CN113781496A - 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 - Google Patents
基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 Download PDFInfo
- Publication number
- CN113781496A CN113781496A CN202110903935.0A CN202110903935A CN113781496A CN 113781496 A CN113781496 A CN 113781496A CN 202110903935 A CN202110903935 A CN 202110903935A CN 113781496 A CN113781496 A CN 113781496A
- Authority
- CN
- China
- Prior art keywords
- cbct
- image
- segmentation
- map
- spine
- 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
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000003709 image segmentation Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 46
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010005963 Bone formation increased Diseases 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- 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
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Surgery (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其包括分割规划神经网络模块和特征提取模块,其中:所述分割规划神经网络模块根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;以及所述特征提取模块根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值,其中,所述特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,所述特征点热图包括中点热图和入点热图。本申请还提供一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法。根据本申请提出的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案,无需人工干预就可以自动获取对椎弓根螺钉通道的规划,速度快且效果好。
Description
技术领域
本申请涉及骨科技术领域,尤其涉及一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统和方法。
背景技术
目前,在椎体中置入螺钉是很多脊椎手术中的关键的步骤。外科医生通常在腰椎和尾椎的椎弓根内先插入导丝确定通道,然后在拓宽的通道中置入螺钉。但是,脊椎周围遍布很多重要的神经和器官,脊椎手术有精度要求高和容错率小等特点。手术中,外科手术医生对脊椎结构的了解至关重要,一旦螺钉置入不当穿透上下椎板,误入的螺钉会造成严重的神经血管损伤,也会导致固定早期失败或假关节形成。
近年来,基于计算机辅助的手术导航系统应运而生。通过固定在病人身上的定位标志物以及CBCT(cone beam computed tomography)的术中采集的影像,可以将手术导航系统的坐标系和病人的影像坐标系统一起来,医生可以先在影像上规划通道,然后结合导航系统和手术机器人精准地置入螺钉。该方法的精度较手动操作大大提高。螺钉通道规划的定义如图1所示,螺钉可以由入点坐标,靶点坐标,以及螺钉的长度和直径决定,中点坐标亦可以作为辅助信息。
然而,传统方法需要人工标注脊椎中心。椎体配准方法-主动形状模型(activeshape model)的成功依赖于一个好的初始点,因此需要医生标注每个椎体的中心。这不仅增加了医生的负担,还依赖于医生的经验。一旦初始点选择有偏差,会导致椎体配准失败,进而导致后续通道规划的失败。
另外,传统算法对于椎体变异的情况鲁棒性差。传统算法的通道规划依赖于通道的模版,而通道模版的制作往往只考虑了正常的椎体结构。而在进行脊椎手术的病人中,椎体的变异程度大,骨质增生的情况比较多见。这些突出的边缘结构会使通道模版的标准点集转换回影像空间时发生扭曲,进而导致拟合出的通道规划出现角度偏差。
所以,目前的脊椎手术的规划需要医生手动进行,很依赖于医生的经验,智能化水平低。同时,CBCT图像的质量低,医生需要在每一层的2D切片上去检查规划通道是否肯可行,工作量大,自动化水平低。
发明内容
针对现有技术中存在的问题,本申请提供了一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统和方法,通过采用神经网络技术,根据一组术中CBCT图像和相应的通道规划标注数据进行训练,训练完成后,对于后续的测试可以无需人工干预自动进行,且获得螺钉通道规划的速度快,效果好。
根据本申请的一方面,提供一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其包括分割规划神经网络模块和特征提取模块,其中:
所述分割规划神经网络模块用于根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;以及
所述特征提取模块用于根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值,其中,所述特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,所述特征点热图包括中点热图和入点热图。
根据本申请的另一个方面,提供一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法,其包括:
通过分割规划神经网络模块根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;以及
利用特征提取模块根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值,其中,所述特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,所述特征点热图包括中点热图和入点热图。
根据本申请的又一个方面,提供一种电子设备,包括:
处理器;以及
存储器,存储有计算机指令,当所述计算机指令被所述处理器执行时,使得所述处理器执行第二方面所述的方法。
根据本申请的再一个方面,提供一种非瞬时性计算机存储介质,存储有计算机程序,当所述计算机程序被多个处理器执行时,使得所述处理器执行第二方面所述的方法。
根据本申请提出的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案,分割规划神经网络模块根据CBCT脊椎图像得出椎弓根螺钉通道的特征点热图,特征提取设备根据该特征点热图计算椎弓根螺钉通道的入点、靶点、长度和直径,从而实现对椎弓根螺钉通道的自动规划。在本申请的方案中,无需人工干预就可以自动获取对椎弓根螺钉通道的规划,速度快且效果好。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图,而并不超出本申请要求保护的范围。
图1是计算机辅助的手术导航系统根据CBCT影像得到的螺钉通道规划的示意图。
图2是根据本申请实施例的技术方案总体流程图。
图3是根据本申请实施例的分割规划神经网络模块的结构示意图。
图4是根据本申请实施例的分割规划神经网络模块中分割器和特征点解码器的结构示意图。
图5是根据本申请实施例的对分割规划神经网络模块的训练流程图。
图6是根据本申请实施例的对分割规划神经网络模块的测试流程图。
图7是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法的流程图。
图8是本申请提供的一种电子设备的结构图。
图9是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案的输入输出结果图。
图10是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案的螺钉通道规划结果图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
从总体上说,本申请的技术方案如图2所示:将术中的CBCT图像输入分割规划神经网络模块201,得到锥体的分割图和通道特征点热图,将分割图和特征点热图输入特征提取模块202,得到最终的通道规划结果。
基于图2所示的总体方案,根据本申请一个方面,提供一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,该系统包括分割规划神经网络模块201和特征提取模块202,其中:分割规划神经网络模块201根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;特征提取模块202根据特征点热图和CBCT脊椎图像分割图计算椎弓根螺钉通道的特征值,其中,特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,特征点热图包括中点热图和入点热图。
根据一个具体实施例,分割规划神经网络模块201包括分割器和特征点解码器。图3是根据本申请实施例的分割规划神经网络模块的结构示意图。对于分割器和特征点解码器,它们的作用分别是:分割器根据CBCT脊椎图像得到CBCT脊椎图像分割图以及CBCT脊椎图像的特征数据,而特征点解码器根据CBCT脊椎图像分割图以及CBCT脊椎图像的特征数据计算椎弓根螺钉通道的特征点热图。
基于深度学习的分割和特征点检测。近年来,随着算力的提升,深度学习被广泛应用在计算机视觉领域,其性能和运行时间都显著优于传统算法。3D U-Net结构包括一个用作特征提取的编码器和一个解码器。编码器包括卷积层和池化层,编码器不断压缩特征的空间维度同时提取更多维度的特征。而解码器包括上采样层和卷积层,解码器不断恢复特征的空间信息。上采样分支与特征提取分支对应层的特征通过跳跃结构串联起来,帮助恢复分割的轮廓和细节信息。
根据一个具体实施例,本申请使用3D U-Net进行椎体分割和特征点检测。需要注意的是,3D U-Net结构只是为了解释本申请方案的一个具体示例,分割规划神经网络模块还可以采用其他神经网络架构,本领域技术人员在本申请实施例的启发下想到的基于其他神经网络架构的方案,都属于本申请覆盖的范围。
根据一个具体实施例,分割规划神经网络模块201包括一个编码器和三个解码器。图4是根据本申请实施例的分割规划神经网络模块中分割器和特征点解码器的结构示意图。如图4所示,分割器包括编码器和第一解码器,特征点解码器包括第二解码器和第三解码器。
在分割器中,编码器根据CBCT脊椎图像计算CBCT脊椎图像的特征数据,而第一解码器根据CBCT脊椎图像的特征数据计算CBCT脊椎图像分割图。
分割器采用了3D U-Net的架构。3D U-Net由编码器和第一解码器组成。编码器根据CBCT脊椎图像x计算CBCT脊椎图像的特征数据(对应图4中所示的“图像特征”),具体来说,编码器由下采样单元组成,每个下采样单元内包含了两个卷积层和一个池化层,卷积层不断扩充特征通道数,池化层不断压缩特征的空间维度。解码器由上采样单元组成,每个上采样单元包括一个插值层和两个卷积层,插值层不断恢复特征的空间维度,卷积层不断压缩通道维度。最后,解码器的最后一层卷积层输出1通道的特征,经过激活函数,例如Sigmoid,输出CBCT脊椎图像分割图y(对应图4中所示的“分割特征”),其像素值介于0到1之间,代表CBCT脊椎图像x对应像素为脊椎的概率。在一个可选实施例中,编码器和第一解码器之间对应的层通过跳跃(skip)结构,具体操作为将编码器的特征串联到第一解码器对应层的插值之后的特征上,起到维持局部细小特征的作用。
在特征点解码器中,第二解码器根据CBCT脊椎图像分割图和CBCT脊椎图像的特征数据计算中点热图,而第三解码器根据CBCT脊椎图像分割图、CBCT脊椎图像的特征数据和中点热图计算入点热图。
如图4所示,特征点解码器由两部分组成:两个解码器(第二解码器和第三解码器)以及两组池化层。两个解码器的结构与分割器内的第一解码器结构一致,解码器对应的编码器都为分割器内的编码器。解码器内上采样的单元的输入为编码器对应下采样单元的特征和该解码器内上一层上采样单元的输入。同时,为了融入脊椎的结构信息,使用一组池化层,将CBCT脊椎图像分割图y下采样至对应的空间维度,然后与第二解码器和第三解码器内上采样单元的特征串联在一起,输入后续的卷积层。第二解码器输出经过激活函数得到中点的预测热图Hcenter(对应图4中所示的“热图特征”),其像素值介于0到1之间,代表CBCT脊椎图像x对应像素为中点的概率。
在实际训练中,入点的预测比中点困难,并且中点的信息可以辅助入点的寻找,因此,将Hcenter经过第二组池化层得到的特征与第三解码器上采样层的特征串联起来,即,将图像特征、分割特征、中点特征都融合在一起。第三解码器输出经过激活函数得到入点的预测热图Hentry,其像素值介于0到1之间,代表CBCT脊椎图像x对应像素为入点的概率。
在获取特征点热图和CBCT脊椎图像分割图后,特征提取模块202就可以计算椎弓根螺钉通道的特征值。具体来说,特征提取模块202计算椎弓根螺钉通道的特征值包括如下步骤。
步骤S1,从特征点热图提取CBCT脊椎图像中的中点和入点。
网络输出的热图Hentry和Hcenter代表相应像素点是特征点的概率。一个CBCT扫描图像中通常含有多个锥体,例如两到三个锥体,因此Hentry和Hcenter内包含了数个特征点的信息。根据测试经验,选取一个阈值,将网络输出的热图Hentry和Hcenter二值化。将二值化的图片分解成了联通域,提取每一个联通域中心的坐标,得到一组入点的坐标和一组中点的坐标
步骤S2,响应于中点和入点的数量均大于一个,将中点和入点进行配对,其中,每一对中点和入点位于同一个椎弓根螺钉通道。
为了便于说明,根据一个具体实施例,可以建立一个x-y-z坐标系,其中,令坐标x方向代表从左到右,y方向代表从前到后,z方向代表从下到上。通道的位置通常在锥体的中上部,因此同一锥体内左右两个通道的特征点在z方向的距离较小,相邻锥体的特征点之间z方向之间的距离较大。选取阈值thz,若两个坐标在z方向之间的差值小于thz,则将它们分为一组。对入点和中点分别进行分组,每组至多保留在距离最近的一对点,分别代表左右两个通道的特征点。遍历每一组中点,找到与之在z轴距离最近的一组入点,得到每一个锥体的两个中点和两个入点,最后,对于每个中点,找到距离最近的一个入点。第i个通道的入点和中点对,称作(Centry,Ccenter)i。
通过上述方法,首先将所有中点和入点通过在z方向的距离进行分组,z方向之间的差值小于thz的中点和入点位于同一组,位于同一组的中点和入点位于同一个锥体,然后计算同一组中点与入点之间的距离,对于一个中点来说,与该中点距离最近的入点与其位于同一个椎弓根螺钉通道,这一个中点和入点完成配对,根据同样的方法找到另一个椎弓根螺钉通道中点和入点。
步骤S3,根据所配对的中点和入点获得靶点的位置。
入点Centry和中点Ccenter可以在空间内定义一条直线,该直线向前和向后穿出脊椎分割图的两个点分别为靶点Ctarget和入点。
当根据入点Centry和中点Ccenter可以在空间内定义一条直线得到的入点与之前的入点位置不一致时,需要将入点位置更新为根据入点Centry和中点Ccenter可以在空间内定义一条直线得到的入点位置。
步骤S4,根据靶点和入点计算椎弓根螺钉通道的长度L。
在得到入点和靶点后,就可以计算弓根螺钉通道的长度。
步骤S5,根据CBCT脊椎图像分割图以及中点计算椎弓根螺钉通道的直径。
首先,计算中点Ccenter处垂直于螺钉并且在CBCT脊椎图像分割图内的一个平面,然后计算中点Ccenter到该平面边缘处的最近距离,将该最近距离定义为螺钉的直径d。
对于分割规划神经网络模块,在将其进行椎弓根螺钉通道自动规划之前,需要对其进行神经网络训练。本申请的分割规划神经网络模块需要同时解决的图像分割和特征点预测这两个问题,所以将两个任务一起训练。图5是根据本申请实施例的对分割规划神经网络模块的训练流程图。
如图5所示,CBCT脊椎图像的椎弓根螺钉通道自动规划系统还包括CT至CTCB图像转换器和CTCB至CT图像转换器,分割规划神经网络模块包括分割器和特征点解码器,分割器包括CBCT分割器和CT分割器。
首先,训练所需的数据包括:CT训练图像(xct)和CBCT训练图像(xcbct),对于CT训练图像(xct),目前存在很多包含脊椎标注的公开CT数据集,这有助于对分割器的训练;对于CBCT图像(xcbct),存在很对专家对脊椎进行手动规划的正确的规划数据,螺钉入点和中点的坐标为了进行端到端的训练,将坐标与一个高斯核做卷积,得到相应热图的标签其中σ为高斯核的宽度。
如图5所示,该训练过程如下:
为了借助CT图像数据的标注信息,本申请使用了非配对的图像转换技术(unpaired image to image translation)。这种技术可以生成内容一致,视觉效果迥异的图片,因此可以将CT的图像转换成CBCT的图像来辅助学习CBCT图像上的分割任务。基于对抗学习和循环重建的机制,可以使用xct和xcbct训练一对图片转换器。有很多已知的网络可以用作图像转换器,根据一个具体实施例,这里使用了cycle-gan的生成器和训练方法。如图5所示,CT训练图像xct经过“CT至CBCT图像转换器”可以得到看起来像CBCT的图像称为类CBCT图像,但其包含的内容依然是xct的脊椎,因此,它对应的分割的标签仍然为同样的,CBCT训练图像xcbct经过“CBCT至CT图像转换器”可以得到看起来像CT的图像称为类CT图像,但其包含的内容依然是xcbct的脊椎。随后,xct和经过CT分割器,得到预测的CT分割图和预测的类CT分割图yct和同样地,xcbct和经过CBCT分割器,得到预测的CBCT分割图和预测的类CBCT分割图ycbct和最后,CBCT分割器中图像特征数据和预测的CBCT分割图ycbct一起输入特征点解码器,得到预测的热图Hentry和Hcenter。
对于CBCT分割器和CT分割器的训练,可以根据CT训练图像对应的脊椎标注值对CBCT分割器和CT分割器输出结果的误差进行计算并据此对CBCT分割器和CT分割器的神经网络参数设置进行调整,并且,可以根据实际的入点热图和和实际的中点热图对特征点解码器的输出误差进行计算并据此对特征点解码器的参数进行调整。
一个具体实施例中,分割规划神经网络模块使用损失函数结合Adam优化器训练。
其中,Dice损失可以写作:
其中,y代表预测的分割图,k代表第k个像素,a和b是正则化项,a和b的取值在本申请中不做限定。
2、分割一致性约束。转换后和转换前图片的分割结果应该保持一致,使用L1损失来约束。通过这个约束,可以有效地的提高分割网络的性能。
Lseg=L1(yct,yctcb)+L1(ycb,yct)
3、有监督的特征点约束。特征点热图的预测值应该与标签一致,我们使用L2损失来约束。
这样,图5所示的训练过程可以总结如下:
CT至CTCB图像转换器根据输入的CT训练图像获得类CBCT图像;
CTCB至CT图像转换器根据输入的CBCT训练图像获得类CT图像;
CBCT分割器根据类CBCT图像和CBCT训练图像分别获得预测的类CBCT分割图和预测的CBCT分割图;
CT分割器根据类CT图像和CT训练图像分别获得预测的类CT分割图和预测的CT分割图;
特征点解码器根据CBCT分割器中图像特征数据与预测的CBCT分割图获得预测的入点热图和预测的中点热图;
根据预测的类CBCT分割图和预测的CT分割图与CT训练图像对应的脊椎标注值的比较结果,对CBCT分割器和CT分割器的参数进行调整;以及
根据预测的入点热图和预测的中点热图与CBCT训练图像对应的实际的入点热图和实际的中点热图的比较结果,对特征点解码器的参数进行调整。
根据本申请提出的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案,在通过CT图像和相应的脊椎标注以及CBCT图像和相应的通道规划标注数据对分割规划神经网络模块训练后,训练好的分割规划神经网络模块在后续的测试过程中对于任何CBCT图像都可以自动进行通道规划,不再需要人工干预通道规划过程,具有速度快,效果好的特点。而且,分割规划神经网络模块能够通过不断扩充数据集,增加复杂病例,从而不断提高模型鲁棒性和泛化性。
根据上述实施例,本申请提出的分割规划神经网络模块是一种分割规划一体化的串联神经网络。分割规划神经网络模块采用了一个编码器和三个解码器的结构,编码器直接编码CBCT脊椎图像特征,第一解码器从CBCT脊椎图像特征中提取脊椎结构得到CBCT脊椎图像分割图,随后第二解码器结合CBCT脊椎图像的特征数据和CBCT脊椎图像分割图信息提取通道中点热图,最后,第三解码器从CBCT脊椎图像的特征数据、CBCT脊椎图像分割图和中点热图三者融合的信息中提取入点热图。这种串联的结构最大化地共享信息,利用分割的知识提高了后续通道规划的准确率,利用通道规划特征点的信息不断修正分割结果。而且,分割规划神经网络模块的神经网络能够最大化特征信息共享,在训练过程中,分割结果不断辅助后续特征点的提取,同时特征点预测时的误差梯度信息也能够沿着神经网络反向传播到图像特征提取的编码器中,不断优化解码器,提高了分割结果的准确率。
在对分割规划神经网络模块的训练完成后,就可以将其用来对椎弓根螺钉进行通道规划。图6是根据本申请实施例的对分割规划神经网络模块的测试流程图。如图6所示,将CBCT脊椎图像xcbct输入CBCT分割器得到分割图ycbct,随后ycbct与CBCT脊椎图像的特征数据一起输入特征点解码器得到中点和入点的热图Hentry和Hcenter,这一过程与图3所示的流程类似。
根据上述基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,本申请提供一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法。图7是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法的流程图。如图7所示,该方法包括如下步骤。
S701,通过分割规划神经网络模块根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图。
步骤S702,利用特征提取模块根据特征点热图和CBCT脊椎图像分割图计算椎弓根螺钉通道的特征值,其中,特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,特征点热图包括中点热图和入点热图。
根据一个实施例,分割规划神经网络模块包括分割器和特征点解码器。这样,步骤S701包括如下分步骤:
分步骤a1:通过分割器根据CBCT脊椎图像得到CBCT脊椎图像分割图以及CBCT脊椎图像的特征数据;以及
分步骤a2:通过特征点解码器根据CBCT脊椎图像分割图以及CBCT脊椎图像的特征数据计算椎弓根螺钉通道的特征点热图。
根据一个实施例,分割器包括编码器和第一解码器,特征点解码器包括第二解码器和第三解码器。
根据一个实施例,分步骤1包括如下子步骤:
子步骤a11:通过编码器根据CBCT脊椎图像计算CBCT脊椎图像的特征数据;
子步骤a12:通过第一解码器根据CBCT脊椎图像的特征数据计算CBCT脊椎图像分割图
根据另一个实施例,分步骤2包括如下子步骤:
子步骤a21:通过第二解码器根据CBCT脊椎图像分割图和CBCT脊椎图像的特征数据计算中点热图;
子步骤a22:通过第三解码器根据CBCT脊椎图像分割图、CBCT脊椎图像的特征数据和中点热图计算入点热图。
根据一个实施例,步骤702包括如下分步骤:
分步骤b1:从特征点热图提取CBCT脊椎图像中的中点和入点;
分步骤b2:响应于中点和入点的数量均大于一个,将中点和入点进行配对,其中,每一对中点和入点位于同一个椎弓根螺钉通道;以及
分步骤b3:根据所配对的中点和入点获得靶点的位置;
分步骤b4:根据靶点和所更新的入点计算椎弓根螺钉通道的长度;以及
分步骤b5:根据CBCT脊椎图像分割图以及中点计算椎弓根螺钉通道的直径。
对于分割规划神经网络模块,在将其进行椎弓根螺钉通道自动规划之前,需要对其进行神经网络训练。从而,本申请提出的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法还包括:
步骤S703,对分割规划神经网络模块进行神经网络训练。
根据一个具体实施例,步骤S703包括如下分步骤:
分步骤c1:将CT训练图像输入CT至CTCB图像转换器,获得类CBCT图像;
分步骤c2:将CBCT训练图像输入CTCB至CT图像转换器,获得类CT图像;
分步骤c3:将类CBCT图像和CBCT训练图像输入CBCT分割器,分别获得预测的类CBCT分割图和预测的CBCT分割图;
分步骤c4:将类CT图像和CT训练图像输入CT分割器,分别获得预测的类CT分割图和预测的CT分割图;
分步骤c5:将CBCT分割器中图像特征数据与预测的CBCT分割图输入特征点解码器,获得预测的入点热图和预测的中点热图;
分步骤c6:根据预测的类CBCT分割图和预测的CT分割图与CT训练图像对应的脊椎标注值的比较结果,对CBCT分割器和CT分割器的参数进行调整;以及
分步骤c7:根据预测的入点热图和预测的中点热图与CBCT训练图像对应的实际的入点热图和实际的中点热图的比较结果,对特征点解码器的参数进行调整。
参阅图8,图8提供一种电子设备,包括处理器;以及存储器,所述存储器存储有计算机指令,当所述计算机指令被所述处理器执行时,使得所述处理器执行所述计算机指令时实现如图3所示的方法以及细化方案。
应该理解,上述的装置实施例仅是示意性的,本申请披露的装置还可通过其它的方式实现。例如,上述实施例中所述单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个单元、模块或组件可以结合,或者可以集成到另一个系统,或一些特征可以忽略或不执行。
另外,若无特别说明,在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元/模块如果以硬件的形式实现时,该硬件可以是数字电路,模拟电路等等。硬件结构的物理实现包括但不局限于晶体管,忆阻器等等。若无特别说明,所述处理器或芯片可以是任何适当的硬件处理器,比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明,所述片上缓存、片外内存、存储器可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-AccessMemory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
所述集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本披露各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供一种非瞬时性计算机存储介质,存储有计算机程序,当所述计算机程序被多个处理器执行时,使得所述处理器执行如图7所示的方法以及细化方案。
图9是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案的输入输出结果图。如图9所示,分割规划神经网络模块的输入为CBCT图像xcbct,输出为脊椎分割图ycbct和通道规划的中点和入点的热图Hentry和Hcenter。本申请的特征提取模块结合了脊椎结构的先验知识,从分割规划神经网络模块输出的脊椎分割图ycbct和通道规划的中点和入点的热图Hentry和Hcenter中,进一步提取通道特征信息。通道规划的结果见图10,图10是根据本申请实施例的基于CBCT脊椎图像的椎弓根螺钉通道自动规划方案的螺钉通道规划结果图。如图10所示,左上,右上,右下分别是CBCT图像的三视图(横断面,矢状面和冠状面),通道规划的结果重叠在CBCT图像之上,圆柱代表规划的钉子,钉子上从上至下的三个点,分别代表靶点,中点和入点。左下的子图是分割规划结果的3D视图。可以看出,本申请在该患者的图像上效果比较好,分割的结果精确贴合了脊椎的结构,规划的结果也符合临床规范。
最后,关于本申请方案的有效性评估和运行速度评估过程如下。
(一)有效性评估
本申请采用定量和定性的方式对本申请的分割结果的准确度进行评估。定量评估中,我们邀请专家在10个CBCT影像数据上勾勒脊椎轮廓,与网络的预测结果之间计算Dice系数,其值位于0到1之间,越大越好。定性评估中,我们邀请了三名专家按照表1的评分标准对30个CBCT数据中每个锥体的分割质量进行了评分,基于评分根据表2计算了每个锥体分割质量的满意程度。经过评估,本申请在锥体分割的定量评估上取得了Dice值为0.99的结果。在定性评估中,临床医生对于分割结果的平均可接受率为94.9%,平均满意率为80.5%。
表1锥体分割质量评分依据
表2锥体分割临床满意度的评价方法
本申请采用了定性评估的方法对规划效果进行评价。我们邀请了三名专家按照表3的评分标准对30个CBCT数据中每个锥体的通道规划质量进行了评分。经过评估,临床医生对于规划结果的平均可接受率为93.1%,平均满意率为83.6%。
表3锥体通道规划临床满意度的评价方法
(二)运行速度评估
本申请在测试机上基于20个CBCT的图像测试了运行速度。测试机的CPU为Ineteri7 6700 3.4GHz,内存为16G DDR4 2400MHz,显存为NVIDIA Quadro P2000/5G。分割规划网络的平均运行时间为3.43秒,特征提取模块的平均运行时间为3.75秒,总的平均运行时间为7.18秒。得益于GPU的并行计算能力,本申请的提出自动规划方案的速度很快。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时,本领域技术人员依据本申请的思想,基于本申请的具体实施方式及应用范围上做出的改变或变形之处,都属于本申请保护的范围。综上所述,本说明书内容不应理解为对本申请的限制。
Claims (16)
1.一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其包括分割规划神经网络模块和特征提取模块,其中:
所述分割规划神经网络模块用于根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;以及
所述特征提取模块用于根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值,其中,所述特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,所述特征点热图包括中点热图和入点热图。
2.如权利要求1所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其中,所述分割规划神经网络模块包括分割器和特征点解码器,其中:
所述分割器用于根据所述CBCT脊椎图像得到所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据;以及
所述特征点解码器用于根据所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据计算椎弓根螺钉通道的特征点热图。
3.如权利要求2所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其中,所述分割器包括编码器和第一解码器,所述编码器用于根据所述CBCT脊椎图像计算所述CBCT脊椎图像的特征数据,所述第一解码器用于根据所述CBCT脊椎图像的特征数据计算所述CBCT脊椎图像分割图。
4.如权利要求3所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其中,所述特征点解码器包括第二解码器和第三解码器,
所述第二解码器用于根据所述CBCT脊椎图像分割图和所述CBCT脊椎图像的特征数据计算所述中点热图;所述第三解码器用于根据所述CBCT脊椎图像分割图、所述CBCT脊椎图像的特征数据和所述中点热图计算所述入点热图。
5.如权利要求1所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其中,所述特征提取模块用于:
从所述特征点热图提取所述CBCT脊椎图像中的中点和入点;
响应于所述中点和所述入点的数量均大于一个,将所述中点和所述入点进行配对,其中,每一对中点和入点位于同一个椎弓根螺钉通道;以及
根据所配对的中点和入点获得靶点的位置;
根据所述靶点和所更新的入点计算所述椎弓根螺钉通道的长度;以及
根据所述CBCT脊椎图像分割图以及所述中点计算所述椎弓根螺钉通道的直径。
6.如权利要2所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,其中
所述分割规划神经网络模块是经过训练的神经网络模块。
7.如权利要求6所述的基于CBCT脊椎图像的椎弓根螺钉通道自动规划系统,还包括CT至CTCB图像转换器和CTCB至CT图像转换器,所述分割器包括CBCT分割器和CT分割器,其中:
所述CT至CTCB图像转换器用于根据输入的CT训练图像获得类CBCT图像;
所述CTCB至CT图像转换器用于根据输入的CBCT训练图像获得类CT图像;
所述CBCT分割器用于根据所述类CBCT图像和所述CBCT训练图像分别获得预测的类CBCT分割图和预测的CBCT分割图;
所述CT分割器用于根据所述类CT图像和所述CT训练图像分别获得预测的类CT分割图和预测的CT分割图;
所述特征点解码器用于根据所述CBCT分割器中图像特征数据与所述预测的CBCT分割图获得预测的入点热图和预测的中点热图;
其中,所述预测的类CBCT分割图和所述预测的CT分割图用于与所述CT训练图像对应的脊椎标注值的比较结果,根据比较结果对所述CBCT分割器和所述CT分割器的参数进行调整。
8.一种基于CBCT脊椎图像的椎弓根螺钉通道自动规划方法,其包括:
通过分割规划神经网络模块根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图;以及
利用特征提取模块根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值,其中,所述特征值包括椎弓根螺钉通道的入点、靶点、长度和直径,所述特征点热图包括中点热图和入点热图。
9.如权利要求8所述的方法,其中,所述分割规划神经网络模块包括分割器和特征点解码器,其中,所述通过分割规划神经网络模块根据CBCT脊椎图像计算椎弓根螺钉通道的特征点热图和CBCT脊椎图像分割图包括:
通过所述分割器根据所述CBCT脊椎图像得到所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据;以及
通过所述特征点解码器根据所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据计算椎弓根螺钉通道的特征点热图。
10.如权利要求9所述的方法,其中,所述分割器包括编码器和第一解码器,所述通过所述分割器根据所述CBCT脊椎图像得到所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据包括:
通过所述编码器根据所述CBCT脊椎图像计算所述CBCT脊椎图像的特征数据;
通过所述第一解码器根据所述CBCT脊椎图像的特征数据计算所述CBCT脊椎图像分割图。
11.如权利要求10所述的方法,其中,所述特征点解码器包括第二解码器和第三解码器,所述通过所述特征点解码器根据所述CBCT脊椎图像分割图以及所述CBCT脊椎图像的特征数据计算椎弓根螺钉通道的特征点热图包括:
通过所述第二解码器根据所述CBCT脊椎图像分割图和所述CBCT脊椎图像的特征数据计算所述中点热图;以及
通过所述第三解码器根据所述CBCT脊椎图像分割图、所述CBCT脊椎图像的特征数据和所述中点热图计算所述入点热图。
12.如权利要求8所述的方法,其中,所述特征提取模块根据所述特征点热图和所述CBCT脊椎图像分割图计算所述椎弓根螺钉通道的特征值包括:
从所述特征点热图提取所述CBCT脊椎图像中的中点和入点;
响应于所述中点和所述入点的数量均大于一个,将所述中点和所述入点进行配对,其中,每一对中点和入点位于同一个椎弓根螺钉通道;以及
根据所配对的中点和入点获得靶点的位置;
根据所述靶点和所更新的入点计算所述椎弓根螺钉通道的长度;以及
根据所述CBCT脊椎图像分割图以及所述中点计算所述椎弓根螺钉通道的直径。
13.如权利要9所述的方法,还包括:
对所述分割规划神经网络模块进行神经网络训练。
14.如权利要求13所述的方法,其中,所述分割器包括CBCT分割器和CT分割器,所述对所述分割规划神经网络模块进行神经网络训练包括:
将CT训练图像输入CT至CTCB图像转换器,获得类CBCT图像;
将CBCT训练图像输入CTCB至CT图像转换器,获得类CT图像;
将所述类CBCT图像和所述CBCT训练图像输入所述CBCT分割器,分别获得预测的类CBCT分割图和预测的CBCT分割图;
将所述类CT图像和所述CT训练图像输入所述CT分割器,分别获得预测的类CT分割图和预测的CT分割图;
将CBCT分割器中图像特征数据与所述预测的CBCT分割图输入所述特征点解码器,获得预测的入点热图和预测的中点热图;
根据所述预测的类CBCT分割图和所述预测的CT分割图与所述CT训练图像对应的脊椎标注值的比较结果,对所述CBCT分割器和所述CT分割器的参数进行调整;以及
根据所述预测的入点热图和所述预测的中点热图与所述CBCT训练图像对应的实际的入点热图和实际的中点热图的比较结果,对所述特征点解码器的参数进行调整。
15.一种电子设备,包括:
处理器;以及
存储器,存储有计算机指令,当所述计算机指令被所述处理器执行时,使得所述处理器执行权利要求8-14任一者所述的方法。
16.一种非瞬时性计算机存储介质,存储有计算机程序,当所述计算机程序被多个处理器执行时,使得所述处理器执行权利要求8-14任一者所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903935.0A CN113781496B (zh) | 2021-08-06 | 2021-08-06 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903935.0A CN113781496B (zh) | 2021-08-06 | 2021-08-06 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781496A true CN113781496A (zh) | 2021-12-10 |
CN113781496B CN113781496B (zh) | 2024-02-27 |
Family
ID=78837102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110903935.0A Active CN113781496B (zh) | 2021-08-06 | 2021-08-06 | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781496B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116889467A (zh) * | 2023-06-21 | 2023-10-17 | 北京长木谷医疗科技股份有限公司 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106691600A (zh) * | 2016-11-21 | 2017-05-24 | 胡磊 | 一种脊柱椎弓根钉植入定位装置 |
CN107157579A (zh) * | 2017-06-26 | 2017-09-15 | 苏州铸正机器人有限公司 | 一种脊柱椎弓根螺钉植入路径规划方法 |
CN108537779A (zh) * | 2018-03-27 | 2018-09-14 | 哈尔滨理工大学 | 基于聚类的椎骨分割与质心检测的方法 |
TWI654963B (zh) * | 2018-03-21 | 2019-04-01 | 亞洲大學 | 椎弓根螺釘之自動路徑規劃方法 |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
EP3566669A1 (en) * | 2018-05-10 | 2019-11-13 | Globus Medical, Inc. | Systems and methods related to robotic guidance in surgery |
CN110738660A (zh) * | 2019-09-09 | 2020-01-31 | 五邑大学 | 基于改进U-net的脊椎CT图像分割方法及装置 |
CN110738681A (zh) * | 2019-10-11 | 2020-01-31 | 北京航空航天大学 | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 |
CN111047605A (zh) * | 2019-12-05 | 2020-04-21 | 西北大学 | 一种脊椎ct分割网络模型的构建方法及分割方法 |
US20200170802A1 (en) * | 2018-11-29 | 2020-06-04 | Carlsmed, Inc. | Systems and methods for orthopedic implants |
CN111598948A (zh) * | 2020-04-03 | 2020-08-28 | 上海嘉奥信息科技发展有限公司 | 基于深度学习的ct影像椎弓根植钉通道规划方法和系统 |
CN111627011A (zh) * | 2020-05-28 | 2020-09-04 | 上海交通大学医学院附属第九人民医院 | 基于ct值椎弓根钉置钉钉道选择方法、装置和设备 |
WO2020185049A2 (ko) * | 2019-03-13 | 2020-09-17 | 큐렉소 주식회사 | 페디클 스크류 고정 플래닝 시스템 및 방법 |
US20200373013A1 (en) * | 2019-05-22 | 2020-11-26 | Theseus AI, Inc. | Method And System For Analysis Of Spine Anatomy And Spine Disease |
US20200405399A1 (en) * | 2017-07-08 | 2020-12-31 | Vuze Medical Ltd. | Apparatus and methods for use with image-guided skeletal procedures |
CN112581606A (zh) * | 2020-12-25 | 2021-03-30 | 江苏集萃复合材料装备研究所有限公司 | 一种脊柱椎弓根螺钉植入手术导航方法 |
-
2021
- 2021-08-06 CN CN202110903935.0A patent/CN113781496B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106691600A (zh) * | 2016-11-21 | 2017-05-24 | 胡磊 | 一种脊柱椎弓根钉植入定位装置 |
CN107157579A (zh) * | 2017-06-26 | 2017-09-15 | 苏州铸正机器人有限公司 | 一种脊柱椎弓根螺钉植入路径规划方法 |
US20200405399A1 (en) * | 2017-07-08 | 2020-12-31 | Vuze Medical Ltd. | Apparatus and methods for use with image-guided skeletal procedures |
TWI654963B (zh) * | 2018-03-21 | 2019-04-01 | 亞洲大學 | 椎弓根螺釘之自動路徑規劃方法 |
CN108537779A (zh) * | 2018-03-27 | 2018-09-14 | 哈尔滨理工大学 | 基于聚类的椎骨分割与质心检测的方法 |
EP3566669A1 (en) * | 2018-05-10 | 2019-11-13 | Globus Medical, Inc. | Systems and methods related to robotic guidance in surgery |
US20200170802A1 (en) * | 2018-11-29 | 2020-06-04 | Carlsmed, Inc. | Systems and methods for orthopedic implants |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
WO2020185049A2 (ko) * | 2019-03-13 | 2020-09-17 | 큐렉소 주식회사 | 페디클 스크류 고정 플래닝 시스템 및 방법 |
US20200373013A1 (en) * | 2019-05-22 | 2020-11-26 | Theseus AI, Inc. | Method And System For Analysis Of Spine Anatomy And Spine Disease |
CN110738660A (zh) * | 2019-09-09 | 2020-01-31 | 五邑大学 | 基于改进U-net的脊椎CT图像分割方法及装置 |
CN110738681A (zh) * | 2019-10-11 | 2020-01-31 | 北京航空航天大学 | 一种基于深度学习网络的椎弓根钉手术路径自动规划方法 |
CN111047605A (zh) * | 2019-12-05 | 2020-04-21 | 西北大学 | 一种脊椎ct分割网络模型的构建方法及分割方法 |
CN111598948A (zh) * | 2020-04-03 | 2020-08-28 | 上海嘉奥信息科技发展有限公司 | 基于深度学习的ct影像椎弓根植钉通道规划方法和系统 |
CN111627011A (zh) * | 2020-05-28 | 2020-09-04 | 上海交通大学医学院附属第九人民医院 | 基于ct值椎弓根钉置钉钉道选择方法、装置和设备 |
CN112581606A (zh) * | 2020-12-25 | 2021-03-30 | 江苏集萃复合材料装备研究所有限公司 | 一种脊柱椎弓根螺钉植入手术导航方法 |
Non-Patent Citations (5)
Title |
---|
BURSTRÖM G ET AL: ""Machine learning for automated 3-dimensional segmentation of the spine and suggested placement of pedicle screws based on intraoperative cone-beam computer tomography"", 《J NEUROSURG SPINE》, 31 January 2019 (2019-01-31) * |
DONGYANG CAI ET AL: ""Automatic Path Planning for Navigated Pedicle Screw Surgery Based on Deep Neural Network"", 《2019 WRC SYMPOSIUM ON ADVANCED ROBOTICS AND AUTOMATION (WRC SARA)》 * |
KAUSCH L ET AL: ""Automatic image- based pedicle screw planning"", 《MEDICAL IMAGING 2021: IMAGE- GUIDED PROCEDURES,ROBOTIC INTERVENTIONS,AND MODELING》, 28 February 2021 (2021-02-28) * |
R VIJAYAN ET AL: ""Automatic pedicle screw planning using atlas-based registration of anatomy and reference trajectories"", 《PHYSICS IN MEDICINE & BIOLOGY》 * |
刘亚军等: ""130例锥形束CT影像腰椎椎弓根螺钉自动规划的初步分析"", 《山东大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116889467A (zh) * | 2023-06-21 | 2023-10-17 | 北京长木谷医疗科技股份有限公司 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
CN116889467B (zh) * | 2023-06-21 | 2024-04-02 | 北京长木谷医疗科技股份有限公司 | 一种脊柱椎体的智能自置钉方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113781496B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
US20210056693A1 (en) | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system | |
US20200320697A1 (en) | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation | |
CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
CN111599432B (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
US20210374452A1 (en) | Method and device for image processing, and elecrtonic equipment | |
CN110415792A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
EP4307221A1 (en) | Hierarchical segmentation method and apparatus for tissue structure in medical image, device, and medium | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN113506308A (zh) | 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 | |
CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
CN109191475A (zh) | 椎体终板分割方法、装置及计算机可读存储介质 | |
CN115409859A (zh) | 冠状动脉血管图像分割方法及装置、存储介质和终端 | |
CN113781496A (zh) | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 | |
AU2021101226A4 (en) | Stroke lesion segmentation method and system | |
CN114359248A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
CN112561877B (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
JP7187680B2 (ja) | 線構造抽出装置及び方法、プログラム並びに学習済みモデル | |
CN115760874A (zh) | 一种基于联合空间域的多尺度U-Net医学图像分割方法 | |
Zhang et al. | An end-to-end segmentation network for the temporomandibular joints CBCT image based on 3D U-Net | |
US20140032180A1 (en) | Method and apparatus for computing deformation of an object | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
WO2020251958A1 (en) | Detecting and representing anatomical features of an anatomical structure | |
CN110738664A (zh) | 图像定位方法、装置、计算机设备和存储介质 |
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 |