一种肌肉组织中结构性角度的自动测量方法及系统与流程
本发明涉及肌肉结构性角度的测量技术领域，尤其涉及的是一种肌肉组织中结构性角度的自动测量方法及系统。
背景技术：
肌肉是构成人体的重要组织，其主要功能是产生收缩和控制身体的运动。肌肉结构对肌力传递到肌腱和骨骼的方式有着重要影响。肌肉结构性角度，如肌肉羽状角，是骨骼肌研究的重要指标。肌肉结构性角度与肌肉收缩的强度高度相关，能够帮助医生了解肌肉生物力学特性，更好地评估肌肉功能和病理状态，为临床诊断和康复评估提供有效的依据。
目前对于肌肉组织中结构性角度的测量方法大部分采取的是人工手动勾画，这种人工测量方式繁琐、耗时、重复性差且十分主观，难以实现动态任务中肌肉功能的分析。而一般的自动测量方法同样存在一定不足，主要体现为以下三点：第一点是算法所测的结构性角度动态曲线平滑度低。这些方法所检测到的角度动态变化的原始信号并不平滑，存在高频抖动性起伏，不符合人体肌肉系统收缩运动的规律，影响测量的精度。第二点是算法鲁棒性低。这些算法往往只适用于某一类肌肉的超声图像，在个别数据集上退化严重，泛化能力差。第三点是算法自动性低。整个操作流程繁琐复杂，需要手动设置初始点或手动调参，自动化程度不高。
因此，现有技术还有待改进。
技术实现要素：
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种肌肉组织中结构性角度的自动测量方法及系统，旨在解决现有技术中对于肌肉结构性角度的测量方法精度低，鲁棒性低以及自动化程度低等问题。
本发明解决技术问题所采用的技术方案如下：
一种肌肉组织中结构性角度的自动测量方法，其中，所述方法包括：
在肌肉收缩运动中实时获取肌肉超声图像，并对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息；
调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分，并获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角；
对所述肌束区域进行归一化雷登变换，提取雷登变换矩阵中用于在欧氏空间上形成多束肌纤维的多个峰值点，并对所有的肌纤维的位置和方向进行加权平均，获取所述肌纤维与所述肌肉超声图像中预设的水平轴之间的第二夹角；
将所述第一夹角与所述第二夹角进行求和计算，得到肌肉组织中的结构性角度，所述结构性角度为肌肉羽状角。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述肌肉超声图像是采用超声扫描仪获取的图像，所述超声扫描仪的探头的长轴垂直与肌肉长轴方向。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息包括：
获取所述肌肉超声图像中每一个显著性区域，并计算每一个显著性区域的直方图，重新分布每一个显著性区域的图像亮度值，增强图像的局部细节与边缘信息。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分包括：
以预设的角度间隔对所述肌肉超声图像进行归一化雷登变换；
提取雷登变换矩阵上的峰值点，并以所述峰值点的位置为中心，以筋膜的线条宽度以及角度波动范围为长和宽，获取目标矩阵区域；
在雷登变换矩阵中，将以所述峰值点位置为中心，且以筋膜之间的距离的两倍为长，矩阵的宽度为宽所构成的区域清零；
在所述目标矩阵区域中，再获取多个峰值点，并利用峰值点的位置、方向信息来识别筋膜；
