CN116758087A - 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 - Google Patents
一种腰椎ct骨窗侧隐窝间隙检测方法及装置 Download PDFInfo
- Publication number
- CN116758087A CN116758087A CN202311055663.9A CN202311055663A CN116758087A CN 116758087 A CN116758087 A CN 116758087A CN 202311055663 A CN202311055663 A CN 202311055663A CN 116758087 A CN116758087 A CN 116758087A
- Authority
- CN
- China
- Prior art keywords
- bone window
- image
- images
- lumbar
- 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.)
- Granted
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 135
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000010410 layer Substances 0.000 claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000011229 interlayer Substances 0.000 claims abstract description 4
- 238000002591 computed tomography Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 238000004091 panning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization 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
- G06T7/0002—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供的一种腰椎CT骨窗侧隐窝间隙检测方法及装置,属于图像处理领域,该方法包括:获取骨窗图像数据,对所有的骨窗图像进行层间插值,重构后得到CT的矢状位图像;选择带有第三节锥体的所有图像中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;并计算腰椎参数、获得椎骨分割结果和重构角度;根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;根据重构角度对腰椎参数和椎骨分割结果旋转,获得重构图像;对重构图像进行3D组合后进行关键点和关键位置侧隐窝间隙的数值检测。本申请通过对CT图像进行重建,对椎体平扫检测中无法平行观察椎体结构的弊端进行弥补,提高图像中特征的辨识度,进一步提高了检测的准确性。
Description
技术领域
本申请涉及CT图像处理领域,尤其涉及一种腰椎CT骨窗侧隐窝间隙检测,还涉及一种腰椎CT骨窗侧隐窝间隙检测装置。
背景技术
目前,通过CT图像进行腰椎检测,是通过一般的CT平扫对骨组织进行观察,包括骨组织的关键位置定位、测量等,而且,这些都是医生手动完成。
由于脊柱是自带生理曲度的骨组织结构,并且发生退变的脊柱会出现椎体的旋转和侧弯。这会导致,在CT平扫检测中,椎体对称性的组织结构观察较难或者对一些点对点测量要求高的解剖位置测量会出现错误。同时,人为测量数据时候,会出现不同层面数据测量过程中,对数据的采集有偏差,导致检测结果不准确。
发明内容
本申请的目的在于克服现有技术中腰椎检测结果不准确甚至出现错误的缺陷,提供一种腰椎CT骨窗侧隐窝间隙检测,还提供一种腰椎CT骨窗侧隐窝间隙检测装置。
本申请提供的一种腰椎CT骨窗侧隐窝间隙检测方法,包括:
S1获取经过数据训练模型训练的骨窗图像数据,对所有的骨窗图像进行层间插值,重构后得到CT的矢状位图像;
S2选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像组中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;
S3根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线,并确定所述上沿切线与所述Y轴的夹角为重构角度;
S4根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;
S5根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;
S6完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
S7基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
可选地,所述数据训练模型包括图像预处理模块和训练模块,该数据训练模型训练流程包括:
选择连续的5张所述骨窗图像,将第二和第三,第一和第三,第三和第五,第四和第五的所述骨窗图像分别差分计算,获得四张差分图像;
将第一和第二,第三和第四所述差分图像分别平均获得两张平均图像;
将第一平均图像、第三骨窗图像和第二平均图像分别作为训练模块的通道1、通道2和通道3的输入数据。
可选地,所述差分计算的表达式:其中是差异图像,/>和/>是两幅要进行比较的图像,/>表示像素的位置。
可选地,所述平均的表达式:
其中,是平均图像,/>,/>..., />是要进行平均的 N 幅图像,(x,y) 表示像素的位置。
可选地,所述训练模块包括DA-Unet模型,所述训练模块的训练步骤包括:
对所述输入数据依次进行下采样处理、下采样的卷积处理和双注意力机制处理,获得下采样特征图;
对所述输入数据依次进行上采样处理,上采样的卷积处理和归一化处理,获得上采用特征图;
将所述上采用特征图和下采用特征图拼接、卷积融合,获得所述骨窗图像数据。
可选地,所述双注意力机制处理中的通道注意力机制处理,包括:
将所述下采样的卷积处理得到的,具有不同大小的特征映射的输入特征图转换为相同大小的向量的输入特征图;
基于所述相同大小的向量的输入特征图,输入到多层感知机获得通道权重;
将所述通道权重与所述具有不同大小的特征映射的输入特征图的像素值相乘,获得中间特征图;
将所述中间特征图通过sigmoid 激活函数输出。
可选地,还包括对所述通道权重进行正则化,所述正则化的表达式:
其中,是权重向量的维度,/>是第/>个权重,Crossentropy为无正则化项的损失函数,/>为权重衰减系数,/>是正则化项,/>是总损失函数;
将所述正则化项添加到损失函数中,实现对权重的约束。
可选地,所述数据训练模型训练前,还包括:
获取腰椎CT平扫数据,所述腰椎CT平扫数据包括所述骨窗图像数据;
提取所述骨窗图像数据的dicom数据;
基于所述dicom数据对骨窗中的椎体进行标注。
可选地,所述确定椎体的上沿切线,包括:
使用两个目标点中心的左右便宜区间和椎体的标注结果来确定椎体上沿的两个目标点坐标;
将所述目标点坐标连线将作为椎体的上沿切线。
可选地,所述旋转的表达式包括:
其中是原始图像点的坐标,/>是重构后点的坐标,(/>)是重构固定点,/>是重构角度。
本申请还提供一种腰椎CT骨窗侧隐窝间隙检测装置,包括
获取模块,用于获取由数据训练模型训练的骨窗图像数据;
处理模块,选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像组中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线;根据所述上沿切线与所述Y轴的夹角确定重构角度;根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
检测模块,用于基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
本申请的优点和有益效果:
本申请提供的一种腰椎CT骨窗侧隐窝间隙检测方法,包括:S1获取经过数据训练模型训练的骨窗图像数据;S2选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像组中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;S3根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线,并确定所述上沿切线与所述Y轴的夹角为重构角度;S4根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;S5根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;S6完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;S7基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。本申请通过对CT图像进行重建,对椎体平扫检测中无法平行观察椎体结构的弊端进行弥补,提高图像中特征的辨识度,进一步提高了检测的准确性。
附图说明
图1是本申请中腰椎CT骨窗侧隐窝间隙检测流程示意图。
图2是本申请中数据训练模型结构示意图。
图3是本申请中腰椎CT骨窗侧隐窝间隙检测装置示意图。
图4是本申请中图像预处理示意图。
图5是本申请中重构示意图。
图6是本申请中图像数据重构示意图。
图7是本申请中病灶检测示意图。
图8是本申请中关键点和关键位置检测示意图。
具体实施方式
下面结合附图1~3对具体体实施例作详细说明,以使本领域的技术人员可以更好地理解本申请并能予以实施。
本申请请求保护的主要是一种对CT图像处理,并基于该处理进行病灶检测的腰椎CT骨窗侧隐窝间隙检测方法,属于图像处理领域。其解决的技术问题是:腰椎检测结果不准确甚至出现错误;实现的效果是:通过对CT图像进行重建,提高图像中特征的辨识度,从而提高腰椎CT骨窗侧隐窝间隙检测的准确性。
所述腰椎CT骨窗侧隐窝间隙检测方法,包括图像预处理、图像数据训练和病灶检测三个部分。
图1是本申请中腰椎CT骨窗侧隐窝间隙检测流程示意图。
请参照图1所示,该流程包括:
S1获取经过数据训练模型训练的骨窗图像数据, 对所有的骨窗图像进行层间插值,重构后得到CT的矢状位图像;
S2选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;
S3根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线,并确定所述上沿切线与所述Y轴的夹角为重构角度;
S4根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;
S5根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;
S6完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
S7基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
实际上,所述骨窗图像数据是属于腰椎CT平扫数据。常规的CT平扫,即会产生骨窗和软组织窗。
将患者的骨窗的dicom(数字影像和医学通信标准)数据提取,依靠有经验的医生将这些骨窗中的椎体进行标注(也可以称为分割),标注是在三维数据上进行的。需要注意的是,对需要测量的关键区域单独进行标注,这有利于关键部位的遍历。
如图4所示,基于上述标注的骨窗图像数据,进行进一步的处理,分别是图像预处理的图像数据训练。所述图像预处理将5张连续的骨窗图像数据进行差分和平均处理,获得三通道输入图像数据。
所述5张连续的骨窗图像数据作为一组进行差分和平均处理,例如10张骨窗图像,分别标记为1至10。将他们分成6组,则1至5为一组,2至6为一组,3至7为一组,4至8为一组,5至9为一组,6至10为一组。
基于上述的分组,会造成一个问题就是,无法提取开始的2张和最后的2张骨窗图像的特征,但是对于CT没有影响,这是因为这4张图像实际上是没有骨骼信息的。
对所述骨窗图像数据进行处理,包括:
S201将5张连续的骨窗图像转化为二维图像;
S202第一层差分处理,包括:
对第二张骨窗图像(image2.png)和第三张骨窗图像(image3.png)做差分得到第一张差分图像(minus1.png)。
对第一张骨窗图像(image1.png)和第三张骨窗图像(image3.png)骨窗图像做差分得到第二差分图像(minus2.png)。
对第三张骨窗图像image3.png和第五张骨窗图像image5.png做差分得到第三张差分图像(minus3.png)。
第四张骨窗图像(image4.png)和第五张骨窗图像(image5.png)做差分得到第四张差分图像(minus4.png)。
在上述过程中,图像差分的计算公式:其中是差异图像,/>和/>是两幅要进行比较的图像,/>表示像素的位置。
S203第二层平均处理,包括:
根据模型的第二层得到4张差分图像(minus1.png,minus2.png,minus3.png,minus4.png)进行图像平均操作,这样操作的目的是用来减少图像噪声、增加图像亮度和对比度、提高图像质量。
对第一差分图像(minus1.png)和第二差分图像(minus2.png)进行平均,得到第一平均图像(minus_average1.png)。
对第三差分图像(minus3.png)和第四差分图像(minus4.png)进行平均得到第二平均图像(minus_average2.png)。
在上述过程中,平均的公式为:
其中,是平均图像,/>,/>...,/>是要进行平均的 N 幅图像,(x,y) 表示像素的位置。
利用该公式可以得到多幅图像在每个像素位置上的平均值,从而生成一幅新的平均图像。
S204第三层通道处理,包括:
然后将第一平均图像(minus_average1.png)作为通道1的输入,第三张骨窗图像(image3.png)作为通道2的输入,第二平均图像(minus_average2.png)作为通道3的输入。
在上面获取的第一平均图像、第三张骨窗图像和第二平均图像,为简便描述,统称为三通道图像。
请参照图2所示,所述改进的DA-Unet模型包括:双卷积模块201、双注意力模块202。
双卷积模块:包括包含两个卷积(Conv2d)操作和两个批归一化(BatchNorm2d)操作以及两个ReLU激活函数。
所述双卷积模块是用来提取输入特征图中的高层次语义信息,并且增大感受野。其中卷积核大小(kernel_size)为,填充(padding)为1。
所述双卷积模块流程如下:
S301第一个卷积层对输入特征图进行卷积操作,得到中间特征图;
S302对中间特征图进行Batch Normalization归一化操作;
S303对归一化后的中间特征图进行ReLU激活函数计算;
S304第二个卷积层对ReLU计算后的中间特征图进行卷积操作,得到输出特征图;
S305对输出特征图进行Batch Normalization归一化操作;
S306对归一化后的输出特征图进行ReLU激活函数计算;
S307输出最终结果,即经过两个卷积层和对应的归一化以及激活函数后得到的特征图。
所述双注意力模块的处理流程如下:
S401将上述的特征图输入到通道注意力机制中,该机制的作用是对所述特征图在通道维度上进行加权,使得每个通道的重要性被考虑进去。
S402将S401处理后的输出与输入特征图x做逐元素乘法操作,得到,这一步的目的是让通道注意力机制产生的加权系数在通道维度上对特征图进行加权,然后将加权后的特征图与原始特征图按元素相乘,得到处理过的特征图。
S403将S402处理后的输出作为输入,输入到空间注意力机制中。该机制的作用是对输入特征图在空间维度上进行加权,使得每个像素的重要性被考虑进去。
S404将S403处理后的输出与第二步处理后的输出做逐元素乘法操作,得到最终的特征图输出。这一步的目的是让空间注意力机制产生的加权系数在空间维度上对特征图进行加权,然后将加权后的特征图与通道注意力机制产生的加权系数在通道维度上对原始特征图进行加权的结果按元素相乘,得到最终的注意力处理后的特征图。双注意力模块的计算公式:
其中通道注意力机制的输出为Ca(x),空间注意力机制的输出为。/>表示逐元素乘法操作。
举个例子:输入被定义为大小为(batch_size, channel, height, width)的四维张量Input,并输出一个大小相同的张量out。
输入的Input沿着通道维度做了两个操作,即求平均值(avgout)和最大值(maxout),并将它们沿着通道维度进行合并(concatenate)。这样得到的out张量通道数变成了2。
其中avgout的计算公式为:其中/>表示该张量在第/>行第/>列上的平均值,/>为输入通道数。
maxout的计算公式为:其中,/>表示该张量在第行第/>列上的最大值。
合并(concatenate)的计算公式为:
将out输入到一个卷积层中,该卷积层由Conv2d函数实现,该层的输入通道数为2,输出通道数为1,核大小为7x7,步长为1,padding为3。这一层的作用是对合并后的特征进行通道方向上的降维,以便于后面的sigmoid函数能够更好地处理。其中out输入到一个卷积层中进行通道压缩的公式:其中,/>为卷积核参数,/>为偏置。
最后,对卷积层的输出进行sigmoid函数激活操作,将输出压缩至[0,1]之间。经过这一步处理后的输出out是输入特征图Input中每个像素点在attention机制下的重要性分数的权重比重,然后该权重矩阵被应用于输入的特征图Input中,以得到加权后的特征图。其中sigmoid函数操作为:
空间注意力模块旨在从输入的特征图中学习到有用的信息,以进一步提高模型的性能。其核心思想是通过学习一组权重,将输入的特征图加权平均,以得到一个更加精细的特征图。
进一步的,对于所述通道注意力机制中的权重惊喜L1正则化:包括:
通过引入L1正则化项来约束其大小,以防止模型出现过拟合。数学公式如下:
其中,是权重向量的维度,/>是第/>个权重,在训练过程中,将上述L1正则化项添加到损失函数中,实现对权重的约束。具体地,在通道注意力机制中,使用以下公式计算带有L1正则化项的总损失函数:/>
其中,Crossentropy为无正则化项的损失函数,为权重衰减系数,控制正则化项与交叉熵损失函数之间的权重比例。加入L1正则化项后,优化器在更新权重时会附加一个值乘以L1惩罚项的梯度。
对于上述三通道图像,基于改进的DA-Unet模型进行数据训练。
具体的,在改进的DA-Unet模型中输入的三通道图像通,流程包括:
S501过下采样模块进行特征提取。
一共有4层下采样操作。所述下采样在网络中被用来降低输入特征图的大小。它通过最大池化操作将输入的大小降低一倍,并使用双卷积模块对其进行卷积操作,得到更加抽象和丰富的特征表示。然后使用双注意力模块对特征图处理,获得搭配加权特征图,然后与输入特征图相加,实现残差链接的效果。最大池化操作为一个池化核为的最大池化层。
所述下采样操作,包括:
使用双线性插值法将输入特征图进行上采样操作,并将其尺寸扩大为原来的两倍。
使用Conv2d 对上采样后的特征图进行卷积操作。卷积核的大小为3x3,步长为 1,padding为 1。
卷积之后,使用BatchNorm2d进行批归一化。
使用 ReLU 激活函数对特征图进行激活操作。
S502然后通过上采样模块进行特征提取。
并跳跃连接(skip connection)到相应的上采样层中。在每个上采样层中,将上一步下采样层的双卷积模块输出与来自上采样模块中的上采样层的相应特征图进行拼接,并通过双卷积模块卷积操作融合这些信息。
上采样模块包括上采样层,双卷积模块,通道连接层。上采样层包含了上采样,卷积,归一化和激活。
所述上采样操作包括:
将对应下采样卷积后的特征图与经过上采样层操作的特征图进行拼接。
将拼接后的特征图传递到双卷积模块中进行特征融合和上采样操作,得到最终的上采样特征图。
S503在每个上采样层中,将上一步下采样层的双卷积模块输出与来自上采样模块中的上采样层的相应特征图进行拼接,并通过双卷积模块卷积操作融合这些信息,形成骨窗图像数据。
以上完成了本申请中关于数据训练模型对CT数据的训练,基于此可进行所述椎体的3D重构。
请继续参照图5所示,具体的,首先根据椎骨形态学意义,选择第三节椎骨作为重建基础。进一步选择所有分割结果中具有第三节椎骨的骨窗图像。
请参照图6所示,对于挑选处的骨窗图像,其层数范围为,然后选择其最中间的层数作为目标骨窗,如图5中的C所示。
在目标骨窗中,选择分割后的椎体在Y轴上的最长距离的x坐标。此x轴的坐标将作为最终我们定位的矢状位的层位。
使用分割结果和定位的矢状位的层位最终重构为CT矢状位的层面如图5中的A所示。在这个矢状位的层面中,可以利用Yolov8的关键点算法和矢状位关键点标注数据进行腰椎前凸角,椎间高度指数,腰椎滑脱分度,腰椎椎体高度指数等腰椎参数的计算。
根据CT矢状位的层面和分割结果如图5中的B所示,对需要处理的类别的椎体进行分割(6个锥体有6个类别,此操作是针对一个锥体的类别),如图5中的D所示。因为分割的类别中除了椎骨还有棘突,如图6中的E所示,但是从形态学的角度,椎骨的面积要远远大于棘突,因此以目标类别中的面积最大的椎体为椎骨,并且根据分割结果的坐标计算椎骨的重心。重心公式:
其中,和/>分别表示椎骨分割结果的重心的横、纵坐标,/>表示第i个像素的面积,/>和/>分别表示第/>个像素的横、纵坐标。/>表示椎骨分割结果中包含的像素数量。
根据大量的统计学数据和为了避免椎骨增生对于旋转角度的影响的目的,我们使用和椎体的分割结果来确定椎体上沿的两个目标点和/>。这两个点的连线将作为椎体的上沿切线,将切线和Y轴的夹角设定为重构角度/>(如图6中的F所示)。
同时确定椎体分割结果的最右上端点和最左下的端点坐标和/>。
然后可以根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间为此区间为重构的骨窗层数区间。
我们使用和椎骨,以及椎骨的分割结果分别对所有的图像进行重构(如图6中的G所示)。重构的坐标计算公式:
其中是原始图像点的坐标,/>是重构后点的坐标。/>是重构固定点。
请参照图7所示,由于以上的操作是单独在一张骨窗图像上进行的,接下来对所有选定层面都进行一样的图像重构,最后完成所有层面重建后再进行3D组合(如图7中的H、I、J所示),重建后所有目标椎骨的新骨窗图像如图7中的K所示。
如图8所示,然后将根据新重构的椎骨图像进行关键点1、关键点2、关键点3和关键点4的检测和关键位置检测获得侧隐窝间隙的数值。
请参照图3所示,本申请还提供一种腰椎CT骨窗侧隐窝间隙检测装置,包括
获取模块301,用于获取由数据训练模型训练的骨窗图像数据;
处理模块302,选择目标骨窗,在所述目标骨窗的坐标系中定位矢状位的层面,所述定位包括定位到分割后的椎体在Y轴上最长距离的x轴坐标;根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线;根据所述上沿切线与所述Y轴的夹角确定重构角度;根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
检测模块303,用于基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
评价指标:
本次实验采用的评价指标为Dice,即计算测试集上所有测试样本的Dice,并取均值,得到mDice;其中Dice是语义分割的评价指标的一种,用来衡量分割结果的准确率。
实验结果如下:
mDice为0.964864;S7侧隐窝前后径的位置判定,以 L5节段为例:前部以 L 5 椎体后缘为界,外侧以椎弓根内壁为界,后侧为上关节突前缘为界。
一般认为侧隐窝前后径小于3mm以下者为狭窄,5mm以上者为正常,在此之间者为相对狭窄。
关键点检测的结果如图8所示。直接计算点1和点2,点3和点4的欧氏距离和:/>
其中和/>是第n个点的横坐标和纵坐标。
然后调用dicom中的像素的长度得到侧隐窝前后径的真实长度和/>,然后进行判定:
最后应说明的是:以上的方法适用于全脊柱的椎间盘。以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,包括:
S1获取经过数据训练模型训练的骨窗图像数据,对所有的骨窗图像进行层间插值,重构后得到CT的矢状位图像;
S2选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;
S3根据所述矢状位的层面计算腰椎参数、并且根据椎骨分割结果确定椎体的上沿切线,并确定所述上沿切线与所述Y轴的夹角为重构角度;
S4根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;
S5根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;
S6完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
S7基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
2.根据权利要求1所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述数据训练模型包括图像预处理模块和训练模块,该数据训练模型训练流程包括:
选择连续的5张所述骨窗图像,将第二和第三,第一和第三,第三和第五,第四和第五的所述骨窗图像分别差分计算,获得四张差分图像;
将第一和第二,第三和第四所述差分图像分别平均获得两张平均图像;
将第一平均图像、第三骨窗图像和第二平均图像分别作为训练模块的通道1、通道2和通道3的输入数据。
3.根据权利要求2所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述差分计算的表达式:其中/>是差异图像,/>和/>是两幅要进行比较的图像,/>表示像素的位置。
4.根据权利要求2所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述平均的表达式:其中,/>是平均图像,/>,/>..., />是要进行平均的 N 幅图像,(x,y) 表示像素的位置。
5.根据权利要求2所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述训练模块包括DA-Unet模型,所述训练模块的训练步骤包括:
对所述输入数据依次进行下采样处理、下采样的卷积处理和双注意力机制处理,获得下采样特征图;
对所述输入数据依次进行上采样处理,上采样的卷积处理和归一化处理,获得上采样特征图;
将所述上采样特征图和下采样特征图拼接、卷积融合,获得所述骨窗图像数据。
6.根据权利要求5所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述双注意力机制处理中的通道注意力机制处理,包括:
将所述下采样的卷积处理得到的,具有不同大小的特征映射的输入特征图转换为相同大小的向量的输入特征图;
基于所述相同大小的向量的输入特征图,输入到多层感知机获得通道权重;
将所述通道权重与所述具有不同大小的特征映射的输入特征图的像素值相乘,获得中间特征图;
将所述中间特征图通过sigmoid 激活函数输出。
7.根据权利要求6所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,还包括对所述通道权重进行正则化,所述正则化的表达式: 其中,/>是权重向量的维度,/>是第/>个权重,Crossentropy为无正则化项的损失函数,/>为权重衰减系数,/>是正则化项,/>是总损失函数;
将所述正则化项添加到损失函数中,实现对权重的约束。
8.根据权利要求1所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述数据训练模型训练前,还包括:
获取腰椎CT平扫数据,所述腰椎CT平扫数据包括所述骨窗图像数据;
提取所述骨窗图像数据的dicom数据;
基于所述dicom数据对骨窗中的椎体进行标注。
9.根据权利要求8所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述确定椎体的上沿切线,包括:
使用两个目标点中心的左右便宜区间和椎体的标注结果来确定椎体上沿的两个目标点坐标;
将所述目标点坐标连线将作为椎体的上沿切线。
10.根据权利要求1所述的腰椎CT骨窗侧隐窝间隙检测方法,其特征在于,所述旋转的表达式包括: 其中/>是原始图像点的坐标,/>是重构后点的坐标,(/>)是重构固定点,/>是重构角度。
11.一种腰椎CT骨窗侧隐窝间隙检测装置,其特征在于,包括
获取模块,用于获取由数据训练模型训练的骨窗图像数据;
处理模块,选择所述骨窗图像数据中全部的带有第三节锥体的图像,选择该图像中心的骨窗图像中椎体在Y轴上最长时x轴的坐标确定为矢状位的层面;根据所述矢状位的层面计算腰椎参数、获得椎骨分割结果和确定椎体的上沿切线;根据所述上沿切线与所述Y轴的夹角确定重构角度;根据骨窗中的标签信息确定其包含目标椎骨的骨窗层数区间;根据所述重构角度,对所述腰椎参数和椎骨分割结果旋转,获得重构图像;完成所述骨窗层数区间内所有图像重构,对所述重构图像进行3D组合;
检测模块,用于基于所述3D组合进行关键点和关键位置检测获得侧隐窝间隙的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055663.9A CN116758087B (zh) | 2023-08-22 | 2023-08-22 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055663.9A CN116758087B (zh) | 2023-08-22 | 2023-08-22 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758087A true CN116758087A (zh) | 2023-09-15 |
CN116758087B CN116758087B (zh) | 2023-10-31 |
Family
ID=87955564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055663.9A Active CN116758087B (zh) | 2023-08-22 | 2023-08-22 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758087B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237365A (zh) * | 2023-11-16 | 2023-12-15 | 江苏世钰智能医疗科技有限公司 | 一种腰椎ct盘黄间隙检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032575A1 (en) * | 2008-08-08 | 2010-02-11 | Andrei Iagaru | Methods and systems for pet/ct scanning for evaluation of malignancy |
CN103993581A (zh) * | 2013-12-18 | 2014-08-20 | 朱华 | 治山治水贮水防灾发电航运翻江填海造地系统工程 |
US20170156868A1 (en) * | 2015-12-04 | 2017-06-08 | The Regents Of The University Of Michigan | Tegmen Plate Prosthesis And Methods For Manufacturing The Same |
CN110211091A (zh) * | 2019-04-25 | 2019-09-06 | 合刃科技(深圳)有限公司 | 一种高分辨图像重构方法、装置及隐裂无损检测系统 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
CN111986181A (zh) * | 2020-08-24 | 2020-11-24 | 中国科学院自动化研究所 | 基于双注意力机制的血管内支架图像分割方法和系统 |
CN114305473A (zh) * | 2022-01-20 | 2022-04-12 | 复旦大学 | 基于腹部ct图像和深度学习的身体成分自动测量系统 |
CN114494192A (zh) * | 2022-01-26 | 2022-05-13 | 西南交通大学 | 一种基于深度学习的胸腰椎骨折识别分割与检测定位方法 |
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 |
CN115496771A (zh) * | 2022-09-22 | 2022-12-20 | 安徽医科大学 | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 |
CN116310263A (zh) * | 2023-03-17 | 2023-06-23 | 国营芜湖机械厂 | 一种指针式航空地平仪示数自动读取实现方法 |
-
2023
- 2023-08-22 CN CN202311055663.9A patent/CN116758087B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032575A1 (en) * | 2008-08-08 | 2010-02-11 | Andrei Iagaru | Methods and systems for pet/ct scanning for evaluation of malignancy |
CN103993581A (zh) * | 2013-12-18 | 2014-08-20 | 朱华 | 治山治水贮水防灾发电航运翻江填海造地系统工程 |
US20170156868A1 (en) * | 2015-12-04 | 2017-06-08 | The Regents Of The University Of Michigan | Tegmen Plate Prosthesis And Methods For Manufacturing The Same |
CN110211091A (zh) * | 2019-04-25 | 2019-09-06 | 合刃科技(深圳)有限公司 | 一种高分辨图像重构方法、装置及隐裂无损检测系统 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
CN111986181A (zh) * | 2020-08-24 | 2020-11-24 | 中国科学院自动化研究所 | 基于双注意力机制的血管内支架图像分割方法和系统 |
CN114305473A (zh) * | 2022-01-20 | 2022-04-12 | 复旦大学 | 基于腹部ct图像和深度学习的身体成分自动测量系统 |
CN114494192A (zh) * | 2022-01-26 | 2022-05-13 | 西南交通大学 | 一种基于深度学习的胸腰椎骨折识别分割与检测定位方法 |
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 |
CN115496771A (zh) * | 2022-09-22 | 2022-12-20 | 安徽医科大学 | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 |
CN116310263A (zh) * | 2023-03-17 | 2023-06-23 | 国营芜湖机械厂 | 一种指针式航空地平仪示数自动读取实现方法 |
Non-Patent Citations (7)
Title |
---|
BARTYNSKI W S等: "Lumbar root compression in the lateral recess: MR imaging, conventional myelography, and CT myelography comparison with surgical confirmation", 《AMERICAN JOURNAL OF NEURORADIOLOGY》, vol. 24, no. 3, pages 348 - 360 * |
KHALEGHI M等: "Second and third lumbar vertebral parameters for prediction of sex, height, and age in the Iranian population", 《FORENSIC SCIENCE, MEDICINE AND PATHOLOGY》, pages 1 - 8 * |
尤国庆: "CT扫描对腰椎小关节综合征的诊断价值", 《中国现代药物应用》, no. 4, pages 55 * |
张沉石等: "腰椎金属内固定术后骨去伪影技术的临床应用", 《中国医学影像技术》, no. 7, pages 117 - 121 * |
李林宏: "腰椎椎管的解剖、三维重建及可视化研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 11, pages 066 - 167 * |
李红艳等: "螺旋CT三维重建与多平面重建在腰椎体后缘软骨结节诊断中的应用", 《医疗装备》, no. 16, pages 22 - 23 * |
穆卫庐: "CT三维重建计算机辅助设计技术在髋臼周围恶性肿瘤治疗中的初步应用", 《河北医科大学》, no. 4, pages 072 - 487 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237365A (zh) * | 2023-11-16 | 2023-12-15 | 江苏世钰智能医疗科技有限公司 | 一种腰椎ct盘黄间隙检测方法 |
CN117237365B (zh) * | 2023-11-16 | 2024-01-26 | 江苏世钰智能医疗科技有限公司 | 一种腰椎ct盘黄间隙检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116758087B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN109859233B (zh) | 图像处理、图像处理模型的训练方法及系统 | |
US9959486B2 (en) | Voxel-level machine learning with or without cloud-based support in medical imaging | |
CN111563523B (zh) | 利用机器训练的异常检测的copd分类 | |
JP2016116843A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
Han et al. | Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning | |
Mudeng et al. | Prospects of structural similarity index for medical image analysis | |
CN111932550A (zh) | 一种基于深度学习的3d心室核磁共振视频分割系统 | |
CN111584066B (zh) | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 | |
US10878564B2 (en) | Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof | |
CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN114881914A (zh) | 基于医学影像确定三维功能肝段的系统及方法 | |
Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
CN116958217B (zh) | 一种mri与ct多模态3d自动配准方法及装置 | |
US20130308876A1 (en) | Process and apparatus for data registration | |
CN115953416A (zh) | 基于深度学习的膝骨关节核磁共振图像自动分割方法 | |
CN113379691B (zh) | 一种基于先验引导的乳腺病灶深度学习分割方法 | |
CN115375787A (zh) | 伪影校正方法、计算机设备及可读存储介质 | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
CN113409306A (zh) | 一种检测装置、训练方法、训练装置、设备和介质 |
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 |