一种基于图像数据处理的人工骨数据分析方法与流程

1.本发明涉及图像数据处理技术领域，且更确切地涉及一种基于图像数据处理的人工骨数据分析方法。


背景技术：

2.在我国，每年因交通事故和生产安全事故所致创伤骨折、脊柱退行性疾病及骨肿瘤、骨结核等骨科疾病造成骨缺损或功能障碍的患者超过 600 万人。骨移植是治疗骨缺损的主要方法，也是目前临床上除输血以外应用最广泛的组织移植，骨缺损表示骨的结构完整性被破坏。肿瘤、外伤、坏死、先天畸形等一系列病因往往会导致大体积的骨缺损产生。
3.人体缺损骨骼的制造与加工是医疗康复工程中的一个热点问题，制备人工骨的优劣直接影响到医学治疗的质量。随着骨缺损病例的增多，对骨修复材料提出了更高的要求，比如具有良好的生物相容性，无免疫原性及毒副作用；具有良好的生物可降解性；具有良好的骨传导能力；具有良好的骨诱导能力；具有一定的机械强度；具有良好的可塑性。为了满足不同患者的个体化需求，就需要对人工骨数据信息进行分析，比如以成人股骨为研究对象，在个体患者螺旋ct断层扫描图像的基础上，应用计算机辅助几何设计的理论，结合计算机图形学和计算机图像处理技术，并运用医学图像软件、逆向工程软件及实体建模等计算机辅助软件，实现了缺损人工骨的外形建模和诊断。通过这种方式实现人工骨数据分析，进而诊断人工骨质量，现有技术中在人工骨诊断过程中，如何实现人工骨数据分析以判断出人工骨质量问题是亟待解决的技术问题。


技术实现要素：

4.针对上述技术的不足，本发明公开一种基于图像数据处理的人工骨数据分析方法，通过图像分析的方法，能够实现人工骨数据分析。
5.为了实现上述技术效果，本发明采用以下技术方案：一种基于图像数据处理的人工骨数据分析方法，其中包括：步骤1、人工骨ct图像数据信息获取；通过ct图像扫描方法得到人工骨横断面图像数据信息；输出人工骨矢状位或者冠状位的断面图像信息；步骤2、人工骨ct图像数据信息处理；通过分层图像融合算法对获取的人工骨ct图像数据信息降噪和低频分量转换，以实现不同部位数据信息的融合；在实现不同部位数据信息的融合时，首先将人工骨ct图像拆分为若干个小图像片段，记作为：（1）公式（1）中，pi表示ct图像信息源图像集合，p表示拆分后的图像片段，n表示片段数量；
基于平滑阈值将平滑和非平滑片段进行分类，其中随机片段和主方向片段均属于非光滑片段，在分类时，计算每个人工骨ct图像像素的梯度k
ij
（j=1，2，
…
，w），i表示源图像编号，i=（1，2，
…
，n），w为梯度k
ij
的权值，k
ij
由x和y坐标梯度g
ij
（x）和g
ij
（y）组成，图像向量vi中每个像素k
ij
的梯度值为：（2）然后分解每个图像片段的梯度值，梯度值公式为：（3）公式（3）中，gi表示图像片段的梯度，表示图像片段梯度的横坐标和纵坐标，uis
ivi
表示gi的梯度值分解，ui表示人工骨ct图像主方向横向坐标数据信息，vi表示人工骨ct图像主方向向量纵向坐标数据信息；si表示主方向向量的对角线2
×
2矩阵；当获得si时，可以计算主方向量度r，r的计算方法如公式（4）所示：（4）公式（4）中，r越小，人工骨ct图像向量越随机，在这种情况，计算阈值r以区分人工骨ct图像的随机和主方向片段，作为低通滤波器，过滤人工骨ct图像信息，以提高人工骨ct图像信息质量；再采用二维高斯模糊函数实现数据信息的平滑分类，分类公式为：（5）公式（5）中，x是水平轴上距原点的距离，y是垂直轴上距原点的距离，σ是高斯分布的标准偏差，σ是介于0-3之间的可变数值；步骤3、人工骨ct图像数据信息分析；通过图像重组的方式实现人工数据信息分析；步骤4、人工骨ct图像数据信息计算输出。
6.作为本发明进一步的技术方案，所述分层图像融合算法中还设置有图像预处理，图像预处理的方法为：步骤（21）、 ct图像信息格式转换，把dicom图像转化为bmp位图文件或者数字化信息；
步骤（22）、ct图像信息预处理，ct 图像的形成当中引入不同的噪声，对图像进行平滑和噪声去除预处理，采用中值滤波、最小均方滤波或者平滑滤波对图片进行平滑处理；步骤（23）、ct图像信息分割，将骨组织区域分离出来，通过图像二值化自动选取阈值，图像二值化为otsu 方法，将ct图像信息内方差最小和类间方差最大的灰度值作为最佳阈值；步骤（24）、轮廓提取；通过边缘检测得到ct图像信息轮廓数据，边缘检测是对图像的边缘进行处理获得闭合平滑的边缘信息，利用边缘检测算子进行图像边缘检测，图像矢量轮廓数据是点阵图型的矢量化，沿着图像的边界进行搜索，将搜索到的轮廓线上的点坐标记录在点列中存储。
7.作为本发明进一步的技术方案，人工骨ct图像数据按尺寸调整图像数据信息，尺寸为1.0mm
×
1.0mm，0.5mm
×
0.5mm或者0.25mm
×
0.25mm；人工骨ct图像数据按分辨率调整图像数据信息，尺寸为1.0mm
×
1.0mm，0.5mm
×
0.5mm或者0.25mm
×
0.25mm。
8.作为本发明进一步的技术方案，人工骨ct图像数据信息处理中还包括三维图像重组步骤，包括以下步骤：1）曲线重建，轮廓提取得到的轮廓曲线需要进行光滑处理，利用内插法或近似法进行曲线拟合，完成曲线光滑处理；（2）曲面生成，运用prim算法模型实现人工骨ct图像数据信息曲面重构，代码实现为：根据上述模型建模完成人工骨ct图像数据信息顶点以及邻接关系构建带权无向图，其中人工骨ct图像数据信息拓扑架构顶点，表示人工骨ct图像曲面模型所有顶点的集合；表示不断更新后的数据值，数据不断更新后的连接边值，表示模型与模型之间的连接边；表示模型与模型之间的测地线之间的距离，通
过模型顶点的最小路径来计算实现人工骨ct图像数据信息曲面重构；（3）曲面实体化，在实体化以前，必须先对曲面的封闭性，连续度和几何误差进行检测，曲面进行检验和修改后，通过3dmine模块、三维gis模块和bimpro/e模块进行实体化构造。
9.作为本发明进一步的技术方案，人工骨ct图像数据信息分析方法是emd算法模型。
10.作为本发明进一步的技术方案，emd算法模型的工作方法为：将人工骨ct图像数据信息方程量转换为信号公式，信号表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)公式(6)中的表示人工骨ct图像数据信息故障信号函数，表示模拟故障人工骨输入数据汇总，表示正常人工骨数据；对公式(6)信号函数进行emd求解，通过拟合各模拟人工骨状态数据信息，计算人工骨最大承受故障固定材料和最小承受材料负荷，根据两者平均值反映人工骨最大允许数据误差，误差函数记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)公式（7）中，表示测试人工骨最大允许聚甲基丙烯酸甲酯或者高密度聚乙烯故障量，表示测试人工骨额定承受材料故障数据，表示测试人工骨最小承受材料负荷；公式(1)与公式(2)联合，将测试人工骨最大故障信息量转换为信号函数，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)公式（8）中，表示测试人工骨最大故障信息量函数；通过算法编程方式转换为可识别的一阶输入信号表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)公式（9）中，表示算法编程可识别的一阶信号，表示满足emd算法条件的模拟输入数据，表示模拟出的人工骨故障数据分量。
11.本发明有益的积极效果在于：区别于常规技术，本发明公开一种基于图像数据处理的人工骨数据分析方法，包括：步骤1、人工骨ct图像数据信息获取；通过ct图像扫描方法得到人工骨横断面图像数据信息；输出人工骨矢状位或者冠状位的断面图像信息；步骤2、人工骨ct图像数据信息处理；通过分层图像融合算法对获取的人工骨ct图像数据信息降噪和低频分量转换，以实现不同部位数据信息的融合；步骤3、人工骨ct图像数据信息分析；通过图像重组的方式实现人工
数据信息分析；步骤4、人工骨ct图像数据信息计算输出。通过分层图像融合算法提高了图像处理能力，提高了人工骨数据分析能力。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：图1为本发明方法总体流程示意图；图2为本发明中分层图像融合算法架构示意图；图3为本发明中分层图像融合算法流程示意图。
具体实施方式
13.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
14.如图1所示，一种基于图像数据处理的人工骨数据分析方法，包括：步骤1、人工骨ct图像数据信息获取；通过ct图像扫描方法得到人工骨横断面图像数据信息；输出人工骨矢状位或者冠状位的断面图像信息；步骤2、人工骨ct图像数据信息处理；通过分层图像融合算法对获取的人工骨ct图像数据信息降噪和低频分量转换，以实现不同部位数据信息的融合；在具体实施例中，分层图像融合算法通过高斯分布特征提取技术，将人工骨图像分为三种高斯图像片段类型，包括平滑片段、随机片段和主方向片段，为了降低图像噪声的影响，根据不同底层规则将片段分为高频率噪声分量与低频率分量类型：在实现不同部位数据信息的融合时，首先将人工骨ct图像拆分为若干个小图像片段，记作为：（1）公式（1）中，pi表示ct图像信息源图像集合，p表示拆分后的图像片段，n表示片段数量；基于平滑阈值将平滑和非平滑片段进行分类，其中随机片段和主方向片段均属于非光滑片段，在分类时，计算每个人工骨ct图像像素的梯度k
ij
（j=1，2，
…
，w），i表示源图像编号，i=（1，2，
…
，n），w为梯度k
ij
的权值，k
ij
由x和y坐标梯度g
ij
（x）和g
ij
（y）组成，图像向量vi中每个像素k
ij
的梯度值为：
（2）然后分解每个图像片段的梯度值，梯度值公式为：（3）公式（3）中，gi表示图像片段的梯度，表示图像片段梯度的横坐标和纵坐标，uis
ivi
表示gi的梯度值分解，ui表示人工骨ct图像主方向横向坐标数据信息，vi表示人工骨ct图像主方向向量纵向坐标数据信息；si表示主方向向量的对角线2
×
2矩阵；当获得si时，可以计算主方向量度r，r的计算方法如公式（4）所示：（4）公式（4）中，r越小，人工骨ct图像向量越随机，在这种情况，计算阈值r以区分人工骨ct图像的随机和主方向片段，作为低通滤波器，过滤人工骨ct图像信息，以提高人工骨ct图像信息质量；再采用二维高斯模糊函数实现数据信息的平滑分类，分类公式为：（5）公式（5）中，x是水平轴上距原点的距离，y是垂直轴上距原点的距离，σ是高斯分布的标准偏差，σ是介于0-3之间的可变数值；步骤3、人工骨ct图像数据信息分析；通过图像重组的方式实现人工数据信息分析；步骤4、人工骨ct图像数据信息计算输出。
15.在上述实施例中，所述分层图像融合算法中还设置有图像预处理，图像预处理的方法为：步骤（21）、ct图像信息格式转换，把dicom图像转化为bmp位图文件或者数字化信息；步骤（22）、ct图像信息预处理，ct 图像的形成当中引入不同的噪声，对图像进行平滑和噪声去除预处理，采用中值滤波、最小均方滤波或者平滑滤波对图片进行平滑处理；步骤（23）、ct图像信息分割，将骨组织区域分离出来，通过图像二值化自动选取阈值，图像二值化为otsu 方法，将ct图像信息内方差最小和类间方差最大的灰度值作为最佳阈值；步骤（24）、轮廓提取；通过边缘检测得到ct图像信息轮廓数据，边缘检测是对图像
的边缘进行处理获得闭合平滑的边缘信息，利用边缘检测算子进行图像边缘检测，图像矢量轮廓数据是点阵图型的矢量化，沿着图像的边界进行搜索，将搜索到的轮廓线上的点坐标记录在点列中存储。
16.在具体实施例中，通过螺旋扫描的方式，进行重建。能对横断层面像进行多维、多平面的各种类型的重组(reformation)，从任意角度，全方位观察影像，对病变的定位、定量、定性更准确。在重组图像中，不同密度的组织可以用不同的伪彩色显示，图像更生动。ct图像是将重建后矩阵中每一像素的ct值，以数字/模拟转换(digital to analog conversion；d/a)成相应的不同亮暗程度的信号，并显示在监视器上。监视器所表现的亮度信号的等级称为灰阶(grey scale)。灰阶一般有16个，但每一灰阶内又有4个连续变化的灰度，故共有64个连续的不同灰度的过渡等级。用64级灰阶来显示2000hu范围的结构，每一级将分别代表31个连续的ct值：而所显示的16级灰阶的每一级含有125hu。亦即物体的密度差在125hu内都将表现为同一灰度。由于人体多数的组织器官及其病变 (特别是软组织及实质性脏器等)的密度差大都在1o00hu的范围内，故彼此间不能区分。如将图像显示的灰度范围扩大到2000hu时，则以上软组织都将表现为一致的灰度，失去了应有的密度对比，不利于诊断和鉴别诊断。
17.在上述实施例中，人工骨ct图像数据按尺寸调整图像数据信息，尺寸为1.0mm
×
1.0mm，0.5mm
×
0.5mm或者0.25mm
×
0.25mm；人工骨ct图像数据按分辨率调整图像数据信息，尺寸为1.0mm
×
1.0mm，0.5mm
×
0.5mm或者0.25mm
×
0.25mm。
18.ct图像有较高的密度分辨力，其x线吸收系数的测量精确度可达0.5%，能分辨密度差异较小的组织。ct得到的横断面图像层厚准确、图像清晰、密度分辨率高、没有层面以外的结构干扰。另外ct还可以通过计算机软件的处理重组、重建，获得诊断所需的多平面如矢状位、冠状位的断面图像。ct的密度分辨率更高，除了核磁共振外，ct检查与常规影像学相比密度分辨率较高。还可以做定量的分析根据组织的x线衰减系数，可以测量出具体的ct值做定量分析。ct图像滤波、分割、开操作等图像处理方法以及轮廓提取和采样等建模方法,得到快速成形数据接口cli文件。处理过程可以先对ct切片图像进行平滑处理来消除噪声，再进行二值化处理；然后进行边缘检测，再经过轮廓跟踪处理，得到单像素链表示的封闭轮廓曲线。
19.人工骨ct图像数据信息处理中还包括三维图像重组步骤，包括以下步骤：断层图像三维重建就是从一系列的平行截面图像中恢复被重建对象原有的三维型貌，其主要步骤是：首先从各个截面图像中分割出感兴趣区的轮廓曲线，然后由这些轮廓曲线通过算法来构造出原有的三维型貌。
20.（1）曲线重建，轮廓提取得到的轮廓曲线需要进行光滑处理，利用内插法或近似法进行曲线拟合，完成曲线光滑处理；每条轮廓曲线的控制点和起始点必须相同，这样可以保证曲面的质量。
21.（2）曲面生成，运用prim算法模型实现人工骨ct图像数据信息曲面重构，代码实现为：
根据上述模型建模完成人工骨ct图像数据信息顶点以及邻接关系构建带权无向图，其中人工骨ct图像数据信息拓扑架构顶点，表示人工骨ct图像曲面模型所有顶点的集合；表示不断更新后的数据值，数据不断更新后的连接边值，表示模型与模型之间的连接边；表示模型与模型之间的测地线之间的距离，通过模型顶点的最小路径来计算实现人工骨ct图像数据信息曲面重构；（3）曲面实体化，在实体化以前，必须先对曲面的封闭性，连续度和几何误差进行检测，曲面进行检验和修改后，通过3dmine模块、三维gis模块和bimpro/e模块进行实体化构造。
22.人工材料制造的人骨替代品或者是骨折的固定材料。人工骨的材料主要是由高分子合成材料，比如聚甲基丙烯酸甲酯，或者是高密度聚乙烯等，还有一些无机材料，比如磷酸酸钙，氧化铝生物陶瓷等，如何实现人工骨ct图像数据信息的分析，也是本技术要解决的技术问题。
23.人工骨ct图像数据信息分析方法是emd算法模型。
24.emd算法模型的工作方法为：将人工骨ct图像数据信息方程量转换为信号公式，信号表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)公式(6)中的表示人工骨ct图像数据信息故障信号函数，表示模拟故障人工骨输入数据汇总，表示正常人工骨数据；对公式(6)信号函数进行emd求解，通过拟合各模拟人工骨状态数据信息，计算人工骨最大承受故障固定材料和最小承受材料负荷，根据两者平均值反映人工骨最大允许数据误差，误差函数记作为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)公式（7）中，表示测试人工骨最大允许聚甲基丙烯酸甲酯或者高密度聚乙烯故障量，表示测试人工骨额定承受材料故障数据，表示测试人工骨最小承受材料负荷；公式(1)与公式(2)联合，将测试人工骨最大故障信息量转换为信号函数，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)公式（8）中，表示测试人工骨最大故障信息量函数；通过算法编程方式转换为可识别的一阶输入信号表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)公式（9）中，表示算法编程可识别的一阶信号，表示满足emd算法条件的模拟输入数据，表示模拟出的人工骨故障数据分量。
25.经验模态分解(empirical mode decomposition, emd)算法是将一种将信号分解成特征模态的方法。它的优点是不会运用任何已经定义好的函数作为基底，而是根据所分析的信号而自适应生成固有模态函数。可以用于分析非线性、非平稳的信号序列，具有很高的信噪比和良好的时频聚焦性。
26.要进行emd分解时有几个假设条件：1）信号至少存在两个极值点，一个极大值，一个极小值；2）时间尺度特性是由两个极值点之间的时间尺度确定的。
27.emd分解的目的是将一个信号f(t)分解为n个固有模态函数（intrinsic mode function, imf）和一个残差（residual）。其中，每个imf需要满足一下两个条件：1）在整个数据范围内，局部极值点和过零点的数目必须相等，或者相差数目最多为1； 2）在任意时刻，局部最大值的包络（上包络线）和局部最小值的包络（下包络线）的平均值必须为零。
28.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。