本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及基于mr圖像的手指損傷檢測(cè)方法及系統(tǒng)領(lǐng)域。

背景技術(shù)：

人類(lèi)雙手能做復(fù)雜而靈巧的多種動(dòng)作，有極其精細(xì)的感覺(jué)，其功能的復(fù)雜性與其解剖結(jié)構(gòu)密切相關(guān)。手指損傷中最常見(jiàn)的是肌腱、韌帶及其支持結(jié)構(gòu)的損傷，這種損傷會(huì)導(dǎo)致不同程度的功能障礙或喪失。如何最大限度的恢復(fù)其功能，熟練掌握及靈活運(yùn)用功能解剖學(xué)知識(shí)，是手外科診治的重要基礎(chǔ)。手指早期肌腱、韌帶等軟組織損傷經(jīng)常被忽視和誤診，而延誤診斷和治療治，甚至影響患者的功能恢復(fù)、導(dǎo)致其生活質(zhì)量的下降。因此，如何早期發(fā)現(xiàn)手指肌腱韌帶及其支持結(jié)構(gòu)的損傷是一個(gè)亟待解決醫(yī)學(xué)難題，正確全面掌握手指精細(xì)解剖對(duì)損傷的診斷和治療至關(guān)重要。

磁共振成像(magneticresonanceimaging,mri)作為一種無(wú)創(chuàng)性的影像學(xué)檢查方法，因其良好的軟組織分辨率，能夠提供手部關(guān)節(jié)軟骨、肌腱、韌帶等精細(xì)解剖結(jié)構(gòu)的高分辨率形態(tài)學(xué)信息，對(duì)病變?cè)缙诎l(fā)現(xiàn)、早期診斷具有重要的意義。目前，手指解剖研究多集中于大體解剖領(lǐng)域，雖然近年來(lái)，對(duì)于手指的細(xì)微解剖結(jié)構(gòu)的三維可視化研究日益興起，但歸根結(jié)底，這些研究的基礎(chǔ)仍然是斷層解剖影像。

前期研究證明，mr成像技術(shù)可清晰顯示手指精細(xì)解剖結(jié)構(gòu)及損傷情況，前提是需要高場(chǎng)強(qiáng)的磁共振掃描儀、分辨率足夠的線(xiàn)圈及合理的掃描方案；而目前該領(lǐng)域研究多集中于科研方面，未廣泛應(yīng)用于臨床，尤以缺乏規(guī)范的掃描成像方案，而進(jìn)一步限制了其臨床應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述技術(shù)問(wèn)題，為解決上述技術(shù)問(wèn)題，本發(fā)明提供的技術(shù)方案是：

第一方面，本發(fā)明提供一種基于mr圖像的手指損傷檢測(cè)方法，包括：

步驟s1，獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

步驟s2，將所述待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進(jìn)行比較，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測(cè)方法，其技術(shù)方案為：獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將所述待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進(jìn)行比較，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果。

本發(fā)明研究手指的微細(xì)斷層解剖與mr影像特點(diǎn)的相關(guān)性及手指不同部位損傷的mr影像特點(diǎn)，應(yīng)用高場(chǎng)強(qiáng)的mr掃描儀，極大提高精細(xì)解剖結(jié)構(gòu)的圖像質(zhì)量及診斷效能，可適用于常規(guī)臨床工作，為手指損傷的診斷和治療提供的可靠的影像學(xué)依據(jù)。

進(jìn)一步地，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得，具體為：

以待檢測(cè)對(duì)象手指的肌腱韌帶損傷處為中心，定義掃描范圍，包括病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位；

進(jìn)行掃描序列設(shè)定，所述掃描序列包括t1和質(zhì)子壓脂兩個(gè)序列，所述質(zhì)子壓脂序列選用快速自旋回波tse序列和spair壓脂序列；

進(jìn)行掃描參數(shù)設(shè)定；

設(shè)定掃描序列和掃描參數(shù)后，通過(guò)掃描儀進(jìn)行病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位的掃描，得到待檢測(cè)對(duì)象手指mr圖像。

進(jìn)一步地，所述t1序列設(shè)置為tr范圍為521-780ms，te范圍為20-40ms；

所述質(zhì)子壓脂序列設(shè)置為tr范圍為2347-3657ms，te范圍為40-45ms。

進(jìn)一步地，還包括線(xiàn)圈，所述線(xiàn)圈為4通道表面線(xiàn)圈或8通斷腕關(guān)節(jié)線(xiàn)圈，配合所述掃描議獲得待測(cè)對(duì)象手指mr圖像。

第二方面，本發(fā)明提供一種基于mr圖像的手指損傷檢測(cè)方法，包括：

獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

將所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；

根據(jù)所述特征分類(lèi)結(jié)果中的特征比重，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測(cè)方法，其技術(shù)方案為：獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；根據(jù)所述特征分類(lèi)結(jié)果中的特征比重，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測(cè)方法，基于正常手指mr斷層解剖結(jié)構(gòu)和不同部位損傷的mr影像特點(diǎn)，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對(duì)待檢測(cè)對(duì)象手指mr圖像進(jìn)行特征分類(lèi)，實(shí)現(xiàn)通過(guò)手指mr圖像的特征判斷手指的損傷情況，檢測(cè)結(jié)果準(zhǔn)確快速。

進(jìn)一步地，通過(guò)標(biāo)準(zhǔn)手指mr圖像建立所述特征分類(lèi)器，具體為：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，所述標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過(guò)圖像處理算法對(duì)所述標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第一特征，每個(gè)第一特征包括對(duì)所述標(biāo)準(zhǔn)圖像進(jìn)行標(biāo)記的多種標(biāo)記特征；

在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對(duì)所述多幀標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第二特征，形成特征集合；

根據(jù)所述第一相關(guān)特征，得到多個(gè)第二相關(guān)特征，形成相關(guān)特征集合；

通過(guò)混合特征算法對(duì)所述特征集合和所述相關(guān)特征集合分別進(jìn)行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)所述預(yù)設(shè)條件對(duì)所述最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行設(shè)置，結(jié)合多核svm模型對(duì)所述最優(yōu)特征子集和所述最優(yōu)相關(guān)特征子集進(jìn)行整合，形成特征分類(lèi)器。

進(jìn)一步地，在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征，具體為：

將n個(gè)具有所述標(biāo)記特征的特征形成的向量通過(guò)計(jì)算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，所述相關(guān)矩陣中每個(gè)元素表示兩個(gè)具有所述標(biāo)記特征的特征之間的相關(guān)性；

將第i個(gè)具有所述標(biāo)記特征的特征和第j個(gè)具有所述標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個(gè)特征中所述標(biāo)記特征的特征值、第j個(gè)特征中所述標(biāo)記特征的特征值；

則第i個(gè)具有所述標(biāo)記特征的特征和第j個(gè)具有所述標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個(gè)特征和第j個(gè)特征之間所述標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

進(jìn)一步地，所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果包括所述待檢測(cè)對(duì)象手指為健康或有損傷，當(dāng)所述待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果為有損傷，還包括：

選擇所述待檢測(cè)對(duì)象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在所述可能損傷部位圖像中尋找強(qiáng)度分布與所述手指損傷圖像模型中的強(qiáng)度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，所述手指損傷圖像模型基于健康手指mr圖像中灰度級(jí)分布計(jì)算得到；

根據(jù)所述匹配區(qū)域圖像和所述可能損傷部位圖像，計(jì)算得到真實(shí)損傷部位圖像和健康部位圖像；

通過(guò)二進(jìn)制標(biāo)簽對(duì)所述健康部位圖像進(jìn)行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)所述健康部位圖像，通過(guò)輔助函數(shù)對(duì)成本函數(shù)進(jìn)行優(yōu)化處理，計(jì)算得到最優(yōu)標(biāo)簽；

根據(jù)所述最優(yōu)標(biāo)簽，計(jì)算得到邊界區(qū)域；

根據(jù)所述邊界區(qū)域，計(jì)算得到最終損傷區(qū)域，所述最終損傷區(qū)域?yàn)樗鍪种竚r圖像中的真實(shí)損傷區(qū)域。

第三方面，本發(fā)明提供了一種基于mr圖像的手指損傷檢測(cè)系統(tǒng)，包括：

圖像獲取模塊，用于獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

特征分類(lèi)模塊，用于將所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；

手指損傷檢測(cè)模塊，用于根據(jù)所述特征分類(lèi)結(jié)果中的特征比重，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測(cè)系統(tǒng)，其技術(shù)方案為：通過(guò)圖像獲取模塊，獲得待檢測(cè)對(duì)象手指mr圖像，所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；通過(guò)特征分類(lèi)模塊，將所述待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；通過(guò)手指損傷檢測(cè)模塊，根據(jù)所述特征分類(lèi)結(jié)果中的特征比重，判斷所述待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測(cè)系統(tǒng)，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對(duì)待檢測(cè)對(duì)象手指mr圖像進(jìn)行特征分類(lèi)，實(shí)現(xiàn)通過(guò)手指mr圖像的特征判斷手指的損傷情況，檢測(cè)結(jié)果準(zhǔn)確快速。

進(jìn)一步地，所述特征分類(lèi)模塊，具體用于通過(guò)標(biāo)準(zhǔn)手指mr圖像建立所述特征分類(lèi)器：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，所述標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過(guò)圖像處理算法對(duì)所述標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第一特征，每個(gè)第一特征包括對(duì)所述標(biāo)準(zhǔn)圖像進(jìn)行標(biāo)記的多種標(biāo)記特征；

在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對(duì)所述多幀標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第二特征，形成特征集合；

根據(jù)所述第一相關(guān)特征，得到多個(gè)第二相關(guān)特征，形成相關(guān)特征集合；

通過(guò)混合特征算法對(duì)所述特征集合和所述相關(guān)特征集合分別進(jìn)行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)所述預(yù)設(shè)條件對(duì)所述最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行設(shè)置，結(jié)合多核svm模型對(duì)所述最優(yōu)特征子集和所述最優(yōu)相關(guān)特征子集進(jìn)行整合，形成特征分類(lèi)器。

進(jìn)一步地，所述預(yù)設(shè)條件為：

所述特征分類(lèi)模塊，具體用于：

將n個(gè)具有所述標(biāo)記特征的特征形成的向量通過(guò)計(jì)算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，所述相關(guān)矩陣中每個(gè)元素表示兩個(gè)具有所述標(biāo)記特征的特征之間的相關(guān)性；

將第i個(gè)具有所述標(biāo)記特征的特征和第j個(gè)具有所述標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個(gè)特征中所述標(biāo)記特征的特征值、第j個(gè)特征中所述標(biāo)記特征的特征值；

則第i個(gè)具有所述標(biāo)記特征的特征和第j個(gè)具有所述標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個(gè)特征和第j個(gè)特征之間所述標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

進(jìn)一步地，還包括預(yù)約反饋模塊，用于：

所述手指損傷檢測(cè)模塊中，所述待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果包括所述待檢測(cè)對(duì)象手指為健康或有損傷，當(dāng)所述待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果為有損傷，還包括手指損傷檢測(cè)子模塊，用于：

選擇所述待檢測(cè)對(duì)象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在所述可能損傷部位圖像中尋找強(qiáng)度分布與所述手指損傷圖像模型中的強(qiáng)度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，所述手指損傷圖像模型基于健康手指mr圖像中灰度級(jí)分布計(jì)算得到；

根據(jù)所述匹配區(qū)域圖像和所述可能損傷部位圖像，計(jì)算得到真實(shí)損傷部位圖像和健康部位圖像；

通過(guò)二進(jìn)制標(biāo)簽對(duì)所述健康部位圖像進(jìn)行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)所述健康部位圖像，通過(guò)輔助函數(shù)對(duì)成本函數(shù)進(jìn)行優(yōu)化處理，計(jì)算得到最優(yōu)標(biāo)簽；

根據(jù)所述最優(yōu)標(biāo)簽，計(jì)算得到邊界區(qū)域；

根據(jù)所述邊界區(qū)域，計(jì)算得到最終損傷區(qū)域，所述最終損傷區(qū)域?yàn)樗鍪种竚r圖像中的真實(shí)損傷區(qū)域。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。

圖1示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)方法的第一流程圖；

圖2示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)方法的待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像的對(duì)照示意圖；

圖3示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)方法的掃描mr圖像示意圖；

圖4示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)方法的第二流程圖；

圖5示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)系統(tǒng)的示意圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明技術(shù)方案的實(shí)施例進(jìn)行詳細(xì)的描述。以下實(shí)施例僅用于更加清楚地說(shuō)明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來(lái)限制本發(fā)明的保護(hù)范圍。

實(shí)施例一

圖1示出了本發(fā)明實(shí)施例所提供的一種基于mr圖像的手指損傷檢測(cè)方法的流程圖；如圖1所示，本實(shí)施例提供的一種基于mr圖像的手指損傷檢測(cè)方法，包括：

步驟s1，獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

步驟s2，將待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進(jìn)行比較，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果。

本發(fā)明提供的基于mr圖像的手指損傷檢測(cè)方法，其技術(shù)方案為：獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進(jìn)行比較，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果。

優(yōu)選地，還包括線(xiàn)圈，線(xiàn)圈為4通道表面線(xiàn)圈或8通斷腕關(guān)節(jié)線(xiàn)圈，配合掃描議獲得待測(cè)對(duì)象手指mr圖像。

其中，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；具體為：

以待檢測(cè)對(duì)象手指的肌腱韌帶損傷處為中心，定義掃描范圍，包括病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位；

進(jìn)行掃描序列設(shè)定，所述掃描序列包括t1和質(zhì)子壓脂兩個(gè)序列，所述質(zhì)子壓脂序列選用快速自旋回波tse序列和spair壓脂序列；

進(jìn)行掃描參數(shù)設(shè)定；

設(shè)定掃描序列和掃描參數(shù)后，通過(guò)掃描儀進(jìn)行病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位的掃描，得到待檢測(cè)對(duì)象手指mr圖像。

掃描定位時(shí)，正常人的定位線(xiàn)以手指目標(biāo)關(guān)節(jié)為中心，損傷患者定位線(xiàn)以患指肌腱韌帶損傷處為中心；掃描范圍應(yīng)包括病變上下鄰近關(guān)節(jié)面，對(duì)手指進(jìn)行軸位、冠狀位及矢狀位掃描。每個(gè)掃描方向包括t1wi(t1序列的加權(quán)成像)和質(zhì)子壓脂(pd-fs)兩個(gè)序列(可視具體情況而定，能夠清晰顯示病變、滿(mǎn)足診斷要求即可，常規(guī)掃描三個(gè)方向的pd壓脂序列加一個(gè)方向的twi序列)，pd脂肪抑制選用快速自旋回波(tse)序列加spair壓脂序列。常規(guī)掃描參數(shù)如下：fov(100-140)mm*(70-100)mm*(26-40)mm，nex2-4，層厚1.0mm，層間距2.0mm，體素(0.15-0.25)mm*(0.15-0.25)；mm*1.50mm。掃描序列：se(fse)t1wi序列，tr521-780ms，te20-40ms(質(zhì)子密度加權(quán)像的長(zhǎng)tr和短te)；pd-fs序列，tr2347-3657ms,te40-45ms。冠狀位成像可以較好的觀察和評(píng)估側(cè)韌帶的損傷，矢狀位適用于觀察伸肌腱、屈肌腱和滑車(chē)的損傷，而軸位可用于評(píng)價(jià)側(cè)副韌帶、伸肌腱、屈肌腱和滑車(chē)結(jié)構(gòu)等。根據(jù)不同的待檢測(cè)對(duì)象手指mr圖像，可進(jìn)行手指損傷的判斷。

其中，各個(gè)方位的mr掃描方法為：

a：冠狀位掃描：根據(jù)軸位圖像確定冠狀位掃描定位像，掃描平面平行于目標(biāo)掌骨或指骨掌側(cè)緣。同時(shí)參照矢狀位圖像，確定掃描中心和范圍。根據(jù)病變選擇不同層厚，一般為1-3mm。

b：矢狀位掃描：根據(jù)軸位圖像確定矢狀位掃描定位像，掃描平面垂直于目標(biāo)掌骨或指骨掌側(cè)緣。同時(shí)參照冠狀位圖像，確定掃描中心和范圍。根據(jù)病變選擇不同層厚，一般為1-2mm。

c：橫軸位掃描：利用矢狀位或冠狀位圖像確定軸位掃描定位線(xiàn)，掃描平面垂直于目標(biāo)掌骨、指骨長(zhǎng)軸，選擇病變部位局部進(jìn)行掃描。根據(jù)病變選擇不同層厚，一般為1-2mm。

然后將掃描得到的待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進(jìn)行比較，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果。

參見(jiàn)圖2，為待檢測(cè)對(duì)象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像的對(duì)照：

圖2中a：拇指矢狀位斷層標(biāo)本得到的標(biāo)準(zhǔn)手指mr圖像。正常拇長(zhǎng)伸肌腱在大體標(biāo)本上表現(xiàn)為拇指背側(cè)白色細(xì)條狀結(jié)構(gòu)，拇長(zhǎng)伸肌腱遠(yuǎn)端附著點(diǎn)位于遠(yuǎn)節(jié)指骨背側(cè)基底部(白色實(shí)線(xiàn)箭頭)。正常拇長(zhǎng)屈肌腱在大體標(biāo)本上表現(xiàn)為拇指掌側(cè)白色稍粗條狀結(jié)構(gòu)，拇長(zhǎng)屈肌腱遠(yuǎn)端附著點(diǎn)位于遠(yuǎn)節(jié)指骨掌側(cè)基底部(白色虛線(xiàn)箭頭)。

圖2中b：待檢測(cè)對(duì)象手指的拇指矢狀位mr圖像，t1wi序列。正常拇長(zhǎng)伸肌腱在mr圖像上表現(xiàn)為拇指背側(cè)細(xì)條狀低信號(hào)帶，拇長(zhǎng)伸肌腱遠(yuǎn)端附著點(diǎn)位于遠(yuǎn)節(jié)指骨背側(cè)基底部(白色實(shí)線(xiàn)箭頭)。正常拇長(zhǎng)屈肌腱在mr圖像上表現(xiàn)為拇指掌側(cè)稍粗條狀低信號(hào)帶，拇長(zhǎng)屈肌腱遠(yuǎn)端附著點(diǎn)位于遠(yuǎn)節(jié)指骨掌側(cè)基底部(白色虛線(xiàn)箭頭)。

以上述掃描方案對(duì)損傷手指進(jìn)行mr掃描成像，以一位男損傷者為例，該手指損傷則40歲，左手拇長(zhǎng)伸肌腱損傷屈曲位mr圖像，參見(jiàn)圖3。

圖3中a：pd-fs序列軸位，近節(jié)指骨基底部骨髓水腫，拇長(zhǎng)伸肌腱(白色實(shí)線(xiàn)箭頭)信號(hào)增高，纖維模糊。

圖3中b：t1wi序列軸位，拇長(zhǎng)伸肌腱(白色實(shí)線(xiàn)箭頭)形態(tài)模糊、增粗。

圖3中c：pd-fs序列矢狀位，拇長(zhǎng)伸肌腱損傷處信號(hào)明顯增高(白色實(shí)線(xiàn)箭頭)

圖3中d：t1wi序列矢狀位，拇長(zhǎng)伸肌腱損傷處(白色實(shí)線(xiàn)箭頭)纖維欠清晰、信號(hào)增高。

根據(jù)上述圖3中對(duì)mr圖像的觀察，可判斷手指的損傷程度。

本發(fā)明應(yīng)用mr成像技術(shù)，研究手指的微細(xì)斷層解剖與mr影像特點(diǎn)的相關(guān)性，及手指不同部位損傷的mr影像特點(diǎn)；其優(yōu)勢(shì)在于應(yīng)用高場(chǎng)強(qiáng)的mr掃描儀，小孔徑表面線(xiàn)圈的高固有基礎(chǔ)分辨力，可減小掃描圖像的體素、提高空間分辨率，更加適用于位置表淺、解剖結(jié)構(gòu)細(xì)微的手指mri檢查，加之掃描方案的優(yōu)化，從而極大提高精細(xì)解剖結(jié)構(gòu)的圖像質(zhì)量及診斷效能，可適用于常規(guī)臨床工作，為手指損傷的診斷和治療提供的可靠的影像學(xué)依據(jù)。

實(shí)施例二

基于實(shí)施例一中的手指mr圖像掃描方法，基于獲得的待檢測(cè)對(duì)象手指mr圖像，本發(fā)明還提出了一種基于mr圖像的手指損傷檢測(cè)方法，參見(jiàn)圖4，包括：

獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

將待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；

根據(jù)特征分類(lèi)結(jié)果中的特征比重，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測(cè)方法，其技術(shù)方案為：獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；根據(jù)特征分類(lèi)結(jié)果中的特征比重，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測(cè)方法，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對(duì)待檢測(cè)對(duì)象手指mr圖像進(jìn)行特征分類(lèi)，實(shí)現(xiàn)通過(guò)手指mr圖像的特征判斷手指的損傷情況，檢測(cè)結(jié)果準(zhǔn)確快速。

優(yōu)選地，通過(guò)標(biāo)準(zhǔn)手指mr圖像建立特征分類(lèi)器，具體為：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過(guò)圖像處理算法對(duì)標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第一特征，每個(gè)第一特征包括對(duì)標(biāo)準(zhǔn)圖像進(jìn)行標(biāo)記的多種標(biāo)記特征；

其中，每個(gè)第一特征可代表手指的一種損傷或病癥，標(biāo)記特征可代表一種損傷或病癥中的表現(xiàn)癥狀，因?yàn)橐环N損傷或病癥會(huì)有多種表現(xiàn)癥狀，因此每個(gè)第一特征包括多種標(biāo)記特征。

在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對(duì)多幀標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第二特征，形成特征集合；

根據(jù)第一相關(guān)特征，得到多個(gè)第二相關(guān)特征，形成相關(guān)特征集合；

通過(guò)混合特征算法對(duì)特征集合和相關(guān)特征集合分別進(jìn)行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)預(yù)設(shè)條件對(duì)最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行設(shè)置，結(jié)合多核svm模型對(duì)最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行整合，形成特征分類(lèi)器。

對(duì)標(biāo)準(zhǔn)手指mr圖像進(jìn)行特征和相關(guān)特征的提取、設(shè)置特征相對(duì)于相關(guān)特征在分類(lèi)器中功能比例的權(quán)重因子、通過(guò)多核svm模型整合形成特征分類(lèi)器，通過(guò)特征分類(lèi)器可用于不同疾病的輔助診斷，疾病分類(lèi)的準(zhǔn)確性高，且具有較強(qiáng)的適用性。

優(yōu)選地，通過(guò)圖像處理算法對(duì)標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取之前，還包括：

對(duì)一幀標(biāo)準(zhǔn)手指mr圖像進(jìn)行區(qū)域劃分。

優(yōu)選地，通過(guò)圖像處理算法對(duì)標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取之后，還包括：

對(duì)每個(gè)第一特征中的多種標(biāo)記特征分別進(jìn)行歸一化處理。

考慮到不同種類(lèi)標(biāo)記特征的個(gè)體差異，對(duì)每個(gè)第一特征中的分別進(jìn)行歸一化處理，消除個(gè)體差異，提高特征提取的準(zhǔn)確率。

優(yōu)選地，在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征，具體為：

將n個(gè)具有標(biāo)記特征的特征形成的向量通過(guò)計(jì)算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，相關(guān)矩陣中每個(gè)元素表示兩個(gè)具有標(biāo)記特征的特征之間的相關(guān)性；

將第i個(gè)具有標(biāo)記特征的特征和第j個(gè)具有標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個(gè)特征中標(biāo)記特征的特征值、第j個(gè)特征中標(biāo)記特征的特征值；

則第i個(gè)具有標(biāo)記特征的特征和第j個(gè)具有標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個(gè)特征和第j個(gè)特征之間標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

優(yōu)選地，混合特征算法包括對(duì)特征集合和相關(guān)特征集合依次進(jìn)行特征選擇的第一過(guò)濾特征選擇算法、第二過(guò)濾特征選擇算法以及封裝特征選擇算法；其中第一過(guò)濾特征選擇算法用于減少特征數(shù)量；第二過(guò)濾特征選擇算法為最小冗余最大相關(guān)特征選擇方法，獲取最優(yōu)特征子集；封裝特征選擇算法為基于支持向量機(jī)的遞歸特征消除算法，獲取進(jìn)一步優(yōu)化的最優(yōu)特征子集。

因?yàn)樘卣骱拖嚓P(guān)特征都是高維特征，采用混合特征算法對(duì)特征集合和相關(guān)特征集合分別進(jìn)行特征選擇，降維，避免維數(shù)災(zāi)難，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集。

其中，預(yù)設(shè)條件指已設(shè)置好的第二特征在特征分類(lèi)器中所占比例的權(quán)重因子。通過(guò)權(quán)重因子，根據(jù)手指mr圖像中提取的特征即可實(shí)現(xiàn)特征的分類(lèi)，不同的權(quán)重因子對(duì)應(yīng)不同的分類(lèi)結(jié)果，不同的分類(lèi)結(jié)果對(duì)應(yīng)不同的損傷或病癥。

優(yōu)選地，通過(guò)權(quán)重因子以及多核svm模型整合最優(yōu)特征子集、最優(yōu)相關(guān)特征子集，形成特征分類(lèi)器，包括以下步驟：

通過(guò)基于徑向基核函數(shù)對(duì)最優(yōu)特征子集和最優(yōu)相關(guān)特征子集分別建立核矩陣；

定義n個(gè)訓(xùn)練樣本，定義所述權(quán)重因子為βm；則第i個(gè)樣本的特征向量為：xi＝{xi⁽¹⁾，...，xi^(m)}；其中，m為標(biāo)記特征的種類(lèi)；每個(gè)特征向量對(duì)應(yīng)的標(biāo)簽為yi＝{-1,1}；

那么，混合的核矩陣為：其中，k^(m)(xi^(m)，xj^(m))＝＜φ(xi^(m)),φ(xj^(m))＞；

而當(dāng)0≤ai≤c時(shí)，φ(·)表示核函數(shù)引導(dǎo)的映射函數(shù)，k^(m)(xi^(m)，xj^(m))表示訓(xùn)練樣本xi^(m)和xj^(m)在第m中特征上核矩陣，a表示拉格朗日乘子，＜·,·＞表示內(nèi)積運(yùn)算，c表示模型參數(shù)中約束條件的個(gè)數(shù)；

因此，多核分類(lèi)器為

其中，權(quán)重因子βm越大，特征在特征分類(lèi)器中的對(duì)應(yīng)的損傷概率越大。

優(yōu)選地，通過(guò)4通道表面線(xiàn)圈或8通斷腕關(guān)節(jié)線(xiàn)圈，配合掃面議獲得待測(cè)對(duì)象的手指mr圖像。

4通道表面線(xiàn)圈或8通斷腕關(guān)節(jié)線(xiàn)圈為小孔徑表面線(xiàn)圈，可減小掃描圖像的體素，提高空間分辨率，更加適用于位置表淺、結(jié)構(gòu)細(xì)微的手指mr掃描檢查，提高手指損傷檢測(cè)的精準(zhǔn)度。

優(yōu)選地，待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果包括待檢測(cè)對(duì)象手指為健康或有損傷，當(dāng)待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果為有損傷，還包括：

選擇待檢測(cè)對(duì)象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在可能損傷部位圖像中尋找強(qiáng)度分布與手指損傷圖像模型中的強(qiáng)度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，手指損傷圖像模型基于健康手指mr圖像中灰度級(jí)分布計(jì)算得到；

根據(jù)匹配區(qū)域圖像和可能損傷部位圖像，計(jì)算得到真實(shí)損傷部位圖像和健康部位圖像；

通過(guò)二進(jìn)制標(biāo)簽對(duì)健康部位圖像進(jìn)行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)健康部位圖像，通過(guò)輔助函數(shù)對(duì)成本函數(shù)進(jìn)行優(yōu)化處理，計(jì)算得到最優(yōu)標(biāo)簽；

根據(jù)最優(yōu)標(biāo)簽，計(jì)算得到邊界區(qū)域；

根據(jù)邊界區(qū)域，計(jì)算得到最終損傷區(qū)域，最終損傷區(qū)域?yàn)槭种竚r圖像中的真實(shí)損傷區(qū)域。

通過(guò)對(duì)檢測(cè)到的可能損傷部位圖像進(jìn)行重新分割，以確定可能損傷部位的精確區(qū)間，根據(jù)精確區(qū)間，可提高檢測(cè)結(jié)果的準(zhǔn)確性。

下面結(jié)合具體分割過(guò)程進(jìn)行說(shuō)明：

由于損傷區(qū)域和正常區(qū)域圖像的灰度強(qiáng)度不同，因此，定義可能損傷部位圖像為i，定義兩個(gè)變量，表示正常區(qū)域，ωi表示損傷區(qū)域，根據(jù)正常區(qū)域估計(jì)灰度強(qiáng)度mi的非參數(shù)模型分布，建立手指損傷圖像模型，其中包括手指mr圖像中正常區(qū)域(健康區(qū)域)的所有特征信息。

設(shè)mi(z)為內(nèi)圖像i的灰度級(jí)分布核密度估計(jì)：

其中，表示的面積(即區(qū)域內(nèi)像素點(diǎn)的數(shù)量)；

k(z)為核函數(shù)：

其中，σ為內(nèi)核寬度，u為期望值。

在損傷區(qū)域ωi內(nèi)找尋強(qiáng)度分布最可能接近手指損傷圖像模型mi的區(qū)域ri，即匹配區(qū)域圖像,通過(guò)ωi/ri計(jì)算得到真實(shí)損傷部位圖像，則健康部位圖像為

通過(guò)二進(jìn)制標(biāo)簽對(duì)健康部位圖像進(jìn)行優(yōu)化處理，得到優(yōu)化后的健康部位圖像，具體為：

設(shè)li:ωi→{0,1}為圖像域的一個(gè)可變分區(qū)，對(duì)于正常的區(qū)域(無(wú)損傷的區(qū)域)，ri:{p∈ωi|li(p)＝1}，對(duì)于真實(shí)損傷部位圖像，通過(guò)最小化全局成本函數(shù)來(lái)獲取最優(yōu)標(biāo)簽，全局成本函數(shù)包括一個(gè)基于巴氏度量的非線(xiàn)性分布匹配和一個(gè)平滑約束。為了表示成本函數(shù)，對(duì)任何二進(jìn)制標(biāo)簽li:ωi→{0,1}，設(shè)定以下符號(hào)：

其中，a(ri)表示ri的面積。

本發(fā)明中通過(guò)最小化以下成本函數(shù)來(lái)找到一個(gè)最優(yōu)標(biāo)簽

其中，

其中，s(li)為平滑度，用來(lái)調(diào)整分割邊界：

其中，且

n為包含ωi中所有相鄰元素對(duì){p,q}的領(lǐng)域組。λ時(shí)一個(gè)正常數(shù)，用來(lái)平衡分布匹配項(xiàng)與正則項(xiàng)的相對(duì)貢獻(xiàn)，給出了一個(gè)強(qiáng)度分布與mi最匹配邊界區(qū)域，為最優(yōu)區(qū)域，該最優(yōu)區(qū)域被期望與ωi中的非損傷區(qū)域相對(duì)應(yīng)。因此，最終損傷區(qū)域sri根據(jù)計(jì)算：

其中，根據(jù)健康部位圖像，通過(guò)輔助函數(shù)對(duì)成本函數(shù)進(jìn)行優(yōu)化處理，具體為：

設(shè)a(u,uⁱ)為成本函數(shù)fi(u)的輔助函數(shù)，且滿(mǎn)足以下條件：

fi(u)≤a(u,uⁱ),i>1

本發(fā)明中迭代優(yōu)化一系列輔助函數(shù)，表示為a(u,uⁱ),i≥1，i表示迭代次數(shù)，這樣能夠比f(wàn)i(u)更容易優(yōu)化：

根據(jù)獲取的解序列使原函數(shù)fi(u)降序排列：

fi(uⁱ)＝a(uⁱ,uⁱ)≥a(uⁱ⁺¹,uⁱ)≥fi(uⁱ⁺¹)

此外，由原函數(shù)存在下屆，因此解序列收斂于fi(uⁱ)的最小值，進(jìn)而得到最優(yōu)標(biāo)簽。

參見(jiàn)圖5，本發(fā)明提供了一種基于mr圖像的手指損傷檢測(cè)系統(tǒng)10，包括：

圖像獲取模塊101，用于獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

特征分類(lèi)模塊102，用于將待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；

手指損傷檢測(cè)模塊103，用于根據(jù)特征分類(lèi)結(jié)果中的特征比重，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測(cè)系統(tǒng)10，其技術(shù)方案為：通過(guò)圖像獲取模塊101，獲得待檢測(cè)對(duì)象手指mr圖像，待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；通過(guò)特征分類(lèi)模塊102，將待檢測(cè)對(duì)象手指mr圖像通過(guò)預(yù)先建立的特征分類(lèi)器進(jìn)行特征分類(lèi)，得到特征分類(lèi)結(jié)果；通過(guò)手指損傷檢測(cè)模塊103，根據(jù)特征分類(lèi)結(jié)果中的特征比重，判斷待檢測(cè)對(duì)象手指mr圖像對(duì)應(yīng)的癥狀，得到待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測(cè)系統(tǒng)10，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對(duì)待檢測(cè)對(duì)象手指mr圖像進(jìn)行特征分類(lèi)，實(shí)現(xiàn)通過(guò)手指mr圖像的特征判斷手指的損傷情況，檢測(cè)結(jié)果準(zhǔn)確快速。

優(yōu)選地，特征分類(lèi)模塊102，具體用于通過(guò)標(biāo)準(zhǔn)手指mr圖像建立特征分類(lèi)器：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過(guò)圖像處理算法對(duì)標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第一特征，每個(gè)第一特征包括對(duì)標(biāo)準(zhǔn)圖像進(jìn)行標(biāo)記的多種標(biāo)記特征；

在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個(gè)第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對(duì)多幀標(biāo)準(zhǔn)手指mr圖像進(jìn)行多維特征提取，得到多個(gè)第二特征，形成特征集合；

根據(jù)第一相關(guān)特征，得到多個(gè)第二相關(guān)特征，形成相關(guān)特征集合；

通過(guò)混合特征算法對(duì)特征集合和相關(guān)特征集合分別進(jìn)行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)預(yù)設(shè)條件對(duì)最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行設(shè)置，結(jié)合多核svm模型對(duì)最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進(jìn)行整合，形成特征分類(lèi)器。

優(yōu)選地，特征分類(lèi)模塊102，具體用于：

將n個(gè)具有標(biāo)記特征的特征形成的向量通過(guò)計(jì)算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，相關(guān)矩陣中每個(gè)元素表示兩個(gè)具有標(biāo)記特征的特征之間的相關(guān)性；

將第i個(gè)具有標(biāo)記特征的特征和第j個(gè)具有標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個(gè)特征中標(biāo)記特征的特征值、第j個(gè)特征中標(biāo)記特征的特征值；

則第i個(gè)具有標(biāo)記特征的特征和第j個(gè)具有標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個(gè)特征和第j個(gè)特征之間標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

優(yōu)選地，還包括手指mr圖像獲得模塊，用于通過(guò)4通道表面線(xiàn)圈或8通斷腕關(guān)節(jié)線(xiàn)圈，配合掃面議獲得待測(cè)對(duì)象的手指mr圖像。

優(yōu)選地，還包括預(yù)約反饋模塊，用于：

手指損傷檢測(cè)模塊103中，待檢測(cè)對(duì)象手指mr圖像的檢測(cè)結(jié)果包括待檢測(cè)對(duì)象手指為健康或有損傷，當(dāng)待檢測(cè)對(duì)象手指的檢測(cè)結(jié)果為有損傷，還包括手指損傷檢測(cè)子模塊，用于：

選擇待檢測(cè)對(duì)象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在可能損傷部位圖像中尋找強(qiáng)度分布與手指損傷圖像模型中的強(qiáng)度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，手指損傷圖像模型基于健康手指mr圖像中灰度級(jí)分布計(jì)算得到；

根據(jù)匹配區(qū)域圖像和可能損傷部位圖像，計(jì)算得到真實(shí)損傷部位圖像和健康部位圖像；

通過(guò)二進(jìn)制標(biāo)簽對(duì)健康部位圖像進(jìn)行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)健康部位圖像，通過(guò)輔助函數(shù)對(duì)成本函數(shù)進(jìn)行優(yōu)化處理，計(jì)算得到最優(yōu)標(biāo)簽；

根據(jù)最優(yōu)標(biāo)簽，計(jì)算得到邊界區(qū)域；

根據(jù)邊界區(qū)域，計(jì)算得到最終損傷區(qū)域，最終損傷區(qū)域?yàn)槭种竚r圖像中的真實(shí)損傷區(qū)域。

實(shí)施例三

基于實(shí)施例一及實(shí)施例二提供的一種基于mr圖像的手指損傷檢測(cè)方法，及基于mr圖像的手指損傷檢測(cè)系統(tǒng)10，由于mri的成像速度慢，人在成像過(guò)程中必須保持靜止?fàn)顟B(tài)，即使是輕微的運(yùn)動(dòng)也會(huì)使成像產(chǎn)生偽影，影響手指損傷的診斷?；诖?，本實(shí)施例提出一種基于壓縮感知的mr圖像重建方法，具體為：

在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造mr圖像重建的目標(biāo)函數(shù)；

根據(jù)構(gòu)造出的目標(biāo)函數(shù)，利用變量替換方法將目標(biāo)函數(shù)的優(yōu)化求解問(wèn)題轉(zhuǎn)化為低秩矩陣的去噪與目標(biāo)圖像重建的求解問(wèn)題；

對(duì)于低秩矩陣的去噪問(wèn)題，采用奇異值分解方法將聚類(lèi)的低秩矩陣進(jìn)行分解，對(duì)分解得到的特征值進(jìn)行軟閾值處理，獲得去噪后的低秩矩陣；

將得到的低秩矩陣帶入到目標(biāo)函數(shù)中，經(jīng)過(guò)近似優(yōu)化，利用最小二乘算法得到最終重建后的mr圖像。

其中，在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造mr圖像重建的目標(biāo)函數(shù)的具體步驟如下：

利用低秩矩陣的特性，構(gòu)造基本mr重構(gòu)模型：

其中，y表示經(jīng)過(guò)磁共振掃描儀獲得的觀測(cè)數(shù)據(jù)，fu為部分傅立葉變換操作算子，x為重建后的圖像；已知，ai表示在圖像x中以像素點(diǎn)i為中心的圖像塊，圖像塊集合為n表示圖像總的像素點(diǎn)個(gè)數(shù)，ai表示以圖像塊ai為參考?jí)K，在其一定領(lǐng)域內(nèi)尋找與ai最相似的m塊圖像塊將這些相似塊拉成列向量，構(gòu)成的相似塊矩陣；rank(ai)表示對(duì)矩陣ai求秩操作；

式(1)是一個(gè)非凸優(yōu)化問(wèn)題，可以放松約束條件，用核范數(shù)最小替代秩最小，所以式(1)可以改寫(xiě)成:

其中，矩陣ai的核范數(shù)||ai||*定義為λi,j為矩陣ai的特征值，r表示矩陣ai的秩大小，λ＞0是權(quán)重參數(shù)。

其中，根據(jù)構(gòu)造出的目標(biāo)函數(shù)，利用變量替換方法將目標(biāo)函數(shù)的優(yōu)化求解問(wèn)題轉(zhuǎn)化為低秩矩陣的去噪與目標(biāo)圖像重建的求解問(wèn)題的具體方法如下：

利用變量替換的方法將目標(biāo)模型(1)變換為如下形式：

其中bi是在求解mr圖像過(guò)程中產(chǎn)生的中間變量，稱(chēng)之為輔助變量，然后再將這個(gè)目標(biāo)函數(shù)寫(xiě)成非約束形式：

其中，定義為：xi,j表示矩陣x中坐標(biāo)(i,j)的像素值，ω為常數(shù)；對(duì)于式(4)，采用交替最小化過(guò)程將目標(biāo)函數(shù)轉(zhuǎn)化為低秩矩陣的復(fù)原以及目標(biāo)圖像重建問(wèn)題。

其中，對(duì)于低秩矩陣的去噪問(wèn)題，采用奇異值分解方法將聚類(lèi)的低秩矩陣進(jìn)行分解，對(duì)分解得到的特征值進(jìn)行軟閾值處理，獲得去噪后的低秩矩陣的具體步驟如下：

對(duì)于目標(biāo)函數(shù)(4)，當(dāng)x已知的情況下，求解未知變量bi，得到下式：

對(duì)低秩矩陣ai進(jìn)行一個(gè)閾值去噪，得到新的低秩矩陣bi，具體可分為兩步：

a、對(duì)低秩矩陣ai進(jìn)行奇異值分解(svd)：

(ui,σi,vi)＝svd(ai)

其中，σi表示對(duì)矩陣ai分解獲得的特征值矩陣，而ui與vi為分解得到的酉矩陣；

b、對(duì)特征值矩陣進(jìn)行軟閾值處理閾值其中，r表示矩陣ai秩大小，估計(jì)是根據(jù)矩陣ai所包含的噪聲大小來(lái)確定的，噪聲方差估計(jì)如下：

其中，s表示矩陣ai的特征值由第1個(gè)至第k個(gè)特征值之和小于ai總能量的85％所對(duì)應(yīng)的最大k值，1＜k＜r，n、p分別表示ai的行數(shù)與列數(shù)，min(n-1,p)表示取n-1與p之間較小的一方的值，特征值閾值為：

通過(guò)閾值去噪后得到

將得到的低秩矩陣帶入到目標(biāo)函數(shù)中，經(jīng)過(guò)近似優(yōu)化，利用最小二乘算法得到最終重建后的mr圖像的具體步驟如下：

對(duì)于目標(biāo)函數(shù)(4)，當(dāng)bi已知的情況下，求解未知變量x，得到下式：

其中，λ1＝λ·ω，為了能夠把重構(gòu)mr圖像x寫(xiě)成閉型解的形式，需要對(duì)式(6)進(jìn)行改寫(xiě)以便能夠得到一個(gè)最小二乘的解，由于可以寫(xiě)成向量的和的形式，所以可以得到：

其中，n是圖像x像素個(gè)數(shù)，ai表示圖像x中第i個(gè)像素點(diǎn)對(duì)應(yīng)的圖像塊向量，bi表示與ai對(duì)應(yīng)的中間變量，oi表示在中出現(xiàn)的次數(shù)，因此，必然滿(mǎn)足：

其中，omin和omax分別表示的最小值和最大值，因此可以對(duì)取一個(gè)近似的估計(jì)因此式(6)可以寫(xiě)為：

λ2是一個(gè)權(quán)重常數(shù)，由于是復(fù)原的所有圖像塊的集合，通過(guò)圖像塊加權(quán)平均，得同樣，通過(guò)塊加權(quán)平均得到圖像x，因此，可以將式(8)轉(zhuǎn)變成式(9)：

λ3是大于0的常數(shù)；

在式(9)的基礎(chǔ)上，利用admm算法在圖像域以及空間域的約束項(xiàng)中同時(shí)引入噪聲回加過(guò)程，可得到式(10)：

式(10)是一個(gè)典型的最小二乘問(wèn)題，從而能夠得到重構(gòu)后的x'，其中，ex與ek是噪聲回加變量，更新的ex'與ek'分別為：

本發(fā)明利用非局部塊的相似性以及相似塊構(gòu)成的低秩矩陣這兩種先驗(yàn)知識(shí)，提出了一種新的算法，利用自適應(yīng)的參數(shù)估計(jì)以及最小二乘算法來(lái)很好的重建mr圖像。通過(guò)實(shí)驗(yàn)證明了該算法模型相比于傳統(tǒng)的方法在對(duì)mr圖像的細(xì)節(jié)邊緣處理上具有很好的重建效果。

通過(guò)本實(shí)施例中的mr圖像重建方法，采用一種近似最小二乘的思路來(lái)重建mr圖像，相比于現(xiàn)有技術(shù)在邊緣及邊界區(qū)域復(fù)原更加清晰，使的獲得的手指mr圖像更加清晰，便于提高對(duì)手指mr檢測(cè)的精準(zhǔn)性。

最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說(shuō)明書(shū)的范圍當(dāng)中。