CN110660044B - 骨组织结构形态异常的快速检测方法及电子装置 - Google Patents
骨组织结构形态异常的快速检测方法及电子装置 Download PDFInfo
- Publication number
- CN110660044B CN110660044B CN201910814268.1A CN201910814268A CN110660044B CN 110660044 B CN110660044 B CN 110660044B CN 201910814268 A CN201910814268 A CN 201910814268A CN 110660044 B CN110660044 B CN 110660044B
- Authority
- CN
- China
- Prior art keywords
- bone tissue
- control sample
- region
- detected
- theta phi
- 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
- G06T2207/10072—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
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
本发明公开了一种骨组织结构形态异常的快速检测方法及电子装置,在检测骨组织结构形态过程中所涉及的特征提取方法及所使用的测量特征,具有旋转不变性及平移不变性,采集检测图像时不需要进行严格的刚性配准等操作即可快速进行分析。同时,本发明技术方案结合了骨密度校准的标准化步骤及图像降采样标准化步骤,在对图像标准化的同时,间接提升了信噪比,从多个层面提升了测量鲁棒性。再者,本发明技术方案所测量的结构形态特征与力学应力集中系数具有相关性,可间接反映结构特征带来的力学影响情况。通过本发明技术方案,有效解决了现有的对骨组织结构的评估手段依靠于病理科医师及放射科医师的视觉观察及主观性判断的缺陷,确保了评估结果的准确性。
Description
技术领域
本发明涉及骨组织结构评估辅助技术,尤其涉及一种骨组织结构形态异常的快速检测方法及电子装置。
背景技术
骨组织结构的影像学观察和评估是临床及科研工作中对骨组织健康状态进行评价的重要依据。通常,对骨组织结构的评估依靠于病理科医师及放射科医师的视觉观察及主观性判断,评估结果容易出现误差,临床日常工作中缺乏一种定量化手段以辅助医师评估。
发明内容
本发明主要目的在于,提供一种骨组织结构形态异常的快速检测方法及电子装置,以解决现有的对骨组织结构的评估手段依靠于病理科医师及放射科医师的视觉观察及主观性判断,评估结果容易出现误差的问题。
本发明是通过如下技术方案实现的:
一种骨组织结构形态异常的快速检测方法,包括:
步骤A:获取待测骨组织和对照样本组中的各骨组织对照样本的CT扫描图像并对其进行预处理,并从得到的预处理图像中分割出感兴趣区域,得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域;
步骤B:基于得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域,计算待测骨组织和对照样本组中的各骨组织对照样本的特征向量;
步骤C:计算待测骨组织的特征向量与根据各骨组织对照样本的特征向量建立的对照样本标准特征向量之间的相似度,并根据所述相似度大小判断待测骨组织的结构形态是否异常。
进一步地,所述步骤A中,对CT扫描图像进行预处理的方法包括:
扫描骨密度标准体模,获得与所述CT扫描图像同等扫描参数下的骨密度-CT值校准曲线,以将CT扫描图像每个体素的CT值换算成对应体素的骨密度值;
通过均值线性插值算法,将CT扫描图像的空间分辨率降采样为1mm×1mm×1mm各向同性空间分辨率。
进一步地,所述待测骨组织的感兴趣区域和各骨组织对照样本的感兴趣区域均为具有完整解剖结构骨组织。
进一步地,所述步骤B中,计算待测骨组织或骨组织对照样本的特征向量的方法包括:
步骤B1:计算待测骨组织或骨组织对照样本的感兴趣区域各自的平均骨密度;
步骤B2:计算待测骨组织或骨组织对照样本的感兴趣区域的平均骨密度的统计学平均值及标准差,计算方法为:
步骤B3:根据计算得到的当Z-score=第一设定值及Z-score=第二设定值时对应的骨密度值S1及S2,将待测骨组织或骨组织对照样本的感兴趣区域按其体素信号值划分为区域M1、区域M2、区域M3三个区域,其中:
区域M1的体素信号值范围为:(-∞,S1],区域M2的体素信号值范围为(-∞,S2],区域M3的体素信号值范围为(-∞,+∞);
步骤B4:对区域M1中各体素进行以下计算:Lijθφ=||Vi-Mijθφ||2,其中,j∈{1,2,3},θφ为三维坐标系上的倾斜角,Vi为感兴趣区域1中第i个体素中心坐标的定位向量,Mijθφ为感兴趣区域1中第i个体素在θφ方向上的射线与感兴趣区域Mj边界第一次交点坐标的定位向量,则Lijθφ为第i个体素中心到θ方向上的感兴趣区域Mj边界点的二范数,得到各体素的Ljθ向量的集合{Li1θφ,Li2θφ,Li3θφ},其中θφ∈[(0°,0°),(360°,360°)];
步骤B5:根据集合{Li1θφ,Li2θφ,Li3θφ},对区域M1内各特征分别求体积内平均数:得到待测骨组织或骨组织对照样本的各特征平均值集合{L1θφ,L2θφ,L3θφ},其中,VM1为区域M1的体积,θφ∈[(0°,0°),(360°,360°)]。
进一步地,步骤C中,根据各骨组织对照样本的特征向量建立对照样本标准特征向量的方法包括:
根据得到的骨组织对照样本的各特征平均值集合{L1θφ,L2θφ,L3θφ},通过统计学计算对照样本组中骨组织对照样本的特征值集合中的各特征的统计学平均值及标准差,得到对照样本组中各骨组织对照样本的感兴趣区域的平均特征向量其中θφ∈[(0°,0°),(360°,360°)]。
进一步地,所述步骤C包括:
计算待测骨组织的特征向量与标准平均特征向量的相似度Simtest;
进一步地,计算对照样本组中骨组织对照样本与标准平均特征向量的相似度时采用余弦相似度、k-means、欧式距离、svm、线性判别分析或神经网络的方法计算。
进一步地,所述步骤C包括:
获得正常组和异常组的各骨组织对照样本的平均特征值集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-,其中θφ∈[(0°,0°),(360°,360°)];
将集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-作为特征向量,进行线性判别分析学习,最大化组间距离,最小化组内距离,将特征向量映射为一维特征,设正常组映射后的特征平均值为-1,异常组映射后的特征平均值为1,得到线性判别映射模型D(x);
利用线性判别映射模型D(x)得到两组骨组织对照样本的一维映射特征,并通过对数几率回归模型G(x);
计算待测骨组织的特征向量{T1θφ,T2θφ,T3θφ};
利用线性判别映射模型D(x),对待测骨组织特征向量进行转换,转换公式为:
Score=D(V(T1θφ,T2θφ,T3θφ)),其中,V(T1θφ,T2θφ,T3θφ)为待测骨组织的特征向量,Score为待测骨组织的特征与不同组特征的相似程度;
计算待测骨组织的特征向量的对数几率回归分类结果G(Score),设异常组特征为1,当G(Score)=1,则判定待测骨组织结构形态有异常。
进一步地,第一设定值为-2.5,第二设定值为-1。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的骨组织结构形态异常的快速检测方法。
一种电子装置,包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的骨组织结构形态异常的快速检测方法。
与现有技术相比,本发明技术方案具有如下优点:
第一、在检测骨组织结构形态过程中所涉及的特征提取方法及所使用的测量特征,具有旋转不变性及平移不变性,采集检测图像时不需要进行严格的刚性配准等操作即可快速进行分析;第二,本发明技术方案结合了骨密度校准的标准化步骤及图像降采样标准化步骤,在对图像标准化的同时,间接提升了信噪比,从多个层面提升了测量鲁棒性;第三,本发明技术方案所测量的结构形态特征与力学应力集中系数具有相关性,可间接反映结构特征带来的力学影响情况。通过本发明技术方案,有效解决了现有的对骨组织结构的评估手段依靠于病理科医师及放射科医师的视觉观察及主观性判断的缺陷,确保了评估结果的准确性。
附图说明
图1是本发明实施例提供的骨组织结构形态异常的快速检测方法的主要流程示意图;
图2是特征测量过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步详细说明。
本发明实施例提供的骨组织结构形态异常的快速检测方法,包括:
步骤A:获取待测骨组织和对照样本组中的各骨组织对照样本的CT扫描图像并对其进行预处理,并从得到的预处理图像中分割出感兴趣区域,得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域。
步骤B:基于得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域,计算待测骨组织和对照样本组中的各骨组织对照样本的特征向量。
步骤C:计算待测骨组织的特征向量与根据各骨组织对照样本的特征向量建立的对照样本标准特征向量之间的相似度,并根据相似度大小判断待测骨组织的结构形态是否异常。
在步骤A中,可通过CT扫描设备获取待测骨组织和对照样本组中的各骨组织对照样本的CT扫描图像。具体来说,可将待测骨组织和对照样本组中的各骨组织对照样本分别放入CT扫描仪中进行扫描,选择扫描参数为:120kV、300mAs。在重建核选择方面,如西门子Somaton系列扫描仪的重建核为B80s或B30f,或其它型号品牌扫描仪的等效重建核,x-y轴重建分辨率为:0.5mm×0.5mm,重建层厚为0.625mm。通过CT扫描仪得到待测骨组织和对照样本组中的各骨组织对照样本的标准医学CT图像。
步骤A中,对CT扫描图像进行预处理的方法包括:
扫描骨密度标准体模,获得与CT扫描图像同等扫描参数下的骨密度-CT值校准曲线,以将CT扫描图像每个体素的CT值换算成对应体素的骨密度值;
通过均值线性插值算法,将CT扫描图像的空间分辨率降采样为1mm×1mm×1mm各向同性空间分辨率。
同时,在步骤A中,分割感兴趣区域时,可标注并存储感兴趣部分图像,并去除其中的背景图像。待测骨组织的感兴趣区域和各骨组织对照样本的感兴趣区域均为具有完整解剖结构骨组织,如完整的椎体部分,完整的股骨头部分等。
步骤B主要包括T-score/Z-score换算、T-score/Z-score灰度梯度阈值分割、各向异性特征计算和对照样本特征系数计算等。具体来说,步骤B中,计算待测骨组织或骨组织对照样本的特征向量的方法包括:
步骤B2:计算待测骨组织或骨组织对照样本的感兴趣区域的平均骨密度的统计学平均值及标准差,计算方法为:
步骤B3:根据计算得到的当Z-score=第一设定值及Z-score=第二设定值时对应的骨密度值S1及S2,将待测骨组织或骨组织对照样本的感兴趣区域按其体素信号值划分为区域M1、区域M2、区域M3三个区域,具体如图2所示。其中:
区域M1的体素信号值范围为:(-∞,S1],区域M2的体素信号值范围为(-∞,S2],区域M3的体素信号值范围为(-∞,+∞)。
步骤B4:对区域M1中各体素进行以下计算:Lijθφ=||Vi-Mijθφ||2,其中,j∈{1,2,3},θφ为三维坐标系上的倾斜角,Vi为感兴趣区域1中第i个体素中心坐标的定位向量,Mijθφ为感兴趣区域1中第i个体素在θφ方向上的射线与感兴趣区域Mj边界第一次交点坐标的定位向量,则Lijθφ为第i个体素中心到θ方向上的感兴趣区域Mj边界点的二范数,得到各体素的Ljθ向量的集合{Li1θφ,Li2θφ,Li3θφ},在本实施例中,为简化计算,其中θφ∈[(0°,0°),(360°,360°)];
步骤B5:根据集合{Li1θφ,Li2θφ,Li3θφ},对区域M1内各特征分别求体积内平均数:得到待测骨组织或骨组织对照样本的各特征平均值集合{L1θφ,L2θφ,L3θφ},其中,VM1为区域M1的体积,θφ∈[(0°,0°),(360°,360°)]。
待测骨组织的特征向量和对照样本组中的各骨组织对照样本的特征向量的计算方法同理,计算得到对照样本组中的各骨组织对照样本的特征向量后,需要据此建立对照样本标准特征向量,以便后续将对照样本标准特征向量与待测骨组织的特征向量进行相似度比对。根据各骨组织对照样本的特征向量建立对照样本标准特征向量的方法包括:
根据得到的骨组织对照样本的各特征平均值集合{L1θφ,L2θφ,L3θφ},通过统计学计算对照样本组中骨组织对照样本的特征值集合中的各特征的统计学平均值及标准差,得到对照样本组中各骨组织对照样本的感兴趣区域的平均特征向量其中θφ∈[(0°,0°),(360°,360°)]。
建立了对照样本标准特征向量后,即可执行步骤C,将待测骨组织的特征向量与对照样本标准特征向量进行相似度比对。在本实施例中,步骤C具有两种实施方式,在第一种实施方式中,步骤C包括:
计算待测骨组织的特征向量与标准平均特征向量的相似度Simtest;
在该实施方式中,可利用余弦相似度的方法来计算对照样本组中骨组织对照样本与标准平均特征向量的相似度:
首先建立余弦相似度计算公式:
除采用余弦相似度的方法计算对照样本组中骨组织对照样本与标准平均特征向量的相似度外,还可采用k-means、欧式距离、svm、线性判别分析或神经网络等方法来计算。
在另一个实施方式中,采用了基于线性判别分析的机器学习方法来执行步骤C,此时步骤C具体包括:
获得正常组和异常组的各骨组织对照样本的平均特征值集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-,其中θφ∈[(0°,0°),(360°,360°)];
将集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-作为特征向量,进行线性判别分析学习,最大化组间距离,最小化组内距离,将特征向量映射为一维特征,设正常组映射后的特征平均值为-1,异常组映射后的特征平均值为1,得到线性判别映射模型D(x);
利用线性判别映射模型D(x)得到两组骨组织对照样本的一维映射特征,并通过对数几率回归模型G(x);
计算待测骨组织的特征向量{T1θφ,T2θφ,T3θφ};
利用线性判别映射模型D(x),对待测骨组织特征向量进行转换,转换公式为:
Score=D(V(T1θφ,T2θφ,T3θφ)),其中,V(T1θφ,T2θφ,T3θφ)为待测骨组织的特征向量,Score为待测骨组织的特征与不同组特征的相似程度;
计算待测骨组织的特征向量的对数几率回归分类结果G(Score),设异常组特征为1,当G(Score)=1,则判定待测骨组织结构形态有异常。
在本发明中,第一设定值为-2.5,第二设定值为-1。在设定第一设定值和第二设定值时,也可以可以不按照第一设定值为-2.5、第二设定值为-1的方式设定,可以根据要设定为其他值。参与余弦相似度计算的特征,可为3组中任意组合,即可以是3组中任意单一1组,或两两组合,或完整的3组特征。同时,在设定第一设定值和第二设定值的基础之上,还可以再设定第三设定值、第四设定值等,即可将感兴趣区域分割为多于3个区域,同时后续的特征也将多于3组。参与余弦相似度计算的特征,除直接使用测量得到的原始特征进行计算外,还包括对原始特征进行特殊函数转换处理以获得更好的统计结果。此处的特殊函数转换处理,包括对特征进行形式如f(x)=ai*xCm+ai+1*xCm+1+…+b的多项式函数转换处理,形式如f(x)=a*C(x)+b指数函数转换处理,及f(x)=a*logc(x)+b的对数函数转换处理。特别地,此处的函数转换处理可针对多组特征也可针对单组特征分别进行。上述函数转换处理目的是将获得的原始特征转换为特定统计分布类型(如正态分布,泊松分布),以获得更好的统计处理效果。
本发明还提供了一种计算机可读存储介质和电子装置。在计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现如上的骨组织结构形态异常的快速检测方法。该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。电子装置包括存储器、处理器及存储在存储器中并可在处理器中运行的计算机程序,处理器执行计算机程序时,实现如上的骨组织结构形态异常的快速检测方法。
上述实施例仅为优选实施例,并不用以限制本发明的保护范围,在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种骨组织结构形态异常的快速检测方法,其特征在于,包括:
步骤A:获取待测骨组织和对照样本组中的各骨组织对照样本的CT扫描图像并对其进行预处理,并从得到的预处理图像中分割出感兴趣区域,得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域;
步骤B:基于得到待测骨组织和对照样本组中的各骨组织对照样本的感兴趣区域,计算待测骨组织和对照样本组中的各骨组织对照样本的特征向量;
步骤C:计算待测骨组织的特征向量与根据各骨组织对照样本的特征向量建立的对照样本标准特征向量之间的相似度,并根据所述相似度大小判断待测骨组织的结构形态是否异常;
其中,所述步骤B中,计算待测骨组织或骨组织对照样本的特征向量的方法包括:
步骤B1:计算待测骨组织或骨组织对照样本的感兴趣区域各自的平均骨密度;
步骤B2:计算待测骨组织或骨组织对照样本的感兴趣区域的平均骨密度的统计学平均值及标准差,
步骤B3:根据计算得到的当Z-score=第一设定值及Z-score=第二设定值时对应的骨密度值S1及S2,将待测骨组织或骨组织对照样本的感兴趣区域按其体素信号值划分为区域M1、区域M2、区域M3三个区域,其中:
区域M1的体素信号值范围为:(-∞,S1],区域M2的体素信号值范围为(-∞,S2],区域M3的体素信号值范围为(-∞,+∞);
步骤B4:对区域M1中各体素进行以下计算:Lijθφ=||Vi-Mijθφ||2,其中,j∈{1,2,3},θφ为三维坐标系上的倾斜角,Vi为感兴趣区域1中第i个体素中心坐标的定位向量,Mijθφ为感兴趣区域1中第i个体素在θφ方向上的射线与感兴趣区域Mj边界第一次交点坐标的定位向量,则Lijθφ为第i个体素中心到θ方向上的感兴趣区域Mj边界点的二范数,得到各体素的Ljθ向量的集合{Li1θφ,Li2θφ,Li3θφ},其中θφ∈[(0°,0°),(360°,360°)];
2.如权利要求1所述的骨组织结构形态异常的快速检测方法,其特征在于,所述步骤A中,对CT扫描图像进行预处理的方法包括:
扫描骨密度标准体模,获得与所述CT扫描图像同等扫描参数下的骨密度-CT值校准曲线,以将CT扫描图像每个体素的CT值换算成对应体素的骨密度值;
通过均值线性插值算法,将CT扫描图像的空间分辨率降采样为1mm×1mm×1mm各向同性空间分辨率。
3.如权利要求2所述的骨组织结构形态异常的快速检测方法,其特征在于,所述待测骨组织的感兴趣区域和各骨组织对照样本的感兴趣区域均为具有完整解剖结构骨组织。
6.如权利要求5所述的骨组织结构形态异常的快速检测方法,其特征在于,计算对照样本组中骨组织对照样本与标准平均特征向量的相似度时,采用余弦相似度、k-means、欧式距离、svm、线性判别分析或神经网络的方法计算。
7.如权利要求4所述的骨组织结构形态异常的快速检测方法,其特征在于,所述步骤C包括:
获得正常组和异常组的各骨组织对照样本的平均特征值集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-,其中θφ∈[(0°,0°),(360°,360°)];
将集合{L1θφ,L2θφ,L3θφ}+、{L1θφ,L2θφ,L3θφ}-作为特征向量,进行线性判别分析学习,最大化组间距离,最小化组内距离,将特征向量映射为一维特征,设正常组映射后的特征平均值为-1,异常组映射后的特征平均值为1,得到线性判别映射模型D(x);
利用线性判别映射模型D(x)得到两组骨组织对照样本的一维映射特征,并通过对数几率回归模型G(x);
计算待测骨组织的特征向量{T1θφ,T2θφ,T3θφ};
利用线性判别映射模型D(x),对待测骨组织特征向量进行转换,转换公式为:
Score=D(V(T1θφ,T2θφ,T3θφ)),其中,V(T1θφ,T2θφ,T3θφ)为待测骨组织的特征向量,Score为待测骨组织的特征与不同组特征的相似程度;
计算待测骨组织的特征向量的对数几率回归分类结果G(Score),设异常组特征为1,当G(Score)=1,则判定待测骨组织结构形态有异常。
8.如权利要求1所述的骨组织结构形态异常的快速检测方法,其特征在于,第一设定值为-2.5,第二设定值为-1。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至8中任一所述的骨组织结构形态异常的快速检测方法。
10.一种电子装置,其特征在于,包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至8中任一所述的骨组织结构形态异常的快速检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814268.1A CN110660044B (zh) | 2019-08-30 | 2019-08-30 | 骨组织结构形态异常的快速检测方法及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814268.1A CN110660044B (zh) | 2019-08-30 | 2019-08-30 | 骨组织结构形态异常的快速检测方法及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660044A CN110660044A (zh) | 2020-01-07 |
CN110660044B true CN110660044B (zh) | 2023-03-17 |
Family
ID=69036778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910814268.1A Active CN110660044B (zh) | 2019-08-30 | 2019-08-30 | 骨组织结构形态异常的快速检测方法及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660044B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330599B (zh) * | 2022-03-14 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和系统 |
CN114795598B (zh) * | 2022-04-20 | 2023-06-23 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6021213A (en) * | 1996-06-13 | 2000-02-01 | Eli Lilly And Company | Automatic contextual segmentation for imaging bones for osteoporosis therapies |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
CN107610096A (zh) * | 2009-09-11 | 2018-01-19 | 斯特拉克斯联合控股有限公司 | 用于所选组织结构的图像分析的方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030103663A1 (en) * | 2001-11-23 | 2003-06-05 | University Of Chicago | Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images |
WO2004025541A1 (en) * | 2002-09-16 | 2004-03-25 | Imaging Therapeutics, Inc. | Imaging markers in musculoskeletal disease |
US8355552B2 (en) * | 2007-06-20 | 2013-01-15 | The Trustees Of Columbia University In The City Of New York | Automated determination of lymph nodes in scanned images |
US10248759B2 (en) * | 2015-03-13 | 2019-04-02 | Konica Minolta Laboratory U.S.A., Inc. | Medical imaging reference retrieval and report generation |
EP3098780A1 (en) * | 2015-05-28 | 2016-11-30 | Galgo Medical, S.L. | A method, a system and a computer program for determining data defining an estimate of the thickness and density of a tissue structure of interest from imaging data |
-
2019
- 2019-08-30 CN CN201910814268.1A patent/CN110660044B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6021213A (en) * | 1996-06-13 | 2000-02-01 | Eli Lilly And Company | Automatic contextual segmentation for imaging bones for osteoporosis therapies |
CN107610096A (zh) * | 2009-09-11 | 2018-01-19 | 斯特拉克斯联合控股有限公司 | 用于所选组织结构的图像分析的方法及系统 |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于体素的股骨近段骨密度和骨皮质厚度的测量及可重复性研究;林燕语 等;《中国骨质疏松杂志》;20180630;第713-717页 * |
多发性骨质疏松性椎体压缩骨折中新鲜与陈旧骨折椎体的诊断与鉴别诊断;冯飞 等;《中国骨质疏松和骨矿盐疾病杂志》;20130630;第132-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110660044A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660044B (zh) | 骨组织结构形态异常的快速检测方法及电子装置 | |
Lu et al. | Automated fetal head detection and measurement in ultrasound images by iterative randomized Hough transform | |
Lu et al. | Detection of incomplete ellipse in images with strong noise by iterative randomized Hough transform (IRHT) | |
Sorensen et al. | Quantitative analysis of pulmonary emphysema using local binary patterns | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
CN108629784A (zh) | 一种基于深度学习的ct图像颅内血管分割方法及系统 | |
US6609021B1 (en) | Pulmonary nodule detection using cartwheel projection analysis | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
CN103249358A (zh) | 医用图像处理装置 | |
CN107679574A (zh) | 超声图像处理方法及系统 | |
Hasan et al. | Automated screening of MRI brain scanning using grey level statistics | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
Zhang et al. | Automatic image quality assessment and measurement of fetal head in two-dimensional ultrasound image | |
CN108960341B (zh) | 一种面向脑网络的结构化特征选择方法 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
US20110064289A1 (en) | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images | |
EP4118617A1 (en) | Automated detection of tumors based on image processing | |
WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
Sun et al. | Liver tumor segmentation and subsequent risk prediction based on Deeplabv3+ | |
EP3624058A1 (en) | Method and system of analyzing symmetry from image data | |
CN115661132A (zh) | 一种用于检测肺结节良恶性的计算机存储介质及装置 | |
WO2021035712A1 (zh) | 骨组织结构形态异常的快速检测方法及电子装置 | |
CN114862799A (zh) | 一种用于flair-mri序列的全自动脑体积分割算法 | |
Mosaliganti et al. | An imaging workflow for characterizing phenotypical change in large histological mouse model datasets |
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 |