CN107146214A - 儿童髋关节发育状况计算机自动诊断的方法 - Google Patents

Abstract

本发明公开了一种对儿童髋关节发育状况通过计算机自动诊断的方法，本发明适用于儿童髋关节发育的临床诊断。该诊断算法的输入为儿童髋关节的超声波原始图像，输出为儿童髋关节发育状况评判结果，评判依据为三项指标：骨性髋臼顶角度α，软骨性髋臼顶角度β，及髋臼对股骨头覆盖率MR。该算法分四个步骤：髋关节图像预处理，髋关节图像分割，图像特征提取和三项指标的计算。本发明算法的核心步骤是采用图像分割中的区域可适配模型算法对预处理过的原始图像进行分割，分割效果良好，能有效地应对采集图像可能遇到的亮度分布不均等各种问题。本发明中所采用的计算三项指标方法，不需依赖人工判断，能快速、自动、准确的计算三项指标，并给出诊断结果，有着简洁，高效，误差小等多项优点，使得普通医生也能胜任儿童髋关节异常的筛查任务。

Description

儿童髋关节发育状况计算机自动诊断的方法

技术领域

本发明涉及生物医学图像检测技术领域，尤其涉及生物组织图像分割及检测方法及程序。

背景技术

发育性髋关节发育不良(Developmental Dysplasia of the Hip．DDH)是指出生前和出生后股骨头及髋臼在发育和(或)解剖关系中出现异常的一系列髋关节病症。随着患儿年龄增长，髋关节周围的继发病理改变越来越多且越来越重，治疗也变得越来越困难。所以，早诊断、早治疗对其预后改善具有重要意 义。

Graf根据髋关节的超声检查结果，首先提出了一种方法，即在髋关节冠状面超声图像上作三条线（见附图1）：(1)基线：自关节囊在髂骨上的起点(A)至骨性髋臼外侧缘(B)引一直线：(2) 髋臼盖线或称骨顶线：髋臼窝内髂骨下缘(D)至骨性髋臼外侧缘(B)的连线；(3) 软骨髋臼盖线或称软骨顶线：为骨性髋臼外侧缘(B)至纤维软骨盂缘中央(C)的连线。

此方法要求在标准图像上必须具有清晰的髂骨、圆弧型的骨性髋臼顶和软骨性髋臼顶。基线和髋臼盖线相交成角，用来衡量骨性髋臼发育的程度，软骨髋臼盖线的延长线和基线相交成β角，代表软骨髋臼盖发育的程度。根据β角大小将髋关节分为四型，I型：α>60^。，β<55^。为正常髋关节；II型：α角为43^。～60^。，β角为55^。～77^。即骨性髋臼发育不良，软骨盖变形：Ⅲ型：α<43^。，β>77^。，即半脱位，股骨头向后上方脱位，软骨髋臼盖受压变形；Ⅳ型：完全脱位，股骨头位于软组织内。此法目前已得到广泛的应用。其测量指标中，角最具诊断价值，是判断髋关节特别是髋臼发育的主要指标。

Morin等在1985年依靠冠状面超声波图像提出了股骨头覆盖率法(Morin ratio，MR)：在髋关节切面上，沿髂骨外侧缘作一直线(P)，再以此直线做两条平行线分别与股骨头的内侧缘、外侧缘相切。股骨头内切线至直线的距离(d)与股骨头内、外切线的间距(D)之比称股骨头覆盖率(MR，见附图2)。MR小于33％为异常，大于58％为正常。MR已成为判断股骨头脱位程度的一项参考指标。

超声影像是发育性髋关节异常筛查的首选方法。但人工超声影像局限在于必须依赖于有关医护人员的主观经验来进行骨性髋臼顶角度α，软骨性髋臼顶角度β的测量，因此检测结果因医护人员主观差异不同而不同，易造成错误诊断。本发明提出的算法是在超声波图像的基础上采用区域可适配模型算法对超声波图像进行分割。根据Graf方法，从分割结果中寻找出构成α角，β角所需的相关样本点，并拟合出三条直线。这样计算出来的α，β角的结果更加精确，从而尽可能的减小因角度测量所带来的误差，因此更加能保证诊断结果的准确性。此外本专利中同时也计算了股骨头覆盖率MR。

如前所述，本发明算法的核心在于图像分割中的区域可适配模型算法。区域可适配模型算法是由Chunming Li等学者对其之前提出的活动轮廓模型算法的改进。活动轮廓模型算法是一种广泛应用于图像分割的算法。从本质上来说就是一条能量极小化曲线，在曲线本身的内力和图像等外部约束力作用下移动的变形轮廓线线，该曲线锁定在图像特征附近，准确地将它们极小化。

Chunming Li等学者于2005、2008对于传统的活动轮廓模型进行改进。在其中，Li提出了以变分水平集方程表示的基于区域的活动轮廓模型（简称RSF）。模型中定义了一个区域可扩展适配能量函数，该能量函数中的适配函数是基于一个轮廓线和对轮廓线内外两边的局部图像灰度的估计而定义。利用形成的模型对水平集轮廓线进行演变，演变轮廓线朝着最小化能量函数方向进行，并最终获得最小化相应的能量函数的轮廓线。该方法还可以有效应对图像灰度不均匀、初始轮廓线敏感性等常见于一般活动轮廓模型的问题。该模型在相对小的计算复杂度下，获得了非常好的分割效果。因此，它已经被成功的应用于医用图像分割等众多领域中。

发明内容

本发明实施例提出了一种基于区域可扩展适配模型的儿童髋关节发育状况诊断算法，通过对原始超声波仪器采集的图像进行预处理，图像分割，提取特征，自动地计算三项指标，快速地给出诊断结果。本发明适用于儿童髋关节发育的临床诊断，具有快速、高效、准确等诸多优点。

基于区域可扩展适配模型的儿童髋关节发育诊断算法大体分为4个步骤：原始髋关节图像预处理、髋关节图像分割、特征抽取、三项指标的计算。

Step1：原始髋关节图像预处理

在超声波仪器采集的髋关节图像按内容可视为由两类图像构成：髋关节组织图像，及仪器设备自带的背景图像，包括整个输入的图像中除髋关节组织图像外其他的字符，标识条等，见附图3。在图像的预处理环节就是要完全去除背景信息，留下不含背景的超声图像。本专利中采用的预处理算法如下：首先，将原始输入的真彩图像转换为灰度图像，通过图像的腐蚀算法去除髋关节组织图像外的字符等干扰信息。其中，腐蚀算法的原理是选定大小一定的腐蚀结构元，将腐蚀结构元覆盖整个图像区域。在每个结构元所覆盖的子区域中选取该区域的最小灰度值替代整个覆盖子区域的灰度值。一般情况下，为了将干扰信息腐蚀掉，结构元的宽度要大于干扰字符的宽度或保证剩余残留干扰较少。在完成腐蚀步骤后，髋关节图像由髋关节组织图像和灰度值为零的外边框构成，见附图4。其次，选取适当阈值将图像转换为二值图像，检测输入图像的竖直方向是否有标识条，或白色背景。二值化后，竖直方向的白条通常为超过一定范围的连续1，检测图像若有这类特征则将标识条区域的图像灰度值置为零，见附图5；检测出二值化后图像的水平方向及竖直方向上大于一定区域面积的非零区域最大及最小坐标值，确定裁剪图像的坐标并对图像进行裁剪，保留下髋关节组织的图像而去除其外的边框，见附图6。

Step2：髋关节组织图像分割

为了提取出髋关节组织结构的特征，首先需要先提取出髋关节组织结构的轮廓线，而为了获得轮廓线需要对髋关节组织结构进行分割。本专利中采用的分割算法是区域可扩展适配模型（RSF）算法。

RSF模型的重点在于一个区域可扩展的数据拟合能量项。假设存在图像空间，是在图像空间中的一条闭合轮廓线，对于给定点，能量方程可定义为：

在水平集方法中，使用水平集函数的零水平集方程示轮廓线，则能量项可具体表示如下：

其中，和为正常数；和分别用于估计轮廓线外部和内部的灰度值；K选用了高斯核函数，其参数规定了灰度范围。

则是一片以点x为中心的局部区域中的点，区域的大小由核函数K中的标量参数控制。，，H表示Heaviside方程 ，该方程在实际运算中由光滑函数近似替代：

是轮廓的内外图像灰度的按一定权重分配的均方误差估计，其中 和分别是轮廓的内外图像灰度的估计，是每个的灰度的权重，的属性使得灰度对能量的贡献随着离中心点越来越远而减小并趋于零。因此能量受邻域的点的灰度的控制。

在能量方程（1）中，用于计算轮廓长度，该项在水平集方法中可被表示为，因此（1）中的能量方程可被写为：

为保持演化中的水平集轮廓（水平集的正确计算和稳定性），Li等加入水平集规则项，该项代表了方程偏离符号距离函数的程度，可表示为：

综上，整个能量方程可定义为：

其中 是正常数。

和是用梯度下降法对能量方程（6）最小化而获得，其定义为：

对于给定点,当轮廓线C与目标边界重合，且 和 最优的估计了轮廓线C两边的图像灰度值时，能量函数得以最小化。

分割结果见附图7，附图8。

Step3. 特征提取

在已经分割出轮廓的髋关节组织图像中提取出ROI（Regions Of Interest,即感兴趣的区域），骨性髋臼，软骨性髋臼（Y型软骨），股骨头三部分。所用算法具体实现如下：根据ROI处于图像下方，且处于股骨头外测缘之下的特点，分别找出这三部分中的一点，通过该点找出其所在轮廓线上的封闭曲线。至此就找出了所有的构成三部分特征的点，并通过这些点找出需要的特征轮廓。若找出的特征轮廓图像过小，则放大两倍见附图9。接下来就是在骨性髋臼和软骨性髋臼两部分特征中选择合适的点以拟合出三条直线，为后面的计算α，β角做铺垫。选择方法为通过对图像左侧部分纵向扫描，获得与髂骨侧面交点，通过这些交点，用最小二乘法拟合出基线；通过对基线以下部分的横向扫描，获得与髂骨下肢及骨缘区相交的点，通过这些交点，用最小二乘法拟合出骨顶线；通过对基线以上部分的横向扫描，获得与髋臼盂唇交点，通过这些交点以及骨缘区末端，用最小二乘法拟合出软骨顶线。拟合三条直线结果见附图10除此之外，为获得MR值，需找到股骨头内、外侧与基线平行的切线，为此选择股骨头上方的点，通过该点做与基线平行的线；同样选择股骨头下方的点，通过该点做与基线平行的线。划线结果见附图11。

Step4.三项指标的计算

在α，β角的计算中，是通过拟合出的三条直线的斜率来进行求解的。假设三条拟合直线的斜率分别为k1，k2，k3，其中k1为拟合的基线的斜率，k2为所拟合的骨顶线的斜率，k3为所拟合的软骨顶线的斜率，根据两直线夹角公式得:

,或。

为计算股骨头覆盖率MR，做一条垂直于三条平行线的直线，分别获得与三条平行线的交点，从上往下分别为，，，则 MR的计算为：

。

根据算出的三项指标中，主要权重在于α角，其次在于MR，β角的权重关系最弱，因此在判断儿童髋关节发育是否正常时以α角为主，MR，β角为辅。最终，根据计算出来的三项指标结合评价标准给出最后的诊断结果。见附图12。评价标准如表1:

表1:儿童髋关节Graf，MR法诊断标准

综上所述，本发明实施例对儿童髋关节超声图像通过髋关节图像预处理、髋关节图像分割、图像特征提取和三项指标的计算，获得儿童髋关节发育状况评判结果，评判依据为三项指标：骨性髋臼顶角度α，软骨性髋臼顶角度β，及髋臼对股骨头覆盖率MR。

本发明算法的核心步骤是采用图像分割中的区域可适配模型算法对预处理过的原始图像进行分割，分割效果良好，能有效地应对采集图像可能遇到的亮度分布不均的各种问题。本发明中所采用的计算三项指标方法，不需依赖人工判断，能快速、自动计算三项指标，并给出诊断结果，有着简洁，高效，误差小等多项优点，使得普通医生也能胜任儿童髋关节异常的筛查任务。为验证本发明的实际诊断效果，特在一定数量的实验样本上进行验证，验证结果见表2。该表中的正确分类是以专业医师的人工诊断为依据。可以看出本发明对于正常髋关节的诊断有91.89%的正确率，对非正常的髋关节的诊断准确率还有待于进一步改善。本方法可对儿童髋关节超声图像迅速自动划线，适用于儿童髋关节发育状况的辅助诊断，但仍需在后续工作中使其精度得到进一步提高。

表2：儿童髋关节自动诊断结果

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

附图说明：

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。在附图中：

图1为Graf髋关节检查三线作图法示意图；

图2为MR法髋关节检查作图法示意图；

图3为原始超声波仪器所采集图像；

图4为对原始图像腐蚀后的图像；

图5为去掉白条后的二值图像；

图6为对原始图像进行剪切后的图像；

图7为用RSF算法分割后获得的轮廓图像；

图8为二值化后的图像轮廓；

图9为从轮廓中提取的特征轮廓；

图10为根据特征点拟合出的三条直线；

图11为MR切线；

图12为最终诊断结果。

Claims (7)

1.一种计算机自动诊断儿童髋关节发育状况的方法，主要特征包括：

髋关节图像预处理：通常在获取超声波仪器图像过程中包含了外边框，其中有用于标记图像的相关文字及线条，因此，在对髋关节图像进行分割前需要先去除外边框；

髋关节图像分割：运用区域可适配模型（简称RSF）算法对经预处理过的图像进行分割，获取髋关节组织轮廓，为下一步中提取相关特征的样本点做铺垫；

图像特征提取：在已分割出的图像轮廓线中提取出与三项指标计算相关的组织轮廓线，并在提取出轮廓线的基础上提取出相关的样本点，构成相关计算所需的点列；

Graf法的α角、β角指标的计算：通过之前提取出的特征点列拟合三条直线，分别为髋关节基线、骨顶线、软骨顶线，基线与骨顶线夹角即为α角，基线与软骨顶线夹角即为β角；

股骨头覆盖率MR的计算：所需数据点为原图像右侧股骨头内测缘与外测缘相关样本点，通过外测缘样本点做与基线平行直线为外侧缘切线；通过内测缘样本点做与基线平行直线为内测缘切线，得到内测缘切线与基线距离d，以及内外测缘切线距离D，获得MR值为d/D；

根据做出的α角，β角，以及MR值，再根据graf方法，以及MR法输出诊断结果。

2.如权利要求1所述的髋关节检测方法，其特征在于，首先将获取的真彩图转换为灰度图，再进行腐蚀，去除边框文字；其次将输入图像二值化，对图像中白色底进行检测并去除，最后通过残留的超声波图像边框确定超声波图像的大小，并剪切，得到无边框的超声图像。

3.如权利要求1,2所述的髋关节检测方法，其特征在于，运用RSF算法对二维髋关节图像进行分割；

RSF模型的重点在于一个区域可扩展的数据拟合能量项，假设存在图像空间是在图像空间 中的一条闭合轮廓线，对于给定点 ，能量方程可定义为：

在水平集方法中，使用水平集函数的零水平集方程来示轮廓线，则能量项可具体表示如下：

其中， 和为正常数；和分别用于估计轮廓线外部和内部的灰度值；选用了高斯核函数，其参数规定了灰度范围；are positive constants, 数据，我们试着

则是一片以点x为中心的局部区域中的点，区域的大小由核函数K中的标量参数控制；，，H表示Heaviside方程 ，该方程在实际运算中由光滑函数近似替代：

是轮廓的内外图像灰度的按一定权重分配的均方误差估计，其中 和分别是轮廓的内外图像灰度的估计，是每个的灰度的权重，的属性使得灰度对能量的贡献随着离中心点越来越远而减小并趋于零，因此能量受邻域的点的灰度的控制；在能量方程（1）中，用于计算轮廓长度，该项在水平集方法中可被表示为，因此（1）中的能量方程可被写为：

为保持演化中的水平集轮廓（水平集的正确计算和稳定性），Li等加入水平集规则项，该项代表了方程偏离符号距离函数的程度，可表示为：

综上，整个能量方程可定义为：

其中 是正常数；

和是用梯度下降法对能量方程（6）最小化而获得，其定义为：

对于给定点,当轮廓线C与目标边界重合，且 和 最优的估计了轮廓线C两边的图像灰度值时，能量函数得以最小化。

4.如权利要求1,2,3所述的髋关节检测方法，其特征在于，在已分割出的图像轮廓线中，根据髋关节的Y形软骨及股骨头处于图像下方的特点，提取出髋关节的Y形软骨及股骨头的组织轮廓线。

5.如权利要求1,2,3,4所述的髋关节检测方法，其特征在于在提取出髋关节的Y形软骨及股骨头的组织轮廓线的基础上提取髂骨上侧、髂骨下肢及骨缘区、髋臼盂唇骨缘区的相关样本点，构成相关计算所需的点列。

6.如权利要求1,2,3,4,5所述的髋关节检测方法，其特征在于根据提取的髂骨上侧样本点，通过最小二乘法线性回归拟合出基线；根据提取的髂骨下肢及骨缘区的样本点，通过最小二乘法线性回归拟合出骨顶线；根据提取的髋臼盂唇骨缘区的样本点，通过最小二乘法线性回归拟合出软骨顶线，由基线和骨顶线的夹角计算出α角，软骨性髋臼线与髋关节基准线的夹角即为β角。

7.如权利要求1,2,3,4,5所述的髋关节检测方法，其特征在于根据提取的股骨头外、内测缘样本点做关于基线的平行线，取垂直于三条平行线的直线与之相交，获得三个交点坐标（x1,y1）、（x2,y2）、（x3,y3），根据三点坐标计算骨头覆盖率MR

（9）。