CN115690498B - 椎体骨密度确认方法、装置、电子设备及存储介质 - Google Patents
椎体骨密度确认方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115690498B CN115690498B CN202211343116.6A CN202211343116A CN115690498B CN 115690498 B CN115690498 B CN 115690498B CN 202211343116 A CN202211343116 A CN 202211343116A CN 115690498 B CN115690498 B CN 115690498B
- Authority
- CN
- China
- Prior art keywords
- cone
- vertebral body
- image
- result
- 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.)
- Active
Links
- 230000037182 bone density Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012790 confirmation Methods 0.000 title claims description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 150
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 63
- XYJRXVWERLGGKC-UHFFFAOYSA-D pentacalcium;hydroxide;triphosphate Chemical group [OH-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O XYJRXVWERLGGKC-UHFFFAOYSA-D 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 40
- 238000002372 labelling Methods 0.000 claims description 20
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 description 10
- 238000001739 density measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 230000001054 cortical effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 229910052588 hydroxylapatite Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 206010039722 scoliosis Diseases 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种椎体骨密度确认方法、装置、设备及存储介质,获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种椎体骨密度确认方法、装置、电子设备及存储介质。
背景技术
骨密度的测量值可以用来评估和诊断骨质疏松,帮助骨质减少、骨折风险增高的人提前预防骨折的发生。常规电子计算机断层扫描(Computed Tomography,CT)对骨质疏松的诊断主要依赖诊断医师的主观判断,并不能客观反映骨密度的变化。研究发现CT值并不是评估骨密度或骨量的良好指标,并且不同厂家机器对同一密度的纯物质所测得的CT值差异较大。
发明内容
本公开提供了一种椎体骨密度确认方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供一种椎体骨密度确认方法,包括:
获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;
基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;
基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域(Volum of Interest,VOI);
基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值(亨氏单位值),确认各椎体骨密度。
上述方案中,所述CT影像中至少一块椎体的椎体分类结果和椎体定位结果基于多目标检测模型获得,所述获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果,包括:
将所述CT影像输入至所述多目标检测模型中,获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率。
上述方案中,所述获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率之后,所述方法还包括:
基于先验信息对所述至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率进行更新。
