CN111429417B - 儿童股骨头旋转中心检测方法 - Google Patents

儿童股骨头旋转中心检测方法 Download PDF

Info

Publication number
CN111429417B
CN111429417B CN202010195907.3A CN202010195907A CN111429417B CN 111429417 B CN111429417 B CN 111429417B CN 202010195907 A CN202010195907 A CN 202010195907A CN 111429417 B CN111429417 B CN 111429417B
Authority
CN
China
Prior art keywords
femoral head
rotation center
child
detecting
detection model
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
Application number
CN202010195907.3A
Other languages
English (en)
Other versions
CN111429417A (zh
Inventor
廖胜辉
蒋义勇
韩付昌
申锴镔
邹忠全
温小斌
刘姝
赵于前
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202010195907.3A priority Critical patent/CN111429417B/zh
Publication of CN111429417A publication Critical patent/CN111429417A/zh
Application granted granted Critical
Publication of CN111429417B publication Critical patent/CN111429417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种儿童股骨头旋转中心检测方法，包括获取并选择儿童双侧髋关节X线图像、标注标志点、X轴和Y轴并测量髋关节指标；处理髋关节指标得到样本数据并设定权重；将数据分为训练集和测试集，采用训练集对检测模型进行训练、采用测试集进行检测得到最终的儿童股骨头旋转中心检测模型；采用最终的儿童股骨头旋转中心检测模型对待检测儿童的双侧髋关节X线图像进行股骨头旋转中心的检测。本发明方法能够快速准确对儿童股骨头旋转中心进行检测，而且训练速度快，稳定性强，实用效果较好。

Description

儿童股骨头旋转中心检测方法
技术领域
本发明属于图像处理领域，具体涉及一种儿童股骨头旋转中心检测方法。
背景技术
随着经济技术的发展和智能时代的到来，图像处理技术和人工智能技术正在广泛应用于健康检查和医疗领域，给人们带来了无尽的便利。
发育性髋关节发育不良(developmental dysplasia of the hip，DDH)，又称发育性髋关节脱位，是临床上常见的儿童髋关节疾病，通常包括髋臼发育不良、股骨头半脱位和股骨头全脱位等。头臼同心(即，股骨头旋转中心与髋臼中心保持同心圆关系)是髋关节发育的先决条件，而DDH患儿由于头臼丧失同心圆关系，从而导致一系列髋关节形态学变化。
在定义DDH及其严重程度的参数指标有，髋臼指数、Perkin象限、中心边缘角、Shenton氏线、髋臼覆盖度等，其中最重要的一个是中心边缘角(Wiberg’s center-edgeangle，CEA)，即过股骨头旋转中心点的平行于身体轴线的垂线，髋臼外缘与股骨头旋转中心点的连线所形成的夹角，用于检测髋臼与股骨头的相对位置，这项指标在世界范围内被广泛应用于DDH的早期诊断、治疗、后期追踪，其决定性因素就是股骨头旋转中心的确切位置。与此同时，DDH的治疗目的就是恢复股骨头与髋臼之间的同心圆关系。因此，准确定位股骨头旋转中心的位置，是整个过程中必不可少且最为重要的环节之一。
然而，低龄儿童的股骨头旋转中心的位置一直存在争议。由于低龄儿童的髋关节软骨成分较多，在其髋关节正位X线图像上显示的髋臼弧度远小于实际弧度。同样由于股骨头骨骺骨化不充分、存在较多软骨的关系，在低龄儿童髋关节正位X线图像上，股骨头骨骺骨化不充分，并未形成标准的半圆形，甚至股骨头骨骺的中心常常偏离股骨头旋转中心。在这种情况下，按照以往的方法，以髋关节正位X线图像上的解剖标志点和解剖经线，或者以股骨头骨骺的中心位置来定位股骨头的旋转中心，并判断股骨头和髋臼是否恢复同心圆关系，可能会存在一定的偏差，从而进一步误导并影响后续的治疗决策。
发明内容
本发明的目的在于提供一种能够快速准确对儿童股骨头旋转中心进行检测，而且可靠性高的儿童股骨头旋转中心检测方法。
本发明提供的这种儿童股骨头旋转中心检测方法，包括如下步骤：
S1.获取儿童的双侧髋关节X线图像，并选取符合设定标准的X线图像；
S2.对步骤S1选取的X线图像标注标志点、X轴和Y轴，并测量设定的髋关节指标；
S3.对步骤S2获取的髋关节指标进行处理得到样本数据，并设定权重；
S4.将步骤S3获取的数据和对应的权重分为训练集和测试集，并采用训练集对检测模型进行训练，采用测试集对检测模型进行检测，从而得到最终的儿童股骨头旋转中心检测模型；
S5.采用步骤S4得到的最终的儿童股骨头旋转中心检测模型，对待检测儿童的双侧髋关节X线图像进行股骨头旋转中心的检测。
步骤S1所述的设定标准，具体包括如下标准：
R1.儿童拍摄时平躺仰卧，没有发生倾斜或旋转；
R2.双侧髋关节发育正常、无病理改变；
R3.拍摄的X线图像清晰，且骨盆解剖标志清晰可见；
R4.获得相关人员的同意和批准。
步骤S2所述的对步骤S1选取的X线图像标注标志点、X轴和Y轴，具体为对步骤S1选取的X线图像标注标志点，同时以双侧髂骨髂后下棘的连线作为X轴，经X轴的中点作垂线定位Y轴，并建立平面直角坐标系。
所述的标志点包括髂后下棘、臼顶外缘、Y形软骨顶点、骨骺板外缘、骨骺板内缘、泪滴下缘和大转子尖。
步骤S2所述的设定的髋关节指标，具体包括臼顶外缘到坐标原点的斜率、臼顶内缘到坐标原点的斜率，双侧骨骺板外缘之间的距离、双侧骨骺板内缘之间的距离，和骨骺板到X轴的距离；然后以传统Mose圆法测得的股骨头旋转中心作为参考标准，来对实验结果进行误差量化。
步骤S3所述的对步骤S2获取的髋关节指标进行处理得到样本数据，并设定权重，具体为对步骤S2获取的髋关节指标，进行归一化处理和数据映射，得到新的样本数据，确定检测模型的输入数据，并采用熵权法为检测模型的各个输入数据分配权重。
所述的进行归一化处理，具体为采用Min-Max归一化方法，对原始数据进行线性变换，将其映射到[0,1]区间，得到新的样本数据。
所述的采用熵权法为检测模型的各个输入数据分配权重，具体为采用如下步骤分配权重：
A.对经过归一化处理的样本数据，采用如下公式计算信息熵：
Figure BDA0002417592670000031
式中ej为第j个输入特征的信息熵；
Figure BDA0002417592670000032
为信息熵系数；uij为经过归一化处理的样本数据；
B.根据步骤A得到的信息熵，采用如下公式计算得到基于信息熵的权重：
Figure BDA0002417592670000041
式中ωj为第j个输入特征基于信息熵的权重；ej为第j个输入特征的信息熵。
步骤S4所述的采用训练集对检测模型进行训练，具体为利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型。
所述的优化后的广义正则极限学习机算法，具体为采用全局有界的Nelder-Mead算法，对广义正则极限学习机算法中的模型参数进行优化，从而得到优化后的广义正则极限学习机算法。
所述的对广义正则极限学习机算法中的模型参数进行优化，具体为优化的参数为隐含层特征参数、正则化参数和最大迭代次数。
所述的利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型，具体为采用如下步骤得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型：
a.初始化系统参数：隐含层输出权重矩阵β0，隐含层输出权重优化矩阵Z0，缩放对偶变量矩阵U0，以及迭代次数k；
b.随机分配隐含层节点的特征映射参数矩阵A和B；
c.计算隐含层输出矩阵H；
d.采用如下算式更新系统参数：
Figure BDA0002417592670000042
Figure BDA0002417592670000051
Uk+1＝Uk+Bk+1-Zk+1
迭代次数k增加1
式中
Figure BDA0002417592670000052
表示使括号内的计算式达到最小值时的矩阵Z的值；λ1、λ2和C为ρ为正则化参数；β为隐含层输出权重矩阵；Z为隐含层输出权重优化矩阵；U为缩放对偶变量矩阵；T为训练目标矩阵；||||F为Frobenius范数；||||2,1为l2,1范数；
e.重复步骤d直至迭代次数达到设定要求。
本发明提供的这种儿童股骨头旋转中心检测方法，首先采集儿童双侧髋关节X线图像，通过人工标注标志点，测量相关髋关节指标；其次对所述标志点及髋关节测量指标进行统计学分析，研究各个标志点坐标以及髋关节指标与股骨头旋转中心的相关性；而后将所述测量指标进行数据映射相关运算，采用熵权法为模型的多个输入分配不同的权重；再而利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到儿童股骨头旋转中心检测训练模型；最后利用训练模型对实际待测的髋关节图像进行股骨头旋转中心的检测；因此本发明方法能够快速准确对儿童股骨头旋转中心进行检测，而且训练速度快，稳定性强，实用效果较好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的获取的双侧髋关节中立位正位、外展位X线图像示意图。
图3为本发明方法的标注的标志点位置示意图。
图4为本发明方法的测量的六项髋关节指标参数示意图。
图5为本发明方法的作为参考标准的采用传统Mose圆法测量的股骨头旋转中心示意图。
图6为本发明方法的实施例中基于标注标志点与广义正则极限学习机的儿童股骨头旋转中心检测模型的训练结果与测试结果示意图。
图7为本发明方法的实施例中儿童股骨头旋转中心检测模型所应用的广义正则极限学习机(GRELM)与ELM、RELM、IELM四种算法的训练错误曲线示意图。
图8为本发明方法的实施例的儿童股骨头旋转中心检测模型所应用的广义正则极限学习机(GRELM)与ELM、RELM、IELM四种算法的测试错误曲线示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种儿童股骨头旋转中心检测方法，包括如下步骤：
S1.获取儿童的双侧髋关节X线图像，并选取符合设定标准的X线图像；具体包括如下标准：
R1.儿童拍摄时平躺仰卧，没有发生倾斜或旋转；
R2.双侧髋关节发育正常、无病理改变；
R3.拍摄的X线图像清晰，且骨盆解剖标志清晰可见；
R4.获得相关人员的同意和批准；
S2.对步骤S1选取的X线图像标注标志点、X轴和Y轴，并测量设定的髋关节指标；具体为对步骤S1选取的X线图像标注标志点，同时以双侧髂骨髂后下棘的连线作为X轴，经X轴的中点作垂线定位Y轴，并建立平面直角坐标系；
其中，标志点包括髂后下棘、臼顶外缘、Y形软骨顶点、骨骺板外缘、骨骺板内缘、泪滴下缘和大转子尖；
设定的髋关节指标具体包括臼顶外缘到坐标原点的斜率、臼顶内缘到坐标原点的斜率，双侧骨骺板外缘之间的距离、双侧骨骺板内缘之间的距离，和骨骺板到X轴的距离；然后以传统Mose圆法测得的股骨头旋转中心作为参考标准，来对实验结果进行误差量化；
此外，对所述标志点坐标及髋关节测量指标进行统计学分析，研究各个标志点坐标以及髋关节相关特征参数与股骨头旋转中心坐标的相关性，分析表明所述测量指标与股骨头旋转中心坐标的线性相关性，其结果具有统计学意义；
S3.对步骤S2获取的髋关节指标进行处理得到样本数据，并设定权重；具体为对步骤S2获取的髋关节指标，进行归一化处理和数据映射，得到新的样本数据，确定检测模型的输入数据，并采用熵权法为检测模型的各个输入数据分配权重；
在具体实施时，采用Min-Max归一化方法，对原始数据进行线性变换，将其映射到[0,1]区间，得到新的样本数据；具体的，归一化的算式为：
Figure BDA0002417592670000071
同时，采用如下步骤分配权重：
A.对经过归一化处理的样本数据，采用如下公式计算信息熵：
Figure BDA0002417592670000072
式中ej为第j个输入特征的信息熵；
Figure BDA0002417592670000073
为信息熵系数；uij为经过归一化处理的样本数据；
B.根据步骤A得到的信息熵，采用如下公式计算得到基于信息熵的权重：
Figure BDA0002417592670000081
式中ωj为第j个输入特征基于信息熵的权重；ej为第j个输入特征的信息熵；
S4.将步骤S3获取的数据和对应的权重分为训练集和测试集，并采用训练集对检测模型进行训练，采用测试集对检测模型进行检测，从而得到最终的儿童股骨头旋转中心检测模型；具体为利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型；
在具体实施时，采用全局有界的Nelder-Mead算法，对广义正则极限学习机算法中的模型参数进行优化，从而得到优化后的广义正则极限学习机算法；优化的参数，优选为隐含层特征参数、正则化参数和最大迭代次数；
然后，采用如下步骤得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型：
a.初始化系统参数：隐含层输出权重矩阵β0，隐含层输出权重优化矩阵Z0，缩放对偶变量矩阵U0，以及迭代次数k；在具体实施时，可以均初始化为0；
b.随机分配隐含层节点的特征映射参数矩阵A和B；
c.计算隐含层输出矩阵H；
d.采用如下算式更新系统参数：
Figure BDA0002417592670000082
Figure BDA0002417592670000091
Uk+1＝Uk+Bk+1-Zk+1
迭代次数k增加1
式中
Figure BDA0002417592670000092
表示使括号内的计算式达到最小值时的矩阵Z的值；λ1、λ2和C为ρ为正则化参数；β为隐含层输出权重矩阵；Z为隐含层输出权重优化矩阵；U为缩放对偶变量矩阵；T为训练目标矩阵；||||F为Frobenius范数；||||2,1为l2,1范数；
e.重复步骤d直至迭代次数达到设定要求；
S5.采用步骤S4得到的最终的儿童股骨头旋转中心检测模型，对待检测儿童的双侧髋关节X线图像进行股骨头旋转中心的检测。
以下结合一个算例，对本发明方法进行进一步说明：
S1.以某医院2017年至2019年间收治的双侧髋关节发育正常的共126名患儿为研究对象，拍摄这些患儿的双髋关节中立位正位X线图像和外展位正位X线图像，从中选取符合纳入标准的100张X线片进行研究分析，其中男性儿童44例，女性儿童56例，最大年龄为7岁8个月，最小年龄为4岁1个月，平均年龄为5岁7个月。从中选取符合纳入标准的图像进行研究分析。标准的拍摄方法为：拍摄时患儿平躺仰卧在操作台上，双腿自然伸直并拢，且保持足尖垂直向上，将X线机球管垂直正对患儿耻骨联合上缘，投射距离为1m，成像电压值为66kv，电流时间积为7mas，拍摄双髋关节正位X线图像。同理，保持患儿上半身以及X线机球管的位置不变，使患儿双腿自然外展至最大，仍然保持足尖垂直向上，采用相同的成像参数，再次拍摄双髋关节正位X线图像。所拍摄的两种体位的双侧髋关节X线图像如图2所示。X线图像纳入研究的标准为：1)双侧髋关节发育正常、无病理改变，患儿拍摄时平躺仰卧，没有发生倾斜或旋转；3)拍摄的X线图像清晰，特别是泪滴、大转子、髂骨结节、坐骨结节等骨盆解剖标志清晰可见；4)患儿及其监护人对本研究知情且同意，并得到医院伦理委员会批准；
S2.对符合研究纳入标准的双侧髋关节X线图像进行人工标注标志点，并以双侧髂骨髂后下棘的连线作为X轴，经X轴的中点作垂线定位Y轴，建立平面直角坐标系，以测量相应髋关节指标。标注的标志点具体包括：髂后下棘、臼顶外缘、Y形软骨顶点、骨骺板外缘、骨骺板内缘、泪滴下缘、大转子尖，如图3所示，其中各标志点对应的名称和定义如表1所示。髋关节测量指标具体包括：臼顶外缘和臼顶内缘到坐标原点的斜率，双侧骨骺板外缘和双侧骨骺板内缘之间的距离，以及骨骺板到X轴的距离，如图4所示。同时以传统Mose圆法测得的股骨头旋转中心作为参考标准，来对实验结果进行误差量化，如图5所示；
表1人工标注标志点名称及定义
Figure BDA0002417592670000101
S3.对所述标志点坐标及髋关节测量指标进行统计学分析，研究各个标志点坐标以及髋关节相关特征参数与股骨头旋转中心坐标的相关性，分析表明所述测量指标与股骨头旋转中心坐标的线性相关性，其结果具有统计学意义；
S4.将所述测量指标通过归一化处理，采用Min-Max归一化方法，对原始数据进行线性变换，将其映射到[0,1]区间，得到新的样本数据；利用熵权法可以为模型的多个输入特征分配不同的权重，以增强其中有效信息的利用，方法为：计算所述经过归一化处理的样本数据各输入特征的信息熵，由信息熵可计算得到输入特征基于信息熵的权重。样本数据各输入特征参数所对应的权重如表2所示；
表2各输入特征参数所对应的权重
(a)标志点1至标志点8所对应的权重
标志点 1 2 3 4 5 6 7 8
权重 0.0374 0.0453 0.0386 0.0452 0.0509 0.0465 0.0560 0.0506
(b)标志点9至标志点16所对应的权重
标志点 9 10 11 12 13 14 15 16
权重 0.0255 0.0389 0.0447 0.0307 0.0524 0.0425 0.0403 0.0784
(c)骨盆各特征参数所对应的权重
骨盆特征 斜率K1 斜率K2 距离L1 距离L2 高度H1 高度H2
权重 0.0249 0.0189 0.0670 0.0762 0.0416 0.0477
S5.将所述步骤S4计算出的模型输入特征数据随机分成训练集和测试集。所述的广义正则极限学习机采用全局有界的Nelder-Mead(GBNM)算法进行优化，优化的参数为GRELM模型隐含层特征参数α＝0.9470、正则化参数λ＝354.7452、最大迭代次数Ltermax＝46.3209。利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到广义正则极限学习机儿童股骨头旋转中心检测模型。
S6.利用所述广义正则极限学习儿童股骨头旋转中心训练模型，对实际待测的儿童双侧髋关节X线图像进行股骨头旋转中心的检测，训练结果与测试结果如图6所示。
进一步的，在本实施例中，将GBNM优化的广义正则极限学习机算法的训练结果和测试结果与ELM、RELM、IRELM三种进行比较，如图7和图8所说为四种算法的训练以及测试错误曲线图，并采用皮尔逊相关系数、均方根误差RMSE、平均绝对百分误差MAPE、R2确定系数四个指标评价算法精度，如表4所示。
表4广义正则极限学习机算法评价
(a)训练结果
Models R(P) RMSE MAPE R2
ELM 1(0) 9.1072e-09 2.4121e-09 1.0000
RELM 1(0) 0.2191 0.0423 1.0000
IRELM 1(0) 0.3601 0.0690 1.0000
GRELM 1(0) 0.0261 0.0056 1.0000
(b)测试结果
Models R(P) RMSE MAPE R2
ELM 0.9890(2.1127e-16) 61.9103 11.1469 0.9744
RELM 0.9943(5.7097e-19) 46.1150 9.5528 0.9858
IRELM 0.9960(2.3805e-20) 36.1094 7.8256 0.9913
GRELM 0.9977(1.9706e-22) 35.8213 7.6474 0.9914
从表4中可以明显看出，本发明所提出的GBNM优化的广义正则极限学习机的儿童股骨头旋转中心检测模型达到了最佳的测试精度，其在测试集上的各项评价指标均优于另外三种算法，并且具有很好的泛化能力。

Claims (6)

1.一种儿童股骨头旋转中心检测方法，包括如下步骤：
S1.获取儿童的双侧髋关节X线图像，并选取符合设定标准的X线图像；
S2.对步骤S1选取的X线图像标注标志点、X轴和Y轴，并测量设定的髋关节指标；具体为对步骤S1选取的X线图像标注标志点，同时以双侧髂骨髂后下棘的连线作为X轴，经X轴的中点作垂线定位Y轴，并建立平面直角坐标系；
具体实施时，标志点包括髂后下棘、臼顶外缘、Y形软骨顶点、骨骺板外缘、骨骺板内缘、泪滴下缘和大转子尖；所述的设定的髋关节指标，具体包括臼顶外缘到坐标原点的斜率、臼顶内缘到坐标原点的斜率，双侧骨骺板外缘之间的距离、双侧骨骺板内缘之间的距离，和骨骺板到X轴的距离；然后以Mose圆法测得的股骨头旋转中心作为参考标准，来对实验结果进行误差量化；
S3.对步骤S2获取的髋关节指标进行处理得到样本数据，并设定权重；
S4.将步骤S3获取的数据和对应的权重分为训练集和测试集，并采用训练集对检测模型进行训练，采用测试集对检测模型进行检测，从而得到最终的儿童股骨头旋转中心检测模型；具体为利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型；
具体实施时，所述的优化后的广义正则极限学习机算法，具体为采用全局有界的Nelder-Mead算法，对广义正则极限学习机算法中的模型参数进行优化，从而得到优化后的广义正则极限学习机算法；
S5.采用步骤S4得到的最终的儿童股骨头旋转中心检测模型，对待检测儿童的双侧髋关节X线图像进行股骨头旋转中心的检测。
2.根据权利要求1所述的儿童股骨头旋转中心检测方法，其特征在于步骤S3所述的对步骤S2获取的髋关节指标进行处理得到样本数据，并设定权重，具体为对步骤S2获取的髋关节指标，进行归一化处理和数据映射，得到新的样本数据，确定检测模型的输入数据，并采用熵权法为检测模型的各个输入数据分配权重。
3.根据权利要求2所述的儿童股骨头旋转中心检测方法，其特征在于所述的进行归一化处理，具体为采用Min-Max归一化方法，对原始数据进行线性变换，将其映射到[0,1]区间，得到新的样本数据。
4.根据权利要求3所述的儿童股骨头旋转中心检测方法，其特征在于所述的采用熵权法为检测模型的各个输入数据分配权重，具体为采用如下步骤分配权重：
A.对经过归一化处理的样本数据，采用如下公式计算信息熵：
Figure FDA0004187031240000021
式中ej为第j个输入特征的信息熵；
Figure FDA0004187031240000022
为信息熵系数；uij为经过归一化处理的样本数据；
B.根据步骤A得到的信息熵，采用如下公式计算得到基于信息熵的权重：
Figure FDA0004187031240000023
式中ωj为第j个输入特征基于信息熵的权重；ej为第j个输入特征的信息熵。
5.根据权利要求4所述的儿童股骨头旋转中心检测方法，其特征在于所述的对广义正则极限学习机算法中的模型参数进行优化，具体为优化的参数为隐含层特征参数、正则化参数和最大迭代次数。
6.根据权利要求5所述的儿童股骨头旋转中心检测方法，其特征在于所述的利用优化后的广义正则极限学习机算法对训练集中的每个样本进行训练，得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型，具体为采用如下步骤得到初步的广义正则极限学习机儿童股骨头旋转中心检测模型：
a.初始化系统参数：隐含层输出权重矩阵β0，隐含层输出权重优化矩阵Z0，缩放对偶变量矩阵U0，以及迭代次数k；
b.随机分配隐含层节点的特征映射参数矩阵A和B；
c.计算隐含层输出矩阵H；
d.采用如下算式更新系统参数：
Figure FDA0004187031240000031
Figure FDA0004187031240000032
Uk+1＝Uk+Bk+1-Zk+1
迭代次数k增加1
式中
Figure FDA0004187031240000033
表示使括号内的计算式达到最小值时的矩阵Z的值；λ1、λ2和C为ρ为正则化参数；β为隐含层输出权重矩阵；Z为隐含层输出权重优化矩阵；U为缩放对偶变量矩阵；T为训练目标矩阵；|| ||F为Frobenius范数；|| ||2,1为l2,1范数；
e.重复步骤d直至迭代次数达到设定要求。
CN202010195907.3A 2020-03-19 2020-03-19 儿童股骨头旋转中心检测方法 Active CN111429417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010195907.3A CN111429417B (zh) 2020-03-19 2020-03-19 儿童股骨头旋转中心检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010195907.3A CN111429417B (zh) 2020-03-19 2020-03-19 儿童股骨头旋转中心检测方法

Publications (2)

Publication Number Publication Date
CN111429417A CN111429417A (zh) 2020-07-17
CN111429417B true CN111429417B (zh) 2023-06-16

Family

ID=71548191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010195907.3A Active CN111429417B (zh) 2020-03-19 2020-03-19 儿童股骨头旋转中心检测方法

Country Status (1)

Country Link
CN (1) CN111429417B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112754528B (zh) * 2020-12-30 2022-07-01 北京积水潭医院 超声波图像中的股骨头定位方法、系统、装置及存储介质
CN113298783A (zh) * 2021-05-25 2021-08-24 中南大学 多姿态条件下的髋关节旋转中心检测方法及成像方法
CN116993824A (zh) * 2023-07-19 2023-11-03 北京长木谷医疗科技股份有限公司 髋臼旋转中心计算方法、装置、设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN109124835A (zh) * 2018-09-07 2019-01-04 上海电气集团股份有限公司 股骨头中心点的定位方法和系统
CN109242838A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中中心边缘角的方法、系统、设备及介质
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN109544536A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN110321952A (zh) * 2019-07-02 2019-10-11 腾讯医疗健康(深圳)有限公司 一种图像分类模型的训练方法及相关设备
CN110613482A (zh) * 2019-03-04 2019-12-27 深圳迈瑞生物医疗电子股份有限公司 一种髋关节的成像方法以及髋关节成像系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3042819A1 (en) * 2018-05-09 2019-11-09 Postureco, Inc. Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN109242838A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中中心边缘角的方法、系统、设备及介质
CN109124835A (zh) * 2018-09-07 2019-01-04 上海电气集团股份有限公司 股骨头中心点的定位方法和系统
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN109544536A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN110613482A (zh) * 2019-03-04 2019-12-27 深圳迈瑞生物医疗电子股份有限公司 一种髋关节的成像方法以及髋关节成像系统
CN110321952A (zh) * 2019-07-02 2019-10-11 腾讯医疗健康(深圳)有限公司 一种图像分类模型的训练方法及相关设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Philip Reiner,et al.Nelder-Mead Enhanced Extreme Learning Machine .《2013 IEEE 17th International Conference on Intelligent Engineering Systems (INES)》.2013,225-230. *
张建国 ; 等.髋关节表面置换手术导航系统.上海交通大学学报.2008,(第12期),33-37. *
郝运，等.应用CT三维重建评价发育性髋关节脱位儿童的髋关节形态特征.中国组织工程研究.2017,(第07期),114-119. *

Also Published As

Publication number Publication date
CN111429417A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111429417B (zh) 儿童股骨头旋转中心检测方法
WO2020224123A1 (zh) 一种基于深度学习的致痫灶三维自动定位系统
CN100538714C (zh) 数字医学图像中自动映射几何对象的方法
CN108334899A (zh) 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法
Langs et al. Automatic quantification of joint space narrowing and erosions in rheumatoid arthritis
CN109461188B (zh) 一种二维x射线头影测量图像解剖特征点自动定位方法
Niemeijer et al. Assessing the skeletal age from a hand radiograph: automating the Tanner-Whitehouse method
CN112184617A (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
Yang et al. Human upper limb motion analysis for post-stroke impairment assessment using video analytics
CN113139962B (zh) 用于脊柱侧凸概率评估的系统和方法
CN114795258B (zh) 一种儿童髋关节发育不良诊断系统
WO2023160272A1 (zh) 基于深度学习的髋关节置换术后影像的评估方法及系统
CN115880281A (zh) 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
CN111179418B (zh) 一种无需用户裸体的三维人体测量方法和装置
CN113570618B (zh) 一种基于深度学习的加权骨龄评估方法及系统
CN113298783A (zh) 多姿态条件下的髋关节旋转中心检测方法及成像方法
CN112927213B (zh) 一种医学图像分割方法、介质及电子设备
Chen et al. Automatic and human level Graf's type identification for detecting developmental dysplasia of the hip
Grimm et al. Automatic patient pose estimation using pressure sensing mattresses
CN117224115A (zh) 一种基于图像测量人体四肢长骨与身高比例的方法及系统
KR102570004B1 (ko) 인공신경망 기반의 척추 진단 시스템 및 그 정보 제공 방법
CN218075211U (zh) 定位误差测量用工装
CN116258712A (zh) 一种基于残差网络的Cobb角检测方法
Fischer et al. Automated morphometric analysis of the hip joint on MRI from the German National Cohort Study

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