CN116712094A - 一种基于负重模拟ct装置的膝关节测量系统 - Google Patents
一种基于负重模拟ct装置的膝关节测量系统 Download PDFInfo
- Publication number
- CN116712094A CN116712094A CN202310751201.4A CN202310751201A CN116712094A CN 116712094 A CN116712094 A CN 116712094A CN 202310751201 A CN202310751201 A CN 202310751201A CN 116712094 A CN116712094 A CN 116712094A
- Authority
- CN
- China
- Prior art keywords
- knee joint
- image
- weight
- bearing state
- module
- 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
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 220
- 238000005259 measurement Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 42
- 230000003993 interaction Effects 0.000 claims description 38
- 210000002303 tibia Anatomy 0.000 claims description 33
- 210000000689 upper leg Anatomy 0.000 claims description 33
- 210000003127 knee Anatomy 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 210000004417 patella Anatomy 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 17
- 241000469816 Varus Species 0.000 claims description 4
- 210000002082 fibula Anatomy 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 210000003141 lower extremity Anatomy 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 22
- 238000000034 method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 abstract description 5
- 208000012659 Joint disease Diseases 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/30—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)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Human Computer Interaction (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于负重模拟CT装置的膝关节测量系统,通过负重模拟CT扫描获得患者非负重状态膝关节CT图像和负重状态膝关节CT图像,并利用图像处理技术自动进行特征测量,提供了一种准确评估膝关节负重状态下变化的方法,有助于医生对膝关节疾病进行诊断和治疗决策,提高了诊断效率和准确性。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种基于负重模拟CT装置的膝关节测量系统。
背景技术
一般的CT扫描设备对人体进行扫描的方式是,患者平卧或侧卧在CT扫描床上进行扫描。但在一些骨科诊断中,由于患者卧姿状态是没有负重的,卧姿状态下扫描得到的图像不能呈现患者站姿状态的骨关节形态。同时,在某些关节诊断场景中,例如膝关节的诊断,希望对患者卧姿的图像和站姿的图像进行比对,以得到更准确的诊断结果。
虽然现有技术中存在站立式CT,允许患者在站立或坐立的姿势下进行扫描,但应用场景相对较少。因此,近年来有关于负重模拟CT装置的研究,在患者平卧的姿势下进行扫描,并可选择对患者施加压力来模拟患者站立状态下的负重情况。这对于评估负重关节(如膝关节)非常有价值。在模拟负重下,关节的情况可以更真实地呈现。
但对骨关节的诊断仍然不够智能化,需要丰富经验的医生进行观察诊断,关节的参数测量也需要医生具有丰富的经验才能做好。
发明内容
为解决现有技术存在的问题,本发明提供一种基于负重模拟CT装置的膝关节测量系统,包括:
负重模拟CT装置,配置为在患者平卧的姿势下进行扫描,并可选择对患者施加压力来模拟患者站立状态下的负重情况。
图像获取模块,配置为获取患者的膝关节CT图像;所述患者的膝关节CT图像包括非负重状态膝关节CT图像和负重状态膝关节CT图像;
图像配准模块,配置为对所述非负重状态膝关节CT图像与负重状态膝关节CT图像进行弹性配准,得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系;
用户交互模块,配置为提供交互界面,显示所述非负重状态膝关节CT图像或负重状态膝关节CT图像,并接收用户输入的对所述非负重状态膝关节CT图像或负重状态膝关节CT图像所作的特征点位置标记;
标记映射模块,配置为根据所述非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系,将所述非负重状态膝关节CT图像上的特征点位置标记映射到负重状态膝关节CT图像上,或将所述负重状态膝关节CT图像上的特征点位置标记映射到非负重状态膝关节CT图像上;
特征测量模块,配置为根据非负重状态膝关节CT图像上的特征点位置标记测量得到非负重状态膝关节特征参数,根据负重状态膝关节CT图像上的特征点位置标记信息测量得到负重状态膝关节特征参数;
差异计算模块,配置为计算得到非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异。
在一些实施例中,所述的膝关节测量系统还包括图像分割模块,配置为对所述患者的膝关节CT图像进行分割,得到股骨分割结果、胫骨分割结果和髌骨分割结果;所述用户交互模块还用于显示所述股骨分割结果、胫骨分割结果和髌骨分割结果。
在一些实施例中,所述图像分割模块具体为经过训练的深度学习图像分割模型,所述经过训练的深度学习图像分割模型通过以下方式训练得到:
构建深度学习图像分割模型;
获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的通过人工标注得到的股骨分割结果、胫骨分割结果和髌骨分割结果;
利用所述训练数据和测试数据对所述深度学习图像分割模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成股骨分割结果、胫骨分割结果和髌骨分割结果的图像分割模型。
在一些实施例中,所述膝关节特征参数包括:关节间隙、胫骨内翻角、胫骨角、股骨下角、胫骨上角、股骨髁间角、胫腓骨扭转角、胫骨骺线角、胫骨后倾角、外侧髌股角、髌骨指数、髌骨高度、下肢力线中的一种或多种;所述关节间隙包括股骨与髌骨之间的关节间隙、股骨与胫骨之间的关节间隙、髌骨与胫骨之间的关节间隙中的一种或多种。
在一些实施例中,所述膝关节特征参数为股骨与胫骨之间的关节间隙;所述用户输入的特征点位置标记包括股骨特征点和胫骨特征点;所述特征测量模块配置为分别测量所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离;所述差异计算模块配置为计算得到所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离的变化。
在一些实施例中,所述的膝关节测量系统还包括特征点自动标记模块,配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与膝关节特征参数有关的特征点位置标记;所述特征点自动标记模块配置为经过训练的深度学习图像目标检测模型,所述经过训练的深度学习图像目标检测模型通过以下方式训练得到:
构建深度学习图像目标检测模型;
获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的人工标注的特征点位置标记;
利用所述训练数据和测试数据对所述深度学习图像目标检测模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成特征点位置标记的图像目标检测模型。
在一些实施例中,所述用户交互模块还配置为通过交互界面显示可供用户选择的膝关节特征参数种类列表,供用户从列表中选择一种膝关节特征参数;所述特征点自动标记模块配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与用户选择的膝关节特征参数有关的特征点位置标记。
在一些实施例中,所述用户交互模块还配置为通过交互界面显示由特征点自动标记模块自动生成的特征点位置标记,并接收用户对所述特征点位置标记的修改。
在一些实施例中,还包括辅助诊断模块,配置为根据所述非负重状态膝关节特征参数、所述负重状态膝关节特征参数、所述非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异中的至少一种,得到辅助诊断结果。
在一些实施例中,还包括报告生成模块,配置为根据所述辅助诊断结果,自动生成诊断报告;所述用户交互模块还配置为允许用户修改所述诊断报告。
相比于现有技术,本发明提供的基于负重模拟CT装置的膝关节测量系统通过负重模拟CT扫描和自动特征测量,提供了一种准确评估膝关节负重状态下变化的方法,有助于医生对膝关节疾病进行诊断和治疗决策,提高了诊断效率和准确性。
附图说明
图1是一种基于负重模拟CT装置的膝关节测量系统的工作流程图;
图2是一种图像分割模块的训练方法。
具体实施方式
为了更清楚的说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似场景。除非从语言环境中显而易见或另作说明,途中相同符号代表相同结构或操作。
应当理解,本文使用的“装置”、“单元”、“系统”是用于区分不同的组件、元件、部件、部分或装配的一种方法,然而,如果其他词语可实现相同的目的,则可通过其他表达来替换词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”等词并非特指单数,也可包括复数。一般来说,术语“包括“与”包含“仅提示包括已明确标识的步骤或元素,而这些步骤或元素不构成一个排他性的罗列,方法或者装置也可能包含其他的步骤或元素。
本申请中使用了流程图来说明本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒叙或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程中移除某一步或多步操作。
实施例1
为解决现有技术存在的问题,本发明提供一种基于负重模拟CT装置的膝关节测量系统,包括:
负重模拟CT装置,配置为在患者平卧的姿势下进行扫描,并可选择对患者施加压力来模拟患者站立状态下的负重情况。负重模拟CT装置指的是带有模拟负重装置的CT设备,用于实现模拟站立式CT,其基本原理是在患者平卧的姿势下进行扫描,并通过施加压力来模拟患者站立状态下的负重情况。带有模拟负重装置的CT设备通常由扫描部分和负重模拟部分组成。扫描部分包括X射线源和检测器,用于获取膝关节的CT图像。负重模拟部分通常由一个支撑平台和负重装置组成,支撑平台用于患者平卧,负重装置用于施加压力模拟站立状态。在患者平卧的姿势下,负重装置通过施加压力来模拟患者站立状态下的负重情况。负重模拟CT装置可以由用户选择施加负重扫描或不施加负重扫描,可以分别得到患者的负重状态膝关节CT图像和非负重状态膝关节CT图像。扫描过程中,X射线源会发射X射线束穿过患者的膝关节区域,然后被检测器接收并转换为数字信号,通过旋转X射线源和检测器,可以获取多个角度下的投影数据,进而重建出膝关节的CT图像。
图像获取模块,配置为获取患者的膝关节CT图像;所述患者的膝关节CT图像包括非负重状态膝关节CT图像和负重状态膝关节CT图像。如前所述,负重模拟CT装置可以由用户选择施加负重扫描或不施加负重扫描,可以分别得到患者的负重状态膝关节CT图像和非负重状态膝关节CT图像。
图像配准模块,配置为对所述非负重状态膝关节CT图像与负重状态膝关节CT图像进行弹性配准,得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系。以下仅作为一种实施例,介绍如何实现对所述非负重状态膝关节CT图像与负重状态膝关节CT图像进行弹性配准,得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系:(1)图像预处理:首先,对非负重状态和负重状态的膝关节CT图像进行预处理,包括去噪、平滑和灰度标准化等操作,以减少图像中的噪声并增强图像的一致性。(2)关键点提取:从两个图像中提取关键点,可以使用关键点检测算法(如SIFT、SURF或Harris角点检测算法)来检测图像中的关键点。这些关键点应该是在膝关节结构中具有稳定性和独特性的点。(3)关键点匹配:将非负重状态和负重状态的关键点进行匹配,可以使用特征描述符(如SIFT描述符)来描述关键点的局部特征。通过比较特征描述符之间的相似性,可以找到在两个图像中对应的关键点。(4)初始对准:根据关键点的匹配结果,进行初始的图像对准。可以使用常见的变换模型,如仿射变换或透视变换,来估计两个图像之间的刚性变换关系。(5)弹性配准:利用非刚性的图像配准算法,如B-spline变形模型、Thin-PlateSpline(TPS)变形模型等,对初始对准后的图像进行弹性变形,以更准确地匹配两个图像中的结构和形态特征。(6)像素位置映射:完成弹性配准后,可以得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系。这可以通过在配准过程中计算像素的位移场或变形场来实现。需要注意的是,弹性配准的精度和效果受多种因素的影响,包括图像质量、关键点的选择等。在实际应用中,可能需要根据具体情况进行参数调整和优化,以获得最佳的配准结果。此外,还可以采用其他的图像配准方法或算法来处理这个问题。
用户交互模块,配置为提供交互界面,显示所述非负重状态膝关节CT图像或负重状态膝关节CT图像,并接收用户输入的对所述非负重状态膝关节CT图像或负重状态膝关节CT图像所作的特征点位置标记。用户交互模块是一个用于提供交互界面、显示膝关节CT图像并接收用户输入的模块。下面是一个详细介绍用户交互模块实现的一种可能方法:用户交互模块可以包括一个图形用户界面(GUI),用于显示膝关节CT图像。该界面可以采用现有的图像显示库或工具包来实现,例如Python中的Matplotlib、OpenCV等。界面应具备良好的交互性和可视化能力,以展示负重状态和非负重状态的膝关节CT图像。用户交互模块应支持加载并显示非负重状态和负重状态的膝关节CT图像。可以通过在界面上提供按钮或菜单选项,让用户选择加载哪种状态的图像。图像数据可以存储在本地计算机或远程服务器上,并通过文件路径或网络连接进行加载。用户交互模块应提供工具或功能,使用户能够在膝关节CT图像上标记特征点位置。这些特征点可以是关键解剖结构、病变区域或其他用户感兴趣的区域。用户可以使用鼠标、触摸屏或其他输入设备在图像上进行标记。标记的方式可以是点击、拖动或绘制等。用户交互模块应支持将用户标记的特征点位置保存起来。这些位置信息可以存储在内存中或者保存到本地文件或数据库中,以便后续的处理和分析。用户交互模块需要捕获用户对特征点的位置标记输入,并将其传递给其他模块进行后续处理。可以使用事件处理机制或回调函数来实现输入的获取和传递。通过以上步骤,用户交互模块可以实现一个交互界面,让用户能够加载、显示膝关节CT图像,并对图像进行特征点位置标记。这些标记的位置信息可以被其他模块使用,例如标记映射模块和特征测量模块,以实现膝关节图像的特征参数的计算。
标记映射模块,配置为根据所述非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系,将所述非负重状态膝关节CT图像上的特征点位置标记映射到负重状态膝关节CT图像上,或将所述负重状态膝关节CT图像上的特征点位置标记映射到非负重状态膝关节CT图像上。利用前述图像配准模块一旦获得了非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系,标记映射模块可以将用户通过交互输入的特征点位置标记从非负重状态膝关节CT图像映射到负重状态膝关节CT图像,或者将特征点位置标记从负重状态膝关节CT图像映射到非负重状态膝关节CT图像。这可以通过将特征点位置坐标与像素位置映射关系进行变换来实现。对于每个特征点,可以使用线性插值或其他插值方法在图像上找到对应的像素位置。标记映射模块可以将映射后的特征点位置标记输出为结果。这些结果可以保存在内存中,或者导出为文件或数据库以供后续处理和分析使用。
特征测量模块,配置为根据非负重状态膝关节CT图像上的特征点位置标记测量得到非负重状态膝关节特征参数,根据负重状态膝关节CT图像上的特征点位置标记信息测量得到负重状态膝关节特征参数。下面是特征测量模块实现的其中一种方法:首先,特征测量模块需要根据用户输入的特征点位置标记,在非负重状态膝关节CT图像和负重状态膝关节CT图像上定位这些特征点。一旦定位了特征点,特征测量模块可以根据这些特征点在图像中的位置信息,测量得到非负重状态膝关节的特征参数和负重状态膝关节的特征参数。特征参数可以根据具体需求而定,常见的膝关节特征参数包括关节间隙、胫骨内翻角、胫骨角、股骨下角、胫骨上角、股骨髁间角、胫腓骨扭转角、胫骨骺线角、胫骨后倾角、外侧髌股角、髌骨指数、髌骨高度、下肢力线等;所述关节间隙包括股骨与髌骨之间的关节间隙、股骨与胫骨之间的关节间隙、髌骨与胫骨之间的关节间隙。不同的特征参数测量需要用到用户交互输入的不同的特征点。这些特征参数可以通过计算特征点之间的距离、特征点连线之间的角度或其他几何属性,或者使用形态学运算等图像处理技术得到。特征测量模块可以将测量和提取得到的特征参数输出为结果。这些结果可以保存在内存中,或者导出为文件或数据库以供后续处理和分析使用。
差异计算模块,配置为计算得到非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异。差异计算模块是负责计算非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异的模块。它可以基于测量得到的特征参数进行比较和分析,以评估膝关节在负重状态和非负重状态下的差异。下面是差异计算模块的一种实现方式详细介绍:差异计算模块首先需要获取非负重状态膝关节和负重状态膝关节的特征参数。这些特征参数可以来自特征测量模块的输出,包括关节间隙、胫骨内翻角、胫骨角、股骨下角、胫骨上角、股骨髁间角、胫腓骨扭转角、胫骨骺线角、胫骨后倾角、外侧髌股角、髌骨指数、髌骨高度以及下肢力线中的一种或多种特征参数。一旦获取了特征参数,差异计算模块可以根据这些参数进行差异的计算。具体的差异计算方法可以根据特征参数的性质和研究目的而定。一种常见的方法是计算两组特征参数之间的差值或百分比差异。例如,可以计算非负重状态膝关节特征参数与负重状态膝关节特征参数之间的差异值或相对差异百分比。差异计算模块可以对计算得到的差异进行统计分析,以获得更深入的洞察和理解。统计分析可以包括平均值、标准差、方差、相关性等指标的计算。这些统计指标可以帮助评估差异的大小、方向和变异程度,从而提供有关非负重状态和负重状态下膝关节的差异程度的定量信息。差异计算模块可以将计算和分析得到的差异结果输出为可视化的形式,例如图表、图像或报告,并可以通过用户交互模块显示输出。这样,用户可以直观地了解非负重状态和负重状态膝关节特征参数的差异情况,并进行进一步的解释和解读。
在一个具体的实施例中,所述膝关节特征参数为股骨与胫骨之间的关节间隙;所述用户输入的特征点位置标记包括股骨特征点和胫骨特征点;所述特征测量模块配置为分别测量所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离;所述差异计算模块配置为计算得到所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离的变化。
如图1所示是本实施例提供的基于负重模拟CT装置的膝关节测量系统地工作流程图,系统运行时依次执行下列步骤:获取患者的膝关节CT图像,所述患者的膝关节CT图像包括非负重状态膝关节CT图像和负重状态膝关节CT图像;对所述非负重状态膝关节CT图像与负重状态膝关节CT图像进行弹性配准,得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系;显示所述非负重状态膝关节CT图像或负重状态膝关节CT图像,并接收用户输入的对所述非负重状态膝关节CT图像或负重状态膝关节CT图像所作的特征点位置标记;根据所述非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系,将所述非负重状态膝关节CT图像上的特征点位置标记映射到负重状态膝关节CT图像上,或将所述负重状态膝关节CT图像上的特征点位置标记映射到非负重状态膝关节CT图像;根据非负重状态膝关节CT图像上的特征点位置标记测量得到非负重状态膝关节特征参数,根据负重状态膝关节CT图像上的特征点位置标记信息测量得到负重状态膝关节特征参数;计算得到非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异。
在一些实施例中,所述的膝关节测量系统还包括图像分割模块,配置为对所述患者的膝关节CT图像进行分割,得到股骨分割结果、胫骨分割结果和髌骨分割结果;所述用户交互模块还用于显示所述股骨分割结果、胫骨分割结果和髌骨分割结果。在一些实施例中,所述图像分割模块具体为经过训练的深度学习图像分割模型,如图2所示,所述经过训练的深度学习图像分割模型通过以下方式训练得到:构建深度学习图像分割模型;获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的通过人工标注得到的股骨分割结果、胫骨分割结果和髌骨分割结果;利用所述训练数据和测试数据对所述深度学习图像分割模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成股骨分割结果、胫骨分割结果和髌骨分割结果的图像分割模型。图像分割模块对所述患者的膝关节CT图像进行分割得到的股骨分割结果、胫骨分割结果和髌骨分割结果,可以通过用户交互模块向用户显示,例如在图像中用三种不同颜色突出显示股骨、胫骨、髌骨,以便用户观察,并起到对用户的提示作用,使用户可以更准确的进行特征点位置标记。
实施例2
在实施例1的基础上,本实施例中,所述的膝关节测量系统还进一步包括特征点自动标记模块,配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与膝关节特征参数有关的特征点位置标记;所述特征点自动标记模块配置为经过训练的深度学习图像目标检测模型,所述为经过训练的深度学习图像目标检测模型通过以下方式训练得到:构建深度学习图像目标检测模型;获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的人工标注的特征点位置标记;利用所述训练数据和测试数据对所述深度学习图像目标检测模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成特征点位置标记的图像目标检测模型。特征点自动标记模块可以实现更高程度的智能化,利用人工智能技术进行特征点位置标记,可以节省原本由用户交互进行特征点位置标记的操作。
更具体的,所述用户交互模块还配置为通过交互界面显示可供用户选择的膝关节特征参数种类列表,供用户从列表中选择一种膝关节特征参数;所述特征点自动标记模块配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与用户选择的膝关节特征参数有关的特征点位置标记。
更进一步的,所述用户交互模块还配置为通过交互界面显示由特征点自动标记模块自动生成的特征点位置标记,并接收用户对所述特征点位置标记的修改。
举例而言,用户从交互界面显示的膝关节特征参数种类列表中,选择“股骨与胫骨间隙”这一特征,特征点自动标记模块自动在图像中标记与这一特征有关的特征点,即用于计算股骨与胫骨间隙的股骨上的特征点与胫骨上的特征点,用户交互模块通过交互界面显示由特征点自动标记模块自动标记的股骨上的特征点与胫骨上的特征点,如果用户觉得自动标记的位置不准确,可以由用户进行修改。然后系统根据用户确认后的股骨上的特征点与胫骨上的特征点的位置,分别计算非负重状态和负重状态的股骨与胫骨间隙,最后计算非负重状态与负重状态的股骨与胫骨间隙的差异值。
实施例3
在实施例1或实施例2的基础上,本事实例中还包括辅助诊断模块,配置为根据所述非负重状态膝关节特征参数、所述负重状态膝关节特征参数、所述非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异中的至少一种,得到辅助诊断结果。辅助诊断模块是基于非负重状态膝关节特征参数、负重状态膝关节特征参数以及它们之间的差异,提供辅助医生进行诊断和评估的功能。它利用差异计算模块计算得到的差异信息,结合医学知识和经验,为医生提供更全面的诊断参考。以下是辅助诊断模块的一种实施方式详细介绍:辅助诊断模块接收非负重状态膝关节特征参数、负重状态膝关节特征参数以及它们之间的差异作为输入数据。这些数据可以是数值或定性的,表示膝关节在不同状态下的特征表现和差异。辅助诊断模块分析输入的数据,通过比较非负重状态和负重状态下的特征参数以及它们之间的差异,识别出关键的差异信息。这可以包括差异的大小、方向、统计显著性等方面的分析。基于数据分析的结果,辅助诊断模块生成辅助医生进行诊断的结果。这些结果可以是定性的描述、定量的评分、风险评估、分类等形式。并可以根据差异的程度、特征参数的异常性以及已知的医学知识,提供有关膝关节状态、功能和病理情况的诊断建议。辅助诊断模块的目标是通过综合分析非负重状态和负重状态下膝关节的特征参数和差异信息,提供更全面的信息支持和诊断辅助,帮助医生做出更准确、可靠的诊断和治疗决策。然而,最终的诊断结果仍需由医生根据临床判断和专业知识做出最终确认。
进一步的,还包括报告生成模块,配置为根据所述辅助诊断结果,自动生成诊断报告;所述用户交互模块还配置为允许用户修改所述诊断报告。
相比于现有技术,本发明提供的基于负重模拟CT装置的膝关节测量系统通过负重模拟CT扫描和自动特征测量,提供了一种准确评估膝关节负重状态下变化的方法,有助于医生对膝关节疾病进行诊断和治疗决策,提高了诊断效率和准确性。
Claims (10)
1.一种基于负重模拟CT装置的膝关节测量系统,其特征在于,包括:
负重模拟CT装置,配置为在患者平卧的姿势下进行扫描,并可选择对患者施加压力来模拟患者站立状态下的负重情况。
图像获取模块,配置为获取患者的膝关节CT图像;所述患者的膝关节CT图像包括非负重状态膝关节CT图像和负重状态膝关节CT图像;
图像配准模块,配置为对所述非负重状态膝关节CT图像与负重状态膝关节CT图像进行弹性配准,得到非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系;
用户交互模块,配置为提供交互界面,显示所述非负重状态膝关节CT图像或负重状态膝关节CT图像,并接收用户输入的对所述非负重状态膝关节CT图像或负重状态膝关节CT图像所作的特征点位置标记;
标记映射模块,配置为根据所述非负重状态膝关节CT图像与负重状态膝关节CT图像之间的像素位置映射关系,将所述非负重状态膝关节CT图像上的特征点位置标记映射到负重状态膝关节CT图像上,或将所述负重状态膝关节CT图像上的特征点位置标记映射到非负重状态膝关节CT图像上;
特征测量模块,配置为根据非负重状态膝关节CT图像上的特征点位置标记测量得到非负重状态膝关节特征参数,根据负重状态膝关节CT图像上的特征点位置标记信息测量得到负重状态膝关节特征参数;
差异计算模块,配置为计算得到非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异。
2.根据权利要求1所述的膝关节测量系统,其特征在于,还包括图像分割模块,配置为对所述患者的膝关节CT图像进行分割,得到股骨分割结果、胫骨分割结果和髌骨分割结果;所述用户交互模块还用于显示所述股骨分割结果、胫骨分割结果和髌骨分割结果。
3.根据权利要求2所述的膝关节测量系统,其特征在于,所述图像分割模块具体为经过训练的深度学习图像分割模型,所述经过训练的深度学习图像分割模型通过以下方式训练得到:
构建深度学习图像分割模型;
获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的通过人工标注得到的股骨分割结果、胫骨分割结果和髌骨分割结果;利用所述训练数据和测试数据对所述深度学习图像分割模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成股骨分割结果、胫骨分割结果和髌骨分割结果的图像分割模型。
4.根据权利要求1所述的膝关节测量系统,其特征在于,所述膝关节特征参数包括:关节间隙、胫骨内翻角、胫骨角、股骨下角、胫骨上角、股骨髁间角、胫腓骨扭转角、胫骨骺线角、胫骨后倾角、外侧髌股角、髌骨指数、髌骨高度、下肢力线中的一种或多种;所述关节间隙包括股骨与髌骨之间的关节间隙、股骨与胫骨之间的关节间隙、髌骨与胫骨之间的关节间隙中的一种或多种。
5.根据权利要求4所述的膝关节测量系统,其特征在于,所述膝关节特征参数为股骨与胫骨之间的关节间隙;所述用户输入的特征点位置标记包括股骨特征点和胫骨特征点;所述特征测量模块配置为分别测量所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离;所述差异计算模块配置为计算得到所述非负重状态膝关节CT图像上和所述负重状态膝关节CT图像上的所述股骨特征点与所述胫骨特征点之间的距离的变化。
6.根据权利要求4所述的膝关节测量系统,其特征在于,还包括特征点自动标记模块,配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与膝关节特征参数有关的特征点位置标记;所述特征点自动标记模块配置为经过训练的深度学习图像目标检测模型,所述经过训练的深度学习图像目标检测模型通过以下方式训练得到:
构建深度学习图像目标检测模型;
获得训练数据和测试数据,所述训练数据和测试数据分别包括多个人体膝关节CT图像及其对应的人工标注的特征点位置标记;
利用所述训练数据和测试数据对所述深度学习图像目标检测模型进行训练和测试,得到能够自动根据人体膝关节CT图像生成特征点位置标记的图像目标检测模型。
7.根据权利要求6所述的膝关节测量系统,其特征在于,所述用户交互模块还配置为通过交互界面显示可供用户选择的膝关节特征参数种类列表,供用户从列表中选择一种膝关节特征参数;所述特征点自动标记模块配置为在所述非负重状态膝关节CT图像和/或负重状态膝关节CT图像上自动生成与用户选择的膝关节特征参数有关的特征点位置标记。
8.根据权利要求7所述的膝关节测量系统,其特征在于,所述用户交互模块还配置为通过交互界面显示由特征点自动标记模块自动生成的特征点位置标记,并接收用户对所述特征点位置标记的修改。
9.根据权利要求1所述的膝关节测量系统,其特征在于,还包括辅助诊断模块,配置为根据所述非负重状态膝关节特征参数、所述负重状态膝关节特征参数、所述非负重状态膝关节特征参数和负重状态膝关节特征参数之间的差异中的至少一种,得到辅助诊断结果。
10.根据权利要求9所述的膝关节测量系统,其特征在于,还包括报告生成模块,配置为根据所述辅助诊断结果,自动生成诊断报告;所述用户交互模块还配置为允许用户修改所述诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751201.4A CN116712094A (zh) | 2023-06-25 | 2023-06-25 | 一种基于负重模拟ct装置的膝关节测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310751201.4A CN116712094A (zh) | 2023-06-25 | 2023-06-25 | 一种基于负重模拟ct装置的膝关节测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116712094A true CN116712094A (zh) | 2023-09-08 |
Family
ID=87865875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310751201.4A Pending CN116712094A (zh) | 2023-06-25 | 2023-06-25 | 一种基于负重模拟ct装置的膝关节测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116712094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏一影医疗设备有限公司 | 基于膝关节有限角图像的数据修正方法、装置及存储介质 |
-
2023
- 2023-06-25 CN CN202310751201.4A patent/CN116712094A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏一影医疗设备有限公司 | 基于膝关节有限角图像的数据修正方法、装置及存储介质 |
CN117671221B (zh) * | 2024-02-01 | 2024-05-03 | 江苏一影医疗设备有限公司 | 基于膝关节有限角图像的数据修正方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kainz et al. | Estimation of the hip joint centre in human motion analysis: a systematic review | |
CN111529063B (zh) | 基于三维重建的多模态融合的手术导航系统及方法 | |
Quijano et al. | Three-dimensional reconstruction of the lower limb from biplanar calibrated radiographs | |
US8840555B2 (en) | System and method of ultrasound image processing | |
JP3641495B2 (ja) | 医用画像診断装置 | |
Jannin et al. | Validation in medical image processing. | |
US8805043B1 (en) | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) | |
Rachmat et al. | Generating finite element models of the knee: How accurately can we determine ligament attachment sites from MRI scans? | |
CN116712094A (zh) | 一种基于负重模拟ct装置的膝关节测量系统 | |
Scheys et al. | Atlas-based non-rigid image registration to automatically define line-of-action muscle models: a validation study | |
JP2006102353A (ja) | 関節動作解析装置、関節動作解析方法及び関節動作解析プログラム | |
CN109919943B (zh) | 婴儿髋关节角度自动检测方法、系统和计算设备 | |
US11903691B2 (en) | Combined steering engine and landmarking engine for elbow auto align | |
CN110459298A (zh) | 用于求出结果值的方法和设备、诊断站和成像系统 | |
US20220175457A1 (en) | Endoscopic image registration system for robotic surgery | |
Vitali et al. | Quantitative assessment of shoulder rehabilitation using digital motion acquisition and convolutional neural network | |
CN114930390A (zh) | 用于将活体医学图像与解剖模型配准的方法和装置 | |
US10733728B2 (en) | Device and method for automation of mean axis of rotation (mar) analysis | |
EP4246451A1 (en) | Method for modelling a joint | |
JP2019107453A (ja) | 画像処理装置及び画像処理方法 | |
US20230326017A1 (en) | System and method for automatically measuring spinal parameters | |
TWI810680B (zh) | 前後骨盆放射影像分析方法及系統 | |
CN114305689B (zh) | 一种手术导航定位方法、装置及手术台车 | |
US20230306620A1 (en) | Live Angiography Registration | |
US20240180529A1 (en) | Method for use in ultrasound imaging |
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 |