CN114078120A - 用于检测脊柱侧弯的方法、设备和介质 - Google Patents
用于检测脊柱侧弯的方法、设备和介质 Download PDFInfo
- Publication number
- CN114078120A CN114078120A CN202111389273.6A CN202111389273A CN114078120A CN 114078120 A CN114078120 A CN 114078120A CN 202111389273 A CN202111389273 A CN 202111389273A CN 114078120 A CN114078120 A CN 114078120A
- Authority
- CN
- China
- Prior art keywords
- spine
- determining
- scoliosis
- minimum bounding
- bounding rectangle
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/20—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例涉及用于检测脊柱侧弯的方法、设备和介质。根据该方法,基于经训练的深度学习模型,从脊柱影像中识别出脊柱的多个脊柱节段;确定每一脊柱节段的最小外接矩形;确定每一最小外接矩形的上下边缘的斜率,以便基于所确定的斜率,为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置,第一最小外接矩形与该脊柱弯曲分段的上端椎相关联,第二最小外接矩形与该脊柱弯曲分段的下端椎相关联;对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定脊柱弯曲分段的侧弯角度;以及基于所确定的侧弯角度,确定脊柱关于脊柱侧弯的存在状态。由此可提高检测效率。
Description
技术领域
本公开的实施例总体涉及图像处理和识别领域,并且更具体地涉及一种用于检测脊柱侧弯的方法、设备和介质。
背景技术
正常人脊柱有四个前后方向的弯曲,颈椎段凸向前、胸椎段凸向后、腰椎段凸向前、骶椎段凸向后,类似“S”形,称为脊椎的生理弯曲。脊柱侧弯指的是脊柱离开正中线向两侧偏曲,是脊柱的一种三维畸形,包括冠状位、矢状位、轴状位的序列异常。脊柱侧弯根据发生的部位不同可分为胸椎侧弯、腰椎侧弯、胸腰联合部侧弯。通常,脊柱侧弯发生于脊柱的胸椎部分、下部腰椎部分以及胸椎下部分及腰椎上部分等位置,其中尤其是脊柱的胸椎部分最容易发生侧弯。具体地,胸椎侧弯指的是脊柱胸椎部分的弯曲,这是最常见的脊柱侧弯的部分,通常包括肋骨和脊柱的畸形。腰椎侧弯发生在脊柱的下部腰椎的位置,其可能导致一侧臀部看起来比另一侧高,或者一条腿看起来比另一条长。另外,胸腰联合部侧弯发生在胸椎下部分及腰椎上部分的位置,其通常是先天性的。
青少年特发性脊柱侧弯(AIS)是脊柱侧弯中最为常见的一种三维脊柱畸形,约占特发性脊柱侧弯总数的80%,临床上常将脊柱的站立正位影像(例如,X线片等)上侧弯角度>预定角度(通常为10°)定义为脊柱侧弯。AIS在10~16周岁的青少年中发病率为1%~3%,AIS不仅严重影响青少年的身体外观,还会损害他们的呼吸系统功能、运动功能、心理状态以及总体生活质量。而脊柱手术耗时长,风险大,手术矫形所用器械复杂、难度高、创伤大、并发症多(骨科大手术),而且术前诊断存在着主观性,会导致诊断不同。研究表明AIS的发病人数逐年上涨,已成为继肥胖、近视之后我国儿童青少年健康的第三大“杀手”,这种疾病在儿童、青少年中十分常见,中国有大约1.06%的人患有脊柱侧弯,而10-15岁青少年的脊柱侧弯患病率更是高达5.4%。
然而,目前尚没有成熟的用于检测脊柱侧弯的技术,而主要由检测者通过在脊柱影像(例如,脊柱的X线片等)上进行手动绘制检测辅助线来检测各个脊柱关于脊柱侧弯的存在状态(即,检测该脊柱是否存在脊柱侧弯的问题),并且在确定脊柱存在侧弯的情况下,还需要通过查表来确定脊柱侧弯类型,因此人工成本很高并且效率很低,而且需要检测者必须具有相关的专业知识才能准确地确定脊柱关于脊柱侧弯的存在状态以及脊柱侧弯类型。例如,一个检测者(例如,临床医生)通常需要数分钟或数十分钟的时间才能完成对一张脊柱影像的脊柱侧弯的确定,而且不同级别的检测者由于其专业知识水平的不同,所得出的结论也可能会存在一定的差异。
由此,有必要提供一种自动检测脊柱侧弯的技术,使得能够提高检测效率,并且对于相同或相近的脊柱影像可以得到准确一致的检测结果,而无需检测者具备任何相关的专业知识,进而有利于大幅地节约时间和人力成本。
发明内容
针对上述问题,本公开提供了一种用于确定脊柱侧弯类型的方法和设备,使得可以自动实现对脊柱侧弯的检测,从而可以提高相应的检测效率,并且对于相同或相近的脊柱影像能够得到准确而一致的检测结果,而无需检测者具备任何相关的专业知识,进而有利于大幅地节约时间和人力成本。
根据本公开的第一方面,提供了一种用于检测脊柱侧弯的方法,包括:基于经训练的深度学习模型,从所获取的脊柱影像中识别出脊柱的多个脊柱节段;确定所识别出的每一脊柱节段的最小外接矩形;确定每一最小外接矩形的上下边缘的斜率,以便基于所确定的斜率,为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置,所述第一最小外接矩形与所述脊柱弯曲分段的上端椎相关联,所述第二最小外接矩形与所述脊柱弯曲分段的下端椎相关联;对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定所述脊柱弯曲分段的侧弯角度;以及基于所确定的侧弯角度,确定所述脊柱关于脊柱侧弯的存在状态。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
在一些实施例中,为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置包括:确定所确定的每一最小外接矩形的中心点;基于每一最小外接矩形的中心点的纵坐标以及每一最小外接矩形的上下边缘的斜率,生成脊柱斜率变化线;以及确定所生成的脊柱斜率变化线所包括的峰值和谷值,以便基于与所确定的峰值和谷值相关联的中心点的纵坐标确定所述第一最小外接矩形和所述第二最小外接矩形的位置。
在一些实施例中,基于所确定的侧弯角度,确定所述脊柱关于脊柱侧弯的存在状态包括:确定所确定的侧弯角度中是否存在大于预定角度的侧弯角度;响应于确定不存在大于预定角度的侧弯角度,确定所述脊柱不存在脊柱侧弯;以及响应于确定存在大于预定角度的侧弯角度,基于所确定的所有侧弯角度,利用经训练的分类模型确定所述脊柱的脊柱侧弯类型。
在一些实施例中,基于所确定的所有侧弯角度,利用经训练的分类模型确定所述脊柱的脊柱侧弯类型包括:确定每一最小外接矩形的中心点;基于所确定的中心点,确定所述脊柱的中心线;以及将所述中心线以及所确定的所有侧弯角度输入所述经训练的分类模型,以便确定所述脊柱侧弯类型。
在一些实施例中,所述分类模型是基于多个第二样本脊柱影像训练而成的,每一第二样本脊柱影像都标记有相应脊柱的中心线、每一脊柱弯曲分段的侧弯角度以及相应的脊柱侧弯类型,所述分类模型被实现为SVM模型。
在一些实施例中,对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定所述脊柱弯曲分段的侧弯角度包括:确定与所述第一最小外接矩形的上边缘垂直的第一垂直线;确定与所述第二最小外接矩形的下边缘垂直的第二垂直线;基于所述第一垂直线和所述第二垂直线,确定所述脊柱弯曲分段的侧弯角度。
在一些实施例中,所述深度学习模型是基于多个第一样本脊柱影像训练而成的,每一第一样本脊柱影像都标记有多个脊柱节段的轮廓线。
在一些实施例中,所述深度学习模型被实现为U-net神经网络模型。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于检测脊柱侧弯的方法的系统100的示意图。
图2示出了根据本公开的实施例的用于检测脊柱侧弯的方法200的流程图。
图3示出了根据本公开的实施例的第一样本脊柱影像的示意图。
图4示出了根据本公开的实施例的基于经训练的深度学习模型识别出脊柱的多个脊柱节段后的脊柱影像的示意图。
图5示出了根据本公开的实施例的用于为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置的方法500的流程图。
图6示出了根据本公开的实施例的示例性脊柱斜率变化线的示意图。
图7示出了根据本公开的实施例的电子设备700的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,目前尚没有成熟的用于检测脊柱侧弯的技术,而必须由检测者通过在脊柱影像(例如,脊柱的X线片等)上手动绘制检测辅助线来检测脊柱关于脊柱侧弯的存在状态(即检测脊柱是否存在脊柱侧弯的问题),并且在确定脊柱存在侧弯的情况下,还需要通过查表来确定脊柱侧弯类型,因此人工成本很高并且效率很低,而且需要检测者必须具有相关的专业知识才能准确地确定脊柱关于脊柱侧弯的存在状态以及脊柱侧弯类型。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于检测脊柱侧弯的方法,包括:基于经训练的深度学习模型,从所获取的脊柱影像中识别出脊柱的多个脊柱节段;确定所识别出的每一脊柱节段的最小外接矩形;确定每一最小外接矩形的上下边缘的斜率,以便基于所确定的斜率,为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置,所述第一最小外接矩形与所述脊柱弯曲分段的上端椎相关联,所述第二最小外接矩形与所述脊柱弯曲分段的下端椎相关联;对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定所述脊柱弯曲分段的侧弯角度;以及基于所确定的侧弯角度,确定所述脊柱关于脊柱侧弯的存在状态。以此方式,使得能够准确并快捷地检测出脊柱是否存在侧弯,而无需检测者具备相关的专业知识,并且可以节约时间和人力成本。
图1示出了用于实现根据本发明的实施例的用于检测脊柱侧弯的方法的系统100的示意图。如图1中所示,系统100包括计算设备110、医疗业务系统130和网络120。计算设备110和医疗业务系统130可以通过网络120进行数据交互。这里,医疗业务系统130例如可以是专用于提供脊柱的医学影像图片的服务器,计算设备110可经由网络120与该医疗业务系统130进行通信,以实现对脊柱侧弯的检测。计算设备110可以包括至少一个处理器112和与该至少一个处理器112耦合的至少一个存储器114,该存储器114中存储有可由该至少一个处理器112执行的指令116,该指令116在被该至少一个处理器112执行时执行如下所述的方法200。注意,在本文中,计算设备110可以是医疗业务系统130的一部分或者可以独立于医疗业务系统130。计算设备110或医疗业务系统130的具体结构例如可以如下结合图7所述。
图2示出了根据本公开的实施例的用于检测脊柱侧弯的方法200的流程图。方法200可由如图1所示的计算设备110执行,也可以在图7所示的电子设备700处执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤202,计算设备110基于经训练的深度学习模型,从所获取的脊柱影像中识别出脊柱的多个脊柱节段。
在本公开中,所获取的脊柱影像为整个脊柱(例如,脊柱标准全长)的站立正位影像(该影像通常为脊柱的X线片),以便有助于后续对各个脊柱弯曲分段的上端椎和下端椎的位置的确定。例如,在本公开中,由于脊柱影像为站立正位影像,而脊柱又是纵向延伸的,因此仅基于每一脊柱节段的纵坐标就可以对各个脊柱节段进行区分,从而有助于简化为每一脊柱弯曲分段确定上端椎和下端椎的流程。
由于脊柱的X射线影像是一种二维数据,是脊柱的重叠影像,因此基于这种X射线影像的脊柱分割(或脊柱节段的识别)难度相对较大,并且要求相对较高。在本公开中,使用诸如U-net神经网络模型之类的深度学习模型来对脊柱影像进行分割,以识别出脊柱的多个脊柱节段,但是应了解,也可以是任何其他神经网络模型。U-net神经网络模型能够准确地获取X射线图像的图像特征,有利于分割任务的完成,因此在本公开中可被实现为U-net神经网络模型。
在本公开中,步骤202中提到的深度学习模型是基于如图3所示的多个第一样本脊柱影像训练而成的,每一第一样本脊柱影像都标记有多个脊柱节段的轮廓线。在一些实施例中,可基于至少300个第一样本脊柱影像来对深度学习模型进行训练。
图4示出了基于经训练的深度学习模型从某个脊柱影像中识别出的各个脊柱节段基本上与图3中所标注的脊柱节段相同,由此可见本公开的深度学习模型可以达到较高的识别精度。
在步骤204,计算设备110确定所识别出的每一脊柱节段的最小外接矩形。
在本公开中,通过确定每一脊柱节段的最小外接矩形,可使得对每一脊柱弯曲分段的上端椎和下端椎的确定以及相应的侧弯角度的确定变得更为简单而易于实现。步骤204所确定的各个最小外接矩形的上下边缘的斜率可以很好地反映出相应的脊柱节段的上边缘或下边缘的斜率的相对大小关系。而且相对于每一脊柱节段本身来说,脊柱节段的最小外接矩形更为规则,因此其斜率能够更简单而准确地被确定,由此在本文中,通过确定这样的最小外接矩形可有助于更为简单而快速地脊柱的各个上端椎和下端椎以及相应的侧弯角度。
在步骤206,计算设备110确定每一最小外接矩形的上下边缘的斜率,以便基于所确定的斜率,为该脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置,其中第一最小外接矩形与该脊柱弯曲分段的上端椎相关联,第二最小外接矩形与该脊柱弯曲分段的下端椎相关联。
也就是说,在本公开中,基于所确定的斜率,可从在步骤204中所确定的所有最小外接矩形中,为该脊柱的每一个脊柱弯曲分段确定分别与其上端椎和下端椎相关联的第一外接矩形和第二外接矩形的位置,由此就相当于为该脊柱弯曲分段确定了相应的上端椎和下端椎的位置。
如上所述,脊柱侧弯可发生于脊柱的胸椎部分、下部腰椎部分以及胸椎下部分及腰椎上部分等位置,因此脊柱可包括一个或多个脊柱弯曲分段,这些脊柱弯曲分段可至少对应于脊柱的胸椎部分、下部腰椎部分以及胸椎下部分及腰椎上部分中的至少一个。对于每一个脊柱弯曲分段,都包括相应的上端椎和下端椎。应了解,对于每一脊柱弯曲分段而言,上端椎和下端椎指的是该脊柱弯曲分段中,向脊柱侧弯凹侧倾斜度最大的椎体。
在本公开中,每一最小外接矩形的上下边缘的斜率指的是每一最小外接矩形的上边缘或下边缘的斜率。应了解,对于每一最小外接矩形而言,其上边缘和下边缘的斜率是相同的。由于最小外接矩形的上下边缘的斜率可以很好地反映出相应的脊柱节段的上边缘或下边缘的斜率的相对大小关系,因此在本公开中,仅需确定每一最小外接矩形的上下边缘的斜率,就可以快速地确定与脊柱的各个上端椎和下端椎相关联的各个第一最小外接矩形和第二最小外接矩形,由此就相当于确定了相应的上端椎和下端椎,因此进而可有助于更容易地确定相应的侧弯角度。下面将结合图5对步骤206进一步更详细的描述。
在步骤208,对于每一个脊柱弯曲分段,计算设备110基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定该脊柱弯曲分段的侧弯角度。
通常来说,需要确定的侧弯角度指的是Cobb角,其是根据美国整形外科医生JohnRobert Cobb命名的,是用于评价脊柱侧弯严重程度的参考标准之一。
在本公开中,对于每一脊柱弯曲分段而言,可通过以下子步骤来确定相应的侧弯角度:首先,确定与第一最小外接矩形的上边缘垂直的第一垂直线。然后,确定与第二最小外接矩形的下边缘垂直的第二垂直线。然后,基于所述第一垂直线和所述第二垂直线,确定该脊柱弯曲分段的侧弯角度。通过这些步骤可知,在本公开中,将基于相应的上端椎的上边缘和相应的下端椎的下边缘来确定每一脊柱弯曲分段的侧弯角度的问题转换成了基于相关联的第一最小外接矩形的上边缘和第二最小外接矩形的下边缘来进行确定的问题,从而进一步简化了相应的脊柱侧弯检测方法。
在步骤210,计算设备110基于所确定的侧弯角度,确定脊柱关于脊柱侧弯的存在状态。
在一些实施例中,步骤210可包括以下子步骤:首先,确定所确定的侧弯角度中是否存在大于预定角度的侧弯角度。通常来说,该预定角度为10OC。然后,响应于确定不存在大于预定角度的侧弯角度,确定所述脊柱不存在脊柱侧弯。在本公开中,对于每一脊柱弯曲分段都会确定一个侧弯角度,如果其中的一个侧弯角度大于该预定角度,则说明脊柱存在变形,即存在脊柱侧弯,否则说明脊柱不存在脊柱侧弯,而是正常的生理弯曲。然后,响应于确定存在大于预定角度的侧弯角度,基于所确定的所有侧弯角度,利用经训练的分类模型确定脊柱的侧弯类型。在本公开中,如果确定存在大于预定角度的侧弯角度,则说明存在脊柱侧弯,这时需要基于所确定的所有侧弯角度确定脊柱的侧弯类型。在本公开中,可利用经训练的分类模型来自动确定脊柱的侧弯类型,而无需查询专门的脊柱侧弯类型表格,从而提高了分类效率,进一步节约了相关的人力和时间成本。
在一些实施例中,基于所确定的所有侧弯角度,利用经训练的分类模型确定所述脊柱的脊柱侧弯类型可包括:确定每一最小外接矩形的中心点。该步骤可以在以下结合图5所描述的步骤502处确定。然后基于所确定的中心点,确定脊柱的中心线。在确定了脊柱的中心线之后,将该中心线以及所确定的所有侧弯角度输入经训练的分类模型,以便确定该脊柱的脊柱侧弯类型。在一些实施例中,本文中提到的脊柱侧弯类型或侧弯类型指的是脊柱的主胸弯、双胸弯、双主弯、三主弯、胸腰弯或腰弯以及胸腰弯/腰弯及胸弯等侧凸类型。在另一些实施例中,脊柱侧弯类型或侧弯类型指的是脊柱的lenke分型。在确定了脊柱侧弯类型之后,就可由专业人员基于具体的结果来确定是否需要对脊柱进行一定的治疗以及如何进行治疗了。
在本公开中,分类模型是基于多个第二样本脊柱影像训练而成的,每一第二样本脊柱影像都标记有相应脊柱的中心线、每一脊柱弯曲分段的侧弯角度以及相应的脊柱侧弯类型。在一些实施例中,由于SVM模型与传统的模式识别分类方法以及人工神经网络法相比,在较小的样本空间下以及较高的维数下也可取得高精度的分类效果,因此在本公开中该分类模型可以被实现为SVM模型。
在一些实施例中,每一第二样本脊柱影像在被用于训练分类模型之前,还可进行一定的扩增,以增加可用于进行训练的第二样本脊柱影像的数量,减少分类模型的学习过程对大数据的依赖,并且还有助于提高最后得到的分类模型的精度。例如,可通过由相关的不同专业人员或者机器对第二样本脊柱影像进行临摹来实现这种扩增。
在以上方法200中,由于脊柱侧弯的检测是自动实现的,而且该方法主要是基于脊柱节段的最小外接矩形及其上下边缘的斜率来实现的,因此可以明显提高对脊柱侧弯的检测效率,例如可从先前手动检测的数分钟或数十分钟完成一次检测提高到在几秒钟(例如,1-2秒钟)之内就可完成一次检测。另外,基于方法200,还可以使得对于相同或相近的脊柱影像,可得到准确一致的检测结果,而无需检测者具备任何相关的专业知识,进而有利于大幅地节约时间和人力成本。
图5示出了根据本公开的实施例的用于为脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置的方法500的流程图。方法500可由如图1所示的计算设备110执行,也可以在图7所示的电子设备700处执行。应当理解的是,方法500还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤502,确定所确定的每一最小外接矩形(即在步骤204中确定的每一最小外接矩形)的中心点。例如,每一最小外接矩形的中心点可由其在脊柱影像坐标系中的横坐标和纵坐标来表示。
在步骤504,基于每一最小外接矩形的中心点的纵坐标以及每一最小外接矩形的上下边缘的斜率,生成脊柱斜率变化线。
具体地,在本公开中,通过以每一最小外接矩形的中心点的纵坐标值(即,以该最小外接矩形的中心点在脊柱影像坐标系中的纵坐标值)为横坐标,并且以每一最小外接矩形的上下边缘的斜率值为纵坐标,可生成(即拟合出)相应的脊柱斜率变化线。所生成的脊柱斜率变化线可包括多对拐点,每对拐点表示该脊柱斜率变化线的一个峰值和一个谷值,其可与一个脊柱弯曲分段相关联。因此,分别基于这些拐点所对应的中心点的纵坐标值,就可确定脊柱包括多少个脊柱弯曲分段以及每一脊柱弯曲分段的上端椎和下端椎的位置了。
图6示出了这样的脊柱斜率变化线的一个示例。在图6中,包括两个明显的拐点(即一对拐点),因此根据图6可以确定脊柱包括一个脊柱弯曲分段,并且由此还可确定每一脊柱弯曲分段的上端椎和下端椎的位置。
在步骤506,确定所生成的脊柱斜率变化线所包括的峰值和谷值,以便基于与所确定的峰值和谷值相关联的中心点的纵坐标确定第一最小外接矩形和第二最小外接矩形的位置。
如前所述,由于脊柱影像为脊柱标准全长的站立正位影像,因此通过基于所生成的脊柱斜率变化线确定各个峰值和估值(即各个极值点)在该脊柱影像坐标系中的纵坐标,就可确定相应的第一最小外接矩形以及相应的第二最小外接矩形的位置了,由此就相当于确定了相应的上端椎和下端椎的位置了。
通过采用上述手段,本公开能够快速地而准确地确定脊柱的各个上端椎和下端椎的位置,进而有助于快速地而简单地确定各个脊柱弯曲分段的上端椎和下端椎的位置。
图7示出了可以用来实施本公开内容的实施例的示例电子设备700的示意性框图。例如,如图1所示的计算设备110可以由电子设备700来实施。如图所示,电子设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机存取存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器703中,还可存储电子设备700操作所需的各种程序和数据。中央处理单元701、只读存储器702以及随机存取存储器703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至输入/输出接口705,包括:输入单元706,例如键盘、鼠标、麦克风等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200和500,可由中央处理单元701执行。例如,在一些实施例中,方法200和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序被加载到随机存取存储器703并由中央处理单元701执行时,可以执行上文描述的方法200和500的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是--但不限于--电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于检测脊柱侧弯的方法,包括:
基于经训练的深度学习模型,从所获取的脊柱影像中识别出脊柱的多个脊柱节段;
确定所识别出的每一脊柱节段的最小外接矩形;
确定每一最小外接矩形的上下边缘的斜率,以便基于所确定的斜率,为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置,所述第一最小外接矩形与所述脊柱弯曲分段的上端椎相关联,所述第二最小外接矩形与所述脊柱弯曲分段的下端椎相关联;
对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定所述脊柱弯曲分段的侧弯角度;以及
基于所确定的侧弯角度,确定所述脊柱关于脊柱侧弯的存在状态。
2.根据权利要求1所述的方法,其中为所述脊柱的每一个脊柱弯曲分段确定第一最小外接矩形和第二最小外接矩形的位置包括:
确定所确定的每一最小外接矩形的中心点;
基于每一最小外接矩形的中心点的纵坐标以及每一最小外接矩形的上下边缘的斜率,生成脊柱斜率变化线;以及
确定所生成的脊柱斜率变化线所包括的峰值和谷值,以便基于与所确定的峰值和谷值相关联的中心点的纵坐标确定所述第一最小外接矩形和所述第二最小外接矩形的位置。
3.根据权利要求1所述的方法,其中基于所确定的侧弯角度,确定所述脊柱关于脊柱侧弯的存在状态包括:
确定所确定的侧弯角度中是否存在大于预定角度的侧弯角度;
响应于确定不存在大于预定角度的侧弯角度,确定所述脊柱不存在脊柱侧弯;以及
响应于确定存在大于预定角度的侧弯角度,基于所确定的所有侧弯角度,利用经训练的分类模型确定所述脊柱的脊柱侧弯类型。
4.根据权利要求3所述的方法,其中基于所确定的所有侧弯角度,利用经训练的分类模型确定所述脊柱的脊柱侧弯类型包括:
确定每一最小外接矩形的中心点;
基于所确定的中心点,确定所述脊柱的中心线;以及
将所述中心线以及所确定的所有侧弯角度输入所述经训练的分类模型,以便确定所述脊柱侧弯类型。
5.根据权利要求4所述的方法,其中所述分类模型是基于多个第二样本脊柱影像训练而成的,每一第二样本脊柱影像都标记有相应脊柱的中心线、每一脊柱弯曲分段的侧弯角度以及相应的脊柱侧弯类型,所述分类模型被实现为SVM模型。
6.根据权利要求1所述的方法,其中对于每一个脊柱弯曲分段,基于相应的第一最小外接矩形的上边缘以及相应的第二最小外接矩形的下边缘,确定所述脊柱弯曲分段的侧弯角度包括:
确定与所述第一最小外接矩形的上边缘垂直的第一垂直线;
确定与所述第二最小外接矩形的下边缘垂直的第二垂直线;
基于所述第一垂直线和所述第二垂直线,确定所述脊柱弯曲分段的侧弯角度。
7.根据权利要求1所述的方法,其中所述深度学习模型是基于多个第一样本脊柱影像训练而成的,每一第一样本脊柱影像都标记有多个脊柱节段的轮廓线。
8.根据权利要求7所述的方法,其中所述深度学习模型被实现为U-net神经网络模型。
9.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389273.6A CN114078120B (zh) | 2021-11-22 | 2021-11-22 | 用于检测脊柱侧弯的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389273.6A CN114078120B (zh) | 2021-11-22 | 2021-11-22 | 用于检测脊柱侧弯的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114078120A true CN114078120A (zh) | 2022-02-22 |
CN114078120B CN114078120B (zh) | 2022-05-20 |
Family
ID=80284239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389273.6A Active CN114078120B (zh) | 2021-11-22 | 2021-11-22 | 用于检测脊柱侧弯的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078120B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187606A (zh) * | 2022-09-14 | 2022-10-14 | 中国医学科学院北京协和医院 | 一种青少年特发性脊柱侧凸pumc分型方法 |
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 |
CN117765062A (zh) * | 2024-02-22 | 2024-03-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573502A (zh) * | 2018-03-06 | 2018-09-25 | 安徽大学 | 一种自动测量Cobb角的方法 |
CN109785297A (zh) * | 2018-12-25 | 2019-05-21 | 韩山师范学院 | 一种脊柱侧弯的检测方法及装置 |
CN110175502A (zh) * | 2019-04-03 | 2019-08-27 | 中国科学院深圳先进技术研究院 | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN111466933A (zh) * | 2020-04-24 | 2020-07-31 | 山东师范大学 | 一种脊柱活动度测量方法及系统 |
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 |
US20200364856A1 (en) * | 2017-12-01 | 2020-11-19 | UCB Biopharma SRL | Three-dimensional medical image analysis method and system for identification of vertebral fractures |
CN112258516A (zh) * | 2020-09-04 | 2021-01-22 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种脊柱侧弯图像检测模型的生成方法 |
CN112274164A (zh) * | 2020-07-29 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 脊柱侧弯预测方法、装置、电子设备和存储介质 |
CN112508918A (zh) * | 2020-12-11 | 2021-03-16 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN112686854A (zh) * | 2020-12-25 | 2021-04-20 | 四川大学华西医院 | 一种自动测量脊柱侧弯Cobb角的方法及其系统 |
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 |
CN113139962A (zh) * | 2021-05-26 | 2021-07-20 | 北京欧应信息技术有限公司 | 用于脊柱侧凸概率评估的系统和方法 |
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 |
CN113284090A (zh) * | 2021-04-25 | 2021-08-20 | 上海脊合医疗科技有限公司 | 一种脊柱侧弯检测方法与医疗平台 |
US20210327055A1 (en) * | 2020-04-17 | 2021-10-21 | Qure.Ai Technologies Private Limited | Systems and methods for detection of infectious respiratory diseases |
CN113674257A (zh) * | 2021-08-26 | 2021-11-19 | 平安科技(深圳)有限公司 | 脊柱侧弯角度的测量方法、装置、设备及存储介质 |
-
2021
- 2021-11-22 CN CN202111389273.6A patent/CN114078120B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200364856A1 (en) * | 2017-12-01 | 2020-11-19 | UCB Biopharma SRL | Three-dimensional medical image analysis method and system for identification of vertebral fractures |
CN108573502A (zh) * | 2018-03-06 | 2018-09-25 | 安徽大学 | 一种自动测量Cobb角的方法 |
CN109785297A (zh) * | 2018-12-25 | 2019-05-21 | 韩山师范学院 | 一种脊柱侧弯的检测方法及装置 |
CN110175502A (zh) * | 2019-04-03 | 2019-08-27 | 中国科学院深圳先进技术研究院 | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
US20210327055A1 (en) * | 2020-04-17 | 2021-10-21 | Qure.Ai Technologies Private Limited | Systems and methods for detection of infectious respiratory diseases |
CN111466933A (zh) * | 2020-04-24 | 2020-07-31 | 山东师范大学 | 一种脊柱活动度测量方法及系统 |
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 |
CN112274164A (zh) * | 2020-07-29 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 脊柱侧弯预测方法、装置、电子设备和存储介质 |
CN112258516A (zh) * | 2020-09-04 | 2021-01-22 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种脊柱侧弯图像检测模型的生成方法 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN112508918A (zh) * | 2020-12-11 | 2021-03-16 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112686854A (zh) * | 2020-12-25 | 2021-04-20 | 四川大学华西医院 | 一种自动测量脊柱侧弯Cobb角的方法及其系统 |
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 |
CN113284090A (zh) * | 2021-04-25 | 2021-08-20 | 上海脊合医疗科技有限公司 | 一种脊柱侧弯检测方法与医疗平台 |
CN113139962A (zh) * | 2021-05-26 | 2021-07-20 | 北京欧应信息技术有限公司 | 用于脊柱侧凸概率评估的系统和方法 |
CN113674257A (zh) * | 2021-08-26 | 2021-11-19 | 平安科技(深圳)有限公司 | 脊柱侧弯角度的测量方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
ZHIQIANG TAN 等: "An Automatic Scoliosis Diagnosis and Measurement System Based on Deep Learning", 《2018 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS》 * |
冯亚非 等: "脊柱结核术后复发的治疗方案及临床疗效", 《脊柱外科杂志》 * |
谭志强 等: "基于U-net的特发性脊柱侧弯Lenke分型算法研究", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115187606A (zh) * | 2022-09-14 | 2022-10-14 | 中国医学科学院北京协和医院 | 一种青少年特发性脊柱侧凸pumc分型方法 |
CN115187606B (zh) * | 2022-09-14 | 2022-12-13 | 中国医学科学院北京协和医院 | 一种青少年特发性脊柱侧凸pumc分型方法 |
CN117765062A (zh) * | 2024-02-22 | 2024-03-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
CN117765062B (zh) * | 2024-02-22 | 2024-04-26 | 天津市天津医院 | 用于青少年脊柱侧弯检测的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114078120B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114078120B (zh) | 用于检测脊柱侧弯的方法、设备和介质 | |
Hetherington et al. | SLIDE: automatic spine level identification system using a deep convolutional neural network | |
Guyomarc'h et al. | Anthropological facial approximation in three dimensions (AFA 3D): Computer‐assisted estimation of the facial morphology using geometric morphometrics | |
US8150132B2 (en) | Image analysis apparatus, image analysis method, and computer-readable recording medium storing image analysis program | |
WO2021189843A1 (zh) | Ct图像椎骨定位方法、装置、设备及介质 | |
US10424067B2 (en) | Image processing apparatus, image processing method and storage medium | |
CN111640480B (zh) | 医学报告生成方法、计算机设备和存储介质 | |
CN112274164B (zh) | 脊柱侧弯预测方法、装置、电子设备和存储介质 | |
CN111368586B (zh) | 超声成像方法及系统 | |
US20200121279A1 (en) | Method and device for measuring spinal column curvature | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN110738643A (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
Naraghi et al. | Mobile phone-based evaluation of latent tuberculosis infection: Proof of concept for an integrated image capture and analysis system | |
EP3843038A1 (en) | Image processing method and system | |
CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
US20220051428A1 (en) | Systems and methods for assessment of nasal deviation and asymmetry | |
WO2019180120A1 (en) | Medical radiology report validation and augmentation system | |
Ghrenassia et al. | Interactive segmentation of tongue contours in ultrasound video sequences using quality maps | |
CN113129297B (zh) | 基于多期相肿瘤影像的直径自动测量方法及系统 | |
Liang et al. | Measuring symmetry in children with cleft lip. Part 3: Quantifying nasal symmetry and nasal normalcy before and after unilateral cleft lip repair | |
CN113177038B (zh) | 一种视网膜神经纤维层数据校正方法、装置及电子设备 | |
US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
CN116385756B (zh) | 基于增强标注和深度学习的医学图像识别方法及相关装置 | |
KR101341576B1 (ko) | 등고선 기반 관심영역 결정방법 및 장치 |
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 |