[发明专利]一种通过CT图像合成X光片及标记的方法

说明书

本发明提出一种通过CT图像合成X光片及标记的方法，包括步骤：(1)获取CT图像；(2)从CT图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；(3)对得到的CT图像进行特定角度的正投处理，得到CT图像的X线图像；(4)对得到的标记图像进行特定角度的正投处理，得到标记图像的X线图像；(5)将CT图像的X线图像与标记图像的X线图像进行合成，得到带有所需组织标记的合成X线图像。本发明通过CT图像合成X线图像，根据在CT图像上所得到的标注合成X线图像上的标注，相对于直接在X光片上进行标注，可以缩短时间和提高准确率。

技术领域

本发明涉及CT图像处理技术领域，尤其是一种通过CT图像合成X光片及标记的方法，该方法用于构建病变组织分割深度学习模型的训练数据集，属于深度学习模型训练过程中的训练数据预处理部分。

背景技术

X光片是最常用的影像诊断技术之一。X光机具有成本低廉，体积小，基本上是各个级别的医院的必备影像系统。由于不同器官组织吸收X射线能力不同，从而能获得不同组织的投影图像。X光片成像速度快，花费低，放射剂量小，并且能够显示特定的病理结构等优点，临床上常被首选用于疾病诊断，体检筛查。但由于拍片是重叠影像，客观上存在着其他组织结构的影响和干扰，例如单纯正位胸片不能清晰显示脊柱旁、心后等部位的病变，因此，这些部位的病变客观上存在着漏诊的可能性。尤其是在大规模体检或者疾病筛查的过程中，海量的数据如果依靠人工的方法效率非常低。

因此，开发适合X光片的辅助检测技术，近年来已成为一个活跃的研究领域(例如辅助诊断肺结核，肺炎等)。基于深度学习的人工智能方法可以快速、准确的进行病变区域的快速分割，并且可重复性强，是辅助检测技术中的一大主流技术。基于人工智能的病变区域的快速分割模型的训练一般包括如下步骤：1、数据准备和预处理，2、网络模型设计和损失函数设计，3、网络训练，4、网络模型验证。其中最重要的部分在于如何产生大量而且准确的数据供神经网络来学习。在小数据集上使用深度学习往往容易过拟合，所以深度学习需要大量的数据，然而标注图像是一个费时的过程。尤其对于X光片，由于X光片本身的成像原理，三维的人体结构被压缩到了一张X光片上，丢失了很多对比度的信息，和三维空间信息。如何能对组织结构和病灶的区域进行准确的标记变得更加有挑战性，由于其本质的重叠影像的性质，标注不仅费时，而且容易出错。以X线胸片为例，胸腔包含了人体很多重要的器官，所以对X线胸片的标注是一个费时费力的过程。现在的标注方法包括人工标注，和基于自动分割的标注数以万计的图片。由于胸片自身的性质如对比度低，器官重叠，边界模糊等，所以直接在X线胸片上人工标注不仅费时，而且准确率低。基于分割的方法，如阈值分割、特征空间聚类、区域增长等，以及基于边缘检测，边缘跟踪的方法等，这些分割算法的组合以及改进所形成的新算法至今已经累计达到上千种之多，然而没有一种算法具有良好的通用性，标记的效果更差。所以这个领域亟需一种能够提供准确标记的方法来提高辅助检测的准确度。

发明内容

发明目的：为了解决现有的基于深度学习的病变组织分割技术中，作为训练数据的X光片标记困难且精确度低的技术问题，本发明提出一种通过CT图像合成X光片并添加人工标记的方法。该方法利用成像装置CT，由于它也是利用X射线对人体进行成像，因此CT图像本身和X光片有着很大的共同点。但是由于采用了CT扫描的方式，它的图像质量相比于X光片，有着更高的对比度，更精确的像素值。本发明就是利用CT图像的数据来生成X光片的数据集，为以X光片为输入的的基于深度学习的病变区域快速分割模型提供更准确的训练数据集。

技术方案：本发明提出以下技术方案：

一种通过CT图像合成X光片及标记的方法，包括步骤：

(1)获取CT图像；

(2)在CT图像上分割出不同组织的轮廓图像；

(3)从轮廓图像中提取所需组织的标记图像：将轮廓图像中属于所需组织的体素点标记为特定值，其余体素点标记为另一值，得到标记图像；