CN112365438A - 一种基于目标检测神经网络的骨盆参数自动测量方法 - Google Patents
一种基于目标检测神经网络的骨盆参数自动测量方法 Download PDFInfo
- Publication number
- CN112365438A CN112365438A CN202010915043.8A CN202010915043A CN112365438A CN 112365438 A CN112365438 A CN 112365438A CN 202010915043 A CN202010915043 A CN 202010915043A CN 112365438 A CN112365438 A CN 112365438A
- Authority
- CN
- China
- Prior art keywords
- candidate
- coordinates
- femoral head
- image
- sacrum
- 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
- 210000004197 pelvis Anatomy 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 3
- 206010058907 Spinal deformity Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 206010022562 Intermittent claudication Diseases 0.000 description 1
- 206010023509 Kyphosis Diseases 0.000 description 1
- 208000008930 Low Back Pain Diseases 0.000 description 1
- 208000008558 Osteophyte Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011436 cob Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000010934 exostosis Diseases 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000021156 intermittent vascular claudication Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 229940055221 silvera Drugs 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于目标检测神经网络的骨盆参数自动测量方法。本发明针对X光侧位影像进行数据增强、预处理、数据标注，得到下半身影像图数据集，采用目标检测方法，在上述数据集上训练目标检测模型，并使用训练所得模型对输入的X光侧位影像图进行检测，设置阈值筛选出骶1椎体上缘线与股骨头候选框，根据候选框的坐标完成骨盆参数SS、PT、PI的自动测量。本发明结合目标检测与图像处理方法，实现骨盆参数的快速准确测量，从而辅助临床医生诊断、减轻临床医生工作量。
Description
技术领域
本发明属于医学图像检测领域，具体涉及一种基于目标检测神经 网络的骨盆参数自动测量方法。
背景技术
成人脊柱畸形(Adult Spinal Deformity，ASD)，是指从正面看 时脊柱的排列偏差超过10度，或者从侧面看时脊柱弯曲度降低的情 况，其症状可能包括明显的疼痛和功能下降，对患者的生活质量产生 重大影响，其治疗策略的选择和疗效评估愈发受到当前脊柱外科医生 的关注。
精准的ASD分型是制定合理手术方案的重要前提。目前， Scoliosis ResearchSociety(SRS)-Schwab分型系统和Lenke-Silva 分级系统是脊柱外科医生为ASD患者选择手术方案的重要参考。其中 Lenke-Silva分型系统纳入间歇性跛行或神经根性症状、腰痛、椎体 边缘骨赘形成、冠状位Cobb角度、腰椎后凸以及脊柱整体平衡6个 参数(其中后4个参数与影像学测量直接相关)，将ASD患者分为7 类，并制定保守或手术的治疗方案。
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。其中，骨盆参数包括：骨盆投射角(pelvic incidence,PI): 双侧股骨头中心的连线称为髋轴(hip axis,HA)。髋轴中点与骶骨平 台中点的连线和骶骨平台垂线所成的角即为PI。骨盆倾斜度(pelvic tilt,PT):髋轴中点与骶骨平台中点的连线和铅垂线间所成的角即 为PT。骶骨倾斜角(sacral slope,SS):为骶骨平台与水平线所成 的角度。
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。ASD作为临床常见骨科问题，需要手术治疗的患者基数 巨大，少量经验丰富的医生难以满足大量患者的就诊需求；相比于计 算机，人的视觉识别能力和信息整合处理能力具有局限性和主观性， 导致不同经验的医生对同一患者术前脊柱畸形分型存在不同解读。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
本发明的目的是针对现有技术的不足，提供一种基于目标检测神 经网络的骨盆参数自动测量方法。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1、对获得的X光侧位影像图进行预处理，并对预处理后的 X光侧位影像图进行标注，获得所需的X光侧位影像图的数据集。
所述的预处理包括亮度调整、对比度调整；
所述的标注实现如下：以骶1椎体上缘为对角线作矩形框，并将 矩形框作为骶1椎体上缘线标签；以股骨头为内切椭圆作矩形框，并 将该矩形框作为股骨头标签；将X光侧位影像图按指定比例缩小，进 行上下2等分，取下1/2部分为下半身影像图。
并对下半身影像图对应的标签文件中的坐标进行相应映射变换， 具体实现如下：对所有y坐标，减去原尺寸图片高度的1/2，然后对 所有x、y坐标按步骤1中指定比例进行缩小处理。
所述的数据集包括获取的下半身影像图以及对应的标签文件。
步骤2、采用基于目标检测的方法，使用EfficientDet模型在 步骤1获取的数据集上进行训练，得到训练好的EfficientDet模型。
步骤3、对待检测X光侧位影像图进行如步骤1中的预处理及变 换，然后送入训练所得的EfficientDet模型进行预测，设置阈值对 预测结果进行筛选，得到骶1椎体上缘线候选框与股骨头候选框；
步骤4、根据骶1椎体上缘线候选框与股骨头候选框的坐标，计 算骨盆参数SS、PT、PI。进行步骤1中坐标变换的逆过程，将骨盆 参数及计算中所需关键点、线绘制在完整的原尺寸X光侧位影像图上， 完成骨盆参数的自动测量。具体操作如下：
4-1.将骶1椎体上缘线候选框与股骨头候选框记录为文本文件
对骶1椎体上缘线候选框与股骨头候选框，分别记录1个文本文 件，文本文件中的每一行记录一个候选框内容，该内容包括：图片文 件名、候选框置信度、xmin、ymin、xmax、ymax，且内容之间以 空格分隔；
其中，(xmin，ymin)，(xmax，ymax)分别用于表示候选框左上与 右下坐标；
对单张下半身影像图，骶1椎体上缘线候选框的文本文件中记录 1个候选框结果，股骨头候选框的文本文件中记录1至2个候选框结 果；
4-2.根据文本文件记录的坐标计算关键点；
对单张下半身影像图，记骶1椎体上缘线左上端点为
P0(x0，y0)
骶1椎体上缘线右下端点为
P1(x1，y1)
股骨连线中心为
P2(x2，y2)
骶1椎体上缘线中心坐标为
P3(x3，y3)
当股骨头候选框为两个时，两候选框中心分别为
P4(x4，y4)，P5(x5，y5)
当股骨头候选框唯一，即记录股骨头候选框的文本文件中该图仅 对应一个候选框坐标，则视该下半身影像图为P4与P5坐标相同。
将记录骶1椎体上缘线候选框的文本文件中的候选框坐标记作：
(xmin0，ymin0)，(xmax0，ymax0)
得到：
P0(xmin0，ymin0)
P1(xmax0，ymax0)
当股骨头候选框为两个时，将记录股骨头候选框的文本文件中该 图对应的2个候选框坐标分别记作：
(xmin1，ymin1)，(xmax1，ymax1)
(xmin2，ymin2)，(xmax2，ymax2)
当股骨头候选框唯一时，则该图(xmin1，ymin1)，(xmax1，ymax1) 与(xmin2，ymin2)，(xmax2，ymax2)相同，将记录股骨头候选框的文本 文件中该图对应的1个候选框坐标作为这两组坐标的值；
得到：
4-3.计算骨盆参数
使用以上关键点坐标计算三个骨盆参数：
SS参数：
PT参数：
PI参数：
PI＝SS+PT
4-4.坐标逆变换与结果绘制
对所有x、y坐标进行按步骤1中指定比例进行放大处理，并对 所有y坐标与原尺寸图片高度1/2相加处理；将骨盆参数计算结果及 计算过程中所涉及关键点、线绘制在完整的原尺寸X光侧位图像上。
本发明具有如下有益效果：
本发明基于目标检测算法EfficientDet，采用双向FPN(BiFPN， 特征金字塔网络)、模型缩放技术，在参数更少的情况下能够具有更 快的运行速度，达到更高的精度，能够实现骨盆参数快速准确测量， 实现骨盆参数测量的自动化，对辅助临床医生诊断、减轻临床医生工 作量有重要意义；具体有点体现如下：
1.填补应用空缺
本发明首次提出使用EfficientDet目标检测网络完成对骨盆参 数SS、PT、PI的自动化测量，填补了目标检测方法在骨盆参数自动 测量上的应用空缺。
2.快速精准量测
本发明结合图像处理方法，对图像进行预处理，提高了标注、训 练的准确性，使目标检测网络能更好地学习目标特征，保证测量的准 确率。
3.减轻医生负担
本发明对骨盆参数的测量准确率接近人工水平，通过快速准确自 动测量，能够有效辅助骨科临床医生决策，极大减轻临床医生的工作 负担。
附图说明
图1为本发明方法流程图；
图2为本发明使用的目标检测网络网络结构图；
图3为亮度、对比度预处理前后图像对比图；
图4为标注后的原尺寸图像与标签在LabelImg软件中的显示缩 略图；
图5为xml格式标签文件中的部分主要内容示意图；
图6为裁剪变换后的图像与标签在LabelImg软件中的显示缩略 图；
图7为骶1椎体上缘线与股骨头候选框可视化图；
图8为记录候选框文本文件的部分主要内容图；
图9为P0至P5关键点在图像上的表示图；
图10为骨盆参数的完整自动测量和在原始尺寸X光影像上的绘 制结果图；
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，本发明提出一种基于目标检测神经网络的骨盆参数 自动测量方法，基于目标检测算法EfficientDet，该算法模型结构 如图2所示；实现骨盆参数自动测量的具体步骤如下：
步骤1、对获得的原始X光侧位影像图进行预处理。由于原始X 光影像图对比度较低，不够清晰，所需目标不易辨识，可能对数据标 注和目标检测网络学习造成困难，因此对图像进行亮度调整、对比度 调整的预处理，预处理前后的图像对比如图3所示；
使用GitHub开源软件LabelImg对上述预处理后的图像进行标注， 标注方法如下：以骶1椎体上缘为矩形框对角线，作为骶1椎体上缘 线标签(sacrum)；以股骨头为矩形框内切椭圆，作为股骨头标签 (femoralhead)，标注后的图像在LabelImg中缩略图显示如图4所示；标注完成后，对每张图片，生成1个xml标签文件，标签文件主 要内容如图5所示；
由于X光影像图片通常尺寸较大，不适用于直接送入神经网络进 行学习，将X光侧位影像图按一定比例进行缩小，进行2等分，取下 1/2部分为下半身影像图，并对图片对应标签文件中的坐标进行对应 变换，保证标签在图像上相对位置和大小的不变性；经过图像裁剪变 换和标签中对应的坐标对应变换后，图像在LabelImg中显示缩略图 如图6所示
步骤2、进行数据划分，制作数据集，采用基于目标检测的方法， 使用卷积神经网络在上述数据集上进行训练；根据训练的评估结果， 选用效果较好，且能够达到临床使用精度要求的模型用作后续预测；
步骤3、对待检测X光侧位影像图进行如步骤1中的预处理及变 换，送入上述训练所得神经网络模型进行预测，设置阈值对预测结果 筛选，得到骶1椎体上缘与股骨头候选框，预测结果可视化如图7所 示；
步骤4、根据骶1椎体上缘与股骨头候选框坐标，计算骨盆参数 SS、PT、PI，并进行步骤1中坐标变换的逆过程，将骨盆参数及计算 中所需关键点、线绘制在完整的原尺寸X光侧位影像图上，完成骨盆 参数的自动测量。具体操作如下：
4-1将候选框记录为文本文件
对骶1椎体上缘线候选框与股骨头候选框，分别记录1个文本文 件，文本文件中的每一行记录一个候选框内容，该内容包括：图片文 件名、候选框置信度、xmin、ymin、xmax、ymax，且内容之间以 空格分隔；
其中，(xmin，ymin)，(xmax，ymax)分别用于表示候选框左上与 右下坐标；
对单张下半身影像图，骶1椎体上缘线候选框的文本文件中记录 1个候选框结果，股骨头候选框的文本文件中记录1至2个候选框结 果，文本文件部分主要内容如图8所示；
4-2根据文本文件记录坐标计算关键点
对单张下半身影像图，记骶1椎体上缘线左上端点为
P0(x0，y0)
骶1椎体上缘线右下端点为
P1(x1，y1)
股骨连线中心为
P2(x2，y2)
骶1椎体上缘线中心坐标为
P3(x3，y3)
当股骨头候选框为两个时，两候选框中心分别为
P4(x4，y4)，P5(x5，y5)
当股骨头候选框唯一，即记录股骨头候选框的文本文件中该图对 应一个候选框坐标，则视该下半身影像图为P4与P5坐标相同；P0至P5坐标在图像上表示如图9所示。
将记录骶1椎体上缘线候选框的文本文件中的候选框坐标 记作：
(xmin0，ymin0)，(xmax0，ymax0)
得到：
P0(xmin0，ymin0)
P1(xmax0，ymax0)
当股骨头候选框为两个时，将记录股骨头候选框的文本文件中该 图对应的2个候选框坐标分别记作：
(xmin1，ymin1)，(xmax1，ymax1)
(xmin2，ymin2)，(xmax2，ymax2)
当股骨头候选框唯一时，则该图(xmin1，ymin1)，(xmax1，ymax1) 与(xmin2，ymin2)，(xmax2，ymax2)相同，将记录股骨头候选框的文本 文件中该图对应的1个候选框坐标作为这两组坐标的值；
得到：
4-3.计算骨盆参数
使用以上关键点坐标计算三个骨盆参数：
SS参数：
PT参数：
PI参数：
PI＝SS+PT
4-4.坐标逆变换与结果绘制
对所有x、y坐标进行按步骤1中比例进行放大处理，并对所有 y坐标与原尺寸图片高度1/2相加处理；将骨盆参数计算结果及计算 过程中所涉及关键点、线绘制在完整的原尺寸X光侧位图像上；完整 测量和绘制结果如图10所示。
Claims (5)
1.一种基于目标检测神经网络的骨盆参数自动测量方法，其特征在于包括以下步骤：
步骤1、对获得的X光侧位影像图进行预处理，并对预处理后的X光侧位影像图进行标注，获得所需的X光侧位影像图的数据集；
步骤2、采用基于目标检测的方法，使用EfficientDet模型在步骤1获取的数据集上进行训练，得到训练好的EfficientDet模型；
步骤3、对待检测X光侧位影像图进行如步骤1中的预处理及变换，然后送入训练所得的EfficientDet模型进行预测，设置阈值对预测结果进行筛选，得到骶1椎体上缘线候选框与股骨头候选框；
步骤4、根据骶1椎体上缘线候选框与股骨头候选框的坐标，计算骨盆参数SS、PT、PI；进行步骤1中坐标变换的逆过程，将骨盆参数及计算中所需关键点、线绘制在完整的原尺寸X光侧位影像图上，完成骨盆参数的自动测量。
2.根据权利要求1所述的一种基于目标检测神经网络的骨盆参数自动测量方法，其特征在于所述的预处理包括亮度调整、对比度调整。
3.根据权利要求1所述的一种基于目标检测神经网络的骨盆参数自动测量方法，其特征在于所述的标注实现如下：以骶1椎体上缘为对角线作矩形框，并将矩形框作为骶1椎体上缘线标签；以股骨头为内切椭圆作矩形框，并将该矩形框作为股骨头标签；将X光侧位影像图按指定比例缩小，进行上下2等分，取下1/2部分为下半身影像图。
4.根据权利要求3所述的一种基于目标检测神经网络的骨盆参数自动测量方法，其特征在于对下半身影像图对应的标签文件中的坐标进行相应映射变换，具体实现如下：对所有y坐标，减去原尺寸图片高度的1/2，然后对所有x、y坐标按步骤1中指定比例进行缩小处理。
5.根据权利要求3所述的一种基于目标检测神经网络的骨盆参数自动测量方法，其特征在于步骤4具体操作如下：
4-1.将骶1椎体上缘线候选框与股骨头候选框记录为文本文件；
对骶1椎体上缘线候选框与股骨头候选框，分别记录1个文本文件，文本文件中的每一行记录一个候选框内容，该内容包括：图片文件名、候选框置信度、xmin、ymin、xmax、ymax，且内容之间以空格分隔；
其中，(xmin，ymin)，(xmax，ymax)分别用于表示候选框左上与右下坐标；
对单张下半身影像图，骶1椎体上缘线候选框的文本文件中记录1个候选框结果，股骨头候选框的文本文件中记录1至2个候选框结果；
4-2.根据文本文件记录的坐标计算关键点；
对单张下半身影像图，记骶1椎体上缘线左上端点为
P0(x0，y0)
骶1椎体上缘线右下端点为
P1(x1，y1)
股骨连线中心为
P2(x2，y2)
骶1椎体上缘线中心坐标为
P3(x3，y3)
当股骨头候选框为两个时，两候选框中心分别为
P4(x4，y4)，P5(x5，y5)
当股骨头候选框唯一，即记录股骨头候选框的文本文件中该图仅对应一个候选框坐标，则视该下半身影像图为P4与P5坐标相同；
将记录骶1椎体上缘线候选框的文本文件中的候选框坐标记作：
(xmin0，ymin0)，(xmax0，ymax0)
得到：
P0(xmin0，ymin0)
P1(xmax0，ymax0)
当股骨头候选框为两个时，将记录股骨头候选框的文本文件中该图对应的2个候选框坐标分别记作：
(xmin1，ymin1)，(xmax1，ymax1)
(xmin2，ymin2)，(xmax2，ymax2)
当股骨头候选框唯一时，则该图(xmin1，ymin1)，(xmax1，ymax1)与(xmin2，ymin2)，(xmax2，ymax2)相同，将记录股骨头候选框的文本文件中该图对应的1个候选框坐标作为这两组坐标的值；
得到：
4-3.计算骨盆参数
使用以上关键点坐标计算三个骨盆参数：
SS参数：
PT参数：
PI参数：
PI＝SS+PT
4-4.坐标逆变换与结果绘制
对所有x、y坐标进行按步骤1中指定比例进行放大处理，并对所有y坐标与原尺寸图片高度1/2相加处理；将骨盆参数计算结果及计算过程中所涉及关键点、线绘制在完整的原尺寸X光侧位图像上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915043.8A CN112365438B (zh) | 2020-09-03 | 2020-09-03 | 一种基于目标检测神经网络的骨盆参数自动测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915043.8A CN112365438B (zh) | 2020-09-03 | 2020-09-03 | 一种基于目标检测神经网络的骨盆参数自动测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365438A true CN112365438A (zh) | 2021-02-12 |
| CN112365438B CN112365438B (zh) | 2024-02-13 |
Family
ID=74516849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010915043.8A Active CN112365438B (zh) | 2020-09-03 | 2020-09-03 | 一种基于目标检测神经网络的骨盆参数自动测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365438B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950584A (zh) * | 2020-06-16 | 2020-11-17 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
| CN112967375A (zh) * | 2021-02-20 | 2021-06-15 | 司法鉴定科学研究院 | 基于深度学习和虚拟影像技术的法医学骨盆性别鉴别方法 |
| CN113517056A (zh) * | 2021-06-18 | 2021-10-19 | 安徽医科大学 | 医学图像目标区域的识别方法、神经网络模型及应用 |
| CN115797698A (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） | 一种骨骼矢状位平衡参数检测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2527955A1 (en) * | 2003-06-02 | 2005-01-06 | Stephen B. Murphy | Method and apparatus for providing a patient-specific pelvic coordinate system |
| CN108309334A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种脊柱x线影像的数据处理方法 |
-
2020
- 2020-09-03 CN CN202010915043.8A patent/CN112365438B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2527955A1 (en) * | 2003-06-02 | 2005-01-06 | Stephen B. Murphy | Method and apparatus for providing a patient-specific pelvic coordinate system |
| CN108309334A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种脊柱x线影像的数据处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王亮;卢旭华;王海滨;郭群峰;张帮可;: "退变性腰椎侧凸脊柱-骨盆参数测量及临床意义", 脊柱外科杂志, no. 01, 28 February 2016 (2016-02-28) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950584A (zh) * | 2020-06-16 | 2020-11-17 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
| CN111950584B (zh) * | 2020-06-16 | 2024-05-14 | 江西中科九峰智慧医疗科技有限公司 | 一种x光胸片中部位完整度的智能鉴别方法及系统 |
| CN112967375A (zh) * | 2021-02-20 | 2021-06-15 | 司法鉴定科学研究院 | 基于深度学习和虚拟影像技术的法医学骨盆性别鉴别方法 |
| CN113517056A (zh) * | 2021-06-18 | 2021-10-19 | 安徽医科大学 | 医学图像目标区域的识别方法、神经网络模型及应用 |
| CN113517056B (zh) * | 2021-06-18 | 2023-09-19 | 安徽医科大学 | 医学图像目标区域的识别方法、神经网络模型及应用 |
| CN115797698A (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） | 一种骨骼矢状位平衡参数检测系统 |
| CN115797698B (zh) * | 2022-12-13 | 2023-07-14 | 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 |
|---|---|
| CN112365438B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365438B (zh) | 一种基于目标检测神经网络的骨盆参数自动测量方法 | |
| JP5603859B2 (ja) | 対象脊椎の側面図のデジタル化された画像を自動的に解析する解析システムの制御方法 | |
| US5740267A (en) | Radiographic image enhancement comparison and storage requirement reduction system | |
| JP4070493B2 (ja) | Ｘ線診断装置および医用画像解析装置 | |
| Berton et al. | Segmentation of the spinous process and its acoustic shadow in vertebral ultrasound images | |
| US20070242869A1 (en) | Processing and measuring the spine in radiographs | |
| JP2003175023A (ja) | 放射線写真査定方法 | |
| CN114287915B (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 | |
| CN112381757A (zh) | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 | |
| JP3234668U (ja) | Ｘ線による脊柱側弯症の画像認識システム | |
| CN111528907A (zh) | 一种超声影像肺炎辅助诊断方法及系统 | |
| CN111063424A (zh) | 一种椎间盘数据处理方法、装置、电子设备及存储介质 | |
| CN115222937A (zh) | 一种脊柱侧弯检测方法及装置 | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
| CN111317580A (zh) | 一种椎骨稳定系统及方法 | |
| CN109920002B (zh) | 基于三维随机森林模型的头影测量图像中特征点定位方法 | |
| CN108670302B (zh) | 一种基于2.5维超声宽景成像的脊柱三维结构再现方法 | |
| CN111275754B (zh) | 一种基于深度学习的脸部痘印比例计算方法 | |
| CN115804579B (zh) | 一种规范化血压测量的过程控制系统及实现方法 | |
| TWI759946B (zh) | 脊柱量測及狀態評估方法 | |
| CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
| US10733728B2 (en) | Device and method for automation of mean axis of rotation (mar) analysis | |
| Antani et al. | Medical validation and CBIR of spine x-ray images over the Internet | |
| US20230034589A1 (en) | Ultrasound imaging method and system for identifying an anatomical feature of a spine |
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 |