CN112071422A - 基于神经网络的腰椎病变诊断系统 - Google Patents
基于神经网络的腰椎病变诊断系统 Download PDFInfo
- Publication number
- CN112071422A CN112071422A CN202010922602.8A CN202010922602A CN112071422A CN 112071422 A CN112071422 A CN 112071422A CN 202010922602 A CN202010922602 A CN 202010922602A CN 112071422 A CN112071422 A CN 112071422A
- Authority
- CN
- China
- Prior art keywords
- lumbar
- lesion
- marking line
- image
- focus
- 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
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 175
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000036285 pathological change Effects 0.000 claims abstract description 44
- 231100000915 pathological change Toxicity 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 206010050296 Intervertebral disc protrusion Diseases 0.000 claims description 62
- 238000005070 sampling Methods 0.000 claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 230000007170 pathology Effects 0.000 claims description 11
- 230000001575 pathological effect Effects 0.000 claims description 8
- 210000004705 lumbosacral region Anatomy 0.000 claims description 7
- 206010041591 Spinal osteoarthritis Diseases 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000013486 operation strategy Methods 0.000 claims description 5
- 210000002517 zygapophyseal joint Anatomy 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 201000006417 multiple sclerosis Diseases 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 208000012287 Prolapse Diseases 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000029761 vertebral disease Diseases 0.000 description 2
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4566—Evaluating the spine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/11—Region-based 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Software Systems (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Epidemiology (AREA)
- Physical Education & Sports Medicine (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Rheumatology (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
Abstract
本发明涉及一种人工智能技术领域的智能决策应用领域,揭露一种基于神经网络的腰椎病变诊断系统,包括:图像获取装置,用于获取腰椎扫描序列图像;图像处理装置,用于对腰椎扫描序列图像进行预处理,得到间盘层扫描图像;图像处理装置,还用于将间盘层扫描图像输入基于神经网络的分割模型中进行分割处理;图像处理装置,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果;输出装置,用于输出病变诊断结果。本发明提出的基于神经网络的腰椎病变诊断系统可以自动判断腰椎的病变诊断结果;另外还具有判读精确程度更高的优点。本发明还涉及区块链技术,所述病变诊断结果存储于区块链中。本发明可以提高诊疗效率。
Description
技术领域
本发明涉及基于人工智能技术领域的智能决策等应用领域,尤其涉及一种基于神经网络的腰椎病变诊断系统。
背景技术
腰椎间盘突出症是引起腰腿痛的最常见疾病之一,腰椎间盘突出症包含脱出、突出、膨出、间盘游离等征象,腰椎间盘突出症在影像诊断工作中重复性极高。
目前市场上尚未出现成熟落地的针对腰椎间盘上各类病变的基于神经网络的影像辅助诊断系统,早期针对腰椎间盘的影像学分析方法主要是采用传统图像学方法,如边缘提取等,这类方法精度低,且腰椎间盘突出的辅助检查主要为影像学检查,而影像学报告目前均为人工判读,影像医生的工作量大,工作重复度高。同时阅片的主观性比较强,虽然诊断结果有一定的撰写规范,但不同的医生会有其各自的描述用语,导致诊断结果存在较大的描述误差。
发明内容
本发明提供一种基于神经网络的腰椎病变诊断系统、计算机设备及存储介质,以解决基于神经网络的腰椎病变诊断系统的人工判读,影像医生的工作量大,工作重复度高以及不同的医生会有其各自的描述用语,导致诊断结果存在较大的描述误差的问题。
一种基于神经网络的腰椎病变诊断系统,包括:
图像获取装置,用于获取腰椎扫描序列图像;
图像处理装置,用于对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像;
所述图像处理装置,还用于将所述间盘层扫描图像输入基于神经网络的分割模型中进行分割处理,以分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线;
所述图像处理装置,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果;
输出装置,用于输出所述病变诊断结果。
在一实施例中,所述图像处理装置具体用于:
剔除所述腰椎扫描序列图像的腰椎定位像,以获取所述腰椎扫描序列的轴扫图像;
从所述轴扫图像中选取所述腰椎扫描序列的螺旋扫描图像;
将所述螺旋扫描图像重建形成所述间盘层扫描图像。
在一实施例中,所述图像处理装置具体还用于:
通过预设训练好的预设Vnet模型以对所述间盘层扫描图像进行分割处理,以得到分割图像,所述分割图像包括已分割出的所述腰椎间盘、脱出病灶以及病变程度标注线。
在一实施例中,所述预设Vnet模型采用如下分割网络结构:包括依次连接的上采样网络和下采样网络,所述上采样网络包括依次向下采样连接的第一编码单元、第二编码单元、第三编码单元、第四编码单元和第五编码单元;所述下采样网络包括依次向上采样连接的第四解码单元、第三解码单元、第二解码单元、第一解码单元,所述第五编码单元的输出层连接于所述第四解码单元;
其中,所述第一编码单元、第二编码单元、第三编码单元和第四编码单元中各编码单元与所述下采样网络中对应的解码单元连接,所述第三解码单元的输出端还与所述第一解码单元的输入端连接,以将所述第三解码单元输出的特征图作为第一解码单元的输入;
所述上采样网络中各编码单元包括依次连接的输入层、卷积层、池化层和输出层;所述下采样网络中各解码单元包括依次连接的输入层、反卷积层、卷积层和输出层。
在一实施例中,所述图像处理装置,还用于:
在分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线之后,判断所述间盘层扫描图像相对于正常间盘层扫描图像位置是否处于水平位置;
若不是处于水平位置,则将所述间盘层扫描图像调整至水平位置,以使得到的所述病变程度标注线为水平的标注线。
在一实施例中,所述病变程度标注线包括多条,所述图像处理装置用于:
以椎管中央为中心绘制多条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的宫格图;
通过判断脱出病灶分布在所述宫格图的位置,以获得腰椎间盘突出的诊断结果。
在一实施例中,所述病变程度标注线包括两条,所述图像处理装置用于:
以所述椎管中央为中心绘制四条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的九宫格图;
通过判断脱出病灶分布在所述九宫格图的位置,以获得所述腰椎间盘突出的诊断结果。
在一实施例中,所述图像处理装置用于:
在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,其中,所述第一、二条病变程度标注线从上往下依次排列的病变程度标注线;
以所述椎管中央为中心,两侧的关节突关节边缘为界分别绘制第一、二、三、四条病变位置标注线,以获得所述九宫格图;
其中,所述第一、二、三、四条病变位置标注线为从左往右依次排列的病变位置标注线,所述第一条病变位置标注线位于其中一侧的关节突关节边缘,所述第四条病变位置标注线位于其中另一侧的关节突关节边缘,所述第二条病变位置标注线位于椎管中央与所述一侧的关节突关节边缘之间,所述第三条病变位置标注线位于椎管中央与所述另一侧的关节突关节边缘之间。
在一实施例中,所述图像处理装置用于:
若确定所述脱出病灶未凸出于第一条病变程度标注线,则判断所述腰椎间盘突出为轻度病变;
若确定所述脱出病灶凸出于所述第一条病变程度标注线且未凸出于第二条病变程度标注线,则判断所述腰椎间盘突出为中度病变;
若确定所述脱出病灶凸出于第二条病变程度标注线外,则判断所述腰椎间盘突出为重度病变;
若确定所述脱出病灶在所述第二条病变位置标注线与第三条病变位置标注线之间,则判断所述脱出病灶位于第一位置区域;
若确定所述脱出病灶在所述第一条病变位置标注线与第二条病变位置标注线之间,或者,确定所述脱出病灶在第三条病变位置标注线与第四条病变位置标注线之间,则判断所述脱出病灶位于第二位置区域;
若确定所述脱出病灶凸出于第一条病变位置标注线外,或凸出于第四条病变位置标注线外,则判断所述脱出病灶位于第三位置区域;
根据腰椎间盘突出的病变程度和所述脱出病灶的位置区域确定对应的手术策略。
在一实施例中,所述腰椎扫描序列图像为腰椎CT扫描序列图像、腰椎X光扫描序列图像或腰椎磁共振图像。
本发明提出的基于神经网络的腰椎病变诊断系统包括图像获取装置,用于获取腰椎扫描序列图像;图像处理装置,用于对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像;所述图像处理装置,还用于将所述间盘层扫描图像输入基于神经网络的分割模型中进行分割处理,以分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线;所述图像处理装置,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果;输出装置,用于输出病变诊断结果。本发明提出的基于神经网络的腰椎病变诊断系统可以自动判读腰椎间盘的病变诊断结果,为疾病治疗方案的选择提供有价值的参考依据;另外,本发明提出的基于神经网络的腰椎病变诊断系统还具有阅片速度快、判读精确程度更高的优点,通过该系统统一输出的病变诊断结果,可以绕开同医务人员水平或不同地区诊疗水平的差异,导致诊断结果的描述存在较大误差的问题。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于神经网络的腰椎病变诊断系统的原理框图;
图2是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的预设Vnet模型的分割网络结构示意图;
图3是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的预设Vnet模型的分割网络结构的第一编码单元的示意图;
图4是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的预设Vnet模型的分割网络结构的第四解码单元的示意图;
图5是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的两条病变程度标注线的示意图;
图6是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的四条病变位置标注线的示意图;
图7是本发明一实施例中基于神经网络的腰椎病变诊断系统中采用的九宫格图的示意图;
图8是本发明一实施例中基于神经网络的腰椎病变诊断系统中腰椎间盘不同的突出情况的示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一实施例中,如图1所示,提供一种基于神经网络的腰椎病变诊断系统图像获取装置10、图像处理装置20和输出装置3,其中,各装置的功能或作用如下所示:
图像获取装置10,用于获取腰椎扫描序列图像。
可理解地,本方案可以利用CT扫描装置获取腰椎CT扫描序列图像、或利用X光扫描装置获取腰椎X光图像,从而得到腰椎扫描序列图像。甚至还可以获取腰椎的MRI等医学图像,具体本发明不做限定,也就是说,所述腰椎扫描序列图像可以为腰椎CT扫描序列图像、腰椎X光扫描序列图像或腰椎磁共振图像。
图像处理装置20,用于对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像。
在一实施例中,所述腰椎扫描序列图像包括定位像和轴扫图像,图像处理装置对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像,具体指的是:
剔除所述腰椎扫描序列图像的腰椎定位像,以获取所述腰椎扫描序列的轴扫图像。
从所述轴扫图像中选取所述腰椎扫描序列的螺旋扫描图像。
将所述螺旋扫描图像重建形成所述间盘层扫描图像。
可理解地,腰椎定位像是指反映腰椎间隙有无变窄以及生理曲度的图像;轴扫图像是指反映腰椎间盘是否突出以及腰椎间盘四周异常的图像。
腰椎扫描序列中可能包含腰椎定位像以及轴扫图像,而轴扫图像中可能是螺旋扫描,也可能是非螺旋扫描,脱出病灶主要是通过轴扫的间腰椎间盘图像来观察,因此需要对定位像进行过滤去除,从而得到去除定位像后的轴扫图像;再选取所述轴扫图像中的螺旋扫描图像,将选取的螺旋扫描图像进行重建组成间盘层扫描图像。
其中,通过螺旋扫描图像进行重建组成间盘层扫描图像作为后续分割模型的输入,能够使得分割出的出腰椎间盘、脱出病灶以及用于腰椎间盘突出症MSU分型的两条病变程度标注线更精确。
所述图像处理装置20,还用于将所述间盘层扫描图像输入基于神经网络的分割模型中进行分割处理,以分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线。
可理解地,腰椎间盘突出症分型简称MSU分型,腰椎间盘突出症MSU分型是一种对腰椎横断面图像显示的病变程度进行分型的方法,该病变程度标注线为MSU分型中对腰椎病变程度进行划分的参考线。
在一实施例中,所述图像处理装置20,还用于:
在分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线之后,判断所述间盘层扫描图像相对于正常间盘层扫描图像位置是否处于水平位置。
若不是处于水平位置,则将所述间盘层扫描图像调整至水平位置,以使得到的所述病变程度标注线为水平的标注线。
可理解地,由于获取的腰椎扫描序列图像所限制,使得分割出的病变程度标注线不一定是水平的,如果患者的扫描体歪了,那么从间盘层扫描图像上看,椎块、间盘、横向标注线都会有一定角度的旋转;若所述间盘层扫描图像不是处于水平位置,则将所述间盘层扫描图像调整至水平位置,从而将扫描图像转正,以使可视化的结果看起来都是水平的,以使得到的所述病变程度标注线为水平的标注线。
在本实施例中,判断所述间盘层扫描图像相对于正常间盘层扫描图像位置是否处于水平位置,若不是处于水平位置,则将所述间盘层扫描图像调整至水平位置,以使可视化的结果看起来都是水平的,进而提高阅片速度快。
在一实施例中,所述图像处理装置20具体还用于:
通过预设训练好的预设Vnet模型以对所述间盘层扫描图像进行分割处理,以得到分割图像,其中,所述分割图像包括已分割出的所述腰椎间盘、脱出病灶以及病变程度标注线。
可理解地,医学图像的分隔通常会使用Vnet模型,预设训练好的Vnet(U-NetConvolutional Networks for BiomedicalImage Segmentation)模型。基于神经网络的分割模型,分割内容包括腰椎间盘、脱出病灶以及用于腰椎间盘突出症MSU分型的病变程度标注线。
本方案中,通过预设训练好的预设Vnet模型以对所述间盘层扫描图像进行分割处理,得到分割后的间盘层扫描图像,其中,分割后的间盘层扫描图像已初步分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症MSU分型的两条病变程度标注线,传统的Vnet模型对于椎间盘的分割以及两条线的定位比较精准,但是对于脱出病灶的分割效果不佳,腰椎间盘脱出症主要表现为间盘下边缘的一系列形态上的细微变化,如脱出表现为间盘下边缘上的明显突起,膨出表现为间盘下边缘整体的向外扩张。征象的分布区域相对于原图来说比例非常小,深度神经网络对于大感受野下结构化特征的提取具有显著的优势,因此,所述预设Vnet模型采用本方案所提出的分割网络结构训练形成,分割网络结构中融合了间盘脱出特征,以提升细粒度特征的分割效果。
在一实施例中,所述预设Vnet模型采用如下分割网络结构,包括依次连接的上采样网络和下采样网络,所述上采样网络包括依次向下采样连接的第一编码单元、第二编码单元、第三编码单元、第四编码单元和第五编码单元;所述下采样网络包括依次向上采样连接的第四解码单元、第三解码单元、第二解码单元、第一解码单元,所述第五编码单元的输出层连接于所述第四解码单元:
其中,所述第一编码单元、第二编码单元、第三编码单元和第四编码单元中各编码单元与所述下采样网络中对应的解码单元连接,所述第三解码单元的输出端还与所述第一解码单元的输入端连接,以将所述第三解码单元输出的特征图作为第一解码单元的输入;
所述上采样网络中各编码单元包括依次连接的输入层、卷积层、池化层和输出层;所述下采样网络中各解码单元包括依次连接的输入层、反卷积层、卷积层和输出层。
可理解地,前述提到的分割网络结构,是对U-Net(U-Net ConvolutionalNetworks for BiomedicalImage Segmentation)进行改进的分割网络结构,U-Net适用于医学图像分割、自然图像生成,U-net分割网络可以对图像进行端到端的分割,即输入是一幅图像,输出也是一幅图像,本方案中的分割网络结构与传统的U-Net结构类似,也分为下采样阶段和上采样阶段,但对下采样阶段做了改进,具体详见下文描述。
请参见图2,从左上方开始,沿着U型左侧上方到右侧上方,本方案的提出的分割网络的完整路径,向下采样过程中的每一层级过程称为编码单元,依次包括第一编码单元、第二编码单元、第三编码单元、第四编码单元和第五编码单元;将向上采样过程中的每一层级过程用解码单元表示,依次包括第四解码单元、第三解码单元、第二解码单元、第一解码单元。例如,请参见图3,第一编码单元包括依次连接的输入层、卷积层、池化层和输出层,该第一编码单元的功能如下所示:通过输入层输入572×572×1的单通道图像,经过3×3卷积层卷积后,转变为570×570×64,再经过3×3的卷积后,图像尺寸缩小了2,同理,再卷积后就变成了568×568×64,在卷积结束后,会经过2×2池化层,然后,图像尺寸就缩小了一倍,变成了284×284×64,最后通过输出层输出至下一层级单元,也即后续的第二编码单元、第三编码单元、第四编码单元及第五编码单元,下一层级单元的处理过程与前述第一编码单元的操作类似,其中的卷积参数和池化参数所有不同,可参阅图3所示,具体不再详述。到第五编码单元,也就是U型网络结构的最下方时,此时的第五编码单元输出的feature maps尺寸为28×28×1024;然后开始右侧的第四解码单元。请参见图4,第四解码单元具体如下:首先输入图像经过2×2上采样卷积,也称为反卷积或转置卷积,可以将图像尺寸扩大一倍,那么相对应的,也需要将feature map数量缩小一倍,得到56×56×512的数据。后续第三解码单元的输入是叠加相应编码单元的输出形成的1024通道的数据,然后,以56×56×1024的输入进行两次valid卷积,然后再上采样、叠加、卷积,后续的第三解码单元、第二解码单元、第一解码单元将重复上述第四解码单元的操作,其中涉及的卷积等参数不同,具体不再详述,可参阅图3,最后到388×388×64的输出。
经过大量实验,第三解码单元能提取较好强的脱出病灶特征表达,而在第二解码单元和第一解码单元筛选和融合过程中,脱出病灶的部分特征会逐渐被丢弃,导致第一解码单元输出的脱出病灶分割效果不佳,因此,本方案将所述第三解码单元的输出端与所述第一解码单元的输入端连接,以将所述第三编码单元输出的特征图作为第一解码单元的输入。
在本实施例中,将所述第三编码单元的输出端与所述第一解码单元的输入端连接,以将所述第三编码单元输出的特征图作为第一解码单元的输入,可保留第三编码单元获取到的较好的脱出病灶特征表达,从而提高脱出病灶分割效果。
所述图像处理装置20,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果。
在一实施例中,所述病变程度标注线包括多条,所述图像处理装置20用于:
以椎管中央为中心绘制多条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的宫格图;
通过判断脱出病灶分布在所述宫格图的位置,以获得腰椎间盘突出的诊断结果。
可理解地,以椎管中央为中心绘制多条与所述病变程度标注线垂直的病变位置标注线,根据腰椎间盘突出所在位置和突出程度,以划分不同区域,从而获得腰椎间盘突出症的宫格图。再通过判断脱出病灶分布在所述宫格图的位置,以获得腰椎间盘突出的诊断结果。
在本实施例中,通过以椎管中央为中心绘制多条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的宫格图,通过宫格图可以精准定位病灶的位置和判断病变程度,以使得判读精确程度更高,提高诊疗效率。
在一实施例中,所述病变程度标注线包括两条,所述图像处理装置20用于:
以椎管中央为中心绘制四条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的九宫格图;
通过判断脱出病灶分布在所述九宫格图的位置,以获得腰椎间盘突出的诊断结果。
可理解地,基于U-Net分割网络的分割结果进行后处理,以椎管中央为中心绘制与两条所述病变程度标注线垂直的四条病变位置标注线,根据腰椎间盘突出所在位置和突出程度,划分不同区域,从而获得腰椎间盘突出症分的九宫格图;通过判断脱出病灶分布在所述九宫格图的位置,以获得腰椎间盘突出的诊断结果。
在本实施例中,通过以椎管中央为中心绘制四条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的九宫格图,通过判断脱出病灶分布在所述九宫格图的位置,以获得腰椎间盘突出的诊断结果,以九宫格图使得判读精确程度更高,提高诊疗效率。
在一实施例中,所述图像处理装置20用于:
在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,其中,所述第一、二条病变程度标注线从上往下依次排列的病变程度标注线;
以所述椎管中央为中心,两侧的关节突关节边缘为界分别绘制第一、二、三、四条病变位置标注线,以获得所述九宫格图;
其中,所述第一、二、三、四条病变位置标注线为从左往右依次排列的病变位置标注线,所述第一条病变位置标注线位于其中一侧的关节突关节边缘,所述第四条病变位置标注线位于其中另一侧的关节突关节边缘,所述第二条病变位置标注线位于椎管中央与所述一侧的关节突关节边缘之间,所述第三条病变位置标注线位于椎管中央与所述另一侧的关节突关节边缘之间。
可理解地,所述九宫格图用来描述病变程度,在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,其中,参见图5及图7,病变程度由第一、二条病变程度标注线分割得到的三个等次的病变程度,图5中,由上往下两条虚线分别表示第一条病变程度标注线和第二条病变程度标注线。
可理解地,参见图6及图7,九宫格图用来描述病灶的位置,图6和7中,从左侧至右侧的虚线分别表示所述第一、二、三、四条病变位置标注线,所述第一、二、三、四条病变位置标注线以突出部位以椎管中线、两侧关节突关节边缘为界绘制。
所述九宫格图根据所述第一、二条病变程度标注线以及所述第一、二、三、四条病变位置标注线绘制而成,同时,所述病变程度标注线与所述条病变位置标注线垂直。
在本实施例中,通过在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,以所述椎管中央为中心,两侧的关节突关节边缘为界分别绘制第一、二、三、四条病变位置标注线,以获得所述九宫格图,通过九宫格图快速判断出腰椎间盘突出症的诊断结果,具有阅片速度快、判读精确程度更高的优点,大大缓解医务人员负担,提高诊疗效率。
在一实施例中,所述图像处理装置20用于:
若确定所述脱出病灶未凸出于第一条病变程度标注线,则判断所述腰椎间盘突出为轻度病变;
若确定所述脱出病灶凸出于所述第一条病变程度标注线且未凸出于第二条病变程度标注线,则判断所述腰椎间盘突出为中度病变;
若确定所述脱出病灶凸出于第二条病变程度标注线外,则判断所述腰椎间盘突出为重度病变;
若确定所述脱出病灶在所述第二条病变位置标注线与第三条病变位置标注线之间,则判断所述脱出病灶位于第一位置区域;
若确定所述脱出病灶在所述第一条病变位置标注线与第二条病变位置标注线之间,或者,确定所述脱出病灶在第三条病变位置标注线与第四条病变位置标注线之间,则判断所述脱出病灶位于第二位置区域;
若确定所述脱出病灶凸出于第一条病变位置标注线外,或凸出于第四条病变位置标注线外,则判断所述脱出病灶位于第三位置区域;
根据腰椎间盘突出的病变程度和所述脱出病灶的位置区域确定对应的手术策略。
可理解地,九宫格图用来描述病变程度,参见图5及图7,在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,根据第一、二条病变程度标注线分为1、2、3级程度,例如1级程度为上关节突水平,2级程度为关节突关节间隙,3级程度为下关节突水平。其中,三个等次的病变程度分别为轻度、中度和重度,轻度、中度和重度分别表示腰椎病变的轻、中、重。若确定所述脱出病灶未凸出于第一条病变程度标注线,则判断所述腰椎间盘突出为轻度病变,也即腰椎间盘突出为1级程度“上关节突水平”,则判断所述腰椎间盘突出为轻度病变。若确定所述脱出病灶凸出于所述第一条病变程度标注线且未凸出于所述第二条病变程度标注线,也即腰椎间盘突出为2级程度“关节突关节间隙”,则判断所述腰椎间盘突出为中度病变。若确定所述脱出病灶凸出于第二条病变程度标注线外,也即腰椎间盘突出为3级程度“下关节突水平”,则判断所述腰椎间盘突出为重度病变。
可理解地,以突出部位以椎管中线、两侧关节突关节边缘为界绘制所述第一、二、三、四条病变位置标注线,根据所述第一、二、三、四条病变位置标注线分为A、B、C三个区域,其中A、B、C三个区域分别表示第一位置区域、第二位置区域以及第三位置区域,例如,A区域为椎管中央区域,B区域为超过椎管中央,且在椎管内的区域,C区域为关节突,测隐窝区域。四条病变位置标注线分割的区域从左到右位置为第三位置区域、第二位置区域、第一位置区域、第二位置区域以及第三位置区域。若确定所述脱出病灶在所述第二条病变位置标注线与第三条病变位置标注线之间,也即脱出病灶位于A区域“椎管中央区域”,则判断所述脱出病灶位于第一位置区域。若确定所述脱出病灶在所述第一条病变位置标注线与第二条病变位置标注线之间,或者,确定所述脱出病灶在第三条病变位置标注线与所述第四条病变位置标注线之间,也即脱出病灶位于B区域“超过椎管中央,且在椎管内的区域”,则判断所述脱出病灶位于第二位置区域。若确定所述脱出病灶凸出于第一条病变位置标注线外,或凸出于第四条病变位置标注线外,也即脱出病灶位于C区域“关节突,测隐窝区域”,则判断所述脱出病灶位于第三位置区域。
可理解地,参见图7和图8,根据腰椎间盘突出的病变程度和所述脱出病灶的位置区域确定对应的手术策略,以获得腰椎间盘突出的诊断结果,诊断结果可以为1-A、1-C、2-B、3-B等,具体本发明不做限定,基于九宫格图的诊断结果的手术策略:诊断结果为1级程度的可以不考虑手术,1-AB可能对神经节压迫,可考虑需要手术或者保守;2级程度需要手术,尤其是2-B、2-AB需要手术,2-A类型如果症状较轻,可考虑保守治疗;3级程度,多数需要考虑手术。
在本实施例中,通过脱出病灶的凸出程度来判断腰椎间盘突出的病变程度,再通过脱出病灶所在位置来判断脱出病灶所处的位置区域,再通过腰椎间盘突出的病变程度以及脱出病灶的位置区域快速判断出腰椎间盘突出症的诊断结果,具有阅片速度快、判读精确程度更高的优点,大大缓解医务人员负担,提高诊疗效率。
输出装置30,用于输出病变诊断结果。
可理解地,通过判断脱出病灶分布在所述腰椎间盘突出症MSU分型的九宫格图的位置,通过观察脱出病灶在九宫格图的位置,以输出病变诊断结果,从而辅助医生做较为准确的诊断。
本方案通过显示装置来接收输出装置输出的病变诊断结果,以使病变诊断结果实现可视化。需要强调的是,为进一步保证上述病变诊断结果的私密和安全性,上述病变诊断结果还可以存储于一区块链的节点中。
在图1对应的实施例中,本发明提出的基于神经网络的腰椎病变诊断系统包括图像获取装置,用于获取腰椎扫描序列图像;图像处理装置,用于对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像;所述图像处理装置,还用于将所述间盘层扫描图像输入基于神经网络的分割模型中进行分割处理,以分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线;所述图像处理装置,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果;输出装置,用于输出病变诊断结果。本发明提出的基于神经网络的腰椎病变诊断系统可以自动判读腰椎间盘是否突出以及突出程度,为疾病治疗方案的选择提供有价值的参考依据;另外,本发明提出的基于神经网络的腰椎病变诊断系统还具有阅片速度快、判读精确程度更高的优点,缩小了不同医务人员水平或不同地区诊疗水平的差异,大大缓解医务人员负担,提高诊疗效率。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的腰椎病变诊断系统,其特征在于,包括:
图像获取装置,用于获取腰椎扫描序列图像;
图像处理装置,用于对所述腰椎扫描序列图像进行预处理,得到间盘层扫描图像;
所述图像处理装置,还用于将所述间盘层扫描图像输入基于神经网络的分割模型中进行分割处理,以分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线;
所述图像处理装置,还用于基于分割出的腰椎间盘、脱出病灶以及病变程度标注线获得腰椎的病变诊断结果;
输出装置,用于输出所述病变诊断结果。
2.如权利要求1所述的腰椎病变诊断系统,其特征在于,所述图像处理装置具体用于:
剔除所述腰椎扫描序列图像的腰椎定位像,以获取所述腰椎扫描序列的轴扫图像;
从所述轴扫图像中选取所述腰椎扫描序列的螺旋扫描图像;
将所述螺旋扫描图像重建形成所述间盘层扫描图像。
3.如权利要求2所述的腰椎病变诊断系统,其特征在于,所述图像处理装置具体还用于:
通过预设训练好的预设Vnet模型以对所述间盘层扫描图像进行分割处理,以得到分割图像,所述分割图像包括已分割出的所述腰椎间盘、脱出病灶以及病变程度标注线。
4.如权利要求3所述的腰椎病变诊断系统,其特征在于,所述预设Vnet模型采用如下分割网络结构:包括依次连接的上采样网络和下采样网络,所述上采样网络包括依次向下采样连接的第一编码单元、第二编码单元、第三编码单元、第四编码单元和第五编码单元;所述下采样网络包括依次向上采样连接的第四解码单元、第三解码单元、第二解码单元、第一解码单元,所述第五编码单元的输出层连接于所述第四解码单元;
其中,所述第一编码单元、第二编码单元、第三编码单元和第四编码单元中各编码单元与所述下采样网络中对应的解码单元连接,所述第三解码单元的输出端还与所述第一解码单元的输入端连接,以将所述第三解码单元输出的特征图作为第一解码单元的输入;
所述上采样网络中各编码单元包括依次连接的输入层、卷积层、池化层和输出层;所述下采样网络中各解码单元包括依次连接的输入层、反卷积层、卷积层和输出层。
5.如权利要求1-4任一项所述的腰椎病变诊断系统,其特征在于,所述图像处理装置,还用于:
在分割出腰椎间盘、脱出病灶以及用于腰椎间盘突出症分型的病变程度标注线之后,判断所述间盘层扫描图像相对于正常间盘层扫描图像位置是否处于水平位置;
若不是处于水平位置,则将所述间盘层扫描图像调整至水平位置,以使得到的所述病变程度标注线为水平的标注线。
6.如权利要求5所述的腰椎病变诊断系统,其特征在于,所述病变程度标注线包括多条,所述图像处理装置用于:
以椎管中央为中心绘制多条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的宫格图;
通过判断脱出病灶分布在所述宫格图的位置,以获得腰椎间盘突出的诊断结果。
7.如权利要求6所述的腰椎病变诊断系统,其特征在于,所述病变程度标注线包括两条,所述图像处理装置用于:
以所述椎管中央为中心绘制四条与所述病变程度标注线垂直的病变位置标注线,以获得腰椎间盘突出症的九宫格图;
通过判断脱出病灶分布在所述九宫格图的位置,以获得所述腰椎间盘突出的诊断结果。
8.如权利要求7所述的腰椎病变诊断系统,其特征在于,所述图像处理装置用于:
在所述腰椎间盘与椎小附件之间绘制第一、二条病变程度标注线,其中,所述第一、二条病变程度标注线从上往下依次排列的病变程度标注线;
以所述椎管中央为中心,两侧的关节突关节边缘为界分别绘制第一、二、三、四条病变位置标注线,以获得所述九宫格图;
其中,所述第一、二、三、四条病变位置标注线为从左往右依次排列的病变位置标注线,所述第一条病变位置标注线位于其中一侧的关节突关节边缘,所述第四条病变位置标注线位于其中另一侧的关节突关节边缘,所述第二条病变位置标注线位于椎管中央与所述一侧的关节突关节边缘之间,所述第三条病变位置标注线位于椎管中央与所述另一侧的关节突关节边缘之间。
9.如权利要求8所述的腰椎病变诊断系统,其特征在于,所述图像处理装置用于:
若确定所述脱出病灶未凸出于第一条病变程度标注线,则判断所述腰椎间盘突出为轻度病变;
若确定所述脱出病灶凸出于所述第一条病变程度标注线且未凸出于第二条病变程度标注线,则判断所述腰椎间盘突出为中度病变;
若确定所述脱出病灶凸出于第二条病变程度标注线外,则判断所述腰椎间盘突出为重度病变;
若确定所述脱出病灶在所述第二条病变位置标注线与第三条病变位置标注线之间,则判断所述脱出病灶位于第一位置区域;
若确定所述脱出病灶在所述第一条病变位置标注线与第二条病变位置标注线之间,或者,确定所述脱出病灶在第三条病变位置标注线与第四条病变位置标注线之间,则判断所述脱出病灶位于第二位置区域;
若确定所述脱出病灶凸出于第一条病变位置标注线外,或凸出于第四条病变位置标注线外,则判断所述脱出病灶位于第三位置区域;
根据腰椎间盘突出的病变程度和所述脱出病灶的位置区域确定对应的手术策略。
10.如权利要求1-4任一项所述的腰椎病变诊断系统,其特征在于,所述腰椎扫描序列图像为腰椎CT扫描序列图像、腰椎X光扫描序列图像或腰椎磁共振图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922602.8A CN112071422B (zh) | 2020-09-04 | 2020-09-04 | 基于神经网络的腰椎病变诊断系统 |
PCT/CN2020/135720 WO2021121159A1 (zh) | 2020-09-04 | 2020-12-11 | 基于神经网络的腰椎病变诊断结果输出系统以及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922602.8A CN112071422B (zh) | 2020-09-04 | 2020-09-04 | 基于神经网络的腰椎病变诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112071422A true CN112071422A (zh) | 2020-12-11 |
CN112071422B CN112071422B (zh) | 2024-05-03 |
Family
ID=73665544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010922602.8A Active CN112071422B (zh) | 2020-09-04 | 2020-09-04 | 基于神经网络的腰椎病变诊断系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112071422B (zh) |
WO (1) | WO2021121159A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108711187A (zh) * | 2018-08-03 | 2018-10-26 | 华侨大学 | 配准融合ct和mri信号建立人体腰椎三维仿真模型的方法 |
CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
CN109903268A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱图像集的异常类型的方法及计算设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033139A1 (en) * | 2002-07-09 | 2005-02-10 | Deus Technologies, Llc | Adaptive segmentation of anatomic regions in medical images with fuzzy clustering |
CN108399616B (zh) * | 2018-02-11 | 2021-11-16 | 西安理工大学 | 基于深度残差网络的骨科病病变分类分级方法 |
CN110448270B (zh) * | 2018-08-01 | 2022-07-19 | 冯世庆 | 人工智能腰椎间盘突出诊断及分型系统 |
-
2020
- 2020-09-04 CN CN202010922602.8A patent/CN112071422B/zh active Active
- 2020-12-11 WO PCT/CN2020/135720 patent/WO2021121159A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108711187A (zh) * | 2018-08-03 | 2018-10-26 | 华侨大学 | 配准融合ct和mri信号建立人体腰椎三维仿真模型的方法 |
CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
CN109903269A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱横断面图像的异常类型的方法及计算设备 |
CN109903268A (zh) * | 2019-01-24 | 2019-06-18 | 刘星宇 | 确定脊柱图像集的异常类型的方法及计算设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112071422B (zh) | 2024-05-03 |
WO2021121159A1 (zh) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047572B (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN110047082B (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 | |
EP2790575B1 (en) | Method and apparatus for the assessment of medical images | |
CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
CN108416821A (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
CN103020898B (zh) | 序列虹膜图像超分辨率重建方法 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
WO2024001140A1 (zh) | 一种椎体亚区域分割方法、装置及存储介质 | |
CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
Jiang et al. | CT image super resolution based on improved SRGAN | |
Folle et al. | Dilated deeply supervised networks for hippocampus segmentation in MRI | |
CN114305473A (zh) | 基于腹部ct图像和深度学习的身体成分自动测量系统 | |
CN114187181B (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
CN112071422A (zh) | 基于神经网络的腰椎病变诊断系统 | |
Ji et al. | Continual segment: towards a single, unified and accessible continual segmentation model of 143 whole-body organs in CT scans | |
CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
CN116188443A (zh) | 一种基于轴状位医学影像的腰椎间盘突出分型系统 | |
Liu et al. | Unsupervised representation learning for 3D MRI super resolution with degradation adaptation | |
Mithra et al. | Reference-based texture transfer for single image super-resolution of magnetic resonance images | |
Hojjatoleslami et al. | Segmentation of white matter lesions from volumetric MR images | |
Yu et al. | Deep learning single view computed tomography guided by FBP algorithm | |
Čech et al. | Piecewise rigid multimodal spine registration | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
CN116630466B (zh) | 基于生成对抗性网络的脊柱ct到mr转换方法及系统 | |
Nguyen et al. | Comparative study on super resolution techniques for upper gastrointestinal endoscopic 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 |