骨龄自动评价系统中基于活动轮廓模型的手腕骨边缘提取

论文摘要

骨发育成熟度(骨龄)指标在预防医学、临床医学、体育科学和司法等领域得到广泛的应用,是医学界比较新颖的课题之一。骨龄评价就是通过对手腕骨X射线图像进行观察判断来得到骨龄数据。我国常用的骨龄评价方法主要是CHN法。CHN法骨龄标准是1992年批准的对中国人手腕骨骨龄评定的一种方法。CHN法是通过观察少年儿童非主力手上的14块骨骼的发育程度来综合考虑骨龄数据。 近年来许多专家都在研究将计算机视觉与骨龄评价相结合,实现骨龄评价过程的自动化,使评价的过程和结果更加客观和真实、效率更高。骨龄自动评价系统是一种对手腕骨X射线图像进行处理的系统,即对于一张手腕骨X射线图像,系统根据CHN法判定骨龄数据。建立整个系统面临着许多困难,所以发展速度不是很快,还有很多问题需要解决,其中骨块的准确分割和手腕骨生物特征的提取是现今自动评价系统所面临的最大的两个挑战。CHN法涉及手骨上的14块骨骼,所以先要从整个手骨图像中分割出每块骨骼,即首先要进行骨骼定位。在CHN法中,由于主要是根据骨骼外形轮廓来划分骨骼等级的,所以如果要进一步使用CHN法来判断其等级,就必须准确地得到每一块骨骼的边缘形状。 对骨骼进行提取就涉及到对骨块的分割。图像分割是一种重要的图像处理技术,对图像分割算法的研究已有几十年的历史,借助各种理论至今已提出了上千种各种类型的分割算法,但至今尚无通用的理论,也就是没有一种适合于所有图像的通用的图像分割算法。活动轮廓模型是Kass等人于1987年提出的一种人机交互式的,自上而下的轮廓提取模型。模型中利用了一定的人类的高级识别能力,将注意力放在希望提取的轮廓附近,从而提高了轮廓提取的可靠性和准确性,与传统的提取方法相比有明显的优越性。十多年来许多专家对其进行了研究,从模型表示、能量函数和优化方法等各个方面对主动轮廓模型进行改进和完善,使其性能越来越好,被广泛应用于很多领域。 由于手腕骨X射线图像中,对比度很低,照度不均,骨骼边缘受肌肉及其他软组织的影响、边缘形状不规则等问题,传统的边缘检测方法很难获得骨骼的

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文的研究背景
• 1.2 医学图像分割概述
• 1.2.1 医学图像处理
• 1.2.2 图像分割简介
• 1.2.3 图像分割的定义
• 1.2.4 医学图像分割的常用方法
• 1.3 本文的研究内容
• 第二章 活动轮廓模型初始轮廓的提取
• 2.1 图像的尺度变换
• 2.1.1 像素坐标变换（空间变换）
• 2.1.2 亮度插值（灰度级插值）
• 2.2 图像的平滑
• 2.2.1 平滑线性滤波器
• 2.2.2 统计排序滤波器
• 2.3 阈值分割
• 2.3.1 阈值分割概述
• 2.3.2 迭代选择阈值
• 2.4 数学形态学
• 2.4.1 数学形态学简介
• 2.4.2 二值图像的腐蚀和膨胀
• 2.4.3 手掌轮廓线的提取
• 2.5 实验结果
• 第三章 活动轮廓模型
• 3.1 活动轮廓模型的基本原理
• 3.1.1 活动轮廓模型的物理含意
• 3.1.2 活动轮廓模型的数学表达
• 3.2 活动轮廓模型的能量项定义
• 3.2.1 内部能量
• 3.2.2 外部能量
• 3.2.3 总结
• 3.3 能量优化方法
• 3.3.1 模型离散化
• 3.3.2 变分法
• 3.3.3 动态规划法
• 3.3.4 贪婪算法
• 3.4 活动轮廓模型的实现及改进
• 3.4.1 初始轮廓的自动提取
• 3.4.2 弹性能量项的修正
• 2.4.3 贪婪算法的改进
• 3.5 结果及分析
• 第四章 总结与展望
• 致谢
• 参考文献