CN115222937A - 一种脊柱侧弯检测方法及装置 - Google Patents
一种脊柱侧弯检测方法及装置 Download PDFInfo
- Publication number
- CN115222937A CN115222937A CN202210859448.3A CN202210859448A CN115222937A CN 115222937 A CN115222937 A CN 115222937A CN 202210859448 A CN202210859448 A CN 202210859448A CN 115222937 A CN115222937 A CN 115222937A
- Authority
- CN
- China
- Prior art keywords
- vertebral body
- point
- key
- points
- central point
- 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
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种脊柱侧弯检测方法及装置。所述方法包括:采集脊柱X射线图像,使用所提出的关键点标注方案对所述图像中的椎体进行关键点标注,对椎体中心点检测模型进行训练;利用训练好的椎体中心点检测模型得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;利用训练好的关键点检测模型得到更新后的椎体中心点坐标;计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。本发明通过对椎体进行关键点标注,设计两个阶段的关键点检测,不但降低了计算量,还提高了检测精度,从而提高了脊柱侧弯识别和相关参数计算的速度和精度。
Description
技术领域
本发明属于医学影像技术领域,具体涉及一种脊柱侧弯检测方法及装置。
背景技术
脊柱侧弯是一种脊柱在冠状面侧向弯曲,并伴随脊柱轴状面旋转、胸廓扭曲的三维脊柱畸形。在临床诊断中,一般将科布氏角(Cobb)大于10°视为出现脊柱侧弯。脊柱侧弯主要分为结构性和非结构性脊柱侧弯。非结构性脊柱侧弯指患者在平躺时侧弯会消失,其主要成因是脊柱两侧张力不平衡以及长短腿等非脊柱因素,在外部因素消除后能够快速改善症状;结构性脊柱侧弯患者在平躺时侧弯不会消失,又可分为特发性脊柱侧弯和非特发性脊柱侧弯。非特发性脊柱侧弯能够找到明确的病因,如神经肌肉病变、软骨发育障碍、遗传缺陷等。特发性脊柱侧弯指在健康的儿童或青少年发生的病因不明的脊柱侧弯,是最为常见的一种脊柱侧弯,在青少年儿童中发病率约为2%-4%,约占脊柱侧弯患者中的80%-90%。在缺少针对性治疗的情况下,随着患者的生长发育,侧弯程度会逐渐加剧,不仅会影响体态外观、心理健康,严重时更会对心肺等内脏器官造成压迫,影响身体机能,进而威胁生命安全。
目前,脊柱侧弯疾病的诊断主要依赖于医生使用铅笔以及量角器对患者脊柱X射线图像的精确测量以及具体数据的计算。一方面,这种纯手工的方式存在着一定的主观性,导致不同医生得出的结果存在一定的误差,因此,为了保证结果的可靠性,对医生的经验有着较大的依赖。另一方面,在面对筛查、体检数据时,每个临床医生往往要处理大批量的X射线图像,造成了沉重的负担。因此,人们一直致力于开发计算机辅助技术,对脊柱侧弯图像进行分析,以促进自动化诊断,从而减小医生工作量。
近年来,得益于深度学习算法在计算机辅助诊断系统CAD中的重大突破,深度学习技术越来越多地应用于医学影像辅助诊断工作,极大地降低了医生在疾病诊断中的负担。如通过腕部X光片判断骨龄,通过胸部计算机断层扫描(CT)筛查肺结节,通过颈动脉CT血管造影识别动脉瘤,以及通过头颅CT评估出血风险程度等。但是受制于高分辨率脊柱X射线图像尺寸大造成的消耗计算资源大,椎体前景目标较小导致的椎体检测准确率低以及缺乏金标准等问题,CAD系统在全自动的X射线图像脊柱侧弯分析中还未能实现大面积应用。因此,亟需开发一种可以准确检测椎体并自动计算cobb角等一系列指标的CAD系统,从而在临床诊断中大幅度减低医生负担,提高诊断率以及医生诊断效率。
发明内容
为了解决现有技术中存在的上述问题,本发明提供一种脊柱侧弯检测方法及装置。
为了实现上述目的,本发明采用以下技术方案。
第一方面,本发明提供一种脊柱侧弯检测方法,包括以下步骤:
采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
进一步地,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
进一步地,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
进一步地,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移的极值点;
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
更进一步地,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
第二方面,本发明提供一种脊柱侧弯检测装置,包括:
中心点检测模块,用于采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
椎体提取模块,用于将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
关键点更新模块,用于将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
参数计算模块,用于计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
进一步地,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
进一步地,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
进一步地,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移的极值点;
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
更进一步地,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
与现有技术相比,本发明具有以下有益效果。
本发明通过采集脊柱X射线图像,对图像中的椎体进行关键点标注并计算椎体中心点,将图像缩至一定尺寸后对椎体中心点检测模型进行训练,将待测脊柱X射线图像输入训练好的椎体中心点检测模型得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像,将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标并进而得到更新后的椎体中心点坐标,基于更新后的椎体中心点的拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数,实现了脊柱侧弯的自动识别和相关参数的计算。本发明通过对椎体进行关键点标注,设计两个阶段的关键点检测,不但降低了计算量,还提高了检测精度,从而提高了脊柱侧弯识别和相关参数计算的速度和精度。
附图说明
图1为本发明实施例一种脊柱侧弯检测方法的流程图。
图2为脊柱的整体结构示意图。
图3为关键点标注示意图。
图4为Cobb角计算的示意图。
图5为C7铅垂线与骶骨中垂线的示意图。
图6为本发明实施例一种脊柱侧弯检测装置的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种脊柱侧弯检测方法的流程图,包括以下步骤:
步骤101,采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
步骤102,将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
步骤103,将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
步骤104,计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
本实施例中,步骤101主要用于基于关键点标注对椎体中心点检测模型进行训练。椎体中心点检测模型用于输出各个椎体的中心点位置,实现各个椎体的定位,用于下一步基于各个椎体的中心点位置和尺寸提取各个椎体。首先进行训练数据采集。采集脊柱X射线图像dicom数据作为训练数据,采集时注意保持X射线图像的完整性,要求无拼接痕迹,且无椎体缺失、骨折等非脊柱侧弯病变。采集时控制数据来源分布,包含数据来源地区、机构,设备厂商、参数等。接下来读取采集的dicom数据,进行像素值提取及灰度值归一化,并存入使用无损压缩算法的位图PNG文件中。然后进行X射线图像椎体关键点标注。脊柱中各椎体的关键点标注是为了便于对脊柱侧弯情况进行分析计算,比如,将每个椎体的4个端点标注为关键点是为了便于椎体的定位。脊柱的整体结构示意图和关键点标注示意图分别如图2、3所示。值得说明的是,本实施例的关键点包括但不限于颈椎C7的钩突、腰椎L5与骶椎形成的关节突关节等。
参考脊柱的连续性,为了获得准确而统一的关键点标注结果,在标注过程中要求标注人员在标注较为困难的情况下,根据椎体上下缘及相邻椎体的走势综合定位关键点,以避免椎体间的偏移。最后利用训练集对椎体中心点检测模型进行训练。由于脊柱X射线图像分辨率较高,一般可以达到5000×3000左右,无法直接输入模型进行椎体端点关键点检测模型的训练;而将图像缩小后又会造成椎体图像的严重丢失,影响最终的检测结果。为了解决这个问题,本实施例先对脊柱中各椎体的中心点进行检测从而对各椎体进行定位。具体实现中,先对每个椎体的4个端点取最小外接圆(包围4个端点的面积最小的圆)圆心作为椎体的中心点,接下来将原始X射线图像缩小到一定大小后(比如1280×512),输入检测模型得到图像尺寸调整后整个脊柱上所有椎体中心点的定位坐标(x,y)。(x,y)是椎体坐标系中的坐标,须进行映射得到原始图像坐标系中的坐标(x0,y0)。椎体中心点检测模型的结构可采用主流的Hourglass与HRNet等关键点检测器,也可以采用其它能够获取关键点坐标的模型。利用椎体的4个端点取最小外接圆是针对脊柱中锥体中心点定位的主要技术手段,但针对个别椎体如颈椎的体积特异性和轮廓特异性,会将4个端点取最小外接圆简化为两个端点取最小外接圆。
本实施例中,步骤102主要用于从原始输入图像中提取每个椎体的图像。本实施例通过将待测脊柱X射线图像输入到训练好的椎体中心点检测模型,得到每个椎体的中心点,然后基于每个椎体的中心点和设定尺寸获取每个椎体的图像。由于不同椎体的尺寸差异较大,为了便于后面的参数计算等处理,将所有椎体的尺寸统一调整到设定尺寸,如256×256,得到尺寸远小于原始图像的高分辨率椎体图像,从而达到了在降低计算复杂性的前提下提升椎体端点检测结果准确率的目的。
本实施例中,步骤103主要用于进行关键点的精细检测。前面的椎体中心点检测是为了得到椎体的概略位置,用于提取每个椎体的图像;本实施例通过将提取的单个椎体的图像输入训练好的关键点检测模型,得到精确的关键点坐标,经坐标系变换后计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标。所述关键点检测模型的结构仍可采用主流的Hourglass与HRNet等关键点检测器,也可以采用其它能够获取关键点坐标的模型。
本实施例中,步骤104主要用于计算脊柱侧弯参数。本实施例计算的脊柱侧弯参数主要包括Cobb角、顶椎到骶骨中垂线距离等。顶椎是横向偏离脊柱轴线最远的椎体,脊柱侧弯参数的计算基础就是先确定顶椎。因此,准确识别顶椎至关重要。本实施例先对更新后的各个椎体的中心点进行拟合,得到椎体中心点拟合曲线。由于顶椎是横向偏离脊柱轴线最远的椎体,因此,可基于求解所述拟合曲线的横向极值点确定顶椎的位置。所述横向极值点是使横坐标取极大值或极小值的点。值得说明的是,顶椎的数量可以只有一个,也可以有多个。顶椎确定后,根据各个参数的定义和几何知识就可以进行参数计算了。后面的实施例将给出确定顶椎和计算Cobb角的一种具体的技术方案。
作为一可选实施例,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
本实施例给出了椎体关键点标注的一种技术方案。本实施例的关键点标注主要分为三个部分。第一部分,为了获取颈椎C7铅垂线,通过锁骨与胸椎T1在上方找到颈椎C7,并对颈椎C7的两个钩突标注关键点。第二部分,为了获取骶骨中垂线,对腰椎L5与骶椎S1间的关节突关节标注关键点。第三部分,为了确定顶椎与计算Cobb角,对12节胸椎与5节腰椎共17节椎体的四个角顶点即端点标注关键点。关键点分布如图3所示。
作为一可选实施例,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
本实施例给出了第二阶段的关键点检测模型(第一阶段为中心点检测模型)。由于本实施例标注的关键点数量众多,且差异较大,为了提高关键点检测精度,本实施例将关键点分为三类,分别设计了用于检测这三类关键点的3个关键点检测模型(即第一、第二和第三关键点检测模型)。将提取的椎体图像分别输入对应的关键点检测模型,即可输出高精度的关键点坐标数据。
作为一可选实施例,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移的极值点;
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
本实施例给出了确定顶椎的一种技术方案。前面的实施例已经给出了确定顶椎的技术原理,本实施例给出了基于所述技术原理的一种具体的技术方案。假设中心点拟合曲线y=f(x),横向偏移x的极值点可通过求方程dx/dy=0的解得到,其中,dx/dy=1/f'(x)。解方程的方法很多,这里对具体的求解方法不作限定。假设方程的解为x=x0,y=y0,那么点(x0,y0)就是横向偏移x的极值点,可以是极大值点,也可以是极小值点,还可以二者都包括。由于得到的极值点(x0,y0)不一定正好与椎体中心点重合,因此应找到与极值点(x0,y0)距离最近的中心点,所述中心点对应的椎体即为顶椎。
确定与极值点距离最近的中心点的方法很多。最容易想到的方法是通过计算每个中心点与极值点的距离然后求最小值,得到所述中心点。
还可通过求解满足不等式(xi-1-xi)(xi-xi+1)≤0的三个相邻中心点的横坐标xi-1、xi、xi+1,然后选取与每个极值点距离最近的xi对应的中心点,所述中心点对应的椎体即为顶椎。
作为一可选实施例,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移x的极大和/或极小的极值点(xt,yt)作为顶椎大致位置;
形成比较窗体,顺序选择三个相邻椎体进行连续比较,在前椎体中心横坐标xa、当前椎体中心横坐标x0和后椎体中心横坐标xb符合(x0-xa)(xb-x0)≤0时,当前椎体作为候选顶椎;
将所有候选顶椎分别与顶椎大致位置进行欧式距离比较,欧式距离最小的候选顶椎作为顶椎。
作为一可选实施例,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移x的极大和/或极小的极值点(x0,y0);将极值点(x0,y0)投影位置的椎体作为顶椎。
作为一可选实施例,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
本实施例给出了计算Cobb角的一种技术方案。要计算Cobb角,在顶椎确定后,还要识别上端椎和下端椎。顶椎的上端面和下端面的斜率近似为0,如图4所示,顶椎近似水平放置。顶椎上面的各个椎体的上端面斜率逐渐增大,当增大到一定值后开始下降,上端面斜率最大的椎体即为上端椎。同理,顶椎下面的各个椎体的下端面斜率(为负值)的绝对值逐渐增大,当增大到一定值后开始下降,下端面斜率绝对值最大的椎体即为下端椎。上端椎上端面与下端椎下端面的夹角就是Cobb角。根据三角函数知识,由上端椎上端面的斜率k1和下端椎下端面的斜率k2即可求得Cobb角的正切值,从而得到Cobb角。k1、k2的值等于椎体4个端点中其中两个端点连线的斜率。
顶椎确定后,还可方便计算Cobb角以外的其它参数。比如,颈椎C7铅垂线和骶骨中垂线及顶椎到骶骨中垂线距离计算方法如下:如图5所示,利用颈椎钩突C7关键点检测结果,计算所检出关键点外接圆圆心(即中心点)坐标得出颈椎C7铅垂线。利用所检出的腰椎L5与骶椎间的关节突关节关键点坐标通过外接圆圆心计算骶骨中垂线,并选择端椎下方靠近头侧以骶骨中垂线为参照偏移最小的椎体作为稳定锥,进一步结合原始X射线dicom数据获取像素点物理间距,可计算骶骨中垂线与顶椎间的距离。值得说明的是,利用各(胸、腰、骶)椎体区域中顶椎与端椎的制约关系可以形成对顶椎定位判断的一种验证手段。通常,一个椎体区域中顶椎对应的端椎不应超过其他椎体区域中顶椎的偏移范围。
图6为本发明实施例一种的组成示意图,所述装置包括:
中心点检测模块11,用于采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
椎体提取模块12,用于将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
关键点更新模块13,用于将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
参数计算模块14,用于计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。后面的实施例也是如此,均不再展开说明。
作为一可选实施例,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
作为一可选实施例,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
作为一可选实施例,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移x的极值点(x0,y0);
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
作为一可选实施例,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体直至到达颈椎或另一顶椎,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体直至到达骶椎或另一顶椎,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
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 (10)
1.一种脊柱侧弯检测方法,其特征在于,包括以下步骤:
采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
2.根据权利要求1所述的脊柱侧弯检测方法,其特征在于,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
3.根据权利要求1所述的脊柱侧弯检测方法,其特征在于,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
4.根据权利要求1所述的脊柱侧弯检测方法,其特征在于,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移的极值点;
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
5.根据权利要求4所述的脊柱侧弯检测方法,其特征在于,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
6.一种脊柱侧弯检测装置,其特征在于,包括:
中心点检测模块,用于采集脊柱X射线图像,对所述图像中的椎体进行关键点标注,以椎体4个端点处关键点的最小外接圆圆心为椎体中心点,将所述图像缩至一定尺寸后对椎体中心点检测模型进行训练;
椎体提取模块,用于将待测脊柱X射线图像输入训练好的椎体中心点检测模型,得到每个椎体的中心点,基于每个椎体的中心点和设定尺寸获取每个椎体的图像;
关键点更新模块,用于将每个椎体的图像输入训练好的关键点检测模型,得到每个椎体的关键点坐标,计算椎体4个端点处关键点的最小外接圆的圆心坐标,得到更新后的椎体中心点坐标;
参数计算模块,用于计算更新后的椎体中心点的拟合曲线,基于计算所述拟合曲线的横向极值点确定顶椎,并进一步计算脊柱侧弯参数。
7.根据权利要求6所述的脊柱侧弯检测装置,其特征在于,椎体关键点包括三部分:第一部分为颈椎C7的两个钩突关键点;第二部分为腰椎L5与骶椎间的关节突关节关键点;第三部分为12节胸椎和5节腰椎共17节椎体四个端点的关键点。
8.根据权利要求6所述的脊柱侧弯检测装置,其特征在于,所述关键点检测模型包括:
第一关键点检测模型,用于检测颈椎C7的两个钩突关键点;
第二关键点检测模型,用于检测腰椎L5与骶椎间的关节突关节关键点;
第三关键点检测模型,用于检测12节胸椎和5节腰椎共17节椎体四个端点的关键点。
9.根据权利要求6所述的脊柱侧弯检测装置,其特征在于,所述基于所述拟合曲线的横向极值点确定顶椎,包括:
通过求解dx/dy=0,得到拟合曲线y=f(x)横向偏移的极值点;
求解与所述极值点距离最近的中心点,所述中心点对应的椎体为顶椎。
10.根据权利要求9所述的脊柱侧弯检测装置,其特征在于,Cobb角的计算方法包括:
从顶椎开始向上扫描各个椎体,找到上端面斜率k1绝对值最大的椎体即上端椎;
从顶椎开始向下扫描各个椎体,找到下端面斜率k2绝对值最大的椎体即下端椎;
基于k1、k2计算上端椎的上端面与下端椎的下端面的夹角,得到Cobb角;其中,k1、k2分别通过计算椎体上端面和下端面对应的2个端点的连线的斜率得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859448.3A CN115222937A (zh) | 2022-07-21 | 2022-07-21 | 一种脊柱侧弯检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859448.3A CN115222937A (zh) | 2022-07-21 | 2022-07-21 | 一种脊柱侧弯检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222937A true CN115222937A (zh) | 2022-10-21 |
Family
ID=83614008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859448.3A Pending CN115222937A (zh) | 2022-07-21 | 2022-07-21 | 一种脊柱侧弯检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222937A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713661A (zh) * | 2022-11-29 | 2023-02-24 | 湘南学院 | 一种脊柱侧弯Lenke分型系统 |
CN115880281A (zh) * | 2023-01-20 | 2023-03-31 | 山西省财政税务专科学校 | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 |
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 |
CN117893694A (zh) * | 2024-03-15 | 2024-04-16 | 北京大学第三医院(北京大学第三临床医学院) | 一种寰枢椎脱位的治疗方案推荐方法和系统 |
-
2022
- 2022-07-21 CN CN202210859448.3A patent/CN115222937A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713661A (zh) * | 2022-11-29 | 2023-02-24 | 湘南学院 | 一种脊柱侧弯Lenke分型系统 |
CN115880281A (zh) * | 2023-01-20 | 2023-03-31 | 山西省财政税务专科学校 | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 |
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 |
CN117893694A (zh) * | 2024-03-15 | 2024-04-16 | 北京大学第三医院(北京大学第三临床医学院) | 一种寰枢椎脱位的治疗方案推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320288B (zh) | 一种特发性脊柱侧凸影像的数据处理方法 | |
CN115222937A (zh) | 一种脊柱侧弯检测方法及装置 | |
JP5603859B2 (ja) | 対象脊椎の側面図のデジタル化された画像を自動的に解析する解析システムの制御方法 | |
Peng et al. | Automated vertebra detection and segmentation from the whole spine MR images | |
CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
KR101090375B1 (ko) | 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ct 영상 분석의 자동화 방법, 기록 매체 및 장치 | |
KR102062539B1 (ko) | 딥러닝 기반의 요추 질환 보조 진단 방법 | |
JP6426608B2 (ja) | 解析モルフォミクス:高速医用画像自動解析法 | |
CN110946652B (zh) | 一种骨螺钉的钉道规划方法和装置 | |
CN109615642A (zh) | 一种放疗计划中的危及器官自动勾画方法及装置 | |
US20200121279A1 (en) | Method and device for measuring spinal column curvature | |
CN110772255A (zh) | 基于姿态与位置传感器的人体脊柱侧弯角度的测量方法 | |
CN112258516A (zh) | 一种脊柱侧弯图像检测模型的生成方法 | |
AU2018301578A1 (en) | Method for detecting spinal deformity using three-dimensional ultrasonic imaging | |
CN115187606B (zh) | 一种青少年特发性脊柱侧凸pumc分型方法 | |
CN115880281A (zh) | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 | |
CN117838097A (zh) | 一种基于关键点检测的脊柱畸形分析系统 | |
CN112927213B (zh) | 一种医学图像分割方法、介质及电子设备 | |
KR101251822B1 (ko) | 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법 | |
Bayram et al. | Diffract: Diaphyseal femur fracture classifier system | |
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 | |
CN109145977B (zh) | 一种基于朴素贝叶斯的骨骼受损类型判别方法 | |
Fan et al. | Automated assessment of mandibular shape asymmetry in 3-dimensions | |
KR20110090213A (ko) | 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ct 영상 분석의 자동화 방법,장치 및 기록매체 | |
Mangal et al. | Tomographic similarity scan with a computed modified absolute mandibular midsagittal plane for precise and objective localization of mandibular asymmetry |
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 |