论文部分内容阅读
X线胸片是一种常用的肺部疾病诊断筛查手段。然而,普通X线胸片中重叠的解剖结构会影响医生的阅片,也会增加计算机辅助分析的难度。对X线胸片中的骨骼成分进行抑制,可以减小骨骼结构重叠对医生阅片的影响,也可用于计算机辅助诊断肺部疾病。本文的研究目标是通过图像处理技术实现单幅X线胸片的骨抑制,利用双能减影胸片数据,使用深度卷积网络构建骨像预测模型,进而生成软组织像。本文的主要研究工作如下:(1)提出了梯度域级联多尺度深度卷积网络(Cascade of Multi-Scale Convolutional Network,CamsNet)模型实现X线胸片的骨抑制方法。在该方法中,深度卷积网络(Deep Convolutional Neural Networks,ConvNet)作为基本预测单元,用来学习X线胸片梯度图像和骨像梯度之间的映射关系。CamsNet则是由多个尺度上的ConvNet构建成的级联模型,级联的ConvNets逐步提升预测骨像的分辨率和精炼骨像梯度预测的结果。在最大后验框架下融合多个尺度的骨像梯度预测结果重建骨像,进一步提升骨像预测性能。从原始胸片中减去预测得到的骨像即可得到软组织像,实现胸片的骨抑制处理。CamsNet模型可以生成高质量、高分辨率的骨像和软组织像,效果与真实双能减影成像相当;对于不同设备采集的胸片图像,CamsNet模型也可以生成清晰的骨像和软组织像。(2)提出了小波域级联卷积网络(Cascaded Convolutional Network model in Wavelet domain,Wavelet-CCN)模型实现X线胸片的骨抑制方法。Wavelet-CCN模型以X线胸片的小波系数为输入来预测骨像的小波系数,可充分利用小波系数的稀疏性。结合了多级小波分解和卷积网络级联构架的优势,Wavelet-CCN模型可在多分辨分析框架下逐步精炼预测的骨像。与梯度域CamsNet模型相比,Wavelet-CCN模型预测骨像的小波系数,进而通过小波逆变换重建得到预测骨像,可以避免梯度域CamsNet模型中二维积分造成的背景不均匀现象,并且生成效果更佳的骨像和软组织像。(3)评估了骨抑制技术对胸片中肺结节对比度的影响和对计算机辅助诊断肺结核的影响。通过对骨抑制前后胸片中结节与周围背景的对比度及结节本身强度变化进行量化评估,训练ChexNet模型评价胸片骨抑制处理前后对肺结核检出率的影响。本文系统研究了胸片骨抑制方法,提出了基于梯度域和小波域深度卷积网络的骨抑制方法,并验证了骨抑制图像用于计算机辅助诊断肺结核的有效性。