基于图像片状结构增强的关节软骨分割方法及其系统的制作方法
【专利摘要】本发明适用于医学图像处理【技术领域】，提供了一种本发明的目的在于提供一种基于图像片状结构增强的关节软骨分割的方法及其系统，所述方法包括如下步骤：A、提取磁共振图像的软骨检测区域；B、计算所述软骨检测区域内片状结构特征函数；C、对所述软件检测区域内的片状结构进行灰度增强；D、进行阈值连通以提取软骨。借此，本发明提高了磁共振图像软骨自动分割技术上算法研发的效率，以及分割算法对不同质量数据的适应性。
【专利说明】基于图像片状结构增强的关节软骨分割方法及其系统
【技术领域】
[0001]本发明涉及医学图像处理【技术领域】，尤其涉及一种基于图像片状结构增强的关节软骨分割的方法及其系统。
【背景技术】
[0002]在MRI (Magnetic Resonance Imaging,核磁共振成像)图像中，关节软骨和软骨周边组织的区分比较模糊，其对比度很低，且软骨厚度较薄，并且从图像上看软骨在某些部位和韧带等组织是处于灰度连通状态的，这些都为关节软骨的自动分割造成极大的困难。
[0003]在近期的研究中，关于软骨自动分割的算法探究一直在进行，一些关于软骨自动或半自动分割的方法也被提出，其中大部分的软骨分割算法都是基于统计形状模型或模式识别方面的。国内目前还没有关节软骨自动或半自动分割的相关专利。
[0004]目前的软骨自动分割算法主要包括体像素分类和统计形态模型这两大类。在体像素分类这类算法中，主要是依靠机器学习算法将软骨边界和图像背景分开，如KNN(Κ-Nearest Neighbours, K最邻近节点算法)常被用于软骨分割。对于这种依靠机器学习的分类算法，需要大量的训练样本，并且需要专家手动分割出许多关节样本，样本图像的质量和效果将影响机器学习的效果，这样会消耗算法开发者大量的时间和精力。
[0005]统计形态模型在骨分割和软骨分割上有较好的效果，这种方法同样需要专业人士分割出大量的骨骼和软骨，并需要训练数据集来获得一个初始化效果。但这种方法在一些关节有软骨病症的情况下分割精度不高。
[0006]在哈尔滨工业大学的一篇名为《使用变分方法的半自动膝关节软骨分割》(作者:赵云鹏计算机科学与技术学院2010年9月)的论文中，作者为软
[0007]骨的半自动分割提供了一个交互式操作的分割框架。该方法选择了基于可变模型的边界寻找方法对软骨进行分割。这种方法属于交互式的半自动分割方法，需要手动描绘一些轮廓，需要消耗较多时间。
[0008]在新加坡南洋理工大学一篇名为《Automatic knee cartilage segmentationfrom mult1-contrast MR images using support vector machine classification withspatial dependencies)) (Authors:Kunlei Zhang, Wenmiao Lu, Pina MarziIiano)(〈〈基于空间相关性和支持矢量机的针对多对比磁共振图像的膝关节软骨自动分割方法》作者:Kunlei Zhang, Wenmiao Lu, Pina Marziliano)的论文中，作者使用支持矢量机的方法对软骨进行提取。对于用提取特征进行分类的方法，需要搜集大量的样本并进行学习训练，若要达到对不同质量数据都有较好的适应性是有很大难度的。
[0009]综上可知，现有的基于图像片状结构增强的关节软骨分割的技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。
【发明内容】
[0010]针对上述的缺陷，本发明的目的在于提供一种基于图像片状结构增强的关节软骨分割的方法及其系统，以实现提高了磁共振图像软骨自动分割技术上算法研发的效率，以及分割算法对不同质量数据的适应性。
[0011]为了实现上述目的，本发明提供一种基于图像片状结构增强的关节软骨分割的方法，所述方法包括如下步骤:
[0012]A、提取磁共振图像的软骨检测区域；
[0013]B、计算所述软骨检测区域内片状结构特征函数；
[0014]C、对所述软件检测区域内的片状结构进行灰度增强；
[0015]D、进行阈值连通以提取软骨。
[0016]根据所述的方法，所述步骤A包括:
[0017]Al、设定磁共振图像中关节骨骼区域的灰度阈值范围，统计整个磁共振图像每个像素点在半径邻域R内的各个点的灰度值；
[0018]A2、若在上述像素点半径邻域内的各个点的灰度值都在骨骼阈值范围内，则将上述像素点设为I ;其余情况则设为0，获得到图像X ；
[0019]A3、估计软骨最大厚度，根据软骨厚度将所述图像X做N次膨胀运算，获得图像Y ；
[0020]A4、在所述图像Y上选取关节骨骼上的一个像素点，提取与这个像素点有连通关系的区域，标记为区域Z，所述区域Z为所述关节软骨的检测区域。
[0021]根据所述的方法，所述步骤B包括:
[0022]B1、构造高斯滤波器G。，σ为高斯滤波器方差，对高斯滤波器G。求二阶导数，用G0的二阶导数与所述磁共振图像区域Z中的各个像素点进行卷积得到Ixx、Ixy、Ixz、Iyy、Iyz、
1.丄ζζ，
[0023]B2、构成Hessian矩阵
【权利要求】
1.一种基于图像片状结构增强的关节软骨分割的方法，其特征在于，所述方法包括如下步骤: A、提取磁共振图像的软骨检测区域； B、计算所述软骨检测区域内片状结构特征函数； C、对所述软件检测区域内的片状结构进行灰度增强； D、进行阈值连通以提取软骨。
2.根据权利要求1所述的方法，其特征在于，所述步骤A包括: Al、设定磁共振图像中关节骨骼区域的灰度阈值范围，统计整个磁共振图像每个像素点在半径邻域R内的各个点的灰度值； A2、若在上述像素点半径邻域内的各个点的灰度值都在骨骼阈值范围内，则将上述像素点设为I ;其余情况则设为O，获得到图像X ; A3、估计软骨最大厚度，根据软骨厚度将所述图像X做N次膨胀运算，获得图像Y ； A4、在所述图像Y上选取关节骨骼上的一个像素点，提取与这个像素点有连通关系的区域，标记为区域Z，所述区域Z为所述关节软骨的检测区域。
3.根据权利要求2所述的方法，其特征在于，所述步骤B包括: B1、构造高斯滤波器G。，σ为高斯滤波器方差，对高斯滤波器G。求二阶导数，用G。的二阶导数与所述磁共振图像区域Z中的各个像素点进行卷积得到Ixx、Ixy, Ixz, Iyy, Iyz, Izz ； B2、构成Hessian矩阵
4.根据权利要求3所述的方法，其特征在于，所述步骤C包括: Cl、对所述区域Z内像素点的片状结构特征函数L( λ )进行归整化处理； C2、将所述区域Z内像素点按照各个像素点的片状结构特征函数进行灰度增强，使属于片状结构的区域得到增强。
5.根据权利要求4所述的方法，其特征在于，所述步骤D包括: D1、设定灰度增强后所述关节软骨的大致灰度阈值范围； D2、选取所述关节软骨上的一个种子点，提取与所述种子点有阈值连通关系的部分，该部分为图像中所述关节软骨的分割数据。
6.一种基于图像片状结构增强的关节软骨分割的系统，其特征在于，所述系统包括: 提取模块，用于提取磁共振图像的软骨检测区域； 计算模块，用于计算所述软骨检测区域内片状结构特征函数； 增强模块，用于对所述软件检测区域内的片状结构进行灰度增强； 连通模块，用于进行阈值连通以提取软骨。
7.根据权利要求6所述的系统，其特征在于，所述提取模块包括: 统计子模块，用于设定磁共振图像中关节骨骼区域的灰度阈值范围，统计整个磁共振图像每个像素点在半径邻域R内的各个点的灰度值； 第一获取子模块，用于若在上述像素点半径邻域内的各个点的灰度值都在骨骼阈值范围内，则将上述像素点设为I ;其余情况则设为O，获得到图像X ; 第二获取子模块，用于估计软骨最大厚度，根据软骨厚度将所述图像X做N次膨胀运算，获得图像Y; 提取子模块，用于在所述图像Y上选取关节骨骼上的一个像素点，提取与这个像素点有连通关系的区域，标记为区域Z，所述区域Z为所述关节软骨的检测区域。
8.根据权利要求7所述的系统，其特征在于，所述计算模块包括: 构造子模块，用于构造高斯滤波器G。，σ为高斯滤波器方差，对高斯滤波器G。求二阶导数，用G。的二阶导数与所述磁共振图像区域Z中的各个像素点进行卷积得到Ixx、Ixy、Ixz、
排序子模块，用于构成Hessian矩阵
9.根据权利要求8所述的系统，其特征在于，所述增强模块包括: 规整子模块，用于对所述区域Z内像素点的片状结构特征函数L(X)进行归整化处理； 增强子模块，用于将所述区域Z内像素点按照各个像素点的片状结构特征函数进行灰度增强，使属于片状结构的区域得到增强。
10.根据权利要求9所述的系统，其特征在于，所述连通模块包括: 设定子模块，用于设定灰度增强后所述关节软骨的大致灰度阈值范围； 选取子模块，用于选取所述关节软骨上的一个种子点，提取与所述种子点有阈值连通关系的部分，该部分为图像中所述关节软骨的分割数据。
【文档编号】G06T5/00GK103456004SQ201310325364
【公开日】2013年12月18日 申请日期:2013年7月30日 优先权日:2013年7月30日
【发明者】叶建平, 田毅, 张吉帅, 刘长春 申请人:深圳市旭东数字医学影像技术有限公司