7、骨赘检测与纤维方向估计：医学影像的智能分析

骨赘检测与纤维方向估计：医学影像的智能分析

在医学影像分析领域，骨赘检测和纤维方向估计是两项重要的研究内容，它们对于骨关节炎（OA）的诊断和人类大脑连接性的研究具有关键意义。下面将详细介绍相关的研究方法和实验结果。

骨赘检测用于 OA 诊断

• 数据处理
  • 形状模型训练 ：通过对部分数据的预实验选择点，在这些点上训练形状模型，模型具有 98%的变化，相当于 22 个形状模式。
  • 纹理分析 ：不直接寻找骨轮廓，而是在骨赘出现的区域对图像纹理进行分类器训练。定义四个感兴趣区域（ROIs），使用来自基础 RFCLM 对象检测阶段的点，这些点靠近四个相应区域（内侧胫骨、外侧胫骨、外侧股骨和内侧股骨），并为每个区域训练一个随机森林（RF）分类器，使用 Haar 特征在每个树节点进行分割。
• 实验数据
  • 骨赘检测样本 ：从 OsteoArthritis Initiative 数据集中选取 640 个膝盖样本，涵盖不同 OARSI 骨赘等级。
  • KL 分级样本 ：747 个膝盖图像，具有不同的 KL 等级，在二分类 OA 分类实验中，将等级分为 OA 或非 OA（KL 0, 1 与 KL 2, 3, 4）。
• 分类实验