[发明专利]一种基于RFR-SSMs的骨盆股骨医学图像建模方法

说明书

本发明提供了一种基于RFR‑SSMs的骨盆股骨医学图像建模方法，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，具体为：输入骨盆CT扫描图像中的股骨部分，得到输入数据集S_n，用随机森林回归对输入数据集进行预处理，消除由于尺度、旋转、模糊等因素对原始图像造成的影响；然后从预处理过后的图像数据集中选取平均形状作为参考图像，将其它图像与参考图像对齐，接着用PCA进行统计形状的建模并将坐标系从有参考坐标系转换到图像坐标系；最后，通过参数w＝{b，θ，r}对模型进行优化，使模型达到预期的效果。通过与传统的ASMs、AAMs、SSMs建模方法进行比较，结果表明本发明算法在性能上具有较为明显的优越性，能准确、稳定的检测出股骨的轮廓。

技术领域

本发明属于医学图像处理技术领域，涉及一种基于RFR-SSMs的骨盆股骨医学图像建模方法。

背景技术

目前，骨盆疾病是临床上发病率较高的一种疾病，对人们的生命健康产生了较严重的威胁。所以，对骨盆病变股骨的准确建模具有重要的医学意义。传统对骨盆病变股骨的建模常借助于磁共振成像(MRI)和计算机断层扫描(CT)，通过获取这些病变部位的位置、特征以及大小来对骨盆病变的股骨进行建模分析，在准确诊断骨盆疾病和制定合理的手术方案过程中起着重要的作用。因此，在临床中亟需一种快速有效的方法来对骨盆病变的股骨部位进行建模分析。现有的建模方法主要有主动形状模型(ASMs)、主动外观模型(AAMs)和约束局部模型(CLMs)，这些模型虽然能模拟出病变部位，但其计算复杂并且在很大程度上依赖于先验形状的初始化，并不能满足临床医学的需求。基于此，本发明提出一种能对骨盆病变的股骨进行快速精确建模的框架RFR-SSMs(random forest regression statisticalshape models，随机森林回归统计形状模型)，来满足临床医学的实时性的需求。

发明内容

本发明的目的在于针对现有技术存在的问题，提出一种对骨盆病变的股骨部位进行快速有效的建模，进而准确诊断骨盆疾病和制定合理手术的方法。

为此，本发明采用如下技术方案：

一种基于RFR-SSMs的骨盆股骨医学图像建模方法，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：