文摘

目的。随着数字x射线成像和处理方法的发展,大规模的数字射线图像的分类和分析需要自动完成。这个处理的关键是射线照相位置的自动检索和识别。为了解决这些问题,我们开发了一个自动的方法来鉴别一个病人的立场和身体地区只使用频率曲线分类和灰色匹配。方法。我们的新方法是结合频率分析和灰度图像匹配。射线照相的位置确定相似频率和振幅的分类。身体区域识别是由图像匹配的全身幻影图像先验知识的模板。全身幽灵形象被辐射图像的不同部分缝合。结果。该方法可以自动检索和识别射线照相的位置和身体区域使用频率和强度信息。它取代2 d图像检索与一维频率曲线分类,以更高的速度和准确性高达93.78%。结论。该方法能够超越数字x光图像的位置识别与一个有限的时间成本和一个简单的算法。射线照相的频率信息可以使图像分类更快和更准确。

1。介绍

数字x射线成像技术生成大量的临床图像数据每天都在放射学部门。这些数据需要分类、检索和分析图像存档和通信系统(PACS)或放射学信息系统(RIS)。处理这些庞大的图像数据需求的迫切需求一个自动化和计算有效的方法1,2]。在这些方法中,图像分类,射线照相位置识别,人工智能分析是使用最广泛的。在这个意义上,检索图像和射线照相位置的学习是最基本的部分。

传统医学图像检索是semimanual,获得从手工检索图像注释和临床信息数据库。这种方法的缺点包括人为错误和操作符变化,这是劳动密集型,导致较低的精度1]。自动化方法使用图像检索技术是基于图像特征,如颜色(2,3),材质(4),和形状(5]。王等人提出了一个动态插值方法实现立体显微镜测量,但该计划需要大量的匹配元素(6]。直方图也被广泛用于图像检索,但其相关的缺点[7,8]。其他的图像检索技术,如小波变换(WT) [9),傅里叶变换(FT) (10],局部二值模式(LBP) [11),和田村纹理特征(12)可以通过库检索和图像识别图像类型分类。然而,位置信息不能自动确定这些算法。此外,这些方法缺乏认识器官成像跟踪研究的焦et al。13]。

模式识别可以自动处理和分析数字图像所提到Paparo et al。14,15]。席尔瓦等报告的特征选择方法。16)和侯赛因(17等传统学习算法)是用于支持向量机(SVM)和k - means图像检索,但需要大型数据集进行训练。医学专家系统,讨论了在其他地方(18,19使用混合算法来提取目标区域。多层感知器神经网络(MLPNN)可以识别组织和疾病在其他地方讨论(20.- - - - - -22];然而,这个过程是复杂的和临床使用的处理时间太长。最近,著名的深度学习算法也被引入到医学图像处理和实现等效的结果与专业知识(23- - - - - -25),但数据量和准确性仍争论(26]。

因此,在本文中,一个方法相结合的频率曲线与灰度匹配的分类提出了图像检索和匹配。它使用一个全身幽灵形象模板解剖和影像学的面具位置标记,用较短的时间成本和更高的精度。

2。材料和方法

2.1。图像预处理

原始数字射线图像数据通常具有大动态范围和灰度特性。因此,我们使用线性直方图拉伸和中值滤波降噪。相应的方程 在哪里 和 是5。

2.2。幽灵的x射线图像面具

x射线成像幻影的物理模拟人体形状和组织研究Dewerd和Kissick27]。塑料和尼龙是用来模拟人体的轮廓,骨头,全身放射学的主要组织。我们用x射线成像的大脑,颈椎,胸部、腰椎、骨盆、四肢全身幻影(全身幻影PBU-50,京都Kagaku日本)通过使用数字放射学博士(Wan盾HF50,北京)。每一个图像是通过调整直方图处理,过滤,执行严格的翻译,和扩展28),然后安装到全身射线图像。我们还执行contrast-limited自适应直方图均衡化(CLAHE)处理x射线曝光的变化。

射线照相的位置的识别完成输入图像匹配之后,我们进行了解剖幻影模板定义;图像的矩阵是2000×800,相应的身体的高度是165厘米,没有性别。对于图像的信息,诊断专家可以使用不同的范围来定义不同的器官,如头部大小从[1]260年(540、285)和肺大小从(250、130)到(560、365),如图1。的正面形象,有七个射线位置和六个射线靶器官。幻影模板定义了后续的目标模板匹配基础上自动识别和x射线摄影姿势。

2.3。基于图像分类的频率

射线图像具有特殊的频率和振幅特征、位置相关。这些特征的频率曲线可用于分类图像的类型(对于一个给定的放射性的位置)和提取纹理的器官。

2.4。x射线图像的特征频率

我们使用快速傅里叶变换(FFT)的器官获取频谱图像如下: 在哪里米和N图像分辨率和吗u和v在频域坐标。从频率图像和二维曲线,我们发现有效的解剖轮廓专注于最低频率曲线的2%。在图2,频率曲线在每个位置的平均10相同的图像辐射地位相同的坐标系统,显示和曲线特性明显不同的位置。部分位置的差异,如肺部和四肢没有反映在频率曲线;因此,我们提供曲线下的面积(auc),其值的肺和四肢有明显差异。结合频率曲线和auc,不同的职位可以明显的显示出来。放射位置是头,肺、腰椎(脊柱),骨盆(腹部),联合(膝盖),和四肢。

在x射线图像,器官或组织的频率响应特征,即使在不同的样本和不同放射的位置。例如,胸部成像使用适当的曝光参数显示肺纹理细节和肺在某些频段信号捕获。如图3的平均频率曲线,显示10肺部x光图像,有一个峰值在低频范围内,对应于一个肺纹理细节(使用巴特沃斯滤波器提取)。相比之下,类似峰值平均膝盖曲线对应于骨骨小梁,绘制图4。

2.5。基于图像分类的频率

频率曲线六射线位置被用作比较的标准库任意输入图像,以及输入图像之间的相似性和标准库是由矢量的均值-方差频率曲线。输入的图像;相应的amplitude-arranged向量 ;六个频率曲线,作为比较的标准,任意输入图像在图书馆和有振幅 。均值-方差之间的相似的输入图像和参考图像是器官

角的余弦值θ两者之间的图像可以描述如下:

均值-方差越小,越接近余弦值是1(表明一个角度接近零),相似性越大。匹配6收益率曲线6均值-方差值,然后执行冒泡排序确定最高的两个均值-方差绝对值。前两名的绝对值小于0.02,比较之间的余弦相似性波曲线对应的源图像和器官顶部两个均值-方差。最接近均值-方差的器官被认为是一样的器官来源的形象。六个器官与标准频率均值-方差曲线,为所有器官的倒数是绘制在图5,如直方图。更高的均值-方差倒数意味着更大的相似性。

2.6。基于矩阵乘法的图像匹配和相关系数

向量的计算基于图像频率之后,我们确定类型的图像最相似的标准器官曲线根据他们的形状曲线和平均方差。将输入图像匹配全身幽灵面具,机关字段定义。这一步涉及到矩阵乘法和相关系数。

在(7),(8)和(9),输入图像预处理后 和2%的频率曲线的一部分。完成了图像分类基于图像的频率,和幽灵的形象来标示 。((7),(8)和(9), 代表图像补丁的频率不是最低2%的范围内。的范围 代表了图像从上到下)。通过寻找最大的值和、地区可以发现,十字路口的和幽灵的形象和目标识别所示区域。

最大的值和分别解决了矩阵乘法和相关系数,输入图像和幽灵的形象。地区相应的幻影区域和被明亮的框表示。提高处理速度,减少输入的矩阵和幻影图像(保持图像比例)。

2.7。整个算法的实现

对任何输入图像预处理,二维傅里叶变换将图像的频率曲线和最低的2%。相比6预定义曲线类型和输入图像类型(射线照相的位置),曲线分类通过计算曲线相似性和均值方差。接下来,图像匹配在《幽灵的形象通过寻找相似矩阵的最大值。最终的匹配区域,对应患者的解剖领域的先验知识,幽灵的结果所示。工作流图所示6。

3所示。结果与讨论

217年临床放射图像被随机收集在这项研究中,放射科的泰山医科大学。放射性的位置和身体地区所有图片已经被我们的自动识别方法。结果验证了放射科的临床医生。相比较而言,输入图像也由点阵匹配处理,相关匹配和直方图检索算法。准确率和处理时间如表所示1。提出的方法和其他方法之间的精度具有统计上的显著差异( )。

结果表明,该算法的准确性和鲁棒性最高的所有图片(6位置类型);平均器官识别精度为93.78%,平均判断时间是0.2903秒。

该方法比其他基准方法;此外,该方法可以获得解剖学知识的射线照相的位置的描述在《幽灵的形象,减少处理时间和识别精度。更重要的是,相比之下,一些有效的方法,例如大型保证金当地估计(LMLE) [15)和深度学习网络(24),LMLE方法只有达到小于90%的准确率10%数据作为训练集,虽然卷积神经网络(24]在大多数图像数据准确率达到90%以上,该方法需要7000 +图像片和最近配备电脑(i7 3.4 ghz, 16 GB的RAM)神经网络训练,而我们的方法只需要简单的矩阵乘法和相关系数,可以计算在多核计算机上用更少的时间和超过90%的准确性。

射线照相的位置识别的样本结果如图所示7通过匹配矩形区域和注释文本。这种集成方法能够准确地标记照片网站幽灵的图像。我们可以得到摄影范围和摄影网站的信息根据早期解剖phantom-pixel地区定义。对于不同的图像具有相同的位置类型,地区差异的图像匹配可以显示全身幽灵的形象。例如,在图7颈椎,三个不同的图像已确定,不同的覆盖区域所示。

人体模型是由一个幻影模板x射线图像。幻影是模仿人体x射线衰减参数。幽灵的摄影是密切近似真实的人类,即使只是简化模型结构的宏观形状器官。例如,肺虚塑料可以模拟肺的轮廓和部分但不包括肺静脉和结节。幽灵的x射线图像,宏观的肺部成像形态是真实的。大多数传统的摄影网站匹配准确地利用这种幽灵形象的方法。的轮廓检测的肺和心脏,独立的频率或灰色信息是不够的。

直方图和灰度强度被广泛用于图像相似度检测。直方图匹配的优点是快,图像大小没有限制。然而,它不能确定位置和范围信息。本文给出的方法获得强劲的频率特性曲线从x光信息。的模板不同的解剖特点有不同的频率和振幅。比较的输入图像和模板只需要2%有效的频率特性。

我们从二维图像中提取1 d曲线,加速和简化了影像匹配算法。对于5.5 GB 217组成的图像数据的图像,总处理时间是414.6秒。

虽然我们的方法是表现良好的测试图像,该算法有一定的局限性。非标准的放射学的主要障碍是穷人的结果;匹配的结果将是在错误的位置在《幽灵的形象。在这些情况下,在后续研究中,我们计划开发更多标准的幻影模型,如婴儿,动物,和独立的男性和女性的身体,为了获得更合适的幻影图像。

4所示。结论

在本文中,我们提出了一个方法,射线照相的位置和身体的自动识别领域,基于频率曲线分类和灰色信息的数字射线图像。与图像分析方法相比基于复杂的模式识别算法,该方法可以提取更多的信息关于病人的位置。频率分类在这个工作具有良好的灵敏度和鲁棒性,减少错误,这是由于照明环境的变化(图像曝光,检测器灵敏度)。该方法是一种快速1 d分类2 d图像,可用于自动特征提取和适用于大数据计算。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢资金支持由中国国家重点研究和发展项目(2016 yfc0103400)和泰山医科大学的自然科学基金(没有。GCC003)。作者还感谢陆Weizhao帮助英语写作。