膝關節軟骨圖像自動分割方法
【專利摘要】本發明公開一種膝關節軟骨圖像自動分割方法，其特征在于：包括基于SVM的邊緣定位步驟和基于區域生長法的圖像分割步驟，其中：其中基于SVM的邊緣定位步驟包括：膝關節MRI圖像的采集和轉換、自適應Canny邊緣檢測以及基于SVM軟骨邊緣分類，基于區域生長法的圖像分割步驟主要采用改進的自動選取種子點的區域生長法分割軟骨組織。本發明的有益效果為：對膝關節MRI圖像進行軟骨分割，有效的利用模式識別與邊緣檢測相結合實現精準定位，再與區域生長法結合充分定位互補，實現待分割區域的內部相似特性和外部差異特性相結合；有效克服了傳統分割方法的結果過分割或分割不準確等缺點。
【專利說明】膝關節軟骨圖像自動分割方法
【技術領域】
[0001]本發明涉及圖像處理技術，尤其涉及ー種基于支持向量機(Support VectorMachine, SVM)和區域生長法的膝關節軟骨圖像自動分割方法。
【背景技術】
[0002]膝關節是人體全身關節中結構最為復雜又是最易受損傷的關節，其常見病癥有關節炎，骨腫瘤等，而這些病癥常伴隨關節軟骨的退化、破壞及形態改變，因此骨關節病的早期診斷非常重要。核磁共振成像作為ー種無創的檢查方式，已成為評估軟骨形態、功能的主要手段。通過MRI成像對關節軟骨進行分割進而計算其厚度、體積等參數，可實現軟骨的定量評估，為臨床醫學提供有力的診斷依據，從而采取早期的預防措施和制定后期的治療方案。目前臨床上對軟骨組織的分割主要依靠影像醫師手動分割或借助圖像處理軟件半自動完成，不僅耗時長，而且不同人、不同時間的分割結果存在較大差異，因此有必要設計ー種準確、快速的全自動膝關節軟骨分割算法。
[0003]由于MRI膝蓋軟骨圖像本身的形態、紋理均較為復雜，其中髕軟骨、股軟骨和脛軟骨的ー側分別與髕骨、股骨和脛骨相連，兩者之間有較為明顯的灰度差異，但另外一側髕軟骨和股軟骨相連，股軟骨和脛軟骨相連以及與半月板和韌帶相連，其灰度與周邊灰度相似，且軟骨細長而扁平，分割過程中易受周圍復雜紋理形態的影響。并且由于圖像序列之間軟骨的差異性，導致魯棒性不好，因此將其軟骨分割出來較為困難。
[0004]近年來國內外ー些學者對膝蓋軟骨的分割算法主要有Snake模型、Level Set、區域生長法、邊緣檢測法等，對膝蓋軟骨的分割取得了一定的效果。但是這些算法研究也有一些局限性:首先，算法需要初始化輪廓且要求很高，每張序列圖像中不同形態的軟骨都需要大致表征目標輪廓，否則導致過早收斂使分割結果不理想。其次，算法均是對單張醫學圖像進行分割，對于不同人的不同圖像序列分割不穩定。最后，區域生長法在待分割區域內部尋找種子點向周圍分割，表征的是內部相似特性，而邊緣檢測是對區域之間的差異進行劃分，表征的是外部差異特性。傳統的邊緣檢測法和區域生長法存在兩個問題:
[0005]1、由于膝關節圖像紋理和形態的復雜性，受到許多非軟骨邊緣的干擾，傳統的邊緣檢測法檢測出的邊緣存在許多偽邊緣。
[0006]2、傳統的區域生長法根據相似準則，與領域相似的像素值進行比較，其閾值的設定如果采用同一值，由于不同人的不同序列圖像之間存在灰度的差異，會導致過分割或者欠分割。
【發明內容】
[0007]針對上述問題，本發明的目的在于提出ー種膝關節軟骨圖像自動分割方法，采用基于SVM邊緣定位來解決邊緣檢測時的偽邊緣問題，同時利用自適應的自動選取種子點的區域生長法對軟骨圖像進行分割，提高膝蓋軟骨圖像分割的準確度。具體技術方案如下:
[0008]ー種膝關節軟骨圖像自動分割方法，其關鍵在于:包括基于SVM的邊緣定位步驟和基于區域生長法的圖像分割步驟，其中:
[0009]基于SVM的邊緣定位步驟包括:
[0010]步驟11:獲取待分割的膝關節MRI影像，并將其轉換為灰度圖像；
[0011]步驟12:利用自適應Canny算法對步驟11中的灰度圖像進行邊緣檢測；
[0012]步驟13:對步驟12中檢測出的各條邊緣進行特征提取，并構建SVM分類器對提取的特征參數進行邊緣定位，分類出軟骨邊緣和非軟骨邊緣；
[0013]基于區域生長法的圖像分割步驟包括:
[0014]步驟21:從步驟13所分類出的軟骨邊緣的5*5鄰域內，隨機選擇ー個或多個像素值在245-255范圍內的點作為種子點，并設置預設閾值K ;
[0015]步驟22:以種子點為中心，判斷其3*3鄰域內的非種子點是否滿足相似性準則:max I fxy-m| (x>y G E) < K,其中fxy表示坐標位置為(x, y)的非種子點的像素值，x為點的x坐標值，y為點的I坐標值，m表示所有種子點的像素均值，R表示生長區域種子點3*3鄰域內各個點的坐標集合；
[0016]如果有非種子點滿足相似性準則，則將該非種子點 合并到種子點集合中，并執行步驟23 ；
[0017]如果沒有非種子點滿足相似性準則，則進入步驟24 ；
[0018]步驟23:按照
【權利要求】
1.ー種膝關節軟骨圖像自動分割方法，其特征在于:包括基于SVM的邊緣定位步驟和基于區域生長法的圖像分割步驟，其中: 基于SVM的邊緣定位步驟包括: 步驟11:獲取待分割的膝關節MRI影像，并將其轉換為灰度圖像； 步驟12:利用自適應Canny算法對步驟11中的灰度圖像進行邊緣檢測； 步驟13:對步驟12中檢測出的各條邊緣進行特征提取，并構建SVM分類器對提取的特征參數進行邊緣定位，分類出軟骨邊緣和非軟骨邊緣； 基于區域生長法的圖像分割步驟包括: 步驟21:從步驟13所分類出的軟骨邊緣的5*5鄰域內，隨機選擇ー個或多個像素值在245-255范圍內的點作為種子點，并設置預設閾值K ; 步驟22:以種子點為中心，判斷其3*3鄰域內的非種子點是否滿足相似性準則:max I fxy-m| (x>y G E) < K,其中fxy表示坐標位置為(x, y)的非種子點的像素值，x為點的x坐標值，y為點的I坐標值，m表示所有種子點的像素均值，R表示生長區域種子點3*3鄰域內各個點的坐標集合； 如果有非種子點滿足相似性準則，則將該非種子點合并到種子點集合中，并執行步驟23 ； 如果沒有非種子點滿足相似性準則，則進入步驟24 ；
步驟23:按照
2.根據權利要求1所述的膝關節軟骨圖像自動分割方法，其特征在于:步驟13中構建SVM分類器的過程中采用了 5個人的特征矩陣作為訓練集，并需要對訓練集和提取的測試集作歸ー化處理，所述測試集為[NX10]的特征矩陣，其中N為步驟12所檢測出的邊緣線的條數，姆ー行中的10個元素分別為一條邊緣線所對應的10個特征參數。
3.根據權利要求1或2所述的膝關節軟骨圖像自動分割方法，其特征在于:步驟13中姆條邊緣線提取的特征參數包括:
邊緣線上像素點X坐標平均值
4.根據權利要求1所述的膝關節軟骨圖像自動分割方法，其特征在于:所述預設閾值K的取值范圍為15-20。
【文檔編號】G06T7/00GK103440665SQ201310418228
【公開日】2013年12月11日 申請日期:2013年9月13日 優先權日:2013年9月13日
【發明者】李勇明, 鄒雪, 王品, 謝文賓, 呂洋, 何璇 申請人:重慶大學