CN111881910A - 基于椎骨影像的信息处理方法及计算机可读存储介质 - Google Patents
基于椎骨影像的信息处理方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111881910A CN111881910A CN202010759947.6A CN202010759947A CN111881910A CN 111881910 A CN111881910 A CN 111881910A CN 202010759947 A CN202010759947 A CN 202010759947A CN 111881910 A CN111881910 A CN 111881910A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- vertebral body
- value
- cancellous bone
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 103
- 230000037182 bone density Effects 0.000 claims abstract description 44
- 210000003205 muscle Anatomy 0.000 claims description 42
- 210000000577 adipose tissue Anatomy 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 210000001519 tissue Anatomy 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 57
- 238000013473 artificial intelligence Methods 0.000 description 18
- 239000002609 medium Substances 0.000 description 12
- 238000005259 measurement Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 210000000115 thoracic cavity Anatomy 0.000 description 6
- 208000001132 Osteoporosis Diseases 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003387 muscular Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000020084 Bone disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000016097 disease of metabolism Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 208000030159 metabolic disease Diseases 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000029725 Metabolic bone disease Diseases 0.000 description 1
- 206010049088 Osteopenia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052586 apatite Inorganic materials 0.000 description 1
- 239000012736 aqueous medium Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 229910052588 hydroxylapatite Inorganic materials 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001009 osteoporotic effect Effects 0.000 description 1
- VSIIXMUUUJUKCM-UHFFFAOYSA-D pentacalcium;fluoride;triphosphate Chemical compound [F-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O VSIIXMUUUJUKCM-UHFFFAOYSA-D 0.000 description 1
- XYJRXVWERLGGKC-UHFFFAOYSA-D pentacalcium;hydroxide;triphosphate Chemical compound [OH-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O XYJRXVWERLGGKC-UHFFFAOYSA-D 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
本公开涉及基于椎骨影像的信息处理方法，包括：识别椎骨影像中的椎体松质骨区域，以及不同于椎体松质骨的其他区域；获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息。计算机可读存储介质存储的计算机可执行指令主要执行上述信息处理方法。通过本公开的各实施例能够基于AI识别技术，精准进行内校准椎骨内松质骨的影像分析。
Description
技术领域
本公开涉及智能化辅助医学诊断信息技术领域，具体涉及一种基于椎骨影像的信息处理方法及计算机可读存储介质。
背景技术
骨质疏松为常见骨代谢疾病，骨密度为骨质疏松的重要指征。低剂量胸部CT也满足评估骨密度需求。现有技术中的定量CT(QCT)测量要求人工手动选择CT图像中的待测量感兴趣区域(ROI区域)，还要同时扫描参考体模，因此整个测量QCT的过程非常繁琐。
发明内容
本公开意图提供一种基于椎骨影像的信息处理方法及计算机可读存储介质，能够基于人工智能(AI)识别技术，精准进行内校准椎骨内松质骨的影像分析。
根据本公开的方案之一，提供一种基于椎骨影像的信息处理方法，包括：
识别椎骨影像中的椎体松质骨区域，以及不同于椎体松质骨的其他区域；。
获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；
基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息。
在一些实施例中，其中，识别不同于椎体松质骨的其他区域，包括：识别相邻于椎体松质骨区域的其他区域，所述其他区域分别包含不同组织。
在一些实施例中，其中，
识别相邻于椎体松质骨区域的其他区域，包括：识别相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域；
获取各所述其他区域的影像参数，包括：获取肌肉组织区域的第二影像参数和脂肪组织区域的第三影像参数。
在一些实施例中，其中，识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
通过AI方式确定椎骨影像的至少一横断面影像；
基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域。
在一些实施例中，其中，所述深度学习模型的构建方式，包括：
获取大样本椎骨影像；
至少根据椎骨生理参数标注大样本椎骨影像，形成关于椎体松质骨区域以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域的样本集；
构建深度学习模型。
在一些实施例中，其中，基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
基于所述样本集，通过AI方式识别所述椎骨生理参数对应的生理位置；
通过几何形状分别界定出椎体松质骨区域，以及肌肉组织区域和脂肪组织区域。
在一些实施例中，其中，所述椎骨生理参数包括：椎骨体横径、椎骨体前缘、棘突的凸起水平线。
在一些实施例中，其中，所述椎骨影像为CT影像；
所述获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数，包括：
基于提取的所述椎体松质骨区域内的CT值，确定第一CT值；
基于提取的各所述其他区域内的CT值，确定第二CT值和第三CT值。
在一些实施例中，其中，所述得到骨密度信息，包括：
基于所述第一CT值和第三CT值，得到所述第一CT值和第三CT值的第一比对关系；
基于所述第二CT值和第三CT值，得到所述第二CT值和第三CT值的第二比对关系；
基于所述第一比对关系和第二比对关系，以及预设骨密度均值，得到所述骨密度信息。
在一些实施例中，其中，还包括：
获取多层椎骨影像的骨密度信息；
基于多层椎骨影像的骨密度信息的均值，确定最终骨密度信息。
根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据上述的基于椎骨影像的信息处理方法。
本公开的各种实施例的基于椎骨影像的信息处理方法及计算机可读存储介质，通过识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的其他区域；获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息，从而能够以受试者自身肌肉脂肪作为内参，自动定位椎体松质骨/肌肉/脂肪，从椎骨影像参数中精准、快捷地得到骨密度信息。进一步的，能够基于AI技术和大样本数据，基于深度学习模型AI识别椎体松质骨，肌肉，脂肪组织，并以肌肉和脂肪为参照物，以此取代QCT体膜进行内校准测量，高效、智能地辅助人工对椎骨影像进行分析，对包括骨质疏松等在内的骨质疾病进行早期诊断。
应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出本公开一种实施例涉及的基于椎骨影像的信息处理方法的一种流程图；
图2示出本公开一种实施例涉及的呈现界面，其中包括界定区域和确定CT值的示意。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
本公开涉及基于影像分析的骨密度信息处理。骨质疏松为常见骨代谢疾病，表现为骨量减少及骨微小结构改变，导致骨脆性增加，容易发生骨折，早发现、早诊断、早治疗可以减少骨折的发生率及致残率。有研究表明，低剂量胸部CT也满足评估骨密度需求。定量胸部CT(QCT：Quantitative Computed Tomography)的椎体骨密度测量一站式扫描能降低辐射剂量、节约医疗成本及患者检查时间。骨量丢失首先从松质骨开始，因此当骨骼发生骨质疏松时，椎体内的松质骨是最先累及的地方。测量椎骨内松质骨的BMD(Bone MineralDensity)可更早期地反映骨量丢失的状况。QCT具体测量的部位通常是T12胸椎到L4腰椎中的3或4个椎体中部内的松质骨。以人体椎骨为例，椎体从上到下依次为7块颈椎骨(C1～C7)、12块胸椎骨(T1～T12)及5块腰椎骨(L1～L5)。传统的QCT测量是需要手动选择CT图像中的待测量ROI区域，且被测体与已知浓度磷灰石参考体模同时扫描，待测量ROI区域的CT值设为Hb，参考体模的CT值设为Hk，参考体模内的标准水的CT值设为Hw，所述测量区域的BMD设为Db，则Db的计算过程为：
其中,Ck为已知参考体羟磷灰石浓度(mg/cm3)。根据上述描述可知，传统的QCT测量要求医生手动选择CT图像中的待测量ROI区域，还要同时扫描参考体模，因此整个测量QCT的过程非常繁琐。
作为方案之一，如图1所示，本公开的实施例提供了一种基于椎骨影像的信息处理方法，包括：
S101：识别椎骨影像中的椎体松质骨区域，以及不同于椎体松质骨的其他区域；
S102：获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；
S103：基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息。
本公开的发明构思之一旨在代替传统的QCT-BMD测量模式。结合前述内容，传统QCT-BMD测量模式尽管是基于CT值与骨质密度相关，但QCT-BMD是以外部体模为骨质密度参考，人工手动定位待测骨密度区域。本公开各实施例中，旨在以椎体松质骨组织的识别为基础，识别其他不同组织区域为参考，例如两个或者两个以上其他组织区域，可以包含但不仅限于肌肉组织、脂肪组织。当然，本公开各实施例对于其他组织区域的识别应当以符合临床诊断意义为准。以临床诊断为基础，可以实现通过其他组织对应的区域的识别以及影像判读，来确定骨密度。
在具体实施方案中，本公开实施例可以为：识别不同于椎体松质骨的其他区域，包括：识别相邻于椎体松质骨区域的其他区域，所述其他区域分别包含不同组织。
具体的，本公开各实施例旨在主要通过受试者自身肌肉脂肪作为内参，也就是基于识别的椎体松质骨区域，以及相邻于椎体松质骨区域的其他区域，以其他区域的影像参数作为内参，定位椎体松质骨和其他具有影像诊断意义的区域。其中，以相邻于椎体松质骨区域的其他区域作为内参，一方面可以为识别的样本构建提供操作便利，另一方面也可以提高包括自动识别、智能识别在内的诸多识别方式的识别效率。
因此，结合目前放射影像诊断中体模介质与人体组织的对应关系，本公开的实施例可以为：
识别相邻于椎体松质骨区域的其他区域，包括：识别相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域；
获取各所述其他区域的影像参数，包括：获取肌肉组织区域的第二影像参数和脂肪组织区域的第三影像参数。
也就是，本实施例可以参考传统的QCT-BMD测量模式，通过与椎体松质骨相关的组织作为内参的方式进行骨密度求算，例如以椎体松质骨附近的肌肉组织、脂肪组织进行骨密度信息的确定。相对于体模介质，类似于体模中的水介质等。
当然，本公开各实施例中的识别方式，旨在能够替代传统QCT-BMD测量模式中人工手动定位待测骨密度区域的识别方式。作为AI识别的具体实施方式，本公开的实施例可以为：识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
通过AI方式确定椎骨影像的至少一横断面影像；
基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域。
本公开各实施例中，通过AI方式可以对颈椎、胸椎和腰椎的任何一段椎体进行定位识别，例如，以本领域技术人员常识性了解，可以通过AI技术，以基于神经网络算法，以及人体骨骼系统的深度识别模型等手段，对7块颈椎骨(C1～C7)、12块胸椎骨(T1～T12)及5块腰椎骨(L1～L5)进行识别、定位。在此基础上，通过本实施例可以确定椎骨影像的横断面影像。应当理解的是，传统的骨密度测量方案一般是针对横断面影像，在特定的场景下，本公开的实施例也可以以矢状面和冠状面为椎骨层面影像进行识别，相应的，由椎体松质骨，肌肉，脂肪组织的维度和位置所导致的，其识别、界定方式与横断面有所不同。本实施例以临床中通常采用的横断面为例进行说明。
作为具体方式，本公开各实施例的深度学习模型的构建方式，包括：
获取大样本椎骨影像；
至少根据椎骨生理参数标注大样本椎骨影像，形成关于椎体松质骨区域以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域的样本集；
构建深度学习模型。
举例来说，可以基于大数据采样为基础，通过大样本标注的方式，构建深度学习模型。针对大样本的椎骨影像所包含的正常人或患者正常的椎体松质骨组织，肌肉组织和脂肪组织，可以通过专业医生专业的标注方式，对大样本影像中的椎体松质骨组织，肌肉组织和脂肪组织进行标注，建立训练样本，从而根据大样本的标注影像训练获得深度学习模型。
其中，在大样本标注过程中，可以至少通过椎骨的椎骨生理参数进行框选、标注。
在一些实施例中，所述椎骨生理参数包括：椎骨体横径、椎骨体前缘、棘突的凸起水平线。
以“椎骨体横径”、“椎骨体前缘”、“棘突的凸起水平线”为例，针对大样本椎骨影像，人工基于“椎骨体横径”、“椎骨体前缘”框选出关于椎体松质骨区域的样本集，基于“棘突的凸起水平线”和其他一些能够表征肌肉组织和脂肪组织的生理特征部位框选出关于肌肉组织区域和脂肪组织区域的样本集。例如，可以将“棘突的凸起水平线”结合“背侧皮肤线”作为划分线进行标注。在上述根据具体的椎骨体横径、椎骨体前缘、棘突的凸起水平线，以及结合背侧皮肤线的界定标准基础上，以专业医生通过专业的标注方式对大样本影像进行标注，在形成关于椎体松质骨区域以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域的样本集的基础上，构建本公开各实施例的深度学习模型。
作为进一步具体实施方式，本公开的实施例可以为：基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
基于所述样本集，通过AI方式识别所述椎骨生理参数对应的生理位置；
通过几何形状分别界定出椎体松质骨区域，以及肌肉组织区域和脂肪组织区域。
结合图2，继续以椎骨生理参数包括：椎骨体横径、椎骨体前缘、棘突的凸起水平线，并结合背侧皮肤线为例说明。本公开各实施例涉及的AI诊断系统，在基于前述实施例的深度学习模型基础上：
识别椎骨体横径和前缘，从而框选出椎体松质骨区域。例如图2中所示，可以通过第一矩形框界定出椎体松质骨区域；
识别棘突起始部作水平线，人体的背侧皮肤线为另一水平线，椎体中心左右各10cm为侧边构建矩形，从而框选出肌肉组织区域和脂肪组织区域。例如图2中所示，可以通过第二矩形框界定出肌肉组织区域和脂肪组织区域。
本公开的发明构思之一，即在于上述通过AI方式和大样本标注样本集的深度学习模型，自动定位出椎体松质骨区域，以及肌肉组织区域和脂肪组织区域，从而能够提取各区域中的影像参数得到骨密度信息。
在此基础上作为具体实施方式，本公开的实施例可以为：所述椎骨影像为CT影像；
所述获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数，包括：
基于提取的所述椎体松质骨区域内的CT值，确定第一CT值；
基于提取的各所述其他区域内的CT值，确定第二CT值和第三CT值。
继续结合图2，在椎骨影像中框选出椎体松质骨区域，以及肌肉组织区域和脂肪组织区域的基础上：
可以提取第一矩形框内所有像素的CT值，构建CT值分布直方图，求取曲线峰值处拟高斯分布的值从而确定出本实施例的第一CT值，以此来作为椎体松质骨区域的CT值
可以提取第二矩形框内所有像素的CT值，构建CT值分布直方图，由于第二矩形框涉及肌肉和脂肪两种不同人体组织，直方图有两个峰值，求取曲线峰值处拟高斯分布的值，从而分别确定出本实施例的第二CT值和第三CT值，分别对应的作为肌肉区域的CT值和脂肪区域的CT值(该CT值为两个峰值中的较低峰值)。
作为具体实施方式，本公开的实施例可以为：所述得到骨密度信息，包括：
基于所述第一CT值和第三CT值，得到所述第一CT值和第三CT值的第一比对关系；
基于所述第二CT值和第三CT值，得到所述第二CT值和第三CT值的第二比对关系；
基于所述第一比对关系和第二比对关系，以及预设骨密度均值，得到所述骨密度信息。
结合前文，本实施例中：
第一CT值为被测椎体松质骨区域的CT值，以Hb表示；
第二CT值为肌肉区域的CT值，以Hm表示；
第三CT值为脂肪区域的CT值，以Hf表示，
具体的，基于所述第一比对关系和第二比对关系，以及预设骨密度均值，得到所述骨密度信息Db，可以通过下述公式实现：
其中，Dm和Df取自人群的骨密度均值，可以参考不同地域、不同人种、不同国家等等。
在一些具体实施方式中，本公开的实施例可以为：信息处理方法还包括：
获取多层椎骨影像的骨密度信息；
基于多层椎骨影像的骨密度信息的均值，确定最终骨密度信息。
具体的，可以针对待测椎体部位，选取颈椎、胸椎、腰椎不同部位的横断面影像作为骨密度信息的分析对象。例如，在三个腰椎或胸椎的横断位求取Db值，然后计算三者的均值作为受试者的椎骨的骨质密度值。
具体来说，本公开的发明构思之一，旨在通过识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的其他区域；获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息，从而能够以受试者自身肌肉脂肪作为内参，自动定位椎体松质骨/肌肉/脂肪，从椎骨影像参数中精准、快捷地得到骨密度信息。进一步的，能够基于AI技术和大样本数据，基于深度学习模型AI识别椎体松质骨，肌肉，脂肪组织，并以肌肉和脂肪为参照物，以此取代QCT体膜进行内校准测量，高效、智能地辅助人工对椎骨影像进行分析，对包括骨质疏松等在内的骨质疾病进行早期诊断。
作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的基于椎骨影像的信息处理方法，至少包括：
识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的其他区域；。
获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；
基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的医学影像的显示方法。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。
Claims (10)
1.基于椎骨影像的信息处理方法，包括：
识别椎骨影像中的椎体松质骨区域，以及不同于椎体松质骨的其他区域；
获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数；
基于所述第一影像参数和各所述其他区域的影像参数，得到骨密度信息。
2.根据权利要求1所述的信息处理方法，其中，识别不同于椎体松质骨的其他区域，包括：识别相邻于椎体松质骨区域的其他区域，所述其他区域分别包含不同组织。
3.根据权利要求2所述的信息处理方法，其中，
识别相邻于椎体松质骨区域的其他区域，包括：识别相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域；
获取各所述其他区域的影像参数，包括：获取肌肉组织区域的第二影像参数和脂肪组织区域的第三影像参数。
4.根据权利要求3所述的信息处理方法，其中，识别椎骨影像中的椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
通过AI方式确定椎骨影像的至少一横断面影像；
基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域。
5.根据权利要求4所述的信息处理方法，其中，所述深度学习模型的构建方式，包括：
获取大样本椎骨影像；
至少根据椎骨生理参数标注大样本椎骨影像，形成关于椎体松质骨区域以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域的样本集；
构建深度学习模型。
6.根据权利要求5所述的信息处理方法，其中，基于深度学习模型，通过AI方式界定所述横断面影像中椎体松质骨区域，以及相邻于椎体松质骨区域的肌肉组织区域和脂肪组织区域，包括：
基于所述样本集，通过AI方式识别所述椎骨生理参数对应的生理位置；
通过几何形状分别界定出椎体松质骨区域，以及肌肉组织区域和脂肪组织区域；
其中，所述椎骨生理参数包括：椎骨体横径、椎骨体前缘、棘突的凸起水平线。
7.根据权利要求1至6中任一项所述的信息处理方法，其中，所述椎骨影像为CT影像；
所述获取所述椎体松质骨区域的第一影像参数，以及各所述其他区域的影像参数，包括：
基于提取的所述椎体松质骨区域内的CT值，确定第一CT值；
基于提取的各所述其他区域内的CT值，确定第二CT值和第三CT值。
8.根据权利要求7所述的信息处理方法，其中，所述得到骨密度信息，包括：
基于所述第一CT值和第三CT值，得到所述第一CT值和第三CT值的第一比对关系；
基于所述第二CT值和第三CT值，得到所述第二CT值和第三CT值的第二比对关系；
基于所述第一比对关系和第二比对关系，以及预设骨密度均值，得到所述骨密度信息。
9.根据权利要求1所述的信息处理方法，其中，还包括：
获取多层椎骨影像的骨密度信息；
基于多层椎骨影像的骨密度信息的均值，确定最终骨密度信息。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据权利要求1至9所述的信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759947.6A CN111881910A (zh) | 2020-07-31 | 2020-07-31 | 基于椎骨影像的信息处理方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759947.6A CN111881910A (zh) | 2020-07-31 | 2020-07-31 | 基于椎骨影像的信息处理方法及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881910A true CN111881910A (zh) | 2020-11-03 |
Family
ID=73205921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010759947.6A Pending CN111881910A (zh) | 2020-07-31 | 2020-07-31 | 基于椎骨影像的信息处理方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881910A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782375A (zh) * | 2022-04-27 | 2022-07-22 | 四川大学华西医院 | 骨质密度测量方法、装置和设备 |
| CN116630679A (zh) * | 2023-03-29 | 2023-08-22 | 南通大学 | 一种基于ct图像和域不变特征的骨质疏松识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5068788A (en) * | 1988-11-29 | 1991-11-26 | Columbia Scientific Inc. | Quantitative computed tomography system |
| US20140236488A1 (en) * | 2013-02-19 | 2014-08-21 | Mindways Software, Inc. | Computed Tomography Calibration Systems and Methods |
| US20140376701A1 (en) * | 2013-06-21 | 2014-12-25 | O.N.Diagnostics, LLC | Quantitative phantomless calibration of computed tomography scans |
| JP2017063936A (ja) * | 2015-09-29 | 2017-04-06 | 富士フイルム株式会社 | 画像位置合わせ装置および方法並びにプログラム |
| CN110210481A (zh) * | 2019-06-06 | 2019-09-06 | 福建师范大学 | 一种基于凹形缝隙区域识别的终板自动分离方法 |
| CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
| CN110840473A (zh) * | 2019-11-22 | 2020-02-28 | 江研伟 | 一种基于CT薄层扫描Hu值的骨密度测量系统 |
| CN111276221A (zh) * | 2020-02-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | 椎骨影像信息的处理方法、显示方法及存储介质 |
-
2020
- 2020-07-31 CN CN202010759947.6A patent/CN111881910A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5068788A (en) * | 1988-11-29 | 1991-11-26 | Columbia Scientific Inc. | Quantitative computed tomography system |
| US20140236488A1 (en) * | 2013-02-19 | 2014-08-21 | Mindways Software, Inc. | Computed Tomography Calibration Systems and Methods |
| US20140376701A1 (en) * | 2013-06-21 | 2014-12-25 | O.N.Diagnostics, LLC | Quantitative phantomless calibration of computed tomography scans |
| JP2017063936A (ja) * | 2015-09-29 | 2017-04-06 | 富士フイルム株式会社 | 画像位置合わせ装置および方法並びにプログラム |
| CN110210481A (zh) * | 2019-06-06 | 2019-09-06 | 福建师范大学 | 一种基于凹形缝隙区域识别的终板自动分离方法 |
| CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
| CN110840473A (zh) * | 2019-11-22 | 2020-02-28 | 江研伟 | 一种基于CT薄层扫描Hu值的骨密度测量系统 |
| CN111276221A (zh) * | 2020-02-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | 椎骨影像信息的处理方法、显示方法及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 冒玉祥;王心涛;齐效君;杨雪英;朱海贤;: "无体模法定量CT在骨质疏松诊断中的应用", 实用医技杂志, no. 06, pages 28 - 29 * |
| 刘忠厚主编: "《骨矿与临床》", 北京：中国科学技术出版社, pages: 327 - 334 * |
| 潘诗农;赵衡;赵凯;廖伟;康雁;郭启勇;: "基于QCT数据无体模CAD股骨颈BMD测量初步研究", 中国临床医学影像杂志, no. 03, pages 31 - 36 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782375A (zh) * | 2022-04-27 | 2022-07-22 | 四川大学华西医院 | 骨质密度测量方法、装置和设备 |
| CN116630679A (zh) * | 2023-03-29 | 2023-08-22 | 南通大学 | 一种基于ct图像和域不变特征的骨质疏松识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN102648482B (zh) | 用于所选组织结构的图像分析的方法及系统 | |
| US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
| CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
| WO2019020048A1 (zh) | 一种基于超声拓片技术的脊椎图像生成系统以及脊柱手术导航定位系统 | |
| JP5295562B2 (ja) | フレキシブル３次元回転血管造影−コンピュータ断層撮影融合方法 | |
| JP6426608B2 (ja) | 解析モルフォミクス：高速医用画像自動解析法 | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| CN111881910A (zh) | 基于椎骨影像的信息处理方法及计算机可读存储介质 | |
| CN110807770A (zh) | 医学影像的处理、识别、显示方法及存储介质 | |
| GB2512876A (en) | Methods and apparatus for quantifying inflammation | |
| CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN115222937A (zh) | 一种脊柱侧弯检测方法及装置 | |
| KR20210054925A (ko) | 골밀도 산출을 위한 관심영역 추출 시스템 및 방법 | |
| Guglielmi et al. | Reproducibility of a semi-automatic method for 6-point vertebral morphometry in a multi-centre trial | |
| JP3234668U (ja) | Ｘ線による脊柱側弯症の画像認識システム | |
| US9826952B2 (en) | X-ray CT apparatus and scanning method | |
| CN111462270A (zh) | 一种基于新型冠状病毒肺炎ct检测的重建系统及方法 | |
| CN111276221B (zh) | 椎骨影像信息的处理方法、显示方法及存储介质 | |
| CN112022345A (zh) | 腹壁缺损重建的三维可视化术前规划方法、系统及终端 | |
| CN116228796A (zh) | 一种ct图像椎弓根分割方法、装置及存储介质 | |
| US11769253B2 (en) | Method and system for selecting a region of interest in an image | |
| CN110706336A (zh) | 一种基于医疗影像数据的三维重建方法及系统 | |
| CN111583219B (zh) | 颅颌面软硬组织的分析方法及装置、电子设备 | |
| CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 |
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 |