CN111178428A - 软骨损伤分类方法、装置、计算机设备和存储介质 - Google Patents
软骨损伤分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111178428A CN111178428A CN201911379859.7A CN201911379859A CN111178428A CN 111178428 A CN111178428 A CN 111178428A CN 201911379859 A CN201911379859 A CN 201911379859A CN 111178428 A CN111178428 A CN 111178428A
- Authority
- CN
- China
- Prior art keywords
- cartilage
- image
- classification
- damage
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 206010007710 Cartilage injury Diseases 0.000 title claims abstract description 47
- 210000000845 cartilage Anatomy 0.000 claims abstract description 285
- 230000011218 segmentation Effects 0.000 claims abstract description 133
- 230000006378 damage Effects 0.000 claims abstract description 128
- 238000013145 classification model Methods 0.000 claims abstract description 57
- 238000003709 image segmentation Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 230000005499 meniscus Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000000968 fibrocartilage Anatomy 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 210000000629 knee joint Anatomy 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000037444 atrophy Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000025978 Athletic injury Diseases 0.000 description 1
- 206010072970 Meniscus injury Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010041738 Sports injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000003321 cartilage cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000001162 elastic cartilage Anatomy 0.000 description 1
- 210000003035 hyaline cartilage Anatomy 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
本申请涉及一种软骨损伤分类方法、装置、计算机设备和存储介质，该方法包括：将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；根据软骨的分类结果，确定软骨的损伤类别。该方法中，利用训练收敛的图像分割模型与图像分类模型对医学图像进行处理，确定软骨的分类结果，可大大提高得到分类结果的效率，也大大提高了分类结果的准确度，进而提高得到的软骨损伤类别的效率和准确度。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种软骨损伤分类方法、装置、计算机设备和存储介质。
背景技术
膝关节临床常见疾病有骨性关节炎、半月板损伤、软骨异常等。其中，软骨由软骨细胞和细胞间质组成，其本身具有弹性，能够缓冲相连骨在走、跳及其它运动时的震动和冲击；根据细胞间质的不同可把软骨分为透明软骨、弹性软骨和纤维软骨。半月板由纤维软骨组成，在股骨髁和胫骨平台之间，内外侧各有一个，呈新月形，具有传递负荷、吸收冲击、稳定关节、协调膝关节运动等重要功能。因此，软骨损伤是运动性损伤常见损伤之一，多由创伤、关节退变、炎性疾患等因素引起，若软骨发生损伤，其功能就会减弱，并影响膝关节的力学稳定性。按医学影像学表现，软骨损伤可以被分为四个等级：正常、等级I、等级II、等级III，医生需要确定患者软骨的损伤程度及种类，以制定不同的治疗方案。
通常，不同的软骨损伤等级可由磁共振(Magnetic Resonance,MR)图像表现，依靠专业医生的临床经验对磁共振图像进行判断，基于所确定的损伤等级进而确定患者软骨的损伤类别。
但是，传统技术中由医生直接判断软骨损伤类别的过程效率较低，且因主观因素的影响准确度也较低。
发明内容
基于此，有必要针对传统技术中由医生直接判断软骨损伤类别的过程效率较低，且因主观因素的影响准确度也较低的问题，提供一种软骨损伤分类方法、装置、计算机设备和存储介质
第一方面，本申请实施例提供一种软骨损伤分类方法，包括：
将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
根据软骨的分类结果，确定软骨的损伤类别。
第二方面，本申请实施例提供一种软骨分类装置，包括：
分割模块，用于将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
分类模块，用于将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
确定模块，用于根据软骨的分类结果，确定软骨的损伤类别。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
根据软骨的分类结果，确定软骨的损伤类别。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
根据软骨的分类结果，确定软骨的损伤类别。
上述软骨损伤分类方法、装置、计算机设备和存储介质，能够将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；根据软骨的分类结果，确定软骨的损伤类别。该方法中，利用训练收敛的图像分割模型与图像分类模型对医学图像进行处理，确定软骨的分类结果，可大大提高得到分类结果的效率，且处理过程无需人为干预，也大大提高了分类结果的准确度，进而提高得到的软骨损伤类别的效率和准确度。
附图说明
图1为一个实施例提供的软骨损伤分类方法的流程示意图；
图1a为一个实施例提供的半月板分割图像的示意图；
图2为另一个实施例提供的软骨损伤分类方法的流程示意图；
图2a为一个实施例提供的半月板损伤分类方法的处理过程示意图；
图3为又一个实施例提供的软骨损伤分类方法的流程示意图；
图4为又一个实施例提供的软骨损伤分类方法的流程示意图；
图5为一个实施例提供的软骨损伤分类装置的结构示意图；
图6为另一个实施例提供的软骨损伤分类装置的结构示意图；
图7为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的软骨损伤分类方法，可以应用于对医学图像进行分析，得到医学图像中软骨损伤类别的具体过程，其中，该医学图像包括但不限于直接数字平板X线图像(Digital Radiography，DR)、电子计算机断层扫描图像(Computed Tomography，CT)、核磁共振图像(Nuclear Magnetic Resonance Imaging，MRI)和正电子发射型计算机断层图像(Positron Emission Computed Tomography，PET)。
传统技术中，通常由医生对医学图像进行判断，基于所确定的损伤等级进而确定患者软骨的损伤类别，但是因人为主观因素的影响，传统技术得到的损伤类别准确度较低，且人为工作量大时会产生疲劳感，其判断过程效率也会降低。本申请实施例提供的软骨损伤分类方法、装置、计算机设备和存储介质，旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，下述方法实施例的执行主体可以是软骨损伤分类装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明，该计算机设备可以是终端，也可以是服务器，可以为单独的计算设备，也可以集成于医学成像设备上，本实施例对此不做限定。
图1为一个实施例提供的软骨损伤分类方法的流程示意图。本实施例涉及的是计算机设备对医学图像进行处理分析，确定软骨的损伤类别的具体过程。
如图1所示，上述方法包括：
S101，将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像。
具体的，上述医学图像为拍摄的患者关节图像，如MR图像，该医学图像可以由计算机设备从后处理工作站或影像归档和通信系统(Picture Archiving and CommunicationSystems，PACS)中获取。可选的，计算机设备可以获取放射科技师实时上传至PACS系统中的医学图像，也可以以固定时间间隔为周期从PACS系统中获取这一时间段内的所有医学图像。可选的，计算机设备还可以从医院信息管理系统(Hospital Information System，HIS)、临床信息系统(Clinical Information System，CIS)、放射科信息管理系统(Radiology Information System，RIS)、电子病历系统(Electronic Medical Record，EMR)以及相关的医学影像云存储平台获取医学图像。
然后，计算机设备将获取到的医学图像输入预设的图像分割模型中，可以得到该医学图像中软骨的分割图像。其中，该软骨可以包括胫骨软骨、股骨软骨、髋臼唇、半月板等，由于髋臼唇和半月板都是由纤维软骨组成，本实施例将其统称为软骨。以半月板为例，由于半月板中包括内侧前角、内侧后角、外侧前角和外侧后角四个角，那么上述分割图像中包括这四个角的分割图像。可选的，计算机设备还可以以不同颜色标注四个角以进行区分，分割图像示意图可以参见图1a所示。
可选的，在将医学图像输入图像分割模型之前，计算机设备还可以对医学图像进行预处理：将医学图像重采样为指定分辨率的图像，如重采样为[0.32mm，0.32mm，4.4mm]的分辨率，然后再对重采样后的图像进行归一化，得到标准化图像输入图像分割模型中。
可选的，上述图像分割模型可以为三维神经网络模型，如卷积神经网络、循环神经网络等，也可以为其他机器学习模型。可选的，该图像分割模型可以为VB-Net网络，该VB-Net网络为VNet网络的改进网络，其加入了bottleneck瓶颈结构，在图像分割任务中具有较好的分割结果。其中，该图像分割模型的训练方式可以为：将训练样本图像输入初始图像分割模型，得到软骨的初始分割结果，然后计算软骨的初始分割结果与标注的分割金标准之间的损失，根据该损失对初始图像分割模型中的网络参数进行调整，以此迭代训练，直至得到收敛的图像分割模型。可选的，训练过程中采用的损失函数可以为Dice损失函数，当该损失函数的值小于或者等于预设阈值时，表征图像分割模型训练收敛。
S102，将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级。
具体的，计算机设备得到上述软骨的分割图像后，可以将其输入图像分类模型，该图像分类模型可以针对分割图像中软骨的图像进行分类，以确定软骨的分类结果。其中，该分类结果用于表征软骨的损伤等级，可选的，可以将损伤等级划分为正常、等级I、等级II、等级III四个等级。对于半月板结构来说，图像分类模型还可以输出内侧前角的分类结果、内侧后角的分类结果、外侧前角的分类结果和外侧后角的分类结果，即可以得到每个角的损伤等级。
可选的，计算机设备可以将包含软骨的整个分割图像输入图像分类模型，得到软骨的分类结果；也可以先从分割图像中截取出软骨的图像，再将软骨的图像分别输入图像分类模型，得到软骨的分类结果。
可选的，上述图像分类模型可以为三维神经网络模型，如卷积神经网络、循环神经网络等，也可以为其他机器学习模型。可选的，该图像分类模型可以为BasicNetP网络、DenseNet网络等。其中，该图像分类模型的训练方式可以为：将训练样本图像输入初始图像分类模型，得到软骨的初始分类结果，然后计算软骨的初始分类结果和标注的损伤等级金标准之间的损失，根据该损失对初始图像分类模型中的网络参数进行调整，以此迭代训练，直至得到收敛的图像分类模型。可选的，训练过程中采用的损失函数可以为Focal损失函数，同样当损失函数的值小于或者等于预设阈值时，表征图像分类模型训练收敛。
S103，根据软骨的分类结果，确定软骨的损伤类别。
具体的，计算机设备可以预先设置分类结果(或损伤等级)与损伤类别之间的对应关系，如对于半月板来说，损伤等级正常对应的损伤类别为正常，等级I对应的损伤类别为出现孔洞，等级II对应的损伤类别为较短撕裂，等级III对应的损伤类别为撕裂达到边界，计算机设备可以得到每个角的损伤类别；对于胫骨软骨来说，损伤等级正常对应的损伤类别为正常，等级I对应的损伤类别为部分撕脱，等级II对应的损伤类别为较长撕裂，等级III对应的损伤类别为坏死。通过预先设置该对应关系，则计算机设备可以直接根据软骨的分类结果得到软骨的损伤类别。
可选的，还可以将损伤等级正常对应的损伤类别设置为不损伤，等级I、II、III对应的损伤类别设置为损伤，计算机设备只需确定软骨是否损伤即可。
可选的，计算机设备可以将确定的软骨的损伤类别进行展示，如以文字形式展示在医学图像一侧，或者在医学图像上标注出对应的损伤位置，或者以语音形式提示给医生。可选的，对于半月板来说，在计算机设备确定了半月板中每个角的损伤类别后，还可以根据每个角的损伤类别综合评估出半月板整体的损伤情况。可选的，若某个患者先后拍摄过多次关节的医学图像，计算机设备还可以将多次医学图像对应的损伤类别进行比对，以预测其软骨损伤变化情况，方便医生了解患者的软骨损伤趋势。
本实施例提供的软骨损伤分类方法，计算机设备先将包含软骨的医学图像输入图像分割模型，得到软骨的分割图像；再将软骨的分割图像输入图像分类模型，得到软骨的分类结果；最后根据软骨的分类结果，确定软骨的损伤类别。该方法中，利用训练收敛的图像分割模型与图像分类模型对医学图像进行处理，确定软骨的分类结果，可大大提高得到分类结果的效率，且处理过程无需人为干预，也大大提高了分类结果的准确度，进而提高得到的软骨损伤类别的效率和准确度。
图2为另一个实施例提供的软骨损伤分类方法的流程示意图。本实施例涉及的是计算机设备将软骨的分割图像输入图像分类模型，得到软骨的分类结果的具体过程。在上述实施例的基础上，可选的，S102可以包括：
S201，根据软骨的分割图像，确定软骨在医学图像上的定位信息。
具体的，由于在图像分割过程中，可能会造成分割图像边缘信息的损失，进而影响图像分类模型的分类结果，那么计算机设备可以根据软骨的分割图像，确定软骨在医学图像上的定位信息。可选的，确定该定位信息的过程可以包括：确定一个可以将该软骨的分割图像包含在内的长方体，将该长方体的中心和长宽高作为该软骨的定位信息，并将长方体的中心和长宽高信息(即定位信息)保存至预设文件中。对于半月板而言，计算机设备可以根据每个角的分割图像，确定每个角分别在医学图像上的定位信息。
S202，将软骨在医学图像上的定位信息和医学图像输入图像分类模型，得到软骨的分类结果。
具体的，计算机设备可以将上述软骨在医学图像上的定位信息和医学图像同时输入图像分类模型，获得软骨在原始医学图像中的完整图像信息，图像分类模型根据完整图像信息，得到软骨的分类结果，由此可避免因分割图像边缘信息损失带来的分类误差。对于半月板而言，计算机设备可以将半月板每个角在医学图像上的定位信息和医学图像同时输入图像分类模型，获得每个角在原始医学图像中的完整图像信息，图像分类模型根据完整图像信息，得到每个角的分类结果。
可选的，此过程中图像分类模型的训练方式可以包括：首先确定出训练样本图像中软骨的定位信息，然后将软骨的定位信息和训练样本图像输入初始图像分类模型中，得到软骨的初始分类结果，再计算软骨的初始分类结果和标注的损伤等级金标准之间的损失，根据该损失对初始图像分类模型中的网络参数进行调整，以此迭代训练，直至得到收敛的图像分类模型。
可选的，计算机设备还可以先根据软骨在医学图像上的定位信息(即长方体的中心和长宽高)，从医学图像上截取该长方体，然后将长方体图像预处理后(如翻转)输入图像分类模型中，得到分类结果。
本实施例提供的软骨损伤分类方法，计算机设备根据软骨的分割图像，确定软骨在医学图像上的定位信息，然后将软骨的定位信息和医学图像同时输入图像分类模型，得到软骨的分类结果。该方法中，通过软骨的定位信息可以获得软骨在原始医学图像中的完整图像信息，图形分类模型根据完整图像信息进行图像分类，可避免因分割图像边缘信息损失带来的分类误差，进一步提高得到的分类结果的准确度。
可选的，在其中一些实施例中，上述软骨的分类结果包括软骨属于不同损伤等级的概率，例如半月板中外侧前角分类结果的表现形式为[0，0.8，0.1，0.1]，则表示该角属于正常的概率为0，属于等级I的概率为0.8，属于等级II的概率为0.1，属于等级III的概率为0.1。那么根据软骨的分类结果，确定软骨的损伤类别，包括：根据软骨属于不同损伤等级的概率，将概率最大值对应的损伤等级作为软骨的损伤等级；根据软骨的损伤等级、以及损伤等级和损伤类别之间的对应关系，确定软骨的损伤类别。
具体的，计算机设备将概率最大值对应的损伤等级作为软骨的损伤等级，如上段中描述的示例，属于等级I的概率0.8为概率最大值，那么计算机设备便将等级I作为该外侧前角的损伤等级，然后根据预设的损伤等级与损伤类别之间的对应关系，可以确定该角的损伤类别为出现孔洞。通过属于不同损伤等级的概率来确定最终的损伤类别，可准确的对软骨的损伤情况进行判断，进而提高得到的损伤类别的准确度。
可选的，在其中一些实施例中，在得到上述软骨的分割图像后，计算机设备还可以计算软骨的体积，可选的，可以根据软骨分割图像中像素点的数目计算软骨的体积；然后根据软骨的损伤类别和体积，确定软骨的状态评估结果。例如，对于半月板，当计算的体积小于参考体积的情况下，可以判断出该角发生萎缩，再综合其损伤类别(如出现孔洞)，可以得到状态评估结果，如萎缩及出现孔洞，其状态为严重损伤。通过将软骨的体积和损伤类别综合分析，可以从多方面因素全面考虑软骨的损伤情况，进一步提高对软骨损伤判断的准确度，为医生的诊断提供更全面的辅助信息。其中，对于半月板的具体处理过程可参见图2a所示的示意图。
图3为又一个实施例提供的软骨损伤分类方法的流程示意图。本实施例涉及的是计算机设备将软骨的分割图像输入图像分类模型，得到软骨的分类结果的又一过程。在上述实施例的基础上，可选的，S102还可以包括：
S301，截取软骨的分割图像的切面图，切面图包括横断面图、矢状面图和冠状面图中的至少一种。
S302，将切面图输入图像分类模型，得到软骨的至少一个分类子结果。
具体的，计算机设备可以从横断面、矢状面或冠状面中的至少一个方向截取软骨的分割图像的切面图，则软骨可以得到横断面图、矢状面图和冠状面图中的至少一种。
然后计算机设备将截取的切面图输入图像分类模型中，可以得到软骨的至少一个分类子结果，即软骨横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果中的至少一个。例如对半月板的切面图，可以得到外侧前角横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果中的至少一个，外侧后角横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果中的至少一个，内侧前角横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果中的至少一个，内侧后角横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果中的至少一个。
S303，对于软骨，综合至少一个分类子结果得到分类结果。
具体的，对于上述软骨，综合其至少一个分类子结果可以得到最终的分类结果。例如半月板中，对于外侧前角横断面图的分类子结果、矢状面图的分类子结果和冠状面图的分类子结果，每个子结果都为属于不同损伤等级的概率，则可以将三个子结果在相同损伤等级的概率进行平均求和或加权求和，得到外侧前角的分类结果。示例性的，假设外侧前角的三个分类子结果分别为[0，0.8，0.1，0.1]、[0，0.9，0.1，0]、[0，0.8，0.2，0]，则外侧前角的最终分类结果为[0，(0.8+0.9+0.8)/3，(0.1+0.1+0.2)/3，(0.1+0+0)/3]＝[0，0.83，0.13，0.03]。
可选的，若计算机设备截取的切面图只有一个，则可以直接将该切面图的分类子结果作为最终分类结果。
本实施例提供的软骨损伤分类方法，计算机设备将截取的软骨的分割图像的至少一种切面图输入图像分类模型，得到软骨的至少一个分类子结果，然后综合至少一个分类子结果得到软骨的分类结果。该方法通过将分割图像的不同切面图输入图像分类模型，根据不同切面图的不同分类子结果，综合确定软骨的分类结果，同样可以提高得到的分类结果的准确度，进而提高得到的软骨损伤类别的准确度。
可选的，在其中一些实施例中，上述图像分割模型包括粗分割模型和细分割模型，粗分割模型用于对软骨进行粗定位，细分割模型用于根据软骨的粗定位结果得到软骨的分割图像。那么计算机设备将医学图像输入粗分割模型后，可以得到软骨的粗定位结果，该粗定位结果可以包括对粗定位区域进行画框标记，然后根据该粗定位结果可以在医学图像中截取粗定位图像，使用细分割模型对粗定位图像进行精细分割，得到软骨的分割图像；由此可以有效提高图像分割的速度和精度。
在此粗分割模型与细分割模型的级联模式下，如图4所示，图像分割模型的训练方式可以包括：
S401，获取样本医学图像。
S402，对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率。
具体的，计算机获取的样本医学图像，可以为从PACS系统中获取的大量医学图像，并对样本医学图像进行粗分割标注和细分割标注，得到粗分割标签和细分割标签。然后，计算机设备对每个样本医学图像进行不同的重采样处理，得到第一样本医学图像和第二样本医学图像，其中，第一样本医学图像的分辨率低于第二样本医学图像的分辨率。例如，第一样本医学图像的分辨率为[1mm，1mm，1mm]，第二样本医学图像的分辨率为[0.32mm，0.32mm，0.32mm]。
可选的，得到第一样本医学图像和第二样本医学图像后，计算机设备还可以对两种图像进行归一化，得到标准图像。
S403，将第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果；根据初始粗定位结果和粗分割标签之间的损失，对初始粗分割模型进行训练，得到粗分割模型。
S404，将第二样本医学图像输入初始细分割网络模型，得到软骨的初始分割图像；根据初始分割图像和细分割标签之间的损失，对初始细分割模型进行训练，得到细分割模型。
具体的，计算机设备将上述第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果，根据初始粗定位结果和粗分割标签之间的损失，对初始粗分割模型进行训练，当损失值小于或者等于预设阈值时，即得到训练收敛的粗分割模型。以及将上述第二样本医学图像输入初始细分割模型，得到软骨的初始分割图像；根据初始分割图像和细分割标签之间的损失，对初始细分割模型进行训练，当损失值小于或者等于预设阈值时，即得到训练收敛的细分割模型。
可选的，考虑计算机设备的内存因素，计算机设备还可以先从第一样本医学图像和第二样本医学图像中以相同的图像块大小截取图像块，再将两种分辨率的图像块输入对应的初始分割模型进行训练，由此可减少计算过程中内存的占用情况。
本实施例提供的软骨损伤分类方法，计算机设备采用不同分辨率的第一样本医学图像和第二样本医学图像分别对初始粗分割模型和初始细分割模型进行训练，得到收敛的粗分割模型和细分割模型。由此不断的训练过程，可以不断提高粗分割模型和细分割模型的精度，以提高分割结果的精度，进而提高得到的软骨损伤类别的准确度。
应该理解的是，虽然图1-图4的流程图中各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为一个实施例提供的软骨损伤分类装置的结构示意图。如图5所示，该装置包括：分割模块11、分类模块12和确定模块13。
分割模块11，用于将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像。
分类模块12，用于将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级。
确定模块13，用于根据软骨的分类结果，确定软骨的损伤类别。
本实施例提供的软骨损伤分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述分类模块12，具体用于根据软骨的分割图像，确定软骨在医学图像上的定位信息；将软骨在医学图像上的定位信息和医学图像输入图像分类模型，得到软骨的分类结果。
在其中一个实施例中，软骨的分类结果包括软骨属于不同损伤等级的概率；确定模块13，具体用于根据软骨属于不同损伤等级的概率，将概率最大值对应的损伤等级作为软骨的损伤等级；根据软骨的损伤等级、以及损伤等级和损伤类别之间的对应关系，确定软骨的损伤类别。
在其中一个实施例中，如图6所示，上述装置还包括计算模块14，用于根据软骨的分割图像，计算软骨的体积；确定模块13，还用于根据软骨的损伤类别和体积，确定软骨的状态评估结果。
在其中一个实施例中，上述分类模块12，具体用于截取软骨的分割图像的切面图，切面图包括横断面图、矢状面图和冠状面图中的至少一种；将切面图输入图像分类模型，得到软骨的至少一个分类子结果；对于软骨，综合至少一个分类子结果得到分类结果。
在其中一个实施例中，图像分割模型包括粗分割模型和细分割模型，粗分割模型用于对软骨进行粗定位，细分割模型用于根据软骨的粗定位结果得到软骨的分割图像。
在其中一个实施例中，上述装置还包括训练模块，用于获取样本医学图像；对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率；将第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果；根据初始粗定位结果和粗分割标签之间的损失，对初始粗分割模型进行训练，得到粗分割模型；将第二样本医学图像输入初始细分割网络模型，得到软骨的初始分割图像；根据初始分割图像和细分割标签之间的损失，对初始细分割模型进行训练，得到细分割模型。
关于软骨损伤分类装置的具体限定可以参见上文中对于软骨损伤分类方法的限定，在此不再赘述。上述软骨损伤分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种软骨损伤分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
根据软骨的分类结果，确定软骨的损伤类别。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据软骨的分割图像，确定软骨在医学图像上的定位信息；
将软骨在医学图像上的定位信息和医学图像输入图像分类模型，得到软骨的分类结果。
在一个实施例中，软骨的分类结果包括软骨属于不同损伤等级的概率；处理器执行计算机程序时还实现以下步骤：
根据软骨属于不同损伤等级的概率，将概率最大值对应的损伤等级作为软骨的损伤等级；
根据软骨的损伤等级、以及损伤等级和损伤类别之间的对应关系，确定软骨的损伤类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据软骨的分割图像，计算软骨的体积；
根据软骨的损伤类别和体积，确定软骨的状态评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
截取软骨的分割图像的切面图，切面图包括横断面图、矢状面图和冠状面图中的至少一种；
将切面图输入图像分类模型，得到软骨的至少一个分类子结果；
对于软骨，综合至少一个分类子结果得到分类结果。
在一个实施例中，图像分割模型包括粗分割模型和细分割模型，粗分割模型用于对软骨进行粗定位，细分割模型用于根据软骨的粗定位结果得到软骨的分割图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本医学图像；
对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率；
将第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果；根据初始粗定位结果和粗分割标签之间的损失，对初始粗分割模型进行训练，得到粗分割模型；
将第二样本医学图像输入初始细分割网络模型，得到软骨的初始分割图像；根据初始分割图像和细分割标签之间的损失，对初始细分割模型进行训练，得到细分割模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将包含软骨的医学图像输入图像分割模型，得到医学图像中软骨的分割图像；
将软骨的分割图像输入图像分类模型，得到软骨的分类结果；分类结果用于表征软骨的损伤等级；
根据软骨的分类结果，确定软骨的损伤类别。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据软骨的分割图像，确定软骨在医学图像上的定位信息；
将软骨在医学图像上的定位信息和医学图像输入图像分类模型，得到软骨的分类结果。
在一个实施例中，软骨的分类结果包括软骨属于不同损伤等级的概率；计算机程序被处理器执行时还实现以下步骤：
根据软骨属于不同损伤等级的概率，将概率最大值对应的损伤等级作为软骨的损伤等级；
根据软骨的损伤等级、以及损伤等级和损伤类别之间的对应关系，确定软骨的损伤类别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据软骨的分割图像，计算软骨的体积；
根据半软骨的损伤类别和体积，确定软骨的状态评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
截取软骨的分割图像的切面图，切面图包括横断面图、矢状面图和冠状面图中的至少一种；
将切面图输入图像分类模型，得到每个软骨的至少一个分类子结果；
对于软骨，综合至少一个分类子结果得到分类结果。
在一个实施例中，图像分割模型包括粗分割模型和细分割模型，粗分割模型用于对软骨进行粗定位，细分割模型用于根据软骨的粗定位结果得到软骨的分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本医学图像；
对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率；
将第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果；根据初始粗定位结果和粗分割标签之间的损失，对初始粗分割模型进行训练，得到粗分割模型；
将第二样本医学图像输入初始细分割网络模型，得到软骨的初始分割图像；根据初始分割图像和细分割标签之间的损失，对初始细分割模型进行训练，得到细分割模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种软骨损伤分类方法，其特征在于，包括：
将包含软骨的医学图像输入图像分割模型，得到所述医学图像中软骨的分割图像；
将所述软骨的分割图像输入图像分类模型，得到所述软骨的分类结果；所述分类结果用于表征所述软骨的损伤等级；
根据所述软骨的分类结果，确定所述软骨的损伤类别。
2.根据权利要求1所述的方法，其特征在于，所述将所述软骨的分割图像输入图像分类模型，得到所述软骨的分类结果，包括：
根据所述软骨的分割图像，确定所述软骨在所述医学图像上的定位信息；
将所述软骨在所述医学图像上的定位信息和所述医学图像输入图像分类模型，得到所述软骨的分类结果。
3.根据权利要求1或2所述的方法，其特征在于，所述软骨的分类结果包括所述软骨属于不同损伤等级的概率；所述根据所述软骨的分类结果，确定所述软骨的损伤类别，包括：
根据所述软骨属于不同损伤等级的概率，将概率最大值对应的损伤等级作为所述软骨的损伤等级；
根据所述软骨的损伤等级、以及损伤等级和损伤类别之间的对应关系，确定所述软骨的损伤类别。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述软骨的分割图像，计算所述软骨的体积；
根据所述软骨的损伤类别和体积，确定所述软骨的状态评估结果。
5.根据权利要求1所述的方法，其特征在于，所述将所述软骨的分割图像输入图像分类模型，得到所述软骨的分类结果，包括：
截取所述软骨的分割图像的切面图，所述切面图包括横断面图、矢状面图和冠状面图中的至少一种；
将所述切面图输入所述图像分类模型，得到所述软骨的至少一个分类子结果；
对于所述软骨，综合至少一个分类子结果得到所述分类结果。
6.根据权利要求1或2所述的方法，其特征在于，所述图像分割模型包括粗分割模型和细分割模型，所述粗分割模型用于对所述软骨进行粗定位，所述细分割模型用于根据所述软骨的粗定位结果得到所述软骨的分割图像。
7.根据权利要求6所述的方法，其特征在于，所述图像分割模型的训练方式包括：
获取样本医学图像；
对所述样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；所述第一样本医学图像的分辨率低于所述第二样本医学图像的分辨率；
将所述第一样本医学图像输入初始粗分割模型，得到软骨的初始粗定位结果；根据所述初始粗定位结果和粗分割标签之间的损失，对所述初始粗分割模型进行训练，得到所述粗分割模型；
将所述第二样本医学图像输入初始细分割网络模型，得到软骨的初始分割图像；根据所述初始分割图像和细分割标签之间的损失，对所述初始细分割模型进行训练，得到所述细分割模型。
8.一种软骨损伤分类装置，其特征在于，包括：
分割模块，用于将包含软骨的医学图像输入图像分割模型，得到所述医学图像中软骨的分割图像；
分类模块，用于将所述软骨的分割图像输入图像分类模型，得到所述软骨的分类结果；所述分类结果用于表征所述软骨的损伤等级；
确定模块，用于根据所述软骨的分类结果，确定所述软骨的损伤类别。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一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权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911379859.7A CN111178428B (zh) | 2019-12-27 | 2019-12-27 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911379859.7A CN111178428B (zh) | 2019-12-27 | 2019-12-27 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111178428A true CN111178428A (zh) | 2020-05-19 |
| CN111178428B CN111178428B (zh) | 2024-03-22 |
Family
ID=70654190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911379859.7A Active CN111178428B (zh) | 2019-12-27 | 2019-12-27 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178428B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833298A (zh) * | 2020-06-04 | 2020-10-27 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
| CN115131300A (zh) * | 2022-06-15 | 2022-09-30 | 北京长木谷医疗科技有限公司 | 一种基于深度学习的骨性关节炎智能三维诊断方法及系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1095615A1 (de) * | 1999-10-29 | 2001-05-02 | Sulzer Biologics Inc. | Vorrichtung und Verfahren zum Erfassen des Zustandes eines Gelenkes |
| US20100256504A1 (en) * | 2007-09-25 | 2010-10-07 | Perception Raisonnement Action En Medecine | Methods and apparatus for assisting cartilage diagnostic and therapeutic procedures |
| US20130035764A1 (en) * | 2011-08-07 | 2013-02-07 | Knee Creations, Llc | Subchondral treatment to prevent the progression of osteoarthritis of the joint |
| CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
| WO2016002983A1 (ko) * | 2014-06-30 | 2016-01-07 | (주)메디톡스 | 가교된 히알루론난을 유효성분으로 포함하는 골관절염 치료용 약제학적 조성물 및 그를 이용한 골관절염 치료 방법 |
| CN109242849A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、系统和存储介质 |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
| CN110188813A (zh) * | 2019-05-24 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 图像特征分类方法、计算机设备和存储介质 |
| CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
| CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
| CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
-
2019
- 2019-12-27 CN CN201911379859.7A patent/CN111178428B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1095615A1 (de) * | 1999-10-29 | 2001-05-02 | Sulzer Biologics Inc. | Vorrichtung und Verfahren zum Erfassen des Zustandes eines Gelenkes |
| US20100256504A1 (en) * | 2007-09-25 | 2010-10-07 | Perception Raisonnement Action En Medecine | Methods and apparatus for assisting cartilage diagnostic and therapeutic procedures |
| US20130035764A1 (en) * | 2011-08-07 | 2013-02-07 | Knee Creations, Llc | Subchondral treatment to prevent the progression of osteoarthritis of the joint |
| WO2016002983A1 (ko) * | 2014-06-30 | 2016-01-07 | (주)메디톡스 | 가교된 히알루론난을 유효성분으로 포함하는 골관절염 치료용 약제학적 조성물 및 그를 이용한 골관절염 치료 방법 |
| CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
| CN109242849A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、系统和存储介质 |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
| CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
| CN110188813A (zh) * | 2019-05-24 | 2019-08-30 | 上海联影智能医疗科技有限公司 | 图像特征分类方法、计算机设备和存储介质 |
| CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
| CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| J.H.MINK 等: "Occult cartilage and bone injuries of the knee: detection, classification, and assessment with MR imaging", 《RADIOLOGY》, vol. 170, no. 3, 1 March 1989 (1989-03-01) * |
| 陈巧军: "MRI对膝关节韧带、半月板及软骨损伤的分级诊断的临床意义", 《医学研究杂质》, vol. 42, no. 10, 31 October 2013 (2013-10-31), pages 139 - 142 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833298A (zh) * | 2020-06-04 | 2020-10-27 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
| CN111833298B (zh) * | 2020-06-04 | 2022-08-19 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
| CN115131300A (zh) * | 2022-06-15 | 2022-09-30 | 北京长木谷医疗科技有限公司 | 一种基于深度学习的骨性关节炎智能三维诊断方法及系统 |
| WO2023241031A1 (zh) * | 2022-06-15 | 2023-12-21 | 北京长木谷医疗科技有限公司 | 基于深度学习的骨性关节炎智能三维诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111178428B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754447B (zh) | 图像生成方法、装置、设备和存储介质 | |
| CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
| EP3457356B1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
| CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| CN110197491B (zh) | 图像分割方法、装置、设备和存储介质 | |
| CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
| US20180315206A1 (en) | Generation of a digital 3d model of an object based on predicting a shape of the object | |
| CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| CN111178428A (zh) | 软骨损伤分类方法、装置、计算机设备和存储介质 | |
| Matsumoto et al. | Prediction of vertebral strength under loading conditions occurring in activities of daily living using a computed tomography-based nonlinear finite element method | |
| Taghizadeh et al. | Biomechanical role of bone anisotropy estimated on clinical CT scans by image registration | |
| Caprara et al. | Automated pipeline to generate anatomically accurate patient-specific biomechanical models of healthy and pathological fsus | |
| Aldieri et al. | Personalised 3D assessment of trochanteric soft tissues improves HIP fracture classification accuracy | |
| Nakamoto et al. | Osteoporosis screening support system from panoramic radiographs using deep learning by convolutional neural network | |
| Yang et al. | Recognition and segmentation of individual bone fragments with a deep learning approach in ct scans of complex intertrochanteric fractures: A retrospective study | |
| CN111128345A (zh) | 医学图像的获取方法、医学扫描设备和计算机存储介质 | |
| Chen | Reconstruction individual three-dimensional model of fractured long bone based on feature points | |
| KR101796111B1 (ko) | 3차원 형태 기술자를 이용한 두개골 이형 자동판단시스템 및 이를 이용한 두개골 이형 자동판단방법 | |
| Chui et al. | A component-oriented software toolkit for patient-specific finite element model generation | |
| Cerveri et al. | Mean-shifted surface curvature algorithm for automatic bone shape segmentation in orthopedic surgery planning: a sensitivity analysis | |
| Cerveri et al. | Advanced computational framework for the automatic analysis of the acetabular morphology from the pelvic bone surface for hip arthroplasty applications | |
| Yuh et al. | Deep learning-assisted quantitative measurement of thoracolumbar fracture features on lateral radiographs | |
| Suna et al. | Automated computation of radiographic parameters of distal radial metaphyseal fractures in forearm X-rays |
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 |