基于svm與彈性區(qū)域生長的膝軟骨圖像自動分割方法
【技術領域】
[0001] 本發(fā)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(qū)域生長的膝軟骨圖像自動分割方法。
【背景技術】
[0002] 膝關節(jié)是人體全身關節(jié)中結構最為復雜又是最易受損傷的關節(jié)，其常見病癥有關 節(jié)炎，骨腫瘤等，而這些病癥常伴隨關節(jié)軟骨的退化、破壞及形態(tài)改變，因此骨關節(jié)病的早 期診斷非常重要。核磁共振成像作為一種無創(chuàng)的檢查方式，已成為評估軟骨形態(tài)、功能的主 要手段。通過MRI成像對關節(jié)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(yī)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(yī)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(jié)軟骨分割算法。
[0003] 由于MRI膝蓋軟骨圖像本身的形態(tài)、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(tài)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(qū) 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(tài)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(yī)學圖像 進行分割，對于不同人的不同圖像序列分割不穩(wěn)定。最后，區(qū)域生長法在待分割區(qū)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(qū)域之間的差異進行劃分， 表征的是外部差異特性。傳統(tǒng)的邊緣檢測法和區(qū)域生長法存在兩個問題：
[0005] 1、由于膝關節(jié)圖像紋理和形態(tài)的復雜性，受到許多非軟骨邊緣的干擾，傳統(tǒng)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(tǒng)的區(qū)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(fā)明內容】

[0007] 針對上述問題，本發(fā)明的目的在于提出一種基于SVM與彈性區(qū)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(qū)別對待，此外，利用自動選取種子點并結合彈性區(qū)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(qū)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(jié)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(qū)域作 為候選區(qū)域，從而得到股軟骨種子點候選區(qū)域、脛軟骨種子點候選區(qū)域以及髕軟骨種子點 候選區(qū)域；
[0015] 步驟7 :在所述股軟骨種子點候選區(qū)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(qū)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(qū)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(qū)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(qū)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(qū)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(qū)域 種子點3*3鄰域內各個點的坐標集合，m為生長區(qū)域所有種子點的像素均值，K為生長區(qū)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(zhí)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(qū)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