CN116158774B - 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 - Google Patents
用于测量胫骨平台后倾角的方法、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN116158774B CN116158774B CN202310125009.4A CN202310125009A CN116158774B CN 116158774 B CN116158774 B CN 116158774B CN 202310125009 A CN202310125009 A CN 202310125009A CN 116158774 B CN116158774 B CN 116158774B
- Authority
- CN
- China
- Prior art keywords
- tibial
- cortical rim
- posterior
- anterior
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000001054 cortical effect Effects 0.000 claims abstract description 152
- 210000002303 tibia Anatomy 0.000 claims abstract description 40
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 210000000689 upper leg Anatomy 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 abstract description 17
- 210000000629 knee joint Anatomy 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002730 additional effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003127 knee Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002980 postoperative effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011883 total knee arthroplasty Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
-
- 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
- G06T2207/30—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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于测量胫骨平台后倾角的方法、设备和计算机存储介质,包括:对所获取的图像进行预处理以获得输入图像数据,图像至少指示胫骨的上端,胫骨的上端与股骨相接触;基于输入图像数据,经由基于深度学习模型所构建的预测模型,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测值的多个点的坐标;以及基于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,计算胫骨平台后倾角。本公开能够根据膝关节侧位X光片自动地测量胫骨平台后倾角,避免手动测量胫骨平台后倾角时因测量标准不同、手动标记误差等问题造成的测量误差,提高测量精度。
Description
技术领域
本公开的实施例总体上涉及医学图像处理领域,并且更具体地,涉及用于测量胫骨平台后倾角的方法、电子设备和计算机存储介质。
背景技术
胫骨平台后倾角,即胫骨平台切线与胫骨解剖轴的垂线的夹角,是全膝关节置换术中的重要参数,其可以用于确认后倾截骨量,以及评估术后假体位置是否合适。
传统的用于测量胫骨平台后倾角的方法需要测量者(诸如医生)在膝关节侧位X光片上手动地标注出若干关键点,然后通过基于关键点连接力线以完成对胫骨平台后倾角的测量。然而,上述过程非常耗时,并且由于不同测量者对关键点的认知存在偏差,且手动标记同样容易引入误差,使得计算得到的胫骨平台后倾角存在较大测量误差,从而极大影响对术后假体位置的评估结果。
综上,上述传统的用于测量胫骨平台后倾角的方法非常耗时,且计算得到的胫骨平台后倾角存在较大测量误差。
发明内容
本公开提供了一种用于测量胫骨平台后倾角的方法、电子设备和计算机存储介质,能够根据膝关节侧位X光片自动并准确地测量胫骨平台后倾角,避免手动测量胫骨平台后倾角时因测量标准不同、手动标记误差等问题造成的测量误差,提高测量精度。
根据本公开的第一方面,提供了一种用于测量胫骨平台后倾角的方法,包括:对所获取的图像进行预处理,以获得输入图像数据,图像至少指示胫骨的上端,胫骨的上端与股骨相接触;基于输入图像数据,经由基于深度学习模型所构建的预测模型,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标;以及基于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,计算胫骨平台后倾角。
根据本公开的第二方面,提供了一种电子设备。该电子设备包括至少一个处理单元和至少一个存储器。至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。该指令当由至少一个处理单元执行时使得电子设备执行本公开的第一方面的方法的步骤。
在本公开的第三方面,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,计算机程序被机器执行时使机器实现根据本公开的第一方面所描述的方法的步骤。
在一些实施例中,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标包括:得到多个点的坐标,多个点包括第一点、第二点、第三点、第四点、第五点和第六点,其中,第一点指示胫骨平台前角最高点;第二点指示胫骨平台后角最高点;第三点和第四点在胫骨前方皮质缘处且间隔距离大于阈值;以及第五点和第六点在胫骨后方皮质缘处且间隔距离大于阈值。
在一些实施例中,计算胫骨平台后倾角包括:连接第一点和第二点以获得胫骨平台切线;连接第三点和第四点以获得第一连线,第一连线指示胫骨前方皮质缘;连接第五点和第六点以获得第二连线,第二连线指示胫骨后方皮质缘;基于第一连线和第二连线,计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线,角平分线用于指示胫骨解剖轴;基于角平分线,计算胫骨解剖轴的垂线;以及基于胫骨平台切线和胫骨解剖轴的垂线,计算胫骨平台后倾角。
在一些实施例中,计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线包括:计算第一连线的斜率,第一连线的斜率指示胫骨前方皮质缘的斜率;计算第二连线的斜率,第二连线的斜率指示胫骨后方皮质缘的斜率;以及根据第一连线的斜率和第二连线的斜率,计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线。
在一些实施例中,深度学习模型为VGG19网络、ResNet网络、RepVGG网络中的任一种。
在一些实施例中,预测模型是经由以下步骤而训练得到的:获取训练图像,训练图像至少指示胫骨的上端以及与胫骨的上端邻接的胫骨前方皮质缘和胫骨后方皮质缘;确定训练图像中的胫骨前方皮质缘和胫骨后方皮质缘是否满足预定一致性条件;响应于确定胫骨前方皮质缘和胫骨后方皮质缘满足预定一致性条件,采用单一线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注;响应于确定胫骨前方皮质缘和胫骨后方皮质缘不满足预定一致性条件,采用多条线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注;以及基于经标注的训练图像,生成用于输入预测模型的样本数据。
在一些实施例中,预定一致性条件包括:胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异小于或者等于预定阈值。
附图说明
通过参照附图的以下详细描述,本公开实施例的上述和其他目的、特征和优点将变得更容易理解。在附图中,将以示例以及非限制性的方式对本公开的多个实施例进行说明。
图1示出了根据现有技术的经标注的膝关节侧位X光片的示意图。
图2示出了根据本公开的实施例的用于实施测量胫骨平台后倾角的方法的系统200的示意图。
图3示出了根据本公开的实施例的用于测量胫骨平台后倾角的方法300的流程图。
图4示出了根据本公开的实施例的计算胫骨平台后倾角的方法400的流程图。
图5示出了根据本公开的实施例的膝关节侧位X光片的示意图。
图6示出了根据本公开的实施例的训练预测模型的方法600的流程图。
图7示出了根据本公开的实施例的VGG19深度学习网络结构的示意图。
图8示意性示出了适于用来实现本公开实施例的计算设备800的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述,传统的用于测量胫骨平台后倾角的方法需要测量者在膝关节侧位X光片上手动地标注出若干关键点,然后通过基于关键点连接力线以完成对胫骨平台后倾角的测量。具体地,结合图1所示的膝关节侧位X光片,测量者首先需手动地标注出指示胫骨平台前角最高点的点A和指示胫骨平台后角最高点的点B,连接点A和点B以确定胫骨平台的切线段AB。然后,通过多个内接圆的标注回归方式得到胫骨解剖轴,例如,确定胫骨髓腔中的第一内接圆及其圆心C和第二内接圆及其圆心D,连接圆心C和圆心D并延长以得到胫骨解剖轴L。基于胫骨解剖轴L,确定穿过点A的胫骨解剖轴L的垂线段AE,并根据胫骨平台的切线段AB和胫骨解剖轴L的垂线段AE的夹角确定胫骨平台后倾角。
上述过程由于通过测量者手动地进行,非常耗时。另一方面,传统的用于测量胫骨平台后倾角的方法通过多个内接圆的标注回归方式得到胫骨解剖轴,其要求每个标注的内接圆同时与胫骨前方皮质缘和胫骨后方皮质缘相切,一方面难以通过针对X光片进行图像特征提取的方式来准确确定内接圆,另一方面通过手动方式标注的内接圆通常难以满足上述要求,使得内接圆圆心的连线与实际胫骨解剖轴有一定程度的偏离,因而容易引入误差。此外,由于不同测量者对关键点的认知存在偏差,再加上前述手动标记引入的误差,使得计算得到的胫骨平台后倾角通常存在5度以上的测量误差,极大影响了对术后假体位置的评估的准确性。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于测量胫骨平台后倾角的方法,该方法通过基于输入图像数据经由基于深度学习模型所构建的预测模型得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,并基于这些点的坐标计算胫骨平台后倾角,使得能够自动地测量胫骨平台后倾角,避免手动测量时因测量标准不同、手动标记误差等问题造成的测量误差,提高测得的胫骨平台后倾角的精度。
图2示出了根据本公开的实施例的用于测量胫骨平台后倾角的方法的系统200的示意图。如图2所示,系统200可以包括输入设备205、计算设备210和输出设备215。应理解,系统200还可以包括未示出的附加设备和/或可以省略所示出的设备,本公开的范围在此方面不受限制。
关于输入设备205,其例如用于输入膝关节侧位X光片。
关于计算设备210,其例如用于测量胫骨平台后倾角的方法。在一些实施例中,计算设备210可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备上也可以运行着一个或多个虚拟机。
如图2所示,计算设备210例如包括:图像预处理单元212、点坐标生成单元214和胫骨平台后倾角计算单元216。上述图像预处理单元212、点坐标生成单元214和胫骨平台后倾角计算单元216可以配置在一个或者多个计算设备210上。
关于图像预处理单元212,其用于对所获取的图像进行预处理,以获得输入图像数据。
关于点坐标生成单元214,其用于基于输入图像数据,经由基于深度学习模型所构建的预测模型,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标。
关于胫骨平台后倾角计算单元216,其用于基于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,计算胫骨平台后倾角。
关于输出设备215,其用于输出经由计算设备210计算得到的胫骨平台后倾角。例如,输出设备215可以是扬声器、显示器或具有显示屏的适当的设备等。
以下结合图3至图5描述用于测量胫骨平台后倾角的方法300。图3示出了根据本公开的实施例的用于测量胫骨平台后倾角的方法300的流程图。方法300可由如图8所示的电子设备800处执行。应当理解,方法300还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤302,计算设备210对所获取的图像进行预处理,以获得输入图像数据。
关于所获取的图像,其至少指示胫骨的上端,即胫骨与股骨相接触的部分。根据本公开的实施例,对所获取的图像预处理可以包括,例如,对图像中胫骨的上端进行放大,使得胫骨的上端具有期望的大小。替代地,可以对图像清晰化或调整饱和度,使得图像中胫骨的边缘更为清晰,以方便后续基于图像确定各关键点的位置。
在步骤304,计算设备210基于输入图像数据,经由基于深度学习模型所构建的预测模型,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标。
关于深度学习模型,其可以为VGG19网络、ResNet网络、RepVGG网络中的任一种。图7示出了根据本公开的实施例的VGG19深度学习网络结构的示意图。
如图7所示,VGG19深度学习网络具有19个隐藏层,其使用连续的小卷积核(3x3)代替大的卷积核(例如,11x11、7x7、5x5),使得网络的深度更深,并且对边缘进行填充,卷积的过程并不会降低图像尺寸,从而更好地进行点回归。
根据本公开的实施例,可以使用损失函数例如Smooth L1来确定预测模型的鲁棒性。Smooth L1损失函数的表达式可参见如下公式(6)。
在上述公式(6)中,
关于预测模型,其输出结果可以为用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标。下面将在图6详细描述该预测模型训练过程。
关于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,其例如可以包括:用于指示胫骨平台前角最高点的位置的点的坐标、用于指示胫骨平台后角最高点的位置的点的坐标、用于指示胫骨前方皮质缘的位置的数个点的坐标、用于指示胫骨后方皮质缘的位置的数个点的坐标等。
在步骤306,计算设备210基于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,计算胫骨平台后倾角。
关于计算胫骨平台后倾角,其可以是基于用于胫骨平台前角最高点和胫骨平台后角最高点的位置预测的点的坐标得到胫骨平台切线,并基于用于胫骨前方皮质缘和胫骨后方皮质缘的位置预测的点的坐标得到胫骨解剖轴,然后通过计算胫骨平台切线与胫骨解剖轴的垂线的夹角得到胫骨平台后倾角,下面将结合图4详细说明。
图4示出了根据本公开的实施例的计算胫骨平台后倾角的方法400的流程图。方法400可由如图8所示的电子设备800处执行。应当理解,方法400还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤402,得到多个点的坐标,结合图5所示的膝关节侧位X光片,多个点至少可以包括第一点A(xA,yA)、第二点B(xB,yB)、第三点C(xC,yC)、第四点D(xD,yD)、第五点E(xE,yE)和第六点F(xF,yF),其中,第一点A指示胫骨平台前角的最高点,第二点B指示胫骨平台后角最高点,第三点C和第四点D在胫骨前方皮质缘处且间隔距离大于阈值,第五点E和第六点F在胫骨后方皮质缘处且间隔距离大于阈值。
关于第三点C和第四点D,其在胫骨前方皮质比较直的部分,并且第三点C和第四点D的间隔距离不能太短,例如,可以通过使得第三点C和第四点D的间隔距离大于阈值(例如,4.5cm、5cm、5.5cm等),以使得后续基于第三点C和第四点D得到的第一连线CD可以更准确地指示胫骨前方皮质缘,从而减小后续针对胫骨平台后倾角的计算误差。在一些实施例中,可以使得第三点C和第四点D的间隔距离大于5cm。
关于第五点E和第六点F,类似地,其在胫骨后方皮质比较直的部分,并且第五点E和第六点F的间隔距离大于阈值(例如,4.5cm、5cm、5.5cm等),以使得后续基于第五点E和第六点F得到的第二连线EF可以更准确地指示胫骨后方皮质缘。在一些实施例中,第五点E和第六点F的间隔距离可以大于5cm。
在步骤404,连接第一点A和第二点B以获得胫骨平台切线。
关于胫骨平台切线,其为胫骨平台前角的最高点和胫骨平台后角最高点的连接线,即第一点A与第二点B的连接线AB。根据本公开的实施例,可以根据第一点A和第二点B的坐标通过下述公式(1)计算连接线AB与水平线的夹角θAB。
在步骤406,连接第三点C和第四点D以获得指示胫骨前方皮质缘的第一连线CD。
关于第一连线CD,其指示胫骨前方皮质缘比较直的部分,且长度大于5cm。
在步骤408,连接第五点E和第六点F以获得指示胫骨后方皮质缘的第二连线EF。
关于第二连线EF,其指示胫骨后方皮质缘比较直的部分,且长度大于5cm。
在步骤410,基于第一连线CD和第二连线EF,计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm,该角平分线lm用于指示胫骨解剖轴。
如上所述,第一连线CD指示胫骨前方皮质缘,第二连线EF指示胫骨后方皮质缘,因此第一连线CD和第二连线EF的角平分线lCD-EF可以视为胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm。换言之,计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm相当于计算第一连线CD和第二连线EF的角平分线lCD-EF。
关于计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm,其可以进一步包括:计算指示胫骨前方皮质缘的第一连线CD的斜率;计算指示胫骨后方皮质缘的第二连线EF的斜率;以及根据第一连线CD的斜率和第二连线EF的斜率计算胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm。
关于第一连线CD的斜率,其可以由第一连线CD与水平线(即x轴)的夹角θCD表示。类似地,关于第二连线EF的斜率,其可以由第二连线EF与水平线的夹角θEF表示。
根据本公开的实施例,可以通过下述公式(2)和公式(3)分别计算θCD以及θEF。
基于通过上述公式(2)和公式(3)得到的θCD以及θEF,然后可以通过下述公式(4)计算第一连线CD和第二连线EF的角平分线lCD-EF与水平线的夹角θm。
由上可知,这里的θm也可以理解为胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm与水平线的夹角。
此外,由于胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm通常与胫骨髓腔的轴线重合,因此在本公开的实施例中,胫骨前方皮质缘和胫骨后方皮质缘的角平分线lm可以指示胫骨解剖轴。
在步骤412,基于在步骤414处得到的角平分线lm,计算胫骨解剖轴的垂线。
关于计算胫骨解剖轴的垂线,基于通过上述公式(4)得到的θm,可以容易地计算出在步骤414处得到的角平分线lm的垂线与水平线的夹角θm′=θm-90°。这里,θm′也可以视为胫骨解剖轴的垂线与水平线的夹角。
在步骤414,基于胫骨平台切线和胫骨解剖轴的垂线,计算胫骨平台后倾角θ。
如上所述,胫骨平台后倾角θ为胫骨平台切线与胫骨解剖轴的垂线的夹角,因此,关于计算胫骨平台后倾角θ,其可以通过如下公式(5),基于胫骨平台切线AB与水平线的夹角θAB以及胫骨解剖轴的垂线与水平线的夹角θm′计算得到。
θ=θm′-θAB=θm-θAB-90° (5)
根据如上所述的方式计算胫骨平台后倾角,使得计算过程简便,避免了传统通过多个内接圆的标注回归方式计算胫骨平台后倾角所引入的误差,从而提高了所测得的胫骨平台后倾角的精度。
以下结合图6至图7描述根据本公开实施例训练预测模型的方法600。
图6示出了根据本公开的实施例的训练预测模型的方法600的流程图。应当理解,方法600还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤602,获取训练图像。
关于训练图像,其至少指示胫骨的上端以及与胫骨的上端邻接的胫骨前方皮质缘和胫骨后方皮质缘。根据本公开的实施例,所获取的训练图像可以是通过临床上收集到的、经脱敏和筛选处理后的术后膝关节侧位X光片。在一些实施例中,训练图像需清楚地指示胫骨的上端以及与胫骨的上端邻接的胫骨前方皮质缘和胫骨后方皮质缘并且具有适当的拍摄角度。例如,可以采用Tenengrad梯度方法计算收集到的术后膝关节侧位X光片的清晰度,并自动剔除明显不清晰的X光片。
在步骤604,采用点标注方式对训练图像中的胫骨平台前角最高点和胫骨平台后角最高点进行标注。
根据本公开的实施例,基于所标注出的胫骨平台前角最高点与胫骨平台后角最高点,该两点的连线即可以为胫骨平台切线。
在步骤606,确定训练图像中的胫骨前方皮质缘和胫骨后方皮质缘是否满足预定一致性条件。
关于预定一致性条件,其是指胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异小于或者等于预定阈值。在一些实施例中,由于胫骨畸形(例如,弯曲),使得单一线段不能很好地标注出胫骨皮质缘,为了进一步降低标注和训练误差,替代地,可以采用多条线段地方式分段地标注出胫骨皮质缘,取所标注的多条线段的斜率的均值作为胫骨皮质缘的斜率,从而提高训练图像标注的准确性。因此,根据本公开的实施例,可以通过确定胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异是否小于或者等于预定阈值(例如,1°),来确定是采用单一线段还是多条线段来标注胫骨皮质缘。
响应于确定胫骨前方皮质缘和胫骨后方皮质缘满足预定一致性条件,即响应于胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异小于或者等于预定阈值,在步骤608,采用单一线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注,以便基于所标注的单一线段的斜率计算胫骨前方皮质缘和胫骨后方皮质缘的斜率。例如,当胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异小于或者等于1°,采用单一线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注。
响应于确定胫骨前方皮质缘和胫骨后方皮质缘不满足预定一致性条件,即响应于胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异大于预定阈值,在步骤610,采用多条线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注,以便基于所标注的多条线段的斜率的均值计算胫骨前方皮质缘和胫骨后方皮质缘的斜率。例如,当胫骨前方皮质缘和胫骨后方皮质缘的不同区段的斜率差异大于1°,采用多条线段的标注方式分别对训练图像中的胫骨前方皮质缘和胫骨后方皮质缘进行标注。
在本公开的实施例中,基于如上所述的点标注和线标注结合的标注方式对训练图像进行标注,可以更准确地标注出胫骨平台切线以及胫骨前方皮质缘和胫骨后方皮质缘,降低标注误差,从而提高后续对胫骨平台后倾角的计算的准确性。
在又一些实施例中,为了更好地提高准确性,可选地采用多人(诸如双人)背对背标注的方式对训练图像进行如上所述的标注,并将针对同一训练图像的标注数据进行校验比对,若不同人针对同一训练图像的标注数据的误差超过一定范围(例如,基于针对同一训练图像的不同标注数据计算得到的胫骨平台后倾角的差值远大于1°),则换人对该训练图像进行重新标注,直至误差在1°左右或小于1°。
在步骤612,基于经标注的训练图像,生成用于输入预测模型的样本数据。
关于输入预测模型的样本数据,其可以包括用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置标注的点和/或线段的数据。
在步骤614,基于输入的样本数据,训练预测模型。
关于预测模型,在本公开的一个实施例中,其可以是基于VGG19深度学习网络结构所构建的。
综上,根据本公开的上述实施例,提供了一种能够根据膝关节侧位X光片自动地测量胫骨平台后倾角的方法,避免传统方法中因测量标准不同、手动标记误差等问题造成的测量误差,提高了测量精度。同时,基于本公开的发明构思,还建立了一种较为标准的、可以进行横向对比的膝关节置换术效果评估指标,以帮助施术者更好地评估膝关节置换手术的施术效果,降低了评估成本,并且能够帮助患者更好地了解当前膝关节的情况。
图8示意性示出了适于用来实现本公开实施例的计算设备800的框图。设备800可以是用于实现执行图3所示的方法300的设备。如图8所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。CPU 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。
设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808,处理单元801执行上文所描述的各个方法和处理,例如执行方法300。例如,在一些实施例中,方法300可被实现为计算机软件程序,其被存储于机器可读介质,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ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由CPU 801执行时,可以执行上文描述的方法300的一个或多个操作。备选地,在其他实施例中,CPU 801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法300的一个或多个动作。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种用于测量胫骨平台后倾角的方法,包括:
对所获取的图像进行预处理,以获得输入图像数据,所述图像至少指示胫骨的上端,所述胫骨的上端与股骨相接触;
基于所述输入图像数据,经由基于深度学习模型所构建的预测模型,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标;以及
基于用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标,计算所述胫骨平台后倾角,
其中计算所述胫骨平台后倾角包括:
基于用于胫骨平台前角最高点和胫骨平台后角最高点的位置预测的点的坐标,确定胫骨平台切线;
基于用于胫骨前方皮质缘和胫骨后方皮质缘的位置预测的点的坐标,计算所述胫骨前方皮质缘和所述胫骨后方皮质缘的角平分线,所述角平分线用于指示胫骨解剖轴;以及
通过计算所述胫骨平台切线与所述胫骨解剖轴的垂线的夹角,计算所述胫骨平台后倾角,
其中用于训练预测模型的样本数据包括用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置标注的点和/或线段的数据,预测模型的输出结果为用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标。
2.根据权利要求1所述的方法,其中,得到用于胫骨平台前角最高点、胫骨平台后角最高点、胫骨前方皮质缘和胫骨后方皮质缘的位置预测的多个点的坐标包括:
得到所述多个点的坐标,所述多个点包括第一点、第二点、第三点、第四点、第五点和第六点,其中,所述第一点指示胫骨平台前角最高点;所述第二点指示胫骨平台后角最高点;所述第三点和所述第四点在所述胫骨前方皮质缘处且间隔距离大于阈值;以及所述第五点和所述第六点在所述胫骨后方皮质缘处且间隔距离大于阈值。
3.根据权利要求2所述的方法,其中,计算所述胫骨平台后倾角包括:
连接所述第一点和所述第二点以获得胫骨平台切线;
连接所述第三点和所述第四点以获得第一连线,所述第一连线指示所述胫骨前方皮质缘;
连接所述第五点和所述第六点以获得第二连线,所述第二连线指示所述胫骨后方皮质缘;
基于所述第一连线和所述第二连线,计算所述胫骨前方皮质缘和所述胫骨后方皮质缘的角平分线,所述角平分线用于指示胫骨解剖轴;
基于所述角平分线,计算所述胫骨解剖轴的垂线;以及
基于所述胫骨平台切线和所述胫骨解剖轴的垂线,计算所述胫骨平台后倾角。
4.根据权利要求3所述的方法,其中,计算所述胫骨前方皮质缘和所述胫骨后方皮质缘的角平分线包括:
计算所述第一连线的斜率,所述第一连线的斜率指示所述胫骨前方皮质缘的斜率;
计算所述第二连线的斜率,所述第二连线的斜率指示所述胫骨后方皮质缘的斜率;以及
根据所述第一连线的斜率和所述第二连线的斜率,计算所述胫骨前方皮质缘和所述胫骨后方皮质缘的角平分线。
5.根据权利要求1所述的方法,其中,所述深度学习模型为VGG19网络、ResNet网络、RepVGG网络中的任一种。
6.根据权利要求1所述的方法,其中,所述预测模型是经由以下步骤而训练得到的:
获取训练图像,所述训练图像至少指示胫骨的上端以及与所述胫骨的上端邻接的胫骨前方皮质缘和胫骨后方皮质缘;
确定所述训练图像中的所述胫骨前方皮质缘和所述胫骨后方皮质缘是否满足预定一致性条件;
响应于确定所述胫骨前方皮质缘和所述胫骨后方皮质缘满足预定一致性条件,采用单一线段的标注方式分别对所述训练图像中的所述胫骨前方皮质缘和所述胫骨后方皮质缘进行标注;
响应于确定所述胫骨前方皮质缘和所述胫骨后方皮质缘不满足预定一致性条件,采用多条线段的标注方式分别对所述训练图像中的所述胫骨前方皮质缘和所述胫骨后方皮质缘进行标注;以及
基于经标注的训练图像,生成用于输入预测模型的样本数据。
7.根据权利要求6所述的方法,其中,所述预定一致性条件包括:
所述胫骨前方皮质缘和所述胫骨后方皮质缘的不同区段的斜率差异小于或者等于预定阈值。
8.一种电子设备,包括:
至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述电子设备执行根据权利要求1-7中任一项所述的方法的步骤。
9.一种非瞬态计算机可读存储介质,其上存储有机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125009.4A CN116158774B (zh) | 2023-02-07 | 2023-02-07 | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125009.4A CN116158774B (zh) | 2023-02-07 | 2023-02-07 | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116158774A CN116158774A (zh) | 2023-05-26 |
CN116158774B true CN116158774B (zh) | 2024-04-16 |
Family
ID=86417890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310125009.4A Active CN116158774B (zh) | 2023-02-07 | 2023-02-07 | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116158774B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617870A (zh) * | 2020-12-16 | 2021-04-09 | 哈尔滨文缔拓明科技有限公司 | 一种基于dr图像的成人髋关节角度获取方法 |
CN113177915A (zh) * | 2021-04-20 | 2021-07-27 | 中国科学院高能物理研究所 | 一种胫骨平台后倾角测量方法及装置、存储介质 |
CN114711794A (zh) * | 2022-03-02 | 2022-07-08 | 中国人民解放军总医院第四医学中心 | 基于深度学习的膝关节胫骨置换术后评估系统 |
CN114711796A (zh) * | 2022-03-17 | 2022-07-08 | 天津市天津医院 | 双下肢负重位力线测量及诊断系统及智能化测量方法 |
CN115170562A (zh) * | 2022-09-06 | 2022-10-11 | 天河超级计算淮海分中心 | 一种x光影像处理系统 |
CN218106067U (zh) * | 2022-03-07 | 2022-12-23 | 上海市第五人民医院 | 一种测量股骨转子间骨折pfna术中aba和tad的器械 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3566651B1 (de) * | 2018-05-08 | 2022-06-29 | Siemens Healthcare GmbH | Verfahren und vorrichtung zur ermittlung von ergebniswerten auf basis einer skelettalen medizintechnischen bildaufnahme |
-
2023
- 2023-02-07 CN CN202310125009.4A patent/CN116158774B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617870A (zh) * | 2020-12-16 | 2021-04-09 | 哈尔滨文缔拓明科技有限公司 | 一种基于dr图像的成人髋关节角度获取方法 |
CN113177915A (zh) * | 2021-04-20 | 2021-07-27 | 中国科学院高能物理研究所 | 一种胫骨平台后倾角测量方法及装置、存储介质 |
CN114711794A (zh) * | 2022-03-02 | 2022-07-08 | 中国人民解放军总医院第四医学中心 | 基于深度学习的膝关节胫骨置换术后评估系统 |
CN218106067U (zh) * | 2022-03-07 | 2022-12-23 | 上海市第五人民医院 | 一种测量股骨转子间骨折pfna术中aba和tad的器械 |
CN114711796A (zh) * | 2022-03-17 | 2022-07-08 | 天津市天津医院 | 双下肢负重位力线测量及诊断系统及智能化测量方法 |
CN115170562A (zh) * | 2022-09-06 | 2022-10-11 | 天河超级计算淮海分中心 | 一种x光影像处理系统 |
Non-Patent Citations (2)
Title |
---|
"Early experience of lateral hinge fracture during medial opening‑wedge high tibial osteotomy: incidence and clinical outcomes";Kwang Yun Song等;《ARCHIVES OF ORTHOPAEDIC AND TRAUMA SURGERY》;第140卷(第2期);第161-169页 * |
"The effects of different hinge positions on posterior tibial slope in medial open‑wedge high tibial osteotomy";Ho‑Seung Jo等;《Knee Surg Sports Traumatol Arthrosc》;第26卷(第6期);第1851-1858页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116158774A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112842529B (zh) | 全膝关节图像处理方法及装置 | |
US9842394B2 (en) | Detection of anatomical landmarks | |
Damas et al. | Forensic identification by computer-aided craniofacial superimposition: a survey | |
US20030229299A1 (en) | Method of and system for evaluating joint and computer program for carrying out the method | |
CN114431957B (zh) | 基于深度学习的全膝关节置换术后翻修术前规划系统 | |
US20200167911A1 (en) | Medical image data | |
WO2023165265A1 (zh) | 膝关节动张力平衡态评估方法及装置 | |
Vera et al. | Artificial intelligence techniques for automatic detection of peri-implant marginal bone remodeling in intraoral radiographs | |
US20210193326A1 (en) | Method and apparatus of providing osteoarthritis prediction information | |
CN116158774B (zh) | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 | |
CN113077499A (zh) | 骨盆配准方法、骨盆配准装置和骨盆配准系统 | |
Fakhrai et al. | Automatic assessment of the knee alignment angle on full-limb radiographs | |
CN116712094A (zh) | 一种基于负重模拟ct装置的膝关节测量系统 | |
KR101659056B1 (ko) | 2차원 기술자를 이용한 두개골유합증 자동진단시스템 및 이를 이용한 두개골유합증 자동진단방법 | |
CN115861459A (zh) | 根据2d投影图像的几何测量值的校正 | |
CN114376724B (zh) | 目标特征点的确定方法、装置、设备及计算机存储介质 | |
Broberg et al. | Validation of a machine learning technique for segmentation and pose estimation in single plane fluoroscopy | |
Westermann et al. | Three-dimensional characterization of the anterior cruciate ligament's femoral footprint | |
Li et al. | Comparing two different automatic methods to measure femoral neck-shaft angle based on PointNet++ network | |
US11664116B2 (en) | Medical image data | |
EP4246451A1 (en) | Method for modelling a joint | |
EP4187546A1 (en) | Assisting subject positioning in medical imaging | |
EP4040388A1 (en) | Intuitive display for rotator cuff tear diagnostics | |
Przystalski et al. | Automated correction angle calculation in high tibial osteotomy planning | |
Phan et al. | Automatic computation of bernard quadrant in the distal femur |
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 |