CN115187606B - 一种青少年特发性脊柱侧凸pumc分型方法 - Google Patents

一种青少年特发性脊柱侧凸pumc分型方法 Download PDF

Info

Publication number
CN115187606B
CN115187606B CN202211112412.5A CN202211112412A CN115187606B CN 115187606 B CN115187606 B CN 115187606B CN 202211112412 A CN202211112412 A CN 202211112412A CN 115187606 B CN115187606 B CN 115187606B
Authority
CN
China
Prior art keywords
vertebral body
spine
image
calculating
cobb angle
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
Application number
CN202211112412.5A
Other languages
English (en)
Other versions
CN115187606A (zh
Inventor
于斌
董玉雷
邱贵兴
仉建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202211112412.5A priority Critical patent/CN115187606B/zh
Publication of CN115187606A publication Critical patent/CN115187606A/zh
Application granted granted Critical
Publication of CN115187606B publication Critical patent/CN115187606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明的实施例公开了一种青少年特发性脊柱侧凸PUMC分型方法，涉及图像识别技术领域。所述方法包括：获取患者的冠状面AP位脊柱图像、矢状面LAT位脊柱图像、左弯曲LB位脊柱图像以及右弯曲RB位脊柱图像；利用预先训练好的椎体语义分割模型对各脊柱图像进行处理，分别提取得到AP位、LAT位、LB位和RB位椎体轮廓；根据AP位椎体轮廓，对LB位和RB位椎体轮廓进行配准；根据AP位和LAT位椎体轮廓、配准后的LB位和RB位椎体轮廓，分别计算得到AP位、LAT位、LB位和RB位脊柱特征；根据得到的脊柱特征进行青少年特发性脊柱侧凸的PUMC分型。本发明实施例效率高，准确率高，能够自动进行PUMC分型。

Description

一种青少年特发性脊柱侧凸PUMC分型方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种青少年特发性脊柱侧凸PUMC分型方法。
背景技术
青少年特发性脊柱侧凸（Adolescent Idiopathic Scoliosis，AIS）是儿童最常见的脊柱侧凸形式，它发生在10至18岁的个体中。这一类脊柱侧凸之所以称为特发性，意味着病因未知或与特定的综合征、先天性或神经肌肉疾病无关。AIS 的患病率约为1%-3%。对女性和右侧弯曲有偏好。
AIS评估通常是通过学校、体育教练或儿科医生进行筛查评估。正式评估主要通过X射线成像。Cobb角是用于描述脊柱曲线角度的特征量。以美国整形外科医生约翰·罗伯特·科布（John Robert Cobb）的名字命名。科布对脊柱侧凸进行了广泛的研究，并设计了Cobb角作为确定患者脊柱弯曲是否严重到需要手术的直接方法。通常认为，冠状面的Cobb角达到10度的，被诊断为脊柱侧凸。超过40度的脊柱弯曲，往往是需要手术干预的脊柱侧凸。制定手术计划时需要测量患者不同视角的脊柱Cobb角数据：站立位冠状位X射线影像、矢状位X射线影像以及左右弯曲位X射线影像的Cobb角。左右弯曲位X射线检查的目的是确定脊柱弯曲的柔韧性（即多大程度上可以被拉直）。左右弯曲位X射线影像采用躺卧拍摄方式，患者躺在桌面上并向右或向左弯曲，采集最大弯曲角度的X射线影像。矢状位X射线影像用于确定胸椎后凸和腰椎前凸的程度。
对青少年特发性脊柱侧凸进行分型是术前诊断的内容之一，为实施矫形手术提供指导。临床医生采用的分型方法包括King、Lenke以及PUMC（Peking Union MedicalCollege，协和）分型。北京协和医学院邱贵兴等回顾测量了427例脊柱侧凸患者的完整影像学资料，按照脊柱侧凸研究学会（Scoliosis Research Society，SRS）关于脊柱侧凸及侧凸顶点的定义，结合侧凸的三维畸形特点，提出了青少年特发性脊柱侧凸的PUMC分型系统，并得到了SRS的认可。在他的研究中，按PUMC分型方法将青少年特发性脊柱侧凸分为三型15个亚型，PUMC分型方法对特发性脊柱侧凸常见的类型及相应的融合范围的临床指导性较强，其可信度、可重复性高于King分型。
为了通过X射线影像确定脊柱侧凸PUMC分型，临床医学传统上采用量角器与笔，人工画线测量Cobb角的方法。首先根据X射线影像确定侧弯范围，找到侧弯的上下端椎。上下端椎是指侧弯弧中椎体倾斜度最大的椎体。在上端椎的椎体上终板划一横线，同样在下端椎椎体的下终板划一横线。对此两横线各做一垂直线。两条垂直线的交角就是Cobb角。注：对于较大的侧弯，上述两横线的直接交角亦等同于Cobb角。侧弯的角度由此而测得。冠状面图像、矢状面图像以及左右弯曲位图像的Cobb角测量需要在上述步骤中完成。
为了测量矢状面以及左右弯曲位图像的Cobb角，首先需要将冠状面图像获得的一个或多个Cobb角的上下端椎位置映射到左右弯曲位图像，称为图像配准。人工测量方法是采用肉眼寻找标志物的方式实现配准，例如将第12胸椎作为冠状面与左右弯曲位图像配准的共同标志物。PUMC分型的后续步骤涉及根据配准后X射线影像Cobb角数据以及分型规则集，判断某一病例具体划分到哪个分型内。以肉眼观察侧弯的数量以及人工测量的Cobb角为基础，识别顶椎位置、左右弯曲柔韧度等，进而确定分型。
现有技术至少存在以下问题：
（1）人工测量Cobb角效率低，观察测量带来的误差较大；
（2）在多视图X射线图像上进行人工配准，依赖医生掌握专业影像测量技术的熟练程度，因而应用的成本较高；
（3）人工计算分型结果，计算量大，易于出错。
发明内容
有鉴于此，本发明实施例提供一种效率高，准确率高，能够自动分型的脊柱侧凸PUMC分型方法。
一种青少年特发性脊柱侧凸PUMC分型方法，包括：
步骤1：获取患者的冠状面AP位脊柱图像、矢状面LAT位脊柱图像、左弯曲LB位脊柱图像以及右弯曲RB位脊柱图像；
步骤2：利用预先训练好的椎体语义分割模型对各脊柱图像进行处理，分别提取得到AP位椎体轮廓、LAT位椎体轮廓、LB位椎体轮廓和RB位椎体轮廓；
步骤3：根据所述AP位椎体轮廓，对所述LB位椎体轮廓和RB位椎体轮廓进行配准，得到所述LB位椎体轮廓和RB位椎体轮廓中椎体与所述AP位椎体轮廓中椎体的对应关系；
步骤4：根据所述AP位椎体轮廓、LAT位椎体轮廓、配准后的LB位椎体轮廓和配准后的RB位椎体轮廓，分别计算得到AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，所述AP位脊柱特征包括AP位Cobb角和双肩高度差，所述LAT位脊柱特征包括LAT位Cobb角，所述LB位脊柱特征包括LB位Cobb角和侧凸柔韧度，所述RB位脊柱特征包括RB位Cobb角和侧凸柔韧度；
步骤5：根据所述AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，进行青少年特发性脊柱侧凸的PUMC分型。
本发明实施例通过自动化程序计算代替人工计算，显著缩短了人工测量脊柱侧凸相关病例特征数据的时间，分型处理效率较人工分型提高20倍以上；本发明实施例消除了不同观测医生不可避免带来的主观误差，提高了PUMC分型的准确度，能减少人工观察与测量带来的系统误差，分型结果准确率高于人工分型准确率或与之相当。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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它的附图。
图1为本发明的青少年特发性脊柱侧凸PUMC分型方法的流程示意图；
图2为本发明中根据AP位脊柱图像得到AP位脊柱特征的流程示意图；
图3为本发明中根据LAT位脊柱图像得到LAT位脊柱特征的流程示意图；
图4为本发明中根据LB位脊柱图像和RB位脊柱图像得到LB/RB位脊柱特征的流程示意图；
图5为本发明中根据AP位脊柱特征、LAT位脊柱特征和LB/RB位脊柱特征进行PUMC分型的流程示意图；
图6为本发明中提取得到的椎体轮廓示意图，其中（a）对应AP位椎体轮廓，（b）对应LAT位椎体轮廓，（c）对应LB位椎体轮廓，（d）对应RB位椎体轮廓；
图7为本发明中得到椎体最小外接矩形的示意图；
图8为本发明中配准原理示意图；
图9为本发明中AP位Cobb角的计算原理图；
图10为本发明中AP位Cobb角的计算示意图；
