CN116188443A - 一种基于轴状位医学影像的腰椎间盘突出分型系统 - Google Patents

一种基于轴状位医学影像的腰椎间盘突出分型系统 Download PDF

Info

Publication number
CN116188443A
CN116188443A CN202310209533.XA CN202310209533A CN116188443A CN 116188443 A CN116188443 A CN 116188443A CN 202310209533 A CN202310209533 A CN 202310209533A CN 116188443 A CN116188443 A CN 116188443A
Authority
CN
China
Prior art keywords
axial
center
positioning
intervertebral disc
coordinates
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
CN202310209533.XA
Other languages
English (en)
Inventor
李晓磊
刘学锋
张伟
宋然
李腾
丛润民
冯世庆
周恒星
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202310209533.XA priority Critical patent/CN116188443A/zh
Publication of CN116188443A publication Critical patent/CN116188443A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于医学影像处理领域，提供了一种基于轴状位医学影像的腰椎间盘突出分型系统，该系统基于腰椎轴状位医学影像和训练好的残差神经网络对椎体与椎间盘进行初步定位得到所有帧图像的关键点初步定位坐标；遍历所有帧图像的关键点初步定位坐标，判断是否符合轴状位关键点定位约束条件，若所有帧图像均符合则定位正确，输出轴状位关键点坐标；否则根据定位正确图像的关键点坐标修正定位错误图像的坐标；用于根据轴状位椎间盘分割网络得到椎间盘突出区域，基于该椎间盘突出区域得到突出部分的坐标；基于轴状位关键点坐标结果划分辅助线，形成轴状位腰椎间盘辅助线，根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系，得到突出分型结果。

