CN109300150B - 一种用于骨龄评估的手骨x光图像纹理特征提取方法 - Google Patents

一种用于骨龄评估的手骨x光图像纹理特征提取方法 Download PDF

Info

Publication number
CN109300150B
CN109300150B CN201811199737.5A CN201811199737A CN109300150B CN 109300150 B CN109300150 B CN 109300150B CN 201811199737 A CN201811199737 A CN 201811199737A CN 109300150 B CN109300150 B CN 109300150B
Authority
CN
China
Prior art keywords
bone
triangle
texture
image
key points
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.)
Active
Application number
CN201811199737.5A
Other languages
English (en)
Other versions
CN109300150A (zh
Inventor
江翔
何必仕
朱大荣
陈晖�
徐哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shuzhilaida Technology Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201811199737.5A priority Critical patent/CN109300150B/zh
Publication of CN109300150A publication Critical patent/CN109300150A/zh
Application granted granted Critical
Publication of CN109300150B publication Critical patent/CN109300150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于骨龄评估的手骨X光图像纹理特征提取方法。本发明包括桡骨、尺骨、短骨在内的骨骼进行处理，能够获得相当于形状特征贡献度的纹理特征。本发明对图像纹理进行合理采样，获取了包含丰富生长信息的纹理特征，结合形状特征可显著提高骨龄评估的准确度。

Description

一种用于骨龄评估的手骨X光图像纹理特征提取方法
技术领域
本发明涉及智能医学图像识别领域，具体是涉及一种用于骨龄评估的手骨X光图像纹理特征提取方法。
背景技术
骨龄用于衡量青少年身体发育的程度。目前国际上通用的骨龄评估标准，例如TW-2、TW-3、G-P法等，其作为专业评估者评价骨龄的依据，具有操作性强，可重复性强，受主观因素影响较大等特点。国内实行的标准是“中华-05”计分法和图谱法等，其中包括RUS-CHN法。
现行评价标准对从业者提出的要求较高，掌握知识的程度对结果准确度有很大影响。因此，计算机辅助评估骨龄的难点在于，如何从骨龄X光图像中提取尽可能多的有价值的特征，这些特征能够真实准确的反映骨骼成熟度，可以作为自动化评估骨龄的参考依据。
手骨X光图像的特征主要有两大类：形状特征和纹理特征。针对手骨X光图像的形状特征的研究比较成熟，提取特征的方法也比较多，例如边缘检测、图像分割、计算距离等。
但是，对手骨X光图像的纹理特征，现行的方法一种是直接对原图像进行采样，缺点是背景信息混入后干扰判断，且直接提取的纹理特征与骨龄的相关程度较低；另一种是使用Gabor滤波器采集图像的局部结构信息，这部分特征只能反映骨骼边缘变化的剧烈程度，在手骨分割时具有良好效果，但是用于骨龄评估时的贡献度较小。
发明内容
本发明的目的是解决骨龄评估中纹理特征难以有效提取的问题。本发明能够对手骨X光图像中的骨骼纹理特征进行有效提取，获得纹理特征矩阵，继而作为评估骨龄时重要的参考依据。
为了实现上述的目的，本发明采用一种基于Delaunay三角剖分和三角映射的纹理特征提取方法，具体包含以下步骤：
步骤1、构建手骨轮廓关键点坐标矩阵
收集N张待测左手手骨X光图片，按照RUS-CHN法评价标准里面的内容，对其中的11个短骨、尺骨、桡骨，依次编为01,02，……，13号，再按照骨块编号分开进行处理。
对每个编号的骨块，都用一组k个关键点来描述骨骼的边界，这组关键点的坐标构成一个一维形状向量，记作
Figure BDA0001829694720000021
(j＝1,2,…,N)。
然后通过合适的旋转、平移等操作将这N个形状向量对齐到平均形状向量
Figure BDA0001829694720000022
对齐之后的各个向量记作
Figure BDA0001829694720000023
(j＝1,2,…,N)。
将获得的形状向量
Figure BDA0001829694720000024
组成手骨轮廓关键点坐标矩阵，记作
Figure BDA0001829694720000025
步骤2、Delaunay三角剖分获得关键点特征三角形集合
根据上一步获得的平均形状向量
Figure BDA0001829694720000026
可以对每个编号的骨块做三角剖分，具体是：
a.建立一个大的三角形，将平面内其余轮廓关键点包在里面，放入三角形链表中。
b.将其余关键点依次插入，在三角形链表中找出该点的影响三角形。将影响三角形的公共边删除，同时把插入点与影响三角形的3个顶点连接起来，再将形成的三角形放入Delaunay三角形链表中。
c.循环执行上述步骤b，直到所有散点插入完成。
步骤3、三角映射获得手骨图像纹理特征
经过上一步，每个编号的骨块都获得一个基于平均形状的三角形集合表示
Figure BDA0001829694720000027
由于每一个样本上的轮廓关键点
Figure BDA0001829694720000028
与特征三角形
Figure BDA0001829694720000029
都是一一对应的，故可以将样本三角形
Figure BDA00018296947200000210
上每一点的像素值复制到平均三角形
Figure BDA00018296947200000211
对应点的位置上，称作“三角映射”。
但是，由于不同样本三角形之间的差异，必然有一部分位置点的像素不满足映射条件。这时，需要按照邻近像素点判定准则，用相邻点的像素值作为目标点像素值的替代。这样就实现了将所有样本中的原始灰度图转化为纹理图像。
为了实现这一步，可按照如下步骤进行：
(1)将对齐之后的平均形状向量
Figure BDA0001829694720000031
的坐标基点标准化，并转化为纹理图像中的坐标表示。
(2)根据变换后的关键点绘制闭合轮廓线，并填充为白色手骨图像，定义采样窗口。
(3)通过三角剖分和三角映射对每幅图像进行采样，然后把相应位置的像素值转换为矢量，计算平均纹理图像。
(4)灰阶正常化以补偿照明，做主成分分析PCA，保存特征向量和特征值。
上述步骤1、2、3处理完之后，获得了转换后的纹理特征矩阵Mtexture。该矩阵包含采样窗口内所有像素点构成的列向量，其作为纹理特征在骨龄评估试验中，表现出与骨龄的高度相关性，与形状特征相当。
本发明提出一种用于骨龄评估的手骨X光图像纹理特征提取方法，对包括桡骨、尺骨、短骨在内的骨骼进行处理，能够获得相当于形状特征贡献度的纹理特征。本发明对图像纹理进行合理采样，获取了包含丰富生长信息的纹理特征，结合形状特征可显著提高骨龄评估的准确度。
附图说明
图1是本发明方法的流程图；
图2是本发明实施例的效果图。
具体实施方式
为使本发明实现的技术手段与创作特征易于明白，下面结合附图和实例，对本发明的实施方式进一步详述。
本发明针对目前的骨龄评估方法中，对手骨X光图像的纹理特征提取较为困难、仅依靠形状特征和Gabor特征不足以反映骨龄成熟度等问题，提出一种新的纹理特征提取方法。
下面结合附图，详细阐述本发明方法的实施细节，步骤如下：
步骤1、构建手骨轮廓关键点坐标矩阵
收集N张待测左手手骨X光图片，按照RUS-CHN法评价标准里面的内容，对其中的11个短骨、尺骨、桡骨，依次编为01,02，……，13号，按照手骨编号对骨块分开处理。
对每个骨块的轮廓都用k个关键点来描述，这k个点均匀分布在包含骨干、骨骺在内的骨骼边缘上，它们的坐标构成一个形状向量
Figure BDA0001829694720000041
Figure BDA0001829694720000042
其中，
Figure BDA0001829694720000043
表示第j个训练样本上第i个关键点坐标。
然后通过合适的旋转、平移等操作将这N个形状向量对齐到平均形状向量
Figure BDA0001829694720000044
对齐之后的各个向量记作
Figure BDA0001829694720000045
(j＝1,2,…,N)。
将获得的形状向量
Figure BDA0001829694720000046
组成手骨轮廓关键点坐标矩阵
Figure BDA0001829694720000047
Figure BDA0001829694720000048
式中，
Figure BDA0001829694720000049
表示对齐后的第j个形状向量，
Figure BDA00018296947200000410
表示平均形状向量。
步骤2、Delaunay三角剖分获得关键点特征三角形集合
根据上一步的结果，将每个样本对齐之后的k个关键点进行三角剖分。实现的算法如下：
a.建立一个大的三角形，将平面内其余轮廓关键点包在里面，放入三角形链表中。
b.将其余关键点依次插入，在三角形链表中找出该点的影响三角形。将影响三角形的公共边删除，同时把插入点与影响三角形的3个顶点连接起来，再将形成的三角形放入Delaunay三角形链表中。
c.循环执行上述步骤b，直到所有散点插入完成。
按照三角剖分算法执行以下步骤：
(1)对每个骨块的平均形状执行三角剖分，获得平均特征三角形集合
Figure BDA00018296947200000411
(2)对N个对齐后样本形状执行三角剖分，获得样本特征三角形集合
Figure BDA0001829694720000051
步骤3、三角映射获得手骨图像纹理特征
经过上一步，每个编号的骨块都获得一个基于平均形状的三角形集合表示
Figure BDA0001829694720000052
由于每一个样本上的轮廓关键点
Figure BDA0001829694720000053
与特征三角形
Figure BDA0001829694720000054
都是一一对应的，故可以将样本三角形
Figure BDA0001829694720000055
上每一点的像素值复制到平均三角形
Figure BDA0001829694720000056
对应点的位置上，称作“三角映射”。
但是，由于不同样本三角形之间的差异，必然有一部分位置点的像素不满足映射条件。这时，需要按照邻近像素点判定准则，用相邻点的像素值作为目标点像素值的替代。这样就实现了将所有样本中的原始灰度图转化为纹理图像。
为了实现这一步，可按照如下步骤进行：
(1)将对齐之后的平均形状
Figure BDA00018296947200000516
的坐标基点标准化，并转化为纹理图像中的坐标表示。
坐标转化时，对
Figure BDA0001829694720000057
的第i个关键点
Figure BDA0001829694720000058
做下列变换，
Figure BDA0001829694720000059
Figure BDA00018296947200000510
Figure BDA00018296947200000511
Figure BDA00018296947200000512
Figure BDA00018296947200000513
Figure BDA00018296947200000514
其中，
Figure BDA00018296947200000515
表示纹理图像中第i个关键点的坐标，Ts表示图像的尺度。
(2)根据变换后的关键点绘制闭合轮廓线，并填充为白色手骨图像，定义采样窗口。
采样窗口的作用是重点采集骨化中心区域(生长区)的图像纹理。因为变换后得到的纹理图像仍然包含巨大的像素冗余信息，所以提取生长区纹理也是评估骨龄的需要。
(3)通过三角剖分和三角映射对生长区进行采样，获得的参数
Figure BDA0001829694720000061
包含300～3000个点左右的像素值，然后把相应位置的像素值转换为矢量，计算平均纹理图像
Figure BDA0001829694720000062
(4)灰阶正常化以补偿照明，做主成分分析PCA,保存特征向量和特征值。
然后将特征值按照从大到小排序，取前r个特征值对应的特征向量组成矩阵Pnp×r。计算公式为：
Figure BDA0001829694720000063
Figure BDA0001829694720000064
其中，
Figure BDA0001829694720000065
表示第j个样本的纹理，
Figure BDA0001829694720000066
表示平均纹理，texture表示纹理特征矩阵。
按照上述步骤1、2、3可以有效提取手骨图像的纹理特征，该特征能够充分利用X光图像中的灰度信息，结合骨骼形状特征，一同作为骨龄评估的参考依据。
本发明通过控制采样窗口的位置、大小等参数可以实现对骨骼任意区域的纹理特征提取。因此，本发明既可以提取骨骼全部纹理，也可以只提取局部生长区域的纹理。并且，由于骨骼轮廓关键点的约束，纹理采样几乎不受图像背景信息的干扰。
以上对于本发明的具体实施方式的说明并非限定本发明的权利范围。

Claims (1)

1.一种用于骨龄评估的手骨X光图像纹理特征提取方法，其特征在于该方法具体是：
步骤1、构建手骨轮廓关键点坐标矩阵
收集N张待测左手手骨X光图片，按照RUS-CHN法评价标准里面的内容，对其中的11个短骨、尺骨、桡骨，依次编为01,02，……，13号，再按照骨块编号分开进行处理；
对每个编号的骨块，都用一组k个关键点来描述骨骼的边界，这组关键点的坐标构成一个一维形状向量，记作
Figure FDA0003146975650000011
然后通过旋转、平移操作将这N个形状向量对齐到平均形状向量
Figure FDA0003146975650000012
对齐之后的各个向量记作
Figure FDA0003146975650000013
将获得的形状向量
Figure FDA0003146975650000014
组成手骨轮廓关键点坐标矩阵，记作
Figure FDA0003146975650000015
步骤2、Delaunay三角剖分获得关键点特征三角形集合
根据上一步获得的平均形状向量
Figure FDA0003146975650000016
对每个编号的骨块做三角剖分，具体是：
a.建立一个大的三角形，将平面内所有关键点包在里面，放入三角形链表中；
b.将关键点依次插入，在三角形链表中找出该关键点的影响三角形；将影响三角形的公共边删除，同时把插入点与影响三角形的3个顶点连接起来，再将形成的三角形放入Delaunay三角形链表中；
c.循环执行上述步骤b，直到所有关键点插入完成；
步骤3、三角映射获得手骨图像纹理特征
经过上一步，每个编号的骨块都获得一个基于平均形状的三角形集合表示
Figure FDA0003146975650000017
由于每一个样本上的形状向量
Figure FDA0003146975650000018
与特征三角形
Figure FDA0003146975650000019
都是一一对应的，故将特征三角形
Figure FDA00031469756500000110
上每一点的像素值复制到基于平均形状的三角形集合
Figure FDA00031469756500000111
对应点的位置上，称作“三角映射”；
按照邻近像素点判定准则，用相邻点的像素值作为目标点像素值的替代，实现将所有样本中的原始灰度图转化为纹理图像，具体是：
(1)将对齐之后的平均形状向量
Figure FDA0003146975650000021
的坐标基点标准化，并转化为纹理图像中的坐标表示；
(2)根据变换后的关键点绘制闭合轮廓线，并填充为白色手骨图像，定义采样窗口；
(3)通过三角剖分和三角映射对每幅图像进行采样，然后把相应位置的像素值转换为矢量，计算平均纹理图像；
(4)灰阶正常化以补偿照明，做主成分分析PCA，保存特征向量和特征值；
上述步骤1、2、3处理完之后，获得了转换后的纹理特征矩阵Mtexture；该矩阵包含采样窗口内所有像素点构成的列向量，其作为纹理特征在骨龄评估试验中，表现出与骨龄的高度相关性，与形状特征相当。
CN201811199737.5A 2018-10-16 2018-10-16 一种用于骨龄评估的手骨x光图像纹理特征提取方法 Active CN109300150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811199737.5A CN109300150B (zh) 2018-10-16 2018-10-16 一种用于骨龄评估的手骨x光图像纹理特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811199737.5A CN109300150B (zh) 2018-10-16 2018-10-16 一种用于骨龄评估的手骨x光图像纹理特征提取方法

Publications (2)

Publication Number Publication Date
CN109300150A CN109300150A (zh) 2019-02-01
CN109300150B true CN109300150B (zh) 2021-10-29

Family

ID=65162609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811199737.5A Active CN109300150B (zh) 2018-10-16 2018-10-16 一种用于骨龄评估的手骨x光图像纹理特征提取方法

Country Status (1)

Country Link
CN (1) CN109300150B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785555B (zh) * 2020-12-30 2022-08-02 深兰智能科技(上海)有限公司 骨检测方法、装置、电子设备及存储介质
CN114601483B (zh) * 2022-05-11 2022-08-16 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于图像处理的骨龄分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5617322A (en) * 1994-01-31 1997-04-01 Nec Corporation Mesh generator and generating method
CN101223539A (zh) * 2004-11-23 2008-07-16 卡尔斯特里姆保健公司 用于自动形状分类的方法
CN102509338A (zh) * 2011-09-20 2012-06-20 北京航空航天大学 一种基于轮廓骨架图的视频场景行为生成方法
CN103930924A (zh) * 2011-08-09 2014-07-16 依莫菲克斯公司 图像处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1885246A2 (en) * 2005-06-02 2008-02-13 Hans H. Thodberg Method for skeletal maturity determination

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5617322A (en) * 1994-01-31 1997-04-01 Nec Corporation Mesh generator and generating method
CN101223539A (zh) * 2004-11-23 2008-07-16 卡尔斯特里姆保健公司 用于自动形状分类的方法
CN103930924A (zh) * 2011-08-09 2014-07-16 依莫菲克斯公司 图像处理方法
CN102509338A (zh) * 2011-09-20 2012-06-20 北京航空航天大学 一种基于轮廓骨架图的视频场景行为生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automated determination of bone age from hand X-rays at the end of puberty and its applicability for age estimation;Hans Henrik Thodberg et al.;《Int J Legal Med》;20161018;第771-780页 *
Texture Analysis of Bone CT Images for Classification and Characterization of Bone Quality;T.Kalpalatha Reddy and N.Kumaravel;《International Journal of Soft Computing》;20091231;第4卷(第5期);第223-228页 *
基于RUS-CHN标准的手腕骨骨化中心识别分割算法;曹润 等;《北京体育大学学报》;20180430;第41卷(第4期);第75-81页 *

Also Published As

Publication number Publication date
CN109300150A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN107578404B (zh) 基于视觉显著特征提取的全参考立体图像质量客观评价方法
CN108764257B (zh) 一种多视角的指针式仪表识别方法
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN108364280A (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN109191472A (zh) 基于改进U-Net网络的胸腺细胞图像分割方法
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN109815888B (zh) 一种基于新型巴氏染色方法的异常宫颈细胞自动识别方法
CN112037200A (zh) 一种医学影像中解剖特征自动识别与模型重建方法
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN108052909B (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
US8620056B2 (en) Method, an apparatus, a system and a computer program for transferring scan geometry between subsequent scans
CN111784721A (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN110207592A (zh) 建筑裂缝测量方法、装置、计算机设备和存储介质
CN109300150B (zh) 一种用于骨龄评估的手骨x光图像纹理特征提取方法
CN110097537A (zh) 一种基于三维纹理特征的肉质定量分析评价方法
CN111931751A (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN109410139A (zh) 一种文物内部和表面病害数字化分析评估方法
CN105701805A (zh) 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN111325754B (zh) 一种基于ct序列图像的腰椎骨自动定位方法
CN112651955A (zh) 一种肠道图像的识别方法及终端设备
WO2018098697A1 (zh) 一种影像特征的可重复性测量方法及装置
Jazayeri et al. Automated 3D object reconstruction via multi-image close-range photogrammetry

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
TR01 Transfer of patent right

Effective date of registration: 20221227

Address after: Room 806, Building 1, Wuzhou International Business Center, Xihu District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Hangzhou Shuzhilaida Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right