图11为本发明中病例1患者的脊柱X射线影像的处理效果示意图；
图12为本发明中病例2患者的脊柱X射线影像的处理效果示意图；
图13为本发明中病例3患者的脊柱X射线影像的处理效果示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明致力于解决PUMC人工分型效率低以及准确率低的问题，自动化处理脊柱侧凸X射线影像，自动化测量Cobb角，在多个视角X射线影像之间配准，以及根据所测量的脊柱侧凸数据自动计算所属的分型。
本发明实施例提供一种青少年特发性脊柱侧凸PUMC分型方法，如图1所示，包括：
步骤1：获取患者的冠状面前后（Anterioposterior，AP）位脊柱图像、矢状面侧（Lateral，LAT）位脊柱图像、左弯曲（Left Bending，LB）位脊柱图像以及右弯曲（RighttBending，RB）位脊柱图像；
本步骤中，可以接收用户输入的AIS患者X射线影像数据，影像数据可以为.jpg、.png、.bmp等图像格式文件。输入图像的尺寸为原始图像，用户无需对图像进行预处理。
步骤2：利用预先训练好的椎体语义分割模型对各脊柱图像进行处理，分别提取得到AP位椎体轮廓、LAT位椎体轮廓、LB位椎体轮廓和RB位椎体轮廓；
本步骤中，通过采用自动化语义分割技术处理脊柱侧凸X射线影像，使脊柱椎体轮廓能够较精准的从原始图像中分割出来。
作为一种可选的实施例，所述步骤2可以包括：
步骤21：利用预先训练好的AP位椎体语义分割模型对所述AP位脊柱图像进行处理，提取得到所述AP位脊柱图像中包含C7、T1-T12和L1-L5的椎体轮廓，即所述AP位椎体轮廓（参见图6中（a）），同时识别出每个椎体；
本步骤中，由于AP位脊柱图像通常包含所有椎体，故采用训练后的AP位椎体语义分割模型可以提取得到所有椎体轮廓，并识别出每个椎体；对于椎体的识别，由于L5椎体下面是骶骨，骶骨外形较为明显，故可利用骶骨作为参照，识别出骶骨后即可识别出L5椎体，进而可依次识别出每个椎体。具体实施时，还可以为每个椎体添加位置标记符，从颈椎7至腰椎5，标记符集合可以是{C7,T1, T2, T3, T4, T5, T6, T7, T8, T9, T10, T11, T12,L1, L2, L3, L4, L5}。
步骤22：利用预先训练好的LAT位椎体语义分割模型对所述LAT位脊柱图像进行处理，提取得到所述LAT位脊柱图像中包含T12-L1的椎体轮廓，即所述LAT位椎体轮廓（参见图6中（b）），同时识别出椎体T12和L1；
本步骤中，LAT位脊柱图像通常仅包含部分椎体，由于椎体T12和L1所成的角度对PUMC分型存在影响，故此处为Cobb角关注位置，重点提取包含T12-L1的椎体轮廓，同时识别出椎体T12和L1。
步骤23：利用预先训练好的LB位椎体语义分割模型对所述LB位脊柱图像进行处理，提取得到所述LB位脊柱图像中包含C7-L5的椎体轮廓，即所述LB位椎体轮廓（参见图6中（c））；
步骤24：利用预先训练好的RB位椎体语义分割模型对所述RB位脊柱图像进行处理，提取得到所述RB位脊柱图像中包含C7-L5的椎体轮廓，即所述RB位椎体轮廓（参见图6中（d））。
上述步骤23-24中，LB位脊柱图像和RB位脊柱图像通常仅包含部分椎体，且椎体外形不明显，不容易通过模型准确识别，故需要利用后续步骤3的配准来识别出LB位脊柱图像和RB位脊柱图像中的每个椎体，以便于后续Cobb角的计算和PUMC分型。可以理解的是，上述步骤21-24执行顺序不分先后。
本发明实施例中，各语义分割模型可以为各种可行的神经网络架构，具体可以为Unet神经网络模型。Unet是从传统的卷积神经网络演变而来，于2015年首次设计并应用于处理生物医学图像。由于一般的卷积神经网络将其任务集中在图像分类上，其中输入是图像，输出是一个标签，在生物医学案例中，它不仅要求我们区分是否存在疾病，还需要定位异常区域。Unet是一个编码器-解码器结构，编码器包括若干卷积和池化，把图像进行下采样，解码器进行上采样，恢复到原图的形状，给出每个像素的预测，识别效果好。
对于Unet神经网络模型的训练，可以采用本领域的常规技术进行。具体的，可以分别运用冠状面椎体数据集、矢状面椎体数据集、左弯曲椎体数据集以及右弯曲椎体数据集训练4个Unet椎体语义分割模型。例如，输入标注好的相应位（AP位、LAT位、LB位和RB位）图像进行训练。
由于Unet神经网络模型的输出为椎体的掩码图像：椎体部分的像素值为1，其余部分为0。故上述步骤21-24中，为提取到椎体轮廓，具体可以采用基于像素阈值分割的方法将椎体与图像其它非椎体部分分离，分析椎体像素的拓扑结构，查找每个椎体的轮廓，椎体轮廓用n条边和n个顶点的多边形的数据结构表示（参见图7），从而即可得到AP位椎体轮廓、LAT位椎体轮廓、LB位椎体轮廓和RB位椎体轮廓。图6为本发明实施例中提取得到的椎体轮廓示意图，该椎体轮廓示意图为模型输出的椎体掩码图像与原始图像的叠加，以方便展示识别效果。
步骤3：根据所述AP位椎体轮廓，对所述LB位椎体轮廓和RB位椎体轮廓进行配准，得到所述LB位椎体轮廓和RB位椎体轮廓中椎体与所述AP位椎体轮廓中椎体的对应关系；
本发明为自动化配准技术，不需要人工辅助操作或额外添加标志点，即能自动寻找两种图像的特征并自动配准，实现LB位脊柱图像/LB位椎体轮廓和RB位脊柱图像/RB椎体轮廓位中椎体的识别。
作为一种可选的实施例，对于LB位椎体轮廓的配准，所述步骤3可以包括：
步骤31：根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接 矩形的宽高比R，得到AP图像椎体宽高比特征向量，以数组
Figure 75158DEST_PATH_IMAGE001
表示；
AP位脊柱图像中每个椎体的最小外接矩形的宽高比构成的数组
Figure 605365DEST_PATH_IMAGE001
的计算公 式如下：
Figure 434649DEST_PATH_IMAGE002
其中，
Figure 117435DEST_PATH_IMAGE003
为第i个椎体的最小外接矩形的宽高比，
Figure 6762DEST_PATH_IMAGE004
为椎体最小外接矩形的宽 度，
Figure 40577DEST_PATH_IMAGE005
为椎体最小外接矩形的高度。
步骤32：根据所述LB位椎体轮廓，计算所述LB位脊柱图像中每个椎体的最小外接 矩形的宽高比R，得到LB图像椎体宽高比特征向量，以数组
Figure 673553DEST_PATH_IMAGE006
表示，数组
Figure 194533DEST_PATH_IMAGE006
的长度可 以称为配准长度；
步骤33：以所述AP位脊柱图像中最后一个椎体L5位置为起点，从数组
Figure 458024DEST_PATH_IMAGE001
中截 取与数组
Figure 425806DEST_PATH_IMAGE006
相同数量的连续椎体，得到新的LB位椎体宽高比特征向量，以数组
Figure 82046DEST_PATH_IMAGE007
表示，计算
Figure 457533DEST_PATH_IMAGE007
与
Figure 610034DEST_PATH_IMAGE006
的欧式距离
Figure 539813DEST_PATH_IMAGE008
；
欧式距离的计算为常规技术，例如n维向量的欧式距离公式可以如下：
Figure 999744DEST_PATH_IMAGE009
其中，欧式空间数据的维度 12≤n≤18。
步骤34：在所述数组
Figure 26475DEST_PATH_IMAGE007
中从最后一个椎体L5向近端滑动一个椎体位置，以滑 动后的椎体位置为起点，从数组
Figure 179239DEST_PATH_IMAGE001
中截取与数组
Figure 658630DEST_PATH_IMAGE006
相同数量的连续椎体，再次得到 新的LB位椎体宽高比特征向量，以数组
Figure 171520DEST_PATH_IMAGE010
表示，计算
Figure 261879DEST_PATH_IMAGE010
与
Figure 319965DEST_PATH_IMAGE006
的欧式距离
Figure 755494DEST_PATH_IMAGE011
；
欧式距离计算方法同上，此处不再赘述。
步骤35：重复上一步骤预设次数后，得到欧式距离数组
Figure 758827DEST_PATH_IMAGE012
, 数组
Figure 963413DEST_PATH_IMAGE012
的长度 等于LB位图像滑动的次数+1；
本步骤中，预设次数可根据需要灵活设定，例如设定为5。
步骤36：求取欧式距离数组中最小值，该最小值在所述AP位脊柱图像中对应的椎体滑动位置，与所述LB位脊柱图像中最后一个椎体为相同椎体，从而完成配准；
一个配准实施例如下（参见图8）：
若AP位椎体位置为：L5, L4, L3, L2, L1, T12, T11, T10, T9, T8, T7, T6, T5,T4, T3, T2, T1, C7, 对应的宽高比数组
Figure 707247DEST_PATH_IMAGE013
Figure 895651DEST_PATH_IMAGE013
={1.98，1.90，1.88，1.87，1.86，1.85，1.85, 1.84, 1.82, 1.82, 1.81, 1.80, 1.81, 1.79, 1.78, 1.77, 1.75, 1.75}
配准长度设定为12；
LB位初始位置：L5, L4, L3, L2, L1, T12, T11, T10, T9, T8, T7, T6
LB位宽高比数组
Figure 590157DEST_PATH_IMAGE006
：
Figure 399981DEST_PATH_IMAGE006
= {1.90, 1.88, 1.87, 1.85, 1.85, 1.85, 1.84, 1.82, 1.81, 1.81, 1.80, 1.81}
滑动1个椎体后的位置：L4, L3, L2, L1, T12, T11, T10, T9, T8, T7, T6, T5
滑动2个椎体后的位置：L3, L2, L1, T12, T11, T10, T9, T8, T7, T6, T5, T4
LB位初始位置对应的AP位宽高比数组：
{1.98, 1.90, 1.88, 1.87, 1.86, 1.85, 1.85, 1.84, 1.82, 1.82, 1.81,1.80}
滑动1个椎体后对应的AP位宽高比数组：
{1.90, 1.88, 1.87, 1.86, 1.85, 1.85, 1.84, 1.82, 1.82, 1.81, 1.80,1.81}
滑动2个椎体后对应的AP位宽高比数组：
{1.88, 1.87, 1.86, 1.85, 1.85, 1.84, 1.82, 1.82, 1.81, 1.80, 1.81,1.79}
据以上数据，计算
Figure 314716DEST_PATH_IMAGE006
与三次滑动后AP位对应宽高比数组的欧式距离：
Figure 990417DEST_PATH_IMAGE008
= 0.091（对应AP位椎体L5）
Figure 665112DEST_PATH_IMAGE011
= 0.014（对应AP位椎体L4）
Figure 844290DEST_PATH_IMAGE014
= 0.041（对应AP位椎体L3）
从上述计算结果可知，滑动1个椎体后
Figure 664347DEST_PATH_IMAGE015
为最小值，则LB最底端椎体对应的AP位 椎体位置是L4，表明在该位置上AP与LB的图像相似度最大，即实现了LB位图像与AP位图像 在L4椎体位置的配准。
这样，由于AP位脊柱图像中可以通过模型识别出每个椎体，再通过上述步骤31-36的配准操作后即可准确识别出LB位脊柱图像中的每个椎体。
作为另一种可选的实施例，基于相同的原理，对于RB位椎体轮廓的配准，所述步骤3可以包括：
步骤31’：根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接 矩形的宽高比R，得到AP图像椎体宽高比特征向量，以数组
Figure 843656DEST_PATH_IMAGE001
表示；
步骤32’：根据所述RB位椎体轮廓，计算所述RB位脊柱图像中每个椎体的最小外接 矩形的宽高比R，得到RB图像椎体宽高比特征向量，以数组
Figure 305730DEST_PATH_IMAGE016
表示；
步骤33’：以所述AP位脊柱图像中最后一个椎体L5位置为起点，从数组
Figure 604993DEST_PATH_IMAGE001
中截 取与数组
Figure 877843DEST_PATH_IMAGE016
相同数量的连续椎体，得到新的RB位椎体宽高比特征向量，以数组
Figure 533995DEST_PATH_IMAGE017
表示，计算
Figure 550493DEST_PATH_IMAGE017
与
Figure 704262DEST_PATH_IMAGE016
的欧式距离
Figure 413592DEST_PATH_IMAGE018
；
步骤34’：在所述数组
Figure 285602DEST_PATH_IMAGE017
中从最后一个椎体L5向近端滑动一个椎体位置，以 滑动后的椎体位置为起点，从数组
Figure 823900DEST_PATH_IMAGE001
中截取与数组
Figure 114067DEST_PATH_IMAGE016
相同数量的连续椎体，再次 得到新的RB位椎体宽高比特征向量，以数组
Figure 977986DEST_PATH_IMAGE010
表示，计算
Figure 337292DEST_PATH_IMAGE010
与
Figure 695593DEST_PATH_IMAGE016
的欧式距 离
Figure 89534DEST_PATH_IMAGE019
；
步骤35’：重复上一步骤预设次数后，得到欧式距离数组
Figure 875087DEST_PATH_IMAGE020
, 数组
Figure 721689DEST_PATH_IMAGE020
的长度 等于RB位图像滑动的次数+1；
步骤36’：求取欧式距离数组中最小值，该最小值在所述AP位脊柱图像中对应的椎体滑动位置，与所述RB位脊柱图像中最后一个椎体为相同椎体，从而完成配准。
这样，由于AP位脊柱图像中可以通过模型识别出每个椎体，再通过上述步骤31’-36’的配准操作后即可准确识别出RB位脊柱图像中的每个椎体。
步骤4：根据所述AP位椎体轮廓、LAT位椎体轮廓、配准后的LB位椎体轮廓和配准后的RB位椎体轮廓，分别计算得到AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，所述AP位脊柱特征包括AP位Cobb角和双肩高度差，所述LAT位脊柱特征包括LAT位Cobb角，所述LB位脊柱特征包括LB位Cobb角和侧凸柔韧度，所述RB位脊柱特征包括RB位Cobb角和侧凸柔韧度；
这样，本发明实施例通过从脊柱侧凸冠状面影像、矢状面影像、左弯曲影像、右弯曲影像提取得到病例脊柱特征，进而可用于后续PUMC分型。
作为一种可选的实施例，所述步骤2还可以包括：
步骤25：利用预先训练好的AP位肩部语义分割模型对所述冠状位脊柱图像进行处理，提取得到所述冠状位脊柱图像中包含C7、T1和锁骨的椎体轮廓，即AP位肩部轮廓；
此时，所述步骤4可以包括：
根据所述AP位肩部轮廓，计算得到所述双肩高度差。
对于含有上胸弯的AIS患者（PUMC分型中的IIa、IIIa亚型），如果主胸弯凸向右且左肩高于右肩或双肩等高，则其亚型为2型上胸弯（IIa2、IIIa2亚型），如果主胸弯凸向左，亚型分型规则相反。
本实施例中，可以截取锁骨、C7、L1椎体图像构建数据集，训练1个冠状面肩部局域Unet肩部语义分割模型（即AP位肩部语义分割模型），用于分型算法中判断双肩高度。
作为另一种可选的实施例，对于AP位脊柱特征的计算，如图2和图10所示，所述步骤4可以包括：
步骤41：根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接矩形；
本步骤中，由于已知椎体轮廓，故可以采用常规算法计算椎体的最小外接矩形，此处不再赘述。计算效果如图7中的白色矩形框所示。
步骤42：根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
步骤43：运用Cobb角算法计算AP位可能出现的Cobb角。
进一步的，所述步骤43可以包括：
步骤431：以图像左上角为坐标原点，计算每个椎体的上终板线的斜率
Figure 883680DEST_PATH_IMAGE021
和下终 板线的斜率
Figure 149706DEST_PATH_IMAGE022
；
如图9所示的坐标系中，当直线方向为“左下——右上”时，直线斜率数值为负值；当直线方向为“左上——右下”时，直线斜率数值为正值；当直线与x轴平行时，直线斜率等于零。
步骤432：根据两直线夹角公式
Figure 824270DEST_PATH_IMAGE023
计算每一 对上终板与下终板之间的夹角，构造夹角数组
Figure 627010DEST_PATH_IMAGE024
；
步骤433：按以下规则对
Figure 327112DEST_PATH_IMAGE024
进行筛选过滤，生成数组
Figure 430067DEST_PATH_IMAGE025
，规则为：①组成
Figure 806690DEST_PATH_IMAGE024
的每一对
Figure 378617DEST_PATH_IMAGE026
和
Figure 866099DEST_PATH_IMAGE027
，满足
Figure 292401DEST_PATH_IMAGE028
，即上终板线和下终板线斜率符号相反；②
Figure 308767DEST_PATH_IMAGE024
大于10度；
步骤434：根据
Figure 836832DEST_PATH_IMAGE026
和
Figure 133864DEST_PATH_IMAGE027
符号确定夹角方向，即左凸或是右凸；
本步骤中，当上/下终板斜率值等于0时，无论弯曲朝向以及Cobb角的大小，该Cobb 角都不进入数组
Figure 211410DEST_PATH_IMAGE025
中。
本步骤中，具体判断规则可以是：
Figure 680569DEST_PATH_IMAGE029
时，左凸；
Figure 210776DEST_PATH_IMAGE030
时，右凸。
步骤435：找到
Figure 790793DEST_PATH_IMAGE025
中角度值最大的作为AP位最大Cobb角也即第一Cobb角
Figure 722846DEST_PATH_IMAGE031
， 从
Figure 612174DEST_PATH_IMAGE025
中移除
Figure 380410DEST_PATH_IMAGE031
，并在余下的角度中寻找与最大Cobb角侧弯方向相反的最大Cobb角， 作为仅次于最大Cobb角的第二Cobb角，依此类推，寻找第三Cobb角；同时计算每个Cobb角在 脊柱上的位置；
本步骤中，按上述规则搜索最大Cobb角时，可能出现最大Cobb角内包含2个较小的Cobb角的情况，此时应舍弃最大Cobb角，将包含的几个Cobb角分别计算，找出最大Cobb角，然后依据判断规则确定第二和第三Cobb角。
可以理解的是，AP位Cobb角为1-3个，第二Cobb角和第三Cobb角均有可能不存在，根据实际情况判别即可；例如图8所示例子中，则仅有第一Cobb角/最大Cobb角、以及第二Cobb角。
步骤436：特征选择：选择AP位一组特征量作为分类依据，这一组特征量包括最大Cobb角、第二Cobb角、第三Cobb角和每个Cobb角顶点位置，这些特征构成所述AP位脊柱特征。
作为再一种可选的实施例，对于LAT位脊柱特征的计算，如图3所示，所述步骤4可以包括：
步骤41’：根据所述LAT位椎体轮廓，计算所述LAT位脊柱图像中每个椎体的最小外接矩形；
步骤42’：根据所述最小外接矩形，计算椎体T12和L1的上终板线和下终板线；
步骤43’：运用Cobb角算法计算LAT位可能出现的Cobb角。
此处，由于LAT位仅涉及T12和L1两节椎体，因此可以分别计算每个椎体轮廓最小外接矩形的上终板线和下终板线，运用Cobb角算法计算T12上终板线与L1下终板线的夹角位可能出现的Cobb角。
具体实施时，所述步骤43’可以包括：
以图像左上角为坐标原点，计算T12上终板线的斜率
Figure 13385DEST_PATH_IMAGE032
和下终板线的斜率
Figure 799944DEST_PATH_IMAGE033
；
根据两直线夹角公式
Figure 610906DEST_PATH_IMAGE034
，计算 T12上终板与L1下终板之间的夹角；
根据
Figure 115705DEST_PATH_IMAGE032
和
Figure 568683DEST_PATH_IMAGE033
符号确定夹角方向，即前凸、后凸还是平行，判断规则可以是：
Figure 938310DEST_PATH_IMAGE035
时，前凸；
Figure 435020DEST_PATH_IMAGE036
且
Figure 177848DEST_PATH_IMAGE037
时，前凸；
Figure 152626DEST_PATH_IMAGE038
且
Figure 648198DEST_PATH_IMAGE039
时，平行；
Figure 800962DEST_PATH_IMAGE040
且
Figure 280354DEST_PATH_IMAGE041
时，后凸；
Figure 543976DEST_PATH_IMAGE042
时，后凸；
Figure 159634DEST_PATH_IMAGE043
时，平行；
Figure 998146DEST_PATH_IMAGE044
时，前凸；
Figure 449987DEST_PATH_IMAGE045
时，后凸；
Figure 766567DEST_PATH_IMAGE046
且
Figure 508171DEST_PATH_IMAGE047
时，前凸；
Figure 2737DEST_PATH_IMAGE048
且
Figure 925562DEST_PATH_IMAGE049
时，平行；
Figure 45834DEST_PATH_IMAGE050
且
Figure 386817DEST_PATH_IMAGE051
时，后凸；
特征选择：选择LAT位Cobb角数值构成LAT位脊柱特征。
作为又一种可选的实施例，对于LB位脊柱特征的计算，如图4所示，所述步骤4可以包括：
步骤41’’：根据所述配准后的LB位椎体轮廓，计算所述LB位脊柱图像中每个椎体的最小外接矩形；
步骤42’’：根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
步骤43’’：运用Cobb角算法计算配准后AP位每个Cobb角在所述LB位脊柱图像上的Cobb角。
作为又一种可选的实施例，对于RB位脊柱特征的计算，如图4所示，所述步骤4可以包括：
步骤41’’’：根据所述配准后的RB位椎体轮廓，计算所述RB位脊柱图像中每个椎体的最小外接矩形；
步骤42’’’：根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
步骤43’’’：运用Cobb角算法计算配准后AP位每个Cobb角在所述RB位脊柱图像上的Cobb角。
另外，所述步骤4还可以包括：
特征选择：选择LB和RB位脊柱图像上每个Cobb角，计算相对AP位脊柱图像的柔韧度。柔韧度计算公式F= （AP位脊柱图像Cobb -弯曲位脊柱图像Cobb）/AP位脊柱图像Cobb。将Cobb角以及计算所得到的柔韧度作为分型的特征参数。
步骤5：根据所述AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，进行青少年特发性脊柱侧凸的PUMC分型。
PUMC分型规则如下表1所示。
表1
Figure 301552DEST_PATH_IMAGE052
本步骤中，由于已经获得AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，即可按PUMC分型规则并参照图5进行PUMC分型。
下面结合一个具体的例子对本发明进行说明：
例如病例1、2和3（患者的脊柱X射线影像分别参见图11-13），利用本发明实施例的方法计算得到如表2所示相关脊柱特征，最后经过本发明实施例分型后分别确定为PUMC分型的Ia、IIa2和IIIb2型。
表2
Figure 711674DEST_PATH_IMAGE053
综上，现有技术完全依赖人工观察和手工测量进行AIS的PUMC分型的处理，个体差异带来的辨识力水平参差不齐，影响分型的准确率。并且人工观察和手工测量的效率低。对于PUMC分型，包括Cobb角测量、矢状面和左右弯曲位图像的配准以及根据规则的分型处理，平均需要5分钟/例，而本发明实施例的整个过程由计算机执行端到端的自动处理仅需要大约15秒/例，处理效率是人工处理的20倍。
本发明实施例通过自动化程序计算代替人工计算，显著缩短了人工测量脊柱侧凸相关病例特征数据的时间，分型处理效率较人工分型提高20倍以上；本发明实施例消除了不同观测医生不可避免带来的主观误差，提高了PUMC分型的准确度，能减少人工观察与测量带来的系统误差，分型结果准确率高于人工分型准确率或与之相当。
以上所述，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，可轻易想到的变化或替换，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 (8)

1.一种青少年特发性脊柱侧凸PUMC分型方法，其特征在于，包括：
步骤1：获取患者的冠状面AP位脊柱图像、矢状面LAT位脊柱图像、左弯曲LB位脊柱图像以及右弯曲RB位脊柱图像；
步骤2：利用预先训练好的椎体语义分割模型对各脊柱图像进行处理，分别提取得到AP位椎体轮廓、LAT位椎体轮廓、LB位椎体轮廓和RB位椎体轮廓；
步骤3：根据所述AP位椎体轮廓，对所述LB位椎体轮廓和RB位椎体轮廓进行配准，得到所述LB位椎体轮廓和RB位椎体轮廓中椎体与所述AP位椎体轮廓中椎体的对应关系；
步骤4：根据所述AP位椎体轮廓、LAT位椎体轮廓、配准后的LB位椎体轮廓和配准后的RB位椎体轮廓，分别计算得到AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，所述AP位脊柱特征包括AP位Cobb角和双肩高度差，所述LAT位脊柱特征包括LAT位Cobb角，所述LB位脊柱特征包括LB位Cobb角和侧凸柔韧度，所述RB位脊柱特征包括RB位Cobb角和侧凸柔韧度；
步骤5：根据所述AP位脊柱特征、LAT位脊柱特征、LB位脊柱特征和RB位脊柱特征，进行青少年特发性脊柱侧凸的PUMC分型；
其中，所述步骤2包括：
步骤21：利用预先训练好的AP位椎体语义分割模型对所述AP位脊柱图像进行处理，提取得到所述AP位脊柱图像中包含C7、T1-T12和L1-L5的椎体轮廓，即所述AP位椎体轮廓，同时识别出每个椎体；
步骤22：利用预先训练好的LAT位椎体语义分割模型对所述LAT位脊柱图像进行处理，提取得到所述LAT位脊柱图像中包含T12-L1的椎体轮廓，即所述LAT位椎体轮廓，同时识别出椎体T12和L1；
步骤23：利用预先训练好的LB位椎体语义分割模型对所述LB位脊柱图像进行处理，提取得到所述LB位脊柱图像中包含C7-L5的椎体轮廓，即所述LB位椎体轮廓；
步骤24：利用预先训练好的RB位椎体语义分割模型对所述RB位脊柱图像进行处理，提取得到所述RB位脊柱图像中包含C7-L5的椎体轮廓，即所述RB位椎体轮廓；
其中，所述步骤3包括：
根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接矩形的宽高比 R，得到AP图像椎体宽高比特征向量，以数组
Figure 525713DEST_PATH_IMAGE001
表示；
根据所述LB位椎体轮廓，计算所述LB位脊柱图像中每个椎体的最小外接矩形的宽高比 R，得到LB图像椎体宽高比特征向量，以数组
Figure 383948DEST_PATH_IMAGE002
表示；
以所述AP位脊柱图像中最后一个椎体L5位置为起点，从数组
Figure 933878DEST_PATH_IMAGE001
中截取与数组
Figure 425033DEST_PATH_IMAGE002
相同数量的连续椎体，得到新的LB位椎体宽高比特征向量，以数组
Figure 921873DEST_PATH_IMAGE003
表示，计算
Figure 369035DEST_PATH_IMAGE003
与
Figure 886604DEST_PATH_IMAGE002
的欧式距离
Figure 52006DEST_PATH_IMAGE004
；
在所述数组
Figure 821379DEST_PATH_IMAGE003
中从最后一个椎体L5向近端滑动一个椎体位置，以滑动后的椎体位 置为起点，从数组
Figure 388627DEST_PATH_IMAGE001
中截取与数组
Figure 589014DEST_PATH_IMAGE002
相同数量的连续椎体，再次得到新的LB位椎体 宽高比特征向量，以数组
Figure 179395DEST_PATH_IMAGE005
表示，计算
Figure 814776DEST_PATH_IMAGE005
与
Figure 33268DEST_PATH_IMAGE002
的欧式距离
Figure 95902DEST_PATH_IMAGE006
；
重复上一步骤预设次数后，得到欧式距离数组
Figure 908000DEST_PATH_IMAGE007
, 数组
Figure 347072DEST_PATH_IMAGE007
的长度等于LB位图像 滑动的次数+1；
求取欧式距离数组中最小值，该最小值在所述AP位脊柱图像中对应的椎体滑动位置，与所述LB位脊柱图像中最后一个椎体为相同椎体，从而完成配准；
和/或，所述步骤3包括：
根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接矩形的宽高比 R，得到AP图像椎体宽高比特征向量，以数组
Figure 436382DEST_PATH_IMAGE001
表示；
根据所述RB位椎体轮廓，计算所述RB位脊柱图像中每个椎体的最小外接矩形的宽高比 R，得到RB图像椎体宽高比特征向量，以数组
Figure 669917DEST_PATH_IMAGE008
表示；
以所述AP位脊柱图像中最后一个椎体L5位置为起点，从数组
Figure 234890DEST_PATH_IMAGE001
中截取与数组
Figure 274390DEST_PATH_IMAGE008
相同数量的连续椎体，得到新的RB位椎体宽高比特征向量，以数组
Figure 405158DEST_PATH_IMAGE009
表示，计算
Figure 747277DEST_PATH_IMAGE009
与
Figure 596284DEST_PATH_IMAGE008
的欧式距离
Figure 423164DEST_PATH_IMAGE010
；
在所述数组
Figure 674017DEST_PATH_IMAGE009
中从最后一个椎体L5向近端滑动一个椎体位置，以滑动后的椎体位 置为起点，从数组
Figure 452617DEST_PATH_IMAGE001
中截取与数组
Figure 851237DEST_PATH_IMAGE008
相同数量的连续椎体，再次得到新的RB位椎 体宽高比特征向量，以数组
Figure 170223DEST_PATH_IMAGE011
表示，计算
Figure 213265DEST_PATH_IMAGE011
与
Figure 959504DEST_PATH_IMAGE008
的欧式距离
Figure 596153DEST_PATH_IMAGE012
；
重复上一步骤预设次数后，得到欧式距离数组
Figure 656513DEST_PATH_IMAGE013
, 数组
Figure 616379DEST_PATH_IMAGE013
的长度等于RB位图像 滑动的次数+1；
求取欧式距离数组中最小值，该最小值在所述AP位脊柱图像中对应的椎体滑动位置，与所述RB位脊柱图像中最后一个椎体为相同椎体，从而完成配准。
2.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
步骤25：利用预先训练好的AP位肩部语义分割模型对所述AP位脊柱图像进行处理，提取得到所述AP位脊柱图像中包含C7、T1和锁骨的椎体轮廓，即AP位肩部轮廓；
所述步骤4包括：
根据所述AP位肩部轮廓，计算得到所述双肩高度差。
3.根据权利要求1或2所述的方法，其特征在于，各语义分割模型均为Unet神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
根据所述AP位椎体轮廓，计算所述AP位脊柱图像中每个椎体的最小外接矩形；
根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
运用Cobb角算法计算AP位可能出现的Cobb角。
5.根据权利要求4所述的方法，其特征在于，所述运用Cobb角算法计算AP位可能出现的Cobb角，包括：
以图像左上角为X-Y直角坐标系原点，计算每个椎体的上终板线的斜率
Figure 595836DEST_PATH_IMAGE014
和下终板 线的斜率
Figure 906732DEST_PATH_IMAGE015
；
根据两直线夹角公式
Figure 505203DEST_PATH_IMAGE016
计算每一对上终板与下终 板之间的夹角，构造夹角数组
Figure 319576DEST_PATH_IMAGE017
；
按以下规则对
Figure 253290DEST_PATH_IMAGE017
进行筛选过滤，生成数组
Figure 723586DEST_PATH_IMAGE018
，规则为：①组成
Figure 188065DEST_PATH_IMAGE017
的每一对
Figure 919261DEST_PATH_IMAGE019
和
Figure 647045DEST_PATH_IMAGE020
，满足
Figure 666954DEST_PATH_IMAGE021
，即上终板线和下终板线斜率符号相反；②
Figure 482594DEST_PATH_IMAGE017
大于10度；
根据
Figure 271559DEST_PATH_IMAGE019
和
Figure 904665DEST_PATH_IMAGE020
符号确定夹角方向，即左凸还是右凸；
找到
Figure 474187DEST_PATH_IMAGE018
中角度值最大的作为AP位最大Cobb角也即第一Cobb角
Figure 280469DEST_PATH_IMAGE022
，从
Figure 127202DEST_PATH_IMAGE018
中移 除
Figure 727948DEST_PATH_IMAGE022
，并在余下的角度中寻找与最大Cobb角侧弯方向相反的最大Cobb角，作为仅次于 最大Cobb角的第二Cobb角，依此类推，寻找第三Cobb角；同时计算每个Cobb角在脊柱上的位 置；
特征选择：选择AP位一组特征量作为分类依据，这一组特征量包括最大Cobb角、第二Cobb角、第三Cobb角和每个Cobb角顶点位置，这些特征构成所述AP位脊柱特征。
6.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
根据所述LAT位椎体轮廓，计算所述LAT位脊柱图像中每个椎体的最小外接矩形；
根据所述最小外接矩形，计算椎体T12和L1的上终板线和下终板线；
运用Cobb角算法计算LAT位可能出现的Cobb角。
7.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
根据所述配准后的LB位椎体轮廓，计算所述LB位脊柱图像中每个椎体的最小外接矩形；
根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
运用Cobb角算法计算配准后AP位每个Cobb角在所述LB位脊柱图像上的Cobb角。
8.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
根据所述配准后的RB位椎体轮廓，计算所述RB位脊柱图像中每个椎体的最小外接矩形；
根据所述最小外接矩形，计算每个椎体的上终板线和下终板线；
运用Cobb角算法计算配准后AP位每个Cobb角在所述RB位脊柱图像上的Cobb角。
CN202211112412.5A 2022-09-14 2022-09-14 一种青少年特发性脊柱侧凸pumc分型方法 Active CN115187606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211112412.5A CN115187606B (zh) 2022-09-14 2022-09-14 一种青少年特发性脊柱侧凸pumc分型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211112412.5A CN115187606B (zh) 2022-09-14 2022-09-14 一种青少年特发性脊柱侧凸pumc分型方法

Publications (2)

Publication Number Publication Date
CN115187606A CN115187606A (zh) 2022-10-14
CN115187606B true CN115187606B (zh) 2022-12-13

Family

ID=83524330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211112412.5A Active CN115187606B (zh) 2022-09-14 2022-09-14 一种青少年特发性脊柱侧凸pumc分型方法

Country Status (1)

Country Link
CN (1) CN115187606B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485793B (zh) * 2023-06-16 2023-09-15 中国医学科学院北京协和医院 青少年脊柱侧凸矫形手术效果预测方法
CN117379036A (zh) * 2023-12-07 2024-01-12 北京维卓致远医疗科技发展有限责任公司 一种脊柱侧凸测量系统及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103565449A (zh) * 2012-07-31 2014-02-12 西门子公司 一种脊柱x线图像的处理方法和系统
CN108320288A (zh) * 2017-12-08 2018-07-24 李书纲 一种特发性脊柱侧凸影像的数据处理方法
WO2020199694A1 (zh) * 2019-04-03 2020-10-08 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
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
CN114078120A (zh) * 2021-11-22 2022-02-22 北京欧应信息技术有限公司 用于检测脊柱侧弯的方法、设备和介质
CN114881957A (zh) * 2022-04-28 2022-08-09 宁波大学 一种基于深度学习的脊柱侧弯Cobb角自动评估的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101294954B (zh) * 2007-04-25 2012-05-23 中国科学院自动化研究所 一种基于信息势的图像配准方法
US9561004B2 (en) * 2013-04-29 2017-02-07 Sectra Ab Automated 3-D orthopedic assessments
RU2732958C1 (ru) * 2019-12-30 2020-09-25 Александр Михайлович Орел Способ оценки статики позвоночника

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103565449A (zh) * 2012-07-31 2014-02-12 西门子公司 一种脊柱x线图像的处理方法和系统
CN108320288A (zh) * 2017-12-08 2018-07-24 李书纲 一种特发性脊柱侧凸影像的数据处理方法
WO2020199694A1 (zh) * 2019-04-03 2020-10-08 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
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
CN114078120A (zh) * 2021-11-22 2022-02-22 北京欧应信息技术有限公司 用于检测脊柱侧弯的方法、设备和介质
CN114881957A (zh) * 2022-04-28 2022-08-09 宁波大学 一种基于深度学习的脊柱侧弯Cobb角自动评估的方法

Also Published As

Publication number Publication date
CN115187606A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN115187606B (zh) 一种青少年特发性脊柱侧凸pumc分型方法
CN108320288B (zh) 一种特发性脊柱侧凸影像的数据处理方法
CN112734757B (zh) 一种脊柱X光图像cobb角测量方法
Peng et al. Automated vertebra detection and segmentation from the whole spine MR images
JP5186269B2 (ja) 画像認識結果判定装置、方法、およびプログラム
CN112184617B (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
CN112258516B (zh) 一种脊柱侧弯图像检测模型的生成方法
CN105338902A (zh) 用于识别图像中脊椎的特定部分的方法、装置和系统
CN115880281B (zh) 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN113674257A (zh) 脊柱侧弯角度的测量方法、装置、设备及存储介质
CN108309334B (zh) 一种脊柱x线影像的数据处理方法
CN112802019B (zh) 一种基于脊柱AIS影像的lenke分型方法
EP1551296A1 (en) Method, code, and system for assaying joint deformity
CN113284090B (zh) 一种脊柱侧弯检测方法与医疗平台
CN115222937A (zh) 一种脊柱侧弯检测方法及装置
Jacinto et al. Multi-atlas automatic positioning of anatomical landmarks
CN112927213B (zh) 一种医学图像分割方法、介质及电子设备
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
CN114092447B (zh) 一种基于人体三维图像测量脊柱侧弯的方法、装置和设备
CN109697713B (zh) 基于深度学习和空间关系推理的椎间盘定位标注方法
Zhang et al. Intelligent measurement of spinal curvature using cascade gentle AdaBoost classifier and region-based DRLSE
Cui et al. Cobb Angle Measurement Method of Scoliosis Based on U-net Network
Hay et al. Spine curve modeling for quantitative analysis of spinal curvature
Čech et al. Piecewise rigid multimodal spine registration
CN113781453B (zh) 一种基于x线片的脊柱侧凸进展预测及方法和装置

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
GR01 Patent grant
GR01 Patent grant