掌桥专利:专业的专利平台
掌桥专利
首页

髋关节X光自动评估方法

文献发布时间:2023-06-19 10:43:23


髋关节X光自动评估方法

技术领域

本发明涉及图像处理、医学影像技术领域,特别涉及一种髋关节X光自动评估方法。

背景技术

目前对于判断患者髋关节发育是否正常,是由专业医师对其髋关节X光图像人为的进行分析,依赖于专业人员自身的专业素质能力,还没有更为行之有效的解决方案。

现有的大部分技术方案均存在髋关节技术分析大多需要人工的手动标注,耗时耗力,进而稳定性准确性波动较大的技术问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此,本发明的目的在于提出一种髋关节X光自动评估方法。

为达到上述目的,本发明实施例提出了髋关节X光自动评估方法,包括以下步骤:步骤S1,利用HOG-SVM模型检测髋关节发育正常X光图像中的髋关节位置图像;步骤S2,利用主动外观AMM模型对所述髋关节位置图像进行识别,得到髋关节外轮廓特征点,根据所述髋关节外轮廓特征点计算CE、Sharp、Tonnis角度;步骤S3,分别对所述CE、Sharp、Tonnis角度进行三维投影,通过密度降序聚类算法对三维投影后的角度进行训练,得到髋关节发育评估模型;步骤S4,将待评估角度输入所述髋关节发育评估模型中,判断所述待评估角度的髋关节发育是否正常。

本发明实施例的髋关节X光自动评估方法,通过HOG-SVM模型自动标注出髋关节发育正常X光图像的特征点,再根据特征点计算相应CE、Sharp、Tonnis角度,根据该角度训练出髋关节发育评估模型,最后通过该评估模型分析髋关节发育是否正常,该方法无需人为手动标注,可自动标注,效率高,且稳定性和准确性波动小,另外,也可实现对髋关节发育情况的全自动分析判断。

另外,根据本发明上述实施例的髋关节X光自动评估方法还可以具有以下附加的技术特征:

进一步地,在本发明的一个实施例中,所述步骤S1具体包括:步骤S101,利用HOG模型将所述髋关节发育正常X光图像归一化处理,得到多个相同小方块的方向梯度直方图;步骤S102,利用SVM算法对所述多个相同小方块的方向梯度直方图进行分类,得到所述髋关节位置图像。

进一步地,在本发明的一个实施例中,所述步骤S2具体包括:步骤S201,基于主动外观AMM模型,使用普式分析对所述髋关节位置图像中所有形状进行对齐,得到平均形状;步骤S202,对所述平均形状进行分割,得到所述髋关节位置图像对应的髋关节外轮廓特征点,其中,所述髋关节外轮廓特征点包括左右髋臼外沿,泪滴下沿,股骨头外转子中心;步骤S203,根据所述髋关节外轮廓特征点计算得到髋关节正常发育时CE、Sharp、Tonnis角度。

进一步地,在本发明的一个实施例中,所述步骤S201中普式分析的过程为:

将所有形状的纹理分别进行主成分分析,得到

其中,s为目标形状,

根据主成分分析结果得到损失函数Δ=||g

进一步地,在本发明的一个实施例中,所述步骤S3中利用密度降序聚类算法具体步骤为:计算三维投影后的每个数据点的密度;通过高斯拟合将所述密度分成至少一个高斯;对所述至少一个高斯进行密度降序,根据所述密度降序判断当前点与密度更大的点之间是否连通,若连通,则将当前点给到上述密度更大点所在的簇,否则作为新的一个簇;将最后一个高斯作为噪声的阈值,将所述CE、Sharp、Tonnis角度进行聚类,对所述预设簇进行高斯拟合,将噪声视为发育不良点,训练完成确定所述髋关节发育评估模型。

其中,当只有一个高斯时,将μ-2*δ作为噪声,μ为该高斯分布的均值,δ为该高斯分布的标准差。

本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:

图1是本发明一个实施例的髋关节X光自动评估方法的流程图;

图2是本发明一个实施例的识别出别股骨头髋臼位置的髋关节X光图像;

图3是本发明一个实施例的自动标注出轮廓中的特定点后,计算得到的相应夹角示意图;

图4是本发明一个实施例的利用密度降序聚类算法的训练流程图。

具体实施方式

下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的髋关节X光自动评估方法。

图1是本发明一个实施例的髋关节X光自动评估方法的流程图。

如图1所示,该髋关节X光自动评估方法包括以下步骤:

在步骤S1中,利用HOG-SVM模型检测髋关节发育正常X光图像中的髋关节位置图像。

具体地,步骤S1包括以下步骤:

步骤S101,利用HOG模型将髋关节发育正常X光图像归一化处理,得到多个相同小方块的方向梯度直方图;

步骤S102,利用SVM算法对多个相同小方块的方向梯度直方图进行分类,得到髋关节位置图像。

举例而言,基于HOG的对象检测将髋关节发育正常X光图像归一化将图像划分相同的小块(例如9*9)统计每个直方图中的方向梯度直方图,形成每个小块的descriptor将几个小块组合到一起形成一个大块(例如3*3小块组成一个大块),每个小块的descriptor串联得到大块的descriptor,将所有的大块的方向梯度直方图串联起来作为该图像的descriptor,再使用svm算法分类,找出目标物体的具体位置,即髋关节位置图像。

在步骤S2中,利用主动外观AMM模型对髋关节位置图像进行识别,得到髋关节外轮廓特征点,根据髋关节外轮廓特征点计算CE、Sharp、Tonnis角度。

具体地,步骤S2包括以下步骤:

步骤S201,基于主动外观AMM模型,使用普式分析对髋关节位置图像中所有形状进行对齐,得到平均形状,该过程如下:

将所有形状的纹理分别进行主成分分析,得到

其中,s为目标形状,

根据主成分分析结果得到损失函数Δ=||g

步骤S202,如图2所示,对平均形状进行分割,得到髋关节位置图像对应的髋关节外轮廓特征点,其中,髋关节外轮廓特征点包括左右髋臼外沿,泪滴下沿,股骨头外转子中心。

也就是说,自动标注出轮廓中的特定点:左右髋臼外沿,泪滴下沿和股骨头外转子中心,之后利用该髋臼负重区对应训练出髋关节发育评估模型以评估髋关节发育是否正常,其中,左右髋臼外沿,泪滴下沿和股骨头外转子中心构成的区域为髋臼负重区。

步骤S203,如图3所示,根据髋关节外轮廓特征点计算得到髋关节正常发育时CE、Sharp、Tonnis角度。

在步骤S3中,分别对CE、Sharp、Tonnis角度进行三维投影,通过密度降序聚类算法对三维投影后的角度进行训练,得到髋关节发育评估模型。

进一步,如图4所示,步骤S3中利用密度降序聚类算法具体步骤为:

计算三维投影后的每个数据点的密度;

通过高斯拟合将密度分成一个或多个高斯;

对多高斯进行密度降序,根据密度降序判断当前点与密度更大的点之间是否连通,若连通,则将当前点给到上述密度更大点所在的簇,否则作为新的一个簇;

将最后一个高斯作为噪声的阈值(当只有一个高斯时,将μ-2*δ作为噪声,μ为该高斯分布的均值,δ为该高斯分布的标准差),将CE、Sharp、Tonnis角度进行聚类,若大于阈值,则对预设簇进行高斯拟合,若小于阈值,则将噪声视为发育不良点,进而训练完成,得到髋关节发育评估模型。

在步骤S4中,将待评估角度输入髋关节发育评估模型中,判断待评估角度的髋关节发育是否正常。

根据本发明实施例提出的髋关节X光自动评估方法,通过HOG-SVM模型自动标注出髋关节发育正常X光图像的特征点,再根据特征点计算相应CE、Sharp、Tonnis角度,根据该角度训练出髋关节发育评估模型,最后通过该评估模型分析髋关节发育是否正常,该方法无需人为手动标注,可自动标注,效率高,且稳定性和准确性波动小,另外,也可实现对髋关节发育情况的全自动分析判断。

此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。

在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

相关技术
  • 髋关节X光自动评估方法
  • 髋关节X光图像快速自动分析方法
技术分类

06120112656049