发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种胎头下降角度自动测量方法,从而实现更加客观、准确地评估胎头位置。
本发明的目的可以通过采取如下技术方案达到:
一种胎头下降角度自动测量方法,所述的自动测量方法包括下列步骤:
S1、采集孕产妇的经会阴超声图像,记为原始图像;
S2、超声图像耻骨联合分割;
S3、超声图像胎头轮廓分割;
S4、计算耻骨联合上下缘连线、耻骨联合下缘与胎头轮廓切线之间的夹角,夹角即为AOD。
进一步地,所述的步骤S1中经会阴超声图像的采集方法如下:
让孕产妇双腿与臀部呈45度角、双腿与膝盖呈90度角,以半卧位姿势躺在床上,超声探头使用曲面的超声探头,以矢状面的形式放置在耻骨联合下方,微微移动探头,直到能够在超声图像上清晰地观察到耻骨联合解剖结构和胎头轮廓解剖结构。
进一步地,所述的耻骨联合解剖结构,在超声图像中表现为椭圆的、不规则的超声反射结构;
所述的胎头轮廓解剖结构,在超声图像必须能够清晰地观察到额骨和枕骨,以便测量耻骨下缘到胎头轮廓的切线。
进一步地,所述的步骤S2包括以下步骤:
S201、使用预设窗口对原始超声图像进行截取,记截取的图像为Ip;
S202、对图像Ip进行图像增强以突出超声图像上耻骨联合信息,图像增强结果记为Ie。
S203、对图像Ie进行基于灰度信息的图像分割,分割结果记为It;
S204、对图像It进行基于距离信息的聚类分割,距离信息指的是图像It中像素点距离图像左上角的距离,聚类后得到K个聚类中心点,从K个聚类中心点中选择最小的M个作为耻骨联合位置候选点,接着计算这M个候选点的权重,权重根据位置对比度进行计算,权重的计算方法为:
其中||·||
2表示2范数,ω
C(k)表示第k个聚类中心μ
k的权重,
表示K个聚类,n
i表示属于聚类C
i的像素点,N表示图像中的所有像素点,最后,在M个候选点中选取ω
C(k)最大的S个点求平均值,得到耻骨联合的位置;
S205、使用一个预设窗口在耻骨联合位置对图像It进行截取,然后使用形态学重建恢复出完整的耻骨联合结构,记为Ipubis。
S206、使用椭圆拟合算法对Ipubis进行拟合,拟合得到的椭圆的长半轴的两个端点即为耻骨联合上下缘。
进一步地,所述的步骤S201中预设窗口指是一个固定位置和固定大小的窗口,选取方法是根据耻骨联合在超声图像上的大致位置确定的。
进一步地,所述的步骤S202中图像增强指的是通过纹理提取增强超声图像中耻骨联合信息。
进一步地,所述的步骤S203中图像分割方法包括基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于图论的分割方法、基于能量泛函的分割方法以及其它分割方法。
进一步地,所述的步骤S204中的聚类分割方法包括基于分区的聚类方法、基于层次结构的聚类方法、基于模糊理论的聚类方法、基于分布的聚类方法、基于密度的聚类方法、基于图论的聚类方法、基于网格的聚类方法、基于分形理论的聚类方法、基于模型的聚类方法以及所有基于上述经典方法的改进算法。
进一步地,所述的步骤S205中预设窗口指的是固定大小的窗口,其尺寸可以借助耻骨联合结构在超声图像上的平均尺寸进行选择。
进一步地,所述的步骤S206中椭圆拟合算法包括基于代数距离的椭圆拟合算法以及基于几何距离的椭圆拟合算法。
进一步地,所述的纹理提取方法包括统计方法、几何法、模型法、信号处理法、结构方法等。
本发明相对于现有技术具有如下的优点及效果:
本发明公开了一种用于评估胎头位置的AOD自动测量方法,准确、客观、可靠地测量胎头位置,实现胎头位置定量描述,帮助医生对分娩进程进行科学决策,从而有效降低母胎伤害、减少不必要的剖宫产,提高生育质量。
附图说明
图1是本发明中胎头下降角度自动测量方法的流程步骤图;
图2是耻骨联合分割流程图;
图3是根据耻骨联合大致位置使用固定大小窗口截取示意图;
图4是本发明中使用的5个Gabor滤波器的幅频响应示意图;
图5(a)是使用固定窗口截取后的耻骨联合图像示意图,即Ip;
图5(b)是对Ip使用Gabor滤波后的结果示意图,即Ig;
图5(c)是对Ig使用基于灰度值的K-Means聚类的结果示意图,即Ikms1;
图5(d)是Ikms1清除与边界接触的物体后的结果示意图;
图5(e)是耻骨联合位置候选点及最终计算得到的耻骨联合位置示意图;
图5(f)是以耻骨联合的位置为窗口的中心点,使用大小为80*80的窗口对Ikms1进行截取的示意图;
图5(g)是形态学重建之后完整的耻骨联合示意图;
图5(h)是耻骨联合拟合结果及耻骨联合上下缘位置示意图;
图6是对原始图像进行胎头轮廓分割得到的结果示意图;
图7是结合耻骨联合分割和胎头轮廓分割计算AOD的结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例公开了一种基于超声图像耻骨联合分割和胎头轮廓分割的胎头下降角度自动测量方法,如图1所示,主要包括以下步骤:
S1、采集孕产妇的经会阴超声图像,记为原始图像。经会阴超声图像的采集方法为让孕产妇双腿与臀部呈45度角、双腿与膝盖呈90度角,以半卧位姿势躺在床上,超声探头使用曲面的超声探头,以矢状面的形式放置在耻骨联合下方,微微移动探头,直到能够在超声图像上清晰地观察到耻骨联合解剖结构和胎头轮廓解剖结构。共采集88幅超声图像,每幅图像的大小为1024*768。
其中,耻骨联合解剖结构,在超声图像中表现为椭圆的、不规则的超声反射结构。
其中,胎头轮廓解剖结构,在超声图像必须能够清晰地观察到额骨和枕骨,以便测量耻骨下缘到胎头轮廓的切线。
S2、超声图像耻骨联合分割,耻骨联合分割的流程图如图2所示。
在本实施例中,所述的步骤S2包括以下步骤:
S201、根据耻骨联合在超声图像上的大致位置,使用固定大小的窗口对原始超声图像进行截取,记截取的图像为Ip。
具体实施方案为:为了减少计算量,同时排除大多数噪声,这里使用大小为400*130的窗口对原始图像进行截取,如图3所示,截取结果如图5(a)所示。
S202、对图像Ip进行Gabor滤波,目的在于增强超声图像上耻骨联合信息。Gabor滤波的表达式为:
由于耻骨联合在超声图像中的方向一般为0°左右,考虑到临床医生操作手法的差异以及个体发育的差异,这里使用5个方向的Gabor滤波对图像Ip进行滤波,如图4所示,这5个方向的Gabor滤波器的方向分别为70°、81.25°、92.5°、103.75°、115°。假设这5个Gabor滤波器对Ip的滤波结果为g1,g2,g3,g4,g5,则最终的滤波结果为:
g(i,j)=max(g1(i,j),g2(i,j),g3(i,j),g4(i,j),g5(i,j))
其中i和j表示图像上第i行和第j列的位置(i,j),滤波结果如图5(b)所示。
S203、对图像Ig进行基于灰度值的K-Means聚类分割,聚类个数k一般取3~7,这里取k=5,由于超声图像上耻骨联合以及胎头轮廓的灰度值比其他组织结构高,所以灰度值最高的一类包含耻骨联合结构,基于灰度值的K-Means聚类分割可以在尽可能去除噪声的情况下完整地保存耻骨联合结构,分割结果记为图像Ikms1,如图5(c)所示。
S204、清除与图像Ikms1边缘接触的物体,如图5(d)所示,然后对Ikms1进行基于距离信息的K-Means聚类。距离信息指的是图像Ikms1中像素点距离图像左上角的距离,聚类个数K一般取10~30,这里取K=20,从20个聚类中心点中选择最小的M个作为耻骨联合位置候选点,M的取值范围为5~15,这里取M=10,如图5(e)所示。接着计算这M个候选点的权重,权重根据位置对比度进行计算,权重的计算方法为:
其中,||·||
2表示2范数,ω
C(k)表示第k个聚类中心μ
k的权重,
表示K个聚类,n
i表示属于聚类C
i的像素点,N表示图像中的所有像素点。由于位置对比度越大的候选点属于噪声点的概率越大,因此位置对比度越大的候选点权重也就越小。最后,在M个候选点中选取ω
C(k)最大的S个点求平均值,得到耻骨联合的位置,S的取值范围为3~8,这里取S=5,如图5(e)所示。
S205、使用一个较小的窗口在耻骨联合位置对图像Ikms1进行截取,目的在于最大程度地减少图像中其它噪声的影响,这里以耻骨联合的位置为窗口的中心点,使用大小为80*80的窗口对Ikms1进行截取,如图5(f)所示,然后使用形态学重建恢复出完整的耻骨联合结构,记为Ipubis,如图5(g)所示。如果G是模板,F是标记,从F中重建G记为RG(F),则形态学重建可以用以下迭代过程定义:
1.将标记图像F初始化为h1;
S206、使用基于最小二乘法的快速椭圆拟合算法对Ipubis进行拟合,拟合得到的椭圆的长半轴的两个端点即为耻骨联合上下缘,如图5(h)所示。假设椭圆的方程为:
F(x,y)=Ax2+Bxy+Cy2+Dx+Ey+1=0
其中A,B,C,D,E为椭圆的参数,(x,y)是椭圆曲线上的坐标,令a=[A,B,C,D,E,1]T,x=[x2,xy,y2,x,y,1],对于一个给定的点集(xi,yi),其中,i=1...N,对该点集进行椭圆拟合可以通过最小化点到椭圆的代数距离的平方和来实现:
根据极值原理,使F(x,y)最小的条件为:
由此可以得到正规方程组:
解该线性方程组可以得到方程系数A,B,C,D,E的值,椭圆的长短轴a与b和旋转角度θ可以通过下列的式子来计算:
S3、超声图像胎头轮廓分割;
所述的步骤S3中胎头轮廓分割算法采用抗噪能力较强的椭圆路径高斯差分(Difference of Gaussians revolved along Elliptical paths,DoGEll)算法,首先在原始图像中将步骤S2中提取得到的耻骨联合结构去除,减少耻骨联合结构对胎头轮廓分割的影响,然后使用DoGEll算法提取胎头轮廓,结果如图6所示。DoGEll算法的详细步骤如下:
对于椭圆E(a),假设c
1,c
2为椭圆的中心,长轴为r
1,短轴为r
2,倾角为θ,将这些参数组织成向量a=[c
1,c
2,r
1,r
2,θ],令
为沿着椭圆中心(x
1,x
2)的径向射线,通过
我们可以测量(x
1,x
2)到椭圆E(a)的距离d(x
1,x
2,a)和正则化半径距离r
0(x
1,x
2,a)=d(x
1,x
2,a)/r(x
1,x
2,a),然后我们定义平面g(x
1,x
2,a,s)如下
其中fs和f3s是两个以s和3s为自变量,中心点为0的高斯函数,两者的差分称为高斯差分(Difference of Gaussians,DoG)对于一幅图像z和椭圆E(a),利用椭圆路径高斯差分平面g(x1,x2,a,s)可以构造如下的损失函数:
其中λ是正则化参数,一般取0.5,CI=1.4用于模拟允许的最小头颅指数。损失函数C(z,a,s)可以利用最优化算法进行求解,进而得到椭圆参数a。
S4、根据联合耻骨分割结果和胎头轮廓分割结果计算AOD。
所述的步骤S4中,AOD的计算方法为计算耻骨联合上下缘连线、耻骨联合下缘与胎头轮廓切线之间的夹角,夹角即为AOD,如图7所示。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。