医疗用数字x射线图像关注区域亮度水平计算方法

摘要

本发明涉及医疗应用中在数字X射线图像关注区域中借助于使用神经网络的图像直方图来评估亮度水平的方法。该计算由获取的图像、计算的图像直方图、由直方图的值转换成的神经网络的输入参数以及获取的神经网络的输出值组成。将使用给定组区间计算出并归一化到单位的直方图值用作神经网络的输入参数。计算亮度水平作为神经网络线性函数的输出值。神经网络学习是使用在给定图像数据库的基础上计算的学习集合来完成；为每个图像的关注区域计算出亮度水平并且将亮度水平缩放到神经网络输出层中神经元激励函数的值域中以将其用作目标值的集合。

说明书

技术领域

本发明涉及医疗用数字X射线图像的处理方法，即，涉及医疗用 数字X射线图像关注区域的亮度水平计算。

背景技术

X射线图像除了包含病人器官投影图像外，一般还包含部分设备 (例如准直器)和空气投影的图像。关注区域通常意味着仅具有病人 器官投影图像的那部分图像。正确确定亮度水平在例如下列情况下是 必要的：

1)在监视装置的显示器上可视化数字图像；

2)在获取X射线图像序列期间进行曝光控制。

具有正确的亮度和对比度水平的X射线图像可视化有助于更好地 理解X射线图像并进而做出正确的诊断。在获取时序图像序列时，如 果知道上一图像中关注区域的亮度水平，则可以正确地设置数字检测 器的曝光时间以获取下一图像。正确选择的曝光可以获得相当高质量 的X射线图像，不含有暗区和/或过度曝光的区域，并且关注区域具 有最佳的信噪关系。X射线图像序列的标准曝光频率为30帧每秒，因 此，足够快地确定亮度水平以便能够调整曝光时间和/或X射线管特 征是极其重要的。在对时序图像序列进行计算期间，亮度水平计算方 法的稳定也是必需的。

已知一种图像亮度水平确定方法(R.Gonzalez，R.Woods， S.Eddins.Digital Image Processing Using MATLAB(DIPUM). Technosphera，2006，p.32)。根据该方法，将亮度水平计算为最 小亮度值和最大亮度值之间的平均值：

Level＝(Value_α+Value_1-α)/2

Value_α是整个图像每个像素的亮度的分位数水平α。将参数α选择得 足够小，不大于0.01。在图像内存在空气和/或准直器区域的情况下， 该方法不能提供所需的亮度水平计算精度。

选作原型的最接近的技术方案是在专利EP 0 409 206 B1(第 6页，公开日1997年1月10日)中说明的确定亮度水平的方法。根 据该原型，该方法包括将数字图像数据读出到设备的主存储器，然后 进行以下计算：

1)计算类区间(class interval)等于1的图像直方图。

2)计算亮度水平A，更低亮度的像素被认为是背景。

3)在像素亮度大于A的区间中分析直方图。计算与该区间中的 最大直方图值相关的亮度MVP。

4)选择图像可视化的初始值：窗位WL₀＝MVP，窗宽 WW₀＝2×(MVP-A)。

5)计算参数ΔWW＝WW₀/2。

6)使用神经网络计算每对值(WL₀±ΔWW，WW₀±ΔWW)的质量指标 ${\left\{Q_i\right\}}_{i=0}^8.$

7)使用爬山法，计算质量指标Q_c值最大的一对值(WL_c，WW_c)。在 迭代过程中，校正参数ΔWW。

通过前馈(feedforward)人工神经网络(以下称为神经网络) 来评估质量指标，该神经网络具有一个隐藏层和一个在输出层具有 Sigmoid神经元激励函数的神经系统。与质量指标Q_c的最大值相关联 的窗位和窗宽(WL_c，WW_c)被认为是图像可视化的最佳参数。

由熟练操作人员设置了窗位和窗宽所需值(WLG，WWG)的一个或 多个图像可用于训练。然后，制作由25个值组成的表。

$(\mathrm{WLG}\pm \mathrm{\Delta WWG}/2\pm \mathrm{\Delta WWG}/4,\mathrm{WWG}\pm \mathrm{\Delta WWG}/2\pm \mathrm{\Delta WWG}/4)\leftrightarrow Q_i$

$\mathrm{\Delta WWG}=\mathrm{WWG}/2$

Q_i是质量指标的预定值。

为每对(WL_i，WW_i)计算神经神经网络输入参数(5个或者甚至更 多)。将关联于适当的对(WL_i，WW_i)的质量指标Q_i用作目标值。因此， 在给定图像上标记窗位和窗宽的理想参数使得操作人员得到用于神经 网络训练的数据并且之后用这些数据来训练该神经网络。

根据该原型，该方法缺点如下：

1)只待确定亮度水平应用于曝光控制任务时，该方法提供了冗余 信息。

2)借助于该方法，不能控制在一系列图像计算期间的算法稳定性。 在获取一系列图像期间控制曝光是很重要的。

发明内容

本技术的结果倾向于确定用于医疗应用的关联于X射线图像关注 区域的平均亮度值的亮度水平。

所应用的本发明技术结果由用于医疗应用的X射线图像关注区域 确定的亮度水平组成。而且，该方法在一系列图像的计算期间是稳定 的。补充的技术结果还包括硬件的简化和高性能算法。

本发明技术结果由获取的图像、计算的图像直方图、由直方图的 值转换成的神经网络的输入参数以及借助于该人工神经网络完成计算 的亮度水平来组成，这是由于这样的事实，即用给定的组区间计算直 方图的值，将该值归一化到单位并将其用作神经网络的输入参数，计 算出亮度水平以将该亮度水平作为神经网络线性函数的输出值，然后 使用在给定图像的基础上确定的学习集合来完成神经网络训练，为每 个图像的关注区域计算出亮度水平并且将该亮度水平缩放到神经网络 输出层中神经元激励函数的值域中以将其用作目标值的集合。

使用具有一个隐藏层和在具有S型神经元激励函数的输出层中的 一个神经元的前馈人工神经网络作为神经网络。

假设用于计算直方图值的组区间等于图像上像素亮度分布的分位 数和神经网络输入参数的数量之间的关系。

计算关注区域的亮度水平作为关注区域中像素亮度的平均值。

在所有图像像素上计算直方图的值。

在圆圈中的像素上计算直方图的值，该圆圈的中心与图像的中心 一致并且该圆圈的直径等于图像最短的边长。

该算法是基于关注区域中在图像直方图和亮度水平之间统计关系 的实验事实建立的。

所应用的该方法方面如下所示。

将使用给定组区间计算并归一化到单位的直方图值用作神经网络 的输入参数。

1)计算出亮度水平以将其作为神经网络线性函数的输出值。

2)使用在给定图像的基础上指定的学习集合完成神经网络训练， 为每个图像的关注区域计算出亮度水平并且将该亮度水平缩放到神经 网络输出层中神经元激励函数的值域中以将其用作目标值的集合。

为了确定直方图和亮度水平之间的统计关系，可以使用前馈人工 神经网络[Simon Haykin.Neural networks a Comprehensive Foundation.，2006，p.55]。现在可以确定方法实现的一些一 般阶段：

1)数据库生成和对医疗X射线图像的分类。

2)设计学习集合示例-神经网络的输入参数集合和目标值的集 合。

3)选择误差函数和神经网络训练算法。

4)训练不同架构、不同输入数量、层和神经元的神经网络集合。

5)选择具有最小数量的参数的神经网络，以作为解决问题适合的 最优方式。

该方法实质可以借助于以下给出的图来解释。

附图说明

图1是从一种X射线装置中获取的用于医疗应用的数字X射线图 像的示例。

图2是对应于图1图像的关注区域。

图3是16位(bit)图像直方图的示例。水平方向是灰度，垂直 方向是具有给定亮度的像素数量。垂直线显示的区间把[0，Bright]细分 为了32个部分。将Bright的值定义为具有水平α＝0.999的图像亮度的 分位数。

图4是用于学习样本的相对误差的普通直方图。

Error＝100×(Level′/Level-1)

Level′是在应用中使用本发明方法获取的亮度水平；

Level是在关注区域计算出的亮度水平。

图5是用于测试样本的相对误差的普通直方图。

具体实施方式

第一阶段，图像数据库生成涉及器官类型的分类以及为每个图像 生成具有关注区域的二进制图像。生成具有关注区域的二进制图像可 以通过使用专门的软件或借助于各种标准的文字处理器在图像中手动 标记出关注区域来完成。在第一阶段生成的数据库由对集合 {Image，Roi}组成，其中Image是原始图像，Roi是适当的关注区域的图 像。在本案例中，收集和处理了大约一万张图像。

第二阶段，涉及学习集合示例的设计。对于每个对{Image，Roi}， 计算图像的直方图Hist，组区间等于单位，关注区域的亮度水平是 Level。将在关注区域中所有像素的平均像素亮度值作为亮度水平：

$\mathrm{Level}=\frac{1}{M}\underset{k\in \mathrm{Roi}}{\Sigma }{p}_k$

Level是关注区域中的亮度水平；

p_k是k像素的亮度值；

M是关注区域中像素的数量。

作为每个对{Image，Roi}的结果，获取了由直方图和亮度水平组成 的对{Hist，Level}。

不但可以在整个图像上而且可以在初步选定的区域上评估直方 图。通常，要曝光的病人是以这样一种方式定位，即要曝光的器官的 图像投影位于数字矩阵的中心。因此，在直方图评估的第二个变种中 可以考虑一个圆圈，该圆圈区域的中心与图像的中心对准，并且比如 该圆圈的直径等于图像最短的边长。

现在对于每个对{Hist，Level}应该可以评估一些输入参数Input和目标 值Target。输入参数Input和目标值Target表示学习参数的集合，应该满足 下列要求：

1)对{Input，Target}相对于常数值与图像的乘法应当是不变量，并且 不依赖于图像尺寸(对于图像亮度的离散性具有容差)。

2)目标值Target必须属于输出层的神经元激励函数的值域内。

提供相对于常数值与图像的乘法来说对{Input，Target}的不变性是必 须的。对于直方图Hist，以这样一种方式计算亮度区间[0，Bright]，也就 是上限Bright是分位数水平α的图像像素亮度。然后，区间[0，Bright]应当 被划分为S份相等的区间，而将Input_i值估计为在区间I中直方图Hist_k的 总和。

${\mathrm{Input}}_i=\underset{k\in I}{\Sigma }{\mathrm{Hist}}_k$

Input_i是具有指数i的输入参数；

Hist_k是具有指数k的直方图的值Hist。

结果把Input_i的值归一化到单位：

${\mathrm{Input}}_i=\frac{{\mathrm{Input}}_i}{\underset{k}{\Sigma }{\mathrm{Input}}_k}$

其中S是神经网络的输入的数量，借助于与参数α一起做的数值实 验来选择S。输入参数Input是使用组区间Bright/S计算出的归一化到单位 直方图的值。此外，为每个Level计算Target′＝Level/Bright。在这种方式中 获得的对{Input，Target′}相对于常数值与图像的乘法是不变量并且不依赖 于图像尺寸。

S型函数是用来生成用于神经元激励函数的目标值的集合：

$f\left(x\right)=\frac{1}{1+\exp (-x)}$

该函数值域为区间[0，1]，这是将目标值集合Target′归一化到该区间 的方式。为此，使用下列函数进行线性转换：

$T\arg \mathrm{et}=\frac{{T\arg \mathrm{et}}^{\prime }-\min \left\{{T\arg \mathrm{et}}^{\prime }\right\}}{\max \left\{{T\arg \mathrm{et}}^{\prime }\right\}-\min \left\{{T\arg \mathrm{et}}^{\prime }\right\}}$

以下是在神经网络的输出值Ourput的基础上计算水平Level的公式：

Level＝Bright×(C₁×Output+C₂)

C₁＝max{Target′}-min{Target′}

C₂＝min{Target′}

计算亮度水平作为神经网络线性函数的输出值。

作为神经网络的误差函数有两个变种。第一个变种是具有正则性 的均方根误差：

$\mathrm{Error}=\mathrm{Ratio}\times \frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\mathrm{Output}}_i-{T\arg \mathrm{et}}_i)}^2+(1-\mathrm{Ratio})\times \underset{k}{\Sigma }{x}_k^2$

第二个变种是具有正则性的均方根误差：

$\mathrm{Error}=\mathrm{ratio}\times \underset{i=1}{\overset{N}{\Sigma }}{W}_i\times {({\mathrm{Output}}_i-{T\arg \mathrm{et}}_i)}^2+(1-\mathrm{Ratio})\times \underset{k}{\Sigma }{x}_k^2$

Ratio是正则性参数；

W_i是与具有指数i的学习对{Input，Target}相一致的权重；

N是参与到误差评估中的学习对的数量；

是所有神经网络参数的平方和。

在以上两个公式中的第一个被加数定义了神经网络学习的精度， 而第二个被加数-正则化参数-提供神经网络的稳定性。使用下列公 式计算权重W_i：

$W_i=\frac{1}{{T\arg \mathrm{et}}_i^{\prime 2}}/\underset{i=1}{\overset{N}{\Sigma }}\frac{1}{{T\arg \mathrm{et}}_i^{\prime 2}}$

举例来说，具有的值Target′_i较大的对对应的权重W_i较小。

对于神经网络学习，使用的标准算法是反向传播的共轭梯度法 [Moller，Neural Networks，vol.6，1993，p.525]。以这 样一种方式选择正则化参数Ratio，以在图像旋转多次计算水平Level时 消除大于0.5％的独特值。在我们的示例中，使参数变得等于 Ratio＝0,9999。

为了避免过度曝光，使用标准方法将学习范例{Input，Target}的值域 划分为两个部分。第一个部分用于神经网络学习，第二个部分用于测 试。在图像数据库生成后，在器官类型的基础上完成了医疗X射线图 像的分类。然后将学习范例的值域以80％和20％的关系划分为两个样 本，通过这样一种方式使得把每组图像的80％放置到学习样本中，而 把剩余的20％放置到测试样本中。

数值实验表明，对于给定任务的解决方案可以转化为使用前馈神 经网络，该前馈神经网络具有一个隐藏层、30到60个输入以及隐藏 层中的5到10个神经元。参数α可以从区间0.98到0.9999中选择。 为了在特定设备中实现所应用的该方法，可以选择具有最小参数数量 而其他条件都相等的神经网络。

实施本发明的较佳变形

本发明实施方式的较佳变形是为医疗应用的数字X射线图像关注 区域中评估亮度水平的方法，该方法涉及获取的图像、计算的图像直 方图、由直方图的值转换成的神经网络的输入参数以及借助于人工神 经网络完成计算的亮度水平。

使用给定的组区间计算直方图的值，将该值归一化到单位并将其 用作神经网络的输入参数，计算出亮度水平以将该亮度水平作为神经 网络线性函数的输出值。

神经网络学习是使用在给定图像数据库的基础上计算的学习集合 来完成。为每个图像的关注区域计算出亮度水平并且将该亮度水平缩 放到神经网络输出层中神经元激励函数的值域中以将其用作目标值的 集合。

使用具有一个隐藏层和在具有S型神经元激励函数的输出层中的 一个神经元的前馈人工神经网络作为神经网络。

假设用于计算直方图值的组区间等于具有最接近于单位的像素亮 度分布的分位数和神经网络输入参数的数量之间的关系。

计算关注区域的亮度水平作为关注区域中像素亮度的平均值。

在圆圈中计算直方图值，该圆圈的中心与图像的中心一致并且该 圆圈的直径等于图像最短的边长。

工业应用

已知应用的该方法使用的数据处理和分析的数值方法。也已知用 于获取该数据的硬件和设备。