一种骨骼肌体积变化的自动测量方法和装置与流程

技术特征：

1.一种骨骼肌体积变化的自动测量装置，其特征在于，包括以下几个模块：

数据采集模块：数据采集模块结合超声影像设备，采集骨骼肌横截面超声图像；

图像预处理模块：用来降低超声图像有较大的散斑噪声，增强图像的兴趣区域轮廓；

机器学习模块：该模块通过及其学习方法，提取预处理后的超声图像的兴趣区域轮廓；

量化评估模块：量化评估模块是对自动提取的区域轮廓进行量化分析。

2.一种骨骼肌体积变化的自动测量方法，其特征在于，包括以下步骤：

步骤A:数据预处理：对采集的肌肉形态结构信息进行初步增强处理，强化兴趣区域的轮廓；

步骤B:标记肌肉边界；

步骤C：以标记结果为基准，采用机器学习方法训练分类器，使之可自动计算肌肉横截面积；

步骤D：对受试者肌肉采用上述机器学习得到的模型，提取横截面积，并从像素转化为物理尺寸，从而实现肌肉横截面积和体积的量化。

3.如权利要求2所述的方法，其特征在于，所述步骤A中，采用自适应双边滤波对降低图像的散斑噪声，双边滤波的定义如下：

$\hat{I}\left(m\right)=\frac{1}{Z}\underset{n\∈N\left(m\right)}{\Σ}{w}_D(m,n)w_R(m,n)I\left(n\right)$

I为原始图像，为平滑滤波后的输出图像，w_D为空间域权系数，w_R为灰度域权系数，N(m)表示m的邻域范围，n表示邻域的位置，其中，归一化函数Z为

$Z=\underset{n\∈N\left(m\right)}{\Σ}{w}_D(m,n)w_R(m,n)$

$w_D(m,n)=\exp (-\frac{|m-n{|}^2}{2{{\mathrm{\σ}}_d}^2})$

$w_R(m,n)=\exp (-\frac{|I_m-I_n{|}^2}{2{{\mathrm{\σ}}_r}^2})$

σ_d和σ_r为空间方差和灰度方差，是决定双边滤波权系数的参数。通过自适应的方式选择滤波参数，将双边滤波转换为自适应双边滤波，由于调节空间参数对噪声不敏感，通过自适应的方式选择灰度方差σ_r，因此，定义σ_r为

而

表示输入图像的估计噪声方差。

4.如权利要求2所述的方法，其特征在于，所述步骤A中，数据预处理中，采用多尺度增强滤波，图像I(x，y)与高斯滤波器的二阶偏导数的卷积

$I_{xx}(x,y)=I(x,y)\×\frac{{\∂}^{2}G(x,y,\mathrm{\σ})}{\∂x^2}$

高斯函数G(x，y)为：

图像上的每一个像素点f(x，y)的二阶偏导来构造Hessian矩阵：

$H=\left[\begin{array}{cc}{f}_{xx}& f_{xy}\\ f_{yx}& f_{yy}\end{array}\right]$

其中f_xx、f_xy，f_yx，f_yy分别表示二维灰度图像上像素点f(x，y)的四个二阶偏导数；根据偏导数性质：f_xy＝f_yx，那么Hessian的特征值有λ₁、λ₂(λ₁＜λ₂)，在尺度σ下图像的点p，基于Hessian矩阵的多尺度增强滤波函数定义为：

$V(\mathrm{\σ},p)=\left\{\begin{array}{c}\begin{array}{cc}0,& {\mathrm{\λ}}_2\>0\end{array}\\ \exp (-\frac{{R_B}^2}{2{\mathrm{\β}}^2})\exp (-\frac{2c^2}{{{\mathrm{\λ}}_2}^2})(1-\exp (-\frac{S^2}{2{\mathrm{\γ}}^2}\left)\right)\end{array}\right.$

其中参数β用来区别线状和块状物体，参数c和γ为平滑参数。

5.如权利要求2所述的方法，其特征在于，所述步骤C中，包括步骤C1:创建数据样本，在预处理后的骨骼肌图像中，构建图像训练集和测试集；步骤C2:选择特征，在构建的训练集图像中提取设定区域作为感兴趣区域，对感兴趣区域进行轮廓标记构建训练图像轮廓标记集；步骤C3:训练分类器，从感兴趣区域中提取图像特征，用提取的图像特征与训练图像的标记集共同训练成一个可以反映骨骼肌的边缘轮廓与图像特征之间关系的机器学习模型；；步骤C4:测试，对测试集提取与训练集一致的设定区域作为感兴趣区域，提取测试集的图像特征，将提取到的测试图像特征输入到训练集训练得到的机器学习模型中，得到骨骼肌边缘轮廓。

6.如权利要求5所述的方法，其特征在于，所述步骤C3中，图象特征采用图像纹理、灰度、全局均值、全局方差、局部均值和局部方差中的至少一种。