[发明专利]一种基于RFR-SSMs的骨盆股骨医学图像建模方法

权利要求书

1.一种基于RFR-SSMs的骨盆股骨医学图像建模方法，其特征在于，包括RFR-SSMs的训练、统计形状模型的建立以及RFR-SSMs的匹配三个过程，其中：

(一)所述RFR-SSMs的训练，包括如下步骤：

(1)输入骨盆的CT扫描图像，调整窗宽窗位使得骨盆图像的灰度范围在0-255之间；用图像分割算法对骨盆CT扫描图像中的股骨部分分割出来，得到输入数据集S_n＝(x₁，y₁，x₂，y₂…x_n，y_n)^T，式中，x_i，y_i为股骨图像的像素点；

(2)将数据集S_n输入到RFR-SSMs框架中进行训练，从根节点开始对数据集S_n中的数据在每个节点处进行分割，每个节点将自己的分割函数应用到新的输入上，如此进行重复递归；

(3)当节点包含的观察结果小于预定义的数量，训练过程结束；训练过程结束时，在数据集S_n上产生预测函数C(x，S_n)，其中x＝{x₁，x₂，…x_n}；

(4)在数据集S_n中随机选择q个观测值得到一个Bootstrap样本其中每个观测值都有被选择的概率；

(5)然后构造一个含有q个预测树的集合：

生成的集合对应每个树的输出为：

(6)再通过对所有树的输出求平均值来进行聚合，聚合函数F表达式如下：

其中，f_i是第i棵树的输出；

(二)所述统计形状模型的建立，包括如下步骤：

(1)将RFR-SSMs训练结束时产生的输出图像F作为输入，对图像中感兴趣对象标注标点，得到集合{(x₁，y₁)，(x₂，y₂)…(x_n，y_n)}，则这些点在图像中对应的形状可以用向量X_n表示：

X_n＝(x₁,y₁,x₂,y₂…x_n,y_n)^T；

如有N个已经标注了标记点的训练数据，即有N个形状向量(X₁，X₂，…X_n)；

(2)选定平均形状作为参考形状；平均形状表示如下：

(3)用Procrustes Analysis方法使X_i与平均形状对齐；

(4)通过principal component analysis方法计算上述N个形状向量的协方差V，并建立统计形状模型X，其中：

p＝(p₁|p₂|…p_2l)

其中，P_j为协方差矩阵V的特征向量，r表示统计形状模型与数据集的拟合程度；

(5)应用principal component analysis方法，将步骤(4)得到的图像坐标转换到参考坐标系中，然后通过变换T_θ将数据投影回图像坐标系，即可得最终的统计形状模型：

T_θ表示坐标的转换；

(三)所述RFR-SSMs的匹配，包括如下步骤：

(1)给定对象姿势的初始估计，对每个特征点周围的区域进行搜索，并提取每个位置处的相关特征值；

(2)寻找参数W＝{b，θ，r}来对上式进行优化，首先给定参数b和θ的初始估计值，通过式将原始图像转换到参考框架中；

(3)令r→0，θ_r→identity，对每个特征点l，在以其为圆心、半径为α的圆中寻找当前估计值周围的最佳点y_l；

(4)将形状模型与这些得到的最佳点进行拟合，并通过式对形状和姿势参数{b，θ_r}进行评估；

(5)当b满足下式时，将b移动到最近的有效点：

其中，S_b是形状模型参数b的协方差矩阵，M_t是Mahalanobis距离的阈值；

(6)用下式对特征点位置进行更新；

(7)用T_θ将生成的特征点位置转换到原图像框架中，且T_θ转换的定义为θ＝θ·θ_r，至此完成了RFR-SSMs框架图像的建立。