本发明涉及一种医学X光影像处理控制参量的智能优选方法。本发明首先收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量；然后，建立多层结构的神经网络模型，进行训练和检验；最后，通过检验的神经网络模型，结合CR/DR影像处理主程序，应用于实际。本发明用神经网络模型方法识别影像类型和影像摄取时的条件，并将它们和适宜的控制参量相联系，为CR/DR成像提供更好的质量保证。
1.一种医学X光影像处理控制参量的智能优选方法，其特征在于该方法具体是：
步骤1、收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量，所述的样本集分类为训练样本集和验证样本集；
为实现高度非线性的输入输出映射关系，采用多层多输出节点并行结构的神经网络模型；
神经网络的输入向量I由一组从影像提取的特征参量组成；所述特征参量包括归一化的像素值的直方图，像素值重心和分布方差，梯度强度角分量分布，拉普拉斯角分量分布，将它们标为I＝(I1,I2,I3,…,In)；
神经网络的输出是一组处理当前X光影像所需要的控制参量，包括低频截止频率、低频抑制强度、高通截止频率、高通增强强度和灰阶度影射曲线参数；
神经网络的初级输出为识别域中的多节点M，有三个维度，如下：
其中，i是输出控制参量指数，j是输出参数量子化量值数列指数，k是多节点识别域的节点指数；
神经网络的次级输出为控制参量的量子化量值Oij，该值是从多节点输出值中选出最大值；
神经网络的第三层输出为控制参量V，采用类似于模糊逻辑去量子化的计算方式来获得控制参量的模拟数值；
为训练步骤2的神经网络权重矩阵，用训练样本集中大于500例的样本进行神经网络模型训练：X光影像最佳控制参量与当前神经网络输出值做比较，利用其间的误差对神经网络的权重做出调整，反复运行，渐进优化，直至误差小于第一阈值；
将步骤3训练好的神经网络模型，用验证样本集中大于100例的样本，逐个比较最佳控制参量与神经网络模型得到的控制参量，若误差小于第二阈值，即完成神经网络模型的验证；否则，返回步骤3，将误差大的样本放入训练样本集中，重新训练神经网络模型；
将步骤4训练好并且检验过的神经网络模型应用于CR/DR影像处理主程序中，供技师在遇到不切个案的控制参量情形下，选用神经网络系统智能优选的控制参量，保证CR/DR成像质量。
2.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：步骤2中一组特征参量构成高维特征空间；从一个影像提取的特征参量向量，在这个高维空间里是一个点；将所有的影像分类，则需要用某一组相同控制参量处理的影像分为一类，这组影像在这个高维特征空间里是一群点，形成一个或多个形状不规则的特征板块；因此本神经网络采用多个节点形成高度非线性的识别域，以分类在这种不规则的特征板块里的影像，构成多节点识别域的节点数由训练过程根据板块的不规则程度动态决定。
3.根据权利要求2所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：步骤1中收集足够大的X光影像样本集，所述的X光影像样本集包括各种影像类别和各种成像条件；影像样本集充分涵盖各种影像类型和成像条件，以保证有效而完整地为训练过程构建所述的特征空间里的特征板块。
4.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：所述的神经网络模型为多层多输出节点的并行结构神经网络；该神经网络实现高度非线性特性，并克服了传统多层神经网络反向传播纠错训练方法的大累计误差问题；神经网络的训练机制包括考虑对特征空间短程结构和长程结构对纠错的影响；神经网络的训练过程为一种自适应性的训练过程，训练控制参量在不同特征板块结构的情况下会做自适应性调整，包括特征空间短程结构或长程结构对纠错的贡献度的动态调整，以达到最佳收敛状态的自动平衡。
5.根据权利要求1所述的一种医学X光影像处理控制参量的智能优选方法，其特征在于：该方法应用于CR/DR影像处理时，可以对个别影像摄取类型设人工预置控制参量；在处理X光影像时，影像设备摄取X光影像，提供校正好的数字影像，如果对该数字影像有合适的人工预置的控制参量，主模块直接采用人工预置的参量处理数字影像；当人工预置参数缺省时，自动启用神经网络模型智能模块对该数字影像进行分析，得出数字影像处理控制参量，影像处理主模块采用此控制参量处理当前数字影像。
一种医学X光影像处理控制参量的智能优选方法
技术领域
[0001] 本发明属于图像处理技术领域，具体涉及一种医学X光影像处理控制参量的智能优选方法。
背景技术
[0002] 医学X光成像处理时，一般分为影像初级预处理和影像高级处理2个部分。其中，影像初级预处理包括：①产生以整数倍缩小的小影像和超小尺度影像；②产生影像灰阶度直方图；③产生影像梯度矢量场，拉布拉斯标量场；④产生超低通影像和高通影像；⑤产生物体边缘图，背景区域图和直准器遮挡区图等。影像高级处理包括①将影像灰阶度映射到近似于对数的数值，以匹配人眼对X光片的亮度的实际感觉；②做适宜的频率过滤:抑制直流信号，增强高频信号。对滤波后的影像做二级修正；③做降噪处理（适应性降噪技术）等，以获取最终处理后影像。
[0003] 影像高级处理中，需要一组适宜于每个特定影像数据处理的控制参量来控制其对当前影像的数据处理，才能得到高品质的处理后影像。这组控制参量有：低通截止频率，低频抑制强度，高通截止频率，高通增强强度，灰阶度影射曲线参数，等等。一般情况下，由CR/DR设备厂商预先设定若干控制参量组，让检查技师根据检查情况选用。
[0004] 由于患者身躯大小、成人/幼童、检查部位、投影方向、检查侧重点、X光曝光技术参量的不同，X光成像的数据处理所用的控制参量就会不同。技师常常会碰到所选的控制参量不甚适用的情形，控制参量往往需要就个案进行调整。选用不切个案的控制参量处理影像，势必影响最终成像质量。
[0005] 当遇到所选的控制参量严重不适用时，将造成成像质量问题，直接影响后续影像诊断。传统的解决办法是，求助专业技术人员，凭其经验人工调整控制参量，使最终处理后影像满足影像诊断需要，事后再形成控制参量组供技师备选。
[0006] 针对上述实际问题，本发明方法在检查技师缺少默认控制参量的情况下，利用神经网络和模糊逻辑等智能处理手段，为当前影像提供合适的控制参量，以保证CR/DR成像质量。
发明内容
[0007] 本发明目的在于克服现有方法中的不足，提出一种医学X光影像处理控制参量的智能优选方法，能有效地给出对当前影像合适的影像处理控制参量，且对操作者要求不高，可同时适用于各类CR/DR成像设备。
[0008] 本发明通过以下技术方案实现：首先收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量；然后，建立多层结构的神经网络模型，进行训练和检验；最后，通过检验的神经网络模型，结合CR/DR影像处理主程序，应用于实际。
[0009] 具体处理步骤如下：
[0010] 1、收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量
[0011] 收集X光影像样本集，影像量越大越好（至少500例用于训练、100例用于验证），尽量包括各种影像类别和各种成像条件。在原始图像初级预处理后，对采集的X光影像进行标识，即获取相应的最佳控制参量，作为训练神经网络模型的目标参量。
[0012] 2、建立多层结构的神经网络模型
[0013] 为实现高度非线性的输入输出映射关系，采用多层多输出节点并行结构的神经网络模型。神经网络的输入向量（I）由一组从影像提取的特征参量组成。这些特征参量包括归一化的像素值的直方图，像素值重心和分布方差，梯度强度角分量分布，拉普拉斯角分量分布，等。将它们标为I= (I1, I2, I3, …, In)。
[0014] 这组特征参量构成高维特征空间。从一个影像提取的特征参量向量，在这个高维空间里是一个点。如果将所有的影像分类，将需要用某一组相同控制参量处理的影像分为一类，这组影像在这个高维特征空间里是一群的点，形成一个（或多个）一般情况下形状不规则的板块。本发明的神经网络采用多个节点形成高度非线性的识别域，以分类在这种不规则的板块里的影像。构成多节点识别域的节点数由训练过程根据板块的不规则程度动态决定。
[0015] 神经网络的输出是一组处理当前X光影像所需要的控制参量,包括低频截止频率，低频抑制强度，高通截止频率，高通增强强度，灰阶度影射曲线参数等。
[0016] 神经网络的初级输出为识别域中的多节点M，有三个维度，如下：
[0017] =
[0018] 其中，i是输出控制参量指数，j 是输出参数量子化量值数列指数，k 是多节点识别域的节点指数。第三个维度k的个数是不规则的，各个多节点的节点数是在训练过程中动态确定的。
[0019] 神经网络的次级输出为控制参量的量子化量值 ，这个过程是非线性的。最简单的方法是从多节点输出值中选出最大值。
[0020] = ( )
[0021] 神经网络的第三层输出为控制参量V，采用类似于模糊逻辑去量子化的计算方式来获得控制参量的模拟数值。
[0022] = ( )
[0023] 例如，将低频截止频率量化为极低频 ,低频 ,中频 ,高频 ,和极高频 。输出的5个值做线性插值，得出最终截止频率。
[0024] 3、神经网络模型的训练
[0025] 为训练第2步的神经网络权重矩阵，用训练样本集中>500例的样本，进行神经网络模型训练：X光影像最佳控制参量与当前神经网络输出值做比较，利用其间的误差对神经网络的权重做出调整，反复运行，渐进优化，直至误差小于第一阈值。
[0026] 4、神经网络模型的检验
[0027] 将第3步训练好的神经网络模型，用验证样本集中>100例的样本，逐个比较最佳控制参量与神经网络模型得到的控制参量，若误差小于第二阈值，即完成神经网络模型的验证。否则，返回第3步，将误差大的样本放入训练样本集中，重新训练神经网络模型。
[0028] 5、神经网络模型的应用
[0029] 将第4步训练好并且检验过的神经网络模型应用于CR/DR影像处理主程序中，供技师在遇到不切个案的控制参量情形下，自动选用系统智能优选的控制参量，保证CR/DR成像质量。
[0030] 本发明方法训练出来的神经网络模型，通过影像特征参量和控制参量之间的输入输出因果关系训练，学习汲取了大量最佳控制参量获取经验，从而有能力识别影像类型和影像摄取时的条件，并将它们和适宜的控制参量相联系，为CR/DR成像提供更好的质量保证。
附图说明
[0031] 图1：标识X光影像样本流程图；
[0032] 图2：多层结构的神经网络模型；
[0033] 图3：低频截止频率量化图；
[0034] 图4：X光影像处理逻辑概况图。
具体实施方式
[0035] 以下结合实施例和附图对本发明作进一步说明。
[0036] 1、收集、整理X光影像样本集，包括各种检查情况下的原始图像及其相应的控制参量
[0037] 收集X光影像样本，影像量越大越好（至少500例用于训练、100例用于验证），尽量包括各种影像类别和各种成像条件。
[0038] 在原始图像初级预处理后，对采集的X光影像进行标识，即获取和记录相应的最佳控制参量作为训练神经网络的目标参量。为了标识X光影像样本，可具体设计一个工具程序，该程序的流程如图1。
[0039] 针对收集的(>600例)各种类型各种条件的X光影像，此工具程序从影像集读取一个影像，利用影像处理主模块以一组缺省控制参量处理该影像。处理过的影像显示于屏幕，调整控制参量直至显示的影像达到最佳质量。将此时的控制参量标识在数据库，作为该影像的最佳控制参量。工具程序进而读取下一影像，标识这个影像的最佳控制参量。反复这个过程，把样本影像集里的所有影像都标识完毕。
[0040] 2、建立多层结构的神经网络模型
[0041] 如图2，采用多层多输出节点并行结构的神经网络，以得到高度非线性的输入输出映射关系。
[0042] 神经网络的输入向量（I）由一组从影像提取的特征参量组成。这些特征参量包括归一化的像素值的直方图，像素值重心和分布方差，梯度强度角分量分布，拉普拉斯角分量分布，等。将它们标为I= (I1, I2, I3, …, In)。
[0043] 这组特征参量构成高维特征空间。从一个影像提取的特征参量向量，在这个高维空间里是一个点。如果将所有的影像分类，将需要用某一组相同控制参量处理的影像分为一类，这组影像在这个高维特征空间里是一群的点，形成一个（或多个）一般情况下形状不规则的板块。本发明的神经网络采用多个节点形成高度非线性的识别域，以分类在这种不规则的板块里的影像。构成多节点识别域的节点数由训练过程根据板块的不规则程度动态决定。
[0044] 神经网络的输入 为一组从影像提取的特征参数，包括灰阶图直方分布，灰阶图空间分布，梯度分布，边缘分布，等等。
[0045] 神经网络的输出是一组处理当前X光影像所需要的控制参量,包括低频截止频率，低频抑制强度，高通截止频率，高通增强强度，灰阶度影射曲线参数等。
[0046] 神经网络的初级输出为识别域中的多节点M，有三个维度，如下：
[0047] =
[0048] 其中，i是输出控制参量指数，j 是输出参数量子化量值数列指数，k 是多节点识别域的节点指数。第三个维度k的个数是不规则的，各个多节点的节点数是在训练过程中动态确定的。
[0049] 神经网络的次级输出为控制参量的量子化量值 ，这个过程必须是非线性的。最简单的方法是从多节点输出值中选出最大值。
[0050] = ( )
[0051] 神经网络的第三层输出为控制参量V，采用类似于模糊逻辑去量子化的计算方式来获得控制参量的模拟数值。
[0052] = ( )
[0053] 例如，将低频截止频率量化为极低频 ,低频 ,中频 ,高频 ,和极高频 。输出的5个值做线性插值，得出最终截止频率，见图3 。
[0054] 3、神经网络模型的训练
[0055] 多输出节点的神经网络的训练机制包括考虑特征空间短程结构和长程结构对纠错的影响。神经网络的训练过程为一种自适应性的训练过程，训练控制参量在不同特征板块结构的情况下会做自适应性调整，包括特征空间短程结构或长程结构对纠错的贡献度的动态调整，以达到最佳收敛状态的自动平衡。
[0056] 为训练第2步的神经网络权重矩阵，用训练样本集中>500例的样本，进行神经网络模型训练：X光影像最佳控制参量与当前神经网络输出值做比较，利用其间的误差对神经网络的权重做出调整，反复运行，渐进优化，直至误差<3%。
[0057] 4、神经网络模型的检验
[0058] 将第3步训练好的神经网络模型，用验证样本集中>100例的样本，逐个比较最佳控制参量与神经网络模型得到的控制参量，若误差<3%，即完成神经网络模型的验证。否则，返回第3步，将误差大的样本放入训练样本集中，重新训练神经网络模型。
[0059] 5、神经网络模型的应用
[0060] 将第4步训练好并且检验过的神经网络模型应用于CR/DR影像处理主程序中，供技师在遇到不切个案的控制参量情形下，自动选用系统智能优选的控制参量，保证CR/DR成像质量。
[0061] 在实际应用中，影像设备摄取X光影像，提供校正好的数字影像。如果对该数字影像有合适的人工预置的控制参量，主模块直接采用人工预置的参量处理数字影像。当技师发现处理后数字影像有质量问题时，或人工预置参数缺省的时候，启用神经网络模型智能模块对该数字影像进行分析，得出数字影像处理控制参量，影像处理主模块采用此控制参量处理当前数字影像。
[0062] 具体应用形式，本发明神经网络模型智能模块可嵌入于CR和DR设备的控制工程站软件，由于为放射科、骨科、脊椎科、婴儿科以及兽医所提供的X光影像处理的侧重面是有所不同的，可根据各科目的要求训练出不同的神经网络权重，为各科目提供最佳影像处理质量。结合智能优选方法后，X光影像处理逻辑概况如图4所描述。
