TW201347731A

TW201347731A - 結合ｉｃｐ及ｋｄ－ｔｒｅｅ對位演算法的磁共振膝蓋軟骨測量方法

Info

Publication number: TW201347731A
Application number: TW101119455A
Authority: TW
Inventors: Dai-Fan Shen; Guan-Yi Lin; Wen-Qing Xu; Ya-Wen Li
Original assignee: Univ Nat Yunlin Sci & Tech
Priority date: 2012-05-31
Filing date: 2012-05-31
Publication date: 2013-12-01
Also published as: TWI494083B

Abstract

本發明是一種結合ICP及KD-TREE對位演算法於膝蓋軟骨量測的磁共振膝蓋軟骨測量方法，首先將MRI掃描所產出的膝蓋磁共振序列影像組成三維圖像，且予以影像最佳化處理，再運用型態學原理抓取膝蓋的脛骨面，然後利用ICP及K-D TREE開放式原始碼進行三維圖像的對位處理，再將對位完成後的三維圖像進行細胞自動機分割，最後進行融合之動作，而本發明方法可有效解決膝蓋軟骨像素與其周遭組織像素太過於相近所導致的分割失敗及操作時間過長等問題，且有利於於醫師診斷治療判斷。

Description

結合ICP及KD-TREE對位演算法的磁共振膝蓋軟骨測量方法

本發明係關於一種人體膝蓋軟骨之影像量測方法，尤指運用MRI磁共振影像、型態學脛骨面擷取、K-D tree ICP定位技術及CA半自動軟骨分割等的一種軟骨量測的方法。

隨著現今醫學進步，人類的平均也被延長，被設計使用為40~60年的人類股關節及膝關節，到老時易有退化關節炎。尤其現代人常忽略關節的保健及過度的使用，易使得退化性關節炎提早發生，而現今很多膝蓋骨關節炎治療方法被提出來，所以軟骨量的變化量測和驗證膝蓋骨關節炎療程的對位，就顯得特別重要。而量測膝蓋軟骨量文獻分成1.區域成長(Region growing)；2.分水嶺法(Watershed Transform)3.分類法(Classification)； 4.可變模型(Deformable models)5.圖型分割(graph-cut)CA(Cellular Automata)分割法等等。其中，

1.區域成長演算是利用聚合成長之方式，由相似種子點所在之像素，持續不斷融合成長，直邊緣灰階值達到所定義之閥值為止，所以影像切割的軟骨區域，會作為接下來邊界辨識的區域。Pakin等人發展出以區域成長法為基礎來進行兩區域群集軟骨切割法，使資料經過分類成許多區域，接下來給予每個區域的初始種子點以及各別的擴張閥值。

2. Grau等人則是改良分水嶺(Watershed)演算，進行分水嶺前會將鄰近像素分類另加入物體之獨特資訊，一個標記(maker)是表一影像的連通成分。將想要在每一個感興趣的一組內部(internal)標記，這些標記用來控制影像，也運用了型態學的重建法，將其平滑化處理，最後使用分水嶺演算法，不會產生過多的小區域，改善了過度切割等問題。

3.分類法中Folkesson等人提出先把像素分類的作法。用於脛骨軟骨的切割，其方法的流程是將膝關節內MRI影像像素分為三類，分別為股骨軟骨、脛骨軟骨和背景部份，接下來進行分類特徵點的選取，進行脛骨和軟股的分類，像素分類法雖然是全自動的影像分割法，但重複操作的穩定性偏高，一部分的原因出自於使用低解析度的MRI影像，另一部分則是軟骨周遭像素跟脛骨軟骨過於接近，易使得演算法誤判。

4.可變形模型就是指物體受到邊界條件與外力之影響而產生變形，這種概念源自於彈性理論。Terzopoulos(1986)首先將『可變形模型』應用在影像比對(matching)、另有電腦視覺(computer vision)及電腦圖學(computer graphics)等領域而主動輪廓線模型(Active Contour Model)演算法是屬於標示輪廓線的方法。由於動態輪廓模式曲線(Dynamic Contour Model Curve)在疊代過程中會一直改變其型狀，漸漸朝所定義之目標輪廓逼近，其動作看起來像是蛇在滑行般，所以動態輪廓模式又稱為蛇形(Snakes)，是由Kass et al.(1988)提出。蛇形基本模式是一條受到控制的連續曲線，藉由一個能量函數的影響，牽引該曲線在影像上進行變動。其運作機制是藉由演算法的疊代來求取此一能量的最小值，使得曲線能夠去逼近使用者欲抓取的影像特徵。

5.圖型分割最早是由Yuri Y.Boykov，基於圖型理論的提出的一個新的構想，藉由Min-Cut/Max-Flow Algorithms，來計算全域最小的成本消耗，近而得到最全域最佳化的影像切割技術，切割目標方式是使用互動式的方法，使用者藉由增加的種子點來分割比較難處理的部分，使得影像分成物件及背景兩個部分。

另Von Neuman在1966年率先使用Cellular Automata(簡稱CA)，來描述複雜事件，他將複雜事件以很多簡單的、相同的並且互相連結之離散單元來表示。近年來，細胞自動機在到影像處理有不錯的表現，由Vladimir Vezhnevets發表的GrowCut和張哲輔，就是利用細胞自動機來解決影像分割例子，我們認為其能勝任在膝蓋MRI影像上所遭遇的周遭像素干擾問題，及模糊地區有著較強的穩健性，而膝蓋對位可分成無附加標記式與標記式兩種。而在無附加標記式我們亦可分成影像強度對應法、曲線對應法、特徵點對應法。而在標記式我們區分為頭架式與標記式。影像強度對應法如Won-Jin Yi等人便運用影像像素間的相關連性進行植牙術前術後影像之對位等工作，以便評估術後的成功率有多高。C.Studholme則利用頭部MRI及CT影像提出四種體素相似度的對位比較，分別為影像MR/CT相對應變異數、軟組織相似度、影像最大交互訊息等方法進行優缺點的比較。曲線對應法便是利用人體解剖上表面之曲線或者是平面進行對位。Zhiyong Xie和GeraldE.Farin則嘗試使用B-Splines曲線來進行對位，然後並進一步來比較反覆最近點演算法與影像強度對應法的對位結果。特徵點對應法此法是指身體本身的特徵部位，來進行影像的對位。例如像是膝蓋骨頭明顯的突起點、凹處或轉折點等當作標定點，經由計算相對應特徵點的座標轉換矩陣來完成對位。Charles V.Stewart等人則是運用最近點迭代演算法(iterative closest point,ICP)，指定一組當起始資料，然後經由平移、旋轉等運算，求出第二組資料中每個點及其相對應於第一組資料的最近點最後經由轉換成矩陣之參數反覆迭代來反覆計算，直到滿足收斂條件為止，以便尋找視網模影像中裡血管特徵點相對應的位置。

綜觀以上說明可以得知，一個較佳的人體膝蓋軟骨之磁共振成像量測方法，除了需要準確快速的分割軟骨外，用予檢驗治療前後軟骨輪廓變化的對位方法亦相當重要，而如何設計出一種可快速分割處理及準確對位的MRI膝蓋軟骨量測方法，誠為當前膝關節炎病變所需迫切改善的課題。

本發明人有鑑於此，乃憑恃著長期對膝關節構造的解析、影像分割及影像對位技術之構思與研究，而發明出一種結合ICP及KD-TREE對位演算法的磁共振膝蓋軟骨測量方法，其整體實施步驟為：(a)先將治療前、治療後之膝蓋磁共振序列影像進行三維圖像處理，即將磁共振掃瞄後之影像以序列方式疊合，並定義出影像的座標以形成膝蓋的三維圖像；(b)將各三維圖像進行影像前處理，以修正原本影像對比度之不足及用於改變某區域灰階值的特徵；(c)再對各三維圖像進行脛骨面的擷取，且經由運用型態學內的侵蝕、膨脹、斷開及閉合等型態運算促使影像於物件中收縮變薄或成長變厚，藉以達到將所需物件邊緣放大縮小之效果，並可填補影像圖型內之小洞、及使圖型內較小之雜訊消除及促使物件輪廓平滑等功效以使操控者進行膝蓋脛骨面之選取能夠更為精準且所需時間能更縮短；(d)將所擷取出的脛骨面運用進行自動對位處理，透過運用學者P.Bergström的K-D tree ICP code運算配合膝蓋脛骨面處理後脛骨表面特徵點之點資料，得以準確快速將擷取之影像定位；(e)再將對位後的膝蓋的三維圖像分別進行CA半自動膝蓋軟骨影像分割處理，且運用學者Vladimir Vezhnevets所提出的GrowCut技術來進行運算，得以準確快速分割出所需的膝蓋軟骨影像，然後再將該分割處理後之治療前、治療後的軟骨三維圖像進行融合處理以利進行比對。

本發明的主要目的：在於提供一種有效改善傳統人工點選所造成的勞力疲乏、軟骨與周遭組織區域像素過於相近所導致的分割錯誤等缺失，以提升整體操作性及效率的膝蓋軟骨測量方法。

