CN111951216A - 基于计算机视觉的脊柱冠状面平衡参数自动测量方法 - Google Patents

基于计算机视觉的脊柱冠状面平衡参数自动测量方法 Download PDF

Info

Publication number
CN111951216A
CN111951216A CN202010633104.1A CN202010633104A CN111951216A CN 111951216 A CN111951216 A CN 111951216A CN 202010633104 A CN202010633104 A CN 202010633104A CN 111951216 A CN111951216 A CN 111951216A
Authority
CN
China
Prior art keywords
image
contour
pixel point
body image
gradient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010633104.1A
Other languages
English (en)
Other versions
CN111951216B (zh
Inventor
於文卓
秦飞巍
樊谨
李济舟
蒋超
潘奕彤
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010633104.1A priority Critical patent/CN111951216B/zh
Publication of CN111951216A publication Critical patent/CN111951216A/zh
Application granted granted Critical
Publication of CN111951216B publication Critical patent/CN111951216B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30012—Spine; Backbone
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于计算机视觉的脊柱冠状面平衡参数自动测量方法，首先对获得的x光影像图进行预处理，分为上下半身影像图；分别采用基于边缘检测和基于单阈值分割的轮廓提取方法对上下半身影像图进行轮廓提取；基于SIFT特征检测的图像配准技术和启发式算法筛选候选框；计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。本发明选用不同的计算机视觉算法获取目标选框，并结合SIFT图像配准技术和启发式算法思想，减少选框数量，极大提高了选框的精度，保证了量测的准确率。

Description

基于计算机视觉的脊柱冠状面平衡参数自动测量方法
技术领域
本发明属于计算机视觉影像图处理的实际场景应用领域，主要实现了一种基于边缘检测、阈值分割、轮廓提取、启发式算法的脊柱冠状面平衡参数自动测量的方法。
背景技术
成人脊柱畸形(Adult Spinal Deformity，ASD)是指人骨骼发育成熟后脊柱冠状位和矢状位上出现畸形和失衡，其中由椎间盘和关节突关节的非对称性退变导致的退行性脊柱侧凸是最常见的ASD。其治疗策略的选择和疗效评估成为当前脊柱外科医生关注的焦点和热点
ASD术前脊柱-骨盆力学参数是影像ASD分型和手术方案制定的重要因素，包括脊柱冠状位平衡参数，脊柱矢状位平衡参数和骨盆参数。目前这些参数的测量及分析主要依靠脊柱外科医生和放射科医生人工完成。如果能实现脊柱-骨盆力学参数高效精确的自动化测量，不但可以减轻临床医生的工作负担，也可能更好的评估患者畸形的严重程度，从而为制定精准治疗方案提供有力支持。
发明内容
本发明针对临床医生诊断时的需求，提供了一种基于计算机视觉的脊柱冠状面平衡参数自动测量方法。
基于计算机视觉的脊柱冠状面平衡参数自动测量方法，步骤如下：
步骤1、首先对获得的x光影像图进行预处理，所述的预处理包括灰度化、统一影像图尺寸；并将x光影像图进行14等分，取3、4、5份为上半身影像图，11、12为下半身影像图。所述的上半身影像图包含颈7脊椎骨，所述的下半身影像图包含骶骨。
步骤2、采用基于边缘检测的轮廓提取方法对上半身影像图进行轮廓提取；
步骤3、采用基于单阈值分割的轮廓提取方法对下半身影像图进行轮廓提取；
步骤4、基于SIFT特征检测的图像配准技术和启发式算法筛选候选框，得到含有颈7脊椎骨的轮廓候选框和含有骶骨的轮廓候选框；
步骤5、将上下半身的影像图中获取的候选框绘制到完整的x光影像图上，计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。
步骤2具体操作如下：
采用canny算子提取上半身影像图的边缘，步骤如下：
A)高斯模糊；
使用5x5的高斯滤波器对上半身影像图做平滑处理，减少噪声对边缘检测的影响。
B)Sobel算子计算上半身影像图梯度；
使用Sobel算子对高斯滤波器处理后的上半身影像图进行水平和竖直方向的梯度的计算，Sobel算子结合了高斯平滑和微分求导，包括水平算子和垂直算子；水平算子为
Figure BDA0002566518130000021
垂直算子为
Figure BDA0002566518130000022
对于上半身影像图Ι，其水平和竖直方向的梯度可以表示为
Figure BDA0002566518130000023
梯度的幅值则可以表示为
Figure BDA0002566518130000024
C)非极大值抑制；
获得梯度大小和梯度方向后，扫描上半身影像图的每个像素点，当某个像素点梯度方向上幅值最大时，则保留该像素值，认为该像素点是精确的轮廓，否则将该像素值置为0。
D)双阈值分割；
通过非极大值抑制，仍然存在多余的轮廓，为确定哪些才是影像图真正的轮廓，在Canny算子中，设置了两个阈值：minVal和maxVal。若像素点的梯度高于maxVal时，被认为是真正的轮廓。若像素点的梯度低于minVal，则不认为其为轮廓，丢弃该像素点。若像素点的梯度处于两者之间，当该像素点与某个确定的轮廓相连，则认为该像素点也是真正的轮廓，否则丢弃该像素点。对轮廓进行膨胀操作，再调用opencv的findContours函数，在上半身影像图中得到多个轮廓候选框，其中包括含有颈7脊椎骨的轮廓候选框。所述的轮廓可以认为是连续的点连在一起的曲线，具有相同的颜色或者灰度。
步骤3具体操作如下；
通过单阈值分割将下半身的影像图中高于阈值的像素赋值为255(白)，低于阈值的像素赋值为0(黑)，把一张原本的灰度图，转变为黑白图。根据双峰法确定阈值：根据下半身影像图的直方图，将直方图双峰之间的谷地作为初始阈值，不断增大阈值直到分离出脊椎轮廓获得阈值分割的下半身影像图。对经过阈值分割后的下半身影像图进行轮廓提取，得到多个轮廓候选框，其中包括含有骶骨的轮廓候选框。
步骤4具体操作如下；
在得到包含有目标脊椎骨的脊椎轮廓候选框后，结合基于SIFT特征检测的图像配准技术筛选候选框，若选框中匹配到的特征点的数量大于给定的阈值，则认为此候选框有一定概率包含目标脊椎，从而减少候选框的数量。基于启发式算法的思想，依据解剖学上脊椎骨的位置和大小，对候选框的位置和大小设置阈值，进一步减少候选框的数量直至能唯一确定包含目标脊椎骨的选框。
本发明有益效果如下：
1.填补应用空缺
本发明首次提出应用机器视觉和启发式算法完成对脊柱冠状面平衡参数CVA的自动化量测，填补了机器视觉在脊柱-骨盆力学参数上的应用空缺。
2.量测快速而精准
本发明根据x光影像图颈7骨和骶骨的差异性，因地制宜地选用不同的计算机视觉算法获取目标选框，并结合SIFT图像配准技术和启发式算法思想，减少选框数量，极大提高了选框的精度，保证了量测的准确率。
3.减轻医生负担
本发明测量准确率接近人工水平，可以有效辅助临床骨科医生决策，减轻临床医生工作负担。
附图说明
图1为本发明方法流程图；
图2为上半身边缘提取结果图；
图3为膨胀操作后的上半身边缘提取结果图；
图4为标注所得到的候选框图；
图5为不同算法对影像图进行阈值提取的效果展示图；
图6为x光影像图的直方图；
图7为不同阈值下二值化的效果展示图；
图8为下半身影像图轮廓提取的效果图；
图9为上半身经过SIFT图像配准后的效果图；
图10为筛选后的上下半身影像图；
图11为测量结果对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，基于计算机视觉的脊柱冠状面平衡参数自动测量方法，具体步骤如下：
步骤1、首先对获得的x光影像图进行预处理，所述的预处理包括灰度化、统一影像图尺寸；并将x光影像图进行14等分，取3、4、5份为上半身影像图，11、12为下半身影像图。所述的上半身影像图包含颈7脊椎骨，所述的下半身影像图包含骶骨。
步骤2、采用基于边缘检测的轮廓提取方法对上半身影像图进行轮廓提取；
使用canny算子提取上半身影像图的边缘，其步骤如下：
A)高斯模糊；
使用5x5的高斯滤波器对上半身影像图做平滑处理，减少噪声对边缘检测的影响。
B)Sobel算子计算上半身影像图梯度；
使用Sobel算子对高斯滤波器处理后的上半身影像图进行水平和竖直方向的梯度的计算，Sobel算子结合了高斯平滑和微分求导，包括水平算子和垂直算子；水平算子为
Figure BDA0002566518130000041
垂直算子为
Figure BDA0002566518130000051
对于上半身影像图Ι，其水平和竖直方向的梯度可以表示为
Figure BDA0002566518130000052
梯度的幅值则可以表示为
Figure BDA0002566518130000053
C)非极大值抑制；
获得梯度大小和梯度方向后，扫描上半身影像图的每个像素点，当某个像素点梯度方向上幅值最大时，则保留该像素值，认为该像素点是精确的轮廓，否则将该像素值置为0。
D)双阈值分割；
通过非极大值抑制，仍然存在多余的轮廓，为确定哪些才是影像图真正的轮廓，在Canny算子中，设置了两个阈值：minVal和maxVal。若像素点的梯度高于maxVal时，被认为是真正的轮廓。若像素点的梯度低于minVal，则不认为其为轮廓，丢弃该像素点。若像素点的梯度处于两者之间，当该像素点与某个确定的轮廓相连，则认为该像素点也是真正的轮廓，否则丢弃该像素点。所述的轮廓可以认为是连续的点连在一起的曲线，具有相同的颜色或者灰度。
提取到的轮廓如图2所示，对轮廓进行膨胀操作，得到图3所示效果。对得到的边缘进行轮廓提取，并使用矩形框标注作为候选框，结果如图4所示，候选框中含含有颈7脊椎骨的轮廓候选框。
图5为不同算法对影像图进行阈值提取的效果展示图；
步骤3、采用基于单阈值分割的轮廓提取方法对下半身影像图进行轮廓提取；
通过单阈值分割将下半身的影像图中高于阈值的像素赋值为255(白)，低于阈值的像素赋值为0(黑)，把一张原本的灰度图，转变为黑白图。根据双峰法确定阈值：根据下半身影像图的直方图，将直方图双峰之间的谷地作为初始阈值，不断增大阈值直到分离出脊椎轮廓获得阈值分割的下半身影像图。对经过阈值分割后的下半身影像图进行轮廓提取，得到多个轮廓候选框，其中包括含有骶骨的轮廓候选框。
根据图6的直方图，将直方图双峰之间的谷地作为初始阈值后，不断增大阈值直到能分离出脊椎轮廓。如图7所示，选择220这个阈值对下半身影像图进行阈值分割。如图8所示，对经过阈值分割后的下半身影像图的轮廓进行轮廓提取，得到多个轮廓候选框，其中包括含有骶骨的轮廓候选框。
步骤4、基于SIFT特征检测的图像配准技术和启发式算法筛选候选框，得到含有颈7脊椎骨的轮廓候选框和含有骶骨的轮廓候选框；
尺度不变特征变换算法(SIFT)通过尺度空间极值检测、关键点定位、指定极值点方向参数、关键点描述符、关键点匹配五个步骤，可以自动地寻找影像图的关键点，并实现从查询图到目标图的关键点匹配
图9为上半身经过SIFT图像配准后的效果图。
在最佳阈值下得到包含有目的脊椎骨的脊椎轮廓选框。得到轮廓选框后，结合基于SIFT特征检测的图像配准技术，若选框中匹配到的特征点的数量大于一个给定的阈值，则认为此候选框有一定概率包含目标脊椎，从而减少候选框的数量。如图10所示，结合SIFT算法进一步筛选候选框后得到的剩余候选框。
基于启发式算法的思想，依据解剖学上脊椎骨的位置和大小，对候选框的位置和大小设置阈值，进一步减少候选框的数量直至能唯一确定包含目标脊椎骨的选框。
步骤5、将上下半身的影像图中获取的候选框绘制到完整的x光影像图上，计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。如图11所示，左图为计算机自动测量脊椎-骨盆CVA参数的结果，右图为临床医生手动测量结果。

Claims (4)

1.基于计算机视觉的脊柱冠状面平衡参数自动测量方法，其特征在于，步骤如下：
步骤1、首先对获得的x光影像图进行预处理，所述的预处理包括灰度化、统一影像图尺寸；并将x光影像图进行14等分，取3、4、5份为上半身影像图，11、12为下半身影像图；所述的上半身影像图包含颈7脊椎骨，所述的下半身影像图包含骶骨；
步骤2、采用基于边缘检测的轮廓提取方法对上半身影像图进行轮廓提取；
步骤3、采用基于单阈值分割的轮廓提取方法对下半身影像图进行轮廓提取；
步骤4、基于SIFT特征检测的图像配准技术和启发式算法筛选候选框，得到含有颈7脊椎骨的轮廓候选框和含有骶骨的轮廓候选框；
步骤5、将上下半身的影像图中获取的候选框绘制到完整的x光影像图上，计算沿筛选出的颈7骨和骶骨候选框的中心坐标做出的垂线之间的像素距离，并根据影像图dpi大小将像素距离转换为物理距离，完成脊柱冠状位平衡参数CVA的自动测量。
2.根据权利要求1所述的基于计算机视觉的脊柱冠状面平衡参数自动测量方法，其特征在于，步骤2具体操作如下：
采用canny算子提取上半身影像图的边缘，步骤如下：
A)高斯模糊；
使用5x5的高斯滤波器对上半身影像图做平滑处理，减少噪声对边缘检测的影响；
B)Sobel算子计算上半身影像图梯度；
使用Sobel算子对高斯滤波器处理后的上半身影像图进行水平和竖直方向的梯度的计算，Sobel算子结合了高斯平滑和微分求导，包括水平算子和垂直算子；水平算子为
Figure FDA0002566518120000011
垂直算子为
Figure FDA0002566518120000012
对于上半身影像图Ι，其水平和竖直方向的梯度可以表示为
Figure FDA0002566518120000021
梯度的幅值则可以表示为
Figure FDA0002566518120000022
C)非极大值抑制；
获得梯度大小和梯度方向后，扫描上半身影像图的每个像素点，当某个像素点梯度方向上幅值最大时，则保留该像素值，认为该像素点是精确的轮廓，否则将该像素值置为0；
D)双阈值分割；
通过非极大值抑制，仍然存在多余的轮廓，为确定哪些才是影像图真正的轮廓，在Canny算子中，设置了两个阈值：minVal和maxVal；若像素点的梯度高于maxVal时，被认为是真正的轮廓；若像素点的梯度低于minVal，则不认为其为轮廓，丢弃该像素点；若像素点的梯度处于两者之间，当该像素点与某个确定的轮廓相连，则认为该像素点也是真正的轮廓，否则丢弃该像素点；对轮廓进行膨胀操作，再调用opencv的findContours函数，在上半身影像图中得到多个轮廓候选框，其中包括含有颈7脊椎骨的轮廓候选框；所述的轮廓可以认为是连续的点连在一起的曲线，具有相同的颜色或者灰度。
3.根据权利要求2所述的基于计算机视觉的脊柱冠状面平衡参数自动测量方法，其特征在于，步骤3具体操作如下；
通过单阈值分割将下半身的影像图中高于阈值的像素赋值为255(白)，低于阈值的像素赋值为0(黑)，把一张原本的灰度图，转变为黑白图；根据双峰法确定阈值：根据下半身影像图的直方图，将直方图双峰之间的谷地作为初始阈值，不断增大阈值直到分离出脊椎轮廓获得阈值分割的下半身影像图；对经过阈值分割后的下半身影像图进行轮廓提取，得到多个轮廓候选框，其中包括含有骶骨的轮廓候选框。
4.根据权利要求3所述的基于计算机视觉的脊柱冠状面平衡参数自动测量方法，其特征在于，步骤4具体操作如下；
在得到包含有目标脊椎骨的脊椎轮廓候选框后，结合基于SIFT特征检测的图像配准技术筛选候选框，若选框中匹配到的特征点的数量大于给定的阈值，则认为此候选框有一定概率包含目标脊椎，从而减少候选框的数量；基于启发式算法的思想，依据解剖学上脊椎骨的位置和大小，对候选框的位置和大小设置阈值，进一步减少候选框的数量直至能唯一确定包含目标脊椎骨的选框。
CN202010633104.1A 2020-07-02 2020-07-02 基于计算机视觉的脊柱冠状面平衡参数自动测量方法 Active CN111951216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633104.1A CN111951216B (zh) 2020-07-02 2020-07-02 基于计算机视觉的脊柱冠状面平衡参数自动测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633104.1A CN111951216B (zh) 2020-07-02 2020-07-02 基于计算机视觉的脊柱冠状面平衡参数自动测量方法

Publications (2)

Publication Number Publication Date
CN111951216A true CN111951216A (zh) 2020-11-17
CN111951216B CN111951216B (zh) 2023-08-01

Family

ID=73337623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633104.1A Active CN111951216B (zh) 2020-07-02 2020-07-02 基于计算机视觉的脊柱冠状面平衡参数自动测量方法

Country Status (1)

Country Link
CN (1) CN111951216B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797307A (zh) * 2022-12-13 2023-03-14 北京大学第三医院（北京大学第三临床医学院） 一种骨骼冠状位平衡参数检测系统
WO2024124790A1 (zh) * 2022-12-13 2024-06-20 北京大学第三医院（北京大学第三临床医学院） 一种骨骼矢状位平衡参数检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797307A (zh) * 2022-12-13 2023-03-14 北京大学第三医院（北京大学第三临床医学院） 一种骨骼冠状位平衡参数检测系统
CN115797307B (zh) * 2022-12-13 2023-08-08 北京大学第三医院（北京大学第三临床医学院） 一种骨骼冠状位平衡参数检测系统
WO2024124790A1 (zh) * 2022-12-13 2024-06-20 北京大学第三医院（北京大学第三临床医学院） 一种骨骼矢状位平衡参数检测系统

Also Published As

Publication number Publication date
CN111951216B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Peng et al. Automated vertebra detection and segmentation from the whole spine MR images
WO2021017297A1 (zh) 基于人工智能的脊柱影像处理方法及相关设备
CN112184617B (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
Vujovic et al. Establishing the correspondence between control points in pairs of mammographic images
JP5486197B2 (ja) 椎骨中心検出装置および方法並びにプログラム
US20070206844A1 (en) Method and apparatus for breast border detection
EP2756804A1 (en) Method, apparatus and system for identifying a specific part of a spine in an image
CN106846346B (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
WO2007126667A2 (en) Processing and measuring the spine in radiographs
WO2008014082A2 (en) Anatomic orientation in medical images
CN102968633B (zh) 基于ct侧位定位片的腰椎识别方法和装置
JP2017067489A (ja) 診断支援装置、方法及びコンピュータプログラム
CN111951216B (zh) 基于计算机视觉的脊柱冠状面平衡参数自动测量方法
CN111681230A (zh) 脑白质高信号评分系统及其评分方法
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
CN113870098A (zh) 一种基于脊柱分层重建的Cobb角自动测量方法
JP2009207727A (ja) 椎体位置決定装置および方法並びにプログラム
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN115187606A (zh) 一种青少年特发性脊柱侧凸pumc分型方法
WO2011050454A1 (en) Bone imagery segmentation method and apparatus
CN114693682A (zh) 一种基于图像处理的脊椎特征识别方法
JP5576631B2 (ja) 放射線撮影装置、放射線撮影方法、及びプログラム
JP2017198697A (ja) 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法
CN110916695A (zh) 确定脊柱扫描视野的方法、装置及图像处理设备
US10307124B2 (en) Image display device, method, and program for determining common regions in images

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