文摘

骨关节炎是一种老年性退行性关节疾病;这主要是因为骨头之间的软骨组织磨损变薄,导致骨膜和骨的损伤包括周围的韧带。临床,其表现主要是关节疼痛、肿胀、僵硬、甚至部分损失函数,它严重影响着患者的生活质量。主要临床表现是肘关节疼痛和有限的运动。肘部关节软骨退化和脱落,更严重的表现是软骨下骨质增生硬化,导致不平滑的关节面,关节空间狭窄。最后,手肘关节疼痛和不同程度的严重流动性障碍,肘关节扩展和屈曲范围变得越来越小,和肘关节疼痛越来越严重。在这篇文章中,左和右手肘图像的分割是完成基于灰色投影通过图像灰度分布的分析。肘关节获取感兴趣的地区后,肘关节硬骨边缘的提取算法进行了研究。首先,肘关节坚硬的骨骼轮廓边缘的提取完成基于主动形状模型算法结合图像特征。最后,根据硬骨轮廓边缘的提取结果,本文实现的自动诊断多发性肘关节炎指数和比较的结果图像集,这证明了整个算法具有良好的适应性和准确性。

1。介绍

近年来,随着成像技术的迅速发展,各种现代医学成像技术已经广泛应用于肘骨关节炎的诊断,如x射线、超声、CT、MRI等1]。这些成像技术都有自己的专长的领域。有时疾病的诊断需要结合多个成像技术来分析不同的图像相同的疾病。然而,x射线成像设备便宜,和x光片适用于基本的诊断,所以它仍然是最常见的观察x光片(2]。

在当今医学领域,科学研究和临床应用都离不开图像处理和识别技术(3]。低级的应用领域,当前医疗image-aided诊断系统实现了简单的处理,如图像增强、几何变换和病变的位置选择。这些过程使医生能够更清楚地看到病变的特点,提高诊断水平。此外,在中层应用程序领域的器官和组织的自动分割,许多技术在图像处理应用,取得了良好的效果,如基于阈值的分割方法、图提出的分割方法,基于理论的分割方法(4]。然而,由于医学图像的复杂性,器官和组织的边缘往往是模糊的,所以很难有一个统一的分割算法可以段所有器官和组织,效果很好(5]。在三维重建方面,ITK工具箱,这是目前发展迅速,可以完成从2 d图像序列的转换立体图像。这种立体视觉转换技术不仅可以直观地观察到感兴趣的组织还旋转三维结构,所以医务人员不再局限于从某一角度观察病变但观察他们四面八方做出更准确的判断6]。尽管图像处理技术在医学影像领域取得了很大的进步,大多数的技术仍然难以被称为智能,需要进一步探索先进的智能诊断的应用领域。

2。骨关节炎的研究成果

自动诊断骨关节炎研究利用图像处理和识别技术起源于1980年代。最初的研究主要是基于传统的图像处理方法来完成肘关节地区提取或有效的边缘检测。常见的算法包括Sobel边缘检测、基于区域的二值化阈值,等等。然而,这种图像分割的难度在于模糊边缘,和组织之间的界限并不明显7]。很难获得真正的边缘通过使用传统的数字图像处理算法。

之后,随着智能算法的发展,肘关节炎诊断的研究方向基于图像信息分为两个方向:一个方向是研究更精确的算法来实现准确的边缘提取硬骨和软骨的肘关节。这个方向相信只要准确硬骨和软骨可以提取边缘,可获得一系列的相关参数,不难完成肘关节炎的诊断根据这些参数(8];另一方面,肘关节炎的诊断和分析是通过医生根据大量的电影的阅读体验,和它的诊断标准是模糊的,所以没有必要获得各种指标参数(9]。算法是成功的,只要它可以分类不同症状的肘关节图像。

第一个方向侧重于区域分割和边缘提取。广义上说,边缘提取和区域分割都是图像分割算法的一部分。有许多的图像分割算法。从最初的阈值分割最近机器学习分类方法、阈值分割算法是一个基本的细分算法在图像分割中,可以达到良好的结果在肘关节提取感兴趣的地区。图像算法的研究进展,基于区域的分割方法种植方法和活动轮廓模型取得了新的进展。一些学者已经意识到软骨地区核磁共振图像的分割使用图像分割方法基于区域增长的方法。领域的医学图像分割、区域增长方法往往是与传统的边缘检测方法相结合,相互补充,常常使分割效果更理想。活动轮廓模型用于软骨部分地区三维图像(10]。活动轮廓模型是基于能量的概念功能区域分割的边界曲线。根据不同的定义,它可以分为积极几何活动轮廓模型和参数活动轮廓模型(11]。

研究在第二方向上形成与深度学习研究的兴起,不提倡边缘提取和不需要人为设定功能。相反,借助神经网络的强大的学习能力,它可以直接分类图像。学者们提出了一个新的想法:放弃手工设计的特点和假设电脑比人类眼睛可以观察到较弱的变化,从而实现数据驱动的分类。在这篇文章中,指定了一些统计特性,观察他们对肘关节炎的诊断的敏感性。通过计算所有特征值给定的测试图像,获得特征向量进行分类,使用一个简单的加权最近邻规则,从而实现肘关节炎的诊断(12]。有些学者发表了一篇论文在量化的严重性肘关节炎利用卷积神经网络。介绍了研究成果的深度学习到肘部的诊断x射线电影和采用均方误差损失函数,把70%的图片数据集作为训练集和测试集的30%。”

根据肘关节炎的诊断需求,问题的第一个研究方向是边缘提取的精度是不够的。研究指数作为主要选择肘部关节空间距离指数诊断的严重性肘关节炎。不可否认,手肘关节之间的距离是最重要的指数来判断的严重性肘关节炎,但除此之外,骨赘,边缘硬化、软骨和半月板钙化也起着至关重要的作用在肘关节炎的诊断,而不应忽视在设计诊断系统。第二个研究方向在于多个指标的耦合。虽然通过深入学习算法分类精度得到改善,更重要的是为临床诊断获得各种指标。

3所示。自动诊断模型基于边缘的肘关节的算法

3.1。图像预处理

由于x射线能量的差异或狭窄的非线性动态范围的成像设备,图像的曝光程度是不同的,一些图像的曝光太不平衡,整个图像是黑暗,和灰色的分布范围窄,难以识别视觉和严重影响后续处理链接。为了改善图像的视觉效果和细节分辨率容易,本文扩展了图像的灰度为0 - 255。有很多常见的灰度变换算法,如线性变换,指数变换,对数变换,直方图均衡化。因为每个点的梯度必须计算在后期处理,如果灰度变换算法,如非线性或采用直方图均衡化,是很容易改变的相对梯度图像。为了保持每个像素的梯度相对不变,本文选择使用线性变换的灰度图像的0 - 255,描述如下。

如果原始图像的灰度分布区间 转换后的灰度分布区间 ,可以使用公式:

在图像处理中,高斯平滑的核心是一个二维卷积内核使用高斯函数的特点。卷积内核用于抑制噪声和模糊的图像。根据高斯分布的特点,高斯分布的中心像素的值是最大的,所以它的重量比也是最高的。与中心像素的距离的增加,重量比其他中央像素的像素在附近正变得越来越低。理论上,所有围绕中心像素点都需要贡献权重,但卷积核的窗口大小是有限的在实际计算。根据小概率事件在概率统计的定义,像素的中心之外的贡献值不能被考虑。因此,在图像处理中,同样的想法可以采用拦截有限边长的平方以点平滑的边界区域锁定那些贡献权重的像素到像素平滑。摘要高斯卷积核大小不同的反复处理过程中试图确定最优卷积为后续算法内核。最后,它是发现,当高斯卷积核是77,后续算法的处理效果是最好的。在图所示的卷积内核1。

3.2。自动诊断模型基于边缘的肘关节的算法

3.2.1之上。样本选择和功能标记

基于主动形状模型的分割方法,初始模型的建设是非常重要的,建立一个代表初始模型,有必要选择合适的样本,样本的选择是基金会和一个重要的步骤。首先,选择样本图像作为训练样本。选择的原则应遵循多样性和代表性;例如,肘关节的方向是斜向左和向右倾斜和垂直。肘关节的位置是左,右,和中间,肘关节的大小也是不同的。各种疾病的肘关节导致肘部关节空间的变化和优势,这些都应该充分考虑避免样本选择的限制。选择样本之后,我们需要将这些样本的特征点和手动标记目标对象的关键特征点样本,特征点的选择是基于轮廓边缘。因为被精明的边缘检测是最好的边缘和完整性较好,精明的边缘检测的结果是用来协助特征点的选择。采取抽样,选择较低的边缘特征点的股骨作为一个例子,抽样不仅要保证采样点的数量描述轮廓的形状,还能避免造成的冗余信息过多的采样点。一般来说,高曲率点和t形接头选择第一,和其他特征点排列在上面点在合理的时间间隔。如图2特征点的选择过程,肘关节股边缘。

在图1大点是典型的特征点,小点是特征点之间添加等距典型特征点描述一个完整的形状。在选择特征点的坐标特征点在图像顺序等形成一个形状向量公式 在哪里 的坐标吗 - - - - - -的特征点 - - - - - -th形象。

因此,每个形状向量的长度是2 K,和样品可以形成形状向量,从而获得一个样本集 。

3.2.2。样品形状一致性和匹配

肘部关节的形状非常相似。例如,将会有一个向上沟中间的股骨下端,和内侧股骨通常大于外侧股骨等等。然而,由于股骨的轻微的倾斜角度和方向改变训练样本,为了消除nonshape信息的干扰造成的站姿和骨头的大小,调整是必要的形状向量,即调整形状向量。采用的方法是使之对齐。一般来说,一般对齐是一个仿射变换形状之间寻求通过使用最小二乘法的想法。的基本步骤如下:(1)调整原点后,目标对象的形状向量在所有训练图像的形状向量对齐目标对象的形象,和第一个形状向量应该归一化单位大小(2)计算平均值 形状向量的目标对象(3)调整所有形状向量生成的第一步(4)重复步骤2和3,直到收敛(两个相邻时间的区别是在一个给定的阈值)

表达式的最小值:

因为 代表旋转和收缩转换,我们可以推导出的公式

对角矩阵的对角元素重量是重量每个标记点;它代表了标记点的稳定。以股边缘为例,一些特征点相对稳定,如中间的槽点降低股骨和转折点的左右。改善这些点的重量可以有效提高匹配的准确性。马克的距离 - - - - - -特征点和 - - - - - -图像的特征点(还在原点标记的顺序),和图片可以的距离,代表的方差 ,然后

顺序,可用公式如下:

3.2.3。主成分分析的降维

主成分分析PCA,假设特征点的数量在每个样本在训练集 ;这时,一个2 k维空间需要处理这些形状向量。一般来说,当很大,很难处理这样一个高维向量。为了减少处理的困难,有必要选择一些重要的特性来描述形状,即降维。降维的目的是大大减少冗余的信息,同时保持最有效的信息。最常用的降维方法PCA(主成分分析)处理,步骤如下。

计算平均形状向量:

计算协方差矩阵:

特征值和相应的特征向量发现的协方差矩阵,特征值递减顺序排列,和前一个特征值对应的特征向量的主要影响形状向量。我们选择第一个特征向量来满足公式

这样的选择特征向量可以保持原来的形状,降低了计算复杂度。通过这种方式,任何形状向量参与训练的训练图像可以表示为一个线性组合的特征向量集,如公式所示:

3.2.4。构建本地灰色模型

主成分分析调整整个形状。接下来,形状需要迭代的轮廓边缘,和每次迭代需要找到一个新的职位对于每一个特征点,虽然当地的灰色模型可以提供迭代开发的方向。在这里,灰色梯度的概念是用来定义为每个特征点地方特色。为 - - - - - -特征点,地方特色的创建过程如图3。

在 - - - - - -th训练图像,像素的每一边 - - - - - -th选择特征点的法线 - - - - - -th特征点(在这里,正常是指垂直线连接上特征点的特征点和第二特征点),形成一个向量 组件。如以下所示方程,这个向量的每个像素在一阶引导,操作的结果被称为局部纹理 。的 - - - - - -th特征点在其他图像训练集做同样的工作,和当地所有的纹理 - - - - - -th特征点 。

3.2.5。模型初始化定位

当模型涵盖了目标图像,需要初始化定位。ASM算法的精度和效率取决于初始化定位的准确性。如果初始化定位远离真正的轮廓边缘,目标可能不是搜索。如果初始位置接近真正的轮廓边缘,它不仅可以提高匹配精度,而且可以提高搜索的速度,所以有必要将平均形状向量正确合理的初始位置。

标准化的模型使用初始化和定位方法,一般使用的最大阈值方法binarize分割图像如图4。平均形状模型随机二进制图像覆盖,但确保纵向最低点的平均形状模型不应低于手肘关节空间,然后,头和尾点向量的平均形状模型相连形成一个封闭的区域,和平均形状模型旋转和翻译中的白色像素关闭总像素面积占最大的比例。在这个时候,可以认为模型的初始化和定位完成。的操作旋转角是有限的,而翻译的操作是无限的左和右的方向和有限的向上和向下的方向。

的初始位置优越的后边缘胫骨面类似于劣质股的边缘,虽然最初的前边缘的位置优越胫骨飞机依靠后边缘和迭代的基础上后边缘。

3.2.6。本地搜索处理

在初步模型建立之后,初始的ASM模型在图像所覆盖,下一步是找到新的迭代特征点的位置使用局部特征点的灰色模型。搜索过程的示意图如图5。

大马克图的点外端的初始特征点,和小马克图的点较低的一侧是最好的模型的匹配点。特征点的法线方向指的是垂直的线连接前后特征点的初始特征点,每个特性的迭代点沿着法线方向移动。厚厚的线段左边是正常的 像素选择在当地的灰色模型和厚正常的右边线段表示当特征点迭代搜索区域。初始点之间的距离和最佳匹配点的距离初始特征点应该移动。

当地的特性是通过规范化,其中包含 sublocal特性。因为规范化灰色向量近似服从高斯分布,Mahalanobis距离可以用来表达新特性之间的相似性的特征点及其训练当地的特色。Mahalanobis距离的计算公式如下:

Mahalanobis距离越小,相似度越大,越接近边界点模型的边界点在目标,所以最好的边界点的位置可以由这种方法。然后,计算这些sublocal Mahalanobis距离特性和对应的特征点的地方特色的灰色模型。

Mahalanobis距离最小化时,相应的中心点sublocal特性是当前特征点的新职位,和所有特征点进行相同的步骤,所以每个点会有位移,而这些位移将安排到向量,如公式:

毕竟特征点迭代更新,形成一个新的曲线。

3.2.7。主动形状模型参数更新

初始化后的形状模型和局部搜索策略,形状可以更新。假设平均形状向量的映射函数显示了初始模型由以下公式:

进一步获得模型类似于目标模型,并进一步匹配是由迭代法。参数的迭代更新流程如下:

随着迭代的进行,当两个形状模型之间的差异小于某个阈值或达到给定的迭代次数时,算法结束时,停止搜索,并认为该模型收敛,和整个搜寻和匹配过程结束,轮廓的特征点是边缘搜索。图6显示了较低的边缘的检测结果后股骨不同迭代,迭代3,15个迭代,和40迭代从左到右。

4所示。自动诊断实验肘关节炎的基于边缘的算法

4.1。确定诊断指标

临床上,有些指标量化,如手肘关节空间距离和角度有关。有些nonquantitative和模糊,如骨赘和硬化程度。他们都是直接关系到肘关节炎的症状。例如,缩小手肘关节之间的距离会加重病人的痛苦当坐,站,步行。半月板钙化可导致痛风症状的病人。股上角的变化,较低的胫骨角度,tibial-femoral角会使关节翻(外)等等。如果我们能自动测量定量指标和nonquantitative指标转换成统计定量分析在计算机的帮助下,能大大提高诊断效率,医生的工作量会减少。在本章手肘关节空间距离是自动测量和自动诊断的结果这三个指标与结果记录在参考文档图像集。

4.2。肘关节相关角的自动测量

x射线胶片的肘关节,肘部joint-related角度的计算包括劣质股角和优越的胫骨角都取决于股生理轴和胫骨生理轴。股生理轴是顶点之间的界线的大腿间的窝和股轴的中点,和胫骨生理轴是intertibial窝之间的界线和胫骨轴的中点。之间的劣质股角是外侧角劣质股边缘的切线肘关节和股骨的生理轴,通常在75和85之间。如果小于75,它被定义为前臂外翻。上角的胫骨外侧角胫骨平台与胫骨之间生理轴。通常在85年至95年之间,如果大于95,它被定义为肘内翻足。如数据所示7(一)和7 (b)有原理图的劣质股角和优越的胫骨角。

数据8和9显示的自动测量结果之间的比较低的股角,胫骨上角,股骨胫骨20的右边角图像在图像设置和手动测量结果的参考文档。“蓝六芒星”代表自动测量,和“绿色圆圈”代表手动测量参考文档,在度。从结果可以看出,自动测量结果与人工测量结果有很好的一致性。

5。结论

近年来,随着成像技术的迅速发展,各种现代医学成像技术广泛应用于肘骨关节炎的诊断,如x射线、超声、CT和MRI。这些成像技术都有自己的领域的专业知识。有时候,有必要结合各种成像技术来分析不同的图像相同的病疾病的诊断。本文的自动诊断肘骨关节炎完成基于x射线图像信息。首先,感兴趣的区域提取肘关节,肘关节位于一个小矩形区域提取整个x射线图像,然后,硬骨边缘轮廓提取的二维图像基于主动形状模型的实现。完成肘关节的自动计算相关角;硬骨的边缘硬化肘关节的定量分析。在这一章,两个索引,手肘关节空间距离和肘关节角度,选择进行自动测量和定量分析。肘关节差距方面的距离测量,首先,肘关节的纠正是旋转的自动测量间隙距离符合临床医学计量标准,然后,自动测量结果与人工测量结果的参考文档,显示良好的协议。

肘骨边缘轮廓提取的准确性需要改进,在活动形状模型和搜索规则仍在试图从两个方面改进算法的准确性:原来的灰色模型的改进和后续的搜索条件的改善。统计描述各种nonquantitative肘关节炎需要改进的指标。在未来,所有nonquantitative指标的定量分析促进完成自动诊断的全面性肘关节炎。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。

作者的贡献

彭Minwei夏和Ao的贡献同样这项工作。