CN107194417A - 基于mr图像的手指损伤检测方法及系统 - Google Patents
基于mr图像的手指损伤检测方法及系统 Download PDFInfo
- Publication number
- CN107194417A CN107194417A CN201710322423.9A CN201710322423A CN107194417A CN 107194417 A CN107194417 A CN 107194417A CN 201710322423 A CN201710322423 A CN 201710322423A CN 107194417 A CN107194417 A CN 107194417A
- Authority
- CN
- China
- Prior art keywords
- finger
- image
- feature
- detected
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 14
- 208000014674 injury Diseases 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 42
- 208000024891 symptom Diseases 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 43
- 210000002435 tendon Anatomy 0.000 claims description 22
- 208000012880 Finger injury Diseases 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 11
- 231100000915 pathological change Toxicity 0.000 claims description 7
- 230000036285 pathological change Effects 0.000 claims description 7
- 208000021945 Tendon injury Diseases 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 210000003857 wrist joint Anatomy 0.000 claims description 6
- 206010061223 Ligament injury Diseases 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 18
- 210000003484 anatomy Anatomy 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 9
- 238000010408 sweeping Methods 0.000 abstract 1
- 210000003811 finger Anatomy 0.000 description 234
- 238000005457 optimization Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 210000003041 ligament Anatomy 0.000 description 5
- 210000003813 thumb Anatomy 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 210000000236 metacarpal bone Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 210000004439 collateral ligament Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 238000002683 hand surgery Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010603 microCT Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010051763 Bone marrow oedema Diseases 0.000 description 1
- 208000026137 Soft tissue injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001188 articular cartilage Anatomy 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供的基于MR图像的手指损伤检测方法及系统,方法为:获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;将待检测对象手指MR图像与标准手指MR图像进行比较,判断待检测对象手指MR图像对应的症状,得到待检测对象手指的检测结果。本发明研究手指的微细断层解剖与MR影像特点的相关性及手指不同部位损伤的MR影像特点,应用高场强的MR扫描仪,极大提高精细解剖结构的图像质量及诊断效能,可适用于常规临床工作,为手指损伤的诊断和治疗提供的可靠的影像学依据。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及基于MR图像的手指损伤检测方法及系统领域。
背景技术
人类双手能做复杂而灵巧的多种动作,有极其精细的感觉,其功能的复杂性与其解剖结构密切相关。手指损伤中最常见的是肌腱、韧带及其支持结构的损伤,这种损伤会导致不同程度的功能障碍或丧失。如何最大限度的恢复其功能,熟练掌握及灵活运用功能解剖学知识,是手外科诊治的重要基础。手指早期肌腱、韧带等软组织损伤经常被忽视和误诊,而延误诊断和治疗治,甚至影响患者的功能恢复、导致其生活质量的下降。因此,如何早期发现手指肌腱韧带及其支持结构的损伤是一个亟待解决医学难题,正确全面掌握手指精细解剖对损伤的诊断和治疗至关重要。
磁共振成像(Magnetic resonance imaging,MRI)作为一种无创性的影像学检查方法,因其良好的软组织分辨率,能够提供手部关节软骨、肌腱、韧带等精细解剖结构的高分辨率形态学信息,对病变早期发现、早期诊断具有重要的意义。目前,手指解剖研究多集中于大体解剖领域,虽然近年来,对于手指的细微解剖结构的三维可视化研究日益兴起,但归根结底,这些研究的基础仍然是断层解剖影像。
前期研究证明,MR成像技术可清晰显示手指精细解剖结构及损伤情况,前提是需要高场强的磁共振扫描仪、分辨率足够的线圈及合理的扫描方案;而目前该领域研究多集中于科研方面,未广泛应用于临床,尤以缺乏规范的扫描成像方案,而进一步限制了其临床应用。
发明内容
针对上述技术问题,为解决上述技术问题,本发明提供的技术方案是:
