一种大关节组织的分割方法和分割系统与流程

本发明涉及医学图像处理技术领域，具体涉及一种大关节组织分割的方法和分割系统。

背景技术：

关节构成组织较复杂，以腕关节为例包括骨骼、肌腱、脉管和神经，除骨骼外的组织间轮廓受mri(magneticresonanceimaging，核磁共振成像)的成像灰度分辨率影响往往不清晰，各组织间的边缘灰度区域相结合，导致组织间图像分割存在困难。

现有技术中，需要采用手工方式对各种组织图案进行选择性编辑、缺陷弥补处理、伪影和冗繁数据分离，然后用区域增长的方法来生成分割结果以建立完整的数字化模型，例如较大骨骼组织的轮廓分割。这样会耗去操作人员大量的时间，当需要处理的数据较多时专业资源无法满足时效性。在现有技术中，有采用计算机算法例如随机森林算法进行与组织关联的图案元素分类的图像处理过程，主要过程为：

通过以随机形式学习带有标记的数据样本集来建立一系列决策树的过程。训练每一棵树的过程是建立一系列节点的过程。在每棵决策树的节点中，分为中间节点和叶子节点。每个中间节点都是一个弱分类器，也就是说，一个中间节点包含了一个问题，根据这个问题的回答分裂为左右两个孩子节点，目的是使得分裂后得到的某种衡量指标达到最大。信息增益率(igr)作为建树分裂节点的衡量指标。定义如下：

g(r)＝info(d)-infor(d)

其中，d表示样本集，r表示任意分类，p表示某一类别的概率。g(r)表示信息增益，i(d)表示分裂信息量。在某次对当前样本集进行分裂后，得到的信息增益率越高表示分裂效果越好，分裂后的子集越纯。分裂后左右子节点的数据结构与父节点相同。并且子节点中的样本集应该比父节点更加纯净，这意味着某一种类别的样本所占比例会比别的样本更高从而更利于做出对类别归属问题的判断。一棵树的建立是一个节点不断向下分裂的过程，通常叶子节点为决策树的最后一层，叶子节点中包含了分类的结果并且不用再继续分裂下去。一颗树的训练从分裂根节点开始到叶子节点结束。以随机形式训练的多棵决策树就组成了随机森林。每棵树中的中间节点会包含有一个由特征和该特征所对应的阈值组成的分类器。而在叶子节点中包含了一个分类的结果(判断成为每一类的概率)。

但针对mri图像的边界灰度特征效果有限。

技术实现要素：

鉴于上述问题，本发明实施例提供一种大关节组织的分割方法和分割系统，解决现有关节组织分割效率低下的技术问题。

本发明实施例的大关节组织的分割方法，包括：

形成图像分割基准；

根据所述图像分割基准形成mri图像中单一像素的组织类别和位置特征以确定组织平面轮廓；

根据各所述mri图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。

本发明一实施例中，所述形成图像分割基准包括：

根据各mri图像的像素尺寸建立mri图像的坐标空间；

根据骨骼影像特征确定mri图像中骨骼轮廓；

在基准mri图像中标记待分割组织的范围参考点；

在所述基准mri图像中形成围绕单一像素的伪像素；

通过像素训练集形成所述待分割组织的随机森林分类模型。

本发明一实施例中，所述伪像素可以是三个直线排列的所述单一像素形成的伪像素，也可以是三个折线排列的所述单一像素形成。

本发明一实施例中，所述根据所述图像分割基准形成mri图像中单一像素的组织类别和位置特征以确定组织平面轮廓包括：

通过随机森林分类模型确定各伪像素的类别；

通过所述随机森林分类模型确定单一像素的类别；

比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别；

比较所述单一像素与关联伪像素的灰度权值确认所述单一像素的位置特征，并形成组织平面轮廓。

本发明一实施例中，所述比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别包括：

利用范围参考点进行聚类获得所述单一像素的聚集范围集合；

在每个聚集范围中，将每一个单一像素类别与周围的伪像素类别比较，当存在至少两个相邻伪像素的类别与单一像素的类别相同时，确认单一像素类别准确，确认与类别对应的组织类别；当不存在至少两个相邻伪像素的类别与单一像素的类别相同时，将单一像素从聚集范围中排除。

本发明一实施例中，所述比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别包括：

逐一确定每个所述聚集范围，在一个聚集范围内确定边缘的外围单一像素；

将每一个外围单一像素与周围的伪像素灰度比较，当外围单一像素的至少两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，确认对应此单一像素处轮廓准确；当不存在两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，将此单一像素从聚集范围中排除。

本发明一实施例中，所述根据各所述mri图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓包括：

建立每一张mri图像中所述组织平面轮廓和所述骨骼轮廓间的相对位置特征；

根据相邻mri图像的各组织之间所述相对位置特征的变化趋势形成相邻mri图像间的拟合系数；

结合mri图像中的所述组织平面轮廓和所述拟合系数在所述坐标空间中形成所述组织立体轮廓。

本发明实施例的大关节组织的分割系统，包括：

存储器，用于存储如上述的大关节组织的分割方法处理过程对应的程序代码；

处理器，用于执行所述程序代码。

本发明实施例中大关节组织的分割系统，包括：

基准形成装置，用于形成图像分割基准；

二维轮廓形成装置，用于根据所述图像分割基准形成mri图像中单一像素的组织类别和位置特征以确定组织平面轮廓；

三维轮廓形成装置，用于根据各所述mri图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。

本发明实施例的大关节组织的分割方法和分割系统，利用骨骼特征简化了组织分割过程，利用相关的图像和信息特征形成对象轮廓的自动化处理和辨识准确度提升，利用分割基准形成图像量化规则、像素内涵信息和建模构架有效融合，使得大关节构成组织可以在mri图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。

附图说明

图1所示为本发明实施例大关节组织的分割方法的流程示意图。

图2所示为本发明一实施例大关节组织的分割方法中分割基准的形成过程示意图。

图3所示为本发明一实施例大关节组织的分割方法中伪像素示意图。

图4所示为本发明一实施例大关节组织的分割方法中组织类别和位置属性的形成过程示意图。

图5所示为本发明一实施例大关节组织的分割方法中形成立体轮廓的形成过程示意图。

图6所示为本发明一实施例大关节组织的分割系统的架构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。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作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。

本发明一实施例大关节组织的分割方法如图1所示。在图1中，本实施例包括：

步骤100：形成图像分割基准。

本领域技术人员可以理解，一组平行断面的图像基准包括但不限于图像内的平面坐标基准、图像间的坐标转换基准和图像的色彩空间。同一对象表现在各图像内的不同断面图像可以作为关联的断面对象。

本领域技术人员可以理解，根据坐标空间和色彩空间可以定位单一像素和关联的区域或图形对象。

本领域技术人员可以理解，在mri图像中受成像机理影响骨骼组织的清晰度较好，断面边缘清晰，利用现有图像处理技术的边缘检测和提取方法可以获得骨骼断面轮廓定位。

本领域技术人员可以理解，通过对大关节mri图像中组织的图形特征作多样化标签处理可以获得确定组织的众多显性和隐性特征，通过形成训练集采用有监督学习方式利用随机森林算法可以形成对大关节组成组织的有效随机森林分类模型。

步骤200：根据图像分割基准形成mri图像中单一像素的组织类别和位置特征以确定组织平面轮廓。

本领域技术人员可以理解，组织类别可以通过图像的信息内涵获得，位置特征可以通过图像的色彩过度获得，两种相关的隐性特征互相校验可以提高图像中的组织平面轮廓精度。

步骤300：根据各mri图像中的组织平面轮廓结合图像分割基准形成组织立体轮廓。

本领域技术人员可以理解，在现有三维建模过程中可以根据平行断面数量和断面中对象的轮廓形成同一对象的三维轮廓，通过量化不同断面中关联对象的变化趋势可以提高三维轮廓的平滑度和精度。

本发明实施例大关节组织的分割方法利用相关的图像和信息特征形成对象轮廓的自动化处理和辨识准确度提升，利用分割基准形成图像量化规则、像素内涵信息和建模构架有效融合，使得大关节构成组织可以在mri图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。

本发明一实施例大关节组织的分割方法中形成分割基准如图2所示。在图2中，本实施例包括：

步骤110：根据各mri图像的像素尺寸建立mri图像的坐标空间。

以mri图像内的像素数与图像分辨率建立x-y坐标空间，进一步以mri图像断层间隔实际距离与图像分辨率相应建立x-y-z坐标空间。设置坐标空间的比例系数，用于适应各mri图像在x-y-z坐标空间中的姿态和位置。

步骤120：根据骨骼影像特征确定mri图像中骨骼轮廓。

利用图像轮廓跟踪技术确定各mri图像中骨骼的轮廓，在mri图像中排除骨骼的轮廓范围，可以快速缩小其他待分割组织进行分割时的数据处理量，同时利用骨骼轮廓建立图像处理中各待分割组织的相对位置。

步骤130：在基准mri图像中标记待分割组织的范围参考点。

通过人工确认待分割组织的大致轮廓范围内的范围参考点，为自动进行组织分割过程和聚类过程提供有监督的初始判断条件。范围参考点的标记仅仅是定性标记不需要确定大致轮廓范围内的具体位置具有可随机性但具体坐标具有确定性，大大降低了人工确认的时间成本。

步骤140：在基准mri图像中形成围绕单一像素的伪像素。

伪像素围绕单一像素形成，伪像素由单一像素的周围像素形成，是周围像素共同图形特征的叠加，也是周围像素共同信息特征的混合。

本发明一实施例大关节组织的分割方法中形成的伪像素过程包括：

在单一像素周围，以连续的奇数个像素的图形特征和/或信息特征叠加形成一个伪像素。

如图3所示，本实施例形成伪像素可以是三个直线排列的单一像素形成的伪像素，也可以是三个折线排列的单一像素形成。

伪像素存在方位属性，伪像素形成了一个方位上图形特征的叠加，使与单一像素相关的方位上图像特征的变化趋势得以明确，可以体现在该方位图形特征的渐变特征或跳变特征，有利于对单一像素周边的灰度变化和信息含义进行分析。

步骤150：通过像素训练集形成待分割组织的随机森林分类模型。

像素训练集来源于现有高质量的mri图像，包含大量的特征标签，经过前期预处理包括适当的干扰数据，通过有监督学习训练形成大量的决策树模型，进而形成针对mri图像灰度数据和组织特征信息的随机森林分类模型。

随机森林分类模型中各决策树的中间节点作为分类器，对例如灰度特征、信息携带特征、像素间负相关特征或像素间正相关特征等特征判断条件和判断阈值，叶子节点中会有各类别的概率分布p(cj|v,leaf(treet)),根据概率分布可以判断出单一像素v的类别归属。所有t棵决策树的结果综合起来就是单一像素v的最终判断结果。

通常使用平均投票法，将每颗决策树中的单一像素v所在叶子节点的概率分布综合起来。其数学表达式可以写成如下形式：

单一像素穿过t棵决策树得到了t个叶子节点的概率分布并合成，那么概率最大的那一类便是单一像素v的最终结果。待测图像中的所有像素都经过随机森林分类后，就完成了对该图像的分割任务。

本发明一实施例大关节组织的分割方法中组织类别和位置属性的形成过程如图4所示。在图4中，本实施例包括：

步骤210：通过随机森林分类模型确定各伪像素的类别。

利用伪像素的像素属性叠加特性可以获得单一像素在相应方位的变化趋势，同时利用随机森林分类模型可以获得伪像素信息叠加形成的混合信息中具有优势的类别。通过伪像素可以获得单一像素周边确定方位的分类类别预期和单一像素周边确定方位的灰度预期，形成单一像素边缘的量化趋势。

步骤220：通过随机森林分类模型确定单一像素的类别。

利用利用随机森林分类模型获得单一像素的显性属性和隐性特征的量化分析形成确定的类别。分类类别可以以百分比概率的形式表示。

步骤230：比较单一像素与关联伪像素的类别权值确认单一像素的组织类别。

比较过程包括：

利用范围参考点进行聚类获得单一像素的聚集范围集合；聚类可以采用例如k-means聚类算法。

在每个聚集范围中，将每一个单一像素类别与周围的伪像素类别比较，当存在至少两个相邻伪像素的类别与单一像素的类别相同时，确认单一像素类别准确，确认与类别对应的组织类别；当不存在至少两个相邻伪像素的类别与单一像素的类别相同时，将单一像素从聚集范围中排除。

考虑到待分割组织的二维图形通常为封闭图形，利用范围参考点作为聚类基本点可以较好地形成同一类组织的准确范围聚类。利用相同类别连续伪像素确定各单一像素间的连通性，确保同一类组织的聚集范围边缘基本稳定。

步骤240：比较单一像素与关联伪像素的灰度权值确认单一像素的位置特征，并形成组织平面轮廓。

比较过程包括：

逐一确定每个聚集范围，在一个聚集范围内确定边缘的外围单一像素；

将每一个外围单一像素与周围的伪像素灰度比较，当外围单一像素的至少两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，确认对应此单一像素处轮廓准确；当不存在两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，将此单一像素从聚集范围中排除。

考虑到待分割组织的组织平面轮廓处的灰度通常于外侧的像素灰度交错或接近，利用相邻伪像素的灰度值于预设灰度跳变阈值(百分比概率值)以获得加权比较，确保同一类组织的聚集范围轮廓准确。

本发明一实施例大关节组织的分割方法中立体轮廓的形成过程如图5所示。在图5中，本实施例包括：

步骤310：建立每一张mri图像中组织平面轮廓和骨骼轮廓间的相对位置特征。

mri图像内的各组织和骨骼轮廓间具有确定的相对位置关系，相对位置关系包括各组织和骨骼轮廓的确定形状、每个组织轮廓与骨骼轮廓最接近的位置和间距、各组织轮廓间的最接近的位置和间距，利用相对位置关系形成量化的相对位置特征。

步骤320：根据相邻mri图像的各组织之间相对位置特征的变化趋势形成相邻mri图像间的拟合系数。

相邻mri图像间的相同组织和骨骼轮廓的平面轮廓具有相似性，同一组织在相邻mri图像间的变化有限，可以获得相邻mri图像间相对位置特征发生相对变化的详细量化参数，进而形成相邻mri图像间各组织与骨骼的拟合系数。

步骤330：结合mri图像中的组织平面轮廓和拟合系数在坐标空间中形成组织立体轮廓。

利用各mri图像中相对位置特征和各mri图像间的拟合系数形成骨骼和每个带分割组织的立体轮廓，完成大关节组织的分割。

本发明实施例的大关节组织的分割方法将大关节中的组织和骨骼分离为二维轮廓和三维对象，实现了分割自动化和组织对象化，大大提高了mri图像利用效率和观察维度。

本发明实施例的大关节组织的分割系统，包括：

存储器，用于存储上述实施例的大关节组织的分割方法处理过程对应的程序代码；

处理器，用于执行上述实施例的大关节组织的分割方法处理过程对应的程序代码。

处理器可以采用dsp(digitalsignalprocessing)数字信号处理器、fpga(field-programmablegatearray)现场可编程门阵列、mcu(microcontrollerunit)系统板、soc(systemonachip)系统板或包括i/o的plc(programmablelogiccontroller)最小系统。

本发明实施例的大关节组织的分割系统如图6所示。在图6中，本实施例包括：

基准形成装置1100，用于形成图像分割基准；

二维轮廓形成装置1200，用于根据图像分割基准形成mri图像中单一像素的组织类别和位置特征以确定组织平面轮廓；

三维轮廓形成装置1300，用于根据各mri图像中的组织平面轮廓结合图像分割基准形成组织立体轮廓。

如图6所示，本发明一实施例中，基准形成装置1100包括：

空间形成模块1110，用于根据各mri图像的像素尺寸建立mri图像的坐标空间；

骨骼形成模块1120，用于根据骨骼影像特征确定mri图像中骨骼轮廓；

参考点形成模块1130，用于在基准mri图像中标记待分割组织的范围参考点；

伪像素形成模块1140，用于在基准mri图像中形成围绕单一像素的伪像素；

在本发明一实施例中，伪像素形成模块1140，用于在单一像素周围，以连续的奇数个像素的图形特征叠加形成一个伪像素。

模型形成模块1150，用于通过像素训练集形成待分割组织的随机森林分类模型。

如图6所示，本发明一实施例中，二维轮廓形成装置1200包括：

第一类别形成模块1210，用于通过随机森林分类模型确定各伪像素的类别；

第二类别形成模块1220，用于通过随机森林分类模型确定单一像素的类别；

第一类别比较模块1230，用于比较单一像素与关联伪像素的类别权值确认单一像素的组织类别；

第一类别比较模块1240，用于比较单一像素与关联伪像素的灰度权值确认单一像素的位置特征，并形成组织平面轮廓。

如图6所示，本发明一实施例中，三维轮廓形成装置1300包括：

特征形成模块1310，用于建立每一张mri图像中组织平面轮廓和骨骼轮廓间的相对位置特征；

系数形成模块1320，用于根据相邻mri图像的各组织之间相对位置特征的变化趋势形成相邻mri图像间的拟合系数；

立体生成模块1330，用于结合mri图像中的组织平面轮廓和拟合系数在坐标空间中形成组织立体轮廓。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。