全球计算机科学研究杂志。
菜单石头:2229 - 371 x
石头:2229 - 371 x
| Samir K. Bandyopadhyay教授，IEEE高级成员 加尔各答大学计算机科学与工程系教授，加尔各答A.P.C.路92号â ' - 700009，印度 |
| 通讯作者:Samir K. Bandyopadhyay教授，电子邮件:(电子邮件保护) |
| 有关文章载于Pubmed，谷歌学者 |
更多相关文章请访问全球计算机科学研究杂志。
数字图像处理包括各种应用，其中一些用于医学图像处理的应用包括卷积、边缘检测以及对比度增强。有效的边缘检测取决于阈值的选择;阈值的选择直接决定了边缘检测的结果。骨关节炎(OA)是由于关节内细胞无法维持细胞外基质合成和降解之间的平衡。骨性关节炎是老年人疼痛和残疾的主要原因，但目前还没有有效的治疗关节功能丧失的方法。这部分是因为这种疾病是异质性的，发病机制不明确，但也因为没有具体的实验室测试或筛查程序来提供早期OA的具体诊断。显然需要能够确定特征性病理改变的发作时间，及时进行干预，并监测到放射学检测到损伤阶段的自然史。本文利用边缘检测算子及其增强算法对不同危急情况下的人体膝关节骨性关节炎图像进行边缘检测。实验结果表明，该算法在图像有噪声和模糊的情况下是非常有效的。
关键字 |
| 边缘检测，膝关节骨关节炎 |
介绍 |
| 骨性关节炎是一种非常普遍的慢性疾病，会导致晚年严重残疾。据估计，65岁以上的人口中有80%的人有骨关节炎的影像学证据，并且考虑到美国人的预期寿命延长和婴儿潮一代的老龄化，骨关节炎的患病率预计将进一步增加。人类的膝盖是一个精致而复杂的关节结构，在人体运动系统中起着至关重要的作用。膝关节的运动与股骨、胫骨、腓骨和髌骨等四块刚性骨骼的运动相结合，以及膝关节周围肌肉和韧带的变形。不幸的是，肌肉骨骼系统的损伤和疾病[1-3]，如运动、代谢障碍和脑瘫，通常会导致膝关节部分或全部功能障碍。为了让临床医生更好地评估膝关节功能障碍，已经提出了评估膝关节参数的方法[4-5]。因此，开发一种客观可靠的方法来测量这些参数已成为一个重要问题。从8个受试者中获得膝盖的MRI，以开发一种自动分割方法。感兴趣区域(ROI)为股骨、胫骨和髌骨软骨。 |
| 尽管MRI等较新的方法提供了关节结构的评估，但x线平片的可用性使其成为评估OA关节的最常用工具，尽管在检测早期疾病和随着时间的推移的微妙变化方面存在已知的局限性。由于用于骨性关节炎分类的参数是连续的，人类专家在对骨性关节炎的评估中可能会有所不同，因此就是否存在骨性关节炎和严重程度得出不同的结论。这给诊断带来了一定的主观性[6-7]，需要相当多的知识和经验才能做出有效的OA诊断。由于骨性关节炎的高患病率，对于能够可靠地检测骨性关节炎的存在和严重程度的临床和科学工具的需求正在出现。研究人员提出了一种基于放射髋关节空间的纹理和形状描述符的髋关节骨关节炎分级的计算机辅助方法，并使用64张髋关节x光片(18张正常x光片和46张OA x光片)的数据集检测髋关节骨关节炎的准确率为95.7%。其他研究者[8-9]描述了一种基于凸包的方法，使用714张腰椎x线图像检测前骨刺(骨赘)，准确率为~90%。有人[7]提出了一种系统，根据不同时间拍摄的一组x线片，监测手指关节的变化，可以检测到骨刺的数量和大小的变化。 |
| 然而，尽管膝关节骨性关节炎很普遍，但基于单膝x线图像的计算机骨性关节炎检测工具尚未用于临床或研究目的。本文描述了一种基于计算机的膝关节x线图像分析的OA边缘检测方法。虽然在这一点上，我们并不认为所提出的方法可以完全取代人类阅读器，但它可以作为决策支持工具，也可以应用于临床研究试验中大量x射线的分类。 |
| 膝关节疾病的两个常见临床征象是高髌骨和下髌骨[8-15]，可参考膝关节侧位x线片上髌骨位置进行评估。这些体征在临床上很重要，因为据报道，其与负重期间髌股对齐和接触面积的变化相关，可能导致软骨软化症[16-18]。雷竞技网页版这个手动过程很费力，每次扫描患者可能需要1个小时。这也取决于临床医生的判断，需要丰富的经验和培训，以产生准确和可重复的结果。因此，对一种改进的自动化方法有强烈的需求，该方法将从MRI扫描中分割和测量人类膝关节关节软骨的体积/表面积。 |
| 骨关节炎是关节炎最常见的形式，涉及关节(关节)软骨逐渐丧失。大约14%的成年人患有此病，最常见于膝关节和髋关节。最近的研究表明，定量测量膝关节软骨体积是测量骨关节炎进展[19]的一种准确且可重复的方法。目前的软骨体积测量方法涉及由训练有素的临床医生进行某种形式的人工分割。分割过程中的关键步骤包括描绘软骨并将其与周围组织分离。患者的膝盖图像是通过磁共振成像(MRI)和脂肪抑制来获得的，以提供软骨和骨骼之间的最佳对比。所获得的扫描通常是矢状面上的灰度图像，通常由每个膝盖的60张图像(切片)组成。使用某种形式的医学/成像软件，临床医生将直观地检查和识别每个图像切片上软骨的存在。 |
审查工作 |
| 早期开发的x射线图像自动地标定位方法大致可以分为两类:基于神经网络的方法和基于模型的方法。研究人员基于不同的机器学习方法，提出了几种基于神经网络的x线图像头影标记定位方法，包括神经模糊系统、多层感知器和最小二乘函数逼近器。 |
| 这些学习系统经过训练，从一组训练图像中学习一些预定义的几何特征(例如大小和方向)和头骨地标之间的空间关系。经过训练后，该系统可以应用于输入图像，用于估计地标位置。然而，基于神经网络的方法的性能很大程度上依赖于预定义的几何特征。由于膝关节是一个关节结构，每个膝关节骨段都支持独立的运动方式，此外，ISR与多个骨段上的地标有关。由于膝关节姿势的不同，不同侧位x线图像中膝关节结构与地标位置的关系是不稳定的。因此，选择几何特征来一致地描述关系变得相当具有挑战性，使得基于神经网络的方法不太适合于定位铰接式结构上的地标。 |
| 活动形状模型(active shape model, ASM)是Cootes和Taylor[3-5]提出的一种典型的基于模型的解剖标志定位方法。ASM通过训练得到的参数化统计形状模型来表示目标结构。通过将形状模型迭代拟合到目标物体的边界，可以估计出所需地标的位置。基于asm的方法与基于神经网络的方法在某种意义上有相似之处;为了实现稳定的定位过程，两者都需要获取一定的先验知识，即通过学习过程来获取特定几何特征与地标位置之间的关系。不幸的是，由于使用基于asm的方法只能在局部邻域内搜索解，这些方法对初始模型的姿态非常敏感。如果形状模型初始化时远离感兴趣的对象，那么搜索过程往往会很慢，甚至失败。然而，由于ASM在解释物体形状方面的高度灵活性，ASM在开发基于图像的解剖结构分析方法方面仍然很受欢迎。 |
| 近年来，对各向异性扩散的研究大多集中在对图像数据去噪的同时对图像特征的保留上。反几何扩散是各向异性扩散的一种形式，它通过沿图像边缘扩散，以正交于几何热流的方向，与这一趋势相反。几何热流沿图像边缘扩散，从而保留了图像边缘，而反几何扩散则有效地传播了图像边缘信息。这种方法被称为反几何的，因为它是正交于几何热流。 |
该方法 |
| 涂抹边缘信息的优点是它可以快速检测特征及其在图像中的位置，从而实现图像的快速分割。图像区域位于附近，但在一个突出的边缘的相对两侧被迅速区分。边缘方向通常与等强度轮廓(水平曲线)的切线有关，因为等强度轮廓的切线方向是垂直于图像梯度的方向。 |
| 算法 |
| 在本文中，我们提出了一种新的边缘检测方法，而不是使用已知的边缘检测方法。在我们提出的方法的第一步，我们执行水平扫描。如果观察到像素强度的任何变化，则用黑色像素标记为水平边缘点。我们继续这一过程的所有行像素数据，以获得一个水平边缘地图。在下一步中，我们垂直扫描图像。对所有列继续这个过程，我们得到一个垂直边缘映射图像。最后，通过对两个图像文件进行逻辑或运算，将水平边缘图与垂直边缘图合并，得到膝关节图像的边缘图。 |
水平图像映射算法: |
| 从第一行到最后一行，从最左像素到最右像素水平扫描图像数组。 |
| 取第一个像素强度值作为参考值。 |
| 将后续像素的强度与参考值进行比较。如果值相同，则继续到下一个像素。 |
| 如果不一致，将“参考值”的值改为像素强度值，并将像素标记为黑色。 |
| 如果没有达到最后一行和列像素，则转到步骤3。 |
水平图像映射算法 |
| 如上所述，相同的过程，通过将逐行扫描替换为逐列扫描，从最上面的像素到最下面的像素，从第一列到最后一列，一直持续到没有到达最后一列和行像素。输出如下所示(图1)。 |
 |
结论 |
| 图像是医学的重要组成部分，经常被医生和医生用来调查和诊断身体的结构和功能。本文提出了一种医学图像的自动边缘检测方法。它类似于自动选择和生长种子点的区域生长算法。 |
| 在该算法中，通过使用发生光穿过透明片并重新进入相同环境时的位移量来计算像素的相似百分比。 |
| 所提出的边缘检测算法不需要对图像中存在的区域数量有任何先验知识。因此，它降低了其他图像方法所需要的计算复杂度。实验结果表明，该算法具有较好的检测效果。 |
参考文献 |
|