第一方面,本发明提供一种基于MR图像的手指损伤检测方法,包括:
步骤S1,获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
步骤S2,将所述待检测对象手指MR图像与标准手指MR图像进行比较,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指的检测结果。
本发明提供的一种基于MR图像的手指损伤检测方法,其技术方案为:获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;将所述待检测对象手指MR图像与标准手指MR图像进行比较,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指的检测结果。
本发明研究手指的微细断层解剖与MR影像特点的相关性及手指不同部位损伤的MR影像特点,应用高场强的MR扫描仪,极大提高精细解剖结构的图像质量及诊断效能,可适用于常规临床工作,为手指损伤的诊断和治疗提供的可靠的影像学依据。
进一步地,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得,具体为:
以待检测对象手指的肌腱韧带损伤处为中心,定义扫描范围,包括病变上下邻近关节面,手指轴位、冠状位及矢状位;
进行扫描序列设定,所述扫描序列包括T1和质子压脂两个序列,所述质子压脂序列选用快速自旋回波TSE序列和SPAIR压脂序列;
进行扫描参数设定;
设定扫描序列和扫描参数后,通过扫描仪进行病变上下邻近关节面,手指轴位、冠状位及矢状位的扫描,得到待检测对象手指MR图像。
进一步地,所述T1序列设置为TR范围为521-780ms,TE范围为20-40ms;
所述质子压脂序列设置为TR范围为2347-3657ms,TE范围为40-45ms。
进一步地,还包括线圈,所述线圈为4通道表面线圈或8通断腕关节线圈,配合所述扫描议获得待测对象手指MR图像。
第二方面,本发明提供一种基于MR图像的手指损伤检测方法,包括:
获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指MR图像的检测结果。
本发明提供的一种基于MR图像的手指损伤检测方法,其技术方案为:获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指MR图像的检测结果。
本发明的基于MR图像的手指损伤检测方法,基于正常手指MR断层解剖结构和不同部位损伤的MR影像特点,将手指损伤与手指MR图像建立起特征相关性,基于相关性对待检测对象手指MR图像进行特征分类,实现通过手指MR图像的特征判断手指的损伤情况,检测结果准确快速。
进一步地,通过标准手指MR图像建立所述特征分类器,具体为:
获得一帧标准手指MR图像,所述标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对所述标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对所述标准图像进行标记的多种标记特征;
在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对所述多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据所述第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对所述特征集合和所述相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据所述预设条件对所述最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对所述最优特征子集和所述最优相关特征子集进行整合,形成特征分类器。
进一步地,在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征,具体为:
将N个具有所述标记特征的特征形成的向量通过计算相关系数建立为N×N的相关矩阵,所述相关矩阵中每个元素表示两个具有所述标记特征的特征之间的相关性;
将第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的不相关性定义为:d(i,j)=[t(i)-t(j)]2,其中,t(i)和t(j)分别表示第i个特征中所述标记特征的特征值、第j个特征中所述标记特征的特征值;
则第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的相关性定义为:其中,δi和δj分别表示第i个特征和第j个特征之间所述标记特征特征值的标准差;即,s(i,j)为相关特征。
进一步地,所述待检测对象手指MR图像的检测结果包括所述待检测对象手指为健康或有损伤,当所述待检测对象手指的检测结果为有损伤,还包括:
选择所述待检测对象手指MR图像中的可能损伤部位图像;
获取预先建立的手指损伤图像模型,在所述可能损伤部位图像中寻找强度分布与所述手指损伤图像模型中的强度匹配的图像区域,得到匹配区域图像,所述手指损伤图像模型基于健康手指MR图像中灰度级分布计算得到;
根据所述匹配区域图像和所述可能损伤部位图像,计算得到真实损伤部位图像和健康部位图像;
通过二进制标签对所述健康部位图像进行优化处理,得到优化后的健康部位图像;
根据所述健康部位图像,通过辅助函数对成本函数进行优化处理,计算得到最优标签;
根据所述最优标签,计算得到边界区域;
根据所述边界区域,计算得到最终损伤区域,所述最终损伤区域为所述手指MR图像中的真实损伤区域。
第三方面,本发明提供了一种基于MR图像的手指损伤检测系统,包括:
图像获取模块,用于获得待检测对象手指MR图像,所述待检测对象手指M R图像通过预先设定的扫面序列及参数扫描获得;
特征分类模块,用于将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
手指损伤检测模块,用于根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指MR图像的检测结果。
本发明提供的一种基于MR图像的手指损伤检测系统,其技术方案为:通过图像获取模块,获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;通过特征分类模块,将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;通过手指损伤检测模块,根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指MR图像的检测结果。
本发明的基于MR图像的手指损伤检测系统,将手指损伤与手指MR图像建立起特征相关性,基于相关性对待检测对象手指MR图像进行特征分类,实现通过手指MR图像的特征判断手指的损伤情况,检测结果准确快速。
进一步地,所述特征分类模块,具体用于通过标准手指MR图像建立所述特征分类器:
获得一帧标准手指MR图像,所述标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对所述标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对所述标准图像进行标记的多种标记特征;
在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对所述多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据所述第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对所述特征集合和所述相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据所述预设条件对所述最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对所述最优特征子集和所述最优相关特征子集进行整合,形成特征分类器。
进一步地,所述预设条件为:
所述特征分类模块,具体用于:
将N个具有所述标记特征的特征形成的向量通过计算相关系数建立为N×N的相关矩阵,所述相关矩阵中每个元素表示两个具有所述标记特征的特征之间的相关性;
将第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的不相关性定义为:d(i,j)=[t(i)-t(j)]2,其中,t(i)和t(j)分别表示第i个特征中所述标记特征的特征值、第j个特征中所述标记特征的特征值;
则第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的相关性定义为:其中,δi和δj分别表示第i个特征和第j个特征之间所述标记特征特征值的标准差;即,s(i,j)为相关特征。
进一步地,还包括预约反馈模块,用于:
所述手指损伤检测模块中,所述待检测对象手指MR图像的检测结果包括所述待检测对象手指为健康或有损伤,当所述待检测对象手指的检测结果为有损伤,还包括手指损伤检测子模块,用于:
选择所述待检测对象手指MR图像中的可能损伤部位图像;
获取预先建立的手指损伤图像模型,在所述可能损伤部位图像中寻找强度分布与所述手指损伤图像模型中的强度匹配的图像区域,得到匹配区域图像,所述手指损伤图像模型基于健康手指MR图像中灰度级分布计算得到;
根据所述匹配区域图像和所述可能损伤部位图像,计算得到真实损伤部位图像和健康部位图像;
通过二进制标签对所述健康部位图像进行优化处理,得到优化后的健康部位图像;
根据所述健康部位图像,通过辅助函数对成本函数进行优化处理,计算得到最优标签;
根据所述最优标签,计算得到边界区域;
根据所述边界区域,计算得到最终损伤区域,所述最终损伤区域为所述手指MR图像中的真实损伤区域。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明实施例所提供的一种基于MR图像的手指损伤检测方法的第一流程图;
图2示出了本发明实施例所提供的一种基于MR图像的手指损伤检测方法的待检测对象手指MR图像与标准手指MR图像的对照示意图;
图3示出了本发明实施例所提供的一种基于MR图像的手指损伤检测方法的扫描MR图像示意图;
图4示出了本发明实施例所提供的一种基于MR图像的手指损伤检测方法的第二流程图;
图5示出了本发明实施例所提供的一种基于MR图像的手指损伤检测系统的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例一
图1示出了本发明实施例所提供的一种基于MR图像的手指损伤检测方法的流程图;如图1所示,本实施例提供的一种基于MR图像的手指损伤检测方法,包括:
步骤S1,获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
步骤S2,将待检测对象手指MR图像与标准手指MR图像进行比较,判断待检测对象手指MR图像对应的症状,得到待检测对象手指的检测结果。
本发明提供的基于MR图像的手指损伤检测方法,其技术方案为:获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;将待检测对象手指MR图像与标准手指MR图像进行比较,判断待检测对象手指MR图像对应的症状,得到待检测对象手指的检测结果。
优选地,还包括线圈,线圈为4通道表面线圈或8通断腕关节线圈,配合扫描议获得待测对象手指MR图像。
其中,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;具体为:
以待检测对象手指的肌腱韧带损伤处为中心,定义扫描范围,包括病变上下邻近关节面,手指轴位、冠状位及矢状位;
进行扫描序列设定,所述扫描序列包括T1和质子压脂两个序列,所述质子压脂序列选用快速自旋回波TSE序列和SPAIR压脂序列;
进行扫描参数设定;
设定扫描序列和扫描参数后,通过扫描仪进行病变上下邻近关节面,手指轴位、冠状位及矢状位的扫描,得到待检测对象手指MR图像。
扫描定位时,正常人的定位线以手指目标关节为中心,损伤患者定位线以患指肌腱韧带损伤处为中心;扫描范围应包括病变上下邻近关节面,对手指进行轴位、冠状位及矢状位扫描。每个扫描方向包括T1WI(T1序列的加权成像)和质子压脂(PD-FS)两个序列(可视具体情况而定,能够清晰显示病变、满足诊断要求即可,常规扫描三个方向的PD压脂序列加一个方向的TWI序列),PD脂肪抑制选用快速自旋回波(TSE)序列加SPAIR压脂序列。常规扫描参数如下:FOV(100-140)mm*(70-100)mm*(26-40)mm,NEX 2-4,层厚1.0mm,层间距2.0mm,体素(0.15-0.25)mm*(0.15-0.25);mm*1.50mm。扫描序列:SE(FSE)T1WI序列,TR 521-780ms,TE 20-40ms(质子密度加权像的长TR和短TE);PD-FS序列,TR 2347-3657ms,TE 40-45ms。冠状位成像可以较好的观察和评估侧韧带的损伤,矢状位适用于观察伸肌腱、屈肌腱和滑车的损伤,而轴位可用于评价侧副韧带、伸肌腱、屈肌腱和滑车结构等。根据不同的待检测对象手指MR图像,可进行手指损伤的判断。
其中,各个方位的MR扫描方法为:
A:冠状位扫描:根据轴位图像确定冠状位扫描定位像,扫描平面平行于目标掌骨或指骨掌侧缘。同时参照矢状位图像,确定扫描中心和范围。根据病变选择不同层厚,一般为1-3mm。
B:矢状位扫描:根据轴位图像确定矢状位扫描定位像,扫描平面垂直于目标掌骨或指骨掌侧缘。同时参照冠状位图像,确定扫描中心和范围。根据病变选择不同层厚,一般为1-2mm。
C:横轴位扫描:利用矢状位或冠状位图像确定轴位扫描定位线,扫描平面垂直于目标掌骨、指骨长轴,选择病变部位局部进行扫描。根据病变选择不同层厚,一般为1-2mm。
然后将扫描得到的待检测对象手指MR图像与标准手指MR图像进行比较,判断待检测对象手指MR图像对应的症状,得到待检测对象手指的检测结果。
参见图2,为待检测对象手指MR图像与标准手指MR图像的对照:
图2中A:拇指矢状位断层标本得到的标准手指MR图像。正常拇长伸肌腱在大体标本上表现为拇指背侧白色细条状结构,拇长伸肌腱远端附着点位于远节指骨背侧基底部(白色实线箭头)。正常拇长屈肌腱在大体标本上表现为拇指掌侧白色稍粗条状结构,拇长屈肌腱远端附着点位于远节指骨掌侧基底部(白色虚线箭头)。
图2中B:待检测对象手指的拇指矢状位MR图像,T1WI序列。正常拇长伸肌腱在MR图像上表现为拇指背侧细条状低信号带,拇长伸肌腱远端附着点位于远节指骨背侧基底部(白色实线箭头)。正常拇长屈肌腱在MR图像上表现为拇指掌侧稍粗条状低信号带,拇长屈肌腱远端附着点位于远节指骨掌侧基底部(白色虚线箭头)。
以上述扫描方案对损伤手指进行MR扫描成像,以一位男损伤者为例,该手指损伤则40岁,左手拇长伸肌腱损伤屈曲位MR图像,参见图3。
图3中A:PD-FS序列轴位,近节指骨基底部骨髓水肿,拇长伸肌腱(白色实线箭头)信号增高,纤维模糊。
图3中B:T1WI序列轴位,拇长伸肌腱(白色实线箭头)形态模糊、增粗。
图3中C:PD-FS序列矢状位,拇长伸肌腱损伤处信号明显增高(白色实线箭头)
图3中D:T1WI序列矢状位,拇长伸肌腱损伤处(白色实线箭头)纤维欠清晰、信号增高。
根据上述图3中对MR图像的观察,可判断手指的损伤程度。
本发明应用MR成像技术,研究手指的微细断层解剖与MR影像特点的相关性,及手指不同部位损伤的MR影像特点;其优势在于应用高场强的MR扫描仪,小孔径表面线圈的高固有基础分辨力,可减小扫描图像的体素、提高空间分辨率,更加适用于位置表浅、解剖结构细微的手指MRI检查,加之扫描方案的优化,从而极大提高精细解剖结构的图像质量及诊断效能,可适用于常规临床工作,为手指损伤的诊断和治疗提供的可靠的影像学依据。
实施例二
基于实施例一中的手指MR图像扫描方法,基于获得的待检测对象手指MR图像,本发明还提出了一种基于MR图像的手指损伤检测方法,参见图4,包括:
获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
将待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
根据特征分类结果中的特征比重,判断待检测对象手指MR图像对应的症状,得到待检测对象手指MR图像的检测结果。
本发明提供的一种基于MR图像的手指损伤检测方法,其技术方案为:获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;将待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;根据特征分类结果中的特征比重,判断待检测对象手指MR图像对应的症状,得到待检测对象手指MR图像的检测结果。
本发明的基于MR图像的手指损伤检测方法,将手指损伤与手指MR图像建立起特征相关性,基于相关性对待检测对象手指MR图像进行特征分类,实现通过手指MR图像的特征判断手指的损伤情况,检测结果准确快速。
优选地,通过标准手指MR图像建立特征分类器,具体为:
获得一帧标准手指MR图像,标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对标准图像进行标记的多种标记特征;
其中,每个第一特征可代表手指的一种损伤或病症,标记特征可代表一种损伤或病症中的表现症状,因为一种损伤或病症会有多种表现症状,因此每个第一特征包括多种标记特征。
在多种标记特征中选择一种特征标记,建立一种标记特征与多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对特征集合和相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据预设条件对最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对最优特征子集和最优相关特征子集进行整合,形成特征分类器。
对标准手指MR图像进行特征和相关特征的提取、设置特征相对于相关特征在分类器中功能比例的权重因子、通过多核SVM模型整合形成特征分类器,通过特征分类器可用于不同疾病的辅助诊断,疾病分类的准确性高,且具有较强的适用性。
优选地,通过图像处理算法对标准手指MR图像进行多维特征提取之前,还包括:
对一帧标准手指MR图像进行区域划分。
优选地,通过图像处理算法对标准手指MR图像进行多维特征提取之后,还包括:
对每个第一特征中的多种标记特征分别进行归一化处理。
考虑到不同种类标记特征的个体差异,对每个第一特征中的分别进行归一化处理,消除个体差异,提高特征提取的准确率。
优选地,在多种标记特征中选择一种特征标记,建立一种标记特征与多个第一特征之间的相关性,形成第一相关特征,具体为:
将N个具有标记特征的特征形成的向量通过计算相关系数建立为N×N的相关矩阵,相关矩阵中每个元素表示两个具有标记特征的特征之间的相关性;
将第i个具有标记特征的特征和第j个具有标记特征的特征之间的不相关性定义为:d(i,j)=[t(i)-t(j)]2,其中,t(i)和t(j)分别表示第i个特征中标记特征的特征值、第j个特征中标记特征的特征值;
则第i个具有标记特征的特征和第j个具有标记特征的特征之间的相关性定义为:其中,δi和δj分别表示第i个特征和第j个特征之间标记特征特征值的标准差;即,s(i,j)为相关特征。
优选地,混合特征算法包括对特征集合和相关特征集合依次进行特征选择的第一过滤特征选择算法、第二过滤特征选择算法以及封装特征选择算法;其中第一过滤特征选择算法用于减少特征数量;第二过滤特征选择算法为最小冗余最大相关特征选择方法,获取最优特征子集;封装特征选择算法为基于支持向量机的递归特征消除算法,获取进一步优化的最优特征子集。
因为特征和相关特征都是高维特征,采用混合特征算法对特征集合和相关特征集合分别进行特征选择,降维,避免维数灾难,选择出最优特征子集和最优相关特征子集。
其中,预设条件指已设置好的第二特征在特征分类器中所占比例的权重因子。通过权重因子,根据手指MR图像中提取的特征即可实现特征的分类,不同的权重因子对应不同的分类结果,不同的分类结果对应不同的损伤或病症。
优选地,通过权重因子以及多核SVM模型整合最优特征子集、最优相关特征子集,形成特征分类器,包括以下步骤:
通过基于径向基核函数对最优特征子集和最优相关特征子集分别建立核矩阵;
定义n个训练样本,定义所述权重因子为βm;则第i个样本的特征向量为:xi={xi (1),...,xi (M)};其中,M为标记特征的种类;每个特征向量对应的标签为yi={-1,1};
那么,混合的核矩阵为:其中,k(m)(xi (m),xj (m))=<Φ(xi (m)),Φ(xj (m))>;
而当0≤ai≤C时,Φ(·)表示核函数引导的映射函数,k(m)(xi (m),xj (m))表示训练样本xi (m)和xj (m)在第m中特征上核矩阵,a表示拉格朗日乘子,<·,·>表示内积运算,C表示模型参数中约束条件的个数;
因此,多核分类器为
其中,权重因子βm越大,特征在特征分类器中的对应的损伤概率越大。
优选地,通过4通道表面线圈或8通断腕关节线圈,配合扫面议获得待测对象的手指MR图像。
4通道表面线圈或8通断腕关节线圈为小孔径表面线圈,可减小扫描图像的体素,提高空间分辨率,更加适用于位置表浅、结构细微的手指MR扫描检查,提高手指损伤检测的精准度。
优选地,待检测对象手指MR图像的检测结果包括待检测对象手指为健康或有损伤,当待检测对象手指的检测结果为有损伤,还包括:
选择待检测对象手指MR图像中的可能损伤部位图像;
获取预先建立的手指损伤图像模型,在可能损伤部位图像中寻找强度分布与手指损伤图像模型中的强度匹配的图像区域,得到匹配区域图像,手指损伤图像模型基于健康手指MR图像中灰度级分布计算得到;
根据匹配区域图像和可能损伤部位图像,计算得到真实损伤部位图像和健康部位图像;
通过二进制标签对健康部位图像进行优化处理,得到优化后的健康部位图像;
根据健康部位图像,通过辅助函数对成本函数进行优化处理,计算得到最优标签;
根据最优标签,计算得到边界区域;
根据边界区域,计算得到最终损伤区域,最终损伤区域为手指MR图像中的真实损伤区域。
通过对检测到的可能损伤部位图像进行重新分割,以确定可能损伤部位的精确区间,根据精确区间,可提高检测结果的准确性。
下面结合具体分割过程进行说明:
由于损伤区域和正常区域图像的灰度强度不同,因此,定义可能损伤部位图像为I,定义两个变量,表示正常区域,ΩI表示损伤区域,根据正常区域估计灰度强度MI的非参数模型分布,建立手指损伤图像模型,其中包括手指MR图像中正常区域(健康区域)的所有特征信息。
设MI(Z)为内图像I的灰度级分布核密度估计:
其中,表示的面积(即区域内像素点的数量);
k(z)为核函数:
其中,σ为内核宽度,u为期望值。
在损伤区域ΩI内找寻强度分布最可能接近手指损伤图像模型MI的区域RI,即匹配区域图像,通过ΩI/RI计算得到真实损伤部位图像,则健康部位图像为
通过二进制标签对健康部位图像进行优化处理,得到优化后的健康部位图像,具体为:
设LI:ΩI→{0,1}为图像域的一个可变分区,对于正常的区域(无损伤的区域),RI:{p∈ΩI|LI(p)=1},对于真实损伤部位图像,通过最小化全局成本函数来获取最优标签,全局成本函数包括一个基于巴氏度量的非线性分布匹配和一个平滑约束。为了表示成本函数,对任何二进制标签LI:ΩI→{0,1},设定以下符号:
其中,A(RI)表示RI的面积。
本发明中通过最小化以下成本函数来找到一个最优标签
其中,
其中,S(LI)为平滑度,用来调整分割边界:
其中,且
N为包含ΩI中所有相邻元素对{p,q}的领域组。λ时一个正常数,用来平衡分布匹配项与正则项的相对贡献,给出了一个强度分布与MI最匹配边界区域,为最优区域,该最优区域被期望与Ωi中的非损伤区域相对应。因此,最终损伤区域SRI根据计算:
其中,根据健康部位图像,通过辅助函数对成本函数进行优化处理,具体为:
设A(u,ui)为成本函数FI(u)的辅助函数,且满足以下条件:
FI(u)≤A(u,ui),i>1
本发明中迭代优化一系列辅助函数,表示为A(u,ui),i≥1,i表示迭代次数,这样能够比FI(u)更容易优化:
根据获取的解序列使原函数FI(u)降序排列:
FI(ui)=A(ui,ui)≥A(ui+1,ui)≥FI(ui+1)
此外,由原函数存在下届,因此解序列收敛于FI(ui)的最小值,进而得到最优标签。
参见图5,本发明提供了一种基于MR图像的手指损伤检测系统10,包括:
图像获取模块101,用于获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
特征分类模块102,用于将待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
手指损伤检测模块103,用于根据特征分类结果中的特征比重,判断待检测对象手指MR图像对应的症状,得到待检测对象手指MR图像的检测结果。
本发明提供的一种基于MR图像的手指损伤检测系统10,其技术方案为:通过图像获取模块101,获得待检测对象手指MR图像,待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;通过特征分类模块102,将待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;通过手指损伤检测模块103,根据特征分类结果中的特征比重,判断待检测对象手指MR图像对应的症状,得到待检测对象手指MR图像的检测结果。
本发明的基于MR图像的手指损伤检测系统10,将手指损伤与手指MR图像建立起特征相关性,基于相关性对待检测对象手指MR图像进行特征分类,实现通过手指MR图像的特征判断手指的损伤情况,检测结果准确快速。
优选地,特征分类模块102,具体用于通过标准手指MR图像建立特征分类器:
获得一帧标准手指MR图像,标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对标准图像进行标记的多种标记特征;
在多种标记特征中选择一种特征标记,建立一种标记特征与多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对特征集合和相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据预设条件对最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对最优特征子集和最优相关特征子集进行整合,形成特征分类器。
优选地,特征分类模块102,具体用于:
将N个具有标记特征的特征形成的向量通过计算相关系数建立为N×N的相关矩阵,相关矩阵中每个元素表示两个具有标记特征的特征之间的相关性;
将第i个具有标记特征的特征和第j个具有标记特征的特征之间的不相关性定义为:d(i,j)=[t(i)-t(j)]2,其中,t(i)和t(j)分别表示第i个特征中标记特征的特征值、第j个特征中标记特征的特征值;
则第i个具有标记特征的特征和第j个具有标记特征的特征之间的相关性定义为:其中,δi和δj分别表示第i个特征和第j个特征之间标记特征特征值的标准差;即,s(i,j)为相关特征。
优选地,还包括手指MR图像获得模块,用于通过4通道表面线圈或8通断腕关节线圈,配合扫面议获得待测对象的手指MR图像。
优选地,还包括预约反馈模块,用于:
手指损伤检测模块103中,待检测对象手指MR图像的检测结果包括待检测对象手指为健康或有损伤,当待检测对象手指的检测结果为有损伤,还包括手指损伤检测子模块,用于:
选择待检测对象手指MR图像中的可能损伤部位图像;
获取预先建立的手指损伤图像模型,在可能损伤部位图像中寻找强度分布与手指损伤图像模型中的强度匹配的图像区域,得到匹配区域图像,手指损伤图像模型基于健康手指MR图像中灰度级分布计算得到;
根据匹配区域图像和可能损伤部位图像,计算得到真实损伤部位图像和健康部位图像;
通过二进制标签对健康部位图像进行优化处理,得到优化后的健康部位图像;
根据健康部位图像,通过辅助函数对成本函数进行优化处理,计算得到最优标签;
根据最优标签,计算得到边界区域;
根据边界区域,计算得到最终损伤区域,最终损伤区域为手指MR图像中的真实损伤区域。
实施例三
基于实施例一及实施例二提供的一种基于MR图像的手指损伤检测方法,及基于MR图像的手指损伤检测系统10,由于MRI的成像速度慢,人在成像过程中必须保持静止状态,即使是轻微的运动也会使成像产生伪影,影响手指损伤的诊断。基于此,本实施例提出一种基于压缩感知的MR图像重建方法,具体为:
在基于非局部相似块构成的低秩矩阵下构造MR图像重建的目标函数;
根据构造出的目标函数,利用变量替换方法将目标函数的优化求解问题转化为低秩矩阵的去噪与目标图像重建的求解问题;
对于低秩矩阵的去噪问题,采用奇异值分解方法将聚类的低秩矩阵进行分解,对分解得到的特征值进行软阈值处理,获得去噪后的低秩矩阵;
将得到的低秩矩阵带入到目标函数中,经过近似优化,利用最小二乘算法得到最终重建后的MR图像。
其中,在基于非局部相似块构成的低秩矩阵下构造MR图像重建的目标函数的具体步骤如下:
利用低秩矩阵的特性,构造基本MR重构模型:
其中,y表示经过磁共振扫描仪获得的观测数据,Fu为部分傅立叶变换操作算子,x为重建后的图像;已知,ai表示在图像x中以像素点i为中心的图像块,图像块集合为N表示图像总的像素点个数,Ai表示以图像块ai为参考块,在其一定领域内寻找与ai最相似的M块图像块将这些相似块拉成列向量,构成的相似块矩阵;rank(Ai)表示对矩阵Ai求秩操作;
式(1)是一个非凸优化问题,可以放松约束条件,用核范数最小替代秩最小,所以式(1)可以改写成:
其中,矩阵Ai的核范数||Ai||*定义为λi,j为矩阵Ai的特征值,r表示矩阵Ai的秩大小,λ>0是权重参数。
其中,根据构造出的目标函数,利用变量替换方法将目标函数的优化求解问题转化为低秩矩阵的去噪与目标图像重建的求解问题的具体方法如下:
利用变量替换的方法将目标模型(1)变换为如下形式:
其中Bi是在求解MR图像过程中产生的中间变量,称之为辅助变量,然后再将这个目标函数写成非约束形式:
其中,定义为:xi,j表示矩阵X中坐标(i,j)的像素值,ω为常数;对于式(4),采用交替最小化过程将目标函数转化为低秩矩阵的复原以及目标图像重建问题。
其中,对于低秩矩阵的去噪问题,采用奇异值分解方法将聚类的低秩矩阵进行分解,对分解得到的特征值进行软阈值处理,获得去噪后的低秩矩阵的具体步骤如下:
对于目标函数(4),当x已知的情况下,求解未知变量Bi,得到下式:
对低秩矩阵Ai进行一个阈值去噪,得到新的低秩矩阵Bi,具体可分为两步:
a、对低秩矩阵Ai进行奇异值分解(SVD):
(Ui,Σi,Vi)=svd(Ai)
其中,Σi表示对矩阵Ai分解获得的特征值矩阵,而Ui与Vi为分解得到的酉矩阵;
b、对特征值矩阵进行软阈值处理阈值其中,r表示矩阵Ai秩大小,估计是根据矩阵Ai所包含的噪声大小来确定的,噪声方差估计如下:
其中,S表示矩阵Ai的特征值由第1个至第k个特征值之和小于Ai总能量的85%所对应的最大k值,1<k<r,n、p分别表示Ai的行数与列数,min(n-1,p)表示取n-1与p之间较小的一方的值,特征值阈值为:
通过阈值去噪后得到
将得到的低秩矩阵带入到目标函数中,经过近似优化,利用最小二乘算法得到最终重建后的MR图像的具体步骤如下:
对于目标函数(4),当Bi已知的情况下,求解未知变量x,得到下式:
其中,λ1=λ·ω,为了能够把重构MR图像x写成闭型解的形式,需要对式(6)进行改写以便能够得到一个最小二乘的解,由于可以写成向量的和的形式,所以可以得到:
其中,N是图像x像素个数,ai表示图像x中第i个像素点对应的图像块向量,bi表示与ai对应的中间变量,Oi表示在中出现的次数,因此,必然满足:
其中,Omin和Omax分别表示的最小值和最大值,因此可以对取一个近似的估计因此式(6)可以写为:
λ2是一个权重常数,由于是复原的所有图像块的集合,通过图像块加权平均,得同样,通过块加权平均得到图像x,因此,可以将式(8)转变成式(9):
λ3是大于0的常数;
在式(9)的基础上,利用ADMM算法在图像域以及空间域的约束项中同时引入噪声回加过程,可得到式(10):
式(10)是一个典型的最小二乘问题,从而能够得到重构后的x',其中,Ex与Ek是噪声回加变量,更新的Ex'与Ek'分别为:
本发明利用非局部块的相似性以及相似块构成的低秩矩阵这两种先验知识,提出了一种新的算法,利用自适应的参数估计以及最小二乘算法来很好的重建MR图像。通过实验证明了该算法模型相比于传统的方法在对MR图像的细节边缘处理上具有很好的重建效果。
通过本实施例中的MR图像重建方法,采用一种近似最小二乘的思路来重建MR图像,相比于现有技术在边缘及边界区域复原更加清晰,使的获得的手指MR图像更加清晰,便于提高对手指MR检测的精准性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于MR图像的手指损伤检测方法,其特征在于,包括:
步骤S1,获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
步骤S2,将所述待检测对象手指MR图像与标准手指MR图像进行比较,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指的检测结果。
2.根据权利要求1所述的基于MR图像的手指损伤检测方法,其特征在于,
所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得,具体为:
以待检测对象手指的肌腱韧带损伤处为中心,定义扫描范围,包括病变上下邻近关节面,手指轴位、冠状位及矢状位;
进行扫描序列设定,所述扫描序列包括T1和质子压脂两个序列,所述质子压脂序列选用快速自旋回波TSE序列和SPAIR压脂序列;
进行扫描参数设定;
设定扫描序列和扫描参数后,通过扫描仪进行病变上下邻近关节面,手指轴位、冠状位及矢状位的扫描,得到待检测对象手指MR图像。
3.根据权利要求2所述的基于MR图像的手指损伤检测方法,其特征在于,
所述T1序列设置为TR范围为521-780ms,TE范围为20-40ms;
所述质子压脂序列设置为TR范围为2347-3657ms,TE范围为40-45ms。
4.根据权利要求2所述的基于MR图像的手指损伤检测方法,其特征在于,
还包括线圈,所述线圈为4通道表面线圈或8通断腕关节线圈,配合所述扫描议获得待测对象手指MR图像。
5.一种基于MR图像的手指损伤检测方法,其特征在于,包括:
获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象的手指MR图像的检测结果。
6.根据权利要求5所述的基于MR图像的手指损伤检测方法,其特征在于,
通过标准手指MR图像建立所述特征分类器,具体为:
获得一帧标准手指MR图像,所述标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对所述标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对所述标准图像进行标记的多种标记特征;
在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对所述多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据所述第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对所述特征集合和所述相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据预设条件对所述最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对所述最优特征子集和所述最优相关特征子集进行整合,形成特征分类器。
7.根据权利要求6所述的基于MR图像的手指损伤检测方法,其特征在于,
在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征,具体为:
将N个具有所述标记特征的特征形成的向量通过计算相关系数建立为N×N的相关矩阵,所述相关矩阵中每个元素表示两个具有所述标记特征的特征之间的相关性;
将第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的不相关性定义为:d(i,j)=[t(i)-t(j)]2,其中,t(i)和t(j)分别表示第i个特征中所述标记特征的特征值、第j个特征中所述标记特征的特征值;
则第i个具有所述标记特征的特征和第j个具有所述标记特征的特征之间的相关性定义为:其中,δi和δj分别表示第i个特征和第j个特征之间所述标记特征特征值的标准差;即,s(i,j)为相关特征。
8.根据权利要求5所述的基于MR图像的手指损伤检测方法,其特征在于,
所述待检测对象手指MR图像的检测结果包括所述待检测对象手指为健康或有损伤,当所述待检测对象手指的检测结果为有损伤,还包括:
选择所述待检测对象手指MR图像中的可能损伤部位图像;
获取预先建立的手指损伤图像模型,在所述可能损伤部位图像中寻找强度分布与所述手指损伤图像模型中的强度匹配的图像区域,得到匹配区域图像,所述手指损伤图像模型基于健康手指MR图像中灰度级分布计算得到;
根据所述匹配区域图像和所述可能损伤部位图像,计算得到真实损伤部位图像和健康部位图像;
通过二进制标签对所述健康部位图像进行优化处理,得到优化后的健康部位图像;
根据所述健康部位图像,通过辅助函数对成本函数进行优化处理,计算得到最优标签;
根据所述最优标签,计算得到边界区域;
根据所述边界区域,计算得到最终损伤区域,所述最终损伤区域为所述手指MR图像中的真实损伤区域。
9.一种基于MR图像的手指损伤检测系统,其特征在于,包括:
图像获取模块,用于获得待检测对象手指MR图像,所述待检测对象手指MR图像通过预先设定的扫面序列及参数扫描获得;
特征分类模块,用于将所述待检测对象手指MR图像通过预先建立的特征分类器进行特征分类,得到特征分类结果;
手指损伤检测模块,用于根据所述特征分类结果中的特征比重,判断所述待检测对象手指MR图像对应的症状,得到所述待检测对象手指MR图像的检测结果。
10.根据权利要求9所述的基于MR图像的手指损伤检测系统,其特征在于,
所述特征分类模块,具体用于通过标准手指MR图像建立所述特征分类器:
获得一帧标准手指MR图像,所述标准手指MR图像包括健康手指MR图像和损伤手指MR图像;
通过图像处理算法对所述标准手指MR图像进行多维特征提取,得到多个第一特征,每个第一特征包括对所述标准图像进行标记的多种标记特征;
在所述多种标记特征中选择一种特征标记,建立所述一种标记特征与所述多个第一特征之间的相关性,形成第一相关特征;
获取多帧标准手指MR图像,对所述多帧标准手指MR图像进行多维特征提取,得到多个第二特征,形成特征集合;
根据所述第一相关特征,得到多个第二相关特征,形成相关特征集合;
通过混合特征算法对所述特征集合和所述相关特征集合分别进行特征选择,选择出最优特征子集和最优相关特征子集;
根据预设条件对所述最优特征子集和最优相关特征子集进行设置,结合多核SVM模型对所述最优特征子集和所述最优相关特征子集进行整合,形成特征分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322423.9A CN107194417B (zh) | 2017-05-09 | 2017-05-09 | 基于mr图像的手指损伤检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322423.9A CN107194417B (zh) | 2017-05-09 | 2017-05-09 | 基于mr图像的手指损伤检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194417A true CN107194417A (zh) | 2017-09-22 |
CN107194417B CN107194417B (zh) | 2020-06-05 |
Family
ID=59873665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710322423.9A Active CN107194417B (zh) | 2017-05-09 | 2017-05-09 | 基于mr图像的手指损伤检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194417B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165668A (zh) * | 2018-07-06 | 2019-01-08 | 北京安德医智科技有限公司 | 一种脑部异常分类的处理方法 |
CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN116206166A (zh) * | 2023-05-05 | 2023-06-02 | 西南科技大学 | 一种基于核投影学习的数据降维方法、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
-
2017
- 2017-05-09 CN CN201710322423.9A patent/CN107194417B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165668A (zh) * | 2018-07-06 | 2019-01-08 | 北京安德医智科技有限公司 | 一种脑部异常分类的处理方法 |
CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
CN110097546B (zh) * | 2019-04-30 | 2021-04-13 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
CN112903952A (zh) * | 2021-01-21 | 2021-06-04 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN112903952B (zh) * | 2021-01-21 | 2022-05-27 | 北京航空航天大学 | 一种金属板结构损伤评价系统和方法 |
CN116206166A (zh) * | 2023-05-05 | 2023-06-02 | 西南科技大学 | 一种基于核投影学习的数据降维方法、设备和介质 |
CN116206166B (zh) * | 2023-05-05 | 2023-08-11 | 西南科技大学 | 一种基于核投影学习的数据降维方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107194417B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fahmy et al. | Automated analysis of cardiovascular magnetic resonance myocardial native T1 mapping images using fully convolutional neural networks | |
Fripp et al. | Automatic segmentation and quantitative analysis of the articular cartilages from magnetic resonance images of the knee | |
Pedoia et al. | Segmentation of joint and musculoskeletal tissue in the study of arthritis | |
CN107194417B (zh) | 基于mr图像的手指损伤检测方法及系统 | |
US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
NL1024314C2 (nl) | Geïntegreerde beeldregistratie voor cardische magnetische-resonantie-doorbloedingsdata. | |
US20020147392A1 (en) | Technique for manipulating medical images | |
Folkesson et al. | Automatic segmentation of the articular cartilage in knee MRI using a hierarchical multi-class classification scheme | |
Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
Rajalingam et al. | Review of multimodality medical image fusion using combined transform techniques for clinical application | |
CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
WO2009035572A1 (en) | Automatic lesion correlation in multiple mr modalities | |
CN114565711A (zh) | 基于深度学习的心脏图像重建方法及系统 | |
Keles et al. | Musculoskeletal MR image segmentation with artificial intelligence | |
Li et al. | Ddmm-synth: A denoising diffusion model for cross-modal medical image synthesis with sparse-view measurement embedding | |
EP1447772B1 (en) | A method of lung lobe segmentation and computer system | |
Arega et al. | Using polynomial loss and uncertainty information for robust left atrial and scar quantification and segmentation | |
Lee et al. | Integrating edge detection and thresholding approaches to segmenting femora and patellae from magnetic resonance images | |
CN110428392A (zh) | 一种基于字典学习和低秩表示的医学图像融合方法 | |
Morello et al. | Image-based detection of Kayser-Fleischer ring in patient with Wilson disease | |
Muthiah et al. | Fusion of MRI and PET images using deep learning neural networks | |
Wang et al. | Improving segmentation of breast arterial calcifications from digital mammography: good annotation is all you need | |
Secondulfo et al. | A diffusion tensor-based method facilitating volumetric assessment of fiber orientations in skeletal muscle | |
Zgallai et al. | The application of deep learning to quantify SAT/VAT in human abdominal area | |
Alali et al. | Diagnosing chest x-rays for early detection Of COVID-19 and distinguishing it from other pneumonia using deep learning networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |