本發(fā)明涉及骨骼肌體積變化的測量方法和裝置。

背景技術(shù)：

臨床上醫(yī)生通過使用卷尺測量骨骼肌減少癥患者患肢圍長作為骨骼肌變化的定性評估方法。目前骨骼肌減少癥主要的定量診斷方法有雙能x線吸收法(DXA)、CT、MRI，測量肌力等。

用卷尺測量患肢圍長的定性評估方法主觀性強，不精確。雙能x線吸收法測量系統(tǒng)復(fù)雜、有輻射，不能精確測量肌肉的橫截面積和脂肪成分；CT、MRI是活體斷層面肌量測量、肌肉密度和脂肪組織的測量、肌肉面積的評估，是目前最準確的測量方法，可作為診斷的金標準，但檢查費用昂貴、測量分析復(fù)雜，且CT放射劑量比雙能x線高，不適合頻繁使用，限制了其臨床應(yīng)用。測量肌力的方法不精確，不能顯示肌肉的形態(tài)學(xué)信息。在開展臨床和科研研究時，應(yīng)該綜合考慮所查時間、費用、輻射劑量、測量重復(fù)性、準確性等多種因素，合理選擇測量方法。

技術(shù)實現(xiàn)要素：

為了解決以上技術(shù)問題，本發(fā)明提供一種骨骼肌體積變化的自動測量裝置，包括以下幾個模塊：

數(shù)據(jù)采集模塊：數(shù)據(jù)采集模塊結(jié)合超聲影像設(shè)備，采集骨骼肌橫截面超聲圖像；

圖像預(yù)處理模塊：用來降低超聲圖像有較大的散斑噪聲，增強圖像的興趣區(qū)域輪廓；

測量模塊：提取預(yù)處理后的超聲圖像的興趣區(qū)域輪廓；

量化評估模塊：量化評估模塊是對自動提取的區(qū)域輪廓進行量化分析。

骨骼肌是人體中分布最廣、數(shù)量最多的肌肉，約占人體體重的40％，在人體運動中扮演重要角色，負責人體的基本日?；顒?。骨骼肌減少癥是指因骨骼肌體積縮小，質(zhì)量和功能下降的一種常見癥狀，常發(fā)生于人體衰老、營養(yǎng)不良、肌肉不活動和各種疾病(包括神經(jīng)肌肉疾病、癌癥、細菌和病毒感染、慢性肺和腎疾病、糖尿病和藥物副作用等)中。骨骼肌減少癥具有患病率高、致殘率高等特點。研究表明在臨床門診中，大約20％的門診患者受肌肉減少癥的影響。65-70歲老年人中，骨骼肌減少癥的患病率為13％-24％，80歲以上老年人中患病率大于50％。骨骼肌是人體運動的動力，而骨骼肌質(zhì)量和力量的降低，肌體活動功能下降，會導(dǎo)致跌倒、殘疾甚至死亡等不良事件。而對骨骼肌體積變化的精確評估，是骨骼肌體積變化預(yù)防和康復(fù)過程中非常重要的一部分。肌肉體積(muscle volume,MV)能直接反映肌肉產(chǎn)生肌力的能力，肌肉體積減少會引起肌肉功能和物理性能的降低。肌肉橫截面積是一個重要且可靠的肌肉體積計算方法，也是一個能直接反映肌肉產(chǎn)生肌力的能力的重要指標。如臨床實踐及相關(guān)科學(xué)研究通過卷尺測量患肢圍長作為肌肉體積變化的一個粗略的診斷方法。

本發(fā)明采用以上技術(shù)方案，其優(yōu)點在于，該裝置可以對骨骼肌的體積變化進行量化評估，其臨床應(yīng)用范圍廣泛，如為骨骼肌減少癥的診斷和康復(fù)評定提供依據(jù)。

基于此，本發(fā)明還提供一種骨骼肌體積變化的自動測量方法，包括以下步驟：

步驟A:數(shù)據(jù)預(yù)處理：對采集的肌肉形態(tài)結(jié)構(gòu)信息進行初步增強處理，強化興趣區(qū)域的輪廓；

步驟B:標記肌肉邊界；

步驟C：以標記結(jié)果為基準，創(chuàng)建圖像訓(xùn)練集、訓(xùn)練標記集和測試集，提取訓(xùn)練集圖像特征，將訓(xùn)練集特征和標記集共同訓(xùn)練成一個可以反映骨骼肌邊緣輪廓與圖像特征之間關(guān)系的機器學(xué)習(xí)模型，使之可自動分割骨骼肌邊緣，計算肌肉橫截面積；采用與訓(xùn)練集特征提取相同的類型和方法提取測試集特征，輸入到訓(xùn)練集訓(xùn)練得到的機器學(xué)習(xí)模型中，提取骨骼肌邊緣輪廓；

步驟D：受試者骨骼肌采用上述機器學(xué)習(xí)方法提取出的橫截面積，并從像素轉(zhuǎn)化為物理尺寸，從而實現(xiàn)肌肉橫截面積和體積的量化。

優(yōu)選的，所述步驟C中，包括步驟C1:創(chuàng)建數(shù)據(jù)樣本，在預(yù)處理后的骨骼肌圖像中，構(gòu)建圖像訓(xùn)練集和測試集；步驟C2:選擇特征，在構(gòu)建的訓(xùn)練集圖像中提取設(shè)定區(qū)域作為感興趣區(qū)域，對感興趣區(qū)域進行輪廓標記構(gòu)建訓(xùn)練圖像輪廓標記集；步驟C3:訓(xùn)練分類器，從感興趣區(qū)域中提取圖像特征，用提取的圖像特征與訓(xùn)練圖像的標記集共同訓(xùn)練成一個可以反映骨骼肌的邊緣輪廓與圖像特征之間關(guān)系的機器學(xué)習(xí)模型；；步驟C4:測試，對測試集提取與訓(xùn)練集一致的設(shè)定區(qū)域作為感興趣區(qū)域，提取測試集的圖像特征，將提取到的測試圖像特征輸入到訓(xùn)練集訓(xùn)練得到的機器學(xué)習(xí)模型中，得到骨骼肌邊緣輪廓。

本發(fā)明采用以上技術(shù)方案，其優(yōu)點在于，可以采用手動標記肌肉邊界，手動標記的方法主觀性較強、耗時，不適用于樣本量較多的超聲圖像中。由于超聲圖像存在散斑噪聲，傳統(tǒng)的不基于學(xué)習(xí)的自動提取過程存在一定的難度，導(dǎo)致提取的精確度降低。而機器學(xué)習(xí)是一種讓計算機更聰明、更個性的人工智能算法，已經(jīng)成功應(yīng)用于語音識別、計算機視覺、生物監(jiān)測等領(lǐng)域，并且受到越來越多的研究學(xué)者的重視。通過對機器學(xué)習(xí)的研究，計算機能識別現(xiàn)有知識獲取新知識并不斷改善性能實現(xiàn)自我完善，機器學(xué)習(xí)算法具有較強的自適應(yīng)性。

本發(fā)明以標記結(jié)果為基準點，采用機器學(xué)習(xí)方法訓(xùn)練分類器，完善調(diào)整參數(shù)，使之能自動計算肌肉的橫截面積。機器學(xué)習(xí)算法與傳統(tǒng)的自動方法，它可以提供更高與手動結(jié)果的相似性、精確度，和手工標記方法相比，也改進了大樣本數(shù)據(jù)處理的時間，提高了魯棒性。

優(yōu)選的，所述步驟A中，采用自適應(yīng)雙邊濾波對降低圖像的散斑噪聲，雙邊濾波的定義如下：

I為原始圖像，為平滑濾波后的輸出圖像，w_D為空間域權(quán)系數(shù)，w_R為灰度域權(quán)系數(shù)，N(m)表示m的鄰域范圍，n表示鄰域的位置，其中，歸一化函數(shù)Z為

σ_d和σ_r為空間方差和灰度方差，是決定雙邊濾波權(quán)系數(shù)的參數(shù)。通過自適應(yīng)的方式選擇濾波參數(shù)，將雙邊濾波轉(zhuǎn)換為自適應(yīng)雙邊濾波，由于調(diào)節(jié)空間參數(shù)對噪聲不敏感，通過自適應(yīng)的方式選擇灰度方差σ_r，因此，定義σ_r為

而

表示輸入圖像的估計噪聲方差。

優(yōu)選的，所述步驟A中，數(shù)據(jù)預(yù)處理中，采用多尺度增強濾波，圖像I(x，y)與高斯濾波器的二階偏導(dǎo)數(shù)的卷積

高斯函數(shù)G(x，y)為：

圖像上的每一個像素點f(x，y）的二階偏導(dǎo)來構(gòu)造Hessian矩陣：

其中f_xx、f_xy、f_yx、f_yy分別表示二維灰度圖像上像素點f(x，y)的四個二階偏導(dǎo)數(shù)；根據(jù)偏導(dǎo)數(shù)性質(zhì)：f_xy＝f_yx，那么Hessian的特征值有λ₁、λ₂(λ₁＜λ₂)，在尺度σ下圖像的點p，基于Hessian矩陣的多尺度增強濾波函數(shù)定義為：

其中參數(shù)β用來區(qū)別線狀和塊狀物體，參數(shù)c和γ為平滑參數(shù)。

超聲圖像預(yù)處理的方法有很多，例如中值濾波、自適應(yīng)雙邊濾波和多尺度增強濾波在降低超聲圖像的散斑噪聲時具有較好地效果。本發(fā)明進一步采用以上技術(shù)特征，其優(yōu)點在于，由于超聲圖像具有較大的散斑噪聲，需要對采集到的超聲圖像進行預(yù)處理以增強圖像興趣區(qū)域輪廓，降低超聲圖像的散斑噪聲。

在臨床上，臨床醫(yī)生通過卷尺測量骨骼肌圍長作為一個量化評估方法，目前并無自動測量方法的報道。本發(fā)明中的測量裝置具有實時、便攜、無輻射、成本低等優(yōu)勢。本發(fā)明能夠?qū)崿F(xiàn)骨骼肌體積變化的自動測量，具有重要的臨床應(yīng)用價值，如可為臨床上骨骼肌減少癥患者的診斷和康復(fù)評估提供量化依據(jù)。

附圖說明

圖1是本發(fā)明骨骼肌體積變化自動提取裝置示意圖。

圖2是本發(fā)明股四頭肌橫截面超聲圖像。

圖3是本發(fā)明手動標記股四頭肌橫截面邊緣圖像。

圖4是本發(fā)明數(shù)據(jù)預(yù)處理中的灰度調(diào)節(jié)后圖像。

圖5是本發(fā)明數(shù)據(jù)預(yù)處理中的雙邊濾波圖像。

圖6雙邊濾波后MVEF的圖像。

圖7骨骼肌體積變化量化評估算法流程圖。

具體實施方式

下面結(jié)合附圖，對本發(fā)明的較優(yōu)的實施例作進一步的詳細說明：

實施例1

以股四頭肌萎縮為例：

股四頭肌是人體中最大的肌肉，在人體日常生活活動中起著至關(guān)重要的作用，而且超聲影像結(jié)合主要的下肢肌肉的科研文獻統(tǒng)計中，如表1所示，超聲結(jié)合股四頭肌的文獻被引頻次最高。大腿肌肉的病損、膝關(guān)節(jié)僵硬以及支配肌肉的神經(jīng)功能障礙等原因均可引起膝關(guān)節(jié)活動減少，從而引起股四頭肌鍛煉強度降低，致使股四頭肌萎縮和肌力下降。大量研究資料表明，股四頭肌萎縮在膝骨關(guān)節(jié)炎、膝交叉韌帶及半月板損傷等患者中較多見，即使在健康人群中，絕對的臥床休息亦可造成股四頭肌肌力減退，隨著年齡的增加，老年人的骨骼肌會明顯萎縮。股四頭肌萎縮后患肢周徑變小，肌肉張力下降，對患者的運動、耐力以及日常生活都會產(chǎn)生較大的影響。股四頭肌的長度和大小是臨床上典型的肌肉萎縮的康復(fù)指標。

表1超聲影像在主要下肢肌肉的科研文獻(web of science)統(tǒng)計研究

采集大腿肌肉萎縮患者的患肢股四頭肌橫截面超聲圖像，采集到的超聲圖像進行后續(xù)處理，為患者的肌肉萎縮診斷和康復(fù)評定提供依據(jù)，算法流程如圖1所示。

第一步 數(shù)據(jù)預(yù)處理：

自適應(yīng)雙邊濾波對降低圖像的散斑噪聲具有很好的效果。雙邊濾波是一種非線性濾波方法，該算法基于高斯濾波，針對高斯濾波中將高斯權(quán)系數(shù)優(yōu)化成空間域濾波器的權(quán)系數(shù)和灰度域的權(quán)系數(shù)的乘積，優(yōu)化后的權(quán)系數(shù)再與圖像信息作卷積。雙邊濾波的定義如下：

I為原始圖像，為平滑濾波后的輸出圖像，w_D為空間域權(quán)系數(shù)，w_R為灰度域權(quán)系數(shù)，N(m)表示m的鄰域范圍，n表示鄰域的位置，其中，歸一化函數(shù)Z為

σ_d和σ_r為空間方差和灰度方差，是決定雙邊濾波權(quán)系數(shù)的參數(shù)。通過自適應(yīng)的方式選擇濾波參數(shù)，將雙邊濾波轉(zhuǎn)換為自適應(yīng)雙邊濾波，由于調(diào)節(jié)空間參數(shù)對噪聲不敏感，通過自適應(yīng)的方式選擇灰度方差σ_r，因此，定義σ_r為

而

表示輸入圖像的估計噪聲方差。

雙邊濾波結(jié)合集合空間上的鄰近關(guān)系和亮度的相似性對噪聲圖像進行處理，在濾波的同時能很好的保留圖像邊緣特征。

多尺度增強濾波(MVEF)是一種基于Hessian矩陣的多尺度相似測度的方法，在檢測曲線結(jié)構(gòu)上具有較高的準確性和魯棒性。通過計算圖像的Hessian矩陣二階偏導(dǎo)以提取圖像特征方向，將高斯函數(shù)運用到Hessian矩陣的差分運算中，通過改變高斯函數(shù)的標準差來得到不同尺度σ下的線性增強濾波。圖像I(x，y)與高斯濾波器的二階偏導(dǎo)數(shù)的卷積

高斯函數(shù)G(x，y)為：

圖像上的每一個像素點f(x，y)的二階偏導(dǎo)來構(gòu)造Hessian矩陣：

其中f_xx、f_xy、f_yx、f_yy分別表示二維灰度圖像上像素點f(x，y)的四個二階偏導(dǎo)數(shù)。根據(jù)偏導(dǎo)數(shù)性質(zhì)：f_xy＝f_yx，那么Hessian的特征值有λ₁、λ₂(λ₁＜λ₂)，在尺度σ下圖像的點p，基于Hessian矩陣的多尺度增強濾波函數(shù)定義為：

其中參數(shù)β用來區(qū)別線狀和塊狀物體，參數(shù)c和γ為平滑參數(shù)。

以股四頭肌萎縮、采用雙邊濾波、多尺度增強濾波作為預(yù)處理方法為例，預(yù)處理結(jié)果如圖4-7所示。

第二步 手工標記：

以股四頭肌萎縮為例，對圖像進行手工標記肌肉邊界，如圖2和圖3所示。為了降低手動標記誤差，每幀圖像請專業(yè)人員手工標記多次。

第三步 機器學(xué)習(xí)：

機器學(xué)習(xí)算法包括四個部分：1.創(chuàng)建數(shù)據(jù)樣本，在預(yù)處理后的骨骼肌圖像中，構(gòu)建圖像訓(xùn)練集和測試集；2.選擇特征，在構(gòu)建的訓(xùn)練集圖像中提取設(shè)定區(qū)域作為感興趣區(qū)域，對感興趣區(qū)域進行輪廓標記構(gòu)建訓(xùn)練圖像輪廓標記集；3.訓(xùn)練分類器，從感興趣區(qū)域中提取圖像特征，如圖像紋理、灰度、全局均值、全局方差、局部均值、局部方差等，用提取的圖像特征與訓(xùn)練圖像的標記集共同訓(xùn)練成一個可以反映骨骼肌的邊緣輪廓與圖像特征之間關(guān)系的機器學(xué)習(xí)模型；4.測試，對測試集提取與訓(xùn)練集一致的設(shè)定區(qū)域作為感興趣區(qū)域，與訓(xùn)練集特征提取類型和方法相同，提取測試集的圖像特征，將提取到的測試圖像特征輸入到訓(xùn)練集訓(xùn)練得到的機器學(xué)習(xí)模型中，得到骨骼肌邊緣輪廓。

機器學(xué)習(xí)的工具包有很多，例如開源的基于Python機器學(xué)習(xí)工具包TensorFlow等，通過對樣本興趣區(qū)域進行分析，將超聲圖像中的信息分為兩類，興趣區(qū)域的骨骼肌邊緣輪廓部分和非邊緣輪廓部分，作為特征提取的重要依據(jù)，結(jié)合基本的分類準則和新分類準則對訓(xùn)練數(shù)據(jù)集建立機器學(xué)習(xí)分類器并進行預(yù)測，并將預(yù)測結(jié)果同手動標記結(jié)果進行對比。并計算提取到的橫截面積，從像素轉(zhuǎn)化為物理尺寸從而實現(xiàn)肌肉橫截面積和體積量化。

本發(fā)明的優(yōu)點如下：

1.本發(fā)明中提出的骨骼肌體積變化的自動提取方法，不僅可適用于如股四頭肌萎縮等的骨骼肌體積變化中，同時也適用于其它肌肉變化情況，例如其他骨骼肌減少癥的診斷和康復(fù)或健康人群、運動員等的肌肉自動提取的量化評估中。

2.本發(fā)明中，采集的數(shù)據(jù)主要以股四頭肌萎縮為例，其它骨骼肌體積變化也在本專利的保護范圍內(nèi)。

3.基于本發(fā)明中的實施實例，本專利涉及的領(lǐng)域的技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲的所有其他實施實例，都屬于本專利保護的范圍。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當視為屬于本發(fā)明的保護范圍。