CN110033438B - 髋关节标记系统及其标记方法 - Google Patents
髋关节标记系统及其标记方法 Download PDFInfo
- Publication number
- CN110033438B CN110033438B CN201910194861.0A CN201910194861A CN110033438B CN 110033438 B CN110033438 B CN 110033438B CN 201910194861 A CN201910194861 A CN 201910194861A CN 110033438 B CN110033438 B CN 110033438B
- Authority
- CN
- China
- Prior art keywords
- hip joint
- hip
- classification
- neural network
- detection
- 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.)
- Active
Links
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种髋关节标记系统,包括髋部的X‑Ray序列存储模块;拍摄正位采集模块;左右髋关节检测模块;结果输出模块;分类识别模块。髋关节标记方法包括以下步骤,S1、获取髋部的X‑Ray序列;S2、从髋部的X‑Ray序列中找到正位的DCM图像;S3、从正位DCM图像中检测出左右两侧的髋关节;S4、判断待检测的髋关节是否正常,若判为正常执行步骤S5,若判为异常执行步骤S6;S5、生成报告,流程结束;S6、对判为异常的髋关节进行病变分类,对分类后的各种病变进行分期或分级,然后执行步骤S5。本发明不需依赖医生凭多年的经验判断,能快速、自动、准确的给出结果,具有简洁,高效,误差小等优点,使得普通医生也能得出准确的结果,也不会出现疲劳误诊、漏诊等情况。
Description
技术领域
本发明涉及医疗研究技术领域,具体地,涉及一种髋关节标记系统及其标记方法。
背景技术
髋关节(hip joint)由股骨头与髋臼构成,属球窝关节,是典型的杆臼关节。髋关节疾病主要分为髋关节炎、股骨头坏死和髋关节发育不良。
髋关节炎通常是指由于髋关节面长期负重不均衡所致的关节软骨变性或骨质结构改变的一类骨关节炎性疾病。其主要表现为臀外侧、腹股沟等部位的疼痛(可放射至膝)、肿胀、关节积液、软骨磨损、骨刺增生、关节变形、髋的内旋和伸直活动受限、不能行走甚至卧床不起等。
股骨头坏死是一个病理演变过程,初始发生在股骨头的负重区,应力作用下坏死骨骨小梁结构发生损伤即显微骨折以及随后针对损伤骨组织的修复过程。造成骨坏死的原因不消除,修复不完善,损伤-修复的过程继续,导致股骨头结构改变、股骨头塌陷、变形,关节炎症,功能障碍。
目前髋关节的病变诊断及主要由医生根据病人的X-Ray图像进行判断。医生在进行大量重复性的阅片的过程中,容易出现疲劳误诊、漏诊等情况。
经对现有技术的检索,申请号为201610114042.7的中国发明专利公开了一种对儿童髋关节发育状况通过计算机自动诊断的方法,本发明适用于儿童髋关节发育的临床诊断。该诊断算法的输入为儿童髋关节的超声波原始图像,输出为儿童髋关节发育状况评判结果,评判依据为三项指标:骨性髋臼顶角度α,软骨性髋臼顶角度β,及髋臼对股骨头覆盖率MR。该算法分四个步骤:髋关节图像预处理,髋关节图像分割,图像特征提取和三项指标的计算。该技术方案中的缺点是只针对儿童髋关节发育状况进行诊断,无法适用于髋关节的其他病变类型诊断,而且也无法对病变类型结果进行分期或分级。
发明内容
针对现有技术的缺陷,本发明的目的是提供一种髋关节标记系统,不需依赖医生凭多年的经验判断,能快速、自动、准确的给出诊断结果,具有简洁,高效,误差小等多项优点,这使得普通医生也能得出准确的结果,也不会出现疲劳误诊、漏诊等情况。
一种髋关节标记系统,包括,
髋部的X-Ray序列存储模块:存储髋部的X-Ray序列医学图像数据;
拍摄正位采集模块:从X-Ray序列存储模块的医学图像数据中采集正位拍摄的医学图像;
左右髋关节检测模块:从正位拍摄的医学图像中,通过矩形框标注左右髋关节并与待测髋关节医学图像进行比对,检测髋关节是否异常,得到比对检测结果;
结果输出模块:输出比对检测结果,生成报告;
分类识别模块:对异常的髋关节医学图像进行分类。
进一步地,所述拍摄正位采集模块的工作过程如下:
(1)获取序列中所有的医学图像;
(2)获取每个医学图像的tag,tag表示标签;
(3)判断tag是否为ap,ap表示拍摄体位为正位。
进一步地,所述左右髋关节检测模块的工作步骤如下:
(1)将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集;
(2)对第一训练图片集进行数据预处理;
其中,数据预处理的方法如下:
a、选择合适的窗宽窗位,选取需要关注的灰度范围使髋关节部位的骨结构更明显;
b、对训练图片集中的图片做灰度均衡化,将对比度拉开,突出骨结构的细节部分;
c、对图片集中的图片进行反色检测,并将因为拍摄原因呈现出反色的图片进行处理;
(3)用目标检测神经网络模型,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型;
(4)将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,即左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用;
(5)对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集;
(6)用分类神经网络模型,在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型;
(7)将待检测的髋关节图片输入所述检测模型中,得到左右髋关节是病变或正常的检测结果。
进一步地,所述目标检测神经网络模型包括Faster-RCNN,YOLO或SSD。
进一步地,所述分类神经网络模型包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
进一步地,所述分类识别模块的工作过程如下:
(1)对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集;
(2)用分类神经网络模型,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型;
(3)将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,包括股骨头坏死、髋关节关节炎和髋关节发育不良;
(4)对分类结果进行分期或分级。
进一步地,所述髋关节病变的分类结果中,股骨头坏死分为Ⅱ期、Ⅲ期、Ⅳ期,髋关节关节炎分为Ⅰ级、Ⅱ级、Ⅲ级,髋关节发育不良分为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期。
进一步地,所述分类神经网络模型,包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
本发明还提供一种髋关节标记方法,包括以下步骤,
S1、从髋部的X-Ray序列存储模块中获取髋部的X-Ray序列;
S2、通过拍摄正位采集模块,从髋部的X-Ray序列中找到正位的医学图像;
S3、通过左右髋关节检测模块,从正位医学图像中检测出左右两侧的髋关节;
S4、判断待检测的髋关节是否正常,若判为正常执行步骤S5,若判为异常执行步骤S6;
S5、从结果输出模块中生成报告,流程结束;
S6、通过分类识别模块,对判为异常的髋关节进行病变分类,对分类后的各种病变进行分期或分级,然后执行步骤S5。
进一步地,所述步骤S2包含如下步骤:
S21、获取序列中所有的医学图像;
S22、获取每个DCM图像的tag,tag表示标签;
S23、判断tag是否为ap,ap表示拍摄体位为正位。
进一步地,所述步骤S3包含如下步骤:
S31、将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集;
S32、用目标检测神经网络模型,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型;
S33、将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,即左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用。
进一步地,所述目标检测神经网络模型包括Faster-RCNN,YOLO或SSD。
进一步地,所述步骤S4包含如下步骤:
S41、对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集;
S42、用分类神经网络模型,在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型;
S43、将待检测的髋关节图片输入所述检测模型中,得到左右髋关节是病变或正常的检测结果。
进一步地,所述分类神经网络模型,包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
进一步地,所述步骤S6包含如下步骤:
S61、对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集;
S62、用分类神经网络模型,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型;
S63、将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,包括股骨头坏死、髋关节关节炎和髋关节发育不良;
S64、对分类结果进行分期或分级。
进一步地,所述步骤S6中的股骨头坏死分为Ⅱ期、Ⅲ期、Ⅳ期,髋关节关节炎分为Ⅰ级、Ⅱ级、Ⅲ级,髋关节发育不良分为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期。
进一步地,所述分类神经网络模型,包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
与现有技术相比,本发明具有如下的有益效果:
1、本发明的髋关节标记系统及其标记方法,通过采用卷积神经网络目标检测算法(Faster-RCNN,YOLO,SSD),解决了检测左右两侧髋关节的问题。
2、本发明的髋关节标记系统及其标记方法,通过采用深度卷积神经网络分类算法(ResNet、DenseNet、GoogLeNet或Inception),解决了髋关节正常和异常的分类问题。
3、本发明的髋关节标记系统及其标记方法,通过分类神经网络模型,可以对髋关节病变分类,并对分类结果进行分期或分级,不需依赖医生凭多年的经验判断,能快速、自动、准确的给出诊断结果,具有简洁,高效,误差小等多项优点,这使得普通医生也能得出准确的诊断结果,也不会出现疲劳误诊、漏诊等情况。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明髋关节标记方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例
接下来对本发明进行详细的描述。
本发明的目的是提供髋关节标记系统及其标记方法,不需依赖医生凭多年的经验判断,能快速、自动、准确的给出诊断结果,具有简洁,高效,误差小等多项优点,这使得普通医生也能得出准确的诊断结果,也不会出现疲劳误诊、漏诊等情况。
本实施例中,一种髋关节标记系统,具体包括,
髋部的X-Ray序列存储模块:存储髋部的X-Ray序列医学图像数据;
拍摄正位采集模块:从X-Ray序列存储模块的医学图像数据中采集正位拍摄的医学图像;具体工作过程如下:(1)获取序列中所有的医学图像;(2)获取每个医学图像的tag,tag表示标签;(3)判断tag是否为ap,ap表示拍摄体位为正位;
左右髋关节检测模块:从正位拍摄的医学图像中,通过矩形框标注左右髋关节并与待测髋关节医学图像进行比对,检测髋关节是否异常,得到比对检测结果;具体工作步骤如下:
(1)将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集;
(2)对第一训练图片集进行适当的数据预处理;
其中,数据预处理的方法如下:a、选择合适的窗宽窗位,选取需要关注的灰度范围使髋关节部位的骨结构更明显;b、对训练图片集中的图片做灰度均衡化,将对比度拉开,突出骨结构的细节部分;c、对图片集中的图片进行反色检测,并将因为拍摄原因呈现出反色的图片进行处理;
(3)用目标检测神经网络模型,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型;
(4)将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,即左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用;
(5)对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集;
(6)用分类神经网络模型,在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型;
(7)将待检测的髋关节图片输入所述检测模型中,得到左右髋关节是病变或正常的检测结果;
结果输出模块:输出比对检测结果,生成报告;
分类识别模块:对异常的髋关节医学图像进行分类,具体工作过程如下:
(1)对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集;
(2)用分类神经网络模型,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型;
(3)将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,包括股骨头坏死、髋关节关节炎和髋关节发育不良;
(4)对分类结果进行分期或分级,股骨头坏死分为Ⅱ期、Ⅲ期、Ⅳ期,髋关节关节炎分为Ⅰ级、Ⅱ级、Ⅲ级,髋关节发育不良分为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期。
本发明还提供的一种髋关节标记方法,包括以下步骤,
S1、获取髋部的X-Ray序列;
S2、从髋部的X-Ray序列中找到正位的医学图像,具体包含如下步骤:
S21、获取序列中所有的医学图像,
S22、获取每个医学图像的tag,tag意为标签,包含了病人id、序列id、设备信息、拍摄信息等内容,其中会有一个信息是拍摄的体位,ap表示拍摄的体位是正位;
S23、判断tag是否为ap。
S3、从正位医学图像中检测出左右两侧的髋关节,具体包含如下步骤:
S31、将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集,
S32、用目标检测神经网络模型,包括但不限于Faster-RCNN,YOLO,SSD等,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型,其中,Faster-RCNN意思是,更快速的基于卷机神经网络特征的区域的目标检测,YOLO意思是,YOLO(YouOnly Look Once)实时目标检测,SSD意思是,Single Shot MultiBox Detector,即单次检测的多盒检测器,
S33、将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,具体的结果是左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用;
S4、判断待检测的髋关节是否正常,若判为正常执行步骤S5,若判为异常执行步骤S6,具体包含如下步骤:
S41、对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集,
S42、用分类神经网络模型,包括但不限于ResNet、DenseNet、GoogLeNet、Inception等在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型,其中,ResNet意思是深度残差网络(Deep residual network),DenseNet意思是密集卷积网络(Dense Convolutional Network),GoogLeNet意思是谷歌(Google)研究出来的深度网络结构,就是谷歌起的名字,Inception意思是也是谷歌设计的神经网络结构,
S43、将待检测的髋关节图片输入所述检测模型中,得到左右髋关节检测结果,其中,输入的是从步骤S3得到的髋关节图片(原始图片中的一部分,即感兴趣区域ROI),此处检测结果是正常或者病变;
S5、生成报告,流程结束;
S6、对判为异常的髋关节进行病变分类,对分类后的各种病变进行分期或分级,然后执行步骤S5,具体包含如下步骤:
S61、对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集,
S62、用分类神经网络模型,包括但不限于ResNet、DenseNet、GoogLeNet、Inception等,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型,
S63、将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,其中,输入的是从步骤S3得到的髋关节图片(原始图片中的一部分,即感兴趣区域ROI),此处检测结果是股骨头坏死、髋关节发育不良或髋关节炎,
S64、对分类结果进行分期或分级,股骨头坏死,进行ACRO分期,分为Ⅱ期、Ⅲ期、Ⅳ期,髋关节关节炎,进行KL分级,分为Ⅰ级、Ⅱ级、Ⅲ级,髋关节发育不良,进行Ficat分型,分为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期。
综上所述,本发明的髋关节标记系统及其标记方法,通过采用卷积神经网络目标检测算法(Faster-RCNN,YOLO,SSD),解决了检测左右两侧髋关节的问题;本发明的髋关节标记方法,通过采用深度卷积神经网络分类算法(ResNet、DenseNet、GoogLeNet或Inception),解决了髋关节正常和异常的分类问题;本发明的髋关节标记方法,通过分类神经网络模型,可以对髋关节病变分类,并对分类结果进行分期或分级,不需依赖医生凭多年的经验判断,能快速、自动、准确的给出诊断结果,具有简洁,高效,误差小等多项优点,这使得普通医生也能得出准确的诊断结果,也不会出现疲劳误诊、漏诊等情况。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于所述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种髋关节标记系统,其特征在于,包括,
髋部的X-Ray序列存储模块:存储髋部的X-Ray序列医学图像数据;
拍摄正位采集模块:从X-Ray序列存储模块的医学图像数据中采集正位拍摄的医学图像;
左右髋关节检测模块:从正位拍摄的医学图像中,通过矩形框标注左右髋关节并与待测髋关节医学图像进行比对,检测髋关节是否异常,得到比对检测结果;所述左右髋关节检测模块的工作步骤如下:
(1)将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集;
(2)对第一训练图片集进行数据预处理;
(3)用目标检测神经网络模型,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型;
(4)将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,即左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用;
(5)对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集;
(6)用分类神经网络模型,在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型;
(7)将待检测的髋关节图片输入所述检测模型中,得到左右髋关节是病变或正常的检测结果;
结果输出模块:输出比对检测结果,生成报告;
分类识别模块:对异常的髋关节医学图像进行分类;
所述分类识别模块的工作过程如下:
(1)对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集;
(2)用分类神经网络模型,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型;
(3)将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,包括股骨头坏死、髋关节关节炎和髋关节发育不良;
(4)对分类结果进行分期或分级。
2.如权利要求1所述的髋关节标记系统,其特征在于,所述拍摄正位采集模块的工作过程如下:
(1)获取序列中所有的医学图像;
(2)获取每个医学图像的tag,tag表示标签;
(3)判断tag是否为ap,ap表示拍摄体位为正位。
3.如权利要求1所述的髋关节标记系统,其特征在于,所述步骤(2)中,数据预处理的方法如下:
a、选择合适的窗宽窗位,选取需要关注的灰度范围使髋关节部位的骨结构更明显;
b、对训练图片集中的图片做灰度均衡化,将对比度拉开,突出骨结构的细节部分;
c、对图片集中的图片进行反色检测,并将因为拍摄原因呈现出反色的图片进行处理。
4.如权利要求1所述的髋关节标记系统,其特征在于,所述目标检测神经网络模型包括Faster-RCNN,YOLO或SSD。
5.如权利要求1所述的髋关节标记系统,其特征在于,所述分类神经网络模型包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
6.如权利要求1所述的髋关节标记系统,其特征在于,所述髋关节病变的分类结果中,股骨头坏死分为Ⅱ期、Ⅲ期、Ⅳ期,髋关节关节炎分为Ⅰ级、Ⅱ级、Ⅲ级,髋关节发育不良分为Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期。
7.如权利要求1所述的髋关节标记系统,其特征在于,所述分类神经网络模型,包括深度残差网络、密集卷积网络、GoogLeNet或Inception。
8.一种髋关节标记方法,其特征在于,包括以下步骤,
S1、从髋部的X-Ray序列存储模块中获取髋部的X-Ray序列;
S2、通过拍摄正位采集模块,从髋部的X-Ray序列中找到正位的医学图像;
S3、通过左右髋关节检测模块,从正位医学图像中检测出左右两侧的髋关节;所述左右髋关节检测模块的工作步骤如下:
(1)将髋部X-Ray图像中的左右髋关节以矩形框加以标注,获得第一训练图片集;
(2)对第一训练图片集进行数据预处理;
(3)用目标检测神经网络模型,在所述第一训练图片集上训练目标检测神经网络模型,得到左右髋关节检测模型;
(4)将待检测的髋部X-Ray图像输入所述左右髋关节检测模型中,得到左右髋关节检测结果,即左右髋关节在图中的坐标,利用所述坐标将左右髋关节从图像中截取出来,供后续分类使用;
(5)对正常的髋关节和病变的髋关节加以标注,获得第二训练图片集;
(6)用分类神经网络模型,在所述第二训练图片集上训练分类神经网络模型,得到髋关节正常与病变的分类模型;
(7)将待检测的髋关节图片输入所述检测模型中,得到左右髋关节是病变或正常的检测结果;
S4、判断待检测的髋关节是否正常,若判为正常执行步骤S5,若判为异常执行步骤S6;
S5、从结果输出模块中生成报告,流程结束;
S6、通过分类识别模块,对判为异常的髋关节进行病变分类,对分类后的各种病变进行分期或分级,然后执行步骤S5;所述分类识别模块的工作过程如下:
(1)对病变的髋关节加以标注,标签分为股骨头坏死、髋关节关节炎和髋关节发育不良,获得第三训练图片集;
(2)用分类神经网络模型,在所述第三训练图片集上训练分类神经网络模型,得到髋关节病变的分类模型;
(3)将待检测的病变髋关节图片输入所述髋关节病变的分类模型中,得到髋关节病变的分类结果,包括股骨头坏死、髋关节关节炎和髋关节发育不良;
(4)对分类结果进行分期或分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194861.0A CN110033438B (zh) | 2019-03-14 | 2019-03-14 | 髋关节标记系统及其标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194861.0A CN110033438B (zh) | 2019-03-14 | 2019-03-14 | 髋关节标记系统及其标记方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033438A CN110033438A (zh) | 2019-07-19 |
CN110033438B true CN110033438B (zh) | 2021-07-27 |
Family
ID=67236084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910194861.0A Active CN110033438B (zh) | 2019-03-14 | 2019-03-14 | 髋关节标记系统及其标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033438B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553882A (zh) * | 2020-03-31 | 2020-08-18 | 江苏广宇淘璞网络科技有限公司 | Mr图像股骨头缺血型坏死识别方法及装置 |
CN111798976B (zh) * | 2020-06-23 | 2024-08-13 | 杭州深睿博联科技有限公司 | 一种ddh人工智能辅助诊断方法及装置 |
CN111803104B (zh) * | 2020-07-20 | 2021-06-11 | 上海杏脉信息科技有限公司 | 一种医学影像显示方法、介质及电子设备 |
CN111862118B (zh) * | 2020-07-20 | 2023-04-18 | 四川大学 | 压疮分期的训练方法、分期方法及分期系统 |
CN113222951B (zh) * | 2021-05-20 | 2023-05-02 | 吉林大学 | 一种识别髋关节x线的骨质疏松人工智能诊断装置 |
CN113706518A (zh) * | 2021-09-01 | 2021-11-26 | 吉林大学 | 一种基于人工智能的股骨头坏死分期分析方法及系统 |
CN113907775A (zh) * | 2021-10-13 | 2022-01-11 | 瓴域影诺(北京)科技有限公司 | 一种髋关节影像质量判断方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537838A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种髋关节骨性髋臼角度的检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
US11037300B2 (en) * | 2017-04-28 | 2021-06-15 | Cherry Labs, Inc. | Monitoring system |
US10565708B2 (en) * | 2017-09-06 | 2020-02-18 | International Business Machines Corporation | Disease detection algorithms trainable with small number of positive samples |
CN109165667B (zh) * | 2018-07-06 | 2022-02-22 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109389587B (zh) * | 2018-09-26 | 2021-07-16 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
-
2019
- 2019-03-14 CN CN201910194861.0A patent/CN110033438B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537838A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种髋关节骨性髋臼角度的检测方法 |
Non-Patent Citations (1)
Title |
---|
Assessing hip osteoarthritis severity utilizing a probabilistic neural network based classification scheme;I.Boniatis 等;《Medical Engineering & Physics》;20070331;第29卷(第2期);227-237 * |
Also Published As
Publication number | Publication date |
---|---|
CN110033438A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033438B (zh) | 髋关节标记系统及其标记方法 | |
US8077946B2 (en) | Apparatus and program for assisting report generation | |
US8724865B2 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
JP6545591B2 (ja) | 診断支援装置、方法及びコンピュータプログラム | |
CN113826143A (zh) | 特征点检测 | |
CA2499292A1 (en) | Imaging markers in musculoskeletal disease | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
Yang et al. | Human upper limb motion analysis for post-stroke impairment assessment using video analytics | |
Schumann et al. | An integrated system for 3D hip joint reconstruction from 2D X-rays: a preliminary validation study | |
Jodeiri et al. | Fully automatic estimation of pelvic sagittal inclination from anterior-posterior radiography image using deep learning framework | |
Tran et al. | MBNet: A multi-task deep neural network for semantic segmentation and lumbar vertebra inspection on X-ray images | |
Gómez et al. | Evaluating artificial intelligence for comparative radiography | |
Fang et al. | Images crack detection technology based on improved K-means algorithm | |
Podsiadlo et al. | Automated selection of trabecular bone regions in knee radiographs | |
Lin et al. | BiLuNet: a multi-path network for semantic segmentation on X-ray images | |
Aishwariya et al. | Computer-aided fracture detection of x-ray images | |
Long et al. | Landmarking and feature localization in spine x-rays | |
CN116188443A (zh) | 一种基于轴状位医学影像的腰椎间盘突出分型系统 | |
Sadique et al. | Brain Tumor Segmentation and Evaluation Empowered with Deep Learning | |
Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
Antani et al. | Vertebra shape classification using MLP for content-based image retrieval | |
Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
del Fresno et al. | Application of color image segmentation to estrus detection | |
US20240233129A1 (en) | Quantification of body composition using contrastive learning in ct images | |
Sánchez et al. | Segmentation of tracheal rings in videobronchoscopy combining geometry and appearance |
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 |