CN112465771B - 脊柱核磁共振图像的分析方法、装置和计算机设备 - Google Patents

脊柱核磁共振图像的分析方法、装置和计算机设备 Download PDF

Info

Publication number
CN112465771B
CN112465771B CN202011344696.1A CN202011344696A CN112465771B CN 112465771 B CN112465771 B CN 112465771B CN 202011344696 A CN202011344696 A CN 202011344696A CN 112465771 B CN112465771 B CN 112465771B
Authority
CN
China
Prior art keywords
spine
data
disc
analyzed
gaussian
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
CN202011344696.1A
Other languages
English (en)
Other versions
CN112465771A (zh
Inventor
吴海萍
张芮溟
王宁
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011344696.1A priority Critical patent/CN112465771B/zh
Publication of CN112465771A publication Critical patent/CN112465771A/zh
Application granted granted Critical
Publication of CN112465771B publication Critical patent/CN112465771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/30—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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及数字医疗领域，揭示了脊柱核磁共振图像的分析方法，包括：获取当前用户的脊柱核磁共振图像；分析所述脊柱核磁共振图像对应的扫描方位；调用与所述扫描方位相对应的区域提取框；通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；根据所述高斯球确定所述待分析区域的位置信息。通过只标注待分析区域中心点的标注数据，并通过将中心点的标签通过高斯滤波转化为高斯标签作为位置识别模型的训练集，极大地降低了数据标注成本，并通过高斯过程提高位置定位的精准性。

Description

脊柱核磁共振图像的分析方法、装置和计算机设备
技术领域
本申请涉及数字医疗领域，特别是涉及到脊柱核磁共振图像的分析方法、装置和计算机设备。
背景技术
核磁共振成像技术已经成为诊断脊椎疾病的重要工具，相比于其他成像技术，其在描述软组织结构方面具有很强优势,同时安全性和可靠性也尤为突出。医生在研读核磁共振图像上花费的时间随之倍增，占据了医生的大量诊断时间。借助现已高度发展的深度学习、人工智能等技术，通过核磁共振图像辅助医生进行预诊断，可以减轻医生负担，降低患者检查成本，提高医院运营效率。但基于深度学习、人工智能等技术，需要大量的标准数据作为支撑，需要耗费大量的人力进行数据标注，尤其是标准分割标签或者外接矩形框标签。亟待开发一种训练标注成本小，网络轻量且对硬件平台要求低的辅助诊断方式。
发明内容
本申请的主要目的为解决现有核磁共振图像的智能分析方法标注成本高、且识别精准度低的技术问题。
本申请提出一种脊柱核磁共振图像的分析方法，包括：
获取当前用户的脊柱核磁共振图像；
分析所述脊柱核磁共振图像对应的扫描方位；
调用与所述扫描方位相对应的区域提取框；
通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；
根据所述高斯球确定所述待分析区域的位置信息。
优选地，所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：
获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；
根据所述排布弯曲数据实时调整所述第一提取框的角度；
当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；
将所述指定椎块的像素数据，映射为所述待分析区域。
优选地，所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：
当所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；
将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
优选地，所述根据所述高斯球确定所述待分析区域的位置信息的步骤，包括：
判断所述高斯球是否与指定标准高斯球相同；
若相同，则将所述指定标准高斯球对应的位置标注数据作为所述待分析区域的位置信息。
优选地，所述根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：
获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；
将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；
将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；
获取所述间盘的征像识别模型输出的间盘征像数据。
优选地，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，所述根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：
获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；
将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；
将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；
获取所述椎块的征像识别模型输出的椎块征像数据。
优选地，所述获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球的步骤之前，包括：
获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；
将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；
将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；
在所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
本申请还提供了一种脊柱核磁共振图像的分析装置，包括：
第一获取模块，用于获取当前用户的脊柱核磁共振图像；
分析模块，用于分析所述脊柱核磁共振图像对应的扫描方位；
调用模块，用于调用与所述扫描方位相对应的区域提取框；
提取模块，用于通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
第二获取模块，用于获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；
确定模块，用于根据所述高斯球确定所述待分析区域的位置信息。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请通过只标注待分析区域中心点的标注数据，并通过将中心点的标签通过高斯滤波转化为高斯标签作为位置识别模型的训练集，极大地降低了数据标注成本，并通过高斯过程提高位置定位的精准性。
附图说明
图1本申请一实施例的脊柱核磁共振图像的分析方法流程示意图；
图2本申请一实施例的脊柱核磁共振图像的分析装置结构示意图；
图3本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例的脊柱核磁共振图像的分析方法，包括：
S1：获取当前用户的脊柱核磁共振图像；
S2：分析所述脊柱核磁共振图像对应的扫描方位；
S3：调用与所述扫描方位相对应的区域提取框；
S4：通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
S5：获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；
S6：根据所述高斯球确定所述待分析区域的位置信息。
本申请实施例中，上述脊柱核磁共振图像包括腰椎部分的图像和颈椎部分的图像，因为腰椎和颈椎是整个脊柱里发生退行性病变比较严重的部位，也是重点研究的部位。上述扫描方位包括但不限于矢状位的扫描、横断面的扫描和冠状位扫描。不同扫描方位对应的区域提取框不同，包括区域提取框的外围轮廓的形状和/或大小尺寸不同，使得通过调用合适的区域提取框提取相应的待分析区域。比如上述待分析区域包括但不限于脊柱中的椎块、间盘块等，以间盘块为例，矢状位的扫描和横断面的扫描状态下，分别获取的间盘块的轮廓不同，所以所调用的区域提取框也不同。上述区域提取框略大于待分析区域对应的外围框，以确保获取完整的待分析区域的外围边缘信息，提高识别精准度。本申请实施例通过将待分析区域的中心像素点，经过高斯滤波、卷积后形成高斯球，然后将该高斯球和标准高斯球进行比对，确定标准高斯球对应的位置信息，进而确定待分析区域的位置信息。上述标准高斯球通过人工标注的大量中心像素点训练得到。
本申请通过只标注待分析区域中心点的标注数据，并通过将中心点的标签通过高斯滤波转化为高斯标签作为位置识别模型的训练集，极大地降低了数据标注成本，并通过高斯过程提高位置定位的精准性。
进一步地，所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤S4，包括：
S41：获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；
S42：根据所述排布弯曲数据实时调整所述第一提取框的角度；
S43：当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；
S44：将所述指定椎块的像素数据，映射为所述待分析区域。
本申请实施例中，以矢状位的扫描下获取椎块的像素数据，作为待分析区域为例。矢状位的扫描得到的脊柱核磁共振图像，由于每个人的生理曲度不同，导致脊柱序列块也呈现不同的排布弯曲数据，上述排布弯曲数据包括相邻两个椎块之间的夹角或相邻椎体和间盘之间的夹角。本申请为提高精准提取各椎块或各间盘块对应的图像数据，实时调整区域提取框的提取角度，使提取框完全均衡笼罩在待分析区域上，确保提取到包括完成边缘信息的椎块图像数据和/或间盘块图像数据，以提高识别征象特征的精准度。
进一步地，所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤S4，包括：
S401：当所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；
S402：将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
本申请实施例中，以横断面的扫描下获取间盘块的像素数据，作为待分析区域为例。横断面的扫描包括了间盘轴扫，识别间盘病变几率更精准。本申请为提高精准提取各间盘块对应的横断面图像数据，控制提取框完全均衡笼罩在待分析区域上，确保提取到包括完成边缘信息的间盘块横断面图像数据，以提高间盘块征象特征的识别精准度。
进一步地，所述根据所述高斯球确定所述待分析区域的位置信息的步骤S6，包括：
S61：判断所述高斯球是否与指定标准高斯球相同；
S62：若相同，则将所述指定标准高斯球对应的位置标注数据作为所述待分析区域的位置信息。
本申请实施例中，通过对比当前中心像素点对应的高斯球的参量，以及标准高斯球的参量，来确定当前待分析区域的位置信息。上述位置信息包括但不限于处于脊柱中的位置区域以及排序，比如腰椎区域14椎块、15椎块等。上述高斯球的参量，包括球半径、球中心等。
进一步地，所述根据所述高斯球确定所述待分析区域的位置信息的步骤S6之后，包括：
S7：获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；
S8：将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；
S9：将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；
S10：获取所述间盘的征像识别模型输出的间盘征像数据。
本申请实施例中，在识别间盘征像数据时，通过将矢状位的扫描数据和横断面的扫描数据进行结合，共同作为间盘的征像识别模型的输入数据，以提高间盘征像数据的识别精准度。上述间盘的征像识别模型的训练过程中，也同样是将标注的矢状位的扫描数据和横断面的扫描数据进行结合，共同组成训练集训练间盘的征像识别模型。上述间盘的征像识别模型采用最轻量化的CNN网络，权重小、网络浅，非常适用于本申请的小体量数据。上述间盘征像数据包括但不限于存在间盘突出的概率、存在间盘病变的概率等。
进一步地，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，所述根据所述高斯球确定所述待分析区域的位置信息的步骤S6之后，包括：
S61：获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；
S62：将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；
S63：将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；
S64：获取所述椎块的征像识别模型输出的椎块征像数据。
本申请实施例将T1矢状位的扫描和T2矢状位的扫描的数据结合，作为椎块的征像识别模型，以增加椎块征象特征的识别精准度。本申请实施例通过位置信息的判定，将统一椎块不同角度的扫描数据整合在一起作为训练数据，训练椎块的征像识别模型。上述椎块的征像识别模型架构同间盘的征像识别模型，均采用最轻量化的CNN网络，但两个模型的参量不同，通过分别训练提高模型识别不同类型待识别区域的征象特征的精准度。椎块征像数据包括但不限于椎块正常的概率，椎块压缩性骨折的概率，椎块骨质增生的概率，椎块内肿瘤的概率等。上述T1矢状位的扫描得到核磁共振的T1加权像，T2矢状位的扫描得到核磁共振的T2加权像，T1加权像有利于观察解剖结构特征，T2加权像显示组织病变特征较好。
进一步地，所述获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球的步骤S5之前，包括：
S51：获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；
S52：将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；
S53：将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；
S54:所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
本申请实施例的位置识别模型,采用Decoder与I ncoder组成的UNet型的U型结构网络模型，通过将人工标准的脊柱位置数据，包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据，共同进行高斯处理后分别得到的高斯球，作为标准高斯球并以训练数据的角色，输入U型结构网络模型中训练，得到基于中像素点的位置识别模型，训练数据少，得到的模型位置定位更精准，适合数量级小的训练数据的训练过程。本申请实施例的位置识别模型，将椎块与间盘块的位置预测分为同一个U型结构网络模型的两个通道进行位置识别，提高训练和识别效率。上述U型结构网络模型采用2D或者3D均可取得很好的效果。
参照图2，本申请实施例还提供的脊柱核磁共振图像的分析装置，包括：
第一获取模块1，用于获取当前用户的脊柱核磁共振图像；
分析模块2，用于分析所述脊柱核磁共振图像对应的扫描方位；
调用模块3，用于调用与所述扫描方位相对应的区域提取框；
提取模块4，用于通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
第二获取模块5，用于获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；
确定模块6，用于根据所述高斯球确定所述待分析区域的位置信息。
本申请的装置实施例的解释，参照对应方法项的实施例解释，不赘述。
进一步地，所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，提取模块4，包括：
获取单元，用于获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；
调整单元，用于根据所述排布弯曲数据实时调整所述第一提取框的角度；
第一控制单元，用于当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；
第一映射单元，用于将所述指定椎块的像素数据，映射为所述待分析区域。
进一步地，所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，提取模块4，包括：
第二控制单元，用于当判断所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；
第二映射单元，用于将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
进一步地，确定模块6，包括：
第三判断单元，用于判断所述高斯球是否与指定标准高斯球相同；
作为单元，用于若相同，则将所述指定标准高斯球对应的位置标注数据作为所述待分析区域的位置信息。
进一步地，脊柱核磁共振图像的分析装置，包括：
第三获取模块，用于获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；
第一组合模块，用于将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；
第一输入模块，用于将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；
第四获取模块，用于获取所述间盘的征像识别模型输出的间盘征像数据。
进一步地，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，脊柱核磁共振图像的分析装置，包括：
第五获取模块，用于获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；
第二组合模块，用于将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；
第二输入模块，用于将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；
第六获取模块，用于获取所述椎块的征像识别模型输出的椎块征像数据。
进一步地，脊柱核磁共振图像的分析装置，包括：
第七获取模块，用于获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；
滤波模块，用于将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；
形成模块，用于将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；
训练模块，用于所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储脊柱核磁共振图像的分析过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现脊柱核磁共振图像的分析方法。
上述处理器执行上述脊柱核磁共振图像的分析方法，包括：获取当前用户的脊柱核磁共振图像；分析所述脊柱核磁共振图像对应的扫描方位；调用与所述扫描方位相对应的区域提取框；通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；根据所述高斯球确定所述待分析区域的位置信息。
上述计算机设备，通过只标注待分析区域中心点的标注数据，并通过将中心点的标签通过高斯滤波转化为高斯标签作为位置识别模型的训练集，极大地降低了数据标注成本，并通过高斯过程提高位置定位的精准性。
在一个实施例中，所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，上述处理器通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；根据所述排布弯曲数据实时调整所述第一提取框的角度；当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；将所述指定椎块的像素数据，映射为所述待分析区域。
在一个实施例中，所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，上述处理器通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：当所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
在一个实施例中，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤，包括：判断所述高斯球是否与指定标准高斯球相同；若相同，则将所述指定标准高斯球对应的位置标注数据，作为所述待分析区域的位置信息。
在一个实施例中，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；获取所述间盘的征像识别模型输出的间盘征像数据。
在一个实施例中，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；获取所述椎块的征像识别模型输出的椎块征像数据。
在一个实施例中，上述处理器获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球的步骤之前，包括：获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；在所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现脊柱核磁共振图像的分析方法，包括：获取当前用户的脊柱核磁共振图像；分析所述脊柱核磁共振图像对应的扫描方位；调用与所述扫描方位相对应的区域提取框；通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球；根据所述高斯球确定所述待分析区域的位置信息。
上述计算机可读存储介质，通过将某各统计时刻获取到的各评论文本的关键词，汇集在一个弹幕云中，并将焦点词汇突出显示，以聚类各评论文本的评论焦点，有助于进行精准地信息交互。
在一个实施例中，通过只标注待分析区域中心点的标注数据，并通过将中心点的标签通过高斯滤波转化为高斯标签作为位置识别模型的训练集，极大地降低了数据标注成本，并通过高斯过程提高位置定位的精准性。
在一个实施例中，所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，上述处理器通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；根据所述排布弯曲数据实时调整所述第一提取框的角度；当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；将所述指定椎块的像素数据，映射为所述待分析区域。
在一个实施例中，所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，上述处理器通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：当所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
在一个实施例中，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤，包括：判断所述高斯球是否与指定标准高斯球相同；若相同，则将所述指定标准高斯球对应的位置标注数据，作为所述待分析区域的位置信息。
在一个实施例中，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；获取所述间盘的征像识别模型输出的间盘征像数据。
在一个实施例中，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，上述处理器根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；获取所述椎块的征像识别模型输出的椎块征像数据。
在一个实施例中，上述处理器获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球的步骤之前，包括：获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；在所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
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，上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。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种脊柱核磁共振图像的分析方法，其特征在于，包括：
获取当前用户的脊柱核磁共振图像；
分析所述脊柱核磁共振图像对应的扫描方位；
调用与所述扫描方位相对应的区域提取框；
通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到高斯球；
根据所述高斯球确定所述待分析区域的位置信息；
所述扫描方位包括矢状位的扫描，所述矢状位对应第一提取框，所述待分析区域为各椎块所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：
获取所述脊柱核磁共振图像中的脊柱序列块，在所述矢状位状态下的排布弯曲数据，其中，所述脊柱序列块由椎块和间盘块交替排布组成；
根据所述排布弯曲数据实时调整所述第一提取框的角度；
当所述第一提取框的四周框平行于指定椎块或指定间盘块的外围轮廓框且所述指定椎块或指定间盘块的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第一提取框提取所述指定椎块的像素数据，其中，所述指定椎块为脊柱序列块中所有椎块中的任一块，所述指定间盘块为脊柱序列块中所有间盘块中的任一块；
将所述指定椎块的像素数据，映射为所述待分析区域；
所述扫描方位包括横断面的扫描，所述横断面对应第二提取框，所述待分析区域为各间盘所对应区域，所述通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域的步骤，包括：
当所述第二提取框的四周框平行于指定间盘轴扫面的外围轮廓框且所述指定间盘轴扫面的外围轮廓框包含于所述第一提取框的四周框内时，控制所述第二提取框提取所述指定间盘轴扫面的像素数据；
将所述指定间盘轴扫面的像素数据，映射为所述待分析区域。
2.根据权利要求1所述的脊柱核磁共振图像的分析方法，其特征在于，所述根据所述高斯球确定所述待分析区域的位置信息的步骤，包括：
判断所述高斯球是否与指定标准高斯球相同；
若相同，则将所述指定标准高斯球对应的位置标注数据作为所述待分析区域的位置信息。
3.根据权利要求2所述的脊柱核磁共振图像的分析方法，其特征在于，所述根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：
获取所述矢状位的扫描下得到的各所述间盘块分别对应的第一位置信息，以及所述横断面的扫描下得到的各所述间盘块分别对应的第二位置信息；
将所述第一位置信息和所述第二位置信息中携带相同间盘位置信息的图像数据，组合为间盘征像识别数据；
将所述间盘征像识别数据，输入间盘的征像识别模型中进行征像识别；
获取所述间盘的征像识别模型输出的间盘征像数据。
4.根据权利要求2所述的脊柱核磁共振图像的分析方法，其特征在于，所述矢状位的扫描包括T1矢状位的扫描和T2矢状位的扫描，所述根据所述高斯球确定所述待分析区域的位置信息的步骤之后，包括：
获取所述T1矢状位的扫描下得到的各所述椎块分别对应的第三位置信息，以及所述T2矢状位的扫描下得到的各所述椎块分别对应的第四位置信息；
将所述第三位置信息和所述第四位置信息中携带相同椎块位置信息的图像数据，组合为椎块征像识别数据；
将所述椎块征像识别数据，输入椎块的征像识别模型中进行征像识别；
获取所述椎块的征像识别模型输出的椎块征像数据。
5.根据权利要求1所述的脊柱核磁共振图像的分析方法，其特征在于，所述获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到的高斯球的步骤之前，包括：
获取人工标准的脊柱位置数据，其中，所述脊柱位置数据包括脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据；
将所述脊柱椎块的中心点位置数据和脊柱间盘的中心点位置数据进行高斯滤波，得到各所述脊柱椎块的中心点位置数据分别对应的第一标准高斯球，以及各所述脊柱间盘的中心点位置数据分别对应的第二标准高斯球；
将所有所述第一标准高斯球和所有所述第二标准高斯球形成训练集；
在所述训练集上训练U型结构的深度学习模型，得到所述位置识别模型。
6.一种脊柱核磁共振图像的分析装置，用于实现权利要求1至5中任一项所述的方法，其特征在于，包括：
第一获取模块，用于获取当前用户的脊柱核磁共振图像；
分析模块，用于分析所述脊柱核磁共振图像对应的扫描方位；
调用模块，用于调用与所述扫描方位相对应的区域提取框；
提取模块，用于通过所述区域提取框提取所述脊柱核磁共振图像中的待分析区域；
第二获取模块，用于获取所述待分析区域的中心像素点，输入至预训练的位置识别模型后经高斯滤波卷积得到高斯球；
确定模块，用于根据所述高斯球确定所述待分析区域的位置信息。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202011344696.1A 2020-11-25 2020-11-25 脊柱核磁共振图像的分析方法、装置和计算机设备 Active CN112465771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011344696.1A CN112465771B (zh) 2020-11-25 2020-11-25 脊柱核磁共振图像的分析方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011344696.1A CN112465771B (zh) 2020-11-25 2020-11-25 脊柱核磁共振图像的分析方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112465771A CN112465771A (zh) 2021-03-09
CN112465771B true CN112465771B (zh) 2023-07-25

Family

ID=74807961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011344696.1A Active CN112465771B (zh) 2020-11-25 2020-11-25 脊柱核磁共振图像的分析方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112465771B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393500B (zh) * 2021-05-28 2023-04-25 上海联影医疗科技股份有限公司 脊柱扫描参数获取方法、装置、设备和存储介质
CN115311311B (zh) * 2022-10-12 2022-12-20 长春理工大学 一种面向腰椎间盘的图像描述方法及其应用
CN117876712B (zh) * 2024-03-13 2024-05-31 汉滨区第一医院 一种基于Harris的脊椎特征点自动识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2690596A1 (en) * 2012-07-24 2014-01-29 Agfa Healthcare Method, apparatus and system for automated spine labeling
CN108230301A (zh) * 2017-12-12 2018-06-29 哈尔滨理工大学 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
CN110680321A (zh) * 2019-09-26 2020-01-14 东软医疗系统股份有限公司 脊柱mri扫描参数的确定方法、装置及图像处理设备
CN111047572A (zh) * 2019-12-10 2020-04-21 南京安科医疗科技有限公司 一种基于Mask RCNN的医学图像中脊柱自动定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728274A (zh) * 2018-06-29 2020-01-24 通用电气公司 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2690596A1 (en) * 2012-07-24 2014-01-29 Agfa Healthcare Method, apparatus and system for automated spine labeling
CN108230301A (zh) * 2017-12-12 2018-06-29 哈尔滨理工大学 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
CN110680321A (zh) * 2019-09-26 2020-01-14 东软医疗系统股份有限公司 脊柱mri扫描参数的确定方法、装置及图像处理设备
CN111047572A (zh) * 2019-12-10 2020-04-21 南京安科医疗科技有限公司 一种基于Mask RCNN的医学图像中脊柱自动定位方法

Also Published As

Publication number Publication date
CN112465771A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465771B (zh) 脊柱核磁共振图像的分析方法、装置和计算机设备
US11430140B2 (en) Medical image generation, localizaton, registration system
CN111047572B (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN111539956B (zh) 基于脑部辅助图像的脑出血自动检测方法及电子介质
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
Kim et al. Automation of spine curve assessment in frontal radiographs using deep learning of vertebral-tilt vector
CN111681230A (zh) 脑白质高信号评分系统及其评分方法
CN113674257A (zh) 脊柱侧弯角度的测量方法、装置、设备及存储介质
CN111951219B (zh) 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备
CN110738643A (zh) 脑出血的分析方法、计算机设备和存储介质
CN111091539B (zh) 网络模型训练、医学图像处理方法、装置、介质及设备
CN116258933A (zh) 基于全局信息感知的医学图像分割装置
CN110916695A (zh) 确定脊柱扫描视野的方法、装置及图像处理设备
CN113469942B (zh) 一种ct图像病变检测方法
CN113674251A (zh) 基于多模态影像的腰椎图像分类识别系统、设备和介质
Qin et al. Residual block-based multi-label classification and localization network with integral regression for vertebrae labeling
US20230230237A1 (en) Image processing method and apparatus, computer device, and medium
CN116797828A (zh) 一种口腔全景片处理方法、装置及可读储介质
CN110826633A (zh) 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN115496765A (zh) 脑区的图像处理方法、装置、计算机设备及存储介质
CN110874614A (zh) 脑图像分类方法、计算机设备和可读存储介质
Amara et al. Augmented reality for medical practice: a comparative study of deep learning models for ct-scan segmentation
CN118154481B (zh) 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品
CN116958556B (zh) 用于椎体和椎间盘分割的双通道互补脊柱图像分割方法

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