CN108921171B - 一种骨关节x线片自动识别分级方法 - Google Patents

Abstract

本发明提供一种骨关节X线片自动识别分级方法，该方法根据骨关节X线片图像模板库，对骨关节X线片图像样本分级，判断骨关节状况，其中提取骨关节X线片图像模板库和图像样本的轮廓线形状向量方法相同。本发明首先对骨关节X线片图像预处理，运用小波去噪、中值滤波、Log边缘检测算子法提取骨关节关键部位轮廓线。接着利用邻域特征算法截取关键部位轮廓线，并且采用连通区域标记法滤波得到优化的关键部位轮廓线。最后采用改进的傅里叶描述子算法，提取骨关节X线片图像样本的轮廓线形状向量,由分类算法匹配骨关节X线片图像模板库的形状向量，判断图像样本的骨关节状况。本发明的骨关节X线片自动识别分级方法可以取代人工识别，快速且精度高。

Description

一种骨关节X线片自动识别分级方法

技术领域

本发明涉及一种骨关节X线片自动识别分级方法，涉及骨科图像处理技术。

背景技术

骨关节X光片是临床检测骨关节状况的主要方式，对X光片目前是人工识别，根据现代医学的发展，采用自动方法进行骨关节分级，辅助医生监视骨关节状况十分有必要。

现代骨科医疗自动判别领域是一个很有应用前景的方向，但是通过医师观看骨关节X线片来进行人工分级，这样往往过于主观，不同人的分级结果难免会存在差异，且工作量很大。骨科X光片自动识别目前采用的是对图像二值化处理，进行相关识别。但是针对对象不能直接二值化的情况，由于图像失真度非常大，骨关节的轮廓提取精度要求高，这样导致X光片自别识别困难。并且，由于划分的级别多，而级与级之间差别又不是很大，有些级别之间甚至肉眼都无法区分，必须开发新算法对骨关节这个关键部位进行截取放大才能保证识别精度，因此，目前来说实现骨关节X光片自动分级仍然是难点。

发明内容

鉴于以上所述针对现有技术的空缺与不足，本发明的目的在于提供一种高精度高效率骨关节X线片的自动识别分级方法。

本发明提供一种骨关节X线片自动识别分级方法，特征在于，根据骨关节X线片图像模板库，对骨关节X线片图像样本分级，判断骨关节状况，其中提取骨关节X线片图像模板库和图像样本的轮廓线形状向量方法相同，本发明包括如下步骤：

1)运用小波去噪、中值滤波算法对骨关节X线片进行滤波处理；

2)使用Log边缘检测算子法提取骨关节X线片轮廓线；

3)用邻域特征算法截取关键部位轮廓线，并且采用连通区域标记法优化；

4)使用改进的傅里叶描述子算法，提取关键部位轮廓线形状向量；

5)匹配骨关节X线片图像模板库和图像样本的形状向量，对骨关节X线片图像样本分级。

优选的，步骤3)采用邻域特征算法截取关键部位轮廓线，其具体包括如下步骤：

1)确定骨关节X线片轮廓线数据矩阵中每行白像素个数h(i)，其中i表示行数；i＝1,2,3，L；

2)确定i，使得h(i)满足：h(i)≥H(H为阈值，可根据实际确定)，且h(i-1)＜h(i)＜h(i+1)；

3)定义截取高度k₁，将

以外的行中的白像素替换为黑像素；

4)将所有不含白像素的行和列截去，提取出关节间隙部分。

优选的，步骤4)使用改进的傅里叶描述子算法，对关键部位轮廓线进行特征向量提取，其具体包括如下步骤：

1)设定描述子的大小；

2)设置骨关节X线片关键部位轮廓线的偏移中心；

3)将提取的骨关节X线片关键部位轮廓线傅里叶展开，二维数据转化成一维特征向量数据。

提取骨关节部位十分重要，采用上述的算法可以精确定位骨关节部分并将其截取出来，这步操作直接决定骨关节形状特征识别精度，十分关键。傅里描述子只能用于封曲线，当用于非封闭曲线其精确度十分低下，这里改进的傅里叶描述子算法可以用于非封闭曲线，由于经过关键部分提取，图像基本在一个很小的区域内，只要设定取点中心和提取的描述子大小范围，结果表明可行度很高。因此，采用上述方法后，识别精度和效率将远远高于人工方法，使用本发明算法就可大大降低误判率。

附图说明

图1为本发明自动识别分级方法流程图。

图2为本发明实施例骨关节X线片图像模板库。(KL表示骨关节状况等级，KL＝0表示等级为0；KL＝1表示等级为1；KL＝2表示等级为2；KL＝3表示等级为3；KL＝4表示等级为4)

图3为本发明实施例预处理图。

图4为本发明实施例关键部位优化轮廓线。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地实施。

对于骨关节状况的分级问题，只需考虑关节部位所能体现的信息。自动识别分级方法流程如图1所示，骨关节X线片图像模板库如图2所示，本实施例采用5个模板。注意：提取骨关节X线片图像模板库和图像样本的轮廓线形状向量方法相同。对X线片自动分级主要分成以下5步。

步骤1运用小波去噪、中值滤波滤波算法对骨关节X线片进行滤波处理；

在这一步当中，主要有2个部分，即小波去噪和中值滤波。

小波去噪方法是：通过小波变换将目标图像实现小波级数展开，分成基波和谐波信号；对分解后的谐波系数进行阈值处理；最后将阈值处理后谐波系数和未处理的基波系数逆变回图像即重构。其中主要是阈值获取和阈值去噪两方面，本发明实施例的阈值获取采用ddencmp函数，阈值去噪采用wdencmp函数。

MATLAB对应程序段如下：

[thr,sorh,keepapp]＝ddencmp(a,b,c)；

S2＝wdencmp(a,b,‘wname’,N,THR,sorh,keepapp)；

ddencmp是阈值获取函数，c为要求处理的输入图像矩阵数据，a分为两种情况，当其为den时表示实现去噪，当其为cmp时表示实现阈值返回，sorh是软硬阈值参数选择，其余参数由于本发明不使用。

wdencmp函数是在获取阈值后的基础上实现去噪，a可取gbl和lvd，前者表示小波分解的不同层之间使用同一个阈值，后者表示不同层之间采用不同的阈值，wname是对应的小波变换算法，THR是阈值向量。sorh是从ddencmp函数获取的处理参数，keepapp是决定是否阈值量化的参数，只为值为1时进行，值为0时不进行。S2为经过小波去噪后的输出图像矩阵。

中值滤波是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。在MATLAB中使用medfilt2函数实现中值滤波操作：

S2＝medfilt2(S1,[a,b])；

其中S2为中值滤波输出图像矩阵数据，S1为要处理的输入图像矩阵数据，a、b为指定输出图像大小。

步骤2使用Log边缘检测算子法提取骨关节X线片轮廓线；

运用Log边缘检测算子法等算法提取骨关节轮廓线，在MATLAB中实现Log边缘检测算法只需要调用edge函数即可，程序如下所示：

S2＝edge(S1,'log')；

其中S1是要求处理的图像矩阵数据，log表示采用拉普拉斯算子进行边缘提取，S2是经过拉普拉斯算子处理后的输出矩阵数据，对骨关节X线片图像样本轮廓线处理结果如图3所示。

步骤3用邻域特征算法截取关键部位轮廓线，并且采用连通区域标记法优化；

采用邻域特征算法截取关键部位轮廓线，其具体包括如下步骤：

1)确定骨关节X线片轮廓线数据矩阵中每行白像素个数h(i)，其中i表示行数；i＝1,2,3，L；

2)确定i，使得h(i)满足：h(i)≥H(H为阈值，可根据实际确定)，且h(i-1)＜h(i)＜h(i+1)；

3)定义截取高度k₁，将

以外的行中的白像素替换为黑像素；

4)将所有不含白像素的行和列截去，提取出关节间隙部分。

采用连通区域标记法优化关节部位轮廓线，本发明采用八邻域来作为连通区域标记法识别，过程如下：

1)判断此点八邻域中的最左，左上，最上，上右点的情况。如果都没有点，则表示一个新的区域的开始。

2)如果此点八邻域中的最左有点，上右都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。

3)如果此点八邻域中的左上有点，上右都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。

4)否则按照最左，左上，最上，上右的顺序，标记此点为四个中的一个。

MATLAB使用bwlabel函数实现连通区域标记法，程序段如下：

[S2,n]＝bwlabel(S1,N)；

其中N的取值可为8，表示采用八邻域来作为连通区域标记法识别核心。S1为要求处理图像矩阵数据，一般是经过滤波操作甚至边缘预处理(边缘提取)后的图像矩阵数据，S2为经过连通区域标记法处理后的输出矩阵。n为返回连通数,本发明没有使用。

根据骨关节间隙的位置特征截取关节部位，同时采用连通区域标记法就能得到理想的处理后的图像。用邻域特征算法截取关键部位优化轮廓线，并且采用连通区域标记法优化结果如图4所示。

步骤4使用改进的傅里叶描述子算法，对关键部位轮廓线进行特征向量提取；

1)使用getSampleFD从五个图像样本中获取傅里叶描述子，设定描述子的大小。其中提取傅立叶描述符，对傅立叶描述符进行规范化，调整傅立叶描述符的大小，以及计算区别分别采用extractFD()，normaliseFD()，resizeFD()，compareFD()函数实现。

2)设置骨关节X线片关键部位轮廓线的偏移中心；

3)将提取的骨关节X线片关键部位轮廓线傅里叶展开，二维数据转化成一维特征向量数据。

步骤5匹配骨关节X线片图像模板库和样本的形状向量，对骨关节X线片图像样本分级。

1)提取模板库5个图像特征向量矩阵；

2)提取图像样本图像特征向量矩阵；

3)利用abs()函数计算以上二者元素之间的差的绝对值之和；

4)求出图像样本与模板库五者每个元素之间差的绝对值之和最小值；

5)记下最小值的模板标号，匹配出最合适的模板，对骨关节X线片图像样本分级。

将图3中的5幅图分别命名为O,A,B,C,D,对应等级0,1,2,3,4。数据结果如表1所示。

表1实验数据统计表

从结果来看，本发明骨关节X线片自动识别分级方法是准确的，而且识别精度和效率将远远高于人工方法，可大大降低误判率。本发明有效克服了现有技术中的种种缺点而具高度实用价值。

Claims (1)

1.一种骨关节X线片自动识别分级方法，特征在于，根据骨关节X线片图像模板库，对骨关节X线片图像样本分级，判断骨关节状况，其中提取骨关节X线片图像模板库和图像样本的轮廓线形状向量方法相同，包括如下步骤：

1)运用小波去噪、中值滤波算法对骨关节X线片进行滤波处理；

2)使用Log边缘检测算子法提取骨关节X线片轮廓线；

3)用邻域特征算法截取关键部位轮廓线，并且采用连通区域标记法优化，具体包括如下步骤：

①确定骨关节X线片轮廓线数据矩阵中每行白像素个数h(i)，其中i表示行数；

i＝1,2,3，…；

②确定i，使得h(i)满足：h(i)≥H,H为阈值，可根据实际确定，且h(i-1)＜h(i)＜h(i+1)；

③定义截取高度k₁，将

以外的行中的白像素替换为黑像素；

④将所有不含白像素的行和列截去，提取出关节间隙部分；

4)使用改进的傅里叶描述子算法，提取关键部位轮廓线形状向量，改进的傅里叶描述子算法具体包括如下步骤：

①设定描述子的大小；

②设置骨关节X线片关键部位轮廓线的偏移中心；

③将提取的骨关节X线片关键部位轮廓线傅里叶展开，二维数据转化成一维特征向量数据；

5)匹配骨关节X线片图像模板库和图像样本的形状向量，对骨关节X线片图像样本分级。

Images