TWI399193B - 膝蓋軟骨量變化之量測方法 - Google Patents
膝蓋軟骨量變化之量測方法 Download PDFInfo
- Publication number
- TWI399193B TWI399193B TW98143087A TW98143087A TWI399193B TW I399193 B TWI399193 B TW I399193B TW 98143087 A TW98143087 A TW 98143087A TW 98143087 A TW98143087 A TW 98143087A TW I399193 B TWI399193 B TW I399193B
- Authority
- TW
- Taiwan
- Prior art keywords
- trajectory
- treatment
- humeral surface
- gvf
- cartilage
- Prior art date
Links
- 210000000845 cartilage Anatomy 0.000 title claims description 70
- 210000003127 knee Anatomy 0.000 title claims description 40
- 238000000034 method Methods 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 18
- 210000004417 patella Anatomy 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 210000002758 humerus Anatomy 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 65
- 238000010187 selection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 201000008482 osteoarthritis Diseases 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000003947 Knee Osteoarthritis Diseases 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 101100514733 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) mri-1 gene Proteins 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 210000002303 tibia Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 210000001188 articular cartilage Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Description
本發明係關於一種膝蓋軟骨量變化之量測系統及方法，尤指一種利用核磁共振影像(MRI)分析膝蓋軟骨量變化的系統及方法。
隨著醫學的進步，人類平均壽命的延長，因此原本被設計使用年限為40~60年的人類股關節及膝關節，到老都發生退化關節炎。尤其最近現代人常常忽略關節的保養且過度使用，使得退化性關節炎提早來臨，而其中很多膝蓋骨關節炎治療方法被發展出來，又一般咸認，退化性關節炎與關節軟骨的磨損退化有很大的關聯，因此利用軟骨量變化量測來驗證膝蓋骨關節炎療程的療效，就顯得特別重要。
而量測膝蓋軟骨量的文獻大致分成兩大類：第一類是從MRI取像後的影像序列中圈選出膝蓋股骨軟骨，進而找出膝蓋股骨軟骨總量變化。
第二類是經過脛骨定位後，只計算受損的局部膝蓋脛骨軟骨量變化(因為脛骨面地形起伏大，所以不採取骰骨軟骨來作量測)。
Habib et al.提出一個粗略的架構來量測受損的局部膝蓋軟骨量變化，其中第一組是治療前MRI影像序列作輸入和處理，而治療中每段療程的MRI影像序列資料也作輸入和處理，就能做定位處理，進而計算出治療中每段療程改
善程度。由前述的架構中可以看出：已知的軟骨選取是採用手動選取，定義脛骨面是用手動選取或Canny選取，並進行脛骨面三維匹配，而所述的軟骨選取、定義脛骨面及脛骨面三維匹配等三方面都有改善的空間：如既有的軟骨選取及定義脛骨面多採用人工選取，而人工選取對於操作者造成很大的負擔，且準確度相對較低；另一方面，在脛骨面三維匹配時對於每一張MRI影像都必須定義初始軌跡，因此相對加重操作負擔，並延長執行時間。
因此，本發明主要目的在提供一種膝蓋軟骨量變化之量測方法，其可針對已知流程進行改善，以提高其準確度並縮短量測執行時間。
為達成前述目的採取的主要技術手段係針對治療前後的MRI影像序列執行以下工作流程，包括：軟骨選取程序，係在載入MRI影像後，先大略框出軟骨所在，並在框內進行邊緣偵測，利用偵測出的邊緣作為選取軟骨的參考；脛骨面選取程序，在載入數張MRI影像後，先定義出一初始軌跡，並修正該初始軌跡以去除雜訊及平滑化，再利用脛骨面軌跡快速GVF擴展演算法找出脛骨面結果軌跡，並作為下一張影像的軌跡；脛骨面3D疊合程序，利用找到的脛骨面結果軌跡對軟骨進行定位，其包括整數座標內插、分別定義治療前後的最高特徵點、範圍擴展最佳對應點、快速3D縮小；
由於驗證膝蓋骨關節炎的療效，必須量測局部膝蓋軟骨量的變化，利用前述方法可以在治療前及治療後的MRI影像序列中對軟骨模型作定位，並且找出其中局部變化量；且利用前述方法可將傳統量測方法中大部分採取人工選取的部分進行自動化處理，除可減少操作者的負擔、提高準確度外，並可縮短量測執行時間。
關於本發明之一較佳實施例，首先請參閱第一圖所示，其揭示本發明之整體架構，包括一輸入部分(10)、一運算部分(20)及一輸出部分(30)；其中：該輸入部分(10)係載入治療前及治療後的核磁共振(MRI，以下簡稱為MRI)影像序列，並針對該MRI影像序列進行座標定義、體素(Voxel)定義、整體與局部膝蓋MRI影像序列定義等；運算部分(20)則包括一軟骨選取程序(21)、一脛骨面選取程序(22)及一3D疊合程序(23)；以下即分別針對前述輸入部分(10)、運算部分(20)及輸出部分(30)的內容及細節進一步說明后：輸入部分(10)執行內容包括：MRI影像序列座標定義、體素(Voxel)定義、整體與局部膝蓋MRI影像序列定義；其中：MRI影像序列座標定義
如前揭所述，本發明主要係在治療前及治療後的MRI影像序列中對軟骨模型作定位，並且找出其中局部變化量，因此必須分別提供並輸入治療前及治療後的MRI影像序
列，又因快速3D疊合之局部膝蓋軟骨量變化量測必須針對三維座標資料做處理，故輸入部分(10)將在MRI影像序列中作座標定義，其方法請參閱第二圖所示，主要係先定義出三維原點，接著定義出MRI影像的長高，再把編號0到N-1的各張MRI影像進行堆疊，藉此即可定義出三維座標軸與三維座標。
體素(Voxel)定義：在以下實施例中，係以體素作為運算單位，若想轉換成實際體積，則公式如下
其中、和分別為MRI實際影像寬(mm)、高(mm)和總厚度(mm)，X、Y和Z分別是虛擬MRI影像寬(pixel)、高(pixel)和總張數(pixel)，a則是轉換係數。
整體與局部膝蓋MRI影像序列定義：
(一)整體膝蓋MRI影像序列定義(MRI_1和MRI_2)
整體膝蓋MRI影像資料係分別輸入運算部分(20)的軟骨選取程序(21)及脛骨面選取程序(22)；其中：
(1)輸入到軟骨選取程序(21)的整體膝蓋MRI影像序列定義：只要含有軟骨的MRI影像就做選取，因此必須定義出MRI_1(治療前)和MRI_2(治療後)是含有軟骨成分膝蓋MRI影像的集合。
(2)輸入到脛骨面選取程序(22)的整體膝蓋MRI影像序列定義：在含有腓骨特徵的MRI影像中作排除後才輸入。
(二)局部膝蓋MRI影像序列定義(MRI_3和MRI_4)
(1)輸入到軟骨選取程序(21)的局部膝蓋MRI影像序列
：由於受損軟骨主要集中在內側軟骨，所以在輸入MRI影像序列中，只要選取內側軟骨，其他部分則反之，進而減少軟骨選取程序(21)的張數。
(2)輸入到脛骨面選取程序(22)的局部膝蓋MRI影像序列：與輸入的整體膝蓋MRI影像序列一樣。
仍請參閱第一圖所示，本發明的運算部分(20)包括軟骨選取程序(21)、脛骨面選取程序(22)及3D疊合程序(23)；其中：該軟骨選取程序(21)係先大略框出軟骨所在(如附件一所示)，並框內做canny邊緣偵測，利用偵測出的邊緣做為選取軟骨時的參考。
請參閱第三圖所示，該脛骨面選取程序(22)包括：一定義GVF初始圓形軌跡的步驟(401)：先在MRI影像序列的第一張MRI影像上點選兩點，第一點為圓心，第二點決定半徑；一修正前述GVF初始軌跡之步驟(402)，包括去雜訊及平滑化；一對已經定義過初始圓形軌跡的MRI影像序列進行快速GVF擴展演算法之步驟(403)。
前述步驟(402)進一步的技術內容係如第四圖所示之流程，其包括：令軌跡a範圍內pixel平均值趨近於微小值α，以減少脛骨面的雜訊(501)：係先利用otsu’s thresholding找出自動闕值T，之後利用自動闕值T做二值化在跟原圖做相乘並計算GVF初始軌跡內平均pixel值，找出其pixel值
後判斷是否小於微小值α，若不是的話，再做一次，最後會得到脛骨面內雜訊幾乎消除的MRI影像結果；接著把T值以1為單位微調，在不大幅影響脛骨面真實度下讓雜訊盡量消失；脛骨面影像之平滑化處理(502)：目的是透過平滑化處理以消除影像中脛骨面往內凸的特徵，該平滑化處理之方法如下：(A)以2：1之比例進行次取樣：藉此使影像的pixel值變小，進而加快平滑脛面影像處理技術執行速度(因降低取樣點)，如附件二A、B所示，係揭示次取樣前後脛骨面內pixel值的差異比較。因而出現的脛骨面GVF結果軌跡誤差則在MRI影像序列之脛骨面軌跡快速GVF擴展演算法做解決；(B)中值濾波：用以減少類似胡椒鹽雜訊的出現，並可將雜訊模糊；(C)形態學：用以消除影像中脛骨面上所出現往內凸的特徵，而將其平滑化，且使雜訊消失；(D)增強脛骨面：將影像中非零的pixel值提高(例如設為255)，其中一種方式如下：I”(x,y
)=I’(x,y)
* I(x,y)
÷255
前述I代表一張MRI的圖像，I(x,y)
代表經過中值濾波處理過MRI圖像內座標(x,y)的pixel值，I’(x,y)
代表一張做過形態學MRI圖像內座標(x,y)的pixel值，I”(x,y)
仍代表一張MRI圖像內座標(x,y)的pixel值，且該張MRI圖像係做過形態學並經過增強脛骨面與降低雜訊處理的。
(E)利用canny偵測，找出邊緣。
在完成前述步驟(A)~(E)後，接著執行GVF演算法(503)，並將GVF結果軌跡還原為原來大小；如附件三A、B分別揭示執行GVF演算法前後的脛骨面軌跡之影像圖。
接著將修改過脛骨面GVF初始軌跡以定義初始軌跡的圓心為基準作微幅縮小(如0.95倍)(504)；執行此一步驟具有兩個作用與優點：
1.不用針對每一張MRI影像去定義GVF初始圓形軌跡，因為可以參考前一張MRI影像的GVF結果軌跡。
2.因為下一張MRI影像會參考前一張MRI影像的結果軌跡，且GVF初始軌跡很靠近脛骨面，可大幅縮短下一張MRI影像作GVF擴展的時間。
再請參閱第三圖所示，在完成初始軌跡的修正後，即進一步對前述MRI影像序列之脛骨面軌跡進行快速GVF擴展演算法(403)，如前揭所述，其主要是針對已經定義過初始圓形軌跡的MRI影像序列實施，供每張MRI影像自動搜尋脛骨面軌跡，其實施內容部分與前述脛骨面選取程序相同，如第五圖所示，其包括：以2：1之比例進行次取樣(801)；中值濾波：用以減少類似胡椒鹽雜訊的出現，並可將雜訊模糊(802)；形態學(803)：用以消除影像中脛骨面上所出現往內凸的特徵，而將其平滑化，且令脛骨面內的雜訊些微模糊化；
增強脛骨面及進一步降低雜訊(804)；此一步驟在增強脛骨面上可能有所不足，則有賴下一步驟(805)來解決；應用在縮小版影像處理與GVF技術之增強脛骨面(805)：主要係利用找出自動二值化中的闕值(作用係將骨頭成分和非骨頭成分予以分開)，之後利用對比度擴展以增強脛骨面；而此舉有可能出現雜訊也跟著增強的疑慮，如第六圖所示，但由於之前的步驟已經把含有脛骨面內雜訊成分(A)都清除完畢，所以再利用對比度擴展增強脛骨面，並不會使雜訊增強。
判斷MRI影像脛骨面軌跡內的平均Pixel值是否大於某值(如1.5)(806)，若未大於該值，即進行canny邊緣偵測(808)；若大於該值，則執行下一步驟(807)；在MRI影像脛骨面軌跡內進行roifill處理(807)；前述步驟(806)(807)主要是在MRI影像脛骨面內雜訊過重，且步驟(802)(803)(804)仍不能完全清除時所採用的步驟；利用canny進行邊緣偵測(808)；進行GVF擴展演算法(809)，用以找尋前述步驟(807)處理結果中的脛骨面軌跡；將前述步驟(809)找到的脛骨面軌跡放大數倍(如4倍)(810)。
前述步驟(801)~(810)係進行一縮小版影像處理與GVF演算，主要係為找出一粗略的脛骨面軌跡，接著將進行一還原影像處理與GVF技術，以便對前述脛骨面軌跡進行細部微調，該還原之影像處理與GVF技術請參閱第七圖所示，包括有以下步驟：
將脛骨面軌跡還原(放大4倍)(101)；中值濾波(102)；canny邊緣偵測(103)；進行GVF擴展演算法(104)，以找出經過微調處理的脛骨面軌跡；將前述步驟(104)找出的脛骨面軌跡略微往內縮小(如0.95倍)，供作為下一張MRI影像的軌跡(105)。
而MRI影像序列經過前列步驟一一完成快速GVF擴展演算法之後可找出一脛骨面軌跡，且每一張MRI影像可作為下一張MRI影像的軌跡，以方便自動找尋脛骨面軌跡。儘管前述步驟會自動找出脛骨面軌跡，但這些軌跡並不一定絕對正確，故可適度加入手動修正，使其更具準確性。
仍請參閱第一圖所示，在完成脛骨面選取程序(22)之後，隨即進入3D疊合程序(23)，以透過脛骨面3D疊合技術對軟骨進行定位，其流程請參閱第八圖所示，包括有：一整數座標內插步驟(1101)，由於輸入的MRI影像序列其軌跡取樣點具有稀疏性，故執行此一步驟使其具有一定的密集性(座標以1為單位)，主要係利用在MRI影像序列中每張MRI影像的脛骨面軌跡，構成一三維地形圖(如附件四A所示)，又將該三維地形圖轉換成影像格式儲存(如附件四B所示)，其中三維地形圖與影像檔是採用相同的長寬，又三維地形圖的高度為影像檔的pixel值，如此即可使用影像處理概念進行後續的處理；一治療前後個別最高特徵點搜尋步驟(1102)，由於前
一步驟已經將脛骨面轉換成影像格式，故在此步驟中採用一個mask以判斷特徵點，再利用高度找出其最高特徵點，其搜尋方式係如第九圖所示，在分別載入治療前與治療後標記的脛骨面數據後，即利用一3*3的區塊(block)來判斷特徵點(1102A)，該block即為前述的mask；若3*3區塊中心的pixel值為T，其周圍的pixel值都比T值小，該點就判斷為特徵點；接著利用高度找出最高特徵點(1102B)，由於利用高度找出特徵點，但最高點並不一定只有一點，例如同時找到高度相同的3點，則從三點取較佳的一點，令其成為一較佳的最高特徵點(1102C)。
再請參閱第八圖所示，利用脛骨面3D疊合技術對軟骨進行定位，進一步包括：一範圍擴展最佳應點之步驟(1103)，由於治療前後找出的較佳最高特徵點並不一定相對應，若強制讓治療前後所找的點相位移，將造成軟骨定位的準確率下降，故執行範圍擴展最佳對應點可提高軟骨定位的準確性，其方法請配合參閱第十圖，假設治療前的脛骨面軌跡上具有最高特徵點A、B和C，治療後的脛骨面軌跡上具有最高特徵點D，在治療前的脛骨面軌跡上要找到對應D的特徵點D’，因此將利用特徵點A、B和C中的其中一點作為中心，去找出D’來，如第十一圖所示，若取出一點較佳最高特徵點A，則採用P*Q為範圍去搜尋D’點，找到之後，D(治療後)和D’(治療前)分別都是三維位移旋轉中心；一快速3D縮小步驟(1104)，由於前一步驟的範圍擴
展最佳對應點技術可能大幅增加執行時間，因此利用此步驟在不降低軟骨定位準確性情況下，縮短演算法執行時間，主要係將已知三維脛骨面座標轉換成影像(圖片)格式，再利用x倍的bilinear縮小，以減少三維脛骨面取樣點；一3D旋轉疊合步驟(1105)，用以定位脛骨面及軟骨，其流程係如下列：載入先前步驟中所找出的特徵點D與D’；以特徵點D和D’之間作為治療前後的位移依據，之後分別做治療前後三維脛骨面座標相位移；進行三維旋轉，從每個角度和向量找出一脛骨面相似度平均差(Erroravg
)的集合，並從中找出最小值，該值即為治療前後脛骨面最相似時，從而可得到治療前後脛骨面最相似時的角度、向量...等參數。
仍請參閱第一圖所示，在運算部分(20)對MRI影像序列進行軟骨選取程序(21)、脛骨面選取程序(22)及3D疊合程序(23)後，即由輸出部分(30)分別顯示整體膝蓋軟骨量的變化及局部膝蓋軟骨量的變化，以供判斷確認關節炎進行治療後的療效。
由上述說明可瞭解本發明量測軟骨變化量的具體技術內容，以下進一步針對實驗數據進行分析：
(一)在脛骨面選取方面
請參閱第第十二、十三圖所示，分別為治療前及治療後採取人工脛骨面修正及利用本發明進行自動脛骨面分析之次取樣倍數百分比曲線圖，由圖中可以明顯看出，以2倍進行次取樣，所得數據比其他倍數理想，而治療前後使
用次取樣2倍會比全手動降低操作者負擔降低約94%(4.6%是平均人工脛骨面修改與自動脛骨面所占比例)。
(二)範圍擴展最佳對應點技術方面
請參閱第十四圖所示，為是否進行範圍擴展最佳對應點所得總體軟骨疊合率之曲線比較圖，由圖中可以明顯看出，採用範圍擴展最佳對應點技術的數據較不使用該技術的數據好(約15%到30%的總體軟骨疊合率)。
(三)快速3D縮小技術方面
由於使用範圍擴展最佳對應點技術的數據會延長演算時間，故使用快速3D縮小技術來縮短時間，而執行3D縮小技術的倍數與執行時間的相對比例係如第十五圖所示(快速3D縮小倍率6倍，降低約31倍的時間)。
(10)‧‧‧輸入部分
(20)‧‧‧運算部分
(21)‧‧‧軟骨選取程序
(22)‧‧‧脛骨面選取程序
(23)‧‧‧3D疊合程序
(30)‧‧‧輸出部分
第一圖：係本發明之系統架構示意圖。
第二圖：係本發明輸入部分針對MRI影像序列進行座標定義之示意圖。
第三圖：係本發明運算部分中軟骨選取程序之流程圖。
第四圖：係本發明修改GVF初始軌跡之流程圖。
第五圖：係本發明縮小版影像處理與GVF技術的流程圖。
第六圖：係本發明利用對比度增強脛骨面後的訊號成分比示意圖。
第七圖：係本發明還原影像處理與GVF技術之流程圖
。
第八圖：係本發明之脛骨面3D疊合程序流程圖。
第九圖：係本發明3D疊合程序中搜尋最高特徵點之流程圖。
第十圖：係本發明3D疊合程序中進行範圍擴展最佳對應點技術之一示意圖。
第十一圖：係本發明3D疊合程序中進行範圍擴展最佳對應點技術又一示意圖。
第十二圖：係本發明與人工脛骨面修正之治療前脛骨面所佔比例之曲線比較圖。
第十三圖：係本發明與人工脛骨面修正之治療後脛骨面所佔比例之曲線比較圖。
第十四圖：係本發明3D疊合程序中採用範圍擴展最佳對應點技術與未使用該技術之總體軟骨疊合率比較圖。
第十五圖：係本發明3D疊合程序中實施範圍擴展最佳對應點技術後進一步執行3D縮小技術之執行時間與3D縮小倍率的關係曲線圖。
附件一：係本發明在排除腓骨特徵後的MRI影像示意圖。
附件二A、B：係本發明進行次取樣前後之脛骨面內pixel值的示意圖。
附件三A、B：係本發明進行GVF演算法前後之脛骨面示意圖。
附件四A、B：係本發明3D疊合程序中整數內插技術
之流程示意圖。
(10)‧‧‧輸入部分
(20)‧‧‧運算部分
(21)‧‧‧軟骨選取程序
(22)‧‧‧脛骨面選取程序
(23)‧‧‧3D疊合程序
(30)‧‧‧輸出部分
Claims (15)
- 一種膝蓋軟骨量變化之量測方法，其具有一運算部分，包括：一軟骨選取程序，係在載入MRI影像後，先大略框出軟骨所在，並在框內進行邊緣偵測，利用偵測出的邊緣以選取軟骨；一脛骨面選取程序，在載入數張MRI影像後，先定義出一初始軌跡，並修正該初始軌跡以去除雜訊及平滑化，再利用脛骨面軌跡快速GVF擴展演算法找出一脛骨面結果軌跡，並作為下一張影像的軌跡；一脛骨面3D疊合程序，利用找到的脛骨面結果軌跡對軟骨進行定位，其包括整數座標內插、分別定義治療前後的最高特徵點、範圍擴展最佳對應點、快速3D縮小。
- 如申請專利範圍第1項所述膝蓋軟骨量變化之量測方法，該脛骨面選取程序包括：一定義GVF初始圓形軌跡的步驟：係先在MRI影像序列的第一張MRI影像上點選兩點，第一點為圓心，第二點決定半徑；一修正前述GVF初始軌跡之步驟，包括去雜訊及平滑化；一對已經定義過初始圓形軌跡的MRI影像序列進行快速GVF擴展演算法之步驟。
- 如申請專利範圍第2項所述膝蓋軟骨量變化之量測方法，該修正GVF初始軌跡之步驟進一步包括：令軌跡範圍內pixel平均值趨近於一微小值，以減少 令軌跡範圍內pixel平均值趨近於一微小值，以減少脛骨面的雜訊；脛骨面影像之平滑化處理：以設定比例進行次取樣、中值濾波、形態學、增強脛骨面；利用canny偵測，找出邊緣。
- 如申請專利範圍第3項所述膝蓋軟骨量變化之量測方法，在完成修正GVF初始軌跡之步驟後，將GVF結果軌跡還原為原來大小，接著進行快速GVF演算法，並將GVF演算結果的軌跡還原；接著將修改過脛骨面GVF初始軌跡以定義初始軌跡的圓心為基準作微幅縮小。
- 如申請專利範圍第1至4項中任一項所述膝蓋軟骨量變化之量測方法，針對該MRI影像序列之脛骨面軌跡進行的快速GVF擴展演算法，包括：以特定比例進行次取樣、中值濾波、形態學、增強脛骨面、應用在縮小版影像處理與GVF技術之增強脛骨面步驟、判斷MRI影像脛骨面軌跡內的平均Pixel值是否大於某值，若未大於該值，即進行canny邊緣偵測；若大於該值，則在MRI影像脛骨面軌跡內進行roifill處理、接著利用canny進行邊緣偵測、進行GVF擴展演算法，用以找尋前述步驟理結果中的脛骨面軌跡、將前述脛骨面軌跡放大數倍；利用前述步驟找出一粗略的脛骨面軌跡。
- 如申請專利範圍第5項所述膝蓋軟骨量變化之量測方法，該MRI影像序列進行的脛骨面軌跡快速GVF擴展演算法進一步包括一還原影像處理與GVF技術，其包括 ：將脛骨面軌跡還原、中值濾波、canny邊緣偵測、GVF擴展演算法以找出經過微調處理的脛骨面軌跡、將前述脛骨面軌跡略微往內縮小，供作為下一張MRI影像的軌跡。
- 如申請專利範圍第1至4項中任一項所述膝蓋軟骨量變化之量測方法，該3D疊合程序包括有：一整數座標內插步驟，利用在MRI影像序列中每張MRI影像的脛骨面軌跡，構成一三維地形圖，並將該三維地形圖轉換成影像格式儲存，令三維地形圖與影像檔採用相同的長寬，又三維地形圖的高度為影像檔的pixel值；一治療前後個別最高特徵點搜尋步驟，在分別載入治療前與治療後標記的脛骨面數據後，即利用一區塊(block)來判斷特徵點，該區塊中心的pixel值為T，其周圍的pixel值都比T值小，即認定該點為特徵點；一利用高度找出最高特徵點之步驟；一範圍擴展最佳應點之步驟，令治療前的脛骨面軌跡上具有最高特徵點A、B和C，治療後的脛骨面軌跡上具有最高特徵點D，利用特徵點A、B和C中的其中一點作為中心，在治療前的脛骨面軌跡上找到對應D的D’。
- 如申請專利範圍第7項所述膝蓋軟骨量變化之量測方法，在該範圍擴展最佳應點之步驟後進行一快速3D縮小步驟，該快速3D縮小步驟主要係將已知三維脛骨面座標轉換成影像(圖片)格式，再利用x倍的bilinear縮小，以減少三維脛骨面取樣點。
- 如申請專利範圍第8項所述膝蓋軟骨量變化之量測方法，該3D疊合程序進一步在快速3D縮小步驟之後進 行一3D旋轉疊合步驟，包括：載入先前步驟中所找出的特徵點D與D’；以特徵點D和D’之間作為治療前後的位移依據，之後分別做治療前後三維脛骨面座標相位移；進行三維旋轉，從每個角度和向量找出一脛骨面相似度平均差的集合，並從中找出最小值，該值即為治療前後脛骨面最相似時，從而可得到治療前後脛骨面最相似時的各種參數。
- 如申請專利範圍第5項所述膝蓋軟骨量變化之量測方法，該3D疊合程序包括有：一整數座標內插步驟，利用在MRI影像序列中每張MRI影像的脛骨面軌跡，構成一三維地形圖，並將該三維地形圖轉換成影像格式儲存，令三維地形圖與影像檔採用相同的長寬，又三維地形圖的高度為影像檔的pixel值；一治療前後個別最高特徵點搜尋步驟，在分別載入治療前與治療後標記的脛骨面數據後，即利用一區塊(block)來判斷特徵點，該區塊中心的pixel值為T，其周圍的pixel值都比T值小，即認定該點為特徵點；一利用高度找出最高特徵點之步驟；一範圍擴展最佳應點之步驟，令治療前的脛骨面軌跡上具有最高特徵點A、B和C，治療後的脛骨面軌跡上具有最高特徵點D，利用特徵點A、B和C中的其中一點作為中心，在治療前的脛骨面軌跡上找到對應D的D’。
- 如申請專利範圍第10項所述膝蓋軟骨量變化之量測方法，在該範圍擴展最佳應點之步驟後進行一快速3D 縮小步驟，該快速3D縮小步驟主要係將已知三維脛骨面座標轉換成影像(圖片)格式，再利用x倍的bilinear縮小，以減少三維脛骨面取樣點。
- 如申請專利範圍第11項所述膝蓋軟骨量變化之量測方法，該3D疊合程序進一步在快速3D縮小步驟之後進行一3D旋轉疊合步驟，包括：載入先前步驟中所找出的特徵點D與D’；以特徵點D和D’之間作為治療前後的位移依據，之後分別做治療前後三維脛骨面座標相位移；進行三維旋轉，從每個角度和向量找出一脛骨面相似度平均差的集合，並從中找出最小值，該值即為治療前後脛骨面最相似時，從而可得到治療前後脛骨面最相似時的各種參數。
- 如申請專利範圍第6項所述膝蓋軟骨量變化之量測方法，該3D疊合程序包括有：一整數座標內插步驟，利用在MRI影像序列中每張MRI影像的脛骨面軌跡，構成一三維地形圖，並將該三維地形圖轉換成影像格式儲存，令三維地形圖與影像檔採用相同的長寬，又三維地形圖的高度為影像檔的pixel值；一治療前後個別最高特徵點搜尋步驟，在分別載入治療前與治療後標記的脛骨面數據後，即利用一區塊(block)來判斷特徵點，該區塊中心的pixel值為T，其周圍的pixel值都比T值小，即認定該點為特徵點；一利用高度找出最高特徵點之步驟；一範圍擴展最佳應點之步驟，令治療前的脛骨面軌跡 上具有最高特徵點A、B和C，治療後的脛骨面軌跡上具有最高特徵點D，利用特徵點A、B和C中的其中一點作為中心，在治療前的脛骨面軌跡上找到對應D的D’。
- 如申請專利範圍第13項所述膝蓋軟骨量變化之量測方法，在該範圍擴展最佳應點之步驟後進行一快速3D縮小步驟，該快速3D縮小步驟主要係將已知三維脛骨面座標轉換成影像(圖片)格式，再利用x倍的bilinear縮小，以減少三維脛骨面取樣點。
- 如申請專利範圍第14項所述膝蓋軟骨量變化之量測方法，該3D疊合程序進一步在快速3D縮小步驟之後進行一3D旋轉疊合步驟，包括：載入先前步驟中所找出的特徵點D與D’；以特徵點D和D’之間作為治療前後的位移依據，之後分別做治療前後三維脛骨面座標相位移；進行三維旋轉，從每個角度和向量找出一脛骨面相似度平均差的集合，並從中找出最小值，該值即為治療前後脛骨面最相似時，從而可得到治療前後脛骨面最相似時的各種參數。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW98143087A TWI399193B (zh) | 2009-12-16 | 2009-12-16 | 膝蓋軟骨量變化之量測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW98143087A TWI399193B (zh) | 2009-12-16 | 2009-12-16 | 膝蓋軟骨量變化之量測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201121505A TW201121505A (en) | 2011-07-01 |
