CN115588020A - 一种颅骨ct图像的多类型骨折特征检测和区域分割方法 - Google Patents
一种颅骨ct图像的多类型骨折特征检测和区域分割方法 Download PDFInfo
- Publication number
- CN115588020A CN115588020A CN202211287959.9A CN202211287959A CN115588020A CN 115588020 A CN115588020 A CN 115588020A CN 202211287959 A CN202211287959 A CN 202211287959A CN 115588020 A CN115588020 A CN 115588020A
- Authority
- CN
- China
- Prior art keywords
- skull
- image
- fracture
- characteristic detection
- region segmentation
- 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.)
- Withdrawn
Links
- 210000003625 skull Anatomy 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims description 66
- 230000011218 segmentation Effects 0.000 title claims description 50
- 206010017076 Fracture Diseases 0.000 claims abstract description 107
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 95
- 208000028979 Skull fracture Diseases 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 14
- 238000011282 treatment Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000002591 computed tomography Methods 0.000 claims description 95
- 230000007246 mechanism Effects 0.000 claims description 20
- 208000027418 Wounds and injury Diseases 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 12
- 208000014674 injury Diseases 0.000 claims description 12
- 230000003902 lesion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 210000003128 head Anatomy 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 210000000537 nasal bone Anatomy 0.000 claims description 4
- 210000000103 occipital bone Anatomy 0.000 claims description 4
- 210000003455 parietal bone Anatomy 0.000 claims description 4
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000001154 skull base Anatomy 0.000 claims description 3
- 210000004373 mandible Anatomy 0.000 claims description 2
- 210000002050 maxilla Anatomy 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 206010019196 Head injury Diseases 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000013399 early diagnosis Methods 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000399 orthopedic effect Effects 0.000 abstract 1
- 238000012512 characterization method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000034656 Contusions Diseases 0.000 description 1
- 208000005250 Spontaneous Fractures Diseases 0.000 description 1
- 206010049514 Traumatic fracture Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000009519 contusion Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 210000001847 jaw Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000472 traumatic effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种在颅骨CT图像中多种类型骨折的特征检测和区域分割方法，能够在颅骨中不同位置区分多种骨折的特征和精确分割骨折的区域，应用于医学图像处理领域和医院临床诊断场景。本发明的方法包括从CT设备获取头颅的CT影像，对所述的颅骨图像预处理和数据增强，构建颅骨中骨质结构图像块的数据，设计神经网络提取不同类型颅骨骨折的特征，进行多种类型颅骨骨折的特征检测，最终能够在颅骨CT图像局部区域中精确骨折分割，为骨科医生进行头部创伤患者的临床筛查和早期诊疗方案制定，提供了一种有效的多类型骨折特征检测和区域分割的方法。
Description
技术领域
本发明属于计算机图像处理技术领域，具体涉及一种颅骨CT图像的多类型骨折特征检测和区域分割方法。
背景技术
颅骨骨折是常见的脑部疾病，可导致许多危急和威胁生命的并发症，破碎的颅骨碎片会挫伤大脑或损伤血管，所以及时准确地筛查出颅骨骨折对头部外伤诊断和治疗十分重要。医学影像是由能量和人体组织相互作用而形成的，不同形式的能量用于医学成像形成了多种成像方法和不同模态的医学影像数据。临床上医生普遍采用多种X射线医学影像辅助骨折分析，进而对骨折的类型和位置做出准确诊断，X射线投影成像是将三维物体投影到二维平面上，容易造成投影方向上的信息互相重叠而难以区别。X射线计算机断层成像(Computed Tomography,CT)是借助计算机依据不同投影方向扫描得到的衰减强度数据重建出扫描平面的断层图像，将感兴趣区域的细微灰度差变换为屏幕上人眼可辨的像素差，能够对密度差异小的不同软组织进行区分，具有密度分辨率高和图像无重叠的优点，为许多外伤性和炎性颅内病变提供诊断的影像依据，对于头部损伤的患者，CT为医学影像检查的首选。
颅骨骨折通常被观察为颅骨中的狭缝和错位，并且以不同的形式存在于不同的位置，常见的包括上、下颌骨骨折、鼻骨骨折、枕骨骨折和顶骨骨折等种类，病灶区域位于颅骨的多个位置，主要有线性骨折、凹陷性骨折、分离性骨折和基底性骨折等多种形式，临床表征为骨断端异常移位和挫裂，这种颅骨中的多类型骨折给临床上精确诊断面临困难。
由于CT成像设备的组成和特点，CT图像中存在系统噪声和伪影，降低了图像的对比度，影响了颅骨骨折的特征检测和病灶区域定位。临床上通过肉眼观察CT图像对患者进行骨折筛查，不同医生可能给出不同的结论，并且半定量的评估方法所需的计算工作量较大。
发明内容
解决的技术问题：本发明针对现有问题，模拟医生观察CT切片诊断的过程，提出一种颅骨CT图像的多类型骨折特征检测和区域分割方法，进行多种类型颅骨骨折的特征检测，最终能够在颅骨CT图像局部区域中精确骨折分割，为患者制定更合理的治疗方案。
技术方案：
一种颅骨CT图像的多类型骨折特征检测和区域分割方法，所述方法包括以下步骤：
S1，对头颅骨折患者进行CT扫描，从CT设备采集影像并获取一定量的颅骨CT图像数据信息；
S2，对颅骨CT图像进行预处理；具体地，对颅骨CT图像进行数据增强处理，以提高CT图像的对比度和突出颅骨的骨质边缘，并对数据增强处理后的颅骨CT图像中的不同位置不同类型的骨折进行标注，生成颅骨CT图像数据集；
S3，从颅骨CT图像数据集的颅骨CT图像中提取得到头骨部分的骨架结构，将骨架连通区域细化为中心线，以中心线上的像素点为感兴趣区域的中心点选取图像块，构建得到颅骨骨质结构ROI图像块样本数据，以去除颅骨CT图像中头骨外的干扰因素；
S4，基于神经网络构建骨折特征检测模型，将已构建的颅骨结构图像块样本数据输入到骨折特征检测模型，对骨折特征检测模型进行训练；
所述骨折特征检测模型包括编码器、解码器、方向注意力机制模块和预测输出层；颅骨骨质结构ROI图像块样本数据经过由多个卷积层组成的编码器进行下采样，再经过方向注意力机制模块和多个反卷积层组成的解码器进行上采样；其中编码器的第i层和解码器的最后n-i层通过跳跃连接方式进行特征图的计算操作，以提取得到颅骨骨质结构ROI图像块样本数据中的骨折特征；在方向注意力机制模块中通过先验的位置信息进行通道和空间相邻关系编码，对颅骨CT图像中可能存在的多种类型的骨折进行区分和检测，最后通过预测输出层得到颅骨CT图像中骨折检测和区域分割结果；n为编码器和解码器的总层数，i＝1,2,…,n-1；
S5，对实时采集的头骨损伤患者的颅骨CT图像进行处理，得到相应的颅骨骨质结构ROI图像块，将颅骨骨质结构ROI图像块导入训练完成的骨折特征检测模型，得到颅骨CT图像的骨折检测和区域分割结果；
S6，根据骨折检测和区域分割结果对头骨损伤患者的骨折病灶进行分型和精确病灶区域分割。
进一步地，所述区域分割结果的类型包括上颌骨、下颌骨、鼻骨、枕骨和顶骨。
进一步地，步骤S1中，对头颅骨折患者进行CT扫描，从CT设备采集影像并获取一定量的颅骨CT图像数据信息包括以下子步骤：
在对头骨损伤患者进行头部CT扫描过程中，待头骨损伤患者平躺仰卧后先扫定位片确定扫描范围，再进行横断面连续或者序列扫描，扫描层厚为5～10mm，根据头骨损伤患者头颅的位置调整扫描机架倾斜角度，使射线方向与颅底平行摄取平扫图像。
进一步地，步骤S2中，对颅骨CT图像进行数据增强处理的过程包括以下子步骤：
采用自适应直方图均衡和各向异性扩散滤波方式，去除颅骨CT图像中的随机噪声和射线束硬化伪影，滤除图像中颅骨边缘的噪声点；根据DICOM格式数据标签或者原始像素值，调节颅骨CT图像的窗宽和窗位，将原始像素映射到8比特图像。
进一步地，步骤S3中，从颅骨CT图像数据集的颅骨CT图像中提取得到头骨部分的骨架结构，将骨架连通区域细化为中心线的过程包括以下子步骤：
S31，将颅骨CT图像Iskull将转换为灰度图，将像素值中位数作为阈值Threspixel进行二值化处理得到图像Ibin；
S32，对于图像Ibin中的任意一个像素点pi∈Ibin，将其在二维平面的8个邻域点的像素值按照自左到右、自上而下的顺序分别为表示为pi-4，pi-3，pi-2，pi-1，pi+1，pi+2，pi+3，pi+4；
S33，对像素点pi进行分析，若满足以下条件中的任意一个：(1)2≤pi-4+pi-3+pi-2+pi-1+pi+1+pi+2+pi+3+pi+4≤6；(2)pi-4至pi+4的顺序排列中存在01模式的数量为1，即只存在一种相邻两者像素不同情况；(3)pi-3×pi+1×pi+3＝0；(4)pi+1×pi+3×pi-1＝0，则将该像素点pi赋值为0；
S34，重复步骤S32和S33，经过多次迭代运算删除颅骨CT图像中轮廓点和头骨外的其余干扰因素，保留得到颅骨CT图像中骨质结构的中心线。
进一步地，对骨折特征检测模型进行训练的过程包括以下子步骤：
以颅骨CT图像中骨架结构中心线上的像素点pi作为固定大小的滑动窗口的几何中心点，从颅骨CT图像Iskull中截取骨质结构的图像块，构建包含颅骨骨质结构ROI图像块数据作为骨折特征检测模型的输入Head CT图像Iin；
采用编码器对图像Iin进行多次下采样提取得到颅骨CT图像的高维特征图Fmid，通过方向注意力机制模块和解码器的多次上采样后由预测输出层得到骨折特征检测结果Fdet；
将多层CT切片堆叠后重建得到骨折区域分割结果Maskseg，将骨折区域分割结果Maskseg和放射科医生标注的真值Masklabel进行比较并计算损失Loss函数，对神经网络的参数进行优化，使骨折特征检测模型的骨折特征检测和区域分割的预测结果不断接近临床医生的诊断水平。
进一步地，所述n等于4。
进一步地，步骤S6中，临床放射科医师或者骨科医生通过观察实际的颅骨CT图像，结合神经网络输出得到的多种类型颅骨骨折特征检测和分割的结果，对头骨损伤患者的骨折病灶进行分型和精确病灶区域分割，确定患者的骨折情况后制定有效的治疗方案。
有益效果：
第一，本发明的颅骨CT图像的多类型骨折特征检测和区域分割方法，设计方向注意力机制网络模块，结合了不同类型颅骨骨折的影像学信息，构建了含有编码器、解码器和方向注意力机制(OAT)网络模块的神经网络，充分发挥神经网络的图像表征的优势，有助于提高颅骨骨折的检出率。
第二，本发明的颅骨CT图像的多类型骨折特征检测和区域分割方法，实现了颅骨CT图像中自动化骨折特征检测和区域分割，为病理性和创伤性骨折患者的临床筛查和治疗方案制定提供了有效的技术支持。
第三，本发明的颅骨CT图像的多类型骨折特征检测和区域分割方法，采用方向注意力机制网络模块以及构建的颅骨结构图像块用于训练和优化神经网络是本方法的独特之处，显著减少了训练样本数量，更加注重颅骨骨折在方向上的不连续性，方法可以对颅骨CT图像中骨折特征检测，得到多种类型骨折的病灶位置区域的分割结果。
附图说明
图1为本发明实施例的颅骨CT图像的多类型骨折特征检测和区域分割方法流程图；
图2为颅骨CT图像的骨架结构中心线提取示意图。其中，图(a)颅骨CT图像的横断面，图(b)颅骨CT图像二值化结果，图(c)颅骨CT图像的骨架结构中心线。
图3为骨折特征检测模型的框架图，主要包括了编码器、解码器和方向注意力机制(OAT)等网络模块，以及Head CT、Feature detection、Segmentation mask、Ground truth等数据。根据颅骨结构图像块和对应的标注信息作为神经网络的输入，得到的预测区域分割结果Segmentation mask与真值Ground truth计算损失Loss函数。
图4为骨折特征检测模型的方向注意力机制(OAT)网络结构图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
参见图1，本实施例公开了一种颅骨CT图像的多类型骨折特征检测和区域分割方法，所述方法包括以下步骤：
S1，对头颅骨折患者进行CT扫描，从CT设备采集影像并获取一定量的颅骨CT图像数据信息。
S2，对颅骨CT图像进行预处理；具体地，对颅骨CT图像进行数据增强处理，以提高CT图像的对比度和突出颅骨的骨质边缘，并对数据增强处理后的颅骨CT图像中的不同位置不同类型的骨折进行标注，生成颅骨CT图像数据集。
S3，从颅骨CT图像数据集的颅骨CT图像中提取得到头骨部分的骨架结构，将骨架连通区域细化为中心线，以中心线上的像素点为感兴趣区域的中心点选取图像块，构建得到颅骨骨质结构ROI图像块样本数据，以去除颅骨CT图像中头骨外的干扰因素。
S4，基于神经网络构建骨折特征检测模型，将已构建的颅骨结构图像块样本数据输入到骨折特征检测模型，对骨折特征检测模型进行训练。
所述骨折特征检测模型包括编码器、解码器、方向注意力机制模块和预测输出层；颅骨骨质结构ROI图像块样本数据经过由多个卷积层组成的编码器进行下采样，再经过方向注意力机制模块和多个反卷积层组成的解码器进行上采样；其中编码器的第i层和解码器的最后n-i层通过跳跃连接方式进行特征图的计算操作，以提取得到颅骨骨质结构ROI图像块样本数据中的骨折特征；在方向注意力机制模块中通过先验的位置信息进行通道和空间相邻关系编码，对颅骨CT图像中可能存在的多种类型的骨折进行区分和检测，最后通过预测输出层得到颅骨CT图像中骨折检测和区域分割结果；n为编码器和解码器的总层数，i＝1,2,…,n-1。
S5，对实时采集的头骨损伤患者的颅骨CT图像进行处理，得到相应的颅骨骨质结构ROI图像块，将颅骨骨质结构ROI图像块导入训练完成的骨折特征检测模型，得到颅骨CT图像的骨折检测和区域分割结果。
S6，根据骨折检测和区域分割结果对头骨损伤患者的骨折病灶进行分型和精确病灶区域分割。
具体步骤如下：
步骤1，对患有颅骨骨折的病人进行CT头部扫描进行颅脑CT检查，从CT设备中采集影像并获取CT图像数据信息。
在对病人进行头部CT扫描过程中，待病人平躺仰卧后先扫定位片确定扫描范围，再进行横断面连续或者序列扫描，扫描层厚为5～10mm，根据病人头颅的位置调整扫描机架适当倾斜，使射线方向与颅底平行摄取平扫图像。
步骤2，对颅骨CT图像预处理，具有多年丰富临床经验的放射科医师在图像的不同位置中标注出多种类型的骨折，通过数据增强方法提高CT图像的对比度和突出颅骨的骨质边缘。
采用自适应直方图均衡和各向异性扩散滤波方式，去除颅骨CT图像中的随机噪声和射线束硬化伪影，滤除图像中颅骨边缘的噪声点。根据DICOM格式数据标签或者原始像素值，调节颅骨CT图像的窗宽和窗位，将原始像素映射到8比特图像。采用限制对比度的自适应直方图均衡方法进行图像增强，提高颅骨CT图像对比度同时抑制噪声影响，使图像中骨质结构更明显。
步骤3，在颅骨CT图像中提取图像中头骨部分的骨架结构，将骨架连通区域细化为中心线，以中心线上的点为感兴趣区域(Region of Interest，ROI)的中心点选取的图像块，构建颅骨结构图像块的数据，去除图像中头骨外的干扰因素。
颅骨CT图像通过骨架结构提取过程将头骨以外的其他部分去除，沿骨架中心线以预设的尺寸裁剪出包含骨质结构的图像块用于神经网络的骨折特征检测和区域分割。根据放射科医生在颅骨CT图像中标注的骨折类别数据，在对应图像块中可以得到多种类型的颅骨骨折信息，赋予了图像块以正常和骨折区域的分类标签。
参见图2，首先将颅骨CT图像Iskull转换成灰度图，将像素值中位数作为阈值Threspixel进行二值化处理得到图像Ibin，对于图像内任意一个像素点pi∈Ibin，其在二维平面的8个邻域点的像素值按照自左到右、自上而下的顺序分别为表示为pi-4，pi-3，pi-2，pi-1，pi+1，pi+2，pi+3，pi+4，若满足条件(1)2≤pi-4+pi-3+pi-2+pi-1+pi+1+pi+2+pi+3+pi+4≤6；(2)pi-4至pi+4的顺序排列中存在01模式的数量为1，即只存在一种相邻两者像素不同情况；(3)pi-3×pi+1×pi+3＝0；(4)pi+1×pi+3×pi-1＝0，则将该像素点pi赋值为0，经过多次迭代运算删除颅骨CT中轮廓点和头骨外的其余干扰因素，保留了图像中骨质结构的中心线。
以颅骨CT图像中骨架结构中心线上的像素点pi作为固定大小的滑动窗口的几何中心点，从颅骨CT图像Iskull中截取骨质结构的图像块，构建包含颅骨骨质结构ROI图像块数据作为骨折特征检测和区域分割神经网络的输入Head CT图像Iin。
步骤4，将已构建的颅骨ROI图像块数据输入到设计的骨折特征检测和区域分割的神经网络，神经网络主要包括由多个卷积层组成的编码器、方向注意力机制模块(OAT)、多个反卷积层组成的解码器和预测输出层。图3为骨折特征检测模型的框架图。Iin通过编码器的多次下采样提取得到颅骨CT图像的高维特征图Fmid，然后通过方向注意力机制模块和解码器的多次上采样后由预测输出层得到骨折特征检测结果Fdet，其中编码器的第一层和解码器的最后一层通过跳跃连接方式进行特征图的计算操作，依此类推。多层CT切片堆叠后可以重建得到骨折区域分割Segmentation mask的结果Maskseg，将Maskseg和放射科医生标注的真值Masklabel进行比较并计算损失Loss函数对神经网络的参数优化。通过神经网络的训练和优化，使其能够提取骨折的高维特征，对多种骨折特征检测和区域分割，预测结果更接近临床医生的诊断，从而使本方法满足颅骨骨折分析的临床诊断需求。图4为骨折特征检测模型的方向注意力机制(OAT)网络结构图。
步骤5，神经网络提取的颅骨CT中骨折的高维度特征，在方向注意力机制模块中通过先验的位置信息进行通道和空间相邻关系编码，对图像中可能存在的多种类型的骨折进行区分和检测，包括上、下颌骨、鼻骨、枕骨和顶骨等类型。
步骤6，临床放射科医师或者骨科医生通过观察实际的颅骨CT图像，结合神经网络输出得到的多种类型颅骨骨折特征检测和分割的结果，对头骨损伤患者的骨折病灶进行分型和精确区域分割，确定患者的骨折情况后制定有效的治疗方案。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，所述方法包括以下步骤：
S1，对头颅骨折患者进行CT扫描，从CT设备采集影像并获取一定量的颅骨CT图像数据信息；
S2，对颅骨CT图像进行预处理；具体地，对颅骨CT图像进行数据增强处理，以提高CT图像的对比度和突出颅骨的骨质边缘，并对数据增强处理后的颅骨CT图像中的不同位置不同类型的骨折进行标注，生成颅骨CT图像数据集；
S3，从颅骨CT图像数据集的颅骨CT图像中提取得到头骨部分的骨架结构，将骨架连通区域细化为中心线，以中心线上的像素点为感兴趣区域的中心点选取图像块，构建得到颅骨骨质结构ROI图像块样本数据，以去除颅骨CT图像中头骨外的干扰因素；
S4，基于神经网络构建骨折特征检测模型，将已构建的颅骨结构图像块样本数据输入到骨折特征检测模型，对骨折特征检测模型进行训练；
所述骨折特征检测模型包括编码器、解码器、方向注意力机制模块和预测输出层；颅骨骨质结构ROI图像块样本数据经过由多个卷积层组成的编码器进行下采样，再经过方向注意力机制模块和多个反卷积层组成的解码器进行上采样；其中编码器的第i层和解码器的最后n-i层通过跳跃连接方式进行特征图的计算操作，以提取得到颅骨骨质结构ROI图像块样本数据中的骨折特征；在方向注意力机制模块中通过先验的位置信息进行通道和空间相邻关系编码，对颅骨CT图像中可能存在的多种类型的骨折进行区分和检测，最后通过预测输出层得到颅骨CT图像中骨折检测和区域分割结果；n为编码器和解码器的总层数，i＝1,2,…,n-1；
S5，对实时采集的头骨损伤患者的颅骨CT图像进行处理，得到相应的颅骨骨质结构ROI图像块，将颅骨骨质结构ROI图像块导入训练完成的骨折特征检测模型，得到颅骨CT图像的骨折检测和区域分割结果；
S6，根据骨折检测和区域分割结果对头骨损伤患者的骨折病灶进行分型和精确病灶区域分割。
2.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，所述区域分割结果的类型包括上颌骨、下颌骨、鼻骨、枕骨和顶骨。
3.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，步骤S1中，对头颅骨折患者进行CT扫描，从CT设备采集影像并获取一定量的颅骨CT图像数据信息包括以下子步骤：
在对头骨损伤患者进行头部CT扫描过程中，待头骨损伤患者平躺仰卧后先扫定位片确定扫描范围，再进行横断面连续或者序列扫描，扫描层厚为5～10mm，根据头骨损伤患者头颅的位置调整扫描机架倾斜角度，使射线方向与颅底平行摄取平扫图像。
4.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，步骤S2中，对颅骨CT图像进行数据增强处理的过程包括以下子步骤：
采用自适应直方图均衡和各向异性扩散滤波方式，去除颅骨CT图像中的随机噪声和射线束硬化伪影，滤除图像中颅骨边缘的噪声点；根据DICOM格式数据标签或者原始像素值，调节颅骨CT图像的窗宽和窗位，将原始像素映射到8比特图像。
5.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，步骤S3中，从颅骨CT图像数据集的颅骨CT图像中提取得到头骨部分的骨架结构，将骨架连通区域细化为中心线的过程包括以下子步骤：
S31，将颅骨CT图像Iskull将转换为灰度图，将像素值中位数作为阈值Threspixel进行二值化处理得到图像Ibin；
S32，对于图像Ibin中的任意一个像素点pi∈Ibin，将其在二维平面的8个邻域点的像素值按照自左到右、自上而下的顺序分别为表示为pi-4，pi-3，pi-2，pi-1，pi+1，pi+2，pi+3，pi+4；
S33，对像素点pi进行分析，若满足以下条件中的任意一个：(1)2≤pi-4+pi-3+pi-2+pi-1+pi+1+pi+2+pi+3+pi+4≤6；(2)pi-4至pi+4的顺序排列中存在01模式的数量为1，即只存在一种相邻两者像素不同情况；(3)pi-3×pi+1×pi+3＝0；(4)pi+1×pi+3×pi-1＝0，则将该像素点pi赋值为0；
S34，重复步骤S32和S33，经过多次迭代运算删除颅骨CT图像中轮廓点和头骨外的其余干扰因素，保留得到颅骨CT图像中骨质结构的中心线。
6.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，对骨折特征检测模型进行训练的过程包括以下子步骤：
以颅骨CT图像中骨架结构中心线上的像素点pi作为固定大小的滑动窗口的几何中心点，从颅骨CT图像Iskull中截取骨质结构的图像块，构建包含颅骨骨质结构ROI图像块数据作为骨折特征检测模型的输入Head CT图像Iin；
采用编码器对图像Iin进行多次下采样提取得到颅骨CT图像的高维特征图Fmid，通过方向注意力机制模块和解码器的多次上采样后由预测输出层得到骨折特征检测结果Fdet；
将多层CT切片堆叠后重建得到骨折区域分割结果Maskseg，将骨折区域分割结果Maskseg和放射科医生标注的真值Masklabel进行比较并计算损失Loss函数，对神经网络的参数进行优化，使骨折特征检测模型的骨折特征检测和区域分割的预测结果不断接近临床医生的诊断水平。
7.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，所述n等于4。
8.根据权利要求1所述的颅骨CT图像的多类型骨折特征检测和区域分割方法，其特征在于，步骤S6中，临床放射科医师或者骨科医生通过观察实际的颅骨CT图像，结合神经网络输出得到的多种类型颅骨骨折特征检测和分割的结果，对头骨损伤患者的骨折病灶进行分型和精确病灶区域分割，确定患者的骨折情况后制定有效的治疗方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287959.9A CN115588020A (zh) | 2022-10-20 | 2022-10-20 | 一种颅骨ct图像的多类型骨折特征检测和区域分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287959.9A CN115588020A (zh) | 2022-10-20 | 2022-10-20 | 一种颅骨ct图像的多类型骨折特征检测和区域分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115588020A true CN115588020A (zh) | 2023-01-10 |
Family
ID=84779931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211287959.9A Withdrawn CN115588020A (zh) | 2022-10-20 | 2022-10-20 | 一种颅骨ct图像的多类型骨折特征检测和区域分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115588020A (zh) |
-
2022
- 2022-10-20 CN CN202211287959.9A patent/CN115588020A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7916912B2 (en) | Efficient border extraction of image feature | |
| US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
| CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| CA2188394C (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
| KR101216259B1 (ko) | 진단 지원 장치, 진단 지원 장치의 제어 방법, 및 진단 지원 시스템 | |
| US5133020A (en) | Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images | |
| DK2807630T3 (en) | Processing and display of a breast image | |
| Kumar et al. | Descriptive analysis of dental X-ray images using various practical methods: A review | |
| JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
| JP2005199057A (ja) | 肺画像データの位置合わせのための方法及び装置 | |
| CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
| Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
| CN110738633A (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
| KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
| Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
| CN115588020A (zh) | 一种颅骨ct图像的多类型骨折特征检测和区域分割方法 | |
| CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
| WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
| CN113838020A (zh) | 一种基于钼靶影像的病变区域量化方法 | |
| Derbel et al. | A multi-view deep convolutional neural network for reduction of false positive findings in breast cancer screening | |
| CN115132357B (zh) | 基于医学影像图预测目标疾病指标状态的装置 | |
| CN115568873B (zh) | 一种ct影像自动调整方法 | |
| CN110211104B (zh) | 一种用于肺部肿块计算机辅助检测的图像分析方法和系统 | |
| CN116797731A (zh) | 一种基于人工智能的口腔cbct影像截面生成方法 | |
| Lo et al. | Off-line mammography screening system embedded with hierarchically-coarse-to-fine techniques for the detection and segmentation of clustered microcalcifications |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230110 |