肌肉超声图像中肌肉肌腱结的模式识别与自动跟踪

发布时间：2021-09-24 23:18

　　由肌肉和肌腱构成的肌肉肌腱单位（Muscle-Tendon Unit,MTU）在人体运动中扮演着十分重要的角色。近年来,通过超声成像技术获取肌肉肌腱结（Myotendinous Junction,MTJ）位置变化被积极用于量化运动过程中肌肉与肌腱相对变化,从而帮助研究与理解在不同生理病理条件下人体MTU的运动机制。然而,缺乏可靠的MTJ测量方法大大制约了其在人类运动分析研究中的应用。因此,本论文基于肌腱组织在肌肉超声图像中的结构特征,分别从运动估计,结构特征识别,以及深度学习三个方面展开对于肌肉超声图像中MTJ位置的自动测量和跟踪的研究,从而为研究MTU机理提供有效的定量分析方法。首先,基于超声图像中的肌腱先验形状信息,本论文通过相位一致性（Phase Congruency,PC）和局部拉东变换（Local Radon Transform,LRT）实现只在有效的MTJ区域应用LucasKanade（LK）光流场算法跟踪连续超声图像中肌腱组织上的手动标记点,从而避免了图像中非肌腱组织对MTJ位移估计的负面影响,实现对连续超声图像中MTJ位置的有效跟踪。该自动算法主要通过计算多重相关系数（... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

记录正常人体腓肠肌运动的肌肉超声图像以及其中的MTJ位置；图像中包含肌腱，肌腱膜（筋膜），腓肠肌(GastrocnemiusMuscle,GM)以及比目鱼肌(SoleusMuscle,SOL)

第二章肌肉超声图像中基于运动估计的肌肉肌腱结自动追踪算法15第二章肌肉超声图像中基于运动估计的肌肉肌腱结自动追踪本章节将从运动估计角度详细阐述肌肉超声图像中的肌肉肌腱结(MyotendinousTendonJunction,MTJ)位移自动测量方法。所提算法流程如图2-1所示，首先将原超声图像经相位一致性（PhaseCongruency,PC）[52]处理以增强图像对称性特征，去除斑点噪声的同时增强图像中的强回声带状结构特征。随后在所得PC测量图上，基于肌腱和肌腱膜的方向和厚度等结构先验信息，应用局部拉东变换(LocalizedRadonTransform,LRT)[35]实现肌腱组织的自动识别并进而基于OTSU方法[57]实现有效MTJ区域的自动分割。之后通过利用每相邻两张图像中有效MTJ区域的空间和时间梯度信息，应用Lucas-Kanade(LK)光流场算法计算仿射变换参数，继而自动估计肌腱组织上人工标注点在序列图像间的位移[51]。该MTJ位移自动测量算法的详细步骤将在本章节接下来的各小节中逐一展开，另外本章节将采用瑞典斯德哥尔摩皇家理工学院力学系和BioMex中心提供的肌肉超声图像数据，对所提自动算法展开验证。有关该数据集的详细信息也将在本章中做出说明。图2-1.基于光流场的肌肉肌腱结位移自动测量算法流程图。

第二章肌肉超声图像中基于运动估计的肌肉肌腱结自动追踪算法17肉超声图像和相应的PC测量图。(a)(b)图2-2.记录对象B腓肠肌运动的肌肉超声图像和相应的PC测量图；(a)一例典型的肌肉超声图像；(b)相应的PC测量图。2.2有效肌肉肌腱结区域的自动分割结合图1-1和图2-2(b)可以发现，腓肠肌（GastrocnemiusMuscle,GM）和比目鱼肌（SoleusMuscle,SOL）中的一大部分非肌腱线性结构并没有被有效排除，而这会给后续的测量带来负面影响。基于以上观察，本章节继而引入LRT方法[35]在PC测量图上粗选出一个MTJ区域。LRT在欧几里得空间上定义如下：(,)=∫∫(,)()(2.3)公式中(,)表示点(,)在PC测量图上的归一化强度值，用于描述相位对称性的相对强弱。δ表示狄拉克函数。ρ表示从图像中心到直线的距离，θ则表示所检测直线和横坐标成角的补角。此外，基于肌腱与肌腱膜结构的位置和角度先验信息，本章节将线性结构检索范围限制在图像空间域中的≤≤和≤≤以及雷登域中的≤≤，从而能轻易检测到PC测量图上的肌腱和肌腱膜结构(图2-3(a))。另外据相关文献记载[70]，GM的肌腱和肌腱膜的平均直径为2.5毫米，表现在分辨率为0.11毫米/像素的肌肉超声图像中为宽22个像素的高回声带状结构。因此，结合LRT的肌腱定位结果(图2-3(a))和肌腱宽度先验信息，可以轻易得到有效肌腱区域ΓT(图2-3(b))。随后，对ΓT采用基于OTSU[57]的直方图均衡化即可自动化获取区域内的最佳阈值，进而结合PC测量图的强度值，通过以下计算：(,)={1,(,)∈ΓTand(,)≤0,otherwise(2.4)


本文编号：3408625