[发明专利]一种医学影像中软骨识别方法和识别系统

说明书

本发明提供了医学影像中软骨识别方法和识别系统，解决现有识别方法对软骨识别适配度低的技术问题。方法包括：对灰度图像进行预处理获得对应的梯度图像；在所述梯度图像内根据分别形成的第一次边缘识别和第二次边缘识别生成第一次边缘识别和第二次边缘识别形成确切的组织轮廓在所述梯度图像内根据第一次边缘识别和第二次边缘识别形成确切的组织轮廓；根据所述组织轮廓间的变化趋势形成软骨组织的立体轮廓。利用单一量化信息的突变边缘形成自动化处理和分类，使组织边缘识别准确度提升。利用不同轮廓生成方法进行校验避免出现过拟合，使得软骨组织在灰度图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高专业人力识别资源的识别效率。

技术领域

本发明涉及医学图像识别技术领域，具体涉及一种医学影像中软骨识别方法和识别系统。

背景技术

现有技术中，在MRI(Magnetic Resonance Imaging，核磁共振成像)图像中，关节软骨和软骨周边组织的区分比较模糊，其对比度很低，且软骨厚度较薄，并且从图像上看软骨在某些部位和结缔组织等是处于灰度连通状态的，这些都为关节软骨的自动分割造成极大的困难。

在近期的研究中，关于软骨自动分割的算法探究一直在进行，一些关于软骨自动或半自动分割的方法也被提出，其中大部分的软骨分割算法都是基于统计形状模型或模式识别方面的。国内目前还没有关节软骨自动或半自动分割的相关专利。

现有技术中，惯常采用手工方式对各种组织图案进行选择性编辑、缺陷弥补处理、伪影和冗繁数据分离，然后用区域增长的方法来生成分割结果以建立完整的数字化模型。这样会耗去操作人员大量的时间，当需要处理的数据较多时专业资源无法满足时效性。现有技术中，也会利用随机森林算法对团进行处理寻找边界，通过以随机形式学习带有标记的数据样本集来建立一系列决策树的过程。训练每一棵树的过程是建立一系列节点的过程。在每棵决策树的节点中，分为中间节点和叶子节点。每个中间节点都是一个弱分类器，也就是说，一个中间节点包含了一个问题，根据这个问题的回答分裂为左右两个孩子节点，目的是使得分裂后得到的某种衡量指标达到最大。信息增益率(IGR)作为建树分裂节点的衡量指标。定义如下：

G(R)＝Info(D)-Info_R(D)

其中，D表示样本集，R表示任意分类，p表示某一类别的概率。G(R)表示信息增益，I(D)表示分裂信息量。在某次对当前样本集进行分裂后，得到的信息增益率越高表示分裂效果越好，分裂后的子集越纯。分裂后左右子节点的数据结构与父节点相同。并且子节点中的样本集应该比父节点更加纯净，这意味着某一种类别的样本所占比例会比别的样本更高从而更利于做出对类别归属问题的判断。一棵树的建立是一个节点不断向下分裂的过程，通常叶子节点为决策树的最后一层，叶子节点中包含了分类的结果并且不用再继续分裂下去。一颗树的训练从分裂根节点开始到叶子节点结束。以随机形式训练的多棵决策树就组成了随机森林。每棵树中的中间节点会包含有一个由特征和该特征所对应的阈值组成的分类器。而在叶子节点中包含了一个分类的结果(判断成为每一类的概率)。但是对软骨的灰度特征存在识别缺陷，轮廓识别偏差较大。

发明内容

鉴于上述问题，本发明实施例提供一种医学影像中软骨识别方法和识别系统，解决现有识别方法对软骨识别适配度低的技术问题。

本发明实施例的医学影像中软骨识别方法，包括：

对灰度图像进行预处理获得对应的梯度图像；

在所述梯度图像内根据分别形成的第一次边缘识别和第二次边缘识别生成第一次边缘识别和第二次边缘识别形成确切的组织轮廓；

根据所述组织轮廓间的变化趋势形成软骨组织的立体轮廓。