论文部分内容阅读
由肌肉和肌腱构成的肌肉肌腱单位(Muscle-Tendon Unit,MTU)在人体运动中扮演着十分重要的角色。近年来,通过超声成像技术获取肌肉肌腱结(Myotendinous Junction,MTJ)位置变化被积极用于量化运动过程中肌肉与肌腱相对变化,从而帮助研究与理解在不同生理病理条件下人体MTU的运动机制。然而,缺乏可靠的MTJ测量方法大大制约了其在人类运动分析研究中的应用。因此,本论文基于肌腱组织在肌肉超声图像中的结构特征,分别从运动估计,结构特征识别,以及深度学习三个方面展开对于肌肉超声图像中MTJ位置的自动测量和跟踪的研究,从而为研究MTU机理提供有效的定量分析方法。首先,基于超声图像中的肌腱先验形状信息,本论文通过相位一致性(Phase Congruency,PC)和局部拉东变换(Local Radon Transform,LRT)实现只在有效的MTJ区域应用LucasKanade(LK)光流场算法跟踪连续超声图像中肌腱组织上的手动标记点,从而避免了图像中非肌腱组织对MTJ位移估计的负面影响,实现对连续超声图像中MTJ位置的有效跟踪。该自动算法主要通过计算多重相关系数(Coefficient of Multiple Correlation,CMC)进行评估。实验表明,所提算法在记录8个健康对象的腓肠肌运动的超声图像数据集上获得了与手动测量较为一致的测量结果(CMC=0.97±0.02)。此外,基于同一数据集,该所提算法相较于经典LK光流场算法(CMC=0.79±0.11)体现出显著优势。为了克服在超声图像上手工标记肌腱组织带来的人为误差,基于MTJ在超声图像中的结构特征,本论文继续深入探究问题并通过结合相关矩阵(Correlation Matrix,CM)和海森矩阵(Hessian Matrix,HM)实现相应的PC测量图上的多尺度全自动MTJ检索。相比于以上所提算法(CMC=0.97±0.02),该全自动算法在同样的超声图像数据集上的MTJ位移测量结果与手动测量结果更为一致(CMC=0.97±0.01)。考虑到近年来深度学习的迅猛发展,本论文尝试从数据驱动的角度出发,通过微调的深度卷积神经网络(Deep Convolutional Neural Network,DCNN)实现MTJ区域的有效分割,并基于分割区域最终测得MTJ在连续超声图像中的位移变化。通过使用之前实验中超声图像数据集训练,取得了良好实验结果,初步验证了深度学习技术应用于超声图像中MTJ测量的巨大潜力。本论文围绕肌肉超声图像中的MTJ位置测量这一问题,广泛调研并应用了多种计算机视觉以及图像处理领域的成熟方法,并创新性地提出多种MTJ自动检测方法,为临床研究人体MTU运动提供了切实可行的量化分析方法,为将来基于超声图像的物体识别,分割以及追踪的相关研究提供理论借鉴与方法支持。