CN114240848A - 一种骨密度测量方法、系统、存储介质及电子设备 - Google Patents
一种骨密度测量方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114240848A CN114240848A CN202111404215.6A CN202111404215A CN114240848A CN 114240848 A CN114240848 A CN 114240848A CN 202111404215 A CN202111404215 A CN 202111404215A CN 114240848 A CN114240848 A CN 114240848A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- bone density
- bone
- detection algorithm
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 49
- 229910052500 inorganic mineral Inorganic materials 0.000 title abstract description 6
- 239000011707 mineral Substances 0.000 title abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 230000037182 bone density Effects 0.000 claims abstract description 102
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001739 density measurement Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000001054 cortical effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 210000000115 thoracic cavity Anatomy 0.000 claims description 8
- 210000000038 chest Anatomy 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002188 osteogenic effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010006956 Calcium deficiency Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及骨密度测量领域，尤其涉及一种骨密度测量方法、系统、存储介质及电子设备。本方法包括：步骤1，通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；步骤2，将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；步骤3，对所述分割结果进行处理，得到松质骨区域；步骤4，基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。本发明能够达到效率更快准确度更高的效果。
Description
技术领域
本发明涉及骨密度测量领域，尤其涉及一种骨密度测量方法、系统、存储介质及电子设备。
背景技术
骨密度是反映骨质量的一个重要标志。骨质疏松程度预测骨折危险性的重要依据，骨密度检查，可以帮助检测是否缺钙，从而通过调整饮食，及时帮童补钙，保证骨骼发育正常。通过对骨密度测评，确定生长发育过程中成骨原料的吸收及摄取情况，可以分析可能影响其生长发育的内外因素，以便及时制定有针对性营养运动锻炼计划。现有技术中对于骨密度的测量方案过于复杂，且实际操作过程效率较低，对于测量的准确度相对较低。
发明内容
本发明所要解决的技术问题是提供一种骨密度测量方法、系统、存储介质及电子设备。
本发明解决上述技术问题的技术方案如下：一种骨密度测量方法，包括：
步骤1，通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
步骤2，将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
步骤3，对所述分割结果进行处理，得到松质骨区域；
步骤4，基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
本发明的有益效果是：通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
进一步，所述步骤2之前还包括：
对所述脊椎区域图像进行预定规则的裁剪，将裁剪后的脊椎区域图像进行增强处理，得到增强后的脊椎区域图像，将所述增强后的脊椎区域图像作为步骤2中的所述脊椎区域图像进行处理。
采用上述进一步方案的有益效果是，通过对于脊椎区域图像的预处理可以降低无用信息的影响和提高分割速度与准确性。
进一步，所述分割结果包括：
胸椎、第一腰椎以及第二腰椎。
进一步，所述步骤3具体为：
步骤301，分别计算所述分割结果中的每个部位的倾斜角度；
步骤302，基于每个部位的倾斜角度对与其对应的部位进行椎体旋转，将椎体旋转后的图像进行剪裁，得到第一图像；
步骤303，对所述第一图像进行去除皮质骨干扰的处理，得到第二图像；
步骤304，计算所述第二图像的椎体中心坐标，基于所述椎体中心坐标提取松质骨区域。
进一步，所述松质骨区域训练回归骨密度检测模型具体包括：
将所述松质骨区域作为输入数据，将所述松质骨区域的骨密度值作为标签，通过Densenet121网络结构对回归骨密度检测模型进行训练。
本发明解决上述技术问题的另一种技术方案如下：一种骨密度测量系统，包括：
检测模块，用于通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
分割模块，用于将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
处理模块，用于对所述分割结果进行处理，得到松质骨区域；
测量模块，用于基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
本发明的有益效果是：通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
进一步，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
进一步，还包括：
优化模块，用于对所述脊椎区域图像进行预定规则的裁剪，将裁剪后的脊椎区域图像进行增强处理，得到增强后的脊椎区域图像，将所述增强后的脊椎区域图像作为分割模块中的所述脊椎区域图像进行处理。
采用上述进一步方案的有益效果是，通过对于脊椎区域图像的预处理可以降低无用信息的影响和提高分割速度与准确性。
进一步，所述分割结果包括：
胸椎、第一腰椎以及第二腰椎。
进一步，处理模块具体用于：
分别计算所述分割结果中的每个部位的倾斜角度；基于每个部位的倾斜角度对与其对应的部位进行椎体旋转，将椎体旋转后的图像进行剪裁，得到第一图像；对所述第一图像进行去除皮质骨干扰的处理，得到第二图像；计算所述第二图像的椎体中心坐标，基于所述椎体中心坐标提取松质骨区域。
进一步，所述基于所述松质骨区域训练回归骨密度检测模型具体包括：
将所述松质骨区域作为输入数据，将所述松质骨区域的骨密度值作为标签，通过Densenet121网络结构对回归骨密度检测模型进行训练。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种骨密度测量方法。
本发明的有益效果是：通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一项所述的一种骨密度测量方法。
本发明的有益效果是：通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
附图说明
图1为本发明一种骨密度测量方法实施例提供的流程示意图；
图2为本发明一种骨密度测量系统实施例提供的系统框架图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种骨密度测量方法，包括：
步骤1，通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
步骤2，将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
步骤3，对所述分割结果进行处理，得到松质骨区域；
步骤4，基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
在一些可能的实施方式中，通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
需要说明的是，优化后的目标检测算法为：首先考虑到脊柱的形态和大小比较固定，将anchor(anchor：固定参考框)的尺寸设定长宽高尺寸为(1，1，10)，另外特征输出层去掉多尺度特征层的输出，固定输出层为下采样32倍即可，特征提取层修改利用残差网络结构，同时为了扩大感受野，前三层下采样加入3*3的空洞卷积，步骤2得到的是所有支持的脊椎的分割结果胸椎、第一腰椎以及第二腰椎；步骤3一起将松质骨区域提取出来了。
对分割结果进行处理包括对脊椎倾斜角度的计算以及去除皮质骨的干扰的处理。针对本方案的完整流程可参考实施例1进行辅助理解。
实施例1，数据处理：CT胸部平扫序列影像，将dicom格式转为nii格式。脊柱区域目标检测：利用上一步处理后的影像数据进行脊椎区域检测。为了降低无用信息的影响和提高分割速度与准确性，将第二步中检测的脊柱区域坐标位置各个方向扩充10个像素进行裁剪，将裁剪的数据作为下一步分割的输入数据，裁剪后的数据能完全包含脊椎区域，同时包含小部分周边信息。脊椎区域分割：利用上一步裁剪出的比较规则的数据，对数据进行增强处理(图像归一化、翻转等)，然后输入到3D Unet分割模型进行分割，裁剪后的数据比较小，设置下采样尺寸为(16，16，64)特征提取网络为修改后的残差网络结构，前两层加入空洞卷积，下采样后的特征图利用双线性插值法进行上采样处理，最终输出分割结果，利用分割结果中的胸12、腰1、和腰2椎体区域进行骨密度回归检测。将上一步分割出来3块椎体区域的结果进行角度计算，通过遍历角度，旋转后计算两块椎体的Iou计算出脊椎倾斜的角度，根据角度对椎体进行旋转，然后结合分割位置和原图位置进行裁剪。
其中A、B分别为旋转前后影像。将裁剪出来的椎体提取ROI区域(松质骨区域，去除皮质骨的干扰),流程如下：
利用原图的像素值和Mask图的值预先去除部分皮质骨的影响，其中Mask为分割结果，src为原始影像，thresh为去除皮质骨的阈值，(x,y,z)分别对应影像上的坐标位置。计算椎体中心坐标，通过中心坐标往外区域生长，提取出松质骨区域；裁剪松质骨区域。利用上一步裁剪出来的脊椎的松质骨区域，其中每一块脊椎都对应一个QCT骨密度值，利用这两组信息训练回归骨密度检测模型，利用提取的ROI区域作为输入数据，QCT浮点数据作为标签训练模型，骨密度检测算法模型为修改的Densenet121网络结构，考虑到椎体的纹理浅层语义信息比较重要，于是在特征提取的时候，将Dense Block前的pooling层去掉，输出层加入AvgPooling层，修改输出层，减少参数量和以防过拟合情况，输出层为1个单元，进行训练，同时测试的时候输出的一个值即为对应一块脊椎的骨密度值。
优选地，在上述任意实施例中，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
需要说明的是，固定参考框的尺寸设定成预设尺寸可以理解为：将anchor(anchor：固定参考框)的尺寸设定长宽高尺寸为(1，1，10)，此外，对于目标检测算法的优化还包括：特征输出层去掉多尺度特征层的输出，固定输出层为下采样32倍即可，特征提取层修改利用残差网络结构，同时为了扩大感受野，前三层下采样加入3*3的空洞卷积。
优选地，在上述任意实施例中，所述步骤2之前还包括：
对所述脊椎区域图像进行预定规则的裁剪，将裁剪后的脊椎区域图像进行增强处理，得到增强后的脊椎区域图像，将所述增强后的脊椎区域图像作为步骤2中的所述脊椎区域图像进行处理。
在一些可能的实施方式中，通过对于脊椎区域图像的预处理可以降低无用信息的影响和提高分割速度与准确性。
需要说明的是，预定规则为将检测的脊柱区域坐标位置各个方向扩充10个像素进行裁剪。另外，扩充的个数可根据实际情况进行调整，本发明仅以10个进行举例。
优选地，在上述任意实施例中，所述分割结果包括：
胸椎、第一腰椎以及第二腰椎。
需要说明的是，分割结果中包含但不仅包含以上三个位置,且胸椎包含12块(T1-T12)、第一腰椎以及第二腰椎(L1-L2)。
优选地，在上述任意实施例中，所述步骤3具体为：
步骤301，分别计算所述分割结果中的每个部位的倾斜角度；
步骤302，基于每个部位的倾斜角度对与其对应的部位进行椎体旋转，将椎体旋转后的图像进行剪裁，得到第一图像；
步骤303，对所述第一图像进行去除皮质骨干扰的处理，得到第二图像；
步骤304，计算所述第二图像的椎体中心坐标，基于所述椎体中心坐标提取松质骨区域。
需要说明的是，将分割出来3块椎体区域的结果进行角度计算，通过遍历角度，旋转后计算两块椎体的Iou计算出脊椎倾斜的角度，根据角度对椎体进行旋转，然后结合分割位置和原图位置进行裁剪。
其中A、B分别为旋转前后影像。将裁剪出来的椎体提取ROI区域(松质骨区域，去除皮质骨的干扰),流程如下：
利用原图的像素值和Mask图的值预先去除部分皮质骨的影响，其中Mask为分割结果，src为原始影像，thresh为去除皮质骨的阈值，(x,y,z)分别对应影像上的坐标位置。计算椎体中心坐标，通过中心坐标往外区域生长，提取出松质骨区域；裁剪松质骨区域。
优选地，在上述任意实施例中，所述松质骨区域训练回归骨密度检测模型具体包括：
将所述松质骨区域作为输入数据，将所述松质骨区域的骨密度值作为标签，通过Densenet121网络结构对回归骨密度检测模型进行训练。
需要说明的是，对于回归骨密度检测模型的训练具体包括：利用裁剪出来的脊椎的松质骨区域，其中每一块脊椎都对应一个QCT骨密度值，利用这两组信息训练回归骨密度检测模型，利用提取的ROI区域作为输入数据，QCT浮点数据作为标签训练模型，骨密度检测算法模型为修改的Densenet121网络结构，考虑到椎体的纹理浅层语义信息比较重要，于是在特征提取的时候，将Dense Block前的pooling层去掉，输出层加入AvgPooling层，修改输出层，减少参数量和以防过拟合情况，输出层为1个单元，进行训练，同时测试的时候输出的一个值即为对应一块脊椎的骨密度值。
本发明解决上述技术问题的另一种技术方案如下：一种骨密度测量系统，包括：
检测模块100，用于通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
分割模块200，用于将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
处理模块300，用于对所述分割结果进行处理，得到松质骨区域；
测量模块400，用于基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
在一些可能的实施方式中，通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
优选地，在上述任意实施例中，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
优选地，在上述任意实施例中，还包括：
优化模块，用于对所述脊椎区域图像进行预定规则的裁剪，将裁剪后的脊椎区域图像进行增强处理，得到增强后的脊椎区域图像，将所述增强后的脊椎区域图像作为分割模块200中的所述脊椎区域图像进行处理。
在一些可能的实施方式中，通过对于脊椎区域图像的预处理可以降低无用信息的影响和提高分割速度与准确性。
优选地，在上述任意实施例中，所述分割结果包括：
胸椎、第一腰椎以及第二腰椎。
优选地，在上述任意实施例中，处理模块300具体用于：
分别计算所述分割结果中的每个部位的倾斜角度；基于每个部位的倾斜角度对与其对应的部位进行椎体旋转，将椎体旋转后的图像进行剪裁，得到第一图像；对所述第一图像进行去除皮质骨干扰的处理，得到第二图像；计算所述第二图像的椎体中心坐标，基于所述椎体中心坐标提取松质骨区域。
优选地，在上述任意实施例中，所述基于所述松质骨区域训练回归骨密度检测模型具体包括：
将所述松质骨区域作为输入数据，将所述松质骨区域的骨密度值作为标签，通过Densenet121网络结构对回归骨密度检测模型进行训练。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种骨密度测量方法。
在一些可能的实施方式中，通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一项所述的一种骨密度测量方法。
在一些可能的实施方式中，通过对目标检测算法的优化可以提升对于脊椎区域的检测准确度，通过获取松质骨区域可以提高对于回归骨密度检测模型的精确度，此外，通过对于回归骨密度检测模型的构建可以有效提高对于骨密度的计算效率，相较于现有技术中的骨密度计算方法有着效率更快准确度更高的效果。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，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，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种骨密度测量方法，其特征在于，包括：
步骤1，通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
步骤2，将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
步骤3，对所述分割结果进行处理，得到松质骨区域；
步骤4，基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
2.根据权利要求1所述的一种骨密度测量方法，其特征在于，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
3.根据权利要求1所述的一种骨密度测量方法，其特征在于，所述步骤2之前还包括：
对所述脊椎区域图像进行预定规则的裁剪，将裁剪后的脊椎区域图像进行增强处理，得到增强后的脊椎区域图像，将所述增强后的脊椎区域图像作为步骤2中的所述脊椎区域图像进行处理。
4.根据权利要求1所述的一种骨密度测量方法，其特征在于，所述分割结果包括：
胸椎、第一腰椎以及第二腰椎。
5.根据权利要求1所述的一种骨密度测量方法，其特征在于，所述步骤3具体为：
步骤301，分别计算所述分割结果中的每个部位的倾斜角度；
步骤302，基于每个部位的倾斜角度对与其对应的部位进行椎体旋转，将椎体旋转后的图像进行剪裁，得到第一图像；
步骤303，对所述第一图像进行去除皮质骨干扰的处理，得到第二图像；
步骤304，计算所述第二图像的椎体中心坐标，基于所述椎体中心坐标提取松质骨区域。
6.根据权利要求1所述的一种骨密度测量方法，其特征在于，所述基于所述松质骨区域训练回归骨密度检测模型具体包括：
将所述松质骨区域作为输入数据，将所述松质骨区域的骨密度值作为标签，通过Densenet121网络结构对回归骨密度检测模型进行训练。
7.一种骨密度测量系统，其特征在于，包括：
检测模块，用于通过优化后的目标检测算法对CT胸部平扫序列影像进行脊椎区域的检测，得到脊椎区域图像；
分割模块，用于将所述脊椎区域图像输入至脊椎分割模型中进行分割，得到分割结果；
处理模块，用于对所述分割结果进行处理，得到松质骨区域；
测量模块，用于基于所述松质骨区域训练回归骨密度检测模型，将待测量影像输入至所述回归骨密度检测模型，得到骨密度值。
8.根据权利要求7所述的一种骨密度测量系统，其特征在于，所述优化后的目标检测算法的获取过程，包括：
将目标检测算法中的固定参考框的尺寸设定成预设尺寸，并剔除掉所述目标检测算法中的多尺度特征层的输出，并将所述目标检测算法中的特征提取层替换为残差网络结构，得到所述优化后的目标检测算法。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至6中任一项所述的一种骨密度测量方法。
10.一种电子设备，其特征在于，包括权利要求9所述的存储介质、执行所述存储介质内的指令的处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111404215.6A CN114240848A (zh) | 2021-11-24 | 2021-11-24 | 一种骨密度测量方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111404215.6A CN114240848A (zh) | 2021-11-24 | 2021-11-24 | 一种骨密度测量方法、系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114240848A true CN114240848A (zh) | 2022-03-25 |
Family
ID=80750831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111404215.6A Pending CN114240848A (zh) | 2021-11-24 | 2021-11-24 | 一种骨密度测量方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240848A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205293A (zh) * | 2022-09-15 | 2022-10-18 | 博志生物科技(深圳)有限公司 | 骨水泥流动预测方法、装置、设备及存储介质 |
| CN115690498A (zh) * | 2022-10-31 | 2023-02-03 | 北京医准智能科技有限公司 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
| CN115797337A (zh) * | 2023-02-02 | 2023-03-14 | 慧影医疗科技(北京)股份有限公司 | 一种ct影像椎体实例分割方法、系统、设备及存储介质 |
| CN115984190A (zh) * | 2022-12-12 | 2023-04-18 | 北京医准智能科技有限公司 | 一种基于ct图像的处理方法、装置、设备及存储介质 |
| CN116109570A (zh) * | 2022-12-22 | 2023-05-12 | 北京医准智能科技有限公司 | 骨密度测量方法、装置、设备及存储介质 |
| WO2023193462A1 (zh) * | 2022-04-08 | 2023-10-12 | 深圳先进技术研究院 | 骨质疏松患者骨折风险的预测方法及预测装置 |
| WO2024001140A1 (zh) * | 2022-06-28 | 2024-01-04 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎体亚区域分割方法、装置及存储介质 |
-
2021
- 2021-11-24 CN CN202111404215.6A patent/CN114240848A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023193462A1 (zh) * | 2022-04-08 | 2023-10-12 | 深圳先进技术研究院 | 骨质疏松患者骨折风险的预测方法及预测装置 |
| WO2024001140A1 (zh) * | 2022-06-28 | 2024-01-04 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎体亚区域分割方法、装置及存储介质 |
| CN115205293A (zh) * | 2022-09-15 | 2022-10-18 | 博志生物科技(深圳)有限公司 | 骨水泥流动预测方法、装置、设备及存储介质 |
| CN115690498A (zh) * | 2022-10-31 | 2023-02-03 | 北京医准智能科技有限公司 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
| CN115984190A (zh) * | 2022-12-12 | 2023-04-18 | 北京医准智能科技有限公司 | 一种基于ct图像的处理方法、装置、设备及存储介质 |
| CN115984190B (zh) * | 2022-12-12 | 2023-11-21 | 浙江医准智能科技有限公司 | 一种基于ct图像的处理方法、装置、设备及存储介质 |
| CN116109570A (zh) * | 2022-12-22 | 2023-05-12 | 北京医准智能科技有限公司 | 骨密度测量方法、装置、设备及存储介质 |
| CN116109570B (zh) * | 2022-12-22 | 2023-08-08 | 北京医准智能科技有限公司 | 骨密度测量方法、装置、设备及存储介质 |
| CN115797337A (zh) * | 2023-02-02 | 2023-03-14 | 慧影医疗科技(北京)股份有限公司 | 一种ct影像椎体实例分割方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114240848A (zh) | 一种骨密度测量方法、系统、存储介质及电子设备 | |
| WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
| CN109859233B (zh) | 图像处理、图像处理模型的训练方法及系统 | |
| CN108053400B (zh) | 图像处理方法及装置 | |
| CN104582579B (zh) | 图像处理装置及椎管评价方法 | |
| CN110249367B (zh) | 用于实时渲染复杂数据的系统和方法 | |
| CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
| CN105760874A (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
| CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
| CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
| CN113592794B (zh) | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 | |
| CN111462071B (zh) | 一种图像处理方法和系统 | |
| CN111383215A (zh) | 一种基于生成对抗网络的病灶检测模型的训练方法 | |
| CN104240180A (zh) | 一种实现图像自动调整的方法及装置 | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| CN112102282A (zh) | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 | |
| CN110992370A (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
| CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
| CN112991365A (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
| CN115359257B (zh) | 基于深度学习的脊椎图像分割方法及手术导航定位系统 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| Sha et al. | The improved faster-RCNN for spinal fracture lesions detection | |
| CN112734740B (zh) | 训练目标检测模型的方法、目标检测的方法及其装置 | |
| CN116051470A (zh) | 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置 |
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 |