Fully automated segmentation of a hip joint is a prerequisite for FEA-based bone strength assessment with large populations. However, in the case of plain radiograph, it is difficult to segment the hip joint due to ambiguity of boundaries. To overcome this issue, this paper proposes a fully automated segmentation method for a hip joint using multi-level region of interest (ROI) detector and statistical models. Using ROI labeling and manual annotation on 32 plain radiographs, a two-stage reference point detection and statistical models were constructed. The two-stage reference point detection and statistical models were used for segment a hip joint with a two-stage approach. First, a two-stage reference point detection detects a reference point using the machine learning based object detection method. Second, after the mean shape model was located at the reference point, the contour was segmented using statistical models. A set of 32 plain radiographs were used for training and evaluation. The mean point-to-curve error was $0.76 \pm 0.26 mm$ and mean processing time was $20.6 \pm 0.1$ sec when implemented with MATLAB. The strain energy density (SED) distribution for both one-leg stance and side-fall configurations show that the SED distribution of proposed method was very similar with that of the manual segmentation. A fast, robust and fully automatic segmentation method for a hip joint in plain radiographs was developed by combining multilevel ROI detector and statistical models. The proposed method could be further extended for clinical applications.
고관절의 완전 자동화 된 세분화는 대규모 집단에 대한 FEA 기반 골 강도 평가의 전제 조건이다. 그러나 단순 방사선 사진의 경우 경계의 모호함으로 인해 고관절을 구분하기가 어렵다. 이 문제를 극복하기 위해 본 논문에서는 다단계 관심 영역 (ROI) 검출기와 통계 모델을 사용하여 고관절을 완전 자동으로 세분화하는 방법을 제안하였다. 32 개의 일반 방사선 사진에 대해 ROI 라벨링과 수동 주석을 사용하여 2 단계 기준점 탐지 및 통계 모델을 구성하였다. 2 단계 기준점 검출 및 통계 모델은 두 단계의 접근법을 사용하여 고관절 부분을 구분하는 데 사용되었습니다. 첫째, 2 단계 기준점 검출은 기계 학습 기반 객체 검출 방법을 사용하여 기준점을 검출한다. 둘째, 평균 형상 모델을 기준점에 배치 한 후 통계 모델을 사용하여 윤곽을 분할한다. 32 개의 평범한 방사선 사진을 훈련 및 평가에 사용했다. 평균 point-to-curve 오차는 $0.76 \pm 0.26 mm$ 이었고 MATLAB으로 구현 된 평균 처리 시간은 $20.6 \pm 0.1 s$ 이다. 한발 자세와 측면 낙하 형태에 대한 변형 에너지 밀도 (SED) 분포는 제안 된 방법의 SED 분포가 수동 세분화와 매우 유사 함을 보여주었다. 평범한 방사선 사진에서 고관절의 빠르고 강력하고 완전 자동 분할 방법은 다단계 ROI 검출기와 통계 모델을 결합하여 개발되었다. 제안 된 방법은 향후 검증을 통해 임상에 적용 될 수 있을 것이다.