文摘

颈深屈肌肌肉(DCF)是重要的监测和控制颈部疼痛。而超声分析是有用的在这个领域,它有内在主体性的问题。在本文中,我们提出自动DCF器/分析仪软件基于计算机视觉。等发展的一个主要困难自动分析仪检测重要器官和非常低的亮度对比环境下边界。我们的模糊σ二值化过程是这个问题的答案之一。另一个困难是补偿信息在图像处理等过程中发生的损失。许多形态动机应用图像处理算法。验证该方法成功提取dcf和测量厚度实验使用二百800×600 DICOM超声图像萃取率为98.5%。同时,dcf的厚度自动测量这个软件有小的差别(少于0.3厘米)提取的dcf的89.8%。

1。介绍

颈部疼痛是非常常见的抱怨影响多达70%的个人在某种程度上他们的生活(1]。一旦个体发展颈部疼痛,据报道,有一个1在3的机会,他或她将开发慢性症状持续超过6个月,和机械颈部疾病的发病率似乎增加(2]。临床颈部疼痛与损伤相关的肌肉性能和功能障碍与颈部疼痛和颈部疼痛之间的因果关系和运动控制研究[3]。

颈深屈肌(DCF)肌肉包括长肌肌肉,长肌,腹直肌夹肌低,以及腹直肌外侧有维持颈椎前凸的主要角色以及提供颈椎关节稳定(3,4]。理论,当肌肉性能受损,稳定剂之间的平衡的后部的脖子和dcf将中断,导致失去适当的对齐和姿势,然后可能会导致宫颈损伤(5]。

强肌振幅之间的线性关系的DCF肌肉和增量阶段craniocervical弯曲测试控制和颈部疼痛患者被报道(6]。另一项研究表明,患者颈部疼痛疾病有一个改变神经运动的控制策略在craniocervical屈曲的特点是减少活动dcf和增加表面的屈肌的活动通常伴随着改变运动策略。此外,他们显示了等距耐力的贴现7]。

这些观察结果提示使用craniocervical弯曲行动再培训的DCF肌肉颈部疼痛的病人。DCF的特定训练肌肉在女性患有慢性颈部疼痛减轻疼痛,改善这些肌肉的激活,尤其是在最少的颈深屈肌的激活前培训(8]。DCF和胸锁乳突肌的招聘模式研究在craniocervical弯曲测试,使用超声[9,10),它是进一步发展成一项锻炼计划工具(11]。

在肌肉中使用超声图像分析是适合其无创性、便宜,实时响应能力(12]。然而,它的局限性常常指出;超声图像的品质依赖于设备的专业和技能;因此,诊断常常误导主观判断(13]。因此,我们需要一个自动图像分割和识别工具解剖标志可以消除这种主观性的图像分析(14]。

不幸的是,几乎没有研究直接相关的计算机视觉的DCF器/自动分析仪。最近的一项研究试图提供一个自动分割的颈椎x光(15但不是我们的利益相关的肌肉。可能,我们的先前的研究,自动检测胸锁乳突肌和长capitis /科利唯一考虑(16]。

在本文中,我们扩展我们的以前的颈部肌肉器/自动分析仪提供贴现是长肌(Lcap)和长肌。虽然某些部分的提取技术是常见的先前的研究,提取胸锁乳突肌和长capitis /科利,目标的整体治疗肌肉DCF不同于其他相关的肌肉由于肌肉和肌肉的位置特征。

我们之前研究的主要方法论的区别(16),这项工作是系统直接提取颈椎或不是。DCF和相关的筋膜之间的亮度对比远远弱于供应链管理及其相关筋膜之间超声。此外,颈椎,位于DCF正下方,有类似的DCF的亮度值。因此,当我们推断颈椎的位置使用低边界线的dcf的斜率(16),关键测量厚度的DCF不是正确提取特别是筋膜之间的对比/骨骼和密度很低。因此,在这篇文章中,我们直接提取颈椎和要点是诱导根据颈椎的位置。

2。整体过程

所有在本研究中使用的数字图像获取和存储在DICOM医学数字成像和通信标准格式。DICOM是宣布图像转移一种形式,结构,和相关信息。在感兴趣的区域(ROI)的一部分图像如图1,有一个血管和两个肌肉位于容器上方和下方。上面的肌肉血管是胸锁乳突肌和下面的肌肉血管是贴现。贴现有不规则边界形式的颈椎底部和远离中心还不清楚。肌肉的亮度通常是低于筋膜和脊柱。脂肪区域相对高亮度肌肉面积应与肌肉中提取。

图2总结了基于整体视觉系统提取和自动测量dcf的厚度。

3所示。提取颈深屈肌

从这个ROI图像仅包含肌肉,招牌和刺,我们试图提取候选DCF通过一系列的图像处理算法,如图3。

以搜索拉伸法是一个规范化的过程,提高了强度对比来区分两个区域更明显,如图3(一个)。公式(1)解释了以搜索伸展 Min和Max表示的最大和最小强度值给定的图像和的像素强度值在哪里在原始图像的坐标是合成以搜索后拉伸强度值。

使用以搜索拉伸的原理如下。

由于超声波技术的散射效应,可能会有模糊,难以辨别筋膜、肌肉、颈椎。因此,我们需要一个对比增强机制以最少的信息丢失。

提取贴现的方法,我们首先提取行筋膜和颈椎,相对比其他人和SCM和DCF提取使用位置特征与血管有关。一个典型的craniocervical超声主要偏态分布的强度为零,如图4和低强度像素有苗条的机会与我们关注的对象。以搜索拉伸,一种规范化的过程,然后等优势比其他方法过滤,因为它保留了相对强度分布的特性。然而,它需要适当的噪声去除过程。

接下来,我们平均二值化应用于增强图像如图3 (b)。然后,我们应用Blob算法(17将像素分组为对象。图3 (b)对象包含不必要的噪音。节中解释5在细节中,我们获得了200张图片从100年健康受试者在颈部肌肉疲劳试验。我们知道dcf考虑到有具体的形态特征,我们可以使用在噪声去除的过程。为了可以广义量化等特点,我们选择200随机样本图像人口和观察任何尺寸或位置相关的特性,是常见的在这种情况下明显噪声对象。

如图1之间,存在血管SCM和贴现;因此,两个肌肉除了一定的距离。从我们的样品,两个肌肉中对象之间的距离设在不少于8.5%的投资回报率高。同时,我们知道低筋膜边界线和骨骼有很长的曲线形状;因此,它不是向左倾斜的位置在任何我们获得的图像。因此,我们可以建立一个安全的设在约束这样一个物体不超过一半的ROI的宽度从最左边的位置(ROI)宽度的10%。公式(2)显示我们的噪声去除标准 在哪里,表示对象的大小考虑和ROI区域,分别O。左表示协调的最左边的对象的边界和是函数返回对象的宽度。

之间可能会有一些不必要的洞上下界的DCF的候选人。为了填补这样的系统漏洞,我们搜索上下边界对象通过搜索从顶部和底部的ROI区域,如图5。结果在一个图像像图3 (c)。

因为我们应用许多图像处理算法,提高对比度亮度的目的,有可能存在情况下,边界线是断开连接的部分。第一个简单的治疗恢复是像素的亮度值填入255 - 255,如果他们是邻居的价值,使线连接。较低的边界线相对复杂的形状;因此,我们应用4-directional轮廓搜索(17)确定边界线。然而,再次,它可能中断部分。

因此,我们应用三次样条插值边界重新连接低。立方样条插入的必要条件如下: 在哪里代表一个样条函数和协调边界和吗表示数量的边界和协调的功能结果吗。然后,样条函数定义如下: 在哪里,,,是常数满足样条函数条件(18]。

图6演示了DCF的连接中提取低边界图6(一)和整体的形状提取颈椎图的候选人6 (b)。

下一步是二值化过程。二值化的主要目的是找到一个最优的阈值值来区分目标器官从输入图像的背景。我们的目标是找到DCF的上界和下界线区域。不幸的是,附近的亮度对比DCF面积还不清楚。因此,我们需要更详细的计算重二值化过程称为模糊σ二值化(19]。

我们采用的主要原因,需要大量计算能力的模糊二值化在简单的平均二值化或首先进行二值化(20.]DCF附近区域的环境特征。因为颈椎、贴现和相关的筋膜也有类似的亮度值,平均二值化提取假阳性对象可能包括在这样一个低对比的环境。首先进行二值化假定像素的映像都包含两个类双峰直方图和搜索最优阈值分离两类,组内的方差最小的是另一个选择,但是,在这种环境下,颈椎相对比附近的肌肉和筋膜;因此,组内的差异不应该最小,因为我们想在这种情况下提取颈椎。因此,模糊σ二值化,是为了适应环境(亮度对比)的敏感性和定性模糊隶属函数决定我们的选择。图7演示了在这种环境下使用不同的二值化方法的效果。

模糊隶属函数的模糊西格玛二值化定义如下。

让,的最高和最低亮度值像素的平均值和,分别。然后,隶属函数定义如下。

步骤1。考虑以下:

步骤2。考虑以下:

步骤3。考虑以下:

步骤4。计算归一化和

一步2是为了补偿过度明亮拍摄图片由于拍摄环境,而分类基于亮度对比的四分之三。

一个像素的隶属度σ模糊区间内的二值化如下:

的隶属度应用于减少(将在本文0.5由于没有先验信息或偏好。)的二值化,这样像素值将被设置为255和0。图8显示了σ的隶属函数类型。

再一次,我们团算法应用于去除不必要的噪音和扩张操作适用于恢复小如果存在不连续。结果如图9。

膨胀操作后,我们可以提取较低的DCF利用边界对象之间的相对位置信息出现在颈椎区域。皮下脂肪对象现有DCF将被删除以上简化进一步分析。可能断开连接引起的脂肪去除恢复通过简单的数字微分分析器(DDA)算法(19),是一种简单的线性插值的斜率在给定的时间间隔使用以下方程: 在哪里表示一个像素的坐标之间的左侧提取对象和正确的颈椎。DDA算法的效果如图10。

图的上限额度10低密度区域的边界线。从所有其他对象,如皮下脂肪已经被删除,它是简单的找到上限行图10。然而,可能有小的断开连接。再一次,三次样条插值定义为(3)和(4)是用于补偿失去的信息。

图11演示了DCF的最终提取较低的边界。DCF的最终提取结果如图12。

4所示。测量颈深屈肌的厚度

在许多可能的特征DCF,厚度是最基本的,也是主观测量的形态学特性的主要来源。像我们这样的基于计算机视觉的方法旨在定位测量要点准确实现捕获这些测量标准的自动性尽可能避免主观性。在我们建议的方法中,有三个颈椎的图像和测量关键是将最右边的点最左边的颈椎对象。然后,从这个关键,另外两个计量点选择1厘米左右的关键。然后计算的平均厚度这三个垂直测量长度经过贴现。这样的测量过程的细节如下。

最左边的颈椎应该位于左侧图像的一部分。然而,当我们应用标签的过程来获取目标对象,如果找到最左边的颈椎在正确的给定图像的一部分,这意味着真正的左边的颈椎是迷失在预处理期间噪声。然后,我们应用加权模糊σ二值化后图像恢复过程的图像(图9(一个))所示公式(11),以避免不必要的对象删除 在哪里是重量和这个公式让更多的重量点最左边的点的中心点()。这种补偿过程的目的是避免候选人颈椎对象位于左边的图像。

应用Blob算法和对象标识程序后,如果候选人颈椎位于上方的最低线DCF,它可能是脂肪区域错误地认为是颈椎;因此,我们把这样的假阳性,如图13。

这样补偿过程后,测量关键是将最右边的点最左边的颈椎对象如图14。

5。实验

该方法是用c++实现微软Visual Studio 2010的兼容ibm PC与英特尔酷睿i7 - 2600 CPU @ 3.40 GHz和4 GB RAM。实验使用二百(200)800×600大小超声波图像DICOM格式。一百健康受试者的年龄在20多岁和30多岁参加了这个实验。

我们测量颈部肌肉大小在颈部肌肉耐力测试。颈部肌肉的厚度是评估使用超声(MyLab 25金)12 MHz线性探针在颈部肌肉耐力测试。Sternocleidomastoideus (SCM)和颈深的肌肉,这是长肌肌(Lcap)以及长肌(),测量横向(右和左)在C4水平。对象执行craniocervical弯曲测试(CCFT)。CCFT理疗的评估中常用的颈部肌肉力量和耐力。CCFT期间,受试者被要求执行一个点头运动,代表craniocervical弯曲,在五个增量水平,从22到30毫米汞柱:22日,24日,26日,28日和30毫米汞柱。受试者被要求尽可能长时间维持测试位置。每个实验对象被要求在考试的椅子上坐直双手放在大腿。一头是固定的头部和颈部保持中立的立场。C4节段水平被选为CCFT优化图像领域,从而推断出三个肌肉间的协调midcervical脊柱。在C4水平,我们的不同部分、Lcap和SCM。

图15直观地显示的结果提出光纤自动抽取(c1和c2)与物理治疗师的手工检查(a1和a2)和我们之前尝试(b1和b2)相同的图像。我们可以验证一个基于视觉的自动软件提取几乎相同的要点/区域的目标肌肉和自动测量和手动测量的大小区别变得比以前小得多。在我们的实验中,两个涉及医学专家和手动检查的厚度的平均值作为这两个人类专家的评估。

总结如表1,该方法比以前的尝试(16]在DCF萃取灵敏度(SS)、TP、TN、FP, FN表示真阳性,真正的负面,假阳性和假阴性。

由于上面的图像采集处理解释中,毫无形象,不包含DCF和SCM。因此,没有TN或FN。决定分类的结果自动抽取是基于协议的两个领域专家参与这个实验。

表2也显示了改善敏感性SCM痛苦。

同时,测量厚度后,我们比较我们的结果与先前的尝试从人类专家绝对差的测量(错误)。厚度的测量结果的误差大小DCF和SCM总结表3和4,分别。

而大大改善了相比以前的尝试16),误差大小的分布在DCF厚度测量显示,有一个在未来改进的空间。至少,该方法成功提取DCF和SCM准确、灵敏度的拔牙更改进相比以前的尝试。

6。结论

在本文中,我们提出一个基于视觉的全自动方法提取DCF肌肉(长夹肌/科利)以及SCM颈椎超声波图像的测量厚度。DCF的肌肉是很重要的在控制/监控颈部疼痛和/或开发有效的/有效的康复训练程序。然而,现有的临床方法使用超声经常引起运营商的影响,主观判断的肌肉提取和相关的形态学特性的测量和分析。我们尝试本文所示是尽可能避免这样的主观性,旨在协助人类医学专家DCF和供应链管理分析。

算法,我们之前的尝试16],提取并分析胸锁乳突肌和长capitis /科利自动经常遭受超声的分心。本文的主要贡献是克服图像处理问题仔细考虑贴现的形态特征(形状和位置信息)和提取颈椎明确。许多图像处理算法涉及Blob等噪声去除,以搜索拉伸图像增强和4-directional轮廓搜索边界检测和三次样条插值对补充断开连接的线路和模糊西格玛二值化来控制低亮度对比的环境。

实验结果使用200实际颈椎DICOM超声图像验证输入图像,几乎所有人(98.5%)较低的提取和自动测量厚度误差大小对那些人类专家的决定(≤0.3厘米)在大多数情况下(89.8%)。

利益冲突

作者宣称没有利益冲突有关的出版。