CN113397485A - 一种基于深度学习的脊柱侧弯筛查方法 - Google Patents
一种基于深度学习的脊柱侧弯筛查方法 Download PDFInfo
- Publication number
- CN113397485A CN113397485A CN202110584759.9A CN202110584759A CN113397485A CN 113397485 A CN113397485 A CN 113397485A CN 202110584759 A CN202110584759 A CN 202110584759A CN 113397485 A CN113397485 A CN 113397485A
- Authority
- CN
- China
- Prior art keywords
- scoliosis
- deep learning
- data
- screening method
- model
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 61
- 206010039722 scoliosis Diseases 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 239000011436 cob Substances 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 201000002972 idiopathic scoliosis Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004768 organ dysfunction Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4561—Evaluating static posture, e.g. undesirable back curvature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Rheumatology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的脊柱侧弯筛查方法，此方法可从技术上简化筛查流程、提高筛查准确率，减少人力、物力成本，为全面实现脊柱侧凸筛查提供强有力的技术支撑；同时在一定程度代替X光片对脊柱侧凸进行进展监测和治疗效果评估，减少X线辐射，具有广阔的临床应用前景和社会经济价值，此方法可以直接将从任何终端获取的脊柱图像输入模型进行预处理，再利用深度学习模型判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及医疗建议，本发明用于脊柱侧弯筛查领域。
Description
技术领域
本发明属于脊柱侧弯筛查领域，更具体而言，涉及一种基于深度学习的脊柱侧弯筛查方法。
背景技术
脊柱侧凸是一种致残性致死性畸形，文献报道其发病率为2％～4％，其中以特发性脊柱侧凸(Idiopathic scoliosis，IS)最为常见，且70％～80％好发于青春期的中小学生。
由于该病病因不清、发病隐匿，早期常无明显临床症状，且现中学生以独立生活或住校居多，家长、学校及基层医院也往往因认识不足难以及时发现，导致很多学生错过宝贵的黄金治疗时机。同时，由于青少年处于生长发育高峰，畸形极易进展，引起外观畸形、疼痛和脏器功能障碍，严重影响学生身心健康，如未能及时发现和治疗，侧凸进展至45°以上往往需要手术治疗，给家庭和社会带来沉重负担，更严重的是患者术后脊柱活动功能将永久丢失。
申请人团队前期对广州市99695名中小学生脊柱侧凸筛查数据分析，发现其患病率达5.14％，明显高于国际报道，然而在确诊患者中99.7％仅需保守治疗就可获得脊柱侧凸病情的控制和好转。我国青少年人口基数大(约1.8亿)，据此计算全国的青少年脊柱侧凸人群将高达900万。因此，开展脊柱侧凸学校筛查具有巨大的临床价值和社会、经济意义，也符合“健康中国2030”规划纲要中“早诊断、早治疗、早康复”的疾病预防理念。
但传统的脊柱侧凸筛查需要大量的人力物力，并且筛查阳性预测率低，致使大量非侧凸患者接受不必要的放射线辐射，且大规模筛查后续的就诊咨询及保守治疗困难，现行国内外的筛查方法已无法满足大规模脊柱侧凸筛查需求。
目前有文献报道将红外热像体位检查以及超声检查用于特发性脊柱侧凸的筛查可有效减少X光片的辐射，但这两种方法仍存在着设备费用价格昂贵、准确率低、检查人员技术要求高、设备难以在大规模筛查现场使用等限制，故难以开展大范围筛查。超声测量和X线片测量Cobb角具有一定相关性，但与传统的X线片Cobb角测量方法相比，超声角度基于不同的标志点，不能准确反映Cobb角，前者较后者小15％～37％，同时设备贵重，难以在大规模脊柱侧凸筛查现场使用。红外热像体位检查根据脊柱侧凸患者与非脊柱侧凸患者椎旁肌不对称活动，区别椎旁肌活动的温度差异，仅适用于对脊柱侧凸做定性研究，同时存在着较高的假阴性及假阳性率，仍不能满足大范围筛查的要求。
故鉴于目前各种脊柱侧凸筛查新技术的瓶颈限制，寻求一种更为简易、高效、廉价、无创伤辐射的筛查方法具有重要意义。
发明内容
本发明的主要目的在于提供一种基于深度学习的脊柱侧弯筛查方法，可自动分析获取到的人体外观照片并进行脊柱侧弯筛查分类，提高了筛查效率，大大降低了人群受到的无效辐射，解决大规模脊柱侧弯筛查难以施行的困境。
根据本发明的第一方面实施例，提供了一种基于深度学习的脊柱侧弯筛查方法，其特征在于，包括以下步骤：
1)、采集入组人群的2-D体表扫描模型和3-D影像资料，并进行定义和标签；
S2、基于研究个体的2-D体表扫描模型中的主弯Cobb角测量结果，对所述研究个体的3-D影像资料进行标签化处理，将所述3-D影像资料中非结构化的背部外观图像信息转为可供计算机读取和理解的结构化数据，将所述结构化数据导入数据开发软件进行处理，最终建立结构化医学图像的通用型数据库；
S3、采用卷积神经网络模型对需要进行筛查的人员的2-D体表扫描模型和3-D影像资料进行分割；
4、将步骤S3中分割所得的数据与步骤S2中的通用型数据库进行对比，并通过分析系统得出脊柱侧弯筛查结果。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述2-D体表扫描模型为需要进行筛查的人员的X光片，所述3-D影像资料为需要进行筛查的人员的脊柱外观图像样本。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述步骤S3中，对于2-D体表扫描模型，首先对采集的所述X光片进行预处理，再将预处理结果输入卷积模型中生成bbox，用以提取二维图像中的颈部及背部的数据。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述步骤S3中，对于3-D影像资料，将从终端设备获取的需要进行筛查的人员的脊柱外观图像样本进行预处理，再将脊柱外观图像样本输入到三维卷积神经网络模型中学习生成bbox，以提取脊柱外观图像样本中的颈部及背部数据。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述步骤4)中，将所述步骤S2中的通用型数据库的结构化医学图像根据脊柱侧凸诊断及治疗界值进行分类，再将需要进行筛查的人员的数据与通用性数据库的数据进行对比。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，对于2-D体表扫描模型，将提取出来的部位图像输入到卷积神经网络模型中训练并进行分类，对于3-D影像资料，将提取出来的三维颈部及背部图片输入到三维卷积神经网络模型进行学习训练，再将二维和三维分类结果结合，给出最终的分类结果及分析建议。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述治疗界值采用每10°递增作为治疗界点进行分类。
根据本发明第一方面实施例所述的基于深度学习的脊柱侧弯筛查方法，所述治疗界值采用每5°递增作为治疗界点进行分类。
本发明上述技术方案中的一个技术方案至少具有如下优点或有益效果之一：
此基于深度学习的脊柱侧弯筛查方法可从技术上简化筛查流程、提高筛查准确率，减少人力、物力成本，为全面实现脊柱侧凸筛查提供强有力的技术支撑；同时在一定程度代替X光片对脊柱侧凸进行进展监测和治疗效果评估，减少X线辐射，具有广阔的临床应用前景和社会经济价值，此方法可以直接将从任何终端获取的脊柱图像输入模型进行预处理，再利用深度学习模型判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及医疗建议。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1是本发明本发明实施例提供的实现流程图；
图2为本发明实施例提供的人工智能筛查系统的实现流程图。
具体实施方式
下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”以及“第二”的特征可以明示或者隐含地包括一个或者更多个特征。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接或活动连接，也可以是可拆卸连接或不可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通信；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通、间接连通或两个元件的相互作用关系。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同方案。
参照图1至图2所示，一种基于深度学习的脊柱侧弯筛查方法，包括以下步骤：
1)、采集入组人群的2-D体表扫描模型和3-D影像资料，并进行定义和标签；
S2、基于研究个体的2-D体表扫描模型中的主弯Cobb角测量结果，对研究个体的3-D影像资料进行标签化处理，将3-D影像资料中非结构化的背部外观图像信息转为可供计算机读取和理解的结构化数据，将结构化数据导入数据开发软件进行处理，最终建立结构化医学图像的通用型数据库；
S3、采用卷积神经网络模型对需要进行筛查的人员的2-D体表扫描模型和3-D影像资料进行分割；
4、将步骤S3中分割所得的数据与步骤S2中的通用型数据库进行对比，并通过分析系统得出脊柱侧弯筛查结果。
本发明其中的一些实施例中，2-D体表扫描模型为需要进行筛查的人员的X光片，3-D影像资料为需要进行筛查的人员的脊柱外观图像样本。
本发明其中的一些实施例中，步骤S3中，对于2-D体表扫描模型，首先对采集的X光片进行预处理，再将预处理结果输入卷积模型中生成bbox，用以提取二维图像中的颈部及背部的数据。
本发明其中的一些实施例中，步骤S3中，对于3-D影像资料，将从终端设备获取的需要进行筛查的人员的脊柱外观图像样本进行预处理，再将脊柱外观图像样本输入到三维卷积神经网络模型中学习生成bbox，以提取脊柱外观图像样本中的颈部及背部数据。
本发明其中的一些实施例中，步骤4)中，将步骤S2中的通用型数据库的结构化医学图像根据脊柱侧凸诊断及治疗界值进行分类，再将需要进行筛查的人员的数据与通用性数据库的数据进行对比。
本发明其中的一些实施例中，对于2-D体表扫描模型，将提取出来的部位图像输入到卷积神经网络模型中训练并进行分类，对于3-D影像资料，将提取出来的三维颈部及背部图片输入到三维卷积神经网络模型进行学习训练，再将二维和三维分类结果结合，给出最终的分类结果及分析建议。
本发明其中的一些实施例中，治疗界值采用每10°递增作为治疗界点进行分类。
本发明其中的一些实施例中，治疗界值采用每5°递增作为治疗界点进行分类。
此基于深度学习的脊柱侧弯筛查方法可从技术上简化筛查流程、提高筛查准确率，减少人力、物力成本，为全面实现脊柱侧凸筛查提供强有力的技术支撑；同时在一定程度代替X光片对脊柱侧凸进行进展监测和治疗效果评估，减少X线辐射，具有广阔的临床应用前景和社会经济价值，此方法可以直接将从任何终端获取的脊柱图像输入模型进行预处理，再利用深度学习模型判别是否存在脊柱畸形并评价其严重程度，最终给出风险报告及医疗建议。
下面结合附图对本发明作进一步描述：
实施例一：
图1为本发明实施例提供的实现流程图，如图1所示，该方法包括以下步骤：
S1：首先是针对入组人群的2-D体表扫描模型以及3-D影像资料进行采集、定义及标签：
基于研究个体的2-D体表扫描模型的主弯Cobb角测量结果对3-D影像资料进行标签化处理，再使用人工将非结构化的背部外观图像信息转为可供计算机读取和理解的结构化数据，导入数据开发软件进行处理，最终建立结构化医学图像的通用型数据库。
此发明中的2-D体表扫描模型主要为X光片，3-D影像资料主要为照片等影像材料。
图2为本发明实施例提供的人工智能筛查系统的实现流程图。
S2:搭建深度学习模型，训练学习提取X光片和脊柱外观图片中相应的颈部及背部。
具体来说，S2主要是对图像进行目标检测，即提取X光片和脊柱外观图片中相应的颈部及背部部分。
我们首先将图像进行数据预处理，包括：裁剪、调整尺寸、旋转、翻转以及归一化处理等，再将2-D体表扫描模型和3-D影像资料分别输入到各自的卷积神经网络模型中训练生成bbox，这样有利于去除背景或杂物，提高预测率和筛查效率。
其中卷积神经网络解决了由于网络过深而导致训练时梯度爆炸或者消失的问题,而且多尺度特征融合的使用，使得对较小物体也能够保持检测的精度。系统中使用的卷积模型最主要的创新点还在于其的损失函数了解决前景和背景样本不平衡的问题。
S3:搭建深度学习模型，训练学习对2-D体表扫描模型和3-D影像资料进行分类，并判断是否存在脊柱侧凸。
在S3中，我们首先对2-D体表扫描模型和3-D影像资料进行数据处理，包括：裁剪、调整尺寸、旋转、翻转以及归一化处理等，并依据S2中生成的bbox提取2-D体表扫描模型和3-D影像资料的颈部及背部部分，再将其分别输入到各自的卷积神经网络中去进行分类，判定是否存在脊柱侧凸(以10°为诊断界点，以20°为治疗界点)，并给出对应的分类结果，这样就完成了脊柱侧凸人工智能筛查系统。
这里使用的卷积神经网络主要用于分类，它通过网络结构搜索得到基准网络，并结合深度、宽度和分辨率三个维度，通过一组固定的缩放系数统一缩放这三个维度，从而提高网络的效果，提高分类的准确率。
在S3中，我们还将S2提取出来的X光片和颈部及背部图片分别输入到各自的卷积神经网络中去判定是否存在脊柱侧凸(以5°为诊断界点)，并分别给出分类结果，这样更符合脊柱侧凸判定的国际标准。
S4：根据S3的分类结果进行分析，并将结果返回给终端
我们将S3中的二维图像和三维图像的分类结果整合，获取最后的分类结果，并将结果以及建议返回给终端用户，方便用户可以及时就诊。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的脊柱侧弯筛查方法，其特征在于，包括以下步骤：
S1、采集入组人群的2-D体表扫描模型和3-D影像资料，并进行定义和标签；
S2、基于研究个体的2-D体表扫描模型中的主弯Cobb角测量结果，对所述研究个体的3-D影像资料进行标签化处理，将所述3-D影像资料中非结构化的背部外观图像信息转为可供计算机读取和理解的结构化数据，将所述结构化数据导入数据开发软件进行处理，最终建立结构化医学图像的通用型数据库；
S3、采用卷积神经网络模型对需要进行筛查的人员的2-D体表扫描模型和3-D影像资料进行分割；
S4、将步骤S3中分割所得的数据与步骤S2中的通用型数据库进行对比，并通过分析系统得出脊柱侧弯筛查结果。
2.根据权利要求1所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述2-D体表扫描模型为需要进行筛查的人员的X光片，所述3-D影像资料为需要进行筛查的人员的脊柱外观图像样本。
3.根据权利要求2所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述步骤S3中，对于2-D体表扫描模型，首先对采集的所述X光片进行预处理，再将预处理结果输入卷积模型中生成bbox，用以提取二维图像中的颈部及背部的数据。
4.根据权利要求2所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述步骤S3中，对于3-D影像资料，将从终端设备获取的需要进行筛查的人员的脊柱外观图像样本进行预处理，再将脊柱外观图像样本输入到三维卷积神经网络模型中学习生成bbox，以提取脊柱外观图像样本中的颈部及背部数据。
5.根据权利要求1所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述步骤S4中，将所述步骤S2中的通用型数据库的结构化医学图像根据脊柱侧凸诊断及治疗界值进行分类，再将需要进行筛查的人员的数据与通用性数据库的数据进行对比。
6.根据权利要求5所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：对于2-D体表扫描模型，将提取出来的部位图像输入到卷积神经网络模型中训练并进行分类，对于3-D影像资料，将提取出来的三维颈部及背部图片输入到三维卷积神经网络模型进行学习训练，再将二维和三维分类结果结合，给出最终的分类结果及分析建议。
7.根据权利要求6所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述治疗界值采用每10°递增作为治疗界点进行分类。
8.根据权利要求6所述的基于深度学习的脊柱侧弯筛查方法，其特征在于：所述治疗界值采用每5°递增作为治疗界点进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110584759.9A CN113397485A (zh) | 2021-05-27 | 2021-05-27 | 一种基于深度学习的脊柱侧弯筛查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110584759.9A CN113397485A (zh) | 2021-05-27 | 2021-05-27 | 一种基于深度学习的脊柱侧弯筛查方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113397485A true CN113397485A (zh) | 2021-09-17 |
Family
ID=77674663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110584759.9A Pending CN113397485A (zh) | 2021-05-27 | 2021-05-27 | 一种基于深度学习的脊柱侧弯筛查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113397485A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114287915A (zh) * | 2021-12-28 | 2022-04-08 | 深圳零动医疗科技有限公司 | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 |
| CN115836863A (zh) * | 2022-11-24 | 2023-03-24 | 北京大学深圳研究生院 | 一种用于脊柱弯曲筛查的生物电信号处理装置和方法 |
| CN117765062A (zh) * | 2024-02-22 | 2024-03-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
-
2021
- 2021-05-27 CN CN202110584759.9A patent/CN113397485A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114287915A (zh) * | 2021-12-28 | 2022-04-08 | 深圳零动医疗科技有限公司 | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 |
| CN114287915B (zh) * | 2021-12-28 | 2024-03-05 | 深圳零动医疗科技有限公司 | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 |
| CN115836863A (zh) * | 2022-11-24 | 2023-03-24 | 北京大学深圳研究生院 | 一种用于脊柱弯曲筛查的生物电信号处理装置和方法 |
| CN115836863B (zh) * | 2022-11-24 | 2024-06-11 | 北京大学深圳研究生院 | 一种用于脊柱弯曲筛查的生物电信号处理装置和方法 |
| CN117765062A (zh) * | 2024-02-22 | 2024-03-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
| CN117765062B (zh) * | 2024-02-22 | 2024-04-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
| CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
| KR20190028422A (ko) | 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법 | |
| CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
| CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
| CN107133638A (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
| Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
| CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
| Chen et al. | Improving cephalogram analysis through feature subimage extraction | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN110189324A (zh) | 一种医学图像处理方法及处理装置 | |
| CN112862749A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
| da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
| CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
| Gu et al. | COVID-19 Imaging Detection in the Context of Artificial Intelligence and the Internet of Things. | |
| CN115953781B (zh) | 基于热层析影像的乳腺人工智能分析系统及方法 | |
| CN113349806A (zh) | 一种脊柱侧弯Cobb角测量的方法 | |
| CN115578789A (zh) | 脊柱侧弯检测装置、系统及计算机可读存储介质 |
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 |