CN108898601B - 基于随机森林的股骨头图像分割装置及分割方法 - Google Patents

Abstract

本发明提供一种基于随机森林的股骨头图像分割装置及分割方法，包括：存储包含股骨头的第一图像；粗搜索第一图像选出与股骨头匹配性最高的候选区域；在股骨头边界设置多个轮廓点，对轮廓点位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；根据分裂参数构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；通过上一次迭代后每个轮廓点对应的局部二值特征对全局线性回归器进行训练，确定形状增量，结合上一次迭代后轮廓形状，确定此次迭代轮廓形状，将最终迭代次数的轮廓形状作为分割结果。上述装置和方法能够自动化分割第一图像的股骨头区域。

Description

基于随机森林的股骨头图像分割装置及分割方法

技术领域

本发明涉及医疗技术领域，更具体地，涉及一种基于随机森林的股骨头图像分割装置及分割方法。

背景技术

在传统医疗概念中，疾病的诊断都是根据医生实际观察患者的身体特征以及患病反应来确定，中医讲究“望闻问切”，西医讲究“视触叩听”，二者皆依赖于医护人员的实际观察来做出诊断。1895年，德国物理学家伦琴发现X射线，并把X射线用于人体检查，开启了放射医学的先河，从此，医疗成像技术开始迅速发展，医疗影像也作为一种重要的辅助工具来进行疾病的诊断。随着科学技术的发展，医学影像发展很快，新的医学影像设备不断出现，这使得医学影像检查和治疗在临床诊断和治疗中的作用越来越大，应用范围不断扩展，同时，对从业人员的要求也越来越高。目前，我国放射科医生的缺口较大，难以满足我国庞大的医疗市场需求。因此，结合医疗影像，借助计算机辅助工具的医疗影像诊断已经成为当下医疗产业发展的新兴技术。

传统的医疗影像诊断技术主要利用数字化医疗影像处理技术，着眼于灰度特性、能量特性、频率特性等进行简单的目标区域分割与提取，这种方法原理简单，速度较快，但过度依赖于图像质量，抗噪性差，适用范围具有很大的局限性。在骨骼特征较为复杂的髋关节X光片分割过程中，原有技术或多或少需要人为的操作或者干预，难以做到完全自动化。

发明内容

鉴于上述问题，本发明提供一种对股骨头图像进行自动化处理的基于随机森林的股骨头图像分割装置及分割方法。

根据本发明的一个方面，提供一种基于随机森林的股骨头图像分割装置，包括：

图像存储部，用于存储多个包含股骨头的第一图像；

粗搜索部，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域；

精搜索部，包括平均模块、设定模块、随机森林模块和全局线性回归模块，其中：

平均模块，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

设定模块，设定全局线性回归模块的迭代次数和随机森林模块的分裂参数；

随机森林模块，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

全局线性回归模块，在每一次迭代中，通过上一次迭代后轮廓形状的每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I,S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

根据本发明的另一个方面，提供一种基于随机森林的股骨头图像分割方法，包括：

步骤S1，存储多个包含股骨头的第一图像；

步骤S2，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域；

步骤S3，标出股骨头的轮廓点，确定目标区域，进行分割，包括：

步骤S31，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

步骤S32，设定全局线性回归的迭代次数和随机森林的分裂参数；

步骤S33，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

步骤S34，在每一次迭代中，通过上一次迭代的轮廓形状后每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I,S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

本发明所述分割装置及分割方法通过提取图像的局部特征，借助机器学习工具，对于候选区域或者候选点进行投票，依据投票结果进行分类，从而实现对股骨头区域的分割。该技术相对于传统的医疗影像处理技术，实现了从计算机辅助、人为标定的半自动过程到计算机自主搜索分割的全自动过程的跨越，同时，该系统也具有抗噪性强、准确性高的特点。

本发明所述分割装置及分割方法实现了实现股骨头分割的智能化，只需要输入髋关节X光片，系统即可给出分割结果，完全摆脱放射科医生的操作，由于整个过程不需要医生操作或干预，其作为服务终端可以为病人提供可靠的诊断结果，即使不具备放射医学基础知识与技能的普通医生甚至普通患者，都可以通过该系统来获取股骨头区域，大大减少了放射科医生的工作量，缓解我国放射科医生的缺口。

同时，系统的准确性较高，为后期的准确诊断奠定了良好的基础。

附图说明

通过参考以下具体实施方式及权利要求书的内容并且结合附图，本发明的其它目的及结果将更加明白且易于理解。在附图中：

图1是本发明所述基于随机森林的股骨头图像分割装置的构成框图；

图2是本发明第一图像的示意图；

图3是本发明目标区域的示意图；

图4是本发明轮廓点的像素差特征位置示意图；

图5是本发明每个轮廓点随机森林及局部二值特征示意图；

图6是本发明所述基于随机森林的股骨头图像分割方法的流程图。

在附图中，相同的附图标记指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

下面将参照附图来对根据本发明的各个实施例进行详细描述。

图1是本发明所述基于随机森林的股骨头图像分割装置的构成框图，如图1所示，所述股骨头图像分割装置包括：

图像存储部1，用于存储多个包含股骨头的第一图像，如图2和图3所示，所述多张第一图像可以是不同人的股骨头医用图像；

粗搜索部2，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域，例如即利用图像的方向梯度直方图，进行滑窗检测，利用Adaboost算法与Cascade级联分类器对可能的区域进行投票，选出最有可能的候选区域，确定边界，还可以利用Viola-Jones物体检测框架对近端股骨进行粗搜索，检索依据为Hog特征；

精搜索部3，在候选区域标出股骨头的轮廓点(如图2中的轮廓点1-65)，确定股骨头分割的目标区域(如图3中的矩形目标区域ABCD)，利用随机森林和全局线性回归对轮廓点在目标区域的位置进行多次迭代，确定轮廓点的精确位置；

统计部4，统计股骨头的轮廓点在目标区域的分布区间，如图1和2，设置65个轮廓点，股骨头的轮廓点的编号基本在区间[20,35]内；

拟合部5，根据统计部统计的股骨头的轮廓点的分布区间，采用曲线拟合方法拟合最终迭代次数的各轮廓点的最佳拟合圆分割出股骨头区域。

在本发明的一个实施例中，精搜索部3包括：

平均模块31，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

设定模块32，设定全局线性回归模块的迭代次数和随机森林模块的分裂参数，例如，迭代次数T例如7)，每个迭代阶段的采样半径，单位为像素，可以设置采样半径为[0.40.3 0.2 0.15 0.12 0.10 0.08]，也可以根据实际训练情况进行修改，但总的采样半径是变小的，随机森林决策树数目Num(例如10)，最大叶子节点数目Max_numfeats(可以设置为1000),树的最大深度Max_depth(可以设置为5)；

随机森林模块33，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

全局线性回归模块34，在每一次迭代中，通过上一次迭代后轮廓形状的每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I,S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，防止出现过拟合，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

上述精搜索部3经过T次迭代之后，每个特征点在每个阶段都对应一个随机森林，每个阶段的形状S^t都对应一个全局线性回归器W^t进行下一阶段的形状回归，形状信息经过T次更新，将最终的形状作为近端股骨的分割结果。

在本发明的一个实施例中，所述平均模块31包括：

标注单元311，在各第一图像的股骨头边界上设置多个轮廓点；

第一平均单元312，对每一个轮廓点的多个第一图像的位置求平均值，得到股骨头边界上每个轮廓点的平均值

其中，j为轮廓点索引，X_mean(i)与Y_mean(i)分别是平均轮廓形状S_mean的第i个轮廓点的横纵坐标；

平均轮廓形状获得单元313，根据各第一图像的股骨头边界上的多个轮廓点的位置的平均值，获得平均轮廓形状；

第一目标区域获得单元314，通过平均轮廓形状根据下式(4)-(8)确定矩形的第一目标区域

X_A＝min{X_mean(j):j＝1……M} (4)

Y_A＝min{Y_mean(j):j＝1……M} (5)

Width＝max{X_mean(j)}-min{X_mean(j)} (6)

Height＝max{Y_mean(j)}-min{Y_mean(j)} (7)；

Box＝[X_A,Y_A,Width,Height] (8)

其中，M为轮廓点总数，(X_A,Y_A)为平均轮廓形状上最左上侧的轮廓点的横坐标和纵坐标，Width和Height分别为第一目标区域的宽度和高度；

第一归一化单元315，根据下式(9)和(10)对平均轮廓形状的各轮廓点进行归一化处理

其中，(X_{mean_new}(j),Y_{mean_new}(j))为归一化后轮廓点的横坐标和纵坐标；

第一映射单元316，将各第一图像的各轮廓点根据下式(11)和(12)映射到第一目标区域

X_i(j)＝X_{mean_new}(j)·Box_i(3) (11)

Y_i(j)＝Y_{mean_new}(j)·Box_i(4) (12)

其中，(X_i(j),Y_i(j))为第一图像i的第j个轮廓点在第一目标区域映射后的横坐标和纵坐标，Box_i(3)为第一图像i的第一目标区域的存储向量的第三个元素，即第一图像i的第一目标区域的宽度，Box_i(4)为第一图像i的第一目标区域存储向量的第四个元素，即第一图像i的第一目标区域的高度；

第一迭代初始形状设定单元317，将各第一图像的轮廓点在第一目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

优选地，所述精搜索部还包括扩展模块35，扩展各第一图像的目标区域，并将各第一图像的轮廓点映射到扩展后的目标区域内，映射后的轮廓形状作为随机森林模块和全局线性回归模块的初始轮廓形状，具体地，扩展模块35可以包括：

边界扩展单元351，扩展各第一图像的第一目标区域，得到第二目标区域，例如，可以采用下述方式进行扩展，

Top_new＝max{Top_ori-0.5×Height,1}

Left_new＝max{Left_ori-0.5×Width,1}

Height_new＝2×Height

Width_new＝2×Width

所以，扩展后的矩形第二目标区域为：

Box_enlarge＝[Left_new,Top_new,Width_new,Height_new]；

第二映射单元352，将各第一图像的各轮廓点根据下式(13)和(14)映射到第二标区域

X′_i(j)＝X_{mean_new}(j)·Box_i(3)+0.5·Box_i(3) (13)

Y′_i(j)＝Y_{mean_new}(j)·Box_i(4)+0.5·Box_i(4) (14)

其中，(X′_i(j),Y′_i(j))为第一图像i的第j个轮廓点在第二目标区域映射后的横坐标和纵坐标；

第二迭代初始形状设定单元353，将各第一图像的轮廓点在第二目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

另外，优选地，第一次迭代的形状增量ΔS¹＝S_gt-S₀，S₀为迭代初始的轮廓形状，可以为第一迭代初始形状设定单元317或第二迭代初始形状设定单元353获得的初始轮廓形状为，S_gt为标注单元311标注的轮廓形状，防止遗漏轮廓的同时，通过多次迭代可以得到精确的轮廓线。

在本发明的一个实施例中，随机森林模块33包括：

前迭代图像获取单元331，在每一次迭代中，获取前一次迭代后的轮廓形状；

像素差提取单元332，在目标区域内，在前一次迭代后的轮廓形状的每个轮廓点周围随机产生多个像素点，不同像素点之间的灰度值进行两两作差，得到每个轮廓点的像素差矩阵，如图4所示，形状S_t-1的第j个轮廓点记为P₀,随机在P₀周围半径为Radius(t)的圆形范围内产生500个像素点，记为点集{P₁,P₂……P₅₀₀}，对于这500个像素点的灰度值进行两两作差feature(x,y)＝I(x+Δx₁,y+Δy₁)-I(x+Δx₂,y+Δy₂),得到一个500*500的矩阵，记为M_j(j＝1……65)；

分裂单元333，根据分裂参数和每个轮廓点的像素差矩阵分别构建每个轮廓点的树，如图5所示；

局部二值特征获得单元334，如图5所示根据上述树的分裂过程，获得得到每个轮廓点对应的局部二值特征。

图6是本发明所述基于随机森林的股骨头图像分割方法的流程图，如图6所示，所述分割方法包括：

步骤S1，存储多个包含股骨头的第一图像；

步骤S2，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域；

步骤S3，标出股骨头的轮廓点，确定目标区域，进行分割，具体地，在候选区域标出股骨头的轮廓点(如图2中的轮廓点1-65)，确定股骨头分割的目标区域(如图3中的矩形目标区域ABCD)，利用随机森林和全局线性回归对轮廓点在目标区域的位置进行多次迭代，确定轮廓点的精确位置。

优选地，上述分割方法还包括：

统计股骨头的轮廓点分布区间；

根据统计的股骨头的轮廓点的分布区间，采用曲线拟合方法拟合最终迭代次数的各轮廓点的最佳拟合圆分割出股骨头区域。

在本发明的一个实施例中，步骤S3包括：

步骤S31，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

步骤S32，设定全局线性回归的迭代次数和随机森林的分裂参数；

步骤S33，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

步骤S34，在每一次迭代中，通过上一次迭代的轮廓形状后每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I,S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

优选地，步骤S3包括：

在各第一图像的股骨头边界上设置多个轮廓点；

对每一个轮廓点的多个第一图像的位置求平均值，得到股骨头边界上每个轮廓点的平均值；

根据各第一图像的股骨头边界上的多个轮廓点的位置的平均值，获得平均轮廓形状；

通过平均轮廓形状根据下式(4)-(8)确定矩形的第一目标区域

X_A＝min{X_mean(j):j＝1……M} (4)

Y_A＝min{Y_mean(j):j＝1……M} (5)

Width＝max{X_mean(j)}-min{X_mean(j)} (6)

Height＝max{Y_mean(j)}-min{Y_mean(j)} (7)；

Box＝[X_A,Y_A,Width,Height](8)

其中，j为轮廓点索引，M为轮廓点总数，(X_A,Y_A)为平均轮廓形状上最左上侧的轮廓点的横坐标和纵坐标，Width和Height分别为第一目标区域的宽度和高度，(X_mean(j),Y_mean(j))为平均轮廓形状上第j个轮廓点的横坐标和纵坐标；

根据下式(9)和(10)对平均轮廓形状的各轮廓点进行归一化处理

其中，(X_{mean_new}(j),Y_{mean_new}(j))为归一化后轮廓点的横坐标和纵坐标；

将各第一图像的各轮廓点根据下式(11)和(12)映射到第一目标区域

X_i(j)＝X_{mean_new}(j)·Box_i(3) (11)

Y_i(j)＝Y_{mean_new}(j)·Box_i(4) (12)

其中，(X_i(j),Y_i(j))为第一图像i的第j个轮廓点在第一目标区域映射后的横坐标和纵坐标，Box_i(3)为第一图像i的第一目标区域的存储向量的第三个元素，即第一图像i的第一目标区域的宽度，Box_i(4)为第一图像i的第一目标区域存储向量的第四个元素，即第一图像i的第一目标区域的高度；

将各第一图像的轮廓点在第一目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

进一步优选地，步骤S31还包括：

扩展第一目标区域的边界，形成第二目标区域；

将各第一图像的轮廓点的坐标映射到第二目标区域内；

将各第一图像的轮廓点在第二目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

另外，优选地，步骤S33包括：

在每一次迭代中，获取前一次迭代后的轮廓形状；

在目标区域内，在前一次迭代后的轮廓形状的每个轮廓点周围随机产生多个像素点，不同像素点之间的灰度值进行两两作差，得到每个轮廓点的像素差矩阵；

根据分裂参数和每个轮廓点的像素差矩阵分别构建每个轮廓点的树；

根据上述树获得得到每个轮廓点对应的局部二值特征。

上述步骤S3在粗搜索确定的候选区域内进行精确的搜索，导入平均形状作为初始迭代形状，利用训练好的随机森林模型，提取每个特征点(即轮廓点)的局部二值特征，并将该特征与训练好的全局线性回归器相结合，指导形状回归，确定每个特征点的最佳位置，准确标出股骨头的轮廓点，从而实现目标区域的分割。

尽管前面公开的内容示出了本发明的示例性实施例，但是应当注意，在不背离权利要求限定的范围的前提下，可以进行多种改变和修改。根据这里描述的发明实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明的元素可以以个体形式描述或要求，但是也可以设想具有多个元素，除非明确限制为单个元素。

Claims (10)

1.一种基于随机森林的股骨头图像分割装置，其特征在于，包括：

图像存储部，用于存储多个包含股骨头的第一图像；

粗搜索部，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域；

精搜索部，包括平均模块、设定模块、随机森林模块和全局线性回归模块，其中：

平均模块，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

设定模块，设定全局线性回归模块的迭代次数和随机森林模块的分裂参数；

随机森林模块，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

全局线性回归模块，在每一次迭代中，通过上一次迭代后轮廓形状的每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I，S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

2.根据权利要求1所述的基于随机森林的股骨头图像分割装置，其特征在于，所述精搜索部还包括扩展模块，扩展各第一图像的目标区域，并将各第一图像的轮廓点映射到扩展后的目标区域内，映射后的轮廓形状作为随机森林模块和全局线性回归模块的初始轮廓形状。

3.根据权利要求1所述的基于随机森林的股骨头图像分割装置，其特征在于，所述随机森林模块包括：

前迭代图像获取单元，在每一次迭代中，获取前一次迭代后的轮廓形状；

像素差提取单元，在目标区域内，在前一次迭代后的轮廓形状的每个轮廓点周围随机产生多个像素点，不同像素点之间的灰度值进行两两作差，得到每个轮廓点的像素差矩阵；

分裂单元，根据分裂参数和每个轮廓点的像素差矩阵分别构建每个轮廓点的树；

局部二值特征获得单元，根据上述树获得每个轮廓点对应的局部二值特征。

4.根据权利要求1所述的基于随机森林的股骨头图像分割装置，其特征在于，所述平均模块包括：

标注单元，在各第一图像的股骨头边界上设置多个轮廓点；

第一平均单元，对每一个轮廓点的多个第一图像的位置求平均值，得到股骨头边界上每个轮廓点的平均值；

平均轮廓形状获得单元，根据各第一图像的股骨头边界上的多个轮廓点的位置的平均值，获得平均轮廓形状；

第一目标区域获得单元，通过平均轮廓形状根据下式(4)-(8)确定矩形的第一目标区域

X_A＝min{X_mean(j)：j＝1……M} (4)

Y_A＝min{Y_mean(j)：j＝1……M} (5)

Width＝max{X_mean(j)}-min{X_mean(j)} (6)

Height＝max{Y_mean(j)}-min{Y_mean(j)} (7)；

Box＝[X_A，Y_A，Width，Height] (8)

其中，j为轮廓点索引，M为轮廓点总数，(X_A，Y_A)为平均轮廓形状上最左上侧的轮廓点的横坐标和纵坐标，Width和Height分别为第一目标区域的宽度和高度，(X_mean(j)，Y_mean(j))为平均轮廓形状上第j个轮廓点的横坐标和纵坐标；

第一归一化单元，根据下式(9)和(10)对平均轮廓形状的各轮廓点进行归一化处理

其中，(X_{mean_new}(j)，Y_{mean_new}(j))为归一化后轮廓点的横坐标和纵坐标；

第一映射单元，将各第一图像的各轮廓点根据下式(11)和(12)映射到第一目标区域

X_i(j)＝X_{mean_new}(j)·Box_i(3) (11)

Y_i(j)＝Y_{mean_new}(j)·Box_i(4) (12)

其中，(X_i(j)，Y_i(j))为第一图像i的第j个轮廓点在第一目标区域映射后的横坐标和纵坐标，Box_i(3)为第一图像i的第一目标区域的存储向量的第三个元素，即第一图像i的第一目标区域的宽度，Box_i(4)为第一图像i的第一目标区域存储向量的第四个元素，即第一图像i的第一目标区域的高度；

第一迭代初始形状设定单元，将各第一图像的轮廓点在第一目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

5.根据权利要求1所述的基于随机森林的股骨头图像分割装置，其特征在于，还包括：

统计部，统计股骨头的轮廓点分布区间；

拟合部，根据统计部统计的股骨头的轮廓点的分布区间，采用曲线拟合方法拟合最终迭代次数的各轮廓点的最佳拟合圆分割出股骨头区域。

6.一种基于随机森林的股骨头图像分割方法，其特征在于，包括：

步骤S1，存储多个包含股骨头的第一图像；

步骤S2，分别对第一图像进行检索，选出与股骨头匹配性最高的候选区域；

步骤S3，标出股骨头的轮廓点，确定目标区域，进行分割，包括：

步骤S31，在各第一图像的候选区域内的股骨头边界上设置多个轮廓点，对多个轮廓点的位置求平均，得到平均轮廓形状，设定与平均轮廓形状外切的目标区域，各第一图像的轮廓点在目标区域的映射的形状作为迭代初始的轮廓形状；

步骤S32，设定全局线性回归的迭代次数和随机森林的分裂参数；

步骤S33，每一次迭代中，根据分裂参数分别构建前一次迭代后轮廓形状的每个轮廓点的树，得到每个轮廓点对应的局部二值特征；

步骤S34，在每一次迭代中，通过上一次迭代的轮廓形状后每个轮廓点对应的局部二值特征根据下式(1)对全局线性回归器进行训练，通过下式(2)确定形状增量，根据形状增量和上一次迭代后的轮廓形状，根据下式(3)确定此次迭代的轮廓形状，将最终迭代次数的轮廓形状作为分割结果，

ΔS^t＝W^tΦ^t(I，S^t-1) (2)

S^t＝S^t-1+ΔS^t (3)

其中，t是迭代次数索引，i是第一图像索引，N为第一图像总数，λ为抑制因子，W^t为第t次迭代的全局线性回归器，S^t为第t次迭代后的轮廓图形，ΔS^t为第t次迭代的形状增量，I_i第i个第一图像，

表示对于图像I_i在t-1次迭代后的轮廓形状

的局部二值特征，

表示估计的形状增量。

7.根据权利要求6所述的基于随机森林的股骨头图像分割方法，其特征在于，所述步骤S31包括：

在各第一图像的股骨头边界上设置多个轮廓点；

对每一个轮廓点的多个第一图像的位置求平均值，得到股骨头边界上每个轮廓点的平均值；

根据各第一图像的股骨头边界上的多个轮廓点的位置的平均值，获得平均轮廓形状；

通过平均轮廓形状根据下式(4)-(8)确定矩形的第一目标区域

X_A＝min{X_mean(j)：j＝1……M} (4)

Y_A＝min{Y_mean(j)：j＝1……M} (5)

Width＝max{X_mean(j)}-min{X_mean(j)} (6)

Height＝max{Y_mean(j)}-min{Y_mean(j)} (7)；

Box＝[X_A，Y_A，Width，Height] (8)

其中，j为轮廓点索引，M为轮廓点总数，(X_A，Y_A)为平均轮廓形状上最左上侧的轮廓点的横坐标和纵坐标，Width和Height分别为第一目标区域的宽度和高度，(X_mean(j)，Y_mean(j))为平均轮廓形状上第j个轮廓点的横坐标和纵坐标；

根据下式(9)和(10)对平均轮廓形状的各轮廓点进行归一化处理

其中，(X_{mean_new}(j)，Y_{mean_new}(j))为归一化后轮廓点的横坐标和纵坐标；

将各第一图像的各轮廓点根据下式(11)和(12)映射到第一目标区域

X_i(j)＝X_{mean_new}(j)·Box_i(3) (11)

Y_i(j)＝Y_{mean_new}(j)·Box_i(4) (12)

其中，(X_i(j)，Y_i(j))为第一图像i的第j个轮廓点在第一目标区域映射后的横坐标和纵坐标，Box_i(3)为第一图像i的第一目标区域的存储向量的第三个元素，即第一图像i的第一目标区域的宽度，Box_i(4)为第一图像i的第一目标区域存储向量的第四个元素，即第一图像i的第一目标区域的高度；

将各第一图像的轮廓点在第一目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

8.根据权利要求7所述的基于随机森林的股骨头图像分割方法，其特征在于，所述步骤S31还包括：

扩展第一目标区域的边界，形成第二目标区域；

将各第一图像的轮廓点的坐标映射到第二目标区域内；

将各第一图像的轮廓点在第二目标区域映射后的轮廓形状作为开始迭代前的初始轮廓形状。

9.根据权利要求6所述的基于随机森林的股骨头图像分割方法，其特征在于，所述步骤S33包括：

在每一次迭代中，获取前一次迭代后的轮廓形状；

在目标区域内，在前一次迭代后的轮廓形状的每个轮廓点周围随机产生多个像素点，不同像素点之间的灰度值进行两两作差，得到每个轮廓点的像素差矩阵；

根据分裂参数和每个轮廓点的像素差矩阵分别构建每个轮廓点的树；

根据上述树获得每个轮廓点对应的局部二值特征。

10.根据权利要求6所述的基于随机森林的股骨头图像分割方法，其特征在于，还包括：

统计股骨头的轮廓点分布区间；

根据统计的股骨头的轮廓点的分布区间，采用曲线拟合方法拟合最终迭代次数的各轮廓点的最佳拟合圆分割出股骨头区域。

Images