CN110458799A - 基于肋骨展开图的肋骨骨折自动检测方法 - Google Patents
基于肋骨展开图的肋骨骨折自动检测方法 Download PDFInfo
- Publication number
- CN110458799A CN110458799A CN201910550339.1A CN201910550339A CN110458799A CN 110458799 A CN110458799 A CN 110458799A CN 201910550339 A CN201910550339 A CN 201910550339A CN 110458799 A CN110458799 A CN 110458799A
- Authority
- CN
- China
- Prior art keywords
- rib cage
- rib
- image
- fracture
- expanded view
- 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.)
- Pending
Links
- 210000000038 chest Anatomy 0.000 title claims abstract description 206
- 238000012360 testing method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 14
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 63
- 206010017076 Fracture Diseases 0.000 description 61
- 208000010392 Bone Fractures Diseases 0.000 description 59
- 230000004913 activation Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 208000020084 Bone disease Diseases 0.000 description 2
- 208000027790 Rib fracture Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体提供了一种基于肋骨展开图的肋骨骨折自动检测方法,自动检测方法包括:基于原始CT图像获取每根肋骨的肋骨CT图像;基于每根肋骨的肋骨CT图像获取每根肋骨的肋骨展开图;通过肋骨骨折自动检测模型检测肋骨展开图以获取肋骨的骨折位置。通过对原始CT图像进行肋骨分割以获取每根肋骨的肋骨CT图像,然后将每根肋骨的肋骨CT图像进行展开以获取每根肋骨的肋骨展开图,最后通过肋骨骨折自动检测模型对每根肋骨的肋骨展开图进行检测以获得肋骨的骨折位置,通过这样的设置,能够极大地减少训练模型所需的标注数据,并且能够提高对肋骨骨折位置检测的速度和准确性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于肋骨展开图的肋骨骨折自动检测方法。
背景技术
计算机断层扫描(CT)是用于诊断肋骨骨折及其他骨病的主要方法,每名患者的CT图像数量都有两三百张甚至更多,医生为了诊断肋骨骨折及其他骨病,往往需要逐层地对CT图像进行检查,跟踪每根肋骨在不同层CT图像的动态变化。
现有的基于胸部CT的病灶自动检测方法,通常是直接处理CT三维数据或逐层处理CT二维数据,对于标注数据数量要求较大。
因此,如何提出一种解决上述问题的技术方案是本领域技术人员目前需要解决的问题。
发明内容
为了解决现有技术的上述问题,即为了解决现有的基于胸部CT的肋骨骨折自动检测方法需要大量标注数据的问题,本发明提供了一种基于肋骨展开图的肋骨骨折自动检测方法,所述自动检测方法包括:基于原始CT图像获取每根肋骨的肋骨CT图像;基于每根肋骨的所述肋骨CT图像获取每根肋骨的肋骨展开图;通过肋骨骨折自动检测模型检测所述肋骨展开图以获取肋骨的骨折位置;其中,所述肋骨骨折自动检测模型是利用机器学习算法构建的神经网络深度学习模型。
在上述自动检测方法的优选技术方案中,“通过肋骨骨折自动检测模型检测所述肋骨展开图以获取肋骨的骨折位置”的步骤具体包括:对所述肋骨展开图以预设步长、预设宽度以及预设长度进行切割采样,获取若干个样本;通过所述肋骨骨折自动检测模型对所述若干个样本进行检测分类并输出分类结果;对所述若干个样本以所述预设步长进行复位拼接;对复位拼接后的所述肋骨展开图中的骨折位置进行处理合并得到肋骨的骨折位置,其中,所述肋骨骨折自动检测模型设置为能够对所述若干个样本进行二分类。
在上述自动检测方法的优选技术方案中,“基于原始CT图像获取每根肋骨的肋骨CT图像”的步骤包括:基于预设的肋骨分割模型对所述原始CT图像进行分割以获得三维肋骨分割图像;基于所述三维肋骨分割图像获取每根肋骨的所述肋骨CT图像,其中,所述肋骨分割模型是基于预先标定的肋骨图像并利用机器学习算法所构建的神经网络模型。
在上述自动检测方法的优选技术方案中,“基于所述三维肋骨分割图像获取每根肋骨的所述肋骨CT图像”的步骤包括:对所述三维肋骨分割图像进行连通区域计算以获得每根肋骨的所述肋骨CT图像。
在上述自动检测方法的优选技术方案中,在“基于预设的肋骨分割模型对所述原始CT图像进行分割以获得三维肋骨分割图像”的步骤之前,所述自动检测方法还包括:对所述原始CT图像进行归一化处理。
在上述自动检测方法的优选技术方案中,“根据每根肋骨的所述肋骨CT图像获取每根肋骨的肋骨展开图”的步骤包括:基于所述肋骨CT图像获取肋骨中心线;基于所述肋骨中心线获取所述肋骨中心线上每个特定点对应的第一特定平面;基于所述肋骨中心线上的特定点对相应的第一特定平面进行极坐标变换得到第二特定平面;获取所述第二特定平面中每个特定角度对应的像素值最大的像素点,连接所述像素点与相应的特定点,得到每个特定角度对应的展开线条,将所述第二特定平面中所有的特定角度对应的展开线条拼接得到所述肋骨展开图,其中,某个所述特定点对应的第一特定平面是经过某个所述特定点且与所述肋骨中心线在该特定点的切线方向垂直的平面,所述特定角度的角度值取决于基于某个所述特定点对所述第一特定平面进行极坐标变换后得到的极角范围。
在上述自动检测方法的优选技术方案中,所述特定点的获取方法包括:根据所述肋骨中心线的起点和预设距离均匀选取所述肋骨中心线上的点,计算当前在所述肋骨中心线上选取的点与其相邻点的欧式距离,若所述欧式距离大于或者等于预设距离阈值,则将当前选取的点作为特定点,否则舍弃该点。
在上述自动检测方法的优选技术方案中,“基于所述肋骨CT图像获取肋骨中心线”的步骤包括:通过重心计算获取肋骨中心线。
在上述自动检测方法的优选技术方案中,“通过重心计算获取肋骨中心线”的步骤之后,所述自动检测方法还包括:对所述肋骨中心线进行修正。
在上述自动检测方法的优选技术方案中,所述肋骨骨折自动检测模型采用残差结构作为基本单元。
本领域技术人员能够理解的是,在本发明的优选技术方案中,通过对原始CT图像进行肋骨分割以获取每根肋骨的肋骨CT图像,然后将每根肋骨的肋骨CT图像进行展开以获取每根肋骨的肋骨展开图,最后通过肋骨骨折自动检测模型对每根肋骨的肋骨展开图进行检测以获得肋骨的骨折位置,通过这样的设置,能够极大地减少训练模型所需的标注数据,并且能够提高对肋骨骨折位置检测的速度和准确性。
进一步地,在对原始CT图像进行分割之前先对原始CT图像进行归一化处理。通过这样的设置,能够排除不必要的HU值,更加关注肋骨相关信息,以更少量数据及成本获得更优的检测结果。
进一步地,获取肋骨中心线之后对肋骨中心线进行修正。通过这样的设置,使得获取的肋骨中心线更准则,从而使得获取的肋骨展开图更准确,进而使得肋骨骨折检测结果更准确。
附图说明
图1是本发明的基于肋骨展开图的肋骨骨折自动检测方法的流程图;
图2是本发明的肋骨展开图的一种实施例的示意图;
图3是本发明的对肋骨展开图切割的一种实施例的示意图;
图4是本发明的训练样本的一种实施例的示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
参阅附图1,如图1所示,本实施例中基于肋骨展开图的肋骨骨折自动检测方法包括下述步骤:
步骤S1:基于原始CT图像获取每根肋骨的肋骨CT图像。即对原始CT图像进行肋骨分割处理以获取每根肋骨的肋骨CT图像。
优选地,“基于原始CT图像获取每根肋骨的肋骨CT图像”的步骤包括:
步骤S101:基于预设的肋骨分割模型对原始CT图像进行分割以获得三维肋骨分割图像。本发明实施例中,肋骨分割模型可以对原始CT图像进行分割以获得三维肋骨分割图像。具体地,肋骨分割模型可以是基于预先标定的肋骨图像并利用机器学习算法构建的神经网络模型,该模型可以采用UNet-like网络结构,该网络结构包括4个上采样结构和4个下采样结构,最终上采样结果使用1x1卷积核的卷积操作获得2个channel的结果并使用softmax分类器获得模型输出,得到背景图像和二维肋骨分割图像,再将二维肋骨分割图像合到一起以得到三维肋骨分割图像。需要说明的是,本发明实施例的肋骨分割模型除了可以采用UNet-like网络结构,还可以采用FCN网络结构或者DeepLab网络结构等,本发明在此不做限定。
优选地,在“基于预设的肋骨分割模型对原始CT图像进行分割以获得三维肋骨分割图像”的步骤之前,本发明的自动检测方法还包括:对原始CT图像进行归一化处理。即在获取原始CT图像之后,先对原始CT图像进行归一化处理,以排除不必要的HU值,例如,可以对原始CT图像选择窗宽1000,窗位250进行归一化处理,如果原始CT图像某位置HU值为300,则归一化处理为(300–(-250)/(750–(-250)),如果图像某位置HU值为1000,则归一化处理为(min(1000,750)–(-250)/(750–(-250)),如果图像某位置HU值为-1000,则归一化处理为(max(-1000,-250)–(-250)/(750–(-250)),等等。
步骤S102:基于三维肋骨分割图像获取每根肋骨的肋骨CT图像。其中,优选通过对三维肋骨分割图像进行连通区域计算以获得每根肋骨的肋骨CT图像,具体地,扫描三维肋骨分割图像,直到找到前景像素,即(x,y)值为1,(a)将(x,y)作为种子(像素位置),并赋予其一个标签,将与该种子相邻(欧式距离为1)的所有前景像素都赋予同样的标签;(b)将a中所述的与该种子相邻的所有像素分别作为新的种子点,重复a步骤,直至没有新的相邻前景像素,则得到一个连通区域,从而得到一根肋骨的肋骨CT图像。当然,也可以通过其他方法获取每根肋骨的肋骨CT图像,本发明在此不做限定。
步骤S2:基于每根肋骨的肋骨CT图像获取每根肋骨的肋骨展开图。即在获取每根肋骨的肋骨CT图像后,对每根肋骨的肋骨CT图像进行展开,以获取每根肋骨的肋骨展开图。
优选地,“根据每根肋骨的肋骨CT图像获取每根肋骨的肋骨展开图”的步骤包括:
步骤S201:基于肋骨CT图像获取肋骨中心线。其中,优选通过重心计算获取肋骨中心线,具体地,对于某根肋骨,则其沿矢状位平面,可以获取若干切片(相邻矢状位平面的间隔可以为1像素),对于每个切片计算重心,则可以得到若干重心点,这些重心点的连线即为肋骨中心线。当然,也可以通过其他方法获取肋骨中心线,本发明在此不做限定。优选地,在获取肋骨中心线之后,为了使获取的肋骨中心线更准确,可以对肋骨中心线进行修正,其中,可以采用条件随机场算法、曲线拟合等方法对肋骨中心线进行修正,本发明在此不做限定。
步骤S202:基于肋骨中心线获取肋骨中心线上每个特定点对应的第一特定平面。其中,可以根据肋骨中心线的起点和预设距离(如预设距离为1)均匀选取肋骨中心线上的点,计算当前在肋骨中心线上选取的点与其相邻点的欧式距离,若欧式距离大于或者等于预设距离阈值(如欧式距离为1),则将当前选取的点作为特定点,否则舍弃该点,通过筛选中心线上的点,可以去除肋骨中心线上不合理的点,从而使后续展开肋骨时,肋骨的肋骨展开图能够大致反映肋骨的实际长度。
得到肋骨中心线上的特定点后,可以通过肋骨中心线上的特定点获取特定点对应的第一特定平面。具体地,以特定点是(x0,y0,z0),肋骨中心线在该点的切线方向为(a,b,c)为例,第一特定平面是经过该特定点,且与肋骨中心线在该点的切线方向垂直的平面,第一特定平面的平面方程可以表示为:a×x+b×y+c×z+d=0,根据该平面方程,通过遍历肋骨中心线上x和y的值,可以求得z的值,进而得到每个特定点对应的第一特定平面。
步骤S203:基于肋骨中心线上的特定点对相应的第一特定平面进行极坐标变换得到第二特定平面。具体地,以肋骨中心线上的特定点为圆心发出稠密的射线,射线的长度固定为R,可以将第一特定平面记为W×W,肋骨中心线上的特定点位于第一特定平面的中心位置(W/2,W/2),基于该点对第一特定平面进行极坐标变换,得到(R×A)平面,即第二特定平面,其中,A表示进行极坐标变换时,选择极坐标变换对应角度所需的射线条数。
步骤S204:获取第二特定平面中每个特定角度对应的像素值最大的像素点,连接像素点与相应的特定点,得到每个特定角度对应的展开线条,将第二特定平面中所有的特定角度对应的展开线条拼接得到肋骨展开图。其中,特定角度的角度值取决于基于某个特定点对第一特定平面进行极坐标变换后得到的极角范围,即基于肋骨中心线上的特定点将相应的第一特定平面进行极坐标变换可以得到特定点对应的极角范围,从极角范围中选一个特定角度,获取该特定角度对应的第二特定平面中像素值最大的像素点,连接像素点与相应的特定点,得到每个特定角度对应的展开线条,遍历特定点对应的极角范围,得到第二特定平面中所有的特定角度对应的展开线条,将所有的特定角度对应的展开线条拼接得到肋骨展开图。在一种可能的情形中,极坐标展开角度间隔为0.1rad,即获得的肋骨展开图的宽度为63px,肋骨展开图的长度与肋骨的长度有关,获取的单根肋骨的肋骨展开图如图2所示。
步骤S3:通过肋骨骨折自动检测模型检测肋骨展开图以获取肋骨的骨折位置。通过肋骨骨折自动检测模型能够对输入的肋骨展开图进行检测,以获取肋骨的骨折位置。其中,肋骨骨折自动检测模型是利用机器学习算法构建的神经网络深度学习模型,在一种可能的情形中,本发明所使用的神经网络深度学习模型结构采用残差结构作为基本单元,其组成为1×1卷积+3×3卷积+1×1卷积,三个卷积处理后得到的结果与输入张量进行相加,得到残差结构的输出,其中每个卷积后面有BN(Batch Normalization)操作和Relu激活函数处理,残差结构的参数为三个卷积的channel数量,整个神经网络深度学习模型的输入为63×63×6,有四个下采样结构和一个全连接结构,第一个下采样结构为一7×7的卷积,channel为64,以及Relu激活函数和BN(Batch Normalization)操作再接一个Max Pooling,第二个下采样结构为两个残差结构,参数都是[64,64,256],再接一个Max Pooling,第三个下采样结构同第二个下采样结构一致,第四个下采样结构为两个残差结构,参数为[64,64,256],再接一个Global Average Pooling,全连接结构为一个256的密集连接层和一个1的密集连接层,其中第一个密集连接层的激活函数为Relu,第二个密集连接层的激活函数为sigmoid。在另一种可能的情形中,本发明所使用的神经网络深度学习模型结构采用普通3×3卷积结构作为基本单元,第一个下采样结构为一个7×7的卷积,channel为64,以及Relu激活函数和BN(Batch Normalization)操作再接一个Max Pooling,第二个下采样结构为两个3×3卷积,channel为128,再接一个Max Pooling,第三个下采样结构与第二个下采样结构一致,第四个下采样结构为3×3卷积,channel为256,然后接Global Average Pooling,再接256的密集连接层和一个1的密集连接层,每个卷积结构后面有BN(BatchNormalization)操作和Relu激活函数处理,密集连接层的第一个激活函数为Relu,第二个为sigmoid。当然,上述的两种情形仅是示例性的,并不构成对本发明的限定。
肋骨骨折自动检测模型的训练:在一种可能的情形中,损失函数使用交叉熵,使用Adam优化器,学习率为1e-4,batch size为512,每一个batch中,随机从所有训练样本中选取256个正样本和256个负样本,迭代100epoch,在后50个epoch使用在线难例挖掘进行学习,即每次选择800个样本进行正向传播,随后挑选loss最大的512个样本进行反向传播,以加强模型对困难样本的学习。
优选地,“通过肋骨骨折自动检测模型检测肋骨展开图以获取肋骨的骨折位置”的步骤具体包括:
步骤S301:对肋骨展开图以预设步长、预设宽度以及预设长度进行切割采样,获取若干个样本。即在获取每根肋骨的肋骨展开图之后,对每根肋骨的肋骨展开图以预设步长、预设宽度以及预设长度进行切割,在一种可能的情形中,预设步长可以为10pixel,预设宽度可以为63px,预设长度可以为63px,例如,在对某根肋骨进行展开后获得的肋骨展开图的宽度为63px,长度630px,然后对该肋骨展开图以预设步长为10pixel,预设宽度为63px,预设长度为63px进行切割,可以得到63个尺寸为63×63的样本。当然,上述情形仅是示例性的,本领域技术人员可以在实际应用中灵活地设置预设步长、预设宽度以及预设长度的具体数值。
步骤S302:通过肋骨骨折自动检测模型对若干个样本进行检测分类并输出分类结果。其中,肋骨骨折自动检测模型设置为能够对若干个样本进行二分类,具体地,在对肋骨骨折自动检测模型进行样本训练时,首先根据医生的标注给予若干个训练样本0(非骨折)或1(骨折)的标签,然后通过这些样本训练一个二分类的神经网络深度学习模型。需要说明的是,训练样本的尺寸与步骤S301中获取的样本的尺寸相同,即训练样本的宽度与预设宽度相同,训练样本的长度与预设长度相同,例如,在上述情形中获取的样本尺寸为63×63,则训练样本的尺寸也为63×63。在对肋骨展开图进行切割得到若干个样本之后,将若干个样本按照获取的顺序依次输入肋骨骨折自动检测模型,肋骨骨折自动检测模型对每一个样本进行检测,得到骨折或非骨折的分类结果,例如,在一种可能的情形中,如图3所示,肋骨A的肋骨展开图以预设步长10pixel被切割成50个样本(A1、A2、A3…A50),将50个样本按照A1、A2、A3…A50的顺序依次输入肋骨骨折自动检测模型,肋骨骨折自动检测模型分别对样本A1、A2、A3…A50进行检测,根据检测结果将样本A1、A2、A3…A50标记为0(非骨折)或者1(骨折)。
此外,需要说明的是,为了更有效地利用训练样本,可以对肋骨展开图进行样本增强,例如,可以对训练样本进行缩放、伽马变换、增加高斯随机噪声、翻转等操作。具体地,可以使x轴和y轴随机缩放0.8~1.2倍;伽马变换gamma值为0.4~0.8;高斯随机噪声,均值为0,方差为4;将图像水平和竖直翻转,等等。
此外,还需要说明的是,在制作样本时,可以对肋骨展开图进行滑动窗口采样,在一种可能的情形中,步长为3pixel,窗口大小为63×63,即可获得大量肋骨骨折的正负样本(骨折样本记为正样本,非骨折样本记为负样本)。本发明所采用的是样本二分类,为了提高样本的易学性,可以增加若干层CT横断面辅助模型进行分类,具体可以寻找每个63×63样本的中心点的三维坐标,将其映射回三维CT上,然后在其周围仍取63×63像素的图像,上下取5层,将这5层图像与肋骨展开图的采样图片进行组合,即得到一个神经网络输入样本,63×63×6,如图4所示,左上角为肋骨展开图,其余五张为原始CT图像上取得的图像。
步骤S303:对若干样本以预设步长进行复位拼接。在对全部样本检测完成之后,对若干个样本以预设步长进行复位拼接,得到肋骨的完整的肋骨展开图。还是以上述的肋骨A为例,在通过肋骨骨折自动检测模型将样本A1、A2、A3…A50全部检测完成之后,将50个样本按照A1、A2、A3…A50的顺序并以步长10pixel进行复位拼接,从而得到肋骨A的完整的肋骨展开图。
步骤S304:对复位拼接后的肋骨展开图中的骨折位置进行处理合并得到肋骨的骨折位置。因为若干个样本之间有重叠部分(如图3所示),不同样本上的骨折位置有可能表示的是同一个骨折位置,所以需要对相近的骨折位置进行合并处理,从而得到真实的骨折位置。其中,可以通过阈值法来进行处理合并,例如,可以将欧式距离小于2的骨折合并为同一骨折,当然,也可以通过其他方法进行合并处理,例如非极大值抑制法等,这种灵活地调整和改变并不偏离本发明的原理和范围,均应限定在本发明的保护范围之内。
需要说明的是,在得到肋骨的骨折位置之后,可以计算每个样本的中心位置,然后将中心位置映射回原始CT图像,从而使肋骨的骨折位置显示在原始CT图像上。
此外,还需要说明的是,肋骨的骨折位置可以进行联动展示,将所有肋骨的肋骨展开图放在一起显示,其中肋骨骨折部分用带颜色的下划线(例如黄色下划线)标注,当前查看的骨折位置用带颜色的矩形框(例如黄色矩形框)标注出来,同时在另一屏幕区域显示原始CT图像,将原始CT图像滚至当前查看的骨折位置所在层,并用带颜色的圆圈(例如绿色圆圈)标注出骨折位置,用户通过上下方向键,可以选择查看上一个骨折位置或者下一个骨折位置,在查看某一处骨折时,可以在原始CT图像上进行上下滚动,以更好地查看和确认骨折位置。
此外,还需要说明的是,可以将肋骨骨折位置进行历史对比,以查看骨折的恢复情况。例如,(1)将同一个病人两次检测的原始CT图像分别按照本发明的方法进行处理;(2)将两次的原始CT数据进行配准,以便能够对应显示同一肋骨位置的横断面图像;(3)将两次的肋骨展开图进行配准,并缩放成一致长度,以便更好的比对(例如去除两次CT分辨率、尺度的差异等造成的肋骨展开图的长度不一致等)(4)将两次的原始CT图像和肋骨展开图并排同时显示在显示器中。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。应该理解这样使用的数据在适当的情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于肋骨展开图的肋骨骨折自动检测方法,其特征在于,所述自动检测方法包括:
基于原始CT图像获取每根肋骨的肋骨CT图像;
基于每根肋骨的所述肋骨CT图像获取每根肋骨的肋骨展开图;
通过肋骨骨折自动检测模型检测所述肋骨展开图以获取肋骨的骨折位置;
其中,所述肋骨骨折自动检测模型是利用机器学习算法构建的神经网络深度学习模型。
2.根据权利要求1所述的自动检测方法,其特征在于,“通过肋骨骨折自动检测模型检测所述肋骨展开图以获取肋骨的骨折位置”的步骤具体包括:
对所述肋骨展开图以预设步长、预设宽度以及预设长度进行切割采样,获取若干个样本;
通过所述肋骨骨折自动检测模型对所述若干个样本进行检测分类并输出分类结果;
对所述若干个样本以所述预设步长进行复位拼接;
对复位拼接后的所述肋骨展开图中的骨折位置进行处理合并得到肋骨的骨折位置,
其中,所述肋骨骨折自动检测模型设置为能够对所述若干个样本进行二分类。
3.根据权利要求1所述的自动检测方法,其特征在于,“基于原始CT图像获取每根肋骨的肋骨CT图像”的步骤包括:
基于预设的肋骨分割模型对所述原始CT图像进行分割以获得三维肋骨分割图像;
基于所述三维肋骨分割图像获取每根肋骨的所述肋骨CT图像,
其中,所述肋骨分割模型是基于预先标定的肋骨图像并利用机器学习算法所构建的神经网络模型。
4.根据权利要求3所述的自动检测方法,其特征在于,“基于所述三维肋骨分割图像获取每根肋骨的所述肋骨CT图像”的步骤包括:
对所述三维肋骨分割图像进行连通区域计算以获得每根肋骨的所述肋骨CT图像。
5.根据权利要求3所述的自动检测方法,其特征在于,在“基于预设的肋骨分割模型对所述原始CT图像进行分割以获得三维肋骨分割图像”的步骤之前,所述自动检测方法还包括:
对所述原始CT图像进行归一化处理。
6.根据权利要求1所述的自动检测方法,其特征在于,“根据每根肋骨的所述肋骨CT图像获取每根肋骨的肋骨展开图”的步骤包括:
基于所述肋骨CT图像获取肋骨中心线;
基于所述肋骨中心线获取所述肋骨中心线上每个特定点对应的第一特定平面;
基于所述肋骨中心线上的特定点对相应的第一特定平面进行极坐标变换得到第二特定平面;
获取所述第二特定平面中每个特定角度对应的像素值最大的像素点,连接所述像素点与相应的特定点,得到每个特定角度对应的展开线条,将所述第二特定平面中所有的特定角度对应的展开线条拼接得到所述肋骨展开图,
其中,某个所述特定点对应的第一特定平面是经过某个所述特定点且与所述肋骨中心线在该特定点的切线方向垂直的平面,所述特定角度的角度值取决于基于某个所述特定点对所述第一特定平面进行极坐标变换后得到的极角范围。
7.根据权利要求6所述的自动检测方法,其特征在于,所述特定点的获取方法包括:
根据所述肋骨中心线的起点和预设距离均匀选取所述肋骨中心线上的点,计算当前在所述肋骨中心线上选取的点与其相邻点的欧式距离,若所述欧式距离大于或者等于预设距离阈值,则将当前选取的点作为特定点,否则舍弃该点。
8.根据权利要求6所述的自动检测方法,其特征在于,“基于所述肋骨CT图像获取肋骨中心线”的步骤包括:
通过重心计算获取肋骨中心线。
9.根据权利要求8所述的自动检测方法,其特征在于,“通过重心计算获取肋骨中心线”的步骤之后,所述自动检测方法还包括:
对所述肋骨中心线进行修正。
10.根据权利要求1至9中任一项所述的自动检测方法,其特征在于,所述肋骨骨折自动检测模型采用残差结构作为基本单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550339.1A CN110458799A (zh) | 2019-06-24 | 2019-06-24 | 基于肋骨展开图的肋骨骨折自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550339.1A CN110458799A (zh) | 2019-06-24 | 2019-06-24 | 基于肋骨展开图的肋骨骨折自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458799A true CN110458799A (zh) | 2019-11-15 |
Family
ID=68480812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910550339.1A Pending CN110458799A (zh) | 2019-06-24 | 2019-06-24 | 基于肋骨展开图的肋骨骨折自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458799A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080573A (zh) * | 2019-11-19 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 肋骨图像检测方法、计算机设备和存储介质 |
CN111091605A (zh) * | 2020-03-19 | 2020-05-01 | 南京安科医疗科技有限公司 | 一种肋骨可视化方法、识别方法及计算机可读存储介质 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
CN111627554A (zh) * | 2020-05-28 | 2020-09-04 | 浙江德尔达医疗科技有限公司 | 一种基于深度卷积神经网络的骨折图像自动分类系统 |
CN111739015A (zh) * | 2020-06-30 | 2020-10-02 | 北京青燕祥云科技有限公司 | 基于人体胸部ct扫描序列数据的肋骨骨折ai辅助诊断方法及系统 |
CN111915620A (zh) * | 2020-06-19 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种ct肋骨分割方法及装置 |
CN111967540A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 |
CN112150473A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 |
CN112381762A (zh) * | 2020-10-19 | 2021-02-19 | 深圳视见医疗科技有限公司 | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 |
CN112785591A (zh) * | 2021-03-05 | 2021-05-11 | 杭州健培科技有限公司 | 一种ct影像中肋骨骨折的检测与分割方法及装置 |
CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
CN114119564A (zh) * | 2021-11-29 | 2022-03-01 | 苏州体素信息科技有限公司 | 肋骨ct图像的处理方法及系统 |
CN115619792A (zh) * | 2022-12-20 | 2023-01-17 | 杭州健培科技有限公司 | 一种ct影像中肋骨二维展开方法、装置及应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
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 |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN109035141A (zh) * | 2018-07-13 | 2018-12-18 | 上海皓桦科技股份有限公司 | 肋骨展开装置及方法 |
CN109191465A (zh) * | 2018-08-16 | 2019-01-11 | 青岛大学附属医院 | 一种基于深度学习网络判定、标识人体左右第一肋骨的系统 |
CN109785303A (zh) * | 2018-12-28 | 2019-05-21 | 上海联影智能医疗科技有限公司 | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 |
CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
-
2019
- 2019-06-24 CN CN201910550339.1A patent/CN110458799A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
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 |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN109035141A (zh) * | 2018-07-13 | 2018-12-18 | 上海皓桦科技股份有限公司 | 肋骨展开装置及方法 |
CN109191465A (zh) * | 2018-08-16 | 2019-01-11 | 青岛大学附属医院 | 一种基于深度学习网络判定、标识人体左右第一肋骨的系统 |
CN109785303A (zh) * | 2018-12-28 | 2019-05-21 | 上海联影智能医疗科技有限公司 | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 |
CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080573B (zh) * | 2019-11-19 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 肋骨图像检测方法、计算机设备和存储介质 |
CN111080573A (zh) * | 2019-11-19 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 肋骨图像检测方法、计算机设备和存储介质 |
CN111091605A (zh) * | 2020-03-19 | 2020-05-01 | 南京安科医疗科技有限公司 | 一种肋骨可视化方法、识别方法及计算机可读存储介质 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
CN111627554A (zh) * | 2020-05-28 | 2020-09-04 | 浙江德尔达医疗科技有限公司 | 一种基于深度卷积神经网络的骨折图像自动分类系统 |
CN111915620A (zh) * | 2020-06-19 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种ct肋骨分割方法及装置 |
CN111915620B (zh) * | 2020-06-19 | 2024-04-09 | 杭州深睿博联科技有限公司 | 一种ct肋骨分割方法及装置 |
CN111739015A (zh) * | 2020-06-30 | 2020-10-02 | 北京青燕祥云科技有限公司 | 基于人体胸部ct扫描序列数据的肋骨骨折ai辅助诊断方法及系统 |
CN112150473A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 |
CN111967540A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 |
CN112381762A (zh) * | 2020-10-19 | 2021-02-19 | 深圳视见医疗科技有限公司 | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 |
CN112785591A (zh) * | 2021-03-05 | 2021-05-11 | 杭州健培科技有限公司 | 一种ct影像中肋骨骨折的检测与分割方法及装置 |
CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
CN113643176A (zh) * | 2021-07-28 | 2021-11-12 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种肋骨显示方法和装置 |
CN113643176B (zh) * | 2021-07-28 | 2024-05-28 | 东软医疗系统股份有限公司 | 一种肋骨显示方法和装置 |
CN114119564A (zh) * | 2021-11-29 | 2022-03-01 | 苏州体素信息科技有限公司 | 肋骨ct图像的处理方法及系统 |
CN114119564B (zh) * | 2021-11-29 | 2024-06-18 | 苏州体素信息科技有限公司 | 肋骨ct图像的处理方法及系统 |
CN115619792A (zh) * | 2022-12-20 | 2023-01-17 | 杭州健培科技有限公司 | 一种ct影像中肋骨二维展开方法、装置及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458799A (zh) | 基于肋骨展开图的肋骨骨折自动检测方法 | |
CN108520519A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Kiraly et al. | Three-dimensional human airway segmentation methods for clinical virtual bronchoscopy | |
US8319793B2 (en) | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects | |
US10410406B2 (en) | Enhanced three-dimensional point cloud rendering | |
US7961187B2 (en) | Methods, systems, and computer readable media for flexible occlusion rendering | |
CN108615237A (zh) | 一种肺部图像处理方法及图像处理设备 | |
CN112489005B (zh) | 骨分割方法及装置、骨折检出方法及装置 | |
CN108446694A (zh) | 一种目标检测方法及装置 | |
US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
US10255673B2 (en) | Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis | |
US8867784B2 (en) | Apparatus and method for detecting a vertex of an image | |
Ren et al. | An unsupervised semi-automated pulmonary nodule segmentation method based on enhanced region growing | |
Sun et al. | Lung segmentation refinement based on optimal surface finding utilizing a hybrid desktop/virtual reality user interface | |
CN110189307B (zh) | 一种基于多模型融合的肺结节检测方法及系统 | |
CN108764328A (zh) | 太赫兹图像危险品识别方法、装置、设备及可读存储介质 | |
CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
CN109124662A (zh) | 肋骨中心线检测装置及方法 | |
CN108961230A (zh) | 结构表面裂缝特征的识别与提取方法 | |
CN107845091A (zh) | 基于预筛查的快速标注方法和系统 | |
CN112365973A (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN111009033A (zh) | 一种基于OpenGL的病灶区域的可视化方法和系统 | |
CN115456990A (zh) | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 | |
CN109255792A (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |