CN109697713A - 基于深度学习和空间关系推理的椎间盘定位标注方法 - Google Patents

基于深度学习和空间关系推理的椎间盘定位标注方法 Download PDF

Info

Publication number
CN109697713A
CN109697713A CN201811350962.4A CN201811350962A CN109697713A CN 109697713 A CN109697713 A CN 109697713A CN 201811350962 A CN201811350962 A CN 201811350962A CN 109697713 A CN109697713 A CN 109697713A
Authority
CN
China
Prior art keywords
interverbebral disc
interverbebral
disc
reasoning
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811350962.4A
Other languages
English (en)
Other versions
CN109697713B (zh
Inventor
王生生
邵婧雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201811350962.4A priority Critical patent/CN109697713B/zh
Publication of CN109697713A publication Critical patent/CN109697713A/zh
Application granted granted Critical
Publication of CN109697713B publication Critical patent/CN109697713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于深度学习和空间关系推理的椎间盘定位标注方法，该方法包括以下步骤：一、在核磁共振图像样本集上进行特征提取和统计分析，获得邻近椎间盘空间关系模型SAID；二、在核磁共振图像测试集上进行图像特征底层提取和目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别的椎间盘目标；三、用椎间盘空间关系迭代推理算法把椎间盘目标集合与每个SAID逐一进行匹配，获得匹配程度；四、选取最佳匹配，对椎间盘目标赋予标注名称。本发明提出的邻近椎间盘空间关系模型可以更全面的模拟椎间盘的特征；椎间盘空间关系筛选算法引入评分机制能够消除假正例，得到准确的结果；迭代匹配的方法，在保证速度的前提下提高了准确性。

Description

基于深度学习和空间关系推理的椎间盘定位标注方法
技术领域
本发明涉及深度学习目标检测及空间关系推理。
背景技术
近年来，背部疾病在神经系统疾病中越来越常见，在众多的医疗疾病诊断中，查看腹部， 腰椎，颈椎等扫描图像通常是一个常规的程序步骤，整个从上到下的脊柱可以代表身体上半 部分的参考框架，从而可以用来确定骨头或者病变的位置。脊柱图像的处理一般分为椎体的 分割和椎间盘的定位和标注两种，其中椎间盘的定位和标注是最近大家研究的重点，它对于 任何形式的分析、诊断或者进行手术来说是都是至关重要的一步。然而，对于临床医生来说， 手工定位标注是一项非常耗时的任务，并且在某些程度上非常容易出现错误，因此本发明提 出了一种全自动定位标注的方法，也就是对椎间盘进行正确的定位并且把它们与相应的名称 联系起来。
当我们对一张图片中多个物体进行检测时，就需要用到目标检测模型，它可以识别一张 图片的多个物体，并可以定位出不同物体(给出边界框)。当前目标检测领域的深度学习方法 主要分为两类：二阶段(two stage)的目标检测算法和一阶段(one stage)的目标检测算法。 其中二阶段(two stage)的目标检测算法是首先通过算法生成一系列作为样本的候选区域 (Region Proposal)，同时用卷积神经网络提取特征，然后放入分类器进行样本分类并修正位 置；而一阶段(one stage)算法则需要产生候选框，它直接将目标边框定位的问题转化为回 归问题处理。两种方法的不同导致了它们在性能上的差异，但是各有优缺点。前者主要倾向 于“准”，它在检测的准确率和定位精度上有很大的优势，后者则主要倾向于“快”，它在算 法速度上占优。但是对于椎间盘的定位和标注问题来说，通过目标检测算法我们只能确定椎 间盘的位置，但是却不能准确地标注各个椎间盘的名称。
现在椎间盘定位标注方法可以大致分为两种策略：数据驱动方法和解剖结构模型驱动方 法。数据驱动算法主要通过目标数据的特征，在没有机器学习的情况下，不使用或很少使用 解剖学知识来对未知图像进行分割。解剖结构模型驱动方法则是把训练集的数据特征与解剖 学知识结合起来，放在模型中，并应用到未知数据里。但是当前的椎间盘定位标注技术有一 定的局限性：(1)一些只能针对完整的脊柱图像，却不能标注局部图像，比如只有颈椎的部 分或者只有腰椎的部分等等，他们的方法在前提条件和具体目标方面也会有所不同，因此不 能得到一个总结性的方案。(2)这些所提出的方法也有不同的缺点，有些只专注于脊椎的某 个特定部分而不是整体，需要手动输入，有些计算量相对来说非常的大。(3)还有一些只使 用非病理数据来对他们的方法进行评估，却忽略了包括骨头病变的情况例如脊柱侧凸、椎间 盘破裂、椎骨骨折、退行性变化或融合椎骨等疾病。
综上所述，我们提出基于深度学习和空间关系推理的椎间盘定位标注方法。首先，对核 磁共振(MRI)图像样本集进行特征提取和统计分析，获得邻近椎间盘空间关系模型(Spatial Relationship Model of Adjacent Intervertebral Discs，简称SAID)；然后在MRI图像测试集上用 深度学习椎间盘目标检测算法和椎间盘空间关系筛选算法得到椎间盘集合；最后用椎间盘空 间关系迭代推理算法把得到的椎间盘集合和SAID进行逐一匹配，对椎间盘进行命名。
发明内容：
为解决深度学习目标检测算法在脊柱图像处理领域研究匮乏，以及传统的椎间盘定位和 标注方法的局限性，比如不能标注局部图像，需要手动输入，计算量较大等问题。本发明提 出了一种基于深度学习和空间关系推理的椎间盘定位标注方法，发明内容主要包括：椎间盘 图像定位标注方法的流程框架，对每相邻三个椎间盘建立邻近椎间盘空间关系模型，提出椎 间盘空间关系筛选算法以获得准确的椎间盘集合，以及对椎间盘进行命名的椎间盘空间关系 迭代推理算法。
一种基于深度学习和空间关系推理的椎间盘定位标注方法，其特征在于：至少包括以下 步骤：
步骤一、在核磁共振(MRI)图像样本集上进行特征提取和统计分析等操作，获得邻近 椎间盘空间关系模型(Spatial Relationship Model of Adjacent IntervertebralDiscs，简称SAID)， 每个SAID表示相邻三个有标注名称的椎间盘之间的空间位置关系，椎间盘一共有23块，则 SAID模型一共有20个；
步骤二、在核磁共振(MRI)图像测试集上采用深度学习方法进行图像特征底层提取和 目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别但未标注名称的椎间盘目标；
步骤三、对于步骤二获得的椎间盘目标集合，用椎间盘空间关系迭代推理算法，与每个 SAID逐一进行匹配，获得匹配程度；
步骤四、根据步骤三获得的匹配程度，选取最佳匹配的SAID模型，根据该模型对核磁共 振测试图像上的椎间盘目标赋予标注名称。
有益效果：
与现有技术相比，采用本发明所述的设计方案，可以达到以下技术效果：
一、提出邻近椎间盘空间关系模型来对每相邻三个椎间盘进行建模，该模型综合了形态 学特征和图像强度特征，更全面的表述整体特征，使得模型匹配精确度更高。
二、在传统的目标检测算法的基础上，提出椎间盘空间关系筛选算法对已经得到的椎间 盘候选集合进行进一步的筛选，消除假正例，得到准确的椎间盘集合，与现有技术相比，在 保证速度的前提下提高了准确性。
三、用椎间盘空间关系迭代推理算法对得到的椎间盘目标集合与SAID进行匹配，比现 有的脊柱分割和检测技术具有更好的模型鲁棒性。
四、把目标检测算法与空间关系推理相结合应用在脊柱图像领域，实现针对椎间盘的自 动定位和标注，能够为背部疾病诊断与治疗方案的制定提供更准确的参考。
附图说明：
图1.方法框架流程图
图2.SAID框架图
图3.目标检测框架流程图
图4.椎间盘解剖结构评分示意图
具体实施方式：
步骤一、在核磁共振(MRI)图像样本集上进行特征提取和统计分析等操作，获得邻近 椎间盘空间关系模型(Spatial Relationship Model of Adjacent IntervertebralDiscs，简称SAID)， 每个SAID表示相邻三个有标注名称的椎间盘之间的空间位置关系，椎间盘一共有23块，则 SAID模型一共有20个；
(1)模型结构
从上到下依次对连续的三个椎间盘进行建模。分别取MRI图像样本集中每一个椎间盘 的中心点，形成一个固定的椎间盘标签序列D＝{di；i∈{1,2,3...23}}，其中di＝{xi,yi}表示中心 点的坐标，并按照椎间盘顺序从上到下把它们连接起来形成一个个折线。根据所有的样本数 据Ik∈Λ，每连续三个椎间盘中心点连接形成的折线即为一个SAID，模型共包括六个元素：
M＝{di,Vi,di+1,Vi+1,di+2}，
其中di是指椎间盘的中心点，vi是指连续两个中心点之间的连线。
(2)模型参数
对于每个样本数据Ik∈Λ来说，SAID的两个参数分别为图像强度特征U及形态测量学 特征G。
图像强度特征U是指椎间盘像素的强度分布，把每个椎间盘区域平均分成r个采样区域 R1，R2，R3，…Rr，根据实际椎间盘的大小，我们把胸椎和颈椎区域设r＝20，腰椎区域设 r＝30，根据所有区域的像素分布，我们用高斯分布来模拟其强度水平，其中的两个参数μ和 σ从已经标注的样本数据中学习，对于所有的样本数据Ik∈Λ，具体表示如下：
其中s是每个采样区域的像素，I(s)是每个像素的强度值。
形态学特征G主要是计算每条折线Vi的长度特征以及两条折线Vi与Vi+1之间的角度 特征，对于所有的样本数据Ik∈Λ，以椎间盘di为中心点建立直角坐标系，其中分别 为横、纵坐标的单位向量，这样就形成一个2×2的特征向量，具体表示如下：
最后每个模型的总特征是所有样本数据Ik∈Λ特征的平均值，因为一共有23块椎间盘， 我们一共得到了20个SAID(S1，S2，S3…S20)：
步骤二、在核磁共振(MRI)图像测试集上采用深度学习方法进行图像特征底层提取和 目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别但未标注名称的椎间盘目标；
(1)在MRI图像样本集上先进行网络训练，在MRI图像测试集用RefineDet算法进行椎间盘目标检测，获得单个椎间盘的候选集合；
目前，检测方法主要分为二阶段(two stage)和一阶段(one stage)，前者的准确度较高， 后者的速度较快。二阶段(two stage)的方法之所以准确度高和速度慢，是因为它采用了RPN (Region Proposal Network)机制，对候选框进行初步的筛选，提取ROI(regionof interest，感 兴趣区域)得到初步结果后，再通过第二阶段对其进行进一步的回归和分类。我们使用了一个 一阶段(one stage)RefineDet算法，它是通过两个不同的模块来模仿Faster-RCNN的两个不 同的阶段，从而在保证速度的前提下提高了监测效果。
RefineDet算法的模型框架主要分为两个模块：第一个模块是定位细化模块，简称ARM， 相当于一个简化的SSD算法，用于初步生成区域提名(Region Proposal)，得到候选框，这里 只做二分类，即目标的有无，去除一些无物体的候选区域，对位置和尺寸进行大致的调整， 为后面的模块提供一个好的初始化。第二个模块是物体检测模块，简称ODM，它用来融合不 同层的特征，然后用于对上个模块的结果进行进一步的回归和分类。这两个模块通过传输连 接块(简称TCB)联系起来，它用来做特征的转换操作，也就是将ARM部分的输出特征图 转换成ODM部分的输入，以便ODM可以共享来自ARM的特征。
具体的网络结构以特征提取网络为ResNet101，输入图像大小为320为例，在ARM部分的4个灰色矩形块(feature map)的大小分别是40*40，20*20，10*10，5*5，其中前三个 是ResNet101网络本身的输出层，最后5*5输出是另外添加的一个剩余块。有了特征提取的 主网络后，就要开始做融合层操作了，首先是5*5的灰色矩形块(feature map)经过一个TCB得到对应大小的蓝色矩形块(P6)，对于生成P6的这条支路而言只是3个卷积层而已。接着基于10*10的灰色矩形块(feature map)经过TCB得到对应大小的蓝色矩形块(P5)，此处 的TCB相比P6增加了反卷积支路，反卷积支路的输入来自于生成P6的中间层输出。P4和 P3的生成与P5同理。
通过RefineDet算法获得了单个椎间盘的候选集合，但是对各椎间盘没有标注名称。
(2)用椎间盘空间关系筛选算法，获得测试MRI图像内全部椎间盘准确的位置集合；
接下来就对RefineDet算法获得的椎间盘候选集合进行消除假正例的处理，我们通过椎 间盘空间关系筛选算法得到准确的椎间盘集合。
通过相邻椎间盘之间的解剖学信息，引入一个评分机制S，根据解剖学的知识，这个分 数不需要进行预训练。令K为通过RefineDet算法得到的椎间盘区域的个数，其中{N1，N2，…， Nk}为每个椎间盘的中心点，我们的目标就是在这K个区域中找到最优点的集合{N1，N2，…， Nn}(n<k)：
评分机制主要考虑两个因素：距离约束和角度约束。如图4，最左边的椎间盘解剖结构 有合适的距离和角度，评分是相对较高的，中间的解剖结构因为距离差别太大，评分较低， 右边的因为角度不符合实际情况而评分较低。具体地：
根据评分机制S，用空间关系筛选算法得到准确的椎间盘集合，具体算法如下：
步骤三、对于步骤二获得的椎间盘目标集合，用椎间盘空间关系迭代推理算法，与每个 SAID逐一进行匹配，获得匹配程度；
正常成年人椎骨一共分为7块颈椎(C)，12块胸椎(T)和5块腰椎(L)，5块骶椎(S)等，我们对其标记为{C1，C2…C7，T1，T2..T12，L1…L5，S1…S5}，成人的椎间盘除第一、 第二颈椎之间缺失外，最上一个是在第二、第三颈椎之间，最后一个在第五腰椎体和骶椎底之间，共有23块椎间盘，对应椎间盘的标记即为{C2/C3，C3/C4，…C7/T1，…T12/L1，…L4/L5， L5/S1}。根据步骤二中得到的椎间盘集合，选择其中一个椎间盘作为初始化节点并随机标注 名称，根据椎间盘固定的标签顺序，其余椎间盘的标签也随之确定，得到了一个随机标注序 列Di。为了准确评价这个随机标注序列Di与SAID的匹配程度Q(Di)，我们使用椎间盘空 间关系迭代推理算法，从初始化节点开进行模型匹配，并向上或者向下进行迭代演算，直至 到达顶端和最低端的点，具体算法步骤如下：
其中在处理高斯分布模拟的像素分布直方图时，我们只需要考虑其均值μ和方差σ两个 参数即可，匹配程度通过计算形态学特征和图像强度特征的欧式距离得到，其中n为该随机 序列中SAID的总个数：
步骤四、根据步骤三获得的匹配程度，选取最佳匹配的SAID模型，根据该模型对核磁共 振(MRI)测试图像上的椎间盘目标赋予标注名称。
为了准确的对每个椎间盘进行标注，我们对步骤三中选取的初始化标注的椎间盘同时标 注多个名称，形成多个不同的随机标注序列{D1，D2，D3…Di}，然后椎间盘空间关系迭代推 理算法获得每个随机标注序列与SAID的匹配程度。
模型最终的最优匹配即为匹配程度值最大的随机标注序列：

Claims (4)

1.一种基于深度学习和空间关系推理的椎间盘定位标注方法，其特征在于，至少包括以下步骤：
步骤一、在核磁共振(MRI)图像样本集上进行特征提取和统计分析等操作，获得邻近椎间盘空间关系模型(Spatial Relationship Model of Adjacent Intervertebral Discs，简称SAID)，每个SAID表示相邻三个有标注名称的椎间盘之间的空间位置关系，椎间盘一共有23块，则SAID模型一共有20个；
步骤二、在核磁共振(MRI)图像测试集上采用深度学习方法进行图像特征底层提取和目标识别，然后经过椎间盘空间关系筛选算法，获得准确识别但未标注名称的椎间盘目标；
步骤三、对于步骤二获得的椎间盘目标集合，用椎间盘空间关系迭代推理算法，与每个SAID逐一进行匹配，获得匹配程度；
步骤四、根据步骤三获得的匹配程度，选取最佳匹配的SAID模型，根据该模型对核磁共振测试图像上的椎间盘目标赋予标注名称。
2.根据权利要求1所述的一种基于深度学习和空间关系推理的椎间盘定位标注方法，其特征在于：所述的步骤一中获得的20个邻近椎间盘空间关系模型，主要方法是用高斯分布来模拟椎间盘像素的强度水平，用角度特征和距离特征表示各个椎间盘之间的形态测量学特征，不仅可以获得整个图像的总体特征，也对局部特征也得到了很好的表述。
3.根据权利要求1所述的一种基于深度学习和空间关系推理的椎间盘定位标注方法，其特征在于：所述的步骤二中椎间盘空间关系筛选算法，是在用RefineDet算法进行椎间盘目标检测得到的单个椎间盘的候选集合中引入评分机制，根据相邻椎间盘之间的距离约束和角度约束，对集合中的每个椎间盘进行打分，移除评分较低的椎间盘以获得准确的椎间盘位置集合。
4.根据权利要求1所述的一种基于深度学习和空间关系推理的椎间盘定位标注方法，其特征在于：所述的步骤三、步骤四中，对核磁共振测试图像上的椎间盘目标赋予标注名称，主要方法是先形成多个椎间盘集合的标注序列，然后对每个序列使用椎间盘空间关系迭代推理算法，计算每相邻三个椎间盘的形态测量学特征和图像强度特征，并向上或向下与相应SAID逐一进行匹配，获得每个标注序列与模型的匹配程度，并选择最佳匹配序列。
CN201811350962.4A 2018-11-14 2018-11-14 基于深度学习和空间关系推理的椎间盘定位标注方法 Active CN109697713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811350962.4A CN109697713B (zh) 2018-11-14 2018-11-14 基于深度学习和空间关系推理的椎间盘定位标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811350962.4A CN109697713B (zh) 2018-11-14 2018-11-14 基于深度学习和空间关系推理的椎间盘定位标注方法

Publications (2)

Publication Number Publication Date
CN109697713A true CN109697713A (zh) 2019-04-30
CN109697713B CN109697713B (zh) 2022-09-02

Family

ID=66229848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811350962.4A Active CN109697713B (zh) 2018-11-14 2018-11-14 基于深度学习和空间关系推理的椎间盘定位标注方法

Country Status (1)

Country Link
CN (1) CN109697713B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678680A (zh) * 2013-12-25 2014-03-26 吉林大学 基于感兴趣区域多元空间关系模型的图像分类方法
US20150325018A1 (en) * 2014-05-09 2015-11-12 General Electric Company Standalone annotations of axial-view spine images
US20150356729A1 (en) * 2013-01-22 2015-12-10 Agfa Healthcare Nv Method, apparatus and system for identifying a specific part of a spine in an image
CN107545584A (zh) * 2017-04-28 2018-01-05 上海联影医疗科技有限公司 医学图像中定位感兴趣区域的方法、装置及其系统
CN107680134A (zh) * 2017-09-29 2018-02-09 沈阳东软医疗系统有限公司 医学图像中脊椎标定方法、装置及设备
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法
CN108292435A (zh) * 2015-10-29 2018-07-17 堃博生物科技公司 3d ct中的基于学习的脊柱椎骨定位和分割
CN108596904A (zh) * 2018-05-07 2018-09-28 北京长木谷医疗科技有限公司 生成定位模型的方法及对脊柱矢状位图像进行处理的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356729A1 (en) * 2013-01-22 2015-12-10 Agfa Healthcare Nv Method, apparatus and system for identifying a specific part of a spine in an image
CN103678680A (zh) * 2013-12-25 2014-03-26 吉林大学 基于感兴趣区域多元空间关系模型的图像分类方法
US20150325018A1 (en) * 2014-05-09 2015-11-12 General Electric Company Standalone annotations of axial-view spine images
CN108292435A (zh) * 2015-10-29 2018-07-17 堃博生物科技公司 3d ct中的基于学习的脊柱椎骨定位和分割
CN107545584A (zh) * 2017-04-28 2018-01-05 上海联影医疗科技有限公司 医学图像中定位感兴趣区域的方法、装置及其系统
CN107680134A (zh) * 2017-09-29 2018-02-09 沈阳东软医疗系统有限公司 医学图像中脊椎标定方法、装置及设备
CN107977971A (zh) * 2017-11-09 2018-05-01 哈尔滨理工大学 基于卷积神经网络的椎骨定位的方法
CN108596904A (zh) * 2018-05-07 2018-09-28 北京长木谷医疗科技有限公司 生成定位模型的方法及对脊柱矢状位图像进行处理的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DANIEL FORSBERG 等: "Detection and Labeling of Vertebrae in MR Images Using Deep Learning with Clinical Annotations as Training Data", 《J DIGIT IMAGING》 *
赵燕燕: "MRI脊柱图像椎间盘分割及定位算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516614A (zh) * 2020-07-06 2021-10-19 阿里巴巴集团控股有限公司 脊柱影像的处理方法、模型训练方法、装置及存储介质

Also Published As

Publication number Publication date
CN109697713B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
WO2022001571A1 (zh) 一种基于超像素图像相似度的计算方法
CN112184617B (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN109584251A (zh) 一种基于单目标区域分割的舌体图像分割方法
CN107993221B (zh) 心血管光学相干断层oct图像易损斑块自动识别方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN105760874A (zh) 面向尘肺的ct图像处理系统及其ct图像处理方法
CN107784319A (zh) 一种基于增强卷积神经网络的病理图像分类方法
TW202004776A (zh) 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法
CN111192248A (zh) 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法
CN106846346A (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
CN107871316A (zh) 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN115578372A (zh) 基于目标检测和卷积变换的骨龄评估方法、设备及介质
CN112820399A (zh) 自动诊断甲状腺结节良恶性的方法及装置
CN114600155A (zh) 用于细胞检测和分割的弱监督多任务学习
CN106780491A (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
CN103279960B (zh) 一种基于x射线背散射图像的人体隐藏物的图像分割方法
CN111798408A (zh) 一种内窥镜干扰图像检测与分级系统及方法
CN112638262A (zh) 相似度确定装置、方法及程序
CN109697713A (zh) 基于深度学习和空间关系推理的椎间盘定位标注方法
CN110051376A (zh) 一种骨龄智能检测方法
Mangin et al. Object-based strategy for morphometry of the cerebral cortex
CN113177499A (zh) 基于计算机视觉的舌裂纹形状识别方法及识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant