一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法
【專利摘要】一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法，本發明涉及基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法。本發明為了解決現有半月板分割方法計算效率與處理效果的不平衡、利用單一灰度信息使處理效果不理想、需要人工設置初始點、難以實現自動圖像序列批處理、提取效果受成像條件影響等問題。具體過程為：一、ROI定位，選定初始片層組；二、進行優化，得到優化后片層集合；三、對優化后片層集合中的片層的ROI進行閾值自動選擇與半月板目標提取；四、根據提取出的半月板目標在優化后片層集合中進行半月板原始信息提取，得到包含分割出的半月板原始信息的ROI的片層。本發明應用于半月板提取領域。
【專利說明】
-種基于形狀約束的膝關節磁共振圖像序列半月板自動提取 方法
技術領域
[0001] 本發明設及基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法。
【背景技術】
[0002] 現有的膝關節半月板提取方法有基于目標邊界信息的的分割方法，包括邊緣檢測 算子、區域生長、分水嶺算法等。此類方法施行起來較為簡單、運算量小，但利用的信息較單 一、無法結合醫學經驗知識，目標分割效果差;有基于輪廓模型的方法，包括snake模型及其 改進算法，如主動輪廓模型、測地線主動輪廓模型等。此類方法處理效果較好，但計算量大、 模型演化速度慢、初始條件需要人工設置且對最終處理結果影響大，同時難W實現圖像序 列批處理;有基于灰度信息的提取方法，包括紋理目標分割、闊值處理等。此類方法應用了 更多的圖像特征及醫學經驗知識，可W較好的平衡計算效率與處理效果，但存在受成像條 件影響產生誤提取的現象，如ROI定位受成像位置影響、關節軟骨被誤提取為半月板目標等 現象。

【發明內容】

[0003] 本發明為了解決現有半月板分割方法中存在的W下問題:計算效率與處理效果的 不平衡、未結合醫學經驗知識利用單一灰度信息使處理效果不理想、需要人工設置初始點、 難W實現自動圖像序列批處理、提取效果受成像條件影響等問題，從而提出一種基于形狀 約束的膝關節磁共振圖像序列半月板自動提取方法。
[0004] 上述的發明目的是通過W下技術方案實現的：
[0005] 步驟一、ROI (感興趣區域)定位，選定初始片層組Sselected ;
[0006] 所述，ROI為感興趣區域；
[0007] 步驟二、對選定的初始片層組Sselected進行優化，得到優化后片層集合Soptimized;
[000引步驟S、對優化后片層集合Snptimized中的片層的ROI進行闊值自動選擇與半月板目 標提取；
[0009]步驟四、根據提取出的半月板目標巧在優化后片層集合SDPtimized中進行半月板 原始信息提取，得到包含分割出的半月板原始信息的ROI的片層Tk。
[001日]發明效果
[0011]實驗中采用的=組實驗數據是由哈爾濱醫科大學附屬醫院提供，采集于=位年齡 分布在30-50之間、于2014年在哈爾濱醫科大學附屬醫院進行膝關節磁共振檢查的患者，圖 像為Tl加權(TR= 500ms ,TE= 17ms)，片層間隔為4mm，像素尺寸為51巧512。為尊重用戶隱 私，成像序列分別稱為Sl、S2、S3，每個序列包含圖像36張。圖像經過預處理已將DI COM格式 轉換為易于計算機處理的PNG格式。
[0012] 本實驗的計算機配置為：cpu:Inter巧-4200M@2.5GHz，內存：4G，操作系統 WindowslO，處理軟件：Mat lab2013a O
[001引結果如圖I至圖5、表1、表2所示。圖I為利用灰度分布信息對圖像序列SI的均值圖 像進行ROI定位的效果圖，添加了局部極小值捜索步驟，根據Matlab連通域提取函數獲得的 目標0/k,m位置信息W及膝關節成像特點，可見此方法能準確的定位半月板并且無丟失的提 取R0I。圖2為利用灰度分布信息對圖像序列的均值圖像進行ROI定位的效果圖，未添加局部 極小值捜索步驟的結果對比圖，圖2a為未添加局部極小值捜索步驟時，利用灰度分布信息 對圖像序列Sl的均值圖像進行ROI定位的效果圖，可見未添加局部極小值捜索步驟時ROI定 位會由于成像因素的影響(膝關節在圖像中的位置、膝關節彎曲程度等），出現在圖像兩端， 無法實現半月板準確定位，圖化、圖2c分別為未添加局部極小值捜索步驟時，利用灰度分布 信息對圖像序列S2、S3的均值圖像進行ROI定位的效果圖，可見運種成像因素造成的影響并 不是總會出現，但出現幾率較高。圖3a為序列Sl中第5片層分割出的ROI圖像序列示例圖；圖 3b為序列Sl中第7片層分割出的ROI圖像序列示例圖；圖3c為序列Sl中第9片層分割出的ROI 圖像序列示例圖；圖3d為序列Sl中第11片層分割出的ROI圖像序列示例圖；圖3e為序列Sl中 第13片層分割出的ROI圖像序列示例圖；可見ROI的選擇可完整的包含半月板結構，并且使 得面積盡可能減小便于運算、降低誤提取概率。圖4a為序列Sl中第5片層半月板目標提取結 果示例圖；圖4b為序列Sl中第7片層半月板目標提取結果示例圖；圖4c為序列Sl中第9片層 半月板目標提取結果示例圖；圖4d為序列Sl中第11片層半月板目標提取結果示例圖；圖4e 為序列SI中第13片層半月板目標提取結果示例圖；可見半月板結構被完整提取出來，并且 已進行闊值化處理和空桐填充，此時半月板目標只有形狀信息(失去位置、灰度信息），從第 11片層結果可見存在誤提取現象（由于原目標較小不易展示，部分圖像被放大）。圖5a為序 列Sl中第5片層半月板信息提取結果示例圖；圖化為序列Sl中第7片層半月板信息提取結果 示例圖；圖5c為序列Sl中第9片層半月板信息提取結果示例圖；圖5d為序列Sl中第11片層半 月板信息提取結果示例圖；圖5e為序列Sl中第13片層半月板信息提取結果示例圖；可見半 月板信息（包括形狀、位置關系、灰度紋理信息）被完整地從原MRI中提取出來，圖5曰、圖5b、 圖5c、圖5d、圖5e呈現的是整個ROI區域，從第11片層結果可見存在誤提取現象(該部分為灰 度相似，且滿足形狀約束的非半月板組織）。圖6a為添加了基于醫學先驗知識結合位置關系 和目標數量進行濾除的步驟后，序列Sl中第11片層目標誤提取現象消失對比圖；圖化為添 加了基于醫學先驗知識結合位置關系和目標數量進行濾除的步驟后，序列Sl中第11片層目 標誤提取現象消失結果圖。
[0014]表1半月板分割結果評估指標
[0015]
[i
[i
[0018] ROI分割結果如圖I所示，與未添加局部極小值捜索的方法結果對比如圖2a-2c所 示，可見實現了存在兩端黑影干擾時的ROI準確定位。半月板目標提取結果如圖3a-3e所示， 與圖4a-4e(未添加誤提取目標濾除）對比，可見增加的步驟可降低誤提取幾率。圖5a-f5e顯 示了最終半月板分割的結果。利用專家對MRI序列中半月板目標的人工標注作為參考標準， 計算出方法的性能指標:提取半月板目標的準確度、目標提取的召回率，如表1所示。由于方 法中計算出的ROI面積W及闊值捜索范圍小于已有算法的1/2,此部分運算效率為原有的二 倍。實驗中還分析了對于不同形狀的半月板目標的提取性能，結果如表2所示。
【附圖說明】
[0019] 圖1為添加了局部極小值捜索步驟時，利用灰度分布信息對圖像序列Sl的均值圖 像進行ROI定位的效果圖；
[0020] 圖2a為未添加局部極小值捜索步驟時，利用灰度分布信息對圖像序列Sl的均值圖 像進行ROI定位的效果圖；
[0021] 圖化為未添加局部極小值捜索步驟時，利用灰度分布信息對圖像序列S2的均值圖 像進行ROI定位的效果圖；
[0022] 圖2c為未添加局部極小值捜索步驟時，利用灰度分布信息對圖像序列S3的均值圖 像進行ROI定位的效果圖；
[0023] 圖3a為序列Sl中第5片層分割出的ROI圖像序列示例圖；
[0024] 圖3b為序列Sl中第7片層分割出的ROI圖像序列示例圖；
[0025] 圖3c為序列Sl中第9片層分割出的ROI圖像序列示例圖；
[0026] 圖3d為序列Sl中第11片層分割出的ROI圖像序列示例圖；
[0027] 圖3e為序列Sl中第13片層分割出的ROI圖像序列示例圖；
[0028] 圖4a為序列Sl中第5片層半月板目標提取結果示例圖；
[0029] 圖4b為序列Sl中第7片層半月板目標提取結果示例圖；
[0030] 圖4c為序列Sl中第9片層半月板目標提取結果示例圖；
[0031] 圖4d為序列Sl中第11片層半月板目標提取結果示例圖；
[0032] 圖4e為序列Sl中第13片層半月板目標提取結果示例圖；
[0033] 圖5a為序列Sl中第5片層半月板信息提取結果示例圖；
[0034] 圖化為序列Sl中第7片層半月板信息提取結果示例圖；
[0035] 圖5c為序列Sl中第9片層半月板信息提取結果示例圖；
[0036] 圖5d為序列Sl中第11片層半月板信息提取結果示例圖；
[0037] 圖5e為序列Sl中第13片層半月板信息提取結果示例圖；
[0038] 圖6a為圖4d經過濾除誤提取目標處理后的對比圖；
[0039] 圖化為圖5d經過濾除誤提取目標處理后的對比圖；
[0040] 圖7為子矩陣平均灰度曲線圖，Mean intensity for submatrix為子矩陣的灰度 平均值，Mean intensity為平均灰度，No.of submatrix為子矩陣的下標；
[0041] 圖8為歸一化后的LSE的分布圖，橫坐標是n縱坐標是每個子矩陣計算的LSE;LSE between ROIs and mask為ROI和模板間的LSE，No.of ROIs為ROI的下標；
[0042] 圖9為本發明流程圖；
[0043] 圖10為W均值化圖像Imean縱向中軸線為中屯、兩側各90像素寬度區域作為待處理 區域，沿待處理區域縱向中軸線垂直方向分割為16行X 180列像素大小的子矩陣示意圖。
【具體實施方式】
【具體實施方式】 [0044] 一:結合圖9說明本實施方式，本實施方式的一種基于形狀約束的膝 關節磁共振圖像序列半月板自動提取方法，具體是按照W下步驟制備的：
[0045] 可能包含半月板的片層可通過表3中信息初步選定，稱為Sselected,所有片層稱為 Sallo
[0046] 表3包含半月板的片層分布
[0047]
[0048] 半月板在膝關節MRI中出現的位置寬度，基本固定，通過經驗可確定其寬度可選擇 在MRI中，中線左右寬度180像素的區域。
[0049]根據經驗半月板高度一般在10-20像素之間。根據分析膝關節有可能出現的最大 傾斜，通過計算可完全包含半月板的最小可接受ROI為6府X18咧(計算方法:假設W-種極端 情況為例，兩半月板上下錯開50%厚度（10像素），平均圖像總高度達到30像素，再取極端情 況，定位小片定位ROI在一個半月板遠離另一個的一半處，貝化OI-半寬度為30將完全包含 該半月板5像素的厚度，另一半30像素，也足夠包含另一邊1日+1日=30)。
[(K)加]步驟一、ROI (感興趣區域)定位，選定初始片層組Sselected;
[0051] 所述，ROI為感興趣區域；
[0052] 步驟二、對選定的初始片層組Sselected進行優化，得到優化后片層集合Soptimized;
[0053] 步驟S、對優化后片層集合SDPtimized中的片層的ROI進行闊值自動選擇與半月板目 標提取；
[0054] 步驟四、根據提取出的半月板目標巧r在優化后片層集合Snptimized中進行半月板 原始信息提取，得到包含分割出的半月板原始信息的ROI的片層化。
【具體實施方式】 [0055] 二:本實施方式與一不同的是:所述步驟一中ROI (感 興趣區域)定位，選定初始片層組Sselected ;具體過程為：
[0056] (1)計算選定的初始片層的均值化圖像，記為Imean;
[0057] 其中，所述選定為人為根據臨床解剖學知識選定;選定的初始片層為512*512像 素；
[00 日引 Imean - ITlGan { Ik( i , j ) I Ik E Sselected} (I)
[0059] 其中，Ik表示選定的初始片層組Sselected中的下標為k的片層；i為1-512像素橫坐 標，j為1-512像素縱坐標；
[0060] (2) W均值化圖像Imean縱向中軸線為中屯、兩側各90像素寬度區域作為待處理區 域，沿待處理區域縱向中軸線垂直方向分割為16行X 180列像素大小的子矩陣，如圖10;
[0061] 第n個子矩陣表示為Pn(iJ)，用于定位半月板垂直位置，子矩陣高度的選擇接近 根據經驗的平均半月板厚度，同時與圖像整體尺寸有關(512巧12像素）；n取值為1-32;
[0062] (3)計算每個子矩陣的平均灰度值，如圖7,并繪制出橫坐標為n，縱坐標為灰度值 的子矩陣平均灰度曲線圖；
[0063] Np(n)=mean(Pn(i,j)),nG(l,32) (2)
[0064] 式中，Np(n)為第n個子矩陣的平均灰度值；
[0065] (4)根據經驗知識設置子矩陣的平均灰度值的局部極小值捜索范圍為[30%， 70%]，在范圍為[30% ,70% ]內捜索平均灰度值最小值對應的子矩陣作為包含半月板小 片；
[0066]
傅
[0067] 式中，1^為平均灰度值最小的子矩陣的下標，11^￡11;
[006引將巧4/J)的縱向的高度/2+1行C巧.(z'J)的縱向的高度/2+1行為縱向的高度/2向 下移動一行)作為ROI窗口的中屯、行，中屯、行向上選取30行，向下29行作為實際選定的ROI窗 口，將實際選定的ROI窗口作用于全部片層獲得ROI圖像序列礦''(;'.八取值為為1-180 像素橫坐標，j取值為為1-60像素縱坐標；
[0069]其中，/r (z'J)為下標為k的片層的ROI ,Sail為全部片層集合。
[0070]其它步驟及參數與【具體實施方式】一相同。
[0071 ]【具體實施方式】=:本實施方式與【具體實施方式】一或二不同的是:所述步驟二中對 選定的初始片層組Sseleeted進行優化，得到優化后片層集合Snptimized ;具體過程為：
[0072] (1)計算選定的初始片層組SseleGted的ROI的均值作為模板& (i，j);
[007；3]
(4)
[0074] 其中，M為選定的初始片層組Sselected中的片層數；(Hi, j)為選定的初始片層組 Sselected的ROI的均值；（2)利用模板(I)QJ)匹配所有選定片層Ik的ROI，計算最小均方誤差 LSE，并進行歸一化處理，如圖8;
[0075] 樹
[0076] ㈱
[0077] 將歸一化處理后LSE^化)〉60%的片層視為不包含半月板片層，剔除運些片層，余 下的片層作為優化后的片層集合SDPtimized。
[0078] 如果要選擇出典型的包含類S角形半月板的MRI，則可將條件變嚴格，設置LSE^ 化)〉40%或者更小，則靠近兩側和中部的片層將被刪除。
[0079] 其它步驟及參數與【具體實施方式】一或二相同。
【具體實施方式】 [0080] 四：本實施方式與一至=之一不同的是：步驟=中對 優化后片層集合SDPtimized中的片層的ROI進行闊值自動選擇與半月板目標提取;具體過程 為：
[0081] (1)計算優化后片層集合Soptimized中的片層的ROI的均值圖像的平均灰度，作為闊 值選擇的參考值；
[0082]
(7)
[0083] 式中，n為優化后片層集合Soptimized中的片層的ROI的均值圖像的平均灰度；
[0084] (2)選取闊值T = O.0511，對優化后片層集合Soptimized中的片層的ROI進行二值化處 理；
[0085]
(S)
[0086] 式中，化(i，j)為二值化處理后的圖像；
[0087] (3)將二值化處理后的圖像Bk(i J )的ROI中所有滿足八連通的獨立目標利用 Matlab連通域提取函數全部提取出來，進行濾波約束處理，記為目標Ok,m，k為片層編號，m為 每片層中目標編號;此時目標包含位置坐標；
[0088] (4)首先進行過大或過小目標的濾除，將面積不滿足表4中面積約束條件的目標濾 除，初步減少噪聲像素的干擾。
[0089] 當目標0k,m不滿足面積為Area(0k,m)〉50像素，Area(0k,m)<800像素時，濾除目標 Ok, m;
[0090] 表4目標形狀約束條件
[0091]
[0092] (5)針對濾除目標Ok,m后每一個剩余目標，計算剩余目標的軸比和邊界盒比，軸比 為主軸/副軸，邊界盒比為邊界長度/寬度，濾除不滿足軸比和邊界盒比的目標，得到滿足半 月板形狀約束條件的目標O^k,"，每個片層上ROI中目標數量記為姑，,，下標t為闊值變化標 記，1《t《19;形狀約束條件見表4。
[0093] 其中，軸比的目標為主軸/副軸〉1，主軸/副軸<6,邊界盒比目標為長度/寬度〉1，長 度/寬度巧;半月板形狀約束條件為軸比目標為主軸/副軸〉1，主軸/副軸<6,邊界盒比目標 為長度/寬度〉1，長度/寬度巧；
[0094]
(9)
[00M] (6)根據Matlab連通域提取函數獲得的目標OYm位置信息W及膝關節成像特點， 濾除誤提取的目標，得到濾除誤提取的目標后的提取結果〇"k,m(若出現剩余目標超過3個， 則判定兩側目標為半月板，其余目標為關節軟骨殘余部分）；
[0096]
(10)
[0097] 式中，0"k,"為濾除誤提取的目標后的提取結果；
[009引（7)記錄每個片層上ROI中提取的半月板目標數量qk, t;
[0099] qk,t = no.of (0"k'm) (11)
[0100] W及闊值T對應的ROI序列總共提取出的半月板目標數量；
[0101]
(12)
[0102] (8)改變闊值，重復步驟(3)-(7)，記錄用每個闊值處理時提取出的半月板目標總 數量qt，闊值范圍為T = 0.0時~0.4〇ri，每次增長0.OSn，其中下標t = 1，2，......,8；
[0103] (9)選擇使提取出的半月板目標總數量qt最多的闊值作為自適應闊值選擇的最優 結果；
[0104]
(13)
[0105] 乍為二值化處理的最優闊值，T氣4應的提取結果〇"k,m即為最優半月板目標提 取結果，此時提取半月板目標記為巧:f。
[0106] 其它步驟及參數與【具體實施方式】一至=之一相同。
【具體實施方式】 [0107] 五:本實施方式與一至四之一不同的是:所述T巧X值 為為0.1 On~0.3011。通過實驗我們發現對于我們的Tl加權MRI數據，最優T巧別直為0. l〇ri~ 0.3〇ri。
[0108] 其它步驟及參數與【具體實施方式】一至四之一相同。
【具體實施方式】 [0109] 六:本實施方式與一至五之一不同的是:所述步驟四 中根據提取出的半月板目標0品'在優化后片層集合SDPtimized中進行半月板原始信息提取，得 到包含分割出的半月板原始信息的ROI的片層化;具體過程為：
[0110] (1)根據半月板目標《r，計算0汾的凸包巧:f?'(填補闊值處理可能產生的目標內 部空桐)作為模板。
[0111] (2)利用第二階段步驟中Matlab連通域提取函數記錄的每一個化r的位置坐標，獲 取半月板目標對應到原片層中的位置坐標。
[0112] (3)制作與ROI區域大小(60行*180列像素)相同的模板，其中對應于凸化處理后的 半月板目標化T*"'"的區域為空，其他區域灰度設置為255(白色，便于展示與觀察）；
[0113]
(14)
[0114] 化即為最終僅包含分割出的半月板原始信息的ROI的片層。
[0115] 其它步驟及參數與【具體實施方式】一至五之一相同。
[0116] 采用W下實施例驗證本發明的有益效果：
[0117] 實施例一；
[0118] 本實施例一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法具體 是按照W下步驟制備的：
[0119] 實驗中采用的=組實驗數據是由哈爾濱醫科大學附屬醫院提供，采集于=位年齡 分布在30-50之間、于2014年在哈爾濱醫科大學附屬醫院進行膝關節磁共振檢查的患者，圖 像為Tl加權(TR=SOOms ,TE= 17ms)，片層間隔為4mm，像素尺寸為51巧512。為尊重用戶隱 私，成像序列分別稱為51、52、53，每個序列包含圖像36張。圖像經過預處理已將01〇)1格式 轉換為易于計算機處理的PNG格式。
[0120] 本實驗的計算機配置為：cpu:Inter巧-4200M@2.5GHz，內存：4G，操作系統 WindowslO，處理軟件：Matlab2013a。
[0121] 結果如圖1至圖5、表1、表2所示。圖1為利用灰度分布信息對圖像序列SI的均值圖 像進行ROI定位的效果圖，添加了局部極小值捜索步驟，根據Matlab連通域提取函數獲得的 目標〇/k,m位置信息W及膝關節成像特點，可見此方法能準確的定位半月板并且無丟失的提 取R0I。圖2為利用灰度分布信息對圖像序列的均值圖像進行ROI定位的效果圖，未添加局部 極小值捜索步驟的結果對比圖，圖2a為未添加局部極小值捜索步驟時，利用灰度分布信息 對圖像序列Sl的均值圖像進行ROI定位的效果圖，可見未添加局部極小值捜索步驟時ROI定 位會由于成像因素的影響(膝關節在圖像中的位置、膝關節彎曲程度等），出現在圖像兩端， 無法實現半月板準確定位，圖化、圖2c分別為未添加局部極小值捜索步驟時，利用灰度分布 信息對圖像序列S2、S3的均值圖像進行ROI定位的效果圖，可見運種成像因素造成的影響并 不是總會出現，但出現幾率較高。圖3a為序列Sl中第5片層分割出的ROI圖像序列示例圖；圖 3b為序列Sl中第7片層分割出的ROI圖像序列示例圖；圖3c為序列Sl中第9片層分割出的ROI 圖像序列示例圖；圖3d為序列Sl中第11片層分割出的ROI圖像序列示例圖；圖3e為序列Sl中 第13片層分割出的ROI圖像序列示例圖；可見ROI的選擇可完整的包含半月板結構，并且使 得面積盡可能減小便于運算、降低誤提取概率。圖4a為序列Sl中第5片層半月板目標提取結 果示例圖；圖4b為序列SI中第7片層半月板目標提取結果示例圖；圖4c為序列SI中第9片層 半月板目標提取結果示例圖；圖4d為序列Sl中第11片層半月板目標提取結果示例圖；圖4e 為序列SI中第13片層半月板目標提取結果示例圖；可見半月板結構被完整提取出來，并且 已進行闊值化處理和空桐填充，此時半月板目標只有形狀信息(失去位置、灰度信息），從第 11片層結果可見存在誤提取現象（由于原目標較小不易展示，部分圖像被放大）。圖5a為序 列Sl中第5片層半月板信息提取結果示例圖；圖化為序列Sl中第7片層半月板信息提取結果 示例圖；圖5c為序列Sl中第9片層半月板信息提取結果示例圖；圖5d為序列Sl中第11片層半 月板信息提取結果示例圖；圖5e為序列Sl中第13片層半月板信息提取結果示例圖；可見半 月板信息（包括形狀、位置關系、灰度紋理信息）被完整地從原MRI中提取出來，圖5曰、圖5b、 圖5c、圖5d、圖5e呈現的是整個ROI區域，從第11片層結果可見存在誤提取現象(該部分為灰 度相似，且滿足形狀約束的非半月板組織）。圖6a為添加了基于醫學先驗知識結合位置關系 和目標數量進行濾除的步驟后，序列Sl中第11片層目標誤提取現象消失對比圖；圖化為添 加了基于醫學先驗知識結合位置關系和目標數量進行濾除的步驟后，序列Sl中第11片層目 標誤提取現象消失結果圖。
[0122] 表1半月板分割結果評估指標
[0123]
[0124] 表2不同形態半月板檢測性能比較
[0125]
[0126] ROI分割結果如圖I所示，與未添加局部極小值捜索的方法結果對比如圖2所示，可 見實現了存在兩端黑影干擾時的ROI準確定位。半月板目標提取結果如圖3a-3e所示，與圖 4a-4e(未添加誤提取目標濾除）對比，可見增加的步驟可降低誤提取幾率。圖5曰-扣顯示了 最終半月板分割的結果。利用專家對MRI序列中半月板目標的人工標注作為參考標準，計算 出方法的性能指標:提取半月板目標的準確度、目標提取的召回率，如表1所示。由于方法中 計算出的ROI面積W及闊值捜索范圍小于已有算法的1/2,此部分運算效率為原有的二倍。 實驗中還分析了對于不同形狀的半月板目標的提取性能，結果如表2所示。
[0127] 本發明還可有其它多種實施例，在不背離本發明精神及其實質的情況下，本領域 技術人員當可根據本發明作出各種相應的改變和變形，但運些相應的改變和變形都應屬于 本發明所附的權利要求的保護范圍。
【主權項】
1. 一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方法，其特征在于具體 是按照以下步驟進行的： 步驟一、ROI定位，選定初始片層組Sselected ; 所述，ROI為感興趣區域； 步驟二、對選定的初始片層組&^。^進行優化，得到優化后片層集合SoptWmd; 步驟三、對優化后片層集合SoptWzed中的片層的ROI進行閾值自動選擇與半月板目標提 取； 步驟四、根據提取出的半月板目標0ΗΓ在優化后片層集合中進行半月板原始 信息提取，得到包含分割出的半月板原始信息的R0I的片層Tk。2. 根據權利要求1所述一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方 法，其特征在于:所述步驟一中R0I定位，選定初始片層組S selec；ted;具體過程為： (1) 計算選定的初始片層的均值化圖像，記為Im_; 選定的初始片層為512*512像素； Imean - ??Θ??Ι {lk(i,j)|lkG Sselected } ( 1 ) 其中，Ik表示選定的初始片層組Sselected中的下標為k的片層；i為1-512像素橫坐標，j為 1-512像素縱坐標； (2) 以均值化圖像Imean縱向中軸線為中心兩側各90像素寬度區域作為待處理區域，沿待 處理區域縱向中軸線垂直方向分割為16行X 180列像素大小的子矩陣； 第η個子矩陣表示SPn( i，j);η取值為1-32; (3) 計算每個子矩陣的平均灰度值， Np(n) =mean(Pn(i , j)) ,ne (1,32) (2) 式中，NP(n)為第n個子矩陣的平均灰度值； (4) 設置子矩陣的平均灰度值的局部極小值搜索范圍為[30%，70%]，在范圍為[30%， 70% ]內搜索平均灰度值最小值對應的子矩陣作為包含半月板小片；(3) 式中，為平均灰度值最小的子矩陣的下標， 將gU的縱向的高度/2+1行作為ROI窗口的中心行，中心行向上選取30行，向下29行 作為實際選定的R0I窗口，將實際選定的R0I窗口作用于全部片層獲得R0I圖像序列 Saii，i取值為為1_180像素橫坐標，j取值為為1_60像素縱坐標； 其中，(/,/)為下標為k的片層的ROI，Sall為全部片層集合。3. 根據權利要求2所述一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方 法，其特征在于:所述步驟二中對選定的初始片層組&^。^進行優化，得到優化后片層集合 Soptimized ;具體過程為： (1 )計算選定的初始片層組Sselected的R0I的均值作為模板Φ ( i，j ); 其中，Μ為選定的初始片層組Sselecrted中的片層數； Φ (i，j)為選定的初始片層組Sselected的ROI的均值； (2)利用模板匹配所有選定片層Ik的ROI，計算最小均方誤差LSE，并進行歸一化 處理； k ' " · ·將歸一化處理后LSElkpeo%的片層視為不包含半月板片層，剔除這些片層，余下的 片層作為優化后的片層集合Soptimized。4.根據權利要求3所述一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方 法，其特征在于:步驟三中對優化后片層集合SoptWzed中的片層的R0I進行閾值自動選擇與 半月板目標提取;具體過程為： (1) 計算優化后片層集合中的片層的R0I的均值圖像的平均灰度，作為閾值選 擇的參考值；式中， η為優化后片層集合Soptimized中的片層的R01的均值圖像的平均灰度； (2) 選取閾值τ = 0.05η，對優化后片層集合Soptimized中的片層的R0I進行二值化處理；式中， Bk(i，j)為二值化處理后的圖像； (3) 將二值化處理后的圖像Bk(i，j)的R0I中所有滿足八連通的獨立目標利用Matlab連 通域提取函數全部提取出來，進行濾波約束處理，記為目標Ok, m，k為片層編號，m為每片層中 目標編號； (4) 當目標Ok,m不滿足面積為Area(0k,m)>50像素，Area(0k,m)〈800像素時，濾除目標Ok,m; (5) 針對濾除目標0k,m后每一個剩余目標，計算剩余目標的軸比和邊界盒比，軸比為主 軸/副軸，邊界盒比為邊界長度/寬度，濾除不滿足軸比和邊界盒比的目標，得到滿足半月板 形狀約束條件的目標(/k, m，每個片層上R0I中目標數量記為ft，下標t為閾值變化標記，K t^l9； 其中，軸比的目標為主軸/副軸>1，主軸/副軸〈6,邊界盒比目標為長度/寬度>1，長度/ 寬度〈5;半月板形狀約束條件為軸比目標為主軸/副軸>1，主軸/副軸〈6,邊界盒比目標為長 度/寬度>1，長度/寬度〈5;(6) 根據Matlab連通域提取函數獲得的目標亇k,m位置信息以及膝關節成像特點，濾除 誤提取的目標，得到濾除誤提取的目標后的提取結果〇〃k, m; (10) 式中，〇\,?為濾除誤提取的目標后的提取結果； (7) 記錄每個片層上ROI中提取的半月板目標數量qk,t; qk，t = no.of(0〃k，m) (11) 以及閾值τ對應的ROI序列總共提取出的半月板目標數量；(8) 改變閾值，重復步驟(3) - (7)，記錄用每個閾值處理時提取出的半月板目標總數量 qt，閾值范圍為τ = 0.05η~〇.40η，每次增長〇.〇5n，其中下標t = 1，2，......,8； (9) 選擇使提取出的半月板目標總數量qt最多的閾值作為自適應閾值選擇的最優結果；以f作為二值化處理的最優閾值，^對應的提取結果〇〃k,m即為最優半月板目標提取結 果，此時提取半月板目標記為。5. 根據權利要求4所述一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方 法，其特征在于:所述f取值為為ο. 10η~〇. 30η。6. 根據權利要求5所述一種基于形狀約束的膝關節磁共振圖像序列半月板自動提取方 法，其特征在于:所述步驟四中根據提取出的半月板目標"Γ/在優化后片層集合中 進行半月板原始信息提取，得到包含分割出的半月板原始信息的R0I的片層Tk;具體過程 為： (1) 根據半月板目標，計算0=的凸包〇；7'_1乍為模板； (2) 利用Matlab連通域提取函數記錄的每一個的位置坐標，獲取半月板目標對應到 原片層中的位置坐標； (3) 制作與roi區域大小相同的模板，其中對應于凸化處理后的半月板目標〇r!r?nvex的 區域為空，其他區域灰度設置為255;Tk即為最終僅包含分割出的半月板原始信息的R0I的片層。
【文檔編號】G06K9/34GK105956587SQ201610247856
【公開日】2016年9月21日
【申請日】2016年4月20日
【發明人】李楊, 季云飛, 張寧, 齊月賓
【申請人】哈爾濱工業大學