CN116433620A - 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 - Google Patents
基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 Download PDFInfo
- Publication number
- CN116433620A CN116433620A CN202310323524.3A CN202310323524A CN116433620A CN 116433620 A CN116433620 A CN 116433620A CN 202310323524 A CN202310323524 A CN 202310323524A CN 116433620 A CN116433620 A CN 116433620A
- Authority
- CN
- China
- Prior art keywords
- model
- lumbar
- osteoporosis
- lumbar vertebra
- bone
- 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
Links
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 90
- 238000012216 screening Methods 0.000 title claims abstract description 79
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 65
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 58
- 239000011707 mineral Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000037182 bone density Effects 0.000 claims abstract description 76
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 210000004705 lumbosacral region Anatomy 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 51
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 21
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 208000001164 Osteoporotic Fractures Diseases 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000020084 Bone disease Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000011282 treatment Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30012—Spine; Backbone
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于CT图像的骨密度预测及骨质疏松智能筛查方法和系统，包括：进行腰椎CT切片选择，得到目标切片；基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片，输出为腰椎椎体的二值分割结果图以及对应的腰椎区域图；基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像，输出为腰椎的骨密度值，所述双通道图像由目标切片和腰椎区域图处理后构建；根据骨密度值进行骨质疏松症智能筛查；根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。本发明能够有效地完成骨密度的预测和OP的早期筛查，预防骨质疏松性骨折的发生，实现更快捷方便的骨质疏松症筛查。
Description
技术领域
本发明涉及骨密度预测技术领域，具体地，涉及一种基于CT图像的骨密度预测及骨质疏松智能筛查方法和系统。
背景技术
骨质疏松(Osteoporosis，OP)是一种以骨量低下、骨组织微结构损伤，以致骨脆性增加、易发生骨折为特征的全身性骨病，然而，骨质疏松症却不易被发现和察觉，从而错过了最佳的治疗期。因此，骨质疏松的早期筛查是非常重要的。
骨密度(bone mineral density，BMD)测量是国际公认的诊断骨质疏松症的方法，目前常用的测量方法为双能X线骨密度测定仪(Dual-energy X-ray Absorptiometry，DXA)以及定量CT(Quantitative Computed Tomography，QCT)。相比于DXA，QCT能够测量松质骨的三维骨密度值，也称体积骨密度值；而松质骨骨密度的变化对骨质疏松症的敏感性比皮质骨更高。因此QCT实现了比DXA更高的骨质疏松检出率。此外，QCT能够实现回顾性的骨密度测量。然而，QCT检查需要特定的校准体模和配套的处理软件，普及率较低。
近年来，随着人工智能的快速发展，深度学习已经被广泛应用到医学影像领域，有效地辅助医生进行疾病的诊断和治疗。
