CN111640093A - 医学图像的质控方法和计算机可读存储介质 - Google Patents
医学图像的质控方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111640093A CN111640093A CN202010431833.9A CN202010431833A CN111640093A CN 111640093 A CN111640093 A CN 111640093A CN 202010431833 A CN202010431833 A CN 202010431833A CN 111640093 A CN111640093 A CN 111640093A
- Authority
- CN
- China
- Prior art keywords
- image
- result
- knee joint
- mask
- index
- 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.)
- Pending
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 44
- 210000000629 knee joint Anatomy 0.000 claims abstract description 293
- 238000003709 image segmentation Methods 0.000 claims abstract description 204
- 238000011002 quantification Methods 0.000 claims abstract description 100
- 210000002082 fibula Anatomy 0.000 claims abstract description 85
- 210000000689 upper leg Anatomy 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 64
- 210000002303 tibia Anatomy 0.000 claims abstract description 40
- 210000001519 tissue Anatomy 0.000 claims abstract description 24
- 238000013139 quantization Methods 0.000 claims description 108
- 238000001514 detection method Methods 0.000 claims description 80
- 230000002746 orthostatic effect Effects 0.000 claims description 55
- 210000004417 patella Anatomy 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 210000003423 ankle Anatomy 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 13
- 210000000988 bone and bone Anatomy 0.000 description 12
- 210000003127 knee Anatomy 0.000 description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000642 iatrogenic effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003601 intercostal effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001694 thigh bone Anatomy 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Quality & Reliability (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种医学图像的质控方法和计算机可读存储介质。该方法包括：获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。该方法极大提高了对医学图像进行质控过程的效率；同时大大提高了得到的图像分割结果的准确性，进而提高了X光膝关节图像的质量量化结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学图像的质控方法和计算机可读存储介质。
背景技术
随着医疗行业的不断发展、社会医疗体系的不断完善以及人民生活水平的日益提高，医院内的日检查数量逐步递增。由于数字化X射线摄影(Digital Radiography，DR)设备相对低廉的价格和相对快捷的检查步骤，X光检查数量也是处于快速增长阶段。在膝关节X光检查中，因拍摄技师数量有限且操作水平良莠不齐，频繁出现膝关节图像质量较差而影响医生后期诊断的情况；且当前下级医院拍摄的疑难病例会统一上传至上级医院，若下级医院拍摄的图像质量较差影响诊断时，则会需要患者二次拍摄，造成医疗资源浪费。
传统技术中，采用人工方法对膝关节图像进行抽检，一般通过目测或者简单测量对方式对相关要素进行检查，如：图像的基本信息是否完整、左右标记是否正确、图像中是否有异物和伪影、曝光条件是否恰当，诊断区域是否清晰可见，等等，然后将抽检结果发送给对应的技师进行改进。
然而，由于拍摄工作量增大，技师很难有时间对拍摄过的片子进行详细的分析，控制其拍摄质量。因此，传统技术中的医学图像质量控制结果效率较低。
发明内容
基于此，有必要针对传统技术中医学图像质量控制结果效率较低的问题，提供一种医学图像的质控方法和计算机可读存储介质。
一种医学图像的质控方法，该方法包括：
获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
在其中一个实施例中，第一质量指标包括第一子指标和/或第二子指标；基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果，包括：
基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个；
和/或，
基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
在其中一个实施例中，基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果，包括以下步骤中的至少一个：
基于正位图像分割结果中股骨掩膜的长轴方向、与正位膝关节图像的主轴方向，确定在关节长轴位置指标下的量化结果；
基于正位图像分割结果中股骨掩膜最下边缘的中心点位置，确定在股骨踝间窝位置指标下的量化结果；
基于正位图像分割结果中腓骨掩膜和胫骨掩膜的重叠面积，确定在腓骨与胫骨重叠指标下的量化结果；
基于正位图像分割结果中髌骨掩膜的左右边界、与股骨掩膜的左右边界，确定在髌骨位置指标下的量化结果；
基于正位图像分割结果中膝关节间隙掩膜的左右侧间隙，确定在膝关节间隙大小指标下的量化结果。
在其中一个实施例中，基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果，包括以下步骤中的至少一个：
基于侧位图像分割结果中胫骨掩膜和腓骨掩膜的长轴方向、与侧位膝关节图像的主轴方向，确定在胫腓骨长轴位置指标下的量化结果；
基于侧位图像分割结果中髌骨掩膜最下边缘的中心点位置，确定在髌骨下缘位置指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和髌骨掩膜的重叠面积，确定在股骨与髌骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和腓骨掩膜的重叠面积，确定在股骨与腓骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜的长轴方向和腓骨掩膜的长轴方向，确定在所述股骨与腓骨夹角指标下的量化结果。
在其中一个实施例中，上述方法还包括：
将X光膝关节图像输入图像分类模型，得到图像分类结果；该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；
基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；该第二质量指标用于表征X光膝关节图像是否清晰。
在其中一个实施例中，第二质量指标包括图像密度指标、伪影指标和图像清晰度指标中的至少一个；基于所述图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果，包括以下步骤中的至少一个：
基于灰度密度分类结果与预设第一阈值，确定在图像密度指标下的量化结果；
基于伪影分类结果与预设第二阈值，确定在伪影指标下的量化结果；
基于清晰度分类结果与预设第三阈值，确定在图像清晰度指标下的量化结果。
在其中一个实施例中，上述方法还包括：
将X光膝关节图像输入图像检测模型，得到图像检测结果；该图像检测结果包括异物检测结果和/或图像标记检测结果；
基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；该第三质量指标用于表征X光膝关节图像中非组织部分的类型。
在其中一个实施例中，第三质量指标包括异物指标和/或图像标记指标；基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果，包括：
基于异物检测结果和预设第四阈值，确定在异物指标下的量化结果；
和/或，
基于图像标记检测结果和X光膝关节图像的图像标签，确定在图像标记指标下的量化结果。
在其中一个实施例中，上述方法还包括：
将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；
和/或，
将X光膝关节图像和量化结果存储至数据库；
以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；该统计结果表征所述用户在当前周期内所采集的X膝关节图像的质量变化情况；
将统计结果通过网页展示至用户的客户端。
一种医学图像的质控装置，该装置包括：
获取模块，用于获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
图像分割模块，用于将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
量化模块，用于基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
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，处理器执行该计算机程序时实现以下步骤：
获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
上述医学图像的质控方法、装置、计算机设备和存储介质，能够获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。该方法中，通过计算机设备自动获取X光膝关节图像，并对其进行分割量化，得到相应的质量量化结果，整个数据处理过程无需人为参与，极大提高了对医学图像进行质控过程的效率；同时，由计算机设备通过图像分割模型进行图像分割，也大大提高了得到的图像分割结果的准确性，进而提高了X光膝关节图像的质量量化结果的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中医学图像的质控方法的流程示意图；
图2a为一个实施例中正位图像分割结果和侧位图像分割结果的示意图；
图3为另一个实施例中医学图像的质控方法的流程示意图；
图4为又一个实施例中医学图像的质控方法的流程示意图；
图5为又一个实施例中医学图像的质控方法的流程示意图；
图6为又一个实施例中医学图像的质控方法的流程示意图；
图7为一个实施例中医学图像的质控装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的医学图像的质控方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地，该计算机设备还可以包括通信接口、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和计算机程序。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。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地，该计算机设备可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种医学图像的质控方法，本实施例涉及的是对X光膝关节图像进行分割，以确定其在第一质量指标下的量化结果的具体过程。以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S101，获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像。
具体地，X光膝关节图像可以由计算机设备从影像归档和通信系统(PictureArchiving and Communication Systems，PACS)中获取，该X光膝关节图像可以包括正位膝关节图像和/或侧位膝关节图像。可选地，在获取到X光膝关节图像后，计算机设备还可以对其进行预处理操作，包括但不限于：将X光膝关节图像处理为下述图像分割模型能够接受的尺寸大小、通过图像内部既定的窗宽窗位对图像进行归一化操作、以及根据设定的平均值和方差对图像进行标准化操作等。
S102，将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个。
具体地，计算机设备可以将上述预处理后的X光膝关节图像输入图像分割模型，通过该图像分割模型对X光膝关节图像中的股骨、腓骨、胫骨、髌骨和膝关节间隙所在区域进行分割，得到图像分割结果。其中，因X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像，则其对应的图像分割结果也包括对应的正位图像分割结果和/或侧位图像分割结果。通过图像分割模型的分割操作，可以得到股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个，而掩膜则是指将目标区域与背景区域进行分离的二值化图像。关于正位图像分割结果和侧位图像分割结果的示意图可以参见图2a所示。
可选地，上述图像分割模型可以为神经网络模型，如卷积神经网络、循环神经网络等；可选地，该图像分割模型包括但不限于Unet，Linknet，Deeplab等网络模型。其中，该图像分割模型的训练方式可以包括：获取大量符合质量评估规范和不符合质量规范的样本图像，并由经验丰富的医生对每个样本图像进行分割标注，即标注出股骨、腓骨、胫骨、髌骨和膝关节间隙所在的区域，作为分割金标准；然后计算机设备将样本图像输入初始图像分割模型中，得到各个区域的预测掩膜，并计算预测掩膜和对应的分割金标准之间的损失loss，通过将该损失反向传播更新初始图像分割模型的网络参数(权重)；经过不断迭代可以得到训练收敛的图像分割模型。可选地，为提高图像分割模型的鲁棒性，计算机设备还可以对样本图像进行数据扩增，数据扩增的方法包括但不限于图像旋转、翻转、对比度调节和亮度调节等。
S103，基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
具体地，计算机设备基于上述图像分割结果，可以对比各个掩膜之间的相对位置，以计算X光膝关节图像在第一质量指标下的量化结果，该第一质量指标用于表征X膝关节图像中各组织拍摄位置是否规范。示例性的，对于正位膝关节图像，通过股骨掩膜在整个X膝关节图像中的相对位置可以判断该膝关节拍摄的位置是否居中；对于侧位膝关节图像，通过胫骨掩膜在这个X膝关节图像中的相对位置可以判断该膝关节拍摄的位置是否居中等等；若居中则将量化结果置为1，不居中置为0。
可选地，计算机设备在获取上述的样本图像之后，除了对其进行分割金标准标注之外，还可以对其在第一质量指标下进行量化数值标注，其中，正位膝关节图像的量化数值标注包括关节长轴与图像长轴的夹角大小，股骨踝间窝位于图像中心的判断分类结果，腓骨与胫骨掩膜重叠比例，髌骨位于内外踝之间的判断分类结果，膝关节间隙等距判断分类结果；侧位膝关节图像的量化数值标注包括胫腓骨长轴与图像长轴的夹角大小，髌骨下缘位于图像中心的判断分类结果，股骨和髌骨是否有重叠的判断分类结果，股骨与腓骨掩膜重叠比例，股骨与腓骨的夹角大小。示例性的，可以将量化数值标注设置为：夹角大小范围为0-180°，掩膜重叠比例范围为0-1，其中0位没有重叠，1为全部重叠，判断分类结果为0和1，其中0表示否，1表示是。
然后基于样本图像、分割金标准以及量化数值标注训练一个多任务处理模型：根据模型输出的掩膜与分割金标准计算loss1，根据模型输出的量化数据与量化数值标注计算loss2，将loss1和loss2加权求和后更新多任务处理模型。可选地，本实施例中采用的损失函数包括但不限于Dice函数、L2函数、BCE函数等。基于训练收敛的多任务处理模型，计算机设备可以将X光膝关节图像直接输入该模型中，在得到图像的特征后，可以将结果分为多个分支，同时计算图像分割结果和量化数据，即得到X光膝关节图像的图像分割结果和其在第一质量指标下的量化结果。
本实施例提供的医学图像的质控方法，计算机设备将获取的X光膝关节图像输入图像分割模型，得到图像分割结果，该图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果，该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。该方法中，通过计算机设备自动获取X光膝关节图像，并对其进行分割量化，得到相应的质量量化结果，整个数据处理过程无需人为参与，极大提高了对医学图像进行质控过程的效率；同时，由计算机设备通过图像分割模型进行图像分割，也大大提高了得到的图像分割结果的准确性，进而提高了X光膝关节图像的质量量化结果的准确性。
在一个实施例中，因上述图像分割结果包括正位图像分割结果和/或侧位图像分割结果，正位膝关节图像和侧位膝关节图像在进行质量量化时量化角度也不同，因此上述第一质量指标包括第一指标和/或第二指标，可选地，如图3所示，上述S103可以包括S201和/或S202：
S201，基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；该第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个。
具体地，基于正位图像分割结果(如图2a的示意图)，计算机设备可以计算正位膝关节图像在第一子指标下的量化结果。可选地，基于正位图像分割结果中的股骨掩膜，可以得到其长轴方向，通过与正位膝关节图像的主轴方向比较可以得到夹角值，若该夹角值大于设定阈值(如5°)，则认为正位膝关节图像的关节长轴与图像长轴不重合，反之则重合，即确定在关节长轴位置指标下的量化结果。基于正位图像分割结果中的股骨掩膜，可以计算该掩膜最下边缘的中心点位置与图像各个边界之间的距离，得到距离比例，若左右比例或上下比例差值小于设定阈值(如10mm)，则认为该正位膝关节图像的股骨踝间窝位于图像中心，反之则没有位于中心，即确定在股骨踝间窝位置指标下的量化结果。基于正位图像分割结果中的腓骨掩膜和胫骨掩膜，可以计算两者之间的重叠面积，将重叠面积除以腓骨掩膜和胫骨掩膜的面积和，得到面积比例，若该面积比例小于设定阈值(如5mm2)，则认为腓骨和胫骨的重叠部分符合规范，反之不符合规范，即确定在腓骨与胫骨重叠指标下的量化结果。基于正位图像分割结果中髌骨掩膜左右边界与股骨掩膜左右边界之间点的距离，若距离之差小于设定阈值(如5mm)，则认为髌骨位于内外踝之间，反之则不在，即确定在髌骨位置指标下的量化结果。基于正位图像分割结果中膝关节间隙掩膜左右侧间隙的高度均值，若高度均值小于设定阈值(如3mm)，则认为膝关节内外间隙等距，反之则不符合规范，即确定在膝关节大小指标下的量化结果。需要说明的是，上述第一子指标中关节长轴位置指标、股骨踝间窝位置指标、腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标下的量化结果，可以根据实际需要计算其中的至少一个。
S202，基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；该第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
具体地，基于侧位图像分割结果(如图2a的示意图)，计算机设备可以计算侧位膝关节图像在第二子指标下的量化结果。可选地，计算机设备可以基于侧位图像分割结果中胫骨掩膜和腓骨掩膜合并后区域的长轴方向，与侧位膝关节图像的主轴方向进行比较得到夹角值，若该夹角值大于设定阈值(如5°)，则认为图像的胫腓骨长轴与图像长轴不重合，反之则重合，即确定在胫腓骨长轴位置指标下的量化结果。基于侧位图像分割结果中髌骨掩膜最下边缘中心点位置与图像各个边界之间的距离，得到距离比例，若左右比例或上下比例差值小于既定阈值(如10mm)，则认为该侧位膝关节图像的髌骨下缘位于图像中心，反之没有位于图像中心，即得到在髌骨下缘位置指标下的量化结果。基于侧位图像分割结果中股骨掩膜和髌骨掩膜，可以计算两者之间的重叠面积，将重叠面积除以股骨掩膜和髌骨掩膜的面积和，得到面积比例，若该面积比例小于设定阈值(如5mm2)，则认为股骨和髌骨的重叠部分符合规范，反之不符合规范，即确定在股骨和髌骨重叠指标下的量化结果。基于侧位图像分割结果中股骨掩膜和腓骨掩膜，可以计算两者之间的重叠面积，将重叠面积除以股骨掩膜和腓骨掩膜的面积和，得到面积比例，若该面积比例小于设定阈值，则认为股骨和腓骨的重叠部分符合规范，反之不符合规范，即确定在股骨和腓骨重叠指标下的量化结果。基于侧位图像分割结果中股骨掩膜的长轴方向和腓骨掩膜的长轴方向，计算两者之间的夹角值，若该夹角值在设定范围之间(如3°-5°)，则认为图像的股骨与腓骨夹角符合规范，反之则不符合规范，即确定在胫腓骨长轴位置指标下的量化结果。需要说明的是，上述第二子指标中胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标下的量化结果，可以根据实际需要计算其中的至少一个。
本实施例提供的医学图像的质控方法，计算机设备可以基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果，以及基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果，其中，第一子指标和第二子指标为根据正位膝关节图像和侧位膝关节图像的图像特点而设置的，得到的量化结果也符合实际X光膝关节图像的质量特性。因此，本实施例可以在确保得到的质量量化结果符合实际需求的前提下，大大提高医学图像的质控效率。
在一个实施例中，计算机设备除了可以对X光膝关节图像进行图像分割之外，还可以对其进行图像分类。可选地，在上述实施例的基础上，如图4所示，上述方法还包括：
S301，将X光膝关节图像输入图像分类模型，得到图像分类结果；该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个。
具体地，计算机设备可以将上述X光膝关节图像输入图像分类模型，通过图像分类模型判断该X光膝关节图像的灰度密度是否正常、是否有伪影以及清晰度是否正常，以得到灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个。可选地，图像分类结果的表达形式可以为在各个分类上的分数(或概率)，如灰度密度分类结果为90分，伪影分类结果为80分，清晰度分类结果为50分等。
可选地，上述图像分类模型可以为神经网络模型，如卷积神经网络、循环神经网络等；可选地，该图像分类模型包括但不限于Ensenet,Resnet,Senet模型。其中，该图像分类模型的训练方式可以包括：获取大量的训练图像，并使用上述预处理方法和数据扩增方法对训练图像进行处理，得到最终的样本图像，由经验丰富的医生对样本图像的灰度密度是否正常、图像中是否有伪影以及诊断区域是否清晰的分类结果进行标注，作为分类金标准；然后计算机设备将样本图像输入初始图像分类网络中，得到预测分类结果，并计算预测分类结果和分类金标准之间的损失loss，将该损失反向传播以更新初始图像分类网络的网络参数(权重)，经过不断迭代得到训练收敛的图像分类模型。
S302，基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；该第二质量指标用于表征X光膝关节图像是否清晰。
具体地，基于上述图像分类结果，计算机设备可以根据各个分类结果与对应的分数阈值，计算X光膝关节图像在第二质量指标下的量化结果，该第二质量指标用于表征X光膝关节图像是否清晰。
可选地，上述第二质量指标可以包括图像密度指标、伪影指标和图像清晰度指标中的至少一个。计算机设备可以基于灰度密度分类结果与预设第一阈值(如85分)，若灰度密度分类结果大于第一阈值，则认为图像的灰度密度符合规范，反之不符合规范，即确定在图像密度指标下的量化结果。基于伪影分类结果与预设第二阈值(如60分)，若伪影分类结果大于第二阈值，则认为图像内有伪影，反之则没有，即确定在伪影指标下的量化结果。基于清晰度分类结果和预设第三阈值(如80分)，若清晰度分类结果大于第三阈值，则认为图像诊断区域清晰，反之则不清晰，即确定在图像清晰度指标下的量化结果。需要说明的是，上述第二质量指标中图像密度指标、伪影指标和图像清晰度指标下的量化结果，可以根据实际需要计算其中的至少一个；另外，对于正位膝关节图像和侧位膝关节图像，其计算方式类似。
本实施例提供的医学图像的质控方法，计算机设备还可以将X光膝关节图像输入图像分类模型，得到图像分类结果，该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；然后基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果，该第二质量指标用于表征X光膝关节图像是否清晰。该方法中，除了对图像中各组织拍摄位置是否规范进行量化之外，还对图像清晰度进行量化，使得该医学图像的质控角度更全面，同时由计算机设备自动处理，无需人为参与，也提高了质控过程的效率。
在一个实施例中，除了对X光膝关节图像进行图像分割和图像分类之外，计算机设备还可以对其进行图像检测。可选地，在上述实施例的基础上，如图5所示，上述方法还包括：
S401，将X光膝关节图像输入图像检测模型，得到图像检测结果；该图像检测结果包括异物检测结果和/或图像标记检测结果。
具体地，计算机设备可以将上述X膝关节图像输入图像检测模型中，通过图像检测模型，可以检测出非膝关节组织的部分，并采用矩形框进行标记；对于非膝关节组织的部分，可以为异物(如医源性异物和非医源性异物)，还可以为X光膝关节图像中用于表示左膝或右膝的标记(tag，包括L左膝和R右膝)。可选地，图像检测模型可以输出医源性异物分数、非医源性异物分数、左标记框分数和右标记框分数，将最高分数值对应的结果作为图像检测结果。
可选地，上述图像检测模型可以为神经网络模型，如卷积神经网络、循环神经网络等；可选地，该图像检测模型包括但不限于RetinaNet，Faster-RCNN，YOLO-v3模型。其中，该图像检测模型的训练方式可以包括：获取大量的样本图像(获取方式可以参见上述实施例的描述)，然后对各样本图像进行异物框所在位置和类型标注，左右标记框所在位置和左右标记分类标注，作为检测金标准；计算机设备将样本图像输入初始图像检测模型后，可以得到预测检测结果，通过计算预测检测结果和检测金标准之间的损失loss；将该损失反向传播以更新初始图像检测模型的网络参数(权重)，经过不断迭代可以得到训练收敛的图像检测模型。
S402，基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；该第三质量指标用于表征X光膝关节图像中非组织部分的类型。
具体地，基于上述图像检测结果，计算机设备可以计算X光膝关节图像在第三质量指标下的量化结果。可选地，该第三质量指标包括异物指标和/或图像标记指标。计算机设备基于异物检测结果，判断是否为医源性异物，若异物检测结果大于预设第四阈值(如90分)，则认为包含医源性异物，可认为图像上有异物，即确定在异物指标下的量化结果。和/或，基于图像标记检测结果和X光膝关节图像的图像标签(tag)，判断两者是否对应，若不对应则认为图像的左右标记错误，反之则正确，即确定在图像标记指标下的量化结果。
需要说明的是，对于上述图像分割结果、图像分类结果、图像检测结果以及对应的量化结果，计算机设备可以进行综合分析后得到X光膝关节图像的最终量化结果，如将各个量化结果加权求和等，并将各个量化结果和最终量化结果与X光膝关节图像存储至压缩文件进行保存。
本实施例提供的医学图像的质控方法，计算机设备还可以将X光膝关节图像输入图像检测模型，得到图像检测结果，该图像检测结果包括异物检测结果和/或图像标记检测结果；然后基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果，该第三质量指标用于表征X光膝关节图像中非组织部分的类型。该方法中，除了对图像中各组织拍摄位置是否规范进行量化以及对图像的清晰度进行来量化之外，还对图像中非组织部分的类型进行量化，使得该医学图像的质控角度进一步全面，同时由计算机设备自动处理，无需人为参与，也提高了质控过程的效率。
在一个实施例中，计算机设备还可以定时或实时对上述量化结果进行统计，以对相应医生的拍摄质量进行评估控制，提高医生的拍摄水平。可选地，上述方法还可以包括：
将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；
和/或，将X光膝关节图像和量化结果存储至数据库；以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；统计结果表征用户在当前周期内所采集的X膝关节图像的质量变化情况；将统计结果通过网页展示至用户的客户端。
具体地，计算机设备可以处于“待命状态”，通过dcmtk医学图像传输协议不断监控是否有数据从拍摄设备端传输至PACS系统或质控服务器；医生在拍摄完X光膝关节图像后，点击发送至质控服务器，质控服务器分析接收的数据是否是正确的数据(如tag标签是否完整等)后将其放入计算队列，计算机设备监控计算队列里是否有存量数据，并对存量数据执行上述医学图像的质控方法的过程；将得到的量化结果打包并存储，通过网络匹配分析和socket网络传输技术将量化结果传输给相应的医生电脑上；医生电脑端端前端软件不断监控是否有量化结果包输入，并对量化结果包解压显示，达到提醒医生对不符合规范的图像进行重拍的目的。
或者，计算机设备处于定时拉取状态，通过pacs医学图像传输协议定时从医院的PACS系统拉取X光膝关节图像；在定期拉取到一定数量的图像后存储至计算队列中，计算机设备监控计算队列里是否有存量数据，并对存量数据执行上述医学图像的质控方法的过程；将得到的量化结果打包并存储，通过mysql数据库技术存储并管理相应的量化结果、质量指标以及必要的拍摄信息数据；计算机设备内设置的与数据库匹配的web后台软件可以检索数据库内的数据，以预设时间间隔(如一周)为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果，并通过网页的形式将数据和图表进行展示。另外，医院内部管理人员也可以通过不同的硬件和软件对指定网址进行访问，进而查看任意时间段内的相应医生拍片质量结果统计。
为更好的理解上述医学图像的质控方法的处理过程，下面对该方法的整体流程再次进行描述，如图6所示，该方法包括：
S501，获取X光膝关节图像；该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
S502，将X光膝关节图像输入图像分割模型，得到正位图像分割结果和/或侧位图像分割结果；
S503，基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；
S504，基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；
S505，将X光膝关节图像输入图像分类模型，得到图像分类结果；
S506，基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；
S507，将X光膝关节图像输入图像检测模型，得到图像检测结果；
S508，基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；
S509，将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；和/或，以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果，将统计结果通过网页展示至用户的客户端。
关于各步骤的实现过程可以参见上述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然图2-图6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2-图6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。
在一个实施例中，如图7所示，提供了一种医学图像的质控装置，包括：获取模块11、图像分割模块12和量化模块13。
具体地，获取模块11，用于获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
图像分割模块12，用于将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
量化模块13，用于基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
本实施例提供的医学图像的质控装置，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。
在一个实施例中，第一质量指标包括第一子指标和/或第二子指标；量化模块13，具体用于基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个；和/或，基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
在一个实施例中，量化模块13，具体用于执行以下步骤中的至少一个：基于正位图像分割结果中股骨掩膜的长轴方向、与正位膝关节图像的主轴方向，确定在关节长轴位置指标下的量化结果；基于正位图像分割结果中股骨掩膜最下边缘的中心点位置，确定在股骨踝间窝位置指标下的量化结果；基于正位图像分割结果中腓骨掩膜和胫骨掩膜的重叠面积，确定在腓骨与胫骨重叠指标下的量化结果；基于正位图像分割结果中髌骨掩膜的左右边界、与股骨掩膜的左右边界，确定在髌骨位置指标下的量化结果；基于正位图像分割结果中膝关节间隙掩膜的左右侧间隙，确定在膝关节间隙大小指标下的量化结果。
在一个实施例中，量化模块13，具体用于执行以下步骤中的至少一个：基于侧位图像分割结果中胫骨掩膜和腓骨掩膜的长轴方向、与侧位膝关节图像的主轴方向，确定在胫腓骨长轴位置指标下的量化结果；基于侧位图像分割结果中髌骨掩膜最下边缘的中心点位置，确定在髌骨下缘位置指标下的量化结果；基于侧位图像分割结果中股骨掩膜和髌骨掩膜的重叠面积，确定在股骨与髌骨重叠指标下的量化结果；基于侧位图像分割结果中股骨掩膜和腓骨掩膜的重叠面积，确定在股骨与腓骨重叠指标下的量化结果；基于侧位图像分割结果中股骨掩膜的长轴方向和腓骨掩膜的长轴方向，确定在所述股骨与腓骨夹角指标下的量化结果。
在一个实施例中，上述装置还包括图像分类模块，用于将X光膝关节图像输入图像分类模型，得到图像分类结果；该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；量化模块13，还用于基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；该第二质量指标用于表征X光膝关节图像是否清晰。
在一个实施例中，第二质量指标包括图像密度指标、伪影指标和图像清晰度指标中的至少一个；量化模块13，具体用于执行以下步骤中的至少一个：基于灰度密度分类结果与预设第一阈值，确定在图像密度指标下的量化结果；基于伪影分类结果与预设第二阈值，确定在伪影指标下的量化结果；基于清晰度分类结果与预设第三阈值，确定在图像清晰度指标下的量化结果。
在一个实施例中，上述装置还包括图像检测模块，用于将X光膝关节图像输入图像检测模型，得到图像检测结果；该图像检测结果包括异物检测结果和/或图像标记检测结果；量化模块13，还用于基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；该第三质量指标用于表征X光膝关节图像中非组织部分的类型。
在一个实施例中，第三质量指标包括异物指标和/或图像标记指标；量化模块13，具体用于基于异物检测结果和预设第四阈值，确定在异物指标下的量化结果；和/或，基于图像标记检测结果和X光膝关节图像的图像标签，确定在图像标记指标下的量化结果。
在一个实施例中，上述装置还包括交互模块，用于将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；和/或，将X光膝关节图像和量化结果存储至数据库；以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；该统计结果表征所述用户在当前周期内所采集的X膝关节图像的质量变化情况；将统计结果通过网页展示至用户的客户端。
关于医学图像的质控装置的具体限定可以参见上文中对于医学图像的质控方法的限定，在此不再赘述。上述医学图像的质控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1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、通信接口、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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学图像的质控方法。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1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：
获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
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，第一质量指标包括第一子指标和/或第二子指标；处理器执行计算机程序时还实现以下步骤：
基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个；
和/或，
基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
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中的至少一个：
基于正位图像分割结果中股骨掩膜的长轴方向、与正位膝关节图像的主轴方向，确定在关节长轴位置指标下的量化结果；
基于正位图像分割结果中股骨掩膜最下边缘的中心点位置，确定在股骨踝间窝位置指标下的量化结果；
基于正位图像分割结果中腓骨掩膜和胫骨掩膜的重叠面积，确定在腓骨与胫骨重叠指标下的量化结果；
基于正位图像分割结果中髌骨掩膜的左右边界、与股骨掩膜的左右边界，确定在髌骨位置指标下的量化结果；
基于正位图像分割结果中膝关节间隙掩膜的左右侧间隙，确定在膝关节间隙大小指标下的量化结果。
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中的至少一个：
基于侧位图像分割结果中胫骨掩膜和腓骨掩膜的长轴方向、与侧位膝关节图像的主轴方向，确定在胫腓骨长轴位置指标下的量化结果；
基于侧位图像分割结果中髌骨掩膜最下边缘的中心点位置，确定在髌骨下缘位置指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和髌骨掩膜的重叠面积，确定在股骨与髌骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和腓骨掩膜的重叠面积，确定在股骨与腓骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜的长轴方向和腓骨掩膜的长轴方向，确定在所述股骨与腓骨夹角指标下的量化结果。
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：
将X光膝关节图像输入图像分类模型，得到图像分类结果；该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；
基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；该第二质量指标用于表征X光膝关节图像是否清晰。
在一个实施例中，第二质量指标包括图像密度指标、伪影指标和图像清晰度指标中的至少一个；处理器执行计算机程序时还实现以下步骤中的至少一个：
基于灰度密度分类结果与预设第一阈值，确定在图像密度指标下的量化结果；
基于伪影分类结果与预设第二阈值，确定在伪影指标下的量化结果；
基于清晰度分类结果与预设第三阈值，确定在图像清晰度指标下的量化结果。
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：
将X光膝关节图像输入图像检测模型，得到图像检测结果；该图像检测结果包括异物检测结果和/或图像标记检测结果；
基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；该第三质量指标用于表征X光膝关节图像中非组织部分的类型。
在一个实施例中，第三质量指标包括异物指标和/或图像标记指标；处理器执行计算机程序时还实现以下步骤：
基于异物检测结果和预设第四阈值，确定在异物指标下的量化结果；
和/或，
基于图像标记检测结果和X光膝关节图像的图像标签，确定在图像标记指标下的量化结果。
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：
将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；
和/或，
将X光膝关节图像和量化结果存储至数据库；
以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；该统计结果表征所述用户在当前周期内所采集的X膝关节图像的质量变化情况；
将统计结果通过网页展示至用户的客户端。
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：
获取X光膝关节图像，该X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将X光膝关节图像输入图像分割模型，得到图像分割结果；该图像分割结果包括正位图像分割结果和/或侧位图像分割结果，图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于图像分割结果，计算X光膝关节图像在第一质量指标下的量化结果；该第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
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，第一质量指标包括第一子指标和/或第二子指标；计算机程序被处理器执行时还实现以下步骤：
基于正位图像分割结果，计算正位膝关节图像在第一子指标下的量化结果；第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个；
和/或，
基于侧位图像分割结果，计算侧位膝关节图像在第二子指标下的量化结果；第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
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中的至少一个：
基于正位图像分割结果中股骨掩膜的长轴方向、与正位膝关节图像的主轴方向，确定在关节长轴位置指标下的量化结果；
基于正位图像分割结果中股骨掩膜最下边缘的中心点位置，确定在股骨踝间窝位置指标下的量化结果；
基于正位图像分割结果中腓骨掩膜和胫骨掩膜的重叠面积，确定在腓骨与胫骨重叠指标下的量化结果；
基于正位图像分割结果中髌骨掩膜的左右边界、与股骨掩膜的左右边界，确定在髌骨位置指标下的量化结果；
基于正位图像分割结果中膝关节间隙掩膜的左右侧间隙，确定在膝关节间隙大小指标下的量化结果。
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中的至少一个：
基于侧位图像分割结果中胫骨掩膜和腓骨掩膜的长轴方向、与侧位膝关节图像的主轴方向，确定在胫腓骨长轴位置指标下的量化结果；
基于侧位图像分割结果中髌骨掩膜最下边缘的中心点位置，确定在髌骨下缘位置指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和髌骨掩膜的重叠面积，确定在股骨与髌骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜和腓骨掩膜的重叠面积，确定在股骨与腓骨重叠指标下的量化结果；
基于侧位图像分割结果中股骨掩膜的长轴方向和腓骨掩膜的长轴方向，确定在所述股骨与腓骨夹角指标下的量化结果。
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：
将X光膝关节图像输入图像分类模型，得到图像分类结果；该图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；
基于图像分类结果，计算X光膝关节图像在第二质量指标下的量化结果；该第二质量指标用于表征X光膝关节图像是否清晰。
在一个实施例中，第二质量指标包括图像密度指标、伪影指标和图像清晰度指标中的至少一个；计算机程序被处理器执行时还实现以下步骤中的至少一个：
基于灰度密度分类结果与预设第一阈值，确定在图像密度指标下的量化结果；
基于伪影分类结果与预设第二阈值，确定在伪影指标下的量化结果；
基于清晰度分类结果与预设第三阈值，确定在图像清晰度指标下的量化结果。
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：
将X光膝关节图像输入图像检测模型，得到图像检测结果；该图像检测结果包括异物检测结果和/或图像标记检测结果；
基于图像检测结果，计算X光膝关节图像在第三质量指标下的量化结果；该第三质量指标用于表征X光膝关节图像中非组织部分的类型。
在一个实施例中，第三质量指标包括异物指标和/或图像标记指标；计算机程序被处理器执行时还实现以下步骤：
基于异物检测结果和预设第四阈值，确定在异物指标下的量化结果；
和/或，
基于图像标记检测结果和X光膝关节图像的图像标签，确定在图像标记指标下的量化结果。
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：
将量化结果通过网络传输协议实时发送至对应用户的客户端，以使用户根据量化结果选择是否重新采集X光膝关节图像；
和/或，
将X光膝关节图像和量化结果存储至数据库；
以预设时间间隔为周期，对数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；该统计结果表征所述用户在当前周期内所采集的X膝关节图像的质量变化情况；
将统计结果通过网页展示至用户的客户端。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)
1.一种医学图像的质控方法，其特征在于，所述方法包括：
获取X光膝关节图像，所述X光膝关节图像包括正位膝关节图像和/或侧位膝关节图像；
将所述X光膝关节图像输入图像分割模型，得到图像分割结果；所述图像分割结果包括正位图像分割结果和/或侧位图像分割结果，所述图像分割结果包括股骨掩膜、腓骨掩膜、胫骨掩膜、髌骨掩膜和膝关节间隙掩膜中的至少一个；
基于所述图像分割结果，计算所述X光膝关节图像在第一质量指标下的量化结果；所述第一质量指标用于表征X光膝关节图像中各组织拍摄位置是否规范。
2.根据权利要求1所述的方法，其特征在于，所述第一质量指标包括第一子指标和/或第二子指标；所述基于所述图像分割结果，计算所述X光膝关节图像在第一质量指标下的量化结果，包括：
基于所述正位图像分割结果，计算所述正位膝关节图像在第一子指标下的量化结果；所述第一子指标包括关节长轴位置指标，股骨踝间窝位置指标，腓骨与胫骨重叠指标、髌骨位置指标和膝关节间隙大小指标中的至少一个；
和/或，
基于所述侧位图像分割结果，计算所述侧位膝关节图像在第二子指标下的量化结果；所述第二子指标包括胫腓骨长轴位置指标、髌骨下缘位置指标、股骨与髌骨重叠指标、股骨与腓骨重叠指标和股骨与腓骨夹角指标中的至少一个。
3.根据权利要求2所述的方法，其特征在于，所述基于所述正位图像分割结果，计算所述正位膝关节图像在第一子指标下的量化结果，包括以下步骤中的至少一个：
基于所述正位图像分割结果中股骨掩膜的长轴方向、与所述正位膝关节图像的主轴方向，确定在所述关节长轴位置指标下的量化结果；
基于所述正位图像分割结果中股骨掩膜最下边缘的中心点位置，确定在所述股骨踝间窝位置指标下的量化结果；
基于所述正位图像分割结果中腓骨掩膜和胫骨掩膜的重叠面积，确定在所述腓骨与胫骨重叠指标下的量化结果；
基于所述正位图像分割结果中髌骨掩膜的左右边界、与股骨掩膜的左右边界，确定在所述髌骨位置指标下的量化结果；
基于所述正位图像分割结果中膝关节间隙掩膜的左右侧间隙，确定在所述膝关节间隙大小指标下的量化结果。
4.根据权利要求2所述的方法，其特征在于，所述基于所述侧位图像分割结果，计算所述侧位膝关节图像在第二子指标下的量化结果，包括以下步骤中的至少一个：
基于所述侧位图像分割结果中胫骨掩膜和腓骨掩膜的长轴方向、与所述侧位膝关节图像的主轴方向，确定在所述胫腓骨长轴位置指标下的量化结果；
基于所述侧位图像分割结果中髌骨掩膜最下边缘的中心点位置，确定在所述髌骨下缘位置指标下的量化结果；
基于所述侧位图像分割结果中股骨掩膜和髌骨掩膜的重叠面积，确定在所述股骨与髌骨重叠指标下的量化结果；
基于所述侧位图像分割结果中股骨掩膜和腓骨掩膜的重叠面积，确定在所述股骨与腓骨重叠指标下的量化结果；
基于所述侧位图像分割结果中股骨掩膜的长轴方向和所述腓骨掩膜的长轴方向，确定在所述股骨与腓骨夹角指标下的量化结果。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
将所述X光膝关节图像输入图像分类模型，得到图像分类结果；所述图像分类结果包括灰度密度分类结果、伪影分类结果和清晰度分类结果中的至少一个；
基于所述图像分类结果，计算所述X光膝关节图像在第二质量指标下的量化结果；所述第二质量指标用于表征X光膝关节图像是否清晰。
6.根据权利要求5所述的方法，其特征在于，所述第二质量指标包括图像密度指标、伪影指标和图像清晰度指标中的至少一个；所述基于所述图像分类结果，计算所述X光膝关节图像在第二质量指标下的量化结果，包括以下步骤中的至少一个：
基于所述灰度密度分类结果与预设第一阈值，确定在所述图像密度指标下的量化结果；
基于所述伪影分类结果与预设第二阈值，确定在所述伪影指标下的量化结果；
基于所述清晰度分类结果与预设第三阈值，确定在所述图像清晰度指标下的量化结果。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
将所述X光膝关节图像输入图像检测模型，得到图像检测结果；所述图像检测结果包括异物检测结果和/或图像标记检测结果；
基于所述图像检测结果，计算所述X光膝关节图像在第三质量指标下的量化结果；所述第三质量指标用于表征X光膝关节图像中非组织部分的类型。
8.根据权利要求7所述的方法，其特征在于，所述第三质量指标包括异物指标和/或图像标记指标；所述基于所述图像检测结果，计算所述X光膝关节图像在第三质量指标下的量化结果，包括：
基于所述异物检测结果和预设第四阈值，确定在所述异物指标下的量化结果；
和/或，
基于所述图像标记检测结果和所述X光膝关节图像的图像标签，确定在所述图像标记指标下的量化结果。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述量化结果通过网络传输协议实时发送至对应用户的客户端，以使所述用户根据所述量化结果选择是否重新采集X光膝关节图像；
和/或，
将所述X光膝关节图像和所述量化结果存储至数据库；
以预设时间间隔为周期，对所述数据库中的X光膝关节图像和量化结果进行统计，得到统计结果；所述统计结果表征所述用户在当前周期内所采集的X膝关节图像的质量变化情况；
将所述统计结果通过网页展示至所述用户的客户端。
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1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431833.9A CN111640093A (zh) | 2020-05-20 | 2020-05-20 | 医学图像的质控方法和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431833.9A CN111640093A (zh) | 2020-05-20 | 2020-05-20 | 医学图像的质控方法和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111640093A true CN111640093A (zh) | 2020-09-08 |
Family
ID=72332098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431833.9A Pending CN111640093A (zh) | 2020-05-20 | 2020-05-20 | 医学图像的质控方法和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640093A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076987A (zh) * | 2021-03-29 | 2021-07-06 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
| CN113907775A (zh) * | 2021-10-13 | 2022-01-11 | 瓴域影诺(北京)科技有限公司 | 一种髋关节影像质量判断方法及系统 |
| CN114596251A (zh) * | 2021-11-23 | 2022-06-07 | 杭州深睿博联科技有限公司 | 一种膝关节x光影像质控方法及装置 |
| CN116309503A (zh) * | 2023-03-20 | 2023-06-23 | 瑞泰影像科技(深圳)有限公司 | 基于语义分割的医学影像图像质量评价系统 |
| CN117437459A (zh) * | 2023-10-08 | 2024-01-23 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140093153A1 (en) * | 2012-09-28 | 2014-04-03 | Siemens Corporation | Method and System for Bone Segmentation and Landmark Detection for Joint Replacement Surgery |
| WO2016199051A1 (en) * | 2015-06-09 | 2016-12-15 | L&T Technology Services Limited | A system and method for 3d modelling from scanned images |
| KR20170058698A (ko) * | 2015-11-19 | 2017-05-29 | 삼성전자주식회사 | 무릎 자기공명영상의 관절연골 분할 장치 및 그 분할 방법 |
| CN109106447A (zh) * | 2018-05-31 | 2019-01-01 | 北京航空航天大学 | 一种用于x光下的获取股骨标准侧位和标准髁间窝图的方法 |
| CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
| 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 |
| CN110232688A (zh) * | 2019-07-12 | 2019-09-13 | 上海联影智能医疗科技有限公司 | 医学成像系统、方法、计算机设备和可读存储介质 |
| CN110717912A (zh) * | 2019-10-18 | 2020-01-21 | 上海联影智能医疗科技有限公司 | 医学图像质控系统、方法、计算机设备和可读存储介质 |
| CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
| CN110895818A (zh) * | 2019-10-16 | 2020-03-20 | 南京大学 | 一种基于深度学习的膝关节轮廓特征提取方法和装置 |
| CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
| CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
-
2020
- 2020-05-20 CN CN202010431833.9A patent/CN111640093A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140093153A1 (en) * | 2012-09-28 | 2014-04-03 | Siemens Corporation | Method and System for Bone Segmentation and Landmark Detection for Joint Replacement Surgery |
| WO2016199051A1 (en) * | 2015-06-09 | 2016-12-15 | L&T Technology Services Limited | A system and method for 3d modelling from scanned images |
| KR20170058698A (ko) * | 2015-11-19 | 2017-05-29 | 삼성전자주식회사 | 무릎 자기공명영상의 관절연골 분할 장치 및 그 분할 방법 |
| CN109106447A (zh) * | 2018-05-31 | 2019-01-01 | 北京航空航天大学 | 一种用于x光下的获取股骨标准侧位和标准髁间窝图的方法 |
| CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
| 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 |
| CN110232688A (zh) * | 2019-07-12 | 2019-09-13 | 上海联影智能医疗科技有限公司 | 医学成像系统、方法、计算机设备和可读存储介质 |
| CN110895818A (zh) * | 2019-10-16 | 2020-03-20 | 南京大学 | 一种基于深度学习的膝关节轮廓特征提取方法和装置 |
| CN110717912A (zh) * | 2019-10-18 | 2020-01-21 | 上海联影智能医疗科技有限公司 | 医学图像质控系统、方法、计算机设备和可读存储介质 |
| CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
| CN111080584A (zh) * | 2019-12-03 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法、计算机设备和可读存储介质 |
| CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| QI GAO ET AL.: "Blind CT Image Quality Assessment via Deep Learning Framework" * |
| 司莉萍 等: "基于膝关节软骨磁共振半定量评分的 自动分割与分类评价" * |
| 娄煜堃: "用于SAR仿真的膝关节图像自动分割方法研究" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076987A (zh) * | 2021-03-29 | 2021-07-06 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
| CN113907775A (zh) * | 2021-10-13 | 2022-01-11 | 瓴域影诺(北京)科技有限公司 | 一种髋关节影像质量判断方法及系统 |
| CN114596251A (zh) * | 2021-11-23 | 2022-06-07 | 杭州深睿博联科技有限公司 | 一种膝关节x光影像质控方法及装置 |
| CN116309503A (zh) * | 2023-03-20 | 2023-06-23 | 瑞泰影像科技(深圳)有限公司 | 基于语义分割的医学影像图像质量评价系统 |
| CN116309503B (zh) * | 2023-03-20 | 2024-06-18 | 瑞泰影像科技(深圳)有限公司 | 基于语义分割的医学影像图像质量评价系统 |
| CN117437459A (zh) * | 2023-10-08 | 2024-01-23 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
| CN117437459B (zh) * | 2023-10-08 | 2024-03-22 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640093A (zh) | 医学图像的质控方法和计算机可读存储介质 | |
| JP2021504061A (ja) | 脊椎骨折を識別するための３次元医用画像解析の方法及びシステム | |
| EP3477589B1 (en) | Method of processing medical image, and medical image processing apparatus performing the method | |
| KR20190105210A (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
| CN109102501B (zh) | 一种关节图像处理方法及图像处理设备 | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| WO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
| Jang et al. | An interpretable machine learning model for predicting 10-year total hip arthroplasty risk | |
| Tariq et al. | Opportunistic screening for low bone density using abdominopelvic computed tomography scans | |
| US11967077B1 (en) | System and method for predicting a need for total hip arthroplasty | |
| US20210193326A1 (en) | Method and apparatus of providing osteoarthritis prediction information | |
| CN116158774B (zh) | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 | |
| US10909674B2 (en) | System and method for context-aware imaging | |
| CN114998816B (zh) | 基于骨骼ai视频的病例改进方法、装置及存储介质 | |
| CN114742836B (zh) | 医学图像的处理方法、装置及计算机设备 | |
| Zhang et al. | A novel tool to provide predictable alignment data irrespective of source and image quality acquired on mobile phones: what engineers can offer clinicians | |
| CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
| US7848551B2 (en) | Method and system for analysis of bone density | |
| TWI810680B (zh) | 前後骨盆放射影像分析方法及系統 | |
| Mansourvar et al. | Automatic method for bone age assessment based on combined method | |
| CN115131276B (zh) | 骨骼受力分布的获取方法、装置、设备及存储介质 | |
| US20240127431A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model | |
| Bartels et al. | Sensitivity analysis of hip joint centre estimation based on three-dimensional CT scans |
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 |