导　　师： 陈武凡;阳维

授予学位： 博士

作　　者： (）;

机构地区： 南方医科大学

摘　　要： 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

关 键 词： 线胸片 图像处理 骨抑制 深度卷积网络

领　　域： [] []