[发明专利]一种基于RFR-SSMs的骨盆股骨医学图像建模方法

摘要

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Sn，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。

主权项

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^I表示：X^I＝(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principalcomponent 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：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(θ＝θ·θ_r)将生成的特征点位置转换到原图像框架中，至此完成了RFR‑SSMs框架图像的建立。