基于左手正位X線平片的指骨骨骺提取與分割

傅賢君 汪嬋嬋

摘要：骨齡檢測是通過分析左手正位X線平片的指骨、腕骨和橈尺骨的骨化程度來確定骨齡的檢測方法。影像學專家的人工評估方法具有主觀性強、耗時長的缺點，因此一個魯棒性強的計算機輔助診斷技術具有重要意義。該文提出了一種新的手指感興趣區域（PROIs）提取方法及骨骺/干骺端感興趣區域（EMROIs）提取方法，并結合基于區域的方法與基于邊界的方法對EMROIs進行分析。首先，基于圖像灰度信息、空間及生理等特征對PROIs與EMROIs進行提取。其次，通過局部自適應閾值與Canny邊緣檢測的方法提取EMROIs的前景區域與邊緣信息，結合兩者對EMROIs進行分割。實驗表明上述方法能快速準確地對灰度不均勻的手部X線平片提取指骨骨骺/干骺端。

關鍵詞：指骨骨骺;感興趣區域;自適應閾值;Canny邊緣;骨齡檢測

中圖分類號：TP391.4? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）35-0214-03

開放科學（資源服務）標識碼（OSID）：

1 背景

骨齡檢測在兒童生長發育情況、兒童內分泌疾病、確定運動員實際年齡等領域有著廣泛的應用[1]。現階段的骨齡檢測通常是由經驗豐富的醫生通過TW3 （Tanner and Whitehouse）計分法[2]對手部X線平片中部分骨的骨化程度進行評估。TW3計分法中8塊重要指骨為左手拇指兩節指骨、中指三節指骨、小指三節指骨。然而，人工方法主觀性強、耗時長，因此需要一種計算機輔助診斷方法。而指骨感興趣區域（PROIs）與骨骺/干骺端感興趣區域（EMROIs）的提取和分割是其中的重要步驟。但手部X線平片中會存在較多噪聲，且骨骼與軟組織之間灰度變化較小，PROIs與EMROIs的提取與分割困難。

目前，國內外已有一些手部X線平片的PROIs與EMROIs提取與分割方法。如Pietka等[3]提出了利用檢測指骨頂點定位PROIs與EMROIs及采用圖像標準化和背景移除的分割的方法，然而該方法僅對較小的數據集進行了驗證。Thodberg等[4]提出了基于改進型主動外觀模型的方法，但該方法容易導致欠分割甚至無法分割。本研究旨在探索準確的PROIs與EMROIs定位方法，以便進行后面的分割處理。本研究提出了結合基于區域方法與基于邊界方法的骨骼分割方法，能有效解決復雜灰度下過分割與欠分割問題。

2 指骨感興趣區與骨骺/干骺端感興趣區的提取與分割方法

本文提出的方法包括兩部分：1）從手部X線平片中提取PROIs與EMROIs;2）使用基于區域的方法與基于邊緣的方法分割EMROIs。

2.1 提取PROIs與EMROIs

提取方法包括以下4步：1）通過檢測二值化后的手部X線平片中輪廓的最大面積，即可得到手掌輪廓。旋轉手掌輪廓使得中指與圖像中軸線平行;2）根據特征點提取PROIs;3）旋轉PROIs使得其與圖像中軸線平行并根據質心坐標信息移除PROIs中掌骨;4）根據手指的生理學信息提取EMROIs。

2.1.1 提取手掌輪廓與旋轉手掌

本文采用一種全局灰度閾值的方法[5]對左手正位X光平片進行圖像二值化操作提取手部X光圖像中的手掌輪廓。在經過圖像二值化處理后，手掌輪廓與背景會得到一定程度的分割。通過圖像形態學操作提取二值化圖像中最大輪廓方法可以得到手掌輪廓。其外接矩形即為手掌感興趣區域。中指頂點為圖像輪廓的最高點，通過檢測輪廓最高點即可將圖像旋轉到中指與圖像中軸線平行位置，完成圖像歸一化處理工作。

2.1.2 提取PROIs

PROIs是基于圖像差分方法[6]定位的。根據差分方法可得到手掌的邊界圖。如果將圖像認為是一個二維離散矩陣，它的一階差分可以認為是兩個相鄰像素相減。二值圖像中手掌輪廓的相鄰像素灰度值是相同的，而與背景圖像的灰度是不同的。若僅考慮x方向上的圖像差分，表現在之前得到手掌二值化圖像上即為手指頂點及手指間谷點會出現斷開的情況。由于會出現9處斷開，即產生10條較大的不連續輪廓線。通過提取最大連通域的方法可對這10條線段進行分別提取。通過檢測這10條線段各自上下頂點，即可得到手指頂點與手指間谷點。

在對特征點進行排序之后，可根據特征點確定手指感興趣區域。以小指為例，根據從左到右排序后的特征點順序，取第二個空心特征點與實心特征點，分別標記為A=（x1，y1）與B=（x2，y2），可通過向量正交的方法確定手掌邊緣上的新特征點C=（x3，y3）。向量正交是一個數學術語，指兩個或多個向量內積為0。通過遍歷手掌左側邊緣上的點，使得[AB]與[AC]內積為0，此時即可得到手掌邊緣上的特征點C。同理可得到手掌邊緣上與向量[BA]正交的[BD]。為防止D點超出圖像邊界，限制D點在圖像二維矩陣之內，即可得到由點ABCD確定的多邊形掩膜。為了使得掩膜盡量覆蓋全部指骨區域，根據多邊形形狀特征向下延展2/5長度即可得到掩膜區域。這樣形成的多邊形即為所求指骨感興趣區域，即PROIs（參見圖1）。

2.1.3 旋轉PROIs與移除掌骨

骨骺及干骺端感興趣區域是后續分割的關鍵步驟。在得到指骨感興趣區域之后需要對骨骺及干骺端感興趣區域進行進一步定位。由于部分指骨感興趣區域會包含掌骨，這里通過計算質心坐標的方法移除掌骨區域。旋轉PROIs是分析EMROIs的重要步驟。假定PROI的上邊界中點為TC，下邊界中點為EC，TC與EC形成的向量與圖像中軸線形成夾角為[β]。若使用仿射變換將PROI旋轉[β]角度即可得到旋轉結果。由于PROIs中可能會包含有掌骨可通過計算質心坐標[7]移除掌骨區域，質心計算公式如下：

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

[mc=m01m00]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中i，j為圖像中像素點坐標，[mpq]為圖像[fi，j]的第[（p，q）]階幾何矩，[m00]為零階矩，[m01]為一階列矩，[mc]即為圖像質心的y坐標。掌骨質心位于指骨質心下方，所以其y坐標大于指骨的y坐標。結果如圖2所示。

2.1.4 提取EMROIs

根據EMROIs的生理學信息，可將PROI分為三部分。基于先驗知識，假定中指與小指的第一、二段EMROI為其PROI的4/11長度，第三段EMROI為3/11長度;拇指第一、二段EMROI分別為拇指PROI的1/2長度。結果參見圖3。

2.2 局部自適應閾值

骨骺及干骺端感興趣區域定位，減少了其他類型骨骼的干擾。而骨骺及干骺端的分割能為骨齡評估提供技術支持。基于可變窗口的局部自適應閾值[8]能準確地分割骨骼與軟組織。可變窗口的局部自適應閾值方法如下：假設一個區域內有兩種灰度G0和G1，其中灰度G0所占比例為[p]，那么該區域的灰度標準差為[p1-pG0-G1]，該標準差與[G0-G1]成比例。當窗口中兩種灰度所占比例相同時，標準差達到最大值[0.5G0-G1]。于是對于圖像中的每一個像素，其對應的窗口中心位于[x，y]，窗口寬為[Wx，y]，高為[Hx，y]。在每個圖像中尋找所有可能窗口大小的灰度最大標準差[sdmax]，對于每個像素，找到使得以該像素點為中心的窗口中灰度標準差不小于[0.6*sdmax]，此時最小窗口[Wx，y=Hx，y]。在確定每個像素點對應的窗口大小之后，在每個窗口內使用如下閾值公式：

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

其中[mx，y]為該窗口內得而平均灰度值，k為需要確定的系數，[TLx，y]即為該像素閾值。

2.3 EMROIs的邊緣檢測

采用改善后的Canny邊緣檢測算法[9]得到EMROIs邊緣，Canny邊緣算子主要基于最優化算法，該方法相對于其他邊緣檢測算子，信噪比與檢測精度均得到了很大的提高。具體算法如下：

1）腐蝕EMROIs使得骨骺與干骺端分離;2）使用高斯濾波器移除噪聲;3）尋找圖像的灰度梯度（如卷積掩膜和梯度）;4）使用非極大值抑制移除非邊緣區域;5）使用固定的上下閾值獲得邊緣。

2.4 整合基于區域方法與基于邊界方法的分割方法

無論是單一的可變窗口的閾值方法或者Canny邊緣檢測方法均不能得到良好的分割結果。于是本研究對兩種方法進行了整合，使用異或方法將兩種結果進行了改進。具體方法如下：

定義邊緣圖為[Ex，y]，閾值分割結果為[Bx，y]，使用異或方法[10]整合兩種分割結果[Inx，y]：1）將[Inx，y]初始化為[Bx，y];2）遍歷圖像中像素點[x，y]，對于所有的[Ex，y]為1的情況下，當[Inx，y]為1或0時，設置其為0或1。

在異或操作之后，通過計算輪廓面積移除小輪廓，填孔洞并使用形態學開擴大與過分割的連接，可得到最終的分割結果（圖4f）。

3 實驗結果

3.1 數據集

本研究采用的數據集來自北京積水潭醫院與深圳兒童醫院，共250張，生理年齡區間為2至14歲。

3.2 實驗結果與討論

本文提出的算法應用在250張手部X線平片中，其中214張能準確提取感興趣區域。實驗證明，本文方法能很好地應用到PROIs與EMROIs定位當中，即使相鄰兩根手指間距離非常近（參見圖5a）或者非常遠（參見圖5b）。然而，當前的定位方法對于食指和拇指間夾角過大的情況并不能有效提取感興趣區域，這是因為拇指的差分結果會有很多不相連的地方，導致不能準確獲得標記點（參見圖5c）。這可以通過限制X光拍攝時手指擺放姿勢得到改善。

如圖6a展示了中指各指節的分割結果。中指各指節剛好呈現了骨骺與干骺端的三種連接情況：完全分離、部分愈合、完全愈合。圖6a中所示，骨骺與干骺端，能夠很好地得到分割。圖6b展示了年齡較大的兒童手部中指的分割結果，同樣證明了本文提出方法的魯棒性。對于部分愈合與完全愈合的情況，骨骺與干骺端對比度很低，也體現了局部自適應在此情況下的優越性。分割的評價標準采用Dice相關系數（Dice Similarity Coefficient，DSC）、敏感性（Sensitivity，Sens）和特異性（Specificity，Spec）來進行評估。其中Dice值較高代表著分割結果與標簽之間相似性較高，敏感性高則代表著分割漏檢率較低，特異性高代表著誤檢率較低。同時通過對30張手部X線平片進行分割驗證，與繪制的金標準進行對比，本文結果平均Dice值達到0.92，敏感性值為0.96，特異性為0.97。結果表明使用本研究方法能較好地對骨骺及干骺端感興趣區域進行分割。分割結果如下圖所示。

本文方法通過與2017年Hsith等[11]發表在《Multimedia Tools & Applications》上的結果進行比較，本文結果相對于Hsith等提出的基于Sum-Variance方法，在骨骺及干骺端分割方面有較大的提高。

4 結束語

本文提出了一種自動提取和分割手部X線平片中PROIs與EMROIs的方法，整合了圖像差分、旋轉、利用質心移除掌骨等方法來提取PROIs和EMROIs。實驗證明，無論是手指間隔較大還是較小的情況，均能得到很好的定位效果。且結合局部自適應閾值與Canny邊緣檢測的方法，使得在骨骼與軟組織低對比度情況下的，EMROIs也能得到有效分割， 分割精度Dice值達到0.92，敏感性為0.96，特異性為0.97，相比較于當前國際上已經提出的算法有了較大提高，為以后的骨齡評估提供了方法支撐。

參考文獻：

[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.

【通聯編輯：謝媛媛】