基于svm與彈性區域生長的膝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，尤其涉及一種基于SVM(SupportVectorMachine,支 持向量機）和彈性區域生長的膝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。核磁共振成像作為一種無創的檢查方式，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，因此有必要設計一種 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 骨的一側分別與髕骨、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] 近年來國內外一些學者對膝蓋軟骨的分割算法主要有Snake模型、LevelSet、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。但是這些算法研宄也有一 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，即使有學者提出利用SVM進行邊緣分類，但往往 因為選擇的特征參數有限，只能識別出軟骨邊緣與非軟骨邊緣，未對股骨-軟骨、脛骨-軟 骨以及髕骨-軟骨作進一步的細分。
[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 定通常采用固定值，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一種基于SVM與彈性區域生長的膝軟骨圖 像自動分割方法，通過增加特征參數，利用SVM分類識別來解決邊緣檢測時的偽邊緣問題， 同時將提取出的邊緣線準確的劃分為股骨-軟骨邊緣、脛骨-軟骨邊緣以及髕骨-軟骨邊 緣，從而根據人體結構學特征進行區別對待，此外，利用自動選取種子點并結合彈性區域生 長法對軟骨圖像進行自動分割，提高膝蓋軟骨圖像分割的準確度。具體技術方案如下：
[0008] -種基于SVM與彈性區域生長的膝軟骨圖像自動分割方法，其關鍵在于按照以下 步驟進行：
[0009] 步驟1 :將膝關節MRI影像轉換為灰度圖像并進行高斯濾波；
[0010] 步驟2 :利用自適應Canny邊緣檢測算法檢測出5~10條邊緣線；
[0011] 步驟3 :對步驟2中檢測出的各條邊緣進行特征提取，提取的特征包括邊緣局部信 息特征、邊緣幾何學信息特征以及邊緣鄰近體素之間的信息特征，每條邊緣線的特征參數 為15~20維；
[0012] 步驟4 :構建SVM分類器對提取的特征參數進行邊緣分類，識別出股骨邊緣、脛骨 邊緣、髕骨邊緣以及非骨邊緣；
[0013] 步驟5 :根據各個骨頭的位置關系和距離關系去除虛假邊緣，從而得到股骨-軟骨 邊緣，脛骨-軟骨邊緣以及髕骨-軟骨邊緣；
[0014] 步驟6 :分別選擇股骨-軟骨邊緣下側，脛骨-軟骨邊緣上側以及髕骨-軟骨邊緣 右側的20個像素點進行梯度幅值計算，然后選擇梯度幅值與方差趨于0的最大連通區域作 為候選區域，從而得到股軟骨種子點候選區域、脛軟骨種子點候選區域以及髕軟骨種子點 候選區域；
[0015] 步驟7 :在所述股軟骨種子點候選區域隨機選擇^個種子點，在所述股骨-軟骨邊 緣與所述股軟骨種子點候選區域之間隨機選擇^個種子點，共同組成股軟骨種子點；在所 述脛軟骨種子點候選區域隨機選擇!!1 2個種子點，在所述脛骨-軟骨邊緣與所述脛軟骨種子 點候選區域之間隨機選擇112個種子點，共同組成脛軟骨種子點；在所述髕軟骨種子點候選 區域隨機選擇％個種子點，在所述髕骨-軟骨邊緣與所述髕軟骨種子點候選區域之間隨機 選擇％個種子點，共同組成髕軟骨種子點；
[0016] 步驟8 :分別以相應的種子點為中心，判斷其3*3鄰域內的非種子點是否滿足相似 性準則：Ifxy-m|eK)<K，其中fxy表示坐標位置為（X，y)的點的像素值，R表示生長區域 種子點3*3鄰域內各個點的坐標集合，m為生長區域所有種子點的像素均值，K為生長區域 所有種子點的像素標準差；
[0017] 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9 ;
[0018] 如果沒有非種子點滿足相似性準則，則進入步驟10 ;
[0019] 步驟9 :更新生長區域所有種子點的像素均值m和像素標準差K，然后返回步驟8 ;
[0020] 步驟10 :結束生長并判斷是否存在重疊種子點，通過歐式距離將重疊種子點歸 類，最終分割得到股軟骨、脛軟骨與髕軟骨圖像。
[0021] 作為進一步描述，步驟4中構建SVM分類器采用了 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一化處理，所述測試集為[NX20]的特征矩陣，其中N 為步驟2所檢測出的邊緣線的條數，每一行中