[发明专利]一种基于形状信息的腕骨区域分割方法

说明书

一种基于形状信息的腕骨区域分割方法，包括：采用星型中值滤波，灰度图像二值化方法，依次对X光图像进行预处理；根据腕骨区域分布特点，使用双向迭代扫描算法，确定腕骨区域上边界的纵坐标位置；根据手腕关节形状信息，计算手腕两侧边缘梯度变化，确定下边界左右候选点纵坐标位置；综合上边界、左右候选点和腕骨区域信息，对坐标位置进行优化矫正，并根据得到的左上角、右下角坐标进行腕骨区域裁剪。本发明准确分割出手腕图像中的腕骨区域；在确定上边界时，采用双向迭代扫描算法，极大提升了扫描速率；在确定下边界时，同时考虑了左右两个边界点的情况，并进行优化选择，减弱了手掌关节位置摆放不同对定位准确率的影响。

技术领域

本发明涉及一种基于形状信息的腕骨区域分割方法。

背景技术

骨龄评估的方法有很多种，最早如20世纪初期的骨龄计数法，主要观察骨化中心在一定年龄出现的数目，主要分布在腕骨区域。后来，当X线被发现并被投入骨骼发育研究，许多专家相继提出并修订了较精确的骨骼成熟图谱。于是有了图谱法，评价时将待测X线片与图谱逐个对照，取最相近者为其骨龄。近期随着人工智能技术在医学领域上的广泛应用，以及深度卷积神经网络在图像处理技术上的重大突破，越来越多的学者从机器学习的角度上研究骨龄。

同时，大量的实验和研究结果表明，腕骨作为人体手腕部一个重要组成部位，在骨龄评测中是不可忽视的一个潜在信息来源。发育早期，它们在图像中呈现为密集的针尖形状，在发育过程中，它们的体型不断增大，最终达到成年时的体型和特征形状。这一特点在儿童1～8岁时期尤其明显。因此，不管是传统的骨龄评估方法，还是最先进的深度学习算法，对腕骨进行一个针对性的提取分割，以及进一步研究就显得极具重要意义。

腕骨，主要集中在人手腕X光图像中指骨及掌骨相对靠下位置。而鉴于其特殊的形状规则，往往可以从阈值、区域和边缘等方向实现定位分割。目前常见的图像处理算法，如纵向方波扫描，通过固定像素距离从上到下扫描二值化图像，根据相邻最小或最大连续横坐标序列宽度位置，来定位腕骨区域左上角或右下角坐标。也有利用神经网络对大量人工标注的腕骨区域进行学习，从而自动预测新输入图像的腕骨区域。

然而，由于常见的人手腕X光图像在拍摄体位上要求不严格，不同人手腕形状各异，手掌关节摆放不正等因素，给统一的图像处理方法带来了许多困难。例如根据腕关节最短横向宽度的特点定位腕骨尾部区域，会因部分群体不满足该特点而引入巨大误差。根据神经网络预测的腕骨区域，极大程度上取决于训练样本，对于新采集的色度、亮度等迥异的图像，预测精度会大大下降。同时，也因其自动定位的特点，导致了最终腕骨区域大小的不可控。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于形状信息的腕骨区域分割方法。

本发明解决技术问题采用如下技术方案：

一种基于形状信息的腕骨区域分割方法，包括以下步骤：

步骤1：采用星型中值滤波，灰度图像二值化方法，依次对X光图像进行预处理；

步骤2：根据腕骨区域分布特点，使用双向迭代扫描算法，确定腕骨区域上边界的纵坐标位置；

步骤3：根据手腕关节形状信息，计算手腕两侧边缘梯度变化，确定下边界左右候选点纵坐标位置；

步骤4：综合上边界、左右候选点和腕骨区域信息，对坐标位置进行优化矫正，并根据得到的左上角、右下角坐标进行腕骨区域裁剪。

作为本发明的进一步优化，所述的步骤1具体包括：

1)将原始图像转换为灰度图，公式为：

grey＝(299*R+587*G+114*B+500)/1000 (1-1)

其中，R、G、B代表三通道原始图像具体位置的三原色像素值，grey表示由此转换成的灰度值；