本發(fā)明涉及生物醫(yī)學(xué)圖像檢測技術(shù)領(lǐng)域，尤其涉及生物組織圖像分割及檢測方法及程序。

背景技術(shù)：

發(fā)育性髖關(guān)節(jié)發(fā)育不良(developmentaldysplasiaofthehip．ddh)是指出生前和出生后股骨頭及髖臼在發(fā)育和(或)解剖關(guān)系中出現(xiàn)異常的一系列髖關(guān)節(jié)病癥。隨著患兒年齡增長，髖關(guān)節(jié)周圍的繼發(fā)病理改變越來越多且越來越重，治療也變得越來越困難。所以，早診斷、早治療對其預(yù)后改善具有重要意義。

graf根據(jù)髖關(guān)節(jié)的超聲檢查結(jié)果，首先提出了一種方法，即在髖關(guān)節(jié)冠狀面超聲圖像上作三條線（見附圖1）：(1)基線：自關(guān)節(jié)囊在髂骨上的起點(diǎn)(a)至骨性髖臼外側(cè)緣(b)引一直線：(2)髖臼蓋線或稱骨頂線：髖臼窩內(nèi)髂骨下緣(d)至骨性髖臼外側(cè)緣(b)的連線；(3)軟骨髖臼蓋線或稱軟骨頂線：為骨性髖臼外側(cè)緣(b)至纖維軟骨盂緣中央(c)的連線。

此方法要求在標(biāo)準(zhǔn)圖像上必須具有清晰的髂骨、圓弧型的骨性髖臼頂和軟骨性髖臼頂。基線和髖臼蓋線相交成角，用來衡量骨性髖臼發(fā)育的程度，軟骨髖臼蓋線的延長線和基線相交成β角，代表軟骨髖臼蓋發(fā)育的程度。根據(jù)β角大小將髖關(guān)節(jié)分為四型，i型：α>60^。，β<55^。為正常髖關(guān)節(jié)；ii型：α角為43^。～60^。，β角為55^。～77^。即骨性髖臼發(fā)育不良，軟骨蓋變形：ⅲ型：α<43^。，β>77^。，即半脫位，股骨頭向后上方脫位，軟骨髖臼蓋受壓變形；ⅳ型：完全脫位，股骨頭位于軟組織內(nèi)。此法目前已得到廣泛的應(yīng)用。其測量指標(biāo)中，角最具診斷價(jià)值，是判斷髖關(guān)節(jié)特別是髖臼發(fā)育的主要指標(biāo)。

morin等在1985年依靠冠狀面超聲波圖像提出了股骨頭覆蓋率法(morinratio，mr)：在髖關(guān)節(jié)切面上，沿髂骨外側(cè)緣作一直線(p)，再以此直線做兩條平行線分別與股骨頭的內(nèi)側(cè)緣、外側(cè)緣相切。股骨頭內(nèi)切線至直線的距離(d)與股骨頭內(nèi)、外切線的間距(d)之比稱股骨頭覆蓋率(mr，見附圖2)。mr小于33％為異常，大于58％為正常。mr已成為判斷股骨頭脫位程度的一項(xiàng)參考指標(biāo)。

超聲影像是發(fā)育性髖關(guān)節(jié)異常篩查的首選方法。但人工超聲影像局限在于必須依賴于有關(guān)醫(yī)護(hù)人員的主觀經(jīng)驗(yàn)來進(jìn)行骨性髖臼頂角度α，軟骨性髖臼頂角度β的測量，因此檢測結(jié)果因醫(yī)護(hù)人員主觀差異不同而不同，易造成錯(cuò)誤診斷。本發(fā)明提出的算法是在超聲波圖像的基礎(chǔ)上采用區(qū)域可適配模型算法對超聲波圖像進(jìn)行分割。根據(jù)graf方法，從分割結(jié)果中尋找出構(gòu)成α角，β角所需的相關(guān)樣本點(diǎn)，并擬合出三條直線。這樣計(jì)算出來的α，β角的結(jié)果更加精確，從而盡可能的減小因角度測量所帶來的誤差，因此更加能保證診斷結(jié)果的準(zhǔn)確性。此外本專利中同時(shí)也計(jì)算了股骨頭覆蓋率mr。

如前所述，本發(fā)明算法的核心在于圖像分割中的區(qū)域可適配模型算法。區(qū)域可適配模型算法是由chunmingli等學(xué)者對其之前提出的活動輪廓模型算法的改進(jìn)。活動輪廓模型算法是一種廣泛應(yīng)用于圖像分割的算法。從本質(zhì)上來說就是一條能量極小化曲線，在曲線本身的內(nèi)力和圖像等外部約束力作用下移動的變形輪廓線線，該曲線鎖定在圖像特征附近，準(zhǔn)確地將它們極小化。

chunmingli等學(xué)者于2005、2008對于傳統(tǒng)的活動輪廓模型進(jìn)行改進(jìn)。在其中，li提出了以變分水平集方程表示的基于區(qū)域的活動輪廓模型（簡稱rsf）。模型中定義了一個(gè)區(qū)域可擴(kuò)展適配能量函數(shù)，該能量函數(shù)中的適配函數(shù)是基于一個(gè)輪廓線和對輪廓線內(nèi)外兩邊的局部圖像灰度的估計(jì)而定義。利用形成的模型對水平集輪廓線進(jìn)行演變，演變輪廓線朝著最小化能量函數(shù)方向進(jìn)行，并最終獲得最小化相應(yīng)的能量函數(shù)的輪廓線。該方法還可以有效應(yīng)對圖像灰度不均勻、初始輪廓線敏感性等常見于一般活動輪廓模型的問題。該模型在相對小的計(jì)算復(fù)雜度下，獲得了非常好的分割效果。因此，它已經(jīng)被成功的應(yīng)用于醫(yī)用圖像分割等眾多領(lǐng)域中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提出了一種基于區(qū)域可擴(kuò)展適配模型的兒童髖關(guān)節(jié)發(fā)育狀況診斷算法，通過對原始超聲波儀器采集的圖像進(jìn)行預(yù)處理，圖像分割，提取特征，自動地計(jì)算三項(xiàng)指標(biāo)，快速地給出診斷結(jié)果。本發(fā)明適用于兒童髖關(guān)節(jié)發(fā)育的臨床診斷，具有快速、高效、準(zhǔn)確等諸多優(yōu)點(diǎn)。

基于區(qū)域可擴(kuò)展適配模型的兒童髖關(guān)節(jié)發(fā)育診斷算法大體分為4個(gè)步驟：原始髖關(guān)節(jié)圖像預(yù)處理、髖關(guān)節(jié)圖像分割、特征抽取、三項(xiàng)指標(biāo)的計(jì)算。

step1：原始髖關(guān)節(jié)圖像預(yù)處理

在超聲波儀器采集的髖關(guān)節(jié)圖像按內(nèi)容可視為由兩類圖像構(gòu)成：髖關(guān)節(jié)組織圖像，及儀器設(shè)備自帶的背景圖像，包括整個(gè)輸入的圖像中除髖關(guān)節(jié)組織圖像外其他的字符，標(biāo)識條等，見附圖3。在圖像的預(yù)處理環(huán)節(jié)就是要完全去除背景信息，留下不含背景的超聲圖像。本專利中采用的預(yù)處理算法如下：首先，將原始輸入的真彩圖像轉(zhuǎn)換為灰度圖像，通過圖像的腐蝕算法去除髖關(guān)節(jié)組織圖像外的字符等干擾信息。其中，腐蝕算法的原理是選定大小一定的腐蝕結(jié)構(gòu)元，將腐蝕結(jié)構(gòu)元覆蓋整個(gè)圖像區(qū)域。在每個(gè)結(jié)構(gòu)元所覆蓋的子區(qū)域中選取該區(qū)域的最小灰度值替代整個(gè)覆蓋子區(qū)域的灰度值。一般情況下，為了將干擾信息腐蝕掉，結(jié)構(gòu)元的寬度要大于干擾字符的寬度或保證剩余殘留干擾較少。在完成腐蝕步驟后，髖關(guān)節(jié)圖像由髖關(guān)節(jié)組織圖像和灰度值為零的外邊框構(gòu)成，見附圖4。其次，選取適當(dāng)閾值將圖像轉(zhuǎn)換為二值圖像，檢測輸入圖像的豎直方向是否有標(biāo)識條，或白色背景。二值化后，豎直方向的白條通常為超過一定范圍的連續(xù)1，檢測圖像若有這類特征則將標(biāo)識條區(qū)域的圖像灰度值置為零，見附圖5；檢測出二值化后圖像的水平方向及豎直方向上大于一定區(qū)域面積的非零區(qū)域最大及最小坐標(biāo)值，確定裁剪圖像的坐標(biāo)并對圖像進(jìn)行裁剪，保留下髖關(guān)節(jié)組織的圖像而去除其外的邊框，見附圖6。

step2：髖關(guān)節(jié)組織圖像分割

為了提取出髖關(guān)節(jié)組織結(jié)構(gòu)的特征，首先需要先提取出髖關(guān)節(jié)組織結(jié)構(gòu)的輪廓線，而為了獲得輪廓線需要對髖關(guān)節(jié)組織結(jié)構(gòu)進(jìn)行分割。本專利中采用的分割算法是區(qū)域可擴(kuò)展適配模型（rsf）算法。

rsf模型的重點(diǎn)在于一個(gè)區(qū)域可擴(kuò)展的數(shù)據(jù)擬合能量項(xiàng)。假設(shè)存在圖像空間，是在圖像空間中的一條閉合輪廓線，對于給定點(diǎn)，能量方程可定義為：

在水平集方法中，使用水平集函數(shù)的零水平集方程示輪廓線，則能量項(xiàng)可具體表示如下：

其中，和為正常數(shù)；和分別用于估計(jì)輪廓線外部和內(nèi)部的灰度值；k選用了高斯核函數(shù)，其參數(shù)規(guī)定了灰度范圍。

則是一片以點(diǎn)x為中心的局部區(qū)域中的點(diǎn)，區(qū)域的大小由核函數(shù)k中的標(biāo)量參數(shù)控制。，，h表示heaviside方程，該方程在實(shí)際運(yùn)算中由光滑函數(shù)近似替代：

是輪廓的內(nèi)外圖像灰度的按一定權(quán)重分配的均方誤差估計(jì)，其中和分別是輪廓的內(nèi)外圖像灰度的估計(jì)，是每個(gè)的灰度的權(quán)重，的屬性使得灰度對能量的貢獻(xiàn)隨著離中心點(diǎn)越來越遠(yuǎn)而減小并趨于零。因此能量受鄰域的點(diǎn)的灰度的控制。

在能量方程（1）中，用于計(jì)算輪廓長度，該項(xiàng)在水平集方法中可被表示為，因此（1）中的能量方程可被寫為：

為保持演化中的水平集輪廓（水平集的正確計(jì)算和穩(wěn)定性），li等加入水平集規(guī)則項(xiàng)，該項(xiàng)代表了方程偏離符號距離函數(shù)的程度，可表示為：

綜上，整個(gè)能量方程可定義為：

其中是正常數(shù)。

和是用梯度下降法對能量方程（6）最小化而獲得，其定義為：

對于給定點(diǎn),當(dāng)輪廓線c與目標(biāo)邊界重合，且和最優(yōu)的估計(jì)了輪廓線c兩邊的圖像灰度值時(shí)，能量函數(shù)得以最小化。

分割結(jié)果見附圖7，附圖8。

step3.特征提取

在已經(jīng)分割出輪廓的髖關(guān)節(jié)組織圖像中提取出roi（regionsofinterest,即感興趣的區(qū)域），骨性髖臼，軟骨性髖臼（y型軟骨），股骨頭三部分。所用算法具體實(shí)現(xiàn)如下：根據(jù)roi處于圖像下方，且處于股骨頭外測緣之下的特點(diǎn)，分別找出這三部分中的一點(diǎn)，通過該點(diǎn)找出其所在輪廓線上的封閉曲線。至此就找出了所有的構(gòu)成三部分特征的點(diǎn)，并通過這些點(diǎn)找出需要的特征輪廓。若找出的特征輪廓圖像過小，則放大兩倍見附圖9。接下來就是在骨性髖臼和軟骨性髖臼兩部分特征中選擇合適的點(diǎn)以擬合出三條直線，為后面的計(jì)算α，β角做鋪墊。選擇方法為通過對圖像左側(cè)部分縱向掃描，獲得與髂骨側(cè)面交點(diǎn)，通過這些交點(diǎn)，用最小二乘法擬合出基線；通過對基線以下部分的橫向掃描，獲得與髂骨下肢及骨緣區(qū)相交的點(diǎn)，通過這些交點(diǎn)，用最小二乘法擬合出骨頂線；通過對基線以上部分的橫向掃描，獲得與髖臼盂唇交點(diǎn)，通過這些交點(diǎn)以及骨緣區(qū)末端，用最小二乘法擬合出軟骨頂線。擬合三條直線結(jié)果見附圖10除此之外，為獲得mr值，需找到股骨頭內(nèi)、外側(cè)與基線平行的切線，為此選擇股骨頭上方的點(diǎn)，通過該點(diǎn)做與基線平行的線；同樣選擇股骨頭下方的點(diǎn)，通過該點(diǎn)做與基線平行的線。劃線結(jié)果見附圖11。

step4.三項(xiàng)指標(biāo)的計(jì)算

在α，β角的計(jì)算中，是通過擬合出的三條直線的斜率來進(jìn)行求解的。假設(shè)三條擬合直線的斜率分別為k1，k2，k3，其中k1為擬合的基線的斜率，k2為所擬合的骨頂線的斜率，k3為所擬合的軟骨頂線的斜率，根據(jù)兩直線夾角公式得:

,或。

為計(jì)算股骨頭覆蓋率mr，做一條垂直于三條平行線的直線，分別獲得與三條平行線的交點(diǎn)，從上往下分別為，，，則mr的計(jì)算為：

。

根據(jù)算出的三項(xiàng)指標(biāo)中，主要權(quán)重在于α角，其次在于mr，β角的權(quán)重關(guān)系最弱，因此在判斷兒童髖關(guān)節(jié)發(fā)育是否正常時(shí)以α角為主，mr，β角為輔。最終，根據(jù)計(jì)算出來的三項(xiàng)指標(biāo)結(jié)合評價(jià)標(biāo)準(zhǔn)給出最后的診斷結(jié)果。見附圖12。評價(jià)標(biāo)準(zhǔn)如表1:

表1:兒童髖關(guān)節(jié)graf，mr法診斷標(biāo)準(zhǔn)

綜上所述，本發(fā)明實(shí)施例對兒童髖關(guān)節(jié)超聲圖像通過髖關(guān)節(jié)圖像預(yù)處理、髖關(guān)節(jié)圖像分割、圖像特征提取和三項(xiàng)指標(biāo)的計(jì)算，獲得兒童髖關(guān)節(jié)發(fā)育狀況評判結(jié)果，評判依據(jù)為三項(xiàng)指標(biāo)：骨性髖臼頂角度α，軟骨性髖臼頂角度β，及髖臼對股骨頭覆蓋率mr。

本發(fā)明算法的核心步驟是采用圖像分割中的區(qū)域可適配模型算法對預(yù)處理過的原始圖像進(jìn)行分割，分割效果良好，能有效地應(yīng)對采集圖像可能遇到的亮度分布不均的各種問題。本發(fā)明中所采用的計(jì)算三項(xiàng)指標(biāo)方法，不需依賴人工判斷，能快速、自動計(jì)算三項(xiàng)指標(biāo)，并給出診斷結(jié)果，有著簡潔，高效，誤差小等多項(xiàng)優(yōu)點(diǎn)，使得普通醫(yī)生也能勝任兒童髖關(guān)節(jié)異常的篩查任務(wù)。為驗(yàn)證本發(fā)明的實(shí)際診斷效果，特在一定數(shù)量的實(shí)驗(yàn)樣本上進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果見表2。該表中的正確分類是以專業(yè)醫(yī)師的人工診斷為依據(jù)?？梢钥闯霰景l(fā)明對于正常髖關(guān)節(jié)的診斷有91.89%的正確率，對非正常的髖關(guān)節(jié)的診斷準(zhǔn)確率還有待于進(jìn)一步改善。本方法可對兒童髖關(guān)節(jié)超聲圖像迅速自動劃線，適用于兒童髖關(guān)節(jié)發(fā)育狀況的輔助診斷，但仍需在后續(xù)工作中使其精度得到進(jìn)一步提高。

表2：兒童髖關(guān)節(jié)自動診斷結(jié)果

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲介質(zhì)（包括但不限于磁盤存儲器、cd-rom、光學(xué)存儲器等）上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備（系統(tǒng)）、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲器中，使得存儲在該計(jì)算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

以上所述的具體實(shí)施例，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。

附圖說明：

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹。在附圖中：

圖1為graf髖關(guān)節(jié)檢查三線作圖法示意圖；

圖2為mr法髖關(guān)節(jié)檢查作圖法示意圖；

圖3為原始超聲波儀器所采集圖像；

圖4為對原始圖像腐蝕后的圖像；

圖5為去掉白條后的二值圖像；

圖6為對原始圖像進(jìn)行剪切后的圖像；

圖7為用rsf算法分割后獲得的輪廓圖像；

圖8為二值化后的圖像輪廓；

圖9為從輪廓中提取的特征輪廓；

圖10為根據(jù)特征點(diǎn)擬合出的三條直線；

圖11為mr切線；

圖12為最終診斷結(jié)果。