CN116128754A - 颈椎分割矫正、曲度检测方法、系统、电子设备及介质 - Google Patents

颈椎分割矫正、曲度检测方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116128754A
CN116128754A CN202211732011.XA CN202211732011A CN116128754A CN 116128754 A CN116128754 A CN 116128754A CN 202211732011 A CN202211732011 A CN 202211732011A CN 116128754 A CN116128754 A CN 116128754A
Authority
CN
China
Prior art keywords
cervical vertebra
image
cervical
vertebra
spine
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
Application number
CN202211732011.XA
Other languages
English (en)
Inventor
张逸凌
刘星宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longwood Valley Medtech Co Ltd
Original Assignee
Longwood Valley Medtech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Longwood Valley Medtech Co Ltd filed Critical Longwood Valley Medtech Co Ltd
Priority to CN202211732011.XA priority Critical patent/CN116128754A/zh
Publication of CN116128754A publication Critical patent/CN116128754A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种颈椎分割矫正、曲度检测方法、系统、电子设备及介质，颈椎分割矫正方法包括：获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述颈椎关键点识别单个颈椎位置；将所述单个颈椎位置和所述预处理图像分别输入训练好的MT‑UNet神经网络，得到单椎分割结果；基于所述单椎分割结果对所述颈椎CT图像进行三维重建；通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。该颈椎分割矫正方法解决现有技术中难以自动分割颈椎CT图像且颈椎曲度检测精度有限的问题。

Description

颈椎分割矫正、曲度检测方法、系统、电子设备及介质
技术领域
本发明涉及颈椎分割技术领域，具体涉及一种颈椎分割矫正、曲度检测方法、系统、电子设备及介质。
背景技术
近年来，通过脊柱CT图像分割椎体对于病理诊断、手术计划和术后评估至关重要。但是，椎骨之间的高度相似性可能会干扰手术计划，因此，对椎体的分割具有重要意义，然而，由于病理学的解剖学变化，生理病变的原因以及大范围的不同视野，传统的脊柱分割方法难以自动分割颈椎CT图像；颈椎分割的目的是利用多模态CT图像将颈椎分割出来；现有的人工分割繁琐、耗时。
且，颈椎出现生理弯曲,是为了增加颈椎的弹性,减轻和缓冲外力的冲击,防止损伤脊髓和脑部。颈椎的前凸在体位及椎间盘髓核脱水、退变时,可使颈椎前凸逐渐消失,甚至可能变直或反张，是颈椎病的一种较为重要的诊断依据，现有的颈椎曲度的检测较为复杂繁琐，颈椎曲度检测精度有限。
发明内容
本发明实施例的目的在于提供一种颈椎分割矫正、曲度检测方法、系统、电子设备及介质，用以解决现有技术中难以自动分割颈椎CT图像且颈椎曲度检测精度有限的问题。
为实现上述目的，本发明实施例提供一种颈椎分割矫正方法，所述方法具体包括：
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；
将所述预处理图像输入H i gherHRNet神经网络，得到颈椎关键点；
对所述颈椎关键点进行拟合得到拟合颈椎曲线；
基于所述颈椎关键点识别单个颈椎位置；
将所述单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络，得到单椎分割结果；
基于所述单椎分割结果对所述颈椎CT图像进行三维重建；
通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述获取脊柱图像，对所述脊柱图像进行图像预处理，得到预处理图像，包括：
标注脊柱图像中的颈椎区域，基于所述颈椎区域获取脊椎图像；
将所述脊椎图像在矢状面方向进行投影，得到所述预处理图像。
进一步地，所述对所述颈椎关键点进行拟合得到拟合颈椎曲线，包括：
通过三次样条插值对所述颈椎关键点进行拟合得到拟合颈椎曲线。
进一步地，所述基于所述颈椎关键点识别单个颈椎位置，包括：
计算相邻两个颈椎关键点的距离为边界框长度，在相邻两个颈椎关键点中心位置与拟合线做垂线，延长垂线至所述边界框长度，提取所述单个颈椎位置。
进一步地，所述将所述单个颈椎位置分别输入训练好的MT-UNet神经网络分割单个颈椎，得到单椎分割结果，包括：
将所述预处理图像划分为训练集、验证集和测试集；
基于所述训练集训练所述MT-UNet神经网络；
基于所述验证集对所述MT-UNet神经网络进行性能验证，保存满足性能条件的MT-UNet神经网络；
基于所述测试集评估所述MT-UNet神经网络的单椎分割结果。
一种颈椎曲度检测方法，所述方法具体包括：
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；
将所述预处理图像输入H i gherHRNet神经网络，得到颈椎关键点；
对所述颈椎关键点进行拟合得到拟合颈椎曲线；
基于所述拟合颈椎曲线计算颈椎曲度。
一种颈椎分割矫正系统，包括：
获取模块，用于获取脊柱图像；
预处理模块，用于对所述脊柱图像进行预处理，得到预处理图像；
H i gherHRNet神经网络，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
识别模块，用于基于所述颈椎关键点识别单个颈椎位置；
MT-UNet神经网络，用于基于输入的所述单个颈椎位置和所述预处理图像，得到单椎分割结果；
三维重建模块，用于基于所述单椎分割结果对所述颈椎CT图像进行三维重建；
矫正模块，用于通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。
一种颈椎曲度检测系统，包括：
获取模块，用于获取脊柱图像；
预处理模块，用于对所述脊柱图像进行预处理，得到预处理图像；
H i gherHRNet神经网络，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
计算模块，用于基于所述拟合颈椎曲线计算颈椎曲度。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中的颈椎分割矫正方法，将预处理图像输入H i gherHRNet神经网络得到颈椎关键点，对颈椎关键点进行拟合得到拟合颈椎曲线，基于颈椎关键点识别单个颈椎位置，将单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络，得到单椎分割结果，基于单椎分割结果对颈椎CT图像进行三维重建，通过颈椎拟合曲线计算颈椎旋转矩阵，基于颈椎旋转矩阵矫正三维重建后的颈椎CT图像，解决了现有技术中难以自动分割颈椎CT图像的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明颈椎分割矫正方法的流程图；
图2为本发明颈椎曲度检测方法的流程图；
图3为本发明颈椎分割矫正系统的架构图；
图4为本发明颈椎曲度检测系统的架构图；
图5为本发明颈椎分割结果示意图；
图6为本发明H i gherHRNet神经网络的结构示意图；
图7为本发明MT-UNet神经网络的结构示意图；
图8为本发明MTM的结构示意图；
图9为本发明的对颈椎CT图像进行三维重建的示意图；
图10为本发明提供的电子设备实体结构示意图。
其中附图标记为：
获取模块10，预处理模块20，H i gherHRNet神经网络30，拟合模块40，识别模块50，MT-UNet神经网络60，三维重建模块70，矫正模块80，计算模块90，电子设备100，处理器1001，存储器1002，总线1003。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
实施例
图1为本发明颈椎分割矫正方法实施例流程图，如图1所示，本发明实施例提供的一种颈椎分割矫正方法包括以下步骤：
S101，获取脊柱图像，对脊柱图像进行预处理，得到预处理图像；
具体的，标注脊柱图像中的颈椎区域，基于所述颈椎区域获取脊椎图像；将所述脊椎图像在矢状面方向进行投影，得到所述预处理图像。
在一个具体的示例中，获取脊柱图像，基于脊柱图像构建脊柱图像数据集，将脊柱图像数据集中的脊柱图像进行手动标注颈椎区域，最终只提取含有颈椎部分的标签作为分割mask；对于颈椎定位的标签，需要标记颈椎的关键点位置，以此来建立识别数据库和分割数据库。将二维横断面DICOM数据转换成PNG格式的图片，标注分割mask转换成PNG格式的图片。
S102，将预处理图像输入HigherHRNet神经网络，得到颈椎关键点；
具体的，采用HigherHRNet作为颈椎关键点提取的模型框架。
目前主流的自下而上检测关键点的热力图(heatmap)分辨率使用1/4，而这个分辨率用于识别关键点的精度较低。因此，我们使用更高分辨率特征的HigherHRNet关键点检测神经网络。
HigherHRNet神经网络30使用高分辨率特征金字塔来解决多尺度问题。传统的特征金字塔一般从一个很小的分辨率开始，通过一系列上采样操作得到1/4分辨率的特征。而HigherHRNet神经网络30使用的高分辨率特征金字塔则是从1/4分辨率出发，通过Transposed Convolution得到更高分辨率的特征。在训练的过程中，使用多分辨率监督让不同层的特征能学习不同尺度的信息。同时利用多分辨率融合，把不同分辨率的热度图统一放大到原图大小并且融合到一起，从而得到一个对尺度敏感的特征。
Transposed Convolution(反卷积)，是卷积操作的逆向操作。卷积的理论依据是统计不变性中的平移不变性(Transposed Invariance)，起到降维的作用。反卷积，输入图片的特征，输出图片，起到还原的作用。在HigherHRNet中反卷积的主要目的是生成更更高分辨率的特征来提高准度。HigherHRNet神经网络30结构如图6所示：
将DICOM图像向矢状面方向投影，得到一张二维数据图像，将得到的二维图像和其对应的MASK输入到HigherHRNet神经网络30中进行训练，最终得到颈椎关键点位置。
神经网络中使用平均池化，损失函数为多分类损失函数，优化函数为Adam，使用ReLU激活函数，最后通过softmax分类器进行分类。
S103，对颈椎关键点进行拟合得到拟合颈椎曲线；
具体的，通过三次样条插值对所述颈椎关键点进行拟合得到拟合颈椎曲线。对检测出的颈椎关键点需要拟合曲线，用来寻找颈椎检测框，因此本文使用三次样条插值来拟合颈椎曲线。
三次样条插值以构造简单，使用方便，拟合准确，具有“保凸”的重要性质等特点成为了常用的插值方法。采用三次样插值法能够更好的拟合颈椎曲线，还原颈椎的实际位置。
三次样条插值(Cubic Spline Interpolation)简称Spline插值，是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。
实际计算时还需要引入边界条件才能完成计算。一般的计算方法书上都没有说明非扭结边界的定义，但数值计算软件如Matlab都把非扭结边界条件作为默认的边界条件。
S104，基于颈椎关键点识别单个颈椎位置。
具体的，计算相邻两个颈椎关键点的距离为边界框长度，在相邻两个颈椎关键点中心位置与拟合线做垂线，延长垂线至所述边界框长度，提取所述单个颈椎位置。
S105，将单个颈椎位置和预处理图像分别输入训练好的MT-UNet神经网络，得到单椎分割结果；
具体的，将所述预处理图像进行打乱顺序后按照6:2:2的比例划分为训练集、验证集、测试集；基于所述训练集训练所述MT-UNet神经网络60；基于所述验证集对所述MT-UNet神经网络60进行性能验证，保存满足性能条件的MT-UNet神经网络60；基于所述测试集评估所述MT-UNet神经网络60的单椎分割结果。
医学图像分割任务中UNet是最被广泛采用的用于医学图像分割的框架，因其特殊的级联结构可以有效的保留原始特征；而Transformer作为在NLP领域中一种十分流行的模型，目前正逐步引入到计算机视觉领域，在目标检测、图像分类和图像分割任务中均取得了优异的效果。
虽然UNet在医学图像分割领域取得了巨大的成功，但是缺少建立长程依赖关系的能力。而Transformer则在这一方面有优异性能，但却需要依赖大规模的预训练，并且拥有很高的计算复杂度。因此将二者结合起来可以比单独使用两种方法更有效，本文使用一种新的MT-UNet神经网络60，来对颈椎进行分割。
该网络中MTM首先使用局部-全局高斯权重自注意力模块来计算注意力，然后会通过外部注意力模块学习样本间关系。由于Transformer往往需要大规模预训练，因为没有办法借助先验知识，因此在设计MT-UNet时本文使用卷积作为浅层的特征提取器，这样为分割任务引入先验知识。
图7展示了网络的整体结构，主要网络还是编解码结构，使用skip-connection来保持地尺度特征。可以看到只有在较深层次使用MTM模块，此时空间分辨率比较小计算成本也比较低。因为本发明的颈椎分割矫正方法希望最开始的几层更关注局部关系，它们也包含更多的高分辨率细节信息；通过卷积还可以在建模全局关系之前引入一些结构信息，这些信息对小规模的医学图像数据集很有帮助。需要注意的是，是由的MTM模块都使用步长为2的步长卷积实现下采样和通道扩展，使用反卷积实现上采样/通道压缩。
图8展示了MTM模块的内部结构，可以看到包含LGG-SA和EA两部分。LGG-SA用于建模不同粒度的依赖关系，包括局部和全局的；EA则计算样本之间的相关性。这一模块用于替代原始Transformer的SA模块，用来实现更好的性能、更低的时间复杂度。
模型训练过程中，训练的batch_size为64，初始化学习率设置为1e-4，附加学习率衰减策略，每迭代5000次,学习率衰减为原来的0.9，优化器使用Adam优化器，使用损失函数为DICE loss，设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到最终模型即训练好的MT-UNet神经网络60。
S106，基于单椎分割结果对颈椎CT图像进行三维重建；
图9为本发明的对颈椎CT图像进行三维重建的示意图。
S107，通过颈椎拟合曲线计算颈椎旋转矩阵，基于颈椎旋转矩阵矫正三维重建后的颈椎CT图像；
具体的，通过颈椎拟合曲线来计算颈椎旋转矩阵，将颈椎拟合曲线以Z轴为旋转轴，顺时针方向每旋转1度，便在矢状面方向做一次投影，计算投影曲线的弯曲程度，曲线弯曲程度及弓顶距离，最大弓顶距离所对应的角度即为需要旋转的角度，通过此角度计算旋转矩阵来矫正分割后的脊柱。
该颈椎分割矫正方法，如图5所示，获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述颈椎关键点识别单个颈椎位置；将所述单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络60，得到单椎分割结果；基于所述单椎分割结果对所述颈椎CT图像进行三维重建；通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。可以节约人工识别成本，提高椎骨分割识别精度，同时该方法可以解决医生水平不同导致颈椎分割结果不同的情况，该颈椎分割矫正方法分割精度优于目前已有的神经网络，可以准确的将颈椎分割出来，更加准确的辅助医生进行手术规划，提高手术的成功率。
图2为本发明颈椎曲度检测方法实施例流程图，如图2所示，本发明实施例提供的一种颈椎曲度检测方法包括以下步骤：
S201，获取脊柱图像，对脊柱图像进行预处理，得到预处理图像；
具体的，标注脊柱图像中的颈椎区域，基于所述颈椎区域获取脊椎图像；将所述脊椎图像在矢状面方向进行投影，得到所述预处理图像。。
S202，将预处理图像输入HigherHRNet神经网络，得到颈椎关键点；
S203，对颈椎关键点进行拟合得到拟合颈椎曲线；
具体的，通过三次样条插值对所述颈椎关键点进行拟合得到拟合颈椎曲线。
S204，基于拟合颈椎曲线计算颈椎曲度；
具体的，测量弓顶位置集弓顶距离，具体包括：从齿状突尖至C7椎体后下缘划线，正常生理弓的弓顶应在C5椎体后上缘。如果弓顶不在C5椎体后上缘而在其下者为弓顶下移，或在C5椎体后上缘以上者为弓顶上移，均提示颈椎某节段有病变存在的可能。
对于拟合的曲线通过求曲线斜率最大处即为弓顶位置。连接C1和C7,其中点和弓顶的连线即为弓顶距离。
该颈椎曲度检测方法，获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述拟合颈椎曲线计算颈椎曲度。通过颈椎曲线检测颈椎弯曲程度，解决了现有技术中对颈椎曲度的检测较为复杂繁琐的问题。
图3为本发明颈椎分割矫正系统实施例流程图；如图3所示，本发明实施例提供的一种颈椎分割矫正系统，包括：
获取模块10，用于获取脊柱图像；
预处理模块20，用于对所述脊柱图像进行预处理，得到预处理图像；
HigherHRNet神经网络30，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块40，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
识别模块50，用于基于所述颈椎关键点识别单个颈椎位置；
MT-UNet神经网络60，用于基于输入的所述单个颈椎位置和所述预处理图像，得到单椎分割结果；
三维重建模块70，用于基于所述单椎分割结果对所述颈椎CT图像进行三维重建；
矫正模块80，用于通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。
本发明的一种颈椎分割矫正系统，通过获取模块10获取脊柱图像；通过预处理模块20对所述脊柱图像进行预处理，得到预处理图像；通过HigherHRNet神经网络30基于输入的所述预处理图像得到颈椎关键点；通过拟合模块40，对所述颈椎关键点进行拟合得到拟合颈椎曲线；通过识别模块50基于所述颈椎关键点识别单个颈椎位置；通过MT-UNet神经网络60基于输入的所述单个颈椎位置和所述预处理图像，得到单椎分割结果；通过三维重建模块70基于所述单椎分割结果对所述颈椎CT图像进行三维重建；通过矫正模块80，通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。分割精度优于目前已有的神经网络，可以准确的将颈椎分割出来，更加准确的辅助医生进行手术规划，提高手术的成功率。
图4为本发明颈椎曲度检测系统实施例流程图；如图4所示，本发明实施例提供的一种颈椎曲度检测系统，包括：
获取模块10，用于获取脊柱图像；
预处理模块20，用于对所述脊柱图像进行预处理，得到预处理图像；
HigherHRNet神经网络30，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块40，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
计算模块90，用于基于所述拟合颈椎曲线计算颈椎曲度。
本发明的一种颈椎曲度检测系统，通过获取模块10获取脊柱图像；通过预处理模块20对所述脊柱图像进行预处理，得到预处理图像；通过HigherHRNet神经网络30基于输入的所述预处理图像得到颈椎关键点；通过拟合模块40对所述颈椎关键点进行拟合得到拟合颈椎曲线；通过计算模块90基于所述拟合颈椎曲线计算颈椎曲度。通过颈椎曲线检测颈椎弯曲程度，解决了现有技术中对颈椎曲度的检测较为复杂繁琐的问题。
图10为本发明实施例提供的电子设备实体结构示意图，如图10所示，电子设备100包括：处理器1001(processor)、存储器1002(memory)和总线1003；
其中，处理器1001、存储器1002通过总线1003完成相互间的通信；
处理器1001用于调用存储器1002中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述颈椎关键点识别单个颈椎位置；将所述单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络60，得到单椎分割结果；基于所述单椎分割结果对所述颈椎CT图像进行三维重建；通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。或
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述拟合颈椎曲线计算颈椎曲度。
本实施例提供一种非暂态计算机可读介质，非暂态计算机可读介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述颈椎关键点识别单个颈椎位置；将所述单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络60，得到单椎分割结果；基于所述单椎分割结果对所述颈椎CT图像进行三维重建；通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。或
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；将所述预处理图像输入HigherHRNet神经网络30，得到颈椎关键点；对所述颈椎关键点进行拟合得到拟合颈椎曲线；基于所述拟合颈椎曲线计算颈椎曲度。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种颈椎分割矫正方法，其特征在于，所述方法具体包括：
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；
将所述预处理图像输入H i gherHRNet神经网络，得到颈椎关键点；
对所述颈椎关键点进行拟合得到拟合颈椎曲线；
基于所述颈椎关键点识别单个颈椎位置；
将所述单个颈椎位置和所述预处理图像分别输入训练好的MT-UNet神经网络，得到单椎分割结果；
基于所述单椎分割结果对所述颈椎CT图像进行三维重建；
通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。
2.根据权利要求1所述的颈椎分割矫正方法，其特征在于，所述获取脊柱图像，对所述脊柱图像进行图像预处理，得到预处理图像，包括：
标注脊柱图像中的颈椎区域，基于所述颈椎区域获取脊椎图像；
将所述脊椎图像在矢状面方向进行投影，得到所述预处理图像。
3.根据权利要求2所述的颈椎分割矫正方法，其特征在于，所述对所述颈椎关键点进行拟合得到拟合颈椎曲线，包括：
通过三次样条插值对所述颈椎关键点进行拟合得到拟合颈椎曲线。
4.根据权利要求3所述的颈椎分割矫正方法，其特征在于，所述基于所述颈椎关键点识别单个颈椎位置，包括：
计算相邻两个颈椎关键点的距离为边界框长度，在相邻两个颈椎关键点中心位置与拟合线做垂线，延长垂线至所述边界框长度，提取所述单个颈椎位置。
5.根据权利要求4所述的颈椎分割矫正方法，其特征在于，所述将所述单个颈椎位置分别输入训练好的MT-UNet神经网络分割单个颈椎，得到单椎分割结果，包括：
将所述预处理图像划分为训练集、验证集和测试集；
基于所述训练集训练所述MT-UNet神经网络；
基于所述验证集对所述MT-UNet神经网络进行性能验证，保存满足性能条件的MT-UNet神经网络；
基于所述测试集评估所述MT-UNet神经网络的单椎分割结果。
6.一种颈椎曲度检测方法，其特征在于，所述方法具体包括：
获取脊柱图像，对所述脊柱图像进行预处理，得到预处理图像；
将所述预处理图像输入Hi gherHRNet神经网络，得到颈椎关键点；
对所述颈椎关键点进行拟合得到拟合颈椎曲线；
基于所述拟合颈椎曲线计算颈椎曲度。
7.一种颈椎分割矫正系统，其特征在于，包括：
获取模块，用于获取脊柱图像；
预处理模块，用于对所述脊柱图像进行预处理，得到预处理图像；
HigherHRNet神经网络，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
识别模块，用于基于所述颈椎关键点识别单个颈椎位置；
MT-UNet神经网络，用于基于输入的所述单个颈椎位置和所述预处理图像，得到单椎分割结果；
三维重建模块，用于基于所述单椎分割结果对所述颈椎CT图像进行三维重建；
矫正模块，用于通过颈椎拟合曲线计算颈椎旋转矩阵，基于所述颈椎旋转矩阵矫正三维重建后的颈椎CT图像。
8.一种颈椎曲度检测系统，其特征在于，包括：
获取模块，用于获取脊柱图像；
预处理模块，用于对所述脊柱图像进行预处理，得到预处理图像；
H i gherHRNet神经网络，用于基于输入的所述预处理图像得到颈椎关键点；
拟合模块，用于对所述颈椎关键点进行拟合得到拟合颈椎曲线；
计算模块，用于基于所述拟合颈椎曲线计算颈椎曲度。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5或权利要求6中的任一项所述的方法的步骤。
10.一种非暂态计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5或权利要求6中的任一项所述的方法的步骤。
CN202211732011.XA 2022-12-30 2022-12-30 颈椎分割矫正、曲度检测方法、系统、电子设备及介质 Pending CN116128754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211732011.XA CN116128754A (zh) 2022-12-30 2022-12-30 颈椎分割矫正、曲度检测方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211732011.XA CN116128754A (zh) 2022-12-30 2022-12-30 颈椎分割矫正、曲度检测方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116128754A true CN116128754A (zh) 2023-05-16

Family

ID=86304041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211732011.XA Pending CN116128754A (zh) 2022-12-30 2022-12-30 颈椎分割矫正、曲度检测方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116128754A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420917A (zh) * 2023-12-19 2024-01-19 烟台大学 基于手部骨架的虚拟现实控制方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420917A (zh) * 2023-12-19 2024-01-19 烟台大学 基于手部骨架的虚拟现实控制方法、系统、设备及介质
CN117420917B (zh) * 2023-12-19 2024-03-08 烟台大学 基于手部骨架的虚拟现实控制方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Horng et al. Cobb angle measurement of spine from x‐ray images using convolutional neural network
CN110503654B (zh) 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN107369160B (zh) 一种oct图像中脉络膜新生血管分割算法
CN113689402B (zh) 基于深度学习的股骨髓腔形态识别方法、装置及存储介质
US11276232B2 (en) Intervertebral disc modeling
CN112184617B (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
US20220198230A1 (en) Auxiliary detection method and image recognition method for rib fractures based on deep learning
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN106157249A (zh) 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法
CN112598683B (zh) 一种基于扫频光学相干层析成像的扫频oct人眼图像分割方法
CN113096137B (zh) 一种oct视网膜图像领域适应分割方法及系统
CN110660480B (zh) 脊骨脱位辅助诊断方法及系统
CN116188479B (zh) 基于深度学习的髋关节图像分割方法及系统
CN116128754A (zh) 颈椎分割矫正、曲度检测方法、系统、电子设备及介质
EP3716100A1 (en) Classification device, classification method, program, and information recording medium
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
EP4360057A1 (en) Detecting and segmenting regions of interest in biomedical images using neural networks
CN116934859B (zh) 基于矢状位图的关键点识别方法及相关装置
Qin et al. Residual block-based multi-label classification and localization network with integral regression for vertebrae labeling
US20220414869A1 (en) Detecting and segmenting regions of interest in biomedical images using neural networks
CN110276755B (zh) 一种肿瘤位置定位系统及相关装置
CN115511882A (zh) 一种基于病变权重特征图的黑色素瘤识别方法
Cui et al. Cobb Angle Measurement Method of Scoliosis Based on U-net Network
CN112614092A (zh) 脊柱检测方法和装置
Gornale et al. Cognitive informatics, computer modeling and cognitive science assessment of knee osteoarthritis in radiographic images: a machine learning approach

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100176 Beijing Daxing District, Beijing Economic and Technological Development Zone (Tongzhou), No. 3 Jinghai Fifth Road, Building 19-5, Floors 8-101

Applicant after: Beijing Changmugu Medical Technology Co.,Ltd.

Applicant after: Zhang Yiling

Address before: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd.

Applicant before: Zhang Yiling