CN113570577A - 一种颈椎骨龄的判断方法 - Google Patents

一种颈椎骨龄的判断方法 Download PDF

Info

Publication number
CN113570577A
CN113570577A CN202110859700.6A CN202110859700A CN113570577A CN 113570577 A CN113570577 A CN 113570577A CN 202110859700 A CN202110859700 A CN 202110859700A CN 113570577 A CN113570577 A CN 113570577A
Authority
CN
China
Prior art keywords
cervical vertebra
neural network
sample set
cervical
patient
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
Application number
CN202110859700.6A
Other languages
English (en)
Other versions
CN113570577B (zh
Inventor
李娟�
包雷
周建峰
成方元
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.)
Chengdu Boltzmann Zhibei Technology Co ltd
Original Assignee
Chengdu Boltzmann Zhibei Technology 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 Chengdu Boltzmann Zhibei Technology Co ltd filed Critical Chengdu Boltzmann Zhibei Technology Co ltd
Priority to CN202110859700.6A priority Critical patent/CN113570577B/zh
Publication of CN113570577A publication Critical patent/CN113570577A/zh
Application granted granted Critical
Publication of CN113570577B publication Critical patent/CN113570577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种颈椎骨龄的判断方法，基于头颅侧位X光片，建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型以及神经网络颈椎分割模型；用颈椎检测模型检测出头颅侧位X光片颈椎位置；用颈椎标志点定位模型对颈椎外形标志点进行定位；用颈椎分割模型对颈椎进行分割；对分割后的颈椎提取颈椎轮廓；将各标志点间的关系进行量化及判读，然后得出当前的生长发育阶段。本发明的优点在于：采用深度学习技术，充分考虑到头颅侧位X光片的图形学特点，基于量化的指标，将传统的颈椎骨龄评估方法中人工标点及人工判读的过程自动化、智能化，方法简单易行，便于实现，大大提高了颈椎骨龄判断的准确性和可重复性，提高了临床工作效率。

Description

一种颈椎骨龄的判断方法
技术领域
本发明涉及口腔正畸领域，尤其涉及一种颈椎骨龄的判断方法。
背景技术
随着生活水平的不断提高，人群的正畸需求也不断扩大。青少年正畸有助于尽早解决牙齿问题，恢复口腔功能及美观，促进身心健康发展，是正畸学科研究的重要组成部分。生长发育阶段是青少年正畸方案制定中的关键参考，准确的生长发育阶段评估有利于提高口腔正畸的实现效率和稳定性。
目前常用的生长发育评估指标包括骨龄、牙龄、第二性征和整体体格。其中，骨龄是以骨骼的发育情况来判断生长发育所处的阶段，是临床最为常见的评估指标，主要包括手腕骨龄和颈椎骨龄。手腕骨龄通过手腕片观察腕骨的融合及矿化情况，预测准确度较高，但因存在分类繁琐、需增加额外X线拍摄等不利因素，临床应用的广泛程度不及颈椎骨龄。
对正畸治疗前常规拍摄的头颅侧位X光片，颈椎骨龄评估方法是通过对侧位片中的颈椎形态识别，对骨成熟度进行分期。由于形态识别高度依赖临床医生的主观判断，可重复性不足。目前国内外已经发展了颈椎骨龄的定量分期法，在对第二至四节颈椎进行人工定点的基础上测量颈椎体的长度、角度等参数，以手腕骨龄为参考标准，对颈椎骨龄分类标准进行量化。但是，这类方法仍未解决人工定点及测量过程中的低效、准确率低、重复性差的问题，限制了其应用范围。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种颈椎骨龄的判断方法，解决了现有颈椎骨龄判断方法效率低、准确率低、可重复性差的问题，从而判断出的生长发育所处阶段更为准确、应用范围更广。
本发明的目的通过以下技术方案来实现：一种颈椎骨龄的判断方法，所述判断方法包括：
根据头颅侧位X光片建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型、神经网络颈椎标志点精确定位模型和神经网络颈椎分割模型；
通过所述神经网络颈椎检测模型检测对患者头颅侧位X光片图像进行颈椎位置检测，得到患者颈椎位置数据，根据患者颈椎位置数据在患者头颅侧位X光片图像上截取患者颈椎位置区域图片；
通过所述神经网络颈椎标志点定位模型对患者头颅侧位X光片图像上截取的患者颈椎位置区域图片进行颈椎标志点定位，得到颈椎标志点位置数据，并通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据；
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上分别截取第二至第四节颈椎区域图片，通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据；
提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段。
根据头颅侧位X光片建立神经网络颈椎检测模型包括：
对每个头颅侧位X光片图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过mobilenet和YOLOV3相结合的方式构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎检测模型。
根据头颅侧位X光片建立神经网络颈椎标志点定位模型包括：
对每个头颅侧位X光片图像样本的颈椎标志点进行标定，得到多个包含手工标定颈椎标志点图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过BP算法使用卷积网络和全连接相结合的方式构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点定位模型。
建立神经网络颈椎标志点精确定位模型包括：
对多个包含手工标定标志点图像样本集，根据标志点位置数据截取标志点小区域图片，得到标志点小区域图片训练样本集、验证样本集和测试样本集；
根据所述基于pytorch框架，以小于通过BP算法使用卷积网络和全连接相结合方式构建的神经网络的宽度和深度的网络结构构建一个分级网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点精确定位模型。
根据头颅侧位X光片建立神经网络颈椎分割模型包括：
对每个头颅侧位X光片图像样本中第二至第四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过u2net的结构构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎分割模型。
所述通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据包括：
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，截取以颈椎标志点位置为中心宽高为原图片的二十分之一的颈椎标志点位置作为小区域图片；
使用建立好的神经网络标志点精确定位模型，对患者颈椎位置区域图片上截取的颈椎标志点位置小区域图片，进行颈椎标志点精确定位，得到颈椎标志点精确位置数据。
所述通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据包括：
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，分别截取第二至四节颈椎区域图片；
使用建立好的神经网络颈椎分割模型，对截取的第二至四节颈椎区域图片进行分割，得到颈椎分割数据.
所述提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段包括：
使用opencv里面的findContours方法，对得到的颈椎分割数据进行提取，得到颈椎轮廓数据；
将颈椎标志点精确位置数据和颈椎轮廓数据反算回患者头颅侧位X光片图像上，结合颈椎轮廓采用定量分析方法和定性分析方法分别判断患者所处的生长发育阶段。
所述定量分析方法包括通过QCVM判断分期方法对颈椎骨龄定量分期测量得到QCVM值；所述定性分析方法包括通过CS判断分析方法判断各个阶段颈椎的形状。
本发明具有以下优点：一种颈椎骨龄的判断方法，采用深度学习技术，充分考虑到头颅侧位X光片的图形学特点，基于量化的指标，将传统的颈椎骨龄评估方法中人工标点及人工判读的过程自动化、智能化，方法简单易行，便于实现，大大提高了颈椎骨龄判断的准确性和可重复性，提高了临床工作效率。
附图说明
图1为本发明方法的流程示意图；
图2为本发明颈椎标志点及各点之间的关系示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明涉及一种基于深度学习和头颅侧位X光片颈椎骨龄的判断方法，基于头颅侧位X光片，建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型以及神经网络颈椎分割模型；用颈椎检测模型检测出头颅侧位X光片颈椎位置；用颈椎标志点定位模型对颈椎外形标志点进行定位；用颈椎分割模型对颈椎进行分割；对分割后的颈椎提取颈椎轮廓；将各标志点间的关系进行量化及判读，然后得出当前的生长发育阶段；具体包括：
步骤1、对每个头颅侧位X光片图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，使用mobilenet和YOLOV3相结合的方式来构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎检测模型；
具体为：(1)构建训练样本集、验证样本集和测试样本集：
获取原始图像样本集：获取多个头颅侧位X光片图像样本，并对每个图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域的图像样本集；
获取训练样本集、验证样本集和测试样本集：将包含手工标注颈椎区域图像样本集中的多数图像样本作为训练样本集，剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
(2)构建神经网络：基于pytorch的框架下，使用mobilenet和YOLOV3相结合的方式来构建神经网络。
(3)训练神经网络：
对原有已标注的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎区域检测模型。
(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎检测模型。
步骤2、对每个头颅侧位X光片图像样本的颈椎标志点进行标定，得到多个包含手工标定颈椎标志点图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，基于BP算法，使用卷积网络(CNN)和全连接相结合的方式构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎标志点定位模型；
具体为：(1)构建训练样本集、验证样本集和测试样本集：
获取颈椎区域图像样本集：使用步骤1中采集的多个头颅侧位X光片图像样本，对这些图片中的颈椎标志点进行标定，从而得到多个包含手工标定颈椎标志点的图片样本集。
获取训练样本集、验证样本集和测试样本集：将包含手工标注颈椎标志点图片样本集中的多数图片样本作为训练样本集，剩余图片样本中的一部分图片样本作为验证样本集，另一部分图片样本作为测试样本集。
(2)构建神经网络：基于pytorch的框架下，使用卷积网络(CNN)和全连接相结合的方式来构建神经网络。
(3)训练神经网络：
对原有已标定的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎标志点定位模型。
步骤3、对多个包含手工标定标志点图像样本集，根据标志点位置数据截取标志点小区域图片，得到标志点小区域图片训练样本集、验证样本集和测试样本集；以小于步骤2中神经网络的宽度、深度的网络结构搭建一个小的分级网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎标志点精确定位模型；
具体为：(1)构建训练样本集、验证样本集和测试样本集：
获取颈椎区域标志点小区域图像样本集：对多个包含手工标定颈椎标志点的图像样本集，根据标志点位置数据，截取颈椎标志点小区域图片，得到标志点小区域图片样本集；
获取训练样本集、验证样本集和测试样本集：将标志点小区域图片样本集中的多数图片样本作为训练样本集，剩余图片样本中的一部分图片样本作为验证样本集，另一部分图片样本作为测试样本集。
(2)构建神经网络：以小于步骤2中神经网络的宽度、深度的网络结构搭建一个小的分级网络。
(3)训练神经网络：
对标志点小区域图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎标志点精确定位模型。
(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎标志点精确定位模型。
步骤4、对每个头颅侧位X光片图像样本中第二至四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，使用u2net的结构构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎分割模型；
具体为：(1)构建训练样本集、验证样本集和测试样本集：
获取原始图像样本集：获取多个头颅侧位X光片图像样本，并对每个图像样本的第二至四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓的图像样本集；
获取训练样本集、验证样本集和测试样本集：将包含手工标注的原始图像样本集中的多数图像样本作为训练样本集，剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
(2)神经网络构建：基于pytorch的框架下，使用u2net的结构构建神经网络；
(3)训练神经网络：
对原有已标注的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎分割模型。
(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎分割模型。
步骤5、使用建立好的神经网络颈椎检测模型，对患者头颅侧位X光片图像进行颈椎位置检测，得到患者颈椎位置数据；根据患者颈椎位置数据，在患者头颅侧位X光片图像上截取患者颈椎位置区域图片；
步骤6、使用建立好的神经网络标志点定位模型，对患者头颅侧位X光片图像上截取的患者颈椎位置区域图片，进行颈椎标志点定位，得到颈椎标志点位置数据；
步骤7、根据步骤6得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，截取以颈椎标志点位置为中心宽高为原图片的二十分之一的颈椎标志点位置小区域图片；使用建立好的神经网络标志点精确定位模型，对患者颈椎位置区域图片上截取的颈椎标志点位置小区域图片，进行颈椎标志点精确定位，得到颈椎标志点精确位置数据；
步骤8、根据步骤6得到的颈椎标志点位置数据，在患者颈椎位置区域图片上分别截取第二至四节颈椎区域图片；使用建立好的神经网络颈椎分割模型，对颈椎区域图片进行分割，得到颈椎分割数据；
步骤9、使用opencv里面的findContours方法，对得到的颈椎分割数据进行颈椎轮廓提取；
步骤10、将颈椎标志点精确位置数据反算回患者头颅侧位X光片图像上，结合颈椎轮廓，用QCVM判断分期方法和CS判断分期方法分别判断患者所处的生长发育阶段。
进一步地，如图2所示，(1)定量分析方法(QCVM判断分期方法)：
根据公式计算颈椎骨龄定量分期测量值(QCVM)：QCVM＝-4.13+3.57×H4/W4+4.07×AH3/PH3+0.03×@2；
其中H4为点C4um到C4lp与C4la连线的距离；W4为点C4am到C4up和C4lp连线的距离；AH3为点C3ua到C3la和C3lp连线的距离；PH3为点C3up到C3lp和C3la连线的距离；@2为C2p和C2d连线与C2d和C2a连线的夹角。如图2所示。
QCVM各值对应的周期为：第I期(生长加速期)：QCVM<1.704；第II期(生长高峰期)：1.704<QCVM<2.623；第III期(生长减速期)：2.623<QCVM<3.5199；第IV期(生长结束期)：QCVM>3.5199。
(2)定性分析方法(CS判断分期方法)：
CS1(青春期前)：C2-C4下缘均平坦，C3、C4呈梯形；
CS2(青春期前预备阶段)：C2下缘变凹，C3、C4呈梯形；
CS3(青春期)：C2-3下缘均凹，C3、C4大多呈梯形，有时其中一节颈椎呈短四边形；
CS4(青春期)：C2-4下缘均凹，C3、C4呈短四边形；
CS5(青春期后)：C2-4下缘均凹，C3-4至少有一个呈正四边形；
CS6(青春期后)：C2-4下缘均凹，C3-4至少有一个呈长四边形。
其中C2为第二颈椎；C3为第三颈椎；C4为第四颈椎。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种颈椎骨龄的判断方法，其特征在于：所述判断方法包括：
根据头颅侧位X光片建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型、神经网络颈椎标志点精确定位模型和神经网络颈椎分割模型；
通过所述神经网络颈椎检测模型检测对患者头颅侧位X光片图像进行颈椎位置检测，得到患者颈椎位置数据，根据患者颈椎位置数据在患者头颅侧位X光片图像上截取患者颈椎位置区域图片；
通过所述神经网络颈椎标志点定位模型对患者头颅侧位X光片图像上截取的患者颈椎位置区域图片进行颈椎标志点定位，得到颈椎标志点位置数据，并通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据；
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上分别截取第二至第四节颈椎区域图片，通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据；
提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段。
2.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：根据头颅侧位X光片建立神经网络颈椎检测模型包括：
对每个头颅侧位X光片图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过mobilenet和YOLOV3相结合的方式构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎检测模型。
3.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：根据头颅侧位X光片建立神经网络颈椎标志点定位模型包括：
对每个头颅侧位X光片图像样本的颈椎标志点进行标定，得到多个包含手工标定颈椎标志点图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过BP算法使用卷积网络和全连接相结合的方式构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点定位模型。
4.根据权利要求3所述的一种颈椎骨龄的判断方法，其特征在于：建立神经网络颈椎标志点精确定位模型包括：
对多个包含手工标定标志点图像样本集，根据标志点位置数据截取标志点小区域图片，得到标志点小区域图片训练样本集、验证样本集和测试样本集；
根据所述基于pytorch框架，以小于通过BP算法使用卷积网络和全连接相结合方式构建的神经网络的宽度和深度的网络结构构建一个分级网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点精确定位模型。
5.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：根据头颅侧位X光片建立神经网络颈椎分割模型包括：
对每个头颅侧位X光片图像样本中第二至第四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓图像的训练样本集、验证样本集和测试样本集；
基于pytorch框架通过u2net的结构构建神经网络；
通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎分割模型。
6.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：所述通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据包括：
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，截取以颈椎标志点位置为中心宽高为原图片的二十分之一的颈椎标志点位置作为小区域图片；
使用建立好的神经网络标志点精确定位模型，对患者颈椎位置区域图片上截取的颈椎标志点位置小区域图片，进行颈椎标志点精确定位，得到颈椎标志点精确位置数据。
7.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：所述通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据包括：
根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，分别截取第二至四节颈椎区域图片；
使用建立好的神经网络颈椎分割模型，对截取的第二至四节颈椎区域图片进行分割，得到颈椎分割数据。
8.根据权利要求1所述的一种颈椎骨龄的判断方法，其特征在于：所述提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段包括：
使用opencv里面的findContours方法，对得到的颈椎分割数据进行提取，得到颈椎轮廓数据；
将颈椎标志点精确位置数据和颈椎轮廓数据反算回患者头颅侧位X光片图像上，结合颈椎轮廓采用定量分析方法和定性分析方法分别判断患者所处的生长发育阶段。
9.根据权利要求8所述的一种颈椎骨龄的判断方法，其特征在于：所述定量分析方法包括通过QCVM判断分期方法对颈椎骨龄定量分期测量得到QCVM值；所述定性分析方法包括通过CS判断分析方法判断各个阶段颈椎的形状。
CN202110859700.6A 2021-07-28 2021-07-28 一种颈椎骨龄的判断方法 Active CN113570577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110859700.6A CN113570577B (zh) 2021-07-28 2021-07-28 一种颈椎骨龄的判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110859700.6A CN113570577B (zh) 2021-07-28 2021-07-28 一种颈椎骨龄的判断方法

Publications (2)

Publication Number Publication Date
CN113570577A true CN113570577A (zh) 2021-10-29
CN113570577B CN113570577B (zh) 2023-11-14

Family

ID=78168688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110859700.6A Active CN113570577B (zh) 2021-07-28 2021-07-28 一种颈椎骨龄的判断方法

Country Status (1)

Country Link
CN (1) CN113570577B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310292A (zh) * 2019-06-28 2019-10-08 浙江工业大学 一种手腕部参照骨分割方法
WO2019232960A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN111563874A (zh) * 2020-03-05 2020-08-21 北京深睿博联科技有限责任公司 骨龄评测方法和装置
KR20200121608A (ko) * 2019-04-16 2020-10-26 고려대학교 산학협력단 골 연령 추정 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019232960A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
KR20200121608A (ko) * 2019-04-16 2020-10-26 고려대학교 산학협력단 골 연령 추정 방법 및 장치
CN110310292A (zh) * 2019-06-28 2019-10-08 浙江工业大学 一种手腕部参照骨分割方法
CN111563874A (zh) * 2020-03-05 2020-08-21 北京深睿博联科技有限责任公司 骨龄评测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘鸣谦;兰钧;陈旭;于广军;杨秀军;: "基于多维度特征融合的深度学习骨龄评估模型", 第二军医大学学报, no. 08 *
胡婷鸿;火忠;刘太昂;王飞;万雷;汪茂文;陈腾;王亚辉;: "基于深度学习实现维吾尔族青少年左手腕关节骨龄自动化评估", 法医学杂志, no. 01 *
陈亿霖, 蒋田仔, 李淑宇, 邵伟东, 张绍岩, 刘丽娟: "基于X线影像的骨发育成熟度自动评价系统:研究进展和挑战", 中国医学影像技术, no. 01 *

Also Published As

Publication number Publication date
CN113570577B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN108764257B (zh) 一种多视角的指针式仪表识别方法
WO2019134252A1 (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN108320288B (zh) 一种特发性脊柱侧凸影像的数据处理方法
US7206462B1 (en) Method and system for the detection, comparison and volumetric quantification of pulmonary nodules on medical computed tomography scans
CN106651888B (zh) 基于多特征融合的彩色眼底图像视杯分割方法
CN109035283A (zh) 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN108537838B (zh) 一种髋关节骨性髋臼角度的检测方法
CN109829942A (zh) 一种眼底图像视网膜血管管径自动量化方法
CN108186051A (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
CN112258516A (zh) 一种脊柱侧弯图像检测模型的生成方法
CN115880281B (zh) 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN109781730B (zh) 一种快速识别垩白米的方法
CN111325754B (zh) 一种基于ct序列图像的腰椎骨自动定位方法
CN111986157B (zh) 一种数字病理图像质量评价系统
CN102274051A (zh) 一种超声图像膀胱容积自动测量方法及系统
CN106408566A (zh) 一种胎儿超声图像质量控制方法及系统
CN108378869A (zh) 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统
CN112349391A (zh) 一种优化肋骨自动标号方法
CN112802019B (zh) 一种基于脊柱AIS影像的lenke分型方法
CN109409290A (zh) 一种温度表检定读数自动识别系统及方法
CN115222937A (zh) 一种脊柱侧弯检测方法及装置
CN108320799A (zh) 一种用于侧向流纸条疾病诊断的图像分析与识别方法
CN113822928B (zh) 角膜地形图重建方法及装置
CN113570577A (zh) 一种颈椎骨龄的判断方法
CN112329537A (zh) 一种基于yolov3算法的粪便有形成分的检测方法

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