膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)一種膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其特征在于：包括基于SVM的邊緣定位步驟和基于區(qū)域生長(zhǎng)法的圖像分割步驟，其中：其中基于SVM的邊緣定位步驟包括：膝關(guān)節(jié)MRI圖像的采集和轉(zhuǎn)換、自適應(yīng)Canny邊緣檢測(cè)以及基于SVM軟骨邊緣分類(lèi)，基于區(qū)域生長(zhǎng)法的圖像分割步驟主要采用改進(jìn)的自動(dòng)選取種子點(diǎn)的區(qū)域生長(zhǎng)法分割軟骨組織。本發(fā)明的有益效果為：對(duì)膝關(guān)節(jié)MRI圖像進(jìn)行軟骨分割，有效的利用模式識(shí)別與邊緣檢測(cè)相結(jié)合實(shí)現(xiàn)精準(zhǔn)定位，再與區(qū)域生長(zhǎng)法結(jié)合充分定位互補(bǔ)，實(shí)現(xiàn)待分割區(qū)域的內(nèi)部相似特性和外部差異特性相結(jié)合；有效克服了傳統(tǒng)分割方法的結(jié)果過(guò)分割或分割不準(zhǔn)確等缺點(diǎn)。
【專(zhuān)利說(shuō)明】膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理技術(shù)，尤其涉及ー種基于支持向量機(jī)(Support VectorMachine, SVM)和區(qū)域生長(zhǎng)法的膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法。
【背景技術(shù)】
[0002]膝關(guān)節(jié)是人體全身關(guān)節(jié)中結(jié)構(gòu)最為復(fù)雜又是最易受損傷的關(guān)節(jié)，其常見(jiàn)病癥有關(guān)節(jié)炎，骨腫瘤等，而這些病癥常伴隨關(guān)節(jié)軟骨的退化、破壞及形態(tài)改變，因此骨關(guān)節(jié)病的早期診斷非常重要。核磁共振成像作為ー種無(wú)創(chuàng)的檢查方式，已成為評(píng)估軟骨形態(tài)、功能的主要手段。通過(guò)MRI成像對(duì)關(guān)節(jié)軟骨進(jìn)行分割進(jìn)而計(jì)算其厚度、體積等參數(shù)，可實(shí)現(xiàn)軟骨的定量評(píng)估，為臨床醫(yī)學(xué)提供有力的診斷依據(jù)，從而采取早期的預(yù)防措施和制定后期的治療方案。目前臨床上對(duì)軟骨組織的分割主要依靠影像醫(yī)師手動(dòng)分割或借助圖像處理軟件半自動(dòng)完成，不僅耗時(shí)長(zhǎng)，而且不同人、不同時(shí)間的分割結(jié)果存在較大差異，因此有必要設(shè)計(jì)ー種準(zhǔn)確、快速的全自動(dòng)膝關(guān)節(jié)軟骨分割算法。
[0003]由于MRI膝蓋軟骨圖像本身的形態(tài)、紋理均較為復(fù)雜，其中髕軟骨、股軟骨和脛軟骨的ー側(cè)分別與髕骨、股骨和脛骨相連，兩者之間有較為明顯的灰度差異，但另外一側(cè)髕軟骨和股軟骨相連，股軟骨和脛軟骨相連以及與半月板和韌帶相連，其灰度與周邊灰度相似，且軟骨細(xì)長(zhǎng)而扁平，分割過(guò)程中易受周?chē)鷱?fù)雜紋理形態(tài)的影響。并且由于圖像序列之間軟骨的差異性，導(dǎo)致魯棒性不好，因此將其軟骨分割出來(lái)較為困難。
[0004]近年來(lái)國(guó)內(nèi)外ー些學(xué)者對(duì)膝蓋軟骨的分割算法主要有Snake模型、Level Set、區(qū)域生長(zhǎng)法、邊緣檢測(cè)法等，對(duì)膝蓋軟骨的分割取得了一定的效果。但是這些算法研究也有一些局限性:首先，算法需要初始化輪廓且要求很高，每張序列圖像中不同形態(tài)的軟骨都需要大致表征目標(biāo)輪廓，否則導(dǎo)致過(guò)早收斂使分割結(jié)果不理想。其次，算法均是對(duì)單張醫(yī)學(xué)圖像進(jìn)行分割，對(duì)于不同人的不同圖像序列分割不穩(wěn)定。最后，區(qū)域生長(zhǎng)法在待分割區(qū)域內(nèi)部尋找種子點(diǎn)向周?chē)指?，表征的是?nèi)部相似特性，而邊緣檢測(cè)是對(duì)區(qū)域之間的差異進(jìn)行劃分，表征的是外部差異特性。傳統(tǒng)的邊緣檢測(cè)法和區(qū)域生長(zhǎng)法存在兩個(gè)問(wèn)題:
[0005]1、由于膝關(guān)節(jié)圖像紋理和形態(tài)的復(fù)雜性，受到許多非軟骨邊緣的干擾，傳統(tǒng)的邊緣檢測(cè)法檢測(cè)出的邊緣存在許多偽邊緣。
[0006]2、傳統(tǒng)的區(qū)域生長(zhǎng)法根據(jù)相似準(zhǔn)則，與領(lǐng)域相似的像素值進(jìn)行比較，其閾值的設(shè)定如果采用同一值，由于不同人的不同序列圖像之間存在灰度的差異，會(huì)導(dǎo)致過(guò)分割或者欠分割。

【發(fā)明內(nèi)容】

[0007]針對(duì)上述問(wèn)題，本發(fā)明的目的在于提出ー種膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，采用基于SVM邊緣定位來(lái)解決邊緣檢測(cè)時(shí)的偽邊緣問(wèn)題，同時(shí)利用自適應(yīng)的自動(dòng)選取種子點(diǎn)的區(qū)域生長(zhǎng)法對(duì)軟骨圖像進(jìn)行分割，提高膝蓋軟骨圖像分割的準(zhǔn)確度。具體技術(shù)方案如下:
[0008]ー種膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其關(guān)鍵在于:包括基于SVM的邊緣定位步驟和基于區(qū)域生長(zhǎng)法的圖像分割步驟，其中:
[0009]基于SVM的邊緣定位步驟包括:
[0010]步驟11:獲取待分割的膝關(guān)節(jié)MRI影像，并將其轉(zhuǎn)換為灰度圖像；
[0011]步驟12:利用自適應(yīng)Canny算法對(duì)步驟11中的灰度圖像進(jìn)行邊緣檢測(cè)；
[0012]步驟13:對(duì)步驟12中檢測(cè)出的各條邊緣進(jìn)行特征提取，并構(gòu)建SVM分類(lèi)器對(duì)提取的特征參數(shù)進(jìn)行邊緣定位，分類(lèi)出軟骨邊緣和非軟骨邊緣；
[0013]基于區(qū)域生長(zhǎng)法的圖像分割步驟包括:
[0014]步驟21:從步驟13所分類(lèi)出的軟骨邊緣的5*5鄰域內(nèi)，隨機(jī)選擇ー個(gè)或多個(gè)像素值在245-255范圍內(nèi)的點(diǎn)作為種子點(diǎn)，并設(shè)置預(yù)設(shè)閾值K ;
[0015]步驟22:以種子點(diǎn)為中心，判斷其3*3鄰域內(nèi)的非種子點(diǎn)是否滿(mǎn)足相似性準(zhǔn)則:max I fxy-m| (x>y G E) < K,其中fxy表示坐標(biāo)位置為(x, y)的非種子點(diǎn)的像素值，x為點(diǎn)的x坐標(biāo)值，y為點(diǎn)的I坐標(biāo)值，m表示所有種子點(diǎn)的像素均值，R表示生長(zhǎng)區(qū)域種子點(diǎn)3*3鄰域內(nèi)各個(gè)點(diǎn)的坐標(biāo)集合；
[0016]如果有非種子點(diǎn)滿(mǎn)足相似性準(zhǔn)則，則將該非種子點(diǎn) 合并到種子點(diǎn)集合中，并執(zhí)行步驟23 ；
[0017]如果沒(méi)有非種子點(diǎn)滿(mǎn)足相似性準(zhǔn)則，則進(jìn)入步驟24 ；
[0018]步驟23:按照
【權(quán)利要求】
1.ー種膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其特征在于:包括基于SVM的邊緣定位步驟和基于區(qū)域生長(zhǎng)法的圖像分割步驟，其中: 基于SVM的邊緣定位步驟包括: 步驟11:獲取待分割的膝關(guān)節(jié)MRI影像，并將其轉(zhuǎn)換為灰度圖像； 步驟12:利用自適應(yīng)Canny算法對(duì)步驟11中的灰度圖像進(jìn)行邊緣檢測(cè)； 步驟13:對(duì)步驟12中檢測(cè)出的各條邊緣進(jìn)行特征提取，并構(gòu)建SVM分類(lèi)器對(duì)提取的特征參數(shù)進(jìn)行邊緣定位，分類(lèi)出軟骨邊緣和非軟骨邊緣； 基于區(qū)域生長(zhǎng)法的圖像分割步驟包括: 步驟21:從步驟13所分類(lèi)出的軟骨邊緣的5*5鄰域內(nèi)，隨機(jī)選擇ー個(gè)或多個(gè)像素值在245-255范圍內(nèi)的點(diǎn)作為種子點(diǎn)，并設(shè)置預(yù)設(shè)閾值K ; 步驟22:以種子點(diǎn)為中心，判斷其3*3鄰域內(nèi)的非種子點(diǎn)是否滿(mǎn)足相似性準(zhǔn)則:max I fxy-m| (x>y G E) < K,其中fxy表示坐標(biāo)位置為(x, y)的非種子點(diǎn)的像素值，x為點(diǎn)的x坐標(biāo)值，y為點(diǎn)的I坐標(biāo)值，m表示所有種子點(diǎn)的像素均值，R表示生長(zhǎng)區(qū)域種子點(diǎn)3*3鄰域內(nèi)各個(gè)點(diǎn)的坐標(biāo)集合； 如果有非種子點(diǎn)滿(mǎn)足相似性準(zhǔn)則，則將該非種子點(diǎn)合并到種子點(diǎn)集合中，并執(zhí)行步驟23 ； 如果沒(méi)有非種子點(diǎn)滿(mǎn)足相似性準(zhǔn)則，則進(jìn)入步驟24 ；


步驟23:按照
2.根據(jù)權(quán)利要求1所述的膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其特征在于:步驟13中構(gòu)建SVM分類(lèi)器的過(guò)程中采用了 5個(gè)人的特征矩陣作為訓(xùn)練集，并需要對(duì)訓(xùn)練集和提取的測(cè)試集作歸ー化處理，所述測(cè)試集為[NX10]的特征矩陣，其中N為步驟12所檢測(cè)出的邊緣線(xiàn)的條數(shù)，姆ー行中的10個(gè)元素分別為一條邊緣線(xiàn)所對(duì)應(yīng)的10個(gè)特征參數(shù)。
3.根據(jù)權(quán)利要求1或2所述的膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其特征在于:步驟13中姆條邊緣線(xiàn)提取的特征參數(shù)包括:
邊緣線(xiàn)上像素點(diǎn)X坐標(biāo)平均值
4.根據(jù)權(quán)利要求1所述的膝關(guān)節(jié)軟骨圖像自動(dòng)分割方法，其特征在于:所述預(yù)設(shè)閾值K的取值范圍為15-20。
【文檔編號(hào)】G06T7/00GK103440665SQ201310418228
【公開(kāi)日】2013年12月11日 申請(qǐng)日期:2013年9月13日 優(yōu)先權(quán)日:2013年9月13日
【發(fā)明者】李勇明, 鄒雪, 王品, 謝文賓, 呂洋, 何璇 申請(qǐng)人:重慶大學(xué)