CN109993750A - 一种手腕骨的分割识别方法及系统、终端及可读存储介质 - Google Patents

一种手腕骨的分割识别方法及系统、终端及可读存储介质 Download PDF

Info

Publication number
CN109993750A
CN109993750A CN201711485720.1A CN201711485720A CN109993750A CN 109993750 A CN109993750 A CN 109993750A CN 201711485720 A CN201711485720 A CN 201711485720A CN 109993750 A CN109993750 A CN 109993750A
Authority
CN
China
Prior art keywords
image
segmentation
bone
carpal bone
carpal
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
Application number
CN201711485720.1A
Other languages
English (en)
Other versions
CN109993750B (zh
Inventor
胡庆茂
苏李一磊
张晓东
傅贤君
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201711485720.1A priority Critical patent/CN109993750B/zh
Priority to PCT/CN2018/070035 priority patent/WO2019127619A1/zh
Priority to US16/236,366 priority patent/US10818011B2/en
Publication of CN109993750A publication Critical patent/CN109993750A/zh
Application granted granted Critical
Publication of CN109993750B publication Critical patent/CN109993750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图像处理领域，提供了手腕骨的分割识别方法，包括：基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息；将阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；使用腕骨解剖先验模型对初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。本发明实施例通过将阈值分割窗口可变的自适应阈值分割方式和边缘提取相结合，保留了两种图像处理方法的优点，相较于现有的技术，本发明实施例提高了对腕骨区域的自动化分割和识别精度。

Description

一种手腕骨的分割识别方法及系统、终端及可读存储介质
技术领域
本发明属于图像识别技术领域，尤其涉及一种手腕骨的分割识别方法及系统、终端及可读存储介质。
背景技术
骨骼发育年龄(简称骨龄)一般是指青少年儿童骨骼的发育水平与骨发育标准相比较所得到的发育年龄。骨龄在很大程度上代表了儿童真正发育水平，用骨龄来判定人体成熟度比实际年龄更为确切。骨龄评价是研究骨化点的出现、骨骺与骨干融合的时间与实际年龄的关系。评价时，对非主力手从尺、桡骨远端到指骨远端进行X光射线检查从而由图像估计出骨骼发育年龄。骨龄与生理年龄的差异可以反应出骨骼发育是否正常。所以骨龄在儿科内分泌疾病的诊断、儿童生长发育的评估、运动员的选材以及法医学方面都是主要参考指标之一。
对于6岁以下的女性和8岁以下的男性，腕骨是骨龄识别的一个重要区域，因为对于该年龄段内的低龄儿童，腕骨区域存在大量的生长发育信息。在腕骨出现相互重叠之前，对腕骨的数量和形态进行识别是一个较为稳定和有效的方法。
低龄儿童的腕骨区域具有不确定性，主要表现为：1)低龄儿童腕骨出现数量的不确定性；2)边界模糊，与周围软组织区域对比度不明显；3)腕骨及周围软组织的密度不均匀，这些不确定性给腕骨区域分割带来了困难。目前，对腕骨区域的分割识别，采用单一方法的效果均欠佳，例如，要么由于与周围软组织区域的边界模糊而无法准确分割出腕骨外形，要么对于一些特殊的腕骨(例如，处于钙化点或者形状较小的腕骨)又很难提取。
发明内容
本发明所要解决的技术问题在于提供一种手腕骨的分割识别方法及系统、终端及可读存储介质，旨在解决现有技术对腕骨区域的分割识别困难和/或不准确的问题。
本发明是这样实现的，一种手腕骨的分割识别方法，包括：
基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息；
将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
本发明还提供了一种手腕骨的分割识别系统，包括：
处理单元，用于基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息，将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
识别单元，用于使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
优化单元，用于对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
本发明实施例还提供了一种终端，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述所述的手腕骨的分割识别方法中的各个步骤。
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的手腕骨的分割识别方法中的各个步骤。
本发明与现有技术相比，有益效果在于：本发明实施例通过对该腕骨感兴趣区域进行基于阈值分割窗口可变的自适应阈值分割和边缘提取后得到初始分割图像，使用腕骨解剖先验模型对该初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像，对该初始识别图像进行边界优化，最终输出优化后的腕骨识别图像。本发明实施例通过将阈值分割窗口可变的自适应阈值分割方式和边缘提取相结合，保留了两种图像处理方法的优点，同时避免了单独使用一种方法在腕骨分割中造成的欠分割和过分割的情况，从而得到精度较高的腕骨初始分割，在得到腕骨初始分割结果的基础上在通过预先训练好的腕骨解剖先验模型进行腕骨识别并进行边界优化，最终输出分割精度高的腕骨识别图像，相较于现有的技术，本发明实施例提高了对腕骨区域的自动化分割和识别精度。
附图说明
图1是本发明实施例提供的一种手腕骨的分割识别方法的流程图；
图2是本发明实施例提供的一种手腕骨的分割识别方法的详细流程图；
图3是本发明实施例提供的腕骨未完全出现或者腕骨完全出现但是未出现腕骨间重叠的儿童正位手腕部X线图像；
图4是本发明实施例提供的待识别图像的全手掌图像的灰度直方图；
图5是本发明实施例提供的背景和前景两部分灰度值的分界示意图；
图6是本发明实施例提供的手掌二值化示意图；
图7是本发明实施例提供的将手掌二值化图像中不相关信息去除的示意图；
图8是本发明实施例提供的腕骨感兴趣区域提取示意图；
图9是本发明实施例提供的腕骨感兴趣区域阈值分割得到的二值化图像；
图10是本发明实施例提供的腕骨感兴趣区域进行Canny边缘提取的示意图；
图11是本发明实施例提供的对过分割的二值化图像进行孔洞填充及腐蚀的示意图；
图12是本发明实施例提供的对欠分割的二值化图像进行孔洞填充及腐蚀的示意图；
图13至图14分别为本发明实施例提供的将二值化图像与边缘信息结合得到的不同腕骨示意图；
图15是本发明实施例提供的腕骨区域各腕骨位置的示意图；
图16是本发明实施例提供的初始分割图像；
图17是本发明实施例提供的指骨关键点示意图；
图18是本发明实施例提供的掌骨远端图像的截取示意图；
图19是本发明实施例提供的掌骨定位示意图；
图20是本发明实施例提供的根据头状骨建立直角坐标系的示意图；
图21是本发明实施例提供的根据钩骨确定参考距离的示意图；
图22是本发明实施例提供的初始识别图像的获取示意图；
图23是本发明实施例提供的梯度图像；
图24是本发明实施例提供的初始识别图像的求反结果示意图；
图25是本发明实施例提供的距离图像；
图26是本发明实施例提供的前景标记图像和前景标记图像进行融合后得到的标记图像；
图27是对图15进行分水岭分割的轮廓示意图；
图28是本发明实施例提供的包含有七个手腕骨的腕骨区域分割示意图；
图29是本发明实施例提供的一种手腕骨的分割识别系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例为了解决低龄儿童(6岁以下的女性和8岁以下的男性)腕骨区域的自动识别与分割，提高腕骨区域的分割精度，为腕骨区域在自动化骨龄识别中的应用提供指导，提供了如图1所示的一种手腕骨的分割识别方法，包括：
S101，接收待识别图像，所述待识别图像为腕骨未完全出现或者腕骨完全出现但是未出现腕骨间重叠的儿童正位手腕部X线图像；
S102，对所述待识别图像进行二值化处理得到手掌二值化图像，根据所述手掌二值化图像提取所述待识别图像中的腕骨感兴趣区域；
S103，基于阈值分割窗口可变的自适应阈值分割方式对所述腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息，将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
S104，使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
S105，对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
本发明实施例基于已有样本数据，通过将一种阈值分割窗口可变的自适应阈值和边缘信息相结合的方法，计算腕骨的初始区域。通过学习并建立腕骨解剖先验模型，从初始区域识别各腕骨，最后再基于带标记的分水岭分割方法优化腕骨边界，实现低龄儿童腕骨的精确分割。
本发明实施例提出了一种通过将阈值分割窗口可变的自适应阈值分割和边缘信息相结合的方法对低龄儿童腕骨进行分割。在对数据进行预处理后，本发明实施例通过五个阶段实现腕骨区域的分割。
一、阈值分割窗口可变的自适应阈值分割。基于可变窗口大小内的灰度值对比度信息确定以每个像素点为中心的窗口大小，并求出每个窗口内的阈值，对腕骨感兴趣区域进行阈值分割；
二、边缘信息与阈值分割结果相结合。运用Canny边缘检测的方法对腕骨感兴趣区域的原始图像进行轮廓信息提取，并将结果与阈值分割结果相结合得到初始分割图像，利用训练学习到的腕骨解剖先验模型识别各腕骨，得到腕骨的初始分割。
三、腕骨解剖先验模型的构建。从初始分割图像中利用腕骨的解剖学知识，有监督的识别出各腕骨并提取出其重心位置，以头状骨重心为原点建立腕骨区域直角坐标系，并以头状骨和钩骨之间的距离作为参考距离，得到腕骨区域其余骨块到头状骨的距离与参考距离的比值以及各骨块重心在直角坐标系中的角度信息。最后通过对大量数据的统计得到腕骨区域的解剖先验模型。
四、腕骨的识别。利用腕骨解剖先验模型对腕骨进行识别：首先利用掌骨信息从初始分割图像确定头状骨的重心位置及其长短轴方向，根据头状骨的位置确定钩骨的位置信息得到参考距离，最后利用模型中给出的其余腕骨的位置范围对其它腕骨进行识别，得到初始识别图像。
五、对腕骨的初始识别图像利用带标记的分水岭分割方法实现腕骨的精准分割。
基于上述表述，本发明实施例提出的一种手腕骨的分割识别方法的详细流程如图2所示，下面对本发明实施例进一步地阐述：
待识别图像：
本发明实施例中的待识别图像为低龄儿童的儿童正位手腕部X线图像，图3a至图3c分别示出了不同的儿童正位手腕部X线图像，该儿童正位手腕部X线图像中需完整包括手的尺、桡骨远端以及非主力手腕骨区域、掌指骨区域已出现的全部骨骼信息。
因为本发明实施例是对低龄儿童的腕骨进行分割和提取，所以在本发明实施例中只使用腕骨未完全出现或是完全出现但未出现腕骨间重叠的图像。
腕骨感兴趣区域(CROI)的提取，包括：
1：儿童正位手腕部X线图像的二值化处理：
在本发明实施例中，首先需要对儿童正位手腕部X线图像进行二值化处理，其中：
定位腕骨感兴趣区域，需要使用手掌的外形轮廓信息。根据儿童正位手腕部X线图像的特点，其灰度直方图大致会分为两部分，灰度值较小的一部分为背景，灰度值较大的一部分为手掌，利用灰度直方图中位于这两部分中间的最小值对图像进行二值化处理。对于每幅待识别图像I进行以下处理：
1)、统计待识别图像I中的灰度直方图H，该灰度直方图H如图4所示；
2)、计算灰度直方图H中由谷点到其相邻的峰中斜率最大的谷点，如图5中箭头指向的谷点；
3)、将该谷点的灰度值设定为阈值，对图像进行二值化，即可得到包含有手掌的外形轮廓的手掌二值化图像，图6a为待识别图像I，图6b为对图6a中的待识别图像I进行二值化处理后得到手掌二值化图像。
2：手掌二值化图像中不相关信息的去除：
在儿童正位手腕部X线图像中，通常会标注有关于该儿童正位手腕部X线图像的文字信息，这些信息灰度值一般较高，在对儿童正位手腕部X线图像进行二值化时也会被分割出来。
由于标注的信息面积较小，所以只需要在二值化之后得到手掌二值化图像中找到所有白色区域中的最大连通域，将其余白色区域删除，所得到的就是去除了不相关信息的手掌二值化图像。如图7所示，图7a为未无去除不相关信息的手掌二值化图像，图7b为去除不相关信息的手掌二值化图像，图7c为对去除不相关信息后的手掌二值化图像进行凹陷点计算得到图像。
3：手腕线的定位及腕骨感兴趣区域的确定：
腕骨区域分布在手腕附近，分析手掌外形轮廓可知，手臂和手掌交接处会有较大的宽度变化。提取手掌二值化图像中的手掌轮廓，求取该手掌轮廓的近似多边形，该近似多边形与原始轮廓之间的最大距离选为8像素点，然后获取近似多边形的凸包，如图7c中箭头所示，凸包与近似多边形之间会形成多个凹陷部分，找到每个凹陷部分距离相邻凸包距离最大的点，该距离最大的点即为该凹陷部分所对应的凹陷点，即图7c的所有白圆圈代表的点。从待识别图像最下端任一侧的截断点(如图8a中箭头①所指)，起按顺时针或逆时针方向对手掌轮廓的凹陷点进行查找，检索到的第一个凹陷点及最后一个凹陷点即为手腕的两端(图8a中箭头②所指)。
以两凹陷点的连线与手掌区域相交的直线段(该直线段为手腕线)为直径做外接圆，如图8b所示，并做该外接圆的外接正方形，该外接正方形的边平行或垂直于图像的水平轴，所得正方形中包含所有腕骨以及部分尺、桡骨远端和掌骨近端，以该正方形为腕骨感兴趣区域，该腕骨感兴趣区域如图8c所示。
腕骨感兴趣区域内的分割：
1：阈值分割：
由于腕骨及周围软组织的密度不均匀、在腕骨发育初期与周围软组织的对比度较低而且腕骨的大小未知，所以不能使用全局阈值或是固定窗口大小的局部阈值进行腕骨的分割。本发明实施例对腕骨感兴趣区域进行阈值分割时采用一种阈值分割窗口可变的自适应阈值分割方式。
在最简单的情况下，假设一个区域内只有两种灰度B和G，其中灰度B所占比例为p，那么该区域的灰度标准差为该标准差与|G-B|成比例。当窗口中两种灰度所占比例相同时，标准差达到最大值0.5|G-B|，而当p或(1-p)的下降到0.1时，标准差为0.3|G-B|，即最大值的0.6倍。所以将采用一种基于自适应可变窗口大小的阈值分割方法：对图像中的每一个像素(x,y)，其对应的窗口中心位于(x,y)，窗口宽为W(x,y)，高为H(x,y)。在每个图像中，找到所有可能的窗口大小中的灰度最大标准差sdmax。对于每一个像素(x,y)，找到使以该像素点为中心的窗口中灰度标准差sd不小于0.6*sdmax的最小窗口尺寸并满足W(x,y)＝H(x,y)，其中，对于每个像素(x,y)，以其为中心，高度为H(x,y)、宽度为W(x,y)的窗口内计算灰度均值与标准差，对所有的(x,y)以及可能的窗口进行计算并比较后得到最大的标准差记为sdmax。
每个像素点对应的窗口大小确定之后，在每个窗口内使用阈值公式
计算得到阈值，其中m(x,y)为该窗口内的灰度平均值，k为一个通过实验确定的常数，在本实施例中为取值在0.04到0.08间的一个常数，T(x,y)为该像素(x,y)的灰度阈值。阈值分割为由原始灰度图像I(x,y)到二值图像B(x,y)的一个变换，当I(x,y)＜T(x,y)时，B(x,y)为0，否则B(x,y)为1，其中，0表示背景，1表示前景。通过阈值分割窗口可变的自适应阈值分割方式对腕骨感兴趣区域进行阈值分割得到的二值化图像如图9所示。
2：边缘提取
本发明实施例中，采用Canny边缘检测的方法提取出腕骨感兴趣区域内的所有边缘信息，Canny边缘检测的步骤为：1)使用高斯滤波器平滑该腕骨感兴趣区域；2)用一阶偏导的有限差分计算梯度的幅值和方向；3)对梯度幅值进行非极大值抑制；4)用双阈值算法检测和连接边缘。
本发明实施例中使用尺寸为3*3，σ为1的高斯滤波器平滑该腕骨感兴趣区域，之后选用5*5的Sobel算子计算梯度幅值和方向，5*5的Sobel算子形式为：
2 3 0 -3 -2
3 4 0 -4 -3
6 6 0 -6 -6
3 4 0 -4 -3
2 3 0 -3 -2
水平方向
垂直方向
Canny边缘检测中的第一个滞后性阈值(高阈值)选为210，或通过自适应方法确定(Saheba SM,Upadhyaya TK,Sharma RK.Lunar surface crater topology generationusing adaptive edge detection algorithm.IET Image Processing 2016；10(9):657-661)，而第二个滞后性阈值取为高阈值的1/3。所得到的结果图像中还包含有大量细小线段，通过对边缘检测结果中的所有线段面积和长度进行分析后，将面积小于1mm2的线段视为干扰线段进行移除，最终得到边缘信息。图10a为腕骨感兴趣区域采用Canny边缘提取得到图像，图10b为移除掉部分较短的干扰线段的图像。
3：将边缘信息与阈值分割结果相结合：
具体实施方法为：
1)、在阈值分割结果中，若因腕骨周围软组织灰度值较高而出现部分软组织和腕骨没有分开的过分割情况，在得到边缘信息之后，若边缘所在像素在二值化图像中为前景，则将该像素设定为背景。在进行孔洞填充之后，对二值图像进行3*3的腐蚀，增大各连通域之间的间隔并且去除掉二值图像中的部分单像素点及单像素宽的线段；图11a为腕骨感兴趣区域，图11b为该腕骨感兴趣区域进行阈值分割后得到的二值化图像，其中方框中为过分割部分；图11c为该腕骨感兴趣区域进行Canny边缘提取的结果；图11d将边缘信息叠加到二值化图像过分割部分的结果；图11e为孔洞填充及腐蚀之后的初始分割结果。
2)、若因腕骨内密度不均匀或腕骨内部分区域灰度值较低而出现二值化的腕骨区域不完整的情况，即存在欠分割情况，在得到边缘信息之后，若边缘所在像素在二值化图像中为背景，则将该二值化图像中的像素设定为前景，即添加边缘。添加边缘信息之后进行孔洞填充，并对二值图像进行3*3的腐蚀，增大各连通域之间的间隔并且去除掉二值图像中的部分单像素点及单像素宽的线段。图12a为腕骨感兴趣区域，图12b为该腕骨感兴趣区域进行阈值分割后得到的二值化图像，其中方框中为欠分割部分；图12c为该腕骨感兴趣区域进行Canny边缘提取的结果；图12d将边缘信息叠加到二值化图像过分割部分的结果；图12e为孔洞填充及腐蚀之后的初始分割结果。
3)、因腕骨周围软组织密度不均匀，且腕骨在钙化点及骨化中心阶段边缘较为模糊，腕骨的Canny边缘检测的结果可能不连续而因线段面积过小被判定为干扰线段，或是无法将腕骨的边缘完整表现出来，而阈值分割在这类情况下能对腕骨信息较好的表达；并且Canny边缘检测会提取出较多位于腕骨内部的边缘信息，这些边缘的存在对腕骨的识别没有作用且会对腕骨的识别产生一定的影响，而腕骨的阈值分割结果在腕骨的表达上为连通域的形式，两者结合可以起到互补的作用。
图13至图14分别为本发明实施例提供的将二值化图像与边缘信息结合得到的不同腕骨示意图，其中：
图13a为腕骨感兴趣区域的图像；图13b为Canny边缘提取结果；图13c对Canny边缘提取结果进行闭合轮廓填充可见不完整边缘线段；图13d将边缘信息叠加到二值化图像中，腕骨信息主要由阈值分割结果表达；图13e为孔洞填充及腐蚀之后的初始分割结果；
图14a为腕骨感兴趣区域的图像；图14b为该腕骨感兴趣区域进行Canny边缘提取的结果；图14c因小多角骨边缘不连续且其中一段过短而被视为干扰线段移除；图14d为将边缘信息叠加到二值化图像中，腕骨信息主要由阈值分割结果表达；图14e为孔洞填充及腐蚀后的初始分割结果。
腕骨解剖先验模型的建立：
在本发明实施例获取的腕骨感兴趣区域内，除了腕骨，还可能包含有部分尺、桡骨远端以及部分掌骨近端。而这些非腕骨骨块都位于感兴趣区域四周且多数外形为非类圆形。
根据解剖学信息，头状骨在绝大多数情况下为腕骨区域最大的骨块(在生长发育的初期可能会出现钩骨大于头状骨的情况)且位于第三掌骨的下方，前期为类圆形，之后为类椭圆形，最后与钩骨、小多角骨、月骨和舟骨均形成关节面；钩骨位于头状骨的尺骨侧，且当头状骨的长轴位于竖直方向上时，重心位置在纵向上较头状骨重心更靠近手臂远端，前期为类圆形，之后为类三角形，最后与头状骨、三角骨和月骨形成关节面；三角骨位于头状骨的尺骨侧，与钩骨和月骨相接，重心位置在纵向上较头状骨重心更靠近尺、桡骨，前期为类圆形，后期与钩骨和月骨形成关节面；月骨横向上位于桡骨和尺骨中间，纵向上较三角骨更接近尺、桡骨，前期为类圆形，后期与舟骨和三角骨形成关节面；大多角骨形成了腕关节桡侧缘，前期为类圆形，后期与小多角骨和舟骨形成关节面；小多角骨位于头状骨和大多角骨之间，是腕骨区域远端部分最小的腕骨，前期为类圆形，后期与大多角骨和头状骨形成关节面；舟骨位于桡骨侧的尺、桡骨端，形成了腕关节桡侧手臂端边缘，前期为类圆形，后期与月骨、大多角骨、小多角骨和头状骨均形成关节面。腕骨区域各腕骨位置如图15所示。
运用以上解剖学信息进行有监督的学习，人工识别分割出的腕骨，对每个腕骨的外形轮廓及重心位置进行提取，以头状骨的重心为原点，短轴方向为横轴，长轴方向为纵轴建立直角坐标系。因为本发明实施例只考虑腕骨数量大于两个的情况，所以本发明实施例以头状骨和钩骨重心之间的距离确定其余腕骨在直角坐标系中的位置。头状骨重心和钩骨重心的连线距离就是直角坐标中的参考距离。
进一步地，需要得到每一个腕骨重心与头状骨重心之间的距离以及该连线与坐标轴之间的夹角。本发明实施例对500张腕骨图像进行统计之后，得到一个腕骨区域各腕骨之间位置关系的腕骨解剖先验模型。该腕骨解剖先验模型中以头状骨重心为坐标原点，头状骨的长短轴为坐标系纵轴和横轴，头状骨重心和钩骨重心之间的距离为参考距离dref，每一个腕骨重心位置的距离和角度范围，在该腕骨解剖先验模型中的各腕骨的对应关系如下表所示：
腕骨名称 与头状骨重心的距离 均值 标准差
三角骨 1.2d<sub>ref</sub>--2.0d<sub>ref</sub> 1.508 0.087
月骨 1.0d<sub>ref</sub>--1.7d<sub>ref</sub> 1.353 0.101
大多角骨 0.9d<sub>ref</sub>--1.7d<sub>ref</sub> 1.402 0.122
小多角骨 0.8d<sub>ref</sub>--1.2d<sub>ref</sub> 0.952 0.077
舟骨 1.0d<sub>ref</sub>--1.6d<sub>ref</sub> 1.222 0.056
腕骨名称 与坐标轴夹角 均值 标准差
钩骨 120--172° 161.415° 4.715
三角骨 180--220° 201.963° 7.026°
月骨 220--258° 238.973° 7.351°
大多角骨 330--10° 352.786° 6.635°
小多角骨 330--30° 12.550° 7.590°
舟骨 300--335° 311.633° 5.673°
利用腕骨解剖先验模型识别腕骨：
1：腕骨区域的分割：
通过上述方法对腕骨感兴趣区域进行分割，得到腕骨感兴趣区域的初始分割图像，如图16所示。
2：第三掌骨位置信息提取：
在腕骨的解剖学定义中，头状骨位于第三掌骨下方，所以第三掌骨的位置信息对头状骨的提取有参考作用。因为指骨有可能出现弯曲，且指骨中轴线有可能与相应掌骨中轴线不成直线，对掌骨的定位造成影响，所以首先需要对手指部分进行粗略的移除，仅保留手掌的信息。
将待识别图像看成一个二维离散函数，图像的一阶差分可看作是图像相邻的两个像素点灰度值相减，具体公式如下：
由上述公式可得，通过对二值化图像进行差分，由于手掌内部像素点灰度相似，而手掌边缘像素点灰度高于手掌外像素点，于是可得到手掌边缘信息。若仅考虑手掌X方向一阶差分，手掌顶端和手指间谷点由于较为平坦，会出现至少两个相邻且灰度相同的像素点，于是在手掌顶端和手指间谷点处图像差分图会断开。通过检索这些断开点的位置，即可得到指骨关键点，如图17所示，其中图17a为手掌二值化图像，图17b为指骨关键点示意图。
依次连接手指间谷点以及手掌图像最下方的手臂两端点，可粗略的得到手掌及尺桡骨远端区域。由于暂时不考虑尺桡骨信息，且掌骨近端在儿童发育到一定年龄时会出现重叠现象，而每一块掌骨只会出现刚性形变，所以只保留掌骨远端部分。可粗略的将手指移除之后图像等分为三部分，这三部分中各主要包含：掌骨、腕骨和尺桡骨远端，所以本发明中保留手指移除之后图像的上三分之一部分。图18a中白圆圈点为手指谷点，箭头所指为图像最下方的手臂端点；图18b为将手指移除后的手掌图像；图18c为掌骨远端图像。
对提取出的掌骨远端图像运用阈值分割窗口大小可变的自适应阈值分割方式进行阈值分割操作，得到掌骨远端二值化图像，如图19b所示。通过连接第三指两谷点的中点与所定位的手腕两侧凹陷点的中点，如图19a所示，可得到一条第三掌骨参考线，在掌骨远端二值化图像中通过找离该第三掌骨参考线距离最近的最大区域对第三掌骨进行定位，找到第三掌骨的中轴线方向，并将该中轴线旋转到竖直方向上，如图19c所示，同时可以得到第三掌骨的宽度的估计，该宽度即为头状骨重心在水平方向上的变化范围。
3、头状骨定位及坐标系的建立：
定位位于第三掌骨的宽度下方圆形率最大的最大区域，即头状骨，如图20a所示。以头状骨的重心为原点，短轴方向为横轴，长轴方向为纵轴建立直角坐标系，如图20b所示。
4、钩骨定位及参考距离：
因为本发明实施例只考虑腕骨数量大于两个的情况，所以以头状骨和钩骨重心之间的距离为参考确定其余腕骨在直角坐标系中的位置是比较可靠的。
钩骨在非主力手正位图像中位于头状骨尺骨侧，且钩骨的重心较头状骨的重心位置偏上方。根据已经提取到的腕骨信息，定位位于头状骨尺骨侧且重心位置不高于头状骨最上端的圆形率最大的最大区域，如图21a所示。头状骨重心和钩骨重心的连线距离就是腕骨区域坐标中的参考距离，如图21b所示。
4、其余各腕骨的识别：
在前面结合阈值分割与边缘得到的初始分割图像中，分割出来的除了腕骨，还可能包含有部分掌骨近端、尺桡骨远端以及部分欠分割的软组织。通过对分割后的结果中每一个区域的位置分析，与四周相接的区域判定为不相关部分。因为本发明实施例仅考虑腕骨区域尚未发生重叠的情况，三角骨、月骨、大多角骨、小多角骨及舟骨均为类圆形，本发明时还是离中使用(A为面积，L为周长)定义圆形率，运用腕骨解剖先验模型，在相应的区域内进行判断。
因每个腕骨都是以钙化点的形式出现，之后形成骨化中心，最后发育成相应的腕骨。而在钙化点阶段由于边界模糊圆形率会相对较低，所以判别结果可以分为以下几种情况：
1)：三角骨、月骨、大小多角骨及舟骨在发育成较为成熟的腕骨之后到腕骨间出现重叠之前圆形率较高，所以在每个腕骨相应的角度及距离范围内判断是否存在重心位于相应范围内、面积大于2.6mm2且圆形率大于0.65的区域；
2)：若相应区域不存在1)的情况，则在相应范围内将判断条件改为面积大于0.64mm2像素点且圆形率大于0.5，判断是否存在较小的钙化点或骨化中心；
3)如果1)和2)的情况均不存在，则该区域内没有相应的腕骨。
图22a示出了三角骨在初始分割图像中的提取，图22b示出了月骨在初始分割图像中的提取，图22c示出了大多角、小多角骨在初始分割图像中的提取，图22d示出了舟骨在初始分割图像中的提取。
边界优化：
经上述步骤后得到的初始识别图像S1，可以作为腕骨边界的初始估计，需要采用其他方法优化最终的腕骨边界。本发明实施例采用带标记的分水岭算法进行边界优化，具体操作步骤包括：
1)、对腕骨感兴趣区域进行高斯处理，x和y方向标准差都为1，然后计算图像梯度得如图23所示的梯度图像G，其中：
x方向梯度算子为：
y方向梯度算子为：
2)、将初始识别图像S1求反后，得到如图24所示的求反结果示意图，接着计算如图25所示的距离图像D，即计算每个前景像素p与最近的背景像素q的距离：D(p)＝min(dist(p,q)),p为前景像素，q为背景像素；其中，对初始识别图像S1求反的意思是将初始识别图像S1中的背景变为前景，前景变为背景，对求反的图像中的前景进行距离变换，等同于对初始识别图像S1的背景进行距离变换
dist(p,q)表示像素p与q的距离，常用的距离有：
欧式距离：
曼哈顿距离：dist(p,q)＝|p0-q0|+|p1-q1|；
象棋格距离：dist(p,q)＝max(|p0-q0|,|p1-q1|)；
3)、基于初始识别图像S1提取前景标记：首先对初始识别图像S1进行腐蚀。腐蚀过程中，根据初始识别图像S1中不同连通区域的面积进行不同程度的腐蚀。当连通区域面积小于25个像素时，结构元素大小为3x3；当连通区域面积大于25个像素时，结构元素大小为5x5。腐蚀后，得到分割图像S2。对分割图像S2的各个连通区域进行标记，即为每个区域中的像素值设置为一个不重复的标量值，得到如图26a所示的前景标记图像F。
4)、以距离图像D作为输入，以前景标记图像F作为标记，进行分水岭分割(ITK工具包(http://www.itk.org/)，类名MorphologicalWatershedFromMarkersImageFilter)，并提取分水线，作为背景标记，并与前景标记图像F融合后，得到标记图像M，如图26b所示。
5)、以梯度图像G作为输入，以标记图像M作为标记，进行分水岭分割，得到如图27所示的优化后的分割图像，该分割图像的原始图像为图8c，将所述优化后的分割图像作为所述腕骨识别图像并输出。
图28示出了本发明实施例提供的腕骨识别图像的生成示意图，其中图28a为腕骨感兴趣区域，图28b为将不相关信息移除后的腕骨感兴趣区域的二值化图像，图28c为进行分水岭算法边界优化之后的腕骨区域二值化图像。
本发明实施例通过将阈值分割和边缘提取相结合，保留了两种方法各自的优点，同时避免了单独使用一种方法在腕骨分割中造成的欠分割或过分割情况，从而得到精度较高的腕骨初始分割，在此基础上利用带标记的分水岭算法对边界进行优化，有效克服Canny边缘算子需要对边缘强度进行阈值处理的缺陷。能够较为精确的对腕骨感兴趣区域进行骨骼和软组织的分割，结果可用于对腕骨的进一步分析。基于分割的结果，结合解剖学知识对腕骨进行了有监督的识别和定位，提出了一种可用于指导腕骨精确识别的腕骨解剖先验模型，并将该腕骨解剖先验模型运用到腕骨的识别过程中，具有一定的鲁棒性。
本发明实施例提供的分割识别方法在腕骨面积较小以及腕骨与周围软组织之间对比度较低的情况下均有好的表现，验证了本发明实施例提供的分割识别方法的有效性。
在本发明实施例中，除了使用上述所述的方法进行手腕骨的分割识别之外，对初始腕骨分割的边界优化，除了可以采用基于标记的分水岭算法，还可以采用主动轮廓模型或水平集方法进行边界优化，而且Canny边缘算子可以被其他性能优越的边缘算子如墨西哥草帽LOG(Laplacian of the Gaussian，高斯拉普拉斯算子)等。进一步地，区域信息除了用现有的局部灰度阈值方法，也可采用其他性能优越的区域分割方法如聚类、深度学习等方法，此处不做具体赘述。
本发明还提供了如图29所示的一种手腕骨的分割识别系统，包括：
接收单元201，用于接收待识别图像，所述待识别图像为腕骨未完全出现或者腕骨完全出现但是未出现腕骨间重叠的儿童正位手腕部X线图像；
提取单元202，用于对所述待识别图像进行二值化处理得到手掌二值化图像，根据所述手掌二值化图像提取所述待识别图像中的腕骨感兴趣区域；
处理单元203，用于基于阈值分割窗口可变的自适应阈值分割方式对腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息，将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
识别单元204，用于使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
优化单元205，用于对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
进一步地，提取单元202具体用于：
统计所述待识别图像的灰度直方图，计算所述灰度直方图中由谷点到其相邻的峰中斜率最大的谷点；
以斜率最大的谷点的灰度值为阈值，对所述待识别图像进行二值化，得到手掌二值化图像；
提取所述手掌二值化图像中的手掌轮廓，求取所述手掌轮廓的近似多边形；
获取所述近似多边形的凸包，所述凸包与所述近似多边形之间形成若干凹陷部分；
找出每个凹陷部分距离相邻凸包距离最大的点，以距离最大的点为凹陷部分的凹陷点；
从所述待识别图像最下端的截断点，按照预置方向查找所述凹陷点，以查找第一个凹陷点和最后一个凹陷点；
以第一个凹陷点和最后一个凹陷点与手掌区域相交的直线段(该直线段为手腕线)为直径做外接圆，并做所述外接圆的外接正方形，以所述外接正方形作为所述腕骨感兴趣区域。
进一步地，以(x,y)表示所述腕骨感兴趣区域中的任一像素，所述像素点对应的阈值分割窗口的中心位于(x,y)，所述阈值分割窗口的宽为W(x,y)，高为H(x,y)，则处理单元203通过阈值分割窗口可变的自适应阈值分割方式对所述腕骨感兴趣区域进行阈值分割，阈值分割窗口可变的自适应阈值分割方式包括：
在所述腕骨感兴趣区域中找出所有阈值分割窗口中的灰度最大标准差sdmax；
对于每一像素(x,y)，找到使以每一像素点(x,y)为中心的阈值分割窗口中灰度标准差sd不小于0.6*sdmax的最小阈值分割窗口且所述最小阈值分割窗口满足W(x,y)＝H(x,y)；
通过公式计算出每一阈值分割窗口的分割阈值，其中m(x,y)为阈值分割窗口的灰度平均值，k为位于[0.04,0.08]间的一个常数，T(x,y)为像素(x,y)的灰度阈值；
根据所述分割阈值对所述腕骨感兴趣区域进行阈值分割，得到二值化图像。
进一步地，处理单元203对所述腕骨感兴趣区域进行边缘提取的步骤包括：
使用尺寸为3*3，σ为1的高斯滤波器平滑所述腕骨感兴趣区域；
使用5*5的Sobel算子计算平滑后的腕骨感兴趣区域的梯度幅值和梯度方向；
对所述梯度幅值进行非极大值抑制；
用双阈值算法检验和连接边缘，得到初始边缘信息；
对所述初始边缘信息中的所有线段面积和长度进行分析，将面积小于预置值的线段进行删除，得到所述边缘信息。
进一步地，处理单元203还用于：
若所述二值化图像存在过分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为前景，若为前景，则将边缘所在的像素设为背景，并对所述二值化图像和所述边缘信息结合后的图像进行孔洞填充，对孔洞填充之后的图像进行腐蚀，得到所述初始分割图像；
若所述二值化图像存在欠分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为背景，若为背景，则将边缘所在的像素设为前景完成边缘添加，对完成边缘添加后的二值化图像进行孔洞填充，对孔洞填充完毕后的二值化图像进行腐蚀，得到所述初始分割图像。
进一步地，所述腕骨解剖先验模型中包含有以头状骨重心为坐标原点，头状骨的长短轴为坐标系的纵轴和横轴，头状骨重心和钩骨重心之间的距离为参考距离，每一腕骨重心位置的距离和角度范围，则识别单元204具体用于：
对所述手掌二值化图像进行一阶差分，得到手掌边缘信息，所述手掌边缘信息包括手指顶点和手指尖的谷点信息；
根据手指间的谷点和所述手掌二值化图像最下方的手臂两端点，从所述待识别图像中截取手掌及尺桡骨远端区域；
将所述手掌及尺桡骨远端区域由上到下等分为三部分，取最上面的三分之一部分作为掌骨远端图像；
使用阈值分割窗口可变的自适应阈值分割方式对所述掌骨远端图像进行阈值分割操作，得到掌骨远端二值化图像；
根据所述手掌边缘信息确定第三指的两谷点的中点，连接所述第三指的两谷点的中点和所述以第一个凹陷点和最后一个凹陷点的连线的中点，得到第三掌骨参考线；
在所述掌骨远端二值化图像中查找距离所述第三掌骨参考线距离最近的最大区域，以距离所述第三掌骨参考线距离最近的最大区域为第三掌骨，并找出所述第三掌骨的中轴线，将所述中轴线旋转到竖直方向上，得到第三掌骨的宽度，以所述第三掌骨的宽度作为头状骨重心在水平方向上的变化范围；
在所述初始分割图像，确定位于所述第三掌骨的宽度下方圆形率最大的最大区域，以所述圆形率最大的最大区域作为头状骨；
以所述头状骨的重心为原点，以所述头状骨的短轴方向为横轴，以所述头状骨的长轴方向为纵轴建立直角坐标系；
将所述初始分割图像上位于所述头状骨的尺骨侧，且重心位置不高于所述头状骨最上端的圆形率最大的最大区域作为钩骨，确定所述头状骨的重心与所述钩骨的重心的连线距离，以所述连线距离作为所述直角坐标系的参考距离；
根据所述腕骨解剖先验模型、所述直角坐标系和所述参考距离对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像。
进一步地，优化单元205具体用于：
对所述腕骨感兴趣区域进行高斯平滑处理，计算高斯平滑处理后的腕骨感兴趣区域的图像梯度，得到梯度图像；
对所述初始识别图像进行求反，对求反得到的图像的前景进行距离变换得到距离图像；
对所述初始识别图像进行腐蚀得到分割图像，对所述分割图像的各个连通区域中的每个像素值设置一个不重复的标量值，得到前景标记图像；
以所述距离图像作为输入，以所述前景标识图像作为标记，进行分水岭分割，提取分数线，以所述分水线作为背景标记，将所述背景标记与前景标记图像进行融合，得到标记图像；
以所述梯度图像作为输入，以所述标记图像作为标记，进行分水岭分割，得到优化后的分割图像，将所述优化后的分割图像作为所述腕骨识别图像并输出。
本发明实施例还提供了一种用于执行手腕骨的分割识别方法的终端，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、台式电脑、车载电脑、智能电视等进行手腕股的分割识别操作的终端。
该终端包括：一个或者多个处理器、存储器以及一个或者多个程序(模块)。其中该一个或者多个程序(模块)存储在该存储器中，当被该一个或者多个处理器执行时，该处理器执行以下操作：基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息；
将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种手腕骨的分割识别方法，其特征在于，包括：
基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息；
将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
2.如权利要求1所述的分割识别方法，其特征在于，所述腕骨感兴趣区域中的任一像素以(x,y)表示，所述像素点对应的阈值分割窗口的中心位于(x,y)，所述阈值分割窗口的宽为W(x,y)，高为H(x,y)，通过阈值分割窗口可变的自适应阈值分割方式对所述腕骨感兴趣区域进行阈值分割包括：
在所述腕骨感兴趣区域中找出所有阈值分割窗口中的灰度最大标准差sdmax；
对于每一像素(x,y)，找到使以每一像素点(x,y)为中心的阈值分割窗口中灰度标准差sd不小于0.6*sdmax的最小阈值分割窗口且所述最小阈值分割窗口满足W(x,y)＝H(x,y)；
通过公式计算出每一阈值分割窗口的分割阈值，其中m(x,y)为阈值分割窗口的灰度平均值，k为位于[0.04,0.08]间的一个常数，T(x,y)为像素(x,y)的灰度阈值；
根据所述分割阈值对所述腕骨感兴趣区域进行阈值分割，得到二值化图像。
3.如权利要求1所述的分割识别方法，其特征在于，所述基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息包括：
使用尺寸为3*3，σ为1的高斯滤波器平滑所述腕骨感兴趣区域；
使用5*5的Sobel算子计算平滑后的腕骨感兴趣区域的梯度幅值和梯度方向；
对所述梯度幅值进行非极大值抑制；
用双阈值算法检验和连接边缘，得到初始边缘信息；
对所述初始边缘信息中的所有线段面积和长度进行分析，将面积小于预置值的线段进行删除，得到所述边缘信息。
4.如权利要求3所述的分割识别方法，其特征在于，将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像包括：
若所述二值化图像存在过分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为前景，若为前景，将边缘所在的像素设为背景，并对所述二值化图像和所述边缘信息结合后的图像进行孔洞填充，对孔洞填充之后的图像进行腐蚀，得到所述初始分割图像；
若所述二值化图像存在欠分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为背景，若为背景，将边缘所在的像素设为前景完成边缘添加，对完成边缘添加后的二值化图像进行孔洞填充，对孔洞填充完毕后的二值化图像进行腐蚀，得到所述初始分割图像。
5.如权利要求1所述的分割识别方法，其特征在于，所述腕骨解剖先验模型中包含有以头状骨重心为坐标原点，头状骨的长短轴为坐标系的纵轴和横轴，头状骨重心和钩骨重心之间的距离为参考距离，每一腕骨重心位置的距离和角度范围；
所述基于阈值分割窗口可变的自适应阈值分割方式对腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息之前，还包括：
接收待识别图像，所述待识别图像为腕骨未完全出现或者腕骨完全出现但是未出现腕骨间重叠的儿童正位手腕部X线图像；
对所述待识别图像进行二值化处理得到手掌二值化图像，根据所述手掌二值化图像提取所述待识别图像中的腕骨感兴趣区域；
所述使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像包括：
对所述手掌二值化图像进行一阶差分，得到手掌边缘信息，所述手掌边缘信息包括手指顶点和手指尖的谷点信息；
根据手指间的谷点和所述手掌二值化图像最下方的手臂两端点，从所述待识别图像中截取手掌及尺桡骨远端区域；
将所述手掌及尺桡骨远端区域由上到下等分为三部分，取最上面的三分之一部分作为掌骨远端图像；
使用阈值分割窗口可变的自适应阈值分割方式对所述掌骨远端图像进行阈值分割操作，得到掌骨远端二值化图像；
根据所述手掌边缘信息确定第三指的两谷点的中点，连接所述第三指的两谷点的中点和所述以第一个凹陷点和最后一个凹陷点的连线的中点，得到第三掌骨参考线；
在所述掌骨远端二值化图像中查找距离所述第三掌骨参考线距离最近的最大区域，以距离所述第三掌骨参考线距离最近的最大区域为第三掌骨，并找出所述第三掌骨的中轴线，将所述中轴线旋转到竖直方向上，得到第三掌骨的宽度，以所述第三掌骨的宽度作为头状骨重心在水平方向上的变化范围；
在所述初始分割图像，确定位于所述第三掌骨的宽度下方圆形率最大的最大区域，以所述圆形率最大的最大区域作为头状骨；
以所述头状骨的重心为原点，以所述头状骨的短轴方向为横轴，以所述头状骨的长轴方向为纵轴建立直角坐标系；
将所述初始分割图像上位于所述头状骨的尺骨侧，且重心位置不高于所述头状骨最上端的圆形率最大的最大区域作为钩骨，确定所述头状骨的重心与所述钩骨的重心的连线距离，以所述连线距离作为所述直角坐标系的参考距离；
根据所述腕骨解剖先验模型、所述直角坐标系和所述参考距离对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像。
6.如权利要求5所述的分割识别方法，其特征在于，所述圆形率以circularity表示，其中A表示待计算圆形率的区域的面积，L表示待计算圆形率的区域的周长。
7.如权利要求1所述的分割识别方法，其特征在于，所述对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像包括：
对所述腕骨感兴趣区域进行高斯平滑处理，计算高斯平滑处理后的腕骨感兴趣区域的图像梯度，得到梯度图像；
对所述初始识别图像进行求反，对求反得到的图像的前景进行距离变换得到距离图像；
对所述初始识别图像进行腐蚀得到分割图像，对所述分割图像的各个连通区域中的每个像素值设置一个不重复的标量值，得到前景标记图像；
以所述距离图像作为输入，以所述前景标识图像作为标记，进行分水岭分割，提取分数线，以所述分水线作为背景标记，将所述背景标记与前景标记图像进行融合，得到标记图像；
以所述梯度图像作为输入，以所述标记图像作为标记，进行分水岭分割，得到优化后的分割图像，将所述优化后的分割图像作为所述腕骨识别图像并输出。
8.一种手腕骨的分割识别系统，其特征在于，包括：
处理单元，用于基于阈值分割窗口可变的自适应阈值分割方式对儿童正位手腕部X线图像的腕骨感兴趣区域进行阈值分割和基于边缘检测的方式提取所述腕骨感兴趣区域的边缘信息，将所述阈值分割得到的二值化图像和提取的边缘信息进行结合，得到初始分割图像；
识别单元，用于使用腕骨解剖先验模型对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像；
优化单元，用于对所述初始识别图像进行边界优化，输出边界优化后得到的腕骨识别图像。
9.如权利要求8所述的分割识别系统，其特征在于，所述腕骨感兴趣区域中的任一像素以(x,y)表示，所述像素点对应的阈值分割窗口的中心位于(x,y)，所述阈值分割窗口的宽为W(x,y)，高为H(x,y)，所述处理单元具体用于：
在所述腕骨感兴趣区域中找出所有阈值分割窗口中的灰度最大标准差sdmax；
对于每一像素(x,y)，找到使以每一像素点(x,y)为中心的阈值分割窗口中灰度标准差sd不小于0.6*sdmax的最小阈值分割窗口且所述最小阈值分割窗口满足W(x,y)＝H(x,y)；
通过公式计算出每一阈值分割窗口的分割阈值，其中m(x,y)为阈值分割窗口的灰度平均值，k为位于[0.04,0.08]间的一个常数，T(x,y)为像素(x,y)的灰度阈值；
根据所述分割阈值对所述腕骨感兴趣区域进行阈值分割，得到二值化图像。
10.如权利要求9所述的分割识别系统，其特征在于，所述处理单元还用于：
使用尺寸为3*3，σ为1的高斯滤波器平滑所述腕骨感兴趣区域；
使用5*5的Sobel算子计算平滑后的腕骨感兴趣区域的梯度幅值和梯度方向；
对所述梯度幅值进行非极大值抑制；
用双阈值算法检验和连接边缘，得到初始边缘信息；
对所述初始边缘信息中的所有线段面积和长度进行分析，将面积小于预置值的线段进行删除，得到所述边缘信息。
11.如权利要求10所述的分割识别系统，其特征在于，所述处理单元还用于：
若所述二值化图像存在过分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为前景，若为前景，将边缘所在的像素设为背景，并对所述二值化图像和所述边缘信息结合后的图像进行孔洞填充，对孔洞填充之后的图像进行腐蚀，得到所述初始分割图像；
若所述二值化图像存在欠分割情况，判断所述边缘信息中的边缘所在的像素是否在所述二值化图像中为背景，若为背景，将边缘所在的像素设为前景完成边缘添加，对完成边缘添加后的二值化图像进行孔洞填充，对孔洞填充完毕后的二值化图像进行腐蚀，得到所述初始分割图像。
12.如权利要求8所述的分割识别系统，其特征在于，所述腕骨解剖先验模型中包含有以头状骨重心为坐标原点，头状骨的长短轴为坐标系的纵轴和横轴，头状骨重心和钩骨重心之间的距离为参考距离，每一腕骨重心位置的距离和角度范围，所述分割识别系统还包括：
接收单元，用于接收待识别图像，所述待识别图像为腕骨未完全出现或者腕骨完全出现但是未出现腕骨间重叠的儿童正位手腕部X线图像；
提取单元，用于对所述待识别图像进行二值化处理得到手掌二值化图像，根据所述手掌二值化图像提取所述待识别图像中的腕骨感兴趣区域；
所述识别单元具体用于：
对所述手掌二值化图像进行一阶差分，得到手掌边缘信息，所述手掌边缘信息包括手指顶点和手指尖的谷点信息；
根据手指间的谷点和所述手掌二值化图像最下方的手臂两端点，从所述待识别图像中截取手掌及尺桡骨远端区域；
将所述手掌及尺桡骨远端区域由上到下等分为三部分，取最上面的三分之一部分作为掌骨远端图像；
使用阈值分割窗口可变的自适应阈值分割方式对所述掌骨远端图像进行阈值分割操作，得到掌骨远端二值化图像；
根据所述手掌边缘信息确定第三指的两谷点的中点，连接所述第三指的两谷点的中点和所述以第一个凹陷点和最后一个凹陷点的连线的中点，得到第三掌骨参考线；
在所述掌骨远端二值化图像中查找距离所述第三掌骨参考线距离最近的最大区域，以距离所述第三掌骨参考线距离最近的最大区域为第三掌骨，并找出所述第三掌骨的中轴线，将所述中轴线旋转到竖直方向上，得到第三掌骨的宽度，以所述第三掌骨的宽度作为头状骨重心在水平方向上的变化范围；
在所述初始分割图像，确定位于所述第三掌骨的宽度下方圆形率最大的最大区域，以所述圆形率最大的最大区域作为头状骨；
以所述头状骨的重心为原点，以所述头状骨的短轴方向为横轴，以所述头状骨的长轴方向为纵轴建立直角坐标系；
将所述初始分割图像上位于所述头状骨的尺骨侧，且重心位置不高于所述头状骨最上端的圆形率最大的最大区域作为钩骨，确定所述头状骨的重心与所述钩骨的重心的连线距离，以所述连线距离作为所述直角坐标系的参考距离；
根据所述腕骨解剖先验模型、所述直角坐标系和所述参考距离对所述初始分割图像进行腕骨识别，得到包含有各腕骨信息的初始识别图像。
13.如权利要求8所述的分割识别系统，其特征在于，所述优化单元具体用于：
对所述腕骨感兴趣区域进行高斯平滑处理，计算高斯平滑处理后的腕骨感兴趣区域的图像梯度，得到梯度图像；
对所述初始识别图像进行求反，对求反得到的图像的前景进行距离变换得到距离图像；
对所述初始识别图像进行腐蚀得到分割图像，对所述分割图像的各个连通区域中的每个像素值设置一个不重复的标量值，得到前景标记图像；
以所述距离图像作为输入，以所述前景标识图像作为标记，进行分水岭分割，提取分数线，以所述分水线作为背景标记，将所述背景标记与前景标记图像进行融合，得到标记图像；
以所述梯度图像作为输入，以所述标记图像作为标记，进行分水岭分割，得到优化后的分割图像，将所述优化后的分割图像作为所述腕骨识别图像并输出。
14.一种终端，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任意一项所述的手腕骨的分割识别方法中的各个步骤。
15.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任意一项所述的手腕骨的分割识别方法中的各个步骤。
CN201711485720.1A 2017-12-29 2017-12-29 一种手腕骨的分割识别方法及系统、终端及可读存储介质 Active CN109993750B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201711485720.1A CN109993750B (zh) 2017-12-29 2017-12-29 一种手腕骨的分割识别方法及系统、终端及可读存储介质
PCT/CN2018/070035 WO2019127619A1 (zh) 2017-12-29 2018-01-02 一种手腕骨的分割识别方法及系统、终端及可读存储介质
US16/236,366 US10818011B2 (en) 2017-12-29 2018-12-29 Carpal segmentation and recognition method and system, terminal and readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711485720.1A CN109993750B (zh) 2017-12-29 2017-12-29 一种手腕骨的分割识别方法及系统、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN109993750A true CN109993750A (zh) 2019-07-09
CN109993750B CN109993750B (zh) 2020-12-25

Family

ID=67064948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711485720.1A Active CN109993750B (zh) 2017-12-29 2017-12-29 一种手腕骨的分割识别方法及系统、终端及可读存储介质

Country Status (2)

Country Link
CN (1) CN109993750B (zh)
WO (1) WO2019127619A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209908A (zh) * 2019-12-31 2020-05-29 深圳奇迹智慧网络有限公司 更新标注框的方法、装置、存储介质和计算机设备
CN111281355A (zh) * 2020-01-19 2020-06-16 上海掌门科技有限公司 一种用于确定脉搏采集位置的方法与设备
CN111899268A (zh) * 2020-08-17 2020-11-06 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质
CN112365514A (zh) * 2020-12-09 2021-02-12 辽宁科技大学 基于改进PSPNet的语义分割方法
CN112381826A (zh) * 2021-01-15 2021-02-19 中科慧远视觉技术(北京)有限公司 边缘缺陷图像的二值化方法
CN113160257A (zh) * 2021-04-23 2021-07-23 深圳市优必选科技股份有限公司 图像数据标注方法、装置、电子设备及存储介质
CN113647965A (zh) * 2021-08-30 2021-11-16 北京理工大学 一种前臂骨识别方法及系统
CN113947683A (zh) * 2021-10-15 2022-01-18 兰州交通大学 指尖点检测方法、系统及指尖点运动轨迹识别方法、系统
CN116597551A (zh) * 2023-06-21 2023-08-15 厦门万安智能有限公司 一种基于私有云的智能楼宇访问管理系统
CN118177843A (zh) * 2024-03-15 2024-06-14 南昌大学第二附属医院 一种多维度左手腕部骨格形态学系列骨龄评分方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310292B (zh) * 2019-06-28 2021-02-02 浙江工业大学 一种手腕部参照骨分割方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7022073B2 (en) * 2003-04-02 2006-04-04 Siemens Medical Solutions Usa, Inc. Border detection for medical imaging
CN101699511A (zh) * 2009-10-30 2010-04-28 深圳创维数字技术股份有限公司 彩色图像分割方法及系统
US20110188774A1 (en) * 2010-01-29 2011-08-04 Samsung Electronics Co., Ltd. Image generating apparatus and method for emphasizing edge based on image characteristics
CN102663387A (zh) * 2012-04-16 2012-09-12 南京大学 基于牙科全景图的皮质骨宽度自动计算方法
CN202736125U (zh) * 2012-06-15 2013-02-13 黄淮学院 一种医学图像的边缘检测系统
CN103440665A (zh) * 2013-09-13 2013-12-11 重庆大学 膝关节软骨图像自动分割方法
CN103606153A (zh) * 2013-11-19 2014-02-26 华中科技大学 一种从粪便显微图像中提取细胞的方法
CN104463972A (zh) * 2014-11-24 2015-03-25 北京建筑大学 观音手状文物骨架线提取方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN104809740A (zh) * 2015-05-26 2015-07-29 重庆大学 基于svm与弹性区域生长的膝软骨图像自动分割方法
US9269165B2 (en) * 2013-06-20 2016-02-23 Carestream Health, Inc. Rib enhancement in radiographic images
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105913432A (zh) * 2016-04-12 2016-08-31 妙智科技（深圳）有限公司 基于ct序列图像的主动脉提取方法及装置
CN105975951A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 手指中段指静脉指纹融合识别方法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN106469432A (zh) * 2015-08-13 2017-03-01 富士通株式会社 对象提取方法和对象提取设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090027522A1 (en) * 2007-07-26 2009-01-29 Honeywell International Inc. Systems and methods for enhancing edge detection
CN102426649B (zh) * 2011-10-13 2013-08-21 石家庄开发区冀科双实科技有限公司 一种简单的高准确率的钢印数字自动识别方法
CN106504246B (zh) * 2016-11-08 2019-04-30 太原科技大学 隧道裂缝检测的图像处理方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7022073B2 (en) * 2003-04-02 2006-04-04 Siemens Medical Solutions Usa, Inc. Border detection for medical imaging
CN101699511A (zh) * 2009-10-30 2010-04-28 深圳创维数字技术股份有限公司 彩色图像分割方法及系统
US20110188774A1 (en) * 2010-01-29 2011-08-04 Samsung Electronics Co., Ltd. Image generating apparatus and method for emphasizing edge based on image characteristics
CN102663387A (zh) * 2012-04-16 2012-09-12 南京大学 基于牙科全景图的皮质骨宽度自动计算方法
CN202736125U (zh) * 2012-06-15 2013-02-13 黄淮学院 一种医学图像的边缘检测系统
US9269165B2 (en) * 2013-06-20 2016-02-23 Carestream Health, Inc. Rib enhancement in radiographic images
CN103440665A (zh) * 2013-09-13 2013-12-11 重庆大学 膝关节软骨图像自动分割方法
CN103606153A (zh) * 2013-11-19 2014-02-26 华中科技大学 一种从粪便显微图像中提取细胞的方法
CN104463972A (zh) * 2014-11-24 2015-03-25 北京建筑大学 观音手状文物骨架线提取方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN104809740A (zh) * 2015-05-26 2015-07-29 重庆大学 基于svm与弹性区域生长的膝软骨图像自动分割方法
CN106469432A (zh) * 2015-08-13 2017-03-01 富士通株式会社 对象提取方法和对象提取设备
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105913432A (zh) * 2016-04-12 2016-08-31 妙智科技（深圳）有限公司 基于ct序列图像的主动脉提取方法及装置
CN105975951A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 手指中段指静脉指纹融合识别方法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CIHAN TOPAL，ET AL: "《Edge Drawing: A combined real-time edge and segment detector》", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 *
刘伟，等: "《基于图谱的肝脏CT 三维自动分割研究》", 《北京生物医学工程》 *
杨莉，等: "《骨龄自动评测系统中桡骨的分割与提取研究》", 《现代电子技术》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209908A (zh) * 2019-12-31 2020-05-29 深圳奇迹智慧网络有限公司 更新标注框的方法、装置、存储介质和计算机设备
CN111281355A (zh) * 2020-01-19 2020-06-16 上海掌门科技有限公司 一种用于确定脉搏采集位置的方法与设备
CN111899268B (zh) * 2020-08-17 2022-02-18 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质
CN111899268A (zh) * 2020-08-17 2020-11-06 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质
CN112365514A (zh) * 2020-12-09 2021-02-12 辽宁科技大学 基于改进PSPNet的语义分割方法
CN112381826B (zh) * 2021-01-15 2021-05-07 中科慧远视觉技术(北京)有限公司 边缘缺陷图像的二值化方法
CN112381826A (zh) * 2021-01-15 2021-02-19 中科慧远视觉技术(北京)有限公司 边缘缺陷图像的二值化方法
CN113160257A (zh) * 2021-04-23 2021-07-23 深圳市优必选科技股份有限公司 图像数据标注方法、装置、电子设备及存储介质
CN113160257B (zh) * 2021-04-23 2024-01-16 深圳市优必选科技股份有限公司 图像数据标注方法、装置、电子设备及存储介质
CN113647965A (zh) * 2021-08-30 2021-11-16 北京理工大学 一种前臂骨识别方法及系统
CN113647965B (zh) * 2021-08-30 2023-11-28 北京理工大学 一种前臂骨识别方法及系统
CN113947683A (zh) * 2021-10-15 2022-01-18 兰州交通大学 指尖点检测方法、系统及指尖点运动轨迹识别方法、系统
CN116597551A (zh) * 2023-06-21 2023-08-15 厦门万安智能有限公司 一种基于私有云的智能楼宇访问管理系统
CN116597551B (zh) * 2023-06-21 2024-06-11 厦门万安智能有限公司 一种基于私有云的智能楼宇访问管理系统
CN118177843A (zh) * 2024-03-15 2024-06-14 南昌大学第二附属医院 一种多维度左手腕部骨格形态学系列骨龄评分方法

Also Published As

Publication number Publication date
CN109993750B (zh) 2020-12-25
WO2019127619A1 (zh) 2019-07-04

Similar Documents

Publication Publication Date Title
CN109993750A (zh) 一种手腕骨的分割识别方法及系统、终端及可读存储介质
US10818011B2 (en) Carpal segmentation and recognition method and system, terminal and readable storage medium
CN107305630B (zh) 文本序列识别方法和装置
CN103971102B (zh) 基于手指轮廓和决策树的静态手势识别方法
CN104809446B (zh) 基于校正手掌方向的掌纹感兴趣区域快速提取方法
CN108470354A (zh) 视频目标跟踪方法、装置和实现装置
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN111310760A (zh) 结合局部先验特征和深度卷积特征的甲骨刻辞文字检测方法
CN106503626A (zh) 基于深度图像与手指轮廓匹配的并指手势识别方法
Jung et al. Noisy and incomplete fingerprint classification using local ridge distribution models
CN110020692A (zh) 一种基于印刷体模板的手写体分离与定位方法
CN112699845A (zh) 一种在线非接触手掌静脉感兴趣区域提取方法
CN112991536B (zh) 一种专题地图地理面要素自动提取和矢量化方法
CN110895683B (zh) 一种基于Kinect的单视点手势姿势识别方法
CN111523537A (zh) 一种文字识别方法、存储介质及系统
De Automatic data extraction from 2D and 3D pie chart images
CN109766818A (zh) 瞳孔中心定位方法及系统、计算机设备及可读存储介质
CN113505670A (zh) 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法
CN115641583B (zh) 一种基于自监督和主动学习的点云检测方法、系统及介质
CN110516638B (zh) 一种基于轨迹和随机森林的手语识别方法
CN113673384A (zh) Lm滤波器组引导纹理特征自主学习的甲骨文字检测方法
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
Donoser et al. Robust planar target tracking and pose estimation from a single concavity
CN108615452B (zh) 一种基于人车轨迹点多分辨率处理的未知道路提取方法
CN107729863B (zh) 人体指静脉识别方法

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