CN113907775A - 一种髋关节影像质量判断方法及系统 - Google Patents
一种髋关节影像质量判断方法及系统 Download PDFInfo
- Publication number
- CN113907775A CN113907775A CN202111193855.7A CN202111193855A CN113907775A CN 113907775 A CN113907775 A CN 113907775A CN 202111193855 A CN202111193855 A CN 202111193855A CN 113907775 A CN113907775 A CN 113907775A
- Authority
- CN
- China
- Prior art keywords
- hip joint
- evaluation result
- image
- obtaining
- evaluation
- 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
Links
- 210000004394 hip joint Anatomy 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 102
- 210000000689 upper leg Anatomy 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 239000007943 implant Substances 0.000 claims abstract description 35
- 210000000528 lesser trochanter Anatomy 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 9
- 210000001624 hip Anatomy 0.000 claims description 8
- 210000000527 greater trochanter Anatomy 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000003902 lesion Effects 0.000 abstract description 3
- 229910000831 Steel Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000002746 orthostatic effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种髋关节影像质量判断方法及系统。该方法首先将髋关节X光影像原始图进行预处理后输入到左右股骨检测模型得到左右股骨区域图像；再将左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与髋关节X光影像图片最大高度的关系得到第一评价结果；通过判断髋关节影像图片的拍摄位是否为正位得到第二评价结果；通过判断左右股骨区域图像中是否有植入物得到第三评价结果；最后，根据第一评价结果、第二评价结果以及第三评价结果确定髋关节影像质量判断结果，通过判断髋关节X光影像质量是否达到髋关节假体自动规划的质控要求，提高髋关节病变诊断质量，进而提高髋关节术前规划方案的准确性。
Description
技术领域
本发明涉及医学影像领域，特别涉及一种髋关节影像质量判断方法及系统。
背景技术
标准的髋关节正位影像对髋关节病变的诊断，术前规划和手术方案的制订及复查具有重要意义，而且也是临床参考的重要形式途径。在临床试验阶段，最重要得是数据的质量，不同的数据集的差异对临床使用阶段的产品性能评价结果影响较大，因此需要加强数据本身的质量。
目前髋关节X光影像并非都是标准的髋关节正位影像，由于不同医院技师操作水平不同，即使同一台设备，不同的技师操作，呈现的图像会有些许差异，导致数据质量千差万别。同时，由于缺少统一质量评价体系，导致实现图像质量和格式过于困难。在髋关节影像质控方面，影像质量的评价最常用最直接的方法是影像医生的主观评价，有些髋关节影像可能虽然可以使用，但临床价值不大，容易导致出现这种评价方法主观性强，容易出现偏差，因此寻求一种自动判断髋关节影像质量的方法至关重要。
发明内容
基于此，本申请实施例提供了一种髋关节影像质量判断方法及系统，可以判断髋关节影像质量是否达到髋关节假体自动规划的质控要求，进而提高医生术前规划的准确性和制定更加完备的手术方案。
第一方面，提供了一种髋关节影像质量判断方法，该方法包括：
S1、获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像；
S2、将所述左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果；
S3、通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果；
S4、通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果；
S5、根据所述第一评价结果、所述第二评价结果以及所述第三评价结果确定所述髋关节影像质量判断结果。
可选地，所述获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，包括：
将髋关节X光影像原始图按一定的窗宽窗位调整转换成图片格式，获得髋关节影像jpg格式的图片。
可选地，所述通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果，包括：
当所述小转子坐标下方10cm的位置超过了所述髋关节X光影像图片的最大高度，则所述第一评价结果为不合格；
当所述小转子坐标下方10cm的位置未超过了所述髋关节X光影像图片的最大高度，则所述第一评价结果为合格。
可选地，所述通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果，包括：
通过读取所述髋关节影像图片在dicom格式下Image Orientation数据字段；
当该字段的值为空，则根据预先训练好的分类模型判断所述髋关节影像图片是否为正位，当判断结果为非正位，则所述第二评价结果为不合格；当判断结果为正位，则所述第二评价结果为合格；
当该字段的值为AP，则所述第二评价结果为合格，所述字段的值为AP用于表征读取的所述髋关节影像图片的拍摄位为正位。
可选地，所述通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果，包括：
根据关键点模型获取髋关节股骨小转子和大转子的坐标，将小转子和大转子的坐标为待检区域的两条边界，确定选定检测区域；
对所述选定检测区域分别通过霍夫直线特征检测、gobar滤波提取纹理特征以及LeNet模型得到检测特征图；
通过人工对所述检测特征图进行判断得到所述第三评价结果。
可选地，所述对所述选定检测区域分别通过霍夫直线特征检测，具体包括：
通过对所述选定检测区域进行卷积提取边缘信息以及较低的阈值进行阈值分割得到植入物阈值分割结果；
对所述植入物阈值分割结果进行形态学腐蚀，对腐蚀后的图像进行霍夫直线特征检测。
可选地，LeNet模型在模型训练过程中，选取focal loss作为损失函数。
可选地，根据所述第一评价结果、所述第二评价结果以及所述第三评价结果得到所述髋关节影像质量判断结果，包括：
当所述第一评价结果、所述第二评价结果以及所述第三评价结果中任一项评价结果为不合格，则所述髋关节影像质量判断结果为不合格。
可选地，在将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像之前，所述方法还包括：
通过未标注的数据对左右股骨检测模型进行训练，得到训练完成的左右股骨检测模型。
第二方面，提供了一种髋关节影像质量判断系统，该系统包括：预处理模块、第一评价模块、第二评价模块、第三评价模块以及确定模块；
所述预处理模块，用于获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像；
所述第一评价模块，用于将所述左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果；
所述第二评价模块，用于通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果；
所述第三评价模块，用于通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果；
所述确定模块，用于根据所述第一评价结果、所述第二评价结果以及所述第三评价结果得到所述髋关节影像质量判断结果。
本申请实施例提供的技术方案中首先获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片并输入到左右股骨检测模型得到左右股骨区域图像；再将左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与髋关节X光影像图片最大高度的关系得到第一评价结果；通过判断髋关节影像图片的拍摄位是否为正位得到第二评价结果；通过判断左右股骨区域图像中是否有植入物得到第三评价结果；最后，根据第一评价结果、第二评价结果以及第三评价结果确定髋关节影像质量判断结果。可以看出，本发明的有益效果包括了：
(1)首次使用多种不同评价指标综合判断髋关节影像质量。其维度不局限于髋关节拍摄位置，还主要包括髋关节股骨头是否有植入物和髋关节股骨峡部区域的检测。通过这三种不同的评估方法，综合判断髋关节影像质量是否达到髋关节假体自动规划的质控要求。
(2)在髋关节假体植入物检测过程中，通过级联模型，建立多种不同类型植入物检测模型，使植入物检测更加准确，更加鲁棒。
(3)在股骨峡部区域定位过程中，通过深度学习关键点模型定位小转子位置，进而自动定位峡部区域，实现更加鲁棒的定位股骨峡部区域。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种髋关节影像质量判断方法的流程图。
图2为本申请实施例提供的选取植入物区域的示意图；
图3为本申请实施例提供的植入物阈值分割结果的示意图；
图4为本申请实施例提供的形态学腐蚀结果的示意图；
图5为本申请实施例提供的一种髋关节影像质量判断系统的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等旨在区别指代的对象。对于具有时序流程的方案，这种术语表述方式不必理解为描述特定的顺序或先后次序，对于装置结构的方案，这种术语表述方式也不存在对重要程度、位置关系的区分等。
此外，术语“包括”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元，而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元，或者基于本发明构思进一步的优化方案所增加的步骤或单元。
目前髋关节X光影像中，髋关节影像质量以手动测量为主，没有自动化的工具和方法。随着卷积神经网络的发展，通过多维度联合评估方法，判断髋关节影像质量是否达到髋关节假体自动规划的质控要求，进而提高医生术前规划的准确性和制定更加完备的手术方案。因此该方法具有很高的应用价值和临床意义。
请参考图1，其示出了本申请实施例提供的一种髋关节影像质量判断方法流程图，具体步骤包括：
S1、获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像。
在本申请实施例中，步骤S1的是采用深度学习的方法对髋关节X光影像进行检测，获取髋关节的左右股骨图像，具体包括了：
S11、冠脉CTA序列原始图的预处理：将髋关节X光影像原始图按一定的窗宽窗位调整转换成图片格式，获得髋关节影像jpg格式的图片；
S12、获取左右股骨区域：通过未标注的数据训练得到左右股骨检测模型，进而得到左右股骨区域。
S2、将左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与髋关节X光影像图片最大高度的关系得到第一评价结果。
在本申请实施例中，步骤S2的目的是在于判断左右股骨小转子下方髓腔最窄处是否可以定位，具体包括了：
S21、获取小转子坐标：通过关键点模型获取小转子坐标。
S22、获取小转子下方10cm髓腔区域：首先根据S21获取小转子10cm位置，然后计算小转子10cm位置是否超过了X光影像高度最大值，如果位置超过了髋关节X光影像的最大高度，则认为不符合人工智能假体规划的质量要求，其中选取小转子下方10cm是根据实际髓腔最窄处进行的最优选择。
S3、通过判断髋关节影像图片的拍摄位是否为正位得到第二评价结果。
在本申请实施例中，步骤S3的目的是在于判断髋关节拍摄位是否为正位，具体包括了：
S31、读取髋关节dicom中Image Orientation数据字段，判断是否为AP位。
S32、判断髋关节拍摄位为正位：若该字段的值为AP，则判断为正位。当该字段为空时，需要根据分类模型判断，将事先训练好的分类模型进行判断髋关节是否为正位。
S4、通过判断左右股骨区域图像中是否有植入物得到第三评价结果。
在本申请实施例中，步骤S4的目的是在于判断股骨是否有植入物，具体包括了：
S41、选定植入物检测区域：首先根据关键点模型获取髋关节股骨小转子和大转子的坐标，以大小转子的坐标为待检区域的两条边界，确定选定检测区域。为规避股骨外边界对植入物检测造成的影响，可根据判断小转子以及大转子坐标的位置关系判断并选取框选区域，如图2所示，大框表示根据大转子坐标得到的框选区域，小框表示根据小转子坐标得到的框选区域。
S42、检测特征明显的钢钉状植入物：提取霍夫直线特征检测简单植入物：图2通过对S41获取的框选区域进行卷积提取边缘信息以及较低的阈值进行阈值分割得到图3。分割之后再进行一个小尺度的形态学腐蚀得到图4，对腐蚀后的图像进行霍夫直线检测。如果有植入物则能获取lines。检测的lines是否是我们需要的植入物。
S43、检测漏检的钢钉状植入物：针对特征不明显的钢钉植入物，使用gobar滤波提取纹理特征，根据提取一些比较微弱的纹理信息，进而进一步检测漏检的钢钉状植入物。
S44、检测无钢钉类的植入物：针对无钢钉类的植入物场景，设计了一种LeNet模型的分类器，该模型最重要的作用是为了检测纹理信息不太明显或不太规则的植入物。在模型训练过程中，由于正负样本不均衡，所以选取focal loss作为损失函数，降低大量正样本所带来的权重影响。
S5、根据第一评价结果、第二评价结果以及第三评价结果确定髋关节影像质量判断结果。
在本申请实施例中，步骤S4的目的是在于综合判断髋关节影像质量，具体包括了：
S51、获取上述三种不同判断的结果：根据S2，S3,S4结果综合判断，形成具体得分。如S2的结果没有检测到峡部区域，则评分为0分，若可以定位到下方10cm区域处，则为10分；S3的结果为正位片，则评分为10分，否则为0分；S4的结果为有植入物则髋关节影像质量为5分，其目的在于，该影像可用于医生自己判断，不可用于人工智能自动判断。如果没有植入物则评分为10分。
S52、综合判断髋关节影像质量评分。将S51分数综合判断，当任何一项评分为0分，都判断为影像质量不合格。当分数在25分，则判断髋关节影像质量符合医生人工研判的标准，但为到达人工智能假体规划的标准。当分数为30分时，则认为髋关节影像质量符合医生人工研判的质量标准，又符合人工智能假体规划的质量标准。
本申请通过判断髋关节X光影像质量是否达到髋关节假体自动规划的质控要求。通过使用自动判断髋关节影像质量的方法，可以提高髋关节病变诊断质量，也可以提高髋关节术前规划方案的准确性。
请参考图5，其示出了本申请实施例提供的一种髋关节影像质量判断系统200的示意图，该髋关节影像质量判断系统200包括预处理模块201、第一评价模块202、第二评价模块203、第三评价模块204以及确定模块205；
预处理模块201，用于获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像；
第一评价模块202，用于将左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与髋关节X光影像图片最大高度的关系得到第一评价结果；
第二评价模块203，用于通过判断髋关节影像图片的拍摄位是否为正位得到第二评价结果；
第三评价模块204，用于通过判断左右股骨区域图像中是否有植入物得到第三评价结果；
确定模块205，用于根据第一评价结果、第二评价结果以及第三评价结果得到髋关节影像质量判断结果。
上述髋关节影像质量判断系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
关于髋关节影像质量判断系统其实现原理和技术效果与上述方法实施例类似，其具体限定可以参见上文中对于智能物流收发方法的限定，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种髋关节影像质量判断方法，其特征在于，所述方法包括：
S1、获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像；
S2、将所述左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果；
S3、通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果；
S4、通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果；
S5、根据所述第一评价结果、所述第二评价结果以及所述第三评价结果确定所述髋关节影像质量判断结果。
2.根据权利要求1所述的方法，其特征在于，所述获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，包括：
将髋关节X光影像原始图按一定的窗宽窗位调整转换成图片格式，获得髋关节影像jpg格式的图片。
3.根据权利要求1所述的方法，其特征在于，所述通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果，包括：
当所述小转子坐标下方10cm的位置超过了所述髋关节X光影像图片的最大高度，则所述第一评价结果为不合格；
当所述小转子坐标下方10cm的位置未超过了所述髋关节X光影像图片的最大高度，则所述第一评价结果为合格。
4.根据权利要求1所述的方法，其特征在于，所述通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果，包括：
通过读取所述髋关节影像图片在dicom格式下Image Orientation数据字段；
当该字段的值为空，则根据预先训练好的分类模型判断所述髋关节影像图片是否为正位，当判断结果为非正位，则所述第二评价结果为不合格；当判断结果为正位，则所述第二评价结果为合格；
当该字段的值为AP，则所述第二评价结果为合格，所述字段的值为AP用于表征读取的所述髋关节影像图片的拍摄位为正位。
5.根据权利要求1所述的方法，其特征在于，所述通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果，包括：
根据关键点模型获取髋关节股骨小转子和大转子的坐标，将小转子和大转子的坐标为待检区域的两条边界，确定选定检测区域；
对所述选定检测区域分别通过霍夫直线特征检测、gobar滤波提取纹理特征以及LeNet模型得到检测特征图；
通过人工对所述检测特征图进行判断得到所述第三评价结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述选定检测区域分别通过霍夫直线特征检测，具体包括：
通过对所述选定检测区域进行卷积提取边缘信息以及较低的阈值进行阈值分割得到植入物阈值分割结果；
对所述植入物阈值分割结果进行形态学腐蚀，对腐蚀后的图像进行霍夫直线特征检测。
7.根据权利要求5所述的方法，其特征在于，LeNet模型在模型训练过程中，选取focalloss作为损失函数。
8.根据权利要求1所述的方法，其特征在于，根据所述第一评价结果、所述第二评价结果以及所述第三评价结果得到所述髋关节影像质量判断结果，包括：
当所述第一评价结果、所述第二评价结果以及所述第三评价结果中任一项评价结果为不合格，则所述髋关节影像质量判断结果为不合格。
9.根据权利要求1所述的方法，其特征在于，在将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像之前，所述方法还包括：
通过未标注的数据对左右股骨检测模型进行训练，得到训练完成的左右股骨检测模型。
10.一种髋关节影像质量判断系统，其特征在于，所述系统包括：预处理模块、第一评价模块、第二评价模块、第三评价模块以及确定模块；
所述预处理模块，用于获取髋关节X光影像原始图，并进行预处理得到髋关节影像图片，将所述髋关节影像图片输入到左右股骨检测模型得到左右股骨区域图像；
所述第一评价模块，用于将所述左右股骨区域图像通过关键点模型得到小转子坐标；通过判断小转子坐标偏移位置与所述髋关节X光影像图片最大高度的关系得到第一评价结果；
所述第二评价模块，用于通过判断所述髋关节影像图片的拍摄位是否为正位得到第二评价结果；
所述第三评价模块，用于通过判断所述左右股骨区域图像中是否有植入物得到第三评价结果；
所述确定模块，用于根据所述第一评价结果、所述第二评价结果以及所述第三评价结果得到所述髋关节影像质量判断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193855.7A CN113907775A (zh) | 2021-10-13 | 2021-10-13 | 一种髋关节影像质量判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111193855.7A CN113907775A (zh) | 2021-10-13 | 2021-10-13 | 一种髋关节影像质量判断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113907775A true CN113907775A (zh) | 2022-01-11 |
Family
ID=79239999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111193855.7A Pending CN113907775A (zh) | 2021-10-13 | 2021-10-13 | 一种髋关节影像质量判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113907775A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018839A (zh) * | 2022-08-08 | 2022-09-06 | 浙江华诺康科技有限公司 | 用于医学检查的图像识别方法、装置和电子装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110243416A1 (en) * | 2008-08-12 | 2011-10-06 | Jennifer Susan Gregory | Morphometry of the human hip joint and prediction of osteoarthritis |
| CN109905593A (zh) * | 2018-11-06 | 2019-06-18 | 华为技术有限公司 | 一种图像处理方法和装置 |
| CN110033438A (zh) * | 2019-03-14 | 2019-07-19 | 上海市第六人民医院 | 髋关节标记系统及其标记方法 |
| CN111553420A (zh) * | 2020-04-28 | 2020-08-18 | 北京邮电大学 | 一种基于神经网络的x线影像识别方法及装置 |
| CN111640093A (zh) * | 2020-05-20 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法和计算机可读存储介质 |
| CN111888059A (zh) * | 2020-07-06 | 2020-11-06 | 北京长木谷医疗科技有限公司 | 基于深度学习与x线的全髋关节置换术前规划方法及装置 |
| CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
| CN113012155A (zh) * | 2021-05-07 | 2021-06-22 | 刘慧烨 | 髋关节图像中骨骼分割方法、电子设备及存储介质 |
-
2021
- 2021-10-13 CN CN202111193855.7A patent/CN113907775A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110243416A1 (en) * | 2008-08-12 | 2011-10-06 | Jennifer Susan Gregory | Morphometry of the human hip joint and prediction of osteoarthritis |
| CN109905593A (zh) * | 2018-11-06 | 2019-06-18 | 华为技术有限公司 | 一种图像处理方法和装置 |
| US20210258506A1 (en) * | 2018-11-06 | 2021-08-19 | Huawei Technologies Co., Ltd. | Image Processing Method and Apparatus |
| CN110033438A (zh) * | 2019-03-14 | 2019-07-19 | 上海市第六人民医院 | 髋关节标记系统及其标记方法 |
| CN111553420A (zh) * | 2020-04-28 | 2020-08-18 | 北京邮电大学 | 一种基于神经网络的x线影像识别方法及装置 |
| CN111640093A (zh) * | 2020-05-20 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 医学图像的质控方法和计算机可读存储介质 |
| CN111888059A (zh) * | 2020-07-06 | 2020-11-06 | 北京长木谷医疗科技有限公司 | 基于深度学习与x线的全髋关节置换术前规划方法及装置 |
| CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
| CN113012155A (zh) * | 2021-05-07 | 2021-06-22 | 刘慧烨 | 髋关节图像中骨骼分割方法、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 孙中杰等: "深度学习在主动脉中膜变性病理图像分类中的应用", 计算机应用, vol. 41, no. 01, pages 280 - 283 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018839A (zh) * | 2022-08-08 | 2022-09-06 | 浙江华诺康科技有限公司 | 用于医学检查的图像识别方法、装置和电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
| CN112037200A (zh) | 一种医学影像中解剖特征自动识别与模型重建方法 | |
| CN104809740A (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
| WO2005083635A1 (en) | Method and system for detection of bone fractures | |
| CN102890823A (zh) | 运动对象轮廓提取及左心室图像分割方法和装置 | |
| CN107146214A (zh) | 儿童髋关节发育状况计算机自动诊断的方法 | |
| CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
| CN106780520B (zh) | 一种mri腰椎图像中椎骨的自动提取方法 | |
| CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
| Lai et al. | Effective segmentation for dental X-ray images using texture-based fuzzy inference system | |
| CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
| CN113592820A (zh) | 一种股骨区域及关键点检测方法和系统 | |
| CN113262070A (zh) | 基于图像识别的牙科手术设备定位方法、系统及存储介质 | |
| Basha et al. | Enhanced and Effective Computerized Classification of X-Ray Images | |
| CN113907775A (zh) | 一种髋关节影像质量判断方法及系统 | |
| CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
| CN108898601B (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN117745704A (zh) | 一种用于骨质疏松识别的脊椎区域分割系统 | |
| JP2004188202A (ja) | デジタル胸部放射線写真の自動分析方法 | |
| CN113592821A (zh) | 一种股骨髓腔类型检测方法和系统 | |
| CN114581395A (zh) | 一种基于深度学习的脊椎医学图像的关键点检测方法 | |
| CN111369532A (zh) | 乳腺x射线影像的处理方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |