一种检测图像结构变化的方法及装置与流程
本发明涉及图像处理领域，更具体地，涉及一种检测图像结构变化的方法及装置。
背景技术：
二维和三维图像广泛应用于科学研究、医学诊断等各个领域。目前的医学图像主要有ct(计算机断层扫描)图像、mri(核磁共振)图像、b超扫描图像、x射线透视图像等。然而目前依据医学图像的诊断主要以人工观察影像的形态特征为主，缺乏标准化的自动分析功能。在科学研究中，ct和x射线成像广泛应用于物体二维和三维形态结构的检测，然而其定量分析方法仍然不够灵敏。
在骨质疏松症患者中，小梁骨成像表现为明显的结构改变，而阿尔茨海默症患者中，脑组织成像表现为脑体积明显减小、脑沟变宽、脑回变窄、脑室扩大，提示基于影像学特征能辅助诊断这些疾病。目前依据图像学的改变对这些疾病进行辅助诊断的方法不够灵敏。
骨质疏松症是一种严重危害人类健康的老年性代谢性疾病，其主要表现为骨量减少、微结构退化和骨脆性增加，从而导致患者骨折风险上升。骨质疏松症的诊断主要依靠测量骨量和骨微结构两个方面的改变。骨密度测量是评估骨量变化的常规方法。目前用于测量骨密度的仪器主要有双能x线骨密度仪(dexa)、骨定量ct(qct)或外周骨定量ct(pqct)。双能x线骨密度仪(dexa)测量骨密度(bmd)的改变是目前诊断骨质疏松症的金标准。dexa虽然能测量全身任意部位的骨密度，但不能区分皮质骨密度和松质骨密度并且只能测量骨组织的二维参数，因此不能有效反映测量部位骨结构的变化。骨定量ct能区分皮质骨和松质骨并且能测量骨组织的三维参数，然而其辐射剂量高于dexa并且可重复性不如dexa，因此不能用来进行随访评估骨密度或微结构的微小改变。pqct的检测精度高于dexa，但是其主要用来检测四肢骨骼的密度而不能用来检测椎体骨密度。骨密度的改变不能全面反映骨微结构的变化，而仅仅根据骨密度参数并不能有效评估骨折风险。有研究表明，大部分骨折患者的骨密度值并不低，而综合了骨密度等参数的骨折风险评估工具对于绝大多数患者不能有效预测观察到的骨折。因此新的更灵敏的检测指标可能对骨质疏松症的诊断与骨折风险评估有重要意义。
显微ct(microct)是一种高精度的三维ct成像技术，其空间分辨率可以达到几微米。由于大鼠和小鼠等小动物骨组织中小梁骨的厚度在几十微米范围，常规ct扫描成像不能有效显示骨骼的微细结构，因此microct在评估小动物骨量和骨微结构改变方面有着广泛的应用。
在胫骨近端和股骨远端骨骺生长板以下的一定区域内小梁骨结构丰富，而骨质疏松能导致这些区域内小梁骨结构的丢失破坏，因此胫骨近端和股骨远端骺线下的一定区域是分析小动物小梁骨微结构改变的理想区域。目前对小动物胫骨近端或股骨远端小梁骨微结构变化的标准分析方法是首先随意选取骨骺生长板以下的一段感兴趣区域，然后计算整个感兴趣区域内部的感兴趣区域的总体积(tv)、骨体积(bv)、骨矿物质含量(bmc)、骨体积分数(bv/tv)、骨密度(bmd)等参数，最后对计算得到的参数进行统计分析。由于小梁骨在骺线生长板以下到骨干中部之间的区域内延长骨纵轴的分布不均匀，近似随距离骺线距离的增加而逐渐减少，而目前的标准分析方法并没有考虑小梁骨延长骨纵轴的不均匀分布，因此当前的标准分析方法不能灵敏地检测小梁骨结构的细微改变。显微ct图像包含了小梁骨在选定的分析区域内部的逐层分布信息，而当前的标准分析方法并没有充分利用这种分布信息，因此充分利用小梁骨逐层分布信息的统计分析将有助于提高检测骨微结构变化的敏感性。为了研究小梁骨的变化，需要选择骨骺线生长板以下的一定区域来进行分析。然而自骨骺线生长板以下小梁骨的各个测量参数均呈逐渐衰减变化而没有明显的变化拐点，因此对于分析区域的选择没有统一的标准，而研究人员通常根据经验随意选择分析区域或者利用试错法选择多个分析区域后再固定一个具有显著改变的区域进行报告。这种标准分析方法不仅误差大，而且繁琐。对于同一组数据，不同的分析区域的选择对结果有非常大的影响，所以一种建立在分析实验组与对照组差别基础上的分析区域的选择方法将有助于提高检测骨微结构变化的敏感性。
小梁骨厚度是另一项反映骨小梁微结构变化的重要指标。然而目前二维或三维图像厚度的测量方法与物体真实厚度相比均有很大的误差，导致测量的小梁骨厚度不能全面反映骨质疏松症状的严重程度。因此，更加精确的小梁骨厚度测量方法对骨质疏松症的诊断具有重要意义。
阿尔茨海默病是一种常见的进行性发展的神经系统退行性疾病，临床表现为记忆和认知能力衰退、人格和行为的改变等。它严重影响着老年人的健康，对社会造成巨大的压力。阿尔茨海默症的诊断主要通过相关评定表从认知功能、情感反应等方面进行判定，缺乏精确的定量诊断方法。在阿尔茨海默症病人，脑重量和脑体积都明显减小、脑沟变宽、脑回变窄、脑室扩大。核磁共振图像分析表明，阿尔茨海默症病人大脑中灰质、白质、脑室均与正常对照相比有显著变化。由于大脑灰质、白质分布不规则，非常类似于骨小梁，因此基于mri、ct等大脑图像中灰质、白质、脑室等厚度的测量将有助于阿尔茨海默症的诊断。
综上所述，现有的检测图像结构变化的方法不能灵敏反映图像结构的细微变化。
技术实现要素：
本发明的目的在于提供一种检测图像结构细微变化的方法。
本发明的另一目的在于提供一种精确测量目标结构厚度的方法，并利用对目标结构厚度参数的精确测量辅助进行物体的分类或疾病的诊断。
根据本发明的一个方面，提供了一种检测图像结构变化的方法，包括以下步骤：
步骤1：获取各个待检测物体图像的感兴趣区域，并测定每个所述待检测物体图像感兴趣区域内部的各个图像参数值，所述图像参数值包括感兴趣区域的总体积、目标结构体积、目标结构物质含量、目标结构的厚度、目标结构体积分数和目标结构密度中的一种或多种图像参数值；
步骤2：根据各个所述待检测物体图像感兴趣区域的各个图像参数值，统计分析所述待检测物体感兴趣区域的各个图像参数值在不同分类中的差异显著性或对所述待检测物体进行分类。
具体地，所述图像参数值中的目标结构厚度包括：目标结构平均厚度、目标结构中具有特定厚度的结构部分的面积或体积，以及其它通过目标结构不同厚度部分的参数经过不同的计算方式衍生出来的参数值。
对于每一个二维物体，首先按照目前通用的图像分割方法直接在二维平面图像上确定感兴趣区域和待检测物体目标结构的各个像素；然后计算待检测物体目标结构的各个图像参数值；最后根据待检测物体目标结构的各个图像参数值统计分析待检测物体目标结构的各个图像参数值在不同分类中的差异显著性或对待检测物体进行分类。
对于每一个三维物体，首先在其每一层二维平面内按照目前通用的图像分割方法直接在二维平面图像上确定感兴趣的区域和待检测物体目标结构的各个像素，然后按照以下的步骤选择三维感兴趣区域的层面；其具体实现包括以下子步骤：
步骤a.1：测量不同分组中的每个三维物体在其各个二维层面感兴趣区域中的各个图像参数值；
步骤a.2：从每个所述三维物体中选择相应的一层或多层二维层面，统计分析所选择的二维层面感兴趣区域的各个图像参数值在不同分组间的显著性检验p值；
步骤a.3：按照步骤a.2，统计分析所述三维物体在所有可能的二维层面感兴趣区域的各个图像参数值在不同分组间的显著性检验p值；
步骤a.4：选择步骤a.3中最小的p值或者小于预设阈值的p值，并根据选择的p值确定相应的三维物体的感兴趣区域。
优选的，通过最大正方形填充方法、最大圆形填充方法、最大圆形或正方形填充方法、最大立方体填充方法、最大球体填充方法、最大球体或立方体填充方法中的一种或几种测定目标结构的厚度。
优选的，当用最大正方形填充方法、最大圆形填充方法、最大立方体填充方法或最大球体填充方法测量目标结构中每一个像素的厚度时，填充的包含该像素并完全包含在目标结构内的最大形体的中心位于目标结构上任意一个像素的中心或顶点。
优选的，当利用最大圆形或正方形填充方法测量目标结构的厚度时，对于所述目标结构中的每个像素，将所述最大正方形填充方法和所述最大圆形填充方法获取的该像素的厚度中的最大值作为该像素的厚度。
优选的，当利用最大球体或立方体填充方法测量目标结构的厚度时，对于所述目标结构中的每个像素，将所述最大球体填充方法和所述最大立方体填充方法获取的该像素的厚度中的最大值作为该像素的厚度。
优选的，利用t检验、单因素方差分析、线性回归分析、非线性回归分析、非线性指数衰减回归分析、logistic回归、重复测量方差分析和线性混合效应模型重复测量分析中的一种或几种统计方法对所述待检测物体的目标结构的各个图像参数在不同分类条件下的差异显著性进行分析。
优选的，根据目标结构的各个图像参数对所述待检测物体进行分类，具体包括：获取已知分类的不同物体，并计算所述已知分类物体和待检测物体的扫描图像中目标结构的各个图像参数，所述图像参数包括所述已知分类物体和待检测物体目标结构的厚度；根据已知分类的物体和待检测物体目标结构的各个图像参数值以及已知的分类情况，利用判别分析、主成分分析、因子分析和logistic回归中的一种或几种统计方法对所述待检测物体进行分类。
优选的，对所述待检测物体进行分类是对待测定个体骨骼的骨质疏松症严重程度进行分类。
优选的，对所述待检测物体进行分类是对待测定个体的阿尔茨海默症的严重程度进行分类。
本发明提供了一种依据目标结构各个图像参数的分布情况选择分析区域的方法；本发明提供了分层分别计算目标结构各个图像参数的方法并对每一个样本中分层计算得到的参数根据其在感兴趣区域内部的分布采用合适的线性回归、非线性回归、重复测量方差分析等统计方法进行分析的方法；本发明提出了一种依据图像结构厚度等相关参数对骨质疏松症和阿尔茨海默症进行辅助诊断的方法；本发明对利用最大圆形填充方法和最大球体填充方法测量二维和三维图像中物体结构厚度的方法进行了改进，考虑了圆心和球心的所有可能分布位置以及它们直径为整数的所有可能情形，提高了厚度测量的精度；本发明提出了全新的利用最大圆形或正方形填充方法和最大球体或立方体填充方法对二维和三维图像中物体厚度进行分析的方法，这些方法降低了厚度测量的误差；以上这些改进，能明显提高对目标物体进行分析的精度，将有助于提高依赖于图像的检测方法的灵敏性，如应用于骨质疏松症中骨丢失和骨结构破坏程度的评估，神经退行性病变中脑组织改变的评估等方面。
附图说明
图1是本发明实施例提供的检测图像结构变化的方法流程图；
图2是本发明实施例的股骨远端小梁骨各个分析参数沿股骨纵轴分布的结果分析图；
图3是本发明实施例的利用非线性回归指数衰减分析成骨性小分子对小梁骨bv、tv、bmc参数的影响和利用线性回归分析成骨性小分子对小梁骨bv/tv和bmd参数的影响分析图；
图4是本发明实施例的小梁骨各个参数在不同处理条件下具有显著性差异的分析区域的选择分析图；
图5是本发明实施例的在选定的分析区域内部小梁骨各个分析参数沿股骨纵轴分布的结果分析图；
图6是本发明实施例的最大正方形填充、最大圆形填充、最大圆形或正方形填充方法示意图；
图7是本发明实施例的二维厚度和三维厚度的逐层计算方法示意图；
图8是本发明实施例的物体平均厚度的计算方法示意图；
图9是本发明实施例的用不同的厚度测量方法对标准物体厚度进行二维厚度测量的结果对比分析图；
图10是本发明实施例的用不同的厚度测量方法对标准物体厚度进行三维厚度测量的结果对比分析图；
图11是本发明实施例的成骨性小分子对小梁骨厚度自生长板以下沿股骨长轴分布的影响分析图；
图12是本发明实施例的成骨性小分子对小梁骨不同二维和三维厚度参数的影响分析图；
图13是本发明实施例的利用层次聚类法对小梁骨包含二维厚度的不同参数进行分析的结果示意图；
图14是本发明实施例的利用层次聚类法对小梁骨包含三维厚度的不同参数进行分析的结果示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
目前不管对二维图像还是三维图像结构细微变化的检测方法都还不够灵敏。本发明要解决的问题是提供一种方法，能够灵敏检测二维图像或三维图像结构的细微变化。本发明不仅可以基于ct成像进行分析，而且可以基于核磁共振图像、超声图像等对小动物、大动物及人体进行骨组织、脑组织、心血管、肺部、肾脏等的结构变化分析。本发明不仅限于医学图像，而且能应用于任何图像。本发明由于提高了图像分析的精度，因此将有利于基于结构变化进行骨质疏松、心脑血管疾病、神经退行性疾病、肾脏、肺部等疾病的诊断。
在本发明中，用于分析的数字图像由像素组成。对于二维数字图像，每一个像素在本发明中被表示为一个正方形，有一个中心和四个顶点。对于三维数字图像，每一个像素在本发明中被表示为一个立方体，有一个中心和八个顶点。
在本发明中，物体目标结构的厚度参数包括物体的二维厚度参数或三维厚度参数。对于二维厚度参数，首先在每一层二维平面利用二维厚度计算方法测量物体上每一个像素的厚度，则二维厚度参数包括物体在每一层二维平面的平均厚度、在每一层二维平面具有特定二维厚度部分的面积中的一种或几种参数。对于三维厚度参数，首先在三维体积利用三维厚度计算方法测量物体上每一个像素的厚度，则三维厚度参数包括物体在三维体积的平均厚度、在三维体积具有特定三维厚度部分的体积、在每一层二维平面的三维平均厚度、在每一层二维平面具有特定三维厚度部分的体积中的一种或几种参数。同时，物体目标结构的厚度参数还包括其它通过目标结构不同厚度部分的参数经过不同的计算方式衍生出来的参数值。
在本发明中，实验动物的处理如下：选取六月龄雌性大鼠，分三组，每组12只，分别用pbs(对照组)、成骨性小分子(实验组)或pth注射给药，三个月后，分离股骨进行扫描分析。选取四月龄雌性大鼠，分四组，每组12只，三组进行双侧卵巢切除(ovx组)，一组进行假手术操作(sham组)，手术八周后，ovx组分别用pbs(对照组)、成骨性小分子(实验组)或pth注射给药，sham组用pbs注射给药。给药三个月后，分离股骨进行扫描分析。所有股骨远端用scanco的显微ct扫描仪以15微米的空间分辨率扫描，重建。
图1为本发明实施例提供的检测图像结构变化的方法流程图，如图1所示，该方法包括以下步骤：
步骤1：获取各个待检测物体图像的感兴趣区域，并测定每个所述待检测物体图像感兴趣区域内部的各个图像参数值，所述图像参数值包括感兴趣区域的总体积、目标结构体积、目标结构物质含量、目标结构的厚度、目标结构体积分数和目标结构密度中的一种或多种图像参数值；
步骤2：根据各个所述待检测物体图像感兴趣区域的各个图像参数值，统计分析所述待检测物体三维感兴趣区域的各个图像参数值在不同分类中的差异显著性或对所述待检测物体进行分类。
具体地，本发明中待检测物体图像可以为二维图像或三维图像，而且可以为各种医学图像。由于三维图像是由多层二维图像组成，因此，在本实施例中将二维图像或者每一层三维图像作为一个具有单位厚度的三维图像进行阐述。目前在三维图像数据分析中，对于任何一个样本，选定感兴趣区域后，物体的各个测量参数在该感兴趣区域均分别只得到一个测量值。由于在选定的感兴趣区域内部物体的各个测量参数分布不均匀，因此物体的每个测量参数的单一测量值并不能保留这些参数的特征性分布信息，所以利用物体各个测量参数的单一测量值不能灵敏检测三维图像结构的细微变化。本发明实施例通过获取物体三维图像中各个测量参数在每层感兴趣区域内的测量值，充分地利用了物体各个测量参数在感兴趣区域内的逐层分布信息，从而有利于检测到物体结构在不同条件下的细微变化，提高检测物体结构变化的敏感性。
具体地，图2为本发明实施例中股骨远端小梁骨的图像参数沿股骨纵轴的分布图。其中，图2a为本发明实施例的股骨远端小梁骨的bv参数沿股骨纵轴分布的结果分析图；图2b为本发明实施例的股骨远端小梁骨的tv参数沿股骨纵轴分布的结果分析图；图2c为本发明实施例的股骨远端小梁骨的bmv参数沿股骨纵轴分布的结果分析图；图2d为本发明实施例的股骨远端小梁骨的bv/tv参数沿股骨纵轴分布的结果分析图；图2e为本发明实施例的股骨远端小梁骨的bmd参数沿股骨纵轴分布的结果分析图。首先，使用软件在三维层面的每一层自动识别获取的股骨样本的外边界，然后沿股骨外边界向骨髓腔内部选择距离外边界特定距离的骨髓腔内部区域作为进行小梁骨分析的感兴趣区域；随后在感兴趣区域内部通过设定的阈值区分小梁骨和骨髓腔背景；最后计算每一层的小梁骨体积bv、选定的感兴趣区域总体积tv、小梁骨的骨含量bmc、小梁骨的骨体积分数bv/tv、小梁骨的骨密度bmd。以距离股骨远端生长板的距离为x轴，小梁骨的图像参数为y轴进行作图。结果表明，如图2a-图2e所示，自股骨远端生长板以下，骨髓腔内小梁骨的骨量bmc、小梁骨体积bv、感兴趣区域总体积tv等参数沿股骨长轴近似呈指数衰减分布，而骨体积分数bv/tv、骨密度bmd等参数沿股骨长轴近似呈线性衰减分布。根据目前传统的分析方法，选定分析区域后，每一个样本对于每一个参数只得到一个测量值，相当于对分析区域内部每一层面的该参数值进行了累加或平均取值。然后对这些累加或平均的测量值采用t检验、方差分析、线性回归等统计方法进行分组分析。这种取值方法丢掉了该参数在分析区域内部的分布信息，导致统计分析结果不能灵敏检测到微小的结构变化。在本发明中，由于骨髓腔内小梁骨的骨量bmc、小梁骨体积bv、感兴趣区域总体积tv等参数自股骨远端生长板以下沿股骨长轴近似呈指数衰减分布，因此非线性指数衰减回归统计分析是合适的分析这些参数的方法。由于骨髓腔内小梁骨的骨体积分数bv/tv、骨密度bmd等参数自股骨远端生长板以下沿股骨长轴近似呈线性衰减分布，因此线性回归统计分析是合适的分析这些参数的方法。由于线性回归统计分析可以看做是非线性回归分析的一个特例，因此对这些参数既可以用线性回归进行分析，也可以用非线性回归中的线性拟合进行分析。对于每一个样本，每个测量参数在每一个层面均有一个测量值，而同一个样本在各个层面的相同测量参数是高度相关的。对于这样的测量参数，重复测量方差分析或线性混合模型重复测量分析是最合适的分析方法，其中扫描层面相当于时间变量。结果表明，本发明采用的分析方法，包括非线性指数衰减回归分析、线性回归统计分析和重复测量分析的结果对于检测图像结构的微小变化比传统分析方法更灵敏。
具体地，图3为本发明实施例中指数衰减非线性回归和线性回归统计分析检测成骨性小分子对小梁骨分析参数的影响分析图。其中，图3a为本发明实施例的利用非线性回归指数衰减分析成骨性小分子对小梁骨bv参数的影响；图3b为本发明实施例的利用非线性回归指数衰减分析成骨性小分子对小梁骨tv参数的影响；图3c为本发明实施例的利用非线性回归指数衰减分析成骨性小分子对小梁骨bmc参数的影响；图3d为本发明实施例的利用线性回归分析成骨性小分子对小梁骨bv/tv参数的影响；图3e为本发明实施例的利用线性回归分析成骨性小分子对小梁骨bmd参数的影响。pbs(ctrl)或成骨性小分子(tr)处理的大鼠股骨样本，选定生长板以下从生长板开始到距离生长板8毫米终止的小梁骨区域，如图3a-图3c所示，利用非线性回归指数衰减模型分析bv、tv和bmc参数的变化；如图3d和图3e所示，利用线性回归模型分析bv/tv和bmd参数的变化。结果表明，非线性回归指数衰减模型对小梁骨bv、tv、bmc参数拟合效果很好，而线性回归模型对bv/tv和bmd参数的拟合效果不佳，因此对于小梁骨bv、tv、bmc参数，非线性回归指数衰减模型是合适的统计分析方法。对于小梁骨bv/tv和bmd参数，如果分析区域选择范围从股骨生长板以下开始到几乎不含小梁骨的区域终止，则非线性回归指数衰减模型和线性回归统计分析方法均有很大的误差。
由于非线性回归和线性回归模型均不是分析小梁骨bv/tv或bmd参数的很好的统计方法，而同一个样本在各个层面的相同测量参数又是高度相关的，因此重复测量分析是分析这些小梁骨参数的首选统计方法。在我们的样本中，靠近股骨生长板或骨干中部区域的小梁骨各个参数在对照组(pbs)和处理组(tr)之间的差异很小，而在生长板和骨干中部之间的区域差别较大。然而，在股骨远端生长板以下，小梁骨的总体积tv、骨体积bv、骨矿物质含量bmc、骨体积分数bv/tv、骨密度bmd等参数随距离股骨远端生长板的距离逐渐增加而逐渐降低，没有一个明显的分界。目前，不同的研究人员或根据自己的经验或采用试错法随意选择一个或多个分析区域进行分析，最后选定最有代表性的区域进行结果报道。这一方法不仅费时费力，而且所选择的具有统计意义上显著差异的分析区域有可能是由于样本测量误差造成的，而并不一定代表小梁骨参数在不同处理条件下有显著性差异。
为了选择在处理组与对照组之间小梁骨各个参数有显著性差异的层面，在上述实施例的基础上，本实施例提供一种方法来辅助进行感兴趣区域的选择，其具体实现包括以下子步骤：
步骤a.1：测量不同分组中的每个三维物体在其各个二维层面感兴趣区域中的各个图像参数值；
步骤a.2：从每个所述三维物体中选择相应的一层或多层二维层面，统计分析所选择的二维层面感兴趣区域的各个图像参数值在不同分组间的显著性检验p值；
步骤a.3：按照步骤a.2，统计分析所述三维物体在所有可能的二维层面感兴趣区域的各个图像参数值在不同分组间的显著性检验p值；
步骤a.4：选择步骤a.3中最小的p值或者小于预设阈值的p值，并根据选择的p值确定相应的三维物体的感兴趣区域。
具体地，图4是本发明实施例的小梁骨各个参数在不同处理条件下具有显著性差异的分析区域的选择分析图。其中，图4a为小梁骨bv、bmc、bv/tv和bmd参数的表格三维示意图；图4b为bv、bmc、bv/tv和bmd参数对应的p值的选择示意图；图4c为假手术组和卵巢切除组股骨远端小梁骨bv/tv和bmd参数对比的统计结果分布图。双侧卵巢切除大鼠经pbs(ctrl)或成骨性小分子(tr)处理后，取股骨样本，经显微ct扫描。每一个股骨样本均从生长板开始逐层计算bv、bmc、bv/tv和bmd各个参数值。对于每一个参数，建立一个二维表格，该表格单元格所在的位置代表所选择的分析区域，而表格单元格的数值为该参数在表格位置所代表的分析区域内实验组和对照组之间的统计p值。其中单元格位置(x，y)代表选择从x层面开始到y层面结束的分析区域(x为该单元格所在的列，y为该单元格所在的行)，则这样一个表格包含了从扫描样本第一层开始到最后一层结束这一区间在所有可能的分析区域内该小梁骨参数在实验组和对照组之间显著性差异的所有结果。我们对小梁骨每一个参数的表格进行三维作图分析，如图4a所示。结果表明，在本组实验中，小梁骨各个参数在实验组和对照组之间只在一小部分分析区域内部有显著性差异(p<0.05)。为了便于选择具有显著性差异的分析区域，我们根据设定的显著性阈值(α＝0.05)对表格内的所有单元格进行分类分析，并绘制二维图像，其中图像上的每一个像素代表二维表格的一个单元格，其中p值小于或等于0.05的单元格标记为白色，p值大于0.05的单元格标记为黑色，而背景单元格则标记为灰色。图4b的二维图像中任意一像素点的坐标直接对应着所选择的感兴趣区域的范围，而任意一像素点的颜色则代表了小梁骨相应的参数在处理组和对照组之间在该分析区域内是否有显著性差异。作为一种优选，分析区域的选择既可以选择在所有可能的分析区域中的最小p值所对应的区域，也可以选择任意一个白色像素所对应的区域。图4c为假手术组和卵巢切除组股骨远端小梁骨bv/tv和bmd参数对比的统计结果分布图。四月龄大鼠经假手术(对照组)或双侧卵巢切除手术(实验组)后，从手术后第九周起，每天腹腔注射pbs三个月，取股骨样本扫描分析。结果表明，在α＝0.05水平，实验组和对照组在所有的选择区域均有显著性差异，然而当在α＝0.00001水平，实验组和对照组只在一部分分析区域内有显著差异。该结果说明利用包含所有分析区域的二维显著性差异图形，我们不仅能用来对在实验组和对照组之间各个分析参数仅有微小变化的样本辅助选择分析区域，而且能用来对在实验组和对照组之间具有明显变化的样本辅助选择分析区域。
在选定的分析区域，对成骨性小分子对小梁骨各个参数的影响进行了进一步分析。具体地，图5是本发明实施例的成骨性小分子对小梁骨bv、tv、bmc、bv/tv、bmd参数的影响分析图。pbs(ctrl)或成骨性小分子(tr)处理的大鼠股骨样本，选定生长板以下从距离生长板0.5毫米(图5中所有图的横坐标起点为0.5)开始到距离生长板3.0毫米终止的小梁骨区域。其中，左起第一列为对照组(ctrl)和处理组(tr)小梁骨参数在选定的区域沿股骨长轴的分布，左起第二列至左起第四列分别为对照组(ctrl)、处理组(tr)小梁骨参数或它们的平均值(means)在选定的区域沿股骨长轴的分布，左起最后一列为在选定的区域内部小梁骨参数平均值的分组柱状图。ns：无显著性差异，*：p<0.05，**：p<0.01。结果表明，在选定的分析区域，小梁骨各参数沿股骨长轴均近似呈线性衰减分布，因此线性回归是合适的对这些参数进行分析的方法。由于线性回归分析可以看成为是非线性回归的一个特例，因此非线性回归的线性模型分析也是分析这些参数的合适的统计方法。同时由于每个样本的各个参数在每一层均有一个测量值，这些值代表了这些参数在该样本的重复测量值，因此重复测量统计分析也是对这些参数的合适分析方法。
具体地，表1是本发明实施例的不同的统计分析方法对实验组和对照组之间小梁骨各个分析参数统计结果的影响分析表。大鼠经pbs(ctrl)或成骨性小分子(tr)处理后，取股骨样本，经显微ct扫描。大鼠远端股骨样本生长板以下不同的分析区域，分别采用t检验、重复测量分析、非线性回归线性模型分析、非线性回归指数衰减模型分析等方法分析成骨性小分子对小梁骨各个参数的影响。其中t检验、重复测量分析和非线性回归线性模型分析选择股骨远端生长板以下0.5毫米至3.0毫米的区域进行分析，而非线性回归指数衰减模型分析选择的分析范围为股骨远端生长板以下0毫米至8.0毫米的区域。结果表明，线性混合效应重复测量分析适用于小梁骨各个分析参数的分析，而且这种统计分析方法比t检验方法更灵敏。非线性回归的线性模型分析适用于对股骨远端选定的部分区域内小梁骨近似呈线性分布的各个分析参数进行分析，而非线性回归的指数衰减模型分析适用于对股骨远端呈指数衰减分布的小梁骨的各个分析参数进行分析。由于线性回归和非线性回归分析对样本残差的分布有要求，因此如果实验数据不满足线性回归和非线性回归的分析条件，那么重复测量分析是最合适的分析这些数据的方法。
表1不同的统计方法对小梁骨各图像参数统计结果的影响
a：线性混合效益模型重复测量分析；
b：非线性回归线性模型分析；
c：非线性回归指数衰减模型分析。
小梁骨厚度是另一项反映小梁骨微结构变化的重要指标。目前scanco公司显微ct标准分析软件和bonej等均采用最大球体填充方法进行三维小梁骨厚度的计算。利用最大圆形填充方法计算二维结构厚度的方法于1987年由garrahan等报道，hildebrand等于1997年将该方法扩展到不依赖于任何模型的情况并进行了二维和三维厚度计算实现。由于三维厚度计算需要大量的计算资源，各种三维小梁骨厚度的计算方法均采用了不同的近似优化，导致不同的算法实现对同一组三维数据产生了截然不同的厚度计算结果。在最大圆形或最大球体填充过程中，目前的软件实现均没有考虑圆心或球心所有可能分布的情况，导致对有些物体厚度的测量与物体的实际厚度有误差。比如，对于最大圆形或最大球体填充，如果填充的圆形或球体的直径为奇数，则圆心或球心位于待测量物体其中一个像素的中心。然而如果填充的圆形或球体的直径为偶数，则圆心或球心位于待测量物体其中一个像素的顶点。所以，厚度测量的算法实现需要考虑填充的最大圆形或最大球体中心分布的不同情况，然而目前所有的算法实现均没有考虑到圆心或球心的所有可能分布的位置，导致厚度测量值与真实值之间的误差。在本发明中，我们未采取任何近似优化而是直接按照最大圆形(2d)或最大球体(3d)填充算法计算二维或三维的小梁骨厚度，同时我们考虑了填充的最大圆形的圆心或最大球体的球心在球体内分布的所有情况。对具有固定厚度的标准结构，我们的厚度测量方法与传统的方法相比显著提高了测量精度。
在二维平面，方形结构的物体用最大正方形填充方法比利用最大圆形填充方法对厚度的测量更精确，而圆形结构的物体用最大圆形填充方法比最大正方形填充方法对厚度的测量更精确。对于二维平面内任意未知结构的物体，我们可以看成其是由各种方形结构和各种圆形结构组合而成，因此同时利用最大圆形和最大正方形填充方法测量物体的厚度理论上优于单独利用最大正方形或单独利用最大圆形填充方法测量厚度。同理，在三维平面，同时利用最大球体和最大立方体填充方法测量任意三维结构的厚度理论上优于单独利用最大球体或单独利用最大立方体填充方法测量厚度。
图6a是本发明实施例的最大正方形填充、最大圆形填充、最大圆形或正方形填充方法示意图，从左到右依次为待测定厚度的结构、最大圆形填充、最大正方形填充、最大圆形或正方形填充示意图。图6b是本发明实施例的当填充的最大圆形直径分别为奇数和偶数时，填充的最大圆形的圆心所在的位置。这里以填充的最大圆形直径分别为5像素(奇数)或6像素(偶数)为例。结果表明，当填充的最大圆形直径为奇数时，最大圆形的圆心位于正中心像素的中心，当填充的最大圆形直径为偶数时，最大圆形的圆心位于正中央4个像素的交点上，即位于正中央像素的一个顶点上。
在上述任一实施例的基础上，本实施例提供一种测量目标结构厚度的方法，该方法在二维平面中目标结构每一个像素的厚度和目标结构的平均厚度通过最大正方形填充方法、最大圆形填充方法、最大正方形或圆形填充方法中的一种或几种进行计算得到。
在上述任一实施例的基础上，本实施例提供一种测量目标结构厚度的方法，所述方法在三维区域中目标结构每一个像素的厚度和目标结构的平均厚度通过最大立方体填充方法、最大球体填充方法、最大立方体或球体填充方法中的一种或几种进行计算得到。
在上述任一实施例的基础上，本实施例提供一种利用最大正方形填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤b.1：对待测定的图像，对每一个像素计算以任一像素的中心为中心包含该像素并且不含背景像素的最大正方形，并设定该最大正方形的边长为该像素的厚度；步骤b.2：对待测定的图像，对每一个像素计算以任一像素顶点为中心包含该像素并且不含背景像素的最大正方形，并设定该最大正方形的边长为该像素的厚度；步骤b.3：对待测定的图像，计算每一个像素的厚度为步骤b.1和步骤b.2中计算得到的该像素厚度的两个值中的最大值。
在上述任一实施例的基础上，本实施例提供一种利用最大圆形填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤c.1：对待测定的图像，对每一个像素计算以任一像素的中心为中心包含该像素并且不含背景像素的最大圆形，并设定该最大圆形的直径为该像素的厚度；步骤c.2：对待测定的图像，对每一个像素计算以任一像素顶点为中心包含该像素并且不含背景像素的最大圆形，并设定该最大圆形的直径为该像素的厚度；步骤c.3：对待测定的图像，计算每一个像素的厚度为步骤c.1和步骤c.2中计算得到的该像素厚度的两个值中的最大值。
在上述任一实施例的基础上，本实施例提供一种利用最大圆形或正方形填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤d.1：利用最大正方形填充方法测量二维图像上物体像素每一点的最大厚度；步骤d.2：利用最大圆形填充方法测量二维图像上物体每一像素的最大厚度；步骤d.3：对待测定的图像，计算每一个像素的厚度为步骤d.1和步骤d.2中计算得到的该像素厚度的两个值中的最大值。
在上述任一实施例的基础上，本实施例提供一种利用最大立方体填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤e.1：对待测定的图像，对每一个像素计算以任一像素的中心为中心包含该像素并且不含背景像素的最大立方体，并设定该最大立方体的边长为该像素的厚度；步骤e.2：对待测定的图像，对每一个像素计算以任一像素顶点为中心包含该像素并且不含背景像素的最大立方体，并设定该最大立方体的边长为该像素的厚度；步骤e.3：对待测定的图像，计算每一个像素的厚度为步骤e.1和步骤e.2中计算得到的该像素厚度的两个值中的最大值。
在上述任一实施例的基础上，本实施例提供一种利用最大球体填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤f.1：对待测定的图像，对每一个像素计算以任一像素的中心为中心包含该像素并且不含背景像素的最大球体，并设定该最大球体的直径为该像素的厚度；步骤f.2：对待测定的图像，对每一个像素计算以任一像素顶点为中心包含该像素并且不含背景像素的最大球体，并设定该最大球体的直径为该像素的厚度；步骤f.3：对待测定的图像，计算每一个像素的厚度为步骤f.1和步骤f.2中计算得到的该像素厚度的两个值中的最大值。
在上述任一实施例的基础上，本实施例提供一种利用最大球体或立方体填充方法测量目标结构厚度的方法，该方法包括如下的子步骤：步骤g.1：利用最大立方体填充方法测量三维图像上物体像素每一点的最大厚度；步骤g.2：利用最大球体填充方法测量三维图像上物体像素每一点的最大厚度；步骤g.3：对待测定的图像，计算每一个像素的厚度为步骤g.1和步骤g.2中计算得到的该像素厚度的两个值中的最大值。
在对物体目标结构上每一个像素计算以任一像素的中心或顶点为中心包含该像素并且不含背景像素的最大圆形、最大正方形、最大球体或最大立方体的过程中(以下正方形、圆形、球体或立方体称为标准图形，而填充的最大图形称为最大标准图形)，物体目标结构上每一个像素的最大厚度可以按以下步骤计算得到：为了计算物体目标结构上任意一个像素p的最大厚度，选定物体上的一个像素中心或像素的顶点作为填充的标准图形的中心，以半径为1个像素逐渐递增在物体内填充标准图形，直到填充的标准图形内部含有背景像素而终止。利用这种方法填充的最大的不含有背景像素的图形即最大标准图形。如果像素p在填充的最大标准图形内部，而且像素p的厚度小于最大标准图形的厚度(边长或直径)，则像素p的厚度更新为最大标准图形的厚度。我们按照以上的方法以物体上的每一个像素的中心或像素的顶点为中心分别填充最大标准图形并更新像素p的厚度值，则最后得到的像素p的厚度值即为像素p的最大厚度。我们按照以上的策略可以计算物体目标结构上每一个像素的最大厚度。
优选地，我们也可以在填充最大标准图形的过程中同时计算物体目标结构上每一个像素的最大厚度。首先以物体目标结构上的每一个像素的中心或像素的顶点为中心分别填充最大标准图形，然后对于每一个填充的最大标准图形内部的每一个像素，如果该像素当前记录的厚度值小于该最大标准图形的厚度，则该像素的厚度值更新为该最大标准图形的厚度。则最后得到的每一个像素的厚度值即为该像素利用最大标准图形填充方法得到的最大厚度。
图7是本发明实施例的二维厚度和三维厚度的逐层计算方法示意图。直径为d3的球体，当进行二维厚度的逐层测量时，首先对每一个层面利用最大圆形填充方法计算结构的厚度，然后建立一个表格，该表格对每一个层面的每一个像素的厚度值进行计数，即在每一个层面，记录共有多少个厚度值以及在该层面具有每一个厚度值的像素有多少。当对同样的球体进行三维厚度的逐层测量时，我们首先利用最大球体填充方法对整个球体每一个像素的厚度进行测量，然后进行逐层统计在每一层面每一个像素的厚度，即在每一个层面，记录共有多少个厚度值以及在该层面具有每一个厚度值的像素有多少。对于同样的三维球体结构，当进行二维厚度逐层测量时，由于在每一个层面均为一个圆形但不同层面圆形的直径不一定相同，因此我们在各个层面可能得到完全不同的厚度值及该厚度值对应的物体像素数；当进行三维厚度逐层测量时，首先球体的每一个像素的厚度先通过利用最大球体填充方法进行了计算，则球体上每一个像素均有相同的厚度值，然后逐层统计在每一层面每一个像素的厚度，那么每一个层面只有一个厚度值但是具有该厚度值的像素数在不同的层面可能完全不同。通过二维厚度或三维厚度逐层计算的方法，我们不仅计算了三维物体的每一个像素的厚度，而且描绘了这些厚度的逐层分布。
图8是本发明实施例的物体平均厚度的计算方法示意图。待测定二维物体用最大正方形填充方法计算物体上每一个像素的最大厚度。其中每一个像素由一个小正方形表示，待测定物体由有阴影的像素组成；用最大正方形方法填充后，像素上的数字代表计算得到的该像素对应的最大厚度。表2和表3分别为图8中目标结构的二维和三维平均厚度的计算方法，其中i为最大厚度为i的像素，si为物体内所有最大厚度为i的像素的总个数，li为厚度为i的像素对应的物体长度，∑si为物体包含的所有像素，∑li为物体的长度，
图9是本发明实施例的二维图像厚度测量方法的结果对比。图标square、circle、cirsquare和bonej分别代表利用最大正方形填充、最大圆形填充、最大圆形或正方形填充、bonej软件测量标准二维图像的厚度。图9a为各种方法对直径从1像素到10像素的标准圆形的厚度进行测量的结果。图9b为各种方法对边长从1像素到10像素的标准正方形的厚度进行测量的结果。图9c为各种方法对固定长度为30像素，宽度分别为1像素到10像素的标准长方形的厚度进行测量的结果。其中，最大圆形或正方形填充方法对这三种形体的测量最精确，并且没有任何误差。
表2目标结构的二维厚度计算方法
表3目标结构的三维厚度计算方法
图10是本发明实施例的三维图像厚度测量方法的结果对比。图标cube、sphere、cubsphere、bonej和scanco分别代表利用最大立方体填充、最大球体填充、最大球体或立方体填充、bonej和scanco软件测量标准三维图像的厚度。图10a为各种方法对直径从1像素到10像素的标准球体的厚度进行测量的结果。图10b为各种方法对边长从1像素到10像素的标准立方体的厚度进行测量的结果。图10c为各种方法对固定长度为30像素，固定宽度为30像素，高度分别为1像素到10像素的标准长方体的厚度进行测量的结果。图10d和图10e为各种方法对固定高度为30像素，底面圆直径分别为1像素到10像素的标准圆柱体的厚度进行测量的结果，其中图10d为利用圆柱体所有的平面进行平均厚度计算的结果，图10e为利用各种方法计算圆柱体内每一个像素的厚度后，选取从圆柱体距离上表面底面半径长度的层面开始到距离下表面底面半径长度的层面结束的区间，对这一区间进行平均厚度计算的结果。结果表明，最大球体或立方体填充方法对这几种形体的测量最精确，并且没有任何误差。
图11是本发明实施例的成骨性小分子对小梁骨厚度自生长板以下沿股骨长轴分布的影响。大鼠远端股骨样本从生长板所在平面开始逐层分析二维和三维小梁骨厚度，并根据不同的刺激处理情况按距离生长板的距离作图。图11a中分别为pbs(ctrl)、成骨性小分子(tr)和pth(pth)对大鼠小梁骨二维厚度(tb.th-2d)和三维厚度(tb.th-3d)的影响曲线。图11b中分别为pbs(ctrl)、成骨性小分子(tr)和pth(pth)对双侧卵巢切除大鼠的小梁骨二维厚度(tb.th-2d)和三维厚度(tb.th-3d)的影响曲线，其中以pbs处理的双侧卵巢空白手术组(sham)大鼠作为对照。结果表明，小梁骨二维厚度和三维厚度参数在不同的实验刺激条件下有很小但是非常明显的改变，提示小梁骨二维厚度和三维厚度可能是很好的评价小梁骨微结构变化的指标。
表4是本发明实施例的成骨性小分子对小梁骨各个图像参数的影响分析表。大鼠经pbs(ctrl)或成骨性小分子(tr)处理后，取股骨样本，经显微ct扫描。选择股骨远端生长板以下0.5毫米至3.0毫米的区域，计算小梁骨的各个参数，并进行多元方差分析(manova)。其中tb2d.1至tb2d.10参数代表利用二维厚度计算方法得到的厚度分别为1至10个像素的小梁骨结构部分的体积(像素数)，tb3d.1至tb3d.10参数代表利用三维厚度计算方法得到的厚度分别为1至10个像素的小梁骨结构部分的体积(像素数)。结果表明，成骨性小分子药物不仅对小梁骨的bmc、bv/tv和bmd参数有显著性影响，而且显著影响小梁骨二维厚度参数tb2d.5、tb2d.6、tb2d.7、tb2d.8和三维厚度参数tb3d.4、tb3d.5、tb3d.6，提示不同的小梁骨二维或三维厚度参数也是小梁骨结构变化的敏感指标。图12中，利用因子分析或主成分分析方法分析决定小梁骨各个参数的隐含因子或主要成分。因子旋转的载荷图表明，小梁骨的两个主要成分能解释大于90％的小梁骨各个参数的方差变化(90％为本组实验数据的主成分提取阈值)，而bv、tv、bmc、bv/tv、bmd参数在因子旋转的载荷图上与小梁骨二维或三维的各个厚度参数的分布并不一致，说明小梁骨各个厚度参数提供了关于小梁骨结构的额外信息，而这些额外信息不能被传统的小梁骨bv、tv、bmc、bv/tv或bmd参数所代表，提示小梁骨各个厚度参数可能是小梁骨结构变化的敏感指标。
图13和图14分别是本发明实施例的利用层次聚类法对小梁骨包含二维和三维厚度的不同参数进行分析的结果示意图。大鼠经pbs(ctrl)或成骨性小分子(tr)处理后，取股骨样本，经显微ct扫描。选择股骨远端生长板以下0.5毫米至3.0毫米的区域，计算小梁骨的各个参数，并对这些参数进行层次聚类分析。其中tb2d.1至tb2d.10参数代表利用二维厚度计算方法得到的厚度分别为1至10个像素的小梁骨结构部分的体积(像素数)，tb3d.1至tb3d.10参数代表利用三维厚度计算方法得到的厚度分别为1至10个像素的小梁骨结构部分的体积(像素数)。结果表明，bv、tv、bmc、bmd、bv/tv和不同的小梁骨二维厚度参数(tb2d.1-tb2d.10，图13)或不同的小梁骨三维厚度参数(tb3d.1-tb3d.10，图14)被很明显地分到不同的组，提示这些不同的分组代表小梁骨不同方面的特征。
表4成骨性小分子对小梁骨参数的影响
a：对不包括tb3d.1-tb3d.10的图像参数进行多元方差分析的结果；
b：对不包括tb2d.1-tb2d.10的图像参数进行多元方差分析的结果。
在上述任一实施例的基础上，本实施例提供一种根据目标结构的各个图像参数对物体进行分类的方法，该方法具体包括：获取已知的不同分类的不同物体，并计算所述已知分类物体和待检测物体的扫描图像中目标结构的各个图像参数，所述图像参数包括所述已知分类物体和待检测物体目标结构的厚度参数；根据已知分类的物体和待检测物体目标结构的各个图像参数值以及已知的分类情况，利用判别分析、
主成分分析、因子分析和logistic回归中的一种或几种统计方法对待检测物体进行分类。
表5是本发明实施例的利用判别分析对样本的不同处理方式进行分类的结果。对于测定的小梁骨参数，我们设定分组变量为不同的小分子处理方式，而自变量分别设定为bv、tv、bmd或者bv、tv、bmd、tb2d.1-tb2d.10或者bv、tv、bmd、tb3d.1-tb3d.10，然后进行判别分析。结果表明，只利用小梁骨bv、tv和bmd参数，我们利用判别分析进行分组的正确率为73.9％,当采用每次去除一例(leaveoneout)交互验证分析时，分组的正确率为56.5％。然而当我们将小梁骨二维厚度参数(tb2d.1-tb2d.10)或三维厚度参数(tb3d.1-tb3d.10)加入到判别分析的自变量列表，则分组正确率和交互验证分析分组的正确率均在90％以上。对于任意的未分类新样本，
表5判别分析对样本的不同处理方式进行分类的结果
判别分析统计方法能利用已知分类的各个小梁骨参数直接对未分类的样本进行分类。
表6是本发明实施例的利用因子分析对样本的不同处理方式进行分类的结果。主成分分析或因子分析被广泛报道应用于疾病的诊断、信用评价、经济发展情况的综合评价等方面，因此主成分分析或因子分析也是潜在的辅助诊断骨质疏松症的重要方法。对于测定的小梁骨参数，我们分别设定bv、tv、bmd或者bv、tv、bmd、tb2d.1-tb2d.10或者bv、tv、bmd、tb3d.1-tb3d.10为变量，然后进行因子分析。结果表明，与只利用小梁骨参数bmd或bv、tv、bmd参数进行分类相比，利用包含了小梁骨二维厚度参数(tb2d.1-tb2d.10)或三维厚度参数(tb3d.1-tb3d.10)的综合评价因子对样本进行分类的正确率要高于利用不含这些厚度参数的因子进行分类的正确率。在主成分分析或因子分析中，可以分别通过主成分系数矩阵或成分得分系数矩阵得到各个主成分或各个因子的表达式。而综合主成分或综合因子采用对各个主成分或因子按照对应的方差贡献率的比例为权重计算得到，其计算公式为
表7是本发明实施例的利用logistic回归对样本的不同处理方式进行分类的结果。对于测定的小梁骨参数，我们设定因变量为不同的小表6因子分析对样本的不同处理方式进行分类的结果
分子处理方式，分别设定bv、tv、bmd或者bv、tv、bmd、tb2d.1-tb2d.10或者bv、tv、bmd、tb3d.1-tb3d.10为协变量，变量选择方法设定为forward：l-r，然后进行logistic回归分析。结果表明，与只利用小梁骨参数bv、tv、bmd参数进行分类相比，利用包含了小梁骨二维厚度参数(tb2d.1-tb2d.10)或三维厚度参数(tb3d.1-tb3d.10)的logistic回归方法对样本进行分类的正确率要明显高于利用不含这些厚度参数进行分类的正确率。在logistic回归方法中，每一个手动选择或通过逐步回归选择的变量均对应一个偏回归系数，因此对于任意的新样本，将常数项、偏回归系数和对应的变量值代入回归模型，则根据计算结果就能确定新样本的分类。
骨质疏松症的患者不仅骨密度降低，而且小梁骨的微结构退化伴随小梁骨的厚度降低。然而有研究表明，大部分骨折患者的骨密度值并不低，而综合了骨密度等参数的骨折风险评估工具对于绝大多数患者不能有效预测观察到的骨折。因此综合骨密度和小梁骨微结构变化的检测方法可能对骨质疏松症的诊断与骨折风险评估有重要意义。
表7logistic回归对样本的不同处理方式进行分类的结果
在上述任一实施例的基础上，本实施例提供一种辅助进行疾病诊断的方法，辅助进行骨质疏松症的诊断。其中，首先测量已知分类的正常人群和患病人群中椎骨或长骨中小梁骨的各个参数，其中包括厚度参数；然后利用判别分析、主成分分析、因子分析、logistic回归中的一种或几种统计方法根据被检测者椎骨或长骨中小梁骨的各个测量参数来对被检测者进行骨质疏松症状态的分类。
在阿尔茨海默症病人，脑重量和脑体积都明显减小、脑沟变宽、脑回变窄、脑室扩大。核磁共振图像分析表明，阿尔茨海默症病人大脑中灰质、白质、脑室均与正常对照相比有显著变化。由于大脑灰质、白质分布不规则，非常类似于骨小梁，因此基于mri、ct等大脑图像中灰质、白质、脑室等结构厚度的测量将有助于阿尔茨海默症的诊断。
在上述任一实施例的基础上，本实施例提供一种辅助进行疾病诊断的方法，，辅助进行阿尔茨海默症的诊断。其中，首先测量已知分类的正常人群和患病人群中脑灰质、脑白质和脑室的各个参数，其中包括厚度参数；然后利用判别分析、主成分分析、因子分析、logistic回归中的一种或几种统计方法根据被检测者脑灰质、脑白质和脑室的各个测量参数来对被检测者进行阿尔茨海默症状态的分类。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！