一种腰椎侧位图像快速分类方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种腰椎侧位图像快速分类方法。

背景技术

目前，胸腰椎骨折的发病率呈上升趋势，尤其是严重胸腰椎骨折合并脊髓损伤，已成为骨科临床研究的重点之一。随着脊柱生物力学的发展及影像学的进展，胸腰椎骨折的治疗出现了许多新理论和新技术，但对于分类系统的研究、手术指征的把握、直接或间接减压、固定节段的选择、融合或非融合治疗等问题仍存在争议。

由于影像学数据存在噪声、X曝光不当以及人体组织过厚等因素，腰椎细节结构被噪声湮没，边缘模糊、对比度低容易造成病变组织的漏诊和误诊，制约了影像学的发展与广泛使用。

骨微结构变化受到性别、年龄段差异等因素的影响，传统自适应反锐化掩膜算法采用局部方差作为参数来增强高频分量比重，从而有效地增强图像的边缘和细节，但是它存在对噪声敏感、不能有效地增强原图像中对比度较小的部分并且易出现伪影。

发明内容

有鉴于此，本发明要解决的问题是提供一种腰椎侧位图像快速分类方法。

为解决上述技术问题，本发明采用的技术方案是：一种腰椎侧位图像快速分类方法，包括如下步骤：

S1：采集腰椎侧位图像，于腰椎侧位图像上选取感兴趣区域；

S2：获取纹理特征；

S3：特征选择后二次提取；

S4：进行分类器识别过程，得到分类结果。

在本发明中，优选地，所述步骤S3中特征选择后二次提取过程采用可控金字塔非线性增强算法，所述可控金字塔非线性增强算法具体包括如下步骤：

S31：采用四个方向的高频子带系数作为方向梯度估计局部对比度；

S32：根据多模式选择策略将图像划分成低对比度细节区域、可能的边缘区域和平滑区域；

S33：对可能的边缘区域进行边缘检测，得到目标修正边界；

S34：对不同区域的高频子带采用多模式非线性映射函数；

S35：将调整后的可控金字塔系数进行逆变换，执行图像重建步骤。

在本发明中，优选地，所述步骤S1于腰椎侧位图像上选取感兴趣区域之前先对腰椎侧位图像采用

在本发明中，优选地，所述去噪步骤S5具体包括如下步骤：

S51：对腰椎侧位图像进行双树复小波变换得到低频子带和高频子带；

S52：用窗口大小为N

S53：采用MMSE估计修正高频子带系数；

S54：对调整后的高频小波系数进行逆小波变换，执行图像重建步骤。

在本发明中，优选地，所述图像重建步骤具体为在每一级分解得到的低频子带和高频子带经由对比增强处理后相加得到处理后的图像。

在本发明中，优选地，分类器识别过程采用BP神经网络、回归树或SVM分类器中任一种或几种的组合。

在本发明中，优选地，采用灰度共生矩阵法获取纹理特征，所述纹理特征包括自相关系数、对比度、相关性、突出聚类、阴暗聚类、非相似性、能量、熵、同质度、最大概率、方差、和平均、和方差、和熵、差方差、差熵、相关信息度A、相关信息度B、归一化逆差以及归一化逆差距。

在本发明中，优选地，获取腰椎侧位图像上的T值，依照样本分区规则将腰椎侧位图像划分为骨量正常组、骨量减低组以及骨质疏松组。

在本发明中，优选地，所述样本分区规则设置为当T>＝-1条件成立时，腰椎侧位图像为骨量正常；当-1.0SD>T>-2.5条件成立时，腰椎侧位图像为骨量减低；当T<＝-2.5条件成立时，腰椎侧位图像为骨质疏松。

在本发明中，优选地，所述腰椎侧位图像上的T值通过双能X线吸收检测仪测量得到。

在本发明中，优选地，所述感兴趣区域的像素值范围为腰椎侧位图像的最大像素值与腰椎侧位图像的最小像素值之差。

在本发明中，优选地，所述去噪步骤之后采用峰值信噪比计算公式计算

在本发明中，优选地，所述窗口大小N

本发明具有的优点和积极效果是：本发明通过在采集得到的腰椎侧位图像上选取感兴趣区域，获取纹理特征，特征选择后二次提取，通过分类器进行分类识别过程并最终得到分类结果，可控金字塔分解的非线性增强算法实现腰椎侧位图像的分解与重建，能够提高图像的空间分别率，对骨微结构等处于图像上低对比度的细节区域能够进行有效的图像增强，从而在图像呈现上的显示变得清晰，该算法具有近似平移不变性和更多的方向选择性，对于腰椎重叠边缘、骨微结构边缘的增强均得到有效改善。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的一种腰椎侧位图像快速分类方法的整体流程示意图；

