CN113647965B - 一种前臂骨识别方法及系统 - Google Patents

一种前臂骨识别方法及系统 Download PDF

Info

Publication number
CN113647965B
CN113647965B CN202111002088.7A CN202111002088A CN113647965B CN 113647965 B CN113647965 B CN 113647965B CN 202111002088 A CN202111002088 A CN 202111002088A CN 113647965 B CN113647965 B CN 113647965B
Authority
CN
China
Prior art keywords
detected
layer
preset
connected domain
domain
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
CN202111002088.7A
Other languages
English (en)
Other versions
CN113647965A (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 CN202111002088.7A priority Critical patent/CN113647965B/zh
Publication of CN113647965A publication Critical patent/CN113647965A/zh
Application granted granted Critical
Publication of CN113647965B publication Critical patent/CN113647965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种前臂骨识别方法及系统，方法包括对各张待测CT影像进行阈值划分和二维连通域计算，得到多个待测连通域；根据待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；采用逐层搜索的方式向预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；根据向预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；之后向预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；根据匹配连通域得到完整的前臂骨区域，本发明基于二维连通域算法、相邻层骨连通域追踪匹配方法及医学先验知识，能够实现在CT影像中，自动快速获取前臂尺骨及桡骨的所在区域，从而提高前臂骨识别的自动化程度。

Description

一种前臂骨识别方法及系统
技术领域
本发明涉及医学图像识别技术领域，特别是涉及一种前臂骨识别方法及系统。
背景技术
先天性前臂畸形指发生在上肢的各种畸形，发病率约为1/600。其表现多样，包括桡骨发育不良、巨肢、先天性尺桡骨畸形、尺桡骨成角畸形和旋转畸形等。
其中，先天性尺桡骨融合(Congenital footradius bone fusion，CRS)是一种较为罕见的上肢先天性骨发育畸形，其主要体现在尺桡骨的近端存在先天性骨性或软骨性连接。尺桡骨的先天性融合将导致前臂的主动和被动旋转功能丧失，导致患者上肢旋后功能障碍，随着患者年龄的增长，骨骼肌肉系统逐渐成熟，运动能力将进一步下降，症状逐渐加重，从而严重影响患者的日常生活。同时，该病为常染色体显性遗传。
目前，前臂畸形的诊断主要凭借医生的人工观察来实现，尺桡骨畸形通常包括尺骨/桡骨成角畸形和旋转畸形，其诊断一般是采用Mimics商用软件，由医生标注骨中轴和关键点landmark来实现，诊断未实现自动化，对于经验较少医生来说，存在较大的困难。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种前臂骨识别方法及系统，能够提高前臂骨识别的自动化程度。
为实现上述目的，本发明提供了如下方案：
一种前臂骨识别方法，包括
获取待测CT影像集；
对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
优选地，所述根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域，具体包括：
获取测试者的年龄数据；
根据所述年龄数据得到预测的前臂骨粗细数据；
根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值，并对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
优选地，所述采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域，包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的远端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的远端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的远端层方向上匹配的连通域确定为第一匹配连通域。
优选地，根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域匹配情况进行尺骨和桡骨的识别，具体包括：
判断失去匹配是否处于同一层，若否，将先失去匹配的像素区域确定为尺骨区域，将后失去匹配的像素区域确定为桡骨区域，若是，则将包含体素最多的区域确定为桡骨区域，将包含体素最少的区域确定为尺骨区域。
优选地，所述采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域，具体包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的近端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的近端层方向上匹配的连通域确定为第二匹配连通域。
优选地，在所述将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果之后，还包括：
当出现与近端方向相邻层的两个连通域均连通的连通域时，则确定出现为尺桡骨融合畸形。
优选地，所述预设层数为所述待测CT影像集的中间层数。
优选地，所述对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图，包括：
确定预设骨密度阈值；
根据所述预设骨密度阈值和所述待测CT影像得到所述待测的二值图。
一种前臂骨识别系统，应用于上述任一项所述的前臂骨识别方法，所述前臂骨识别系统包括：
获取模块，用于获取待测CT影像集；
阈值划分模块，用于对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
计算模块，用于对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
预设连通域确定模块，用于根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
第一匹配模块，用于采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
识别模块，用于根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
第二匹配模块，用于采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
前臂骨获取模块，用于根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
优选地，所述预设连通域确定模块包括：
获取单元，用于获取测试者的年龄数据；
骨骼粗细估计单元，根据所述年龄数据得到预测的前臂骨粗细数据；
预测数据计算单元，用于根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
待测数据计算单元，用于计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值；
判断单元，用于对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
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：
本发明提出的方法主要解决在前臂骨畸形诊断中，实现尺桡骨区域自动化识别及尺桡骨畸形自动化诊断问题。本发明将基于二维连通域算法、相邻层骨连通域追踪匹配方法及医学先验知识，能够实现在CT影像中，自动快速获取前臂尺骨及桡骨的所在区域，从而提高前臂骨识别的自动化程度。在具体实施例中，本发明给出是否存在尺桡骨融合畸形的诊断。通过给出前臂尺骨和桡骨所在区域，能够为尺骨和桡骨是否存在其他畸形的诊断提供必要的基础。
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流程图；
图2为本发明提供的实施例中的前臂尺桡骨自动识别及前臂尺桡骨融合自动诊断的流程图；
图3为本发明提供的实施例中的中间层CT影像对应二值图；
图4为本发明提供的实施例中自动挑选出的中间层前臂尺桡骨的连通域示意图；
图5为本发明提供的实施例中的初始矩形检测框示意图；
图6为本发明提供的实施例中的根据当前层连通域计算情况自动扩大后的矩形检测框示意图；
图7为本发明提供的实施例中的左侧远端227层连通域二值图局部图；
图8为本发明提供的实施例中的左侧远端228层连通域二值图局部图；
图9为本发明提供的实施例中的左侧远端229层连通域二值图局部图；
图10为本发明提供的实施例中的左侧远端230层连通域二值图局部图；
图11为本发明提供的实施例中的左侧前臂远端233层二值图局部图；
图12为本发明提供的实施例中的左侧前臂远端234层二值图局部图；
图13为本发明提供的实施例中的左侧前臂远端235层二值图局部图；
图14为本发明提供的实施例中的左侧前臂远端236层二值图局部图；
图15为本发明提供的实施例中的远端半段左侧桡骨连通域；
图16为本发明提供的实施例中的远端半段左侧尺骨连通域；
图17为本发明提供的实施例中的远端半段右侧桡骨连通域；
图18为本发明提供的实施例中的远端半段右侧尺骨连通域；
图19为本发明提供的实施例中的近端左侧尺桡骨的117层；
图20为本发明提供的实施例中的近端左侧尺桡骨的116层；
图21为本发明提供的实施例中的近端左侧尺桡骨的115层；
图22为本发明提供的实施例中的近端左侧尺桡骨的114层；
图23为本发明提供的实施例中的左侧尺桡骨区域；
图24为本发明提供的实施例中的右侧尺骨区域；
图25为本发明提供的实施例中的右侧桡骨区域。
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前臂骨识别方法及系统，能够实现前臂骨识别的自动化进行。
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为本发明提供的实施例中的识别方法流程图和前臂尺桡骨自动识别及前臂尺桡骨融合自动诊断的流程图，如图1和图2所示，本发明提供了一种前臂骨识别方法，包括
步骤100：获取待测CT影像集；
步骤200：对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
步骤300：对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
步骤400：根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
步骤500：采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
步骤600：根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
步骤700：采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
步骤800：根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
可选地，获取待测CT影像集包括获取患者前臂DICOM文件的CT影像，该影像应包含完整的前臂骨(即尺骨和桡骨)，可包含部分大臂(肱骨)和手部(腕骨、掌骨和指骨)。前臂方向应与CT影像层数走向大致平行(不歪的太离谱就行)，且前臂近端所在的CT层数小于前臂远端所在的CT层数。
优选地，所述CT影像集包括待检测的长骨。
可选地，所述预设层数为所述待测CT影像集的中间层数。
优选地，所述对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图，包括：
确定预设骨密度阈值；
根据所述预设骨密度阈值和所述待测CT影像得到所述待测的二值图。
具体的，初始阈值分割，提取CT影像中的骨区域，并将整副CT影像保存为与原始CT影像相同尺寸的二值三维图(骨区域为1，背景区域为0)，下简称二值图。
优选地，所述根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域，具体包括：
获取测试者的年龄数据；
根据所述年龄数据得到预测的前臂骨粗细数据；
根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值，并对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
具体的，读取DICOM文件中的患者年龄数据，预估患者前臂骨粗细。由于在CT平面图中，尺桡骨尺寸与其他物体(如CT床等)尺寸及形状相差较多，此处患者前臂尺桡骨粗细的预估误差对于中间层尺桡骨的识别并不敏感，可粗略取为dpredict＝10～15mm。并计算相应的预测周长Ppredict＝π·dpredict、预测面积
可选地，抽取二值图中的中间层(一般中间层对应尺桡骨中段中的某一层，具体体现为尺骨和桡骨未融合的状态)，若存在CT影像拍摄范围差异，该层可以由人工指定，但几乎不需花费人工工作量。对中间层进行二维连通域计算，对于得到的各个连通域，计算其周长Pc、面积Sc和区域致密度Rc＝Pc 2/Sc。基于如下公式计算各个连通域的评分：
其中，wP、wS和wR为对应于周长、面积和区域致密度的代价权重，体现在多个连通域中寻找尺骨连通域和桡骨连通域时，对三个判断指标的重视程度，对于前臂骨其比例可以取为wP:wS:wR＝1:1:10。
对各个连通域的cost值进行大小排序，比较各个连通域cost值的量级，若存在2个连通域的cost值的量级接近且远小于其他连通域的cost值的量级，则说明是单侧的前臂CT影像；若存在4个连通域的cost值的量级接近且远小于其他连通域的cost值的量级，则说明是双侧的前臂CT影像。若为其他情况，则比较这些cost值量级较小的连通域的相对距离，选取相对距离接近于1～3倍尺桡骨直径预测值dpredict的连通域，视为一组尺桡骨连通域。
具体的，对于得到的四个初始连通域，将其填充孔洞(即补充骨髓部分)，并依照其中心位置，分为左侧前臂和右侧前臂。记为中间层左侧前臂1、中间层左侧前臂2、中间层右侧前臂1和中间层右侧前臂2。
优选地，所述采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域，包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的远端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的远端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的远端层方向上匹配的连通域确定为第一匹配连通域。
作为一种可选的实施方式，下面以左侧为例说明如何寻找完整前臂骨。将中间层左侧前臂1和中间层左侧前臂2记录为相邻上一层左侧前臂1及相邻上一层左侧前臂2，基于两个连通域中像素点的二维坐标值，计算其最小矩形外框。将最小矩形外框向外扩大n个像素，得到的一个扩大的矩形外框区域(也可不扩大，适当扩大可进一步提高计算效率)；
本实施例中，根据相邻层的左侧/右侧区域，计算矩形框，在矩形框中计算连通域，并根据计算情况扩大矩形框，这样得到该层的骨连通域是完整的前臂骨区域。
可选地，先逐层追踪远端尺桡骨，在相邻的远端方向的一层，用扩大的矩形外框区域圈出对应区域，计算该区域的内部的连通域，并将各个连通域与相邻上一层左侧前臂1及相邻上一层左侧前臂2进行匹配，若存在相同像素，则将其记录为该层左侧前臂1或者该层左侧前臂2；若此两个连通域中部分像素点出现在扩大的矩形外框上，则将对应的矩形边向外移动1个单位,得到修改的矩形外框；然后，计算增加区域的连通域，并判断与之前的连通域是否相通，若是，则加入与之相通的该层左侧前臂1或该层左侧前臂2；循环该步骤，直到该层左侧前臂1连通域和该层左侧前臂2连通域无像素点出现在矩形框边缘上，将该层左侧前臂1和该层左侧前臂2连通域记录为上一层左侧前臂1和上一层左侧前臂2，并分别加入左侧前臂1和左侧前臂2中。
作为一种可选的实施方式，在本实施例中，所述预设检测步长为1，所述预设检测步长也可以为大于1的值，即本实施例中还可以由相邻的远端方向的偶数层进行追踪。
可选地，所述当前匹配连通域是一个N*3维的矩阵，其中N＝n1+n2+n3…对应每一层匹配到的骨头包括的像素数量。
循环上述步骤，直到左侧前臂1或左侧前臂2无匹配连通域。当左侧前臂1或左侧前臂2无匹配时，则继续用相同方法匹配另一根前臂骨，直到两根前臂骨均无匹配。
优选地，根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域匹配情况进行尺骨和桡骨的识别，具体包括：
判断失去匹配是否处于同一层，若否，将先失去匹配的像素区域确定为尺骨区域，将后失去匹配的像素区域确定为桡骨区域，若是，则将包含体素最多的区域确定为桡骨区域，将包含体素最少的区域确定为尺骨区域。
本实施例中根据医学知识自动判断尺骨/桡骨：将先消失的左侧前臂记为左侧尺骨、后消失的左侧前臂记为左侧桡骨；若两者与同一层消失，则将得到的半根左侧前臂1和左侧前臂2中，包含体素的数量较多者记录为左侧桡骨，包含体素数量较少者记录为左侧尺骨，完成左侧尺桡骨远端半段的识别及获取。
本实施例中，对于近端层的匹配如下所述：
所述采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域，具体包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的近端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的近端层方向上匹配的连通域确定为第二匹配连通域。。
优选地，在所述将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果之后，还包括：
当出现与近端方向相邻层的两个连通域均连通的连通域时，则确定出现为尺桡骨融合畸形。
具体的，下面进行尺桡骨近端的匹配和获取。在发生尺桡骨融合前，其匹配和获取与远端计算方式相同。当追踪到近端某一层时，该层矩形框中的连通域与相邻上一层中的两根骨头的连通域都匹配，则识别出尺桡骨融合畸形，其余段继续追踪，直至无匹配，说明前臂尺桡骨到达近端端点，完成尺桡骨的识别；若在近端半段的追踪过程中未出现某一层连通域与相邻上一层两根骨头连通域均相通的情况，直到近端端点，则认为该患者不存在尺桡骨畸形。
可选地，将尺桡骨近端半段连通域与远端半段连通域合并。得出是否存在近端尺桡骨融合畸形、尺桡骨所在位置及区域的结论。
在实际应用过程中，取一套男性五岁儿童的前臂CT影像资料，其保存格式为DICOM格式，共包含357张CT影像，完整包括双侧前臂尺桡骨，其中左侧前臂尺桡骨存在融合畸形，右侧为正常。
首先选取中间层CT影像，本实施例中选取层数为第179层。设定CT影像的骨密度阈值为226，得到该张CT影像的二值图。如图3所示。对其进行二维连通域分析，得到了连通域28个。
设定预测的骨直径为12mm，据此预测的前臂骨周长和面积如表1所示。
表1
计算连通域的大小，排除小于10像素的过小的连通域，认为其为干扰，然后分别计算其他各个连通域的周长、面积和区域致密度，如表所示。随后根据下式计算各各个连通域与预测值的加权距离。
其中，P、S和R分别表示连通域的周长、面积和区域致密度，和分别表示其预测值；WP、WS和WR分别表示关于周长、面积和区域致密度对于判断连通域是否属于前臂骨连通域的代价权重，T为矩阵的转置。本实施例中代价权重取值为WP＝1、WS＝1和WR＝10。
对加权距离进行从小到大排序，自动选出最小的四个加权距离对应的连通域，即编号5、2、3、1对应的连通域。图4中给出了对应连通域在二值图上的表示。
根据得到的四个前臂尺桡骨连通域，根据其x坐标大小，分为左侧前臂骨和右侧前臂骨，每侧包括两根前臂骨，分别对应尺骨或桡骨。
远端层逐层搜索(以左侧为例，右侧计算方法相同)，将左侧尺骨及桡骨连通域合并，并给出其初始范围矩形框，如图5所示。为使显示清晰，矩形方框各边分别向外移动了一个像素。
对灰色矩形框中的像素进行连通域计算，对得到的各个连通域分别与上一层的两个尺骨/桡骨连通域相匹配，若存在匹配，则加入对应的骨连通域中，否则忽略该连通域。
若两根前臂骨均得到匹配，则检测连通域上是否有像素在矩形框边缘上，如图5所示。由图5可见在灰色矩形框的上下和右边界上存在当前层尺桡骨连通域的像素点，对应边需要向外移动，则依次向外移动一行/一列像素，计算新增加行/列像素上的连通域，并根据其与灰色矩形框中的尺骨/桡骨连通域根据连通性进行合并，检测新的矩形框边缘上是否存在与尺桡骨匹配的像素点。若存在，则循环则再次扩大对应边，若不存在，则在初始矩形框边缘向外扩大1个像素，结束循环。最终得到的矩形框区域如图6所示。
采用相同的方法逐层搜索尺桡骨连通域，在第229层，左侧只有一根骨头得到匹配，说明左侧尺骨到达远端端点，则将失去匹配的那根骨头对应的体素连通域记录为左侧尺骨连通域，另一根体素连通域则记录为左侧桡骨连通域。对应该层的CT图像二值图如图7至图10所示，可证明算法的正确性。
在第235层时，左侧桡骨连通域失去匹配，左侧前臂到达远端端点，对应该层及附近层的CT图像二值图，如图11至图14所示。此处右下方为左侧桡骨连通域。自234层，左上方出现的连通域为大臂肱骨连通域。
得到的远端半段前臂骨如图15至图18所示。分别为左侧桡骨、左侧尺骨、右侧桡骨和右侧尺骨。
近端层采用与远端各层类似的方法，如图19至图22所示，在第115层时，左侧尺桡骨局部区域内出现一个连通域，该连通域与远端方向相邻层的左侧尺骨连通域和左侧桡骨连通域均连通，识别出左侧尺桡骨出现了融合畸形。
而右端近端直到尺骨和桡骨全部消失，也未出现尺骨和桡骨融合的特征，其对应的融合flag＝0。
最终得到的自动生成的左侧尺桡骨区域如图23至图25所示，右侧尺骨如所示，右侧桡骨如图10所示。
本发明还提供一种前臂骨识别系统，包括：
获取模块，用于获取待测CT影像集；
阈值划分模块，用于对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
计算模块，用于对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
预设连通域确定模块，用于根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
第一匹配模块，用于采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
识别模块，用于根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
第二匹配模块，用于采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
前臂骨获取模块，用于根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
优选地，所述预设连通域确定模块包括：
获取单元，用于获取测试者的年龄数据；
骨骼粗细估计单元，根据所述年龄数据得到预测的前臂骨粗细数据；
预测数据计算单元，用于根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
待测数据计算单元，用于计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值；
判断单元，用于对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
本发明的有益效果如下：
(1)本发明所提供的前臂尺桡骨自动识别的方案，先读入前臂尺桡骨CT影像资料，先自动识别出前臂中间一层的尺桡骨区域，然后逐层追踪尺桡骨区域，并根据医学先验知识，自动分类尺骨和桡骨，该过程无需三维建模，节省计算空间。
(2)本发明所提供的前臂尺桡骨自动识别及前臂尺桡骨融合自动诊断方案，实现了前臂尺桡骨识别及融合畸形的全自动识别，几乎不涉及人工操作，节省大量人力、物力。
(3)本发明所提供的前臂尺桡骨自动识别的方案，可以为后续其他畸形的诊断和治疗提供基础。
(4)本发明所提出的方法具有可重复性，这对于医学领域至关重要。因为这现了计算结果的可靠性及稳定性。
(5)本发明采用计算局部二维CT图像的连通域，计算速度更快，效率很高。
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 (10)

1.一种前臂骨识别方法，其特征在于，包括
获取待测CT影像集；
对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
2.根据权利要求1所述的前臂骨识别方法，其特征在于，所述根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域，具体包括：
获取测试者的年龄数据；
根据所述年龄数据得到预测的前臂骨粗细数据；
根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值，并对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
3.根据权利要求1所述的前臂骨识别方法，其特征在于，所述采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域，包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的远端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的远端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的远端层方向上匹配的连通域确定为第一匹配连通域。
4.根据权利要求1所述的前臂骨识别方法，其特征在于，根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域匹配情况进行尺骨和桡骨的识别，具体包括：
判断失去匹配是否处于同一层，若否，将先失去匹配的像素区域确定为尺骨区域，将后失去匹配的像素区域确定为桡骨区域，若是，则将包含体素最多的区域确定为桡骨区域，将包含体素最少的区域确定为尺骨区域。
5.根据权利要求1所述的前臂骨识别方法，其特征在于，所述采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域，具体包括：
根据所述预设层的连通域中像素点的二维坐标值计算矩形外框；
分别利用所述矩形外框在相邻的远端层进行规划，得到对应区域，并计算所述对应区域的连通域；
将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果；
若所述匹配结果中存在相同的像素，则将所述相同的像素合并到匹配的连通域中，若所述对应区域的连通域中的像素点出现在所述矩形外框上，则将所述矩形外框进行扩大，得到扩大区域，并判断所述扩大区域的连通域与所述对应区域的连通域是否匹配，若是，则将所述扩大区域的连通域合并到匹配的连通域中；
判断所述矩形外框的边缘是否存在像素点，若否，则返回所述分别利用所述矩形外框在相邻的近端层圈出对应区域，并计算所述对应区域的连通域，若是，则返回所述将所述矩形外框进行扩大；
若所述匹配结果中不存在相同的像素，则将向所述预设层数的近端层方向上匹配的连通域确定为第二匹配连通域。
6.根据权利要求5所述的前臂骨识别方法，其特征在于，在所述将所述对应区域的连通域分别与相邻的近端层进行匹配，得到匹配结果之后，还包括：
当出现与近端方向相邻层的两个连通域均连通的连通域时，则确定出现为尺桡骨融合畸形。
7.根据权利要求1所述的前臂骨识别方法，其特征在于，所述预设层数为所述待测CT影像集的中间层数。
8.根据权利要求1所述的前臂骨识别方法，其特征在于，所述对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图，包括：
确定预设骨密度阈值；
根据所述预设骨密度阈值和所述待测CT影像得到所述待测的二值图。
9.一种前臂骨识别系统，其特征在于，应用于权利要求1至8中任一项所述的前臂骨识别方法，所述前臂骨识别系统包括：
获取模块，用于获取待测CT影像集；
阈值划分模块，用于对所述待测CT影像集中的各张待测CT影像进行阈值划分，得到待测的二值图；
计算模块，用于对所述待测CT影像集的预设层数的二值图进行二维连通域计算，得到多个所述待测连通域；
预设连通域确定模块，用于根据各个所述待测连通域的属性参数和预测骨骼形状参数确定预设层的连通域；所述预设层的连通域所在的区域为该层对应的前臂骨区域；
第一匹配模块，用于采用逐层搜索的方式向所述预设层数的远端层的二值图进行连通域匹配，得到第一匹配连通域；
识别模块，用于根据向所述预设层数的远端层的二值图进行连通域匹配时的连通域消失情况进行尺骨和桡骨的识别；
第二匹配模块，用于采用逐层搜索的方式向所述预设层数的近端层的二值图进行连通域匹配，得到第二匹配连通域；
前臂骨获取模块，用于根据所述第一匹配连通域和所述第二匹配连通域得到完整的前臂骨区域。
10.根据权利要求9所述的前臂骨识别系统，其特征在于，所述预设连通域确定模块包括：
获取单元，用于获取测试者的年龄数据；
骨骼粗细估计单元，根据所述年龄数据得到预测的前臂骨粗细数据；
预测数据计算单元，用于根据所述前臂骨粗细数据计算预测周长、预测面积，以理想圆的区域致密度作为预测区域致密度；
待测数据计算单元，用于计算各个所述待测连通域的待测周长、待测面积和待测区域致密度，并根据所述预测周长、所述预测面积、所述预测区域致密度、所述待测周长、所述待测面积、所述待测区域致密度和预设权重值得到所述待测连通域的评分值；
判断单元，用于对所述评分值进行判断：
若存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，则将所述待测CT影像集确定为单侧前臂CT影像集，并将2个所述待测连通域确定为所述预设层的连通域；
若存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则所述待测CT影像集确定为双侧前臂CT影像集，并将4个所述待测连通域确定为所述预设层的连通域；
若不存在2个所述待测连通域的评分值的量级之差小于第一预设判断阈值，且2个所述待测连通域中的任意一个所述待测连通域的评分值的量级与其他所述待测连通域的所述评分值的量级之差小于第二预设判断阈值，且不存在4个所述待测连通域中的任意两个待测连通域的所述评分值的量级之差均小于所述第一预设判断阈值，且4个所述待测连通域中的任意1个所述待测连通域的所述评分值的量级与其他所述待测连通域的所述评分值的量级之差小于所述第二预设判断阈值，则判断所述评分值的量级小于第三预设判断阈值的各个待测连通域之间的相对距离是否处于预设范围，若是，则将所述评分值的量级小于第三预设判断阈值的各个待测连通域确定为尺桡骨连通域，并将所述尺桡骨连通域确定为所述预设层的连通域。
CN202111002088.7A 2021-08-30 2021-08-30 一种前臂骨识别方法及系统 Active CN113647965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111002088.7A CN113647965B (zh) 2021-08-30 2021-08-30 一种前臂骨识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111002088.7A CN113647965B (zh) 2021-08-30 2021-08-30 一种前臂骨识别方法及系统

Publications (2)

Publication Number Publication Date
CN113647965A CN113647965A (zh) 2021-11-16
CN113647965B true CN113647965B (zh) 2023-11-28

Family

ID=78482394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111002088.7A Active CN113647965B (zh) 2021-08-30 2021-08-30 一种前臂骨识别方法及系统

Country Status (1)

Country Link
CN (1) CN113647965B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108778134A (zh) * 2016-03-25 2018-11-09 珀金埃尔默健康科学有限公司 用于根据3d解剖图像表征骨骼的中心轴的系统和方法
CN109285154A (zh) * 2018-09-30 2019-01-29 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN110517234A (zh) * 2019-08-16 2019-11-29 杭州依图医疗技术有限公司 特征骨异常检测方法及装置
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法
WO2021105530A1 (es) * 2019-11-27 2021-06-03 Fundación Para La Investigación Del Hospital Universitario La Fe De La Comunidad Valenciana Método para obtener un biomarcador de imagen que cuantifica la calidad de la estructura trabecular de los huesos

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108778134A (zh) * 2016-03-25 2018-11-09 珀金埃尔默健康科学有限公司 用于根据3d解剖图像表征骨骼的中心轴的系统和方法
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN109285154A (zh) * 2018-09-30 2019-01-29 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN110517234A (zh) * 2019-08-16 2019-11-29 杭州依图医疗技术有限公司 特征骨异常检测方法及装置
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法
WO2021105530A1 (es) * 2019-11-27 2021-06-03 Fundación Para La Investigación Del Hospital Universitario La Fe De La Comunidad Valenciana Método para obtener un biomarcador de imagen que cuantifica la calidad de la estructura trabecular de los huesos

Also Published As

Publication number Publication date
CN113647965A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN108520519B (zh) 一种图像处理方法、装置及计算机可读存储介质
Kim et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
CN103098090B (zh) 多参数三维磁共振图像脑肿瘤分割方法
CN102842132B (zh) 一种ct肺结节检测方法
JP2018530401A5 (zh)
CN104956397A (zh) 基于自动空间上下文的3d图像中的多对象分段
CN104809740A (zh) 基于svm与弹性区域生长的膝软骨图像自动分割方法
CN111462049B (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN112102266A (zh) 基于注意力机制的脑梗死医学影像分类模型的训练方法
CN105488796A (zh) 肺分割方法
Ryou et al. Automated 3D ultrasound biometry planes extraction for first trimester fetal assessment
CN105809175A (zh) 一种基于支持向量机算法的脑水肿分割方法及系统
Lang et al. Automatic localization of landmarks in craniomaxillofacial CBCT images using a local attention-based graph convolution network
CN105046641A (zh) 从3d计算机断层扫描图像中自动骨盆展开的方法和系统
CN114663426B (zh) 一种基于关键骨区定位的骨龄评估方法
CN116309571B (zh) 一种基于半监督学习的三维脑血管分割方法和装置
CN111681204B (zh) 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置
CN114795258A (zh) 一种儿童髋关节发育不良诊断系统
CN105956386A (zh) 基于健康人胸片的健康指标指数分类系统和方法
CN108670301A (zh) 一种基于超声影像的脊柱横突定位方法
Li et al. Renal cortex segmentation using optimal surface search with novel graph construction
CN111815593A (zh) 基于对抗学习的肺结节域适应分割方法、装置及存储介质
CN111915620A (zh) 一种ct肋骨分割方法及装置
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置

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