CN113643263B - 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 - Google Patents

一种上肢骨定位与前臂骨融合畸形的识别方法及系统 Download PDF

Info

Publication number
CN113643263B
CN113643263B CN202110948237.2A CN202110948237A CN113643263B CN 113643263 B CN113643263 B CN 113643263B CN 202110948237 A CN202110948237 A CN 202110948237A CN 113643263 B CN113643263 B CN 113643263B
Authority
CN
China
Prior art keywords
dimensional
detected
forearm
region
bone
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
CN202110948237.2A
Other languages
English (en)
Other versions
CN113643263A (zh
Inventor
周天丰
崔颖
郭玉冰
周勇
陈山林
刘路
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110948237.2A priority Critical patent/CN113643263B/zh
Publication of CN113643263A publication Critical patent/CN113643263A/zh
Application granted granted Critical
Publication of CN113643263B publication Critical patent/CN113643263B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

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

Abstract

本发明涉及一种上肢骨定位与前臂骨融合畸形的识别方法及系统，其中方法包括：获取待测CT影像资料；对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；根据所述分类结果对前臂骨融合畸形进行判断。本发明将得到的待测三维连通域输入至构建训练好的分类模型中，从而使得需要训练的样本量很少，解决了医学影像中普遍存在的样本量不足的问题。

Description

一种上肢骨定位与前臂骨融合畸形的识别方法及系统
技术领域
本发明涉及医学图像分析技术领域，特别是涉及一种上肢骨定位与前臂骨融合畸形的识别方法及系统。
背景技术
随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中不可或缺的工具和技术手段。近年来，人工智能技术出现并不断发展，机器学习作为人工智能的核心技术得到了广泛的应用，尤其是在医学图像分类及医学图像识别等方面，常用的机器学习算法包括神经网络、支持向量机(SVM)、决策树、随机森林等方法。
虽然卷积神经网络是目前最为流行且准确率高的机器学习算法，但其依赖于大量的样本，而这在医学图像分析领域是一个很大的难题。现有的比较流行的用于医学影像识别的方法通常是基于卷积神经网络进行的，通过搭建多层卷积神经网络，并输入大量样本后，训练神经网络，学习相关参数，最后利用训练好的卷积神经网络进行图像分类。对于医学影像，特别是三维CT影像，其样本量获取数目明显无法满足卷积神经网络的需求，且每个样本规模都较大，如对于300张CT影像每张像素512*512的一套CT影像而言，单个样本的规模为300*512*512，单纯采用卷积神经网络将需求更大的样本量。
同时，针对前臂骨的畸形研究的相关文献较少，基于初始的尺桡骨定位及目标识别的研究更少。数据是机器学习的核心资源，仅掌握算法而缺乏数据无法获得较好的训练结果。同时，医院之间的数据共享和互通程度较低，获得大规模的数据十分困难。对于前臂骨等专门部位的CT影像，其样本量更是十分受限。在样本量不足的情况下，卷积神经网络进行医学影像分类及识别根本无法实现。
发明内容
本发明的目的是提供一种上肢骨定位与前臂骨融合畸形的识别方法及系统，解决了前臂骨识别医学影像中普遍存在的样本量不足的问题。
为实现上述目的，本发明提供了如下方案：
一种上肢骨定位与前臂骨融合畸形的识别方法，包括：
获取待测CT影像资料；
对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；
对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
根据所述分类结果对前臂骨融合畸形进行判断。
优选地，所述最小二乘支持向量机分类模型的训练方法为：
获取多个训练CT影像资料；
对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
优选地，所述对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵，包括：
对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值；
根据所述CT值确定CT三维矩阵；
根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵。
优选地，所述根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵，包括：
确定所述预设骨阈值；
判断所述CT三维矩阵中的各个体素的CT值是否大于所述预设骨阈值，若是，则将所述体素所在区域确定为第一区域，若否，则将所述体素所在区域确定为第二区域；
根据所述第一区域和所述第二区域将所述CT三维矩阵转化为所述待测三维二值矩阵；所述第一区域中的体素记为1，将所述第二区域中的体素记为0。
优选地，所述对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域，包括：
采用预设顺序扫描所述待测三维二值矩阵，得到等价对列表；所述等价对列表是基于所述待测三维二值矩阵的初始标签值进行构建的；
根据所述等价对列表确定所述初始标签值的映射列表；
根据所述映射列表生成标注矩阵；所述标注矩阵的大小与所述待测三维二值矩阵的大小相同；所述标注矩阵用于表征各体素所属连通域；
根据所述标注矩阵确定各个第一连通域信息；
根据所述第一连通域信息包含体素的多少对各个所述第一连通域信息进行排序，得到第一信息序列；
根据预设噪音阈值对所述第一信息序列进行提取，得到第二连通域信息；
根据预设拍摄阈值对所述第二连通域信息进行提取，得到所述待测三维连通域。
优选地，所述计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注之前，还包括：
读取患者年龄信息和体素尺寸信息；所述体素尺寸信息包括体素各方向跨度信息；所述输入参数包括所述患者年龄信息和所述体素尺寸信息。
优选地，所述根据所述分类结果对前臂骨融合畸形进行判断，包括：
若所述属于上肢骨区域的待测三维连通域的数量为1，则将所述待测CT影像资料确定为存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域中y方向的均值与所述待测CT影像资料y方向跨度的中值之差均小于第一预设判断阈值，则将所述待测CT影像资料确定为不存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域分别位于CT影像资料y方向跨度中值两侧，且所述属于上肢骨区域的待测三维连通域中的两个y方向均值之差大于第二预设判断阈值，则将所述待测CT影像资料确定为存在前臂骨融合畸形的双侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量大于2，则根据所述属于上肢骨区域的待测三维连通域中的均值将所述属于上肢骨区域的待测三维连通域分为左侧前臂影像和右侧前臂影像，再根据各侧连通域数量将所述左侧前臂影像和所述右侧前臂影像分为存在前臂骨融合畸形和不存在前臂骨融合畸形；
若单侧或双侧未诊断出存在前臂骨畸形，则计算所述存在前臂骨融合畸形的待测三维连通域的两个层均值，将层均值最小的所述待测三维连通域确定为前臂尺骨图像，将另一个所述待测三维连通域确定为前臂桡骨图像。
一种上肢骨定位与前臂骨融合畸形的识别系统，包括：
获取模块，用于获取待测CT影像资料；
分割模块，用于对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；
确定模块，用于对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
分类模块，用于将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
判断模块，用于根据所述分类结果对前臂骨融合畸形进行判断。
优选地，所述分类模块包括：
获取单元，用于获取多个训练CT影像资料；
分割单元，用于对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
确定单元，用于对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
标注单元，用于计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
训练单元，用于根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
构建单元，用于根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
优选地，所述分割模块包括：
读取单元，用于对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值并根据所述CT值确定CT三维矩阵；
转化单元，用于根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种上肢骨定位与前臂骨融合畸形的识别方法及系统，其中方法包括：获取待测CT影像资料；对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；根据所述分类结果对前臂骨融合畸形进行判断。本发明将得到的待测三维连通域输入至构建训练好的分类模型中，从而使得需要训练的样本量很少，解决了上肢骨医学影像中普遍存在的样本量不足的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的识别方法的流程图；
图2为本发明提供的实施例中的诊断过程的示意图；
图3为本发明提供的实施例中的识别系统的模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种上肢骨定位与前臂骨融合畸形的识别方法及系统，能够解决前臂骨识别医学影像中普遍存在的样本量不足的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1和图2分别为本发明提供的实施例中的识别方法的流程图和诊断过程的示意图，如图1和图2所示，本发明提供了一种上肢骨定位与前臂骨融合畸形的识别方法，包括：
步骤100：获取待测CT影像资料；
步骤200：对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；
步骤300：对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
步骤400：将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
步骤500：根据所述分类结果对前臂骨融合畸形进行判断。
具体的，本实施例中诊断过程的第一个步骤是：输入CT影像资料，读取CT影像包含的空间各体素坐标位置处对应的CT值，并将其保存为三维矩阵中。选取初始骨阈值，提取CT三维矩阵中所有大于骨阈值的体素，并将CT三维矩阵转化为0/1二值矩阵(0表示区域CT值小于骨阈值，1表示区域CT值大于骨阈值)。
优选地，所述最小二乘支持向量机分类模型的训练方法为：
获取多个训练CT影像资料；
对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括：包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
优选地，所述对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵，包括：
对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值；
根据所述CT值确定CT三维矩阵；
根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵。
优选地，所述根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵，包括：
确定所述预设骨阈值；
判断所述CT三维矩阵中的各个体素的CT值是否大于所述预设骨阈值，若是，则将所述体素所在区域确定为第一区域，若否，则将所述体素所在区域确定为第二区域；
根据所述第一区域和所述第二区域将所述CT三维矩阵转化为所述待测三维二值矩阵；所述第一区域中的体素记为1，将所述第二区域中的体素记为0。
优选地，所述对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域，包括：
采用预设顺序扫描所述待测三维二值矩阵，得到等价对列表；所述等价对列表是基于所述待测三维二值矩阵的初始标签值进行构建的；
根据所述等价对列表确定所述初始标签值的映射列表；
根据所述映射列表生成标注矩阵；所述标注矩阵的大小与所述待测三维二值矩阵的大小相同；所述标注矩阵用于表征各体素所属连通域；
根据所述标注矩阵确定各个第一连通域信息；
根据所述第一连通域信息包含体素的多少对各个所述第一连通域信息进行排序，得到第一信息序列；
根据预设噪音阈值对所述第一信息序列进行提取，得到第二连通域信息；
根据预设拍摄阈值对所述第二连通域信息进行提取，得到所述待测三维连通域。
可选地，本实施例中的诊断过程的第二个步骤为：对三维二值矩阵进行三维连通域计算，采用如下顺序扫描整个三维二值矩阵，在扫描每个像素时，若其为1，对比与之相连且已扫描的值为1的体素，若存在多个这样的体素，则先对比其label值，若label不同，则将这些label中的最小值和分别和其他label组成等价对，记录在等价对列表中，并将当前体素的label标注为这些label中的最小值，若体素值为0，则label标注为0，具体扫描顺序为：
(1)读取二值矩阵中第一张图片第一行第一列的体素，若其为1，则将其label标注为1，否则将label标注为0；
(2)二值矩阵中第一张图片第一行其他体素，对比体素：左侧体素；
(3)二值矩阵第一张图片第一列体素，对比体素：上方体素；
(4)二值矩阵第一张图非最后列的体素，对比体素：左侧体素→左上体素→上侧体素→右上体素；
(5)二值矩阵第一张图最后列的体素，对比体素：左侧体素→左上体素→上侧体素；
(6)二值矩阵非第一张图片第一行第一个体素，对比体素：前侧体素→前右体素→前下体素→前右下体素；
(7)二值矩阵非第一张图片第一行非最后一列体素，对比体素：左前体素→前侧体素→右前体素→左前下体素→前下体素→右前下体素→左侧体素；
(8)二值矩阵非第一张图片第一行非最后一个体素，对比体素：左前体素→前侧体素→左前下体素→前下体素→左侧体素；
(9)二值矩阵非第一张图片第一列非最后一行体素，对比体素：前上体素→右前上体素→前侧体素→右前体素→前下体素→右前下体素→上侧体素→右上体素；
(10)二值矩阵非第一张图片第一列非最后一行体素，对比体素：前上体素→右前上体素→前侧体素→右前体素→上侧体素→右上体素；
(11)二值矩阵非第一张图片非最后一行非最后一列体素，对比体素：左前上体素→前上体素→右前上体素→左前体素→前侧体素→右前体素→左前下体素→前下体素→右前下体素→左上体素→上侧体素→右上体素→左侧体素；
(12)二值矩阵非第一张图片的非最后一行最后一列体素，对比体素：左前上体素→前上体素→左前体素→前侧体素→左前下体素→前下体素→左上体素→上侧体素→左侧体素；
(13)二值矩阵非第一张的最后一行非最后一列体素，对比体素：左前上体素→前上体素→右前上体素→左前体素→前侧体素→右前体素→左上体素→上侧体素→右上体素→左侧体素；
(14)二值矩阵非第一张最后一行最后一列体素，对比体素：左前上体素→前上体素→左前体素→前侧体素→左上体素→上侧体素→左侧体素。
完成扫描后，根据等价对列表计算出标注的映射列表，并根据映射后的新的label生成与CT值矩阵规模相同的表征各体素所属连通域的标注矩阵。然后根据标注矩阵，得到属于该套CT影像的各个三维连通域。
可选地，本实施例中的诊断过程的第三个步骤为：对得到的各个三维连通域根据其包含体素的多少进行排序，并删除包含体素数量过小的三维连通域，认为其是噪音干扰。鉴于前臂骨医学影像通常有一些拍摄的规范，初选最大的N(8～12)个连通域。
优选地，所述计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注之前，还包括：
读取患者年龄信息和体素尺寸信息；所述体素尺寸信息包括体素各方向跨度信息；所述输入参数包括所述患者年龄信息和所述体素尺寸信息。
可选地，本实施例中的诊断过程的第四个步骤为：计算N个连通域的相关属性：(1)包含体素数量Nvoxel；(2)对应于CT层数维度的最大差值(表征CT层跨度)layerspan；(3)所在层均值layermean；(4)描述体素左右位置对应维度的均值y。并读取患者年龄age和CT中各体素的尺寸dx×dy×dz。
本实施例中的诊断过程的第五个步骤为：对上述N个连通域进行标注：分别标注为(1)头部、(2)CT床、(3)患者上臂、(4)患者前臂和(5)其他。并对所有N套样本进行相同操作。
本实施例中的诊断过程的第六个步骤为：搭建最小二乘支持向量机分类模型，输入为患者年龄age、10个连通域包含体素体积Nvoxel×dx×dy×dz、CT层跨度|layer|＝layerspan×dz、所在层均值的层坐标layer＝layermean×dz，输出为各个连通域是否属于头部、CT床、前臂和大臂，共建立4个分类模型。
最小二乘支持向量机的分类模型为：
subject to yi[wTφ(xi)+b]＝1-ei i＝1,2,…,N
对于判断是否为前臂的最小二乘支持向量机分类模型，连通域的标注方式为：若为前臂yi＝1，否则yi＝-1。
本实施例中的诊断过程的第七个步骤为：根据输入，对最小二乘支持向量机分类模型进行训练，求出α和b，计算公式为
本实施例中的诊断过程的第八个步骤为：基于训练得到的模型可以对前臂CT影像中三维连通域进行分类。实际操作中，输入新样本时，只需要重复上述阈值分割，三维连通域计算，再对各个三维连通域据其属性用训练的最小二乘支持向量机模型，LSSVM模型的输出为：
优选地，所述根据所述分类结果对前臂骨融合畸形进行判断，包括：
若所述属于上肢骨区域的待测三维连通域的数量为1，则将所述待测CT影像资料确定为存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域中y方向的均值与所述待测CT影像资料y方向跨度的中值之差均小于第一预设判断阈值，则将所述待测CT影像资料确定为不存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域分别位于CT影像资料y方向跨度中值两侧，且所述属于上肢骨区域的待测三维连通域中的两个y方向均值之差大于第二预设判断阈值，则将所述待测CT影像资料确定为存在前臂骨融合畸形的双侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量大于2，则根据所述属于上肢骨区域的待测三维连通域中的均值将所述属于上肢骨区域的待测三维连通域分为左侧前臂影像和右侧前臂影像，再根据各侧连通域数量将所述左侧前臂影像和所述右侧前臂影像分为存在前臂骨融合畸形和不存在前臂骨融合畸形；
若单侧或双侧未诊断出存在前臂骨畸形，则计算所述存在前臂骨融合畸形的待测三维连通域的两个层均值，将层均值最小的所述待测三维连通域确定为前臂尺骨图像，将另一个所述待测三维连通域确定为前臂桡骨图像。
本实施例中的诊断过程的第九个步骤为：根据得到的训练结果，根据各前臂连通域的y进行判断，若识别出的前臂连通域数量为1，则表明该套CT影像是单侧前臂CT影像，且存在尺桡骨融合畸形；若识别出的前臂连通域数量为2，且y接近于CT影像y方向跨度的中值，则表明该套CT影像是单侧前臂CT影像且不存在尺桡骨融合畸形；若前臂连通域数量为2，但2个连通域相差较大，则说明该套CT影像是双侧前臂CT影像，且均存在尺桡骨融合畸形；若前臂连通域数量>2，则先根据将其分为左侧前臂和右侧前臂，再根据各侧连通域数量分为存在前臂尺桡骨融合畸形和不存在前臂尺桡骨融合畸形。对于不存在前臂尺桡骨融合畸形的连通域，分别对应前臂尺骨和前臂桡骨，计算两个连通域的层均值，较小者为前臂尺骨，较大者为前臂桡骨。从而实现前臂尺桡骨的自动识别和前臂尺桡骨融合畸形的自动诊断。
图3为本发明提供的实施例中的识别系统的示意图，如图3所示，本实施例中还提供了一种上肢骨定位与前臂骨融合畸形的识别系统，包括：
获取模块，用于获取待测CT影像资料；
分割模块，用于对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵；
连通域获取模块，用于对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
分类模块，用于将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
判断模块，用于根据所述分类结果对前臂骨融合畸形进行判断。
优选地，所述分类模块包括：
获取单元，用于获取多个训练CT影像资料；
分割单元，用于对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
确定单元，用于对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
标注单元，用于计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
训练单元，用于根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
构建单元，用于根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
优选地，所述分割模块包括：
读取单元，用于对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值并根据所述CT值确定CT三维矩阵；
转化单元，用于根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵。
本发明的有益效果如下：
(1)相较于卷积神经网络进行三维目标的识别，本发明所提方法需要样本量很少，较适用于医学影像中普遍存在的样本量不足的问题。
(2)相较于卷积神经网络，本发明所提方法具有可重复性，因此，结果的可靠性较高。
(3)相较于目前的人工操作，本发明所提方法实现了前臂尺桡骨区域识别及先天性前臂尺桡骨融合的诊断的自动化进行。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种上肢骨定位与前臂骨融合畸形的识别方法，其特征在于，包括：
获取待测CT影像资料；
对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵，具体包括：
对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值；
根据所述CT值确定CT三维矩阵；
根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵，具体包括：
确定所述预设骨阈值；
判断所述CT三维矩阵中的各个体素的CT值是否大于所述预设骨阈值，若是，则将所述体素所在区域确定为第一区域，若否，则将所述体素所在区域确定为第二区域；
根据所述第一区域和所述第二区域将所述CT三维矩阵转化为所述待测三维二值矩阵；所述第一区域中的体素记为1，将所述第二区域中的体素记为0；
对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
根据所述分类结果对前臂骨融合畸形进行判断，具体包括：
若所述属于上肢骨区域的待测三维连通域的数量为1，则将所述待测CT影像资料确定为存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域中y方向的均值与所述待测CT影像资料y方向跨度的中值之差均小于第一预设判断阈值，则将所述待测CT影像资料确定为不存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域分别位于CT影像资料y方向跨度中值两侧，且所述属于上肢骨区域的待测三维连通域中的两个y方向均值之差大于第二预设判断阈值，则将所述待测CT影像资料确定为存在前臂骨融合畸形的双侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量大于2，则根据所述属于上肢骨区域的待测三维连通域中的均值将所述属于上肢骨区域的待测三维连通域分为左侧前臂影像和右侧前臂影像，再根据各侧连通域数量将所述左侧前臂影像和所述右侧前臂影像分为存在前臂骨融合畸形和不存在前臂骨融合畸形；
若单侧或双侧未诊断出存在前臂骨畸形，则计算所述存在前臂骨融合畸形的待测三维连通域的两个层均值，将层均值最小的所述待测三维连通域确定为前臂尺骨图像，将另一个所述待测三维连通域确定为前臂桡骨图像。
2.根据权利要求1所述的上肢骨定位与前臂骨融合畸形的识别方法，其特征在于，所述分类模型的训练方法为：
获取多个训练CT影像资料；
对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
3.根据权利要求1所述的上肢骨定位与前臂骨融合畸形的识别方法，其特征在于，所述对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域，包括：
采用预设顺序扫描所述待测三维二值矩阵，得到等价对列表；所述等价对列表是基于所述待测三维二值矩阵的初始标签值进行构建的；
根据所述等价对列表确定所述初始标签值的映射列表；
根据所述映射列表生成标注矩阵；所述标注矩阵的大小与所述待测三维二值矩阵的大小相同；所述标注矩阵用于表征各体素所属连通域；
根据所述标注矩阵确定各个第一连通域信息；
根据所述第一连通域信息包含体素的多少对各个所述第一连通域信息进行排序，得到第一信息序列；
根据预设噪音阈值对所述第一信息序列进行提取，得到第二连通域信息；
根据预设拍摄阈值对所述第二连通域信息进行提取，得到所述待测三维连通域。
4.根据权利要求2所述的上肢骨定位与前臂骨融合畸形的识别方法，其特征在于，所述计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注之前，还包括：
读取患者年龄信息和体素尺寸信息；所述体素尺寸信息包括体素各方向跨度信息；所述输入参数包括所述患者年龄信息和所述体素尺寸信息。
5.一种上肢骨定位与前臂骨融合畸形的识别系统，其特征在于，包括：
获取模块，用于获取待测CT影像资料；
分割模块，用于对所述待测CT影像资料进行阈值分割，得到待测三维二值矩阵，具体包括：
读取单元，用于对所述待测CT影像资料进行读取，得到空间各体素坐标位置处对应的CT值，并根据所述CT值确定CT三维矩阵；
转化单元，用于根据预设骨阈值将所述CT三维矩阵转化为所述待测三维二值矩阵，具体包括：
确定所述预设骨阈值；
判断所述CT三维矩阵中的各个体素的CT值是否大于所述预设骨阈值，若是，则将所述体素所在区域确定为第一区域，若否，则将所述体素所在区域确定为第二区域；
根据所述第一区域和所述第二区域将所述CT三维矩阵转化为所述待测三维二值矩阵；所述第一区域中的体素记为1，将所述第二区域中的体素记为0；
确定模块，用于对所述待测三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个待测三维连通域；
分类模块，用于将所述待测三维连通域和所述待测三维连通域的属性参数输入至训练好的分类模型中，得到分类结果；所述分类结果包括多个属于上肢骨区域的待测三维连通域；
判断模块，用于根据所述分类结果对前臂骨融合畸形进行判断，具体包括：
若所述属于上肢骨区域的待测三维连通域的数量为1，则将所述待测CT影像资料确定为存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域中y方向的均值与所述待测CT影像资料y方向跨度的中值之差均小于第一预设判断阈值，则将所述待测CT影像资料确定为不存在前臂骨融合畸形的单侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量为2，且所述属于上肢骨区域的待测三维连通域分别位于CT影像资料y方向跨度中值两侧，且所述属于上肢骨区域的待测三维连通域中的两个y方向均值之差大于第二预设判断阈值，则将所述待测CT影像资料确定为存在前臂骨融合畸形的双侧前臂影像；
若所述属于上肢骨区域的待测三维连通域的数量大于2，则根据所述属于上肢骨区域的待测三维连通域中的均值将所述属于上肢骨区域的待测三维连通域分为左侧前臂影像和右侧前臂影像，再根据各侧连通域数量将所述左侧前臂影像和所述右侧前臂影像分为存在前臂骨融合畸形和不存在前臂骨融合畸形；
若单侧或双侧未诊断出存在前臂骨畸形，则计算所述存在前臂骨融合畸形的待测三维连通域的两个层均值，将层均值最小的所述待测三维连通域确定为前臂尺骨图像，将另一个所述待测三维连通域确定为前臂桡骨图像。
6.根据权利要求5所述的上肢骨定位与前臂骨融合畸形的识别系统，其特征在于，所述分类模块包括：
获取单元，用于获取多个训练CT影像资料；
分割单元，用于对所述训练CT影像资料进行阈值分割，得到多个训练三维二值矩阵；
确定单元，用于对所述训练三维二值矩阵依次进行三维连通域计算和噪音过滤，得到多个训练三维连通域；
标注单元，用于计算所述训练三维连通域的属性参数并根据预设标注信息对所述三维连通域进行标注；所述属性参数包括包含体素数量、表征CT层跨度、所在层均值和描述体素左右位置对应维度的均值；所述预设标注信息包括所述三维连通域所在的区域信息；
训练单元，用于根据标注后的所述三维连通域和输入参数对初始分类模型进行训练，得到训练模型参量；所述初始分类模型是基于最小二乘支持向量机构建的；所述输入参数包括所述属性参数；
构建单元，用于根据所述训练模型参量和所述初始分类模型确定所述训练好的分类模型。
CN202110948237.2A 2021-08-18 2021-08-18 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 Active CN113643263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110948237.2A CN113643263B (zh) 2021-08-18 2021-08-18 一种上肢骨定位与前臂骨融合畸形的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110948237.2A CN113643263B (zh) 2021-08-18 2021-08-18 一种上肢骨定位与前臂骨融合畸形的识别方法及系统

Publications (2)

Publication Number Publication Date
CN113643263A CN113643263A (zh) 2021-11-12
CN113643263B true CN113643263B (zh) 2024-07-26

Family

ID=78422643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110948237.2A Active CN113643263B (zh) 2021-08-18 2021-08-18 一种上肢骨定位与前臂骨融合畸形的识别方法及系统

Country Status (1)

Country Link
CN (1) CN113643263B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689683B (zh) * 2024-02-01 2024-05-03 江苏一影医疗设备有限公司 一种双腿膝关节运动状态图像处理方法、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866905A (zh) * 2019-11-12 2020-03-06 苏州大学 一种肋骨识别与标注方法
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10039513B2 (en) * 2014-07-21 2018-08-07 Zebra Medical Vision Ltd. Systems and methods for emulating DEXA scores based on CT images
CN111402284B (zh) * 2020-03-17 2023-07-25 中国人民解放军国防科学技术大学 一种基于三维连通性的图像阈值测定方法及装置
CN111968070B (zh) * 2020-04-22 2023-12-05 深圳睿心智能医疗科技有限公司 一种基于三维建模的血管检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866905A (zh) * 2019-11-12 2020-03-06 苏州大学 一种肋骨识别与标注方法
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置

Also Published As

Publication number Publication date
CN113643263A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN108648172B (zh) 一种基于3D-Unet的CT图肺结节检测系统
CN111369576B (zh) 图像分割模型的训练方法、图像分割方法、装置及设备
CN111462049B (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN109389129A (zh) 一种图像处理方法、电子设备及存储介质
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN112365980A (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
CN110246579B (zh) 一种病理诊断方法及装置
CN112950552B (zh) 一种基于卷积神经网络的肋骨分割标记方法及系统
CN111950595A (zh) 肝脏病灶图像处理方法、系统、存储介质、程序、终端
CN109685765A (zh) 一种基于卷积神经网络的x光片肺炎结果预测装置
CN110110723A (zh) 一种图像中目标区域自动提取的方法及装置
CN112634255B (zh) 脑部病灶检测模型的建立方法、装置以及计算机设备
CN112489053B (zh) 一种舌像分割方法、装置及存储介质
CN113298773A (zh) 基于深度学习的心脏视图识别与左心室检测装置、系统
CN113643263B (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统
CN116012568A (zh) 一种通过拍照心电图获取心电节律信息的系统
Chen et al. Detection of various dental conditions on dental panoramic radiography using Faster R-CNN
CN110428405A (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
CN110197722B (zh) Ai-cpu系统平台
CN109635646B (zh) 一种头部图像处理方法、系统、设备、存储介质
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
CN115880358A (zh) 定位模型的构建方法、影像标志点的定位方法及电子设备
Singh et al. Preprocessing of Medical Images using Deep Learning: A Comprehensive Review
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant