一种用于增强x射线医疗图像质量的方法

技术领域

本发明涉及图像处理技术领域，更具体地说，本发明涉及一种用于增强x射线医疗图像质量的方法。

背景技术

在医疗领域，X射线成像技术一直被广泛用于骨关节成像；X射线成像具有成像范围广、价格低廉等诸多优点，因此被广泛应用于骨科病初筛和骨科手术中，成为医生的首选成像工具；目前，骨科X射线成像系统通常采用对直方图进行分析的方法来确定窗宽和窗位，以动态改变图像的显示范围；然而，在骨科治疗中，X射线影像经常包含金属物质，如定位板、髓内钉、金属股骨头等植入物，或者在手术中无意间拍摄到的剪刀、铁丝等医疗器具；这些金属物质会吸收射线，导致X射线成像中出现阴影，从而改变了骨科图像中组织的像素分布；特别是，直方图中的低像素值部分会增加，系统会分配更多的动态范围给这些金属区域，导致组织部分的动态范围不足、对比度降低，从而影响了图像质量，直接影响了医生的临床诊断；因此，亟需开发一种技术，以在存在金属物质的情况下保证组织部位和金属物质两者的成像质量，以提高医学成像的可用性和准确性。

目前，缺乏增强x射线医疗图像质量的方法，虽存在少量相关专利，例如授权公告号为CN110021031B的中国专利公开了一种基于图像金字塔的X射线图像增强方法，再例如申请公开号为CN111640074A中国专利公开了一种X射线图像增强方法，上述方法虽能提高图像质量，但经发明人对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术仍无法解决金属物质对图像的影响，难以克服由金属导致组织部位图像对比度降低的问题，进而易影响医生对疾病的观察、诊断和治疗。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种用于增强x射线医疗图像质量的方法。

为实现上述目的，本发明提供如下技术方案：

一种用于增强x射线医疗图像质量的方法，所述方法包括：

步骤1：通过直方图统计方式对x射线医疗图像I

步骤2：利用自动求阈值算法对所述图像直方图曲线进行分析，确定x射线医疗图像I

步骤3：利用CLAHE算法对调整后的x射线医疗图像I

步骤4：对新的x射线医疗图像I

步骤5：对非金属掩膜图像mask

步骤6：将新的骨骼组织图像I

进一步地，所述x射线医疗图像中包含金属部分；

在对x射线医疗图像I

通过骨科x射线成像系统获取人体骨骼组织的x射线医疗图像；

对x射线医疗图像进行数据解码；

对解码后的x射线医疗图像进行一次数据预处理，得到一次数据预处理后的x射线医疗图像；

对一次数据预处理后的x射线医疗图像进行二次预处理。

进一步地，所图像去噪的具体滤波强度根据噪声强度模型确定，所述噪声强度模型具体生成逻辑为：获取噪声强度样本集，将所述噪声强度样本集划分为噪声强度训练集和噪声强度训练集；所述噪声强度样本集包括多幅不同射线强度下的x射线医疗图像及其对应的标注标签，所述标注标签为噪声水平；构建分类器，将噪声强度训练集中不同射线强度下的x射线医疗图像作为分类器的输入，将噪声强度训练集中的标注标签作为输出，对分类器进行训练，得到初始分类网络，利用噪声强度训练集对初始分类网络进行模型验证，直至初始分类网络收敛时，将初始分类网络作为噪声强度模型。

进一步地，利用自动求阈值算法对所述图像直方图曲线进行分析，包括：

S21：初始化图像I

S22：计算两个类的平均灰度值和全局平均灰度值；

S23：根据平均灰度值和全局平均灰度值计算类间方差；

S24：从最小灰度级别到最大灰度级别更新两个类的阈值K1和K2，将两个类的最大类间方差的阈值K作为最佳阈值K1和最佳阈值K2；

S25：将最佳阈值K1和最佳阈值K2定位为窗宽的位置[k1,k2]，得到窗宽窗位；所述窗宽窗位表示为

进一步地，对x射线医疗图像I

循环遍历所有像素中每个像素的值i；

当i小于窗位减窗宽的一半时，则将像素值设为0；

当i大于窗位加窗宽的一半时，则将像素值设为255；

对于介于窗位减窗宽的一半和窗位加窗宽的一半之间的像素值i，执行线性插值操作，计算新的像素值，其计算公式为：

进一步地，对新的x射线医疗图像I

利用预构建深度学习网络模型对新的x射线医疗图像I

将金属掩膜图像mask

进一步地，预构建深度学习网络模型的生成逻辑如下：

获取分割图像样本集，将分割图像样本集划分为分割图像训练集和分割图像测试集，所述分割图像样本集中包括多幅带有金属x射线医疗图像的及其对应的标注标签，所述标注标签将金属部分标记为“1”，将骨骼组织部分标记为“0”；

构建神经网络，将分割图像训练集中带有金属x射线医疗图像作为神经网络的输入，将分割图像训练集中的标注标签作为神经网络的输出，对神经网络进行训练，得到初始神经网络；

利用分割图像测试集对初始神经网络进行模型验证，直至初始神经网络收敛时，将初始神经网络作为深度学习网络模型。

进一步地，对非金属掩膜图像mask

将非金属掩膜图像mask

对骨骼组织图像I

一种用于增强x射线医疗图像质量的系统，包括：

直方统计模块，用于通过直方图统计方式对x射线医疗图像I

窗位确定模块，用于利用自动求阈值算法对所述图像直方图曲线进行分析，确定x射线医疗图像I

对比度提升模块，用于利用CLAHE算法对调整后的x射线医疗图像I

图像分割模块，用于对新的x射线医疗图像I

骨骼组织图像获取模块，用于对非金属掩膜图像mask

图像融合模块，用于将新的骨骼组织图像I

一种电子设备，包括存储器、处理器以及存储在存储器上并可在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上述任一项所述一种用于增强x射线医疗图像质量的方法。

相比于现有技术，本发明的有益效果在于：

本申请公开了一种用于增强x射线医疗图像质量的方法，首先进行直方图统计，得到图像直方图曲线；然后利用自动求阈值算法对所述图像直方图曲线进行分析，确定窗宽窗位，对像素值进行调整，得到调整后的x射线医疗图像；接着对调整后的x射线医疗图像进行对比度提升，得到新的x射线医疗图像；之后对新的x射线医疗图像分割和处理，以获取金属图像和非金属掩膜图像；再然后对非金属掩膜图像进行处理，获取新的骨骼组织图像；最后将新的骨骼组织图和金属图像进行图像融合，得到增强后的x射线医疗图像；通过上述步骤，本发明有利于解决金属物质对图像的影响，能够克服由金属导致组织部位图像对比度降低的问题，有利于减少金属对图像动态范围的影响，保证组织动态范围时也可以保证金属的动态范围。

附图说明

图1为本发明提供的一种用于增强x射线医疗图像质量的方法的原理图；

图2为本发明提供的图像去噪后的x射线医疗图像示意图；

图3为本发明提供的对比度提升的x射线医疗图像示意图；

图4为本发明提供的二值化后金属掩膜图像mask

图5为本发明提供的增强后的x射线医疗图像I

图6为本发明提供的一种电子设备的结构示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1所示，本实施例公开提供了一种用于增强x射线医疗图像质量的系统，包括：

直方统计模块，用于通过直方图统计方式对x射线医疗图像I

应当了解的是：直方图统计是一种图像处理和计算机视觉中常用的技术，用于分析和描述图像的亮度或颜色分布；在直方图统计中，每个像素点的亮度或颜色值被分组到不同的区间(通常称为"bin")，然后统计每个区间内的像素点数量。这可以用于了解图像中亮度或颜色的分布情况，以便进行各种图像处理任务，例如亮度调整、对比度增强、图像分割等；

具体的，所述x射线医疗图像中包含金属部分；

在实施中，在对x射线医疗图像I

通过骨科x射线成像系统获取人体骨骼组织的x射线医疗图像；

对x射线医疗图像进行数据解码；

对解码后的x射线医疗图像进行一次数据预处理，得到一次数据预处理后的x射线医疗图像；

需要说明的是：所述一次数据预处理包括但不限图像亮度矫正、图像坏点坏线矫正和图像减本底等等；

在实施中，在对x射线医疗图像I

具体的，如图2(图像去噪后的x射线医疗图像示意图)所示，所述图像去噪的具体滤波强度根据噪声强度模型确定，所述噪声强度模型具体生成逻辑为：获取噪声强度样本集，将所述噪声强度样本集划分为噪声强度训练集和噪声强度训练集；所述噪声强度样本集包括多幅不同射线强度下的x射线医疗图像及其对应的标注标签，所述标注标签为噪声水平；构建分类器，将噪声强度训练集中不同射线强度下的x射线医疗图像作为分类器的输入，将噪声强度训练集中的标注标签作为输出，对分类器进行训练，得到初始分类网络，利用噪声强度训练集对初始分类网络进行模型验证，直至初始分类网络收敛时，将初始分类网络作为噪声强度模型；

需要说明的是：所述分类器具体为SVM分类网络、随机森林分类网络、决策数分类网络和CNN神经网络等算法模型中的一种；

窗位确定模块，用于利用自动求阈值算法对所述图像直方图曲线进行分析，确定x射线医疗图像I

应当了解的是：自动求阈值算法是图像处理中用于图像分割的常见方法，它可以根据图像的直方图曲线来确定一个合适的阈值，将图像分成不同的区域。这个过程通常用于二值化图像，将图像中的目标对象与背景分开；所述自动求阈值算法具体为Otsu's阈值算法；

在实施中，利用自动求阈值算法对所述图像直方图曲线进行分析，包括：

S21：初始化图像I

S22：计算两个类的平均灰度值和全局平均灰度值；

其中，平均灰度值的计算公式为：

S23：根据平均灰度值和全局平均灰度值计算类间方差；

其中，类间方差的计算公式为：

在实施中，对x射线医疗图像I

具体的，线性变换的过程为：

循环遍历所有像素中每个像素的值i；

当i小于窗位减窗宽的一半时，则将像素值设为0；

当i大于窗位加窗宽的一半时，则将像素值设为255；

对于介于窗位减窗宽的一半和窗位加窗宽的一半之间的像素值i，执行线性插值操作，计算新的像素值，其计算公式为：

S24：从最小灰度级别到最大灰度级别更新两个类的阈值K1和K2，将两个类的最大类间方差的阈值K作为最佳阈值K1和最佳阈值K2；

S25：将最佳阈值K1和最佳阈值K2定位为窗宽的位置[k1,k2]，得到窗宽窗位；所述窗宽窗位表示为

对比度提升模块，用于利用CLAHE算法对调整后的x射线医疗图像I

应当了解的是：CLAHE(Contrast Limited Adaptive Histogram Equalization)是一种用于图像增强的直方图均衡化方法，旨在改善图像的对比度。它是传统直方图均衡化的改进版本，可以防止过度增强图像的噪声，并保留图像的细节。CLAHE的主要特点是自适应性和对比度限制。

以下是CLAHE算法的主要步骤和特点：

图像分块：首先，原始图像被分成许多小块(tiles)，通常是8x8或16x16像素大小的方形块；直方图均衡化：对每个小块执行直方图均衡化，这将增加小块内像素的对比度；这是传统直方图均衡化的一部分，但是在CLAHE中，这一步被应用于每个小块，而不是整个图像；对比度限制：CLAHE的关键特点是对每个小块内像素值的累积分布函数进行剪切，以限制对比度增强的幅度；这可以防止过度增强噪声，同时保留图像的重要细节；插值：为了避免小块之间的不连续性，CLAHE使用插值方法将相邻小块的边缘进行平滑处理；重组图像：将处理后的小块重新组合成整个图像，完成CLAHE处理；

需要说明的是：如图3(对比度提升的x射线医疗图像示意图)所示，通过CLAHE算法对调整后的x射线医疗图像进行对比度提升后，x射线医疗图像的对比度和细节特征得到显著提升；

图像分割模块，用于对新的x射线医疗图像I

在实施中，对新的x射线医疗图像I

利用预构建深度学习网络模型对新的x射线医疗图像I

具体的，预构建深度学习网络模型的生成逻辑如下：

获取分割图像样本集，将分割图像样本集划分为分割图像训练集和分割图像测试集，所述分割图像样本集中包括多幅带有金属x射线医疗图像的及其对应的标注标签，所述标注标签将金属部分标记为“1”，将骨骼组织部分标记为“0”；

构建神经网络，将分割图像训练集中带有金属x射线医疗图像作为神经网络的输入，将分割图像训练集中的标注标签作为神经网络的输出，对神经网络进行训练，得到初始神经网络；

利用分割图像测试集对初始神经网络进行模型验证，直至初始神经网络收敛时，将初始神经网络作为深度学习网络模型；

需要说明的是：所述分割图像样本集在收集阶段，通过改变对比度、改变亮度和仿射变换等操作进行数据扩充；所述神经网络具体为Attention-Unet；所述神经网络的损失函数具体为二进制交叉熵(Binary Cross Entropy)，通常缩写为BCE；

将金属掩膜图像mask

骨骼组织图像获取模块，用于对非金属掩膜图像mask

在实施中，对非金属掩膜图像mask

将非金属掩膜图像mask

对骨骼组织图像I

需要说明的是：如图4(二值化后金属掩膜图像mask

图像融合模块，用于将新的骨骼组织图像I

需要说明的是：由于医生在骨科手术或者术后检查时需要看到金属上的孔洞等信息，所以金属部分也需要保持良好的动态范围，所以采取将I

实施例2

请参阅图1所示，基于同一个发明构思，根据上述实施例1，本实施例公开提供了一种用于增强x射线医疗图像质量的方法，所述方法包括：

步骤1：通过直方图统计方式对x射线医疗图像I

应当了解的是：直方图统计是一种图像处理和计算机视觉中常用的技术，用于分析和描述图像的亮度或颜色分布；在直方图统计中，每个像素点的亮度或颜色值被分组到不同的区间(通常称为"bin")，然后统计每个区间内的像素点数量。这可以用于了解图像中亮度或颜色的分布情况，以便进行各种图像处理任务，例如亮度调整、对比度增强、图像分割等；

具体的，所述x射线医疗图像中包含金属部分；

在实施中，在对x射线医疗图像I

通过骨科x射线成像系统获取人体骨骼组织的x射线医疗图像；

对x射线医疗图像进行数据解码；

对解码后的x射线医疗图像进行一次数据预处理，得到一次数据预处理后的x射线医疗图像；

需要说明的是：所述一次数据预处理包括但不限图像亮度矫正、图像坏点坏线矫正和图像减本底等等；

在实施中，在对x射线医疗图像I

具体的，如图2(图像去噪后的x射线医疗图像示意图)所示，所述图像去噪的具体滤波强度根据噪声强度模型确定，所述噪声强度模型具体生成逻辑为：获取噪声强度样本集，将所述噪声强度样本集划分为噪声强度训练集和噪声强度训练集；所述噪声强度样本集包括多幅不同射线强度下的x射线医疗图像及其对应的标注标签，所述标注标签为噪声水平；构建分类器，将噪声强度训练集中不同射线强度下的x射线医疗图像作为分类器的输入，将噪声强度训练集中的标注标签作为输出，对分类器进行训练，得到初始分类网络，利用噪声强度训练集对初始分类网络进行模型验证，直至初始分类网络收敛时，将初始分类网络作为噪声强度模型；

需要说明的是：所述分类器具体为SVM分类网络、随机森林分类网络、决策数分类网络和CNN神经网络等算法模型中的一种；

步骤2：利用自动求阈值算法对所述图像直方图曲线进行分析，确定x射线医疗图像I

应当了解的是：自动求阈值算法是图像处理中用于图像分割的常见方法，它可以根据图像的直方图曲线来确定一个合适的阈值，将图像分成不同的区域。这个过程通常用于二值化图像，将图像中的目标对象与背景分开；所述自动求阈值算法具体为Otsu's阈值算法；

在实施中，利用自动求阈值算法对所述图像直方图曲线进行分析，包括：

S21：初始化图像I

S22：计算两个类的平均灰度值和全局平均灰度值；

其中，平均灰度值的计算公式为：

S23：根据平均灰度值和全局平均灰度值计算类间方差；

其中，类间方差的计算公式为：

在实施中，对x射线医疗图像I

具体的，线性变换的过程为：

循环遍历所有像素中每个像素的值i；

当i小于窗位减窗宽的一半时，则将像素值设为0；

当i大于窗位加窗宽的一半时，则将像素值设为255；

对于介于窗位减窗宽的一半和窗位加窗宽的一半之间的像素值i，执行线性插值操作，计算新的像素值，其计算公式为：

S24：从最小灰度级别到最大灰度级别更新两个类的阈值K1和K2，将两个类的最大类间方差的阈值K作为最佳阈值K1和最佳阈值K2；

S25：将最佳阈值K1和最佳阈值K2定位为窗宽的位置[k1,k2]，得到窗宽窗位；所述窗宽窗位表示为

步骤3：利用CLAHE算法对调整后的x射线医疗图像I

应当了解的是：CLAHE(Contrast Limited Adaptive Histogram Equalization)是一种用于图像增强的直方图均衡化方法，旨在改善图像的对比度。它是传统直方图均衡化的改进版本，可以防止过度增强图像的噪声，并保留图像的细节。CLAHE的主要特点是自适应性和对比度限制。

以下是CLAHE算法的主要步骤和特点：

图像分块：首先，原始图像被分成许多小块(tiles)，通常是8x8或16x16像素大小的方形块；直方图均衡化：对每个小块执行直方图均衡化，这将增加小块内像素的对比度；这是传统直方图均衡化的一部分，但是在CLAHE中，这一步被应用于每个小块，而不是整个图像；对比度限制：CLAHE的关键特点是对每个小块内像素值的累积分布函数进行剪切，以限制对比度增强的幅度；这可以防止过度增强噪声，同时保留图像的重要细节；插值：为了避免小块之间的不连续性，CLAHE使用插值方法将相邻小块的边缘进行平滑处理；重组图像：将处理后的小块重新组合成整个图像，完成CLAHE处理；

需要说明的是：如图3(对比度提升的x射线医疗图像示意图)所示，通过CLAHE算法对调整后的x射线医疗图像进行对比度提升后，x射线医疗图像的对比度和细节特征得到显著提升；

步骤4：对新的x射线医疗图像I

在实施中，对新的x射线医疗图像I

利用预构建深度学习网络模型对新的x射线医疗图像I

具体的，预构建深度学习网络模型的生成逻辑如下：

获取分割图像样本集，将分割图像样本集划分为分割图像训练集和分割图像测试集，所述分割图像样本集中包括多幅带有金属x射线医疗图像的及其对应的标注标签，所述标注标签将金属部分标记为“1”，将骨骼组织部分标记为“0”；

构建神经网络，将分割图像训练集中带有金属x射线医疗图像作为神经网络的输入，将分割图像训练集中的标注标签作为神经网络的输出，对神经网络进行训练，得到初始神经网络；

利用分割图像测试集对初始神经网络进行模型验证，直至初始神经网络收敛时，将初始神经网络作为深度学习网络模型；

需要说明的是：所述分割图像样本集在收集阶段，通过改变对比度、改变亮度和仿射变换等操作进行数据扩充；所述神经网络具体为Attention-Unet；所述神经网络的损失函数具体为二进制交叉熵(Binary Cross Entropy)，通常缩写为BCE；

将金属掩膜图像mask

步骤5：对非金属掩膜图像mask

在实施中，对非金属掩膜图像mask

将非金属掩膜图像mask

对骨骼组织图像I

需要说明的是：如图4(二值化后金属掩膜图像mask

步骤6：将新的骨骼组织图像I

需要说明的是：由于医生在骨科手术或者术后检查时需要看到金属上的孔洞等信息，所以金属部分也需要保持良好的动态范围，所以采取将I

实施例3

请参阅图6所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在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上述各方法所提供的任一项所述一种用于增强x射线医疗图像质量的方法。

由于本实施例所介绍的电子设备为实施本申请实施例中一种用于增强x射线医疗图像质量的方法所采用的电子设备，故而基于本申请实施例中所介绍的一种用于增强x射线医疗图像质量的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种用于增强x射线医疗图像质量的方法所采用的电子设备，都属于本申请所欲保护的范围。

实施例4

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，所述计算机程序被处理器执行时实现上述任一项所述一种用于增强x射线医疗图像质量的方法。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。