一种大关节组织的分割方法和分割系统技术方案

本发明专利技术提供了一种大关节组织的分割方法和分割系统，解决现有关节组织分割效率低下的技术问题。方法包括：形成图像分割基准；根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓；根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。利用骨骼特征简化了组织分割过程，利用相关的图像和信息特征形成对象轮廓的自动化处理和辨识准确度提升，利用分割基准形成图像量化规则、像素内涵信息和建模构架有效融合，使得大关节构成组织可以在MRI图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。

A segmentation method and system of large joint tissue

The invention provides a segmentation method and a segmentation system of large joint tissue, which solves the technical problem of low efficiency of existing joint tissue segmentation. The method includes: forming an image segmentation reference; forming a tissue category and position feature of a single pixel in an MRI image according to the image segmentation reference to determine the tissue plane contour; forming a tissue stereo contour according to the tissue plane contour in each MRI image in combination with the image segmentation reference. The process of tissue segmentation is simplified by using skeleton features, the automatic processing and identification accuracy of object contour are improved by using related image and information features, and the image quantification rules, pixel connotation information and modeling framework are effectively integrated by using segmentation benchmark, so that the large joint organization can realize the automatic segmentation of main body, accurate contour positioning and automatic three-dimensional in MRI image Modeling effectively improves the efficiency of professional human resource identification.

【技术实现步骤摘要】
一种大关节组织的分割方法和分割系统
本专利技术涉及医学图像处理
，具体涉及一种大关节组织分割的方法和分割系统。
技术介绍
关节构成组织较复杂，以腕关节为例包括骨骼、肌腱、脉管和神经，除骨骼外的组织间轮廓受MRI(MagneticResonanceImaging，核磁共振成像)的成像灰度分辨率影响往往不清晰，各组织间的边缘灰度区域相结合，导致组织间图像分割存在困难。现有技术中，需要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，例如较大骨骼组织的轮廓分割。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。在现有技术中，有采用计算机算法例如随机森林算法进行与组织关联的图案元素分类的图像处理过程，主要过程为：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)-InfoR(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)。但针对MRI图像的边界灰度特征效果有限。
技术实现思路
鉴于上述问题，本专利技术实施例提供一种大关节组织的分割方法和分割系统，解决现有关节组织分割效率低下的技术问题。本专利技术实施例的大关节组织的分割方法，包括：形成图像分割基准；根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓；根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。本专利技术一实施例中，所述形成图像分割基准包括：根据各MRI图像的像素尺寸建立MRI图像的坐标空间；根据骨骼影像特征确定MRI图像中骨骼轮廓；在基准MRI图像中标记待分割组织的范围参考点；在所述基准MRI图像中形成围绕单一像素的伪像素；通过像素训练集形成所述待分割组织的随机森林分类模型。本专利技术一实施例中，所述伪像素可以是三个直线排列的所述单一像素形成的伪像素，也可以是三个折线排列的所述单一像素形成。本专利技术一实施例中，所述根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓包括：通过随机森林分类模型确定各伪像素的类别；通过所述随机森林分类模型确定单一像素的类别；比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别；比较所述单一像素与关联伪像素的灰度权值确认所述单一像素的位置特征，并形成组织平面轮廓。本专利技术一实施例中，所述比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别包括：利用范围参考点进行聚类获得所述单一像素的聚集范围集合；在每个聚集范围中，将每一个单一像素类别与周围的伪像素类别比较，当存在至少两个相邻伪像素的类别与单一像素的类别相同时，确认单一像素类别准确，确认与类别对应的组织类别；当不存在至少两个相邻伪像素的类别与单一像素的类别相同时，将单一像素从聚集范围中排除。本专利技术一实施例中，所述比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别包括：逐一确定每个所述聚集范围，在一个聚集范围内确定边缘的外围单一像素；将每一个外围单一像素与周围的伪像素灰度比较，当外围单一像素的至少两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，确认对应此单一像素处轮廓准确；当不存在两个相邻伪像素的灰度值与单一像素的灰度值达到灰度跳变阈值时，将此单一像素从聚集范围中排除。本专利技术一实施例中，所述根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓包括：建立每一张MRI图像中所述组织平面轮廓和所述骨骼轮廓间的相对位置特征；根据相邻MRI图像的各组织之间所述相对位置特征的变化趋势形成相邻MRI图像间的拟合系数；结合MRI图像中的所述组织平面轮廓和所述拟合系数在所述坐标空间中形成所述组织立体轮廓。本专利技术实施例的大关节组织的分割系统，包括：存储器，用于存储如上述的大关节组织的分割方法处理过程对应的程序代码；处理器，用于执行所述程序代码。本专利技术实施例中大关节组织的分割系统，包括：基准形成装置，用于形成图像分割基准；二维轮廓形成装置，用于根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓；三维轮廓形成装置，用于根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。本专利技术实施例的大关节组织的分割方法和分割系统，利用骨骼特征简化了组织分割过程，利用相关的图像和信息特征形成对象轮廓的自动化处理和辨识准确度提升，利用分割基准形成图像量化规则、像素内涵信息和建模构架有效融合，使得大关节构成组织可以在MRI图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。附图说明图1所示为本专利技术实施例大关节组织的分割方法的流程示意图。图2所示为本专利技术一实施例大关节组织的分割方法中分割基准的形成过程示意图。图3所示为本专利技术一实施例大关节组织的分割方法中伪像素示意图。图4所示为本专利技术一实施例大关节组织的分割方法中组织类别和位置属性的形成过程示意图。图5所示为本专利技术一实施例大关节组织的分割方法中形成立体轮廓的形成过程示意图。图6所示为本专利技术一实施例大关节组织的分割系统的架构示意图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本专利技术作进一步说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作本文档来自技高网...

【技术保护点】
1.一种大关节组织的分割方法，其特征在于，包括：/n形成图像分割基准；/n根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓；/n根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。/n

【技术特征摘要】
1.一种大关节组织的分割方法，其特征在于，包括：
形成图像分割基准；
根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓；
根据各所述MRI图像中的所述组织平面轮廓结合所述图像分割基准形成组织立体轮廓。


2.如权利要求1所述的大关节组织的分割方法，其特征在于，所述形成图像分割基准包括：
根据各MRI图像的像素尺寸建立MRI图像的坐标空间；
根据骨骼影像特征确定MRI图像中骨骼轮廓；
在基准MRI图像中标记待分割组织的范围参考点；
在所述基准MRI图像中形成围绕单一像素的伪像素；
通过像素训练集形成所述待分割组织的随机森林分类模型。


3.如权利要求1所述的大关节组织的分割方法，其特征在于，所述伪像素可以是三个直线排列的所述单一像素形成的伪像素，也可以是三个折线排列的所述单一像素形成。


4.如权利要求1所述的大关节组织的分割方法，其特征在于，所述根据所述图像分割基准形成MRI图像中单一像素的组织类别和位置特征以确定组织平面轮廓包括：
通过随机森林分类模型确定各伪像素的类别；
通过所述随机森林分类模型确定单一像素的类别；
比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别；
比较所述单一像素与关联伪像素的灰度权值确认所述单一像素的位置特征，并形成组织平面轮廓。


5.如权利要求4所述的大关节组织的分割方法，其特征在于，所述比较所述单一像素与关联伪像素的类别权值确认所述单一像素的组织类别包括：
利用范围参考点进行聚类获得所述单一像素的聚集范围集合；
在每个聚集范围中，将每一个单一像素类别与周围的伪像素类别比较，当存在至少两个相邻伪像素的类别与单一像素的类别相同时，...

【专利技术属性】
技术研发人员：林海晓，武正强，
申请(专利权)人：北京灵医灵科技有限公司，
类型：发明
国别省市：北京;11