一种基于x射线图像处理的增强裂缝检测算法设计综述

萨钦R.Mahajan¹, P.H.Zope², S.R.Suralkar^3.
¹m.e.m student, E&C, SSBT, COE, N.M.U.Jalgaon，马哈拉施特拉邦。印度
²Asst.Prof。，E&C SSBT, COE, N.M.U. Jalgaon, Maharashtra, India
^3.Asst.Prof。，E&C, SSBT, COE, N.M.U. Jalgaon, Maharashtra, India

有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际科学、工程和技术创新研究杂志

摘要

医学图像分割是图像分割的一种应用，从医学图像中提取解剖结构。本文综述了现有的医学图像分割方法。据综述，复杂x线图像中多个骨骼结构的分割尚未得到很好的研究。这就引出了本文提出的研究课题:x射线图像中骨骼结构的分割。基于地图集的分割是解决这种复杂分割问题的一种很有前途的方法。基于地图集的CT和x射线图像分割的初步研究表明，该方法可以为x射线图像的自动分割提供一种鲁棒和准确的方法。在创伤环境中，使用先进的技术来提高诊断的速度和准确性是最常用的应用，有助于识别骨折和扭伤。骨科医生可以利用这些工具进行对齐，如髋关节和骨折固定，从而节省时间，无需重新放置患者或成像设备。当今可用的工具使得以方便和经济的方式创新地提取人体信息成为可能。通过硬件和软件不断取得进步，需要开发新的技术和加强现有技术。 It is a well-known fact that there is no common method that can be applied to analyze or process all parts of a human body and the techniques are dedicated to each part separately. Owing to this demand, this paper focuses on the bone part of human anatomy.

关键字

x光片，骨折，胫骨和骨干

介绍

x线图像有多种类型，如普通x线图像、血管造影图像、x线显微图像、乳房x线摄影图像和透视图像等。正常的骨x线图像是医生诊断和治疗骨病最常用的成像方式。以下是一些使用x射线图像的例子:

•骨折诊断和治疗。x线影像在骨折诊断中最常用，因为它是医生研究骨骼和关节损伤的最快和最简单的方法。医生通常使用x射线图像来确定是否存在骨折，以及骨折的位置。在恢复过程中，医生还使用x光图像来确定受伤的骨骼和关节是否已经恢复。

•骨密度测定。骨密度测量法测量骨骼中的钙含量。一般来说，骨密度明显低于正常水平的人更容易骨折。骨密度测定不能判断骨折是否存在，但可以预测骨折发生的风险。

髋关节置换术。髋关节置换术是用金属植入物代替髋关节，用塑料或金属塑料杯代替髋臼的医疗程序。髋关节置换手术需要髋关节的x光照片。

在上述所有医学应用中，x线图像中骨骼的分割是计算机辅助诊断、手术和治疗的重要一步。医学图像分割一般有三种方法，即手动分割、半自动分割和自动分割。它们都有各自的优点和缺点。由领域专家手动分割是最准确的，但耗时。半自动分割需要用户提供少量的输入，便于准确分割。自动分割不需要任何用户输入，因此很难获得准确的结果。然而，在许多涉及大量图像的应用程序中，这是唯一实际可行的方法。因此，本研究的主要重点是自动分割。

胫骨感兴趣的区域是骨干区。图1显示了胫骨骨折的一些样本图像。[1,2]

2图像增强

A.对比度增强

增强原始图像各部分之间的对比度，其基本思想是提高图像处理灰度级的动态范围，即通过增加原始图像的两个强度值之间的动态范围来实现。图像对比度增强得到的Matlab仿真结果如图2所示

B.同态滤波。

同态滤波是在频域，而图像亮度范围压缩和对比度为图像增强方法。它是以图像的光照反射模型为基础进行频域处理，利用范围对比度增强和亮度压缩来实现图像增强。由此，图像像素矩阵不仅可以表示，还可以表示其光照和反射分量，即[6]

3分割

本节描述了小波变换用于与单个骨骼图像像素相关联的特征提取技术。在图像分解和特征提取中应用了哈尔变换。图像的纹理可以定义为在邻域内具有灰度空间分布的特征。如果图像区域的纹理局部属性是恒定的，具有缓慢变化的趋势，并且近似周期性，则该纹理被认为是相似的或恒定的。[1,2]分割是通过识别区分一张图像中这些纹理的特征来执行的。分割过程是通过简单比较组合算子的出现矩阵特征、大小为N x N的对比和能量，使用大小为4 x 4的子带的小波变换，在水平和垂直上进行。所使用的离散小波变换是最常用的一级分解Haar变换。它们是由单个函数通过扩展和平移生成的。哈尔变换有四个子带，即Low-Low、High-High、High-Low和Low- High。Low-Low区域拥有最多的能量，High-High区域拥有最少的能量。High-Low和Low-High子带包含边缘细节。 The composition operators-occurrence matrix features, energy and contrast, is calculated for each sub-band using Equation (1) and (2)

结果形成了一个新的特征矩阵。在此基础上，通过计算水平方向和垂直方向的差值，构造了一个新的差值像素矩阵。然后在纹理边界上形成分割带。在这个阶段，可能会出现伪点或伪点。使用一个简单的循环平均滤波器来去除这些。该方法使用均匀圆形平均滤波器对图像进行卷积，其大小为输入的伪影直径。在此之后，图像被重建。使用Otsu的[11]方法计算阈值，使用该方法处理增强图像。使用了骨架化过程，其中通过删除隔离像素和删除隔离边界像素来清理厚边缘。小心被采取，以确保图像没有破碎，同时删除像素。 The problem of automatic segmentation of bone structures in x-ray image can be formulated as non-rigid registration of the atlas to the target x-ray image.

问题配方:

令M = {mi}表示图谱中的整个参考骨结构，mi = {pij}表示整个结构中由关节连接的单个骨，pij表示位于骨mi上的控制点，骨mu与骨mv之间的二维关节角用ωuv表示。S为pij的形状(如曲率)信息。C = {qj}表示图像中的边缘点集合，包括沿骨骼轮廓的边缘点和其他噪声点，如沿其他身体组织轮廓的边缘点和噪声边缘等。骨骼结构轮廓上的一些点可能不在C中，因为它们不突出，边缘点是图像•问题的输出:M ' ={mi}是目标图像中提取的骨骼结构轮廓，用M的变形版本表示。Mi = {pij}表示变形轮廓上的控制点。我们假设输入的x线图像总是包含骨盆的正面全貌。不同患者的成像位置可能不同，但输入图像[9]显示的是股骨。

设T表示相似变换，A表示可以旋转mu相对于与mv相连的关节的关节，D表示可以将pi移动到新位置的变形函数，f表示从M到c的对应函数。目标是找到总误差E最小的T、A、D和f:

IV.FRACTURE检测

x射线图像中骨骼结构分割的复杂问题可以分解为以下几个子问题。

1.在这一步中，需要选择稳定的特征，以获得图谱中的点与目标图像中的点的正确对应关系。这是重要的第一步，将影响后续步骤的结果。

2.全局对齐基于上述步骤中发现的特征，全局对齐是在缩放、旋转和平移方面确定地图集与图像之间的大致对齐。这一步是针对整个骨骼结构进行的。此外，连接骨之间的关节也应考虑在内。

3.局部细化局部细化是精确地将寰椎轮廓与骨骼边界相匹配。它需要考虑到骨骼的关节和形状。研究计划是解决这些子问题中的每一个，然后将算法集成成一个完整的解决方案。

本文提出的裂缝检测技术大致可分为基于分类的裂缝检测技术和基于变换的裂缝检测技术。该方法通过计算颈轴与轴之间的夹角来检测股骨骨折。由于单个分类器之间有互补的倾向，因此该组合方法显著提高了准确率和灵敏度。Hough变换在裂缝识别中的应用也得到了证实。霍夫变换(Duda and Hart, 1972)是图像分析、计算机视觉和数字图像处理中的一种特征提取技术。它涉及到直线的识别，任意形状的位置，大多数圆或椭圆。霍夫变换的重要例子是用于检测直线的线性变换。与其他检测直线的算法相比，霍夫变换可以用于图像中线段的查找和链接。图像空间中的直线映射到参数空间中的点。类似地，图像空间的每个像素被转换为参数空间的参数化曲线。 Each transformed point in the parameter space is considered as a candidate for being a line and accumulated in the corresponding cell of an accumulator.[7,8] Finally, a cell with a local maximum of scores is selected, and its parameter coordinates are used to represent a line segment in the image space. The main advantage of the Hough transform technique is that it is tolerant of gaps in feature boundary description and is relatively unaffected by image noise. However, using Hough transform introduces computation complexity, which in turn slows the feature extraction and fracture detection process.

VI。CONCLUSSION

本文对医学图像分割的常用算法，特别是基于地图集的医学图像分割算法和x射线图像分割算法进行了综述。一般的分割算法分为六类，分别是阈值分割、区域分割、边分割、图分割、分类分割和变形分割。除了可变形的模型，它们通常工作在单个像素或局部图像补丁上，并且对噪声非常敏感。相比之下，可变形模型通过将连接的轮廓拟合到图像中的特征(通常是边缘)来进行分割。因此，它们对噪音不太敏感。

从视觉结果可以看出，本文算法的分割效果优于传统的区域生长和主动轮廓算法。结合小波和形态学变换的分割算法改进了现有的系统，可用于其他骨图像分析算法。在未来的工作中，我们将分析分割在裂缝检测中的作用。

鸣谢

来自助理的宝贵讨论和适当建议。Prof.P.H。ZOPE, S.R.SURALKAR Sir教授和SSBT的所有高级教员，COE Jalgaon，(M.S.)，印度。万分感谢所有支持我研究的朋友。

表格一览

表1

数字一览


图1	图2	图3	图4	图5

参考文献

年代。K。Mahendran1和S.Santhosh babo(2011)使用小波和形态学算子增强自动x射线骨图像分割。
N.Umadevi和dr . s.n.g etalakshmi(2012)。x射线图像中骨骼结构和骨骺的增强分割方法。
金雪晶，齐大伟，吴海军，刘福祥。(2009)基于多尺度分形特征的医用x射线图像小病灶检测。
Chen, Y.， Yap, w.h.， Leow, W.K, Howe, T.S.和Png, M.A.(2004)通过小梁纹理分析检测股骨骨折，Proc. Int。讨论模式识别。
Donnelley, M.(2008)计算机辅助长骨分割和骨折检测，计算机与信息科学，博士论文。
Duda, R.和Hart, P.(1972)使用hough变换来检测图片中的直线和曲线，通信。ACM，第15卷，第11-15页。
费德里科，A.和考夫曼，G.H.(2007)在数字散斑干涉测量用波去噪。and Hart, P.(1972)利用霍夫变换来检测原子中的直线和曲线，Opt. Lett。，第32卷，第1232-1234页。
Kaur, A.和Singh, K.(2010)利用小波降低散斑噪声，全国计算仪器会议CSIO NCCI 2010，印度，Pp. 198-203。
Luisier, F.， Vonesch, C.， Blu, T.和Unser, M. (2010) poisson损坏图像的快速尺度间小波去噪，信号处理，Elsevier, Pp. 415-427。
夏尔马，N.和阿加瓦尔，L.M.(2010)自动医学图像分割技术，J医学物理，卷。35岁,Pp.3-14。
张斌，法迪力，M.J, Starck, J.L.和Digel, s.w(2008)基于双正交Haar域假设检验的快速泊松噪声去除，统计方法，国际印度统计学会学报，Elsevier, Vol. 5, Pp. 387-396