CN109934824A - 颈椎脊髓高信号的检测方法及系统 - Google Patents
颈椎脊髓高信号的检测方法及系统 Download PDFInfo
- Publication number
- CN109934824A CN109934824A CN201910238688.XA CN201910238688A CN109934824A CN 109934824 A CN109934824 A CN 109934824A CN 201910238688 A CN201910238688 A CN 201910238688A CN 109934824 A CN109934824 A CN 109934824A
- Authority
- CN
- China
- Prior art keywords
- spinal cord
- candidate region
- cervical vertebra
- centrum
- image
- 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
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种颈椎脊髓高信号的检测方法及系统,其中,该方法包括:获取颈椎脊髓图像,对颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和多个候选区域对应的编号;通过预设方法对多个候选区域进行特征提取得到每一个候选区域的特征向量;通过LDA算法对每一个候选区域的特征向量进行分类,根据分类结果判断颈椎脊髓图像是否存在脊髓高信号,若存在,则根据多个候选区域对应的编号对脊髓高信号进行定位。该方法有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
Description
技术领域
本发明涉及目标检测技术领域,特别涉及一种颈椎脊髓高信号的检测方法及系统。
背景技术
颈椎是人体的重要身体部位,影响人身体的方方面面。当颈椎出现疾病时,人们的生活质量甚至身体健康会受到严重影响。颈椎退变性疾病是全世界引起脊髓功能障碍的最常见的疾病。其自然病程常具有长期、间歇、隐匿等特点。在临床上,此类患者多存在头、颈、肩、臂的疼痛,工作和生活受到严重影响。退变性颈椎病的病因和发病机制比较复杂,迄今为止尚无统一认识。在人们对于其病因病理机制的研究中,动物实验和尸检证实,在退变性颈椎病中,颈脊髓会受到压迫,脊髓神经细胞会出现缺血,缺氧及营养供应障碍,且脊髓神经在慢性压迫的刺激作用下,常发生灰质囊性及白质脱髓鞘。对颈椎退变性疾病在MRIT2W表现出的脊髓高信号的分析可以对患者的及时治疗产生积极影响。因此,尽早并且诊断出脊髓高信号非常重要。但实际上,由于医疗资源的分配问题以及临床影像科医生和外科医生的诊断的分离,诊断结果并不完全一致,在一定程度上存在误诊、漏诊的可能,会严重影响患者的疗程。因此,一个能将颈椎外科思维灌入影像诊断的辅助算法十分必要,它能够降低医疗医院分配不均衡造成的影响,也能统一影像学医生和外科医生的诊断,利于患者的治疗进程。
近年来,神经网络、深度学习是学术界乃至工业界的热门研究方向。其在计算机视觉等领域的图像分类、目标检测、语义分割和实例分割等问题上表现出优异的性能。且研究人员也在尝试着将神经网络应用到医学领域的各个方面,比如糖尿病视网膜病的分类和检测,肿瘤检测、脊椎椎盘退变检测等,并取得了很好的效果。目前,学术界研究人员尚无将神经网络应用到脊髓高信号的检测这一医学领域的相关研究,且目前尚无人开发计算机辅助算法用于脊髓高信号的检测问题。
目标检测即找出图像中所有感兴趣的物体,包含物体定位和物体分类两个子任务,同时确定物体的类别和位置。在常见的自然图像的目标检测问题中,算法主要分为两大类,传统目标检测算法和基于深度学习的目标检测算法。
传统目标检测算法的框架采用的是方法一般分为三个步骤:在图像上利用贪婪算法提取候选区域,对于区域提取特征,最终使用训练的分类器进行分类。
但是在传统的目标检测算法中,但由于目标可能出现在图像的任何位置,而且目标的大小、长宽比例也不确定,所以最初采用滑动窗口的策略对整幅图像进行遍历,而且需要设置不同的尺度,不同的长宽比,候选区域提取部分需要采用穷举的策略才能够保证目标所有出现的区域都不会被漏掉,因此冗余窗口过多且时间复杂度高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种颈椎脊髓高信号的检测方法,该方法有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
本发明的另一个目的在于提出一种颈椎脊髓高信号的检测系统。
为达到上述目的,本发明一方面实施例提出了一种颈椎脊髓高信号的检测方法,包括:获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号;通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量;通过LDA算法对所述每一个候选区域的特征向量进行分类,根据所述分类结果判断所述颈椎脊髓图像是否存在脊髓高信号,若存在,则根据所述多个候选区域对应的编号对所述脊髓高信号进行定位。
本发明实施例的颈椎脊髓高信号的检测方法,通过候选区域生成,特征提取和分类,判断颈椎脊髓图像中是否有脊髓高新高,并对脊髓高信号进行定位,采用医生的标注信息,可以学习外科医生的高信号诊断思维,将外科医生的思维灌入到医疗图像诊断中,实现诊断的统一,有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
另外,根据本发明上述实施例的颈椎脊髓高信号的检测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号,具体包括:
获取所述颈椎脊髓图像,通过MASK R-CNN算法对所述颈椎脊髓图像进行分割得到脊髓和椎体;
根据所述脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证得到准确的所述脊髓和椎体的分割结果;
根据所述分割结果对所述脊髓进行分段处理,生成多个候选区域和所述多个候选区域对应的编号。
进一步地,在本发明的一个实施例中,所述通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量,具体包括:
通过拉普拉斯算子对所述多个候选区域进行处理,得到所述每一个候选区域的特征图;
对所述每一个候选区域的特征图中的像素分布进行统计,得到所述每一个候选区域的特征;
对所述每一个候选区域的特征进行归一化处理,生成所述每一个候选区域的特征向量。
进一步地,在本发明的一个实施例中,所述根据脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证的规则包括:
所述脊髓在所述颈椎脊髓图像中位于所述椎体的右侧,且和所述椎体之间的横向距离不大于固定倍数的所述椎体的包围盒的宽度;
所述椎体在所述颈椎脊髓图像上排列成平滑曲线,且在纵轴方向无重叠。
进一步地,在本发明的一个实施例中,所述根据所述分割结果对所述脊髓进行分段处理,还包括:
根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理。
为达到上述目的,本发明另一方面实施例提出了一种颈椎脊髓高信号的检测系统,包括:候选区域生成模块,用于获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号;特征提取模块,用于通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量;分类定位模块,用于通过LDA算法对所述每一个候选区域的特征向量进行分类,根据所述分类结果判断所述颈椎脊髓图像是否存在脊髓高信号,若存在,则根据所述多个候选区域对应的编号对所述脊髓高信号进行定位。
本发明实施例的颈椎脊髓高信号的检测系统,通过候选区域生成,特征提取和分类,判断颈椎脊髓图像中是否有脊髓高新高,并对脊髓高信号进行定位,采用医生的标注信息,可以学习外科医生的高信号诊断思维,将外科医生的思维灌入到医疗图像诊断中,实现诊断的统一,有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
另外,根据本发明上述实施例的颈椎脊髓高信号的检测系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述候选区域生成模块,还包括:图像分割单元,有效性验证单元和脊髓分段处理单元;
所述图像分割单元,用于获取所述颈椎脊髓图像,通过MASK R-CNN算法对所述颈椎脊髓图像进行分割得到脊髓和椎体;
所述有效性验证单元,用于根据所述脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证得到准确的所述脊髓和椎体的分割结果;
所述脊髓分段处理单元,用于根据所述分割结果对所述脊髓进行分段处理,生成多个候选区域和所述多个候选区域对应的编号。
进一步地,在本发明的一个实施例中,所述特征提取模块还包括:处理单元、统计单元和生成单元;
所述处理单元,用于通过拉普拉斯算子对所述多个候选区域进行处理,得到所述每一个候选区域的特征图;
所述统计单元,用于对所述每一个候选区域的特征图中的像素分布进行统计,得到所述每一个候选区域的特征;
所述生成单元,用于对所述每一个候选区域的特征进行归一化处理,生成所述每一个候选区域的特征向量。
进一步地,在本发明的一个实施例中,所述有效性验证单元的验证规则包括:
脊髓在所述颈椎脊髓图像中位于所述椎体的右侧,且和所述椎体之间的横向距离不大于固定倍数的所述椎体的包围盒的宽度;
所述椎体在所述颈椎脊髓图像上排列成平滑曲线,且在纵轴方向无重叠。
进一步地,在本发明的一个实施例中,所述脊髓分段处理单元,还用于根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的颈椎脊髓高信号的检测方法流程图;
图2为根据本发明一个实施例的颈椎脊髓图像分段图;
图3为根据本发明一个实施例的特征提取示意图;
图4为根据本发明一个实施例的检测模型示意图;
图5为根据本发明一个实施例的颈椎脊髓高信号的检测系统结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
目前主流的目标检测算法是基于深度学习的目标检测算法,解决了传统的目标检测算法中的时间复杂度高的问题,在速度和准确度上都有极大提升。在算法结构上,可以分为两类,分别是two-stage和one-stage的算法。其中Two-stage的算法中主要将检测问题划分为两个阶段:产生候选区域,以及对候选区域进行分类和位置精修。而one-stage方法中不需要产生候选区域,直接产生物体的类别概率和位置坐标值。在性能上,two-stage的算法有更高的精确度而one-stage的算法在速度上有更大优势。
但是基于深度学习的目标检测算法在速度和准备度上均超过了传统的图像识别算法,但其所输出的结果是物体在图像区域中出现的可能性和其包围盒信息。现有的检测算法一般是用于处理大数据集下的自然图像中的较大目标,在小目标检测上效果不好,而需要检测的目标尺寸很小(颈椎高信号在脊髓中的宽度一般占10pixel,在整张图中所占比例约为1/40),且特征不明显,因此在数据上现有的检测算法并不适用与脊髓高信号的检测。
此外,高信号只会出现在脊髓中,在医学上,医生常用椎体标记脊髓高信号的位置,用于后续病情的分析和诊断。在后续的分析和诊断中,医生需要的不是高信号的像素位置信息,而是其与椎体相关的标记信息,因此在目标上现有的检测算法并适用。
下面参照附图描述根据本发明实施例提出的颈椎脊髓高信号的检测方法及系统。
首先将参照附图描述根据本发明实施例提出的颈椎脊髓高信号的检测方法。
图1为根据本发明一个实施例的颈椎脊髓高信号的检测方法流程图
如图1所示,该颈椎脊髓高信号的检测方法包括以下步骤:
在步骤S1中,获取颈椎脊髓图像,对颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和多个候选区域对应的编号。
进一步地,步骤S1具体包括:
步骤S101,获取颈椎脊髓图像,通过MASK R-CNN算法对颈椎脊髓图像进行分割得到脊髓和椎体。
步骤S102,根据脊髓和椎体的结构化信息对脊髓和椎体进行有效性验证得到准确的脊髓和椎体的分割结果。
步骤S103,根据分割结果对脊髓进行分段处理,生成多个候选区域和多个候选区域对应的编号。
具体地,可以基于MRI(Magnetic Resonance Imaging,磁共振成像)图像来获取颈椎脊髓的图像,再通过MASK R-CNN算法对图像进行分割,MASK R-CNN是实例分割算法,能够分割出脊髓和椎体,用于后续分析。
与传统图像算法根据模型处理图像的方法不同,Mask R-CNN算法根据图像的特征处理图像,忽略了一些医学上的常理,比如说椎体和脊髓之间的相对位置关系。因此MaskR-CNN的分割结果可能会存在一些错检和漏检的情况,影响后续算法的性能。因此,在分割出脊髓和椎体后,需要对脊髓和椎体的分割结果进行有效性验证,排除误判的分割结果,用于后续候选区域的生成。
其中,在进行有效性验证的时,可以采用以下规则进行验证:
(1)脊髓在图像中一定处于椎体的右侧,且和椎体之间的横向距离不大于固定倍数的椎体的包围盒的宽度。
(2)椎体在图像上排列成平滑的曲线,在纵轴方向上基本无重叠。
根据上述规则进行有效性验证后,得到更准确的脊髓和椎体的分割结果。
进一步地,根据分割结果对脊髓进行分段处理,生成多个候选区域和多个候选区域对应的编号,如图2所示。具体而言,在医学上,医生常用椎体标记脊髓高信号的位置,用于后续病情的分析和诊断。因此,根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理,得到候选区域和其编号信息。
在步骤S2中,通过预设方法对多个候选区域进行特征提取得到每一个候选区域的特征向量。
进一步地,在本发明的一个实施例中,进行特征提取具体包括:
S201,通过拉普拉斯算子对多个候选区域进行处理,得到每一个候选区域的特征图。
S202,对每一个候选区域的特征图中的像素分布进行统计,得到每一个候选区域的特征。
S203,对每一个候选区域的特征进行归一化处理,生成每一个候选区域的特征向量。
具体地,对多个候选区域进行特征提取,采用拉普拉斯算子对候选区域进行处理,得到特征图像a,包含三种算子,如图3所示,统计特征图像a中的像素分布,得到特征b。
需要说明的是,采用拉普拉斯算子对每一个候选区域进行处理,得到每一候选区域对应的特征图,其中,每一个特征图都包含三种算子。接下来,对每一个特征图的像素分布进行统计,得到每一个候选区域的特征,对特征进行归一化处理,生成每一个候选区域的特征向量。
在步骤S3中,通过LDA算法对每一个候选区域的特征向量进行分类,根据分类结果判断颈椎脊髓图像是否存在脊髓高信号,若存在,则根据多个候选区域对应的编号对脊髓高信号进行定位。
具体地,采用LDA算法对特征提取出的256维特征向量进行分类。根据每个候选区域的分类结果和其编号信息可知在原图中是否有脊髓高信号及其位置。
颈椎脊髓高信号在脊髓中的宽度一般占10pixel,在整张图中所占比例约为1/40)且特征不明显,确定脊髓内高信号的位置信息,即与椎体相关的位置信息,通过上述方法可以准确的检测出是否存在颈椎脊髓高信号。
本发明的实施例可以在检测模型的基础上实现,作为一种可能实现的方式,如图4所示,检测模型可以包括:候选区域生成模块,特征提取模块和分类定位模块。其中,候选区域生成模块还包括:图像分割单元,分割结果有效性验证单元和脊髓分段处理单元。
本发明实施例中的模型算法具备训练和预测两种模式,在训练模式可以根据现有的数据以及现有的模型更新模型,在预测模式下能够根据现有的模型预测新的图片中脊髓高信号是否出现和位置信息。下面介绍算法的训练及预测模式。
在训练模式下,分为两个步骤,分别需要不同的训练数据集。数据集1中包含图片和脊髓、椎盘的分割数据,数据集2包含图片和医生的高信号标注信息。
训练模式子步骤1:采用数据集1训练候选区域生成模块的图像分割单元,可以用迁移学习的方法利用在自然语言处理中训练好的模型。
训练模式子步骤2:采用子步骤1中的图像分割模块的训练结果预测数据集2,利用数据集2的预测结果,运行分割有效性验证系统,得到有效性验证结果,采用有效性验证结果运行脊髓分段处理系统,得到候选区域。根据医生所给的高信号标注信息,给候选区域确定标签,在特征提取模块对候选区域提取特征,在分类定位模块根据特征和其对应的标签确定分类起的参数。
预测模式:给定一张新的图片,运行图像分割单元,预测出脊髓和椎体,运行分割结果有效性验证程序,对分割结果进行有效性验证,得到符合的结果。
由于算法在训练阶段需要采用医生的标注信息,本发明的实施例可以学习外科医生的高信号诊断思维,将外科医生的思维灌入到医疗图像诊断中,实现诊断的统一,并且采用高水平的医生的标注数据训练的模型,可以有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情。
目前颈椎病是一个高发病,本算法在训练之后,可以自动预测,结果很好地辅助医生进行诊断,提高诊疗效率。同时,本算法可以接受新的标注数据并对模型参数进行更新,不断提高算法性能。算法采用两个单独的数据集,可以分别进行更新。对于图像分割算法,可以不断跟踪最前沿的自然语言分割模型和其参数,达到最好的效果。也可以不断扩大数据集1提高图像分割算法的性能。而数据集2的更新也能提高算法的总性能,具体方法是医生在用算法的结果时的评判可以用于更新数据集2,从而更新算法的总性能,即可以人机协作更新性能。
根据本发明实施例提出的颈椎脊髓高信号的检测方法,通过候选区域生成,特征提取和分类,判断颈椎脊髓图像中是否有脊髓高新高,并对脊髓高信号进行定位,采用医生的标注信息,可以学习外科医生的高信号诊断思维,将外科医生的思维灌入到医疗图像诊断中,实现诊断的统一,有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
其次参照附图描述根据本发明实施例提出的颈椎脊髓高信号的检测系统。
图5为根据本发明一个实施例的颈椎脊髓高信号的检测系统结构示意图。
如图5所示,该颈椎脊髓高信号的检测系统包括:候选区域生成模块100、特征提取模块200和分类定位模块300。
其中,候选区域生成模块100用于获取颈椎脊髓图像,对颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和多个候选区域对应的编号。
特征提取模块200用于通过预设方法对多个候选区域进行特征提取得到每一个候选区域的特征向量。
分类定位模块300用于通过LDA算法对每一个候选区域的特征向量进行分类,根据分类结果判断颈椎脊髓图像是否存在脊髓高信号,若存在,则根据多个候选区域对应的编号对脊髓高信号进行定位。
该检测系统10可以辅助医生进行诊断,提高诊疗效率。
进一步地,作为一种可能实现的方式,候选区域生成模块100还包括:图像分割单元,有效性验证单元和脊髓分段处理单元。
图像分割单元,用于获取颈椎脊髓图像,通过MASK R-CNN算法对颈椎脊髓图像进行分割得到脊髓和椎体。
有效性验证单元,用于根据脊髓和椎体的结构化信息对脊髓和椎体进行有效性验证得到准确的脊髓和椎体的分割结果。
脊髓分段处理单元,用于根据分割结果对脊髓进行分段处理,生成多个候选区域和多个候选区域对应的编号。
进一步地,作为一种可能实现的方式,特征提取模块200还包括:处理单元、统计单元和生成单元。
处理单元,用于通过拉普拉斯算子对多个候选区域进行处理,得到每一个候选区域的特征图。
统计单元,用于对每一个候选区域的特征图中的像素分布进行统计,得到每一个候选区域的特征。
生成单元,用于对每一个候选区域的特征进行归一化处理,生成每一个候选区域的特征向量。
进一步地,有效性验证单元的验证规则包括:
脊髓在颈椎脊髓图像中位于椎体的右侧,且和椎体之间的横向距离不大于固定倍数的椎体的包围盒的宽度;
椎体在颈椎脊髓图像上排列成平滑曲线,且在纵轴方向无重叠。
进一步地,脊髓分段处理单元,还用于根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理。
需要说明的是,前述对颈椎脊髓高信号的检测方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的颈椎脊髓高信号的检测系统,通过候选区域生成,特征提取和分类,判断颈椎脊髓图像中是否有脊髓高新高,并对脊髓高信号进行定位,采用医生的标注信息,可以学习外科医生的高信号诊断思维,将外科医生的思维灌入到医疗图像诊断中,实现诊断的统一,有效地缩小由于医疗资源不匹配造成的错诊,避免延误病人的病情,辅助医生进行诊断,提高诊疗效率。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种颈椎脊髓高信号的检测方法,其特征在于,包括以下步骤:
获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号;
通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量;
通过LDA算法对所述每一个候选区域的特征向量进行分类,根据所述分类结果判断所述颈椎脊髓图像是否存在脊髓高信号,若存在,则根据所述多个候选区域对应的编号对所述脊髓高信号进行定位。
2.根据权利要求1所述方法,其特征在于,所述获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号,具体包括:
获取所述颈椎脊髓图像,通过MASK R-CNN算法对所述颈椎脊髓图像进行分割得到脊髓和椎体;
根据所述脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证得到准确的所述脊髓和椎体的分割结果;
根据所述分割结果对所述脊髓进行分段处理,生成多个候选区域和所述多个候选区域对应的编号。
3.根据权利要求1所述方法,其特征在于,所述通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量,具体包括:
通过拉普拉斯算子对所述多个候选区域进行处理,得到所述每一个候选区域的特征图;
对所述每一个候选区域的特征图中的像素分布进行统计,得到所述每一个候选区域的特征;
对所述每一个候选区域的特征进行归一化处理,生成所述每一个候选区域的特征向量。
4.根据权利要求2所述的方法,其特征在于,所述根据脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证的规则包括:
所述脊髓在所述颈椎脊髓图像中位于所述椎体的右侧,且和所述椎体之间的横向距离不大于固定倍数的所述椎体的包围盒的宽度;
所述椎体在所述颈椎脊髓图像上排列成平滑曲线,且在纵轴方向无重叠。
5.根据权利要求2所述的方法,其特征在于,所述根据所述分割结果对所述脊髓进行分段处理,还包括:
根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理。
6.一种颈椎脊髓高信号的检测系统,其特征在于,包括:
候选区域生成模块,用于获取颈椎脊髓图像,对所述颈椎脊髓图像进行分割、有效性验证和分段处理生成多个候选区域和所述多个候选区域对应的编号;
特征提取模块,用于通过预设方法对所述多个候选区域进行特征提取得到每一个候选区域的特征向量;
分类定位模块,用于通过LDA算法对所述每一个候选区域的特征向量进行分类,根据所述分类结果判断所述颈椎脊髓图像是否存在脊髓高信号,若存在,则根据所述多个候选区域对应的编号对所述脊髓高信号进行定位。
7.根据权利要求6所述的系统,其特征在于,所述候选区域生成模块,还包括:图像分割单元,有效性验证单元和脊髓分段处理单元;
所述图像分割单元,用于获取所述颈椎脊髓图像,通过MASK R-CNN算法对所述颈椎脊髓图像进行分割得到脊髓和椎体;
所述有效性验证单元,用于根据所述脊髓和椎体的结构化信息对所述脊髓和椎体进行有效性验证得到准确的所述脊髓和椎体的分割结果;
所述脊髓分段处理单元,用于根据所述分割结果对所述脊髓进行分段处理,生成多个候选区域和所述多个候选区域对应的编号。
8.根据权利要求6所述的系统,其特征在于,所述特征提取模块还包括:处理单元、统计单元和生成单元;
所述处理单元,用于通过拉普拉斯算子对所述多个候选区域进行处理,得到所述每一个候选区域的特征图;
所述统计单元,用于对所述每一个候选区域的特征图中的像素分布进行统计,得到所述每一个候选区域的特征;
所述生成单元,用于对所述每一个候选区域的特征进行归一化处理,生成所述每一个候选区域的特征向量。
9.根据权利要求7所述的系统,其特征在于,所述有效性验证单元的验证规则包括:
脊髓在所述颈椎脊髓图像中位于所述椎体的右侧,且和所述椎体之间的横向距离不大于固定倍数的所述椎体的包围盒的宽度;
所述椎体在所述颈椎脊髓图像上排列成平滑曲线,且在纵轴方向无重叠。
10.根据权利要求7所述的系统,其特征在于,
所述脊髓分段处理单元,还用于根据每个椎体的包围盒的中间值为界限,对脊髓进行分段处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238688.XA CN109934824B (zh) | 2019-03-27 | 2019-03-27 | 颈椎脊髓高信号的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238688.XA CN109934824B (zh) | 2019-03-27 | 2019-03-27 | 颈椎脊髓高信号的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934824A true CN109934824A (zh) | 2019-06-25 |
CN109934824B CN109934824B (zh) | 2021-02-12 |
Family
ID=66988380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238688.XA Active CN109934824B (zh) | 2019-03-27 | 2019-03-27 | 颈椎脊髓高信号的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934824B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910360A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯云计算(北京)有限责任公司 | 电网图像的定位方法和图像定位模型的训练方法 |
CN111667457A (zh) * | 2020-04-29 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 |
CN114783575A (zh) * | 2022-04-20 | 2022-07-22 | 北京中捷互联信息技术有限公司 | 一种医疗用图像处理系统及方法 |
US11426119B2 (en) | 2020-04-10 | 2022-08-30 | Warsaw Orthopedic, Inc. | Assessment of spinal column integrity |
US11450435B2 (en) | 2020-04-07 | 2022-09-20 | Mazor Robotics Ltd. | Spinal stenosis detection and generation of spinal decompression plan |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727200A (zh) * | 2011-03-31 | 2012-10-17 | 深圳迈瑞生物医疗电子股份有限公司 | 脊柱椎体和椎间盘分割方法、装置、磁共振成像系统 |
RU2472433C1 (ru) * | 2011-12-02 | 2013-01-20 | Учреждение Российской академии медицинских наук Научный центр неврологии РАМН (НЦН РАМН) | Способ выявления патологических очагов в спинном мозге при рассеянном склерозе |
CN104574392A (zh) * | 2014-12-30 | 2015-04-29 | 中国人民解放军第三军医大学第三附属医院 | 一种椎间盘图像的退行性变计算机自动分级方法 |
CN105433988A (zh) * | 2015-12-28 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种目标图像识别方法、装置及其超声设备 |
WO2017074890A1 (en) * | 2015-10-29 | 2017-05-04 | Broncus Medical Inc. | Learning-based spine vertebra localization and segmentation in 3d ct |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN107633521A (zh) * | 2017-07-31 | 2018-01-26 | 深圳联影医疗科技有限公司 | 一种脊椎识别和命名系统、方法及装置 |
CN108537779A (zh) * | 2018-03-27 | 2018-09-14 | 哈尔滨理工大学 | 基于聚类的椎骨分割与质心检测的方法 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN109360213A (zh) * | 2018-12-14 | 2019-02-19 | 浙江工业大学 | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 |
-
2019
- 2019-03-27 CN CN201910238688.XA patent/CN109934824B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727200A (zh) * | 2011-03-31 | 2012-10-17 | 深圳迈瑞生物医疗电子股份有限公司 | 脊柱椎体和椎间盘分割方法、装置、磁共振成像系统 |
RU2472433C1 (ru) * | 2011-12-02 | 2013-01-20 | Учреждение Российской академии медицинских наук Научный центр неврологии РАМН (НЦН РАМН) | Способ выявления патологических очагов в спинном мозге при рассеянном склерозе |
CN104574392A (zh) * | 2014-12-30 | 2015-04-29 | 中国人民解放军第三军医大学第三附属医院 | 一种椎间盘图像的退行性变计算机自动分级方法 |
WO2017074890A1 (en) * | 2015-10-29 | 2017-05-04 | Broncus Medical Inc. | Learning-based spine vertebra localization and segmentation in 3d ct |
CN105433988A (zh) * | 2015-12-28 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种目标图像识别方法、装置及其超声设备 |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN107633521A (zh) * | 2017-07-31 | 2018-01-26 | 深圳联影医疗科技有限公司 | 一种脊椎识别和命名系统、方法及装置 |
CN108537779A (zh) * | 2018-03-27 | 2018-09-14 | 哈尔滨理工大学 | 基于聚类的椎骨分割与质心检测的方法 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN109360213A (zh) * | 2018-12-14 | 2019-02-19 | 浙江工业大学 | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL FORSBERG等: "Detection and Labeling of Vertebrae in MR Images Using Deep Learning with Clinical Annotations as Training Data", 《JOURNAL OF DIGITAL IMAGING》 * |
XIAOMENG LI等: "3D multi-scale FCN with random modality voxel dropout learning for Intervertebral Disc Localization and Segmentation from Multi-modality MR Images", 《MEDICAL IMAGE ANALYSIS》 * |
刘淼: "核磁图像的全脊椎的定位和标记算法的研究与实现", 《中国优秀硕士学位论文全文数据库 INFORMATION SCIENCE AND TECHNOLOGY辑》 * |
王玉等: "CT影像中一种基于知识的脊髓自动提取方法", 《仪器仪表学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910360A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯云计算(北京)有限责任公司 | 电网图像的定位方法和图像定位模型的训练方法 |
US11450435B2 (en) | 2020-04-07 | 2022-09-20 | Mazor Robotics Ltd. | Spinal stenosis detection and generation of spinal decompression plan |
US11426119B2 (en) | 2020-04-10 | 2022-08-30 | Warsaw Orthopedic, Inc. | Assessment of spinal column integrity |
CN111667457A (zh) * | 2020-04-29 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 |
CN111667457B (zh) * | 2020-04-29 | 2023-07-18 | 杭州深睿博联科技有限公司 | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 |
CN114783575A (zh) * | 2022-04-20 | 2022-07-22 | 北京中捷互联信息技术有限公司 | 一种医疗用图像处理系统及方法 |
CN114783575B (zh) * | 2022-04-20 | 2023-09-29 | 广州唯顶软件科技有限公司 | 一种医疗用图像处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109934824B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934824A (zh) | 颈椎脊髓高信号的检测方法及系统 | |
CN106909778B (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
Qian et al. | M $^ 3$ Lung-Sys: A deep learning system for multi-class lung pneumonia screening from CT imaging | |
Martinez-Murcia et al. | Deep residual transfer learning for automatic diagnosis and grading of diabetic retinopathy | |
WO2018074739A1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
CA3102174C (en) | Second reader suggestion | |
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US11308612B2 (en) | Systems and methods for detection of infectious respiratory diseases | |
Hachaj et al. | Application of neural networks in detection of abnormal brain perfusion regions | |
Veras et al. | Medical image segmentation using seeded fuzzy c-means: A semi-supervised clustering algorithm | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Jemima Jebaseeli et al. | Retinal blood vessel segmentation from depigmented diabetic retinopathy images | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
Wanderley et al. | End-to-end ovarian structures segmentation | |
CN112200794A (zh) | 一种基于卷积神经网络的多模型糖网病变自动筛查方法 | |
Lv et al. | A Cascade‐SEME network for COVID‐19 detection in chest x‐ray images | |
Karthika et al. | Detection of MA based on iris blood vessel segmentation and classification using convolutional neural networks (ConvNets) | |
Vieira et al. | Using a Siamese Network to Accurately Detect Ischemic Stroke in Computed Tomography Scans | |
CN114283114A (zh) | 图像处理方法、装置、设备及存储介质 | |
valli Gogula et al. | A diabetic retinopathy detection method using an improved pillar K-means algorithm | |
Lu et al. | PatchCL-AE: Anomaly detection for medical images using patch-wise contrastive learning-based auto-encoder | |
US11983871B2 (en) | Automated system for rapid detection and indexing of critical regions in non-contrast head CT | |
US20220198650A1 (en) | Method and apparatus for efficient multi-resolution image processing for object identification and classification | |
Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images |
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 |