CN113327235A - 基于ct影像肌少症评估的图像处理方法和装置 - Google Patents
基于ct影像肌少症评估的图像处理方法和装置 Download PDFInfo
- Publication number
- CN113327235A CN113327235A CN202110623486.4A CN202110623486A CN113327235A CN 113327235 A CN113327235 A CN 113327235A CN 202110623486 A CN202110623486 A CN 202110623486A CN 113327235 A CN113327235 A CN 113327235A
- Authority
- CN
- China
- Prior art keywords
- image
- vertebral body
- spine
- muscle
- sarcopenia
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提出了一种基于CT影像肌少症评估的图像处理方法和装置,所述方法包括:从腰部CT影像得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。本发明可用于辅助医护人员获取CT影像中的L3椎体的肌肉掩膜,基于肌肉掩膜自动评估出肌少症等级。与现有的人为评估方法相比,大大加快了评估速度和效率,并通过接入临床信息系统可实现临床肌少症的实时监测与预警。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及基于CT影像肌少症评估的图像处理方法和装置。
背景技术
随着年龄增长,骨骼肌包括肌肉质量和肌强度呈进展性和全身性下降,并伴有生理功能减退,此过程称为肌少症。与机体老化密切相关,多种慢性疾病或恶性肿瘤术后也会导致此症发生,该病常与骨质疏松性骨折的发生密切相关,严重影响老年人的生活质量。
相关技术中对肌少症的评估方法主要依赖肌肉质量的测定,包括DXA、BIA、CT、MRI及人体测量学方法等。其中,计算机断层扫描(CT)能够通过对横截面面积分析得出人体特定部位的肌肉质量,并通过计算肌肉密度来评估肌肉的质量和结构特征,因此CT被认为是上述方法中评估肌肉质量最准确的方法。
但是CT评估骨骼肌肉质量受操作复杂性限制,少量报道的方案也存在着需要人为对肌肉质量进行评估的技术缺陷,人为评估需要手工确定L3椎体位置和中心层面并通过软件工具勾画肌肉区域,费时费力,因而无法基于CT平扫图像自动评估出患者的肌少症等级,导致了临床应用受限,因此,目前亟待发明一种更有效的CT影像肌少症评估方法。
发明内容
本申请实施例提供了基于CT影像肌少症评估的图像处理方法和装置,可用于辅助医护人员自动获取CT影像中的L3椎体的肌肉掩膜,基于肌肉掩膜自动评估出肌少症等级,可实现一种基于CT影像全自动化的肌少症评估方法。
第一方面,本申请实施例提供了一种基于CT影像肌少症评估的图像处理方法,所述方法包括:对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
本方案为了解决目前的图像处理方法无法对肌少症等级自动评估的问题,通过获取3D分割区域从而找出L3椎体实例,将L3椎体实例进行肌肉分割,得到分割后的肌肉掩膜从而确定骨骼肌指数,通过骨骼肌指数和预设阈值评估出肌少症等级,并通过该方法进一步的行业推广,可实现基于大数据下的肌少症自动评估优化系统。
在其中一个可行实施例中,“对腰部CT影像进行椎体分割和椎体定位,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例”包括:将腰部CT影像输入Unet多分支网络中,其中,Unet网络包括脊柱分割分支网络和椎体亲和度分支网络;在脊柱分割分支网络中预测脊柱区域输出脊柱分割二值图,在椎体亲和度分支网络中输出亲和度向量场;对亲和度向量场回归预测,结合脊柱分割二值图,聚类得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例。
在本实施例中引入椎体亲和度向量场让椎体实例一个一个分割出来,便于分割出指定椎体编号的椎体实例。
在其中一个可行实施例中,“对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像”包括:生成腰部CT影像中的椎体实例的椎体定位标识,其中,椎体定位标识包括椎体中心点;在3D空间中基于椎体中心点沿人体坐标系的矢状面截取脊柱3D影像的中心层面,得到脊柱2D图像。
在本实施例中通过椎体中心点的连线获取人体坐标系的矢状面对脊柱3D影像进行分割,能够获取到2D图像。
在其中一个可行实施例中,所述方法还包括:基于椎体中心点得到与椎体2D图像对应的高斯热力图;将椎体2D图像输入至关键点检测模型的同时输入高斯热力图对关键点检测模型进行注意力引导。
在本实施例中通过椎体中心点得到高斯热力图,通过高斯热力图提高模型的检测精度。
在其中一个可行实施例中,“对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像”包括:根据每一椎体实例的椎体中心点、椎体坐标及椎体编号对椎体中心进行曲线拟合,得到椎体中心拟合线;在椎体编号为L3的椎体实例的椎体中心点求取椎体中心拟合线的法向量,获取垂直于法向量的二维正中横断位;对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像。
在其中一个可行实施例中,“对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜”包括:将L3椎体横断图像输入肌肉分割模型中,其中,肌肉分割模型采用2D Unet架构为基础的全卷积神经网络;在2D Unet中通过像素点预测肌肉类别概率,分割出肌肉类别概率高于阈值的肌肉区域作为肌肉掩膜。
在其中一个可行实施例中,患者基础信息包括患者身高信息,基于分割后的肌肉掩膜和患者身高信息确定L3椎体横断图像对应的骨骼肌指数,骨骼肌指数的计算公式如下:
SMI表示骨骼肌指数,s表示L3椎体横断图像的单个像素的面积(单位cm2),d表示患者身高信息(单位m),m表示肌肉掩模的图像,x,y表示肌肉掩膜的图像像素在x,y方向的下标。
在其中一个可行实施例中,肌少症等级为正常、肌少症前期、肌少症期、严重肌少症期的其中一种。
第二方面,本申请实施例提供了一种基于CT影像肌少症评估的图像处理装置,包括:椎体实例分割模块,用于对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;关键点检测模块,用于对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;横断图像获取模块,用于将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;肌少症评估模块,用于对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行第一方面所述的基于CT影像肌少症评估的图像处理方法。
第四方面,本申请实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行第一方面所述的基于CT影像肌少症评估的图像处理方法。
本发明的主要贡献和创新点如下:
本方案从腰部CT影像中分割得到一个一个的椎体实例,在脊柱3D影像中分割出脊柱2D图像中做关键点预测的输入,预测每一椎体实例的椎体编号,从而知道每一节椎体实例的具体医学名称,截取L3椎体实例的横断图像进行肌肉分割,实现了获取肌肉掩膜并结合患者基础信息对患者的肌少症等级进行评估的有益效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于CT影像肌少症评估的图像处理方法的流程图;
图2是通过Unet多分支网络对腰部CT影像进行椎体分割和定位的整体流程图;
图3是对3D椎体分割结果进行椎体关键点预测的示例图;
图4是对L3椎体横断图像进行肌肉分割的示例图;
图5通过二维Unet分割网络后的肌肉掩膜示意图;
图6是基于CT影像肌少症评估的图像处理装置的结构框图;
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请实施例提供了一种基于CT影像肌少症评估的图像处理方法,参考图1,所述方法包括以下步骤S101至S104:
步骤S101,对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例。
在本步骤中,获取目标腰部CT平扫图像,对目标腰部CT平扫图像进行预处理,得到腰部CT图像,其中,预处理包括:
截取骨窗HU值图像并归一化到0~1之间,经过高斯模糊减少噪声干扰,得到腰部CT预处理图像。
获取到的腰部CT影像中包含有脊柱,对脊柱进行分割,得到脊柱3D影像。在本方案中,可以采用通用的Unet分割网络预测整体脊柱分割,具体地,通用的Unet网络单分支输出脊柱分割二值图,预测出脊柱的区域。但是通用的Unet分割网络无法将上下两个椎体区分开。
优选的,本方案提供了通过Unet多分支网络对腰部CT影像进行椎体分割和定位的方案,参考图2,Unet多分支网络有两个分支,下面的分支为脊柱分割分支网络,上面的分支为椎体亲和度分支网络,在脊柱分割分支网络中预测脊柱区域输出脊柱分割二值图,在椎体亲和度分支网络中输出亲和度向量场;其中,亲和度向量场指单个椎体实例中,每个椎体体素到椎体质心的xyz偏移向量。从图2可以看到,亲和度向量场是一种方位信息,带有方向性。亲和度向量场的向量模表示偏移中心点距离。对亲和度向量场回归预测,结合脊柱分割二值图,聚类得到脊柱3D影像。
在步骤S101中,通过Unet多分支网络对腰部CT影像进行椎体分割分离得到一个一个的椎体实例的3D区域,解决了脊柱黏连造成的单个椎体实例难以被分割出来的问题。
步骤S102,对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号。
在本步骤中对脊柱3D影响进行分割得到脊柱2D影像,输入关键点检测模型中预测得到每一椎体实例的椎体编号。具体而言,在步骤S101中只分割出了椎体实例生成了每一椎体实例对应的椎体中心点,但在3D区域内无法识别出每一椎体中心点对应的椎体实例是第几级椎体。
因此,在本步骤中,参考图3,在3D椎体分割结果(脊柱3D影像)中分割出椎体正中矢状位2D图(脊柱2D图像),输入二维Unet网络(关键点检测模型)中预测,得到椎体关键点预测图。在椎体关键点预测图中标识了4块胸椎、5个腰椎的椎体编号,依次为T9、T10、T11、T12、L1、L2、L3、L4、L5,其中,L3为第三腰椎。获取椎体编号的目的是确定第三腰椎在3D区域内的影像。
具体地,在该步骤中,首先生成腰部CT影像中的椎体实例的椎体定位标识,其中,椎体定位标识包括椎体中心点;然后在3D空间中基于椎体中心点沿人体坐标系的矢状面截取脊柱3D影像的中心层面,得到脊柱2D图像。再基于椎体中心点得到与椎体2D图像对应的高斯热力图;最后将椎体2D图像输入至关键点检测模型的同时输入高斯热力图对关键点检测模型进行注意力引导。
需要说明的是,在本方案中关键点检测模型的主要目的是确定L3对应的椎体实例,因此在训练过程中可以只对L3椎体进行标注和训练,关键点检测模型的训练过程为常规技术手段,在此不展开说明。为了提高获取到的L3椎体实例的准确率,在该实施例中通过高斯热力图对模型进行注意力引导,提高模型的检测精度。
此外,在输入关键点检测模型之前,包括预处理步骤:将截取的椎体2D图像插值到固定分辨率大小,避免不同人脊柱区域大小带来的差异。
通过上述步骤S102,本方案能够获取脊柱3D影像中的每一椎体实例的椎体编号,通过编号确定椎体实例对应的是第几级椎体。在后续步骤中可以单独都某一/多级椎体进行处理。
步骤S103,将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像。
具体地,在本步骤中,根据每一椎体实例的椎体中心点、椎体坐标及椎体编号对椎体中心进行曲线拟合,得到椎体中心拟合线;在椎体编号为L3的椎体实例的椎体中心点求取椎体中心拟合线的法向量,获取垂直于法向量的二维正中横断位;对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像。
参考图4,在二维正中横断位图像截取方法中包括了两个步骤,第一幅图到第二幅图是拟合步骤,第二幅图到第三幅图是截取步骤。具体地,如图4所示,先连接各椎体中心点拟合出一条椎体中心拟合线,在椎体中心拟合线上的每一点求取法向量进行横断图像的截取都能得到横轴位图像。在本方案中,以L3椎体实例的椎体中心点进行截取,获得第三腰椎的横轴位图像,也就是L3椎体横断图像。
通过上述步骤S103,本方案能够从脊柱3D影像中分割出第三腰椎的横轴位图像,在后续步骤中可以对第三腰椎的横轴位图像,也就是L3椎体横断图像进行处理。
步骤S104,对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
在本步骤中,将L3椎体横断图像输入肌肉分割模型中,其中,肌肉分割模型采用2DUnet架构为基础的全卷积神经网络;在2D Unet中通过像素点预测肌肉类别概率,分割出肌肉类别概率高于阈值的肌肉区域作为肌肉掩膜。
具体地,对L3椎体横断图像进行预处理使其统一为预设尺寸,参考图5,肌肉分割模型的前半部分作通过两次下采样进行特征提取,一共下采样4倍,后半部分是上采样。在肌肉分割模型中朝下的箭头所指的操作是为了降低压缩路径中图像信息的丢失,将压缩后的特征图叠加在扩展路径上同尺寸大小的特征图上,再进行卷积核上采样操作,以此整合更多信息进行图像分割。朝上的箭头是反卷积,可以将图像尺寸扩大一倍,同时特征图的通道缩小一倍,经过两次上采样得到2通道图像,即,肌肉分割模型输出包含两类:肌肉区域和背景。
对肌肉区域进行分割,得到肌肉掩膜,如图5的第三子图的阴影部分所示。
需要说明的是,本申请需要将肌肉掩膜结合患者的年龄、性别等患者基础信息对肌少症进行评估,具体地,获取患者身高信息,将患者身高信息、肌肉掩膜的单个像素的面积、L3椎体横断图像的像素面积代入下面的公式中,得到骨骼肌指数。
SMI表示骨骼肌指数,s表示L3椎体横断图像的像素面积(单位cm2),d表示患者身高信息(单位m),m表示肌肉掩模的图像,x,y表示肌肉掩膜的图像像素在x,y方向的下标。
将骨骼肌指数与预设预制进行比对,确定患者的肌少症等级结果,预设预制根据性别、年龄设定,即,不同性别、年龄的患者(用户)的肌少症评估阈值不同,评估结果包括:正常,肌少症前期、肌少症期、严重肌少症期等,对肌少症等级的划分可以根据实际临床经验进行调整。
综上,本发明提供了一种基于CT影像肌少症评估的图像处理方法,通过对图像的处理自动评估患者的肌少症等级:在获取肌肉掩膜阶段提高了图像的处理效率,同时根据肌肉掩膜与患者基本信息自动评估得到肌少症等级结果,与现有的人为评估方法相比,大大加快了评估速度和效率,并通过接入临床信息系统可实现临床肌少症的实时监测与预警。
实施例二
基于相同的构思,参考图6,本申请还提出了一种基于CT影像肌少症评估的图像处理装置,包括:
椎体实例分割模块501,用于对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;
关键点检测模块502,用于对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;
横断图像获取模块503,用于将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;
肌少症评估模块504,用于对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
其中,椎体实例分割模块501中内置有Unet多分支网络,关键点检测模块502中内置有关键点检测模型,肌少症评估模块504中内置有肌肉分割模型,关于模型的具体训练和模型结构如实施例一所述。另,该装置采用以上介绍的方法进行运行,因此重复的内容也不进行累赘说明。
实施例三
本实施例还提供了一种电子装置,参考图7,包括存储器604和处理器602,该存储器604中存储有计算机程序,该处理器602被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地,上述处理器602可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器604可以包括用于数据或指令的大容量存储器604。举例来说而非限制,存储器604可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器604可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器604可在数据处理装置的内部或外部。在特定实施例中,存储器604是非易失性(Non-Volatile)存储器。在特定实施例中,存储器604包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器604(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器604可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器602所执行的可能的计算机程序指令。
处理器602通过读取并执行存储器604中存储的计算机程序指令,以实现上述实施例中的任意一种基于CT影像肌少症评估的图像处理方法。
可选地,上述电子装置还可以包括传输设备606以及输入输出设备608,其中,该传输设备606和上述处理器602连接,该输入输出设备608和上述处理器602连接。
传输设备606可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备606可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备608用于输入或输出信息。在本实施例中,输入的信息可以是目标腰部CT平扫图像、腰部CT图像、脊柱3D图像、脊柱2D图像、网络训练所需样本、患者基本信息等,输出的信息可以肌少症等级、肌肉掩膜等。
可选地,在本实施例中,上述处理器602可以被设置为通过计算机程序执行以下步骤:
S101、对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;
S102、对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;
S103、将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;
S104、对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例一,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的基于CT影像肌少症评估的图像处理方法。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于CT影像肌少症评估的图像处理方法,其特征在于,所述方法包括:
对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;
对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;
将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;
对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
2.根据权利要求1所述的基于CT影像肌少症评估的图像处理方法,其特征在于,“对腰部CT影像进行椎体分割和椎体定位,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例”包括:
将腰部CT影像输入Unet多分支网络中,其中,Unet多分支网络包括脊柱分割分支网络和椎体亲和度分支网络;
在脊柱分割分支网络中预测脊柱区域输出脊柱分割二值图,在椎体亲和度分支网络中输出亲和度向量场;
对亲和度向量场回归预测,结合脊柱分割二值图,聚类得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例。
3.根据权利要求1所述的基于CT影像肌少症评估的图像处理方法,其特征在于,“对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像”包括:
生成腰部CT影像中的椎体实例的椎体定位标识,其中,椎体定位标识包括椎体中心点;
在3D空间中基于椎体中心点沿人体坐标系的正中矢状面截取脊柱3D影像的中心层面,得到脊柱2D图像。
4.根据权利要求1所述的基于CT影像肌少症评估的图像处理方法,其特征在于,所述方法还包括:
基于椎体中心点得到与椎体2D图像对应的高斯热力图;
将椎体2D图像输入至关键点检测模型的同时输入高斯热力图对关键点检测模型进行注意力引导。
5.根据权利要求4所述的基于CT影像肌少症评估的图像处理方法,其特征在于,“对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像”包括:
根据每一椎体实例的椎体中心点、椎体坐标及椎体编号对椎体中心进行曲线拟合,得到椎体中心拟合线;
在椎体编号为L3的椎体实例的椎体中心点求取椎体中心拟合线的法向量,获取垂直于法向量的二维正中横断位;
对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像。
6.根据权利要求1所述的基于CT影像肌少症评估的图像处理方法,其特征在于,“对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜”包括:
将L3椎体横断图像输入肌肉分割模型中,其中,肌肉分割模型采用2D Unet架构为基础的全卷积神经网络;
在2D Unet中通过像素点预测肌肉类别概率,分割出肌肉类别概率高于阈值的肌肉区域作为肌肉掩膜。
8.根据权利要求1所述的基于CT影像肌少症评估的图像处理方法,其特征在于,肌少症等级为正常、肌少症前期、肌少症期、严重肌少症期的其中一种。
9.一种基于CT影像肌少症评估的图像处理装置,其特征在于,包括:
椎体实例分割模块,用于对腰部CT影像进行椎体分割,得到脊柱3D影像,其中,脊柱3D影像包含多个椎体实例;
关键点检测模块,用于对脊柱3D影像的正中矢状面进行图像截取,获取脊柱2D图像,将脊柱2D图像输入关键点检测模型,得到每一所述椎体实例的椎体坐标及椎体编号;
横断图像获取模块,用于将椎体坐标及所述椎体编号匹配至所述脊柱3D影像中的椎体实例上,对椎体编号为L3的椎体实例的二维正中横断位进行图像截取,获取L3椎体横断图像;
肌少症评估模块,用于对L3椎体横断图像进行肌肉分割,得到分割后的肌肉掩膜,基于肌肉掩膜与患者基础信息计算骨骼肌指数,将骨骼肌指数和预设阈值比对确定肌少症等级。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1或8任一所述的基于CT影像肌少症评估的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623486.4A CN113327235B (zh) | 2021-06-04 | 2021-06-04 | 基于ct影像肌少症评估的图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623486.4A CN113327235B (zh) | 2021-06-04 | 2021-06-04 | 基于ct影像肌少症评估的图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327235A true CN113327235A (zh) | 2021-08-31 |
CN113327235B CN113327235B (zh) | 2022-07-01 |
Family
ID=77419849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110623486.4A Active CN113327235B (zh) | 2021-06-04 | 2021-06-04 | 基于ct影像肌少症评估的图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327235B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103156632A (zh) * | 2013-03-08 | 2013-06-19 | 吴志宏 | 一种腰椎三维测量方法 |
US20160038461A1 (en) * | 2007-12-21 | 2016-02-11 | Ligand Pharmaceuticals Incorporated | Selective androgen receptor modulators (sarms) and uses thereof |
WO2018221801A1 (ko) * | 2017-06-01 | 2018-12-06 | 서울대학교병원 | 단층촬영 이미지로부터 자동으로 근육량을 계산하는 방법 |
CN111212648A (zh) * | 2017-06-09 | 2020-05-29 | 莱兰斯坦福初级大学评议会 | 用于预防或治疗肌肉疾患的组合物和方法 |
CN111932533A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
CN112614092A (zh) * | 2020-12-11 | 2021-04-06 | 北京大学 | 脊柱检测方法和装置 |
-
2021
- 2021-06-04 CN CN202110623486.4A patent/CN113327235B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160038461A1 (en) * | 2007-12-21 | 2016-02-11 | Ligand Pharmaceuticals Incorporated | Selective androgen receptor modulators (sarms) and uses thereof |
CN103156632A (zh) * | 2013-03-08 | 2013-06-19 | 吴志宏 | 一种腰椎三维测量方法 |
WO2018221801A1 (ko) * | 2017-06-01 | 2018-12-06 | 서울대학교병원 | 단층촬영 이미지로부터 자동으로 근육량을 계산하는 방법 |
CN111212648A (zh) * | 2017-06-09 | 2020-05-29 | 莱兰斯坦福初级大学评议会 | 用于预防或治疗肌肉疾患的组合物和方法 |
CN111932533A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | Ct图像椎骨定位方法、装置、设备及介质 |
CN112614092A (zh) * | 2020-12-11 | 2021-04-06 | 北京大学 | 脊柱检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
ROBERT D BOUTIN.ET.: "Influence of IV Contrast Administration on CT Measures of Muscle and Bone Attenuation: Implications for Sarcopenia and Osteoporosis Evaluation", 《AJR. AMERICAN JOURNAL OF ROENTGENOLOGY》 * |
贡歌等: "高龄患者共病指数与肌少症的相关性研究", 《中华老年骨科与康复电子杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
CN114998301B (zh) * | 2022-06-28 | 2022-11-29 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113327235B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102581685B1 (ko) | 딥 러닝을 이용한 3d 구강 악안면 구조의 분류 및 3d 모델링 | |
CN111047572B (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN113610845B (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
CN103026379B (zh) | 推算图像噪音水平的方法 | |
EP3410393A1 (en) | Comparing medical images | |
US20130108133A1 (en) | Medical image processing apparatus, method and program | |
CN112116004B (zh) | 病灶分类方法及装置、病灶分类模型的训练方法 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
KR102320431B1 (ko) | 의료 영상 기반 종양 검출 및 진단 장치 | |
CN111383215A (zh) | 一种基于生成对抗网络的病灶检测模型的训练方法 | |
CN112601582A (zh) | 用于加速的在线自适应放射疗法的系统和方法 | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
US11741694B2 (en) | Spinal fracture detection in x-ray images | |
CN110689550B (zh) | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 | |
Selim et al. | CT image harmonization for enhancing radiomics studies | |
CN113327235B (zh) | 基于ct影像肌少症评估的图像处理方法和装置 | |
CN112884786B (zh) | 应用于ct影像的腰椎间盘观测面定位方法、装置及应用 | |
CN109300122B (zh) | 图像处理与阈值确定方法、装置及设备 | |
Lu et al. | Texture analysis based on Gabor filters improves the estimate of bone fracture risk from DXA 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 |