CN111462055B - 颅骨检测方法及装置 - Google Patents
颅骨检测方法及装置 Download PDFInfo
- Publication number
- CN111462055B CN111462055B CN202010197686.3A CN202010197686A CN111462055B CN 111462055 B CN111462055 B CN 111462055B CN 202010197686 A CN202010197686 A CN 202010197686A CN 111462055 B CN111462055 B CN 111462055B
- Authority
- CN
- China
- Prior art keywords
- point
- skull
- image
- neural network
- network 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
Links
- 210000003625 skull Anatomy 0.000 title claims abstract description 174
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 126
- 230000003902 lesion Effects 0.000 claims abstract description 63
- 210000004556 brain Anatomy 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 23
- 238000007917 intracranial administration Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 34
- 210000000216 zygoma Anatomy 0.000 claims description 29
- 210000001519 tissue Anatomy 0.000 claims description 26
- 210000001061 forehead Anatomy 0.000 claims description 16
- 210000005252 bulbus oculi Anatomy 0.000 claims description 12
- 210000004359 mandibular condyle Anatomy 0.000 claims description 11
- 210000001595 mastoid Anatomy 0.000 claims description 11
- 210000001154 skull base Anatomy 0.000 claims description 9
- 206010062767 Hypophysitis Diseases 0.000 claims description 8
- 210000004709 eyebrow Anatomy 0.000 claims description 8
- 210000003128 head Anatomy 0.000 claims description 8
- 210000003635 pituitary gland Anatomy 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 7
- 210000001367 artery Anatomy 0.000 claims description 5
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 210000001847 jaw Anatomy 0.000 description 4
- 210000002418 meninge Anatomy 0.000 description 4
- 230000001936 parietal effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 210000004373 mandible Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150084935 PTER gene Proteins 0.000 description 1
- 208000002847 Surgical Wound Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000002441 meningeal artery Anatomy 0.000 description 1
- 238000007781 pre-processing 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
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供一种颅骨检测方法及装置。本发明实施例通过通过将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,根据所述关键点位置信息,识别目标区域,能够自动确定目标区域,避免人为影响,提高了颅内病变等区域的定位的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种颅骨检测方法及装置。
背景技术
在神经外科的手术中,手术之前的颅内病变定位非常重要,它关系到手术切口的设计,以及手术中的病变范围确定,方便医生为客户制定术前手术评估,极大地提高了手术的准确性和安全性。
相关技术中,医生通过人工方式进行病变定位,准确性较低。
发明内容
为克服相关技术中存在的问题,本发明提供了一种颅骨检测方法及装置,提高颅内病变定位的准确性。
根据本发明实施例的第一方面,提供一种颅骨检测方法,包括:
将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
根据本发明实施例的第二方面,提供一种颅骨检测装置,包括:
分割模块,用于将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
关键点识别模块,用于将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
目标识别模块,用于根据所述关键点位置信息,识别目标区域;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例,通过将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,根据所述关键点位置信息,识别目标区域,能够自动确定目标区域,避免人为影响,提高了颅内病变等区域的定位的准确性,从而能够提高手术成功的概率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的颅骨检测方法的流程示例图。
图2为本发明实施例提供的颅骨示例图。
图3是本发明实施例提供的颅骨检测装置的功能方块图。
图4是本发明实施例提供的电子设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
目前,市场上已经有一些医学影像诊断软件,医生可以通过这些软件进行目标区域的定位,例如病变定位。然而,这类软件需要医生与设备之间进行频繁的交互操作,并且在病变的定位上本质仍然是人工定位,是由医生根据个人的经验和主观判断来确定病变的位置,由医生人工在图像上标记。
一方面,这种技术对于医生的经验有较大的依赖性,准确性较低。另一方面,由于人工操作多,耗时较长,导致效率较低。再一方面,对于医生来说,过多的操作需要医生耗费较多时间熟悉和记忆,操作难度较高。
下面通过实施例对颅骨检测方法进行详细说明。
图1是本发明实施例提供的颅骨检测方法的流程示例图。如图1所示,本实施例中,颅骨检测方法可以包括:
S101,将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像。
S102,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息。
S103,根据所述关键点位置信息,识别目标区域。
本实施例中,三维脑部图像可以是通过CT(Computed Tomography,电子计算机断层扫描)设备、MR(Magnetic Resonance,磁共振)设备等扫描获得的图像。
其中,三维脑部图像中的组织可以包括脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎等组织。
本实施例中,第一神经网络模型是预先训练好的用于对三维脑部图像进行脑组织分割的模型。
在一个示例性的实现过程中,步骤S101可以包括:
对受检对象的三维脑部图像进行采样,得到采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记(mark)的标记图像;
根据所述标记图像在所述三维脑部图像中添加所属组织的标记,得到分割图像。
本实施例中,对三维脑部图像进行采样,用采样后得到的采样图像而不是原始的三维脑部图像作为第一神经网络模型的输入,可以减少训练第一神经网络模型的数据量。
在一个示例性的实现过程中,将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像之前,还可以包括:
对所述采样图像进行预处理,得到处理后采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像,包括:
将所述处理后采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述处理后采样图像中的各个组织进行标记的标记图像。
第一神经网络模型的训练过程可以如下:
构建神经网络模型,并设置神经网络模型的第一初始参数值;
获取若干组样本图像,每一组样本图像包括输入图像和标签图像,其中,输入图像是人的三维脑部图像,标签图像是对输入图像进行脑组织分割后的图像进行采样后得到的图像;
第一组样本图像对应的神经网络模型的参数值为所述第一初始参数值,第j+1组样本图像对应的神经网络模型的参数值为经第j组样本图像训练调整后的参数值;对每一组样本图像执行如下操作:
对该组样本图像中的输入图像进行采样,得到输入采样图像;
将所述输入采样图像输入该组样本图像对应的神经网络模型,获得神经网络模型的输出图像,输出图像中对所述输入采样图像中的各个组织进行了标记;
将所述输出图像和该组样本图像中的标签图像输入预设的第一损失函数中,获得第一损失函数的函数值;
如果第一损失函数的函数值大于或等于预设的第一阈值,根据第一损失函数的函数值调整神经网络模型的参数值,执行下一组样本图像的训练;如果第一损失函数的函数值小于预设的第一阈值,停止训练,并以该组样本图像对应的神经网络模型作为训练好的第一神经网络模型。
通过第一神经网络模型,可以自动、准确地实现对人的脑部图像的组织分割,避免了人为因素的影响,使得分割结果更加准确。并且,自动进行的分割过程速度快,用时少,有利于提高工作效率。
在一个示例性的实现过程中,在步骤S102之前,还可以包括:
对所述分割图像进行图像校正,得到校正图像;
步骤S102可以包括:
将所述校正图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述校正图像中识别出各个预设的颅骨关键点的位置信息。
在使用医学影像设备对受检对象进行扫描的过程中,由于受检对象摆位或移动等原因,会导致获得的受检对象的三维脑部图像发生倾斜,这会影响后续的图像处理,因此需要对出现倾斜的三维脑部图像进行图像校正。当然,没有倾斜的三维脑部图像可以直接使用,而不需要进行图像校正。
在一个示例中,可以采用基于投影的校正方法,利用图像水平方向和垂直方向进行倾斜判断。
例如,根据分割图像计算左侧眼球的中心点、右两侧眼球的中心点和脑室中心,以两个眼球的中心点连线作为图像水平方向向量,经过脑室中心与该水平方向向量垂直的方向向量作为图像的垂直方向向量,根据倾斜角度进行旋转校正,从而获得符合正常体位的图像。
本实施例中,第二神经网络模型是预先训练好的用于定位颅骨关键点的模型。
常用的需要测量的颅骨关键点有30个,这些点包括:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点等。
下面列举部分颅骨关键点。
(1)眶上缘点U、眶下缘点V
根据分割图像中的眼球组织,沿Z方向向上或向下找到第一个高密度点作为眶上缘点和眶下缘点。
(2)眉间点S
取左右两侧眶上缘点的中间点作为眉间点。
(3)外耳门上缘点W
根据分割图像中的下颚组织,在横断面图像上,在下颚的左或右两侧邻近区域检测耳朵的低密度区域,从该区域中选择离下颚最近的点记为外耳门上缘点,即可获得人体左右两侧的外耳门上缘点。
(4)颧弓中点P
根据分割图像中的颧弓组织,双侧呈半圆月牙形,计算每侧的中心点记为颧弓中心点。
(5)翼点M
取颧弓中点沿图像Z方向向上约4cm处的点记为翼点。
(6)下颌骨髁突中点T
根据分割图像中的下颚组织,计算下颚两侧边缘的最高点记为下颌骨髁突中点。
(8)颏下点
根据分割图像中的下颚组织,计算颅骨最前面的最低点记为颏下点。
(9)乳突根部后缘Q
根据人体两侧外耳门上缘点,向后找密度最高的点记为乳突根部后缘。
(8)枕外隆凸尖R
根据分割图像中的颅骨组织,取颅骨最靠后的点记为枕外隆凸尖。
部分颅骨关键点的识别结果请参见图2。图2是本发明实施例提供的颅骨示例图。图2中标示了一些颅骨关键点的位置。
第二神经网络模型的训练过程可以如下:
构建神经网络模型,并设置神经网络模型的第二初始参数值;
获取若干组样本图像,每一组样本图像包括输入图像和标签图像,其中,输入图像是人的三维脑部图像对应的分割图像,标签图像是在分割图像中标记出各个颅骨关键点位置的图像;
第一组样本图像对应的神经网络模型的参数值为所述第二初始参数值,第j+1组样本图像对应的神经网络模型的参数值为经第j组样本图像训练调整后的参数值;对每一组样本图像执行如下操作:
将该组样本图像中的输入图像输入该组样本图像对应的神经网络模型,获得神经网络模型的输出图像,输出图像中标示出了输入图像中的各个颅骨关键点的位置;
将输出图像和该组样本图像中的标签图像输入预设的第二损失函数中,获得第二损失函数的函数值;
如果第二损失函数的函数值大于或等于的第二预设阈值,根据第二损失函数的函数值调整神经网络模型的参数值,执行下一组样本图像的训练;如果第一损失函数的函数值小于预设的第二阈值,停止训练,并以该组样本图像对应的神经网络模型作为训练好的第二神经网络模型。
通过第二神经网络模型,可以自动、准确地实现对颅骨关键点的定位,避免了人为因素的影响,使得定位结果更加准确。并且,自动进行的定位过程速度快,用时少,有利于提高工作效率。
在一个示例性的实现过程中,步骤S103可以包括:
根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,
所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,
根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;
所述颅脑结构信息包括如下信息中的至少一种:
大脑纵裂、中央沟MK、外侧沟MN、顶枕沟、中央前回、中央前后、脑膜中动脉主干的投影。
在对脑部进行外科手术前,医生需要评估颅骨的各项指标,以根据这些指标选择合适的外科手术切口的切入点,以便降低手术风险。颅骨标志线的确定可以辅助医生制定手术计划。
一些比较重要的颅骨标志线的确定过程可以按照如下的方式确定:
下横线AB:计算上述眶下缘点和外耳门上缘点两点之间的连线。
上横线CD:计算通过眶上缘点和下横线相平行的线。
前垂直线EF:计算通过颧弓中点与上、下横线相垂直的线。
中垂直线GH:计算通过下颌骨髁突中点向上与前垂直线平行的线。
后垂直线IK:计算通过乳突根部后缘与前、中垂直线平行的线。
矢状线:计算眉间点S至枕外隆凸点R之间的连线,根据眉间点和枕外隆凸点计算两点之间的最优路径。
本实施例中,根据步骤S102获得的各个颅骨关键点的位置信息,自动确定预设颅骨标志线,速度快,效率高,准确性高。
在进行颅骨测量时,还需要定位法兰克福平面,法兰克福平面也叫眼耳平面,在应用中,可以根据颅骨两侧的外耳门上缘点和左侧或右侧眶下缘点计算法兰克福平面。本实施例能够自动定位法兰克福平面,减少了用户操作,方便快捷。本实施例中,颅脑结构信息可以包括:
大脑纵裂:相当于矢状线位置,将大脑分为左右半球。
中央沟MK:从翼点到矢状线中点50%后2cm处的连线。
外侧沟MN:从翼点至矢状线前75%的连线。
顶枕沟:从定枕点上方约1.25cm处向外侧引一条1.25~2.25cm的线。
中央前回:位于中央沟投影线的前1.5cm的范围内。
中央前后:位于中央沟投影线的后1.5cm的范围内。
脑膜中动脉主干的投影:从下横线与前垂直线的相交处至颧弓中点上方约2cm处,分为前后两支。
在一个示例性的实现过程中,步骤S102之后,还可以包括:
根据用户对所述颅骨关键点的位置的调节操作信息,调节所述颅骨关键点的位置,根据调节后的位置确定所述颅骨关键点的位置信息;
步骤S103可以包括:根据调节后所述颅骨关键点的位置信息,识别目标区域。
在一个示例性的实现过程中,步骤S102之后,还可以包括:
根据所述关键点位置信息,获取预设颅骨参数的参数值。
其中,所述颅骨参数包括如下参数中的至少一个:
颅高、全颅高、颅盖高、颅骨长宽高、颧突间距、下颚角间距、头围、额角、额侧角、前额角、下颌角、下颌颏角。
本实施例中,可以通过对在颅骨上标志点间距离、曲线、角度的测量获取颅骨大小、形状方面的信息,辅助颅骨测量,减少医生的工作量。
距离、曲线、角度的获取方式可以如下:
(1)距离测量
颅高:计算颅底点ba至前卤点b的直线距离。
全颅高:计算颅底点ba至颅顶点v的直线距离。
颅盖高:计算鼻根点至枕外隆凸点连线至颅顶正中矢状面的最大垂直高度。
颅骨长宽高:根据分割图像显示的分割结果,计算颅骨沿XYZ方向的包围盒,即为长宽高值。
颧突间距:计算两个颧弓中点的距离。
下颚角间距:计算两个下颚角点的距离。
(2)曲线测量
头围:由人体左右眉间点所在的横断面图像上,计算经过两个眉间点的颅骨最小代价路径,该封闭曲线即为头围,计算曲线的长度为头围。
(3)角度测量
额角:计算额缝点-眉间点-颅后点之间的夹角。
额侧角:计算额缝点-眉间点-枕外隆凸点之间的夹角。
前额角:计算前卤点-眉间点-枕外隆凸点之间的夹角。
下颌角:计算关节点-下颌角点-颏下点之间的夹角。
下颌颏角:计算颧弓中点-下颚角点-颏下点之间的夹角。
在一个示例性的实现过程中,所述目标区域为病变区域;所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;步骤S103之后,还可以包括:
根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;
根据所述关键点位置信息,获取病变大小、病变体积、病变面积;
根据所述分割图像,获取脑室体积;
基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比。
其中,病变大小(如长宽高)、病变体积、病变面积、体积指数(病变体积与脑室体积的百分比)等为病变参数。
在一个示例性的实现过程中,步骤S103之后,还可以包括:
输出并显示结果图像,所述结果图像上标记有所述目标区域。
在一个示例性的实现过程中,所述结果图像上还标记有以下内容中的至少一种:
颅骨关键点、颅骨标志线、法兰克福平面、颅骨参数的参数值、病变参数的参数值、颅脑结构信息。
在结果图像上,还可以对上述计算的点、线、面、距离、曲线、角度等参数进行显示和编辑。
结果图像可以以二维(2D)、三维(3D)、曲线、图表等多种显示方式显示,所有测量结果都可以保存。
本发明实施例提供的颅骨检测方法,通过将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,根据所述关键点位置信息,识别目标区域,能够自动确定目标区域,避免人为影响,提高了颅内病变等区域的定位的准确性,从而能够提高手术成功的概率。
并且,本发明实施例提供的颅骨检测方法,极大的减少了医生的人工操作时间,提高了工作效率。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备及存储介质实施例。
图3是本发明实施例提供的颅骨检测装置的功能方块图。如图3所示,本实施例中,颅骨检测装置可以包括:
分割模块310,用于将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
关键点识别模块320,用于将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
目标识别模块330,用于根据所述关键点位置信息,识别目标区域;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
在一个示例性的实现过程中,目标识别模块330可以具体用于:
根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,
所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,
根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;
所述颅脑结构信息包括如下信息中的至少一种:
大脑纵裂、中央沟MK、外侧沟MN、顶枕沟、中央前回、中央前后、脑膜中动脉主干的投影。
在一个示例性的实现过程中,所述目标区域为病变区域;
所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;
所述装置还可以包括:
病变位置确定模块,用于根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;
第一获取模块,用于根据所述关键点位置信息,获取病变大小、病变体积、病变面积;
第二获取模块,用于根据所述分割图像,获取脑室体积;
体积指数确定模块,用于基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比。
在一个示例性的实现过程中,所述装置还可以包括:
颅骨参数值获取模块,用于根据所述关键点位置信息,获取预设颅骨参数的参数值;
所述颅骨参数包括如下参数中的至少一个:
颅高、全颅高、颅盖高、颅骨长宽高、颧突间距、下颚角间距、头围、额角、额侧角、前额角、下颌角、下颌颏角。
在一个示例性的实现过程中,所述装置还可以包括:
校正模块,用于对所述分割图像进行图像校正,得到校正图像;
关键点识别模块320可以具体用于:
将所述校正图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述校正图像中识别出各个预设的颅骨关键点的位置信息。
在一个示例性的实现过程中,分割模块310可以具体用于:
对受检对象的三维脑部图像进行采样,得到采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像;
根据所述标记图像在所述三维脑部图像中添加所属组织的标记,得到分割图像。
在一个示例性的实现过程中,所述装置还可以包括:
位置调节模块,用于根据用户对所述颅骨关键点的位置的调节操作信息,调节所述颅骨关键点的位置,根据调节后的位置确定所述颅骨关键点的位置信息;
目标识别模块330可以具体用于:根据调节后所述颅骨关键点的位置信息,识别目标区域。
在一个示例性的实现过程中,所述装置还可以包括:
输出及显示模块,用于输出并显示结果图像,所述结果图像上标记有所述目标区域。
在一个示例性的实现过程中,所述结果图像上还标记有以下内容中的至少一种:
颅骨关键点、颅骨标志线、法兰克福平面、颅骨参数的参数值、病变参数的参数值、颅脑结构信息。
本发明实施例还提供了一种电子设备。图4是本发明实施例提供的电子设备的一个硬件结构图。如图4所示,电子设备包括:内部总线401,以及通过内部总线连接的存储器402,处理器403和外部接口404,其中,
所述存储器402,用于存储颅骨检测逻辑对应的机器可读指令;
所述处理器403,用于读取存储器402上的机器可读指令,并执行所述指令以实现如下操作:
将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
在一个示例性的实现过程中,根据所述关键点位置信息,识别目标区域,包括:
根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,
所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,
根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;
所述颅脑结构信息包括如下信息中的至少一种:
大脑纵裂、中央沟MK、外侧沟MN、顶枕沟、中央前回、中央前后、脑膜中动脉主干的投影。在一个示例性的实现过程中,所述目标区域为病变区域;所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;
根据所述关键点位置信息,识别目标区域之后,还包括:
根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;
根据所述关键点位置信息,获取病变大小、病变体积、病变面积;
根据所述分割图像,获取脑室体积;
基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还可以包括:
根据所述关键点位置信息,获取预设颅骨参数的参数值;
所述颅骨参数包括如下参数中的至少一个:
颅高、全颅高、颅盖高、颅骨长宽高、颧突间距、下颚角间距、头围、额角、额侧角、前额角、下颌角、下颌颏角。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之前,还可以包括:
对所述分割图像进行图像校正,得到校正图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,包括:
将所述校正图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述校正图像中识别出各个预设的颅骨关键点的位置信息。
在一个示例性的实现过程中,将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,可以包括:
对受检对象的三维脑部图像进行采样,得到采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像;
根据所述标记图像在所述三维脑部图像中添加所属组织的标记,得到分割图像。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还可以包括:
根据用户对所述颅骨关键点的位置的调节操作信息,调节所述颅骨关键点的位置,根据调节后的位置确定所述颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域,包括:根据调节后所述颅骨关键点的位置信息,识别目标区域。
在一个示例性的实现过程中,根据所述关键点位置信息,识别目标区域之后,还可以包括:
输出并显示结果图像,所述结果图像上标记有所述目标区域。
在一个示例性的实现过程中,所述结果图像上还标记有以下内容中的至少一种:
颅骨关键点、颅骨标志线、法兰克福平面、颅骨参数的参数值、病变参数的参数值、颅脑结构信息。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
在一个示例性的实现过程中,根据所述关键点位置信息,识别目标区域,包括:
根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,
所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,
根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;
所述颅脑结构信息包括如下信息中的至少一种:
大脑纵裂、中央沟MK、外侧沟MN、顶枕沟、中央前回、中央前后、脑膜中动脉主干的投影。在一个示例性的实现过程中,所述目标区域为病变区域;所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;
根据所述关键点位置信息,识别目标区域之后,还包括:
根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;
根据所述关键点位置信息,获取病变大小、病变体积、病变面积;
根据所述分割图像,获取脑室体积;
基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还可以包括:
根据所述关键点位置信息,获取预设颅骨参数的参数值;
所述颅骨参数包括如下参数中的至少一个:
颅高、全颅高、颅盖高、颅骨长宽高、颧突间距、下颚角间距、头围、额角、额侧角、前额角、下颌角、下颌颏角。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之前,还可以包括:
对所述分割图像进行图像校正,得到校正图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,包括:
将所述校正图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述校正图像中识别出各个预设的颅骨关键点的位置信息。
在一个示例性的实现过程中,将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,可以包括:
对受检对象的三维脑部图像进行采样,得到采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像;
根据所述标记图像在所述三维脑部图像中添加所属组织的标记,得到分割图像。
在一个示例性的实现过程中,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还可以包括:
根据用户对所述颅骨关键点的位置的调节操作信息,调节所述颅骨关键点的位置,根据调节后的位置确定所述颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域,包括:根据调节后所述颅骨关键点的位置信息,识别目标区域。
在一个示例性的实现过程中,根据所述关键点位置信息,识别目标区域之后,还可以包括:
输出并显示结果图像,所述结果图像上标记有所述目标区域。
在一个示例性的实现过程中,所述结果图像上还标记有以下内容中的至少一种:
颅骨关键点、颅骨标志线、法兰克福平面、颅骨参数的参数值、病变参数的参数值、颅脑结构信息。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (8)
1.一种颅骨检测方法,其特征在于,包括:
将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域,包括:根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;所述颅脑结构信息包括如下信息中的至少一种:大脑纵裂、中央沟MK、外侧沟MN、顶枕沟、中央前回、中央前后、脑膜中动脉主干的投影;
所述目标区域为病变区域;所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;根据所述关键点位置信息,识别目标区域之后,还包括:根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;根据所述关键点位置信息,获取病变大小、病变体积、病变面积;根据所述分割图像,获取脑室体积;基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
2.根据权利要求1所述的方法,其特征在于,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还包括:
根据所述关键点位置信息,获取预设颅骨参数的参数值;
所述颅骨参数包括如下参数中的至少一个:
颅高、全颅高、颅盖高、颅骨长宽高、颧突间距、下颚角间距、头围、额角、额侧角、前额角、下颌角、下颌颏角。
3.根据权利要求1所述的方法,其特征在于,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之前,还包括:
对所述分割图像进行图像校正,得到校正图像;
将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息,包括:
将所述校正图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述校正图像中识别出各个预设的颅骨关键点的位置信息。
4.根据权利要求1所述的方法,其特征在于,将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像,包括:
对受检对象的三维脑部图像进行采样,得到采样图像;
将所述采样图像输入已训练好的第一神经网络模型,获得所述第一神经网络模型输出的对所述采样图像中的各个组织进行标记的标记图像;
根据所述标记图像在所述三维脑部图像中添加所属组织的标记,得到分割图像。
5.根据权利要求1所述的方法,其特征在于,将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息之后,还包括:
根据用户对所述颅骨关键点的位置的调节操作信息,调节所述颅骨关键点的位置,根据调节后的位置确定所述颅骨关键点的位置信息;
根据所述关键点位置信息,识别目标区域,包括:根据调节后所述颅骨关键点的位置信息,识别目标区域。
6.根据权利要求1所述的方法,其特征在于,根据所述关键点位置信息,识别目标区域之后,还包括:
输出并显示结果图像,所述结果图像上标记有所述目标区域。
7.根据权利要求6所述的方法,其特征在于,所述结果图像上还标记有以下内容中的至少一种:
颅骨关键点、颅骨标志线、法兰克福平面、颅骨参数的参数值、病变参数的参数值、颅脑结构信息。
8.一种颅骨检测装置,其特征在于,包括:
分割模块,用于将受检对象的三维脑部图像输入已训练好的第一神经网络模型,以使所述第一神经网络模型对所述三维脑部图像进行脑组织分割,得到分割图像;
关键点识别模块,用于将所述分割图像输入已训练好的第二神经网络模型,以使所述第二神经网络模型从所述分割图像中识别出各个预设的颅骨关键点的位置信息;
目标识别模块,用于根据所述关键点位置信息,识别目标区域,具体用于根据所述关键点位置信息,确定所述分割图像中的预设颅骨标志线;和/或,所述颅骨关键点包括颅骨两侧的外耳门上缘点、左侧眶下缘点和右侧眶下缘点;根据颅骨两侧的外耳门上缘点和左侧眶下缘点确定法兰克福平面;或者,根据颅骨两侧的外耳门上缘点和右侧眶下缘点确定法兰克福平面;和/或,根据所述关键点位置信息,获取所述受检对象的颅脑结构信息;
所述目标区域为病变区域;所述预设颅骨标志线包括矢状线,所述矢状线为根据眉间点和枕外隆凸点这两点的位置信息获取的该两点之间的最优路径;根据所述关键点位置信息,识别目标区域之后,还包括:根据所述矢状线确定颅内的病变区域在所述分割图像中的位置;根据所述关键点位置信息,获取病变大小、病变体积、病变面积;根据所述分割图像,获取脑室体积;基于所述病变体积与所述脑室体积,确定体积指数,所述体积指数等于所述病变体积与脑室体积的百分比;
所述颅骨关键点包括以下点中的至少一个:眉弓点、眉间点、鼻根点、鼻棘点、眶上缘点、眶下缘点、外耳门上缘点、枕外隆凸、枕后点、人字点、翼点、冠矢点、颅底点、颧弓中点、下颌骨髁突中点、下颌角、颏下点、乳突、额缝点、前囱点、颅顶点;
所述分割图像中的脑组织包括如下组织中的至少一个:脑室、颅骨、下颚、颧弓、眼球、垂体窝、枢椎、脊椎。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197686.3A CN111462055B (zh) | 2020-03-19 | 2020-03-19 | 颅骨检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197686.3A CN111462055B (zh) | 2020-03-19 | 2020-03-19 | 颅骨检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462055A CN111462055A (zh) | 2020-07-28 |
CN111462055B true CN111462055B (zh) | 2024-03-08 |
Family
ID=71680839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010197686.3A Active CN111462055B (zh) | 2020-03-19 | 2020-03-19 | 颅骨检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462055B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270705B (zh) * | 2020-10-30 | 2021-08-31 | 李艳 | 颅骨的切片方法、存储介质及电子设备 |
KR102321427B1 (ko) * | 2021-01-20 | 2021-11-04 | 메디컬아이피 주식회사 | 의료영상을 이용한 인체성분 분석 방법 및 그 장치 |
CN114418981A (zh) * | 2022-01-14 | 2022-04-29 | 汕头市超声仪器研究所股份有限公司 | 超声颅脑标准面成像和异常区域自动检测显示方法 |
CN115148341B (zh) * | 2022-08-02 | 2023-06-02 | 重庆大学附属三峡医院 | 一种基于体位识别的ai结构勾画方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU164772U1 (ru) * | 2016-06-15 | 2016-09-10 | Ирина Валентиновна Костык | Способ и.в. костык, в.г. выборного кранио-портретной идентификации личности |
CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
CN107909588A (zh) * | 2017-07-26 | 2018-04-13 | 广州慧扬健康科技有限公司 | 基于三维全卷积神经网络的mri皮质下分区系统 |
CN108197539A (zh) * | 2017-12-21 | 2018-06-22 | 西北大学 | 一种颅骨性别鉴定方法 |
CN109993754A (zh) * | 2019-04-01 | 2019-07-09 | 华志微创医疗科技(北京)有限公司 | 从图像上进行颅骨分割的方法和系统 |
CN110517766A (zh) * | 2019-08-09 | 2019-11-29 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195299B2 (en) * | 2009-04-28 | 2012-06-05 | Medtronic | Method and apparatus for detecting the coronal suture for stereotactic procedures |
CN112120736B (zh) * | 2015-05-07 | 2023-04-18 | 深圳迈瑞生物医疗电子股份有限公司 | 三维超声成像方法和装置 |
-
2020
- 2020-03-19 CN CN202010197686.3A patent/CN111462055B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
RU164772U1 (ru) * | 2016-06-15 | 2016-09-10 | Ирина Валентиновна Костык | Способ и.в. костык, в.г. выборного кранио-портретной идентификации личности |
CN107909588A (zh) * | 2017-07-26 | 2018-04-13 | 广州慧扬健康科技有限公司 | 基于三维全卷积神经网络的mri皮质下分区系统 |
CN108197539A (zh) * | 2017-12-21 | 2018-06-22 | 西北大学 | 一种颅骨性别鉴定方法 |
CN109993754A (zh) * | 2019-04-01 | 2019-07-09 | 华志微创医疗科技(北京)有限公司 | 从图像上进行颅骨分割的方法和系统 |
CN110517766A (zh) * | 2019-08-09 | 2019-11-29 | 上海依智医疗技术有限公司 | 识别脑萎缩的方法及装置 |
Non-Patent Citations (2)
Title |
---|
李江波 ; 周洪 ; .基于二维X线片三维颅面结构模型建立的研究.中国美容医学.2015,(20),全文. * |
王瑞晨 ; 贾赤宇 ; 柳春明 ; 李桂珍 ; .建立CT三维重建头影测量模型的研究.中华损伤与修复杂志(电子版).2015,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111462055A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462055B (zh) | 颅骨检测方法及装置 | |
US9672302B2 (en) | Producing a three-dimensional model of an implant | |
CN109785374B (zh) | 一种牙科增强现实手术导航的自动实时无标记图像配准方法 | |
CN105342708B (zh) | 基于ct和cbct融合数据的数字化咬合导板及其重建方法 | |
ES2924253T3 (es) | Métodos para la preparación de una forma de localizador para guiar la resección de tejidos | |
CN109767841B (zh) | 一种基于颅颌面三维形态数据库的相似模型检索方法及装置 | |
US8223915B2 (en) | Method and apparatus for radiographic imaging | |
Coombes et al. | A mathematical method for the comparison of three-dimensional changes in the facial surface | |
US20130249907A1 (en) | Fiducial system to facilitate co-registration and image pixel calibration of multimodal data | |
US20170340390A1 (en) | Computer-Assisted Osteocutaneous Free Flap Reconstruction | |
CN110236673B (zh) | 一种基于数据库的双侧颌骨缺损重建术前设计方法及装置 | |
CN111493918B (zh) | 腰椎ct影像的观测面自动定位方法、应用方法及设备 | |
US20240127559A1 (en) | Methods for medical image visualization | |
CN109360213A (zh) | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 | |
CN112258638A (zh) | 人体模型的建模方法、装置、存储介质及电子设备 | |
CN112258640A (zh) | 颅骨模型的建立方法、装置、存储介质及电子设备 | |
KR102302249B1 (ko) | 영상처리와 cnn을 이용한 자동 3차원 세팔로메트리 장치 및 방법 | |
WO2003030738A1 (en) | 2-d and 3-d pose estimation of articles from 2-d images | |
CN112017275B (zh) | 一种面部正中矢状参考平面的辅助定位方法 | |
KR102238483B1 (ko) | 신체 유사도 지수 산출 방법과, 이를 이용한 수술 계획 시뮬레이션 방법 및 장치 | |
CN114680911A (zh) | 一种头颅测量三维坐标系及其建立方法和应用 | |
CN117649442B (zh) | 利用平衡器官解剖标志构筑三维头影测量坐标系的方法 | |
KR102243271B1 (ko) | 신체 유사도 지수 산출 방법과, 이를 이용한 수술 계획 시뮬레이션 방법 및 장치 | |
Qin et al. | Registration in oral and maxillofacial surgery | |
CN109700529B (zh) | 一种用于可弯曲刚性组织的导航系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240204 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |