隨着數字化放射成像（Digital Radiography,簡稱DR)和計算機X線攝影 (Computed Radiography,簡稱CR)設備和技術的發展，X線雙能減影（Dual Energy Subtraction,簡稱DES)技術已可分離出胸片中體現組織成分的特性圖像一一軟組織像 (Soft-tissue Image)和骨像（Bone Image) eDES設備使用高低兩種不同能量（如120kV和 60kV)的X線攝取兩幅圖像，利用組織對不同能量X線衰減系數不同的現象，進行加權減影處 理，可將不同衰減系數的組織分開，得到軟組織像和骨像。但是X線DES設備檢測中相對普通 X線設備需要使用額外的設備，並可能降低X線球管的使用壽命，現有臨床使用的DR設備絕 大部分並不具備DES功能。DES成像需要X線兩次曝光，成像質量易受病人呼吸、屯、臟搏動等 人體組織運動的影響，所獲取的軟組織和骨像中一般存在運動偽影，而且也會使病人接受 的福射劑量有所增加。
人工神經網絡是用於胸片骨抑制最常用的參數化回歸預測模型，通過提取胸片圖 像中的局部特征作為人工神經網絡的輸入，預測單個像素的軟組織像/骨像的強度，速度相 對較快，其性能主要依賴有效的局部特征和模型的預測能力。當前用於胸片骨抑制的回歸 預測模型的主要問題在於，需要對胸片進行復雜的對比度歸一化處理，並從胸片圖像提取 有效的特征和預測模型參數的優化，保證預測精度。
預處理部分 對dicom圖像 采用Unet網絡快速獲取肺部區域蒙版, 對肺部區域內計算圖像的床寬床位，獲取圖像肺部最優位置區間，並將圖像歸一化處理。采用反轉，扭曲，調整圖像對比、旋轉角度等方式增強數據以增加數據。
我們將肋骨視為圖像中的噪聲信息，使用圖像去噪的方法來完成肋骨抑制的任務，采用深度卷積網絡作為基礎模型，分析並嘗試多種策略來提升模型性能，最終采用Unet網絡結構，通過跳躍連接以及殘差策略增強網絡細節表現能力。為了在計算中減少對圖像的細節紋理的損失，模型采用在原圖大小直接計算， 考慮到顯存壓力，使用1024*1024滑動窗口計算，並采用Overlap-tile策略減少計算邊緣信息損失。這些策略有效的保證了輸出結果的准確性，精確性。 模型可以在保留肺部紋理細節清晰同時也能有效的抑制骨影。
9月23日 項目更新兩個版本：
1. 輸出圖像不在縮小損失細節信息
2.引入新數據 重新訓練后 抑制骨影后 肺部紋理更加清晰
項目計划：
1.增加模型 對骨影的增強。
