基于左手正位X线平片的指骨骨骺提取与分割

傅贤君 汪婵婵

摘要：骨龄检测是通过分析左手正位X线平片的指骨、腕骨和桡尺骨的骨化程度来确定骨龄的检测方法。影像学专家的人工评估方法具有主观性强、耗时长的缺点，因此一个鲁棒性强的计算机辅助诊断技术具有重要意义。该文提出了一种新的手指感兴趣区域（PROIs）提取方法及骨骺/干骺端感兴趣区域（EMROIs）提取方法，并结合基于区域的方法与基于边界的方法对EMROIs进行分析。首先，基于图像灰度信息、空间及生理等特征对PROIs与EMROIs进行提取。其次，通过局部自适应阈值与Canny边缘检测的方法提取EMROIs的前景区域与边缘信息，结合两者对EMROIs进行分割。实验表明上述方法能快速准确地对灰度不均匀的手部X线平片提取指骨骨骺/干骺端。

关键词：指骨骨骺;感兴趣区域;自适应阈值;Canny边缘;骨龄检测

中图分类号：TP391.4      文献标识码：A

文章编号：1009-3044（2020）35-0214-03

开放科学（资源服务）标识码（OSID）：

1 背景

骨龄检测在儿童生长发育情况、儿童内分泌疾病、确定运动员实际年龄等领域有着广泛的应用[1]。现阶段的骨龄检测通常是由经验丰富的医生通过TW3 （Tanner and Whitehouse）计分法[2]对手部X线平片中部分骨的骨化程度进行评估。TW3计分法中8块重要指骨为左手拇指两节指骨、中指三节指骨、小指三节指骨。然而，人工方法主观性强、耗时长，因此需要一种计算机辅助诊断方法。而指骨感兴趣區域（PROIs）与骨骺/干骺端感兴趣区域（EMROIs）的提取和分割是其中的重要步骤。但手部X线平片中会存在较多噪声，且骨骼与软组织之间灰度变化较小，PROIs与EMROIs的提取与分割困难。

目前，国内外已有一些手部X线平片的PROIs与EMROIs提取与分割方法。如Pietka等[3]提出了利用检测指骨顶点定位PROIs与EMROIs及采用图像标准化和背景移除的分割的方法，然而该方法仅对较小的数据集进行了验证。Thodberg等[4]提出了基于改进型主动外观模型的方法，但该方法容易导致欠分割甚至无法分割。本研究旨在探索准确的PROIs与EMROIs定位方法，以便进行后面的分割处理。本研究提出了结合基于区域方法与基于边界方法的骨骼分割方法，能有效解决复杂灰度下过分割与欠分割问题。

2 指骨感兴趣区与骨骺/干骺端感兴趣区的提取与分割方法

本文提出的方法包括两部分：1）从手部X线平片中提取PROIs与EMROIs;2）使用基于区域的方法与基于边缘的方法分割EMROIs。

2.1 提取PROIs与EMROIs

提取方法包括以下4步：1）通过检测二值化后的手部X线平片中轮廓的最大面积，即可得到手掌轮廓。旋转手掌轮廓使得中指与图像中轴线平行;2）根据特征点提取PROIs;3）旋转PROIs使得其与图像中轴线平行并根据质心坐标信息移除PROIs中掌骨;4）根据手指的生理学信息提取EMROIs。

2.1.1 提取手掌轮廓与旋转手掌

本文采用一种全局灰度阈值的方法[5]对左手正位X光平片进行图像二值化操作提取手部X光图像中的手掌轮廓。在经过图像二值化处理后，手掌轮廓与背景会得到一定程度的分割。通过图像形态学操作提取二值化图像中最大轮廓方法可以得到手掌轮廓。其外接矩形即为手掌感兴趣区域。中指顶点为图像轮廓的最高点，通过检测轮廓最高点即可将图像旋转到中指与图像中轴线平行位置，完成图像归一化处理工作。

2.1.2 提取PROIs

PROIs是基于图像差分方法[6]定位的。根据差分方法可得到手掌的边界图。如果将图像认为是一个二维离散矩阵，它的一阶差分可以认为是两个相邻像素相减。二值图像中手掌轮廓的相邻像素灰度值是相同的，而与背景图像的灰度是不同的。若仅考虑x方向上的图像差分，表现在之前得到手掌二值化图像上即为手指顶点及手指间谷点会出现断开的情况。由于会出现9处断开，即产生10条较大的不连续轮廓线。通过提取最大连通域的方法可对这10条线段进行分别提取。通过检测这10条线段各自上下顶点，即可得到手指顶点与手指间谷点。

在对特征点进行排序之后，可根据特征点确定手指感兴趣区域。以小指为例，根据从左到右排序后的特征点顺序，取第二个空心特征点与实心特征点，分别标记为A=（x1，y1）与B=（x2，y2），可通过向量正交的方法确定手掌边缘上的新特征点C=（x3，y3）。向量正交是一个数学术语，指两个或多个向量内积为0。通过遍历手掌左侧边缘上的点，使得[AB]与[AC]内积为0，此时即可得到手掌边缘上的特征点C。同理可得到手掌边缘上与向量[BA]正交的[BD]。为防止D点超出图像边界，限制D点在图像二维矩阵之内，即可得到由点ABCD确定的多边形掩膜。为了使得掩膜尽量覆盖全部指骨区域，根据多边形形状特征向下延展2/5长度即可得到掩膜区域。这样形成的多边形即为所求指骨感兴趣区域，即PROIs（参见图1）。

2.1.3 旋转PROIs与移除掌骨

骨骺及干骺端感兴趣区域是后续分割的关键步骤。在得到指骨感兴趣区域之后需要对骨骺及干骺端感兴趣区域进行进一步定位。由于部分指骨感兴趣区域会包含掌骨，这里通过计算质心坐标的方法移除掌骨区域。旋转PROIs是分析EMROIs的重要步骤。假定PROI的上边界中点为TC，下边界中点为EC，TC与EC形成的向量与图像中轴线形成夹角为[β]。若使用仿射变换将PROI旋转[β]角度即可得到旋转结果。由于PROIs中可能会包含有掌骨可通过计算质心坐标[7]移除掌骨区域，质心计算公式如下：

[mpq=i=-∞∞j=-∞∞ipjqfi，j ]                         （1）

[mc=m01m00]                                            （2）

其中i，j为图像中像素点坐标，[mpq]为图像[fi，j]的第[（p，q）]阶几何矩，[m00]为零阶矩，[m01]为一阶列矩，[mc]即为图像质心的y坐标。掌骨质心位于指骨质心下方，所以其y坐标大于指骨的y坐标。结果如图2所示。

2.1.4 提取EMROIs

根据EMROIs的生理学信息，可将PROI分为三部分。基于先验知识，假定中指与小指的第一、二段EMROI为其PROI的4/11长度，第三段EMROI为3/11长度;拇指第一、二段EMROI分别为拇指PROI的1/2长度。结果参见图3。

2.2 局部自适应阈值

骨骺及干骺端感兴趣区域定位，减少了其他类型骨骼的干扰。而骨骺及干骺端的分割能为骨龄评估提供技术支持。基于可变窗口的局部自适应阈值[8]能准确地分割骨骼与软组织。可变窗口的局部自适应阈值方法如下：假设一个区域内有两种灰度G0和G1，其中灰度G0所占比例为[p]，那么该区域的灰度标准差为[p1-pG0-G1]，该标准差与[G0-G1]成比例。当窗口中两种灰度所占比例相同时，标准差达到最大值[0.5G0-G1]。于是对于图像中的每一个像素，其对应的窗口中心位于[x，y]，窗口宽为[Wx，y]，高为[Hx，y]。在每个图像中寻找所有可能窗口大小的灰度最大标准差[sdmax]，对于每个像素，找到使得以该像素点为中心的窗口中灰度标准差不小于[0.6*sdmax]，此时最小窗口[Wx，y=Hx，y]。在确定每个像素点对应的窗口大小之后，在每个窗口内使用如下阈值公式：

[TLx，y=mx，y*1+k*sd1.2*sdmax]                     （3）

其中[mx，y]为该窗口内得而平均灰度值，k为需要确定的系数，[TLx，y]即为该像素阈值。

2.3 EMROIs的边缘检测

采用改善后的Canny边缘检测算法[9]得到EMROIs边缘，Canny边缘算子主要基于最优化算法，该方法相对于其他边缘检测算子，信噪比与检测精度均得到了很大的提高。具体算法如下：

1）腐蚀EMROIs使得骨骺与干骺端分离;2）使用高斯滤波器移除噪声;3）寻找图像的灰度梯度（如卷积掩膜和梯度）;4）使用非极大值抑制移除非边缘区域;5）使用固定的上下阈值获得边缘。

2.4 整合基于区域方法与基于边界方法的分割方法

无论是单一的可变窗口的阈值方法或者Canny边缘检测方法均不能得到良好的分割结果。于是本研究对两种方法进行了整合，使用异或方法将两种结果进行了改进。具体方法如下：

定义边缘图为[Ex，y]，阈值分割结果为[Bx，y]，使用异或方法[10]整合两种分割结果[Inx，y]：1）将[Inx，y]初始化为[Bx，y];2）遍历图像中像素点[x，y]，对于所有的[Ex，y]为1的情况下，当[Inx，y]为1或0时，设置其为0或1。

在异或操作之后，通过计算轮廓面积移除小轮廓，填孔洞并使用形态学开扩大与过分割的连接，可得到最终的分割结果（图4f）。

3 实验结果

3.1 数据集

本研究采用的数据集来自北京积水潭医院与深圳儿童医院，共250张，生理年龄区间为2至14岁。

3.2 实验结果与讨论

本文提出的算法应用在250张手部X线平片中，其中214张能准确提取感兴趣区域。实验证明，本文方法能很好地应用到PROIs与EMROIs定位当中，即使相邻两根手指间距离非常近（参见图5a）或者非常远（参见图5b）。然而，当前的定位方法对于食指和拇指间夹角过大的情况并不能有效提取感兴趣区域，这是因为拇指的差分结果会有很多不相连的地方，导致不能准确获得标记点（参见图5c）。这可以通过限制X光拍摄时手指摆放姿势得到改善。

如图6a展示了中指各指节的分割结果。中指各指节刚好呈现了骨骺与干骺端的三种连接情况：完全分离、部分愈合、完全愈合。图6a中所示，骨骺与干骺端，能够很好地得到分割。图6b展示了年龄较大的儿童手部中指的分割结果，同样证明了本文提出方法的鲁棒性。对于部分愈合与完全愈合的情况，骨骺与干骺端对比度很低，也体现了局部自适应在此情况下的优越性。分割的评价标准采用Dice相关系数（Dice Similarity Coefficient，DSC）、敏感性（Sensitivity，Sens）和特异性（Specificity，Spec）来进行评估。其中Dice值较高代表着分割结果与标签之间相似性较高，敏感性高则代表着分割漏检率较低，特异性高代表着误检率较低。同时通过对30张手部X线平片进行分割验证，与绘制的金标准进行对比，本文结果平均Dice值达到0.92，敏感性值为0.96，特异性为0.97。结果表明使用本研究方法能较好地对骨骺及干骺端感兴趣区域进行分割。分割结果如下图所示。

本文方法通过与2017年Hsith等[11]发表在《Multimedia Tools & Applications》上的结果进行比较，本文结果相对于Hsith等提出的基于Sum-Variance方法，在骨骺及干骺端分割方面有较大的提高。

4 结束语

本文提出了一種自动提取和分割手部X线平片中PROIs与EMROIs的方法，整合了图像差分、旋转、利用质心移除掌骨等方法来提取PROIs和EMROIs。实验证明，无论是手指间隔较大还是较小的情况，均能得到很好的定位效果。且结合局部自适应阈值与Canny边缘检测的方法，使得在骨骼与软组织低对比度情况下的，EMROIs也能得到有效分割， 分割精度Dice值达到0.92，敏感性为0.96，特异性为0.97，相比较于当前国际上已经提出的算法有了较大提高，为以后的骨龄评估提供了方法支撑。

参考文献：

[1] Bull R K，Edwards P D，Kemp P M，et al.Bone age assessment：a large scale comparison of the Greulich and Pyle，and Tanner and Whitehouse （TW2） methods[J].Archives of Disease in Childhood，1999，81（2）：172-173.

[2] Malina R M，Chamorro M，Serratosa L，et al.TW3 and Fels skeletal ages in elite youth soccer players[J].Annals of Human Biology，2007，34（2）：265-272.

[3] Pietka E，Gertych A，Pospiech S，et al.Computer-assisted bone age assessment：image preprocessing and epiphyseal/metaphyseal ROI extraction[J].IEEE Transactions on Medical Imaging，2001，20（8）：715-729.

[4] Thodberg H H，Kreiborg S，Juul A，et al.The BoneXpert method for automated determination of skeletal maturity[J].IEEE Transactions on Medical Imaging，2009，28（1）：52-66.

[5] He B，Ma T，Wang Y J，et al.Visual C++ digital image processing[M].Beijing：Peoples Posts and Telecommunications Press，2002.

[6] Bradski G.The Opencv Library[J].Doctor Dobbs Journal，2000，25（11）：384-386.

[7] Lai R，Liu X，Ohkawa F.A fast template matching algorithm based on central moments of images[C]//International Conference on Information and Automation.IEEE，2008：596-600.

[8] Zhang Y X，Chen M Y，Hu Q M，et al.Detection and quantification of intracerebral and intraventricular hemorrhage from computed tomography images with adaptive thresholding and case-based reasoning[J].International Journal of Computer Assisted Radiology and Surgery，2013，8（6）：917-927.

[9] Canny J F.Finding Edges and Lines in Images[R].Technical Report AI-TR 720，1983.

[10] Su L，Fu X J，Zhang X D，et al.Delineation of carpal bones from hand X-ray images through prior model，and integration of region-based and boundary-based segmentations[J].IEEE Access，2018，6：19993-20008.

[11] Hsieh C W，Liu H C，Jong T L，et al.A hierarchical algorithm for phalangeal and epiphyseal/metaphyseal segmentation[J].Multimedia Tools and Applications，2017，76（2）：3047-3063.

【通聯编辑：谢媛媛】