CN116109570A - 骨密度测量方法、装置、设备及存储介质 - Google Patents
骨密度测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116109570A CN116109570A CN202211654203.3A CN202211654203A CN116109570A CN 116109570 A CN116109570 A CN 116109570A CN 202211654203 A CN202211654203 A CN 202211654203A CN 116109570 A CN116109570 A CN 116109570A
- Authority
- CN
- China
- Prior art keywords
- image
- cone
- sub
- mask
- mask image
- 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.)
- Granted
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 63
- 229910052500 inorganic mineral Inorganic materials 0.000 title abstract description 22
- 239000011707 mineral Substances 0.000 title abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 79
- 210000001519 tissue Anatomy 0.000 claims abstract description 60
- 230000037182 bone density Effects 0.000 claims abstract description 40
- 238000001739 density measurement Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000002591 computed tomography Methods 0.000 claims description 142
- 238000012549 training Methods 0.000 claims description 76
- 238000005259 measurement Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 10
- 210000003710 cerebral cortex Anatomy 0.000 claims description 9
- 210000002027 skeletal muscle Anatomy 0.000 description 31
- 238000012545 processing Methods 0.000 description 19
- 210000000115 thoracic cavity Anatomy 0.000 description 13
- 238000012937 correction Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 239000012528 membrane Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 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
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 210000002468 fat body Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种骨密度测量方法、装置、设备及存储介质,通过将初始图像进行预处理,得到待处理图像;将待处理图像输入分割模型得到待处理图像对应的掩码图像,其中,掩码图像包括椎体掩码图像、两类组织掩码图像;根据椎体掩码图像,获取椎体掩码图像中各个子椎体的骨松质掩码图像;通过两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据椎体掩码图像中各个子椎体的骨松质掩码图像确定各个子椎体的CT真实值,通过各个子椎体的CT真实值确定各个子椎体的骨密度,本实施例通过普通CT就可以实现骨密度测量,无需额外的体膜校正,还能够避免由于各个CT设备和扫描参数不同,导致骨密度值计算准确性低的问题。
Description
技术领域
本公开涉及医学图像处理技术领域,尤其涉及一种骨密度测量方法、装置、设备及存储介质。
背景技术
在骨密度计算中,目前常见方法为双能X线吸收测定法(Dualenergy X-rayAbsorptiometry,DXA)及定量电子计算机断层扫描(Quantitative Computed Tonography,QCT)两种方法,但是DXA是扫描影像是二维,仅可以用来做骨密度检查,若想要获取其他信息可能还需要进行CT检查;QCT可以同时得到骨密度值和腰椎其他信息获取,但是QCT需要额外的校准体膜进行CT校正,增加了额外校正过程且增加了额外的校准体膜。
由于CT成像值不仅与人体组织密度有关,同时与CT设备厂商种类、CT扫描参数有关,因此CT扫描无法直接获取定量的骨密度测量与分析。目前,有研究者通过研究常规CT设备测量CT值与QCT设备或DXA设备得到的骨密度值进行线性拟合或非线性拟合实现依赖常规CT设备实现骨密度测量。目前方法可以分为两类,一种是拟合骨松质区域CT值与QCT测量的骨密度值或DXA测量的骨密度值,通过数据拟合或深度学习方法得到骨松质区域CT值与骨密度关系式;另一种是将骨松质区域、骨骼肌区域和脂肪区域的CT值与DXA计算的骨密度进行拟合,得到三种区域与骨密度值之间的关系。这两类方式都是希望通过数据拟合方式将CT测量值映射到骨密度值,但是仍然无法解决不同CT设备及不同CT扫描参数造成的干扰,且该类数据拟合方法前期需要大量数据支撑拟合映射的正确性,需要消耗较大工作量且有偏差。
发明内容
本公开提供了一种骨密度测量方法、装置、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,提供了一种骨密度测量方法,所述方法包括:
将初始图像进行预处理,得到待处理图像;
将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像,其中,所述掩码图像包括椎体掩码图像、两类组织掩码图像;
根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像;
通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,通过所述各个子椎体的CT真实值确定所述各个子椎体的骨密度。
在一可实施方式中,所述通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,包括:
通过所述两类组织掩码图像以及所述各个子椎体的骨松质掩码图像,分别对应所述初始图像获取所述两类组织CT测量值以及所述各个子椎体的CT测量值;
根据所述两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述各个子椎体的CT测量值确定所述各个子椎体的CT真实值。
在一可实施方式中,所述根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像,包括:
获取所述椎体掩码图像中各个子椎体的空间方向向量和质心;
将所述椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对所述椎体掩码图像中的各个子椎体进行校正;
使用数字图像处理法,去除校正后的所述椎体掩码图像中各个子椎体的骨皮质区域,得到所述椎体掩码图像中各个子椎体的骨松质掩码图像。
在一可实施方式中,在将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像之前,还包括:
标记训练图像中的两类组织训练掩码、椎体训练掩码及椎体预设类别;
通过标记后的训练图像中的掩码区域,确定其对应所述训练图像中图像区域的像素范围,作为截断参数;
根据所述截断参数,重新确定所述训练图像中各个像素点的像素值,并通过所述训练图像中像素点的像素值均值和方差,对所述训练图像进行归一化,并统一所述训练图像的图像尺寸,作为预处理后的训练图像;
将预处理后的训练图像输入分割模型进行训练,直至所述分割模型的损失函数收敛,得到成熟的分割模型;
基于椎体预设类别以及椎体位置特点,将所述训练图像中各个子椎体进行命名,得到所述各个子椎体的椎体类别,并作为所述分割模型的结果进行输出。
在一可实施方式中,所述将初始图像进行预处理,得到待处理图像,包括:
根据所述截断参数,重新确定所述初始图像中各个像素点的像素值,并通过所述初始图像中像素点的像素值均值和方差,对所述初始图像进行归一化,并统一所述初始图像的图像尺寸,作为待处理图像。
根据本公开的第二方面,提供了一种骨密度测量装置,所述装置包括:
待处理图像确定模块,用于将初始图像进行预处理,得到待处理图像;
掩码图像确定模块,用于将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像,其中,所述掩码图像包括椎体掩码图像、两类组织掩码图像;
骨松质掩码图像确定模块,用于根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像;
骨密度确定模块,用于通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,通过所述各个子椎体的CT真实值确定所述各个子椎体的骨密度。
在一可实施方式中,骨密度确定模块,具体用于:
通过所述两类组织掩码图像以及所述各个子椎体的骨松质掩码图像,分别对应所述初始图像获取所述两类组织CT测量值以及所述各个子椎体的CT测量值;
根据所述两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述各个子椎体的CT测量值确定所述各个子椎体的CT真实值。
在一可实施方式中,骨松质掩码图像确定模块,具体用于:
获取所述椎体掩码图像中各个子椎体的空间方向向量和质心;
将所述椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对所述椎体掩码图像中的各个子椎体进行校正;
使用数字图像处理法,去除校正后的所述椎体掩码图像中各个子椎体的骨皮质区域,得到所述椎体掩码图像中各个子椎体的骨松质掩码图像。
在一可实施方式中,还包括:分割模型训练模块,具体用于在将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像之前,
标记训练图像中的两类组织训练掩码、椎体训练掩码及椎体预设类别;
通过标记后的训练图像中的掩码区域,确定其对应所述训练图像中图像区域的像素范围,作为截断参数;
根据所述截断参数,重新确定所述训练图像中各个像素点的像素值,并通过所述训练图像中像素点的像素值均值和方差,对所述训练图像进行归一化,并统一所述训练图像的图像尺寸,作为预处理后的训练图像;
将预处理后的训练图像输入分割模型进行训练,直至所述分割模型的损失函数收敛,得到成熟的分割模型;
基于椎体预设类别以及椎体位置特点,将所述训练图像中各个子椎体进行命名,得到所述各个子椎体的椎体类别,并作为所述分割模型的结果进行输出。
在一可实施方式中,待处理图像确定模块,具体用于:
根据所述截断参数,重新确定所述初始图像中各个像素点的像素值,并通过所述初始图像中像素点的像素值均值和方差,对所述初始图像进行归一化,并统一所述初始图像的图像尺寸,作为待处理图像。
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。
本公开的一种骨密度测量方法、装置、设备及存储介质,通过将初始图像进行预处理,得到待处理图像;将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像,其中,所述掩码图像包括椎体掩码图像、两类组织掩码图像;根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像;通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,通过所述各个子椎体的CT真实值确定所述各个子椎体的骨密度,本实施例通过普通CT就可以实现骨密度测量,无需进行额外的体膜校正,也无需依赖大量的实验数据,还能够避免由于各个CT设备和扫描参数不同,导致骨密度值计算准确性低的问题。
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1A示出了本公开实施例一提供的一种骨密度测量方法的实现流程示意图;
图1B示出了本公开实施例一提供的一种椎体及其椎体掩码的示意图;
图1C示出了本公开实施例一提供的一种脂肪及其脂肪掩码的示意图;
图1D示出了本公开实施例一提供的一种骨骼肌及其骨骼肌掩码的示意图;
图2示出了本公开实施例二提供的一种骨密度测量装置的结构示意图;
图3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。
实施例一
图1A为本公开实施例一提供的一种骨密度测量方法的流程图,该方法可以由本公开实施例提供的骨密度测量方法装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、将初始图像进行预处理,得到待处理图像。
其中,初始图像可以是通过CT机扫描获得的原始图像,用于得到待处理图像的三维CT图像。预处理可以是为了方便模型学习,对初始图像进行归一化和尺寸统一的操作。待处理图像,可以是用于输入分割模型的图像。
具体的,本实施例可以将CT机扫描得到的初始图像,经过归一化以及统一尺寸的处理,得到用于输入分割模型的待处理图像。
在本公开实施例中,将初始图像进行预处理,得到待处理图像,包括:根据截断参数,重新确定初始图像中各个像素点的像素值,并通过初始图像中像素点的像素值均值和方差,对初始图像进行归一化,并统一初始图像的图像尺寸,作为待处理图像。
其中,截断参数可以是人为设定的显示特定像素值范围的参数,通过该参数处理后的图像可以避免不相关内容的干扰,突出初始图像中所需观察的区域。示例性的,本实施例将训练分割模型时所用到的截断参数作为初始图像的截断参数。
具体的,本实施例为了减少这些像素点的干扰,先根据训练时得到的截断参数对初始图像进行处理,将初始图像中截断参数范围以外的像素点剔除,例如将初始图像中截断参数范围以外的像素点设置为一个固定值,从而得到由截断参数范围内的像素点组成的图像。此外,还由于在初始图像处理中通常选择观察窗进行最大值最小值归一化,例如在观察椎体时通常选择骨窗,在观察脂肪和骨骼肌时通常选择软组织窗。而本实施例中的分割模型需要同时分割椎体掩码图像、两类组织掩码图像,导致窗口不统一。因此,本实施例在根据截断参数重新确定初始图像内各个像素点的像素值后,计算初始图像中像素点的像素值均值和方差,再通过初始图像内像素点的像素值均值和方差,对截断参数范围内的初始图像进行归一化处理。然后再将得到的归一化后的初始图像通过裁剪、填充等方式进行尺寸调整,从而得到尺寸大小相同的图像,即待处理图像。
本实施例需要对初始图像中的多类组织进行同时分割,因此采用上述适合不同组织的归一化方法,能够有效提高分割模型的运行效率。
S120、将待处理图像输入分割模型得到待处理图像对应的掩码图像,其中,掩码图像包括椎体掩码图像、两类组织掩码图像。
其中,分割模型可以是任意一种能够实现分割目的的三维卷积神经网络。掩码图像可以是由像素点的掩码mask值构成的图像。椎体掩码图像可以是将待处理图像经过分割后,仅具有椎体特征的mask图像。两类组织掩码图像,可以是由人体内除椎体外任意两种组织的掩码值构成的图像,示例性的,为了方便理解,本实施例的两类组织以脂肪和骨骼肌为例,两类组织掩码图像采用脂肪掩码图像和骨骼肌掩码图像进行论述。需要说明的是,除此之外,两类组织掩码图像也可以是单块肌肉、多块肌肉等组织对应的掩码图像,本实施例不对其进行限定。
具体的,本实施例将待处理图像输入分割模型,可以先根据分割模型中的多尺度特征提取结构,对待处理图像进行多尺度特征提取,从而得到待处理图像的多尺度特征,即椎体特征、脂肪特征和骨骼肌特征。再融合不同尺度特征根据分割模型的上采样结构,解码得到待处理图像多尺度特征所对应的掩码图像,如图1B、图1C、图1D所示。
图1B为本公开实施例一提供的一种椎体及其椎体掩码的示意图,其中,图1B(a)为椎体CT图像,图1B(b)为椎体掩码图像;图1C为本公开实施例一提供的一种脂肪及其脂肪掩码的示意图,其中,图1C(a)为脂肪CT图像,图1B(b)为脂肪掩码图像;图1D为本公开实施例一提供的一种骨骼肌及其骨骼肌掩码的示意图,其中,图1B(a)为骨骼肌CT图像,图1B(b)为骨骼肌掩码图像。如图1B所示,图1B(b)中的椎体掩码图像是由图1B(a)中的椎体图像通过分割模型处理后得到的图像;如图1C所示,图1C(b)中的脂肪掩码图像是由图1C(a)中的脂肪图像通过分割模型处理后得到的图像;如图1D所示,图1D(b)中的脂肪掩码图像是由图1D(a)中的脂肪图像通过分割模型处理后得到的图像。
S130、根据椎体掩码图像,获取椎体掩码图像中各个子椎体的骨松质掩码图像。
其中,骨松质掩码图像,可以是从椎体掩码图像中提取的,带有骨松质特征的掩码图像。
具体的,由于各个子椎体的骨密度值是由椎体中的骨松质含量决定的,因此,为了得到各个子椎体中的骨松质含量,本实施例可以将通过分割模型得到的椎体掩码图像进行去皮处理,即去掉椎体掩码图像中各个子椎体的骨皮质区域,从而得到椎体掩码图像中各个子椎体的骨松质区域。此外,由于本实施例是对椎体掩码图像进行的去皮处理,因此去皮后的各个子椎体的骨松质图像也是掩码图像,也即各个子椎体的骨松质掩码图像。
在本公开实施例中,根据椎体掩码图像,获取椎体掩码图像中各个子椎体的骨松质掩码图像,包括:获取椎体掩码图像中各个子椎体的空间方向向量和质心;将椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对椎体掩码图像中的各个子椎体进行校正;使用数字图像处理法,去除校正后的椎体掩码图像中各个子椎体的骨皮质区域,得到椎体掩码图像中各个子椎体的骨松质掩码图像。
其中,数字图像处理法可以是一种去除各个子椎体骨皮质区域的方法。
具体的,在本实施例中,因为椎体在空间中形态各异,其正常的生理曲度和脊柱侧弯,都会导致椎体的方向向量与坐标轴不一致。若直接将椎体掩码图像进行去骨皮质区域处理,则会导致椎体骨松质图像存在误差,从而无法精确的得到各个子椎体的骨松质区域。所以为了减少椎体形态对各个子椎体骨松质区域的干扰,本实施例需要对各个子椎体进行校正。由于图像处理的形态学操作以及数字图像处理都是基于坐标轴进行等量缩放和处理的,因此,本实施例先获取各个子椎体的质心位置,同时通过对各个子椎体的空间位置计算得到其空间方向向量,然后根据得到的各个子椎体空间方向向量,将各个子椎体的掩码图像以与其所对应的质心为原点进行旋转,直至各个子椎体的空间方向向量与坐标轴重合,校正结束。
本实施例对空间中各椎体位姿进行校正,避免了椎体方向与坐标轴不一致导致椎体骨松质分割有误的问题,且通过位姿校后也更有助于用户观察到骨松质区域的准确性且便于修改。
具体的,本实施例将校准后得到的各个子椎体掩码图像,通过数字图像处理的方法去掉各个子椎体中的骨皮质区域,从而得到各个子椎体的骨松质区域。其中,本实施例采用的数字图像处理的方法,可以是腐蚀、膨胀等常见的图像处理方法。在另一实施例中,也可以通过中心区域勾画的方式自动得到骨松质区域,即通过各个子椎体所对应的中心点延坐标轴向外扩张预设尺寸,从而得到各个子椎体的骨松质区域,即各个子椎体的骨松质掩码图像。
本实施例在获取各个子椎体骨松质掩码图像的过程中,基于椎体分割结果对各个子椎体掩码图像进行空间方向向量的校正,不仅增加各个子椎体骨松质区域勾画范围的准确性,而且减少骨皮质对骨密度值计算的影响。
S140、通过两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据椎体掩码图像中各个子椎体的骨松质掩码图像确定各个子椎体的CT真实值,通过各个子椎体的CT真实值确定各个子椎体的骨密度。
其中,两类组织掩码图像可以是人体内除椎体外任意两种组织的掩码图像,示例性的,本实施例采用的骨骼肌和脂肪的掩码图像。CT测量值是将通过CT机扫描自动计算得到的CT均值。CT真实值,可以是通过密度进行计算得到的真实CT值。
本实施例根据CT成像原理,依据人体中常见组成部分骨骼肌和脂肪对测量CT值进行校正,并依赖物质衰减性能计算出骨密度,因此可分为CT值校正和骨密度值计算两个步骤。具体方法如下,已知CT值与物质密度相关,已知骨骼肌和脂肪的密度可以获得骨骼肌和脂肪的真实CT值,并由于骨骼肌和脂肪普遍存在人体中可以获取骨骼肌和脂肪的测量CT值,因此由脂肪和骨骼肌的真实CT值和测量CT值,可以实现当前CT测量值线性校准。
在本公开实施例中,通过两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据椎体掩码图像中各个子椎体的骨松质掩码图像确定各个子椎体的CT真实值,包括:通过两类组织掩码图像以及各个子椎体的骨松质掩码图像,分别对应初始图像获取两类组织CT测量值以及各个子椎体的CT测量值;根据两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据各个子椎体的CT测量值确定各个子椎体的CT真实值。
其中,CT测量值和CT真实值之间的函数关系可以表达为:
CT(测量)=K*CT(真实)+B
其中,CT(测量)表示CT各组织的测量值,CT(真实)表示各组织的真实值,K和B为线性校正参数。
具体的,本实施例将通过分割模型得到的脂肪和骨骼肌的掩码图像,以及通过去掉骨皮质区域后得到的各个子椎体的骨松质掩码图像,分别与初始图像进行比对,从而得到与其相对应的脂肪、骨骼肌以及各个子椎体的骨松质CT测量值,再通过得到的脂肪CT测量值与骨骼肌CT测量值与通过脂肪密度和骨骼肌密度得到的脂肪CT真实值与骨骼肌CT真实值进行处理,带入上述方程,可以确定校准方程的K和B值,由此实现CT校准,保证CT测量值的真实性。本实施例再将得到的各个子椎体骨松质的CT测量值,输入完善的校准方程进行处理,从而确定各个子椎体骨松质的CT真实值。最后再根据CT值与物质密度之间的关系,进而得到各个子椎体骨松质区域骨矿物质的密度,即各个子椎体的骨密度。
本实施例提供的方法结合了CT的成像特点,通过人体中常见且密度已知的脂肪与骨骼肌密度完成CT测量值的校正,然后根据CT值与物质密度关系,利用校正后的各个子椎体CT真实值得到各个子椎体的骨密度,该方法无需前期收集大量数据且无需额外体膜即可完成校正,而且还可以消除不同设备及扫描参数对CT成像带来的影响。
另外,本实施例提供的方法相比于DXA测量骨密度方法,可以直接得到三维CT影像结果和骨密度测量,省去多次检查;该方法相比于QCT,可以省去体膜校正环节和额外体膜的购买、安装及保养,减轻医疗人员的工作负担;此外该方法相比于其他依赖CT拟合方式得到CT值与骨密度之间关系的方法,具有更好的泛化性,无需依赖前期收集大量的数据和实验拟合。
在本公开实施例中,在将待处理图像输入分割模型得到待处理图像对应的掩码图像之前,还包括:标记训练图像中的两类组织训练掩码、椎体训练掩码及椎体预设类别;通过标记后的训练图像中的掩码区域,确定其对应训练图像中图像区域的像素范围,作为截断参数;根据截断参数,重新确定训练图像中各个像素点的像素值,并通过训练图像中像素点的像素值均值和方差,对训练图像进行归一化,并统一训练图像的图像尺寸,作为预处理后的训练图像;将预处理后的训练图像输入分割模型进行训练,直至分割模型的损失函数收敛,得到成熟的分割模型;基于椎体预设类别以及椎体位置特点,将训练图像中各个子椎体进行命名,得到各个子椎体的椎体类别,并作为分割模型的结果进行输出。
其中,预设简化类别可以是人为设定的用于区分椎体类别的标记。本实施例为了降低模型学习的复杂性,提高模型精度,人为定义了子椎体类型,示例性的,本实施例可以以胸椎7为中点,分为两种类型胸椎,将胸椎1至胸椎6定义为第一类,记为类别1;将胸椎7至胸椎12定义为第二类,记为类别2;将腰椎1至腰椎5定义为第三类,记为类别3。
由于在不同位置的椎体骨密度不同,在定量分析中需要将椎体的位置相对固定,即需要对每个椎体进行命名区分,其中常见胸椎12个,腰椎5个,共计17个类别。针对椎体多类别分割,则需要18通道的分割模型,由于椎体种类过多导致分割模型学习相对复杂,且图像处理时间相对较长,以及不常见扫描范围内椎体与常见扫描范围内椎体的类别不平衡等问题,因此本实施例结合椎体每个类别仅有一个且位置连续固定特点,先将多个椎体划分为相同类别进行分段处理,再根据椎体具有连续的结构特点,进行细化重新命名。本实施例将胸椎1-7、胸椎8-12和腰椎1-5分别分为一类,从而把深度学习模型中椎体分割的18类减少至4类,降低了分割模型的复杂度及参数量,同时也提升了分割模型的运算速度。
此外,对于骨骼肌和脂肪的分割,也可以使用与椎体相同的分割模型,所以本实施例的分割模型有六个输出通道,示例型的,本实施例可以将代表胸椎1-7的分割掩码值设置为mask1、胸椎8-12的分割掩码值设置为mask2、腰椎1-5的分割掩码值设置为mask3、骨骼肌的分割掩码值设置为mask4、脂肪的分割掩码值设置为mask5和背景的掩码值设置为mask6,共六类。
本实施例的分割网络模型采用三维卷积神经网络模型,在训练分割模型的过程中,首先需要对CT影像中的椎体、骨骼肌和脂肪组织进行半自动像素级mask标注。为了减少不相关内容的干扰,本实施例根据标记的训练图像中各个组织的掩码区域,确定各个组织所对应的图像区域的像素值范围,即截断参数。再根据设定的截断参数,将初始图像中截断参数范围之外的像素点设置为固定值,重新确定训练图像中各像素点的像素值。本实施例再在重新确定像素值后的训练图像内,根据像素点的像素值均值和方差进行归一化处理,从而解决了椎体、骨骼肌和脂肪组织窗口不统一的问题。然后,本实施例再将归一化后的训练图像统一尺寸,输入到分割模型中,得到该图像中各个组织所对应的掩码图像,即骨骼肌掩码图像、脂肪掩码图像以及各个子椎体的掩码图像。本实施例将分割模型得到的骨骼肌掩码图像、脂肪掩码图像以及各个子椎体的掩码图像与通过半自动化标识的掩码图像的标注进行比对,调整分割模型的参数,通过多次迭代优化,直至分割模型的损失函数收敛,从而得到成熟的分割模型。其中,本实施例中采用的损失函数可以为diceloss和focalloss的混合损失函数。
本实施例使用了不同组织的归一化处理方法,从而将椎体、脂肪和骨骼肌组织使用同一个三维卷积神经网络进行分割,减少了训练图像中各组织的分割时间,提高分割效率。
此外,由于本实施例为提高分割模型的分割效率以及减少误差,对每个子椎体的类别标注仅标记了预设简化类别,因此训练后的分割模型输出的子椎体类别也是预设简化类别。由于椎体每个类别仅有一个且位置连续固定,因此本实施例根据椎体位置特点,将各类第一位置椎体分别设为胸椎1、胸椎7和腰椎1,或各类最后位置椎体分别为胸椎6、胸椎12和腰椎5,通过椎体位置特点,在初步获得预设简化类别的基础上,对各个子椎体进行进一步命名,得到精准的各个子椎体类别。
本实施例在椎体分段分割的基础上,计算各椎体的位置坐标,依赖椎体坐标在Z轴方向递增且无相交的特点,对分段分割结果进行各椎体命名,得到输入图像中每个椎体的命名。
另外,本实施例提供的方法不仅可以消除不同CT设备及扫描参数对CT真实值导致的各个子椎体骨密度计算偏差,通过各个子椎体骨密度的计算,得到各个子椎体的骨密度值,还可以精准的得到各个子椎体的类别,通过子椎体类别直接定位到有问题的子椎体。
实施例二
图2是本公开实施例提供的一种骨密度测量装置的结构示意图,该装置具体包括:
待处理图像确定模块210,用于将初始图像进行预处理,得到待处理图像;
掩码图像确定模块220,用于将待处理图像输入分割模型得到待处理图像对应的掩码图像,其中,掩码图像包括椎体掩码图像、两类组织掩码图像;
骨松质掩码图像确定模块230,用于根据椎体掩码图像,获取椎体掩码图像中各个子椎体的骨松质掩码图像;
骨密度确定模块240,用于通过两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据椎体掩码图像中各个子椎体的骨松质掩码图像确定各个子椎体的CT真实值,通过各个子椎体的CT真实值确定各个子椎体的骨密度。
在一可实施方式中,骨密度确定模块240,具体用于:通过两类组织掩码图像以及各个子椎体的骨松质掩码图像,分别对应初始图像获取两类组织CT测量值以及各个子椎体的CT测量值;根据两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于函数关系,根据各个子椎体的CT测量值确定各个子椎体的CT真实值。
在一可实施方式中,骨松质掩码图像确定模块230,具体用于:获取椎体掩码图像中各个子椎体的空间方向向量和质心;将椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对椎体掩码图像中的各个子椎体进行校正;使用数字图像处理法,去除校正后的椎体掩码图像中各个子椎体的骨皮质区域,得到椎体掩码图像中各个子椎体的骨松质掩码图像。
在一可实施方式中,还包括:分割模型训练模块,具体用于在将待处理图像输入分割模型得到待处理图像对应的掩码图像之前,标记训练图像中的两类组织训练掩码、椎体训练掩码及椎体预设类别;通过标记后的训练图像中的掩码区域,确定其对应训练图像中图像区域的像素范围,作为截断参数;根据截断参数,重新确定训练图像中各个像素点的像素值,并通过训练图像中像素点的像素值均值和方差,对训练图像进行归一化,并统一训练图像的图像尺寸,作为预处理后的训练图像;将预处理后的训练图像输入分割模型进行训练,直至分割模型的损失函数收敛,得到成熟的分割模型;基于椎体预设类别以及椎体位置特点,将训练图像中各个子椎体进行命名,得到各个子椎体的椎体类别,并作为分割模型的结果进行输出。
在一可实施方式中,待处理图像确定模块210,具体用于:根据截断参数,重新确定初始图像中各个像素点的像素值,并通过初始图像中像素点的像素值均值和方差,对初始图像进行归一化,并统一初始图像的图像尺寸,作为预处理后的训练图像。
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3示出了可以用来实施本公开的实施例的示例电子设备300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3所示,设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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301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301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301执行上文所描述的各个方法和处理,例如骨密度测量方法。例如,在一些实施例中,骨密度测量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308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的骨密度测量方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行骨密度测量方法。
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)、片上系统(SOC)、复杂可编程逻辑设备(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权利要求的保护范围为准。
Claims (10)
1.一种骨密度测量方法,其特征在于,所述方法包括:
将初始图像进行预处理,得到待处理图像;
将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像,其中,所述掩码图像包括椎体掩码图像、两类组织掩码图像;
根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像;
通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,通过所述各个子椎体的CT真实值确定所述各个子椎体的骨密度。
2.根据权利要求1所述的方法,其特征在于,所述通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,包括:
通过所述两类组织掩码图像以及所述各个子椎体的骨松质掩码图像,分别对应所述初始图像获取所述两类组织CT测量值以及所述各个子椎体的CT测量值;
根据所述两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述各个子椎体的CT测量值确定所述各个子椎体的CT真实值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像,包括:
获取所述椎体掩码图像中各个子椎体的空间方向向量和质心;
将所述椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对所述椎体掩码图像中的各个子椎体进行校正;
使用数字图像处理法,去除校正后的所述椎体掩码图像中各个子椎体的骨皮质区域,得到所述椎体掩码图像中各个子椎体的骨松质掩码图像。
4.根据权利要求3所述的方法,其特征在于,在将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像之前,还包括:
标记训练图像中的两类组织训练掩码、椎体训练掩码及椎体预设类别;
通过标记后的训练图像中的掩码区域,确定其对应所述训练图像中图像区域的像素范围,作为截断参数;
根据所述截断参数,重新确定所述训练图像中各个像素点的像素值,并通过所述训练图像中像素点的像素值均值和方差,对所述训练图像进行归一化,并统一所述训练图像的图像尺寸,作为预处理后的训练图像;
将预处理后的训练图像输入分割模型进行训练,直至所述分割模型的损失函数收敛,得到成熟的分割模型;
基于椎体预设类别以及椎体位置特点,将所述训练图像中各个子椎体进行命名,得到所述各个子椎体的椎体类别,并作为所述分割模型的结果进行输出。
5.根据权利要求4所述的方法,其特征在于,所述将初始图像进行预处理,得到待处理图像,包括:
根据所述截断参数,重新确定所述初始图像中各个像素点的像素值,并通过所述初始图像中像素点的像素值均值和方差,对所述初始图像进行归一化,并统一所述初始图像的图像尺寸,作为待处理图像。
6.一种骨密度测量装置,其特征在于,所述装置包括:
待处理图像确定模块,用于将初始图像进行预处理,得到待处理图像;
掩码图像确定模块,用于将所述待处理图像输入分割模型得到所述待处理图像对应的掩码图像,其中,所述掩码图像包括椎体掩码图像、两类组织掩码图像;
骨松质掩码图像确定模块,用于根据所述椎体掩码图像,获取所述椎体掩码图像中各个子椎体的骨松质掩码图像;
骨密度确定模块,用于通过所述两类组织掩码图像确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述椎体掩码图像中各个子椎体的骨松质掩码图像确定所述各个子椎体的CT真实值,通过所述各个子椎体的CT真实值确定所述各个子椎体的骨密度。
7.根据权利要求6所述的装置,骨密度确定模块,具体用于:
通过所述两类组织掩码图像以及所述各个子椎体的骨松质掩码图像,分别对应所述初始图像获取所述两类组织CT测量值以及所述各个子椎体的CT测量值;
根据所述两类组织CT测量值确定CT测量值和CT真实值之间的函数关系,再基于所述函数关系,根据所述各个子椎体的CT测量值确定所述各个子椎体的CT真实值。
8.根据权利要求7所述的装置,骨松质掩码图像确定模块,具体用于:
获取所述椎体掩码图像中各个子椎体的空间方向向量和质心;
将所述椎体掩码图像中各个子椎体的空间方向向量围绕与其对应的质心旋转至坐标轴方向,以对所述椎体掩码图像中的各个子椎体进行校正;
使用数字图像处理法,去除校正后的所述椎体掩码图像中各个子椎体的骨皮质区域,得到所述椎体掩码图像中各个子椎体的骨松质掩码图像。
9.一种电子设备,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1-5中任一项所述的方法。
10.一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计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211654203.3A CN116109570B (zh) | 2022-12-22 | 2022-12-22 | 骨密度测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211654203.3A CN116109570B (zh) | 2022-12-22 | 2022-12-22 | 骨密度测量方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109570A true CN116109570A (zh) | 2023-05-12 |
CN116109570B CN116109570B (zh) | 2023-08-08 |
Family
ID=86262197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211654203.3A Active CN116109570B (zh) | 2022-12-22 | 2022-12-22 | 骨密度测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109570B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464235A (zh) * | 2016-07-25 | 2017-12-12 | 武汉大学 | 一种检测图像结构变化的方法及装置 |
US20180322618A1 (en) * | 2017-05-02 | 2018-11-08 | Color Enhanced Detection, Llc | Methods for color enhanced detection of bone density from ct images and methods for opportunistic screening using same |
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 |
CN115456990A (zh) * | 2022-09-13 | 2022-12-09 | 北京医准智能科技有限公司 | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 |
-
2022
- 2022-12-22 CN CN202211654203.3A patent/CN116109570B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464235A (zh) * | 2016-07-25 | 2017-12-12 | 武汉大学 | 一种检测图像结构变化的方法及装置 |
WO2018019202A1 (zh) * | 2016-07-25 | 2018-02-01 | 武汉大学 | 一种检测图像结构变化的方法及装置 |
US20180322618A1 (en) * | 2017-05-02 | 2018-11-08 | Color Enhanced Detection, Llc | Methods for color enhanced detection of bone density from ct images and methods for opportunistic screening using same |
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 |
CN115456990A (zh) * | 2022-09-13 | 2022-12-09 | 北京医准智能科技有限公司 | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
STEVEN VAN HEDENT ET AL.: "Improving Bone Mineral Density Assessment Using Spectral Detector CT", 《 JOURNAL OF CLINICAL DENSITOMETRY》 * |
王勇朋: "不同重建层厚对定量CT椎体骨密度测量值的影响", 《放射学实践》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952962A (zh) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | 一种骨密度检测图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116109570B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833231B (zh) | 医学图像显示方法、装置和计算机存储介质 | |
CN109709503B (zh) | 一种磁共振系统控制方法、磁共振系统、计算机设备 | |
CN111063424B (zh) | 一种椎间盘数据处理方法、装置、电子设备及存储介质 | |
CN108717700B (zh) | 一种检测结节长短径长度的方法及装置 | |
US10275909B2 (en) | Systems and methods for an integrated system for visualizing, simulating, modifying and 3D printing 3D objects | |
CN111127430A (zh) | 确定医学影像显示参数的方法及装置 | |
CN116109570B (zh) | 骨密度测量方法、装置、设备及存储介质 | |
JP7205034B2 (ja) | 磁気共鳴イメージで正中矢状平面を決定するための方法、イメージ処理デバイス及び格納媒体 | |
EP2901935A1 (en) | Method and device for generating virtual endoscope image, and program | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN115761228A (zh) | 一种冠状动脉钙化斑块分割方法、装置、设备及存储介质 | |
CN112102284B (zh) | 图像分割模型的训练样本的标记方法、训练方法及装置 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN115690498B (zh) | 椎体骨密度确认方法、装置、电子设备及存储介质 | |
CN112365959A (zh) | 修改三维图像的标注的方法及装置 | |
CN112581460A (zh) | 扫描规划方法、装置、计算机设备和存储介质 | |
CN112862955B (zh) | 建立三维模型的方法、装置、设备、存储介质和程序产品 | |
CN112037164A (zh) | 医学影像中身体部位识别方法及装置 | |
CN115908300B (zh) | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 | |
CN115984190B (zh) | 一种基于ct图像的处理方法、装置、设备及存储介质 | |
EP4040388A1 (en) | Intuitive display for rotator cuff tear diagnostics | |
CN114037775B (zh) | 骨骼结构生长方法、装置、电子设备及存储介质 | |
WO2023138273A1 (zh) | 图像增强方法和系统 | |
CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、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 | ||
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. |
|
CP03 | Change of name, title or address |