髋关节X光图像自动分析方法与流程

本发明涉及机器学习、智能医学影像分析技术领域，尤其涉及一种髋关节x光图像自动分析方法。

背景技术：

髋关节x光图像是常规医学影像中的一种，目前对于髋关节x光图像的分析大多由人工方式实现，还没有较为有效的自动分析方案。

但是，人工方式的缺陷在于：一方面，分析耗时较长，效率较低；另一方面，分析结果的准确性依赖于分析者的专业水平，因此，也难以保证分析结果的准确性。

技术实现要素：

本发明的目的是提供一种髋关节x光图像自动分析方法，可以自动的、准确的实现髋关节x光图像分析。

本发明的目的是通过以下技术方案实现的：

一种髋关节x光图像自动分析方法，包括：

获取预先进行了s个关键点位置标注的髋关节x光图像；

对于预先收集的一系列髋关节x光图像，在标注的每一个关键点上分别取一张切片图像，所得到的每一切片图像即为初步模板，从而构成一个初步模板库，则对于s个关键点共有s个初始模板库；

分别对每一个初始模板库中的初步模板采用模板匹配的方法求取相似度，最终选取出多个模板，构成能够用于查找一个关键点的有序模板库，则对于s个关键点共有s个有序模板库；

对于待分析的髋关节x光图像，通过模板匹配与聚类的方式结合每一有序模板库实现每一关键点的分析查找。

由上述本发明提供的技术方案可以看出，基于模板匹配的方式自动的对髋关节x光图像进行分析，不仅加快了分析速度、提高了分析效率，还可以确保分析结果的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种髋关节x光图像自动分析方法的流程图；

图2为本发明实施例提供的一种髋关节x光图像自动分析方法的示意图；

图3为本发明实施例提供的进行了关键点位置标注的髋关节x光图像；

图4为本发明实施例提供的k-means聚类的迭代方法示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种髋关节x光图像自动分析方法，如图1～图2所示，其主要包括如下步骤：

1、获取预先进行了s个关键点位置标注的髋关节x光图像。

如图3所示，所标注的关键点位置至少包括如下六处(即设置s＝6)：盆骨右中心点1、盆骨左中心点2、髋臼右前缘3、髋臼左前缘4、右股骨头中心5以及左股骨头中心6。

这些关键点位置都是预先由相关专家进行人工标注。

2、对于预先收集的一系列髋关节x光图像，在标注的每一个关键点上分别取一张切片图像，所得到的所有切片图像即为初步模板。

本发明实施例中，可以收集医院影像科已有的婴幼儿x-ray图像数据，例如，共收集9537幅，将其中的7709幅图像用于训练模型，另外1828幅图像用于测试。

依据标注的关键点位置，切片的大小选择120x120像素，也就是对于每张x光图像，在六个关键点上分别取一张切片图像，一共在7709幅这样的图像上进行了这样的切片操作，于是在训练阶段每一个关键点都有了7709幅切片图像，每一切片图像称为初始模板，从而构成了初始模板库，则共有s个初始模板库。

3、分别对每一个初始模板库中的初步模板采用模板匹配的方法求取相似度，最终选取出多个模板，构成能够用于查找一个关键点的有序模板库，则共有s个有序模板库。

初步模板库中所有初步模板的尺寸全部相同，采用模板匹配的方法求取初步模板之间的相似度，从而将相似的初始模板聚集在一起称为一个模块(聚类的目的是为了找到关键点处所有具有代表性的切片图像用于匹配)，生成若干模块后按照其中包括的初始模板数量从多到少对所有模块进行排序，排序是为了找出最有可能的模板依次匹配检验以减少匹配次数，按照排序从每一模块中选出一个模板(通常选出排序第一的模板)，从而构成一个有序模板库，一个有序模板库中所有模板能够在后续过程中用于查找同一个关键点。

示例性的，一个初始模板库中的7709幅初始模板通过以上方式处理后，大约会收集200类加入有序模板库。

针对所有初始模板库都进行以上的处理后，获得s个有序模板库，每一个有序模板库都可以用来查找一个关键点。

4、对于待分析的髋关节x光图像，通过模板匹配与聚类的方式结合每一有序模板库实现每一关键点的分析查找。

首先，进行模板匹配，其优选的实施方式如下：

对于每一有序模板库中前n个模板，n通常取15，均采用模板匹配的方式，在待分析的髋关节x光图像上用滑动窗口的方式将子区域与每一模板分别进行像素级别的比较，获得相似度，计算公式如下：

其中，wij(m，n)是指在待分析髋关节x光图像w上的一个子区域中各个坐标点的像素值，其中的i，j是待分析的髋关节x光图像w中的起点像素坐标(左上角点的坐标)，m，n指在子区域上的坐标；m,n是模板的尺寸，t(m,n)代表模板在m,n坐标点位置的像素值，结果r(i,j)代表待分析髋关节x光图像w上在i，j坐标处的子区域与模板所求得的相似度。

如果前n个模版存在匹配失败的情况(即相似度未超过一定阈值)，则从相应有序模板库中按照排序继续取相应数量的模板进行匹配，直至有n个模板全部匹配成功。

根据n个模版的相似度计算结果，获得一系列的相似度超过一定阈值(例如，阈值可以设为0.65)的子区域，从而构成子区域集合。

然后，进行聚类，其优选的实施方式如下：

将基于每一个有序模板库的子区域集合分别进行k-means聚类，聚类的结果是区域中点的坐标。

k-means聚类，是一种无监督聚类算法；它对于子区域集合，按照子区域之间的距离大小，将子区域集合划分为k个簇，让簇内的点尽可能紧密的连在一起，而让簇之间的距离尽量的大；根据簇划分为(c1，c2…ck)，则目标是最小化平方误差e：

其中，x在本发明中具体指匹配相似度超过0.65的子区域集合的坐标，uk是簇ck的均值向量，也称作是质心，表达式为：

本发明实施例中，通过迭代的方法求取每一个簇的质心：任取k个点作为质心，根据根据点到质心的距离将所有的点分成k类，再求出分类好的点各自的质心并更新原来的质心；再根据新的质心到所有的点的距离进行重新分为k类，反复上述操作直到质心位置稳定即可得出每一个簇的质心；将k-means聚类后最大类的质心作为模板匹配的结果，也即利用相关有序模板库得到的一个可能的关键点。

以上针对模板匹配以及聚类的介绍都是针对一个有序模板库而言，对于s个有序模板库都使用上述方式进行处理后，得到s个可能的关键点。

如图4所示，为了便于讲解，可设置k＝2，即聚为两类，先任意取两点作为质心(如图4b)，根据点到质心的距离将所有的点分成两类，再求出分类好的点各自的质心(如图4d)更新原来的质心，再根据新的质心到所有的点的距离进行重新分类(如图4e)，反复上述操作直到质心位置稳定即可得出最终的分类结果，最后将k-means聚类后最大类的质心作为模板匹配的结果，也即一个可能的关键点。

另一方面，还需要根据先验知识判断所述可能的关键点是否符合要求；如果符合要求，则得到的可能的关键点即为最终分析查找结果；如果不符合要求，则使用相应有序模板库中其他模板继续对待分析的髋关节x光图像进行关键点的分析查找。

所述先验知识主要为：左右对称点之间的竖直距离不超过设定数量(例如，80个)的像素；髋臼前缘点和股骨头中心点处于髋臼窝的外侧。

优选的，如果不符合要求，则在相应的有序模板库中按照排序取出一个模板，按照前文介绍的模板匹配方式，找到相似度超过一定阈值的子区域，如果存在多个相似度超过一定阈值的子区域，则选出相似度最高的子区域，将其中心作为可能的关键点，再结合先验知识进行判断。

通过本发明实施例提供的上述方案实现各关键点的分析查找后，可以做一些科研分析、实验分析、或者相关操作人员培训等工作，后续具体应用方式本发明不做限定。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

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披露的技术范围内，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。