CN116630427B - 一种ct图像中髋骨和股骨自动定位的方法及装置 - Google Patents
一种ct图像中髋骨和股骨自动定位的方法及装置 Download PDFInfo
- Publication number
- CN116630427B CN116630427B CN202310905048.6A CN202310905048A CN116630427B CN 116630427 B CN116630427 B CN 116630427B CN 202310905048 A CN202310905048 A CN 202310905048A CN 116630427 B CN116630427 B CN 116630427B
- Authority
- CN
- China
- Prior art keywords
- image
- bone
- femur
- roi
- hip
- 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
- 210000000689 upper leg Anatomy 0.000 title claims abstract description 80
- 210000001981 hip bone Anatomy 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 50
- 210000001694 thigh bone Anatomy 0.000 claims abstract description 22
- 210000001624 hip Anatomy 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004323 axial length Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002786 image-guided radiation therapy Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种CT图像中髋骨和股骨自动定位的方法及装置,该方法包括:通过正交投影的方式生成冠状面和矢状面DRR图像;根据骨骼VOI投影,生成冠状面和矢状面DRR图像中髋骨和股骨的ROI;将图像中骨骼设置类别,用制作好的数据集训练目标检测网络模型;预测冠状面和矢状面DRR图像中的髋骨和股骨ROI坐标,根据投影关系生成CT图像中对应骨骼的VOI表示。本发明通过使用DRR技术同时生成冠状面和矢状面图像,避免了图像中不包含目标骨骼的问题;制作定位标注时增加了类别设置,可以准确区分髋骨和股骨的类别,同时通过空间位置区分左右,避免了神经网络由于形态相似导致的左右髋骨或左右股骨分类错误问题。
Description
技术领域
本发明涉及医学图像处理技术领域,具体指一种CT图像中髋骨和股骨自动定位的方法及装置。
背景技术
近年来,随着计算机技术和医学图像处理技术的进步,利用数字重建放射影像DRR和深度学习神经网络来辅助骨科手术图像处理的技术也逐渐增多。
数字重建放射影像DRR(Digitally Reconstructured Radiograph),通过对CT立体数据进行类似模型定位机的X射线靶方向重建图像的结果。随着计算机技术的发展和CT扫描技术的进步,DRR被广泛应用于CT模拟定位、图像引导放射治疗及计算机辅助外科等领域。
专利CN 108596904B提供一种对CT中腰椎自动定位的方法,通过结合DRR与CNN技术,将CT人体3D体数据重建为2DDRR图像,再通过CNN进行DRR腰椎定位,最后经过2DDRR定位坐标映射到CT3D体数据坐标,实现了精准快速的CT3D体数据腰椎定位。然而,该专利利用标注工具labelimg标注出DRR图像中腰椎的位置,其中,腰椎位置的标注需要一定的医学经验,需要在专业医生的指导下进行,这样会引入人为误差。另外在进行标注时没有目标的类别设置,当其所用方法应用于髋骨股骨图像处理时会导致由于形态相似使得左右髋骨或股骨分类错误问题。
发明内容:
本发明的目的在于解决上述背景技术中描述的现有技术的缺点,提供一种CT图像中髋骨和股骨自动定位的方法及装置,通过同时生成冠状面和矢状面图像,可以获得CT图像中骨骼三个坐标方向上的范围,避免了直接使用中心层片的冠状面和矢状面或者逐层片遍历冠状面和矢状面时有些图像不包含目标骨骼问题,另外,本发明在制作AP图像和LR图像的定位标注时增加了类别设置,可以准确区分髋骨和股骨的类别,同时通过空间位置的左右区分左右髋骨或左右股骨,避免了神经网络由于形态相似导致的左右髋骨或左右股骨分类错误问题。
本发明通过以下技术方案予以实现:第一方面,本发明提供一种CT图像中髋骨和股骨自动定位的方法,包括以下步骤:
S101,获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像;
其中,所述DRR图像为数字重建放射影像图像;所述CT图像从前向后投影生成的冠状面方向DRR图像为AP图像,从左向右投影生成的矢状面方向DRR图像为LR图像;
S102,通过骨骼分割结果生成CT图像中髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
S103,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
S104,通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
进一步地,S101中所述获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像,包括:
获取CT图像;
分别沿X轴和Y轴方向累加CT图像值,并将累加的图像值通过函数映射为新的像素灰度值,得到矢状面DRR图像和冠状面DRR图像,即LR图像和AP图像,具体映射过程为:
记CT图像沿某个轴累加后的图像为M,图像M中的像素为P,映射后的图像为I,映射过程表示为:
N=1-e-σP;
Vmin=min(N);
Vmax=max(N);
其中,N表示通过M生成的一个中间图像,e为一个自然常数,σ=10-5,V,Vmax和Vmin分别表示图像N中的像素值、最大值和最小值。
进一步地,S102中所述通过骨骼分割结果生成CT图像中髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI,包括:
根据骨骼分割结果计算CT图像中髋骨和股骨的最小外包框,即髋骨和股骨的感兴趣体积VOI;
在IJK坐标系下,感兴趣体积VOI的中心点坐标为(cx,cy,cz),三个轴方向的长度为(dx,dy,dz);其中IJK坐标系是对图像本身而言,三维图像由体素组成,IJK坐标是体素的坐标或者索引,IJK一般只有非负整数值;
记CT图像的x,y,z轴方向上的像素尺寸分别为W,H,D,将CT图像上骨骼坐标向AP图像上的坐标转换,记AP图像上的ROI表示为(Cx,Cy,Cw,Ch),其中:
Cx=cx;
Cy=D-cz;
Cw=dx;
Ch=dz;
Cx,Cy分别表示AP图像上ROI的中心点坐标的x值和y值,Cw,Ch分别表示AP图像上的ROI的宽和高;
将CT图像上骨骼坐标向LR图像上的坐标转换,记LR图像上的ROI表示为(Sx,Sy,Sw,Sh),其中:
Sx=cy;
Sy=D-cz;
Sw=dy;
Sh=dz;
Sx,Sy代表LR图像上的ROI的中心点坐标,Sw,Sh分别代表LR图像上的ROI的宽和高。
进一步地,S103中所述将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型,包括:
将AP图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
将LR图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
为完成自动检测和分类任务,将定位标注设置成目标检测模型需要的格式,目标检测标注格式为(c,x,y,w,h),其中c代表目标的类别,x、y代表ROI中心点坐标,w、h分别代表ROI的宽和高,针对图像中骨骼的类别设置,其中AP图像中髋骨和股骨类别分别为0和1,LR图像中髋骨和股骨类别分别为2和3;
使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型。
进一步地,所述目标检测网络采用YOLOv8模型,包含分类和回归两个部分,分别用于实现髋骨和股骨的分类和具体位置的生成。
进一步地,S104中所述通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位,包括:
获取新CT图像的AP图像和LR图像;
通过训练完成的定位模型预测AP图像和LR图像上的骨骼定位结果;
将AP图像的2D定位结果根据类别区分髋骨与股骨,根据空间位置的左右区分左右髋骨和左右股骨;
对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI。
进一步地,所述对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI,包括:
对于指定骨骼,记AP图像上定位结果的ROI坐标输出为(Cx,Cy,Cw,Ch),LR图像上定位结果的ROI坐标输出为(Sx,Sy,Sw,Sh);记图像的长边尺寸为L,长边与模型训练时指定的尺寸的比值用scale表示;
在IJK坐标系下骨骼的VOI中心坐标记为(cx,cy,cz),半径记为(rx,ry,rz),计算方式如下:
cx=scale·Cx;
cy=scale·Sx;
在RAS坐标系下VOI的中心坐标center为:
center=origin+[-1,-1,1]T·spacing·[cx,cy,cz];
半径radius为:
radius=spacing·[rx,ry,rz];
其中,origin为CT图像的坐标原点,spacing为图像的体素间距;
通过RAS坐标系下VOI的中心坐标center和半径radius就可以确定CT图像中指定骨骼的VOI。
第二方面,本发明还提供一种CT图像中髋骨和股骨自动定位的装置,该装置包括:
获取数据模块,用于获取CT图像,并通过正交投影的方式生成冠状面DRR图像和矢状面DRR图像;
生成感兴趣区域模块,用于生成CT图像的髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
训练模块,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
预测模块,用于通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
第三方面,本发明提供了一种CT图像中髋骨和股骨自动定位的设备,所述设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序指令,其中,所述处理器用于执行存储器中存储的计算机程序指令,以实现上述所述的CT图像中髋骨和股骨自动定位的方法。
第四方面,本发明提供了一种CT图像中髋骨和股骨自动定位的存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述所述的CT图像中髋骨和股骨自动定位的方法。
本发明提供了一种CT图像中髋骨和股骨自动定位的方法及装置,根据CT图像,使用DRR生成方法分别生成冠状面和矢状面DRR图像;然后根据骨骼VOI做冠状面和矢状面投影,生成冠状面和矢状面DRR图像中髋骨和股骨的ROI;为完成自动检测和分类任务,将图像中骨骼设置类别,将定位标注设置成目标检测模型需要的格式,将制作好的数据集用于训练目标检测网络模型;用训练好的模型预测冠状面和矢状面DRR图像中的髋骨和股骨ROI坐标,然后根据投影关系生成CT图像中对应骨骼的VOI表示。与现有技术相比较,本发明具有以下技术优点:
1、通过使用DRR技术同时生成冠状面和矢状面图像,避免了直接使用中心层片的冠状面和矢状面或者逐层片遍历冠状面和矢状面时有些图像不包含目标骨骼问题,且可以获得CT图像中骨骼三个坐标方向上的范围;
2、DRR图像通过正交投影的方式获得,计算更加快速方便,并且可以得到精确的目标图像边界;
3、制作AP图像和LR图像的定位标注时增加了类别设置,可以准确区分髋骨和股骨的类别,同时通过空间位置的左右区分左右髋骨或左右股骨,避免了神经网络由于形态相似导致的左右髋骨或左右股骨分类错误问题;
4、使用了2个正交的2D定位结果向3D投影,可以得到3D定位坐标;
5、提供了一种从三维影像进行骨骼定位的通用范式,可以扩展应用到脊柱、肝脏、肺等其他区域组织的定位。
附图说明
下面将参考附图来描述本发明示例性实施例的特征、优点和技术效果。
图1是本发明实施例提供的一种CT图像中髋骨和股骨自动定位的方法流程图;
图2是本发明实施例提供的原始CT图像;
图3是本发明实施例提供的通过正交投影的方式生成的冠状面DRR图像和矢状面DRR图像;
图4是本发明实施例提供的通过骨骼分割结果生成的CT图像中髋骨和股骨的感兴趣体积VOI的示意图;
图5是本发明实施例提供的冠状面DRR图像和矢状面DRR图像中的类别标注示意图;
图6是本发明实施例提供的2D定位结果反向投影到3D的示意图;
图7是本发明实施例提供的一种CT图像中髋骨和股骨自动定位的装置示意图;
图8是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例,为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本公开进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本公开,而不是限定本公开。对于本领域技术人员来说,本公开可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本公开的示例来提供对本公开更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了更好地理解本发明,下面结合附图对本发明实施例进行详细描述。
图1是本发明实施例提供的一种CT图像中髋骨和股骨自动定位的方法流程图。
如图1所示,本发明提供一种CT图像中髋骨和股骨自动定位的方法,包括以下步骤:
S101,获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像;
其中,所述DRR图像为数字重建放射影像图像;所述CT图像从前向后投影生成的冠状面方向DRR图像为AP图像,从左向右投影生成的矢状面方向DRR图像为LR图像;
S102,通过骨骼分割结果生成CT图像中髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
S103,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
S104,通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
作为一种可选的实施方式,S101中所述获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像,包括:
如图2所示,获取CT图像;
分别沿X轴和Y轴方向累加CT图像值,并将累加的图像值通过函数映射为新的像素灰度值,得到如图3所示的矢状面DRR图像和冠状面DRR图像,即LR图像和AP图像,具体映射过程为:
记CT图像沿某个轴累加后的图像为M,图像M中的像素为P,映射后的图像为I,映射过程表示为:
N=1-e-σP;
Vmin=min(N);
Vmax=max(N);
其中,N表示通过M生成的一个中间图像,e为一个自然常数,σ=10-5,V,Vmax和Vmin分别表示图像N中的像素值、最大值和最小值。
作为一种可选的实施方式,S102中所述通过骨骼分割结果生成CT图像中髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI,包括:
如图4所示,根据骨骼分割结果计算CT图像中髋骨和股骨的最小外包框,即髋骨和股骨的感兴趣体积VOI;
在IJK坐标系下,感兴趣体积VOI的中心点坐标为(cx,cy,cz),三个轴方向的长度为(dx,dy,dz);其中IJK坐标系是对图像本身而言,三维图像由体素组成,IJK坐标是体素的坐标或者索引,IJK一般只有非负整数值;
记CT图像的x,y,z轴方向上的像素尺寸分别为W,H,D,将CT图像上骨骼坐标向AP图像上的坐标转换,记AP图像上的ROI表示为(Cx,Cy,Cw,Ch),其中:
Cx=cx;
Cy=D-cz;
Cw=dx;
Ch=dz;
Cx,Cy分别表示AP图像上ROI的中心点坐标的x值和y值,Cw,Ch分别表示AP图像上的ROI的宽和高;
将CT图像上骨骼坐标向LR图像上的坐标转换,记LR图像上的ROI表示为(Sx,Sy,Sw,Sh),其中:
Sx=cy;
Sy=D-cz;
Sw=dy;
Sh=dz;
Sx,Sy代表LR图像上的ROI的中心点坐标,Sw,Sh分别代表LR图像上的ROI的宽和高。
作为一种可选的实施方式,S103中所述将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型,包括:
将AP图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
将LR图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
为完成自动检测和分类任务,将定位标注设置成目标检测模型需要的格式,目标检测标注格式为(c,x,y,w,h),其中c代表目标的类别,x、y代表ROI中心点坐标,w、h分别代表ROI的宽和高,针对图像中骨骼的类别设置,其中AP图像中髋骨和股骨类别分别为0和1,LR图像中髋骨和股骨类别分别为2和3,标注好的图像如图5所示;
使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型。训练图像根据模型配置会将图像长边缩放至640像素,短边等比缩放并用0填充到640像素。
作为一种可选的实施方式,所述目标检测网络采用YOLOv8模型,包含分类和回归两个部分,分别用于实现髋骨和股骨的分类和具体位置的生成。
作为一种可选的实施方式,所述目标检测网络的输入为AP图像或者LR图像,输出为ROI类别、中心点坐标和宽高。
作为一种可选的实施方式,所述目标检测网络也可使用其他任意可行的网络模型,包括但不限于YOLO系列的所有模型、RCNN系列的所有模型、SSD模型、RetinaNet模型等。
作为一种可选的实施方式,S104中所述通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位,包括:
获取新CT图像的AP图像和LR图像;
通过训练完成的定位模型预测AP图像和LR图像上的骨骼定位结果;
将AP图像的2D定位结果根据类别区分髋骨与股骨,根据空间位置的左右区分左右髋骨和左右股骨;
对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI。
作为一种可选的实施方式,所述对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI,包括:
对于指定骨骼,记AP图像上定位结果的ROI坐标输出为(Cx,Cy,Cw,Ch),LR图像上定位结果的ROI坐标输出为(Sx,Sy,Sw,Sh);记图像的长边尺寸为L,长边与模型训练时指定的尺寸的比值用scale表示;
在IJK坐标系下骨骼的VOI中心坐标记为(cx,cy,cz),半径记为(rx,ry,rz),计算方式如下:
cx=scale·Cx;
cy=scale·Sx;
在RAS坐标系下VOI的中心坐标center为:
center=origin+[-1,-1,1]T·spacing·[cx,cy,cz];
半径radius为:
radius=spacing·[rx,ry,rz];
其中,origin为CT图像的坐标原点,spacing为图像的体素间距;
如图6所示,通过RAS坐标系下VOI的中心坐标center和半径radius就可以确定CT图像中指定骨骼的VOI。
图7是本发明实施例提供的CT图像中髋骨和股骨自动定位的装置示意图,如图7所示,该装置包括:获取数据模块701,生成感兴趣区域模块702,训练模块703,预测模块704。
获取数据模块701,用于获取CT图像,并通过正交投影的方式生成冠状面DRR图像和矢状面DRR图像;
生成感兴趣区域模块702,用于生成CT图像的髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
训练模块703,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
预测模块704,用于通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
图7所示装置中的各个模块/单元具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
如图8所示,本发明提供了一种CT图像中髋骨和股骨自动定位的设备,所述设备包括:处理器801、存储器802以及存储在所述存储器中并可在所述处理器上运行的计算机程序指令,其中,所述处理器801用于执行存储器802中存储的计算机程序指令,以实现上述所述的CT图像中髋骨和股骨自动定位的方法。
具体地,上述处理器801可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。
在一个实例中,存储器802可以包括可移除或不可移除(或固定)的介质,或者存储器是非易失性固态存储器。存储器可在综合网关容灾设备的内部或外部。
在一个实例中,存储器802可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
在一个实例中,存储器802可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器801通过读取并执行存储器802中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤,并能达到其相应的技术效果,为简洁描述在此不再赘述。
在一个实施例中,计算设备还可包括通信接口803和总线804。如图8所示,处理器801、存储器802、通信接口803通过总线804连接并完成相互间的通信。
通信接口803,主要用于实现本发明中各模块、装置、单元和/或设备之间的通信。
总线804包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明描述和示出了特定的总线,但本公开考虑任何合适的总线或互连。
另外,结合上述实施例中的CT图像中髋骨和股骨自动定位的方法,本发明还提供了一种存储介质来实现。该存储介质上存储有计算机程序指令,所述计算机程序指令被处理器801执行时实现上述所述的一种CT图像中髋骨和股骨自动定位的方法。
本发明实施例提供的存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本发明提供了一种CT图像中髋骨和股骨自动定位的方法及装置,根据CT图像,使用DRR生成方法分别生成冠状面和矢状面DRR图像;然后根据骨骼VOI做冠状面和矢状面投影,生成冠状面和矢状面DRR图像中髋骨和股骨的ROI;为完成自动检测和分类任务,将图像中骨骼设置类别,将定位标注设置成目标检测模型需要的格式,将制作好的数据集用于训练目标检测网络模型;用训练好的模型预测冠状面和矢状面DRR图像中的髋骨和股骨ROI坐标,然后根据投影关系生成CT图像中对应骨骼的VOI表示。与现有技术相比较,本发明具有以下技术优点:
1、通过使用DRR技术同时生成冠状面和矢状面图像,避免了直接使用中心层片的冠状面和矢状面或者逐层片遍历冠状面和矢状面时有些图像不包含目标骨骼问题,且可以获得CT图像中目标骨骼三个坐标方向上的范围;
2、DRR图像通过正交投影的方式获得,计算更加快速方便,并且可以得到精确的目标图像边界;
3、制作AP图像和LR图像的定位标注时增加了类别设置,可以准确区分髋骨和股骨的类别,同时通过空间位置的左右区分左右髋骨或左右股骨,避免了神经网络由于形态相似导致的左右髋骨或左右股骨分类错误问题;
4、使用了2个正交的2D定位结果向3D投影,可以得到3D定位坐标;
5、提供了一种从三维影像进行骨骼定位的通用范式,可以扩展应用到脊柱、肝脏、肺等其他区域组织的定位。
需要明确的是,本公开并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本公开的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本公开的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ApplicationSpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本公开的元素是被用于执行所需任务的程序或者代码段。相关技术人员可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。另外程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。机器可读介质可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本公开的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本公开的保护范围之内。
Claims (8)
1.一种CT图像中髋骨和股骨自动定位的方法,其特征在于,包括以下步骤:
S101,获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像;
其中,所述DRR图像为数字重建放射影像图像;所述CT图像从前向后投影生成的冠状面方向DRR图像为AP图像,从左向右投影生成的矢状面方向DRR图像为LR图像;
S102,通过骨骼分割结果生成CT图像中髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
根据骨骼分割结果计算CT图像中髋骨和股骨的最小外包框,即髋骨和股骨的感兴趣体积VOI;
在IJK坐标系下,感兴趣体积VOI的中心点坐标为(cx,cy,cz),三个轴方向的长度为(dx,dy,dz);其中IJK坐标系是对图像本身而言,三维图像由体素组成,IJK坐标是体素的坐标或者索引,IJK只有非负整数值;
记CT图像的x,y,z轴方向上的像素尺寸分别为W,H,D,将CT图像上骨骼坐标向AP图像上的坐标转换,记AP图像上的ROI表示为(Cx,Cy,Cw,Ch),其中:
Cx=cx;
Cy=D-cz;
Cw=dx;
Ch=dz;
Cx,Cy分别表示AP图像上ROI的中心点坐标的x值和y值,Cw,Ch分别表示AP图像上的ROI的宽和高;
将CT图像上骨骼坐标向LR图像上的坐标转换,记LR图像上的ROI表示为(Sx,Sy,Sw,Sh),其中:
Sx=cy;
Sy=D-cz;
Sw=dy;
Sh=dz;
其中,Sx,Sy分别表示LR图像上的ROI的中心点坐标,Sw,Sh分别表示LR图像上的ROI的宽和高;
S103,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
将AP图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
将LR图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
为完成自动检测和分类任务,将定位标注设置成目标检测模型需要的格式,目标检测标注格式为(c,x,y,w,h),其中c代表目标的类别,x、y代表ROI中心点坐标,w、h分别代表感兴趣区域ROI的宽和高,针对图像中骨骼的类别设置,其中AP图像中髋骨和股骨类别分别为0和1,LR图像中髋骨和股骨类别分别为2和3;
使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
S104,通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
2.根据权利要求1所述的一种CT图像中髋骨和股骨自动定位的方法,其特征在于,S101中所述获取CT图像,通过正交投影的方式分别生成冠状面DRR图像和矢状面DRR图像,包括:
获取CT图像;
分别沿X轴和Y轴方向累加CT图像值,并将累加的图像值通过函数映射为新的像素灰度值,得到矢状面DRR图像和冠状面DRR图像,即LR图像和AP图像,具体映射过程为:
记CT图像沿某个轴累加后的图像为M,图像M中的像素为P,映射后的图像为I,映射过程表示为:
N=1-e-σP;
Vmin=min(N);
Vmax=max(N);
其中,N表示通过M生成的一个中间图像,e为一个自然常数,σ=10-5,V,Vmax和Vmin分别表示图像N中的像素值、最大值和最小值。
3.根据权利要求1所述的一种CT图像中髋骨和股骨自动定位的方法,其特征在于,所述目标检测网络采用YOLOv8模型,包含分类和回归两个部分,分别用于实现髋骨和股骨的分类和具体位置的生成。
4.根据权利要求1所述的一种CT图像中髋骨和股骨自动定位的方法,其特征在于,S104中所述通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位,包括:
获取新CT图像的AP图像和LR图像;
通过训练完成的定位模型预测AP图像和LR图像上的骨骼定位结果;
将AP图像的2D定位结果根据类别区分髋骨与股骨,根据空间位置的左右区分左右髋骨和左右股骨;
对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI。
5.根据权利要求4所述的一种CT图像中髋骨和股骨自动定位的方法,其特征在于,所述对于指定骨骼的预测,取AP图像的定位结果与LR图像的定位结果,根据投影关系确定3D坐标系下骨骼的VOI,包括:
对于指定骨骼,记AP图像上定位结果的ROI坐标输出为(Cx,Cy,Cw,Ch),LR图像上定位结果的ROI坐标输出为(Sx,Sy,Sw,Sh);记图像的长边尺寸为L,长边与模型训练时指定的尺寸的比值用scale表示;
在IJK坐标系下骨骼的VOI中心坐标记为(cx,cy,cz),半径记为(rx,ry,rz),计算方式如下:
cx=scale·Cx;
cy=scale·Sx;
在RAS坐标系下VOI的中心坐标center为:
center=origin+[-1,-1,1]T·spacing·[cx,cy,cz];
半径radius为:
radius=spacing·[rx,ry,rz];
其中,origin为CT图像的坐标原点,spacing为图像的体素间距;
通过RAS坐标系下VOI的中心坐标center和半径radius确定CT图像中指定骨骼的VOI。
6.一种CT图像中髋骨和股骨自动定位的装置,其特征在于,包括:
获取数据模块,用于获取CT图像,并通过正交投影的方式生成冠状面DRR图像和矢状面DRR图像;
生成感兴趣区域模块,用于生成CT图像的髋骨和股骨的感兴趣体积VOI,并做冠状面和矢状面投影,分别生成AP图像和LR图像中的感兴趣区域ROI;
根据骨骼分割结果计算CT图像中髋骨和股骨的最小外包框,即髋骨和股骨的感兴趣体积VOI;
在IJK坐标系下,感兴趣体积VOI的中心点坐标为(cx,cy,cz),三个轴方向的长度为(dx,dy,dz);其中IJK坐标系是对图像本身而言,三维图像由体素组成,IJK坐标是体素的坐标或者索引,IJK只有非负整数值;
记CT图像的x,y,z轴方向上的像素尺寸分别为W,H,D,将CT图像上骨骼坐标向AP图像上的坐标转换,记AP图像上的ROI表示为(Cx,Cy,Cw,Ch),其中:
Cx=cx;
Cy=D-cz;
Cw=dx;
Ch=dz;
Cx,Cy分别表示AP图像上ROI的中心点坐标的x值和y值,Cw,Ch分别表示AP图像上的ROI的宽和高;
将CT图像上骨骼坐标向LR图像上的坐标转换,记LR图像上的ROI表示为(Sx,Sy,Sw,Sh),其中:
Sx=cy;
Sy=D-cz;
Sw=dy;
Sh=dz;
其中,Sx,Sy分别表示LR图像上的ROI的中心点坐标,Sw,Sh分别表示LR图像上的ROI的宽和高;
训练模块,将ROI坐标转换成训练目标检测模型需要的坐标标注格式,使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
将AP图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
将LR图像中的ROI坐标转换成训练目标检测模型需要的坐标标注格式:
为完成自动检测和分类任务,将定位标注设置成目标检测模型需要的格式,目标检测标注格式为(c,x,y,w,h),其中c代表目标的类别,x、y代表ROI中心点坐标,w、h分别代表感兴趣区域ROI的宽和高,针对图像中骨骼的类别设置,其中AP图像中髋骨和股骨类别分别为0和1,LR图像中髋骨和股骨类别分别为2和3;
使用目标检测网络以AP图像、LR图像和各自对应的感兴趣区域ROI为训练集,训练髋骨和股骨的定位模型;
预测模块,用于通过训练好的定位模型预测新获取的AP图像和LR图像上的骨骼定位结果,并根据投影关系将定位结果映射到三维图像上,实现三维CT图像中的骨骼定位。
7.一种CT图像中髋骨和股骨自动定位的设备,其特征在于,
所述设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序指令,其中,所述处理器用于执行存储器中存储的计算机程序指令,以实现权利要求1至5中任意一项CT图像中髋骨和股骨自动定位的方法。
8.一种CT图像中髋骨和股骨自动定位的存储介质,其特征在于,
所述存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项CT图像中髋骨和股骨自动定位的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905048.6A CN116630427B (zh) | 2023-07-24 | 2023-07-24 | 一种ct图像中髋骨和股骨自动定位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905048.6A CN116630427B (zh) | 2023-07-24 | 2023-07-24 | 一种ct图像中髋骨和股骨自动定位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630427A CN116630427A (zh) | 2023-08-22 |
CN116630427B true CN116630427B (zh) | 2023-10-31 |
Family
ID=87602945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310905048.6A Active CN116630427B (zh) | 2023-07-24 | 2023-07-24 | 一种ct图像中髋骨和股骨自动定位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649442B (zh) * | 2024-01-30 | 2024-05-14 | 中国科学院自动化研究所 | 利用平衡器官解剖标志构筑三维头影测量坐标系的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596904A (zh) * | 2018-05-07 | 2018-09-28 | 北京长木谷医疗科技有限公司 | 生成定位模型的方法及对脊柱矢状位图像进行处理的方法 |
EP3398551A1 (en) * | 2017-05-03 | 2018-11-07 | Stryker European Holdings I, LLC | Methods of pose estimation of three-dimensional bone models in surgical planning a total ankle replacement |
WO2019030410A1 (en) * | 2017-08-10 | 2019-02-14 | Aidence B.V | COMPUTER-AIDED DIAGNOSIS USING DEEP NEURAL NETWORKS |
KR20200065777A (ko) * | 2018-11-30 | 2020-06-09 | 서울여자대학교 산학협력단 | 무릎 자기공명 영상에서의 반월상 연골 분할 방법 및 장치 |
AU2020101836A4 (en) * | 2020-08-14 | 2020-09-24 | Xi'an university of posts and telecommunications | A method for generating femoral x-ray films based on deep learning and digital reconstruction of radiological image |
CN113592820A (zh) * | 2021-07-30 | 2021-11-02 | 瓴域影诺(北京)科技有限公司 | 一种股骨区域及关键点检测方法和系统 |
CN113689402A (zh) * | 2021-08-24 | 2021-11-23 | 北京长木谷医疗科技有限公司 | 基于深度学习的股骨髓腔形态识别方法、装置及存储介质 |
CN114842004A (zh) * | 2022-07-04 | 2022-08-02 | 真健康(北京)医疗科技有限公司 | 基于神经网络模型的穿刺位置验证方法及设备 |
CN115187540A (zh) * | 2022-07-07 | 2022-10-14 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
CN115249290A (zh) * | 2022-06-10 | 2022-10-28 | 首都医科大学附属北京友谊医院 | 针对单侧颞骨的空间数据处理方法、空间定位方法及设备 |
CN115511960A (zh) * | 2022-09-05 | 2022-12-23 | 重庆博仕康科技有限公司 | 股骨中轴线定位的方法、装置、计算机设备和存储介质 |
CN116128912A (zh) * | 2023-02-06 | 2023-05-16 | 北京纳通医用机器人科技有限公司 | 一种髋关节图像的分割方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9280718B2 (en) * | 2010-11-24 | 2016-03-08 | Nocimed, Llc | Systems and methods for automated voxelation of regions of interest for magnetic resonance spectroscopy |
-
2023
- 2023-07-24 CN CN202310905048.6A patent/CN116630427B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3398551A1 (en) * | 2017-05-03 | 2018-11-07 | Stryker European Holdings I, LLC | Methods of pose estimation of three-dimensional bone models in surgical planning a total ankle replacement |
WO2019030410A1 (en) * | 2017-08-10 | 2019-02-14 | Aidence B.V | COMPUTER-AIDED DIAGNOSIS USING DEEP NEURAL NETWORKS |
CN108596904A (zh) * | 2018-05-07 | 2018-09-28 | 北京长木谷医疗科技有限公司 | 生成定位模型的方法及对脊柱矢状位图像进行处理的方法 |
KR20200065777A (ko) * | 2018-11-30 | 2020-06-09 | 서울여자대학교 산학협력단 | 무릎 자기공명 영상에서의 반월상 연골 분할 방법 및 장치 |
AU2020101836A4 (en) * | 2020-08-14 | 2020-09-24 | Xi'an university of posts and telecommunications | A method for generating femoral x-ray films based on deep learning and digital reconstruction of radiological image |
CN113592820A (zh) * | 2021-07-30 | 2021-11-02 | 瓴域影诺(北京)科技有限公司 | 一种股骨区域及关键点检测方法和系统 |
CN113689402A (zh) * | 2021-08-24 | 2021-11-23 | 北京长木谷医疗科技有限公司 | 基于深度学习的股骨髓腔形态识别方法、装置及存储介质 |
CN115249290A (zh) * | 2022-06-10 | 2022-10-28 | 首都医科大学附属北京友谊医院 | 针对单侧颞骨的空间数据处理方法、空间定位方法及设备 |
CN114842004A (zh) * | 2022-07-04 | 2022-08-02 | 真健康(北京)医疗科技有限公司 | 基于神经网络模型的穿刺位置验证方法及设备 |
CN115187540A (zh) * | 2022-07-07 | 2022-10-14 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
CN115511960A (zh) * | 2022-09-05 | 2022-12-23 | 重庆博仕康科技有限公司 | 股骨中轴线定位的方法、装置、计算机设备和存储介质 |
CN116128912A (zh) * | 2023-02-06 | 2023-05-16 | 北京纳通医用机器人科技有限公司 | 一种髋关节图像的分割方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
基于CT图像的损伤骨骼三维重建与修复;谢沛江;刘翰琨;杨培基;;福建电脑(第03期);118-120 * |
基于深度学习的2D/3D医学图像配准研究;陈向前;郭小青;周钢;樊瑜波;王豫;;中国生物医学工程学报(第04期);290-295 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630427A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754387B (zh) | 一种全身骨显像放射性浓聚灶的智能检测定位方法 | |
US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
CN109410188B (zh) | 用于对医学图像进行分割的系统和方法 | |
Hill et al. | A strategy for automated multimodality image registration incorporating anatomical knowledge and imager characteristics | |
RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
CN116630427B (zh) | 一种ct图像中髋骨和股骨自动定位的方法及装置 | |
CN1969757A (zh) | 用于自动确定扫描对象中区域的方法和系统 | |
Zhang et al. | 3-D reconstruction of the spine from biplanar radiographs based on contour matching using the hough transform | |
CN112509022A (zh) | 一种术前三维影像与术中透视图像的无标定物配准方法 | |
Fang et al. | 3D shape reconstruction of lumbar vertebra from two X-ray images and a CT model | |
US7856132B2 (en) | Method, a computer program, an apparatus and an imaging system for image processing | |
Wang et al. | Automatic segmentation of spinal canals in CT images via iterative topology refinement | |
Alam et al. | Medical image registration: Classification, applications and issues | |
CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
Alam et al. | Intrinsic registration techniques for medical images: A state-of-the-art review | |
Hill et al. | Medical image registration using knowledge of adjacency of anatomical structures | |
US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
KR20230030682A (ko) | Ct를 이용한 3d 두부 계측 랜드마크 자동 검출 장치 및 방법 | |
CN117274281A (zh) | Ct图像的分割方法、装置、电子设备及存储介质 | |
CN117611695A (zh) | 基于扩散模型的牙科锥束ct金属伪影校正方法及装置 | |
Varghese et al. | Segmentation and three dimensional visualization of mandible using active contour and visualization toolkit in craniofacial computed tomography images | |
Gao et al. | 3d ultrasound parametric modeling imaging for spine deformity–a preliminary study | |
Al Abboodi et al. | Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images | |
EP4239581A1 (en) | Generation of 3d models of anatomical structures from 2d radiographs | |
Kumar et al. | Combined SCP and geometric reconstruction of spine from biplanar radiographs |
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 |