专利文献CN202010615752.4公开了一种多模态骨质疏松分层预警方法及系统，该专利构建了三层骨质疏松预警系统，使用了多个数据模态，虽然准确率较高，但该系统没有考虑到基于图像数据的应用方便性，仍需要手动分割腰椎。
专利文献CN201910672199.5公开了一种基于CT影像的骨质疏松参数自动测量方法，该专利构建了从CT影像到DXA测量得到的骨密度值的线性预测模型，在进行腰椎椎体分割的基础上完成了从CT值到骨密度的对应关系的构建，但是该专利需要每隔一段时间对构建的对应关系进行校正，无法实现长时间的稳定。
文献Opportunistic osteoporosis screening in multi-detector CT imagesusing deep convolutional neural networks构建了从CT图像到骨密度值并骨质疏松症预测的模型，具有良好的效果，但是在腰椎分割模块中，其分割效果不是很理想，约有50％的图像分割Dice小于50％。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于CT图像的骨密度预测及骨质疏松智能筛查方法和系统。
根据本发明提供的基于CT图像的骨密度预测及骨质疏松智能筛查方法，包括：
步骤S1：进行腰椎CT切片选择，得到目标切片I；
步骤S2：基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R；
步骤S3：基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像I2，输出为腰椎的骨密度值BMDpred，所述双通道图像I2由目标切片I和腰椎区域图R处理后构建；
步骤S4：根据骨密度值BMDpred进行骨质疏松症智能筛查，得到骨质疏松症筛查结果；
步骤S5：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。
优选的，所述步骤S1包括：
步骤S1.1：在第一腰椎L1到第四腰椎L4中确定一个腰椎作为目标腰椎；
步骤S1.2：通过自动选择、手动选择、或半自动选择方式，选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I。
优选的，所述步骤S2包括：
步骤S2.1：获取腰椎椎体自动分割模型的训练数据，包括腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注；
步骤S2.2：将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异作为监督学习目标，进行分割模型的训练，得到使模型分割结果与金标准之间差异最小化的分割模型。
优选的，所述步骤S3包括：
步骤S3.1：获取腰椎骨密度预测模型的训练数据，包括基于目标切片I和腰椎区域图R构建出的双通道图像I2，以及已知的骨密度值BMDgt，其中，骨密度值的测量由定量CT或双能量X射线吸收测定术测量得到；
其中，双通道图像I2的构建过程为：
步骤S3.1.1：基于目标切片I和腰椎区域图R，使用传统图形处理方法计算腰椎椎体的中心位置(x0,y0)；
步骤S3.1.2：以(x0,y0)为中心，分别从目标切片I和腰椎区域图R中，提取两张预设大小的图像块；
步骤S3.1.3：将两个图像块进行拼接，形成双通道图像I2；
步骤S3.2：将构建出的双通道图像I2作为模型训练时的输入，将定量CT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异作为监督学习目标，进行预测模型的训练，得到使模型预测结果与金标准之间差异最小化的预测模型。
优选的，所述步骤S4包括：根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果；
所述步骤S5包括：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
根据本发明提供的基于CT图像的骨密度预测及骨质疏松智能筛查系统，包括：
模块M1：进行腰椎CT切片选择，得到目标切片I；
模块M2：基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R；
模块M3：基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像I2，输出为腰椎的骨密度值BMDpred，所述双通道图像I2由目标切片I和腰椎区域图R处理后构建；
模块M4：根据骨密度值BMDpred进行骨质疏松症智能筛查，得到骨质疏松症筛查结果；
模块M5：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。
优选的，所述模块M1包括：
模块M1.1：在第一腰椎L1到第四腰椎L4中确定一个腰椎作为目标腰椎；
模块M1.2：通过自动选择、手动选择、或半自动选择方式，选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I。
优选的，所述模块M2包括：
模块M2.1：获取腰椎椎体自动分割模型的训练数据，包括腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注；
模块M2.2：将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异作为监督学习目标，进行分割模型的训练，得到使模型分割结果与金标准之间差异最小化的分割模型。
优选的，所述模块M3包括：
模块M3.1：获取腰椎骨密度预测模型的训练数据，包括基于目标切片I和腰椎区域图R构建出的双通道图像I2，以及已知的骨密度值BMDgt，其中，骨密度值的测量由定量CT或双能量X射线吸收测定术测量得到；
其中，双通道图像I2的构建过程为：
模块M3.1.1：基于目标切片I和腰椎区域图R，使用传统图形处理方法计算腰椎椎体的中心位置(x0,y0)；
模块M3.1.2：以(x0,y0)为中心，分别从目标切片I和腰椎区域图R中，提取两张预设大小的图像块；
模块M3.1.3：将两个图像块进行拼接，形成双通道图像I2；
模块M3.2：将构建出的双通道图像I2作为模型训练时的输入，将定量CT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异作为监督学习目标，进行预测模型的训练，得到使模型预测结果与金标准之间差异最小化的预测模型。
优选的，所述模块M4包括：根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果；
所述模块M5包括：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明基于深度卷积神经网络框架构建了腰椎椎体自动分割模型，可以实现对腰椎椎体的自动分割；
(2)本发明基于深度卷积神经网络框架构建了腰椎骨密度预测模型，可以嵌入到CT的常规诊断流程中，能够有效地完成骨密度的预测和OP的早期筛查，预防骨质疏松性骨折的发生，从而能够在更大的人群中，实现更快捷方便的骨质疏松症筛查。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为模型构建流程图；
图2为双通道图像的构建过程示意图；
图3为改动的U-Net结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
本发明针对基于腰椎CT图像，通过深度学习的方法构建了一种骨密度预测及骨质疏松症(osteoporosis，OP)智能筛查方法，主要包含S1.腰椎CT切片选择步骤、S2.腰椎椎体自动分割步骤、S3.腰椎骨密度预测步骤以及S4.骨质疏松症智能筛查步骤。
如图1，具体操作过程如下：
S1.腰椎CT切片选择
S1.1.确定第一腰椎(L1)到第四腰椎(L4)其中一个腰椎作为目标腰椎；
S1.2.选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I；
可选的，腰椎CT切片的选择包括自动选择、手动选择、或半自动选择方式。其中，半自动选择是指，先使用自动选择，待自动选择完毕后，再通过手动选择进行修正。
实施例所用的图像数据由上海联影科技有限公司生产的多排螺旋CT(uCT760)设备采集的。受试者的采集部位均在胸腹部。腰椎CT切片的选择方式为手动选择。
S2.腰椎椎体自动分割
腰椎椎体自动分割模型的构建基于深度卷积神经网络框架，常用的网络有U-Net，ResNet，DenseNet等等，模型的输入为S1的目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R。
可选的，模型的训练过程如下：
S2.1.首先，准备训练数据，即腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注。
S2.2.其次，将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异(损失函数Ls)作为监督学习目标，进行分割模型的训练。
S2.3.最终，得到使模型分割结果与金标准之间差异最小化的分割模型。
实施例所用的深度学习分割模型为改动的U-Net，结构如图3所示。模型训练过程中，输入为经过数据扩增(向左和向右分别旋转5°)的腰椎CT切片，输出为对应的腰椎标注图像。损失函数Ls为Dice Loss和BCE(binary cross entropy)Loss的均值，并以该损失函数作为模型训练时的优化目标。模型共训练了50个epoch，batch大小为2，优化器为Adam。
S3.腰椎骨密度预测
腰椎骨密度预测模型的构建基于深度卷积神经网络框架，常用的网络有FCN、ResNet、DenseNet等等，模型的输入为双通道图像I2，输出为腰椎的骨密度值BMDpred。所述双通道图像I2由S1中腰椎CT切片I和S2中模型分割结果R通过一定步骤处理后构建。
S3.1.首先，准备训练数据，即基于S1中腰椎CT切片I和S2中模型分割结果R构建出的双通道图像I2，以及已知的骨密度值BMDgt。其中，骨密度值的测量可以由定量CT(quantitative computed tomography，QCT)或双能量X射线吸收测定术(Dual-energy X-ray Absorptiometry，DXA)测量得到。
实施例所用的已知的骨密度值BMDgt，由一位经验丰富的医生基于QCT数据，使用QCT Pro软件完成受试者腰椎骨密度的测量。
其中，双通道图像的构建过程，如图2所示，详细如下：
S3.1.1.基于腰椎CT切片I和S2中模型分割的腰椎结果R，使用传统图形处理方法自动计算腰椎椎体的中心位置(x0,y0)。实施例中，将S2中的腰椎椎体的二值分割结果图M上半部分的像素点权重置为12，下半部分为1，然后计算得到加权后的重心坐标，即为中心坐标(x0，y0)。
S3.1.2.以(x0,y0)为中心，分别从原图I和腰椎分割结果R中，提取两张一定大小的图像块。实施例所用的图像块大小为128*128像素。
S3.1.3.将两个图像块进行拼接，从而形成双通道图像I2。
可选的，模型的训练过程如下：
S3.2.将构建出的双通道图像作为模型训练时的输入，QCT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异(损失函数Lp)作为监督学习目标，进行预测模型的训练。得到使模型预测结果与金标准之间差异最小化的预测模型。
实施例中所用的预测模型为改动的DenseNet，结构如下表所示。。损失函数Lp为MSE(mean squared error)，并以该损失函数作为模型训练时的优化目标。模型共训练了300个epoch，batch大小为4，优化器为Adam。
S4.骨质疏松症智能筛查
根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及从S3中模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果。
S5.形成骨质疏松症智能筛查报告
根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
实施例中所用的骨质疏松症诊断标准为：国际QCT腰椎骨密度的骨质疏松症诊断标准，即腰椎骨密度＞120mg/cm3为正常骨量，80～120mg/cm3为低骨量，＜80mg/cm3为骨质疏松症。
实施例中，目标腰椎为L1和L2，系统中预测出的骨密度值取腰椎L1和L2经S1-S3处理后的骨密度预测值的均值为最终结果。
实施例中，健康人群骨密度值的统计数据为在多中心研究中构建的中国健康人群骨密度值随年龄和性别的分布统计数据；对比报告为与被测对象同龄同性别的健康对照组数据的比照结果。
实施例结果：
腰椎椎体自动分割：分割模型在测试集中的平均Dice为0.974，与金标准之间的差异很小。
腰椎骨密度预测：预测模型在测试集中的结果与金标准之间的皮尔逊相关系数为0.980。
骨质疏松症初步诊断：根据国际诊断标准以及系统预测的骨密度值，对每一位受试者的骨质疏松进行初步诊断，分为骨量正常、骨量减少和骨质疏松，准确性为94.2％，骨量减少和骨质疏松分类的AUC分别为0.994和0.966。
实施例2：
本发明还提供一种基于CT图像的骨密度预测及骨质疏松智能筛查系统，所述基于CT图像的骨密度预测及骨质疏松智能筛查系统可以通过执行所述基于CT图像的骨密度预测及骨质疏松智能筛查方法的流程步骤予以实现，即本领域技术人员可以将所述基于CT图像的骨密度预测及骨质疏松智能筛查方法理解为所述基于CT图像的骨密度预测及骨质疏松智能筛查系统的优选实施方式。
根据本发明提供的基于CT图像的骨密度预测及骨质疏松智能筛查系统，包括：模块M1：进行腰椎CT切片选择，得到目标切片I；模块M2：基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R；模块M3：基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像I2，输出为腰椎的骨密度值BMDpred，所述双通道图像I2由目标切片I和腰椎区域图R处理后构建；模块M4：根据骨密度值BMDpred进行骨质疏松症智能筛查，得到骨质疏松症筛查结果；模块M5：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。
所述模块M1包括：模块M1.1：在第一腰椎L1到第四腰椎L4中确定一个腰椎作为目标腰椎；模块M1.2：通过自动选择、手动选择、或半自动选择方式，选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I。
所述模块M2包括：模块M2.1：获取腰椎椎体自动分割模型的训练数据，包括腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注；模块M2.2：将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异作为监督学习目标，进行分割模型的训练，得到使模型分割结果与金标准之间差异最小化的分割模型。
所述模块M3包括：模块M3.1：获取腰椎骨密度预测模型的训练数据，包括基于目标切片I和腰椎区域图R构建出的双通道图像I2，以及已知的骨密度值BMDgt，其中，骨密度值的测量由定量CT或双能量X射线吸收测定术测量得到；其中，双通道图像I2的构建过程为：模块M3.1.1：基于目标切片I和腰椎区域图R，使用传统图形处理方法计算腰椎椎体的中心位置(x0,y0)；模块M3.1.2：以(x0,y0)为中心，分别从目标切片I和腰椎区域图R中，提取两张预设大小的图像块；模块M3.1.3：将两个图像块进行拼接，形成双通道图像I2；模块M3.2：将构建出的双通道图像I2作为模型训练时的输入，将定量CT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异作为监督学习目标，进行预测模型的训练，得到使模型预测结果与金标准之间差异最小化的预测模型。
所述模块M4包括：根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果。所述模块M5包括：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于CT图像的骨密度预测及骨质疏松智能筛查方法，其特征在于，包括：
步骤S1：进行腰椎CT切片选择，得到目标切片I；
步骤S2：基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R；
步骤S3：基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像I2，输出为腰椎的骨密度值BMDpred，所述双通道图像I2由目标切片I和腰椎区域图R处理后构建；
步骤S4：根据骨密度值BMDpred进行骨质疏松症智能筛查，得到骨质疏松症筛查结果；
步骤S5：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。