Description

一种基于轴状位医学影像的腰椎间盘突出分型系统
技术领域
本发明属于深度学习与医学影像处理领域，尤其涉及一种基于轴状位医学影像的腰椎间盘突出分型系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，腰椎间盘突出症(Lumbar Disc Herniation,LDH)是脊柱外科最多见的疾病，严重影响患者的生活质量和生活能力。近年来，我国患LDH的病人呈持续上升趋势，多发生于生理功能退化的老年人、重体力劳动与农作的人群等。LDH的诊断中常用的医学影像技术有电子计算机断层扫描(Computed Tomography,CT)和核磁共振成像(MagneticResonance Imaging,MRI)，对于影像的准确识读和判断，有助于及早发现退变性病变，并对病人制定合理的医疗方案。但是实际诊断中，医生的阅片劳动量很大，极易因劳累造成阅片失误；同时需要医生具备丰富的诊疗经验，有时存在不同医生的阅片结论不同的现象。
如今绝大多数腰椎间盘突出判断都是基于矢状位，即通过一些算法去检测脊柱，从而定位锥体，进行锥体分割。如Corso等人提出了利用两级概率模型，即通过像素信息和对象信息进行椎间盘定位和标记；Stern等人提出了检测脊柱中心线以及椎体和椎间盘中心的算法，然而仅仅通过矢状位判断只能用于腰椎间盘的大致突出判断，无法给出准确的突出分型。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于轴状位医学影像的腰椎间盘突出分型系统，其在自动判断腰椎间盘突出的基础上，结合该突出腰椎间盘的轴状位图像进行进一步分析，判断其突出的大小和位置，可以帮助医生提高诊断结果的准确性以及对图像、疾病解释的一致性，使得诊断结果更客观更准确，减少了医生的工作量，有助于提升医生看病就诊的质量与效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于轴状位医学影像的腰椎间盘突出分型系统，包括：
图像获取模块，用于获取腰椎轴状位医学影像；
初步定位模块，用于基于腰椎轴状位医学影像和训练好的残差神经网络对椎体与椎间盘进行初步定位得到所有帧图像的关键点初步定位坐标；
关键点定位修正模块，用于遍历所有帧图像的关键点初步定位坐标，判断是否符合轴状位关键点定位约束条件，若所有帧图像均符合则定位正确，输出轴状位关键点坐标；否则根据定位正确图像的关键点坐标修正定位错误图像的坐标；
轴状位椎间盘突出分割模块，用于根据轴状位椎间盘分割网络得到椎间盘突出区域，基于该椎间盘突出区域得到突出部分的坐标；
分型模块，用于基于轴状位关键点坐标结果划分辅助线，形成轴状位腰椎间盘辅助线，根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系，得到突出分型结果。
作为一种实施方式，所述轴状位关键点定位约束条件，包括第一约束条件和第二约束条件；
其中，第一约束条件为判断上关节突纵坐标和下关节突纵坐标，若上关节突纵坐标小于下关节突纵坐标，定位正确；
第二约束条件为判断上关节突到椎间盘中心和棘突中心连线的距离和下关节突到椎间盘中心和棘突中心连线的距离，若判断上关节突到椎间盘中心和棘突中心连线的距离小于下关节突到椎间盘中心和棘突中心连线的距离，定位正确。
作为一种实施方式，在得到所有帧图像各自的关键点初步定位坐标后，遍历每帧图像的定位结果，若不符合轴状位关键点定位约束条件，则将当前帧图像标志位设置为0，符合则将标志位设置为1。
作为一种实施方式，所述轴状位关键点定位约束表示为：
Figure BDA0004112206230000031
Figure BDA0004112206230000032
d1>3
d2>4
其中，d1和d2分别表示左上关节突和右上关节突到椎间盘中心和棘突中心的连线的距离，d3和d4分别表示左下关节突和右下关节突到椎间盘中心和棘突中心的连线的距离，β1与β2为轴状位关键点约束的临界条件。
作为一种实施方式，所述突出部分为椎间盘突出区域沿椎间盘中心与棘突中心连线方向的纵坐标最大值。
作为一种实施方式，所述残差神经网络采用ResNet-101残差神经网络。
作为一种实施方式，所述轴状位椎间盘分割网络采用U-Net网络，所述U-Net网络增加一个通道。
作为一种实施方式，所述关键点包括椎间盘中心、棘突中心、左上关节突、左下关节突、右上关节突和右下关节突。
作为一种实施方式，所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系包括：
若突出部分在下关节突两点连线的下方，则为3型；
若突出部分在下关节突间两点连线与上关节突两点间连线之间，则为2型，否则为1型。
作为一种实施方式，所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系还包括：
若突出部分落在L2与L3外，则其为C型；
若突出部分落在L2与L3内、L4与L5外，则为B型；
若突出部分落在L4与L5内，则为A型；若其落在L4或L5上，则为AB型；所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系包括：
其中，L1表示过椎间盘中心与棘突中心的直线；L2与L3表示分别过下关节突作椎间盘中心与棘突中心连接线的平行线；L4与L5表示分别过下关节突与棘突中心连线的中点作椎间盘中心与棘突中心连接线的平行线。
本发明的有益效果是：
本发明基于腰椎轴状位医学影像和训练好的残差神经网络对椎体与椎间盘进行初步定位得到所有帧图像的关键点初步定位坐标；对关键点定位进行修正后，对突出进行分割得到突出部分的坐标，根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系，得到突出分型结果，可以在自动判断腰椎间盘突出的基础上，结合该突出腰椎间盘的轴状位图像进行进一步分析，判断其突出的大小和位置，可以帮助医生提高诊断结果的准确性以及对图像、疾病解释的一致性，使得诊断结果更客观更准确，减少了医生的工作量，有助于提升医生看病就诊的质量与效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例基于轴状位医学影像的腰椎间盘突出分型系统框图；
图2是本发明实施例腰椎间盘图像标注示意图；
图3是本发明实施例轴状图关键点；
图4是本发明实施例轴状位关键点定位网络结构图；
图5(a)-图5(b)是本发明实施例轴状图定位错误样本图，其中，图5(a)为右上关节突定位错误，图5(b)为左上关节突定位错误；
图6(a)-图6(c)是本发明实施例腰段椎管的形状；其中，图6(a)为卵圆状腰段椎管，图6(b)为三角形腰段椎管，图6(c)为三叶状腰段椎管；
图7是本发明实施例轴状图椎间盘及突出分割结果；
图8(a)-图8(d)是本发明实施例MSU分型诊断图；其中，图8(a)为1-C型,图8(b)为1-B型,图8(c)为3-A型,图8(d)为2-AB型；
图9是本发明实施例椎间盘突出MSU分型结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明在自动判断腰椎间盘突出的基础上，结合该突出腰椎间盘的轴状位图像进行进一步分析，判断其突出的大小和位置。该模型可以帮助医生提高诊断结果的准确性以及对图像、疾病解释的一致性，使得诊断结果更客观更准确，减少了医生的工作量，有助于提升医生看病就诊的质量与效率。
如图1-图2所示，本实施例提供了一种基于轴状位医学影像的腰椎间盘突出分型系统，包括：
图像获取模块，用于获取腰椎轴状位医学影像；
初步定位模块，用于基于腰椎轴状位医学影像和训练好的残差神经网络对椎体与椎间盘进行初步定位得到所有帧图像的关键点初步定位坐标；
关键点定位修正模块，用于遍历所有帧图像的关键点初步定位坐标，判断是否符合轴状位关键点定位约束条件，若所有帧图像均符合则定位正确，输出轴状位关键点坐标；否则根据定位正确图像的关键点坐标修正定位错误图像的坐标；
轴状位椎间盘突出分割模块，用于根据轴状位椎间盘分割网络得到椎间盘突出区域，基于该椎间盘突出区域得到突出部分的坐标；
分型模块，用于基于轴状位关键点坐标结果划分辅助线，形成轴状位腰椎间盘辅助线，根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系，得到突出分型结果。
其中，图像获取模块中，所述医学图像可以为电子计算机断层扫描(ComputedTomography,CT)和核磁共振成像(Magnetic Resonance Imaging,MRI)等，本实施例中选用MRI图像。
其中，在初步定位模块中，在训练ResNet残差神经网络时：
对轴状图中的椎间盘中心、棘突中心、左上关节突、左下关节突、右上关节突和右下关节突六个关键点进行标注得到标注图片，如图3所示。
基于一定数量的标注图片作为测试数据集对ResNet-101残差神经网络进行训练，实现关键点的初步定位。
其中，本实施例中的标注图片不少于1000张；
其中，ResNet-101残差神经网络的结构如图4所示，将标注图片分批次输入网络，经过池化层，残差块等结构，进行反向传播，得到基本的网络参数。重复以上过程，直至网络损失值达到期望值停止训练，得到关键点定位网络。
实际应用中，受限于训练数据集的数量和质量，基于ResNet网络对影像中中的关键点的定位会有定位错误的情况，如图5(a)-图5(b)所示为定位错误样本图，图5(a)为右上关节突关节定位错误，图5(b)为左上关节突关节定位错误。
其中，定位修正模块中，所述轴状位关键点定位约束条件，包括第一约束条件和第二约束条件；
第一约束条件：判断上关节突纵坐标和下关节突纵坐标，若上关节突纵坐标小于下关节突纵坐标，定位正确；
第二约束条件：判断上关节突到椎间盘中心和棘突中心连线的距离和下关节突到椎间盘中心和棘突中心连线的距离，若判断上关节突到椎间盘中心和棘突中心连线的距离小于下关节突到椎间盘中心和棘突中心连线的距离，定位正确。
在得到所有帧图像各自的关键点初步定位坐标后，遍历每帧图像的定位结果，分别用P＝{P1,2,…,k}表示,若不符合上述约束条件，则将当前帧图像标志位设置为0，符合则将标志位设置为1。
本实施例中，k＝6。
若标志位均为1，则表示所有帧图像的关键点坐标均定位正确；若标志位中即包含1的同时也出现0，则根据定位正确图像的关键点坐标修正定位错误图像的坐标。
如图6(a)-图6(c)所示为腰段椎管的形状，根据腰段椎管解剖学信息，图6(a)为腰椎部分的椎孔为卵圆状，图6(b)为腰椎部分的椎孔为三角形,图6(c)为腰椎部分的椎孔为三叶状.
其中，所述轴状位关键点定位约束条件是基于椎间盘轴状位空间几何学关系提出的。
以椎间盘中心和棘突中心的连线为基准线，下关节突到基准线的距离一定小于上关节突到基准线的距离。
定义椎间盘中心为X1(1,1)，棘突中心为X2(2,2)，上关节突关节为X3(３,３)和Ｘ４(4,４)，下关节突为Ｘ５(5,5)和X6(６,６)。椎间盘中心和棘突中心的连线直线方程为：
y＝kx+b
Figure BDA0004112206230000091
Figure BDA0004112206230000092
已知直线外一点坐标X(x0,y0)，到直线y＝kx+b的距离为：
Figure BDA0004112206230000093
用d1和d2分别表示左上关节突和右上关节突到椎间盘中心和棘突中心的连线的距离，d3和d4分别表示左下关节突和右下关节突到椎间盘中心和棘突中心的连线的距离，则轴状位关键点定位约束可以表示为：
Figure BDA0004112206230000094
Figure BDA0004112206230000095
d1>d3
d2>d4
本实施例中，β1与β2为轴状位关键点约束的临界条件，临界值β1为0.8，β2为1.2。
本实施例中，轴状位椎间盘突出分割模块中，轴状位椎间盘分割网络基于U-Net实现，将512×512大小的轴状位MRI图像作为网络的输入，最后网络输出每一个像素的类别，即为轴状位的椎间盘及突出分割图像，该网络在U-Net基础上增加一个通道，以此增加网络训练和预测的速度。
MSU诊断算法基本原理是基于轴状位椎间盘分割后图像，计算后可以得到突出区域沿椎间盘中心与棘突中心连线方向的纵坐标最大值，即为突出部分，然后将突出部分与关键点绘制的辅助线进行比较，得到MSU分级类型。
对椎间盘及其突出部分进行标注，如图7所示。然后制作一定数量(本实施例不少于500张)的标注图片作为神经网络训练和测试数据集；使用上述数据集，对U-Net神经网络进行训练，实现对椎间盘区域的语义划分。
其中，分型模块中，MSU分型方法根据医学影像轴状图中椎间盘关键点、突出所在位置和突出程度划分不同区域，从而对腰椎间盘突出的病情按照突出大小程度和突出位置进行分级，以确定相应的诊疗方案。
根据ResNet-101残差神经网络定位并使用修正算法修正得到轴状位六个关键点坐标，根据坐标结果划分辅助线，形成MSU分型的参考网格区域，根据U-Net分割网络得到的椎间盘区域，判断分割得到的区域中突出部分的坐标落在MSU参考网格的所在区域，最终得到MSU分型。
如MSU分型为1型时大部分不考虑手术，1-AB可能对神经节压迫，可以采取手术或保守治疗的方式；2型尤其是2-B、2-AB需要手术，2-A型可考虑保守治疗；3型多考虑手术治疗。
其中，判断突出部分与得到的轴状位腰椎间盘辅助线间的关系如下：若其位置在下关节突两点连线的下方，则为3型，如图8(c)所示；若在下关节突间两点连线与上关节突两点间连线之间，则为2型，如图8(d)所示；否则为1型，如图8(a)和图8(b)所示。
用L1表示过椎间盘中心与棘突中心的直线；分别过下关节突作椎间盘中心与棘突中心连接线的平行线，用L2与L3表示；过下关节突与棘突中心连线的中点作椎间盘中心与棘突中心连接线的平行线，用L4与L5表示。
若突出部分落在L2与L3外，则其为C型，如图8(a)所示；若突出部分落在L2与L3内、L4与L5外，则为B型，如图8(b)所示；若其落在L4与L5内，则为A型，如图8(c)所示；若其落在L4或L5上，则为AB型，如图8中(d)所示。
如图9所示，根据U-Net分割网络得到的椎间盘区域，判断分割得到的区域中突出部分的坐标落在MSU参考网格的所在区域，最终得到MSU分型。以图9为例，椎间盘区域突出的最外点标为A点，用矩形框来表示，根据A点所在区域的网格得知其MSU分型为2-A型。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，包括：
图像获取模块，用于获取腰椎轴状位医学影像；
初步定位模块，用于基于腰椎轴状位医学影像和训练好的残差神经网络对椎体与椎间盘进行初步定位得到所有帧图像的关键点初步定位坐标；
关键点定位修正模块，用于遍历所有帧图像的关键点初步定位坐标，判断是否符合轴状位关键点定位约束条件，若所有帧图像均符合则定位正确，输出轴状位关键点坐标；否则根据定位正确图像的关键点坐标修正定位错误图像的坐标；
突出分割模块，用于根据轴状位椎间盘分割网络得到椎间盘突出区域，基于该椎间盘突出区域得到突出部分的坐标；
分型模块，用于基于轴状位关键点坐标结果划分辅助线，形成轴状位腰椎间盘辅助线，根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系，得到突出分型结果。
2.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述轴状位关键点定位约束条件，包括第一约束条件和第二约束条件；
其中，第一约束条件为判断上关节突纵坐标和下关节突纵坐标，若上关节突纵坐标小于下关节突纵坐标，定位正确；
第二约束条件为判断上关节突到椎间盘中心和棘突中心连线的距离和下关节突到椎间盘中心和棘突中心连线的距离，若判断上关节突到椎间盘中心和棘突中心连线的距离小于下关节突到椎间盘中心和棘突中心连线的距离，定位正确。
3.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，在得到所有帧图像各自的关键点初步定位坐标后，遍历每帧图像的定位结果，若不符合轴状位关键点定位约束条件，则将当前帧图像标志位设置为0，符合则将标志位设置为1。
4.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述轴状位关键点定位约束表示为：
Figure FDA0004112206200000021
Figure FDA0004112206200000022
d1>d3
d2>d4
其中，d1和d2分别表示左上关节突和右上关节突到椎间盘中心和棘突中心的连线的距离，d3和d4分别表示左下关节突和右下关节突到椎间盘中心和棘突中心的连线的距离，β1与β2为轴状位关键点约束的临界条件。
5.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述突出部分为椎间盘突出区域沿椎间盘中心与棘突中心连线方向的纵坐标最大值。
6.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述残差神经网络采用ResNet-101残差神经网络。
7.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述轴状位椎间盘分割网络采用U-Net网络，在U-Net网络增加一个通道。
8.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述关键点包括椎间盘中心、棘突中心、左上关节突、左下关节突、右上关节突和右下关节突。
9.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系包括：
若突出部分在下关节突两点连线的下方，则为3型；
若突出部分在下关节突间两点连线与上关节突两点间连线之间，则为2型，否则为1型。
10.根据权利要求1所述的一种基于轴状位医学影像的腰椎间盘突出分型系统，其特征在于，所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系还包括：
若突出部分落在L2与L3外，则其为C型；
若突出部分落在L2与L3内、L4与L5外，则为B型；
若突出部分落在L4与L5内，则为A型；若其落在L4或L5上，则为AB型；所述根据突出部分的坐标和轴状位腰椎间盘辅助线间的关系包括：
其中，L1表示过椎间盘中心与棘突中心的直线；L2与L3表示分别过下关节突作椎间盘中心与棘突中心连接线的平行线；L4与L5表示分别过下关节突与棘突中心连线的中点作椎间盘中心与棘突中心连接线的平行线。
CN202310209533.XA 2023-03-01 2023-03-01 一种基于轴状位医学影像的腰椎间盘突出分型系统 Pending CN116188443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310209533.XA CN116188443A (zh) 2023-03-01 2023-03-01 一种基于轴状位医学影像的腰椎间盘突出分型系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310209533.XA CN116188443A (zh) 2023-03-01 2023-03-01 一种基于轴状位医学影像的腰椎间盘突出分型系统

Publications (1)

Publication Number Publication Date
CN116188443A true CN116188443A (zh) 2023-05-30

Family

ID=86436449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310209533.XA Pending CN116188443A (zh) 2023-03-01 2023-03-01 一种基于轴状位医学影像的腰椎间盘突出分型系统

Country Status (1)

Country Link
CN (1) CN116188443A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797597A (zh) * 2023-08-21 2023-09-22 邦世科技(南京)有限公司 一种基于三阶段全网络的脊柱退行性疾病全检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797597A (zh) * 2023-08-21 2023-09-22 邦世科技(南京)有限公司 一种基于三阶段全网络的脊柱退行性疾病全检测方法及系统
CN116797597B (zh) * 2023-08-21 2023-11-17 邦世科技(南京)有限公司 一种基于三阶段全网络的脊柱退行性疾病全检测方法及系统

Similar Documents

Publication Publication Date Title
CN113658142B (zh) 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN110363765B (zh) 基于ct影像的骨质疏松参数自动测量方法
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN105760874A (zh) 面向尘肺的ct图像处理系统及其ct图像处理方法
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
CN114287915A (zh) 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统
CN111584066B (zh) 基于卷积神经网络与对称信息的脑部医学影像诊断方法
Raja'S et al. Automatic diagnosis of lumbar disc herniation with shape and appearance features from MRI
CN113870098B (zh) 一种基于脊柱分层重建的Cobb角自动测量方法
US20210271914A1 (en) Image processing apparatus, image processing method, and program
Sun et al. Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images
CN112862022A (zh) 一种计算非增强ct的aspects评分方法
US8331635B2 (en) Cartesian human morpho-informatic system
CN116188443A (zh) 一种基于轴状位医学影像的腰椎间盘突出分型系统
CN116258726A (zh) 基于深度学习的颞下颌关节mri图像重要结构分割方法
CN114305473A (zh) 基于腹部ct图像和深度学习的身体成分自动测量系统
Kim et al. Diagnostic triage in patients with central lumbar spinal stenosis using a deep learning system of radiographs
CN116188441A (zh) 一种基于矢状位医学影像的椎间盘突出退变评估系统
CN110852991B (zh) 一种基于3d结合2d的脊椎骨检测方法
CN117838097A (zh) 一种基于关键点检测的脊柱畸形分析系统
Xu et al. RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation
CN112837807A (zh) 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法
Tang et al. CNN-based automatic detection of bone conditions via diagnostic CT images for osteoporosis screening
CN110826633A (zh) 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用
CN114331996B (zh) 基于自编码解码器的医学影像分型方法及系统

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