文摘
为了监控在长跑运动员受伤的康复,作者提出了一种康复监测方法基于CT的长跑多通道图像。该方法结合了最新的多通道图像技术,集成多通道技术到CT图像,提高准确性,通过医学CT多通道上执行图像分割图像分割方法,并分析了分割图像;最后,它可以实现康复治疗的效果在长跑运动员。实验结果表明,所采取的总时间作者的方法是10.9小时,平均时间为8秒,比其他两个更短的控制方法。在结论中,作者的方法允许更好的长跑运动损伤康复监测。
1。介绍
如中长跑是中距离跑和长跑1]。在中产阶级和长跑运动员可能导致运动损伤由于体内能源物质的消耗和代谢产物的积累,运动能力的下降,技术变形和弱的自我保护意识。因此,它具有重要意义研究损伤的原因和预防措施在中产阶级和长跑;与此同时,康复监测的受伤也是非常重要的一部分2,3]。
近年来,随着移动互联网的不断发展,多媒体和智能移动设备的不断普及,越来越多的信息,如图像、声音、文本形式存储在网络和智能设备上的数据。图片和视频已经成为另一个文本后主要信息载体;现在,每天数十亿的图片上传;在未来,将会有大量的搜索工作相关的图片和视频;因此,机器自动理解图像语义,建立图像和文本之间的关系;它们之间的关系已成为一个研究课题的现实意义。近年来,各种各样的大学实验室、研究机构和公司的实验室一直在进行这项研究的深度。基于深度学习,研究人员在计算机视觉中的应用进行了深入研究,自然语言处理,取得了较好的结果。多通道图像理解(图片描述),作为一个高级图像语义理解的任务,还包括多通道与计算机视觉、自然语言处理和相关的问题是一个重要的勘探深度学习的应用多个模态字段(4]。
医学图像分割是医学图像处理和分析的基础上,这个问题的解决方案不仅直接影响计算机图形学和图像技术的成功应用在医学上也有重要的理论和实践意义5- - - - - -7]。医学图像分割是提取的过程感兴趣的区域,分割结果可以为后续的疾病诊断提供参考,治疗计划规划、评估和治疗效果。因为它的高分辨率,CT可以更清楚地强调解剖结构和病变组织的特点,这使得它广泛应用于疾病的诊断在许多系统。因此,它是非常重要的图像分割方法的研究应用CT图像,如图1。
2。文献综述
随着竞争的增加强度和提高运动员的竞技水平,中距离赛跑运动员的训练强度也增加。然而,由于自我保护意识相对较弱的运动员,运动损伤发生的时候。有五种常见的损伤:(1)过度使用伤害(2)关节扭伤(3)应变(4)在运动中腹痛(5)肌肉痉挛
这五种伤害,有关各方已经康复的方法这五个方法,取得了理想的治疗效果。但这并不适用于所有类型的损伤。
多通道图像理解任务可以应用在许多方面,有很强的实用性8]。例如,它可以用于搜索功能,包括图像文字搜索和text-image搜索,因此,传统的基于搜索转换为标记和基于内容的搜索,搜索结果更准确;同时,搜索时间保存,具有较高的现实意义。多通道图像理解也可以用来辅助功能,专门协助这些系统没有视觉系统或视力受损,如智能机器人帮助盲人;机器人可以根据视觉系统观察外部环境并将它转换成文本信息描述,然后使用语音合成技术实现语音转换,以便更好的帮助视力受损的人,也可以用于早期儿童教育;多通道图像理解技术可以教孩子们看到图片和说话,与此同时,在医学成像、多通道图像理解技术可以自动生成并协助医生看到病人的诊断结果。因此,多通道图像理解的任务有一个广泛的应用场景在现实生活中,具有极高的学术价值和研究意义不容忽视在科学研究9]。
多通道图像理解任务的当前的主流解决方案是基于encoder-decoder框架。例如,邓和吴用一个编码器编码输入图像和解码器生成图像的标题(10]。其中,常见的编码器是深卷积神经网络,和译码器通常使用一个自回归解码器如复发性神经网络,如LSTM;每个单词顺序自回归解码器生成序列化的方式,导致一个完整的描述性的句子。自回归以来,译码器是基于前面生成的词序列和图像内容生成当前时间步的话说,这是一个序列化的过程,不能并行,所以生成速度慢的问题。此外,在生成的过程中,推理,如果前面的字是不恰当的或有偏差错误,很容易影响到单词生成后,导致累积的错误。同时,自回归解码器将句子作为一个序列化结构而不是一个层次结构,这个过程不能自然语言固有的层次结构模型,这使得自回归解码器极其有利于语法与高频短语训练数据和更倾向于预测常见短语(11]。因此,自回归解码器的风险不正确的句子语义和缺乏多样性。神经机器翻译模型(NMT),提出了nonautoregressive译码器来解决这个问题,自回归解码器的生成速度太慢,但这nonautoregressive解码器间接模型真正的目标模态分布,而不是直接建模分布。直接建模遵循语言的条件生成方法,也就是说,它预测,目前这个词在句子的条件基础上,和自回归译码器采用直接建模方法。间接语言的建模遵循condition-independent生成方法,也就是说,整个句子中的每个单词是独立生成没有条件的上下文。因此,间接建模并不遵循语言的条件分布,这不可避免地引入了另一个问题,叫做“多峰问题。”
CT为数码影像创造了先例,但它不同于普通的x射线成像。CT显示截面解剖图像,其密度分辨率能力远高于x射线图像,所以x射线成像不能开发解剖结构和病变。组织可视化;因此,人体的检查范围明显扩大,和病变的检出率和诊断的准确性提高。随着第一个数字成像设备的发展,CT医学影像的发展起到了极大的推动作用。目前,CT已广泛应用于以下系统和器官疾病的诊断在诊所:中枢神经系统,头部和颈部,肺,心脏和大血管,腹部和骨盆和肌肉骨骼系统。
基于上述研究,作者提出了一个长跑运动损伤康复监测方法基于CT多通道图像。结合CT医学分割技术和多通道图像技术,我们形成一个CT多通道图像技术和使用医学CT图像切割技术和多通道图像技术减少和分析CT多通道图像;这不仅能达到使用CT图像进行长跑损伤的康复也加速了监控速度和提高康复效果。
3所示。研究方法
3.1。多通道图像理解模型
多通道图像理解模型的算法主要包括基于模板匹配算法,搜索,基于神经网络和多通道图像理解。基于模板匹配的方法首先识别等视觉元素存在的对象,对象之间的关系,现场位置,通过场景识别和目标监测等,然后手工填入句子模板设计;缺点是句型是固定的,生成的句子太简单,缺乏灵活性,同时,这种方法需要确定对象之间的关系,场景内容,提前和对象;工作量很大的早期阶段,将overrely性能的实验,并且容易错误积累;这是一种诱导偏见直接使用数据集。搜索算法搜索类似的图片在训练数据集,和描述句子的最相似的图像作为描述图像的句子;与模板匹配方法相比,该方法生成的句子更流利。缺点是类似的照片会有不同的内容,因此很难生成准确的句子描述图片。这些方法生成的句子相对较简单,错误率很高。出于这个原因,许多研究人员不断探索新的解决方案,包括基于神经网络的多通道图像理解模型。 The following will mainly introduce the multimodal image understanding model based on neural network.
当前流行的多通道图像理解算法模型主要是基于深层神经网络算法,受神经网络训练的成功应用在机器翻译;这种算法通常使用一个encoder-decoder框架。具体过程如下:使用一个编码器(如卷积神经网络CNN)来提取图像的特征,然后使用一个译码器递归神经网络(如LSTM)解码图像特征为光滑的句子。在预测时,每一步的LSTM生成生成一个字,直到一段时间。这个词在这里,预测前一刻和内部状态输入LSTM,然后LSTM预测的话,这个词的分布概率最高的是此时此刻这个词。在培训期间,监督的方法通常是使用,因此需要对图像和文本。每一时刻的输入LSTM是正确的文本的词在前一刻,然后这个词的概率正确的文本此刻优化。这是最大似然估计的计算方法,从而增加文本数据集的概率。这种模式突破传统多通道图像理解的监禁和各评价指标,实现高分打下理论指导今天的多通道图像理解模型。
3.2。理论与CT图像
3.2.1之上。CT图像和CT值
CT图像由两部分组成:强度和大小的像素,像素的强度反映了x射线的吸收的器官或组织,和像素的大小反映了图像的细度,也就是说,图像的空间分辨率(12]。CT成像的过程中,x射线吸收系数的测量精度的器官或组织可以达到0.5%。因此,与x射线图像相比,CT图像有较高的密度分辨率。在现实中,为方便表达,通常是使用CT值而不是吸收系数表达的x射线吸收程度的器官或组织。
图2显示了CT值对应于人体的各种组织。仔细研究CT值的图中显示对应于骨是最高,CT值对应于空气是最低的,和其他的CT值之间的人体组织。
3.2.2。CT片
CT图像三维图像的人体和CT图像往往从不同的方向观察和分析实际应用(13]。在人体解剖学,人体削减部分分为两部分纵向沿左右方向称为冠状面。飞机穿过人体的垂直轴,纵轴和所有飞机被称为矢状平面平行。切割后的表面接触人体垂直于人体的轴称为横向平面。
3.2.3。研究CT图像分割方法的特点
与一般的图像相比,CT图像解剖组织结构和形状复杂的特点,图像的固有的模糊性,内的灰度不均匀性组织,和大量的数据。因此,研究CT图像分割方法相应地呈现以下特点:(1)由于潜在的复杂性和多样性的CT图像和分割问题本身的难度,到目前为止,没有分割方法,可以应用于各种任务,通常是正确的分割算法对一个特定的任务。此外,由于各种分割方法的局限性,人们试图探索CT图像分割新方法,更注重多种分割方法的结合。(2)虽然获得CT图像二维切片的形式存在,随着计算机性能的提高,研究三维分割方法受到越来越多的关注;原因是人体器官的完整性保证相邻切片CT图像的连续性,所以3 d片之间的分割方法可以使用更多的信息来指导分割过程,使分割结果更准确。(3)医学图像可分为解剖图像和功能图像根据他们的功能,前者主要是描述人类解剖信息,而后者主要是描述人类功能和代谢信息。CT图像属于解剖图像。CT图像分割的过程中,它逐渐成为一个新的趋势,融合其他功能的图像,如正电子发射断层扫描图像,以指导CT图像分割(14]。(4)图像分割算法可以分为三个类别根据其自动化程度:自动,互动,和手动分割15- - - - - -17]。由于越来越精密的现代仪器的体积CT数据增加,使手动分割几乎不可能,和手动分割的结果有很多与操作者的经验;与此同时,结果是不可重复的,这就极大地限制了它的应用。因此,自动分割的目标分割算法设计过程。然而,CT图像本身的复杂性使得当前自动分割算法取得了一些成功,但他们远离会议结果的准确性的要求在临床实际应用的过程。因此,用户发起和user-guided互动CT图像分割方法得到了越来越多的关注。人机交互式分割方法不仅可以发挥人的主观能动性;因此,保证分割算法的准确性,并可以充分利用计算机的性能,从而保证了分割算法的实用性
3.3。多通道的髋关节CT图像分割基于自适应分类和法线方向修正
3.3.1。图像的初始分割
预处理后髋关节CT多通道图像,图像的初始分割包括两个步骤,第一步是binarize图像使用全局最优阈值方法(18]。由于更高的骨骼密度相对于其周围的软组织,骨强度高于周围的软组织在CT多通道图像。阈值方法通常是用作粗骨分割首选方法由于其操作简单,算法执行效率高19]。关键图像的近似区域的骨头被分割,但由于骨质密度的不均匀性和骨损伤的存在,阈值方法常常导致的骨孔的关键形象,和骨骼产生不连续边界。针对上述问题,在第二步中,3 d数学形态学方法用于填补孔和连接的关键图像的边界。
3.3.2。基于直方图阈值
髋关节的分割是通过使用一个多步方法,基本步骤是首先进行CT多通道图像的初始分割;然后我们使用这个初始化迭代自适应分割算法分割结果实现完整的骨头和nonbone组织分离,最后使用法线方向校正算法来实现骨边界的精确定位。
有许多方法的初始分割骨,如阈值方法,蜿蜒的方法,区域增长方法,分水岭分割方法,等等。与其他分割方法相比,阈值分割方法是一种最常用的骨CT图像分割方法,原因是在CT多通道图像,骨组织通常有更高的密度比周围的软组织,和阈值方法可以用来实现一个简单的和骨骼的快速分割,然后实现快速迭代的自适应分类过程的初始化;因此,提高整个算法的执行效率;由于大量的计算,其他方法的效率远低于阈值分割(20.]。
阈值分割的优点是,它是简单而快速。当对象属于不同类型的灰度值或特征值是不同的,它可以有效地分割对象。阈值分割方法主要包括两个步骤:(1)确定所需的分割阈值(2)比较分割阈值与体素灰度值将体素
在上面的步骤中,确定阈值分割的关键。当使用阈值方法分段灰度图像,对图像通常有一定的假设。换句话说,它是基于一个特定的图像模型,例如,假设图像中不同类别的灰色分布符合高斯分布。专门应用于CT髋关节的多通道图像,考虑到骨强度要明显高于其他软组织,和软组织的内部强度不会改变太多,髋关节的灰度直方图可以被视为两个单峰直方图对应的混合物组成的骨组织和软组织。
灰度直方图组成的混合物的两个单峰直方图,作者决定了初始分割阈值根据大津算法。大津算法的基本思想是寻找一个阈值;这个阈值最大化类间方差,与此同时,最小化within-bird方差。根据判别分析的理论,这样一个阈值的最优分割阈值。
确定最优阈值的具体步骤如下:首先,计算感兴趣的区域的灰度直方图(ROI)的髋关节。因为软组织的CT值小于骨组织和软组织的体素的ROI占更大的比例,因此,它可以从高峰对应的直方图软组织类型,和低峰值对应于骨组织类型。在这一章,它假定软组织和骨组织服从高斯分布。在计算最优阈值,两条高斯曲线是用来适应直方图曲线;它可以知道相对应的灰度值的十字路口两条高斯曲线的最优分割阈值,如图3。
3.3.3。二进制图像形态学操作
在上面的二进制图像获得的阈值方法,在骨组织经常有洞,不连续的边缘骨,和错误的骨头之间的联系。这些现象是由于骨组织密度的不均匀性,弱边缘骨的性质,在CT多通道成像部分体积效应。为了大致获得后续的精确边缘的骨组织区域分割,作者用数学形态学填充二进制图像获得的“漏洞”。一般来说,结构元素的选择(大小和形状)影响形态操作的结果。常用的结构元素的形状是球体,多维数据集和菱形。为了减少直接误接由于形态学方法,作者花了 钻石形的结构元素。
3.3.4。迭代重新分类算法计算
(1)计算骨从当前分割边界。对于一个给定的体素,如果直接连接相邻像素点可以分为两个不同的类,体素位于骨的边缘区域或nonbone区域 。为了计算骨边缘的像素点,首先定义six-voxel社区结构,体素组在这一章是脊椎的优势 。具体来说,每个体素在 ,如果任何一个其六个相邻像素点属于 ,体素属于一组 。为方便下面的描述,作者在这里专门标签体素属于集作为 。
3.3.5。骨边界地区的重新分类基于贝叶斯决策标准
对于每一个边界体素 ,首先定义一个窗口为中心的位置 。所有体素认为是来自两个高斯分布(骨区域和nonbone地区 )平均值和标准偏差 和 ,分别。为了方便起见,请注意= = 。参数的估计方法 , 稍后将详细讨论图吗4。
根据贝叶斯定理,对于一个给定的体素 ,骨组件在体素的比例可以由以下公式计算:
3.3.6。更新当前分割结果
在各体素被遍历,新骨区域吗和nonbone区域再次获得通过使用三维数学形态学方法。获得新骨和nonbone地区后,边界体素将重新计算。如果压在不改变在前后两次迭代,迭代过程将被停止。否则,转到第一步重新计算骨边界体素和执行整个迭代过程直到收敛。
4所示。结果与讨论
作者对实验结果进行了回顾性分析。在这个实验中,55套CT多通道图像采集数据,包括共有110个髋关节。实验数据来自通用电气专业速度CT机、切平面分辨率 ,平面像素间距是0.68毫米,片之间的距离是1.5毫米,切片的数量是85年到95年。实验环境MATLAB6.5, 2.33 GHz处理器、2 GB内存。在110髋关节,包括数据从正常到严重的病变。手动分割结果,所有数据都由放射科医生。
为了验证该方法的适用性,作者基于解剖和成像特性(例如,邻近的股骨头髋臼、股骨头的畸形的程度,和骨骼密度的不均匀性的程度);获得的110髋关节被分成四组,和四组的数字是16日,31日,51岁,分别和12。进一步的研究可以发现,这种方法属于基于模型的分割方法;在分割过程中,物体的形状信息作为先验约束添加分割知识;因此,髋关节的分割方法是更健壮的严重损伤。表1显示了该方法的比较结果和其他两种方法的分割。
可以看出作者的方法总共需要10.9小时,平均时间是8秒,比其它两种方法更短,表明作者的方法在图像分割领域有很大优势。因此,造成的伤害长跑可以更好地治疗。
5。结论
作者提出了一种康复监测方法基于CT的长距离跑步受伤多通道图像。该方法将多峰性技术集成到CT图像。通过医学上削减CT多通道图像和分析;最后,受伤的治疗引起的长跑。实验结果表明,该方法由作者总共花了10.9小时,平均时间为8秒,比其他两种方法要短得多。这表明长跑损伤康复的方法监控基于CT多通道图像能有效提高治疗效果。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。