图2是本发明的一种腰椎侧位图像快速分类方法的可控金字塔非线性增强算法的流程图；

图3是本发明的一种腰椎侧位图像快速分类方法的去噪步骤的流程图；

图4是本发明的一种腰椎侧位图像快速分类方法的对腰椎侧位图像划分的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1至图4所示，本发明提供一种腰椎侧位图像快速分类方法，包括如下步骤：

S1：采集腰椎侧位图像，于腰椎侧位图像上选取感兴趣区域；

S2：获取纹理特征，纹理是图像的固有特征，其不仅能针对某个指定区域像素进行描述，还能对该像素与其周边像素的关系进行描述，反映出图像的内在属性，通过获取影像图像的纹理信息实现对疾病的分类诊断；

S3：特征选择后二次提取，该过程主要是从全部特征中筛选出效果最好的特征，从而达到降低维数的过程，作为分类识别的关键步骤；

S4：进行分类器识别过程，得到分类结果。

一生中有过腰痛经历的人占比较高，很大程度是由于腰椎不稳导致的，要成腰椎失稳的因素很多，通过对不同骨密度组进行比较，可以看出随着骨密度降低，样本的腰椎曲度与Cobb’s角减小，腰椎滑移间距增加，由此推导出骨密度降低有可能是造成腰椎失稳的原因之一。

腰椎失承受人体重力负荷最大的部位，其具有一定的前凸生理曲度和生理运动幅度，也有维持其本身生理位置平衡的能力。维持腰椎稳定是通过包括椎体、椎间关节、关节囊、韧带、椎间盘及韧带的固有张力在内各部分相互配合联动，为脊柱活动中起到支撑作用和应力感应作用，应力变化及时反馈到神经控制系统，神经控制系统对此作出反应通过调动相应的椎旁肌群等器官实现稳定脊柱的目的，若腰椎节段发生超限度移位而丧失回复其生理状态的能力称之为腰椎失稳。目前通过测量腰椎的生理曲度、椎体间活动范围和角度改变等参数来对其进行稳定性评价。

在正常情况下，腰椎存在一个向前的生理曲度，通常是在15-20度左右，一般不会超过30度，而当生理曲度变直，甚至反弓时往往提示存在腰椎的退行性改变，多是由于长时间的久坐、频繁弯腰劳损引起。患者可以借助腰椎的X光片来判断具体的病情。

研究表明骨强度取决于骨质量(BMD测量)与骨微结构，且骨微结构的改变能够更早、更准确地反应骨质疏松的程度。DXA作为诊断骨质疏松的标准，能准确反应骨量，而对于骨微结构微结构的评估能力有限。DXA反映的是二维图像，不能对骨皮质及骨松质单独评估，且T值容易受到骨骼大小、骨质增生等因素影响，与单纯测量骨密度相比，椎体松质骨微结构的完整性能够更好地反映骨质疏松的程度。松质骨是由杆状骨微结构和板状骨微结构按照不同比例交互构成的，当骨微结构发生改变，例如骨微结构变细、穿孔、断裂、间隙增大、数目减少时，X射线对其的吸收率也随之改变，从而表现为影像图像中灰度纹理的改变。

骨微结构变化受到性别、年龄段差异影响，传统自适应反锐化掩膜算法采用局部方差作为参数来增强高频分量比重，从而有效地增强图像的边缘和细节，但是它存在对噪声敏感、不能有效地增强原图像中对比度较小的部分并且易出现伪影。

过多特征会延长训练时间，增加分类器的复杂性甚至是影响诊断实际效果，由此可见分类器的数量选取并非越多越好。对特征参数执行步骤S3特征选择后进行二次提取，能够进一步提高特征选择后分类的准确性。这是由于特征选择时能够过滤掉类似或者重叠的特征，保留区别较大或者完全没有重叠的特征，能够实现样本组之间特征差异的最大化，从而大大提高了分类的准确率。采用分类器分别对骨量正常组、骨量减低组以及骨质疏松组两两进行分类识别比较发现，准确率的高低为骨量正常组与骨质疏松组的识别高于骨量正常组与骨量减低组的识别高于骨量减低组与骨质疏松组的识别，这是由于分类器能够区别开正常与非正常的样本组，但对于出现异常的样本组的异常程度并不能很好地进行区别。

在本实施例中，进一步地，步骤S3中特征选择后二次提取过程采用可控金字塔非线性增强算法，可控金字塔非线性增强算法具体包括如下步骤：

S31：采用四个方向的高频子带系数作为方向梯度估计局部对比度，利用对比度公式：

根据可控金字塔四个方向的高频子带系数作为方向梯度来估计局部对比度，定义第N级低频子带为I

S32：根据多模式选择策略将图像划分成低对比度细节区域、可能的边缘区域和平滑区域；

S33：对可能的边缘区域进行边缘检测，得到目标修正边界；

S34：对不同区域的高频子带采用多模式非线性映射函数；

图像的高频子带反映了图像的细节信息，经由图像分解得到G

S35：将调整后的可控金字塔系数进行逆变换，执行图像重建步骤。

由于沿最大梯度方向进行非最大抑制得到的边缘存在伪边缘，因而采用最大梯度方向和次最大梯度方向进行边缘检测。高频子带幅值由大到小排序为

其中，

当

在本实施例中，进一步地，步骤S1于腰椎侧位图像上选取感兴趣区域之前先对腰椎侧位图像采用LI-MMSE算法执行去噪步骤S5。这是由于X线摄影是X射线通路上物体对射线吸收的积分效果，一个大小和密度均相同的病灶无论在体内的前、中或后部，它在X光图像上是呈现是一样的，也就是说DR图像不能反映组织或者病灶的三维空间位置，这样DR图像的胸部、盆腔等复杂结构都存在组织混杂，骨骼重叠的情况。同时符合高斯噪声分布的平板噪声也模糊了图像，并难以去除，这就给DR图像增强带来极大的困难。以往去噪过程采用空间域或者傅里叶域滤波方法进行去噪，但存在减小噪点的同时也会模糊图像的细节与边缘的问题。因而在腰椎侧位图像上选取感兴趣区域之前先对腰椎侧位图像执行去噪步骤，具体而言该去噪步骤采用的是LI-MMSE算法，该算法对于DR图像当中的高斯噪声具有更好的去噪效果。

在本实施例中，进一步地，去噪步骤S5具体包括如下步骤：

S51：对腰椎侧位图像进行双树复小波变换得到低频子带和高频子带；

S52：用窗口大小为N

S53：采用MMSE估计修正高频子带系数；

S54：对调整后的高频小波系数进行逆小波变换，执行图像重建步骤。

开始图像被分解为低频子带和高频子带，接下来低频子带再分解为一组方向相关的高频子带和一个低频子带，分解出来的低频子带采用之后重复上述步骤，从而得到N级分解的低频子带和各分解层级的高频子带。

在本实施例中，进一步地，图像重建步骤具体为在每一级分解得到的低频子带和高频子带经由对比增强处理后相加得到处理后的图像，该图像重建步骤相当于图像分解的逆过程。

在本实施例中，进一步地，分类器识别过程采用BP神经网络、回归树或SVM分类器中任一种或几种的组合。经过实际实验比较分析得出采用SVM分类器所得出的识别准确率最高。回归树分类器相对容易受到输入信息的影响与干扰，使得二叉树结构更加复杂，进而产生数据样本组过度匹配从而影响输出结果的情况，而BP神经网络若没有依托于充足的样本数据，则得到的结果可能是局部最优解，不能确保泛化能力，另一方面，神经网络的构建通常是通过已有的知识选择系统结构，对于网络结构难以统一起来，稳定性不好。然而SVM分类器在处理小样本数据方面具备显著优势。

在本实施例中，进一步地，采用灰度共生矩阵法获取纹理特征，纹理特征包括自相关系数、对比度、相关性、突出聚类、阴暗聚类、非相似性、能量、熵、同质度、最大概率、方差、和平均、和方差、和熵、差方差、差熵、相关信息度A、相关信息度B、归一化逆差以及归一化逆差距。

在本实施例中，进一步地，获取腰椎侧位图像上的T值，依照样本分区规则将腰椎侧位图像划分为骨量正常组、骨量减低组以及骨质疏松组。

在本实施例中，进一步地，样本分区规则设置为当T>＝-1条件成立时，腰椎侧位图像为骨量正常；当-1.0SD>T>-2.5条件成立时，腰椎侧位图像为骨量减低；当T<＝-2.5条件成立时，腰椎侧位图像为骨质疏松。

在本实施例中，进一步地，腰椎侧位图像上的T值通过双能X线吸收检测仪测量得到，针对测量的感兴趣区域我们通常选取腰椎或者髋关节，这两个部位测量受到限制时没讲侧桡骨远端作为备选区域。

在本实施例中，进一步地，感兴趣区域的像素值范围为腰椎侧位图像的最大像素值与腰椎侧位图像的最小像素值之差。腰椎侧位图像的图中往往存在两个较为明显的峰型，像素值较大的对应于人体密度较大的骨骼区域，另一个像素值较小分布对应的是背景及密度较小的软组织区，诸如皮肤、肌肉。

在本实施例中，进一步地，去噪步骤之后采用峰值信噪比计算公式计算

在本实施例中，进一步地，窗口大小N

本发明通过在采集得到的腰椎侧位图像上选取感兴趣区域，获取纹理特征，特征选择后二次提取，通过分类器进行分类识别过程并最终得到分类结果，可控金字塔分解的非线性增强算法实现腰椎侧位图像的分解与重建，能够提高图像的空间分别率，对骨微结构等处于图像上低对比度的细节区域能够进行有效的图像增强，从而在图像呈现上的显示变得清晰，该算法具有近似平移不变性和更多的方向选择性，对于腰椎重叠边缘、骨微结构边缘的增强均得到有效改善。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。