CN110363765A - 基于ct影像的骨质疏松参数自动测量方法 - Google Patents
基于ct影像的骨质疏松参数自动测量方法 Download PDFInfo
- Publication number
- CN110363765A CN110363765A CN201910672199.5A CN201910672199A CN110363765A CN 110363765 A CN110363765 A CN 110363765A CN 201910672199 A CN201910672199 A CN 201910672199A CN 110363765 A CN110363765 A CN 110363765A
- Authority
- CN
- China
- Prior art keywords
- bone
- value
- image
- lumbar vertebrae
- density
- 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
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 23
- 238000000691 measurement method Methods 0.000 title abstract description 3
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 87
- 230000037182 bone density Effects 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000002591 computed tomography Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 239000012528 membrane Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 14
- 230000001054 cortical effect Effects 0.000 claims description 13
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 8
- 239000002253 acid Substances 0.000 claims description 8
- 239000011575 calcium Substances 0.000 claims description 8
- 229910052791 calcium Inorganic materials 0.000 claims description 8
- 125000002887 hydroxy group Chemical group [H]O* 0.000 claims description 8
- 210000000038 chest Anatomy 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012109 statistical procedure Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001739 density measurement Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims 1
- 235000011613 Pinus brutia Nutrition 0.000 claims 1
- 241000018646 Pinus brutia Species 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract 1
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 208000001164 Osteoporotic Fractures Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037118 bone strength Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT影像的骨质疏松参数自动测量方法，包括以下步骤：1)构建临床数据库：以DXA诊断为标准，构建待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系；2)骨密度测量方法校正：通过对已知密度的体膜进行CT扫描，建立CT值与体膜骨密度的线性对应关系，然后进行校正，得到CT值与真实骨密度的对应关系；3)对待测对象的CT扫描图像进行腰椎分割，然后进行骨密度计算；4)进行骨小梁形态学和拓扑学参数测定。本发明从三维CT影像中进行三维测量，骨质疏松的敏感性高，检查者无额外的X射线，测量过程自动客观量化，另外还可额外获得骨小梁形态参数和拓扑学参数。
Description
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于CT影像的骨质疏松参数自动测量方法。
背景技术
骨密度全称是骨骼矿物质密度，是骨骼强度的一个重要指标，以克/每立方厘米表示，是一个绝对值。在临床使用骨密度值时由于不同的骨密度检测仪的绝对值不同，通常使用T值判断骨密度是否正常。骨密度，是骨质量的一个重要标志，反映骨质疏松程度，预测骨折危险性的重要依据。除可诊断骨质疏松症之外，尚可用于临床药效观察和流行病学调查，在预测骨质疏松性骨折方面有显著的优越性。现在通常是采用DXA设备进行测量，但DXA设备昂贵，检查费用高，且会使待测者承受额外的X射线剂量，其只能从二维数据中计算骨密度，由此推算骨质疏松参数不准确。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于CT影像的骨质疏松参数自动测量方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于CT影像的骨质疏松参数自动测量方法，包括以下步骤：
1)构建临床数据库：以DXA诊断为标准，构建待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系；
2)骨密度测量方法校正：通过对已知密度的体膜进行CT扫描，建立CT值与体膜骨密度的线性对应关系，然后采用所述步骤1)构建的对应关系对其进行校正，得到CT值与真实骨密度的对应关系；
3)对待测对象的CT扫描图像进行腰椎分割，然后利用步骤2)得到的结果进行骨密度计算；
4)根据待测对象的CT扫描图像进行骨小梁形态学和拓扑学参数测定。
优选的是，所述步骤1)具体包括：
1-2)数据收集：
针对采样人群做胸部或胸腹部CT检查，并进行DXA骨密度扫描；其中，采样人群的年龄在20-90岁之间，CT检查和DXA骨密度扫描时间相隔少于1个月；
1-2)数据计算：
针对CT图像，分别测量相应扫描CT所能看见的椎体横断面和矢状面图像，测量图像选取各椎体中央层面，部分测量股骨头，并记录相应数值；
DXA骨密度检查对患者的腰椎定位标记，并分析得出椎体骨密度结果，包括T值和Z值；
1-3)统计学处理：将得到的数据进行统计学处理比较，获得待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系。
优选的是，步骤2)具体包括：
2-1)制作骨骼标准体模，并进行CT扫描：
标准体模使用不同密度的羟基铃酸钙制作，所有区域的羟基铃酸钙的密度已知；
2-2)按照己知标准体模密度计算CT值与体模骨密度的线性对应关系，具体过程为：
使用基于最小二乘法的逐像素对CT图像进行校正；校正之后，圈定区域将ROI内全部CT值之和除以ROI的面积或体积，进而计算得到ROI内的骨骼密度；ROI表示圈定区域，ROI内全部CT值还包含非骨组织及空腔的CT值；
2-3)利用所述步骤1)得到的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系对步骤2-2的结果进行校正，获得最终的CT值与真实骨密度之间的对应关系。
优选的是，所述步骤3)包括：
3-1)腰椎分割，具体包括：
3-1-1)设置骨骼分割阈值，使用阈值分割骨骼；
3-1-2)使用深度学习网络对待测对象的CT扫描图像进行分割，得到脊椎图像；
3-1-3)对腰椎图像进行高斯混合模型聚类，分离得到腰椎和腰椎间盘；
3-2)腰椎中心线提取，得到整条脊椎轴线；
3-3)腰椎外表面分割，得到腰椎骨皮质区域；
3-4)腰椎骨皮质密度参数计算：根据分割的腰椎骨皮质区域，选择整个腰椎骨皮质区域作为ROI，计算ROI中的平均CT值，通过由步骤2)得到的CT值与真实骨密度之间的对应关系，得到ROI中的平均骨密度参数。
优选的是，所述步骤3-2)包括：
3-2-1)针对得到的脊椎图像，选择一个腰椎，通过交互方式设置腰椎中心线提取的种子点位置，开始做球状区域增长，其种子点的位置位于脊椎内部；
3-2-2)以种子点为球心作按照设定的膨胀步长，对种子点所在的球形区域进行膨胀；当生长的球形区域的某一点接触到骨骼表面时，将球心沿接触点与球心连线的反方向移动一个单位，之后继续增长；
3-2-3)当生成的球体有两个点分别接触其骨骼表面时则停止生长，记录该球体的球心坐标和两个接触点的坐标；
3-2-4)对于下一个腰椎，重复步骤3-2-1)-步骤3-2-3)；
3-2-5)按照从头到脚的坐标顺序遍历步骤3-2-33)中记录的所有坐标点，并根据坐标点拟合贝塞尔曲线，该曲线为整个脊椎曲线。
优选的是，所述步骤3-3)中使用交互式的区域生长分割腰椎外表面，具体为：
首先根据步骤3-1)得到的脊椎图像，先选定一个腰椎，人工选取一个像素作为种子点，并记下这个像素的灰度值对图像顺序扫描，计算每个像素与种子像素或已经标记为腰椎外表面灰度均值的的差异，并选择将其合并到种子像素所在的区域或是背景区域；
其中，若|像素值-腰椎外表面区域均值|≥nσ，则该像素标记为背景区域，否则标记为腰椎外表面区域；其中，σ是腰椎外表面区域像素值的标准差，n是设定的阈值；
重复以上步骤，计算当前标记为腰椎外表面区域邻域的所有像素，将其合并到生长区域，直到图像中的所有像素都被合并为止；最终得到腰椎外表面区域，即腰椎骨皮质区域。
优选的是，所述步骤4)中骨小梁形态学参数测定的具体步骤包括：
4-1)首先针对待测对象的CT图像，根据所述步骤2)得到的校正后的CT值与真实骨密度之间的对应关系，对CT图像的灰度值进行校正，然后从得到的图像中手动或自动选取骨松质的三维ROI；
4-2)设置骨松质的CT值的高阈值Th和低阈值Tl，在高低阈值之间对CT值等分为若干阈值，记作Ti，i＝1,2,...，n；
4-3)分别使用不同的阈值(Th、Tl和Ti)对待测对象的CT扫描图像中的骨松质的ROI进行阈值分割，生成对应的二值Bh、Bl和Bi图像；
4-4)对Bh、Bl和Bi图像分别进行三维距离变换，对骨松质中的ROI中的骨小梁进行距离骨架计算；
4-5)根据距离骨架图像，计算其对应的骨小梁的网状中心线，并将网状中心线映射到距离骨架图像上，其网状中心线每一个点对应于距离骨架图像的一个像素，该像素值即为骨小梁的局部厚度；
4-6)计算Bh、Bl和Bi图像中骨小梁的局部厚度的均值、标准差、5％和95％等分位点值，完成骨小梁形态学参数测定。
优选的是，具体的，步骤4-4)中，骨小梁的距离骨架计算方法为：对Bh、Bl和Bi多个三维二值图像中的前景像素，计算其到前景边界的最近欧几里得距离，最终得到距离骨架图像Dh，Dl和Di。
优选的是，所述步骤4)中骨小梁的拓扑学参数测定的具体步骤包括：
a)根据骨小梁形态学参数测定的结果，对于Bh、Bl和Bi图像，从方向θi发射ni条直线穿过二值化图像，计算ni条直线穿过图像被二值化边界截断的总次数，记作ci；计算该角度下所有直线穿越选取的骨松质的ROI的总距离，记作li，则平均截断长度为li/ci
b)以Δθ为角度步长，重复步骤a)，计算不同角度下ni条直线穿过被二值化边界截断的总次数；计算该角度下的平均截断长度；
c)在得到全部三维角度的平均截断长度集合L后，将其投射至笛卡尔坐标系下，由平均截断长度及其对应的三维角度所构成的向量拟合为一个三维椭球体的标准方程来表达，计算该三维椭球的三个主轴向量和三个主轴长度，找到椭球的主轴即得到骨骼结构的形变方向，同时通过主轴长度量化松质骨各个方向的弹性模量；实现骨小梁的拓扑学参数测定。
本发明的有益效果是：本发明的基于CT影像的骨质疏松参数自动测量方法，从三维CT影像中进行三维测量，骨质疏松的敏感性高，检查者无额外的X射线(可直接使用现有的胸部平扫图像)，测量过程自动客观量化，另外还可额外获得骨小梁形态参数和拓扑学参数。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
本实施例的一种基于CT影像的骨质疏松参数自动测量方法，包括以下步骤：
1)构建临床数据库：以DXA诊断为标准，构建待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系；
2)骨密度测量方法校正：通过对已知密度的体膜进行CT扫描，建立CT值与体膜骨密度的线性对应关系，然后采用所述步骤1)构建的对应关系对其进行校正，得到CT值与真实骨密度的对应关系；
3)对待测对象的CT扫描图像进行腰椎分割，然后利用步骤2)得到的结果进行骨密度计算；
4)根据待测对象的CT扫描图像进行骨小梁形态学和拓扑学参数测定。
其中，所述步骤1)为以DXA诊断为标准，建立CT评估和诊断骨质密度(骨质疏松)参照数据值和方法，具体包括：
1-1)数据收集：
可针对已经做过胸部或胸腹部CT检查采样人群，进行DXA骨密度扫描，可；其中，采样人群的年龄在20-90岁之间，CT检查和DXA骨密度扫描时间相隔少于1个月。
1-2)数据计算：
CT图像传到医院PACS系统进行测量CT值的测量工作，分别测量相应扫描CT所能看见的椎体横断面和矢状面图像，测量图像选取各椎体中央层面，部分测量股骨头，并记录相应数值；本实施例中，CT扫描条件为80-150KV，自动mA技术，扫描层厚及层间距为0.8mm-5mm，重建方式：矩阵512×512，视野FOV＝320mm×320mm；标准骨重建，重建层厚0.6mm-3mm。
DXA骨密度检查对患者的腰椎(腰1-腰4椎体)定位标记，并分析得出椎体骨密度结果，包括T值和Z值。
1-3)统计学处理：将得到的数据进行统计学处理比较，获得待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系。
其中，步骤2)具体包括：
2-1)制作骨骼标准体模，并进行CT扫描：
标准体模使用不同密度的羟基铃酸钙制作，所有区域的羟基铃酸钙的密度已知；不同体模中不同区域的羟基铃酸钙具有不同密度，同一区域内的羟基铃酸钙的密度相同。体模扫描参数和后续真实人体的扫描参数需保持一致。
2-2)按照己知标准体模密度计算CT值与体模骨密度的线性对应关系，在实际测量过程中，首先扫描体，保证CT对人体骨的扫描参数和体模具有相同扫描参数。得到CT图像后，按照己知模体密度计算CT值与密度的线性关系，从而根据骨骼图像CT值求出骨密度。具体过程为：
使用基于最小二乘法的逐像素对CT图像进行校正；校正之后，圈定区域将ROI内全部CT值之和除以ROI的面积或体积，进而计算得到ROI内的骨骼密度；ROI表示圈定区域，ROI内全部CT值还包含非骨组织及空腔的CT值。
2-3)利用所述步骤1)得到的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系对步骤2-2的结果进行校正，获得最终的CT值与真实骨密度之间的对应关系。通过扫描标准模体，CT图像的CT值与己知模体的骨密度构建了一一对应关系，在利用步骤1)得到的CT值与DXA诊断测得的骨密度的对应关系进行校正，从而能获得CT值与真实骨密度之间的对应关系。
其中，所述步骤3)包括：
3-1)腰椎分割，具体包括：
3-1-1)设置骨骼分割阈值，使用阈值分割骨骼；
3-1-2)使用深度学习网络对待测对象的CT扫描图像进行分割，得到脊椎图像；
3-1-3)对腰椎图像进行高斯混合模型聚类，分离得到腰椎和腰椎间盘。
3-2)腰椎中心线提取，得到整条脊椎轴线，具体包括：
3-2-1)针对得到的脊椎图像，选择一个腰椎，通过交互方式设置腰椎中心线提取的种子点位置，开始做球状区域增长，其种子点的位置位于脊椎内部；
3-2-2)以种子点为球心作按照设定的膨胀步长，对种子点所在的球形区域进行膨胀；当生长的球形区域的某一点接触到骨骼表面时，将球心沿接触点与球心连线的反方向移动一个单位，之后继续增长；
