基于数字放射图像及支持向量回归的手臂骨密度测量方法与流程

本发明属于计算机视觉和医学图像处理技术领域，特别涉及一种基于数字放射图像及支持向量回归的手臂骨密度测量方法。

背景技术：

骨质疏松症是一种常见、多发病，它严重地威胁着中老年人的身体健康。全球当前已经有超过2亿患者，骨质疏松症成为一个日益严重的公共健康问题。虽然现在诊断技术在不断进步，但骨质疏松症的诊断方法仍未普及。诊断骨质疏松症的主要依据是测量骨骼的骨密度的下降。骨密度是一种对骨骼的量化诊断指标，常用于诊断骨质疏松症、预测骨折风险和评定治疗效果。

目前双能量x-射线吸收法(dualx-rayabsorptiometry，dxa)检测骨密度是临床诊断骨质疏松症公认的标准，也是世界卫生组织唯一推荐使用作为全球诊断骨质疏松症的统一指标。但由于dxa存在着检测设备相对昂贵、维修成本高、需要经过专门培训的专业人士操作的等很多缺点，dxa的使用范围不是很广。

在此背景下，将人工智能技术应用于医疗领域，使得新的骨密度测量技术的开发成为可能。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种在现有dr图像上进行感兴趣区域的分割及图像特征的提取，通过svr算法建立回归模型来测量手臂骨密度，有利于消除不同骨密度检测仪带来的误差，提升骨密度评估的准确性的基于数字放射图像及支持向量回归的手臂骨密度测量方法。

本发明的目的是通过以下技术方案来实现的：基于数字放射图像及支持向量回归的手臂骨密度测量方法，包括以下步骤：

s1、输入dr图像并分割出感兴趣区域；

s2、对分割区域进行图像特征提取，对分割得到的感兴趣区域分别提取dr图像的灰度特征和纹理特征；

s3、使用支持向量建立回归模型：使用svr算法建立回归模型，利用s2中提取的图像特征值及其对应的骨密度标签数据进行回归；

s4、计算骨密度预测值并输出预测结果：利用s3中训练产生的回归模型，预测新受试者dr图像的骨密度。

进一步地，所述步骤s1包括以下子步骤：

s11、从原始dr图像中分割出感兴趣区域；

s12、对步骤s11中得到的图像进行归一化处理，将图像的像素值归一化到0-255之间。

进一步地，所述步骤s2具体实现方法为：

s21、提取灰度特征：通过计算dr图像的灰度直方图，分别提取均值、方差、标准差、能量和熵5个灰度特征；

均值：反映一幅dr图像的灰度平均值：

h(i)表示第i个点的灰度值，l表示图像的灰度级数；

方差：反映一幅dr图像的灰度在数值上的离散分布情况：

标准差：是方差的平方根；

能量：反映灰度分布的均匀程度，其计算公式为：

熵：反映灰度直方图分布的均匀性，其计算公式为：

s22、提取纹理特征：采用灰度共生矩阵方法提取图像的纹理特征，分别提取二阶矩、对比度、相关性、同质化4个纹理特征；

二阶矩：反映一幅dr图像的平滑性，其计算公式为：

w1＝∑i∑j[m(i，j)]²

m(i，j)表示灰度共生矩阵中的元素，灰度矩阵被定义为从灰度为i的原图像的点到原图像灰度为j的点的概率；i，j＝0，1，2，...，l-1；

对比度：反映一幅dr图像的清晰度，其计算公式为：

w2＝∑i∑j(i-j)²m(i，j)

相关系数：反映灰度共生矩阵中行与列的线性相关程度，其计算公式为：

其中，

μx＝∑ii∑jm(i，j)

μy＝∑jj∑im(i，j)

同质化：反映灰度共生矩阵中元素的分布到对角线紧密程度，其计算公式为：

s23、将提取的灰度特征和纹理特征进行数据汇总，并对特征值进行数据归一化处理，将不同的特征按比例缩放，使之映射到[-1，1]的特定区间内；

归一化的公式为：

其中，x是原始的特征值，x^*为归一化后的特征值；mean为特征数据的均值，max为特征数据的最大值，min为特征数据的最小值。

进一步地，所述步骤s3中骨密度标签数据即该图像对应的真实骨密度。

本发明的有益效果是：

1、本发明的方法在现有dr图像上进行感兴趣区域的分割及图像特征的提取，通过svr算法建立回归模型来测量dr图像的骨密度，该方法操作简单，使用方便，且利于广泛推广。

2、本发明公开的方法的骨密度测量结果同现有骨密度检测仪采集结果相似，测量误差小且测量精度高，有利于提升骨密度评估的准确性，可用于对人体手臂骨密度的临床检测中。

3、本发明公开的方法的骨密度测量结果稳定，与传统的dxa方法相比，有利于消除不同骨密度检测仪带来的误差，提高实验的可重复性研究，因此有望成为最具有发展前景的诊断骨质疏松症的技术之一。

附图说明

图1为本发明的基于数字放射图像及支持向量回归的手臂骨密度测量方法的流程图；

图2为本实施例采集到的dr图像；

图3为感兴趣区域图像。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的一种基于数字放射图像及支持向量回归的手臂骨密度测量方法，包括以下步骤：

s1、输入dr图像并分割出感兴趣区域；具体包括以下子步骤：

s11、从原始dr图像中分割出感兴趣区域；

s12、对步骤s11中得到的图像进行归一化处理，将图像的像素值归一化到0-255之间。

利用现有骨密度检测仪在173名男女受试者的前臂上采集dr图像数据，如图2所示；收集包含骨密度等临床信息的诊断报告，并对收集的dr图像数据的感兴趣区域进行人工分割，有效地分割出感兴趣的骨骼区域(尺桡骨区域，如图3所示)。

s2、对分割区域进行图像特征提取，对分割得到的感兴趣区域分别提取dr图像的灰度特征和纹理特征；具体实现方法为：

s21、提取灰度特征：通过计算dr图像的灰度直方图，分别提取均值、方差、标准差、能量和熵5个灰度特征；

均值：反映一幅dr图像的灰度平均值：

h(i)表示第i个点的灰度值，l表示图像的灰度级数；

方差：反映一幅dr图像的灰度在数值上的离散分布情况：

标准差：是方差的平方根；

能量：反映灰度分布的均匀程度，其计算公式为：

熵：反映灰度直方图分布的均匀性，其计算公式为：

通过图像对应的灰度直方图，提取均值、方差、标准差、能量和熵5个灰度特征，分别为708619223、5.03144983470948e+23、709327134311.770、286421983777.000、62393739.6779687。

s22、提取纹理特征：采用灰度共生矩阵方法提取图像的纹理特征，分别提取二阶矩、对比度、相关性、同质化4个纹理特征；

二阶矩：反映一幅dr图像的平滑性，其计算公式为：

w1＝∑i∑j[m(i，j)]²

m(i，j)表示灰度共生矩阵中的元素，灰度矩阵被定义为从灰度为i的原图像的点到原图像灰度为j的点的概率；i，j＝0，1，2，...，l-1；

对比度：反映一幅dr图像的清晰度，其计算公式为：

w2＝∑i∑j(i-j)²m(i，j)

相关系数：反映灰度共生矩阵中行与列的线性相关程度，其计算公式为：

其中，

μx＝∑ii∑jm(i，j)

μy＝∑jj∑im(i，j)

同质化：反映灰度共生矩阵中元素的分布到对角线紧密程度，其计算公式为：

本实施例提取到的二阶矩、对比度、相关性、同质化4个特征结果分别为0.350538853001145、0.0203936063936064、0.998352776124655、0.989803196803197。

s23、将提取的灰度特征和纹理特征进行数据汇总，并对特征值进行数据归一化处理，将不同的特征按比例缩放，使之映射到[-1，1]的特定区间内；

归一化的公式为：

其中，x是原始的特征值，x^*为归一化后的特征值；mean为特征数据的均值，max为特征数据的最大值，min为特征数据的最小值。本实施例归一化处理的结果为-0.0676965、-0.151447、-0.0676965、0.248400、-0.965191、-0.196041、-0.115126、0.191109、0.115126。

s3、使用支持向量建立回归模型：使用svr算法建立回归模型，利用s2中提取的图像特征值(-0.0676965，-0.151447，-0.0676965，0.248400，-0.965191，-0.196041，-0.115126，0.191109，0.115126)及该图像的骨密度标签(真实骨密度0.788)进行回归，建立回归模型。svr算法的思路是：

给定训练样本，d＝{(x1，y1)，(x2，y2)，......，(xm，ym)}，yi∈r，训练一个回归模型，使得f(x)与y尽可能接近，w和b是待确定的模型参数。通过网格搜索法调整svr的模型参数，从而确定一个适用于测量骨密度的最优模型。

s4、计算骨密度预测值并输出预测结果：利用s3中训练产生的回归模型，预测新受试者dr图像的骨密度，本实施例预测结果为0.777952。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。