CN113763297A - 一种肩锁关节ct图像处理方法 - Google Patents

一种肩锁关节ct图像处理方法 Download PDF

Info

Publication number
CN113763297A
CN113763297A CN202110733878.6A CN202110733878A CN113763297A CN 113763297 A CN113763297 A CN 113763297A CN 202110733878 A CN202110733878 A CN 202110733878A CN 113763297 A CN113763297 A CN 113763297A
Authority
CN
China
Prior art keywords
image
acromioclavicular joint
acromioclavicular
processing method
pixel value
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
Application number
CN202110733878.6A
Other languages
English (en)
Inventor
夏睿
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.)
Anhui Provincial Hospital First Affiliated Hospital Of Ustc
Original Assignee
Anhui Provincial Hospital First Affiliated Hospital Of Ustc
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 Anhui Provincial Hospital First Affiliated Hospital Of Ustc filed Critical Anhui Provincial Hospital First Affiliated Hospital Of Ustc
Priority to CN202110733878.6A priority Critical patent/CN113763297A/zh
Publication of CN113763297A publication Critical patent/CN113763297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于一种肩锁关节CT图像处理方法，包括如下步骤：（1）获取患者的CT数据；（2）选取带有肩锁关节部位的CT图像进行图像融合；（3）对融合后的图像进行后处理得到肩锁关节的图像。本发明的肩锁关节CT图像处理方法，目的是研究正常的锁骨远端与肩峰的对应关系，为复位肩锁关节脱位以及锁骨远端骨折提供可靠的依据，此外可以使锁骨钩钢板安置到肩锁关节的最佳位置，使锁骨钩钢板的预弯塑性可以最佳适应肩峰的形态，达到更好的匹配，减少肩峰撞击，溶解等并发症。

Description

一种肩锁关节CT图像处理方法
技术领域
本发明属于CT图像技术领域，具体涉及一种肩锁关节CT图像处理方法。
背景技术
肩锁关节脱位为肩部的常见损伤，约占运动员肩关节损伤的40％，伴随的相关损伤的发生率为18％-39.3％，其中包括肩袖损伤约占32.3％，软骨损伤约占30.6％，盂唇损伤占22.6％。
X线检查一种低辐射剂量、经济的检查方法，在相当多的医院临床实践中还是属于检出肩锁关节脱位的常规手段，且对肩锁关节的随访，指导功能锻炼都具有重要的意义。常规的肩锁关节脱位的X射线诊断中有如下方法：(1)正位X射线：检查测量喙锁间距。正常成年人喙锁间平均距离为1.1-1.3cm，当患侧喙锁间距较健侧相比增大50％时，提示喙锁韧带断裂。(2)Zanca位：(X光机球管向头侧倾斜10°-15°)避免肩胛冈重叠，可以清晰地显示肩锁关节。(3)腋位片：检查主要用于观察锁骨前后移位情况，适用于RockwoodⅣ型损伤。(4)应力位检查(前臂提拉约4.5kg的重物)，因增加患者痛苦，不建议常规检查。当发现明显肩锁关节脱位而喙锁间距正常时，应考虑喙突骨折的可能。以往对于肩锁关节脱位的影像学诊断依靠Zanca位和腋位片，由于没有关于腋位片拍摄的标准位置的文献发表，也没有确定腋位片病理改变的客观测量，同时急性损伤患者因为疼痛而无法配合导致X射线片质量下降，因此肩锁关节脱位常被漏诊。
CT检查可清晰显示肩锁关节的对应关系，也可以精确显示喙锁间距及锁骨远端移位情况，3D成像技术更能用于微小骨折的诊断。但目前并没有学者利用CT对肩锁关节进行测量研究，术中也不能常规利用CT来判断肩锁关节的垂直和水平方向的移位以及锁骨钩钢板的放置位置是否合理。
锁骨钩钢板是国内外治疗手术治疗肩锁关节脱位最常用的方法。约有44％的外科医生使用锁骨钩钢板治疗肩锁节脱位。该方法符合肩锁关节的解剖及生物力学特点，操作简单，将钢板钩插入肩峰下，钢板近端以螺钉固定，依靠杠杆作用复位并维持肩锁关节的稳定，为韧带愈合提供一个稳定的无张力环境。不同钩角的锁骨钩板可诱导锁骨和肩峰产生不同的生物力学效应。
LI等(Fifteen-degree clavicular hook plate achieves better clinicaloutcomes in the treatment of acromioclavicular joint dislocation,J Int MedRes.J Int Med Res.2018)通过研究得出锁骨钩钢板的“钩角度”(板钩与水平面夹角)与预后相关，认为15°较0°而言具有术后肩关节疼痛减轻、康复更快等优势。较小的钩角增加锁骨中部1/3的应力，而较大的钩角增加对肩峰的应力。锁骨钩钢板广泛应用于临床的同时，也带来一些不容忽视的并发症，如肩关节疼痛、肩峰撞击综合征、肩袖损伤、再脱位、骨侵蚀和磨损等。因此，如何将锁骨钩钢板安置到肩锁关节的最佳位置，如何将锁骨钩钢板的预弯塑性最佳适应肩峰的形态，这些都需要术中以及术前的影像学评估(结合3D打印更佳)。
鉴于此，有必要开发一种肩锁关节的图像处理方法，通过图像处理获得准确的肩锁关节图像，为肩锁关节脱位的复位，即：将锁骨远端复位到肩峰的正常对应关系，也可以为正确置入锁骨钩钢板提供可靠的依据，使医生可以将锁骨钩钢板安置到肩锁关节的最佳位置，使锁骨钩钢板的预弯塑性最佳适应肩峰的形态，以及改进锁骨钩的匹配性提供放射学和解剖学的基础资料。
发明内容
为了解决上述问题，本发明公开了一种肩锁关节CT图像处理方法，通过CT图像处理获得较为准确的患者肩锁关节图像，为锁骨钩钢板的置入提供可靠的依据，使医生可以将锁骨钩钢板安置到肩锁关节的最佳位置，使锁骨钩钢板的预弯塑性可以最佳适应肩峰的形态，达到更好的匹配，减少肩峰撞击，溶解等并发症。
为了实现上述目的，本发明采用如下技术方案：
一种肩锁关节CT图像处理方法，包括如下步骤：
(1)获取患者的CT数据；
(2)选取带有肩锁关节部位的CT图像进行图像融合；
(3)都对融合后的图像进行后处理得到肩锁关节的图像。
作为优选，上述步骤(2)具体为：采取图像融合技术，将带有肩锁关节部位的CT图像进行融合，反映出肩锁关节的全貌。
作为优选，上述步骤(2)中，取全部待融合CT图像的对应像素值的最大值作为融合图像的像素值。
作为优选，上述融合图像的像素值为：Pi,j＝max(I1,i,j,I2,i,j,...,In,i,j)，其中，P代表融合后的图像，Pi,j代表图像P在(i,j)中的像素值，I1,I2,...,In为所选取的CT图像。
作为优选，上述步骤(3)包括图像二值化处理和图像平滑处理。
作为优选，上述图像二值化处理具体为：将图像像素值用0和255来代替原本的像素值，设置阈值T为170，若图像像素值大于等于T，则将图像像素值设为255，否则将图像像素值设为0。
作为优选，上述二值化处理后得到的图像为：
Figure BDA0003140791260000031
其中，S表示二值化处理后得到的图像。
作为优选，上述图像平滑处理采用的是有选择保边缘平滑法。
作为优选，上述有选择保边缘平滑法针对图像的任一像素值Si,j的5×5邻域，产生9个掩膜，其中包括中间一个3×3正方形、四个角各生成4个五边形以及4个六边形；
生成掩膜以后，计算各个掩膜的均值和方差，同时对9个掩膜的方差进行排序，方差最小的掩膜区的灰度均值即为新生成图像(i,j)处的像素值Fi,i；
Figure BDA0003140791260000032
Figure BDA0003140791260000033
其中，
Figure BDA0003140791260000034
表示像素Si,j对应的第h个掩膜中像素的方差，ki,j表示方差最小的掩膜的序号，
Figure BDA0003140791260000035
表示第ki,j个掩膜对应的第一个像素值，F表示图像平滑处理以后得到的新图像，Fi,j表示(i,j)处的像素值。
作为优选，上述步骤(2)中选取的CT图像是从人体颈部向下依次选取，选取的第一张CT图像为颈部向下刚开始出现肩锁关节部位的CT图像，选取的最后一张CT图像为融合后开始出现干扰部位的CT图像之前的一张CT图像。
本发明具有如下的有益效果：
(1)本发明的肩锁关节CT图像处理方法，通过CT图像处理获得较为准确的患者肩锁关节图像，为锁骨钩钢板的置入提供可靠的依据，使医生可以将锁骨钩钢板安置到肩锁关节的最佳位置，使锁骨钩钢板的预弯塑性可以最佳适应肩峰的形态，达到更好的匹配，减少肩峰撞击，溶解等并发症；
(2)从图1可以看出，融合后的图像仍然有许多干扰部位，为了更好地显示出肩锁关节部分，本发明对融合后的图像进行二值化处理，如图2所示，经二值化处理后的融合图像，去除了大部分除骨骼以外的其他部位，使得肩锁关节的边缘部分清晰可见，较好地提取出了肩锁关节部位；
(3)本发明中的图像平滑处理采用的是有选择保边缘平滑法，该方法用方差来衡量区域的均匀性，如果选择的区域内含有尖锐的边缘，那么它的方差值就会很大，如果不含边缘或者分布比较均匀的区域，此处的方差值就很小，因此最小方差所对应的区域就是分布最均匀的区域。同时，五边形和和六边形在该像素区域都有锐角，那么即使该像素位于一个复杂形状的尖角处，也会找到所对应的均匀的区域，从而在处理图像时，不会破坏边缘形状，也不会使图像模糊。因此采用这种平滑方法来处理肩锁关节图像，一方面可以保持骨骼的边缘信息，一方面可以去除图像中的噪声。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明选取不同CT图像进行融合的结果对比；
图2是本发明融合后的图像进行图像二值化处理后的结果；
图3是本发明图像平滑处理过程中的掩膜生成图；
图4是本发明二值化处理后的图像进行图像平滑处理后的结果。
具体实施方式
现在结合实施例对本发明作进一步详细的说明。
一种肩锁关节CT图像处理方法，包括如下步骤：
(1)获取患者的CT数据
(2)选取带有肩锁关节部位的CT图像进行图像融合
首先从患者的CT扫描图像中，选取带有肩锁关节部位的合适图像用于图像融合。CT图像的选取是至关重要的，所选取的图像需要呈现出肩锁关节的横切面图像，同时，又不能存在过多的干扰部位，否则，融合后的图像也会存在干扰部分，影响后续锁骨钩的定位。如图1所示为融合病人左部肩锁关节图像的过程，该病人的横断面CT图像选取前四张为宜，第五张图像的加入，使得融合后的图像出现干扰部位，影响融合图像后续的使用。因此，在选取CT图像时，以颈部向下刚开始出现肩锁关节部位的CT图像作为第一张，以开始出现干扰部位的CT图像之前的一张CT图像作为最后一张。所选取的图像记为I1,I2,...,In。
图像融合：
图像融合是用特定的算法将多张图像融合成一张新的图像，其融合结果包含更多融合物体的信息，可以更好地反映出融合物体的特征。在肩锁关节脱位治疗中，采取图像融合技术，将选取带有肩锁关节部位的CT图像进行融合，能够反映出肩锁关节的全貌，外科医生可以在进行外科手术时，提前在肩锁关节融合图像上进行观察，预判出锁骨钩放置信息，提高锁骨钩放置的稳固性。通过观察所选取的CT图像，背景区域的像素值较小，而骨骼部分的亮白区域像素值较大，为了更好地融合出肩锁关节的平面图像，可以取全部待融合图像的对应像素值的最大值来作为融合图像的像素值。
Pi,j＝max(I1,i,j,I2,i,j,...,In,i,j)
其中，P代表融合后的图像，Pi,j代表图像P在(i,j)中的像素值。由图1所示为多张带有肩锁关节部位的CT图像融合的过程，融合后的图像(四张图片融合结果)可以更好地反映出肩锁关节的二维图像平面特征，对下一步提取出肩锁关节部位做好了准备工作。
(3)都对融合后的图像进行后处理得到肩锁关节的图像(3-1)图像二值化处理
由图1可以看出，融合后的图像仍然有许多干扰部位，为了更好地显示出肩锁关节部分，本文对融合后的图像进行二值化处理，将图像像素值用0和255来代替原本的像素值。设置一个合适的阈值T(经过实验，阈值设为170时效果较好)。若图像像素值大于等于T，则将其像素值设为255，否则将其像素值设为0。
Figure BDA0003140791260000051
S表示二值化处理后得到的图像。如图2所示，经二值化处理后的融合图像，去除了大部分除骨骼以外的其他部位，使得肩锁关节的边缘部分清晰可见，较好地提取出了肩锁关节部位。
(3-2)图像平滑处理
图像平滑是指用于突出图像的宽大区域、低频成分、主干成分或抑制图像噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。观察图2，二值化处理得到的图像有部分噪声信息，比如骨骼部位会有黑色的区域，背景部位会有白色的部分，因此本小节采用图像平滑技术来突出肩锁关节骨骼部位以及抑制图像的噪声信息。
在使用肩锁关节CT图像治疗肩锁关节定位的过程中，肩锁关节骨骼部位的边缘是非常重要的，为了保持骨骼边缘信息，采用有选择保边缘平滑法来处理图像。
有选择保边缘平滑法针对图像的任一像素值Si,j的5×5邻域，产生9个掩膜，其中包括中间一个3×3正方形、四个角各生成4个五边形以及4个六边形。生成的掩膜如图3所示。
生成掩膜以后，计算各个掩膜的均值和方差，同时对9个掩膜的方差进行排序，方差最小的掩膜区的灰度均值即为新生成图像(i,j)处的像素值Fi,j。
Figure BDA0003140791260000052
Figure BDA0003140791260000053
其中，
Figure BDA0003140791260000061
表示像素Si,j对应的第h个掩膜中像素的方差，ki,j表示方差最小的掩膜的序号，
Figure BDA0003140791260000062
表示第ki,j个掩膜对应的第一个像素值，F表示图像平滑处理以后得到的新图像，Fi,j表示(i,j)处的像素值。
有选择保边缘平滑法用方差来衡量区域的均匀性，如果选择的区域内含有尖锐的边缘，那么它的方差值就会很大，如果不含边缘或者分布比较均匀的区域，此处的方差值就很小，因此最小方差所对应的区域就是分布最均匀的区域。同时，五边形和和六边形在该像素区域都有锐角，那么即使该像素位于一个复杂形状的尖角处，也会找到所对应的均匀的区域，从而在处理图像时，不会破坏边缘形状，也不会使图像模糊。因此采用这种平滑方法来处理肩锁关节图像，一方面可以保持骨骼的边缘信息，一方面可以去除图像中的噪声。从图4中我们可以看出，肩锁关节骨骼中的黑色部分以及背景中白色的干扰信息都得到了一定程度的改善。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种肩锁关节CT图像处理方法，其特征在于：包括如下步骤：
(1)获取患者的肩锁关节CT数据。
(2)选取带有肩锁关节部位的CT图像进行图像融合。
(3)对融合后的图像进行后处理得到肩锁关节的图像。
2.如权利要求1所述的肩锁关节CT图像处理方法，其特征在于：所述步骤(2)具体为：采取图像融合技术，将带有肩锁关节部位的CT图像进行融合，反映出肩锁关节的全貌。
3.如权利要求2所述的肩锁关节CT图像处理方法，其特征在于：所述步骤(2)中，取全部待融合CT图像的对应像素值的最大值作为融合图像的像素值。
4.如权利要求3所述的肩锁关节CT图像处理方法，其特征在于：所述融合图像的像素值为：Pi,j＝max(I1,i,j,I2,i,j,...,In,i,j)，其中，P代表融合后的图像，Pi,j代表图像P在(i,j)中的像素值，I1,I2,...,In为所选取的CT图像。
5.如权利要求1所述的肩锁关节CT图像处理方法，其特征在于：所述步骤(3)包括图像二值化处理和图像平滑处理。
6.如权利要求5所述的肩锁关节CT图像处理方法，其特征在于：所述图像二值化处理具体为：将图像像素值用0和255来代替原本的像素值，设置阈值T为170，若图像像素值大于等于T，则将图像像素值设为255，否则将图像像素值设为0。
7.如权利要求6所述的肩锁关节CT图像处理方法，其特征在于：所述二值化处理后得到的图像为：
Figure FDA0003140791250000011
其中，S表示二值化处理后得到的图像。
8.如权利要求5所述的肩锁关节CT图像处理方法，其特征在于：所述图像平滑处理采用的是有选择保边缘平滑法。
9.如权利要求8所述的肩锁关节CT图像处理方法，其特征在于：所述有选择保边缘平滑法针对图像的任一像素值Si,j的5×5邻域，产生9个掩膜，其中包括中间一个3×3正方形、四个角各生成4个五边形以及4个六边形；
生成掩膜以后，计算各个掩膜的均值和方差，同时对9个掩膜的方差进行排序，方差最小的掩膜区的灰度均值即为新生成图像(i,j)处的像素值Fi,j；
Figure FDA0003140791250000012
Figure FDA0003140791250000013
其中，
Figure FDA0003140791250000021
表示像素Si,j对应的第h个掩膜中像素的方差，ki,j表示方差最小的掩膜的序号，
Figure FDA0003140791250000022
表示第ki,j个掩膜对应的第一个像素值，F表示图像平滑处理以后得到的新图像，Fi,j表示(i,j)处的像素值。
10.如权利要求1所述的肩锁关节CT图像处理方法，其特征在于：所述步骤(2)中选取的CT图像是从人体颈部向下依次选取，选取的第一张CT图像为颈部向下刚开始出现肩锁关节部位的CT图像，选取的最后一张CT图像为融合后开始出现干扰部位的CT图像之前的一张CT图像。
CN202110733878.6A 2021-06-30 2021-06-30 一种肩锁关节ct图像处理方法 Pending CN113763297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110733878.6A CN113763297A (zh) 2021-06-30 2021-06-30 一种肩锁关节ct图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110733878.6A CN113763297A (zh) 2021-06-30 2021-06-30 一种肩锁关节ct图像处理方法

Publications (1)

Publication Number Publication Date
CN113763297A true CN113763297A (zh) 2021-12-07

Family

ID=78787541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110733878.6A Pending CN113763297A (zh) 2021-06-30 2021-06-30 一种肩锁关节ct图像处理方法

Country Status (1)

Country Link
CN (1) CN113763297A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663384A (zh) * 2022-03-18 2022-06-24 中国人民解放军陆军第九五〇医院 肩关节脱位识别系统、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985345A (zh) * 2018-06-25 2018-12-11 重庆知遨科技有限公司 一种基于肺部医学图像融合分类的检测装置
CN109949906A (zh) * 2019-03-22 2019-06-28 上海鹰瞳医疗科技有限公司 病理切片图像处理和模型训练方法及设备
CN111292306A (zh) * 2020-02-04 2020-06-16 北京航空航天大学 膝关节ct与mr图像融合方法及装置
CN111815735A (zh) * 2020-09-09 2020-10-23 南京安科医疗科技有限公司 一种人体组织自适应的ct重建方法及重建系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985345A (zh) * 2018-06-25 2018-12-11 重庆知遨科技有限公司 一种基于肺部医学图像融合分类的检测装置
CN109949906A (zh) * 2019-03-22 2019-06-28 上海鹰瞳医疗科技有限公司 病理切片图像处理和模型训练方法及设备
CN111292306A (zh) * 2020-02-04 2020-06-16 北京航空航天大学 膝关节ct与mr图像融合方法及装置
CN111815735A (zh) * 2020-09-09 2020-10-23 南京安科医疗科技有限公司 一种人体组织自适应的ct重建方法及重建系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663384A (zh) * 2022-03-18 2022-06-24 中国人民解放军陆军第九五〇医院 肩关节脱位识别系统、存储介质

Similar Documents

Publication Publication Date Title
CN108320288B (zh) 一种特发性脊柱侧凸影像的数据处理方法
CN102648482B (zh) 用于所选组织结构的图像分析的方法及系统
EP2385791B1 (en) Morphometry of the human hip joint and prediction of osteoarthritis
Takeyasu et al. Three-dimensional analysis of cubitus varus deformity after supracondylar fractures of the humerus
Hareendranathan et al. Toward automatic diagnosis of hip dysplasia from 2D ultrasound
Cheung et al. Development of 3-D ultrasound system for assessment of adolescent idiopathic scoliosis (AIS): and system validation
US8634626B2 (en) Registration of 3D tomography images
CN101452577B (zh) 一种肋骨自动标定的方法及装置
EP2365356B1 (en) Three-dimensional (3D) ultrasound system for scanning object inside human body and method for operating 3D ultrasound system
CN110177492A (zh) 用于治疗关节的方法和设备，包括髋关节中的凸轮型股骨髋臼撞击症和髋关节中的钳夹型股骨髋臼撞击症的治疗
WO2009107500A1 (ja) 医用画像処理装置、医用画像処理方法、プログラム
US20240261031A1 (en) Systems and methods for pre-operative visualization of a joint
Ruotolo et al. Velopharyngeal anatomy in 22q11. 2 deletion syndrome: a three-dimensional cephalometric analysis
JP2009207886A (ja) 椎骨中心検出装置および方法並びにプログラム
Tay et al. Osteoporosis screening using areal bone mineral density estimation from diagnostic CT images
Uemura et al. Do your routine radiographs to diagnose cam femoroacetabular impingement visualize the region of the femoral head-neck junction you intended?
CN109146993B (zh) 一种医学图像融合方法及系统
Varnavas et al. Increasing the automation of a 2D-3D registration system
Hu et al. Value and clinical application of orthopedic metal artifact reduction algorithm in CT scans after orthopedic metal implantation
Jiang et al. A fast 3-D ultrasound projection imaging method for scoliosis assessment
ten Berg et al. Quantifying scaphoid malalignment based upon height-to-length ratios obtained by 3-dimensional computed tomography
CN113763297A (zh) 一种肩锁关节ct图像处理方法
Miyake et al. 3-Dimensional deformity analysis of malunited forearm diaphyseal fractures
WO2007026787A1 (ja) Ｘ線画像処理システム及びその方法
Radzi et al. Can MRI accurately detect pilon articular malreduction? A quantitative comparison between CT and 3T MRI bone models

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