一种用于骨龄评估的手骨X光图像纹理特征提取方法与流程

本发明涉及智能医学图像识别领域，具体是涉及一种用于骨龄评估的手骨x光图像纹理特征提取方法。

背景技术：

骨龄用于衡量青少年身体发育的程度。目前国际上通用的骨龄评估标准，例如tw-2、tw-3、g-p法等，其作为专业评估者评价骨龄的依据，具有操作性强，可重复性强，受主观因素影响较大等特点。国内实行的标准是“中华-05”计分法和图谱法等，其中包括rus-chn法。

现行评价标准对从业者提出的要求较高，掌握知识的程度对结果准确度有很大影响。因此，计算机辅助评估骨龄的难点在于，如何从骨龄x光图像中提取尽可能多的有价值的特征，这些特征能够真实准确的反映骨骼成熟度，可以作为自动化评估骨龄的参考依据。

手骨x光图像的特征主要有两大类：形状特征和纹理特征。针对手骨x光图像的形状特征的研究比较成熟，提取特征的方法也比较多，例如边缘检测、图像分割、计算距离等。

但是，对手骨x光图像的纹理特征，现行的方法一种是直接对原图像进行采样，缺点是背景信息混入后干扰判断，且直接提取的纹理特征与骨龄的相关程度较低；另一种是使用gabor滤波器采集图像的局部结构信息，这部分特征只能反映骨骼边缘变化的剧烈程度，在手骨分割时具有良好效果，但是用于骨龄评估时的贡献度较小。

技术实现要素：

本发明的目的是解决骨龄评估中纹理特征难以有效提取的问题。本发明能够对手骨x光图像中的骨骼纹理特征进行有效提取，获得纹理特征矩阵，继而作为评估骨龄时重要的参考依据。

为了实现上述的目的，本发明采用一种基于delaunay三角剖分和三角映射的纹理特征提取方法，具体包含以下步骤：

步骤1、构建手骨轮廓关键点坐标矩阵

收集n张待测左手手骨x光图片，按照rus-chn法评价标准里面的内容，对其中的11个短骨、尺骨、桡骨，依次编为01,02，……，13号，再按照骨块编号分开进行处理。

对每个编号的骨块，都用一组k个关键点来描述骨骼的边界，这组关键点的坐标构成一个一维形状向量，记作(j＝1,2,…,n)。

然后通过合适的旋转、平移等操作将这n个形状向量对齐到平均形状向量对齐之后的各个向量记作(j＝1,2,…,n)。

将获得的形状向量组成手骨轮廓关键点坐标矩阵，记作

步骤2、delaunay三角剖分获得关键点特征三角形集合

根据上一步获得的平均形状向量可以对每个编号的骨块做三角剖分，具体是：

a.建立一个大的三角形，将平面内其余轮廓关键点包在里面，放入三角形链表中。

b.将其余关键点依次插入，在三角形链表中找出该点的影响三角形。将影响三角形的公共边删除，同时把插入点与影响三角形的3个顶点连接起来，再将形成的三角形放入delaunay三角形链表中。

c.循环执行上述步骤b，直到所有散点插入完成。

步骤3、三角映射获得手骨图像纹理特征

经过上一步，每个编号的骨块都获得一个基于平均形状的三角形集合表示由于每一个样本上的轮廓关键点与特征三角形都是一一对应的，故可以将样本三角形上每一点的像素值复制到平均三角形对应点的位置上，称作“三角映射”。

但是，由于不同样本三角形之间的差异，必然有一部分位置点的像素不满足映射条件。这时，需要按照邻近像素点判定准则，用相邻点的像素值作为目标点像素值的替代。这样就实现了将所有样本中的原始灰度图转化为纹理图像。

为了实现这一步，可按照如下步骤进行：

(1)将对齐之后的平均形状向量的坐标基点标准化，并转化为纹理图像中的坐标表示。

(2)根据变换后的关键点绘制闭合轮廓线，并填充为白色手骨图像，定义采样窗口。

(3)通过三角剖分和三角映射对每幅图像进行采样，然后把相应位置的像素值转换为矢量，计算平均纹理图像。

(4)灰阶正常化以补偿照明，做主成分分析pca，保存特征向量和特征值。

上述步骤1、2、3处理完之后，获得了转换后的纹理特征矩阵mtexture。该矩阵包含采样窗口内所有像素点构成的列向量，其作为纹理特征在骨龄评估试验中，表现出与骨龄的高度相关性，与形状特征相当。

本发明提出一种用于骨龄评估的手骨x光图像纹理特征提取方法，对包括桡骨、尺骨、短骨在内的骨骼进行处理，能够获得相当于形状特征贡献度的纹理特征。本发明对图像纹理进行合理采样，获取了包含丰富生长信息的纹理特征，结合形状特征可显著提高骨龄评估的准确度。

附图说明

图1是本发明方法的流程图；

图2是本发明实施例的效果图。

具体实施方式

为使本发明实现的技术手段与创作特征易于明白，下面结合附图和实例，对本发明的实施方式进一步详述。

本发明针对目前的骨龄评估方法中，对手骨x光图像的纹理特征提取较为困难、仅依靠形状特征和gabor特征不足以反映骨龄成熟度等问题，提出一种新的纹理特征提取方法。

下面结合附图，详细阐述本发明方法的实施细节，步骤如下：

步骤1、构建手骨轮廓关键点坐标矩阵

收集n张待测左手手骨x光图片，按照rus-chn法评价标准里面的内容，对其中的11个短骨、尺骨、桡骨，依次编为01,02，……，13号，按照手骨编号对骨块分开处理。

对每个骨块的轮廓都用k个关键点来描述，这k个点均匀分布在包含骨干、骨骺在内的骨骼边缘上，它们的坐标构成一个形状向量

其中，表示第j个训练样本上第i个关键点坐标。

然后通过合适的旋转、平移等操作将这n个形状向量对齐到平均形状向量对齐之后的各个向量记作(j＝1,2,…,n)。

将获得的形状向量组成手骨轮廓关键点坐标矩阵

式中，表示对齐后的第j个形状向量，表示平均形状向量。

步骤2、delaunay三角剖分获得关键点特征三角形集合

根据上一步的结果，将每个样本对齐之后的k个关键点进行三角剖分。实现的算法如下：

a.建立一个大的三角形，将平面内其余轮廓关键点包在里面，放入三角形链表中。

b.将其余关键点依次插入，在三角形链表中找出该点的影响三角形。将影响三角形的公共边删除，同时把插入点与影响三角形的3个顶点连接起来，再将形成的三角形放入delaunay三角形链表中。

c.循环执行上述步骤b，直到所有散点插入完成。

按照三角剖分算法执行以下步骤：

(1)对每个骨块的平均形状执行三角剖分，获得平均特征三角形集合

(2)对n个对齐后样本形状执行三角剖分，获得样本特征三角形集合

步骤3、三角映射获得手骨图像纹理特征

经过上一步，每个编号的骨块都获得一个基于平均形状的三角形集合表示由于每一个样本上的轮廓关键点与特征三角形都是一一对应的，故可以将样本三角形上每一点的像素值复制到平均三角形对应点的位置上，称作“三角映射”。

但是，由于不同样本三角形之间的差异，必然有一部分位置点的像素不满足映射条件。这时，需要按照邻近像素点判定准则，用相邻点的像素值作为目标点像素值的替代。这样就实现了将所有样本中的原始灰度图转化为纹理图像。

为了实现这一步，可按照如下步骤进行：

(1)将对齐之后的平均形状的坐标基点标准化，并转化为纹理图像中的坐标表示。

坐标转化时，对的第i个关键点做下列变换，

其中，表示纹理图像中第i个关键点的坐标，ts表示图像的尺度。

(2)根据变换后的关键点绘制闭合轮廓线，并填充为白色手骨图像，定义采样窗口。

采样窗口的作用是重点采集骨化中心区域(生长区)的图像纹理。因为变换后得到的纹理图像仍然包含巨大的像素冗余信息，所以提取生长区纹理也是评估骨龄的需要。

(3)通过三角剖分和三角映射对生长区进行采样，获得的参数包含300～3000个点左右的像素值，然后把相应位置的像素值转换为矢量，计算平均纹理图像

(4)灰阶正常化以补偿照明，做主成分分析pca,保存特征向量和特征值。

然后将特征值按照从大到小排序，取前r个特征值对应的特征向量组成矩阵pnp×r。计算公式为：

其中，表示第j个样本的纹理，表示平均纹理，texture表示纹理特征矩阵。

按照上述步骤1、2、3可以有效提取手骨图像的纹理特征，该特征能够充分利用x光图像中的灰度信息，结合骨骼形状特征，一同作为骨龄评估的参考依据。

本发明通过控制采样窗口的位置、大小等参数可以实现对骨骼任意区域的纹理特征提取。因此，本发明既可以提取骨骼全部纹理，也可以只提取局部生长区域的纹理。并且，由于骨骼轮廓关键点的约束，纹理采样几乎不受图像背景信息的干扰。

以上对于本发明的具体实施方式的说明并非限定本发明的权利范围。