CN113223699A - 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 - Google Patents
构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 Download PDFInfo
- Publication number
- CN113223699A CN113223699A CN202110355578.9A CN202110355578A CN113223699A CN 113223699 A CN113223699 A CN 113223699A CN 202110355578 A CN202110355578 A CN 202110355578A CN 113223699 A CN113223699 A CN 113223699A
- Authority
- CN
- China
- Prior art keywords
- osteoporosis
- segmentation
- lumbar
- module
- constructing
- 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.)
- Pending
Links
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 208000029725 Metabolic bone disease Diseases 0.000 title claims abstract description 25
- 206010049088 Osteopenia Diseases 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 238000003384 imaging method Methods 0.000 claims abstract description 20
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000037182 bone density Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 230000005855 radiation Effects 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000000702 aorta abdominal Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Abstract
本发明提供了一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统，包括：步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；步骤3：根据分割结果和体检信息，构成特征集合；步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。本发明利用常规体检指标及冠、矢状面影像信息，进行腰椎骨量减少和骨质疏松疾病的筛查，在降低辐射量的同时，为今后快速准确地筛查具有高OP疾病风险的人群提供了理论和实践依据，具有很大的实际应用价值。
Description
技术领域
本发明涉及模型构建技术领域，具体地，涉及一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统。尤其地，涉及一种基于双平面成像和深度学习构建腰椎骨量减少和骨质疏松筛查模型的方法。
背景技术
随着人口老龄化的加剧，骨质疏松症(osteoporosis,OP)已成为威胁老年人健康生活的常见疾病之一，引起了社会的广泛关注。由OP导致的骨折给患者和社会带来了沉重的心理和经济负担，但是OP在未出现明显症状和并发症之前，很难被诊断出来[1]。因此，建立在早期阶段诊断OP的模型是非常有意义的。
目前临床上常用的OP诊断标准是骨密度(bone mineral density,BMD)。根据骨密度的高低，可以将人群分成正常组、骨量减少组和OP组。骨量减少组和OP组均为OP高风险组[2]。双能X线骨密度测定仪(dual energy X-ray absorptiometry，DXA)是测量BMD的金标准。但该仪器是平面成像，得到的是面积BMD，测量结果容易受到脊柱退变、腹主动脉钙化等硬化病变的影响[3]。相比于DXA，定量计算机断层扫描成像(quantitative computedtomography,QCT)是三维成像，能够获取任意一点的体积BMD值[4]。
目前针对OP难诊断的问题，有研究团队提出一些解决方法。以DXA为标准，针对髋部构建骨质疏松症筛查模型，该模型使用深度学习框架提取图像中的特征，并验证了使用病人临床信息作为一部分特征输入来训练分类模型时，模型效果能够得到提升[5]。但是在该模型中，仅仅使用了四个临床变量，缺乏进一步的研究。此外，深度学习方法也被直接应用于分类任务。Zhang等人的研究同样以DXA为标准，他们使用深度学习方法，针对腰椎部位构建了一个骨密度三分类模型[6]。但是该方法诊断出的结果具有不可解释性，当出现与专家结果不一致的情况时，没有办法通过讨论的方式达成一致的结果。以上研究都是以DXA测量的面积BMD为标准建立的骨密度分类模型，具有一定的误差。而本发明以QCT测量得到的体积骨密度值为监督学习目标，利用影像组学特征和体检信息完成OP高风险组的筛查。该模型不仅降低了辐射量，还具有可解释性，能够辅助医生做出更准确的诊断。
[1]Lee S,Choe E K,Kang H Y,et al.The exploration of featureextraction and machine learning for predicting bone density from simple spineX-ray images in a Korean population[J].Skeletal Radiology,2020,49(4):613-618.
[2]Karaguzel G,Holick M F.Diagnosis and treatment of osteopenia[J].Reviews in Endocrine and Metabolic Disorders,2010,11(4):237-251.
[3]Li N,Li X-M,Xu L,et al.Comparison of QCT and DXA:OsteoporosisDetection Rates in Postmenopausal Women[J].International journal ofendocrinology,2013,2013:895474.
[4]Loffler M T,Jacob A,Valentinitsch A,et al.Improved prediction ofincident vertebral fractures using opportunistic QCT compared to DXA[J].European Radiology,2019,29(9):4980-4989.
[5]Yamamoto N,Sukegawa S,Kitamura A,et al.Deep Learning forOsteoporosis Classification Using Hip Radiographs and Patient ClinicalCovariates[J].Biomolecules,2020,10(11):1534.
[6]Zhang B,Yu K,Ning Z,et al.Deep learning of lumbar spine X-ray forosteopenia and osteoporosis screening:A multicenter retrospective cohortstudy[J].Bone,2020,140:115561.
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种构建腰椎骨量减少和骨质疏松筛查模型的方法和系统。
根据本发明提供的构建腰椎骨量减少和骨质疏松筛查模型的方法，包括：
步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；
步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；
步骤3：根据分割结果和体检信息，构成特征集合；
步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。
优选的，所述步骤1包括：
步骤1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；
步骤1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；
步骤1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。
优选的，所述步骤2包括：
步骤2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；
步骤2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN等，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet等，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。
优选的，所述步骤3包括：
步骤3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；
步骤3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
步骤3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数等方法完成特征筛选，以避免过拟合。
优选的，所述步骤4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。
根据本发明提供的构建腰椎骨量减少和骨质疏松筛查模型的系统，包括：
模块M1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；
模块M2：对冠、矢状面影像进行椎体分割，得到分割结果；
模块M3：根据分割结果和体检信息，构成特征集合；
模块M4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。
优选的，所述模块M1包括：
模块M1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；
模块M1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；
模块M1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。
优选的，所述模块M2包括：
模块M2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；
模块M2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN等，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet等，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。
优选的，所述模块M3包括：
模块M3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；
模块M3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
模块M3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数等方法完成特征筛选，以避免过拟合。
优选的，所述模块M4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明使用同步采集冠矢状面影像的双平面X线设备，从而在脊椎分割时有了新的分割校正框架；
(2)本发明利用影像组学特征和体检信息完成筛查，减少了辐射量；
(3)本发明为今后快速准确地筛查具有高OP疾病风险的人群提供了理论和实践依据，具有很大的实际应用价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为模型构建流程图；
图2为用于椎体分割的深度学习网络框架图；
图3为腰椎骨量减少和骨质疏松筛查模型框架图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
本发明通过使用双平面成像技术实现人体腰椎层面的冠、矢状面同步成像，结合对应的体检信息，以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度值为监督学习目标，基于影像组学和深度学习的方法完成腰椎骨量减少和骨质疏松筛查模型的构建。
本发明涵盖使用影像组学和深度学习方法，基于双平面成像技术和体检信息，训练腰椎骨量减少和骨质疏松筛查模型的构建方法。
如图1，具体操作过程如下：
S1.数据预处理
由专业的技术人员使用双平成像技术获取体检者的腰椎冠、矢状面影像，并调取常规体检套餐中所涉及的临床信息。对影像数据中的腰椎椎体进行标注，并对临床信息进行编码处理。使用编程的方法对腰椎的椎体区域进行方框bounding box自动生成的预处理。
S2.使用深度学习框架在冠、矢状面影像中分别分割腰椎部分，并进行互相校正；冠状面影像中的椎体分割和矢状面影像中的椎体分割使用两个深度学习框架同时进行训练，结构如下图2所示。提出的深度学习框架包含两个模块：定位模块用于从平面影像中定位出椎体区域的位置，并用boundingbox标出；分割模块用于从已经定位出的腰椎区域中将腰椎椎体分割出来。定位模块可以是RCNN、fastRCNN、fasterRCNN等目标检测网络，分割模块可以是Unet、Unet+、Vnet、Ynet等分割网络。利用双平面X线冠、矢状面同步成像的优势，冠状面影像与矢状面影像的定位和分割结果在Z轴上互相校正，可以得出更加准确的定位和分割结果。
S3.基于分割出的腰椎椎体，利用影像组学方法从冠状面和矢状面各提取一套基于形状的特征、一阶统计学特征、灰度共生矩阵特征、灰度游程矩阵特征等影像组学特征，并将其与编码后的体检信息进行融合，构成特征集合。由于提取出的特征非常多，容易造成过拟合，使用LASSO、PCA、相关系数、互信息和最大信息系数等方法完成特征集合的筛选。
S4.基于构建的特征集合，以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，利用机器学习方法，如支持向量回归SVR、多层感知机MLP、逻辑回归等，完成腰椎骨量减少和骨质疏松筛查模型的构建，具体参见图3。
实施例2：
实施例2为实施例1的优选例。
根据本发明提供的使用双平面成像技术构建基于深度学习的腰椎骨量减少和骨质疏松筛查模型的方法，包括如下步骤：
步骤1、数据预处理
步骤1.1、由专业的技术人员操作双平面成像设备完成影像数据的采集；
步骤1.2、将获取的冠、矢状面影像数据及体检信息进行预处理；
步骤1.2.1、对于冠、矢状面影像，由经验丰富的专家完成L1-L5椎体的手动分割，并提取覆盖标注的所有椎体的最小boundingbox；
步骤1.2.2、对于体检信息，将分类变量用独热编码的方式进行处理，连续变量仍采用原始数值；
步骤1.2.3、对于有缺失的数据，进行删除，最终整理出具有完整信息的数据集。
步骤2、椎体分割
步骤2.1、将在COCO数据集上预训练的深度学习框架用于椎体分割任务，具体实施过程如下：
步骤2.1.1、收集的影像数据按照8:1:1的比例分为训练集、验证集和测试集，用于评估分割效果的指标为Dice系数；
步骤2.1.2、采用fasterRCNN网络完成冠、矢状面图像中腰椎区域的定位，经过该网络得到定位结果图a1和a2。在训练的过程中，a1和a2的定位结果在Z轴上互相校正。将a1和a2输入Unet分割网络，输出椎体分割后的图像b1和b2。同理，b1和b2的分割结果在Z轴上互相校正，避免偏差。
步骤3、特征集合构建
步骤3.1、在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征(冠状面及矢状面各一套特征)；
步骤3.2、将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
步骤3.3、由于提取出的特征非常多，容易造成过拟合，这里使用LASSO方法完成特征的筛选。
步骤4、腰椎骨量减少和骨质疏松筛查模型的构建
以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上，使用支持向量回归SVR完成腰椎骨量减少和骨质疏松筛查模型的构建。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，包括：
步骤1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；
步骤2：对冠、矢状面影像进行椎体分割，得到分割结果；
步骤3：根据分割结果和体检信息，构成特征集合；
步骤4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。
2.根据权利要求1所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤1包括：
步骤1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；
步骤1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；
步骤1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。
3.根据权利要求2所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤2包括：
步骤2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；
步骤2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。
4.根据权利要求3所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤3包括：
步骤3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；
步骤3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
步骤3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数方法完成特征筛选，以避免过拟合。
5.根据权利要求4所述的构建腰椎骨量减少和骨质疏松筛查模型的方法，其特征在于，所述步骤4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。
6.一种构建腰椎骨量减少和骨质疏松筛查模型的系统，其特征在于，包括：
模块M1：从双平面成像设备中采集影像数据，获取冠、矢状面影像数据及体检信息并进行预处理；
模块M2：对冠、矢状面影像进行椎体分割，得到分割结果；
模块M3：根据分割结果和体检信息，构成特征集合；
模块M4：基于特征集合进行腰椎骨量减少和骨质疏松筛查模型构建。
7.根据权利要求6所述的构建腰椎骨量减少和骨质疏松筛查模型的系统，其特征在于，所述模块M1包括：
模块M1.1：对冠、矢状面影像进行人工椎体分割并提取覆盖人工标注的所有椎体的最小边界框；
模块M1.2：对体检信息中的分类变量用独热编码的方式进行处理，对于连续变量仍采用原始数值；
模块M1.3：对存在缺失的数据进行删除，最终整理出具有完整信息的数据集。
8.根据权利要求7所述的构建腰椎骨量减少和骨质疏松筛查模型的系统，其特征在于，所述模块M2包括：
模块M2.1：将采集的影像数据按预设比例分为训练集、验证集和测试集，并采用预设指标评估分割效果；
模块M2.2：采用定位网络，包括RCNN、fastRCNN、fasterRCNN，完成冠、矢状面影像中腰椎区域的定位，得到定位结果图a1和a2，在训练的过程中，a1和a2的定位结果在Z轴上互相校正，将a1和a2输入分割网络进行处理，包括Unet、Unet+、Vnet、Ynet，输出椎体分割后的图像b1和b2，利用双平面X线同步成像的优势，b1和b2的分割结果在Z轴上互相校正以避免偏差。
9.根据权利要求8所述的构建腰椎骨量减少和骨质疏松筛查模型的系统，其特征在于，所述模块M3包括：
模块M3.1：在图像b1、b2中，提取分割出的腰椎椎体的影像组学特征；
模块M3.2：将提取的影像组学特征和编码后的体检信息融合在一起，构成特征集合；
模块M3.3：通过LASSO，PCA，相关系数，互信息和最大信息系数方法完成特征筛选，以避免过拟合。
10.根据权利要求9所述的构建腰椎骨量减少和骨质疏松筛查模型的系统，其特征在于，所述模块M4包括：以定量计算机断层扫描成像技术QCT测量得到的腰椎体积骨密度vBMD为监督学习目标，在特征集合的基础上使用机器学习方法，完成腰椎骨量减少和骨质疏松筛查模型的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355578.9A CN113223699A (zh) | 2021-04-01 | 2021-04-01 | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110355578.9A CN113223699A (zh) | 2021-04-01 | 2021-04-01 | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113223699A true CN113223699A (zh) | 2021-08-06 |
Family
ID=77086296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110355578.9A Pending CN113223699A (zh) | 2021-04-01 | 2021-04-01 | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113223699A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863165A (zh) * | 2022-04-12 | 2022-08-05 | 南通大学 | 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160015347A1 (en) * | 2014-07-21 | 2016-01-21 | Zebra Medical Vision Ltd. | Systems and methods for emulating dexa scores based on ct images |
| WO2018146479A1 (en) * | 2017-02-08 | 2018-08-16 | Sheffield Hallam University | Apparatus and method for assessment of a characteristic of a bone |
| CN108498075A (zh) * | 2017-02-24 | 2018-09-07 | 西门子保健有限责任公司 | 骨骼健康的个性化评估 |
| CN112116552A (zh) * | 2019-06-21 | 2020-12-22 | 斯特拉克斯私人有限公司 | 图像分析方法和系统 |
| CN112215858A (zh) * | 2019-06-21 | 2021-01-12 | 斯特拉克斯私人有限公司 | 用于图像分割和识别的方法和系统 |
| CN116433620A (zh) * | 2023-03-29 | 2023-07-14 | 复旦大学附属华山医院 | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 |
-
2021
- 2021-04-01 CN CN202110355578.9A patent/CN113223699A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160015347A1 (en) * | 2014-07-21 | 2016-01-21 | Zebra Medical Vision Ltd. | Systems and methods for emulating dexa scores based on ct images |
| WO2018146479A1 (en) * | 2017-02-08 | 2018-08-16 | Sheffield Hallam University | Apparatus and method for assessment of a characteristic of a bone |
| CN108498075A (zh) * | 2017-02-24 | 2018-09-07 | 西门子保健有限责任公司 | 骨骼健康的个性化评估 |
| CN112116552A (zh) * | 2019-06-21 | 2020-12-22 | 斯特拉克斯私人有限公司 | 图像分析方法和系统 |
| CN112215858A (zh) * | 2019-06-21 | 2021-01-12 | 斯特拉克斯私人有限公司 | 用于图像分割和识别的方法和系统 |
| CN116433620A (zh) * | 2023-03-29 | 2023-07-14 | 复旦大学附属华山医院 | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG B等: "Deep learning of lumbar spine X-ray forosteopenia and osteoporosis screening:A multicenter retrospective cohortstudy", BONE, vol. 140, 28 July 2020 (2020-07-28), pages 115561 * |
| 尤涛;温鑫鑫;: "定量CT在评估骨强度领域的应用研究进展", 中华保健医学杂志, no. 03, 30 June 2018 (2018-06-30), pages 94 - 96 * |
| 罗涛;李剑峰;韩家辉;王艺宁;雷璐;: "一种基于多模态特征融合的骨质疏松评估方法", 北京邮电大学学报, no. 06, 31 December 2019 (2019-12-31), pages 88 - 94 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863165A (zh) * | 2022-04-12 | 2022-08-05 | 南通大学 | 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110114834B (zh) | 用于医疗程序的深度学习医疗系统和方法 | |
| Vila-Blanco et al. | Deep neural networks for chronological age estimation from OPG images | |
| US20180247020A1 (en) | Personalized Assessment of Bone Health | |
| EP3457356B1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
| Areeckal et al. | Current and emerging diagnostic imaging-based techniques for assessment of osteoporosis and fracture risk | |
| CN113222951B (zh) | 一种识别髋关节x线的骨质疏松人工智能诊断装置 | |
| Yoon et al. | Medical image analysis using artificial intelligence | |
| Sorkhabi et al. | Classification of alveolar bone density using 3-D deep convolutional neural network in the cone-beam CT images: A 6-month clinical study | |
| Andrew et al. | Spine magnetic resonance image segmentation using deep learning techniques | |
| Brosset et al. | 3D auto-segmentation of mandibular condyles | |
| CN113223699A (zh) | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 | |
| Le et al. | Automatic segmentation of mandibular ramus and condyles | |
| Bhat et al. | Identification of intracranial hemorrhage using ResNeXt model | |
| CN113889229A (zh) | 基于人机结合的医学影像诊断标准的构建方法 | |
| CN116433620A (zh) | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 | |
| Xu et al. | Automatic segmentation method for cone-beam computed tomography image of the bone graft region within maxillary sinus based on the Atrous spatial pyramid convolution network | |
| CN111950636A (zh) | 基于深度学习的腰椎x射线图像分类方法 | |
| CN113164141A (zh) | 相似度确定装置、方法及程序 | |
| Guha | Multi-Row Detector Computed Tomography (MDCT) Based Generalizable Tools for Bone Microstructure and Strength Analysis and Their Applications | |
| US20220351854A1 (en) | Application of artificial intelligence on detecting canine left atrial enlargement on thoracic radiographs | |
| Checefsky et al. | Assessing vertebral fracture risk on volumetric quantitative computed tomography by geometric characterization of trabecular bone structure | |
| Kubicek et al. | Analysis and modelling of heel bone fracture with using of active contour driven by Gaussian energy and features extraction | |
| Soar et al. | Data-driven image mechanics (D2IM): a deep learning approach to predict displacement and strain fields from undeformed X-ray tomography images-Evaluation of bone mechanics. | |
| Shahzad et al. | DETECTION OF OSTEOPOROSIS IN DEFECTED BONES USING RADTORCH AND DEEP LEARNING TECHNIQUES | |
| Garstka et al. | Gender assessment from vertebra's cortical bone X-ray images: texture analysis vs. deep learning approach |
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 |