2.根据权利要求1所述的基于CT图像的骨密度预测及骨质疏松智能筛查方法，其特征在于，所述步骤S1包括：
步骤S1.1：在第一腰椎L1到第四腰椎L4中确定一个腰椎作为目标腰椎；
步骤S1.2：通过自动选择、手动选择、或半自动选择方式，选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I。
3.根据权利要求1所述的基于CT图像的骨密度预测及骨质疏松智能筛查方法，其特征在于，所述步骤S2包括：
步骤S2.1：获取腰椎椎体自动分割模型的训练数据，包括腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注；
步骤S2.2：将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异作为监督学习目标，进行分割模型的训练，得到使模型分割结果与金标准之间差异最小化的分割模型。
4.根据权利要求1所述的基于CT图像的骨密度预测及骨质疏松智能筛查方法，其特征在于，所述步骤S3包括：
步骤S3.1：获取腰椎骨密度预测模型的训练数据，包括基于目标切片I和腰椎区域图R构建出的双通道图像I2，以及已知的骨密度值BMDgt，其中，骨密度值的测量由定量CT或双能量X射线吸收测定术测量得到；
其中，双通道图像I2的构建过程为：
步骤S3.1.1：基于目标切片I和腰椎区域图R，使用传统图形处理方法计算腰椎椎体的中心位置(x0,y0)；
步骤S3.1.2：以(x0,y0)为中心，分别从目标切片I和腰椎区域图R中，提取两张预设大小的图像块；
步骤S3.1.3：将两个图像块进行拼接，形成双通道图像I2；
步骤S3.2：将构建出的双通道图像I2作为模型训练时的输入，将定量CT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异作为监督学习目标，进行预测模型的训练，得到使模型预测结果与金标准之间差异最小化的预测模型。
5.根据权利要求1所述的基于CT图像的骨密度预测及骨质疏松智能筛查方法，其特征在于，所述步骤S4包括：根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果；
所述步骤S5包括：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
6.一种基于CT图像的骨密度预测及骨质疏松智能筛查系统，其特征在于，包括：
模块M1：进行腰椎CT切片选择，得到目标切片I；
模块M2：基于深度卷积神经网络框架构建腰椎椎体自动分割模型，模型输入为目标切片I，输出为腰椎椎体的二值分割结果图M以及对应的腰椎区域图R；
模块M3：基于深度卷积神经网络框架构建腰椎骨密度预测模型，模型输入为双通道图像I2，输出为腰椎的骨密度值BMDpred，所述双通道图像I2由目标切片I和腰椎区域图R处理后构建；
模块M4：根据骨密度值BMDpred进行骨质疏松症智能筛查，得到骨质疏松症筛查结果；
模块M5：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告。
7.根据权利要求6所述的基于CT图像的骨密度预测及骨质疏松智能筛查系统，其特征在于，所述模块M1包括：
模块M1.1：在第一腰椎L1到第四腰椎L4中确定一个腰椎作为目标腰椎；
模块M1.2：通过自动选择、手动选择、或半自动选择方式，选择该目标腰椎的CT图像横断面中心或靠近中心的层面作为目标切片I。
8.根据权利要求6所述的基于CT图像的骨密度预测及骨质疏松智能筛查系统，其特征在于，所述模块M2包括：
模块M2.1：获取腰椎椎体自动分割模型的训练数据，包括腰椎CT切片以及由具有经验的放射科医生勾勒的椎体标注；
模块M2.2：将整个腰椎CT切片作为模型训练时的输入，医生手动勾勒的椎体标注作为金标准，模型分割结果和金标准之间的差异作为监督学习目标，进行分割模型的训练，得到使模型分割结果与金标准之间差异最小化的分割模型。
9.根据权利要求6所述的基于CT图像的骨密度预测及骨质疏松智能筛查系统，其特征在于，所述模块M3包括：
模块M3.1：获取腰椎骨密度预测模型的训练数据，包括基于目标切片I和腰椎区域图R构建出的双通道图像I2，以及已知的骨密度值BMDgt，其中，骨密度值的测量由定量CT或双能量X射线吸收测定术测量得到；
其中，双通道图像I2的构建过程为：
模块M3.1.1：基于目标切片I和腰椎区域图R，使用传统图形处理方法计算腰椎椎体的中心位置(x0,y0)；
模块M3.1.2：以(x0,y0)为中心，分别从目标切片I和腰椎区域图R中，提取两张预设大小的图像块；
模块M3.1.3：将两个图像块进行拼接，形成双通道图像I2；
模块M3.2：将构建出的双通道图像I2作为模型训练时的输入，将定量CT测量的骨密度值作为金标准，模型预测结果和金标准之间的差异作为监督学习目标，进行预测模型的训练，得到使模型预测结果与金标准之间差异最小化的预测模型。
10.根据权利要求6所述的基于CT图像的骨密度预测及骨质疏松智能筛查系统，其特征在于，所述模块M4包括：根据最新的基于腰椎骨密度的骨质疏松症诊断标准，以及模型预测出的骨密度值BMDpred，得到骨质疏松症筛查结果；
所述模块M5包括：根据筛查结果以及健康人群骨密度值的统计数据，形成骨质疏松症智能筛查报告，该报告包括：每个已测腰椎的骨密度值、平均骨密度值以及骨质疏松症筛查结果；根据健康人群骨密度值的统计数据，给出受试者骨密度值与健康对照组数据的对比报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323524.3A CN116433620A (zh) | 2023-03-29 | 2023-03-29 | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310323524.3A CN116433620A (zh) | 2023-03-29 | 2023-03-29 | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116433620A true CN116433620A (zh) | 2023-07-14 |
Family
ID=87086597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310323524.3A Pending CN116433620A (zh) | 2023-03-29 | 2023-03-29 | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433620A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223699A (zh) * | 2021-04-01 | 2021-08-06 | 复旦大学附属华山医院 | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 |
-
2023
- 2023-03-29 CN CN202310323524.3A patent/CN116433620A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223699A (zh) * | 2021-04-01 | 2021-08-06 | 复旦大学附属华山医院 | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1663530B (zh) | 用于处理图像数据以帮助检测疾病的方法和装置 | |
| CN110544245B (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
| CN102648482B (zh) | 用于所选组织结构的图像分析的方法及系统 | |
| Barnard et al. | Machine learning for automatic paraspinous muscle area and attenuation measures on low-dose chest CT scans | |
| CN107330949A (zh) | 一种伪影校正方法及系统 | |
| EP3457356B1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
| CN113222951B (zh) | 一种识别髋关节x线的骨质疏松人工智能诊断装置 | |
| CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
| CN113409309B (zh) | 肌肉ct影像勾画方法、系统、电子设备和机器存储介质 | |
| CN110991254B (zh) | 超声图像视频分类预测方法及系统 | |
| CN111199566A (zh) | 医疗图像处理方法、装置、存储介质及计算机设备 | |
| Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
| CN116433620A (zh) | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和系统 | |
| 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 | |
| CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| US11704796B2 (en) | Estimating bone mineral density from plain radiograph by assessing bone texture with deep learning | |
| CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
| KR20220099126A (ko) | 골절 위험 예측 방법 및 장치 | |
| CN113223699A (zh) | 构建腰椎骨量减少和骨质疏松筛查模型的方法和系统 | |
| Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans | |
| US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
| CN111950636A (zh) | 基于深度学习的腰椎x射线图像分类方法 | |
| US7848551B2 (en) | Method and system for analysis of bone density | |
| Patil et al. | Detection of osteoporosis in lumbar spine [L1-L4] trabecular bone: a review article | |
| CN116167990B (zh) | 基于图像的目标识别、神经网络模型处理方法 |
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 |