3-2-3)当生成的球体有两个点分别接触其骨骼表面时则停止生长，记录该球体的球心坐标和两个接触点的坐标；
3-2-4)对于下一个腰椎，重复步骤3-2-1)-步骤3-2-3)；
3-2-5)按照从头到脚的坐标顺序遍历步骤3-2-33)中记录的所有坐标点，并根据坐标点拟合贝塞尔曲线，该曲线为整个脊椎曲线。
将这两个点和球心连线，这样便寻找到一节腰椎的主轴。当完成一节腰椎轴线寻找时，跳跃一个步长,进入下一节腰椎，重复上述步骤,直到遍历每一节腰椎为止。这样，每一节都得能到三个点，通过样条插值方法拟合即可得到整条脊椎轴线。
3-3)腰椎外表面分割，得到腰椎骨皮质区域；其中，使用交互式的区域生长分割腰椎外表面，具体为：
首先根据步骤3-1)得到的脊椎图像，先选定一个腰椎，人工选取一个像素作为种子点，并记下这个像素的灰度值对图像顺序扫描，计算每个像素与种子像素或已经标记为腰椎外表面灰度均值的的差异，并选择将其合并到种子像素所在的区域或是背景区域；
其中，若|像素值-腰椎外表面区域均值|≥nσ，则该像素标记为背景区域，否则标记为腰椎外表面区域；其中，σ是腰椎外表面区域像素值的标准差，n是设定的阈值；
重复以上步骤，计算当前标记为腰椎外表面区域邻域的所有像素，将其合并到生长区域，直到图像中的所有像素都被合并为止；最终得到腰椎外表面区域，即腰椎骨皮质区域。
3-4)腰椎骨皮质密度参数计算：根据分割的腰椎骨皮质区域，选择整个腰椎骨皮质区域作为ROI，计算ROI中的平均CT值，通过由步骤2)得到的CT值与真实骨密度之间的对应关系，得到ROI中的平均骨密度参数。
其中，所述步骤4)中骨小梁形态学参数测定的具体步骤包括：
4-1)首先针对待测对象的CT图像，根据所述步骤2)得到的校正后的CT值与真实骨密度之间的对应关系，对CT图像的灰度值进行校正，然后从得到的图像中手动或自动选取骨松质的三维ROI；
4-2)设置骨松质的CT值的高阈值Th和低阈值Tl，在高低阈值之间对CT值等分为若干阈值，记作Ti(i＝1,2，。。。，n)，n为若干阈值总数；
4-3)分别使用不同的阈值(Th、Tl和Ti)对待测对象的CT扫描图像中的骨松质的ROI进行阈值分割，生成对应的二值Bh、Bl和Bi图像；
4-4)对Bh、Bl和Bi图像分别进行三维距离变换，对骨松质中的ROI中的骨小梁进行距离骨架计算；
骨小梁的距离骨架计算方法为：对Bh、Bl和Bi多个三维二值图像中的前景像素，计算其到前景边界的最近欧几里得距离，最终得到距离骨架图像Dh，Dl和Di；
4-5)根据距离骨架图像，计算其对应的骨小梁的网状中心线，并将网状中心线映射到距离骨架图像上，其网状中心线每一个点对应于距离骨架图像的一个像素，该像素值即为骨小梁的局部厚度；
4-6)计算Bh、Bl和Bi图像中骨小梁的局部厚度的均值、标准差、5％和95％等分位点值，完成骨小梁形态学参数测定。
其中，所述步骤4)中骨小梁的拓扑学参数测定的具体步骤包括：
a)根据骨小梁形态学参数测定的结果，对于Bh、Bl和Bi图像，从方向θi发射ni条直线穿过二值化图像，计算ni条直线穿过图像被二值化边界截断的总次数，记作ci；计算该角度下所有直线穿越选取的骨松质的ROI的总距离，记作li，则平均截断长度为li/ci；
b)以Δθ为角度步长，重复步骤a)，计算不同角度下ni条直线穿过被二值化边界截断的总次数；计算该角度下的平均截断长度；
c)在得到全部三维角度的平均截断长度集合L后，将其投射至笛卡尔坐标系下，由平均截断长度及其对应的三维角度所构成的向量拟合为一个三维椭球体的标准方程来表达，计算该三维椭球的三个主轴向量和三个主轴长度，找到椭球的主轴即得到骨骼结构的形变方向，同时通过主轴长度量化松质骨各个方向的弹性模量；实现骨小梁的拓扑学参数测定。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (9)
1.一种基于CT影像的骨质疏松参数自动测量方法，其特征在于，包括以下步骤：
1)构建临床数据库：以DXA诊断为标准，构建待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系；
2)骨密度测量方法校正：通过对已知密度的体模进行CT扫描，建立CT值与体膜骨密度的线性对应关系，然后采用所述步骤1)构建的对应关系对其进行校正，得到CT值与真实骨密度的对应关系；
3)对待测对象的CT扫描图像进行腰椎分割，然后利用步骤2)得到的结果进行骨密度计算；
4)根据待测对象的CT扫描图像进行骨小梁形态学和拓扑学参数测定。
2.根据权利要求1所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤1)具体包括：
1-1)数据收集：
针对采样人群做胸部或胸腹部CT检查，并进行DXA骨密度扫描；其中，采样人群的年龄在20-90岁之间，CT检查和DXA骨密度扫描时间相隔少于1个月；
1-2)数据计算：
针对CT图像，分别测量相应扫描CT所能看见的椎体横断面和矢状面图像，测量图像选取各椎体中央层面，部分测量股骨头，并记录相应数值；
DXA骨密度检查对患者的腰椎定位标记，并分析得出椎体骨密度结果，包括T值和Z值；
1-3)统计学处理：将得到的数据进行统计学处理比较，获得待测量的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系。
3.根据权利要求2所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，步骤2)具体包括：
2-1)制作骨骼标准体模，并进行CT扫描：
标准体模使用不同密度的羟基铃酸钙制作，所有区域的羟基铃酸钙的密度已知；
2-2)按照己知标准体模密度计算CT值与体模骨密度的线性对应关系，具体过程为：
使用基于最小二乘法的逐像素对CT图像进行校正；校正之后，圈定区域将ROI内全部CT值之和除以ROI的面积或体积，进而计算得到ROI内的骨骼密度；ROI表示圈定区域，ROI内全部CT值还包含非骨组织及空腔的CT值；
2-3)利用所述步骤1)得到的椎体层面的CT值与DXA诊断测得的骨密度之间的对应关系对步骤2-2的结果进行校正，获得最终的CT值与真实骨密度之间的对应关系。
4.根据权利要求3所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤3)包括：
3-1)腰椎分割，具体包括：
3-1-1)设置骨骼分割阈值，使用阈值分割骨骼；
3-1-2)使用深度学习网络对待测对象的CT扫描图像进行分割，得到脊椎图像；
3-1-3)对腰椎图像进行高斯混合模型聚类，分离得到腰椎和腰椎间盘；
3-2)腰椎中心线提取，得到整条脊椎轴线；
3-3)腰椎外表面分割，得到腰椎骨皮质区域；
3-4)腰椎骨皮质密度参数计算：根据分割的腰椎骨皮质区域，选择整个腰椎骨皮质区域作为ROI，计算ROI中的平均CT值，通过由步骤2)得到的CT值与真实骨密度之间的对应关系，得到ROI中的平均骨密度参数。
5.根据权利要求4所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤3-2)包括：
3-2-1)针对得到的脊椎图像，选择一个腰椎，通过交互方式设置腰椎中心线提取的种子点位置，开始做球状区域增长，其种子点的位置位于脊椎内部；
3-2-2)以种子点为球心作按照设定的膨胀步长，对种子点所在的球形区域进行膨胀；当生长的球形区域的某一点接触到骨骼表面时，将球心沿接触点与球心连线的反方向移动一个单位，之后继续增长；
3-2-3)当生成的球体有两个点分别接触其骨骼表面时则停止生长，记录该球体的球心坐标和两个接触点的坐标；
3-2-4)对于下一个腰椎，重复步骤3-2-1)-步骤3-2-3)；
3-2-5)按照从头到脚的坐标顺序遍历步骤3-2-33)中记录的所有坐标点，并根据坐标点拟合贝塞尔曲线，该曲线为整个脊椎曲线。
6.根据权利要求5所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤3-3)中使用交互式的区域生长分割腰椎外表面，具体为：
首先根据步骤3-1)得到的脊椎图像，先选定一个腰椎，人工选取一个像素作为种子点，并记下这个像素的灰度值对图像顺序扫描，计算每个像素与种子像素或已经标记为腰椎外表面灰度均值的的差异，并选择将其合并到种子像素所在的区域或是背景区域；
其中，若|像素值-腰椎外表面区域均值|≥nσ，则该像素标记为背景区域，否则标记为腰椎外表面区域；其中，σ是腰椎外表面区域像素值的标准差，n是设定的阈值；
重复以上步骤，计算当前标记为腰椎外表面区域邻域的所有像素，将其合并到生长区域，直到图像中的所有像素都被合并为止；最终得到腰椎外表面区域，即腰椎骨皮质区域。
7.根据权利要求6所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤4)中骨小梁形态学参数测定的具体步骤包括：
4-1)首先针对待测对象的CT图像，根据所述步骤2)得到的校正后的CT值与真实骨密度之间的对应关系，对CT图像的灰度值进行校正，然后从得到的图像中手动或自动选取骨松质的三维ROI；
4-2)设置骨松质的CT值的高阈值Th和低阈值Tl，在高低阈值之间对CT值等分为若干阈值，记作Ti，i＝1,2,...，n；
4-3)分别使用不同的阈值(Th、Tl和Ti)对待测对象的CT扫描图像中的骨松质的ROI进行阈值分割，生成对应的二值Bh、Bl和Bi图像；
4-4)对Bh、Bl和Bi图像分别进行三维距离变换，对骨松质中的ROI中的骨小梁进行距离骨架计算；
4-5)根据距离骨架图像，计算其对应的骨小梁的网状中心线，并将网状中心线映射到距离骨架图像上，其网状中心线每一个点对应于距离骨架图像的一个像素，该像素值即为骨小梁的局部厚度；
4-6)计算Bh、Bl和Bi图像中骨小梁的局部厚度的均值、标准差、5％和95％等分位点值，完成骨小梁形态学参数测定。
8.根据权利要求7所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，步骤4-4)中，骨小梁的距离骨架计算方法为：对Bh、Bl和Bi多个三维二值图像中的前景像素，计算其到前景边界的最近欧几里得距离，最终得到距离骨架图像Dh，Dl和Di。
9.根据权利要求8所述的基于CT影像的骨质疏松参数自动测量方法，其特征在于，所述步骤4)中骨小梁的拓扑学参数测定的具体步骤包括：
a)根据骨小梁形态学参数测定的结果，对于Bh、Bl和Bi图像，从方向θi发射ni条直线穿过二值化图像，计算ni条直线穿过图像被二值化边界截断的总次数，记作ci；计算该角度下所有直线穿越选取的骨松质的ROI的总距离，记作li，则平均截断长度为li/ci
b)以Δθ为角度步长，重复步骤a)，计算不同角度下ni条直线穿过被二值化边界截断的总次数；计算该角度下的平均截断长度；
c)在得到全部三维角度的平均截断长度集合L后，将其投射至笛卡尔坐标系下，由平均截断长度及其对应的三维角度所构成的向量拟合为一个三维椭球体的标准方程来表达，计算该三维椭球的三个主轴向量和三个主轴长度，找到椭球的主轴即得到骨骼结构的形变方向，同时通过主轴长度量化松质骨各个方向的弹性模量；实现骨小梁的拓扑学参数测定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910672199.5A CN110363765B (zh) | 2019-07-24 | 2019-07-24 | 基于ct影像的骨质疏松参数自动测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910672199.5A CN110363765B (zh) | 2019-07-24 | 2019-07-24 | 基于ct影像的骨质疏松参数自动测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363765A true CN110363765A (zh) | 2019-10-22 |
| CN110363765B CN110363765B (zh) | 2023-04-18 |
Family
ID=68219709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910672199.5A Active CN110363765B (zh) | 2019-07-24 | 2019-07-24 | 基于ct影像的骨质疏松参数自动测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363765B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192247A (zh) * | 2019-12-27 | 2020-05-22 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓组织识别装置、系统及方法 |
| CN111325754A (zh) * | 2020-01-02 | 2020-06-23 | 武汉大学 | 一种基于ct序列图像的腰椎骨自动定位方法 |
| CN111652880A (zh) * | 2020-07-01 | 2020-09-11 | 杭州脉流科技有限公司 | 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质 |
| CN111881910A (zh) * | 2020-07-31 | 2020-11-03 | 杭州依图医疗技术有限公司 | 基于椎骨影像的信息处理方法及计算机可读存储介质 |
| CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113487587A (zh) * | 2021-07-21 | 2021-10-08 | 华中科技大学 | CT图像分割与骨密度t值预测方法、系统、计算机设备 |
| CN113515875A (zh) * | 2021-07-20 | 2021-10-19 | 北京工业大学 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
| CN113570544A (zh) * | 2021-05-31 | 2021-10-29 | 清华大学 | 松质骨建模方法、装置、存储介质及电子设备 |
| CN113658706A (zh) * | 2021-08-06 | 2021-11-16 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
| CN114782375A (zh) * | 2022-04-27 | 2022-07-22 | 四川大学华西医院 | 骨质密度测量方法、装置和设备 |
| CN114795598A (zh) * | 2022-04-20 | 2022-07-29 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎间融合器的制备方法 |
| CN115690498A (zh) * | 2022-10-31 | 2023-02-03 | 北京医准智能科技有限公司 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102940503A (zh) * | 2012-10-31 | 2013-02-27 | 东北大学 | 一种用于口腔ct系统的测量颌骨密度的装置及方法 |
| US20160015347A1 (en) * | 2014-07-21 | 2016-01-21 | Zebra Medical Vision Ltd. | Systems and methods for emulating dexa scores based on ct images |
| US20170098315A1 (en) * | 2015-10-06 | 2017-04-06 | Rigaku Corporation | Analyzer, analysis method and analysis program of bone mineral density |
| CN109064447A (zh) * | 2018-06-29 | 2018-12-21 | 沈阳东软医疗系统有限公司 | 骨密度展示方法、装置及设备 |
-
2019
- 2019-07-24 CN CN201910672199.5A patent/CN110363765B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102940503A (zh) * | 2012-10-31 | 2013-02-27 | 东北大学 | 一种用于口腔ct系统的测量颌骨密度的装置及方法 |
| US20160015347A1 (en) * | 2014-07-21 | 2016-01-21 | Zebra Medical Vision Ltd. | Systems and methods for emulating dexa scores based on ct images |
| US20170098315A1 (en) * | 2015-10-06 | 2017-04-06 | Rigaku Corporation | Analyzer, analysis method and analysis program of bone mineral density |
| CN109064447A (zh) * | 2018-06-29 | 2018-12-21 | 沈阳东软医疗系统有限公司 | 骨密度展示方法、装置及设备 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192247A (zh) * | 2019-12-27 | 2020-05-22 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓组织识别装置、系统及方法 |
| CN111325754B (zh) * | 2020-01-02 | 2023-04-07 | 武汉大学 | 一种基于ct序列图像的腰椎骨自动定位方法 |
| CN111325754A (zh) * | 2020-01-02 | 2020-06-23 | 武汉大学 | 一种基于ct序列图像的腰椎骨自动定位方法 |
| CN111652880A (zh) * | 2020-07-01 | 2020-09-11 | 杭州脉流科技有限公司 | 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质 |
| CN111881910A (zh) * | 2020-07-31 | 2020-11-03 | 杭州依图医疗技术有限公司 | 基于椎骨影像的信息处理方法及计算机可读存储介质 |
| CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113570544A (zh) * | 2021-05-31 | 2021-10-29 | 清华大学 | 松质骨建模方法、装置、存储介质及电子设备 |
| CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113515875A (zh) * | 2021-07-20 | 2021-10-19 | 北京工业大学 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
| CN113515875B (zh) * | 2021-07-20 | 2023-12-29 | 北京工业大学 | 基于多模态图像的骨生物力学建模方法、系统及装置 |
| CN113487587A (zh) * | 2021-07-21 | 2021-10-08 | 华中科技大学 | CT图像分割与骨密度t值预测方法、系统、计算机设备 |
| CN113487587B (zh) * | 2021-07-21 | 2024-01-23 | 华中科技大学 | CT图像分割与骨密度t值预测方法、系统、计算机设备 |
| CN113658706A (zh) * | 2021-08-06 | 2021-11-16 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
| WO2023010785A1 (zh) * | 2021-08-06 | 2023-02-09 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
| CN113658706B (zh) * | 2021-08-06 | 2024-01-02 | 中国人民解放军总医院第一医学中心 | 一种骨强度模拟计算方法、装置及存储介质 |
| CN114795598A (zh) * | 2022-04-20 | 2022-07-29 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎间融合器的制备方法 |
| CN114782375B (zh) * | 2022-04-27 | 2023-06-23 | 影图(成都)医疗科技有限公司 | 骨质密度测量方法、装置和设备 |
| CN114782375A (zh) * | 2022-04-27 | 2022-07-22 | 四川大学华西医院 | 骨质密度测量方法、装置和设备 |
| CN115690498A (zh) * | 2022-10-31 | 2023-02-03 | 北京医准智能科技有限公司 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363765B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363765A (zh) | 基于ct影像的骨质疏松参数自动测量方法 | |
| CN100528078C (zh) | 用于气管测量的方法和系统 | |
| CN108765417B (zh) | 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法 | |
| US8965108B2 (en) | Method and system of automatic determination of geometric elements from a 3D medical image of a bone | |
| US8787648B2 (en) | CT surrogate by auto-segmentation of magnetic resonance images | |
| CN103229210B (zh) | 图像配准装置 | |
| EP2982304A1 (en) | Medical image processing apparatus and medical image processing method | |
| JP2002515772A (ja) | 対象の運動を相殺する画像装置および方法 | |
| AU2020101836A4 (en) | A method for generating femoral x-ray films based on deep learning and digital reconstruction of radiological image | |
| EP1744671A2 (en) | Medical imaging system for accurate measurement evaluation of changes in a target lesion | |
| CN110544245A (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
| Varnavas et al. | Increasing the automation of a 2D-3D registration system | |
| CN102596003A (zh) | 使用内窥镜判定气道直径的系统和方法 | |
| CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
| CN114261095B (zh) | 一种基于ai的骨科3d打印方法和装置 | |
| US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
| CN108961278B (zh) | 基于影像数据的腹壁肌肉分割的方法及其系统 | |
| CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
| Chiplunkar et al. | Segmentation and quantitation of the primary human airway tree | |
| Jin et al. | Segmentation and evaluation of adipose tissue from whole body MRI scans | |
| Wood et al. | Quantitative 3D reconstruction of airway and pulmonary vascular trees using HRCT | |
| CN109106481A (zh) | 髋臼骨缺损程度的确定方法及装置 | |
| Larralde et al. | Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography | |
| CN111583354B (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
| CN114663363A (zh) | 一种基于深度学习的髋关节医学图像处理方法和装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220414 Address after: 317300 Baita Industrial Cluster, Xianju County, Taizhou City, Zhejiang Province Applicant after: TAIZHOU YUNHAI MEDICAL TECHNOLOGY Co.,Ltd. Address before: 215000 No.1 Lijiang Road, high tech Zone, Suzhou, Jiangsu Province Applicant before: SUZHOU SCIENCE&TECHNOLOGY TOWN Hospital Applicant before: SUZHOU GUOKE KANGCHENG MEDICAL TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220518 Address after: 214400 a1109, No. 85, Shashan Road, Jiangyin City, Wuxi City, Jiangsu Province Applicant after: Jiangsu Tianying Medical Technology Co.,Ltd. Address before: 317300 Baita Industrial Cluster, Xianju County, Taizhou City, Zhejiang Province Applicant before: TAIZHOU YUNHAI MEDICAL TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |