本发明涉及图像处理，尤其涉及一种踝关节距骨软骨分割及厚度测量方法。
背景技术：
1、踝关节距骨软骨的健康状态在临床诊断和治疗中至关重要。通过对距骨软骨的厚度测量不仅能帮助骨科医生预测需要修复的软骨量，还能避免过度治疗，减少对患者的侵害。
2、现有技术中，超声和磁共振成像(mri)是常用的软骨测量手段。两者均无辐射且安全无害，但研究表明，mri在真实软骨测量的准确性方面优于超声，因此成为间接观察软骨的最佳选择。
3、当前的软骨厚度测量方法主要依赖人工操作，存在效率低下和主观误差的问题。此外，研究发现，软骨厚度与骨骼的长短、粗细无直接相关性，因此不能简单通过骨骼ct或x光片预测软骨厚度。
4、深度学习技术近年在医学影像处理领域展现出巨大潜力，尤其是在图像分割和特征提取方面。基于深度学习的语义分割方法，能够在大量标注数据的基础上，自动学习并识别影像中的软骨组织，显著提升分割的准确性和效率。然而，国内尚未有系统的研究报告踝关节软骨厚度的测量。
技术实现思路
1、针对现有技术的不足，本发明的目的在于提供一种踝关节距骨软骨分割及厚度测量方法。
2、为实现上述目的，本发明提供了如下技术方案：
3、一种踝关节距骨软骨分割及厚度测量方法，包括以下步骤：
4、s1、采集人踝关节距骨核磁图像，并进行数据预处理；
5、首先，从医院导出踝关节距骨核磁图像，使用的踝关节距骨核磁图像是原始分辨率为512′512的踝关节mr平扫图，图片格式为jpg；
6、然后，筛选核磁图像中的距骨软骨层，保留距骨软骨清晰可见的核磁图像；使用的踝关节距骨核磁图像受限于医院设备及拍摄环境，部分核磁图像无法清晰显示踝关节的距骨软骨层，需人为进行筛选，保留距骨软骨清晰可见的核磁图像；
7、最后，统一裁剪处理核磁图像，保留距骨软骨部分并让距骨软骨处于图片的中心，最终用于制作踝关节距骨软骨分割数据集的图像分辨率为160′160，图片格式为png；
8、s2、标注踝关节距骨软骨分割标签，并进行数据增强和数据集划分；
9、首先，根据距骨软骨的轮廓标注踝关节距骨软骨分割标签，生成包含踝关节距骨软骨区域的单通道二值图像，单通道意味着图像只有一个灰度通道，每个像素的取值范围通常是0到255之间的整数，表示像素的亮度或灰度值。因此，每个像素用一个值来表示其在灰度级上的位置。二值化指每个像素只有两种可能的取值，分别对应于图像中存在和不存在某种特定属性的情况，这样的图像能够简化分析和处理，将此图像作为距骨软骨分割数据集的标签；其中前景距骨软骨区域的像素值为1，背景非距骨软骨区域的像素值为0；
10、然后，采取多种数据增强方式扩充踝关节距骨软骨分割数据集样本数量；
11、所述数据增强方式包括：沿着图像垂直轴镜像翻转，即将图像沿垂直轴进行翻转，有助于模型学习物体在不同方向的表现；随机-15°～+15°角度旋转，增强了模型对物体旋转变化的适应能力，使其能够更好地处理物体在不同角度下的表现；随机0.8～1.2倍尺度缩放，随机选择一个缩放比例在0.8到1.2之间，使得模型能够处理不同尺度下的物体；对图像进行尺度缩放变换，错切变换，即沿着水平或垂直方向拉伸图像的一部分，形成一个平行四边形，能够模拟物体在视角改变时的变形情况；高斯噪声，向图像的像素值中添加服从高斯分布的随机噪声通过引入噪声，模型更容易学习到真实世界数据的特征，提高了泛化能力；高斯模糊，对图像进行高斯模糊处理，模糊程度由一个标准差参数控制，可以减少图像中的细节和噪声，有助于模型专注于物体的整体形状和结构；
12、最后，以图像数量7：3的比例随机划分踝关节距骨软骨分割数据集的训练集与测试集；
13、s3、构建踝关节距骨软骨分割网络模型，使用标注数据来训练模型；
14、首先，构建网络模型中的特征提取部分；所述特征提取部分由包含多尺度深度可分离卷积块(mdsc块)组成；特征提取部分由五个阶段组成，生成从较低级的抽象特征到更高级的语义特征；
15、特征提取部分的组成核心为多尺度深度可分离卷积块(mdsc块)。首先，通过最大池化层调整输入通道数，最大池化层操作基本上可以理解为在输入的每一个局部区域内(例如2′2的窗口)，选取最大值作为输出，用于减少特征图的空间尺寸，同时保留重要特征；然后，通过多尺度深度可分离卷积提取特征，深度可分离卷积是一种卷积神经网络(cnn)中的特殊类型的卷积操作，可以有效减少模型参数量和计算复杂度，同时在一定程度上提高模型的表现。该卷积由五个不同尺寸的深度卷积并行提取特征，将提取的特征融合后，特征融合在深度学习中是指将来自不同层次或不同来源的特征信息结合在一起，以产生更加丰富和有表现力的特征表示；再利用逐点卷积将通道数对齐；接着，批量归一化层对多尺度深度可分离卷积的输出进行标准化，批量归一化是一种深度学习中常用的技术，用于加速神经网络的训练过程并提升模型的收敛速度和稳定性；最后，使用relu作为激活函数；
16、所述的relu激活函数由式(1)定义为：
17、f(x)＝max(x,0) (1)
18、然后，构建距骨软骨分割部分；所述距骨软骨分割部分由kan增强型多尺度上采样块(kemu块)组成；距骨软骨分割部分用于生成像素级别的距骨软骨分割结果；
19、距骨软骨分割部分通过跳跃连接将上采样后的特征图与对应层级的特征图进行特征融合，逐层次将提取的多层次特征映射回原始图像尺寸，由距骨软骨分割网络的最后一层生成像素级别的分割结果。距骨软骨分割部分的组成中有一部分与特征提取网络中的类似，不同在于引入了科尔莫格罗夫-阿诺德网络(kolmogorov-arnoldnetworks，kan)中的kan线性层和通道空间注意力。kan线性层作为增强的线性层，提供了更强的非线性表示能力；通道空间注意力通过逐步应用通道注意力和空间注意力来增强特征图；
20、s4、构建损失函数，确定优化器和超参数，输入训练集，训练网络参数；
21、首先，初始化模型，加载数据集并进行数据预处理。数据集采用pascal voc(visual object classes)格式；数据预处理包括随机调整图像大小到指定范围(200′200-300′300)、水平翻转、随机裁剪图像、标准化图像的像素值，将图像的像素值按照一定规则进行调整，使得图像的各个部分具有相似的数据分布或统计特性；特征提取部分提取原始踝关节距骨核磁图像的多层次特征，距骨软骨分割部分对距骨软骨进行分割，得到距骨软骨分割预测图；
22、然后，计算距骨软骨分割损失，即距骨软骨分割预测图与对应的距骨软骨分割标签的损失；
23、所述损失为dice损失与二进制交叉熵损失之和，由式(2)定义为：
24、
25、式(2)中，gi为每个距骨软骨分割真实标签，为对应的距骨软骨分割预测图，m为训练集中的图片总数，e为极小正常数以保证分母不为0；
26、最后，通过反向传播算法计算梯度，并使用优化器更新模型的参数；
27、所述优化器为adamw优化器，其参数更新策略由式(3)定义为：
28、
29、式(3)中，q t为在第t次迭代时的参数，和分别是梯度的一阶和二阶动量，h是学习率，设置为0.001，e是极小常数，设置为1e-8，λ是权重衰减系数，设置为0.01；
30、s5、所构建的分割模型加载上述所训练的权值参数，将测试集数据输入到模型中，对输出的图像进行图像后处理，得到距骨软骨的分割结果；
31、首先，加载训练好的模型权值参数，将测试集的数据输入到模型中；然后，对输出的图像进行图像后处理，将输出的二值图像转换为rgb图像；最后，得到距骨软骨的分割结果图；
32、s6、使用分割结果计算距骨软骨的平均厚度；
33、首先，加载距骨软骨的分割结果图，将图像处理为二值图像；分割结果图是灰度图将灰度图像转换为二值图像。这个过程将根据阈值将灰度值大于阈值的像素设置为白色(255)，小于等于阈值的像素设置为黑色(0)；
34、然后，计算像素与实际距离的转换系数；利用原始图像中的厘米尺计算得到每厘米像素数，并使用转换系数转换为实际距离，原始图像大小是512′512像素。测量的图像为160′160像素，因此需要根据缩放比例计算出实际距离和像素之间的比例关系，将像素值转换为实际的物理距离值；
35、接着，检测二值图像中的轮廓；轮廓表示了图像中连续的白色区域，每个轮廓可能对应着距骨软骨的一个区域；
36、最后，计算轮廓区域内俩块距骨软骨的平均厚度，并转换为实际厚度值。对于每个检测到的轮廓，创建一个与图像大小相同的掩码图像。首先将轮廓填充为白色，其余部分为黑色。接着，逐行遍历掩码图像，计算每一行白色像素的数量，这个数量代表距骨软骨的厚度。通过对所有行的厚度取平均值，得到这个区域的平均厚度值。
37、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
38、(1)本发明提供了一个独特且专门设计用于踝关节距骨软骨分割的数据集，解决了现有数据不足的问题，为未来相关研究和应用提供了必要的资源和基础。
39、(2)本发明提供了踝关节距骨软骨分割网络模型，显著提高了在踝关节软骨分割任务上的准确性和效率。
40、(3)本发明提供了一种测量踝关节距骨软骨的厚度的方法，为医生提供了更快速、更精确的软骨健康评估工具。这项技术创新有助于改善诊断过程，提高患者的治疗效果和健康管理水平。
1.一种踝关节距骨软骨分割及厚度测量方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种踝关节距骨软骨分割及厚度测量方法,其特征在于：
3.根据权利要求2所述的一种踝关节距骨软骨分割及厚度测量方法，其特征在于：
4.根据权利要求3所述的一种踝关节距骨软骨分割及厚度测量方法，其特征在于：
5.根据权利要求4所述的一种踝关节距骨软骨分割及厚度测量方法，其特征在于：
6.根据权利要求5所述的一种踝关节距骨软骨分割及厚度测量方法，其特征在于：
7.根据权利要求6所述的一种踝关节距骨软骨分割及厚度测量方法，其特征在于：
