[发明专利]一种医学X光影像处理控制参量的智能优选方法

摘要

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。

主权项

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；步骤2、建立多层结构的神经网络模型；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：mi,j,k＝∑lwijklIl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；步骤3、神经网络模型的训练；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；步骤4、神经网络模型的检验；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；步骤5、神经网络模型的应用；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。