上述方案中,所述获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果之前,所述方法还包括:
将样本图像输入至所述多目标检测模型中,获取所述样本图像对应的各椎体的椎体预测分类结果、椎体预测定位结果和各椎体分类结果的预测概率;
基于所述样本图像对应各椎体的椎体标注分类结果、椎体标注定位结果、椎体预测定位结果和各椎体分类结果的预测概率,调整所述多目标检测模型的参数。
上述方案中,所述CT影像中至少一块椎体的椎体分割结果基于椎体分割模型获得,所述基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果,包括:
基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;
将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;
基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
上述方案中,所述基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果之前,所述方法还包括:
将区域样本图像输入至所述椎体分割模型中,确认所述椎体分割模型的输出为所述区域样本图像对应的预测分割结果;
基于所述预测分割结果和区域样本图像对应的标注分割结果,调整所述椎体分割模型的参数。
上述方案中,所述基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI,包括:
基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角;
基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI。
上述方案中,所述基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角,包括对每一块椎体执行以下操作:
确认椎体的椎体分割结果对应的有向包围盒的轴线方向和轴对齐包围盒的轴线方向;
基于所述有向包围盒的轴线方向和轴对齐包围盒的轴线方向,确认所述椎体相对于预设方向的夹角。
上述方案中,所述基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI,包括对每一个椎体执行以下操作:
基于椎体相对于预设方向的夹角和椎体质心,获得旋转后的椎体;
在旋转后的椎体的质心层面,根据设定的椭球确认所述椎体的VOI。
根据本公开的第二方面,提供一种椎体骨密度确认装置,所述装置包括:
分类单元,用于获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;
分割单元,用于基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;
确认单元,用于基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;
椎体骨密度确认单元,用于基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度。
根据本公开的第三方面,提供了一种电子设备,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;其中,
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所述的方法。
根据本公开的第四方面,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,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的椎体骨密度确认方法,通过获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度。如此,可以无需人工操作准确地确认各椎体骨松质的VOI,进而确认各椎体的骨密度;此外,在确认各椎体骨松质的VOI过程中,首先获取各椎体的椎体分类结果和椎体定位结果,基于椎体分类结果和椎体定位结果进一步进行椎体分割,可以减少椎体分割时间。
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
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的椎体骨密度确认方法的一种可选流程示意图;
图2示出了本公开实施例提供的椎体分类结果示意图;
图3示出了本公开实施例提供的椎体分割结果的可选示意图;
图4示出了本公开实施例提供的椎体骨密度确认方法的另一种可选流程示意图;
图5示出了本公开实施例提供的椎体骨密度确认装置的可选结构示意图;
图6示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
能谱CT的物质分离技术以及单能成像都可以用于骨密度的测量。
物质分离:在能谱CT成像中,任何物质或者组织的吸收系数都可以转换成任意组合(基物质对)的吸收系数,并且不影响其衰减效应,将高、低两种能量扫描得到的X射线衰减图像表达为两种物质的密度图,这个过程便是物质分离。有效原子序数是能谱分析中对于无机物精确分析的方法,能够直接反映感兴趣区域(Region Of Interest,ROI)内部无机物的原子序数以及确定无机物的性质。在临床上,可用于分析和鉴别密度相似、CT值相近的物质,从而达到物质定量化分析。使用能谱CT对骨密度测量方法主要是测量椎体中的羟基磷灰石(HAP)的含量来代表骨密度(Bone Mineral Density,BMD)。
目前使用能谱CT测量骨密度时需要医生手动选择需要测量的椎体及其ROI区域,重复操作较多工作量较大,本发明提供一种椎体骨密度确认方法,可以识别椎体并提供椎体VOI区域,减轻了能谱CT在骨密度检测中的复杂操作。
相关技术中,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;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;对所述分割结果进行处理,得到松质骨区域;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。
上述方案是根据胸部平扫CT序列影像进行椎体检测及骨密度测量,在骨密度测量方法上依赖回归骨密度检测模型学习输入椎体ROI区域CT影像与真实骨密度值之间的关系,即学习CT值与骨密度之间关系与扫描参数及设备差异与骨密度之间的关系,其模型预测骨密度值与训练数据多样性尤为相关,若在训练数据中没有出现或出现量较少的CT设备或扫描参数则骨密度预测值很有可能会出现问题,即该方法的泛化性需要多种类型的大量数据支持。
相关技术是根据椎体分割结果确定胸12、腰1和腰2,且椎体分割模型的输入为脊椎区域图像,在对椎体分割模型中识别不同椎体仅依赖脊椎区域图像信息量比较少,不容易实现胸12、腰1和腰2椎体的确定。
且相关技术中,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,进而计算出脊椎倾斜的角度,遍历角度范围影响椎体倾斜角度计算泛化性,遍历角度间隔影响椎体倾斜角度计算准确性,若要提供精确椎体倾斜角度需要大量计算。
现有骨密度测量方法大部分采用双能X射线和定量CT,但都有各自的局限,随着CT技术的发展能谱CT可以计算ROI内部无机物的原子序数以及确定无机物的性质,可实现物质定量化精确分析,在骨密度测量中主要是测量椎体松质骨区域羟基磷灰石的含量,因此能谱CT可直接测量无机物羟基磷灰石HAP的含量来代表BMD,该骨密度测量方法无需QCT中体膜校正。相关技术中对于骨密度的测量方案较为复杂,实际操作中需要人工选择椎体并手动标注椎体松质骨区域ROI,根据ROI区域内CT值与骨密度之间映射关系计算得到骨密度值,在此操作中需要大量重复性人工复杂操作,骨密度测量效率较低。
针对相关技术中存在的缺陷,本公开提供一种椎体骨密度确认方法,包括使用多目标检测模型对椎体进行分类与定位,得到各椎体区域图像及椎体分类结果;对各椎体区域图像进行椎体分割,得到各椎体分割结果;根据椎体分割结果,对椎体松质骨区域勾画VOI区域;根据能谱CT羟基磷灰石对应的序列中VOI内CT值,计算得到椎体骨密度值。
图1示出了本公开实施例提供的椎体骨密度确认方法的一种可选流程示意图,将根据各个部分进行说明。
步骤S101,获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果。
在一些实施例中,所述CT影像可以是能谱CT输出DICOM中的影像序列,椎体骨密度确认装置(以下简称装置)将所述影像序列转换为三维数据形式,也就是说,CT影像为三维数据形式(三维图像)。所述装置基于多目标检测模型获得CT影像中至少一块椎体的椎体分类结果和椎体定位结果。
其中,所述多目标检测模型可以是三维的多目标检测模型,用于基于3DRetinaNet的三维图像识别,可以识别CT影像中至少一块三维形式的椎体(即对CT影像中至少一块椎体进行分类与定位,获得每一块椎体的椎体分类结果、椎体定位结果和各椎体分类结果的概率)。
在一些实施例中,所述装置获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果之前,还可以预先训练所述多目标检测模型,具体可以包括:将样本图像输入至所述多目标检测模型中,获取所述样本图像对应的各椎体的椎体预测分类结果、椎体预测定位结果和各椎体分类结果的预测概率;基于所述样本图像对应各椎体的椎体标注分类结果、椎体标注定位结果、椎体预测定位结果和各椎体分类结果的预测概率,调整所述多目标检测模型的参数。
其中,使用多目标检测模型获得各椎体分类与定位结果,需要预先标注样本图像中的各椎体的椎体标注定位结果(如在各椎体外围标注定位框)与椎体标注分类结果(即各椎体的类别),搭建如3D RetinaNet深度学习模型对经过图像预处理后的样本图像进行特征提取并预测样本图像中各椎体的椎体预测分类结果、椎体预测定位结果以及各椎体分类结果的预测概率,分别通过smoth L1loss和focalloss两种损失函数对椎体预测定位结果以及椎体预测分类结果与预先标注的椎体标注定位结果和椎体标注分类结果计算差异,通过优化函数及多次迭代优化得到用于椎体定位及分类的多目标检测模型及参数。
具体的图像预处理可以包括采用骨窗进行归一化以凸显椎体特征,图像增强方法采用图像随机裁剪、随机平移、随机缩放以及随机旋转,通过图像增强增加模型鲁棒性。在模型设计上因样本图像为三维图像为了保留CT图像的层与层之间信息采用三维卷积神经网络;结合椎体在人体中位置在图像裁剪及平移中尽可能保证输入的椎体不被切割,这里采用比较大的图像输入块;为了加快模型收敛,对预测概率在一定范围内对应对结果进行舍弃,例如预测概率在[0.3,0.6]之间表明该特征没有学习到比较好的信息,增加模型收敛速度,对该结果进行舍弃可以使模型加快收敛。
在一些实施例中,所述多目标检测模型训练完成之后,所述装置将所述CT影像输入至所述多目标检测模型中,获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率。
在一些可选实施例中,所述装置还可以基于先验信息对所述至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率进行更新。由于椎体的位置、序号(椎体分类结果)等信息都是客观存在的先验信息(如各椎体在人体中的位置、各椎体类别的唯一性,以及椎体连续性等),对于错误的椎体分类结果和椎体定位结果,可以通过所述先验信息进行调整。
在一些实施例中,所述装置还可以基于所述至少一块椎体的椎体定位结果将所述至少一块椎体对应的三维数据从所述CT影像中裁剪下来,每一块椎体都有唯一对应的单个椎体子图像,以及对应的椎体类别;所述单个椎体子图像用于椎体分割。
具体实施时,所述装置基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
由于椎体分割模型是无标注的模型,仅用于将单个椎体子图像中的椎体分割出来,而不会标注分割出的椎体(即椎体分割结果)的椎体类型,本公开提出的实施例中,对椎体分割结果进行椎体类别的映射(即确认每个椎体分割结果对应的椎体类别),可以在后续确认每块椎体的骨密度时得到各椎体骨松质区域可视化的效果,并可以根据需要手动调整VOI,即可以直观得到每一块椎体的位置、类别以及相应的骨密度,可提供医生对需要的椎体类别进行选择并计算其骨密度。
图2示出了本公开实施例提供的椎体分类结果示意图,本领域技术人员应当理解,图2中显示的是矢状位的二维数据,但实际应用中,CT影像为三维数据,每一块椎体对应的单个椎体子图像也为三维数据。
如图2所示,椎体外围的立方体为每一块椎体对应的椎体分类结果的标注(如第11胸椎、第12胸椎、第1腰椎、第2腰椎等),在进行裁剪时,基于椎体外围的立方体进行裁剪,获得单个椎体子图像。
也就是说,步骤S101的目的是通过多目标分类模型获取CT影像中每一块椎体对应的单个椎体子图像及其椎体类别,在后续进行椎体分割时,可以减少椎体分割时间和训练复杂度。
步骤S102,基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果。
在一些实施例中,所述CT影像中至少一块椎体的椎体分割结果基于椎体分割模型获得,所述装置需要训练椎体分割模型,包括:将区域样本图像输入至所述椎体分割模型中,确认所述椎体分割模型的输出为所述区域样本图像对应的预测分割结果;基于所述预测分割结果和区域样本图像对应的标注分割结果,调整所述椎体分割模型的参数。其中,所述区域样本图像可以经过步骤S101得到的单个椎体子图像。
具体实施时,首先标注样本图像中的各椎体像素级掩码,这里不需要对样本图像中各椎体进行区分,只在样本图像中标注出椎体部分和非椎体部分即可,减少标注难度及模型学习复杂度。
然后进行图像预处理,包括骨窗的数据增强,并通过多目标检测模型的椎体定位结果对输入的样本图像进行裁剪,得到各椎体图像块(即区域样本图像)及对应的椎体分类结果。将区域样本图像及对应的像素级掩码标注输入椎体分割模型进行训练,由dice损失函数计算椎体预测分割结果与真实标注之间差异,通过优化函数及多次迭代完成椎体分割模型参数优化。
这里相比于直接进行各椎体分割并进行椎体分类的多目标分割有明显优势,因为各椎体形态结构十分相似仅通过椎体区域进行分类不易区分,仍需要依赖人体其他器官等信息进行判断,如直接采用多目标分割模型在模型参数上不能满足同时学习局部精细特征与全局特征。
在一些实施例中,所述装置将所述每个椎体分类结果对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果。其中,所述椎体分割结果即椎体Mask标注。
在一些实施例中,所述装置基于所述至少一块椎体对应的单个椎体子图像获取至少一块椎体的椎体分割结果之后,还可以将所述椎体分割结果映射至所述CT影像中,以便后续确认各椎体骨松质的感兴趣区域。
图3示出了本公开实施例提供的椎体分割结果的可选示意图。
图3中左图为包括椎体数据的样本图像;右图为经过多目标检测模型和椎体分割模型后,样本图像中各椎体的分割结果,从图3右图中可以看出,此时分割出的各椎体仍然按照各椎体在人体中的位置,以及椎体连续性等信息排列在CT影像中。但是在获取各椎体骨密度时,需要确认各椎体的位姿,因此执行步骤S103。
步骤S103,基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域。
在一些实施例中,所述装置基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角;基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI。
具体实施时,所述每一块椎体相对于预设方向的夹角可以通过确认椎体的椎体分割结果对应的有向包围盒(Oriented Bounding Box,OBB)的轴线方向和轴对齐包围盒(Axis-Aligned Bounding Box,AABB)的轴线方向;基于所述有向包围盒的轴线方向和轴对齐包围盒的轴线方向,确认所述椎体相对于预设方向的夹角来确定,本领域技术人员应当理解,还可以通过其他方法确认椎体相对于预设方向的夹角。
在一些实施例中,所述装置还可以基于椎体相对于预设方向的夹角和椎体质心,获得旋转后的椎体;在旋转后的椎体的质心层面,根据设定的椭球确认所述椎体的VOI。
具体实施时,所述装置根据所述夹角对绕椎体质心旋转得到旋转后椎体,椎体质心可以根据椎体分割计算得到,在旋转后椎体质心层面根据预设的椭球各轴长度a、b、c勾画VOI。该计算角度方法更加精确,同时考虑了三维空间中椎体三个方向角,可以同时计算得到椎体固有的生理曲度及脊柱侧弯角度。
