CN110448270B - 人工智能腰椎间盘突出诊断及分型系统 - Google Patents
人工智能腰椎间盘突出诊断及分型系统 Download PDFInfo
- Publication number
- CN110448270B CN110448270B CN201810865135.2A CN201810865135A CN110448270B CN 110448270 B CN110448270 B CN 110448270B CN 201810865135 A CN201810865135 A CN 201810865135A CN 110448270 B CN110448270 B CN 110448270B
- Authority
- CN
- China
- Prior art keywords
- lumbar
- images
- lesion
- disc
- typing
- 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
- 206010050296 Intervertebral disc protrusion Diseases 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims description 15
- 230000003902 lesion Effects 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 210000000988 bone and bone Anatomy 0.000 claims description 61
- 238000002372 labelling Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 210000004705 lumbosacral region Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 2
- 206010061246 Intervertebral disc degeneration Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 208000018180 degenerative disc disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000021600 intervertebral disc degenerative disease Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种人工智能腰椎间盘突出诊断及分型系统,包括:数据收集模块,数据收集模块接收多个腰椎图像;标记模块,标记模块与数据收集模块相连,以为多个腰椎图像中的每一个生成病变标记并将病变标记与相应的腰椎图像关联存储;神经网络分类器,使用多个腰椎图像中的每一个和病变标记训练神经网络分类器;和判别模块,判别模块接收待判腰椎图像并使用神经网络分类器判别待判腰椎图像的病变类型。本发明公开的诊断及分型系统可以自动判读腰椎间盘是否突出及突出程度,同时进行Pfirrmann分型和MSU分型,为疾病治疗方案的选择提供有价值的参考依据,并且可以为防止或减缓疾病的发生而采取预防措施提供依据。
Description
技术领域
本发明涉及一种人工智能腰椎间盘突出诊断及分型系统。
背景技术
腰椎间盘突出多由腰椎间盘退变所致,是骨科的常见病和多发病,且发病率逐年增高,并且是引起腰腿痛的最常见原因,给患者带来了极大痛苦。腰椎间盘突出的辅助检查主要为影像学检查,而影像学报告目前均为人工判读,该领域尚未实现人工智能对影像资料判读。
目前,腰椎间盘突出辅助检查主要为影像学检查,而影像学报告目前均为人工判读,但人工判读会不可避免的存在以下问题:
1.存在较大的无法避免的误差,且由于医务人员的业务水平及不同区域诊疗水平的参差不齐,同一影像资料会得出不同结果;
2.腰椎间盘突出的分型较复杂,不易在短时间内进行判读,致使医生负担较重,且效率不高。
发明内容
为解决上述技术问题,本发明提出了一种人工智能腰椎间盘突出诊断及分型系统,包括:
数据收集模块,数据收集模块接收多个腰椎图像;
标记模块,标记模块与数据收集模块相连,以为多个腰椎图像中的每一个生成病变标记并将病变标记与相应的腰椎图像关联存储;
神经网络分类器,使用多个腰椎图像中的每一个和病变标记训练神经网络分类器;和
判别模块,判别模块接收待判腰椎图像并使用神经网络分类器判别待判腰椎图像的病变类型。
在一个实施例中,多个腰椎图像为MRI图像。
在一个实施例中,多个腰椎图像为矢状位腰椎图像。
在一个实施例中,标记模块包括:
间盘图像采集模块,间盘图像采集模块识别多个腰椎图像中的每一个中的多个间盘并以每个间盘为中心截取多个间盘图像;和
第一病变标记模块,第一病变标记模块为多个间盘图像中的每一个生成第一病变标记并将第一病变标记与相应的间盘图像关联存储。
在一个实施例中,间盘图像采集模块从多个腰椎图像中的每一个中的骶骨开始并向上依次识别多个腰椎骨骼以及相邻腰椎骨骼之间的多个间盘。
在一个实施例中,多个间盘图像中的每一个是以间盘为中心在相应的腰椎图像上截取的第一方形区域(ROI)。
在一个实施例中,第一方形区域的长宽比为1.3:0.8。
在一个实施例中,第一病变标记模块用于对多个间盘中的每一个做Pfirrmann分型标注,并且第一病变类型为Pfirrmann分型结果。
在一个实施例中,多个腰椎图像中的每一个为腰椎横断面图像。
在一个实施例中,标记模块包括:
骨窗图像采集模块,骨窗图像采集模块识别多个腰椎图像中的每一个中的骨窗并以骨窗为中心截取多个骨窗图像;和
第二病变标记模块,第二病变标记模块为多个骨窗图像中的每一个生成第二病变标记并将第二病变标记与相应的骨窗图像关联存储。
在一个实施例中,多个骨窗图像中的每一个是以骨窗为中心在相应的腰椎图像上截取的第二方形区域(ROI)。
在一个实施例中,第二方形区域的长宽比为1.3:0.8。
在一个实施例中,第二病变标记模块对多个骨窗图像中的每一个进行MSU分型标记,并且第二病变类型为MSU分型结果。
在一个实施例中,通过多个腰椎图像中的每一个的灰度值训练神经网络分类器,以使神经网络分类器能够依据腰椎图像的灰度值判断病变类型。
本发明提出的人工智能腰椎间盘突出诊断及分型系统可以自动判读腰椎间盘是否突出及突出程度,同时进行Pfirrmann分型和MSU分型,为疾病治疗方案的选择提供有价值的参考依据,并且可以为防止或减缓疾病的发生而采取预防措施提供依据。另外,该诊断及分型系统还具有阅片速度快、判读精确程度更高的优点,缩小了不同医务人员水平或不同地区诊疗水平的差异,大大缓解医务人员负担,提高诊疗效率。
附图说明
图1a为输入至根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统的矢状位腰椎图像;
图1b为使用根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统识别图1a中所示的腰椎图像中的骨骼的图像;
图1c为使用根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统截取图1a中所示的腰椎图像中的多个间盘图像的示意图;
图1d为通过根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统的标记模块标记腰椎图像生成病变标记的示意图;
图2a为通过根据本发明的另一个示例性实施例的腰椎间盘突出诊断与分型系统的标记模块对图1a中所示的腰椎图像进行Pfirrmann分型的示例;
图2b为根据本发明的一个示例性实施例的腰椎间盘突出诊断与分型系统的判别模块执行Pfirrmann分型的分型标准;
图3a为输入至根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统的腰椎横断面图像;和
图3b为使用根据本发明的一个示例性实施例的人工智能腰椎间盘突出诊断及分型系统识别图3a中所示的腰椎图像中的骨窗的图像。
具体实施方式
下面结合附图对本发明提出的人工智能腰椎间盘突出诊断及分型系统做进一步说明。
本发明公开的人工智能腰椎间盘突出诊断及分型系统包括数据收集模块、标记模块、神经网络分类器和判别模块,其中数据收集模块、标记模块用于收集并标记腰椎图像,使用多个腰椎图像和相应的病变标记训练神经网络分类器,判别模块接收待判腰椎图像并通过神经网络分类器识别待判腰椎图像中示出的病变类型,以辅助医生选择最优的治疗方案。
数据收集模块用于接收多个腰椎图像,以做数据存储准备。本领域技术人员应当理解的是,作为神经网络分类器训练基础的腰椎图像的数量越大,所获得的神经网络分类器判读结果越精确,因此在实际操作中可以通过数据收集模块收集典型和特别的病变腰椎图像来训练神经网络分类器。通过数据收集模块接收的腰椎图像为MRI图像,或者可以通过医疗设备获得的能够帮助医生判断腰椎情况的任何其它图像。
标记模块用于识别并标记多个腰椎图像,为每个腰椎图像生成相应的病变标记,并将病变标记与相应的腰椎图像关联存储以作为神经网络分类器的训练材料。其中,病变标记可以是表示正常和对不同病变程度的标记。
使用多个腰椎图像中的每一个及与其关联的病变标记来训练神经网络分类器,从而获得对腰椎的MRI图像的正确识别。
在腰椎间盘突出诊断及分型中,将病人的腰椎图像输入判别模块,判别模块使用神经网络分类器判别待判腰椎图像的病变类型,以辅助医生选择最优的治疗方案。
由上述说明可知,本发明公开的人工智能腰椎间盘突出诊断及分型系统在采集多个腰椎间盘突出的病变图像基础上对神经网络分类器进行训练,获得精确的识别模型,从而使用神经网络分类器对腰椎图像进行自动识别并输出相应的病变类型,辅助医生选择治疗方案。这样,使用诊断及分型系统可以快速确定腰椎病变类型,不需要依赖医务人员的个人经验,具有较高的可靠性,并且减少了医务人员的劳动强度。
下面以使用本发明公开的诊断及分型系统对腰椎图像进行病变识别、Pfirrmann分型和MSU分型为例说明该系统的结构、特征及优点。需要说明的是,本发明公开的人工智能腰椎间盘突出诊断及分型系统还可以用于执行Pfirrmann分型和MSU分型以外的其它椎间盘病变分型,在此不做具体说明。
实施例一
在本实施例中,通过数据收集模块收集多个矢状位腰椎图像(如图1a所示),为腰椎病变标记做准备。
优选地,标记模块包括间盘图像采集模块和病变标记模块。
间盘图像采集模块识别多个腰椎图像中的每一个中的多个间盘并以每个间盘为中心截取多个间盘图像。如图1b和1c所示,由于骶骨倾斜角度较大、形状特殊,因此将骶骨列为一类骨骼,由骶骨向上的、形状较为类似的其它骨骼列为一类骨骼,从而由间盘图像采集模块从多个腰椎图像中的每一个中的骶骨开始并向上依次识别多个腰椎骨骼,依次标记为骨骼S、骨骼L5、骨骼L4、骨骼L3、骨骼L2、骨骼L1、骨骼T12;进一步识别相邻腰椎骨骼之间的间盘,即,间盘L5-S、间盘L4-L5、间盘L3-L4、间盘L2-L3、间盘L1-L2、间盘T12-L1。
进一步,如图1c所示,多个间盘图像中的每一个是以间盘为中心在相应的腰椎图像上截取的方形区域(ROI),以便对间盘图像进行旋转操作。优选地,根据腰椎骨骼特征,截取的方形区域的长宽比为1.3:0.8,以获得完整的间盘的特征。同时,截取方形区域后做旋转,以使多个间盘图像的竖直角度归一。但是本领域技术人员应当理解的是,在腰椎图像上截取间盘图像时,也可以截取圆形、正方形或者不规则形状的图像,在此不做限定。
如图1d所示,由医务人员通过病变标记模块识别多个间盘图像中的每一个病变与否进行正常/病变的标注,并将间盘图像与相应的标注关联存储。这样,通过积累有经验的医务人员对腰椎病变图像的病变判断,可以获得精确的腰椎病变识别基础,医生在操作过程中可以获得较准确的判断结果。
随后,将关联存储的间盘图像及病变标记输入到神经网络分类器,以对神经网络分类器进行训练。优选地,神经网络分类器识别多个间盘图像的灰度值,以通过灰度值特征判断间盘是否发生病变。
使用本发明公开的人工智能腰椎间盘突出诊断及分型系统对病人的矢状位腰椎图像进行诊断过程中,将待判别的腰椎图像输入至判别模块,判别模块使用神经网络分类器确定待判腰椎图像是否存在病变,即,依据待判别腰椎图像中的多个间盘图像的灰度值判断每个间盘位置的病变类型,从而辅助医生做较为准确的诊断。
实施例二
Pfirrmann腰椎间盘突出MRI分级是一种直观的退变程度分级,常被作为衡量间盘突出严重程度的标准,并以此作为选择不同治疗方案的判断依据。下面结合图1a、2a和2b对使用本发明提出的腰椎间盘诊断及分型系统对腰椎图像执行Pfirrmann分型做详细说明。
在本实施例中,通过数据收集模块收集多个矢状位腰椎图像(如图1a所示),为Pfirrmann分型做准备。
优选地,标记模块包括间盘图像采集模块和病变标记模块。
间盘图像采集模块识别多个腰椎图像中的每一个中的多个间盘并以每个间盘为中心截取多个间盘图像。如图2a所示,由于骶骨倾斜角度较大、形状特殊,因此将骶骨列为一类骨骼,由骶骨向上的、形状较为类似的其它骨骼列为一类骨骼,从而由间盘图像采集模块从多个腰椎图像中的每一个中的骶骨开始并向上依次识别多个腰椎骨骼,依次标记为骨骼S、骨骼L5、骨骼L4、骨骼L3、骨骼L2、骨骼L1、骨骼T12;进一步识别相邻腰椎骨骼之间的间盘,即,间盘L5-S、间盘L4-L5、间盘L3-L4、间盘L2-L3、间盘L1-L2、间盘T12-L1。
进一步,如图2a所示,多个间盘图像中的每一个是以间盘为中心在相应的腰椎图像上截取的方形区域(ROI),以便对间盘图像进行旋转操作。优选地,根据腰椎骨骼特征,截取的方形区域的长宽比为1.3:0.8,以获得完整的间盘的特征。同时,截取方形区域后做旋转,以使多个间盘图像的竖直角度归一。但是本领域技术人员应当理解的是,在腰椎图像上截取间盘图像时,也可以截取圆形、正方形或者不规则形状的图像,在此不做限定。
如图1c所示,可以由医务人员通过病变标记模块对多个间盘图像中的每一个进行Pfirrmann分型标注(标注分类如图2b所示),并将间盘图像与相应的Pfirrmann分型关联存储。这样,通过积累有经验的医务人员对腰椎病变图像的Pfirrmann分型,可以获得精确的腰椎病变类型识别基础,医务人员在操作过程中可以获得较准确的分型结果。
随后,将关联存储的间盘图像及病变类型识别输入到神经网络分类器,以对神经网络分类器进行训练。优选地,神经网络分类器识别多个间盘图像的灰度值,以通过灰度值特征判断间盘的病变类型。
图2a为使用本发明提出的腰椎间盘突出诊断与分型系统对病人的矢状位腰椎图像进行诊断和Pfirrmann分型的示例。操作过程中,将待判别的腰椎图像输入至判别模块,判别模块使用神经网络分类器判别待判腰椎图像的病变类型,即,依据待判别腰椎图像中的多个间盘图像的灰度值判断每个间盘位置的病变类型。
如上所述,通过对腰椎图像的智能标注,诊断和分型系统可以自动执行Pfirrmann分型,精确判读标注间盘退变程度,为防止或减缓疾病的发生而采取预防措施提供依据。例如,该诊断和分型系统显示Pfirrmann分型I II级及以上,医生则会建议患者加强腰背肌锻炼,同时还要避免弯腰等重体力劳动或避免久坐,从而提早采取预防措施而防未病。
实施例三
MSU分型是对腰椎横断面图像显示的病变程度进行分型的方法,其可以指导医务人员选择治疗方案,使病人选择客观化。下面结合图3a和3b对将本发明提出的人工智能腰椎间盘突出诊断及分型系统在MSU分型中的具体应用做进一步说明。
数据采集模块接收多个腰椎横断面图像(例如,图3a中示出的腰椎横断面图像),以作为神经网络分类器的训练基础。
在本实施例中,标记模块包括骨窗图像采集模块和病变标记模块。
由于MSU分型主要是根据间盘突出位置而定,因此需要识别关键的骨窗从而去除其他部位的干扰。参照图3b,骨窗图像采集模块识别多个腰椎图像中的每一个中的骨窗并以骨窗为中心截取多个骨窗图像。优选地,在骨窗图像的截取中,多个骨窗图像中的每一个是以骨窗为中心在相应的腰椎图像上截取的方形区域(ROI),以便对骨窗图像进行旋转操作。优选地,根据腰椎骨骼特征,截取的方形区域的长宽比为1.3:0.8,以获得完整的骨窗特征。但是本领域技术人员应当理解的是,在腰椎图像上截取骨窗图像时,也可以截取圆形、正方形或者不规则形状的图像,在此不做限定。
病变标记模块对多个骨窗图像中的每一个执行MSU分型标记,为每个骨窗图像分配相应的MSU分型结果,并将MSU分型结果与相应的骨窗图像关联存储,作为神经网络分类器的训练材料。
随后,将关联存储的骨窗图像及MSU分型结果输入到神经网络分类器,以对神经网络分类器进行训练。优选地,神经网络分类器识别多个骨窗图像的灰度值,以通过灰度值特征判断间盘的病变类型,从而获得依靠灰度值特来判断病变类型的神经网络分类器。通过对腰椎间盘的横断面MRI图像的MSU标记可以判断间盘是否存在病变以及病变程度,从而为进一步的治疗方案提供依据(例如采用传统开放手术还是微创手术提供依据)。
上文通过正常/病变判断、Pfirrmann分型和MSU分型的实施例分别说明了本发明公开的人工智能腰椎间盘突出诊断及分型系统,该系统通过使用多个腰椎间盘突出的腰椎图像训练神经网络分类器,从而在应用中可以准确且快速地完成腰椎病变类型确认,帮助医生和患者客观地选择治疗方案,避免不同医生凭经验诊断带来的主观判断误差。同时,填补了目前骨科领域尚未有应用人工智能系统对腰椎间盘突出进行诊断和分型的空白。
需要说明的是,本发明中涉及的数据收集模块、标记模块(包括间盘图像采集模块、病变标记模块、骨窗图像采集模块)、神经网络分类器和判别模块可以实现为单个装置,也可以实现为不同的装置;进一步,数据收集模块、标记模块、神经网络分类器和判别模块中的每一个的功能可以由单个装置实现或者有多个装置实现,在此不做限定。
Claims (7)
1.一种人工智能腰椎间盘突出诊断及分型系统,包括:
数据收集模块,所述数据收集模块接收多个腰椎图像;
标记模块,所述标记模块与所述数据收集模块相连,以为所述多个腰椎图像中的每一个生成病变标记并将所述病变标记与相应的腰椎图像关联存储;
所述标记模块包括:间盘图像采集模块,所述间盘图像采集模块识别所述多个腰椎图像中的每一个中的多个间盘并以每个间盘为中心截取多个间盘图像;和
第一病变标记模块,所述第一病变标记模块为所述多个间盘图像中的每一个生成第一病变标记并将所述第一病变标记与相应的间盘图像关联存储;
其中,所述第一病变标记模块用于对所述多个间盘中的每一个做Pfirrmann分型标注,并且第一病变类型为Pfirrmann分型结果;
其中,所述多个间盘图像中的每一个是以间盘为中心在相应的腰椎图像上截取的第一方形区域(ROI);
所述间盘图像采集模块从所述多个腰椎图像中的每一个中的骶骨开始并向上依次识别多个腰椎骨骼以及相邻腰椎骨骼之间的多个间盘;
所述多个腰椎图像中的每一个为腰椎横断面图像;
所述标记模块包括:
骨窗图像采集模块,所述骨窗图像采集模块识别所述多个腰椎图像中的每一个中的骨窗并以骨窗为中心截取多个骨窗图像;和
第二病变标记模块,所述第二病变标记模块为所述多个骨窗图像中的每一个生成第二病变标记并将所述第二病变标记与相应的骨窗图像关联存储;
所述第二病变标记模块对所述多个骨窗图像中的每一个进行MSU分型标记,并且第二病变类型为MSU分型结果;
神经网络分类器,使用所述多个腰椎图像中的每一个和所述病变标记训练所述神经网络分类器;和
判别模块,所述判别模块接收待判腰椎图像并使用所述神经网络分类器判别所述待判腰椎图像的病变类型。
2.根据权利要求1所述的人工智能腰椎间盘突出诊断及分型系统,其中,所述多个腰椎图像为MRI图像。
3.根据权利要求1所述的人工智能腰椎间盘突出诊断及分型系统,其中,所述多个腰椎图像为矢状位腰椎图像。
4.根据权利要求3所述的人工智能腰椎间盘突出诊断及分型系统,其中,所述第一方形区域的长宽比为1.3:0.8。
5.根据权利要求4所述的人工智能腰椎间盘突出诊断及分型系统,其中,所述多个骨窗图像中的每一个是以骨窗为中心在相应的腰椎图像上截取的第二方形区域(ROI)。
6.根据权利要求5所述的人工智能腰椎间盘突出诊断及分型系统,其中,所述第二方形区域的长宽比为1.3:0.8。
7.根据权利要求1所述的人工智能腰椎间盘突出诊断及分型系统,其中,通过所述多个腰椎图像中的每一个的灰度值训练所述神经网络分类器,以使所述神经网络分类器能够依据腰椎图像的灰度值判断病变类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810865135.2A CN110448270B (zh) | 2018-08-01 | 2018-08-01 | 人工智能腰椎间盘突出诊断及分型系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810865135.2A CN110448270B (zh) | 2018-08-01 | 2018-08-01 | 人工智能腰椎间盘突出诊断及分型系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110448270A CN110448270A (zh) | 2019-11-15 |
CN110448270B true CN110448270B (zh) | 2022-07-19 |
Family
ID=68480361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810865135.2A Active CN110448270B (zh) | 2018-08-01 | 2018-08-01 | 人工智能腰椎间盘突出诊断及分型系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110448270B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112513926A (zh) * | 2018-07-31 | 2021-03-16 | 奥林巴斯株式会社 | 图像解析装置及图像解析方法 |
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 |
CN112071422B (zh) * | 2020-09-04 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于神经网络的腰椎病变诊断系统 |
CN112349392B (zh) * | 2020-11-25 | 2021-08-03 | 北京大学第三医院(北京大学第三临床医学院) | 一种人体颈椎医学图像处理系统 |
CN112735590A (zh) * | 2021-01-14 | 2021-04-30 | 上海交通大学 | 一种基于中医大数据分析的腰椎突症疗效评价专家系统 |
CN118297905A (zh) * | 2024-04-08 | 2024-07-05 | 中国人民解放军空军特色医学中心 | 一种用于腰椎峡部裂检测的图像处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012118109A1 (ja) * | 2011-03-03 | 2012-09-07 | 株式会社 日立メディコ | 医用画像処理装置及び医用画像処理方法 |
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 |
CN105096291A (zh) * | 2014-04-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种中心线的提取方法 |
CN106157288A (zh) * | 2015-04-03 | 2016-11-23 | 东芝医疗系统株式会社 | 医学图像处理装置和方法以及医学成像设备 |
CN108320288A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种特发性脊柱侧凸影像的数据处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7359539B2 (en) * | 2003-06-11 | 2008-04-15 | Chung Yuan Christian University | Method for herniated inter-vertebral disc diagnosis based on image analysis of transverse sections |
US9526457B2 (en) * | 2014-01-10 | 2016-12-27 | General Electric Company | Predictive intervertebral disc degeneration detection engine |
-
2018
- 2018-08-01 CN CN201810865135.2A patent/CN110448270B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012118109A1 (ja) * | 2011-03-03 | 2012-09-07 | 株式会社 日立メディコ | 医用画像処理装置及び医用画像処理方法 |
CN105096291A (zh) * | 2014-04-25 | 2015-11-25 | 上海联影医疗科技有限公司 | 一种中心线的提取方法 |
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 |
CN106157288A (zh) * | 2015-04-03 | 2016-11-23 | 东芝医疗系统株式会社 | 医学图像处理装置和方法以及医学成像设备 |
CN108320288A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种特发性脊柱侧凸影像的数据处理方法 |
Non-Patent Citations (2)
Title |
---|
Toward a Computer Aided Diagnosis System for Lumar Disc Herniation Disease Based on MR Images Analysis;Mehran Nikravan;《Biomedical Engineering:Application,Basis and Communication》;20161219;摘要、正文第3页第2段-第10页,附图12-21 * |
破裂型腰椎间盘突出症转归预测因素的Logistic回归分析;俞鹏飞;《中国骨伤》;20180630;摘要,第523页右栏第3段-第526页右栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110448270A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110448270B (zh) | 人工智能腰椎间盘突出诊断及分型系统 | |
US20230351588A1 (en) | Image analysis method and system | |
CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
JP5603859B2 (ja) | 対象脊椎の側面図のデジタル化された画像を自動的に解析する解析システムの制御方法 | |
JP5186269B2 (ja) | 画像認識結果判定装置、方法、およびプログラム | |
US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
Natalia et al. | Development of ground truth data for automatic lumbar spine MRI image segmentation | |
CN116072255B (zh) | 基于人工智能的颈椎退行性疾病ct检查结构化报告系统 | |
US8331635B2 (en) | Cartesian human morpho-informatic system | |
AU2023270223A1 (en) | Image Analysis Method and System | |
Tran et al. | MBNet: A multi-task deep neural network for semantic segmentation and lumbar vertebra inspection on X-ray images | |
CN110916695A (zh) | 确定脊柱扫描视野的方法、装置及图像处理设备 | |
Koompairojn et al. | Automatic classification system for lumbar spine X-ray images | |
Raja'S et al. | Desiccation diagnosis in lumbar discs from clinical MRI with a probabilistic model | |
CN1820274A (zh) | 使用机器学习来利用cad系统的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持 | |
TWI759946B (zh) | 脊柱量測及狀態評估方法 | |
Raja’S et al. | Abnormality detection in lumbar discs from clinical MR images with a probabilistic model | |
Liu | A system for computational analysis and reconstruction of 3D comminuted bone fractures | |
Preetha et al. | Computer aided diagnostic system for automatic cervical disc herniation classification | |
CN115482914B (zh) | 一种医疗影像数据处理方法,设备及存储介质 | |
KR102196503B1 (ko) | 척추 검출 장치 및 검출 방법 | |
EP4156021A1 (en) | A method and system for annotation of medical images | |
US20240312032A1 (en) | Systems, devices, and methods for generating data series to visualize quantitative structure data registered to imaging data | |
Siriwardhana et al. | Segmentation and significance of herniation measurement using Lumbar Intervertebral Discs from the Axial View |
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 |