[发明专利]基于SVM与弹性区域生长的膝软骨图像自动分割方法

说明书

技术领域

本发明涉及图像处理技术，尤其涉及一种基于SVM(Support Vector Machine,支持向量机)和弹性区域生长的膝软骨图像自动分割方法。

背景技术

膝关节是人体全身关节中结构最为复杂又是最易受损伤的关节，其常见病症有关节炎，骨肿瘤等，而这些病症常伴随关节软骨的退化、破坏及形态改变，因此骨关节病的早期诊断非常重要。核磁共振成像作为一种无创的检查方式，已成为评估软骨形态、功能的主要手段。通过MRI成像对关节软骨进行分割进而计算其厚度、体积等参数，可实现软骨的定量评估，为临床医学提供有力的诊断依据，从而采取早期的预防措施和制定后期的治疗方案。目前临床上对软骨组织的分割主要依靠影像医师手动分割或借助图像处理软件半自动完成，不仅耗时长，而且不同人、不同时间的分割结果存在较大差异，因此有必要设计一种准确、快速的全自动膝关节软骨分割算法。

由于MRI膝盖软骨图像本身的形态、纹理均较为复杂，其中髌软骨、股软骨和胫软骨的一侧分别与髌骨、股骨和胫骨相连，两者之间有较为明显的灰度差异，但另外一侧髌软骨和股软骨相连，股软骨和胫软骨相连以及与半月板和韧带相连，其灰度与周边灰度相似，且软骨细长而扁平，分割过程中易受周围复杂纹理形态的影响。并且由于图像序列之间软骨的差异性，导致鲁棒性不好，因此将其软骨分割出来较为困难。

近年来国内外一些学者对膝盖软骨的分割算法主要有Snake模型、Level Set、区域生长法、边缘检测法等，对膝盖软骨的分割取得了一定的效果。但是这些算法研究也有一些局限性：首先，算法需要初始化轮廓且要求很高，每张序列图像中不同形态的软骨都需要大致表征目标轮廓，否则导致过早收敛使分割结果不理想。其次，算法均是对单张医学图像进行分割，对于不同人的不同图像序列分割不稳定。最后，区域生长法在待分割区域内部寻找种子点向周围分割，表征的是内部相似特性，而边缘检测是对区域之间的差异进行划分，表征的是外部差异特性。传统的边缘检测法和区域生长法存在两个问题：

1、由于膝关节图像纹理和形态的复杂性，受到许多非软骨边缘的干扰，传统的边缘检测法检测出的边缘存在许多伪边缘，即使有学者提出利用SVM进行边缘分类，但往往因为选择的特征参数有限，只能识别出软骨边缘与非软骨边缘，未对股骨-软骨、胫骨-软骨以及髌骨-软骨作进一步的细分。

2、传统的区域生长法根据相似准则，与领域相似的像素值进行比较，其阈值的设定通常采用固定值，由于不同人的不同序列图像之间存在灰度的差异，会导致过分割或者欠分割。

发明内容

针对上述问题，本发明的目的在于提出一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，通过增加特征参数，利用SVM 分类识别来解决边缘检测时的伪边缘问题，同时将提取出的边缘线准确的划分为股骨-软骨边缘、胫骨-软骨边缘以及髌骨-软骨边缘，从而根据人体结构学特征进行区别对待，此外，利用自动选取种子点并结合弹性区域生长法对软骨图像进行自动分割，提高膝盖软骨图像分割的准确度。具体技术方案如下：

一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，其关键在于按照以下步骤进行：

步骤1：将膝关节MRI影像转换为灰度图像并进行高斯滤波；

步骤2：利用自适应Canny边缘检测算法检测出5～10条边缘线；

步骤3：对步骤2中检测出的各条边缘进行特征提取，提取的特征包括边缘局部信息特征、边缘几何学信息特征以及边缘邻近体素之间的信息特征，每条边缘线的特征参数为15～20维；

步骤4：构建SVM分类器对提取的特征参数进行边缘分类，识别出股骨边缘、胫骨边缘、髌骨边缘以及非骨边缘；

步骤5：根据各个骨头的位置关系和距离关系去除虚假边缘，从而得到股骨-软骨边缘，胫骨-软骨边缘以及髌骨-软骨边缘；

步骤6：分别选择股骨-软骨边缘下侧，胫骨-软骨边缘上侧以及髌骨-软骨边缘右侧的20个像素点进行梯度幅值计算，然后选择梯度幅值与方差趋于0的最大连通区域作为候选区域，从而得到股软骨种子点候选区域、胫软骨种子点候选区域以及髌软骨种子点候选区域；