重复上述流程，检测出多条筋膜，完成筋膜与肌束区域的划分。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述归一化雷登变换的公式为：
r(ρ，θ)＝∫∫d(i(x，y)-mean(i))δ(ρ-xcosθ-ysinθ)dxdy；
其中，nr(ρ，θ)＝mapminmax(r(ρ，θ))；r(ρ，θ)代表经过标准雷登变换后的图像，mean(i)代表该图像的灰度均值，mapminmax(r(ρ,θ))代表将矩阵归一化到0和1之间。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角包括：
在所述目标区域矩阵中，选取预设数量的峰值点，并以选取的峰值点的亮度值作为权重，对筋膜的位置与方向进行加权平均；
记录深筋膜与肌肉超声图像中水平轴的平均夹角，所述平均夹角为所述第一夹角。
所述的肌肉组织中结构性角度的自动测量方法，其中，所述加权平均的计算公式为：
其中，
一种肌肉组织中结构性角度的自动测量系统，其中，所述系统包括：
图像获取与增强模块，用于在肌肉收缩运动中实时获取肌肉超声图像，并对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息；
第一夹角获取模块，用于调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分，并获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角；
第二夹角获取模块，用于对所述肌束区域进行归一化雷登变换，提取雷登变换矩阵中用于在欧氏空间上形成多束肌纤维的多个峰值点，并对所有的肌纤维的位置和方向进行加权平均，获取所述肌纤维与所述肌肉超声图像中预设的水平轴之间的第二夹角；
角度求和计算模块，用于将所述第一夹角与所述第二夹角进行求和计算，得到肌肉组织中的结构性角度，所述结构性角度为肌肉羽状角。
所述的肌肉组织中结构性角度的自动测量系统，其中，所述肌肉超声图像是采用超声扫描仪获取的图像，所述超声扫描仪的探头的长轴垂直与肌肉长轴方向。
所述的肌肉组织中结构性角度的自动测量系统，其中，所述第一夹角获取模块包括划分与定位子模块，所述划分与定位子模块用于：以预设的角度间隔对所述肌肉超声图像进行归一化雷登变换；
提取雷登变换矩阵上的峰值点，并以所述峰值点的位置为中心，以筋膜的线条宽度以及角度波动范围为长和宽，获取目标矩阵区域；
在雷登变换矩阵中，将以所述峰值点位置为中心，且以筋膜之间的距离的两倍为长，矩阵的宽度为宽所构成的区域清零；
在所述目标矩阵区域中，再获取多个峰值点，并利用峰值点的位置、方向信息来识别筋膜，并检测出多条筋膜，完成筋膜与肌束区域的划分。
本发明的有益效果：本发明通过实时获取肌肉收缩过程中的肌肉超声图像，并对预处理后的图像进行归一化雷登变换，能够有效消除图像边缘效应，解决图像对角线高亮的问题，使肌肉图像中的结构性角度的测量鲁棒性更强，精确度更高，并且本发明采用多肌纤维加权平均的算法，能够自然平滑、鲁棒、高自动性地准确测量出肌肉组织中的结构性角度，使得测量结果更接近真实运动状态，更能反映出整块肌肉的结构功能。
附图说明
图1是本发明提供的肌肉组织中结构性角度的自动测量方法的较佳实施例的流程图。
图2是本发明提供的肌肉组织中结构性角度的自动测量方法中的肌肉超声图像示意图。
图3是本发明提供的肌肉组织中结构性角度的自动测量方法的具体流程图。
图4是本发明提供的肌肉组织中结构性角度的自动测量方法中对肌肉超声图像的增强前后对比图。
图5是本发明提供的肌肉组织中结构性角度的自动测量方法中肌肉超声图像的增强后的图像及其对应的雷登变换矩阵。
图6是本发明提供的肌肉组织中结构性角度的自动测量方法中划分筋膜与肌束区域的过程中提取的峰值点示意图。
图7是本发明提供的肌肉组织中结构性角度的自动测量方法中经归一化雷登变换提取后的肌纤维示意图。
图8是本发明提供的肌肉组织中结构性角度的自动测量系统的功能原理款图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
肌肉是构成人体的重要组织，其主要功能是产生收缩和控制身体的运动。研究发现，肌肉结构对肌力传递到肌腱和骨骼的方式有着重要影响[1]。肌肉结构性角度，如肌肉羽状角，是骨骼肌研究的重要指标。肌肉结构性角度与肌肉收缩的强度高度相关，能够帮助医生了解肌肉生物力学特性，更好地评估肌肉功能和病理状态，为临床诊断和康复评估提供有效的依据，服务于康复医学或体育科学。然而肌肉的构成十分复杂，如何精准量化肌肉动态收缩时的结构是运动功能康复和运动医学研究中的热点和难点。
肌肉超声成像是一种无创无辐射、低成本、实时显示正常组织和病理肌肉组织的技术。由于能够在任意姿势下进行测量以及提供肌肉收缩时结构性目标变化的实时动态图像，二维超声图像已被广泛应用于研究肌肉运动中形态结构的改变，为临床诊断和康复评估提供了有效手段。利用超声仪器来获取肌肉图像并分析得到肌肉的结构参数，以此来评估肌肉功能和病理状态。肌肉组织中的结构性角度作为评估肌肉功能状态的一个重要且直观的参数，如何自然平滑、鲁棒、准确地测量肌肉结构性角度至关重要。
目前，利用图像处理技术对肌肉超声图像中结构性角度进行自动测量的方法主要有三种：第一种是基于多张超声图像的特征跟踪，第二种是基于单张超声图像的特征检测，第三种是基于深度学习的端对端检测。
特征跟踪的方法是指在第一帧图像上手动勾画出感兴趣区域，然后利用跟踪算法，如lucas-kanade光流算法(lucas–kanade光流算法是一种两帧差分的光流估计算法)或互相关算法，在相邻帧间动态地跟踪所选定的目标。超声图像中的特征跟踪具有挑战性，因为它必须处理肌肉变形、斑点噪声，以及感兴趣区域里所跟踪的目标在外观或强度上发生显著变化等问题。目前，尽管某些跟踪算法在某些特定任务上表现良好，但仍会因为连续图像之间感兴趣区域的不均匀变形、噪声干扰甚至消失等问题而表现出累积性的跟踪误差；而且跟踪算法需要手动选取第一帧的目标跟踪点，这种半自动的交互方式会由于操作者经验的差异而出现偏差。
特征检测的方法是在假设结构性目标，如筋膜与肌纤维，均呈直线状的情况下，通过在肌肉超声图像中定位这些线状结构来识别结构性目标。在肌肉超声图像上，筋膜呈连续的高回声分布，而肌纤维通常以线状结构不均匀分布。通过采用霍夫变换或雷登变换来检测肌纤维，可以实现肌肉结构性角度的测量。虽然一般的特征检测方法能够通过霍夫变换或雷登变换来确定具有代表性的束向，但是在超声图像上，散斑噪声、肌内血管的出现往往会掩盖结构性目标的重要特征，增加了精确测量结构性角度的难度。
深度学习的检测方法是指架构神经网络模型，通过学习已经明确定义的区域中的结构性目标信息来预测局部结构性目标的方向。尽管深度学习方法应用在全区域骨骼肌肌纤维方向上的性能，表现在可接受的误差范围内，但由于其数据驱动的特性，模型需要训练大量数据，对算力资源，训练时间要求高。而且目前该技术尚未成熟，对肌肉结构性角度的动态测量仍会出现较大的偏差。
为了解决上述问题，本实施例提供一种肌肉组织中结构性角度的自动测量方法方法，具体如图1中所示，该方法包括以下步骤：
步骤s100、在肌肉收缩运动中实时获取肌肉超声图像，并对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息；
步骤s200、调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分，并获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角；
步骤s300、对所述肌束区域进行归一化雷登变换，提取雷登变换矩阵中用于在欧氏空间上形成多束肌纤维的多个峰值点，并对所有的肌纤维的位置和方向进行加权平均，获取所述肌纤维与所述肌肉超声图像中预设的水平轴之间的第二夹角；
步骤s400、将所述第一夹角与所述第二夹角进行求和计算，得到肌肉组织中的结构性角度，所述结构性角度为肌肉羽状角。
本实施例中通过实施获取肌肉收缩过程中的肌肉超声图像，并对预处理后的图像进行归一化雷登变换，能够有效消除图像边缘效应，解决图像对角线高亮的问题，使肌肉图像中的结构性角度的测量鲁棒性更强，精确度更高，并且本发明采用多肌纤维加权平均的算法，能够自然平滑、鲁棒、高自动性地准确测量出肌肉组织中的结构性角度，使得测量结果更接近真实运动状态，更能反映出整块肌肉的结构功能。
具体地，本实施例首先在肌肉收缩运动时，记录的肌肉收缩所产生的超声图像，当然，此过程中所记录的信号不仅仅只有超声图像还包括输出力矩值或肌电、关节角度等信号的动态变化。记录超声图像和输出信号的仪器和方法有很多，本实施例中优选10mhz电子线阵探头的实时b型超声扫描仪来获取肌肉超声图像。在具体实施时，超声探头的长轴应垂直于肌肉长轴方向，距离膝关节远侧40％(从髂前上棘至髌骨上缘测量)。超声探头通过定制设计的带有固定带的泡沫容器固定，并且在肌肉收缩期间使用大量超声凝胶以确保探头与皮肤之间的声学耦合。并且可调整超声探头来优化超声图像中肌束的对比度，并对位置进行标记以确保探头每次都放置在相同的位置，提高图像获取的准确度。
参照图2，图2中为肌肉超声图像，图2中所示，骨骼肌的肌肉层中包含深筋膜、浅筋膜以及肌肉束区域，根据肌纤维的排列方向和深筋膜的方向可以画出肌束线l1和深筋膜线l2，两线之间的夹角θ被定义为羽状角，即为本发明所需要测量出的结构性角度。具体地，本实施例中的测量方法如图3中所示，首先对肌肉超声图像进行预处理，增强图像边缘信息，从而有助于划分深、浅筋膜和肌束区域。接着，本实施例采用归一化雷登变换对深、浅筋膜进行精确定位与划分，计算得到深筋膜与水平线(即肌肉超声图像上的x轴)之间的夹角为θ1(第一夹角)。然后，我们对所划分出的肌束区域，再次进行归一化雷登变换，提取雷登变换矩阵中的大量峰值点，在欧氏空间上形成多束肌纤维，对所有肌纤维的方向和位置进行加权平均，记录其与水平线((即肌肉超声图像上的x轴))之间的夹角为θ2(第二夹角)，通过式将夹角θ1和夹角θ2求和计算即可测量出该肌肉超声图像的羽状角θ(θ＝θ1+θ2)。
进一步地，由于肌肉超声图像包含筋膜、肌束纹理特征和噪声信息。重要的纹理特征易受到高散斑噪声和肌内血管的干扰，导致准确定位各组织的难度增加。因此，本实施例需要对肌肉超声图像进行增强处理。优选地，本实施例采用限制对比度的自适应直方图均衡(contrastlimitedadaptivehistogramequalization，clahe)，clahe是一种改善图像对比度的图像处理技术。具体包括获取所述肌肉超声图像中每一个显著性区域，并计算每一个显著性区域的直方图，重新分布每一个显著性区域的图像亮度值，增强图像的局部细节与边缘信息。同时，图像上的每一个像素邻域都会进行对比度的限制，克服噪声干扰，如图4所示，图4中a为原始的肌肉超声图像，b为clahe增强后的肌肉超声图像。本实施例中，clahe能够有效抑制噪声，减少噪声所引起的误差，增强肌束纹理特征，有利于提升雷登变换对结构性目标的定位与识别能力。
具体地，在肌肉超声图像上，筋膜通常表现为连续的高回声带，其方向接近于零度，而肌纤维通常表现为不均匀分布的线状结构，其方向也有迹可循。因此，针对连续性筋膜和各向同性肌纤维，本实施例采用雷登变换进行检测。标准的雷登变换在欧式空间下的公式为：
r(ρ，θ)＝∫∫di(x，y)δ(ρ-xcosθ-ysinθ)dxdy
其中，i(x，y)代表在(x，y)位置的图像灰度，δ为狄拉克δ函数，ρ为直线到图像中心的距离，θ为x轴和线的夹角，d为图像网格。标准的雷登变换代表着整个图像平面在其投影方向上的灰度积分，因雷登变换矩阵上的峰值点能够表征直线的特性，而被广泛应用于直线的提取与边界的识别。但由于在不同投影方向上，其积分路径长度各异，容易产生边缘效应，如图5中所示，无法确定哪一个峰值点所代表的方向是筋膜方向。为了消除边缘效应，本实施例提出了一种新的归一化雷登变换:
r(ρ，θ)＝∫∫d(i(x，y)-mean(i))δ(ρ-xcosθ-ysinθ)dxdy
nr(ρ，θ)＝mapminmax(r(ρ，θ))；
其中，r(ρ，θ)代表经过标准雷登变换后的图像，mean(i)代表该图像的灰度均值，mapminmax(r(ρ,θ))代表将矩阵归一化到0和1之间。本实施例中首先通过将原始图像减去图像灰度均值来解决雷登变换矩阵中对角线普遍高亮的问题，然后根据筋膜方向范围的先验知识，以预设的角度间隔(例如0.1度)对图像进行归一化雷登变换。为了准确划分筋膜与肌束区域，本实施例还需通过以下步骤完成筋膜与肌束区域的划分，包括：
提取雷登变换矩阵上的峰值点，并以所述峰值点的位置为中心，以筋膜的线条宽度以及角度波动范围为长和宽，获取目标矩阵区域；
在雷登变换矩阵中，将以所述峰值点位置为中心，且以筋膜之间的距离的两倍为长，矩阵的宽度为宽所构成的区域清零；
在所述目标矩阵区域中，再获取多个峰值点，并利用峰值点的位置、方向信息来识别筋膜；
重复上述流程，检测出多条筋膜，完成筋膜与肌束区域的划分。
本实施例通过上述步骤，可以准确地划分出肌肉超声图像中的筋膜与肌束区域，如图6中所示，图6中a图为提取的筋膜峰值点(图6中黑色的点)，b图为峰值点对应的直线，实现了筋膜与肌束区域的精确定位。
进一步地，由于雷登变换矩阵上的亮度值代表着原始图像上每一条直线映射到雷登空间上的累积结果。数值越大，说明逆变换回欧氏空间是直线的可能性就越大。因此，本发明利用这一信息，在目标矩阵区域中，选取预定数量的峰值点(如50个峰值点)，以它们各自的亮度值作为权重，对位置和方向进行加权平均，并记录深筋膜与水平线(图像中的x轴)之间的平均夹角为θ1。加权平均的计算公式如下：
其中，
进一步地，本实施例还可以根据肌纤维方向范围的先验知识，并以某个角度间隔(例如0.1度)，对所划分出的肌束区域进行归一化雷登变换，提取雷登变换矩阵中的多个峰值点(如1000个峰值)，在欧氏空间上形成多束肌纤维，如图7所示，图7中的a为提取的肌纤维峰值点(图7中黑色的点)，b为峰值点所对应的直线。然后对所有肌纤维的位置和方向进行加权平均，并记录其与水平线(图像中的x轴)之间的夹角为θ2。然后在将θ1和θ2相加，即可精确计算出每一帧肌肉超声图像的肌肉羽状角，即肌肉组织中的结构性角度。
本实施例中利用多肌纤维加权平均算法处理超声图像来动态研究肌肉结构性角度及相关形态学参数(如肌肉厚度、肌纤维角度、肌束长度、肌肉生理横截面积等)的变化，有效提高了结构性角度的测量精度，鲁棒性高。通过本实施例提供的一种肌肉组织中结构性角度的自动测量方法，能够克服高散斑噪声和肌内血管的干扰，有效划分筋膜与肌束区域，实现肌肉收缩过程中结构性角度动态变化的全自动精准测量。与现有的测量方法相比，本实施例的测量结果与专家手动勾画的结果更吻合，与肌力相关性更高，结构性角度动态曲线自然平滑；而且算法能在多组不同类型的数据集上适用，鲁棒性较强，不需要手动调整参数即可完成结构性角度的精准测量，自动化程度更高。
基于上述实施例，本发明还提供一种肌肉组织中结构性角度的自动测量系统，如图8中所示，该系统包括：图像获取与增强模块810，第一夹角获取模块820，第二夹角获取模块830，角度求和计算模块840。
具体地，图像获取与增强模块810，用于在肌肉收缩运动中实时获取肌肉超声图像，并对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息；
第一夹角获取模块820，用于调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分，并获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角；
第二夹角获取模块830，用于对所述肌束区域进行归一化雷登变换，提取雷登变换矩阵中用于在欧氏空间上形成多束肌纤维的多个峰值点，并对所有的肌纤维的位置和方向进行加权平均，获取所述肌纤维与所述肌肉超声图像中预设的水平轴之间的第二夹角；
角度求和计算模块840，用于将所述第一夹角与所述第二夹角进行求和计算，得到肌肉组织中的结构性角度，所述结构性角度为肌肉羽状角。
优选地，本实施例优选10mhz电子线阵探头的实时b型超声扫描仪来获取肌肉超声图像。在具体实施时，超声探头的长轴应垂直于肌肉长轴方向，距离膝关节远侧40％(从髂前上棘至髌骨上缘测量)。
优选地，本实施例中第一夹角获取模块820包括划分与定位子模块，所述划分与定位子模块用于：以预设的角度间隔对所述肌肉超声图像进行归一化雷登变换；提取雷登变换矩阵上的峰值点，并以所述峰值点的位置为中心，以筋膜的线条宽度以及角度波动范围为长和宽，获取目标矩阵区域；在雷登变换矩阵中，将以所述峰值点位置为中心，且以筋膜之间的距离的两倍为长，矩阵的宽度为宽所构成的区域清零；在所述目标矩阵区域中，再获取多个峰值点，并利用峰值点的位置、方向信息来识别筋膜，并检测出多条筋膜，完成筋膜与肌束区域的划分。
本实施例通过实时获取肌肉收缩过程中的肌肉超声图像，并对预处理后的图像进行归一化雷登变换，能够有效消除图像边缘效应，解决图像对角线高亮的问题，使肌肉图像中的结构性角度的测量鲁棒性更强，精确度更高，并且本发明采用多肌纤维加权平均的算法，能够自然平滑、鲁棒、高自动性地准确测量出肌肉组织中的结构性角度，使得测量结果更接近真实运动状态，更能反映出整块肌肉的结构功能。
综上所述，本发明公开一种肌肉组织中结构性角度自动测量方法及系统，所述方法包括：在肌肉收缩运动中实时获取肌肉超声图像，并对所述肌肉超声图像进行预处理，以增强所述肌肉超声图像的图像边缘信息；调用预设的归一化雷登变换算法对所述肌肉超声图像中的筋膜以及肌束区域进行划分，并获取深筋膜与所述肌肉超声图像中预设的水平轴之间的第一夹角；对所述肌束区域进行归一化雷登变换，提取雷登变换矩阵中用于在欧氏空间上形成多束肌纤维的多个峰值点，并对所有的肌纤维的位置和方向进行加权平均，获取所述肌纤维与所述肌肉超声图像中预设的水平轴之间的第二夹角；将所述第一夹角与所述第二夹角进行求和计算，得到肌肉组织中的结构性角度，所述结构性角度为肌肉羽状角。本发明能够自然平滑、鲁棒、自动地测量出肌肉组织中的结构性角度，使得测量结果更接近真实的运动状态，更能反映出肌肉的结构功能。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！