一种基于高斯过程渐变模型的骨骼医学语义自动提取方法与流程

本发明属于数字医疗领域，具体涉及一种基于高斯过程渐变模型的骨骼医学语义自动提取方法。

背景技术：

医学语义的提取可以用于膝关节置换、股骨头假体设计等骨科术前三维规划。关于骨骼医学语义的提取已有一些典型的工作，可分为两类：一是无模板的方法，主要基于骨骼标志的显著性、骨骼形态特点以及骨骼标志之间的空间位置关系；一类是有模板的方法，如统计形状分析和多谱图分析。本发明采取的是基于高斯过程渐变模型单骨模板的医学语义提取方法。

现有的提取方法性能不佳，且需要大量的统计形状数据，以至于现在骨骼医学语义的提取主要还是依赖于医生经验，自动化程度极低。本发明提出一种基于高斯过程渐变模型的骨骼医学语义自动提取方法，满足医学上提取医学语义的需求，大大提高了自动化程度，提高了工作的效率。

技术实现要素：

本发明的目的在于提供一种基于高斯过程渐变模型的骨骼医学语义自动提取方法，以解决现有技术中导致的需要大量的统计形状数据的缺陷。

一种基于高斯过程渐变模型的骨骼医学语义自动提取方法，所述方法包括如下步骤：

根据骨骼图像构建网格模型；

通过网格模型得到单骨模板，并标注相应的医学语义；

选择目标网格模型；

将单骨模板与目标网格模型进行拟合；

通过映射在目标网格模型上得到医学语义。

进一步的，所述网格模型的构建方法包括如下步骤：

获取不同患者的同一块骨骼的电子扫描图像；

将电子扫描图像构建成网格模型。

进一步的，所述单骨模板的构建方法包括如下步骤：

s3.1将网格模型视作集合a，预配准之后，选择集合a中任意元素构建为高斯模型；

s3.2对集合a中的网格模型分别标注相应的标志点，通过对应标志点，将得到的模型对集合a中所有元素进行变形配准,分别生成相应的模型，视作集合b；

s3.3基于集合b，构建主成分分析pca模型；

s3.4利用数学方法，将pca模型生成渐变模型；

s3.5跳转至s3.2，重复执行s3.2、s3.3、s3.4，至少循环10次后跳转至s3.6；

s3.6输出高斯过程渐变模型，即为所需单骨模板。

进一步的，所述目标网格模型的选择方法包括如下步骤：

将任意一个患者的该块骨骼所生成的网格模型，作为目标网格模型。

进一步的，单骨模板与目标网格模型进行拟合的方法包括如下步骤：

选取若干个对应特征点；

选择对应标注点坐标方差范围；

给定拟合误差范围，根据特征点进行拟合。

进一步的，通过映射在目标网格模型上得到医学语义的方法包括如下步骤：

计算目标模型每一个面的质心到模板模型每一个面的质心的距离时间复杂度，为下式：

o(n)＝n²；

通过构建avl树的方法，将时间复杂度降低为：

o(n)＝log(n)；

将模板模型的每一个面设为一个节点，权值为该面质心的z坐标值；给予一个精确度pre,以目标模型的某面设为f1，利用avl树的查找算法查找满足：

|f1.z-root.z|<pre

的第一个节点；

遍历以该节点为根节点的子树，选择出与f1质心欧氏距离最近的模板面，即为f1面的映射结果；

将其他面按上述方式进行映射；

根据映射结果将模板模型上的医学语义映射到目标模型上。

本发明的优点在于：

1、高斯过程渐变模型变形能力更强，并能在统计形状样本较少的情况下，产生较好的统计变形；

2、模板变形的范围可以在样本之外，所以可以更好地处理畸形或病变骨骼；

3、满足医学上提取医学语义的需求，大大提高了自动化程度，提高了工作的效率。

附图说明

图1为本发明方法的流程示意图。

图2为本发明中模板的构建流程示意图。

图3为本发明的算法流程示意图。

图4为本发明中的胫骨统计形状模板示意图。

图5为本发明中模板模型与目标模型(正常胫骨)拟合前的示意图。

图6为本发明中模板模型与目标模型(正常胫骨)拟合后的示意图。

图7为本发明中在胫骨统计形状模板上标注的医学语义效果示意图。

图8为本发明中医学语义在目标骨骼(正常骨骼)上的映射效果示意图。

图9为本发明中医学语义在目标骨骼(畸形骨骼)上的映射效果示意图。

附图标记：1-目标模型；2-模板模型；3-胫骨结节；4-gerdy结节；5-斜线；6-内侧髁；7-外侧髁；8-內髁；9-外侧髁间结节；10-内侧髁间结节；11-内侧关节面；12-外侧关节面。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1至图9所示，一种基于高斯过程渐变模型骨骼的医学语义的自动提取方法，结合图1所示的流程图，包括以下步骤：

步骤1利用mimics软件中将一系列不同患者的胫骨的ct图像构建成三维网格模型；

步骤2：利用icp算法，将步骤1得到的一系列胫骨进行预配准；

步骤3：由步骤2生成的一系列胫骨网格模型构建出变形能力较强的基于高斯过程渐变模型的单骨统计形状模板(如图4)，并标注相应医学语义(如图7)；构建变形能力较强的基于高斯过程渐变模型的单骨统计形状模板的步骤如下：

s3.1将mimics生成的一系列三维网格模型视作集合a，预配准之后，将a中任意元素构建为高斯模型；

s3.2由实验结果分析可得，不标注标志点的拟合效果远差于带标志点的拟合效果，所以应标注相应的标志点，通过对应标志点，将得到的模型对a中所有元素进行变形配准,分别生成相应的模型，视作集合b；

s3.3基于集合b，构建主成分分析(principalcomponentsanalysis,pca)模型；

s3.4基于pca模型，利用高斯核函数，生成变形能力增强的高斯过程渐变模型；

s3.5跳转至s3.2，重复执行s3.2、s3.3、s3.4，直至循环到指定的次数，跳转至s3.6；

s3.6输出高斯过程渐变模型，即为所需模板。

步骤4：将某个患者的胫骨的ct图像生成三维网格模型，视作目标网格模型；

步骤5:通过迭代拟合，将模板拟合到目标网格模型(如图6)。在所述模板对目标骨骼模型进行拟合中，为提高拟合精度，在形状拟合前，利用特征点匹配方式，并给予相应标注点坐标方差一个最大值，以控制拟合误差，来得到更好的拟合效果。

步骤6：以两面的质心欧式距离最短为映射原则进行映射。即可在目标模型上生成相应的医学语义(如图8)；

步骤7：结合图3所示的流程图将模板模型构建为avl树对映射算法进行优化，降低时间复杂度；所述步骤6中需要计算目标模型每一个面的质心到模板模型每一个面的质心的距离时间复杂度为

o(n)＝n²

计算量较大，运行时间较长，为了满足实际的需求，必须对算法采取一定的优化策略，以减少一些不必要的计算。本发明采取构建avl树的方法来降低查找的时间复杂度为

o(n)＝log(n)

将模板模型的每一个面设为一个节点，权值为该面质心的z坐标值；给予一个精确度pre,以目标模型的某面(设为f1)为例，利用avl树的查找算法查找满足

|f1.z-root.z|<pre

的第一个节点，遍历以该节点为根节点的子树，选择出与f1质心欧氏距离最近的模板面，即为f1面的映射结果，其他面同理。

图4为本发明实施例中的胫骨统计形状模板；图5为模板模型与目标模型(正常胫骨)拟合前的展示图，从中可以看出模板骨骼明显长于目标骨骼，两者之间有着明显的差异；图6为拟合后模板模型与目标模型(正常胫骨)的展示图，可以看出，拟合后两者可以较好地匹配在一起。

图7为本发明实施例中，在胫骨统计形状模板上标注的医学语义效果图，图a为正视图，图b为俯视图。

图8为本发明实施例中，医学语义在目标骨骼(正常骨骼)上的映射效果图，其中图a为正视图，图b为俯视图。

图9为本发明实施例中，医学语义在目标骨骼(畸形骨骼)上的映射效果图，其中图a为正视图，图b为俯视图。从中可以看出利用基于高斯过程渐变模型的模板可以很好地对畸形或病变骨骼完成映射。

pca模型是一种线性参数模型，适用于在数学上的图像分析算法，但它也存在一定的缺点，pdm方法只能表示在给定训练样本范围内的形状，若要使其表达所有可能的目标形状则需要用该方法大量的地训练数据。

一个pca模型可以看作在一个平均模型上再叠加一个变换，而高斯过程渐变模型就是直接将该变换构建为一个高斯过程，再利用k-l展开(karhunen-loeveexpansion)，可以得到

其中，u∈gp(μ,k)，μ为高斯过程的数学期望，k为协方差函数。(λi,φi)是下式积分算子的特征值/特征函数对

ρ(x)表示一种度量。由于随机系数αi是不相关的，因此u的方差可由各个分量的方差之和给出。因此，特征值λi对应于由第i个分量的方差。这表明如果λi足够快地衰减，我们可以使用下面的低秩逼近来表示该过程，即

从中发现其协方差函数(内核函数)是不受训练样本限制的，所以我们可以使用任意有效的正定协方差函数来制定高斯过程渐变模型，这使得在在样本很少或者没有样本的情况下，依然可以制定出很有效的先验模型。

用低秩逼近来表示该过程的关键在于要能求出我们可以用nystrommethod来近似求解，通过nystrommethod，随机取样点x＝{x1,...,xn}我们可以得到

kui＝λi^matui(3)

其中kil＝k(xi,xl)为核矩阵，

ui表示第i个特征向量，λi^mat表示与之对应的特征值，λi^mat近似等于λi，本征函数φi近似等于

其中kx(x)＝(k(x1,x),...,k(xn,x))。

核函数的形式比较多样。一种比较简单的高斯过程是进行平滑变形期望为零的高斯过程。在模型匹配中经常将高斯过程的期望设为零，这意味着我们假设地认为参考表面形状十分接近平均形状。一个特别简单的进行平滑操作的内核如下定义

kg(x,y)＝exp(-||x-y||²/σ²)(5)

其中σ²定义了变形的范围。因此，σ的值越大，所得到的变形将更平滑。为了使用这个标量值内核进行匹配，我们可以定义一个矩阵值内核如下

k(x,y)＝s·i3×3kg(x,y)(6)

其中单位矩阵i3×3表示模型矢量场的x、y、z分量是独立的，参数s决定了变形矢量的方差,可以通过对矩阵值内核定义为如下的方式来推广这一结构

k(x,y)＝akg(x,y)a^t,a∈r^3×3(7)

基于上述，在本发明中，为实现骨骼医学语义自动提取，首先采取团体匹配的方式，以构建出更平均的基于高斯过程渐变模型的单骨统计形状模板，并标注相应医学语义；接下来导入目标骨骼的医学ct图像并生成目标骨骼的三维网格模型；将模板与目标骨骼的三维网格模型进行拟合、映射，即可自动提取目标骨骼的医学语义。本发明采取基于高斯过程渐变模型的骨骼医学语义提取方法，高斯过程渐变模型变形能力较强，并能在统计形状样本较少的情况下，产生较好统计变形，且其变形可以超出统计样本的形状范围，可以较好得满足医学上提取医学语义的需求，有效提高了自动化程度与效率。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。