[发明专利]采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法

说明书

本发明公开了一种采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法，具体包括以下步骤：(1)超声图像预处理；(2)肌膜检测；(3)肌纤维方向观测值获取；(4)肌纤维方向校正；(5)羽状角计算。本发明利用深度卷积神经网络测量当前肌纤维的方向，与卡尔曼滤波器相结合，实现羽状角的追踪。该方法提升了羽状角计算算法的鲁棒性，扩展了自动化标注羽状角算法的应用领域，为质量较差的超声图像序列提供了自动化追踪羽状角的方法。

技术领域

本发明涉及肌肉羽状角检测技术领域，尤其涉及一种采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法。

背景技术

肌束羽状角是与肌肉骨骼功能相关的重要参数，当肌肉拉伸或收缩时，羽状角会随之变化。对肌肉羽状角的检测可以早期检测出肌肉的病变。用于专门定量测量肌肉组织形态参数的超声图像定义为声肌图(Sonomyography,SMG)，从声肌图中可获取肌肉横截面积、肌肉厚度、羽状角和肌纤维长等肌肉结构化参数。

深度学习作为最近几年机器学习领域的一个热点，凭借其在识别应用中超高的预测准确率，在图像处理领域获得了极大关注，可以提升现有图像处理系统的性能并开创新的应用领域，也非常适用于医疗图像的分析检测。其强大的自动特征提取、复杂模型构建能力，不仅可以避免繁琐的人工特征标注，有效地利用无监督数据，并且具有优秀的泛化能力，可以应用到不同的医疗领域。特别是对于噪声相对较大的医学图像，将其转换成深度学习的视觉问题，会大大提升医学分析检测系统的性能，因此引起了医学领域研究人员的广泛关注。

卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。在很多工程应用(雷达、计算机视觉)中都可以找到它的身影。肌肉的羽状角变换是连续的、有规律可循的，因此，如果将卡尔曼滤波追踪适合应用于羽状角的追踪系统中。

临床医生通常是通过依靠手工标注的方法来确定这些肌肉结构参数，耗时费力，并带有主观性，可能会影响参数的准确性。现有技术主要基于图像处理方法，有以下几种：

(1)基于霍夫变换来追踪肌肉超声图像中的肌纤维方向的方法于2007年被提出。这项研究提出了一种改进的霍夫变换——基于投票的霍夫变换(RVHT)，旨在自动估计直线形图案的方向，例如超声图像中的肌肉纤维和肌肉-骨骼界面。首先，需要将原始的超声图像进行边缘检测，边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了肌肉超声图像重要的结构属性，也就是肌肉的纹理。其次，将超声图像的边缘映射转换为霍夫空间，并找到对应于图像空间中直线位置的全局峰值。然后，从边缘图中去除所有靠近检测线的特征点，并使用更新后的边缘图执行相同的搜索另一条直线的过程。重复迭代直到满足预定的终止条件。因此，该方法将逐个提取边缘映射中的直线，直到Hough空间中的最大值低于规定的阈值。

(2)通过拉东变换(Radon Transform，RT)来追踪肌肉超声图像中的肌纤维。首先将原始的超声图像进行边缘检测，减少数据量，保留肌肉超声图像重要的结构属性。边缘检测会将原先的灰度图像变为二值的黑白边缘图像，对检测出的边缘图像使用局部拉东变换算法。拉东变换是一种积分变换，这个变换将二维平面函数f变换成一个定义在二维空间上的一个线性函数Rf，而Rf的值为函数f对该条线Rf做积分的值。对于肌肉束的检测，使用一些先验知识来定位。例如，肌纤维必须位于浅肌膜线和深肌膜线之间，这些肌膜线通常具有较高的回声强度，并且相对容易检测到。肌膜线可以首先在整个图像上提取出来。然后，可以在肌膜线之间的区域发现束簇。该区域可以进一步分成更小的部分，直到正确检测到肌肉束。