[发明专利]一种应用于手掌X光片的多尺度手掌骨骼分割方法

说明书

本发明公开了一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括以下步骤：步骤1，收集不同年龄段的手掌X光片图像，标注每个像素点的类别；步骤2，对原始图像进行预处理，增加图片对比度；步骤3，对进行过预处理的图像进行尺度变换处理；步骤4，设计卷积神经网络结构；步骤5，将标注类别的图像和原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；步骤6，训练完成，进行分割应用。利用本发明，加强了对不同大小手掌骨骼的适应性，减弱了因灰度不均带来的不利影响，具有更好的适应性和鲁棒性。

技术领域

本发明属于医疗数据挖掘领域，尤其涉及到一种应用于手掌X光片的多尺度手掌骨骼分割方法。

背景技术

图像分割在医学影像分析领域的研究一直都是热点，应用领域非常广泛。在临床手术规划、模拟及人体三维可视化中，实现医学影像中骨骼的完整分割具有重要意义。

在手掌的X光片中，骨骼区域在X光片中的信号强度值较高，而其他软组织的信号强度值一般低于骨骼的信号强度值，传统的分割方法通过合理的选择阈值，基于常规的阈值分割方法普遍用于骨骼分割。

但是，临床上的X光片的情况比较复杂，常见情况包括骨骼信号强度分布并不总是高于其他软组织的信号强度，某些骨骼区域的强度甚至接近与软组织的信号强度；不同厂商拍摄设备的差异，导致骨骼与软组织的信号强度对比度偏弱，骨骼信号强度不一致；为能得到较好的拍摄效果，有些拍摄甚至需要压板辅助。

对于这些复杂情况，若选用传统方式的固定阈值或自适应阈值，会出现“过分割”和“欠分割”甚至未能分割手掌骨骼。因此，常规的阈值分割方法很难满足骨骼的精准分割要求。另一种常用的骨骼分割方法是区域增长，但是手掌骨骼由众多灰度不均的骨骼块连接构成、连通区域因年龄差异又各有不同，基于种子的区域增长很难获取所有完整的骨骼块，从而出现“漏分割”、“分割不完整”。

发明内容

本发明提供了一种应用于手掌X光片的多尺度手掌骨骼分割方法，提高了不同大小手掌骨骼分割的精度，具有较好的适应性和鲁棒性。

一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括如下步骤：

步骤1，收集不同年龄段的手掌X光片原始图像，根据手掌骨骼形状，对每个像素点标注类别，得到标注类别的图像；

步骤2，对原始图像进行预处理，增加图片对比度；

步骤3，对进行过预处理的图像进行尺度变换处理；

步骤4，设计卷积神经网络结构，所述卷积神经网络包含对输入数据进行处理的卷积层、激活层；

步骤5，将标注类别的图像和经过尺度变换的原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；

步骤6，训练完成，进行分割应用。

步骤1中，所述标注类别的具体方式为：骨骼区域的像素标注为1，非骨骼区域的像素标注为0。

因在实际应用中不同拍摄设备间的差异，图像质量如亮度各有不同，为适应实际应用情况，对图像的对比度进行了预处理。步骤2中，所述的预处理为使用伽马变换方法，公式如下：

I＇(x,y)＝(I(x,y)*r)^γ,r∈[0,1]

其中，I(x,y)是输入像素的灰度值，I′(x,y)是输出像素的灰度值，γ为伽马系数，通过改变γ的值，增加图像的对比度。

步骤3中，所述的尺度变换处理为：将输入图像分辨率转换为224x224和512x512两种尺度。