| TWI399193B true TWI399193B (zh) | 2013-06-21 |
Family
ID=45045630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW98143087A TWI399193B (zh) | 2009-12-16 | 2009-12-16 | 膝蓋軟骨量變化之量測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI399193B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI399194B (zh) * | 2011-01-25 | 2013-06-21 | Univ Nat Yunlin Sci & Tech | 基於細胞自動機之半自動膝蓋ｍｒｉ軟骨影像分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050084145A1 (en) * | 1999-11-01 | 2005-04-21 | Pelletier Jean P. | Evaluating disease progression using magnetic resonance imaging |
| US20080292169A1 (en) * | 2007-05-21 | 2008-11-27 | Cornell University | Method for segmenting objects in images |
| US20090285466A1 (en) * | 2001-11-07 | 2009-11-19 | Medical Metrics, Inc. | Method, Computer Software, And System For Tracking, Stabilizing, And Reporting Motion Between |
-
2009
- 2009-12-16 TW TW98143087A patent/TWI399193B/zh not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050084145A1 (en) * | 1999-11-01 | 2005-04-21 | Pelletier Jean P. | Evaluating disease progression using magnetic resonance imaging |
| US20090285466A1 (en) * | 2001-11-07 | 2009-11-19 | Medical Metrics, Inc. | Method, Computer Software, And System For Tracking, Stabilizing, And Reporting Motion Between |
| US20080292169A1 (en) * | 2007-05-21 | 2008-11-27 | Cornell University | Method for segmenting objects in images |
Non-Patent Citations (1)
| Title |
|---|
| 張哲輔，基於細胞自動機之半自動膝蓋軟體影像分割技術，2010年06月 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201121505A (en) | 2011-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ambellan et al. | Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative | |
| CN102737395B (zh) | 一种医用x射线系统中的图像处理方法及装置 | |
| Mercan et al. | Virtual staining for mitosis detection in breast histopathology | |
| CN100586371C (zh) | 一种基于磁共振三维肾图的图像处理系统 | |
| CN100571632C (zh) | X线透视人体影像自动融合拼接方法 | |
| CN106573150B (zh) | 图像中血管结构的遮盖 | |
| Marai et al. | Super-resolution registration using tissue-classified distance fields | |
| Xia et al. | Automatic hip cartilage segmentation from 3D MR images using arc-weighted graph searching | |
| CN104809740A (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
| US20160180528A1 (en) | Interface identification apparatus and method | |
| Jabbar et al. | Using convolutional neural network for edge detection in musculoskeletal ultrasound images | |
| JP2004222864A (ja) | 診断支援システム、診断支援方法及び診断支援プログラム | |
| CN105741293A (zh) | 定位医学图像上器官的方法 | |
| Nikolopoulos et al. | Personalized knee geometry modeling based on multi-atlas segmentation and mesh refinement | |
| Qin et al. | Unsupervised image stitching based on Generative Adversarial Networks and feature frequency awareness algorithm | |
| Wang et al. | Integration of global and local features for specular reflection inpainting in colposcopic images | |
| TWI399193B (zh) | 膝蓋軟骨量變化之量測方法 | |
| CN114897703B (zh) | 一种骨科全长x线片自动拼接系统、方法、计算机设备及存储介质 | |
| TW201231017A (en) | Semi-automatic knee cartilage MRI image segmentation based on cellular automata | |
| CN103871057A (zh) | 基于磁共振图像的骨骼分割的方法及其系统 | |
| Khan et al. | Transformative deep neural network approaches in kidney ultrasound segmentation: empirical validation with an annotated dataset | |
| Zhang et al. | Automatic extraction and measurement of ultrasonic muscle morphological parameters based on multi-stage fusion and segmentation | |
| Mayya et al. | Scapula statistical shape model construction based on watershed segmentation and elastic registration | |
| Huang et al. | DA-GAN: learning structured noise removal in ultrasound volume projection imaging for enhanced spine segmentation | |
| Zhang et al. | Blood vessel segmentation based on digital subtraction angiography sequence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |