CN113781382A - 脊椎压迫性骨折检测方法与系统 - Google Patents

脊椎压迫性骨折检测方法与系统 Download PDF

Info

Publication number
CN113781382A
CN113781382A CN202010624631.6A CN202010624631A CN113781382A CN 113781382 A CN113781382 A CN 113781382A CN 202010624631 A CN202010624631 A CN 202010624631A CN 113781382 A CN113781382 A CN 113781382A
Authority
CN
China
Prior art keywords
image
vertebral body
human body
compression fracture
vertebral
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
CN202010624631.6A
Other languages
English (en)
Other versions
CN113781382B (zh
Inventor
陈荣邦
许艾伶
黄冠杰
彭忆亭
高竟中
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.)
Quanta Computer Inc
Taipei Medical University TMU
Original Assignee
Quanta Computer Inc
Taipei Medical University TMU
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 Quanta Computer Inc, Taipei Medical University TMU filed Critical Quanta Computer Inc
Publication of CN113781382A publication Critical patent/CN113781382A/zh
Application granted granted Critical
Publication of CN113781382B publication Critical patent/CN113781382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • 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
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—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
    • A61B6/02—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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—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

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

Abstract

本发明公开一种脊椎压迫性骨折检测方法与系统，该方法包括以下步骤：将多个帧人体横状切面图像重组为一人体三维图像；利用一多平面重建法将该人体三维图像以矢状切面切分，取得至少一帧人体矢状切面图像；利用一分类筛选方法判断该人体矢状切面图像是否为脊椎椎体中段图像；利用一椎体检测方法，将被判断为脊椎椎体中段图像的人体矢状切面图像检测出各节椎体；利用一椎体标记方法，将该人体矢状切面图像中已描绘出的该各节椎体标记出椎体特征点；评估该人体矢状切面图像中的该各节椎体的压迫性骨折程度。

