医疗影像中DR的骨抑制

1 背景

在DR的拍摄中，根据肺部和脊肋骨两种组织，在不同能量X射线的照射下，衰减的系数不同的特点，可以通过两次不同剂量的曝光后，通过算法，得到一张骨骼的图像和一张肺部图像。

通过一些机构的统计，双能剪影的后的肺部影像对结节，特别是小结节的检出率有不同程度的提高。统计表明，对3mm一下的结节的检出率，在双能剪影的肺部检出率有47%，而一张普通的胸片的检出率仅仅为22%。但是，双能剪影也有明显的缺点，第一是患者受到两次X光照剂量；第二，双能剪影在拍摄的时候，一般需要病人憋气更长时间，导致拍片失败。

这个时候，骨抑制算法，就是替代两次曝光的一个很好的方案；另外，在现在DR行业如此内卷的时期，骨抑制算法也能算作智能DR设备的亮点功能之一。

2. AI骨抑制算法（Bone Suppress）

整个算法大概分为以下3个步骤，可以给大家一点参考

2.1 对图像中的肺部区域进行裁剪

对DICOM的胸片图像，使用Unet网络，来分割肺部区域蒙板。对分割后的肺部蒙板中，区域较小的区域进行去除。得到如下的图像

2.2 对图像的肋骨进行Unet分割

注意这里分割出脊肋的mask，不是阈值后，然后再将mask二值化的图像，而是阈值后，保留mask的0到1的值，做为第三步中的其中一路初始输入图像，如下图所示：

2.3 将2步中标记的mask作为噪声在原图上进行抑制

将原始图像和第二步中的输出，两个通道，作为输入，目标图作为输出；将脊肋骨视为图像中的噪声信息，使用图像去噪的方法来完成肋骨抑制的任务，采用深度卷积网络作为基础模型，分析并尝试多种策略来提升模型性能，最终，使用Unet网络结构，并且，通过跳跃连接以及残差策略增强网络细节表现能力。 为了在计算中减少对图像的细节纹理的损失，模型采用在原图大小直接计算， 但是，考虑到显存压力，使用1024*1024滑动窗口计算，并采用Overlap-tile策略减少计算边缘信息损失。 这些策略有效的保证了输出结果的准确性，精确性。 模型可以在保留肺部纹理细节清晰同时也能有效的抑制骨影。最终得到的结果如下

3 最后算法可以通过onnx进行工程化，供DR Console工作站调用

为了能提供给设备采集软件进行调用，需要将算法修改为动态库的形式，另外，也可以提高效率。以下是头文件定义，可以输入和输出的接口是很容易集成的。

#ifndef _BONE_SUPRESS_API
#define _BONE_SUPRESS_API
#ifndef DLLAPI_FILTER
#define BONE_SUPRESS_DLLAPI extern "C" __declspec(dllimport)
#endif
enum BoneSupressResult
{
    BoneSupressResultOK = 0,
    BoneSupressResultImgErr,
    BoneSupressResultIniErr, 
};
BONE_SUPRESS_DLLAPI bool IntializeInstance(bool beGpu);
BONE_SUPRESS_DLLAPI BoneSupressResult  ChestBoneSupress(unsigned short* imageData, int imgW, int imgH,
    unsigned short* resultData, int resultDataLen);
BONE_SUPRESS_DLLAPI bool ReleaseInstance();

#endif

最后运算一张4000 * 4000 ，2个字节的输入图像后，在1050Ti的显卡上，计算共需13s的时间，3060Ti上，计算花费8s中，实际应用中，可以满足设备的需求。