CN113850763B - 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 - Google Patents
一种基于脊柱医学影像的图像处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113850763B CN113850763B CN202111048333.8A CN202111048333A CN113850763B CN 113850763 B CN113850763 B CN 113850763B CN 202111048333 A CN202111048333 A CN 202111048333A CN 113850763 B CN113850763 B CN 113850763B
- Authority
- CN
- China
- Prior art keywords
- spine
- medical image
- neural network
- network model
- position information
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 239000011436 cob Substances 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 20
- 206010058907 Spinal deformity Diseases 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 201000002972 idiopathic scoliosis Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 206010039722 scoliosis Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010050694 Congenital scoliosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008722 morphological abnormality Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于脊柱医学影像的图像处理方法、装置、设备及介质,其中,所述测量方法包括:将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息;根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角。上述测量方法流程更快速、高效,且得到的Cobb角误差更小,可为脊柱畸形的严重程度提供更准确的参考信息。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于脊柱医学影像的图像处理方法、装置、设备及介质。
背景技术
脊柱侧弯是一种常见的脊柱疾患,根据病因不同,可分为特发性脊柱侧弯、先天性脊柱侧弯和退变性脊柱侧弯等,其中,特发性脊柱侧弯占80%左右。特发性脊柱侧弯是指X线直立位成像时,脊柱Cobb角大于10°且伴脊柱的一个或数个节段在冠状面上向一方旋转弯曲的脊柱结构畸形。
特发性脊柱侧弯的严重程度主要通过脊柱侧弯曲角度来判断,临床上常采用是Cobb角测量法。现有的Cobb角测量方法主要由影像学医师通过手动选择脊柱中向脊柱侧弯凹侧倾斜最严重的脊椎骨作为上下端椎,再使用量角器测量脊柱上下端椎之间的夹角,得到Cobb角,这种测量方式所得到的Cobb角的准确性取决于影像科医师的主观经验,往往存在一定的误差;另一方面,这种手动测量Cobb角的方法操作繁琐且耗时,这也进一步增大了测量误差的可能性。
发明内容
本发明目的在于提供一种基于脊柱医学影像的图像处理方法、装置、设备及介质,用于解决上述现有技术中存在的技术问题。
为实现上述目的,第一方面,本发明提供一种基于脊柱医学影像的图像处理方法,包括:
将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息;其中,所述医学影像包括脊柱的矢状面X线片和冠状面X线片;
根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角。
可选的,将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息之后,包括:
选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线;
将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息;
基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
可选的,将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息,包括:
将所获取的脊柱医学影像输入预设第一神经网络模型,得到脊椎中点,以及脊椎四个顶点相对于所述脊椎中点的偏移信息;
根据所述脊椎中点的位置和脊椎四个顶点相对于所述脊椎中点的偏移信息确定椎体关键点位置信息。
第二方面,本发明还提供一种基于脊柱医学影像的图像处理装置,包括:
检测模块,用于将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息;其中,所述医学影像包括脊柱的矢状面X线片和冠状面X线片;
第一计算模块,用于根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角。
可选的,所述基于脊柱医学影像的图像处理装置还包括第二计算模块;所述第二计算模块用于选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线;
将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息;
基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
可选的,所述检测模块具体用于:将所获取的脊柱医学影像输入预设第一神经网络模型,得到脊椎中点,以及脊椎四个顶点相对于所述脊椎中点的偏移信息;
根据所述脊椎中点的位置和脊椎四个顶点相对于所述脊椎中点的偏移信息确定椎体关键点位置信息。
第三方面,本发明提供一种电子设备,其包括多个处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的基于脊柱医学影像的图像处理方法。
第四方面,本发明提供一种计算机存储介质,所述计算机存储介质有计算机指令,所述计算机指令用于执行第一方面所述的基于脊柱医学影像的图像处理方法。
相比现有技术,本发明的有益效果在于:
本发明提供的基于脊柱医学影像的图像处理方法通过将医学影像输入至预先训练好的神经网络模型中,可得到更准确的椎体关键点位置信息,且基于椎体关键点位置信息计算得到的Cobb角误差更小,可为脊柱畸形的严重程度提供更准确的参考信息;另一方面,本发明有效规避了人工测量Cobb角存在的不足,整个Cobb角测量流程更快速高效。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的脊柱Cobb角测量方法流程示意图;
图2是本发明实施例提供的第一神经网络模型结构图;
图3是本发明实施例提供的第二神经网络模型结构图;
图4是本发明实施例提供的脊柱Cobb角测量装置结构示意图;
图5是本发明实施例提供的电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明一个实施例提供一种脊柱Cobb角测量方法,包括下述步骤:
S1:将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息。
脊柱医学影像是指用于明确脊柱形态异常与临床相关性的影像学检查结果,常见的用于评估脊柱疾病的影像学检查由X线平片、CT-脊髓造影术、磁共振、骨扫描和CT等;脊柱由26块椎骨组成,具体包括7块颈椎,12块胸椎,5块腰椎,1块骶骨(由5块骶椎融合构成)和尾骨1块(由3-4块尾椎融合构成),椎体是椎骨负重的主要部分。
需要说明的是,本实施例中,所述脊柱医学影像包括脊柱的矢状面X线片和冠状面X线片。
对于矢状面X线片和冠状面X线片,本实施例分别将其输入至预先训练的第一神经网络模型中进行关键点检测,得到双平面的椎体关键点位置信息。
具体地,将矢状面X线片和冠状面X线片分别输入预设第一神经网络模型中,得到脊椎中点以及脊椎四个顶点相对于所述脊椎中点的偏移信息,具体包括偏移量和偏移角度;再根据所述脊椎中点的位置和脊椎四个顶点相对于所述脊椎中点的偏移信息确定椎体关键点位置信息。
在一个实施例中,第一神经网络模型可先对矢状面X线片和冠状面X线片中各节段椎体进行分割,再获取各椎体的偏移信息。
参照图2,所述第一神经网络模型分为编码和解码两个单元,其中,编码单元具体为特征提取器,用于对输入的医学图像进行特征提取。
在本实施例中,特征提取器可采用ResNet34,ResNet34模型较小、训练速度快,且准确率较高。具体地,可根据实际应用情况,采用更小更快的MobileNet模型,或更大精度更高的EfficientNet模型,本发明不做限定。
具体地,第一神经网络模型的解码单元具体包括3层上采样结构和3个预测单元,从编码单元提取的特征通过3层上采样结构进行上采样,再将上采样的输出结果分别输入至3个预测单元中,得到三个输出结果:脊椎中点热图、采样偏差以及脊椎四个定点相对于中点的偏移信息,通过整合三个输出结果,得到椎体关键点位置信息,所述关键点包括椎体的中心点及四个顶点。
具体地,对脊椎中点热图进行非极大值抑制,得到脊椎中点,再将脊椎中点与所输出的采样偏差进行相加,得到最终的脊椎中心点的位置预测值;利用所得到的最终脊椎中心点加上模型输出的脊椎四个顶点相对于脊椎中心点的偏移信息,得到椎体四个顶点的位置预测值。
S2:根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角。
Cobb角是指头侧端椎上缘的垂线与尾侧端椎下缘垂线的交角,所述端椎为倾斜角度最大的椎体。
在本实施例中,得到各椎体的关键点位置信息后,可计算各椎体四个顶点到椎体中心点的偏离距离,得到上下缘信息;进一步的,确定各头侧端椎上缘和各尾侧端椎下缘,根据所述头侧端椎上缘垂线和所述尾侧端椎下缘垂线的交角得到Cobb角。
在另一实施例中,在S1之后,还执行以下流程:
S11:选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线。
具体地,本实施例选取骶骨S1为目标椎体,得到骶骨S1段上缘的两个关键点位置信息,将两个关键点连接起来,得到骶骨S1段的上缘线,进而经这一上缘线的中点绘制垂直于水平地面方向向上的垂线,成为骶骨中垂线CSVL。
S12:将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息。
参照图3,预设第二神经网络模型包括编码结构和解码结构,其中,编码结构使用了deeplabv3+作为骨干网络,deeplabv3+主要利用空洞卷积和条件随机场算法提高语义分割的精度,以提取更有效的特征。
本实施例中,在编码部分,所输入的脊柱医学影像在深度神经网络作用下,进行不同尺度的卷积、空洞卷积以及池化,最终将不同的输出结果进行统一卷积后,得到编码后的特征图;在解码部分,对输入的脊柱医学影像进行卷积后再与编码部分得到的输出上采样后结合,经过卷积和上采样得到预测结果。
具体地,本实施例将冠状面X线片输入所述第二神经网络模型中,经过主干DCNN深度卷积神经网络之后,得到的结果分为两部分,一部分直接传入解码结构,另一部分经过并行的空洞卷积,并分别用不同空洞卷积率的空洞卷积进行特征提取,再进行合并,再进行卷积压缩特征。
第二神经网络模型中的解码结构包括两个部分的输入,一部分是编码结构中DCNN深度卷积神经网络的输出,另一部分是编码结构中DCNN深度卷积神经网络输出后经过并行空洞卷积后的特征结果,这两个结果进行拼接后,再利用双线性插值进行上采样,得到目标区域的边界信息,基于该边界信息可确定目标区域分割结果。
在本实施例中,所得到的目标区域分割结果具体为腰段椎弓根的分割结果。
S13:基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
通过上述步骤得到骶骨中垂线CSVL和腰段椎弓根的分割结果后,进一步得到二者间的偏移距离。
本发明上述实施例提供的脊柱Cobb角测量方法通过两个神经网络模型对输入的脊柱医学影像进行分析处理,以得到Cobb角的测量结果,整个流程快速、高效,且得到的Cobb角误差更小,相对比现有的测量方法准确性更高。
进一步地,通过本发明所得到的脊柱Cobb角可对脊柱畸形的严重程度和相关手术方案的制定提供参考信息。
如图4所示,第二方面,本发明另一个实施例提供一种脊柱Cobb角测量装置,具体包括检测模块101和第一计算模块102。
检测模块101用于将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息。
第一计算模块102用于根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角。
在一个实施例中,所述脊柱Cobb角测量装置还包括第二计算模块103,所述第二计算模块103用于选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线。
将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息。
基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
需要说明的是,本发明实施例中提供的脊柱Cobb角测量装置部分与本发明实施例中的脊柱Cobb角测量方法部分是相对应的,脊柱Cobb角测量装置部分的描述具体参考脊柱Cobb角测量方法部分,在此不再赘述。
如图5所示,第三方面,本发明实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理;处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等;处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有系统800操作所需的各种程序和数据;处理器801、ROM802以及RAM 803通过总线804彼此相连;处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意的是,所述程序也可以存储在除ROM802和RAM 803以外的一个或多个存储器中;处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804;电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
根据本发明的实施例,本发明实施例的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装;在该计算机程序被处理器801执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
第四方面,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM802和/或RAM803和/或ROM802和RAM803以外的一个或多个存储器。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种基于脊柱医学影像的图像处理方法,其特征在于,包括:
将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息,第一神经网络模型包括3层上采样结构和3个预测单元,上采样得到的输出结果分别输入至3个预测单元中,得到三个预测单元输出结果;其中,所述医学影像包括脊柱的矢状面X线片和冠状面X线片;
根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角;
选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线;
将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息,目标区域为腰段椎弓根;
基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
2.根据权利要求1所述的基于脊柱医学影像的图像处理方法,其特征在于,将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息,包括:
将所获取的脊柱医学影像输入预设第一神经网络模型,得到脊椎中点,以及脊椎四个顶点相对于所述脊椎中点的偏移信息;
根据所述脊椎中点的位置和脊椎四个顶点相对于所述脊椎中点的偏移信息确定椎体关键点位置信息。
3.一种基于脊柱医学影像的图像处理装置,其特征在于,包括:
检测模块,用于将所获取的脊柱医学影像输入预设第一神经网络模型,以使所述第一神经网络模型对所述医学影像进行脊椎关键点检测,得到椎体关键点位置信息,第一神经网络模型包括3层上采样结构和3个预测单元,上采样得到的输出结果分别输入至3个预测单元中,得到三个预测单元输出结果;其中,所述医学影像包括脊柱的矢状面X线片和冠状面X线片;
第一计算模块,用于根据所述椎体关键点位置信息确定椎体的上缘和下缘,基于所述上缘和下缘计算脊柱Cobb角;
第二计算模块,用于选取目标椎体的关键点位置信息,利用所述关键点位置信息得到中垂线;
将所获取的脊柱医学影像输入预设第二神经网络模型,以使所述第二神经网络模型对所述医学影像进行区域分割,得到目标区域的边界信息,目标区域为腰段椎弓根;
基于所述目标区域的边界信息和所述中垂线得到二者间的偏移距离。
4.根据权利要求3所述的基于脊柱医学影像的图像处理装置,其特征在于,所述检测模块,具体用于:
将所获取的脊柱医学影像输入预设第一神经网络模型,得到脊椎中点,以及脊椎四个顶点相对于所述脊椎中点的偏移信息;
根据所述脊椎中点的位置和脊椎四个顶点相对于所述脊椎中点的偏移信息确定椎体关键点位置信息。
5.一种电子设备,其特征在于,其包括多个处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1~2任一所述的基于脊柱医学影像的图像处理方法。
6.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述权利要求1~2中任一项所述的基于脊柱医学影像的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048333.8A CN113850763B (zh) | 2021-09-06 | 2021-09-06 | 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048333.8A CN113850763B (zh) | 2021-09-06 | 2021-09-06 | 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850763A CN113850763A (zh) | 2021-12-28 |
CN113850763B true CN113850763B (zh) | 2024-01-23 |
Family
ID=78973432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048333.8A Active CN113850763B (zh) | 2021-09-06 | 2021-09-06 | 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850763B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114503953B (zh) * | 2022-01-24 | 2023-01-31 | 中山大学附属第一医院 | 一种椎间盘退变动物模型的构建方法及应用 |
CN115239700A (zh) * | 2022-08-22 | 2022-10-25 | 北京医准智能科技有限公司 | 一种脊椎Cobb角测量方法、装置、设备及存储介质 |
CN115880281B (zh) * | 2023-01-20 | 2023-05-02 | 山西省财政税务专科学校 | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105232133A (zh) * | 2015-09-07 | 2016-01-13 | 徐兆万 | 颈椎前路椎弓根钉板固定系统 |
CN106510833A (zh) * | 2016-11-17 | 2017-03-22 | 南华大学 | 双侧定位型椎弓根置钉瞄准器及其制备方法 |
CN108309334A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种脊柱x线影像的数据处理方法 |
CN109360213A (zh) * | 2018-12-14 | 2019-02-19 | 浙江工业大学 | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN209864028U (zh) * | 2019-02-22 | 2019-12-31 | 张文通 | 一种用于脊柱畸形椎弓根钉置钉的外展角导向器 |
CN111671454A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 |
WO2020198854A1 (en) * | 2019-03-29 | 2020-10-08 | Polyvalor, Limited Partnership | Method and system for producing medical images |
CN112041885A (zh) * | 2018-04-27 | 2020-12-04 | 美敦力导航股份有限公司 | 用于跟踪程序的系统和方法 |
CN112734757A (zh) * | 2021-03-29 | 2021-04-30 | 成都成电金盘健康数据技术有限公司 | 一种脊柱X光图像cobb角测量方法 |
CN112802019A (zh) * | 2021-04-01 | 2021-05-14 | 成都成电金盘健康数据技术有限公司 | 一种基于脊柱AIS影像的lenke分型方法 |
CN113223072A (zh) * | 2021-03-31 | 2021-08-06 | 首都医科大学附属北京朝阳医院 | 一种脊柱Cobb角测量方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200405395A1 (en) * | 2017-07-03 | 2020-12-31 | Spine Align, Llc | Intraoperative alignment assessment system and method |
-
2021
- 2021-09-06 CN CN202111048333.8A patent/CN113850763B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105232133A (zh) * | 2015-09-07 | 2016-01-13 | 徐兆万 | 颈椎前路椎弓根钉板固定系统 |
CN106510833A (zh) * | 2016-11-17 | 2017-03-22 | 南华大学 | 双侧定位型椎弓根置钉瞄准器及其制备方法 |
CN108309334A (zh) * | 2017-12-08 | 2018-07-24 | 李书纲 | 一种脊柱x线影像的数据处理方法 |
CN112041885A (zh) * | 2018-04-27 | 2020-12-04 | 美敦力导航股份有限公司 | 用于跟踪程序的系统和方法 |
CN109360213A (zh) * | 2018-12-14 | 2019-02-19 | 浙江工业大学 | 一种基于脊柱超声冠状面图像的自动化椎体识别方法 |
CN209864028U (zh) * | 2019-02-22 | 2019-12-31 | 张文通 | 一种用于脊柱畸形椎弓根钉置钉的外展角导向器 |
WO2020198854A1 (en) * | 2019-03-29 | 2020-10-08 | Polyvalor, Limited Partnership | Method and system for producing medical images |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN111671454A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 |
CN112734757A (zh) * | 2021-03-29 | 2021-04-30 | 成都成电金盘健康数据技术有限公司 | 一种脊柱X光图像cobb角测量方法 |
CN113223072A (zh) * | 2021-03-31 | 2021-08-06 | 首都医科大学附属北京朝阳医院 | 一种脊柱Cobb角测量方法和系统 |
CN112802019A (zh) * | 2021-04-01 | 2021-05-14 | 成都成电金盘健康数据技术有限公司 | 一种基于脊柱AIS影像的lenke分型方法 |
Non-Patent Citations (5)
Title |
---|
A deep learning framework for segmentation and pose estimation of pedicle screw implants based on C-arm fluoroscopy;Hooman Esfandiari等;《International Journal of Computer Assisted Radiology and Surgery》;第1269-1282页 * |
Correlation between spinal coronal balance and static baropodometry in children with adolescent idiopathic scoliosis;Qichao Ma等;《Gait & Posture》;第75卷;第93-97页 * |
基于椭圆形状约束的Snake模型分割X线图像椎弓根影;张俊华等;《中国生物医学工程学报》;第28卷(第4期);第496-500页 * |
林永绥.退变性脊柱侧弯(测量篇).《好大夫在线-https://www.haodf.com/neirong/wenzhang/4550073255.html》.2016,第2页. * |
青少年特发性脊柱侧凸术后冠状位并发症相关分析及基于深度学习的矫形模型构建的初步探索;陈锴;《万方数据库》;第10-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850763A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850763B (zh) | 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 | |
Humbert et al. | 3D reconstruction of the spine from biplanar X-rays using parametric models based on transversal and longitudinal inferences | |
CN111671454B (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
Labelle et al. | Seeing the spine in 3D: how will it change what we do? | |
US6608916B1 (en) | Automatic detection of spine axis and spine boundary in digital radiography | |
US8150132B2 (en) | Image analysis apparatus, image analysis method, and computer-readable recording medium storing image analysis program | |
US10043111B2 (en) | Medical image processing apparatus, medical image processing method, and medical image processing program | |
CN109785297B (zh) | 一种脊柱侧弯的检测方法及装置 | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
Anitha et al. | Automatic extraction of vertebral endplates from scoliotic radiographs using customized filter | |
Tabor et al. | The potential of multi-slice computed tomography based quantification of the structural anisotropy of vertebral trabecular bone | |
CN111317580A (zh) | 一种椎骨稳定系统及方法 | |
Zhang et al. | An automated cobb angle estimation method using convolutional neural network with area limitation | |
CN114693604A (zh) | 脊椎医学影像处理方法、装置、设备及存储介质 | |
JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
Giannoglou et al. | Review of advances in Cobb angle calculation and image-based modelling techniques for spinal deformities | |
Anitha et al. | Identification of apical vertebra for grading of idiopathic scoliosis using image processing | |
US20230169644A1 (en) | Computer vision system and method for assessing orthopedic spine condition | |
CN115705635A (zh) | 一种脊柱弯曲角计算方法、装置及计算机设备 | |
Zhu et al. | Automatic Measurement of Scoliosis based on an Improved Segmentation Model | |
Doerr et al. | Automatic analysis of global spinal alignment from simple annotation of vertebral bodies | |
Shen et al. | Geometric torsion in adolescent idiopathic scoliosis: a new method to differentiate between lenke 1 subtypes | |
Le Pennec et al. | CT-based semi-automatic quantification of vertebral fracture restoration | |
CN117257455B (zh) | 一种腰椎手术固定棒预弯方法及装置 | |
Guo et al. | Reliability analysis of Cobb measurement in degenerative lumbar scoliosis using endplate versus pedicle as bony landmarks |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230718 Address after: Room 902, 9/F, No. 3 Yongfu Road, Yuexiu District, Guangzhou, Guangdong 510000 Applicant after: Jike Medical Technology (Guangzhou) Co.,Ltd. Address before: 510030 the First Affiliated Hospital of Sun Yat sen University, 58 Zhongshan 2nd Road, Guangzhou, Guangdong Province Applicant before: THE FIRST AFFILIATED HOSPITAL OF SUN YAT-SEN University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |