得到混合金属检测图像。

具体地，可以是将第一特征图像和第二特征图像的像素值对应相加，得到混合图像。然后对混合图像执行上采样，得到混合后的金属分割模板，即混合金属检测图像。

步骤730，根据混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值。

第一损失函数为FL Loss，FL Loss是指MCN网络与SN网络输出结果合并之后的损失函数。

在其中一些实施例中，第一损失函数为Focal Loss损失函数与Lovasz Loss损失函数的加权运算结果。具体地，FL Loss是按照一定权重混合了MCN网络和SN网络两种不同的语义分割损失函数。计算公式如下：

FL Loss＝α*Focal Loss+β*Lovasz Loss

其中，α和β设定取决于不同损失函数对金属检测损失的影响。例如，若MCN网络对应的损失函数对金属检测损失的影响较大，则可以设置α:β＝0.8:0.2。

将混合金属检测图像与对应的金属标注图像进行比较，可以从分类和回归两方面衡量混合金属检测图像和金属标注图像之间的差异，差异值通过第一损失函数FL Loss计算得到。

步骤740，根据第一损失函数的值迭代更新金属检测模型的参数，直至第一损失值收敛或迭代次数超过预设次数，得到训练完备的金属检测模型。

训练集包括X射线图像和与X射线图像对应的金属标注图像，金属标注图像为初始金属检测模型对X射线图像的目标检测图像。具体地，将训练集输入至初始金属检测模型，得到初始金属检测模型对X射线图像的实际检测结果，根据第一损失函数计算实际检测图像与对应的目标检测图像的损失值，根据损失值调整初始金属检测模型的参数。通过不断地迭代对初始金属检测模型的参数进行调整，使实际检测图像与对应的目标检测图像之间的损失值尽可能小，从而使初始金属检测模型输出的检测图像更接近真实，得到训练完备的多个克隆模型。

需要说明的是，在训练过程中，也可以在迭代次数达到预设次数时完成训练过程。预设次数可以根据实际情况进行选取，本实施例不作具体限定。当迭代次数达到预设次数时，说明此时模型已经具备良好的特征提取和检测的能力，停止模型参数更新操作，即可以得到训练完备的金属检测模型。

在其中一些实施例中，如图8所示，根据第一特征图像、第二特征图像以及训练集迭代更新金属检测模型的参数，得到训练完备的金属检测模型包括步骤810至步骤840；其中：

步骤810，将第一特征图像和第二特征图像进行合并处理，得到混合图像。

步骤820，对混合图像进行上采样处理，得到混合金属检测图像。

步骤830，根据混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值。

步骤810至步骤830对应上述的步骤710至步骤730，本实施例不再赘述。

步骤840，对第二特征图像进行上采样处理，得到第一检测图像。

步骤850，根据第一检测图像以及对应的金属标注图像，得到第二损失函数的值。

第二损失函数为MCN网络的损失函数。第二损失函数可以采用Focal Loss损失函数，也可以采用标准的交叉熵损失函数Cross Entropy Loss(CE Loss)等语义分割常用损失函数。本申请以第二损失函数为Focal Loss损失函数。

将第一检测图像与对应的金属标注图像进行比较，从像素的分类方面衡量第一检测图像和金属标注图像之间的差异，差异值通过第二损失函数Focal Loss计算得到。

步骤860，将第一损失函数的值和第二损失函数的值之和作为最终损失值。

最终损失函数Final Total Loss作为金属检测模型最终的损失函数，FinalTotal Loss＝Focal Loss+FL Loss，最终损失函数的损失值为第一损失函数的值和第二损失函数的值之和。

步骤870，根据最终损失值迭代更新金属检测模型的参数，直至最终损失值收敛或迭代次数超过预设次数，得到训练完备的金属检测模型。

本实施例通过结合SN网络的损失函数和MCN网络的损失函数来训练金属检测模型，可以提升金属检测的精度。

图9为一实施例提供的X射线图像金属检测方法的具体实施方式的示意图，如图9所示，X射线图像金属检测方法首先训练金属检测模型，训练过程如下：

(1)将X射线图像分别输入到SN与MSN网络得到对应的第一特征图像SN_out和第二特征图像MSN_out；

(2)将MSN_out上采样得到第一检测图像MSN_mask，计算MSN_mask与金属标注图像Ground Truth的损失值为Focal Loss；

(3)将SN_out与MSN_out合并之后再进行上采样处理，得到混合金属检测图像SN_MSN_mask，再计算SN_MSN_mask与Ground Truth的损失值FL Loss

(4)将两种损失值相加得到最终损失值Final Total Loss；

(5)通过Adam方法、随机梯度下降方法SGD或基于动量的梯度下降方法Momentum等算法不断迭代更新初始金属检测模型的参数，降低Final Total Loss的值，当迭代次数到达设定的值或是损失函数降到设定的阈值的时候，完成训练，得到训练完备的金属分割模型。

(6)将待检测X射线图像输入至训练完备的金属检测模型中，即可输出金属区域概率图，选择概率较大数值对应的区域作为金属区域，得到分割结果。

为了更好地说明本申请提供的金属检测方法的有效性，通过与传统的金属检测方法进行对比分析验证本申请提供的金属检测方法的精确性，具体如下：

基于分割出来的金属检测结果，可以得到待检测X射线图像相应的后处理图像，以下是本申请提供的金属检测方法的后处理图像与传统金属检测方法的后处理图像对比情况。分别从正常剂量X射线图像、低剂量X射线图像、高剂量X射线图像和存在多种金属的情况四种情况下进行对比分析。

图10a采用传统检测方法对正常剂量X射线图像检测分割后的后处理图像；图10b为采用本申请中的金属检测方法对正常剂量X射线图像检测分割后的后处理图像。由图10a和图10b可以看出，本申请提供的金属检测方法的准确率较高，可以有效确定金属在X射线图像中的具体位置。

图11a采用传统检测方法对低剂量X射线图像检测分割后的后处理图像；图11b为采用本申请中的金属检测方法对低剂量X射线图像检测分割后的后处理图像。

图12a采用传统检测方法对高剂量X射线图像检测分割后的后处理图像；图12b为采用本申请中的金属检测方法对高剂量X射线图像检测分割后的后处理图像。

透视序列图像采集过程中会不断调整剂量，拍摄剂量不同，图像的噪声水平不同，对于金属检测以及图像后处理有一定的难度，本申请提供的金属检测方法适用于不同剂量X摄像图像中的金属检测，且相对于传统的金属检测方法，增强了图像中的细节，更容易观察图像，从而可以有效确定金属在X射线图像中的具体位置。

图13a采用传统检测方法对存在多种金属X射线图像进行检测分割后的后处理图像；图13b为采用本申请中的金属检测方法对存在多种金属X射线图像进行检测分割后的后处理图像。由图13a和图13b可以看出，本申请提供的金属检测方法相对于传统检测方法，图像对比度加强纹理更加清晰，检测准确率更高。

综上，本申请提供的X射线金属检测方法，针对不同剂量拍摄图像中的金属区域，可以有效改善后处理图像质量，有助于医生诊断。对于有大面积金属的图像，图像效果提升尤为明显。而且，上述方法具有很强的鲁棒性，对于图像中存在多种金属的情况，依然具有较高的检测准确率。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在一个实施例中，如图14所示，提供了一种X射线图像金属检测装置，包括：获取模块1410、检测模块1420和确定模块1430，其中：

获取模块1410，用于获取待检测X射线图像；

检测模块1420，用于将所述待检测X射线图像输入至训练完备的金属检测模型，得到所述待检测X射线图像的金属区域概率图；所述金属检测模型包括MSN网络和SN网络；

确定模块1430，用于根据金属区域概率图，确定待检测X射线图像的金属区域。

本实施例提供的X射线图像金属检测装置，包括：获取模块1410、检测模块1420和确定模块1430；通过获取模块1410获取待检测X射线图像；检测模块1420将所述待检测X射线图像输入至训练完备的金属检测模型，得到所述待检测X射线图像的金属区域概率图；所述金属检测模型包括MSN网络和SN网络；确定模块1430根据金属区域概率图，确定待检测X射线图像的金属区域。上述装置基于MSN网络和SN网络双向深度神经网络架构得到的金属检测模型，可以在较短时间(毫秒级)内检测出不同模式(透视模式和数字DR模式)、不同剂量拍摄的X射线图像中的金属区域，有效改善后处理图像质量，更有助于医生诊断，对于有大面积金属的图像，图像效果提升尤为明显。而且，本申请提供的X射线图像金属检测方法具有很强的鲁棒性，对于X射线图像中存在多种金属的情况，依然具有较高的检测准确率。

在其中一些实施例中，所述装置还包括训练模块，用于：

获取训练集并构建初始金属检测模型，所述初始金属检测模型包括MSN网络和SN网络；

将所述训练集分别输入所述SN网络与所述MSN网络，得到对应的第一特征图像和第二特征图像；

根据所述第一特征图像、第二特征图像以及所述训练集迭代更新所述初始金属检测模型的参数，得到所述训练完备的金属检测模型。

在其中一些实施例中，所述训练集包括X射线图像和与所述X射线图像对应的金属标注图像；训练模块还用于：将所述X射线图像分别输入所述SN网络与所述MSN网络，得到对应的第一特征图像和第二特征图像。

在其中一些实施例中，训练模块还用于：

将所述第一特征图像和第二特征图像进行合并处理，得到混合图像；

对所述混合图像进行上采样处理，得到混合金属检测图像；

根据所述混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值；

根据所述第一损失函数的值迭代更新金属检测模型的参数，直至所述第一损失值收敛或迭代次数超过预设次数，得到训练完备的金属检测模型。

在其中一些实施例中，训练模块还用于：

将所述第一特征图像和第二特征图像进行合并处理，得到混合图像；

对所述混合图像进行上采样处理，得到混合金属检测图像；

根据所述混合金属检测图像以及对应的金属标注图像，得到第一损失函数的值；

对所述第二特征图像进行上采样处理，得到第一检测图像；

根据所述第一检测图像以及对应的金属标注图像，得到第二损失函数的值；

将所述第一损失函数的值和所述第二损失函数的值之和作为最终损失值；

根据所述最终损失值迭代更新所述金属检测模型的参数，直至所述最终损失值收敛或迭代次数超过预设次数，得到所述训练完备的金属检测模型。

在其中一些实施例中，所述装置还包括预处理模块，用于对X射线图像进行预处理；预处理方式包括白化处理、归一化处理和灰度值压缩处理中的至少一种。

在其中一些实施例中，所述第一损失函数为Focal Loss损失函数与Lovasz Loss损失函数的加权运算结果。

关于X射线图像金属检测装置的具体限定可以参见上文中对于X射线图像金属检测方法的限定，在此不再赘述。上述X射线图像金属检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

另外，结合图1描述的本申请实施例X射线图像金属检测方法可以由计算机设备来实现。图8为根据本申请实施例的计算机设备的硬件结构示意图。

计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。

具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器82所执行的可能的计算机程序指令。

处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种X射线图像金属检测方法。

在其中一些实施例中，计算机设备还可包括通信接口83和总线80。其中，如图8所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。

通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以基于获取到的程序指令，执行本申请实施例中的X射线图像金属检测方法，从而实现结合图1描述的X射线图像金属检测方法。

另外，结合上述实施例中的X射线图像金属检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种X射线图像金属检测方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。