客观上,每块椎体外都有一层骨皮质组织,在计算骨密度时,需要排除骨皮质组织,计算骨皮质内部组织的骨密度。确认各椎体骨松质的VOI的目的就是确认骨皮质内部组织的区域。
步骤S104,基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度。
在一些实施例中,所述装置根据各椎体骨松质的VOI内羟基磷灰石序列HU值(CT值)计算得到各椎体骨密度值,该骨密度计算过程为能谱CT特点,无需深度学习模型拟合学习或无体膜校正过程表示真实松质骨区域骨含量。
如此,通过本公开实施例提供的椎体骨密度确认方法,依赖能谱CT的羟基磷灰石序列实现骨密度测量,现有依赖能谱CT测量骨密度需要手动勾画骨松质区,且需要进行椎体区分找到CT影像中所需椎体,该过程需要消耗大量人力成本,本公开实施例可使用计算机辅助方法实现椎体识别和骨松质区勾画。在椎体骨松质区勾画中,首先经过多目标检测模型得到各椎体区域图像(单个椎体子图像),再将椎体区域图像经过椎体精细分割(椎体分割模型)得到各椎体分割结果,再根据各椎体分割结果计算各椎体在空间中的位姿包括质心与方向角,最后通过各椎体的空间位姿和椎体识别结果在可用的椎体中勾画VOI。在椎体空间位姿计算方法中计算有向包围盒与轴对齐包围盒各方向轴之间夹角即为椎体旋转角度,该方法依据数据分布特点而不是图像形状特性规则,适普性更强且结果准确。
图4示出了本公开实施例提供的椎体骨密度确认方法的另一种可选流程示意图,将根据各个步骤进行说明。
步骤S401,基于多目标检测模型对CT图像中的各椎体进行分类和定位,得到各椎体的单个椎体子图像。
在一些实施例中,基于多目标检测模型得到CT影像的椎体分类编号(椎体分类结果)及各椎体定位结果,模型输入为经图像预处理及数据增强的CT影像,和椎体多目标检测标注的标注数据,经优化后的三维目标检测模型(如3D RetinaNet)学习训练得到多目标检测预测结果,包括椎体预测分类结果、椎体预测定位结果和各椎体分类结果的预测概率。由于椎体的唯一性及位置特点,对多目标检测模型预测结果进行优化,得到最终椎体分类结果及椎体定位结果。
通过对完整的平扫CT影像数据中的椎体进行多目标检测,输入信息完整使得分类的准确性得到保障;且通过椎体定位结果可减少椎体分割时间和训练复杂度。
其中,图像预处理可以包括骨窗增强预处理,数据增强可以包括对CT图像进行随机剪切、随机旋转、随机缩放、随机对比度变换等操作。
在一些实施例中,所述装置基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
步骤S402,对各椎体的单个椎体子图像进行分割处理,获得各椎体的椎体分割结果。
在一些实施例中,为了计算精确的椎体空间位置,需要对椎体进行精确分割。根据步骤S401得到椎体区域图像(单个椎体子图像)经过椎体分割模型得到椎体分割结果,搭建椎体分割模型(如3DUNet),模型输入为经预处理及数据增强的单个椎体子图像,模型输出为标注的椎体mask标注(椎体分割结果),椎体分割模型经过多次优化迭代得到优化好的椎体分割模型参数。该椎体分割模型由于其输入是经第一阶段(步骤S401)预处理裁剪得到的椎体区域图像,大大减少了椎体分割复杂度,且提高分割速度;且椎体分割模型的目标仅仅是进行了区分的单个椎体子图像中的椎体区域,无需考虑各椎体之间的区域。
步骤S403,根据椎体分割结果和椎体分类结果,确认各椎体骨松质的VOI。
在一些实施例中,因椎体生长特点及椎体生长异常,各椎体之间均有角度,且大小不一,为了计算与显示椎体VOI区域,需要知道椎体在空间中的位姿,包括位置及旋转矩阵。经过椎体分割结果和椎体分类结果对指定椎体的骨松质区域勾画VOI。
具体实施时,首先采用根据椎体分割mask对各个椎体计算有向包围盒轴线方向与轴对齐包围盒轴线方向,计算有向包围盒轴线方向与轴对齐包围盒轴线方向之间夹角即可计算出各椎体在三维空间中的方向角(即每一块椎体相对于预设方向的夹角)及椎体方向确定。根据方向角对绕椎体质心旋转得到旋转后椎体,椎体质心根据椎体分割计算得到,在旋转后椎体质心层面根据设定的椭球各轴长度a,b,c勾画VOI。
本公开实施例提供的计算夹角的方法更加精确,同时考虑了三维空间中椎体三个方向角,可以同时计算得到椎体固有的生理曲度及脊柱侧弯角度。
步骤S404,根据能谱CT中计算序列对应的羟基磷灰石序列中的VOI区域内CT值,计算椎体骨密度。
在一些实施例中,根据各椎体骨松质的VOI内羟基磷灰石序列HU值(CT值)计算得到各指定椎体骨密度值,该骨密度计算过程为能谱CT特点,无需深度学习模型拟合学习或无体膜校正过程表示真实松质骨区域骨含量。
如此,通过本公开实施例提供的椎体骨密度确认方法,依赖能谱CT的羟基磷灰石序列实现骨密度测量,现有依赖能谱CT测量骨密度需要手动勾画骨松质区,且需要进行椎体区分找到CT影像中所需椎体,该过程需要消耗大量人力成本,本公开实施例可使用计算机辅助方法实现椎体识别和骨松质区勾画。在椎体骨松质区勾画中,首先经过多目标检测模型得到各椎体区域图像(单个椎体子图像),再将椎体区域图像经过椎体精细分割得到各椎体分割结果,再根据各椎体分割结果计算各椎体在空间中的位姿包括质心与方向角,最后通过各椎体的空间位姿和椎体识别结果在可用的椎体中勾画VOI。在椎体空间位姿计算方法中计算有向包围盒与轴对齐包围盒各方向轴之间夹角即为椎体旋转角度,该方法依据数据分布特点而不是图像形状特性规则,适普性更强且结果准确。
图5示出了本公开实施例提供的椎体骨密度确认装置的可选结构示意图,将根据各个步骤进行说明。
在一些实施例中,所述椎体骨密度确认装置500包括分类单元501、分割单元502、确认单元503和椎体骨密度确认单元504。
所述分类单元501,用于获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;
所述分割单元502,用于基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;
所述确认单元503,用于基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;
所述椎体骨密度确认单元504,用于基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度。
在一些实施例中,所述CT影像中至少一块椎体的椎体分类结果和椎体定位结果基于多目标检测模型获得,所述分类单元501,具体用于:
将所述CT影像输入至所述多目标检测模型中,获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率。
所述分类单元501,在获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率之后,还用于
基于先验信息对所述至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率进行更新。
所述分类单元501,在获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果之前,还用于:
将样本图像输入至所述多目标检测模型中,获取所述样本图像对应的各椎体的椎体预测分类结果、椎体预测定位结果和各椎体分类结果的预测概率;
基于所述样本图像对应各椎体的椎体标注分类结果、椎体标注定位结果、椎体预测定位结果和各椎体分类结果的预测概率,调整所述多目标检测模型的参数。
在一些实施例中,所述CT影像中至少一块椎体的椎体分割结果基于椎体分割模型获得,所述分割单元502,具体用于基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
所述分割单元502,在基于所述至少一块椎体的椎体分类结果,获取所述CT影像中至少一块椎体的椎体分割结果之前,还用于:
将区域样本图像输入至所述椎体分割模型中,确认所述椎体分割模型的输出为所述区域样本图像对应的预测分割结果;
基于所述预测分割结果和区域样本图像对应的标注分割结果,调整所述椎体分割模型的参数。
所述确认单元503,具体用于基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角;
基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI。
所述确认单元503,具体用于对每一块椎体执行以下操作:
确认椎体的椎体分割结果对应的有向包围盒的轴线方向和轴对齐包围盒的轴线方向;
基于所述有向包围盒的轴线方向和轴对齐包围盒的轴线方向,确认所述椎体相对于预设方向的夹角。
所述确认单元503,具体用于对每一个椎体执行以下操作:
基于椎体相对于预设方向的夹角和椎体质心,获得旋转后的椎体;
在旋转后的椎体的质心层面,根据设定的椭球确认所述椎体的VOI。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图6示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如椎体骨密度确认方法。例如,在一些实施例中,椎体骨密度确认方法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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的椎体骨密度确认方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行椎体骨密度确认方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种椎体骨密度确认方法,其特征在于,所述方法包括:
获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;
基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;
基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;
基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度;
所述CT影像中至少一块椎体的椎体分割结果基于椎体分割模型获得,所述基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果,包括:
基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;
将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;
基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
2.根据权利要求1所述的方法,其特征在于,所述CT影像中至少一块椎体的椎体分类结果和椎体定位结果基于多目标检测模型获得,所述获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果,包括:
将所述CT影像输入至所述多目标检测模型中,获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率。
3.根据权利要求2所述的方法,其特征在于,所述获取所述CT影像中至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率之后,所述方法还包括:
基于先验信息对所述至少一块椎体的椎体分类结果、椎体定位结果以及各椎体分类结果的概率进行更新。
4.根据权利要求2所述的方法,其特征在于,所述获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果之前,所述方法还包括:
将样本图像输入至所述多目标检测模型中,获取所述样本图像对应的各椎体的椎体预测分类结果、椎体预测定位结果和各椎体分类结果的预测概率;
基于所述样本图像对应各椎体的椎体标注分类结果、椎体标注定位结果、椎体预测定位结果和各椎体分类结果的预测概率,调整所述多目标检测模型的参数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果之前,所述方法还包括:
将区域样本图像输入至所述椎体分割模型中,确认所述椎体分割模型的输出为所述区域样本图像对应的预测分割结果;
基于所述预测分割结果和区域样本图像对应的标注分割结果,调整所述椎体分割模型的参数。
6.根据权利要求1所述的方法,其特征在于,所述基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI,包括:
基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角;
基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI。
7.根据权利要求6所述的方法,其特征在于,所述基于所述至少一块椎体的椎体分割结果,确认每一块椎体相对于预设方向的夹角,包括对每一块椎体执行以下操作:
确认椎体的椎体分割结果对应的有向包围盒的轴线方向和轴对齐包围盒的轴线方向;
基于所述有向包围盒的轴线方向和轴对齐包围盒的轴线方向,确认所述椎体相对于预设方向的夹角。
8.根据权利要求6所述的方法,其特征在于,所述基于所述每一块椎体相对于预设方向的夹角,以及每一块椎体的椎体质心,确认各椎体骨松质的VOI,包括对每一个椎体执行以下操作:
基于椎体相对于预设方向的夹角和椎体质心,获得旋转后的椎体;
在旋转后的椎体的质心层面,根据设定的椭球确认所述椎体的VOI。
9.一种椎体骨密度确认装置,其特征在于,所述装置包括:
分类单元,用于获取CT影像中至少一块椎体的椎体分类结果和椎体定位结果;
分割单元,用于基于所述至少一块椎体的椎体分类结果和椎体定位结果,获取所述CT影像中至少一块椎体的椎体分割结果;
确认单元,用于基于所述至少一块椎体的所述椎体分割结果,确认所述CT影像中各椎体骨松质的感兴趣区域VOI;
椎体骨密度确认单元,用于基于各椎体骨松质的VOI,以及各椎体骨松质的VOI对应的羟基磷灰石序列值,确认各椎体骨密度;
所述分割单元,具体用于基于所述至少一块椎体的椎体定位结果,对所述CT影像进行裁剪,获取所述CT影像中每个椎体对应的单个椎体子图像,以及每个椎体对应的单个椎体子图像对应的椎体分类结果;
将所述每个椎体对应的单个椎体子图像输入至所述椎体分割模型中,获得每一块椎体的椎体分割结果;
基于所述每个椎体对应的单个椎体子图像对应的椎体分类结果,确认所述每一块椎体的椎体分割结果所对应的椎体类别。
10.一种电子设备,其特征在于,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;其中,
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。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343116.6A CN115690498B (zh) | 2022-10-31 | 2022-10-31 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343116.6A CN115690498B (zh) | 2022-10-31 | 2022-10-31 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115690498A CN115690498A (zh) | 2023-02-03 |
CN115690498B true CN115690498B (zh) | 2023-06-13 |
Family
ID=85046684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211343116.6A Active CN115690498B (zh) | 2022-10-31 | 2022-10-31 | 椎体骨密度确认方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690498B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106863785B (zh) * | 2017-02-17 | 2019-07-09 | 陈昱霖 | 骨模型的制备方法及装置 |
EP3657391B1 (en) * | 2018-11-21 | 2023-07-26 | Siemens Healthcare GmbH | Processing a medical image |
JP7308258B2 (ja) * | 2019-02-19 | 2023-07-13 | 富士フイルム株式会社 | 医療画像処理装置及び医療画像処理装置の作動方法 |
CN110363765B (zh) * | 2019-07-24 | 2023-04-18 | 江苏天影医疗科技有限公司 | 基于ct影像的骨质疏松参数自动测量方法 |
CN110599508B (zh) * | 2019-08-01 | 2023-10-27 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN113516614A (zh) * | 2020-07-06 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 脊柱影像的处理方法、模型训练方法、装置及存储介质 |
CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN114240848A (zh) * | 2021-11-24 | 2022-03-25 | 慧影医疗科技(北京)股份有限公司 | 一种骨密度测量方法、系统、存储介质及电子设备 |
CN114693604A (zh) * | 2022-03-07 | 2022-07-01 | 北京医准智能科技有限公司 | 脊椎医学影像处理方法、装置、设备及存储介质 |
CN115187540B (zh) * | 2022-07-07 | 2023-08-18 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
-
2022
- 2022-10-31 CN CN202211343116.6A patent/CN115690498B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115690498A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2807263T3 (es) | Clasificación y modelado 3D de estructuras dentomaxilofaciales 3D usando métodos de aprendizaje profundo | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
JP2021504061A (ja) | 脊椎骨折を識別するための3次元医用画像解析の方法及びシステム | |
US20030095692A1 (en) | Method and system for lung disease detection | |
CN109830289B (zh) | 肋骨图像显示装置 | |
US11386553B2 (en) | Medical image data | |
US8285013B2 (en) | Method and apparatus for detecting abnormal patterns within diagnosis target image utilizing the past positions of abnormal patterns | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
US11854195B2 (en) | Systems and methods for automated analysis of medical images | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
US20120053446A1 (en) | Voting in image processing | |
JP7101809B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN113327225B (zh) | 用于提供气道信息的方法 | |
JP2007061622A (ja) | 気道内腔の直径、気道壁の厚さおよび気管支動脈比を使用して多断面コンピュータ断層撮影(msct)イメージデータの自動的な気道評価を行うためのシステムおよび方法 | |
CN114693604A (zh) | 脊椎医学影像处理方法、装置、设备及存储介质 | |
CN114897760A (zh) | 一种基于深度学习的肋骨ct影像骨折检测分割辅助阅片方法及系统 | |
CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
CN115690498B (zh) | 椎体骨密度确认方法、装置、电子设备及存储介质 | |
CN115439453B (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
US20100202674A1 (en) | Voting in mammography processing | |
CN115482223A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN115330696A (zh) | 一种支架的检测方法、装置、设备及存储介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |