CN112349392B - 一种人体颈椎医学图像处理系统 - Google Patents

一种人体颈椎医学图像处理系统 Download PDF

Info

Publication number
CN112349392B
CN112349392B CN202011337354.7A CN202011337354A CN112349392B CN 112349392 B CN112349392 B CN 112349392B CN 202011337354 A CN202011337354 A CN 202011337354A CN 112349392 B CN112349392 B CN 112349392B
Authority
CN
China
Prior art keywords
module
neural network
network model
cervical vertebra
intervertebral disc
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011337354.7A
Other languages
English (en)
Other versions
CN112349392A (zh
Inventor
田帅
袁慧书
欧阳汉强
郎宁
姜亮
王春杰
曹益珲
杜威
王立媛
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.)
Shanghai Xingmai Information Technology Co ltd
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Shanghai Xingmai Information Technology Co ltd
Peking University Third Hospital Peking University Third Clinical Medical College
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 Shanghai Xingmai Information Technology Co ltd, Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Shanghai Xingmai Information Technology Co ltd
Priority to CN202011337354.7A priority Critical patent/CN112349392B/zh
Publication of CN112349392A publication Critical patent/CN112349392A/zh
Application granted granted Critical
Publication of CN112349392B publication Critical patent/CN112349392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种人体颈椎医学图像处理系统，包括标注模块、颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块、椎间盘分割模块、椎间盘突出评估模块和输出报告模块；颈椎曲度评估模块用于根据C2‑7Cobb角的数值评估颈椎曲度；颈椎顺列评估模块用于判定颈椎顺列是否不良；椎间隙高度评估模块用于计算椎间隙的高度；椎间盘分割模块用于分割得到图像中的椎间盘；椎间盘突出评估模块用于评估椎间盘是否突出；输出报告模块用于将评估结果提供给医生，允许医生进行编辑修改；医生修改后或确认后，输出报告模块用于将上述的评估结果输出报告。

Description

一种人体颈椎医学图像处理系统
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种人体颈椎医学图像处理系统。
背景技术
医学影像观察是诊断颈椎病的常用方式，通常医生可以根据患者的多种模态的影像（X光片、CT图像、磁共振图像等）进行诊断。对医学影像的观察诊断依赖医生的水平和经验。由于患者较多，医生诊断工作繁重，且医院经验丰富的医生有限，可能导致误诊漏诊的情况。
随着图像处理技术的不断发展，以及人工智能AI技术在医学图像处理领域的应用，AI医学图像标注及智能诊断软件已经逐渐应用于多种疾病的影像诊断，如肺部影像智能筛查软件已经在许多医院应用，给医生提供了便利。而目前尚没有一种较为有效的工具软件能够帮助医生进行颈椎疾病的医学图像诊断。
现有技术中颈椎疾病的医学影像诊断主要依赖医生观察，没有有效的工具软件能够帮助医生进行颈椎疾病的医学图像诊断。
发明内容
本发明旨在提供一种新型的人体颈椎医学图像处理系统，所要解决的技术问题包括通过有效的工具软件帮助医生进行颈椎疾病的医学图像诊断。
本发明的目的是解决现有技术的不足，提供一种新型的人体颈椎医学图像处理系统，包括标注模块、颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块、椎间盘分割模块、椎间盘突出评估模块和输出报告模块；所述的标注模块用于在人体颈椎医学图像上自动标注或手动标注椎体四边形；所述的颈椎曲度评估模块用于根据C2-7Cobb角的数值评估颈椎曲度，若C2-7Cobb角的数值不在正常范围内，所述的颈椎曲度评估模块向用户给出提示；所述的颈椎顺列评估模块用于将C2至C7椎体后缘上下两点之间的连线作为该椎体的后缘连线，通过相邻两椎体的后缘连线是否出现位移而判定颈椎顺列是否不良；所述的椎间隙高度评估模块用于计算上位椎体下缘中点与下位椎体上缘中点连线之间的距离，并将计算得到的距离的数值定义为椎间隙的高度；所述的椎间盘分割模块用于训练图像分割神经网络模型，从而分割得到图像中的椎间盘；所述的椎间盘突出评估模块用于针对C2至C7椎体中的各个椎体，对相邻两个椎体的上一椎体后缘下角特征点与下一椎体的后缘上角特征点之间连线并作为第三连线，判断该第三连线是否与该相邻两个椎体之间的椎间盘存在交点，如果存在交点，则评估为该椎间盘突出，对用户给出提示；所述的输出报告模块用于将所述颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块和椎间盘突出评估模块的评估结果提供给医生，允许医生进行编辑修改；医生修改后或确认后，所述的输出报告模块用于将上述的评估结果输出报告。
所述的椎体四边形是对C2至C7各个颈椎骨的椎体部分标注的4个特征点连线构成的四边形，一个椎体的4个特征点分别是矢状面颈椎图像上椎体四边形的四个角。
所述的自动标注是通过软件AI智能标注，并允许用户通过手动调整特征点位置来改变椎体四边形。
所述的手动标注是由标注模块提供交互界面，由医生在该交互界面上手动选取颈椎骨的特征点。
可选地，采用在线训练的方式，以医生手动标注的图像作为训练数据来训练一个神经网络模型，利用该神经网络模型进行自动标注。
所述的在线训练的方式包括以下步骤：
第一、搭建一个初始的深度学习神经网络模型；
第二、将医生手动标注了椎体四边形或标注了四个特征点的图像作为训练数据，将训练数据发送给神经网络模型进行训练；
第三、经过若干数量的数据训练，该神经网络模型即能够用于对颈椎图像标注椎体四边形或标注四个特征点；
第四、允许医生对所述神经网络模型的标注结果进行调整修改，修改过的标注结果仍然能够作为训练数据用于训练；
第五、经过不断地迭代训练，逐渐提高所述神经网络模型标注的准确度。
所述的人体颈椎医学图像处理系统还包括cobb角工具，该cobb角工具用于测量颈椎的弯曲程度。
所述的cobb角工具测量颈椎的弯曲程度的方法包括：点击该cobb角工具，画出两条直线，当两条直线画完以后，根据两条直线的坐标值，计算两条线相交产生的锐角，即为一个Cobb角度；计算方法如下：设第一直线和第二直线的斜率存在, 第一直线上的第一点的坐标为（x1，y1），第二点的坐标为（x2，y3），第一直线的斜率k1=（y2-y1）/（x2-x1）；第二直线的斜率k2的计算方法与第一直线的斜率k1的计算方法相同；第一直线和第二直线之间的夹角不是90度，设第一直线和第二直线的锐角夹角为θ,则tanθ=∣(k2- k1）/(1+ k1••k2)∣, 得到锐角θ= arc{ tan∣(k2- k1）/(1+ k1•k2)∣}。
所述的椎间盘分割模块训练图像分割神经网络模型的训练方法包括以下步骤：
a)搭建一个初始的卷积神经网络模型；
b)获得若干数量的椎间盘分割训练数据，该椎间盘分割训练数据包括若干数量的颈椎医学图像，每幅图像都由有经验的医生对图像人工标注了椎间盘区域；
c)使用椎间盘分割训练数据对初始的卷积神经网络模型进行训练，获得训练后的神经网络模型；
d)对训练后的神经网络模型进行测试，测试数据是若干数量的颈椎医学测试图像，由训练后的神经网络模型对该颈椎医学测试图像进行标注椎间盘区域，由专业的医生判断训练后的神经网络模型对颈椎医学测试图像的标注是否准确；如果准确率满足要求，训练后的神经网络模型即能够用于椎间盘分割。
可选地，所述的初始的卷积神经网络模型是用于图像分割的深度学习神经网络模型U-net或V-net。
有益效果
与现有技术相比，本发明的有益效果是：
本发明所述的人体颈椎医学图像处理系统是一种颈椎病影像诊断辅助工具，针对人体颈椎矢状面图像进行处理，可以是CT、MR、X-ray等不同模态的图像，自动获取cobb角用于评估颈椎曲度情况， 评估颈椎顺列情况，计算椎间隙的高度，分割椎间盘并评估是否有椎间盘突出，以上各评估结果提供给医生，医生可以编辑修改，医生修改后或确认后，可以将以上各项情况输出报告。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是用于评估颈椎曲度的C2-7Cobb角的示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
人体脊柱由颈椎、胸椎、腰椎、骶椎和尾椎构成，其中颈椎由7节颈椎骨组成，分别是C1-C7。
如图1所示，C2椎体下缘前后两点的连线为第一连线，C7椎体下缘前后两点的连线为第二连线，第一连线和第二连线之间成角为C2-7Cobb角，用于评估颈椎曲度。一般来说，≤55岁的男性的C2-7Cobb角为22.74±4.23°，女性的C2-7Cobb角为21.39±5.28°。
椎间盘(intervertebral disc)是指两个相邻椎骨的椎体之间的软骨连结，由外围的纤维环和中心的髓核组成。
本发明所述的人体颈椎医学图像处理系统包括标注模块、颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块、椎间盘分割模块、椎间盘突出评估模块和输出报告模块；所述的标注模块用于在人体颈椎医学图像上自动标注或手动标注椎体四边形；所述的颈椎曲度评估模块用于根据C2-7Cobb角的数值评估颈椎曲度，若C2-7Cobb角的数值不在正常范围内，所述的颈椎曲度评估模块向用户给出提示；所述的颈椎顺列评估模块用于将C2至C7椎体后缘上下两点之间的连线作为该椎体的后缘连线，通过相邻两椎体的后缘连线是否出现位移而判定颈椎顺列是否不良；所述的椎间隙高度评估模块用于计算上位椎体下缘中点与下位椎体上缘中点连线之间的距离，并将计算得到的距离的数值定义为椎间隙的高度；所述的椎间盘分割模块用于训练图像分割神经网络模型，从而分割得到图像中的椎间盘；所述的椎间盘突出评估模块用于针对C2至C7椎体中的各个椎体，对相邻两个椎体的上一椎体后缘下角特征点与下一椎体的后缘上角特征点之间连线并作为第三连线，判断该第三连线是否与该相邻两个椎体之间的椎间盘存在交点，如果存在交点，则评估为该椎间盘突出，对用户给出提示；所述的输出报告模块用于将所述颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块和椎间盘突出评估模块的评估结果提供给医生，允许医生进行编辑修改；医生修改后或确认后，所述的输出报告模块用于将上述的评估结果输出报告。
所述的椎体四边形是对C2至C7各个颈椎骨的椎体部分标注的4个特征点连线构成的四边形，一个椎体的4个特征点分别是矢状面颈椎图像上椎体四边形的四个角。
所述的自动标注是通过软件AI智能标注，并允许用户（医生）通过手动调整特征点位置来改变椎体四边形。
所述的手动标注是由标注模块提供交互界面，由医生在该交互界面上手动选取颈椎骨的特征点。
可选地，可以用以医生手动标注的图像作为训练数据来训练一个神经网络模型用于自动标注，考虑用在线训练的方式。具体训练方式为：
1、搭建一个初始的深度学习神经网络模型；
2、将医生手动标注了椎体四边形（或标注了四个特征点）的图像作为训练数据，将训练数据发送给神经网络模型进行训练；
3、经过一定数量的数据训练，该模型即可以用于对颈椎图像标注椎体四边形（或标注四个特征点）；
4、医生可以对AI模型的标注结果进行调整修改，修改过的标注结果仍可以作为训练数据用于训练。
5、经过不断地迭代训练，AI标注模型的准确度将逐渐提高。
为了测量颈椎的弯曲程度，所述的人体颈椎医学图像处理系统还包括cobb角工具。点击该cobb角工具，画出两条直线，当两条直线画完以后，根据两条直线的坐标值，计算两条线相交产生的锐角，即为一个Cobb角度。计算方法如下，设第一直线L1和第二直线L2的斜率存在, 第一直线L1上的第一点的坐标为（x1，y1），第二点的坐标为（x2，y3），第一直线L1的斜率k1=（y2-y1）/（x2-x1）；第二直线L2的斜率k2的计算方法与第一直线L1的斜率k1的计算方法相同；第一直线L1和第二直线L2之间的夹角不是90度，设第一直线L1和第二直线L2的锐角夹角为θ,则tanθ=∣(k2- k1）/(1+ k1••k2)∣, 得到锐角θ= arc{ tan∣(k2- k1）/(1+ k1•k2)∣}。
所述的椎间盘分割模块训练图像分割神经网络模型的训练方法包括以下步骤：
a)搭建一个初始的卷积神经网络模型，可选地，初始的卷积神经网络不限于是常用于图像分割的深度学习神经网络模型U-net、V-net等；
b)获得一定量的椎间盘分割训练数据，椎间盘分割训练数据包括一定数量的颈椎医学图像，每幅图像都由有经验的医生对图像人工标注了椎间盘区域；
c)使用椎间盘分割训练数据对初始的卷积神经网络模型进行训练，获得训练后的神经网络模型；
d)对训练后的神经网络模型进行测试，测试数据是一定数量的颈椎医学测试图像，由训练后的神经网络模型对这些颈椎医学测试图像进行标注椎间盘区域，由专业的医生判断训练后的神经网络模型对颈椎医学测试图像的标注是否准确；如果准确率满足要求，训练后的神经网络模型即可用于椎间盘分割。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。

Claims (7)

1.一种人体颈椎医学图像处理系统，其特征在于，所述的人体颈椎医学图像处理系统包括标注模块、颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块、椎间盘分割模块、椎间盘突出评估模块和输出报告模块；所述的标注模块用于在人体颈椎医学图像上自动标注或手动标注椎体四边形；所述的颈椎曲度评估模块用于根据C2-7Cobb角的数值评估颈椎曲度，若C2-7Cobb角的数值不在正常范围内，所述的颈椎曲度评估模块向用户给出提示；所述的颈椎顺列评估模块用于将C2至C7椎体后缘上下两点之间的连线作为该椎体的后缘连线，通过相邻两椎体的后缘连线是否出现位移而判定颈椎顺列是否不良；所述的椎间隙高度评估模块用于计算上位椎体下缘中点与下位椎体上缘中点连线之间的距离，并将计算得到的距离的数值定义为椎间隙的高度；所述的椎间盘分割模块用于训练图像分割神经网络模型，从而分割得到图像中的椎间盘；所述的椎间盘突出评估模块用于针对C2至C7椎体中的各个椎体，对相邻两个椎体的上一椎体后缘下角特征点与下一椎体的后缘上角特征点之间连线并作为第三连线，判断该第三连线是否与该相邻两个椎体之间的椎间盘存在交点，如果存在交点，则评估为该椎间盘突出，对用户给出提示；所述的输出报告模块用于将所述颈椎曲度评估模块、颈椎顺列评估模块、椎间隙高度评估模块和椎间盘突出评估模块的评估结果提供给医生，允许医生进行编辑修改；医生修改后或确认后，所述的输出报告模块用于将上述的评估结果输出报告；
采用在线训练的方式，以医生手动标注的图像作为训练数据来训练一个神经网络模型，利用该神经网络模型进行自动标注；
所述的在线训练的方式包括以下步骤：
第一、搭建一个初始的深度学习神经网络模型；
第二、将医生手动标注了椎体四边形或标注了四个特征点的图像作为训练数据，将训练数据发送给神经网络模型进行训练；
第三、经过若干数量的数据训练，该神经网络模型即能够用于对颈椎图像标注椎体四边形或标注四个特征点；
第四、允许医生对所述神经网络模型的标注结果进行调整修改，修改过的标注结果仍然能够作为训练数据用于训练；
第五、经过不断地迭代训练，逐渐提高所述神经网络模型标注的准确度；
所述的椎间盘分割模块训练图像分割神经网络模型的训练方法包括以下步骤：
a)搭建一个初始的卷积神经网络模型；
b)获得若干数量的椎间盘分割训练数据，该椎间盘分割训练数据包括若干数量的颈椎医学图像，每幅图像都由有经验的医生对图像人工标注了椎间盘区域；
c)使用椎间盘分割训练数据对初始的卷积神经网络模型进行训练，获得训练后的神经网络模型；
d)对训练后的神经网络模型进行测试，测试数据是若干数量的颈椎医学测试图像，由训练后的神经网络模型对该颈椎医学测试图像进行标注椎间盘区域，由专业的医生判断训练后的神经网络模型对颈椎医学测试图像的标注是否准确；如果准确率满足要求，训练后的神经网络模型即能够用于椎间盘分割。
2.根据权利要求1所述的人体颈椎医学图像处理系统，其特征在于，所述的椎体四边形是对C2至C7各个颈椎骨的椎体部分标注的4个特征点连线构成的四边形，一个椎体的4个特征点分别是矢状面颈椎图像上椎体四边形的四个角。
3.根据权利要求1所述的人体颈椎医学图像处理系统，其特征在于，所述的自动标注是通过软件AI智能标注，并允许用户通过手动调整特征点位置来改变椎体四边形。
4.根据权利要求1所述的人体颈椎医学图像处理系统，其特征在于，所述的手动标注是由标注模块提供交互界面，由医生在该交互界面上手动选取颈椎骨的特征点。
5.根据权利要求1所述的人体颈椎医学图像处理系统，其特征在于，所述的人体颈椎医学图像处理系统还包括cobb角工具，该cobb角工具用于测量颈椎的弯曲程度。
6.根据权利要求5所述的人体颈椎医学图像处理系统，其特征在于，所述的cobb角工具测量颈椎的弯曲程度的方法包括：点击该cobb角工具，画出两条直线，当两条直线画完以后，根据两条直线的坐标值，计算两条线相交产生的锐角，即为一个Cobb角度；计算方法如下：设第一直线和第二直线的斜率存在,第一直线上的第一点的坐标为(x1，y1)，第二点的坐标为(x2，y2 )，第一直线的斜率k1＝(y2-y1)/(x2-x1)；第二直线的斜率k2的计算方法与第一直线的斜率k1的计算方法相同；第一直线和第二直线之间的夹角不是90度，设第一直线和第二直线的锐角夹角为θ,则tanθ＝∣(k2-k1)/(1+k1·k2)∣,得到锐角θ＝arc{tan∣(k2-k1)/(1+k1·k2)∣}。
7.根据权利要求1所述的人体颈椎医学图像处理系统，其特征在于，所述的初始的卷积神经网络模型是用于图像分割的深度学习神经网络模型U-net或V-net。
CN202011337354.7A 2020-11-25 2020-11-25 一种人体颈椎医学图像处理系统 Active CN112349392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011337354.7A CN112349392B (zh) 2020-11-25 2020-11-25 一种人体颈椎医学图像处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011337354.7A CN112349392B (zh) 2020-11-25 2020-11-25 一种人体颈椎医学图像处理系统

Publications (2)

Publication Number Publication Date
CN112349392A CN112349392A (zh) 2021-02-09
CN112349392B true CN112349392B (zh) 2021-08-03

Family

ID=74365503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011337354.7A Active CN112349392B (zh) 2020-11-25 2020-11-25 一种人体颈椎医学图像处理系统

Country Status (1)

Country Link
CN (1) CN112349392B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734757B (zh) * 2021-03-29 2021-06-25 成都成电金盘健康数据技术有限公司 一种脊柱X光图像cobb角测量方法
TWI795108B (zh) * 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
CN115602320B (zh) * 2022-12-14 2023-04-07 北京大学第三医院（北京大学第三临床医学院） 一种困难气道评估方法和系统
CN117257539A (zh) * 2023-03-28 2023-12-22 杭州一真医疗器械有限公司 数字化颈椎牵引系统
CN116843778B (zh) * 2023-05-23 2024-03-26 北京邮电大学 一种基于放射学报告生成x线胸片图像的方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109411084A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠结核辅助诊断系统及方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8571282B2 (en) * 2009-12-24 2013-10-29 Albert Davydov Method and apparatus for measuring spinal characteristics of a patient
JP6145892B2 (ja) * 2014-09-22 2017-06-14 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
US10140543B2 (en) * 2015-04-03 2018-11-27 Toshiba Medical Systems Corporation Medical image processing apparatus, medical image processing method, and medical imaging device
WO2017199068A1 (en) * 2016-05-19 2017-11-23 Abbasi Mayar Device and method for automation of mean axis of rotation (mar) analysis
CN106447733B (zh) * 2016-09-28 2023-11-03 北京理工大学 颈椎活动度及活动轴线位置的确定方法、系统及装置
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
CN109431511B (zh) * 2018-11-14 2021-09-24 南京航空航天大学 一种基于数字图像处理的人体背部脊柱侧弯脊柱轮廓特征曲线拟合方法
CN109360213B (zh) * 2018-12-14 2020-10-30 浙江工业大学 一种基于脊柱超声冠状面图像的自动化椎体识别方法
CN109685811B (zh) * 2018-12-24 2019-12-13 北京大学第三医院 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法
CN110598782B (zh) * 2019-09-06 2020-07-07 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置
CN111214255B (zh) * 2020-01-12 2023-07-25 刘涛 一种医学超声图像计算机辅助方法
CN111242921B (zh) * 2020-01-12 2023-12-12 刘涛 一种医学超声图像辅助诊断系统自动更新的方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109411084A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的肠结核辅助诊断系统及方法

Also Published As

Publication number Publication date
CN112349392A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112349392B (zh) 一种人体颈椎医学图像处理系统
CN108320288B (zh) 一种特发性脊柱侧凸影像的数据处理方法
CN113205535B (zh) 一种x光片脊椎自动分割及标识方法
Huang et al. Anatomical prior based vertebra modelling for reappearance of human spines
CN109741346A (zh) 感兴趣区域提取方法、装置、设备及存储介质
Koh et al. Automatic segmentation of the spinal cord and the dural sac in lumbar MR images using gradient vector flow field
Korez et al. A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X-ray images: performance evaluation
CN108309334B (zh) 一种脊柱x线影像的数据处理方法
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN113643790A (zh) 一种脊椎的置换建模方法及系统
CN105894508A (zh) 一种医学图像自动定位质量的评估方法
CN115222937A (zh) 一种脊柱侧弯检测方法及装置
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
CN113223028A (zh) 一种基于mr和ct的多模态肝脏肿瘤分割方法
CN114287915A (zh) 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统
CN113222979A (zh) 一种基于多图谱的颅底卵圆孔自动分割方法
Winter et al. Registration of bone structures in 3D ultrasound and CT data: Comparison of different optimization strategies
TWI759946B (zh) 脊柱量測及狀態評估方法
CN114359472A (zh) 一种脊柱三维模型的重构方法及系统
CN114359309A (zh) 基于标定点检测和形状灰度模型匹配的医学图像分割方法
CA3024760C (en) Device and method for automation of mean axis of rotation (mar) analysis
Cukovic et al. Development of 3D kinematic model of the spine for idiopathic scoliosis simulation
CN117481805B (zh) 一种血管介入术前规划方法及系统
Adibatti et al. Design and performance analysis of Cobb angle measurement from X-ray images
US11475633B2 (en) Method and system for 3D image dynamic correction evaluation and orthotics auxiliary design

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