Description

脊椎压迫性骨折检测方法与系统
技术领域
本发明涉及一种脊椎压迫性骨折检测方法与系统，特别涉及以人体横状切面图像为输入，将该等图像进行重组、多平面重建、分类筛选、椎体检测、椎体标记等步骤，然后依据椎体标记的结果评估压迫性骨折程度的一种脊椎压迫性骨折检测方法与系统。
背景技术
近年随医疗持续进步、国人平均寿命增加。然而，跌倒却长年被列为中国台湾年长者事故伤害的第二大死因。与青壮年族群相比，长者跌倒造成的髋骨骨折与死亡风险大幅提升。据2009年中央健保署纪录显示，长者在髋骨骨折后的一年内死亡比率高出正常死亡率11％。长者在髋骨骨折前，多数已在早年发生椎脊压迫性骨折，据2017年中国台湾成人骨质疏松症防治的共识与指引指出，中国台湾长者平均脊椎压迫性骨折好发率为16.2％(约占48.2万人口数)。此现象显示长者的骨质已在早年开始严重流失，因而造成其在跌倒后发生髋骨骨折。但由于脊椎的椎体骨折在初期症状不明显亦或患者主诉的疼痛部位不明，导致错失早期发现的良机而延误治疗。虽然病患针对脊椎问题的主动检查率低，但由于计算机断层扫描(computerized axial tomography scan，CT scan)的适用范围广，且以胸腔、腹部或骨盆为标的的计算机断层图像中会包含脊椎成像，故临床医师能以该等常规计算机断层图像诊断脊椎压迫性骨折。
然而，一项针对732位一年内髋部骨折病人的研究显示，回溯其6年内的医疗图像，在157位具回溯性脊椎图像的病人当中发现有65具压迫性骨折，然仅有30人被准确记录，未被通报率高达54％(35/65)。另一份评估脊椎压迫性骨折的低通报率的潜在因子的综合性分析报告推测，临床常规计算机断层图像为横状切面图像，但实际上诊断脊椎压迫性骨折的最佳图像为矢状切面图像，医师因而难以从次优的常规计算机断层横状切面图像察觉椎体高度变化，进而导致大幅度低估脊椎压迫性骨折的好发率。综观源于病人的低自觉率与现行的低估率，突显发展通过计算机断层图像发展新型态广筛压迫性骨折系统的迫切性与必要性。
发明内容
有鉴于上述现有技术的限制，本发明拟提供一种脊椎压迫性骨折检测方法与系统，以常规计算机断层图像为输入，将该等图像进行重组、多平面重建、分类筛选、椎体检测与椎体标记等步骤，然后依据椎体标记的结果，评估压迫性骨折程度。
本发明的实施例公开一种脊椎压迫性骨折检测方法，包括以下步骤：将多个帧人体横状切面(axial plane)图像重组为一人体三维图像；利用一多平面重建法将该人体三维图像以矢状切面(sagittal plane)切分，取得至少一帧人体矢状切面图像；利用一分类筛选方法判断该人体矢状切面图像是否为脊椎椎体中段图像；利用一椎体检测方法，将被判断为脊椎椎体中段图像的人体矢状切面图像检测出各节椎体；利用一椎体标记方法，将该人体矢状切面图像中已检测出的该各节椎体标记出椎体特征点；依据该人体矢状切面图像的该各节椎体的标记结果，评估该人体矢状切面图像中的该各节椎体的压迫性骨折程度。
在本发明的实施例中所运用的分类筛选方法运用一训练完成的深度学习分类模型判别该人体矢状切面图像是否为脊椎椎体中段图像；其中，该深度学习分类模型的训练过程所需的输入数据，已被医疗领域专业人士判别与标注是否为脊椎椎体中段图像的多个帧人体矢状切面图像。
在本发明的实施例中所运用的椎体检测方法运用一训练完成的深度学习检测模型检测出该脊椎椎体中段图像中的各节椎体；其中，该深度学习检测模型的训练过程所需的输入数据，已被医疗领域专业人士描绘出各节椎体的多个帧人体矢状切面图像。
在本发明的实施例中所运用的椎体标记方法运用一深度学习特征点定位模型标记各节椎体特征点；其中，该深度学习特征点定位模型的训练过程所需的输入数据，已被医疗领域专业人士标注各节椎体特征点的人体矢状切面图像。
本发明的实施例公开一种脊椎压迫性骨折检测系统，包括一电子装置，该电子装置又包括一处理装置，以载入程序并执行上述脊椎压迫性骨折检测方法。
在某些实施例中，上述脊椎压迫性骨折检测系统还包括一存储装置，将计算机断层图像与病患基本信息存储为一特定文件格式的文件，并且可将该特定文件格式的文件传送给该电子装置；该电子装置接收来自该存储装置的特定文件格式的文件，将该文件解析为元数据(metadata)与图像数据，再将该图像数据作为输入，执行如权利要求1所述的脊椎压迫性骨折检测方法。
在某些实施例中，上述脊椎压迫性骨折检测系统，其中该处理装置还执行一镶嵌方法，将人体矢状切面图像的该各节椎体的标记结果与该各节椎体的压迫性骨折程度评估结果镶嵌至该人体矢状切面图像。
在某些实施例中，上述脊椎压迫性骨折检测系统，还包括一显示装置，该显示装置提供一用户界面以呈现被镶嵌各节椎体的标记结果与压迫性骨折程度后的该人体矢状切面图像，并且供医疗领域专业人士在该用户界面上校正该各节椎体的标记结果。
在某些实施例中，上述脊椎压迫性骨折检测系统，其中该处理装置还执行一特征点校正法，该特征点校正法包括：根据经医疗领域专业人士校正的特征点，运用一训练完成的深度学习特征点校正模型自动校正该节椎体的其他尚未被医疗领域专业人士校正的特征点的位置；根据该训练完成的深度学习特征点校正模型的校正结果，更新该人体矢状切面图像中被校正的该节椎体的压迫性骨折程度；其中，该深度学习特征点校正模型的训练过程所需的输入数据，已被医疗领域专业人士标注各节椎体特征点的人体矢状切面图像。
本发明的实施例所公开的脊椎压迫性骨折检测的方法与系统，可直接接收常规计算机断层图像作为输入，辅以人工智能技术评估受测者的压迫性骨折程度，突破了目前临床诊断脊椎压迫性骨折的限制，进而有助于提升脊椎压迫性骨折被“早期发现、早期治疗”的机会。
附图说明
图1是一种脊椎压迫性骨折检测方法100的流程图。
图2人体横状切面图像201与人体矢状切面图像202的示意图。
图3A是图1中的步骤S103的示意图。
图3B是该训练完成的深度学习分类模型301的训练过程310的流程图。
图4A是图1中的步骤S104的示意图。
图4B是该训练完成的深度学习检测模型401的训练过程410的流程图。
图5是在医学或解剖学领域中所已知与使用的脊椎构造图500。
图6A是图1中的步骤S105的示意图。
图6B是该训练完成的深度学习特征点定位模型601的训练过程610的流程图。
图6C是一脊椎椎体六点定位法620的示意图。
图7是图1中的步骤S106所采用的脊椎压迫性骨折程度评估方式700的示意图。
图8A是一种脊椎压迫性骨折检测系统800A的示意图。
图8B是另一种脊椎压迫性骨折检测系统800B的示意图。
图8C是再一种脊椎压迫性骨折检测系统800C的示意图。
图9是一人体矢状切面图像的镶嵌结果900的示意图。
图10是该训练完成的深度学习特征点校正模型的训练过程1000的流程图。
【符号说明】
100:脊椎压迫性骨折检测方法
S101～S106:步骤
201:人体横状切面图像
202:人体矢状切面图像
301:训练完成的深度学习分类模型
302:脊椎椎体中段图像
310:训练完成的深度学习分类模型301的训练过程
S311～S314:步骤
401:训练完成的深度学习检测模型
402:各节椎体的检测结果
402a:椎体
402b:方框
410:训练完成的深度学习检测模型401的训练过程
S411～S414:步骤
500:脊椎构造图
601:训练完成的深度学习特征点定位模型
602:各节椎体特征点的标记结果
610:训练完成的深度学习特征点定位模型601的训练过程
S611～S614:步骤
620:脊椎椎体六点定位法
621:前上点
622:后上点
623:前下点
624:后下点
625:上线段
626:下线段
627:中线段
628:中上点
629:中下点
630:椎体
700:脊椎压迫性骨折程度评估方式
800A～800C:脊椎压迫性骨折检测系统
801:电子装置
802:处理装置
803:存储装置
804:特定文件格式的文件
805:元数据
806:图像数据
807:第四数据库
808:医疗信息系统
809:脊椎性压迫性骨折检测报告
900:人体矢状切面图像的镶嵌结果
901:特征点
902:压迫性骨折程度
903:椎体名称
1000:训练完成的深度学习特征点校正模型的训练过程
S1001～S1004:步骤
具体实施方式
本章节所叙述的是实施本发明的较佳方式，目的在于说明本发明的精神而非用以限定本发明的保护范围，本发明的保护范围当视所附权利要求书界定范围为准。
根据本发明的实施例，图1是一种脊椎压迫性骨折检测方法100的流程图，依序包括S101～S106等步骤。首先，在步骤S101，将受测者的多个帧人体横状切面图像重组为一人体三维图像，然后进入步骤S102；在步骤S102，将该人体三维图像以矢状面切分，取得至少一帧人体矢状切面图像，然后进入步骤S103；在步骤S103，利用一分类筛选方法判断该人体矢状切面图像是否为脊椎椎体中段图像，然后进入步骤S104；在步骤S104，利用一椎体检测方法，将被判断为脊椎椎体中段图像的人体矢状切面图像检测出各节椎体，然后进入步骤S105；在步骤S105，利用一椎体标记方法，将该人体矢状切面图像中已描绘出的该各节椎体标记出椎体特征点，然后进入步骤S106；在步骤S106，依据该人体矢状切面图像的该各节椎体的标记结果，评估该人体矢状切面图像的该各节椎体的压迫性骨折程度。
根据本发明的实施例，图2是人体横状切面图像201与人体矢状切面图像202的示意图。如图2所示，人体横状切面图像201是一个以横状面(axial plane，又称「水平面」)切分人体而取得的人体图像，该横状面与地面平行，并将人体切分为上下两侧；人体矢状切面图像202是一个以矢状面(sagittal plane，又称「纵切面」)切分人体而取得的人体图像，该矢状面与地面垂直，如箭矢往人体正面射来的方向、由前而后地把人体切分为左右两侧。
在本发明的实施例中，图1中的步骤S101将受测者的多个帧人体横状切面图像201重组为一人体三维图像。其中，为了重组该人体三维图像所使用的多个帧人体横状切面图像201的数目，根据病患接受计算机断层照射的部位所决定。该计算机断层照射的部位可例如为胸腔、腹腔或骨盆，由于该等部位的横状切面图像中亦会包含脊椎的横状切面图像，故从多个帧该等部位的横状切面图像所重组出的三维图像亦会包含脊椎的三维图像。
在本发明的实施例中，图1中的步骤S102将执行步骤S101后所取得的该人体三维图像以矢状面切分，取得至少一帧人体矢状切面图像202。
根据本发明的实施例，图3A是图1中的步骤S103的示意图。如图3A所示，步骤S103将执行步骤S102后所取得的该人体矢状切面图像202输入至一训练完成的深度学习分类模型301，然后取得该人体矢状切面图像202是否为脊椎椎体中段图像的判断结果，并根据此结果筛选出脊椎椎体中段图像302。在某些实施例中，脊椎中段图像指在所有的人体矢状切面图像中，较完整地涵盖脊椎椎体的人体矢状切面图像。
根据本发明的实施例，图3B是该训练完成的深度学习分类模型301的训练过程310的流程图，依序包括S311～S314等步骤。首先，在步骤S311，从一第一数据库中取得多个帧人体矢状切面图像作为一第一数据集，然后进入步骤S312；在步骤S312，由医疗领域专业人士(例如医师、医事放射师或研究员)对该第一数据集中的人体矢状切面图像是否为脊椎椎体中段图像加以标注，然后进入步骤S313；在步骤S313，将已被医疗领域专业人士标注的该第一数据集进行分组并输入一深度学习分类模型，然后进入步骤S314；在步骤S314，通过反复地参数调校，优化该深度学习分类模型的准确率；执行完上述步骤，取得训练完成的深度学习分类模型301，该训练完成的深度学习分类模型301具有判断一人体矢状切面图像是否为脊椎椎体中段图像的功能。
在某些实施例中，在步骤S311，该第一数据库可例如为从某(些)医院过往的计算机断层图像与其临床诊断报告图像的数据库，该数据库的内容包含无压迫性骨折与有压迫性骨折的脊椎椎体中段与非中段图像。
在某些实施例中，在步骤S313，该第一数据集可被分为独立的三组，分别为训练数据集用于构建计算模型、验证数据集用于调校模型参数、测试数据集用于加试检验模型准确率。
在某些实施例中，在步骤S313，该深度学习分类模型可例如为一GoogLeNet、ResNet或InceptionResNet等基于卷积神经网络(Convolutional Neural Network，CNN)的标准架构再加以变化的图像分类(image classification)模型。
在某些实施例中，若该人体矢状切面图像202含植入物或植入物造成的成像假影，则无法继续进行压迫性骨折的检测与分析。因此，图1中的步骤S103除了可被用于判断该人体矢状切面图像202是否位于脊椎中段外，也可被如法炮制地用于判断该人体矢状切面图像202是否含有植入物或植入物造成的成像假影。
根据本发明的实施例，图4A是图1中的步骤S104的示意图。如图4A所示，步骤S104将脊椎椎体中段图像302输入至一训练完成的深度学习检测模型401，然后取得各节椎体的检测结果402。其中，该各节椎体的检测结果402包括多个椎体402a以及多个方框402b，且该等方框402b以一矩形包围住该等椎体402a，且该等方框402b的具体表述方式可例如包括图像中之一参考点坐标(例如为各该等方框402b的左上角顶点)，以及各该等方框402b的长度与宽度。换句话说，在各节椎体的检测结果402中，各该等椎体402a被描绘出来以代表检测结果的方式，具体而言以一矩形的方框402b描绘出各该等椎体402a在图像中的位置与范围。
根据本发明的实施例，图4B训练完成的深度学习检测模型401的训练过程410的流程图，依序包括S411～S414等步骤。首先，在步骤S411，从一第二数据库中取得多个帧脊椎椎体中段图像作为一第二数据集，然后进入步骤S412；在步骤S412，由医疗领域专业人士(例如医师、医事放射师或研究员)描绘出该第二数据集中的脊椎椎体中段图像的各节椎体，然后进入步骤S413；在步骤S413，将已被医疗领域专业人士描绘出各节椎体(描绘方式如同图4A的各节椎体的检测结果402)的该第二数据集进行分组并输入一深度学习检测模型，然后进入步骤S414；在步骤S414，通过反复地参数调校，优化该深度学习检测模型的准确率；执行完上述步骤，取得训练完成的深度学习检测模型401，该训练完成的深度学习检测模型401具有检测出一脊椎椎体中段图像的各节椎体的功能。
在某些实施例中，在步骤S411，该第二数据库可例如为从某(些)医院过往的计算机断层图像与其临床诊断报告图像的数据库，该数据库的内容包含无压迫性骨折与有压迫性骨折的脊椎椎体中段图像。
在某些实施例中，在步骤S413，该第二数据集可被分为独立的三组，分别为训练数据集用于构建计算模型、验证数据集用于调校模型参数、测试数据集用于加试检验模型准确率。
在某些实施例中，在步骤S413，该深度学习检测模型可例如为一SSD(Single ShotMultiBox Detector)、YOLO(You Only Look Once)、Faster-RCNN、Mask-RCNN等基于CNN的标准架构再加以变化的物件检测(object detection)模型。
图5是在医学或解剖学领域中所已知与使用的脊椎构造图500。在某些实施例中，各节椎体的检测结果402可再进一步采用前述的深度学习分类模型，判断其中各节椎体对应脊椎构造图500中的所在位置与名称，例如第十二胸椎(脊椎构造图500中的T12)、第一腰椎(脊椎构造图500中的L1)、第五腰椎(脊椎构造图500中的L5)等。
根据本发明的实施例，图6A是图1中的步骤S105的示意图。如图6A所示，步骤S105将各节椎体的检测结果402输入至一训练完成的深度学习特征点定位模型601，然后取得各节椎体的标记结果602。
根据本发明的实施例，图6B是该训练完成的深度学习特征点定位模型601的训练过程610的流程图，依序包括S611～S614等步骤。首先，在步骤S611，从一第三数据库中取得多个帧脊椎椎体中段图像作为一第三数据集，然后进入步骤S612；在步骤S612，由医疗领域专业人士(例如医师、医事放射师或研究员)对该第三数据集中的脊椎椎体中段图像的各节椎体加以标注特征点，然后进入步骤S613；在步骤S613，将已被医疗领域专业人士标注各节椎体特征点的该第三数据集进行分组并输入一深度学习特征点定位模型，然后进入步骤S614；在步骤S614，通过反复地参数调校，优化该深度学习特征点定位模型的准确率；执行完上述步骤，取得训练完成的深度学习特征点定位模型，该训练完成的深度学习特征点定位模型具有标记出椎体特征点的功能。
在某些实施例中，在步骤S611，该第三数据库可例如为从某(些)医院过往的计算机断层图像与其临床诊断报告图像的数据库，该数据库的内容包含无压迫性骨折与有压迫性骨折的脊椎椎体中段图像。
在某些实施例中，上述的第一数据库、第二数据库与第三数据库可以是相同的数据库。
在某些实施例中，在步骤S613，该第三数据集可被分为独立的三组，分别为训练数据集用于构建计算模型、验证数据集用于调校模型参数、测试数据集用于加试检验模型准确率。
在某些实施例中，在步骤S613，该深度学习特征点定位模型可例如基于一回归分析(regression analysis)模型、图像分割模型、Mask-RCNN、Convolutional PoseMachines(CPM)、Keypoint RCNN等模型，其训练过程以缩小机器输出标记结果与医疗领域专业人士标注之间的误差距离为目标，通过反复训练及参数调校的过程，优化该模型的准确率。
根据本发明较佳的实施例，图6C是一脊椎椎体六点定位法620的示意图。在此较佳的实施例中，各节椎体周边被标记的特征点的数目为六，即所谓脊椎椎体的六点(前上、前下、中上、中下、后上、后下等周边六点)定位。如图6C所示，标记一椎体630周边六点的顺序(对于医疗领域专业人士标注与深度学习特征点定位模型标记皆如此)，具体而言先标记出该椎体630之前上点621、后上点622、前下点623与后下点624等角落四点，然后将前上点621与后上点622连为一线以取得一上线段625，将前下点623与后下点624连为一线以取得一下线段626；将该上线段625与该下线段626的中点连为一线以取得一中线段627；最后，取得该中线段627与该椎体630的边缘轮廓的两个相交点，即中上点628与中下点629。
根据本发明的实施例，图7是图1中的步骤S106所采用的脊椎压迫性骨折程度评估方式700的示意图。在该实施例中，分别取得该椎体630之前上点621与前下点623的直线距离hanterior、中上点628与中下点629的直线距离hmiddle、后上点622与后下点624的直线距离hposterior，以及邻近椎体之后上点与后下点的直线距离hposterior-adjacent(未在图式中)，然后将hanterior、hmiddle、hposterior与hposterior-adjacent代入以下公式，以得出该椎体630的压迫性骨折比率A-D。
压迫性骨折比率
Figure BDA0002564325330000101
压迫性骨折比率
Figure BDA0002564325330000102
压迫性骨折比率
Figure BDA0002564325330000103
压迫性骨折比率
Figure BDA0002564325330000104
在较佳的实施例中，可再进一步将各节椎体的压迫性骨折比率A对照Genant’scriteria，以取得该各节椎体的压迫性骨折程度的分级。具体而言，Genant’s criteria现行分为四级，即
grade 0(正常)：压迫性骨折比率小于20％。
grade 1(轻微骨折)：压迫性骨折比率大于或等于20％且小于25％。
grade 2(中度骨折)：压迫性骨折比率大于或等于25％且小于40％。
grade 3(严重骨折)：压迫性骨折比率大于或等于40％
在某些实施例中，当该椎体630的压迫性骨折比率B-D中的至少一个与正常族群的平均水准相比高出15％或3个标准差以上，则判定该椎体630具压迫性骨折。
根据本发明的实施例，图8A是一种脊椎压迫性骨折检测系统800A的示意图。如图8A所示，该脊椎压迫性骨折检测系统800A包括一电子装置801，该电子装置801又包括一处理装置802，以载入程序并执行脊椎压迫性骨折检测方法100。
根据本发明的实施例，图8B是另一种脊椎压迫性骨折检测系统800B的示意图。如图8B所示，除了具有如图8A所示的电子装置801之外，该脊椎压迫性骨折检测系统800B还包括一存储装置803；该存储装置803将计算机断层图像与病患基本信息存储为一特定文件格式的文件804，并且可将该特定文件格式的文件804传送给该电子装置801；该电子装置801接收来自存储装置803的特定文件格式的文件804，然后将该特定文件格式的文件804解析为元数据805与图像数据806；将该图像数据806作为输入数据，执行脊椎压迫性骨折检测方法100。
在某些实施例中，该存储装置803可以是例如为一以设定安全序号的外接硬盘(Hard drive，HD)、计算机断层摄影(computed tomography，CT)装置，或一医学图像存档与通信系统(Picture archiving and communication systems，PACS)。
在某些实施例中，特定文件格式的文件804的文件格式是一遵从医疗数字图像传输协议(Digital Imaging and Communications in Medicine，DICOM)的文件格式。
根据本发明的实施例，图8C是再一种脊椎压迫性骨折检测系统800C的示意图。如图8C所示，除了具有如图8B所示的该电子装置801与该存储装置803之外，该脊椎压迫性骨折检测系统800C还包括一第四数据库807；该第四数据库807可以是搭载在电子装置801上，也可以是搭载在其他电子装置上。如图8C所示，该电子装置801会将执行脊椎压迫性骨折检测方法100后所取得的各节椎体的检测结果402、各节椎体特征点的标记结果602，以及各节椎体的压迫性骨折比率等信息，写入或更新至该第四数据库807。
在某些实施例中，该电子装置801运用一元数据解析器(metadata parser)解析出元数据805中例如为病患的姓名、性别、年龄、测量日期…等数据字段，再将该等数据字段存储或更新至该第四数据库807。
在某些实施例中，该第四数据库807向一医疗信息系统808(例如为一放射科信息系统)请求并获取病患们的病历，然后利用一内建的字典比对该病历中所出现的关键字，以解析出该等病历中的必要信息，并将该等必要信息写入或更新至该第四数据库807。
在某些实施例中，脊椎压迫性骨折检测系统800C可根据该第四数据库807中记载的内容，自动产生图文具备的脊椎性压迫性骨折检测报告809。
在某些实施例中，上述脊椎压迫性骨折检测系统800A、脊椎压迫性骨折检测系统800B或脊椎压迫性骨折检测系统800C中的该处理装置802更执行一镶嵌方法，将人体矢状切面图像的该各节椎体的标记结果与该各节椎体的压迫性骨折程度评估结果镶嵌至该人体矢状切面图像，并将镶嵌至该人体矢状切面图像的结果写入或更新至医疗信息系统808。
在某些实施例中，上述脊椎压迫性骨折检测系统800A、脊椎压迫性骨折检测系统800B或脊椎压迫性骨折检测系统800C还包括一显示装置(未在图式中)，该显示装置提供一用户界面以呈现被镶嵌标记结果与压迫性骨折程度后的该人体矢状切面图像，并且供医疗领域专业人士在该用户界面上校正该各节椎体的标记结果。
根据本发明的实施例，图9是一人体矢状切面图像的镶嵌结果900的示意图。如图9所示，该人体矢状切面图像的镶嵌结果900包含各节椎体的特征点901、压迫性骨折程度902以及椎体名称903。其中，压迫性骨折程度902包括该人体矢状切面图像的各节椎体的压迫性骨折比率与分级结果(依据前述的Genant’s criteria)。如图9的特征点901、压迫性骨折程度902以及椎体名称903所示，在本实施例中，该人体矢状切面图像中的椎体L2的压迫性骨折比率为88％，属于Grade 3(严重骨折)的等级。
在某些实施例中，上述脊椎压迫性骨折检测系统800A、脊椎压迫性骨折检测系统800B或脊椎压迫性骨折检测系统800C更执行一特征点校正法，根据经医疗领域专业人士校正的特征点，运用一训练完成的深度学习特征点校正模型自动校正该节椎体的其他尚未被医疗领域专业人士校正的特征点的位置，然后再根据该训练完成的深度学习特征点校正模型的校正结果，更新该人体矢状切面图像中被校正的该节椎体的压迫性骨折程度。
例如，在一实施例中，医疗领域专业人士在该用户界面上校正了该人体矢状切面图像中某一椎体之前上点的位置，则该脊椎压迫性骨折检测系统会将经医疗领域专业人士校正过的该人体矢状切面图像输入至该训练完成的深度学习特征点校正模型，该训练完成的深度学习特征点校正模型则自动校正除了前上点之外，该节椎体的其他五个尚未被医疗领域专业人士校正的特征点的位置，即前下、中上、中下、后上、后下等五个特征点的位置。然后，该脊椎压迫性骨折检测系统根据该训练完成的深度学习特征点校正模型的校正结果，重新计算被校正的该节椎体的压迫性骨折程度，并将重新计算后的该节椎体的压迫性骨折程度更新至图9的人体矢状切面图像的镶嵌结果900上。
根据本发明的实施例，图10是该训练完成的深度学习特征点校正模型的训练过程1000的流程图，依序包括S1001～S1004等步骤。首先，在步骤S1001，从一第五数据库中取得多个帧人体矢状切面图像作为一第五数据集，然后进入步骤S1002；在步骤S1002，由医疗领域专业人士(例如医师、医事放射师或研究员)对该第五数据集中的脊椎椎体中段图像的各节椎体加以标注特征点，然后进入步骤S1003；在步骤S1003，将已被医疗领域专业人士标注各节椎体特征点的该第五数据集进行分组并输入一深度学习特征点校正模型，然后进入步骤S1004；在步骤S1004，通过反复地参数调校，优化该深度学习特征点校正模型的准确率；执行完上述步骤，取得训练完成的深度学习特征点校正模型，该训练完成的深度学习特征点校正模型具有校正出椎体特征点的功能，并将镶嵌结果900写入或更新至医疗信息系统808。
在某些实施例中，在步骤S1003，该深度学习特征点校正模型是一基于人工神经网络(Artificial Neural Network，ANN)的模型，其训练过程以缩小机器标记结果与医疗领域专业人士标注之间的误差距离为目标，通过反复训练及参数调校的过程，优化该模型的准确率。
本发明的实施例所公开的脊椎压迫性骨折检测的方法与系统，可直接接收常规计算机断层图像作为输入，辅以人工智能技术评估受测者的压迫性骨折程度，突破了目前临床诊断脊椎压迫性骨折的限制，进而有助于提升脊椎压迫性骨折被“早期发现、早期治疗”的机会。
在本说明书中以及权利要求书中的序号，例如“第一”、“第二”等等，仅为了方便说明，彼此之间并没有顺序上的先后关系。
以上段落使用多种层面描述。显然的，本文的教示可以多种方式实现，而在范例中公开的任何特定架构或功能仅为一代表性的状况。根据本文的教示，任何本领域技术人员应理解在本文公开的各层面可独立实作或两种以上的层面可以合并实作。
虽然本公开已以实施例公开如上，然其并非用以限定本公开，任何本领域技术人员，在不脱离本公开的精神和范围内，当可作些许的更动与润饰，因此发明的保护范围当视所附权利要求书界定范围为准。

Claims (9)

1.一种脊椎压迫性骨折检测方法，包括下列步骤：
将多个帧人体横状切面图像重组为人体三维图像；
利用多平面重建法将该人体三维图像以矢状切面切分，取得至少一帧人体矢状切面图像；
利用分类筛选方法判断该人体矢状切面面图像是否为脊椎椎体中段图像；
利用椎体检测方法，将被判断为脊椎椎体中段图像的人体矢状切面图像检测出各节椎体；
利用椎体标记方法，将该人体矢状切面图像中已检测出的该各节椎体标记出椎体特征点；
依据该人体矢状切面图像的该各节椎体的标记结果，评估该人体矢状切面图像中的该各节椎体的压迫性骨折程度。
2.如权利要求1所述的脊椎压迫性骨折检测方法，其中该分类筛选方法运用训练完成的深度学习分类模型判别该人体矢状切面图像是否为脊椎椎体中段图像；
其中，该深度学习分类模型的训练过程所需的输入数据，已被医疗领域专业人士判别与注记是否为脊椎椎体中段图像的多个帧人体矢状切面图像。
3.如权利要求1所述的脊椎压迫性骨折检测方法，其中该椎体描绘方法运用训练完成的深度学习检测模型检测出该脊椎椎体中段图像中的各节椎体；
其中，该深度学习分检测模型的训练过程所需的输入数据，已被医疗领域专业人士描绘出各节椎体的多个帧人体矢状切面图像。
4.如权利要求1所述的脊椎压迫性骨折检测方法，其中该椎体标记方法运用深度学习特征点定位模型标记各节椎体特征点；
其中，该深度学习特征点定位模型的训练过程所需的输入数据，已被医疗领域专业人士标注各节椎体特征点的人体矢状切面图像。
5.一种脊椎压迫性骨折检测系统，包括：
电子装置，包括处理装置，以载入程序并执行如权利要求1所述的脊椎压迫性骨折检测方法。
6.如权利要求5所述的脊椎压迫性骨折检测系统，还包括：
存储装置，将计算机断层图像与病患基本信息存储为特定文件格式的文件，并且可将该特定文件格式的文件传送给该电子装置；
该电子装置接收来自该存储装置的特定文件格式的文件，将该文件解析为元数据与图像数据，再将该图像数据作为输入，执行如权利要求1所述的脊椎压迫性骨折检测方法。
7.如权利要求5或6所述的脊椎压迫性骨折检测系统，其中该处理装置还执行镶嵌方法，将人体矢状切面图像的该各节椎体的标记结果与该各节椎体的压迫性骨折程度评估结果镶嵌至该人体矢状切面图像。
8.如权利要求7所述的脊椎压迫性骨折检测系统，还包括显示装置，该显示装置提供用户界面以呈现被镶嵌各节椎体的标记结果与压迫性骨折程度后的该人体矢状切面图像，并且供医疗领域专业人士在该用户界面上校正该各节椎体的标记结果。
9.如权利要求8所述的脊椎压迫性骨折检测系统，其中该处理装置还执行特征点校正法，该特征点校正法包括：
根据经医疗领域专业人士校正的特征点，运用训练完成的深度学习特征点校正模型自动校正该节椎体的其他尚未被医疗领域专业人士校正的特征点的位置；
根据该训练完成的深度学习特征点校正模型的校正结果，更新该人体矢状切面图像中被校正的该节椎体的压迫性骨折程度；
其中，该深度学习特征点校正模型的训练过程所需的输入数据，已被医疗领域专业人士标注各节椎体特征点的人体矢状切面图像。
CN202010624631.6A 2020-06-09 2020-07-01 脊椎压迫性骨折检测方法与系统 Active CN113781382B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109119248 2020-06-09
TW109119248A TWI733487B (zh) 2020-06-09 2020-06-09 脊椎壓迫性骨折偵測方法與系統

Publications (2)

Publication Number Publication Date
CN113781382A true CN113781382A (zh) 2021-12-10
CN113781382B CN113781382B (zh) 2024-07-05

Family

ID=

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060110017A1 (en) * 2004-11-25 2006-05-25 Chung Yuan Christian University Method for spinal disease diagnosis based on image analysis of unaligned transversal slices
TWM570685U (zh) * 2018-12-01 脊椎壓迫性骨折自動檢測系統

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWM570685U (zh) * 2018-12-01 脊椎壓迫性骨折自動檢測系統
US20060110017A1 (en) * 2004-11-25 2006-05-25 Chung Yuan Christian University Method for spinal disease diagnosis based on image analysis of unaligned transversal slices

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AMIR BAR等人: "Compression fractures detection on CT", PROC. SPIE, pages 1 - 6 *
JOERI NICOLAES等人: "Detection of Vertebral Fractures in CT Using 3D Convolutional Neural Networks", INTERNATIONAL WORKSHOP AND CHALLENGE ON COMPUTATIONAL METHODS AND CLINICAL APPLICATIONS FOR SPINE IMAGING, pages 1 - 14 *

Also Published As

Publication number Publication date
US20210378616A1 (en) 2021-12-09
TW202145961A (zh) 2021-12-16
US11779295B2 (en) 2023-10-10
TWI733487B (zh) 2021-07-11

Similar Documents

Publication Publication Date Title
US20210158531A1 (en) Patient Management Based On Anatomic Measurements
US10699410B2 (en) Automatic change detection in medical images
Al-Kafri et al. Boundary delineation of MRI images for lumbar spinal stenosis detection through semantic segmentation using deep neural networks
Sarkalkan et al. Statistical shape and appearance models of bones
CN1663530B (zh) 用于处理图像数据以帮助检测疾病的方法和装置
US8334878B2 (en) Medical image processing apparatus and medical image processing program
US20120143090A1 (en) Assessment of Spinal Anatomy
TWI733487B (zh) 脊椎壓迫性骨折偵測方法與系統
US20210174503A1 (en) Method, system and storage medium with a program for the automatic analysis of medical image data
Li et al. MUG500+: Database of 500 high-resolution healthy human skulls and 29 craniotomy skulls and implants
US8331635B2 (en) Cartesian human morpho-informatic system
CN116072255A (zh) 基于人工智能的颈椎退行性疾病ct检查结构化报告系统
Seifert et al. A knowledge-based approach to soft tissue reconstruction of the cervical spine
Nie et al. OII-DS: A benchmark Oral Implant Image Dataset for object detection and image classification evaluation
Huang et al. The comparison of convolutional neural networks and the manual measurement of Cobb angle in adolescent idiopathic scoliosis
CN113781382B (zh) 脊椎压迫性骨折检测方法与系统
Antico et al. Deep Learning-based automatic segmentation for reconstructing vertebral anatomy of Healthy Adolescents and Patients with Adolescent Idiopathic Scoliosis (AIS) Using MRI Data
Koompairojn et al. Automatic classification system for lumbar spine X-ray images
CN113643223A (zh) 图像检测方法、装置、计算机设备和存储介质
San Román Gaitero et al. Imaging Methods to Quantify the Chest and Trunk Deformation in Adolescent Idiopathic Scoliosis: A Literature Review
CN111466933A (zh) 一种脊柱活动度测量方法及系统
Swarnambiga Medical Image Processing for Improved Clinical Diagnosis
CN117576124B (zh) 一种基于人工智能的腹部ct图像肝脏分割方法及系统
KR102598233B1 (ko) 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법
Amelon Development and characterization of a finite element model of lung motion

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