一种放射影像的股骨X线片生成方法

一种放射影像的股骨x线片生成方法
技术领域
1.本发明涉及医学影像处理技术领域，具体涉及一种放射影像的股骨x线片生成方法。


背景技术：

2.在日常拍摄下肢股骨ct片的过程中，患者可能会因疼痛、畸形等原因导致股骨姿态各异，难以达到姿态的统一和标准，在进行基于数字重建放射影像技术的x线片生成时，难以确定模拟x光源发射穿过ct图像组的x射线的路径，因此得到的x线片无法达到理想效果，在股骨骨折分析、股骨手术规划中就无法确定准确、一致的测量结果和手术路径。
3.现有技术cn201810619600.4公开了一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法，通过三维卷积神经网络模型进行深度多任务回归，自动提取包含小转子和股骨内外侧髁的ct片层，使用条件生成式对抗神经网络进行股骨小转子内外侧髁图像分割，对这两个区域进行三维表面重建，通过计算高斯曲率求解小转子和股骨内外侧髁的顶点，计算过三点的平面与水平面的夹角得到最终需要旋转校正的角度，通过数字重建放射影像，得到最佳位置的x线片模拟图像，取代传统ct模拟定位机使用的胶片图像。该发明针对目前数字重建放射影像中股骨位置只能靠医生手工标定，智能化水平不高、标定稳定性差，无法满足实际需要的问题，使用计算机辅助方法进行股骨ct片校正和x线片模拟，能够促进医疗设备的智能化。
4.现有技术虽然能够进行股骨ct片校正和x线片模拟，但在ct片层拍摄过程中，均采用统一辐射量的ct片层拍摄，并未考虑在保证模拟效果的同时降低些ct片层的辐射量，使患者更少的接触到ct辐射，增强安全性。


技术实现要素：

5.本发明的目的在于提供一种放射影像的股骨x线片生成方法，以解决现有技术中采用统一辐射量的ct片层拍摄，并未考虑在保证模拟效果的同时降低些ct片层的辐射量的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种放射影像的股骨x线片生成方法，包括以下步骤：
8.步骤s1、获取一组股骨病例的股骨ct影像片层序列，并利用已建立的关键帧识别模型在股骨ct影像片层序列中识别出表征股骨关键部位的n个关键ct影像片层；
9.步骤s2、将n个关键ct影像片层的ct拍摄辐射量均设定为m个等级，并将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合；
10.步骤s3、在nm个ct拍摄辐射梯度组合中选取k个ct拍摄辐射梯度组合对k个股骨病例的股骨关键部位进行ct拍摄得到k*n个关键ct影像片层，将所述k*n个关键ct影像片层进行股骨x线片的三维重构得到k个股骨x线片，将k个股骨x线片输入至已建立的多个病症识别模型进行模型识别正确率和模型识别效率评价得到病症识别效果，基于k个ct拍摄辐射
梯度组合和k个病症识别效果整合形成样本数据集用于训练人工神经网络模型；
11.步骤s4、通过人工神经网络模型基于样本数据集进行模型训练得到表征ct拍摄辐射梯度组合和病症识别效果映射关系的病症识别效果预测模型，并利用病症识别效果预测模型依次对mn个ct拍摄辐射梯度组合进行病症识别效果预测，以及基于病症识别效果结果在mn个ct拍摄辐射梯度组合中筛选出表征病症识别效果最佳的ct拍摄辐射梯度组合以用于设计出病症识别效果最佳且ct拍摄辐射量最低的股骨x线片。
12.作为本发明的一种优选方案，所述利用已建立的关键帧识别模型在股骨ct影像片层序列中识别出表征股骨关键部位的n个关键ct影像片层，包括：
13.将每个股骨ct影像片层序列中每张股骨ct影像片层输入至所述关键帧识别模型，由所述关键帧识别模型输出每个股骨ct影像片层序列中每张股骨ct影像片层的影像帧类别，所述影像帧类别包括：关键帧和非关键帧；
14.依次量化一组股骨ct影像片层序列中每张股骨ct影像片层的影像关键度，所述影像关键度的计算公式为：
[0015][0016]
式中，pi为第i张股骨ct影像片层帧处的影像关键度，ni为第i张股骨ct影像片层处影像帧类别为关键帧的股骨ct影像片层序列数量，m为一组股骨ct影像片层序列中股骨ct影像片层序列总数量，i为计量常数；
[0017]
将股骨ct影像片层序列中选取出影像关键度大于或等于关键度阈值的n个股骨ct影像片层帧作为n个关键ct影像片层；
[0018]
所述关键帧识别模型的构建方法：
[0019]
在一组股骨病例的股骨ct影像片层序列随机选取多个股骨ct影像片层，并在多个股骨ct影像片层中筛选出表征股骨关键部位的股骨ct影像片层标记为关键帧，以及将多个股骨ct影像片层中剩余股骨ct影像片层标记为非关键帧；
[0020]
将多个股骨ct影像片层作为cnn神经网络的输入项，将多个股骨ct影像片层的影像帧类别作为cnn神经网络的输出项，利用cnn神经网络基于cnn神经网络的输入项和cnn神经网络的输出项进行网络训练得到关键帧识别模型，所述关键帧识别模型的模型表达式为：
[0021]
label＝cnn(ct_picture)；
[0022]
式中，label为影像帧类别，ct_picture为股骨ct影像片层，cnn为cnn神经网络。
[0023]
作为本发明的一种优选方案，所述将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合，包括：
[0024]
将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合，所述nm个ct拍摄辐射梯度组合包括：{lj|j∈[1,n],lj∈[1,m]}，其中，lj为ct拍摄辐射梯度组合中第j个关键ct影像片层的ct拍摄辐射量等级，j为计量常数。
[0025]
作为本发明的一种优选方案，所述在nm个ct拍摄辐射梯度组合中选取k个ct拍摄辐射梯度组合对股骨病例的股骨关键部位进行ct拍摄得到k*n个关键ct影像片层，包括：
[0026]
将人工神经网络的拟合效率和拟合精度作为两个优化目标，并基于两个优化目标将在mn个ct拍摄辐射梯度组合中确定缓冲梯度组合选取数量转换为多目标优化问题进行
求解，并利用遗传算法对所述多目标优化算法进行求解确定出在mn个ct拍摄辐射梯度组合中确定缓冲梯度组合选取数量为k个，实现保证样本数量充足的条件下尽可能减少数值仿真的任务量以兼顾人工神经网络的拟合精度和拟合效率；
[0027]
利用梯度变化方式在mn个ct拍摄辐射梯度组合中选取出k个ct拍摄辐射梯度组合，以保证样本选取的均衡性与代表性；
[0028]
在一组股骨病例中选取出k个股骨病例，并分别将k个ct拍摄辐射梯度组合应用至k个股骨病例的n个关键ct影像片层的ct拍摄得到k*n个关键ct影像片层。
[0029]
作为本发明的一种优选方案，所述将所述k*n个关键ct影像片层进行股骨x线片的三维重构得到k个股骨x线片，包括：
[0030]
在k*n个关键ct影像片层中依次将每个股骨病例的n个关键ct影像片层利用marching cubes算法进行影像三维重建得到每个股骨病例的股骨三维影像；
[0031]
利用数字重建放射影像技术中通过光线投射法从类似模拟定位机的x射线靶方向观视每个股骨病例的股骨三维影像以生成每个股骨病例的二维x线片模拟图像作为每个股骨病例的股骨x线片，以实现由k*n个关键ct影像片层得到k个股骨x线片。
[0032]
作为本发明的一种优选方案，所述将k个股骨x线片输入至已建立的多个病症识别模型进行模型识别正确率和模型识别效率评价得到病症识别效果，包括：
[0033]
分别统计k个股骨x线片中每个股骨x线片在多个病症识别模型中的模型识别正确率，所述模型识别正确率的计算公式为：
[0034][0035]
式中，tr为病症识别模型对第r个股骨x线片的模型识别正确率，n
r,ture
为对第r个股骨x线片病症识别正确的病症识别模型数量，n
model
为病症识别模型的总数量；
[0036]
分别统计k个股骨x线片中每个股骨x线片在多个病症识别模型中的模型识别效率，所述模型识别效率的计算公式为：
[0037][0038]
式中，qr为病症识别模型对第r个股骨x线片的模型识别效率，t
h,r
为n
r,ture
中第h个病症识别模型对第r个股骨x线片的识别时长，r，h均为计量常数。
[0039]
作为本发明的一种优选方案，基于k个ct拍摄辐射梯度组合和k个病症识别效果整合形成样本数据集用于训练人工神经网络模型，包括：
[0040]
将k个病症识别效果进行归一化处理，将k个ct拍摄辐射梯度组合和归一化后的k个病症识别效果整合形成样本数据集，所述样本数据集中的单条样本为：[ct拍摄辐射梯度组合,病症识别效果：(模型识别正确率,模型识别效率)]。
[0041]
作为本发明的一种优选方案，所述通过人工神经网络模型基于样本数据集进行模型训练得到表征ct拍摄辐射梯度组合和病症识别效果映射关系的病症识别效果预测模型，包括：
[0042]
将样本数据集中ct拍摄辐射梯度组合作为人工神经网络模型的输入项，样本数据
集中病症识别效果作为人工神经网络模型的输出项，并利用人工神经网络模型基于所述人工神经网络模型的输入项和人工神经网络模型的输出项进行模型训练得到所述病症识别效果预测模型；
[0043]
所述人工神经网络模型输入层的输入参量设定为n，每个输入参量为输入项中每层的ct拍摄辐射量等级；
[0044]
所述病症识别效果预测模型的模型表达式为：
[0045]
[out1,out2]＝bp(in[lj])；
[0046]
式中，out1表征为模型识别正确率，out2表征为模型识别效率，in[lj]表征为ct拍摄辐射梯度组合，bp表征为人工神经网络模型。
[0047]
作为本发明的一种优选方案，所述利用病症识别效果预测模型依次对mn个ct拍摄辐射梯度组合进行病症识别效果预测，包括：
[0048]
将mn个ct拍摄辐射梯度组合依次输入病症识别效果预测模型得到mn个ct拍摄辐射梯度组合中每个ct拍摄辐射梯度组合的模型识别正确率和模型识别效率，并利用模型识别正确率和模型识别效率构成每个ct拍摄辐射梯度组合的病症识别效果。
[0049]
作为本发明的一种优选方案，所述基于病症识别效果结果在mn个ct拍摄辐射梯度组合中筛选出表征病症识别效果最佳的ct拍摄辐射梯度组合以用于设计出病症识别效果最佳且ct拍摄辐射量最低的股骨x线片，包括：
[0050]
依次以模型识别正确率和模型识别效率为评价优先级，并按评价优先级进行mn个ct拍摄辐射梯度组合的筛选；
[0051]
所述按评价优先级进行mn个ct拍摄辐射梯度组合的筛选，包括：
[0052]
第一步：依次对mn个ct拍摄辐射梯度组合的病症识别效果中模型识别正确率进行比较，其中，
[0053]
若ct拍摄辐射梯度组合的所述模型识别正确率小于正确率预设阈值，则将ct拍摄辐射梯度组合归类于最佳组合集合中；
[0054]
若ct拍摄辐射梯度组合的所述模型识别正确率大于或等于正确率预设阈值，则将ct拍摄辐射梯度组合归类于非最佳组合集合中；
[0055]
第二步：依次对最佳组合集合中的ct拍摄辐射梯度组合的病症识别效果中模型识别效率进行比较，其中，
[0056]
若ct拍摄辐射梯度组合的所述模型识别效率大于或等于效率预设阈值，则将ct拍摄辐射梯度组合保留于最佳组合集合中；
[0057]
若ct拍摄辐射梯度组合的所述模型识别效率小于效率预设阈值，则将ct拍摄辐射梯度组合剔除至非最佳组合集合外；
[0058]
第三步：依次对最佳组合集合中的ct拍摄辐射梯度组合的ct拍摄辐射量进行比较，其中，
[0059]
若ct拍摄辐射梯度组合的所述ct拍摄辐射量等级之和小于辐射量预设阈值，则将ct拍摄辐射梯度组合保留于最佳组合集合中；
[0060]
若ct拍摄辐射梯度组合的所述ct拍摄辐射量等级之和大于或等于辐射量预设阈值，则将ct拍摄辐射梯度组合剔除至非最佳组合集合外；
[0061]
第四步：将最佳组合集合的所有ct拍摄辐射梯度组合均作为表征病症识别效果最
佳且ct拍摄辐射量最低的ct拍摄辐射梯度组合。
[0062]
本发明与现有技术相比较具有如下有益效果：
[0063]
本发明使用人工神经网络极强的非线性分析能力，学习能力以及回归能力，对ct影像片层的拍摄辐射进行病症识别效果预测，只需要输入ct拍摄辐射梯度组合形式，训练完成的神经网就可以快速输出股骨病症的识别表现，以使模拟为x线片的多个ct影像片层获得股骨病症识别效果的同时尽量的降低多个ct影像片层的拍摄辐射量，提高辐射安全。
附图说明
[0064]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0065]
图1为本发明实施例提供的股骨x线片生成方法流程图。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
如图1所示，本发明提供了一种放射影像的股骨x线片生成方法，包括以下步骤：
[0068]
步骤s1、获取一组股骨病例的股骨ct影像片层序列，并利用已建立的关键帧识别模型在股骨ct影像片层序列中识别出表征股骨关键部位的n个关键ct影像片层；
[0069]
利用已建立的关键帧识别模型在股骨ct影像片层序列中识别出表征股骨关键部位的n个关键ct影像片层，包括：
[0070]
将每个股骨ct影像片层序列中每张股骨ct影像片层输入至关键帧识别模型，由关键帧识别模型输出每个股骨ct影像片层序列中每张股骨ct影像片层的影像帧类别，影像帧类别包括：关键帧和非关键帧；
[0071]
依次量化一组股骨ct影像片层序列中每张股骨ct影像片层的影像关键度，影像关键度的计算公式为：
[0072][0073]
式中，pi为第i张股骨ct影像片层帧处的影像关键度，ni为第i张股骨ct影像片层处影像帧类别为关键帧的股骨ct影像片层序列数量，m为一组股骨ct影像片层序列中股骨ct影像片层序列总数量，i为计量常数；
[0074]
将股骨ct影像片层序列中选取出影像关键度大于或等于关键度阈值的n个股骨ct影像片层帧作为n个关键ct影像片层；
[0075]
关键帧识别模型的构建方法：
[0076]
在一组股骨病例的股骨ct影像片层序列随机选取多个股骨ct影像片层，并在多个股骨ct影像片层中筛选出表征股骨关键部位的股骨ct影像片层标记为关键帧，以及将多个
股骨ct影像片层中剩余股骨ct影像片层标记为非关键帧；
[0077]
将多个股骨ct影像片层作为cnn神经网络的输入项，将多个股骨ct影像片层的影像帧类别作为cnn神经网络的输出项，利用cnn神经网络基于cnn神经网络的输入项和cnn神经网络的输出项进行网络训练得到关键帧识别模型，关键帧识别模型的模型表达式为：
[0078]
label＝cnn(ct_picture)；
[0079]
式中，label为影像帧类别，ct_picture为股骨ct影像片层，cnn为cnn神经网络。
[0080]
在所有获得的股骨ct影像片层中进行关键帧筛选，从而获得表征股骨关键部位的关键ct影像片层，比如：在所有获得的股骨ct影像片层中获得表征小转子和股骨内外侧髁的关键ct影像片层，从而能够在后续进行x线片重建时提供更为精准有效的ct影像片层，利用关键帧识别模型能够更为快速准确的进行影像片层的自动化筛选，无需人为筛选，即本实施例筛选出的n个关键ct影像片层是用于x线片模拟重建时的最佳线片组合。
[0081]
步骤s2、将n个关键ct影像片层的ct拍摄辐射量均设定为m个等级，并将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合；
[0082]
将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合，包括：
[0083]
将n个关键ct影像片层依据m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合，nm个ct拍摄辐射梯度组合包括：{lj|j∈[1,n],lj∈[1,m]}，其中，lj为ct拍摄辐射梯度组合中第j个关键ct影像片层的ct拍摄辐射量等级，j为计量常数。
[0084]
在获得n个关键ct影像片层后，本实施例重新设定n个关键ct影像片层的ct拍摄辐射量，每个关键ct影像片层均可以设定为m个等级的ct拍摄辐射量，从而使得n个关键ct影像片层按照m个等级的ct拍摄辐射量进行全排列得到nm个ct拍摄辐射梯度组合，比如n＝5个关键ct影像片层均选取第1个等级的ct拍摄辐射量，则构成的ct拍摄辐射梯度组合为{1,1,1,1,1}，依次选取第1,2,3,4,5个等级的ct拍摄辐射量，则构成的ct拍摄辐射梯度组合为{1,2,3,4,5}。
[0085]
步骤s3、在nm个ct拍摄辐射梯度组合中选取k个ct拍摄辐射梯度组合对k个股骨病例的股骨关键部位进行ct拍摄得到k*n个关键ct影像片层，将k*n个关键ct影像片层进行股骨x线片的三维重构得到k个股骨x线片，将k个股骨x线片输入至已建立的多个病症识别模型进行模型识别正确率和模型识别效率评价得到病症识别效果，基于k个ct拍摄辐射梯度组合和k个病症识别效果整合形成样本数据集用于训练人工神经网络模型；
[0086]
在nm个ct拍摄辐射梯度组合中选取k个ct拍摄辐射梯度组合对股骨病例的股骨关键部位进行ct拍摄得到k*n个关键ct影像片层，包括：
[0087]
将人工神经网络的拟合效率和拟合精度作为两个优化目标，并基于两个优化目标将在mn个ct拍摄辐射梯度组合中确定缓冲梯度组合选取数量转换为多目标优化问题进行求解，并利用遗传算法对多目标优化算法进行求解确定出在mn个ct拍摄辐射梯度组合中确定缓冲梯度组合选取数量为k个，实现保证样本数量充足的条件下尽可能减少数值仿真的任务量以兼顾人工神经网络的拟合精度和拟合效率；
[0088]
利用梯度变化方式在mn个ct拍摄辐射梯度组合中选取出k个ct拍摄辐射梯度组合，以保证样本选取的均衡性与代表性；
[0089]
按照特定的梯度变化方式，例如单调递增、单调递减、内凹式、外凸式等进行优先
选择，从而能够保证样本选取的均衡性与代表性，即避免出现这k＝500个ct拍摄辐射梯度组合集中在一个组合范围内比如假设由5个关键ct影像片层，ct拍摄辐射量等级为6个，全排列得到的65个ct拍摄辐射梯度组合，进行梯度变化是进行500个ct拍摄辐射梯度组合的选取，实现样本均匀在111111-222222中选取100个，222222-333333中选取100个，333333-444444中选取100个，444444-555555中选取100个，555555-666666中选取100个，避免样本集中在：其中某个组合排列区间之间，避免模型样本失衡导致欠拟合。
[0090]
在一组股骨病例中选取出k个股骨病例，并分别将k个ct拍摄辐射梯度组合应用至k个股骨病例的n个关键ct影像片层的ct拍摄得到k*n个关键ct影像片层。
[0091]
将k*n个关键ct影像片层进行股骨x线片的三维重构得到k个股骨x线片，包括：
[0092]
在k*n个关键ct影像片层中依次将每个股骨病例的n个关键ct影像片层利用marching cubes算法进行影像三维重建得到每个股骨病例的股骨三维影像；
[0093]
利用数字重建放射影像技术中通过光线投射法从类似模拟定位机的x射线靶方向观视每个股骨病例的股骨三维影像以生成每个股骨病例的二维x线片模拟图像作为每个股骨病例的股骨x线片，以实现由k*n个关键ct影像片层得到k个股骨x线片。
[0094]
将k个股骨x线片输入至已建立的多个病症识别模型进行模型识别正确率和模型识别效率评价得到病症识别效果，包括：
[0095]
分别统计k个股骨x线片中每个股骨x线片在多个病症识别模型中的模型识别正确率，模型识别正确率的计算公式为：
[0096][0097]
式中，tr为病症识别模型对第r个股骨x线片的模型识别正确率，n
r,ture
为对第r个股骨x线片病症识别正确的病症识别模型数量，n
model
为病症识别模型的总数量；
[0098]
分别统计k个股骨x线片中每个股骨x线片在多个病症识别模型中的模型识别效率，模型识别效率的计算公式为：
[0099][0100]
式中，qr为病症识别模型对第r个股骨x线片的模型识别效率，t
h,r
为n
r,ture
中第h个病症识别模型对第r个股骨x线片的识别时长，r，h均为计量常数。
[0101]
基于k个ct拍摄辐射梯度组合和k个病症识别效果整合形成样本数据集用于训练人工神经网络模型，包括：
[0102]
将k个病症识别效果进行归一化处理，将k个ct拍摄辐射梯度组合和归一化后的k个病症识别效果整合形成样本数据集，样本数据集中的单条样本为：[ct拍摄辐射梯度组合,病症识别效果：(模型识别正确率,模型识别效率)]。
[0103]
依据ct拍摄辐射梯度组合得到n个关键ct影像片层构建出的x线片的期望效果是：模型适配性更广，即能够适用于多个基于x线片的病症识别模型且能够保持较高的准确度以及较快的效率，因此利用构建出的x线片的病症识别效果来进行ct拍摄辐射梯度组合的效果量化，从而后续利用人工神经网络模型得到ct拍摄辐射梯度组合与病症识别效果的映
射关系。
[0104]
步骤s4、通过人工神经网络模型基于样本数据集进行模型训练得到表征ct拍摄辐射梯度组合和病症识别效果映射关系的病症识别效果预测模型，并利用病症识别效果预测模型依次对mn个ct拍摄辐射梯度组合进行病症识别效果预测，以及基于病症识别效果结果在mn个ct拍摄辐射梯度组合中筛选出表征病症识别效果最佳的ct拍摄辐射梯度组合以用于设计出病症识别效果最佳且ct拍摄辐射量最低的股骨x线片。
[0105]
通过人工神经网络模型基于样本数据集进行模型训练得到表征ct拍摄辐射梯度组合和病症识别效果映射关系的病症识别效果预测模型，包括：
[0106]
将样本数据集中ct拍摄辐射梯度组合作为人工神经网络模型的输入项，样本数据集中病症识别效果作为人工神经网络模型的输出项，并利用人工神经网络模型基于人工神经网络模型的输入项和人工神经网络模型的输出项进行模型训练得到病症识别效果预测模型；
[0107]
人工神经网络模型输入层的输入参量设定为n，每个输入参量为输入项中每层的ct拍摄辐射量等级；
[0108]
病症识别效果预测模型的模型表达式为：
[0109]
[out1,out2]＝bp(in[lj])；
[0110]
式中，out1表征为模型识别正确率，out2表征为模型识别效率，in[lj]表征为ct拍摄辐射梯度组合，bp表征为人工神经网络模型。
[0111]
可以通过病症识别效果预测模型对ct拍摄辐射梯度组合进行效果的评价，从而可以无需对每个ct拍摄辐射梯度组合进行真实的n个关键ct片层的拍摄，x线片构建以及x线片的病症识别效果的评价，通过病症识别效果预测模型进行全局预测即可，减少了大量的计算工作量。
[0112]
利用病症识别效果预测模型依次对mn个ct拍摄辐射梯度组合进行病症识别效果预测，包括：
[0113]
将mn个ct拍摄辐射梯度组合依次输入病症识别效果预测模型得到mn个ct拍摄辐射梯度组合中每个ct拍摄辐射梯度组合的模型识别正确率和模型识别效率，并利用模型识别正确率和模型识别效率构成每个ct拍摄辐射梯度组合的病症识别效果。
[0114]
基于病症识别效果结果在mn个ct拍摄辐射梯度组合中筛选出表征病症识别效果最佳的ct拍摄辐射梯度组合以用于设计出病症识别效果最佳且ct拍摄辐射量最低的股骨x线片，包括：
[0115]
依次以模型识别正确率和模型识别效率为评价优先级，并按评价优先级进行mn个ct拍摄辐射梯度组合的筛选；
[0116]
按评价优先级进行mn个ct拍摄辐射梯度组合的筛选，包括：
[0117]
第一步：依次对mn个ct拍摄辐射梯度组合的病症识别效果中模型识别正确率进行比较，其中，
[0118]
若ct拍摄辐射梯度组合的模型识别正确率小于正确率预设阈值，则将ct拍摄辐射梯度组合归类于最佳组合集合中；
[0119]
若ct拍摄辐射梯度组合的模型识别正确率大于或等于正确率预设阈值，则将ct拍摄辐射梯度组合归类于非最佳组合集合中；
[0120]
第二步：依次对最佳组合集合中的ct拍摄辐射梯度组合的病症识别效果中模型识别效率进行比较，其中，
[0121]
若ct拍摄辐射梯度组合的模型识别效率大于或等于效率预设阈值，则将ct拍摄辐射梯度组合保留于最佳组合集合中；
[0122]
若ct拍摄辐射梯度组合的模型识别效率小于效率预设阈值，则将ct拍摄辐射梯度组合剔除至非最佳组合集合外；
[0123]
第三步：依次对最佳组合集合中的ct拍摄辐射梯度组合的ct拍摄辐射量进行比较，其中，
[0124]
若ct拍摄辐射梯度组合的ct拍摄辐射量等级之和小于辐射量预设阈值，则将ct拍摄辐射梯度组合保留于最佳组合集合中；
[0125]
若ct拍摄辐射梯度组合的ct拍摄辐射量等级之和大于或等于辐射量预设阈值，则将ct拍摄辐射梯度组合剔除至非最佳组合集合外；
[0126]
第四步：将最佳组合集合的所有ct拍摄辐射梯度组合均作为表征病症识别效果最佳且ct拍摄辐射量最低的ct拍摄辐射梯度组合。
[0127]
利用最佳组合集合中的ct拍摄辐射梯度组合能够保证n个关键ct影像片层构建出的x线片具有较广的模型适配性，即x线片能够保证病症识别效果最佳的同时维持在一个低程度的ct拍摄辐射量。
[0128]
本发明使用人工神经网络极强的非线性分析能力，学习能力以及回归能力，对ct影像片层的拍摄辐射进行病症识别效果预测，只需要输入ct拍摄辐射梯度组合形式，训练完成的神经网就可以快速输出股骨病症的识别表现，以使模拟为x线片的多个ct影像片层获得股骨病症识别效果的同时尽量的降低多个ct影像片层的拍摄辐射量，提高辐射安全。
[0129]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。