本發明的次要目的：在於提供有利於評估醫生診療的一種膝蓋軟骨量測方法。

茲由以上說明得知，本發明相較先前技術，確可達到如下之功效：

1.本發明方法的膝蓋軟骨量測方法，係首創將型態學之侵蝕、膨脹、斷開及閉合等型態運算應用於MRI膝蓋影像脛骨面之擷取，以取代傳統人工手動選取作業或其他影像分割方法處理，藉以減輕操作者的負擔及大幅降低處理時間，而透過實驗驗證，使用本發明方法進行膝蓋脛骨面擷取所需處理時間相較於習知的主動式輪廓或GVF等影像分割技術，於處理時間上快了許多，例如與GVF相較節省了30.2倍的處理時間，另與主動式輪廓相較節省了42%的處理時間。並使用Overlapping Percentage來評估本發明方法的準確率，本發明方法準確率亦可達到86%，證明本發明進行脛骨面擷取確實可以改善其處理時間，且增加整體操作的效率，亦可降低操作者的使用技術門檻。

2.本發明方法所使用影像對位方式係運用K-D tree ICP code對位技術，再配合本發明所運用型態學運算於膝蓋脛骨面擷取之方法，得使醫師能以更直接可視的情況觀看膝蓋病症治療前後之狀態，以利於其評估患處之實際情況及療程的有效性。

首先，請參閱第一圖所示，係關於一種結合ICP及KD-TREE對位演算法的磁共振膝蓋軟骨測量方法，其施行步驟至少包含有：

(a)將治療前、治療後之膝蓋磁共振序列影像組成三維圖像：請參閱第二圖所示者，該三維組態處理係指將磁共振(Magnetic Resonance Imaging，簡稱MRI)掃瞄後之影像以序列方式疊合，並定義出影像的座標以將影像形成三維組態，該影像座標的定義可表示為： (其中X與Y各為一張MRI影像之寬度和高度，單位為像素，N為MRI影像序列之總張數)；另外，於三維MRI影像序列f(x,y,z)中，一個體素(Voxel)對應的實際體積大小定義可表示為： (、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))，透過此三維處理後將可檢示膝蓋在三維不同切面或角度所看到之膝蓋圖像，如第三圖所示者。

(b)將各三維圖像進行影像前處理，以最佳化三維圖像：本發明方法影像前處理係運用三維圖像縮小技術及影像增強技術，促使磁共振影像建置為三維圖像時，得以減少內插取樣點以增加執行速度及加強磁共振影像中原本不明顯的物體或邊緣以增強使用者對物體的主觀辨識，並加快演算處理時間，達到改善效率的目的；其中該影像三維圖像縮小技術係運用Matlab平台中的bicubic內插技術，並藉由每0.5個pixel值進行內插動作及作x倍bicubic縮小，促使座標內插技術後作內插動作的點的數目降低，以增加執行速度。

另請參閱第四圖所示者，本步驟(b)係以下列處理方式完成：(1)輸入膝蓋磁共振序列影像組成三維圖像；(2)重新取樣；(3)中值濾波；(4)輸出所改善的三維圖像。而關於重新取樣尚包括有分析MRI圖片、連通標記、影像亮度轉換及使用非等向空間濾波器去除影像雜訊等等技術手段。因此，關於分析MRI圖片，係使用二值化法來處理待處理圖片前，分析即將處理的MRI膝蓋影像圖，如表一所示，我們用使用直方圖觀察整張圖片的灰階值分佈，歸納出到圖片中黑色部分的像素值分佈小於六十；周邊組織的像素值分佈約為五十到一百三十九；圖片中最白的部分，也就是我們感興趣的軟骨部分，像素值分佈約為一百至二百五十五，如表一所示。

表一：膝蓋MRI照片灰階像素組成成份

統整這些訊息，我們發現到膝蓋的MRI原始影像當中，只要是一張膝蓋的MRI掃描影像，其包含軟骨、骨頭、周邊組織。膝蓋軟骨的像素值的低點與周邊組織像素值的高點重疊(請參閱第五圖所示)，這將導致大部分影像切割法失誤。如何不會使影像切割法失誤，又達到所希冀的目標，是分析的重點所在。又關於連通標記(Connected Component Labeling,CCL)是在影像處理時常被使用到，而我們會根據我們所需之像素值給予1與0之判定，分別來表示背景及前景不同元件之集合。利用此資訊來判別每個像素是否屬同一個元件，便能把影像中屬於同一個元件相連通像素找尋出來。其掃描方向為由左至右，由上而下檢查每個像素，若像素值為1，則給予標籤(Label)，此標籤具有唯一性。等全部標定好之後，檢查標籤相鄰的像素是否也被標定，將這些像素替換成連通標籤。目前最普遍判斷的方式分為四連通元件和八連通元件，主要差異是在相鄰的斜角像素視不視為連通，如第六圖所示。而本連通標記方法最主要係在三維情況下，將由四連通延伸為六連通標記，而八連通標記則延伸為二十六連通標記。而關於影像亮度轉換係指透過調整或改變某區域灰階值特徵以使主體物件與背景之差異能夠凸顯出來，其關係式可表示為：s=cr ^γ(其中c為一常數值，r為輸入灰階值，s為輸出灰階值．γ為gamma值)誠如第七圖所示者。另關於該影像雜訊濾除係指透過濾波器去除影像資料中不預期之干擾雜訊，藉以提高邊界辨識的準確性及使影像邊緣不連續和區域模糊的部份得到明顯之改善，誠如第八圖至第九圖所示者，其中該第八圖為未使用非等向性擴散濾波器取閥值之情況，而該第九圖為使用非等向性中值空間濾波器使用中值濾波取閥值之情況，而在本發明方法中，該影像雜訊濾除所用之濾波器設為非等向性中值空間濾波器，且空間遮罩大小設為3X3為較佳，誠如第十圖所示者。

(c)再對各三維圖像進行脛骨面的擷取，該膝蓋脛骨面的擷取處理係指運用生物領域的型態學(Monophology)原理的侵蝕、膨脹、斷開及閉合等技術於影像處理，可以達到快速且準確擷取膝蓋脛骨面之功效。其中該侵蝕運算應用於影像上，可促使影像於物件中"收縮"或是"變薄"，其最大的用處便是可以使較小的雜訊因侵蝕而受到消除或收縮變小，將其應用在膝蓋軟骨脛骨選取上，能使圖型中的小雜訊受到侵蝕而消除，且透過侵蝕的過程，我們也可以將我們所需的物件的邊緣逐漸被縮小，請參閱第十一圖，舉例說明：A被B侵蝕可定義為AΘB，也就是使用B侵蝕A的結果，首先將B置於A之內，找到所有契合的地方，然後標記相對應的B原點(0,0)所在位置的像素，這些像素點的集合便形成侵蝕，其過程誠如第十一圖所示，其表示式定義為：請參閱第十二圖，而該膨脹運算應用於影像上係指使影像於物件中"成長"或是"變厚"，且其可以使較小的空洞因膨脹而受到填補，使得膝蓋圖型中的小洞可以受到修復填補起來，且膨脹的過程中，也可以將所需的物件之邊緣逐漸被放大，讓物件的特徵圖顯得更加明顯，更容易區別此影像是否為我們所需之物件或須消除之雜訊，舉例說明：A和B設為為Z平方中之兩集合，而A藉由B之膨脹被記為A♁B，誠如第十二圖所示，其表示式可定義為(於將B對於原點反射並平移此反射Z單位)：又該斷開與閉合運算分別由膨脹及侵蝕運算延伸而來，其中，斷開運算的定義即是先行進行侵蝕再進行膨脹，假定一個A與結構元素B，使用B來(opening)A，我們記做A。B，其表示式可定義為：A。B=(A Θ B)♁ B該斷開運算應用在影像上，主要作用是完全移除無法包含結構元素之物件的區域、促使物件輪廓平滑、消除細的連線等；而閉合運算則與斷開運算相反，其定義即是先行進行膨脹再進行侵蝕，A被B形態學上的閉合(morphology closing)，標示成A．B，就是膨脹後再接一個侵蝕，其表示式可定義為：A‧B=(A ♁ B)Θ B該閉合運算應用在影像上，其主要作用也傾向於使物體的輪廓平滑，不過不像斷開，一般來說，它把窄的中斷部分連接起來，以填補細長缺口以及填補結構元素的洞。

藉由上述型態學型態運算之於影像處理之應用，促使影像可於物件中收縮變薄或成長變厚，藉以達到將所需物件邊緣放大縮小之效果，並可填補影像圖型內之小洞、而使圖型內較小之雜訊消除及促使物件輪廓平滑等功效以使操控者進行膝蓋脛骨面之選取能夠更為精準且所需時間能更縮短，請配合參閱第十三圖，該膝蓋脛骨面擷取處理，歸納其步驟至少包含有：(1)輸入前處理後膝蓋的各三維圖像；(2)將非骨頭部分設定為所需之閥值，並將取出之閥值設為第一遮罩，誠如第十四圖所示；(3)於膝蓋脛骨之中心給予一種子點，該種子點設為第二遮罩，且該種子點的半徑設為五個像素，誠如第十五圖所示；(4)以不超過第一遮罩的情況下對整個脛骨進行型態學之膨脹處理，並將其設為第三遮罩，誠如第十六圖所示；(5)對第三遮罩再進行一次膨脹處理，並將其設為第四遮罩，誠如第十七圖所示；(6)將第四遮罩與第三遮罩進行影像相減之動作以得到脛骨表面，誠如第十八圖所示；(7)後續最佳化處理，透過人工刪除將不需之邊界消除，誠如第十九圖所示。

(d)將所擷取出的脛骨面運用ICP及KD-TREE對位演算法，而將治療前、治療後的三維圖像進行對位處理：其係運用學者P.Bergström的K-D tree ICP code定位技術，配合膝蓋脛骨面處理後脛骨表面特徵點之點資料，得以準確快速定位，請參閱第二十圖所示者，其處理步驟至少包含有：(1)輸入點雲之資訊；(2)運行K-D tree進行排序，該K-D tree排序即是說先進行X軸面進行分類時，先對X軸的每個點來進行排序，由小排到大，取中間值，當排序點為偶數點時，便往後移一個節點選擇當此X軸的分類節點，接著進行Y軸的排序，便將節點的Y座標由小到大進行排序，亦是取中間值，當過到偶數節點時，與X軸之做法一樣，選擇中間後面第一個座標當分類節點，依此類推做循環直到分類節點到樹葉(leaf)節點為止，誠如第二十一圖至第二十四圖所示；(3)依據ICP計算出資料點關係並進行幾何轉換；(4)依據幾何轉換變更對應點資料；(5)運用距離公式算出誤；(6)檢視條件是否滿足，如果不符則回歸到步驟(3)重新運作，符合者則將對位結果輸出以供醫師或技師判別其對位的準確性，若對位不準確，尚可由醫師或技師進行手動微調。

(e)再將對位後的三維圖像分別進行細胞自動機(Cellular Automata)的半自動膝蓋軟骨影像分割處理，並將兩者的膝蓋軟骨影像進行融合處理，以利進行比對：該步驟係以細胞自動機為基礎，且運用學者Vladimir Vezhnevets所提出的GrowCut技術來運算，請配合參閱第二十五圖，該處理實施步驟至少包含有：(1)將對位處理後脛骨面的三維圖像輸入；(2)定義欲擷取的影像區域，人工初步選取MRI影像涵蓋膝蓋軟骨之矩形區域，亦即定義即將處理的軟骨影像區域；(3)自動進行種子點偵測及初始分割，自動預測出軟骨影像區域的前景及背景，且輸出最後的種子預測遮罩；(4)另以人工方式選擇(1)~(3)步驟所得物件並施以前景、背景種子點；(5)輸入給細胞自動機以進行自動分割運算，其係以GrowCut技術之細胞自動機演化，藉由程式碼可表示為：其中，l _p為細胞當前所屬的標籤；θ _p為當前細胞的力量；C _P為當前細胞的特徵向量，由影像決定；t+1為下一個時間點的程式執行時間；當細胞自動機演化時，當中每一個細胞會往旁邊擴散，細胞會嘗試取代鄰近細胞，取代的強度依照給予的力量θ _p而定，將欲擴散細胞者稱為攻擊者，另一方稱做防禦者，攻擊者和防禦者的特徵向量間，如果攻擊強度大於防禦者的強度，防禦的細胞所屬l _p以及力量θ _p將會被攻擊細胞替換，最後，這些細胞將會擴散至鄰近區域逐漸地蔓延整影像，直到趨近於穩定的狀態，透過設定細胞力量θ _p大小以決定攻擊者或防禦者，設成背景標籤時，將細胞力量θ _p設置為1，設成前景時，則將力量設成<1以區別出影像分割時需要跟不需要的物件，藉由上述細胞自動機進行自動分割運算，讓使用者能觀察影像切割結果的不同變化，並施予一適當的調整，使細胞自動機一步一步地往邊界演化，不斷地往軟骨物件的邊界蔓延，最終演化會收斂在軟骨邊緣；(6)檢視分割結果，觀察步驟(5)分割之結果是否符合所欲求之結果，如果不符則回歸到步驟(4)重新運作，結果符合者則繼續進行步驟(7)；(7)取出之軟骨輪廓作最佳化處理，將步驟(6)符合所欲求結果之影像進行最佳化處理以消除鋸齒及毛邊的情況。

透過上述步驟，有效解決於膝蓋軟骨進行影像分割時，因軟骨像素與周遭組織像素過於相近所導致的分割失敗及效率不佳等問題，裨益於臨床實驗及醫師之診斷，以及治療的效果。由於本發明的方法的MRI影像序列裡單張脛骨面疊合率到接近十成，尚可運用於軟骨量的其它應用，例如性別、年紀、體重的軟骨量的差別，以及其軟骨量變化量測可以分別為整體軟骨量的變化和局部軟骨軟骨量的變化。

為驗證本發明之膝蓋軟骨量測方法確實能達到較佳之功效，在此特做實驗以証之，使用之儀器為磁場強度1.5特斯拉(Telsa)的掃描器，其參數值為T2-weighted 3D Spoiled gradient recall echo(SPGR)的序列資料，掃描時間大約為25~35分鐘，一般參數TR=55ms、TE=5ms、FA=40°，其影像大小為512×512像素陣列、切層厚度為2mm、像素間距為0.31 mm×0.31 mm，共80~115張影像切片數，一個體素所對應的實際大小約為0.2，儀器的參數皆由具有量測膝蓋關節軟骨資深經驗的技師所設計，實驗體為共有五名成年人(A、B、C、D、E)、平均年齡27歲、共有八組獨立影像，其中三人的前後兩次MRI影像序列為在不同時間分別所得，所得到影像序列，按照掃描順序編號(A、B1、B2、C1、C2、D、E1、E2)，實驗環境如第二十六圖所示。在膝蓋脛骨研究中，對於驗證脛骨準確率變化沒有一個絕對標準的答案，因此我們使用一個相對客觀的方式。我們量測準確率的方式使用疊合的觀念，以專業人員的經驗為準則，準則是由多位專業人員對同一份MRI膝蓋影像共同檢驗的成果，疊合動作是對一張MRI影像做兩次選取方法，一次為手動選取法，另一次為運用本發明方法之半自動處理方式，兩次出來的結果取交集，就是脛骨面疊合的部位，依照下列公式計算：這裡的C(M)是手動選取的脛骨面輪廓，這裡C(S)為使用其他的半自動處理的脛骨面輪廓，C(M)∩ C(S)代表兩者的脛骨面交集輪廓，實際操作由專業技師選取MRI的膝蓋影像，會得到手工選取的序列影像、以及使用其他半自動處理的序列影像，兩組數據間依疊合公式做計算，會得到單張疊合率與總疊合率，當總疊合率越高，代表著處理工具與手動選取的結果越相似，反之，則代表越不相同。

請配合參閱第二十七圖及第二十八圖，為本發明量測方法運用型態學擷取膝蓋脛骨面與X.Chenyang and J.L.Prince的GVF和S.Lankton的Active Contour(AC)在抓取膝蓋脛骨面輪廓品質相當之情況下，進行時間上之比較表(二維組態下)，由第二十七圖可以得知，使用本發明方法擷取脛骨面處理之時間相比GVF可節省30.2倍的時間，而與主動式輪廓(Active Contour)做比較也可節省42%的時間；另外，針對準確率的部分進行比較(二維組態下)，請配合參閱第三十圖所示，由第三十圖我們可以清楚看到使用本發明方法抓取之膝蓋脛骨表面和運用主動式輪廓方法抓取之脛骨面的比較，兩者彼此間的品質相當，然而主動式輪廓在韌帶之地方卻容易誤判為脛骨表面，此方面使用本發明方法便不易誤判；另外，除了肉眼直示觀察進行比較外，特別加入中值濾波與未加入中值濾波後之準確率比較，由Overlapping Percentage之準確率測試之後可得知加入中值濾波的準確率有明顯的提升，未加入中值濾波之準確率為57%，加入中值濾波後之準確率為86%。

請再配合參閱第三十一圖所示，係為本發明方法於運用型態學三維分割之情況，由第三十一圖我們可以得知即時在三維圖像下進行分割，本發明方法可以保持一定之品質，且讓操作者抓取輪廓不甚滿意外，亦可透過以依本發明方法所設計出之軟體介面進行手動微整，誠如第三十二圖所示。

綜合上述說明及實驗結果，可以得知本發明方法確實可以有效解決於膝蓋軟骨進行影像分割時，有效避免因軟骨像素與周遭組織像素過於相近所導致的分割失敗及效率不佳等問題，裨益於臨床實驗及醫師診斷，實為病患之福音，且其未曾見於書刊或公開使用，誠符合發明專利申請要件，懇請鈞局明鑑，早日准予專利，至為感禱；需陳明者，以上所述乃是本發明之具體實施立即所運用之技術原理，若依本發明之構想所作之改變，其所產生之功能作用仍未超出說明書及圖式所涵蓋之精神時，均應在本發明之範圍內，合予陳明。

(a)、(b)、(c)、(d)、(e)、(f)、(1)、(2)、(3)、(4)、(5)、(6)、(7)‧‧‧步驟流程

第一圖：係為本發明方法的步驟流程圖。

第二圖：係為本發明方法(a)步驟中定義出膝蓋磁共振序列影像的座標以合成為三維圖像。

第三圖：係為本發明方法(a)步驟所形成膝蓋的三維圖像。

第四圖：係為本發明方法(b)步驟中所進行影像前處理的流程圖。

第五圖：係為本發明方法(b)步驟中分析膝蓋的三維圖像以及混淆閥值的分佈圖。

第六圖：係為本發明方法(b)步驟中連通標記運算的四連通與八連通元件之示意圖。

第七圖：係為本發明方法(b)步驟中的三維圖像亮度轉換的不同γ值的表示圖。

第八圖：係為本發明方法(b)步驟中未使用非等向性擴散濾波器取閥值時所造成脛骨與軟組織的像素值太過相近而無法取出漂亮的閥值之示意圖。

第九圖：係為本發明方法(b)步驟中所使用中值濾波所取閥值，即可得到理想的脛骨輪廓。

第十圖：係為本發明方法(b)步驟中的中值濾波方法所使用3x3空間濾波遮罩示意圖。

第十一圖：係為本發明方法(c)步驟中將(B)至(F)圖被(A)圖所侵蝕的運算過程圖。

第十二圖：為本發明方法(c)步驟中將(B)圖被(A)圖進行膨脹後之結果圖。

第十三圖：係為本發明方法步驟(c)的處理流程圖。

第十四圖：係為本發明方法(c)步驟中，針對非骨頭影像區域所取閥值。

第十五圖：係為本發明方法(c)步驟中，針對脛骨影像區域所給予種子點之示意圖。

第十六圖：係為本發明方法(c)步驟中，針對脛骨影像區域所進行型態學之膨脹處理的示意圖。

第十七圖：係為本發明方法(c)步驟中，針對脛骨影像區域再作一次膨脹處理的示意圖。

第十八圖：係為本發明方法(c)步驟中，針對脛骨影像區域所作影像相減之示意圖。

第十九圖：係為本發明方法(c)步驟中，針對脛骨影像區域所作底線消除之示意圖。

第二十圖：係為本發明方法(d)步驟中的處理流程圖。

第二十一圖：係為本發明方法(d)中所運用K-D tree進行排序的第一次以X軸將資料平均一分為二。

第二十二圖：係為本發明方法(d)中所運用K-D tree進行排序的第一次以Y軸將資料平均一分為二。

第二十三圖：係為本發明方法(d)中所運用K-D tree進行排序的第二次以X軸將資料平均一分為二。

第二十四圖：係為本發明方法(d)中所運用K-D tree進行排序的第二次以Y軸將資料平均一分為二。

第二十五圖：係為本發明方法(e)中的CA半自動膝蓋軟骨影像分割處理的流程圖。

第二十六圖：係為本發明方法，針對膝蓋三維圖像所作的實驗環境。

第二十七圖：係為本發明方法所作驗證實驗的GVF、主動式輪廓(Active Control)、型態學(Monophology)三者脛骨面抓取的時間比較圖。

第二十八圖：係為本發明方法所作實驗的主動式輪廓(Active Control)與型態學(Monophology)影像處理的時間比較表。

第二十九圖：係為本發明方法所作實驗中，以加入中值濾波後的準確率比較圖。

第三十圖：係為主動式輪廓(A)與型態學(B)抓取品質的比較圖。

第三十一圖：係為本發明方法運用型態學三維分割之情況。

第三十二圖：依本發明方法所設計出之軟體介面，以利進行手動調整之示意圖。

(a)、(b)、(c)、(d)、(e)‧‧‧步驟流程

Claims

一種結合ICP及KD-TREE對位演算法的磁共振膝蓋軟骨測量方法，其施行步驟至少包含有：(a)將治療前、治療後之膝蓋磁共振序列影像組成三維圖像；(b)將各三維圖像進行影像前處理，以最佳化三維圖像；(c)再對各三維圖像進行脛骨面的擷取；(d)將所擷取出的脛骨面運用ICP及KD-TREE對位演算法，而將治療前、治療後的三維圖像進行對位處理；(e)再將對位後的三維圖像分別進行細胞自動機(Cellular Automata)的半自動膝蓋軟骨影像分割處理，並將兩者的膝蓋軟骨影像進行融合處理，以利進行比對；透過上述方法步驟，有效解決於膝蓋軟骨進行影像分割時，因膝蓋軟骨像素與周遭組織像素過於相近所導致的分割失敗及效率不佳等問題，並能準確的切割出膝蓋軟骨，裨益於醫師診斷治療是否有效。
如申請專利範圍第1項所述之膝蓋軟測量方法，其中在(a)步驟中，該膝蓋磁共振序列影像組成三維圖像係為將所掃瞄後之影像以序列方式疊合，並定義出影像座標以將該序列影像形成三維圖像，而該影像座標的定義可表示為：
如申請專利範圍第1項所述之膝蓋軟測量方法，其中在(b)步驟中，更包含有以下步驟：(1)輸入膝蓋磁共振序列影像以組成三維圖像；(2)重新取樣；(3)中值濾波；(4)輸出所改善的三維圖像。
如申請專利範圍第3項所述之膝蓋軟測量方法，其中該步驟(2)重新取樣係為透過三維圖像縮小技術及其增強技術，得以減少內插取樣點，以增加其執行速度，及加強影像中原本不明顯的物體或邊緣，致增進使用者對物體的主觀辨識，並加快演算處理時間，達到改善操作效率的目的。
如申請專利範圍第4項所述之膝蓋軟測量方法，其中該三維圖像縮小技術係運用Matlab平台中的bicubic內插技術，並藉由每0.5個pixel值進行內插動作及作x倍bicubic縮小，促使座標內插技術後作內插動作的點的數目降低，以增進執行速度及效率。
如申請專利範圍第4項所述之膝蓋軟測量方法，其中該影像增強技術至少包括分析MRI圖片、連通標記、影像亮度轉換及雜訊濾除，藉以提高邊界辨識的準確性，及使影像邊緣不連續、其區域模糊的部份得到明顯的改善。
如申請專利範圍第1項所述之膝蓋軟測量方法，其中在(c)步驟中，係以下列步驟完成：(1)輸入已最佳化膝蓋的各三維圖像；(2)運用型態學抓取整個脛骨區域；(3)將所選取的脛骨區域當遮罩；(4)將脛骨區域進行三維侵蝕的動作；(5)將兩脛骨區域進相減以取得脛骨面；而所使用型態學更包含侵蝕、膨脹、斷開及閉合等型態運算，促使物件輪廓平滑等功效，俾讓操控者進行膝蓋脛骨面之選取能夠更為精準，且其操作時間能更縮短。
如申請專利範圍第1項所述之膝蓋軟測量方法，其中在(d)步驟中的對位處理係為運用ICP及K-D tree對位演算法，配合膝蓋脛骨面已處理後的特徵點之點資料，得以準確快速定位，其處理步驟至少包含有：(1)載入治療前、治療後的脛骨面；(2)使用ICP及K-D tree對位演算法；(3)由醫生判別是否準確，若判別其準確則取較佳對位；(4)若醫生判別其不準確，則由醫生或技師進行手動微調。
如申請專利範圍第1項所述之膝蓋軟測量方法，其中在(e)步驟中之CA半自動膝蓋軟骨影像分割處理係為以細胞自動機為基礎，運用GrowCut技術來運算，其處理實施步驟至少包含有：(1)將對位處理後脛骨面的三維圖像輸入；(2)定義欲擷取的膝蓋軟骨影像區域；(3)自動進行種子點偵測及初始分割，自動預測出膝蓋軟骨影像區域的前景及背景，且輸出最後的種子預測遮罩；(4)另以人工方式選擇(1)~(3)步驟所得物件並施以前景、背景種子點；(5)輸入給細胞自動機以進行自動分割運算，讓使用者能觀察影像切割結果的不同變化，並施予一適當的調整，使細胞自動機一步一步地往邊界演化，不斷地往膝蓋軟骨物件的邊界蔓延，最終演化會收斂在膝蓋軟骨邊緣；(6)檢視分割結果，觀察步驟(5)分割之結果是否符合所欲求之結果，如果不符則回歸到步驟(4)重新運作，結果符合者則續行步驟(7)；(7)取出之膝蓋軟骨輪廓作最佳化處理，將步驟(6)符合所欲求結果之影像進行最佳化處理以消除鋸齒及毛邊的情況。