CN112365411A - 一种基于位置点匹配的手腕骨兴趣区域修复方法 - Google Patents
一种基于位置点匹配的手腕骨兴趣区域修复方法 Download PDFInfo
- Publication number
- CN112365411A CN112365411A CN202011124718.3A CN202011124718A CN112365411A CN 112365411 A CN112365411 A CN 112365411A CN 202011124718 A CN202011124718 A CN 202011124718A CN 112365411 A CN112365411 A CN 112365411A
- Authority
- CN
- China
- Prior art keywords
- bone
- matching
- roi
- coordinates
- bones
- 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
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000000707 wrist Anatomy 0.000 title claims abstract description 19
- 238000013077 scoring method Methods 0.000 claims description 4
- 240000002299 Symphytum officinale Species 0.000 claims description 3
- 235000005865 Symphytum officinale Nutrition 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 210000002411 hand bone Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种基于位置点匹配的手腕骨兴趣区域修复方法,包括:根据人手腕图像以及对应的参照骨ROI标注信息,准备匹配数据集;计算参照骨ROI中心点坐标,作为匹配位置点;根据位置点坐标,计算样本与匹配数据集中所有骨骼区域的匹配距离;将数据集中匹配距离最短的骨骼区域作为目标参照骨ROI,并填补参照骨ROI集合。本发明通过参照骨的位置点大数据样本,自动匹配并填补参照骨ROI集合中缺失的参照骨类型,准确率高、泛化能力强;本方法可以完整且准确地提取出人手腕中所有参照骨ROI,具备高度扩展性、可操作性。
Description
技术领域
本发明涉及一种基于位置点匹配的手腕骨兴趣区域修复方法。
背景技术
骨龄也称骨骼年龄,用于表示骨骼的生长发育程度,是评价个体发育程度的重要指标之一。骨龄评估在众多领域具有广泛的应用,如鉴定嫌疑人或受害者的生理年龄、运动员选材和儿童成年后身高预测等。
骨龄评估的方法有很多种,现在国际上比较常用的有图谱法和计分法。图谱法将手骨图片与标准手骨图谱比较,选择最接近的标准手骨图谱的骨龄作为该手骨图片的骨龄;计分法则根据判定每块参照骨的成熟指征,通过成熟指征组合计算出骨龄。其中,完整地提取出手腕参照骨的兴趣区域(Region of Interest,ROI)是保证骨龄精确评估的关键。
将深度学习用于手腕骨兴趣区域的提取,已经越来越成为发展趋势。然而现有的方法大多数基于传统图像处理方法,如形态学、边缘处理、区域生长等,操作复杂度较高,复现起来比较困难。而且普通的卷积神经网络在参照骨的兴趣区域提取中,存在部分参照骨漏判的情况,导致参照骨ROI数量不完整,极大地影响了后续骨龄评估的准确率。
发明内容
本发明要克服现有技术的上述缺点,提供一种基于位置点匹配的手腕骨兴趣区域修复方法。
本发明包括:根据人手腕图像以及对应的参照骨ROI标注信息,准备匹配数据集;计算参照骨ROI中心点坐标,作为匹配位置点;根据位置点坐标,计算样本与匹配数据集中所有骨骼区域的匹配距离;将数据集中匹配距离最短的骨骼区域作为目标参照骨ROI,并填补参照骨ROI集合。本发明通过参照骨的位置点大数据样本,自动匹配并填补参照骨ROI集合中缺失的参照骨类型,准确率高、泛化能力强;本方法可以完整且准确地提取出人手腕中所有参照骨ROI,具备高度扩展性、可操作性。
本发明解决技术问题采用如下技术方案:
一种基于位置点匹配的手腕骨兴趣区域修复方法,包括以下步骤:
步骤1:准备匹配数据集;
步骤2:计算参照骨ROI位置点坐标;
步骤3:计算参照骨ROI匹配距离;
步骤4:填补参照骨ROI。
作为本发明的进一步优化,所述的步骤1具体包括:
1)确定骨龄评估计分法中要提取的所有参照骨的类型BON;
2)将所有参照骨按骨骼位置划分为4个骨骼区域,分别为指骨Ⅰ、指骨Ⅲ、指骨Ⅴ、腕骨区域,记为ZHO,ZHT,ZHF,WAN。每个骨骼区域内含若干不同参照骨类型;
BON=ZHO∪ZHT∪ZHF∪WAN (1-1)
REG={ZHO,ZHT,ZHF,WAN} (1-2)
3)定义参照骨顶点坐标集合为B,B中第n块参照骨坐标为bn,n∈BON,其左上角顶点坐标记为(xtop,ytop),右下角顶点坐标记为(xbot,ybot),则bn的顶点坐标表示为:
bn=(xtop,ytop,xbot,ybot) (1-3)
4)确定匹配数据集BONES,BONES={Bi|1≤i≤W},W为数据集的数量;
作为本发明的更进一步优化,所述的步骤2具体包括:
2)确定t中缺失的参照骨集合U:
3)对于U中任意缺失参照骨u,确定其所属的骨骼区域Z,Z∈REG。对于Z区域内所有参照骨顶点坐标bn,计算其位置点坐标dn;
4)将顶点坐标集合Bt,匹配数据集BONES,分别转换为位置点坐标集合Mt,位置点匹配坐标集合REGIONS;
作为本发明的更进一步优化,所述的步骤3具体包括:
1)以Mt中第一块参照骨的类型r为基准,r∈Z。分别计算Mt与REGIONS中,以r类型参照骨dr为参照原点的相对位置坐标fn,公式为:
fn=Relative(dn,dr) (3-1)
Relative(x,y)=(x[0]-y[0],x[1]-y[1]) (3-2)
2)使用Similar函数计算两个骨骼区域之间的匹配距离,公式为:
作为本发明的更进一步优化,所述的步骤4具体包括:
1)确定REGIONS中与Mt匹配距离最短的骨骼区域target,公式为:
2)根据target在REGIONS中的索引INDEX,填补Bt中缺失的参照骨ROI。
Bt=Bt∪BONES[INDEX][u] (4-2)
本发明具有如下有益效果:
(1)通过参照骨的位置点大数据样本,自动匹配并填补参照骨ROI集合中缺失的参照骨类型,准确率高、泛化能力强;
(2)本方法可以完整且准确地提取出人手腕中所有参照骨ROI,具备高度扩展性、可操作性。
附图说明
图1是本发明方法的骨骼区域划分图。
图2是本发明方法的位置点坐标转换流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
一种基于位置点匹配的手腕骨兴趣区域修复方法,其特征在于,包括以下步骤:
步骤1:准备匹配数据集;具体包括:
11)确定骨龄评估计分法中要提取的所有参照骨的类型BON;
12)将所有参照骨按骨骼位置划分为4个骨骼区域,如图1所示,分别为指骨Ⅰ、指骨Ⅲ、指骨Ⅴ、腕骨区域,记为ZHO,ZHT,ZHF,WAN。每个骨骼区域内含若干不同参照骨类型;
BON=ZHO∪ZHT∪ZHF∪WAN (1-1)
REG={ZHO,ZHT,ZHF,WAN} (1-2)
13)定义参照骨顶点坐标集合为B,B中第n块参照骨坐标为bn,n∈BON,其左上角顶点坐标记为(xtop,ytop),右下角顶点坐标记为(xbot,ybot),则bn的顶点坐标表示为:
bn=(xtop,ytop,xbot,ybot) (1-3)
14)确定匹配数据集BONES,BONES={Bi|1≤i≤W},W为数据集的数量;
步骤2:计算参照骨ROI位置点坐标;具体包括:
22)确定t中缺失的参照骨集合U:
23)对于U中任意缺失参照骨u,确定其所属的骨骼区域Z,Z∈REG。对于Z区域内所有参照骨顶点坐标bn,计算其位置点坐标dn;
24)将顶点坐标集合Bt,匹配数据集BONES,分别转换为位置点坐标集合Mt,位置点匹配坐标集合REGIONS,如图2所示;
步骤3:计算参照骨ROI匹配距离;具体包括:
31)以Mt中第一块参照骨的类型r为基准,r∈Z。分别计算Mt与REGIONS中,以r类型参照骨dr为参照原点的相对位置坐标fn,公式为:
fn=Relative(dn,dr) (3-1)
Relative(x,y)=(x[0]-y[0],x[1]-y[1]) (3-2)
32)使用Similar函数计算两个骨骼区域之间的匹配距离,公式为:
步骤4:填补参照骨ROI;具体包括:
41)确定REGIONS中与Mt匹配距离最短的骨骼区域target,公式为:
42)根据target在REGIONS中的索引INDEX,填补Bt中缺失的参照骨ROI。
Bt=Bt∪BONES[INDEX][u] (4-2)
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种基于位置点匹配的手腕骨兴趣区域修复方法,包括以下步骤:
步骤1:准备匹配数据集;
步骤2:计算参照骨ROI位置点坐标;
步骤3:计算参照骨ROI匹配距离;
步骤4:填补参照骨ROI。
2.根据权利要求1所述的一种基于位置点匹配的手腕骨兴趣区域修复方法,其特征在于:步骤1具体包括:
11)确定骨龄评估计分法中要提取的所有参照骨的类型BON;
12)将所有参照骨按骨骼位置划分为4个骨骼区域,分别为指骨Ⅰ、指骨Ⅲ、指骨Ⅴ、腕骨区域,记为ZHO,ZHT,ZHF,WAN。每个骨骼区域内含若干不同参照骨类型;
BON=ZHO∪ZHT∪ZHF∪WAN (1-1)
REG={ZHO,ZHT,ZHF,WAN} (1-2)
13)定义参照骨顶点坐标集合为B,B中第n块参照骨坐标为bn,n∈BON,其左上角顶点坐标记为(xtop,ytop),右下角顶点坐标记为(xbot,ybot),则bn的顶点坐标表示为:
bn=(xtop,ytop,xbot,ybot) (1-3)
14)确定匹配数据集BONES,BONES={Bi|1≤i≤W},W为数据集的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124718.3A CN112365411B (zh) | 2020-10-20 | 2020-10-20 | 一种基于位置点匹配的手腕骨兴趣区域修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124718.3A CN112365411B (zh) | 2020-10-20 | 2020-10-20 | 一种基于位置点匹配的手腕骨兴趣区域修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365411A true CN112365411A (zh) | 2021-02-12 |
CN112365411B CN112365411B (zh) | 2024-02-20 |
Family
ID=74508050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011124718.3A Active CN112365411B (zh) | 2020-10-20 | 2020-10-20 | 一种基于位置点匹配的手腕骨兴趣区域修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365411B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961044A (zh) * | 2019-03-22 | 2019-07-02 | 浙江工业大学 | 基于形状信息和卷积神经网络的chn法兴趣区域提取方法 |
CN111598839A (zh) * | 2020-04-22 | 2020-08-28 | 浙江工业大学 | 一种基于孪生网络的手腕骨等级分类方法 |
-
2020
- 2020-10-20 CN CN202011124718.3A patent/CN112365411B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961044A (zh) * | 2019-03-22 | 2019-07-02 | 浙江工业大学 | 基于形状信息和卷积神经网络的chn法兴趣区域提取方法 |
CN111598839A (zh) * | 2020-04-22 | 2020-08-28 | 浙江工业大学 | 一种基于孪生网络的手腕骨等级分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112365411B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492343B (zh) | 一种扩充目标识别的训练数据的图像合成方法 | |
JP7489732B2 (ja) | 深層学習に基づく脊椎mri映像キーポイント検出方法 | |
AU2008345628B2 (en) | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest | |
US20170076442A1 (en) | Generating Image-Based Diagnostic Tests By Optimizing Image Analysis and Data Mining Of Co-Registered Images | |
CN109325398A (zh) | 一种基于迁移学习的人脸属性分析方法 | |
CN109785337A (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及系统 | |
CN103310457B (zh) | 一种基于抛物线修正凸包的肺实质分割方法 | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及系统 | |
CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN106408566A (zh) | 一种胎儿超声图像质量控制方法及系统 | |
CN106846484A (zh) | 一种基于双视图三维重建的食物体积估计方法 | |
CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN109284760A (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
CN117636160A (zh) | 一种基于半监督学习的高分遥感耕地地块自动更新方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN112365411A (zh) | 一种基于位置点匹配的手腕骨兴趣区域修复方法 | |
CN108230322A (zh) | 一种基于弱样本标记的眼底特征检测装置 | |
CN113222939B (zh) | 一种基于拇指甲标定的食物图像体积计算方法 | |
CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 |
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 |