本發(fā)明涉及骨骼肌體積變化的測(cè)量方法和裝置。

背景技術(shù)：

臨床上醫(yī)生通過(guò)使用卷尺測(cè)量骨骼肌減少癥患者患肢圍長(zhǎng)作為骨骼肌變化的定性評(píng)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(cè)量肌力等。

用卷尺測(cè)量患肢圍長(zhǎng)的定性評(píng)估方法主觀性強(qiáng)，不精確。雙能x線吸收法測(cè)量系統(tǒng)復(fù)雜、有輻射，不能精確測(cè)量肌肉的橫截面積和脂肪成分；CT、MRI是活體斷層面肌量測(cè)量、肌肉密度和脂肪組織的測(cè)量、肌肉面積的評(píng)估，是目前最準(zhǔn)確的測(cè)量方法，可作為診斷的金標(biāo)準(zhǔn)，但檢查費(fèi)用昂貴、測(cè)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(cè)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(shí)，應(yīng)該綜合考慮所查時(shí)間、費(fèi)用、輻射劑量、測(cè)量重復(fù)性、準(zhǔn)確性等多種因素，合理選擇測(cè)量方法。

技術(shù)實(shí)現(xiàn)要素：

為了解決以上技術(shù)問(wèn)題，本發(fā)明提供一種骨骼肌體積變化的自動(dòng)測(cè)量裝置，包括以下幾個(gè)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(lái)降低超聲圖像有較大的散斑噪聲，增強(qiáng)圖像的興趣區(qū)域輪廓；

測(cè)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(píng)估模塊：量化評(píng)估模塊是對(duì)自動(dòng)提取的區(qū)域輪廓進(jìn)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(yùn)動(dòng)中扮演重要角色，負(fù)責(zé)人體的基本日常活動(dòng)。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(yíng)養(yǎng)不良、肌肉不活動(dòng)和各種疾病(包括神經(jīng)肌肉疾病、癌癥、細(xì)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(diǎn)。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(yùn)動(dòng)的動(dòng)力，而骨骼肌質(zhì)量和力量的降低，肌體活動(dòng)功能下降，會(huì)導(dǎo)致跌倒、殘疾甚至死亡等不良事件。而對(duì)骨骼肌體積變化的精確評(píng)估，是骨骼肌體積變化預(yù)防和康復(fù)過(guò)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(huì)引起肌肉功能和物理性能的降低。肌肉橫截面積是一個(gè)重要且可靠的肌肉體積計(jì)算方法，也是一個(gè)能直接反映肌肉產(chǎn)生肌力的能力的重要指標(biāo)。如臨床實(shí)踐及相關(guān)科學(xué)研究通過(guò)卷尺測(cè)量患肢圍長(zhǎng)作為肌肉體積變化的一個(gè)粗略的診斷方法。

本發(fā)明采用以上技術(shù)方案，其優(yōu)點(diǎn)在于，該裝置可以對(duì)骨骼肌的體積變化進(jìn)行量化評(píng)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(píng)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(dòng)測(cè)量方法，包括以下步驟：

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

步驟B:標(biāo)記肌肉邊界；

步驟C：以標(biāo)記結(jié)果為基準(zhǔn)，創(chuàng)建圖像訓(xùn)練集、訓(xùn)練標(biāo)記集和測(cè)試集，提取訓(xùn)練集圖像特征，將訓(xùn)練集特征和標(biāo)記集共同訓(xùn)練成一個(gè)可以反映骨骼肌邊緣輪廓與圖像特征之間關(guān)系的機(jī)器學(xué)習(xí)模型，使之可自動(dòng)分割骨骼肌邊緣，計(jì)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(cè)試集特征，輸入到訓(xùn)練集訓(xùn)練得到的機(jī)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(jī)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(shí)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(cè)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(duì)感興趣區(qū)域進(jìn)行輪廓標(biāo)記構(gòu)建訓(xùn)練圖像輪廓標(biāo)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(biāo)記集共同訓(xùn)練成一個(gè)可以反映骨骼肌的邊緣輪廓與圖像特征之間關(guān)系的機(jī)器學(xué)習(xí)模型；；步驟C4:測(cè)試，對(duì)測(cè)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(cè)試集的圖像特征，將提取到的測(cè)試圖像特征輸入到訓(xùn)練集訓(xùn)練得到的機(jī)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(diǎn)在于，可以采用手動(dòng)標(biāo)記肌肉邊界，手動(dòng)標(biāo)記的方法主觀性較強(qiáng)、耗時(shí)，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(dòng)提取過(guò)程存在一定的難度，導(dǎo)致提取的精確度降低。而機(jī)器學(xué)習(xí)是一種讓計(jì)算機(jī)更聰明、更個(gè)性的人工智能算法，已經(jīng)成功應(yīng)用于語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)、生物監(jiān)測(cè)等領(lǐng)域，并且受到越來(lái)越多的研究學(xué)者的重視。通過(guò)對(duì)機(jī)器學(xué)習(xí)的研究，計(jì)算機(jī)能識(shí)別現(xiàn)有知識(shí)獲取新知識(shí)并不斷改善性能實(shí)現(xiàn)自我完善，機(jī)器學(xué)習(xí)算法具有較強(qiáng)的自適應(yīng)性。

本發(fā)明以標(biāo)記結(jié)果為基準(zhǔn)點(diǎn)，采用機(jī)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(dòng)計(jì)算肌肉的橫截面積。機(jī)器學(xué)習(xí)算法與傳統(tǒng)的自動(dòng)方法，它可以提供更高與手動(dòng)結(jié)果的相似性、精確度，和手工標(biāo)記方法相比，也改進(jìn)了大樣本數(shù)據(jù)處理的時(shí)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(duì)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(guò)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(duì)噪聲不敏感，通過(guò)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(jì)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(qiáng)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(gè)像素點(diǎn)f(x，y）的二階偏導(dǎo)來(lái)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(diǎn)f(x，y)的四個(gè)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(diǎn)p，基于Hessian矩陣的多尺度增強(qiáng)濾波函數(shù)定義為：

其中參數(shù)β用來(lái)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(qiáng)濾波在降低超聲圖像的散斑噪聲時(shí)具有較好地效果。本發(fā)明進(jìn)一步采用以上技術(shù)特征，其優(yōu)點(diǎn)在于，由于超聲圖像具有較大的散斑噪聲，需要對(duì)采集到的超聲圖像進(jìn)行預(yù)處理以增強(qiáng)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(guò)卷尺測(cè)量骨骼肌圍長(zhǎng)作為一個(gè)量化評(píng)估方法，目前并無(wú)自動(dòng)測(cè)量方法的報(bào)道。本發(fā)明中的測(cè)量裝置具有實(shí)時(shí)、便攜、無(wú)輻射、成本低等優(yōu)勢(shì)。本發(fā)明能夠?qū)崿F(xiàn)骨骼肌體積變化的自動(dòng)測(cè)量，具有重要的臨床應(yīng)用價(jià)值，如可為臨床上骨骼肌減少癥患者的診斷和康復(fù)評(píng)估提供量化依據(jù)。

附圖說(shuō)明

圖1是本發(fā)明骨骼肌體積變化自動(dòng)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(dòng)標(biāo)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(píng)估算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明的較優(yōu)的實(shí)施例作進(jìn)一步的詳細(xì)說(shuō)明：

實(shí)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(dòng)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(xiàn)統(tǒng)計(jì)中，如表1所示，超聲結(jié)合股四頭肌的文獻(xiàn)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(dòng)減少，從而引起股四頭肌鍛煉強(qiáng)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(duì)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(huì)明顯萎縮。股四頭肌萎縮后患肢周徑變小，肌肉張力下降，對(duì)患者的運(yùn)動(dòng)、耐力以及日常生活都會(huì)產(chǎn)生較大的影響。股四頭肌的長(zhǎng)度和大小是臨床上典型的肌肉萎縮的康復(fù)指標(biāo)。

表1超聲影像在主要下肢肌肉的科研文獻(xiàn)(web of science)統(tǒng)計(jì)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(jìn)行后續(xù)處理，為患者的肌肉萎縮診斷和康復(fù)評(píng)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(duì)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(duì)高斯濾波中將高斯權(quán)系數(shù)優(yōu)化成空間域?yàn)V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(guò)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(duì)噪聲不敏感，通過(guò)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(jì)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(duì)噪聲圖像進(jìn)行處理，在濾波的同時(shí)能很好的保留圖像邊緣特征。

多尺度增強(qiáng)濾波(MVEF)是一種基于Hessian矩陣的多尺度相似測(cè)度的方法，在檢測(cè)曲線結(jié)構(gòu)上具有較高的準(zhǔn)確性和魯棒性。通過(guò)計(jì)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(yùn)用到Hessian矩陣的差分運(yùn)算中，通過(guò)改變高斯函數(shù)的標(biāo)準(zhǔn)差來(lái)得到不同尺度σ下的線性增強(qiáng)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(gè)像素點(diǎn)f(x，y)的二階偏導(dǎo)來(lái)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(diǎn)f(x，y)的四個(gè)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(diǎn)p，基于Hessian矩陣的多尺度增強(qiáng)濾波函數(shù)定義為：

其中參數(shù)β用來(lái)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(qiáng)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(biāo)記：

以股四頭肌萎縮為例，對(duì)圖像進(jìn)行手工標(biāo)記肌肉邊界，如圖2和圖3所示。為了降低手動(dòng)標(biāo)記誤差，每幀圖像請(qǐng)專業(yè)人員手工標(biāo)記多次。

第三步 機(jī)器學(xué)習(xí)：

機(jī)器學(xué)習(xí)算法包括四個(gè)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(cè)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(duì)感興趣區(qū)域進(jìn)行輪廓標(biāo)記構(gòu)建訓(xùn)練圖像輪廓標(biāo)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(biāo)記集共同訓(xùn)練成一個(gè)可以反映骨骼肌的邊緣輪廓與圖像特征之間關(guān)系的機(jī)器學(xué)習(xí)模型；4.測(cè)試，對(duì)測(cè)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(cè)試集的圖像特征，將提取到的測(cè)試圖像特征輸入到訓(xùn)練集訓(xùn)練得到的機(jī)器學(xué)習(xí)模型中，得到骨骼肌邊緣輪廓。

機(jī)器學(xué)習(xí)的工具包有很多，例如開源的基于Python機(jī)器學(xué)習(xí)工具包TensorFlow等，通過(guò)對(duì)樣本興趣區(qū)域進(jìn)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(zhǔn)則和新分類準(zhǔn)則對(duì)訓(xùn)練數(shù)據(jù)集建立機(jī)器學(xué)習(xí)分類器并進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果同手動(dòng)標(biāo)記結(jié)果進(jìn)行對(duì)比。并計(jì)算提取到的橫截面積，從像素轉(zhuǎn)化為物理尺寸從而實(shí)現(xiàn)肌肉橫截面積和體積量化。

本發(fā)明的優(yōu)點(diǎn)如下：

1.本發(fā)明中提出的骨骼肌體積變化的自動(dòng)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(shí)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(yùn)動(dòng)員等的肌肉自動(dòng)提取的量化評(píng)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(hù)范圍內(nèi)。

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

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說(shuō)明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡(jiǎn)單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。