CN110910342B - 通过使用深度学习来分析骨骼创伤 - Google Patents
通过使用深度学习来分析骨骼创伤 Download PDFInfo
- Publication number
- CN110910342B CN110910342B CN201910863094.8A CN201910863094A CN110910342B CN 110910342 B CN110910342 B CN 110910342B CN 201910863094 A CN201910863094 A CN 201910863094A CN 110910342 B CN110910342 B CN 110910342B
- Authority
- CN
- China
- Prior art keywords
- bone
- image
- interest
- medical image
- synthesized
- 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
- 238000004458 analytical method Methods 0.000 title claims description 10
- 208000014674 injury Diseases 0.000 title description 14
- 230000008733 trauma Effects 0.000 title description 13
- 238000013135 deep learning Methods 0.000 title description 5
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000006378 damage Effects 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 7
- 230000008485 antagonism Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 206010061728 Bone lesion Diseases 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000002059 diagnostic imaging Methods 0.000 description 8
- 206010017076 Fracture Diseases 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 206010061363 Skeletal injury Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 208000010392 Bone Fractures Diseases 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 208000002565 Open Fractures Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/505—Clinical applications involving diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Abstract
提供了用于确定患者的骨头是否受伤的系统和方法。接收患者的骨头的医学图像。在医学图像中的骨头之上生成合成的骨头图像以提供经重构的图像。合成的骨头图像表示未受伤的骨头。将医学图像与经重构的图像进行比较以评估对患者的骨头的损伤。
Description
背景技术
本发明一般地涉及对骨骼创伤的分析,并且更具体地涉及通过使用深度学习而对骨骼创伤进行自动化检测、量化和干预规划。
使全世界人口暴露于多发性创伤是有重大后果的。为了改善患者的幸存机会,重要的是快速并且可靠地标识具有高死亡风险的损伤并且加速对那些所标识的损伤的治疗。在当前临床实践中,临床医师遵循诊断成像路径指南,以确定待扫描的解剖以及扫描的成像模态。例如,根据诊断成像路径指南,临床医师可分析骨头窗口中并且以3D多平面重新格式化的计算机断层扫描(CT)图像,以检测骨折。为了这样做,临床医师通过使用一般标准来标识骨骼上的一般图案,以标识骨折并且评定骨折。更详细地并且通过使用更特定的标准来分析一些骨头、诸如骨盆或肋骨。然而,大量全身CT图像以及诊断的时间压力导致骨折的误诊断或延迟诊断,其可导致不良患者结果、诸如肢体残疾或死亡。
发明内容
根据一个或多个实施例,提供了用于确定患者的骨头是否受伤的系统和方法。接收患者的骨头的医学图像。在医学图像中的骨头之上生成合成的骨头图像以提供经重构的图像。合成的骨头图像表示未受伤的骨头。将医学图像与经重构的图像进行比较以评估对患者的骨头的损伤。
根据一个或多个实施例,通过使用生成式对抗网络来生成经合成的骨头图像。
根据一个或多个实施例,通过从医学图像生成骨骼分割模型来生成经合成的骨头图像。对于骨骼分割模型中的多个感兴趣的区域中的每个相应的感兴趣的区域,在针对相应的感兴趣的区域的医学图像中的骨头之上限定掩模,并且在针对相应的感兴趣的区域的医学图像中的掩模之上生成经合成的骨头图像部分。针对所述多个感兴趣的区域的经合成的骨头图像部分被组合以形成经合成的骨头图像。
根据一个或多个实施例,比较所述医学图像与经重构的图像包括为医学图像中的每个相应的体素确定表示医学图像中的相应体素与经重构的图像中的对应体素之间的差异的评分。
根据一个或多个实施例,可以基于针对医学图像中每个相应体素的评分来输出对骨头的损伤程度的视觉描绘。
根据一个或多个实施例,对针对一个或多个相应的感兴趣的界标的骨头的损伤可以基于针对相应感兴趣的界标中的每个体素的评分以及多个阈值而被分类成多个骨头损伤等级之一。对针对所述一个或多个相应的感兴趣的界标的骨头的损伤可以基于相应感兴趣的界标中的每个体素的平均评分或累积评分以及多个阈值而被分类。
根据一个或多个实施例,对于所述一个或多个感兴趣的界标中特定的感兴趣的界标,可以通过使用特定于所述特定感兴趣的界标的分析技术来评估所述特定感兴趣的界标,所述特定的感兴趣的界标基于分类结果而被确定。
根据一个或多个实施例,可以基于特定于所述特定感兴趣的界标的分析技术的结果来规划临床治疗。
通过参考以下详细描述以及附图,本发明的这些和其它优点对于本领域普通技术人员而言将显而易见。
附图说明
图1示出了根据一个或多个实施例的用于分析医学图像的说明性系统;
图2示出了根据一个或多个实施例的用于评估患者的骨头损伤的示例性方法;
图3示出了根据一个或多个实施例的用于在患者的至少一个医学图像中的骨头之上生成经合成的骨头图像的示例性方法;
图4示出了根据一个或多个实施例的用于训练并且应用机器学习模型以用于在至少一个医学图像中的掩模之上生成经合成的骨头图像的示例性工作流;
图5示出了根据一个或多个实施例的用于患者的临床诊断和治疗规划的示例性工作流;并且
图6示出了计算机的高级框图。
具体实施方式
本发明一般地涉及用于通过使用深度学习而对骨骼创伤进行自动化检测、量化和干预规划的方法和系统。本发明的实施例在本文中被描述以给出对用于合成并且分割多模态医学图像的方法的视觉理解。数字图像经常由一个或多个对象(或形状)的数字表示所组成。在本文中经常在标识和操纵对象方面描述对象的数字表示。这样的操纵是在计算机系统的存储器或其它电路/硬件中实现的虚拟操纵。因此,要理解的是,本发明的实施例可以通过使用被存储在计算机系统内的数据而在计算机系统内被执行。
此外,应当理解的是,虽然本文中所讨论的实施例可以关于医学图像中的骨骼创伤来被讨论,但是本发明不被这样限制。本发明的实施例可以被应用于针对来自任何类型的图像的任何感兴趣的度量的自动化检测、量化和/或规划。
图1示出了根据一个或多个实施例的被配置用于分析医学图像的系统100。系统100包括工作站102,其可以用于帮助临床医师(例如医生、医学专业人员或任何其他用户)来在患者106(或任何其它受试者)上执行医学评估。工作站102可以通过使用任何合适的计算设备(诸如例如图6的计算机602)来被实现。
工作站102可以在执行患者106的医学评估中帮助临床医师。例如,工作站102可以从一个或多个医学成像系统104接收患者106的图像。医学成像系统104可以具有任何模态,诸如例如计算机断层扫描(CT)、x射线、磁共振成像(MRI)、超声(US)、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、或任何其它合适的模态或模态组合。在另一实施例中,工作站102可以通过加载通过使用医学成像系统104所获取的患者的先前存储的图像来接收图像。
在当前临床实践中,临床医师通过从医学图像手动地标识并且量化骨骼骨折来评估骨骼创伤的患者。临床医师遵循诊断成像路径指南来确定待成像的患者的解剖以及待获取的图像的模态。然而,这样的常规临床实践可导致患者的骨折的误诊断或延迟诊断,其可导致不良患者结果,诸如肢体残疾或死亡。
本发明的实施例提供通过使用深度学习而对骨骼创伤的自动化检测、量化和干预规划。在有利的实施例中,经重构的图像通过如下而被生成:掩蔽医学图像中患者的骨头,并且在掩模内生成经合成的骨头图像,其表示未受伤的骨头。将患者的医学图像与经重构的图像进行比较以评估患者的骨头。有利地,本发明的实施例提供以比常规途径更快并且更准确的方式而对骨骼创伤的自动化检测、量化和干预规划。本发明的实施例不要求在数据收集与报告生成之间的人类交互,所述报告生成具有经量化的发现、分类和治疗推荐,从而减小临床医师的工作负荷并且允许他们专注于更关键的任务。
图2示出了根据一个或多个实施例的用于评估患者的骨头损伤的方法200。方法200可以通过计算设备(诸如例如图1的工作站102)来被执行。
在步骤202处,接收患者的骨头的至少一个医学图像。在一个实施例中,所述至少一个医学图像包括患者的感兴趣的解剖的3D计算机断层扫描(CT)图像。然而,应当理解到,所述一个或多个图像可以具有任何合适的模态。
在步骤204处,在所述至少一个医学图像中的骨头之上生成经合成的骨头图像,以为所述至少一个医学图像中的每一个提供经重构的图像。合成的骨头图像表示未受伤的骨头。在一个实施例中,步骤204通过执行在以下更详细地描述的图3的方法300的步骤来被执行。
在步骤206处,将所述至少一个医学图像中的每一个与其相关联的经重构的图像进行比较以评估对患者骨头的损伤。评估对骨头的损伤可以包括确定骨头是否受伤(例如骨折),确定骨头的骨头损伤等级,或任何其它合适的骨头评估。可以通过使用任何合适的途径来执行比较。
在一个实施例中,通过如下来将所述至少一个医学图像中的每一个与其相关联的经重构的图像进行比较:执行逐体素的比较以确定针对所述至少一个医学图像以及经重构的图像中的对应体素的强度值中的差异。可以针对所述至少一个医学图像及其相关联的经重构的图像中每一个中的对应体素而执行比较,以确定评分。例如,所述评分可以是针对医学图像中的每个体素以及在其相关联的经重构的图像(或所述图像内的任何其它较小部分)中的对应体素的差异的累积值,或针对医学图像中每个体素以及在其相关联的经重构的图像中的对应体素的差异的平均值。相对较大的评分值表示在所述至少一个医学图像与经重构的图像(表示未受伤的骨头)之间的较大差异,从而指示较高程度的骨头损伤。相对较小的评分值表示在所述至少一个医学图像与经重构的图像(表示未受伤的骨头)之间的较小差异,从而指示较低程度的骨头损伤。
在一个实施例中,评估所述至少一个医学图像中的骨头的感兴趣的界标。评分可以针对感兴趣的界标内的图像的一部分而被确定,并且被分类成多个骨头损伤等级之一,其例如基于多个阈值。
在一个实施例中,可以基于所述评分来生成骨骼创伤热图,如以下关于图5的框504进一步详细描述的。
图3示出了根据一个或多个实施例的用于在患者的至少一个医学图像中的骨头之上生成经合成的骨头图像的方法300。在一个实施例中,图2的步骤204通过执行图3的方法300的步骤来被执行。
在步骤302处,从患者的骨头的至少一个医学图像来生成骨骼分割模型。可以通过使用任何合适的分割技术来生成骨骼分割模型。在一个实施例中,对抗型深度图像对图像技术用来通过使用所述至少一个医学图像中的软组织和骨头信息来构造多尺度3D骨骼分割模型。例如,判别式对抗网络可以被应用于训练深度神经网络,以比较训练图像的经分割的形状与其相应的群组实况图像。通过使用深度图像对图像技术所训练的分割器基于解剖形状而提供更现实的分割掩模。在一个实施例中,分割器可以如在2016年12月16日提交的并且在2017年9月12日发布的美国专利号9,760,807中所描述的那样被训练,其公开通过引用以其全部被并入本文中。
在步骤304处,从骨骼分割模型选择感兴趣的区域。
在步骤306处,在针对所选的感兴趣的区域的所述至少一个医学图像中的骨头(在步骤302处被标识)之上限定掩模。任何合适的技术可以被用来在所述至少一个医学图像中的骨头之上掩蔽。
在步骤308处,在针对所选的感兴趣的区域的所述至少一个医学图像中的掩模之上生成经合成的骨头图像部分。经合成的骨头图像部分表示未受伤的骨头。在一个实施例中,通过使用生成式对抗网络(GAN)来生成经合成的骨头图像部分,所述生成式对抗网络(GAN)通过使用未受伤的骨头的图像来被训练。在一个实施例中,可以通过执行图4的工作流400的步骤来执行步骤308,以在离线阶段期间训练生成器并且在在线阶段期间应用所训练的生成器,从而在所述至少一个医学图像中的掩模之上生成经合成的骨头图像部分,在以下详细描述。
在步骤310处,如果在骨骼分割模型中存在任何剩余的感兴趣的区域,则所述方法返回到步骤304并且从骨骼分割模型中选择另一感兴趣的区域。在步骤312处,如果在骨骼分割模型中不存在剩余的感兴趣的区域,则与每个所选的感兴趣的区域相对应的经合成的骨头图像部分被组合以在所述至少一个医学图像的掩模内形成经合成的骨头图像,作为经重构的图像。
在步骤314处,输出经重构的图像。在一个实施例中,输出经重构的图像可以包括将经重构的图像返回到图2的步骤204。在一些实施例中,通过在计算机系统的显示设备上显示经重构的图像、在计算机系统的存储器或储存器上存储经重构的图像、或通过将经重构的图像传输到远程计算机系统而输出经重构的图像。
图4示出了根据一个或多个实施例的用于训练并且应用机器学习模型以用于在至少一个医学图像中的掩模之上生成经合成的骨头图像(或经合成的骨头图像部分)的工作流400。步骤402-406示出了用于训练机器学习模型的离线或训练阶段。步骤408-412示出了用于应用经训练的机器学习模型的在线或测试阶段。
在步骤402处,在离线阶段期间,接收包括患者的骨头的训练图像。训练图像是通过使用与在线阶段期间所接收的输入图像的模态相对应的医学成像模态所获取的医学图像。例如,模态可以是计算机断层扫描(CT)、磁共振(MR)、DynaCT、超声、x射线、正电子发射断层扫描(PET)等等。在一个实施例中,可以通过从医学图像的数据库加载多个先前存储的医学训练图像来接收训练图像。在一个实施例中,所述训练图像可以是输入训练图像的所选的感兴趣的区域。
在步骤404处,在训练图像中的骨头之上限定掩模。可以如以上关于图3的步骤306所描述的那样来限定掩模。
在步骤406处,训练机器学习模型,以在经掩蔽的训练图像中的掩模之上生成经合成的骨头图像(或经合成的骨头图像部分)。可以训练机器学习模型而通过使用在步骤402处作为地面实况所接收的训练图像来在经掩蔽的训练图像中的掩模之上生成经合成的骨头图像。
在一个实施例中,采用生成式对抗网络(GAN)来训练机器学习模型。所述GAN包括以深度网络的形式的两个模块:用于图像生成的生成器以及用于在真实图像与经合成的图像之间进行区分的判别器/>。生成器/>根据经掩蔽的训练图像z来生成经合成的图像。判别器/>输入由生成器/>所生成的经合成的图像/>和真实图像I(例如在步骤402处所接收的训练图像),并且将这些图像中的每一个分类为真实的或伪造的(经合成的)。在训练期间,生成器/>和判别器/>一起进行方程(1)的极小极大博弈,如下:
(1)
其中α和β分别是生成器和判别器/>的参数(权重)。生成器/>和判别器/>只要所述博弈在进行中就在学习更好网络参数的意义上动态地演进,直到它们达到平衡为止;也就是说,经合成的图像/>变得通过判别器/>的眼睛而与真实图像不可区分(或尽可能接近于不可区分)。在这样的境况下,生成器本质上生成真实图像。GAN框架实现在合成真实图像中的迅速进展。
在步骤408处,在在线阶段期间,接收患者的输入医学图像。所述输入医学图像具有在骨头之上限定的掩模。所述输入医学图像可以直接地从图像获取设备来被接收,所述图像获取设备用来获取输入医学图像,诸如例如图1的医学成像系统104。替换地,所述输入医学图像可以通过从计算机系统的存储器或储存器加载先前获取的医学图像或从远程计算机系统接收已经传输的医学图像来被接收。在一个实施例中,所述输入医学图像是医学图像的所选的感兴趣的区域。在一个实施例中,所述输入医学图像是具有掩模的所述至少一个医学图像,所述掩模在针对所选的感兴趣的区域的骨头之上被限定,来自图3的步骤306。
在步骤410处,通过使用所训练的机器学习模型而在输入医学图像中的掩模之上生成经合成的骨头图像(或经合成的骨头图像部分)。在一个实施例中,所训练的机器学习模型是GAN的所训练的生成器。
在框412处,经合成的骨头图像(或经合成的骨头图像部分)被输出。在一个实施例中,经合成的骨头图像通过如下而被输出:针对所选的感兴趣的区域而将经重构的图像返回到图3的步骤308。在一些实施例中,可以通过在计算机系统的显示设备上显示经重构的图像、在计算机系统的存储器或储存器上存储经重构的图像、或通过将经重构的图像传输到远程计算机系统而输出经重构的图像。
应当理解到,一旦在训练阶段期间训练了机器学习模型(例如生成器),就可以针对每个新接收的(多个)输入医学图像而重复在线阶段的步骤408-412。例如,可以在图3的步骤308处针对每个所选的感兴趣的区域而重复框408-412。
图5示出了根据一个或多个实施例的用于患者的临床诊断和治疗规划的工作流500。工作流500可以通过计算设备(诸如例如图1的工作站102)来被执行。
在框502处,接收患者的骨头的至少一个医学图像。所述至少一个医学图像可以具有任何合适的模态,诸如CT。
在框504处,生成骨骼创伤热图。在一个实施例中,通过如下来生成骨骼创伤热图:通过执行图2的方法200的步骤来评估患者的骨头的损伤。特别地,执行方法200的步骤来确定评分,所述评分表示在所述至少一个医学图像与经重构的图像(表示未受伤的骨头)中对应的体素之间的差异。相对较大的差异表示较高程度的骨头损伤,而相对较小的差异表示较低程度的骨头损伤。在骨骼分割模型上将与每个体素相关联的评分表示为骨骼创伤热图,以提供视觉报告,其示出了在何处患者的骨头从表示未受伤的骨头的经重构的图像最发散。例如,评分可以通过(多个)颜色的梯度而被视觉地表示在骨骼分割模型上,使得较亮的红色表示较高的评分(即较大差异)并且较暗的蓝色表示较低的评分(即较低差异)。还设想用于视觉地表示评分的其它途径。
在框506处,接收感兴趣的界标。根据临床上接受的指南,感兴趣的界标可以是解剖的关键区域,如由本领域普通技术人员所理解的。例如,感兴趣的界标可以包括骨盆、肋骨、脊柱、头盖骨等等。
在框508处,生成并且输出一般报告。一般报告可以包括与一个或多个感兴趣的界标相关联的骨头损伤等级。所述骨头损伤等级可以基于针对在骨骼创伤热图上所标识的所述一个或多个感兴趣的界标的评分。在一个实施例中,针对感兴趣的界标的评分可以是针对感兴趣的界标内的体素的累积评分,针对感兴趣的界标内的体素的平均评分等等。可以将所述评分与一个或多个阈值进行比较,以将感兴趣的界标(例如区域)分类到骨头损伤等级中。所述骨头损伤等级可以从例如没有损伤变动到开放性骨折。例如,具有在阈值T1以下的评分的区域1可以被以等级X1分类,具有在T1与T2之间的评分的区域2可以被以等级X2分类,并且具有在T(N-1)与TN之间的评分的区域N可以被以等级N分类。骨头损伤等级可以表示根据临床指南(例如AOSpine)的骨折分类。骨头损伤等级可以基于例如针对以下各项的推荐:外科手术规划、优化患者的幸存、他或她的功能恢复、以及他或她的恢复时间。
在框510处,基于针对感兴趣的界标的一般报告来生成针对一个或多个感兴趣的界标的特定报告。在一个实施例中,针对基于感兴趣的界标的一般报告而被确定成处于风险的一个或多个感兴趣的界标来生成特定报告。例如,感兴趣的界标当它们在某个等级处或在某个等级以上(例如基于临床上接受的指南而被确定)的时候可以被确定成处于风险。可以通过应用特定于那个感兴趣的界标的分析技术来生成特定报告。在一个实施例中,特定于感兴趣的界标的分析技术是已知技术。
在框512处,针对感兴趣的界标的临床(例如外科手术)治疗可以基于特定报告的结果而被规划和优先化。例如,最关键的感兴趣的界标可以被优先化在最不关键的感兴趣的界标之上,如基于特定报告所确定的那样。在一个实施例中,还可以基于患者的信息(例如患者的医疗记录)来规划并且优先化临床干预。
可以通过使用数字电路、或使用一个或多个计算机来实现本文中所述的系统、装置和方法,所述计算机使用众所周知的计算机处理器、存储器单元、存储设备、计算机软件和其它部件。通常,计算机包括用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器。计算机还可以包括或被耦合到一个或多个大容量存储设备,诸如一个或多个磁盘、内部硬盘和可移除盘、磁光盘、光盘等等。
本文中所述的系统、装置和方法可以通过使用在客户端-服务器关系中操作的计算机来被实现。通常,在这样的系统中,客户端计算机远离服务器计算机定位并且经由网络交互。客户端-服务器关系可以通过在相应的客户端和服务器计算机上运行的计算机程序来被限定和控制。
本文中所述的系统、装置和方法可以被实现在基于网络的云计算系统内。在这样的基于网络的云计算系统中,被连接到网络的服务器或另一处理器经由网络而与一个或多个客户端计算机通信。客户端计算机可以经由例如驻留在客户端计算机上并且在客户端计算机上操作的网络浏览器应用而与服务器通信。客户端计算机可以将数据存储在服务器上,并且经由网络来访问数据。客户端计算机可以经由网络将针对数据的请求、或针对在线服务的请求传输到服务器。服务器可以执行所请求的服务并且将数据提供到(多个)客户端计算机。服务器还可以传输如下数据:所述数据适于引起客户端计算机执行所指定的功能,例如执行计算,在屏幕上显示所指定的数据等等。例如,服务器可以传输如下请求:所述请求适于引起客户端计算机执行本文中所描述的方法和工作流的步骤或功能中的一个或多个,包括图2-5的步骤或功能中的一个或多个。本文中所描述的方法和工作流的某些步骤或功能(包括图2-5的步骤或功能中的一个或多个)可以由服务器或由基于网络的云计算系统中的另一处理器来执行。本文中所述的方法和工作流的某些步骤或功能(包括图2-5的步骤中的一个或多个)可以由基于网络的云计算系统中的客户端计算机来执行。本文中所描述的方法和工作流的步骤或功能(包括图2-5的步骤中的一个或多个)可以由服务器和/或由基于网络的云计算系统中的客户端计算机以任何组合来执行。
本文中所述的系统、装置和方法可以通过使用被有形地包含在信息载体中(例如在非暂时性机器可读存储设备中)的计算机程序产品来被实现,以用于通过可编程处理器来执行,并且本文中所描述的方法和工作流步骤(包括图2-5的步骤或功能中的一个或多个)可以通过使用由这样的处理器可执行的一个或多个计算机程序来被实现。计算机程序是计算机程序指令集,其可以在计算机中直接或间接地被用来执行某个活动或引起某个结果。计算机程序可以用任何形式的编程语言来被编写,所述编程语言包括编译或解译语言,并且它可以用任何形式来被部署,包括作为独立的程序或作为模块、部件、子例程、或适合于在计算环境中使用的其它单元。
在图6中描绘可以用来实现本文中所描述的系统、装置和方法的示例计算机602的高级框图。计算机602包括处理器604,所述处理器604操作地耦合到数据存储设备612和存储器610。处理器604通过执行限定这样的操作的计算机程序指令而控制计算机602的总体操作。计算机程序指令可以被存储在数据存储设备612或其它计算机可读介质中,并且当期望计算机程序指令的执行的时候被加载到存储器610中。因此,图2-5的方法和工作流步骤或功能可以通过被存储在存储器610和/或数据存储设备612中的计算机程序指令来被限定,并且由执行计算机程序指令的处理器604来控制。例如,计算机程序指令可以被实现为由本领域技术人员编程来执行图2-5的方法和工作流步骤或功能的计算机可执行代码。因此,通过执行计算机程序指令,处理器604执行图2-5的方法和工作流步骤或功能。计算机604还可以包括一个或多个网络接口606以用于经由网络而与其它设备通信。计算机602还可以包括一个或多个输入/输出设备608,所述输入/输出设备608实现与计算机602的用户交互(例如显示器、键盘、鼠标、扬声器、按钮等等)。
处理器604可以包括通用和专用微处理器两者,并且可以是单独的处理器或计算机602的多个处理器之一。处理器604可以包括例如一个或多个中央处理单元(CPU)。处理器604、数据存储设备612和/或存储器610可以包括以下各项、由以下各项补充、或被并入在以下各项中:一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)。
数据存储设备612和存储器610每个包括有形非暂时性计算机可读存储介质。数据存储设备612和存储器610可以每个包括高速随机存取存储器,诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、双数据速率同步动态随机存取存储器(DDR RAM)、或其它随机存取固态存储器设备,并且可以包括非易失性存储器,诸如一个或多个磁盘存储设备,诸如内部硬盘和可移除盘、磁光盘存储设备、光盘存储设备、闪速存储器设备、半导体存储器设备,诸如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)、数字通用盘只读存储器(DVD-ROM)盘、或其它非易失性固态存储设备。
输入/输出设备608可以包括外围设备,诸如打印机、扫描仪、显示屏等等。例如,输入/输出设备608可以包括用于向用户显示信息的显示设备(诸如阴极射线管(CRT)或液晶显示器(LCD)监视器)、键盘以及定点设备(诸如鼠标或轨迹球),用户可以通过其来向计算机602提供输入。
本文中所讨论的系统和装置中的任一个或全部(包括图1的工作站102的元件)可以通过使用一个或多个计算机(诸如计算机602)来被实现。
本领域技术人员将认识到实际计算机或计算机系统的实现可以具有其它结构,并且也可以包含其它部件,并且图6是用于图示目的的这样的计算机的部件中的一些的高级表示。
前述具体实施方式将被理解为在每个方面都是说明性和示例性的、而不是限制性的,并且本文中所公开的本发明的范围将不根据具体实施方式来被确定,而是更确切地说根据如根据专利法所准许的完全宽度所解释的权利要求来被确定。要理解的是,本文中所示出和所描述的实施例仅仅说明本发明的原理,并且本领域技术人员可以实现各种修改而不偏离本发明的范围和精神。本领域技术人员可以实现各种其它特征组合而不偏离本发明的范围和精神。
Claims (20)
1.一种用于确定患者的骨头是否受伤的方法,包括:
接收患者的骨头的医学图像;
在所述医学图像中的骨头之上生成经合成的骨头图像,以提供经重构的图像,所述经合成的骨头图像表示未受伤的骨头;以及
比较医学图像与经重构的图像以评估对患者的骨头的损伤。
2.根据权利要求1所述的方法,其中在所述医学图像中的骨头之上生成经合成的骨头图像以提供经重构的图像——所述经合成的骨头图像表示未受伤的骨头——包括:
通过使用生成式对抗网络来生成经合成的骨头图像。
3.根据权利要求1所述的方法,其中在所述医学图像中的骨头之上生成经合成的骨头图像以提供经重构的图像——所述经合成的骨头图像表示未受伤的骨头——包括:
根据所述医学图像而生成骨骼分割模型;
对于骨骼分割模型中多个感兴趣的区域中的每个相应的感兴趣的区域:
在针对相应感兴趣的区域的医学图像中的骨头之上限定掩模,以及
在针对相应感兴趣的区域的医学图像中的掩模之上生成经合成的骨头图像部分;以及
组合针对所述多个感兴趣的区域的经合成的骨头图像部分以形成经合成的骨头图像。
4.根据权利要求1所述的方法,其中比较医学图像与经重构的图像以评估对患者的骨头的损伤包括:
为医学图像中的每个相应的体素确定表示医学图像中的相应体素与经重构的图像中的对应体素之间的差异的评分。
5.根据权利要求4所述的方法,此外包括:
基于针对医学图像中每个相应体素的评分来输出对骨头的损伤程度的视觉描绘。
6.根据权利要求4所述的方法,此外包括:
基于针对相应感兴趣的界标中的每个体素的评分以及多个阈值来将对针对一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一。
7.根据权利要求6所述的方法,其中基于针对相应感兴趣的界标中的每个体素的评分以及多个阈值来将对针对一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一包括以下中的至少一个:
基于相应感兴趣的界标中的每个体素的平均评分以及多个阈值来将对针对所述一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一;以及
基于相应感兴趣的界标中的每个体素的累积评分以及所述多个阈值来将对针对所述一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一。
8.根据权利要求6所述的方法,此外包括:
对于所述一个或多个感兴趣的界标中特定的感兴趣的界标,通过使用特定于所述特定感兴趣的界标的分析技术来评估所述特定感兴趣的界标,所述特定的感兴趣的界标基于分类结果而被确定。
9.根据权利要求8所述的方法,此外包括:
基于特定于所述特定感兴趣的界标的分析技术的结果来规划临床治疗。
10.一种用于确定患者的骨头是否受伤的装置,包括:
用于接收患者的骨头的医学图像的装置;
用于在所述医学图像中的骨头之上生成经合成的骨头图像以提供经重构的图像的装置,所述经合成的骨头图像表示未受伤的骨头;以及
用于比较医学图像与经重构的图像以评估对患者的骨头的损伤的装置。
11.根据权利要求10所述的装置,其中用于在所述医学图像中的骨头之上生成经合成的骨头图像以提供经重构的图像——所述经合成的骨头图像表示未受伤的骨头——的装置包括:
用于通过使用生成式对抗网络来生成经合成的骨头图像的装置。
12.根据权利要求10所述的装置,其中用于在所述医学图像中的骨头之上生成经合成的骨头图像以提供经重构的图像——所述经合成的骨头图像表示未受伤的骨头——的装置包括:
用于从所述医学图像生成骨骼分割模型的装置;
对于骨骼分割模型中多个感兴趣的区域中的每个相应的感兴趣的区域:
用于在针对相应感兴趣的区域的医学图像中的骨头之上限定掩模的装置,以及
用于在针对相应感兴趣的区域的医学图像中的掩模之上生成经合成的骨头图像部分的装置;以及
用于组合针对所述多个感兴趣的区域的经合成的骨头图像部分以形成经合成的骨头图像的装置。
13.根据权利要求10所述的装置,其中用于比较医学图像与经重构的图像以评估对患者的骨头的损伤的装置包括:
用于为医学图像中的每个相应的体素确定表示医学图像中的相应体素与经重构的图像中的对应体素之间的差异的评分的装置。
14.根据权利要求13所述的装置,此外包括:
用于基于针对医学图像中每个相应体素的评分来输出对骨头的损伤程度的视觉描绘的装置。
15.一种非暂时性计算机可读介质,其存储用于确定患者的骨头是否受伤的计算机程序指令,所述计算机程序指令当由处理器执行的时候使得所述处理器执行包括以下各项的操作:
接收患者的骨头的医学图像;
在所述医学图像中的骨头之上生成经合成的骨头图像,以提供经重构的图像,所述经合成的骨头图像表示未受伤的骨头;以及
比较医学图像与经重构的图像以评估对患者的骨头的损伤。
16.根据权利要求15所述的非暂时性计算机可读介质,其中比较医学图像与经重构的图像以评估对患者骨头的损伤包括:
为医学图像中的每个相应的体素确定表示医学图像中的相应体素与经重构的图像中的对应体素之间的差异的评分。
17.根据权利要求16所述的非暂时性计算机可读介质,此外包括:
基于针对医学图像中每个相应体素的评分来输出对骨头的损伤程度的视觉描绘。
18.根据权利要求16所述的非暂时性计算机可读介质,此外包括:
基于针对相应感兴趣的界标中的每个体素的评分以及多个阈值来将对针对一个或多个相应感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一。
19.根据权利要求18所述的非暂时性计算机可读介质,其中基于针对相应感兴趣界标中的每个体素的评分以及多个阈值来将对针对一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一包括以下中至少一个:
基于相应感兴趣的界标中的每个体素的平均评分以及多个阈值来将对针对所述一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一;以及
基于相应感兴趣的界标中的每个体素的累积评分以及所述多个阈值来将对针对所述一个或多个相应的感兴趣的界标的骨头的损伤分类成多个骨头损伤等级之一。
20.根据权利要求18所述的非暂时性计算机可读介质,此外包括:
对于所述一个或多个感兴趣的界标中特定的感兴趣的界标,通过使用特定于所述特定感兴趣的界标的分析技术来评估所述特定感兴趣的界标,所述特定的感兴趣的界标基于分类结果而被确定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/128,815 US10762632B2 (en) | 2018-09-12 | 2018-09-12 | Analysis of skeletal trauma using deep learning |
US16/128815 | 2018-09-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910342A CN110910342A (zh) | 2020-03-24 |
CN110910342B true CN110910342B (zh) | 2023-11-14 |
Family
ID=67928657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863094.8A Active CN110910342B (zh) | 2018-09-12 | 2019-09-12 | 通过使用深度学习来分析骨骼创伤 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10762632B2 (zh) |
EP (1) | EP3624054B1 (zh) |
CN (1) | CN110910342B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111388000B (zh) * | 2020-03-27 | 2023-08-25 | 上海杏脉信息科技有限公司 | 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端 |
CN111513743B (zh) * | 2020-04-10 | 2023-08-11 | 青岛海信医疗设备股份有限公司 | 一种骨折检测方法及装置 |
CN112991477B (zh) * | 2021-01-28 | 2023-04-18 | 明峰医疗系统股份有限公司 | 基于深度学习的pet图像处理方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
CN1732853A (zh) * | 2004-02-23 | 2006-02-15 | 计算机逻辑公司 | 超声波骨头评估的装置及方法 |
CN1934589A (zh) * | 2004-03-23 | 2007-03-21 | 美国西门子医疗解决公司 | 为医学成像提供自动决策支持的系统和方法 |
CN101216953A (zh) * | 2008-01-04 | 2008-07-09 | 西北工业大学 | 颅骨三维模型构建方法 |
CN101241600A (zh) * | 2008-02-19 | 2008-08-13 | 深圳先进技术研究院 | 一种运动捕捉技术中的链状骨骼匹配方法 |
CN101797163A (zh) * | 2009-02-06 | 2010-08-11 | 株式会社东芝 | X射线图像诊断装置以及x射线图像处理方法 |
CN201759560U (zh) * | 2010-09-07 | 2011-03-16 | 中国人民解放军第三军医大学第一附属医院 | 一种用于肌腱和骨头连接部手术后的测量装置 |
CN102525537A (zh) * | 2009-02-23 | 2012-07-04 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
CN102737250A (zh) * | 2011-01-14 | 2012-10-17 | 西门子公司 | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 |
CN103143113A (zh) * | 2013-03-14 | 2013-06-12 | 韩杰 | 一种股骨头坏死治疗系统 |
CN103239253A (zh) * | 2012-02-14 | 2013-08-14 | 株式会社东芝 | 医用图像诊断装置 |
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
CN103829992A (zh) * | 2013-11-29 | 2014-06-04 | 冯业进 | 一种治疗股骨头坏死的装置 |
US9002081B2 (en) * | 2011-10-18 | 2015-04-07 | Matthew Sherman Brown | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
CN105877846A (zh) * | 2016-03-30 | 2016-08-24 | 杨重骏 | 口腔诊疗机器人系统及其控制方法 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
CN106556581A (zh) * | 2015-09-24 | 2017-04-05 | 无锡源清天木生物科技有限公司 | 等离子体对体外dna断裂损伤强度的快速检测方法 |
CN106560860A (zh) * | 2015-09-30 | 2017-04-12 | 弯曲束有限责任公司 | 用于评估骨融合的系统 |
CN106663309A (zh) * | 2014-07-03 | 2017-05-10 | 西门子产品生命周期管理软件公司 | 用于医学成像的骨骼分段中的用户引导的形状变体 |
CN107205709A (zh) * | 2015-02-13 | 2017-09-26 | 株式会社岛津制作所 | 骨分析装置 |
KR101839789B1 (ko) * | 2017-08-01 | 2018-03-19 | 주식회사 뷰노 | 치과 영상의 판독 데이터 생성 시스템 |
CN108122232A (zh) * | 2018-02-02 | 2018-06-05 | 华南理工大学 | 一种医用夹板患处不同动作的智能识别方法 |
CN108175516A (zh) * | 2017-12-21 | 2018-06-19 | 成都真实维度科技有限公司 | 基于三维c型臂机的股骨颈骨折手术临台效果评价方法及系统 |
CN108348191A (zh) * | 2015-09-04 | 2018-07-31 | 梅约医学教育与研究基金会 | 用于在修复手术规划中使用的带有医学植入物的患者的医学成像的系统和方法 |
CN108399452A (zh) * | 2017-02-08 | 2018-08-14 | 西门子保健有限责任公司 | 用于执行多重分析的神经网络的权重的分层学习 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760807B2 (en) | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
-
2018
- 2018-09-12 US US16/128,815 patent/US10762632B2/en active Active
-
2019
- 2019-09-11 EP EP19196603.5A patent/EP3624054B1/en active Active
- 2019-09-12 CN CN201910863094.8A patent/CN110910342B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
CN1732853A (zh) * | 2004-02-23 | 2006-02-15 | 计算机逻辑公司 | 超声波骨头评估的装置及方法 |
CN1934589A (zh) * | 2004-03-23 | 2007-03-21 | 美国西门子医疗解决公司 | 为医学成像提供自动决策支持的系统和方法 |
CN101216953A (zh) * | 2008-01-04 | 2008-07-09 | 西北工业大学 | 颅骨三维模型构建方法 |
CN101241600A (zh) * | 2008-02-19 | 2008-08-13 | 深圳先进技术研究院 | 一种运动捕捉技术中的链状骨骼匹配方法 |
CN101797163A (zh) * | 2009-02-06 | 2010-08-11 | 株式会社东芝 | X射线图像诊断装置以及x射线图像处理方法 |
CN102525537A (zh) * | 2009-02-23 | 2012-07-04 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
CN201759560U (zh) * | 2010-09-07 | 2011-03-16 | 中国人民解放军第三军医大学第一附属医院 | 一种用于肌腱和骨头连接部手术后的测量装置 |
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
CN102737250A (zh) * | 2011-01-14 | 2012-10-17 | 西门子公司 | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 |
US9002081B2 (en) * | 2011-10-18 | 2015-04-07 | Matthew Sherman Brown | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
CN103239253A (zh) * | 2012-02-14 | 2013-08-14 | 株式会社东芝 | 医用图像诊断装置 |
CN103143113A (zh) * | 2013-03-14 | 2013-06-12 | 韩杰 | 一种股骨头坏死治疗系统 |
CN103829992A (zh) * | 2013-11-29 | 2014-06-04 | 冯业进 | 一种治疗股骨头坏死的装置 |
CN106663309A (zh) * | 2014-07-03 | 2017-05-10 | 西门子产品生命周期管理软件公司 | 用于医学成像的骨骼分段中的用户引导的形状变体 |
CN107205709A (zh) * | 2015-02-13 | 2017-09-26 | 株式会社岛津制作所 | 骨分析装置 |
CN106108925A (zh) * | 2015-05-04 | 2016-11-16 | 西门子保健有限责任公司 | 用于医学图像数据中全身骨移除和血管可视化的方法和系统 |
CN108348191A (zh) * | 2015-09-04 | 2018-07-31 | 梅约医学教育与研究基金会 | 用于在修复手术规划中使用的带有医学植入物的患者的医学成像的系统和方法 |
CN106556581A (zh) * | 2015-09-24 | 2017-04-05 | 无锡源清天木生物科技有限公司 | 等离子体对体外dna断裂损伤强度的快速检测方法 |
CN106560860A (zh) * | 2015-09-30 | 2017-04-12 | 弯曲束有限责任公司 | 用于评估骨融合的系统 |
CN105877846A (zh) * | 2016-03-30 | 2016-08-24 | 杨重骏 | 口腔诊疗机器人系统及其控制方法 |
CN108399452A (zh) * | 2017-02-08 | 2018-08-14 | 西门子保健有限责任公司 | 用于执行多重分析的神经网络的权重的分层学习 |
KR101839789B1 (ko) * | 2017-08-01 | 2018-03-19 | 주식회사 뷰노 | 치과 영상의 판독 데이터 생성 시스템 |
CN108175516A (zh) * | 2017-12-21 | 2018-06-19 | 成都真实维度科技有限公司 | 基于三维c型臂机的股骨颈骨折手术临台效果评价方法及系统 |
CN108122232A (zh) * | 2018-02-02 | 2018-06-05 | 华南理工大学 | 一种医用夹板患处不同动作的智能识别方法 |
Non-Patent Citations (2)
Title |
---|
张春玲 ; 宋明军 ; 杜海涛 ; 宋吾力 ; 魏树刚 ; .颅盖骨骨折CT图像的计算机自动分析研究.中国医学物理学杂志.2013,(06),第71-76页. * |
章巍 ; 徐华梓 ; .改良骨盆损伤严重度评分法评价骨盆骨折494例.浙江创伤外科.2009,(05),第25-26页. * |
Also Published As
Publication number | Publication date |
---|---|
EP3624054B1 (en) | 2021-07-14 |
EP3624054A1 (en) | 2020-03-18 |
US20200082530A1 (en) | 2020-03-12 |
CN110910342A (zh) | 2020-03-24 |
US10762632B2 (en) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
US10970829B2 (en) | Synthesizing and segmenting cross-domain medical images | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
US8208707B2 (en) | Tissue classification in medical images | |
JP2021002339A (ja) | 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム | |
ES2914387T3 (es) | Estudio inmediato | |
US11080895B2 (en) | Generating simulated body parts for images | |
CN110910342B (zh) | 通过使用深度学习来分析骨骼创伤 | |
US9245208B2 (en) | Patient modeling from multispectral input image volumes | |
EP3424017B1 (en) | Automatic detection of an artifact in patient image data | |
US10335105B2 (en) | Method and system for synthesizing virtual high dose or high kV computed tomography images from low dose or low kV computed tomography images | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
US20210133356A1 (en) | Anonymization of Medical Image Data | |
EP4150569A1 (en) | Functional imaging features from computed tomography images | |
EP3989165A1 (en) | Detecting anatomical abnormalities by segmentation results with and without shape priors | |
EP3989167A1 (en) | Simultaneous detection and classification of bone fractures using deformation modelling in model-based segmentation | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
Zhao et al. | Application of artificial intelligence in radiotherapy of nasopharyngeal carcinoma with magnetic resonance imaging | |
Sumithra et al. | A Survey of Brain Tumor Segmentation Methods with Different Image Modalitites | |
EP4336452A1 (en) | Computer-implemented method for processing spectral computed tomography (spectral ct) data, computer program and spectral ct system | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
JP2019535046A (ja) | 解剖学的または生理学的状態データのクラスタリング | |
Javale et al. | Reconstruction of Greyscale X-Ray for Boundary Analysis of Anatomical Structure | |
Şekeroğlu et al. | Prediction of osteoporosis using MRI and CT scans with unimodal and multimodal deep-learning models | |
Alexander et al. | What do radiologists look for |
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 |