CN110111323A - 髋关节检测方法及装置 - Google Patents

髋关节检测方法及装置 Download PDF

Info

Publication number
CN110111323A
CN110111323A CN201910395682.3A CN201910395682A CN110111323A CN 110111323 A CN110111323 A CN 110111323A CN 201910395682 A CN201910395682 A CN 201910395682A CN 110111323 A CN110111323 A CN 110111323A
Authority
CN
China
Prior art keywords
hip joint
image
obtains
target
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.)
Granted
Application number
CN201910395682.3A
Other languages
English (en)
Other versions
CN110111323B (zh
Inventor
杜隽
施俊
石静
张欢
胡立伟
沈璐
倪子龙
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.)
Shanghai Childrens Medical Center Affiliated to Shanghai Jiaotong University School of Medicine
Original Assignee
Shanghai Childrens Medical Center Affiliated to Shanghai Jiaotong University School of Medicine
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 Shanghai Childrens Medical Center Affiliated to Shanghai Jiaotong University School of Medicine filed Critical Shanghai Childrens Medical Center Affiliated to Shanghai Jiaotong University School of Medicine
Priority to CN201910395682.3A priority Critical patent/CN110111323B/zh
Publication of CN110111323A publication Critical patent/CN110111323A/zh
Application granted granted Critical
Publication of CN110111323B publication Critical patent/CN110111323B/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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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)
  • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种髋关节检测方法及装置，涉及医学图像检测技术领域。通过获取髋关节图像，髋关节图像用于表示髋关节的状态；将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果；根据检测结果确定髋关节图像对应的髋关节是否异常。通过对髋关节检测模型输入样本图像，使得髋关节检测模型对髋关节图像进行分析和处理，并对髋关节图像的检测结果进行分析，并与预先设置的标准参数作对比，得到髋关节检测模型输出的检测结果，避免了因工作人员检测的结果差异过大的问题，同时使得检测结果更加准确，提高了检测结果的可靠性，也提高了髋关节检测的效率。

Description

髋关节检测方法及装置
技术领域
本发明涉及医学图像检测技术领域，具体而言，涉及一种髋关节检测方法及装置。
背景技术
发育性髋关节异常(Developmental Dysplasia of Hip，DDH)是指出生前和出生后股骨头和髋臼在发育和解剖关系中出现异常的一系列髋关节症状。DDH是儿童骨科常见的髋关节疾病，而且会随着这患者年龄的增长，病情会出现加重的情况，所以对DDH疾病的检测越来越重要。
相关技术中，工作人员通过移动检测仪器的探头，获取超声标准图像，该超声标准图像指可以显示髋臼窝深部的髂骨下缘、髋臼顶的中部和髋臼盂唇的图像，超声标准图像用于表示检测髋关节是否异常，工作人员对超声标准图像中髋关节的形态进行分析，通过骨顶角α和软骨顶角β对髋臼形态进行量化，从而判断髋关节是否正常。
但是，使用对髋关节进行检测时，不同工作人员检测的结果差异过大，检测结果不准确，可靠性较低的问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种髋关节检测方法及装置，以解决不同工作人员检测的结果差异过大，检测结果不准确，可靠性较低的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种髋关节检测方法，包括：获取髋关节图像，所述髋关节图像用于表示髋关节的状态；
将所述髋关节图像输入髋关节检测模型，得到所述髋关节检测模型输出的检测结果；
根据所述检测结果确定所述髋关节图像对应的髋关节是否异常。
进一步地，在所述将所述髋关节图像输入髋关节检测模型之前，所述方法还包括：
对样本图像进行特征提取，得到至少一个目标特征；
根据每个目标特征在所述样本图像中对应的位置，得到目标区域的图像，所述目标区域的图像用于表示所述样本图像中被检测部位的图像；
根据所述目标区域的图像得到样本检测结果；
根据所述样本检测结果和预先设置的预设结果进行训练，得到所述髋关节检测模型。
进一步地，所述对样本图像进行特征提取，得到至少一个目标特征，包括：
获取所述样本图像；
对所述样本图像进行特征提取，得到至少一个候选特征；
对每个候选特征进行归一化处理，得到至少一个归一化特征；
将每个归一化特征输入卷积神经网络进行筛选，得到所述至少一个目标特征。
进一步地，所述根据每个目标特征在所述样本图像中的位置，得到目标区域的图像，包括：
通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征，所述分类后的目标特征是根据所述样本图像中不同的被检测部位分类的；
对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征；
根据每个回归特征在所述样本图像中对应的位置，对所述样本图像进行划分，得到所述目标区域的图像。
进一步地，所述根据所述目标区域的图像得到样本检测结果，包括：
根据所述目标区域的图像进行计算，得到目标参数，所述目标参数用于表示髋关节的状态；
将所述目标参数与预先设置的标准参数进行比较，得到所述样本检测结果。
第二方面，本发明实施例还提供了一种髋关节检测装置，包括：
获取模块，用于获取髋关节图像，所述髋关节图像用于表示髋关节的状态；
输入模块，用于将所述髋关节图像输入髋关节检测模型，得到所述髋关节检测模型输出的检测结果；
第一确定模块，用于根据所述检测结果确定所述髋关节图像对应的髋关节是否异常。
进一步地，所述装置还包括：
提取模块，用于对所述样本图像进行特征提取，得到至少一个目标特征；
第二确定模块，用于根据每个目标特征在所述样本图像中对应的位置，得到目标区域的图像，所述目标区域的图像用于表示所述样本图像中被检测部位的图像；
第三确定模块，用于根据所述目标区域的图像得到样本检测结果；
训练模块，用于根据所述样本检测结果和预先设置的预设结果进行训练，得到所述髋关节检测模型。
进一步地，所述提取模块，具体用于获取样本图像，对所述样本图像进行特征提取，得到至少一个候选特征，对每个候选特征进行归一化处理，得到至少一个归一化特征，将每个归一化特征输入卷积神经网络进行筛选，得到所述至少一个目标特征。
进一步地，所述第二确定模块，具体用于通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征，所述分类后的目标特征是根据所述样本图像中不同的被检测部位分类的，对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征，根据每个回归特征在所述样本图像中对应的位置，对所述样本图像进行划分，得到所述目标区域的图像。
进一步地，所述第三确定模块，具体用于根据所述目标区域的图像进行计算，得到目标参数，所述目标参数用于表示髋关节的状态，将所述目标参数与预先设置的标准参数进行比较，得到所述样本检测结果。
本发明的有益效果是：本发明实施例提供一种髋关节检测方法及装置，通过获取髋关节图像，髋关节图像用于表示髋关节的状态；将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果；根据检测结果确定髋关节图像对应的髋关节是否异常。通过对髋关节检测模型输入样本图像，使得髋关节检测模型对髋关节图像进行分析和处理，并对髋关节图像的检测结果进行分析，并与预先设置的标准参数作对比，得到髋关节检测模型输出的检测结果，避免了因工作人员检测的结果差异过大的问题，同时使得检测结果更加准确，提高了检测结果的可靠性，也提高了髋关节检测的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明一实施例提供的一髋关节检测方法的流程示意图；
图2为本发明一实施例提供的另一髋关节检测方法方法的流程示意图；
图3为本发明一实施例提供的一髋关节检测装置的示意图；
图4为本发明一实施例提供的一髋关节检测装置的示意图；
图5为本发明一实施例提供的另一髋关节检测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
图1为本发明一实施例提供的一髋关节检测方法的流程示意图；如图1所示，该方法包括：
步骤101、获取髋关节图像。
为了防止儿童出现髋关节疾病，需要对儿童的髋关节进行检查，从而获取儿童的髋关节图像，以便根据获取的髋关节图像确定儿童是否出现了髋关节疾病。
其中，髋关节图像用于表示髋关节的状态，该髋关节图像可以为用户(医护人员)通过检测设备获取的病患的髋关节图像，髋关节图像可以为超声波图像，也可以为X光图像，还可以为其他类型的图像，本发明实施例对髋关节图像的类型不进行具体限制。
具体地，检测设备可以对病患的髋关节进行检查，得到病患的髋关节图像，并向终端发送该髋关节图像。相应的，终端可以获取检查设备发送的髋关节图像，以便在后续步骤中，可以根据获取的髋关节图像确定病患的髋关节是否异常。
步骤102、将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果。
其中，髋关节检测模型是根据大量的样本图像训练得到的，样本图像均为髋关节图像。例如，终端可以建立初始髋关节检测模型，并向初始髋关节检测模型中输入大量的样本图像，并根据初始髋关节检测模型输出的结果不断对初始髋关节检测模型进行修正，从而得到髋关节检测模型。
终端获取髋关节图像后，可以将髋关节图像输入髋关节检测模型中，以便在后续步骤中，终端可以根据髋关节检测模型输出的检测结果，确定病患的髋关节是否异常。
具体地，终端可以将获取的髋关节图像输入髋关节检测模型，使得髋关节检测模型对输入的髋关节图像进行特征提取，得到至少一个目标特征，并根据得到的目标特征进行分析处理，从而输出输出检测结果。
需要说明的是，检测结果可以为数字，也可以为字母，还可以为其他类型的检测结果，本发明实施例对此不做限定。
步骤103、根据检测结果确定髋关节图像对应的髋关节是否异常。
髋关节检测模型在输出检测结果后，终端可以根据输出的检测结果进行判断，确定该髋关节图像所对应的髋关节是否出现异常，以便用户可以根据该判断结果对病患做出相应的治疗。
与步骤102相对应的，若检测结果为数字，终端可以根据预先设置的对应关系，确定该检测结果所指示的髋关节是否异常。例如，当检测结果对应的数字为0时，说明检测结果正常，即该检测结果对应的髋关节为阴性；但是，当检测结果对应的数字为1时，说明检测结果异常，即该检测结果对应的髋关节图像为阳性。
本发明实施例提供一种髋关节检测方法，通过获取髋关节图像，髋关节图像用于表示髋关节的状态；将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果；根据检测结果确定髋关节图像对应的髋关节是否异常。通过对髋关节检测模型输入样本图像，使得髋关节检测模型对髋关节图像进行分析和处理，并对髋关节图像的检测结果进行分析，并与预先设置的标准参数作对比，得到髋关节检测模型输出的检测结果，避免了因工作人员检测的结果差异过大的问题，同时使得检测结果更加准确，提高了检测结果的可靠性，也提高了髋关节检测的效率。
图2为本发明一实施例提供的另一髋关节检测方法方法的流程示意图；如图2所示，该方法包括：
步骤201、对样本图像进行特征提取，得到至少一个目标特征。
其中，目标特征可以为被检测部位图像所对应的特征，终端可根据目标特征对检测部位的图像进行识别，以便在后续步骤中，可以根据识别的结果确定样本图像对应的髋关节是否异常。
为了提高髋关节检测的可靠性，可以建立初始髋关节检测模型，并通过样本图像对初始髋关节检测模型进行训练，得到训练后的髋关节检测模型，以便在后续步骤中，终端可以通过髋关节检测模型确定病患的髋关节图像是否异常。
具体地，终端可以获取样本图像，并将样本图像输入初始髋关节检测模型，使得初始髋关节检测模型对该样本图像提取候选特征，对此候选特征进行归一化处理，将得到的归一化特征输入卷积神经网络筛选，从而得到目标特征。
因此，步骤201可以包括：201a、201b、201c和201d。
步骤201a，获取样本图像。
其中，该样本图像用于表示髋关节的状态，终端可以通过获取的样本图像对初始髋关节检测模型模型进行训练，从而可以得到用于髋关节检测的髋关节检测模型。而且，样本图像可以包括髋关节正常的髋关节图像，还可以包括髋关节异常的髋关节图像，本发明实施例对样本图像的类型不做限定。
需要说明的是，终端需要通过大量的样本图像对初始髋关节检测模型进行训练，因此，在实际应用中，终端可以获取多个样本图像，而本发明实施例仅是以一个样本图像为例进行说明，本发明实施例对样本图像的数量不做限定。
步骤201b、对样本图像进行特征提取，得到至少一个候选特征。
其中，该候选特征包括被检测部位的图像对应的特征和样本图像中其他区域的图像对应的特征。
终端获取该样本图像后，可以将获取的样本图像输入预先建立的初始初始髋关节检测模型，使得初始髋关节检测模型可以对样本图像中所包含的各个特征进行提取，得到至少一个候选特征。
具体地，终端可以将获取的样本图像输入初始髋关节检测模型，使得初始髋关节检测模型可以通过预先设置的特征提取算法，对样本图像进行特征提取，得到至少一个候选特征。
需要说明的是，初始髋关节检测模型可以采用选择性搜索算法(selectivesearch)方式进行特征提取，也可以采取RPN(Region Proposal Network，区域建议网络)方式进行特征提取，还可以为其他方式对特征进行提取，本发明实施例中对此不进行具体限制。
步骤201c、对每个候选特征进行归一化处理，得到至少一个归一化特征。
具体地，初始髋关节检测模型中包括预先设置的归一化处理算法，髋关节检测模型通过归一化处理算法对至少一个候选特征进行归一化处理，从而获得至少一个归一化特征，使得每个归一化特征对应的参数值在0至1的范围内。以便在后续步骤中，初始髋关节检测模型可以对归一化特征进行处理。
例如，初始髋关节检测模型中的归一化处理算法的采样频率为450赫兹，其中一个候选特征的频率为300赫兹，则对此候选特征进行归一化处理处理后，归一化处理后的归一化特征为0.6。
步骤201d、将每个归一化特征输入卷积神经网络进行筛选，得到至少一个目标特征。
其中，至少一个目标特征包括髋臼窝深部的髂骨下缘特征、髋臼顶的中部特征和髋臼盂唇特征，用于表示髋关节的状态是否异常。
具体地，卷积神经网络可以对归一化特征进行学习和识别，从而可以筛选被检测部位对应的特征和其他特征，进而可以根据被检测部位对应的特征确定对应的目标特征，以便在后续步骤中，可以根据获取的髋关节图像确定病患的髋关节是否异常。
需要说明的是，髋关节检测模型可以通过卷积神经网络对每个归一化特征进行筛选，也可以通过其他方式对每个归一化特征进行筛选，本发明对此不进行具体限制。
步骤202、根据每个目标特征在样本图像中对应的位置，得到目标区域的图像。
其中，目标区域的图像用于表示样本图像中被检测部位的图像。
终端在通过初始髋关节检测模型得到目标特征后，可以对每个目标特征进行分类，以及回归处理，从而可以得到每个目标特征在样本图像中对应的目标区域的图像。
因此，步骤202可以包括：步骤202a、步骤202b和步骤202c。
步骤202a、通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征。
其中，分类后的目标特征是根据样本图像中不同的被检测部位分类的。
预先设置的分类算法可以根据样本图像中不同的被检测部位对至少一个目标特征进行分类，得到至少一个分类后的目标特征。
其中，至少一个分类后的目标特征可以包括：髋臼窝深部的髂骨下缘特征、髋臼顶的中部特征和髋臼盂唇特征。
在实际应用中，需要对髋臼窝深部的髂骨下缘特征、髋臼顶的中部特征和髋臼盂唇特征进行分析，进而判断髋关节是否发生异常。因此，需要对髋臼窝深部的髂骨下缘特征、髋臼顶的中部特征和髋臼盂唇特征等被检测部位进行分类。
需要说明的是，分类算法可以是SVM(Support Vector Machine，支持向量机)，也可以是KNN(K-Nearest Neighbor，邻近算法)，还可以是其它可以对目标特征进行分类的算法，本发明对此不进行具体限制。
步骤202b、对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征。
其中，通过利用线性回归方程的最小平方函数对每个分类后的目标特征进行建模，该建模主要依据每个分类后的目标特征中自变量和因变量之间的关系，进而挑选符合的变量，剔除不符合的变量，从而得到至少一个回归特征。
而且，通过线性回归处理，可以使得终端对每一个分类后的目标特征定位更加准确，提高终端的可靠性。
步骤202c、根据每个回归特征在样本图像中对应的位置，对样本图像进行划分，得到目标区域的图像。
其中，目标区域的图像包括髋臼窝深部的骨下缘图像、髋臼顶的中部图像和髋臼盂唇图像。
具体地，终端可以根据每个回归特征，在样本图像中查找得到每个回归特征所对应的位置，从而可以划分出样本图像中目标区域图像，进而得到不同部位对应的图像。
步骤203、根据目标区域的图像得到样本检测结果。
终端可以对目标区域图像即髋臼窝深部的骨下缘图像、髋臼顶的中部图像和髋臼盂唇图像进行进一步的量化和判断，可以得知髋关节是否异常，进而得到样本检测结果。
因此，步骤203可以包括：步骤203a和步骤203b。
步骤203a，根据目标区域的图像进行计算，得到目标参数。
其中，目标参数用于表示髋关节的状态。
终端可以根据目标区域的图像进行计算，得到α参数和β参数，α参数为目标区域的图像中基线与骨顶线之间的夹角，β参数为目标区域的图像中基线和软骨顶线之间的夹角。因此，可以通过判断α参数和β参数判断髋关节的状态进行判断。
步骤203b，将目标参数与预先设置的标准参数进行比较，得到样本检测结果。
其中，预先设置的标准参数可以为髋关节的状态正常情况下对应的α参数和β参数。髋关节检测模型对检测的α参数和β参数和预先设置的α参数和β参数进行比较，可以得到样本检测结果。
具体地，预先设置的α参数和β参数可以为阈值区间，当检测的α参数未在预先设置的α参数对应的阈值区间内时，和/或当检测的β参数未在预先设置的β参数对应的阈值区间内时，则说明髋关节状态异常。
步骤204、根据样本检测结果和预先设置的预设结果进行训练，得到髋关节检测模型。
其中，若样本检测结果和预先设置的预设结果有一定的误差，需要对髋关节检测模型进行训练，以提高髋关节检测模型的准确度，减少误差。
具体地，终端对样本检测结果和预先设置的预设结果进行比较，若样本检测结果和预先设置的预设结果不同时，需要对预先设置的预设结果对应的参数进行调整。
若终端获取α参数大于预先设置的α参数，则增大预先设置的α参数；若终端获取α参数小于预先设置的α参数，则减小预先设置的α参数。若终端获取β参数大于预先设置的β参数，则增大预先设置的β参数，若终端获取β参数小于预先设置的β参数，则减小预先设置的β参数。
步骤205、获取髋关节图像。
其中，髋关节图像用于表示髋关节的状态。
步骤206、将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果。
步骤207、根据检测结果确定髋关节图像对应的髋关节是否异常。
步骤205至207的过程与步骤101至103的过程类似，在此不再赘述。
本发明实施例提供一种髋关节检测方法，通过获取髋关节图像，髋关节图像用于表示髋关节的状态；将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果；根据检测结果确定髋关节图像对应的髋关节是否异常。通过对髋关节检测模型输入样本图像，使得髋关节检测模型对髋关节图像进行分析和处理，并对髋关节图像的检测结果进行分析，并与预先设置的标准参数作对比，得到髋关节检测模型输出的检测结果，避免了因工作人员检测的结果差异过大的问题，同时使得检测结果更加准确，提高了检测结果的可靠性，也提高了髋关节检测的效率。
图3为本发明一实施例提供的一髋关节检测装置的示意图；如图3所示，该装置包括：
获取模块301，用于获取髋关节图像，该髋关节图像用于表示髋关节的状态；
输入模块302，用于将该髋关节图像输入髋关节检测模型，得到该髋关节检测模型输出的检测结果；
第一确定模块303，用于根据该检测结果确定该髋关节图像对应的髋关节是否异常。
可选的，如图4所示，该装置还包括：
提取模块304，用于对样本图像进行特征提取，得到至少一个目标特征；
第二确定模块305，用于根据每个目标特征在该样本图像中对应的位置，得到目标区域的图像，该目标区域的图像用于表示该样本图像中被检测部位的图像；
第三确定模块306，用于根据该目标区域的图像得到样本检测结果；
训练模块307，用于根据该样本检测结果和预先设置的预设结果进行训练，得到该髋关节检测模型。
可选的，该提取模块304，具体用于获取样本图像，对该样本图像进行特征提取，得到至少一个候选特征，对每个候选特征进行归一化处理，得到至少一个归一化特征，将每个归一化特征输入卷积神经网络进行筛选，得到该至少一个目标特征。
可选的，该第二确定模块305，具体用于通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征，该分类后的目标特征是根据该样本图像中不同的被检测部位分类的，对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征，根据每个回归特征在该样本图像中对应的位置，对该样本图像进行划分，得到该目标区域的图像。
可选的，该第三确定模块306，具体用于根据该目标区域的图像进行计算，得到目标参数，该目标参数用于表示髋关节的状态，将该目标参数与预先设置的标准参数进行比较，得到该样本检测结果。
本发明实施例提供一种髋关节检测装置，通过获取髋关节图像，髋关节图像用于表示髋关节的状态；将髋关节图像输入髋关节检测模型，得到髋关节检测模型输出的检测结果；根据检测结果确定髋关节图像对应的髋关节是否异常。通过对髋关节检测模型输入样本图像，使得髋关节检测模型对髋关节图像进行分析和处理，并对髋关节图像的检测结果进行分析，并与预先设置的标准参数作对比，得到髋关节检测模型输出的检测结果，避免了因工作人员检测的结果差异过大的问题，同时使得检测结果更加准确，提高了检测结果的可靠性，也提高了髋关节检测的效率。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图5为本发明一实施例提供的另一髋关节检测装置的示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备髋关节检测功能的计算设备。
该装置包括：存储器401、处理器402。
存储器401用于存储程序，处理器402调用存储器401存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种髋关节检测方法，其特征在于，所述方法包括：
获取髋关节图像，所述髋关节图像用于表示髋关节的状态；
将所述髋关节图像输入髋关节检测模型，得到所述髋关节检测模型输出的检测结果；
根据所述检测结果确定所述髋关节图像对应的髋关节是否异常。
2.如权利要求1所述的髋关节检测方法，其特征在于，在所述将所述髋关节图像输入髋关节检测模型之前，所述方法还包括：
对样本图像进行特征提取，得到至少一个目标特征；
根据每个目标特征在所述样本图像中对应的位置，得到目标区域的图像，所述目标区域的图像用于表示所述样本图像中被检测部位的图像；
根据所述目标区域的图像得到样本检测结果；
根据所述样本检测结果和预先设置的预设结果进行训练，得到所述髋关节检测模型。
3.如权利要求2所述的髋关节检测方法，其特征在于，所述对样本图像进行特征提取，得到至少一个目标特征，包括：
获取所述样本图像；
对所述样本图像进行特征提取，得到至少一个候选特征；
对每个候选特征进行归一化处理，得到至少一个归一化特征；
将每个归一化特征输入卷积神经网络进行筛选，得到所述至少一个目标特征。
4.如权利要求2所述的髋关节检测方法，其特征在于，所述根据每个目标特征在所述样本图像中的位置，得到目标区域的图像，包括：
通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征，所述分类后的目标特征是根据所述样本图像中不同的被检测部位分类的；
对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征；
根据每个回归特征在所述样本图像中对应的位置，对所述样本图像进行划分，得到所述目标区域的图像。
5.如权利要求2所述的髋关节检测方法，其特征在于，所述根据所述目标区域的图像得到样本检测结果，包括：
根据所述目标区域的图像进行计算，得到目标参数，所述目标参数用于表示髋关节的状态；
将所述目标参数与预先设置的标准参数进行比较，得到所述样本检测结果。
6.一种髋关节检测装置，其特征在于，所述装置包括：
获取模块，用于获取髋关节图像，所述髋关节图像用于表示髋关节的状态；
输入模块，用于将所述髋关节图像输入髋关节检测模型，得到所述髋关节检测模型输出的检测结果；
第一确定模块，用于根据所述检测结果确定所述髋关节图像对应的髋关节是否异常。
7.如权利要求6所述的髋关节检测装置，其特征在于，所述装置还包括：
提取模块，用于对样本图像进行特征提取，得到至少一个目标特征；
第二确定模块，用于根据每个目标特征在所述样本图像中对应的位置，得到目标区域的图像，所述目标区域的图像用于表示所述样本图像中被检测部位的图像；
第三确定模块，用于根据所述目标区域的图像得到样本检测结果；
训练模块，用于根据所述样本检测结果和预先设置的预设结果进行训练，得到所述髋关节检测模型。
8.如权利要求7所述的髋关节检测装置，其特征在于，所述提取模块，具体用于获取所述样本图像，对所述样本图像进行特征提取，得到至少一个候选特征，对每个候选特征进行归一化处理，得到至少一个归一化特征，将每个归一化特征输入卷积神经网络进行筛选，得到所述至少一个目标特征。
9.如权利要求7所述的髋关节检测装置，其特征在于，所述第二确定模块，具体用于通过预先设置的分类算法对每个目标特征进行分类，得到至少一个分类后的目标特征，所述分类后的目标特征是根据所述样本图像中不同的被检测部位分类的，对每个分类后的目标特征进行线性回归处理，得到至少一个回归特征，根据每个回归特征在所述样本图像中对应的位置，对所述样本图像进行划分，得到所述目标区域的图像。
10.如权利要求7所述的髋关节检测装置，其特征在于，所述第三确定模块，具体用于根据所述目标区域的图像进行计算，得到目标参数，所述目标参数用于表示髋关节的状态，将所述目标参数与预先设置的标准参数进行比较，得到所述样本检测结果。
CN201910395682.3A 2019-05-13 2019-05-13 髋关节检测方法及装置 Active CN110111323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910395682.3A CN110111323B (zh) 2019-05-13 2019-05-13 髋关节检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910395682.3A CN110111323B (zh) 2019-05-13 2019-05-13 髋关节检测方法及装置

Publications (2)

Publication Number Publication Date
CN110111323A true CN110111323A (zh) 2019-08-09
CN110111323B CN110111323B (zh) 2021-08-10

Family

ID=67489825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910395682.3A Active CN110111323B (zh) 2019-05-13 2019-05-13 髋关节检测方法及装置

Country Status (1)

Country Link
CN (1) CN110111323B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717906A (zh) * 2019-09-30 2020-01-21 北京爱康宜诚医疗器材有限公司 髋臼锉磨参数的确定方法、确定装置、存储介质和处理器
CN112102351A (zh) * 2020-10-14 2020-12-18 平安科技（深圳）有限公司 医学图像分析方法、装置、电子设备及可读存储介质
CN112587130A (zh) * 2020-12-03 2021-04-02 南通市第一人民医院 一种护理关节活动的系统及方法
WO2022146234A1 (en) * 2020-12-30 2022-07-07 National University Of Singapore Classifying joints

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499692A (zh) * 2011-11-30 2012-06-20 沈阳工业大学 一种超声波步态检测装置与方法
US20120242800A1 (en) * 2011-03-23 2012-09-27 Ionescu Dan Apparatus and system for interfacing with computers and other electronic devices through gestures by using depth sensing and methods of use
CN103379881A (zh) * 2010-12-27 2013-10-30 赛伯达英电子科技股份有限公司 穿戴式动作辅助装置、其接口装置及程序
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
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
CN109242838A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中中心边缘角的方法、系统、设备及介质
CN109242837A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中颈干角的方法、系统、设备及存储介质
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103379881A (zh) * 2010-12-27 2013-10-30 赛伯达英电子科技股份有限公司 穿戴式动作辅助装置、其接口装置及程序
US20120242800A1 (en) * 2011-03-23 2012-09-27 Ionescu Dan Apparatus and system for interfacing with computers and other electronic devices through gestures by using depth sensing and methods of use
CN102499692A (zh) * 2011-11-30 2012-06-20 沈阳工业大学 一种超声波步态检测装置与方法
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
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
CN109242838A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中中心边缘角的方法、系统、设备及介质
CN109242837A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中颈干角的方法、系统、设备及存储介质
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717906A (zh) * 2019-09-30 2020-01-21 北京爱康宜诚医疗器材有限公司 髋臼锉磨参数的确定方法、确定装置、存储介质和处理器
CN112102351A (zh) * 2020-10-14 2020-12-18 平安科技（深圳）有限公司 医学图像分析方法、装置、电子设备及可读存储介质
CN112102351B (zh) * 2020-10-14 2024-10-22 平安科技（深圳）有限公司 医学图像分析方法、装置、电子设备及可读存储介质
CN112587130A (zh) * 2020-12-03 2021-04-02 南通市第一人民医院 一种护理关节活动的系统及方法
WO2022146234A1 (en) * 2020-12-30 2022-07-07 National University Of Singapore Classifying joints

Also Published As

Publication number Publication date
CN110111323B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110111323A (zh) 髋关节检测方法及装置
US20180140282A1 (en) Ultrasonic diagnostic apparatus and image processing method
CN104809740B (zh) 基于svm与弹性区域生长的膝软骨图像自动分割方法
EP2294964A1 (en) Image processing apparatus, image processing program and image processing method
WO2005083635A1 (en) Method and system for detection of bone fractures
US10937143B1 (en) Fracture detection method, electronic device and storage medium
CN110310723A (zh) 骨骼图像处理方法、电子设备及存储介质
WO2024067527A1 (zh) 一种髋关节角度检测系统和方法
Hernandez et al. Retracted: Early detection of Alzheimer's using digital image processing through iridology, an alternative method
JP2024000482A (ja) 医療画像の処理方法及び医療画像処理用コンピュータ装置
Iqbal et al. A heteromorphous deep CNN framework for medical image segmentation using local binary pattern
Davis et al. Automated bone age assessment using feature extraction
CN113034528A (zh) 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法
US20170367677A1 (en) Analysis method for breast image and electronic apparatus using the same
CN109872307A (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
US11944486B2 (en) Analysis method for breast image and electronic apparatus using the same
Strzelecki Texture boundary detection using network of synchronised oscillators
Hsieh et al. Automatic segmentation of phalanx and epiphyseal/metaphyseal region by gamma parameter enhancement algorithm
Avalos-Rivera et al. Classifying microcalcifications on digital mammography using morphological descriptors and artificial neural network
Lee et al. Classification Of Skin Cancer By Means Of Transfer Learning Models
Tiwari et al. Automated Lung Cancer Detection using Prewitt Gradient Kernel & SVM from CT-Lung Images
Carnimeo et al. A voting procedure supported by a neural validity classifier for optic disk detection
Halim et al. Retracted: A Review of Iris Recognition System ROI and Accuracy
Xi et al. Improvement of mammographic mass classification performance using an intelligent data fusion method
Ariffin et al. Performance Comparison of Convolutional Neural Network Models on Cervical Cell Classification

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