CN116458909B - 使用锥形束dr设备测量三维骨密度分布的方法及装置 - Google Patents
使用锥形束dr设备测量三维骨密度分布的方法及装置 Download PDFInfo
- Publication number
- CN116458909B CN116458909B CN202310376361.5A CN202310376361A CN116458909B CN 116458909 B CN116458909 B CN 116458909B CN 202310376361 A CN202310376361 A CN 202310376361A CN 116458909 B CN116458909 B CN 116458909B
- Authority
- CN
- China
- Prior art keywords
- patient
- dimensional
- images
- bone density
- neural network
- 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
- 230000037182 bone density Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 210000003484 anatomy Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 abstract description 30
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000011282 treatment Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 6
- 239000011707 mineral Substances 0.000 abstract description 6
- 210000001624 hip Anatomy 0.000 description 28
- 208000001132 Osteoporosis Diseases 0.000 description 20
- 238000001739 density measurement Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013399 early diagnosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000689 upper leg Anatomy 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000000528 lesser trochanter Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 208000020084 Bone disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Classifications
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种使用锥形束DR设备测量三维骨密度分布的方法及装置，其中，方法包括：获取至少一个患者的真实髋部CT和DR影像；基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，神经网络结构由从二维图像生成的三维图像得到；利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至训练后的生成器网络，输出患者的三维影像数据，并基于转换公式得到患者的三维骨密度值。由此，解决了相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低等问题。
Description
技术领域
本申请涉及医学图像处理及应用技术领域，特别涉及一种使用锥形束DR设备测量三维骨密度分布的方法及装置。
背景技术
骨质疏松通常指由于多种原因导致的骨密度和骨质量下降，骨微结构破坏，造成骨脆性增加，从而容易发生骨折的全身性骨病。近年来，随着世界各国逐步进入老龄化社会，各种老年疾病的患者数量大幅增加，其中包括骨质疏松。统计资料显示，我国目前骨质疏松患者人数已经超过1亿，居世界首位。根据我国首次骨质疏松流行病学调查结果，我国50岁以上人群骨质疏松症患病率为19.2％，65岁以上人群达到32.0％，其中男性为10.7％，女性高达51.6％。在我国老龄化人口比例逐渐提升的大背景下，预防和治疗骨质疏松症具有重要的临床意义。
相关技术中，对骨质疏松进行临床诊断主要通过使用双能X射线骨密度仪(DEXA)测量骨密度来评估，通过处理不同能量的X射线穿透人体后产生的信号，可以消除软组织带来的影响，计算出单位面积上骨矿物质的含量作为骨密度。
然而，相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低，亟待改善。
发明内容
本申请提供一种使用锥形束DR设备测量三维骨密度分布的方法及装置，以解决相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低等问题。
本申请第一方面实施例提供一种使用锥形束DR设备测量三维骨密度分布的方法，包括以下步骤：获取至少一个患者的真实髋部CT和DR影像；基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到；利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至所述训练后的生成器网络，输出所述患者的三维影像数据，并基于所述转换公式得到所述患者的三维骨密度值。
可选地，在本申请的一个实施例中，所述获取至少一个患者的真实髋部CT和DR影像，包括：在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
可选地，在本申请的一个实施例中，所述成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
可选地，在本申请的一个实施例中，所述基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到，包括：将所述神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对所述生成器生成的三维数据进行处理，得到是否为真实影像的概率。
可选地，在本申请的一个实施例中，所述基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到，还包括：在网络训练时，对所述生成器与所述判别器进行迭代训练，直至达到预设迭代停止条件，得到所述生成器网络。
本申请第二方面实施例提供一种使用锥形束DR设备测量三维骨密度分布的装置，包括：第一获取模块，用于获取至少一个患者的真实髋部CT和DR影像；训练模块，用于基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到；第二获取模块，用于利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至所述训练后的生成器网络，输出所述患者的三维影像数据，并基于所述转换公式得到所述患者的三维骨密度值。
可选地，在本申请的一个实施例中，所述第一获取模块包括：控制单元，用于在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
可选地，在本申请的一个实施例中，所述成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
可选地，在本申请的一个实施例中，所述训练模块包括：处理单元，用于将所述神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对所述生成器生成的三维数据进行处理，得到是否为真实影像的概率。
可选地，在本申请的一个实施例中，所述训练模块还包括：训练单元，用于在网络训练时，对所述生成器与所述判别器进行迭代训练，直至达到预设迭代停止条件，得到所述生成器网络。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的使用锥形束DR设备测量三维骨密度分布的方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的使用锥形束DR设备测量三维骨密度分布的方法。
本申请实施例可以使用传统的锥形束DR设备测量三维骨密度，拓展传统DR设备的适用范围的同时，便利了骨密度的测量，有利于快速获取骨骼内部的三维骨密度分布信息，同时使用人工智能方法进行三维骨骼结构快速生成与三维骨密度测量，提升了测量速度，更有助于开展骨质疏松的早期诊断。由此，解决了相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低等问题。
本申请附加的方面和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，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种使用锥形束DR设备测量三维骨密度分布的方法的流程图；
图2为根据本申请一个实施例的使用锥形束DR设备测量三维骨密度分布的方法的流程图；
图3为根据本申请实施例提供的一种使用锥形束DR设备测量三维骨密度分布的装置的结构示意图；
图4为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的使用锥形束DR设备测量三维骨密度分布的方法及装置。针对上述背景技术中心提到的相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低的问题，本申请提供了一种使用锥形束DR设备测量三维骨密度分布的方法，在该方法中，可以使用传统的锥形束DR设备测量三维骨密度，拓展传统DR设备的适用范围的同时，便利了骨密度的测量，有利于快速获取骨骼内部的三维骨密度分布信息，同时使用人工智能方法进行三维骨骼结构快速生成与三维骨密度测量，提升了测量速度，更有助于开展骨质疏松的早期诊断。由此，解决了相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低等问题。
具体而言，图1为本申请实施例所提供的一种使用锥形束DR设备测量三维骨密度分布的方法的流程示意图。
如图1所示，该使用锥形束DR设备测量三维骨密度分布的方法包括以下步骤：
在步骤S101中，获取至少一个患者的真实髋部CT和DR影像。
可以理解的是，在三维骨密度测量领域，目前最常见的测量方法是利用定量CT(Computed Tomography，电子计算机断层扫描)对患者进行扫描，随后将CT数据转换为体骨密度值。然而，CT的扫描过程一方面时间较长，另一方面会给患者带来较高的辐射剂量，并不利于进行大规模体骨密度测量。
2002年到2007年，Yao以及Sadowsky等人针对髋关节建立了统计形状模型，并通过传统的2D-3D迭代优化算法，基于多张不同角度测量的骨密度图像(笔形束DEXA图像)得到了患者个体化的髋关节三维外观模型与三维骨密度信息。随后的若干年，仍有不同的研究者尝试利用DEXA图像重建出患者骨骼的三维模型，2015年，Vaananen等人建立了股骨的统计形状模型，随后实现了从患者的笔形束DEXA图像生成股骨近端的三维外观模型与三维骨密度模型。进入2016年，Humbert等人将现有的DEXA技术与2D-3D迭代优化算法结合，开发了3D-DXA软件，可以利用现有的笔形束双能X射线骨密度仪同时实现二维骨密度与三维骨密度的测量。
但是，国际上已经开展的基于DEXA图像生成三维骨密度的工作全部基于笔形束与窄扇束双能X射线骨密度仪开展，首先利用双能X射线骨密度仪对待测量部位进行成像，进行单次测量需要花费3-5分钟时间，诊疗效率较低；同时，双能X射线骨密度仪为一款专用设备，无法拓展其它用途，需要医疗机构专门购置方可使用，这限制了适用范围。与此同时，医疗机构中普遍安装了普通的DR设备，但这种设备使用锥形束成像，目前尚未有研究者尝试通过普通DR(digital radiography，DR，数字X线摄影术)设备产生的锥形束射线直接测量、生成患者的三维骨密度分布。
除此之外，现有的通过笔形束双能X射线骨密度仪同时实现二维与三维骨密度的测量方法中，普遍使用了传统的2D-3D迭代优化算法，这种算法优化速度较慢，对于Humbert等人发布的3D-DXA软件来说，其实现一个患者的优化平均大约需要90s。
本申请实施例可以采用神经网络的方法，直接由正位以及侧位X射线影像生成骨骼三维模型、完成三维骨密度测量，可以在数秒内实现三维骨密度测量，大幅提升三维骨密度测量的速度。
在实际执行过程中，本申请实施例可以获取至少一个患者的真实髋部CT和DR影像，其中，为了保证神经网络训练的效果，本申请实施例可以使同一位患者的CT以及DR影像展示的解剖结构保持一致，上部需位于股骨头最高点上方，下部则应位于股骨小转子以下，而在不同患者之间，影像数据所包含的解剖结构尽可能保持一致，以提升神经网络的性能。
本申请实施例通过使用传统的锥形束DR设备测量骨密度，拓展了传统DR设备的适用范围，同时便利了骨密度的测量，不再需要购置专用的双能X射线骨密度仪，同时使用传统DR设备直接实现三维骨密度测量，能够快速获取骨骼内部的三维骨密度分布信息，获取更多的信息，不再需要使用CT进行三维骨密度测量。
可选地，在本申请的一个实施例中，获取至少一个患者的真实髋部CT和DR影像，包括：在拍摄至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
作为一种可能实现的方式，本申请实施例在拍摄至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到一定的一致条件，从而便于开展三维骨密度测量，在减少患者受照的剂量前提下，快速给出患者的体骨密度值，更有助于开展骨质疏松的早期诊断。
需要说明的是，预设一致条件可以由本领域技术人员根据实际情况进行设置，在此不作具体限制。
可选地，在本申请的一个实施例中，成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
可以理解的是，本申请实施例中的X射线管电压可以为加载在阴极侧和阳极侧之间的电压，X射线源到探测器的距离可以影响CT扫描的几何放大率，X射线源到病人的距离可以但不限于控制在1到1.2米，照射野大小可以影响图像的对比度与光学密度，X射线管电流是指灯丝产生的电子，在阴阳两极高电压电场作用下，向阳极高速运动形成的电流，X射线管曝光时间根据机器的曝光曲线决定。
一些实施例中，通过但不限于保证X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间等成像参数的一致，其中，照射野所包含的解剖结构范围相同，如从髂前上棘到股骨小转子。本申请实施例可以确保不同患者的同种影像之间的成像参数保持一致，进而提升神经网络的性能，更有助于开展骨质疏松的早期诊断，提高临床上诊断骨质疏松的效率。
在步骤S102中，基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，神经网络结构由从二维图像生成的三维图像得到。
在实际执行过程中，本申请实施例可以基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，从而得到训练后的生成器网络，申请实施例中的神经网络结构由从二维图像生成的三维图像得到，其中，神经网络结构可以同时接受两幅DR影像作为输入，以一幅三维图像作为输出。在神经网络中，采用“编码器-解码器”的结构，在编码器中不断增加特征维度的数量，而在解码器中则逐渐减少特征维度的数量，编码器由8组卷积块构成，在两幅DR影像输入进入神经网络之后，可以分别先经过3组卷积块，实现自身的特征信息提取，随后，将两幅图像的特征信息进行拼接，再通过最后2组卷积块实现整体特征提取与融合。
进一步地，在编码器结束后，可以使用全连接方式将二维图像的特征信息变为三维图像的特征信息。在解码器部分，含有5组卷积块，三维图像的特征信息逐层通过卷积块，进行特征还原，最终输出三维图像，而在神经网络中，编码器与解码器的相应卷积块之间，引入特征拼接机制，通过将编码器中提取的特征再用于解码器，提升解码器特征还原的能力。
本申请实施例通过搭建从二维图像生成三维图像的神经网络结构，从而保证可以进行三维骨骼结构快速生成与三维骨密度测量，进而提升测量速度，提高临床上诊断骨质疏松的效率，通过得到训练后的生成器网络，直接实现三维骨密度测量，快速获取骨骼内部的三维骨密度分布信息，提升三维骨密度测量速度。
可选地，在本申请的一个实施例中，基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，神经网络结构由从二维图像生成的三维图像得到，包括：将神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对生成器生成的三维数据进行处理，得到是否为真实影像的概率。
一些实施例中，由于生成对抗机制网络同时包括生成器与判别器两个部分，所以本申请实施例可以将神经网络结构作为网络的生成器，同时在网络的判别器部分，由5组三维卷积块构成，对生成器生成的三维数据进行处理，得到是否为真实影像的概率，进而保证以较高的分辨率提供三维骨密度分布信息，提高临床上诊断骨质疏松的效率。
可选地，在本申请的一个实施例中，基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，神经网络结构由从二维图像生成的三维图像得到，还包括：在网络训练时，对生成器与判别器进行迭代训练，直至达到预设迭代停止条件，得到生成器网络。
可以理解的是，本申请实施例中的预设迭代停止条件可以但不限于提升判别器判断真伪能力的同时，使生成器输出的影像越来越接近真实影像，互相提高直至达到最终平衡，从而满足预设迭代停止条件。
另一些实施例中，在网络训练中，通过设置阈值的方式，使三维影像数据中仅包含骨骼区域，在网络训练时，对生成器与判别器进行迭代训练，直到达到一定迭代停止条件，得到生成器网络，即一方面提升判别器判断真伪的能力，另一方面使生成器输出的影像越来越接近真实影像，判别器与生成器互相提高，最终达到均衡，实现网络的训练，从而进一步提高临床上诊断骨质疏松的效率。
在步骤S103中，利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至训练后的生成器网络，输出患者的三维影像数据，并基于转换公式得到患者的三维骨密度值。
可以理解的是，欧洲脊柱体模中含有三块内容物，分别代表了三维骨密度为50mg/cm3、100mg/cm3、200mg/cm3的模体，通过使用CT对欧洲脊柱体模进行成像，读出三块模体的HU值，将HU值与上述的三维骨密度标称值进行关系拟合，即可得到某一成像条件下HU值到三维骨密度值的转换公式。
作为一种可能实现的方式，本申请实施例可以利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，其中，转换公式如vBMD＝0.8764*HU value–11.1376，在CT成像过程中，采用对患者进行CT成像时所采用的参数。使用已经训练好的生成器网络，输入患者的两幅髋部DR影像，最终生成的三维影像数据即患者骨骼结构的三维影像，通过使用HU值到体骨密度值的转换公式，可以得到患者三维骨密度的值，从而实现三维骨密度测量，进而提升了测量速度，提高了临床上诊断骨质疏松的效率。具体地，可以结合图2所示，以一个具体实施例对本申请实施例的使用锥形束DR设备测量三维骨密度分布的方法的工作原理进行详细阐述。
如图2所示，本申请实施例可以包括以下步骤：
步骤S201：保证不同患者的同种影像之间，成像参数保持一致。
本申请实施例可以在拍摄患者的CT以及DR影像时，保证不同患者的同种影像之间，成像参数保持一致，包括但不限于X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流以及曝光时间等，从而避免对最终的重建结果造成影响。
步骤S202：采用生成对抗机制进行网络训练。
本申请实施例可以在网络训练过程中，采用生成对抗机制进行网络训练，其中，由于生成对抗机制网络同时包括生成器与判别器两个部分，可以将神经网络结构作为生成器，用于从二维影像数据生成三维影像数据。
步骤S203：使用已经训练好的生成器网络，输入髋部DR影像。
本申请实施例可以使用已经训练好的生成器网络，输入患者的两幅髋部DR影像，最终生成的三维影像数据即患者骨骼结构的三维影像，通过使用转换公式，可以得到患者三维骨密度的值，从而实现三维骨密度测量。
根据本申请实施例提出的使用锥形束DR设备测量三维骨密度分布的方法，可以使用传统的锥形束DR设备测量三维骨密度，拓展传统DR设备的适用范围的同时，便利了骨密度的测量，有利于快速获取骨骼内部的三维骨密度分布信息，同时使用人工智能方法进行三维骨骼结构快速生成与三维骨密度测量，提升了测量速度，更有助于开展骨质疏松的早期诊断。由此，解决了相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低的问题。
其次参照附图描述根据本申请实施例提出的使用锥形束DR设备测量三维骨密度分布的装置。
图3是本申请实施例的使用锥形束DR设备测量三维骨密度分布的装置的结构示意图。
如图3所示，该使用锥形束DR设备测量三维骨密度分布的装置10包括：第一获取模块100、训练模块200和第二获取模块300。
具体地，第一获取模块100，用于获取至少一个患者的真实髋部CT和DR影像。
训练模块200，用于基于预先构建的神经网络结构，利用至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，神经网络结构由从二维图像生成的三维图像得到，。
第二获取模块300，用于利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至训练后的生成器网络，输出患者的三维影像数据，并基于转换公式得到患者的三维骨密度值。
可选地，在本申请的一个实施例中，第一获取模块100包括：控制单元。
其中，控制单元，用于在拍摄至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
可选地，在本申请的一个实施例中，成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
可选地，在本申请的一个实施例中，训练模块200包括：处理单元。
其中，处理单元，用于将神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对生成器生成的三维数据进行处理，得到是否为真实影像的概率。
可选地，在本申请的一个实施例中，训练模块200还包括：训练单元。
其中，训练单元，用于在网络训练时，对生成器与判别器进行迭代训练，直至达到预设迭代停止条件，得到生成器网络。
需要说明的是，前述对使用锥形束DR设备测量三维骨密度分布的方法实施例的解释说明也适用于该实施例的使用锥形束DR设备测量三维骨密度分布的装置，此处不再赘述。
根据本申请实施例提出的使用锥形束DR设备测量三维骨密度分布的装置，可以使用传统的锥形束DR设备测量三维骨密度，拓展传统DR设备的适用范围的同时，便利了骨密度的测量，有利于快速获取骨骼内部的三维骨密度分布信息，同时使用人工智能方法进行三维骨骼结构快速生成与三维骨密度测量，提升了测量速度，更有助于开展骨质疏松的早期诊断。由此，解决了相关技术中，双能X射线骨密度仪测量速度慢、分辨率低，只能测量二维骨密度，无法得到精确的体骨密度值，诊疗效率较低的问题。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的使用锥形束DR设备测量三维骨密度分布的方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的使用锥形束DR设备测量三维骨密度分布的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种使用锥形束DR设备测量三维骨密度分布的方法，其特征在于，包括以下步骤：
获取至少一个患者的真实髋部CT和DR影像；
基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到；
利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至所述训练后的生成器网络，输出所述患者的三维影像数据，并基于所述转换公式得到所述患者的三维骨密度值；
所述获取至少一个患者的真实髋部CT和DR影像，包括：
在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保同一位患者的所述真实髋部CT和所述DR影像的解剖结构保持一致。
2.根据权利要求1所述的方法，其特征在于，所述获取至少一个患者的真实髋部CT和DR影像，包括：
在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
3.根据权利要求2所述的方法，其特征在于，所述成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
4.根据权利要求1所述的方法，其特征在于，所述基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到，包括：
将所述神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对所述生成器生成的三维数据进行处理，得到是否为真实影像的概率。
5.根据权利要求4所述的方法，其特征在于，所述基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到，还包括：
在网络训练时，对所述生成器与所述判别器进行迭代训练，直至达到预设迭代停止条件，得到所述生成器网络。
6.一种使用锥形束DR设备测量三维骨密度分布的装置，其特征在于，包括：
第一获取模块，用于获取至少一个患者的真实髋部CT和DR影像；
训练模块，用于基于预先构建的神经网络结构，利用所述至少一个患者的真实髋部CT和DR影像对神经网络进行训练，得到训练后的生成器网络，其中，所述神经网络结构由从二维图像生成的三维图像得到；
第二获取模块，用于利用欧洲脊柱体模，获取HU值到体骨密度值的转换公式，以输入患者的髋部DR影像至所述训练后的生成器网络，输出所述患者的三维影像数据，并基于所述转换公式得到所述患者的三维骨密度值；
控制单元，用于在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保同一位患者的所述真实髋部CT和所述DR影像的解剖结构保持一致。
7.根据权利要求6所述的装置，其特征在于，所述第一获取模块包括：
控制单元，用于在拍摄所述至少一个患者的真实髋部CT以及DR影像时，确保不同患者的同种影像之间成像参数达到预设一致条件。
8.根据权利要求7所述的装置，其特征在于，所述成像参数包括X射线管电压、X射线源到探测器的距离、X射线源到病人的距离、照射野大小、照射野所包含的解剖结构范围、X射线管电流与曝光时间。
9.根据权利要求6所述的装置，其特征在于，所述训练模块包括：
处理单元，用于将所述神经网络结构作为网络的生成器，并由5组三维卷积块构成网络的判别器，对所述生成器生成的三维数据进行处理，得到是否为真实影像的概率。
10.根据权利要求9所述的装置，其特征在于，所述训练模块还包括：
训练单元，用于在网络训练时，对所述生成器与所述判别器进行迭代训练，直至达到预设迭代停止条件，得到所述生成器网络。
11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的使用锥形束DR设备测量三维骨密度分布的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的使用锥形束DR设备测量三维骨密度分布的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376361.5A CN116458909B (zh) | 2023-04-10 | 2023-04-10 | 使用锥形束dr设备测量三维骨密度分布的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376361.5A CN116458909B (zh) | 2023-04-10 | 2023-04-10 | 使用锥形束dr设备测量三维骨密度分布的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116458909A CN116458909A (zh) | 2023-07-21 |
| CN116458909B true CN116458909B (zh) | 2024-05-07 |
Family
ID=87172871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310376361.5A Active CN116458909B (zh) | 2023-04-10 | 2023-04-10 | 使用锥形束dr设备测量三维骨密度分布的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116458909B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105054956A (zh) * | 2015-08-12 | 2015-11-18 | 深圳市艾克瑞电气有限公司 | X光全身骨密度仪 |
| KR20170015674A (ko) * | 2015-07-30 | 2017-02-09 | 연세대학교 산학협력단 | 외부 팬텀 없는 영상 신호에서 골밀도 값 예측 |
| WO2019098399A1 (ko) * | 2017-11-15 | 2019-05-23 | 주식회사 뷰노 | 골밀도 추정 방법 및 이를 이용한 장치 |
| CN111724357A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 |
| CN211658176U (zh) * | 2019-11-15 | 2020-10-13 | 中国计量科学研究院 | 一种用于定量ct测量骨密度的校准模体 |
| CN113869443A (zh) * | 2021-10-09 | 2021-12-31 | 新大陆数字技术股份有限公司 | 基于深度学习的颌骨密度分类方法、系统及介质 |
| KR102414601B1 (ko) * | 2021-10-12 | 2022-07-04 | 에이아이다이콤 (주) | 기계학습 기반 고관절 골절 진단을 위한 골밀도 도출 방법 및 이를 이용한 골밀도 도출 프로그램 |
| CN115067976A (zh) * | 2021-03-12 | 2022-09-20 | 富士胶片株式会社 | 推定装置、方法及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8290564B2 (en) * | 2003-09-19 | 2012-10-16 | Imatx, Inc. | Method for bone structure prognosis and simulated bone remodeling |
-
2023
- 2023-04-10 CN CN202310376361.5A patent/CN116458909B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170015674A (ko) * | 2015-07-30 | 2017-02-09 | 연세대학교 산학협력단 | 외부 팬텀 없는 영상 신호에서 골밀도 값 예측 |
| CN105054956A (zh) * | 2015-08-12 | 2015-11-18 | 深圳市艾克瑞电气有限公司 | X光全身骨密度仪 |
| WO2019098399A1 (ko) * | 2017-11-15 | 2019-05-23 | 주식회사 뷰노 | 골밀도 추정 방법 및 이를 이용한 장치 |
| CN211658176U (zh) * | 2019-11-15 | 2020-10-13 | 中国计量科学研究院 | 一种用于定量ct测量骨密度的校准模体 |
| CN111724357A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 |
| CN115067976A (zh) * | 2021-03-12 | 2022-09-20 | 富士胶片株式会社 | 推定装置、方法及计算机可读存储介质 |
| CN113869443A (zh) * | 2021-10-09 | 2021-12-31 | 新大陆数字技术股份有限公司 | 基于深度学习的颌骨密度分类方法、系统及介质 |
| KR102414601B1 (ko) * | 2021-10-12 | 2022-07-04 | 에이아이다이콤 (주) | 기계학습 기반 고관절 골절 진단을 위한 골밀도 도출 방법 및 이를 이용한 골밀도 도출 프로그램 |
Non-Patent Citations (2)
| Title |
|---|
| Comparative measurements of bone mineral density and bone contrast values in canine femora using dual-energy X-ray absorptiometry and conventional digital radiography;K. Lucas et.al;BMC Veterinary Research;第13卷(第1期);130:1-9 * |
| DXA骨密度标准体模的研究;鄢铃 等;中国测试;第35卷(第1期);28-30+70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116458909A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | The development, validation and application of a multi-detector CT (MDCT) scanner model for assessing organ doses to the pregnant patient and the fetus using Monte Carlo simulations | |
| CN104856717B (zh) | 根据患者的对比剂量优化 | |
| US20210056688A1 (en) | Using deep learning to reduce metal artifacts | |
| JP4344191B2 (ja) | 画像形成システムの低線量画像シミュレーションのための方法及びシステム | |
| Huang et al. | Approaches to reducing photon dose calculation errors near metal implants | |
| Bornstein et al. | A Retrospective Evaluation of Factors Influencing the Volume of Healthy Maxillary Sinuses Based on CBCT Imaging. | |
| EP4056120B1 (en) | Estimation device, estimation method, and estimation program | |
| CN109770933A (zh) | 通过三维定位改进图像质量的系统和方法 | |
| KR102201643B1 (ko) | 콘빔 씨티를 이용한 치아 골밀도 추정방법 및 골밀도 추정장치 | |
| KR20100063909A (ko) | 악골밀도 측정 방법 및 악골밀도 측정을 위한 보조장치 | |
| Güngör et al. | Reliability and accuracy of cone-beam computed tomography voxel density and linear distance measurement at different voxel sizes: A study on sheep head cadaver | |
| CN116458909B (zh) | 使用锥形束dr设备测量三维骨密度分布的方法及装置 | |
| Nassef et al. | Extraction of human mandible bones from multi-slice computed tomographic data | |
| CN112513925B (zh) | 图像处理系统、成像装置和图像处理的方法 | |
| Wesarg et al. | CAD of osteoporosis in vertebrae using dual-energy CT | |
| CN107730569A (zh) | 一种医学图像伪影校正方法及装置 | |
| Park et al. | Unpaired-paired learning for shading correction in cone-beam computed tomography | |
| Papadakis et al. | The effect of heart rate, vessel angulation and acquisition protocol on the estimation accuracy of calcified artery stenosis in dual energy cardiac CT: a phantom study | |
| Soares et al. | Effective dose comparison between stitched and single FOV in CBCT protocols for complete dental arcade | |
| Yeung et al. | Patient-, software-, and observer-related factors associated with the time required for semi-automated measurements of the maxillary sinus volume using cone beam computed tomography (CBCT) | |
| CN113811247A (zh) | 基于3d预扫描体积图像数据的协议相关的2d预扫描投影图像 | |
| 용태훈 | Generative Adversarial Network based Quantitative Cone Beam CT for Bone Mineral Density | |
| Bai et al. | CT-based attenuation correction in PET image reconstruction for the Gemini system | |
| Darsono et al. | Development of CBCT system for medical-physics laboratory improvement | |
| Cahyaningtyas et al. | Panoramic Projection of 3D CT Scan Teeth Images |
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 |