技術(shù)特征：

1.一種骨骼肌體積變化的自動(dòng)測(cè)量裝置，其特征在于，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；

機(jī)器學(xué)習(xí)模塊：該模塊通過(guò)及其學(xué)習(xí)方法，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。

2.一種骨骼肌體積變化的自動(dòng)測(cè)量方法，其特征在于，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)，采用機(jī)器學(xué)習(xí)方法訓(xùn)練分類(lèi)器，使之可自動(dòng)計(jì)算肌肉橫截面積；

步驟D：對(duì)受試者肌肉采用上述機(jī)器學(xué)習(xí)得到的模型，提取橫截面積，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。

3.如權(quán)利要求2所述的方法，其特征在于，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：

$\hat{I}\left(m\right)=\frac{1}{Z}\underset{n\∈N\left(m\right)}{\Σ}{w}_D(m,n)w_R(m,n)I\left(n\right)$

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

$Z=\underset{n\∈N\left(m\right)}{\Σ}{w}_D(m,n)w_R(m,n)$

$w_D(m,n)=\exp (-\frac{|m-n{|}^2}{2{{\mathrm{\σ}}_d}^2})$

$w_R(m,n)=\exp (-\frac{|I_m-I_n{|}^2}{2{{\mathrm{\σ}}_r}^2})$

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。

4.如權(quán)利要求2所述的方法，其特征在于，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

$I_{xx}(x,y)=I(x,y)\×\frac{{\∂}^{2}G(x,y,\mathrm{\σ})}{\∂x^2}$

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：

$H=\left[\begin{array}{cc}{f}_{xx}& f_{xy}\\ f_{yx}& f_{yy}\end{array}\right]$

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：

$V(\mathrm{\σ},p)=\left\{\begin{array}{c}\begin{array}{cc}0,& {\mathrm{\λ}}_2\>0\end{array}\\ \exp (-\frac{{R_B}^2}{2{\mathrm{\β}}^2})\exp (-\frac{2c^2}{{{\mathrm{\λ}}_2}^2})(1-\exp (-\frac{S^2}{2{\mathrm{\γ}}^2}\left)\right)\end{array}\right.$

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)。

5.如權(quán)利要求2所述的方法，其特征在于，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(lèi)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。

6.如權(quán)利要求5所述的方法，其特征在于，所述步驟C3中，圖象特征采用圖像紋理、灰度、全局均值、全局方差、局部均值和局部方差中的至少一種。