基于局部特征的体育运动损伤超声医学图像分割

杨 继 宏

(安徽理工大学，安徽 淮南 232001)

随着医学图像处理技术的发展，采用图像处理技术进行运动损伤图像分析，提高运动损伤的检测和诊疗识别能力及损伤点的定位识别能力，相关的体育运动损伤超声医学图像分割方法研究受到国内外学者的极大关注。对体育运动损伤超声医学图像的分割是在图像的特征定位基础上建立体育运动损伤超声医学图像分割模型[1]，采用模糊特征分析方法，进行体育运动损伤超声医学图像检测和信息融合识别，提高体育运动损伤超声医学图像的优化检测识别能力[2]，相关的体育运动损伤超声医学图像分割方法在运动损伤分析中具有重要意义。国内学者陈华等人提出基于线性判别与超声图像特征的损伤检测方法。利用超声波得到检测对象的超声图像，并根据该图像完成特征参量的提取，通过线性判别分析法处理特征参量提取结果，完成损伤识别[3]。国外学者Sanja-Gopal提出了一种空间变量有限混合模型，并将其成功地运用到了MR图像分割中，通过MR图像成像系统获取医学图像，给医学人员分析损伤组织提供帮助。但是传统方法一般有噪声和低对比度的缺点，因此，本文提出基于局部特征的体育运动损伤超声医学图像分割方法。建立体育运动损伤超声医学图像分割模型，使用CT亮点特征进行体育运动损伤超声医学图像特征细节透射分析，对提取的体育运动损伤点采用深度卷积神经网络训练方法进行体育运动损伤超声医学图像自动探测，实现体育运动损伤超声医学图像分割。最后进行仿真测试分析，得出有效性结论。

1 材料与方法

1.1 供试材料

实验中采用的仪器是来自上海聚慕医疗的数字彩色超声波诊断仪(日本Aloka-F75高频线阵探头，频率为8～12 Hz),本次实验选取来自于某医院收治的由运动损伤导致跟腱断裂患者为研究对象，采用高频超声技术对其损伤情况进行分析。得到的体育运动损伤超声医学图像如图1所示。

(a)测试样本a (b)测试样本b

1.2 实验方法

采用MATLAB 7.0对体育运动损伤超声医学图像分割进行仿真实验，超声医学图像融合的低频系数为0.25，初次分割的尺度为12，低频子带系数为0.85，图像分割的质量指标参数为0.57，根据上述仿真参数设定，将本文方法分别与CT分割方法、小波分割方法进行对比，进行体育运动损伤超声医学图像分割。

1.3 测定项目及分析方法

1.3.1 体育运动损伤超声医学图像分割识别度测定

为了实现提高体育运动损伤超声医学图像分割的识别度，建立体育运动损伤超声医学图像特征提取和信息采样模型，结合高分辨的CT扫描方法，采集体育运动损伤超声医学的图像信息，在超声成像环境下进行体育运动损伤超声医学图像检测，结合运动损伤特征分布进行图像信息融合[4]，得到对图像的高分辨信息采样公式为

(1)

式中，A、W、C、D表示运动损伤部位医学图像的像素采集点，x(t)、y(t)分别表示损伤部位像素长度与宽度，σ表示运动损伤信息融合邻域分解值。采用单帧向量特征分解方法，对采集样本进行体育运动损伤超声医学图像分割[5]，得到图像检测的核函数：

f(y(t))=[f1(y1(t)),f2(y2(t)),…,fn(yn(t))]T

(2)

式中，fn表示损伤部位在图像像素中所占取的比例。采用Harris角点检测技术，进行体育运动损伤超声医学图像的角点检测，得到体育运动损伤超声医学图像的像素特征分布为

(3)

式中，z表示损伤轮廓，t表示损伤部位边缘分割参数，τ表示超声医学图像的帧信息。采用反馈调节方法，进行体育运动损伤超声医学图像输出稳定性调节，图像边缘轮廓特征量满足：

(4)

式中，R(k)表示运动损伤超声医学图像稳定调节参数，D(k)表示损伤轮廓能量。基于超分辨信息特征识别方法，进行体育运动损伤超声医学图像的边缘轮廓特征检测和信息融合[6]。在超声成像环境下进行体育运动损伤超声医学图像的运动损伤信息自适应融合，采用运动骨骼肌分块匹配技术进行体育运动损伤超声医学图像的信息增强处理[7]，结合模糊信息特征分割方法得到体育运动损伤超声医学图像的边缘轮廓角点分布为

RV(k)=L(k)R(k)LT(k)

(5)

式中，R(k)=diag{r1(k),r2(k)…,rNq(k)}为体育运动损伤超声医学图像的像素强度，模糊统计特征量为L(k)， 对体育运动损伤超声医学图像进行模糊像素特征提取[8]，得到图像增强结果为

(6)

式中，xT(t)表示运动骨骼肌分块匹配特征量，h1、h2表示局部损伤特征提取参量，R1、R2表示运动损伤超声医学图像模糊度系数。对图像亮度分量进行融合处理，得到信息融合矩阵K(Z1+Z2+Z3)-1KT和L(Z2+Z3)-1LT，在低照度图像中，体育运动损伤特征量为ψ(d1(t),d2(t))<0，对损伤部位进行图像识别，得出图像识别度为

ψ(h1,0)=ψ+h1K(Z1+Z2+Z3)-1KT+h2L(Z2+Z3)-1LT<0

(7)

采用体育运动损伤点特征匹配方法对体育运动损伤超声医学图像进行融合检测，通过损伤点局部特征检测方法提取图像特征，提高图像的融合能力，增加图像识别度。

1.3.2 体育运动损伤超声医学图像分割精度测定

采用亮区域权重分析方法，进行体育运动损伤超声医学图像的多维尺度分解[9]，得到核空间特征分布集为

[I+PHTR-1H]-1P=[P-1+HTR-1H]-1

=P-PHT(HPHT+R)-1HP

(8)

式中，P表示运动损伤超声医学图像梯度值，H表示运动损伤超声医学图像灰度值，HT表示体育运动损伤超声医学图像的空间范围。根据局部方差来估计体育运动损伤超声医学图像的分割系数[10]，得到特征分割边缘函数为

(9)

(10)

式中，Φ-1表示损伤程度划分函数，计算目标与背景图像的对偶关系，可表达为

(11)

(12)

获取源图像的细节纹理，满足A-αi-γi=0，则有

(13)

式中，xi表示运动损伤超声医学图像细节纹理横坐标，xj表示运动损伤超声医学图像细节纹理纵坐标。根据图像融合的质量，进行体育运动损伤超声医学图像分割，得到阈值分割函数为

(14)

根据背景图像的类间方差，进行优化分割[13]，得到超声医学图像分割的最佳阈值计算：

(15)

式中，I表示n阶协方差单位矩阵。

综上分析，使用CT亮点特征进行体育运动损伤超声医学图像特征细节透射分析，可以提高图像检测精度，实现体育运动损伤超声医学图像分割。

2 结果与分析

以图1的图像为研究对象，进行体育运动损伤超声医学图像分割，得到的分割结果如图2所示。

图2 体育运动损伤超声医学图像分割结果

分析图2得知，本文方法能有效实现体育运动损伤超声医学图像分割，对损伤图像的识别度较高。测试体育运动损伤超声医学图像分割输出的误差，得到对比结果见表1。

表1 体育运动损伤超声医学图像分割的误差对比

分析表1得知，随着迭代次数的不断增加，3种运动损伤超声医学图像分割方法的输出误差都在逐渐减小。CT分割方法最终的误差控制为0.122，小波分割方法最终的误差控制为0.073，而本文方法进行体育运动损伤超声医学图像分割的误差由0.103降到0.000，最终可以达到零误差的效果。由此可知，本文方法进行体育运动损伤超声医学图像分割的误差较低，结果较为准确。

3 结论与讨论

体育运动形式多样，如何减少体育带来的损伤是当前的研究热点。本文提出基于局部特征的体育运动损伤超声医学图像分割方法。建立体育运动损伤超声医学图像分割模型，使用CT亮点特征进行体育运动损伤超声医学图像特征细节透射分析，对提取的体育运动损伤点采用深度卷积神经网络训练方法进行体育运动损伤超声医学图像自动探测，实现体育运动损伤超声医学图像分割。通过实验分析得知，采用本文方法进行体育运动损伤超声医学图像分割的精度较高，体育运动损伤点检测的分辨力和准确性较高，误差较低。

但是本文方法在对体育运动损伤超声医学图像分割的处理时间方面未进行深入分析，在今后的研究工作中，要进一步缩短对运动损伤图像破损部位的识别时间，提高识别能力，优化体育运动损伤超声医学图像分割技术，提高临床应用的广泛性与有效性，增加实际应用价值。