CN116798613B - 一种基于关节镜成像的膝骨性关节炎诊断方法 - Google Patents
一种基于关节镜成像的膝骨性关节炎诊断方法 Download PDFInfo
- Publication number
- CN116798613B CN116798613B CN202311066270.8A CN202311066270A CN116798613B CN 116798613 B CN116798613 B CN 116798613B CN 202311066270 A CN202311066270 A CN 202311066270A CN 116798613 B CN116798613 B CN 116798613B
- Authority
- CN
- China
- Prior art keywords
- image
- vertex
- magnetic resonance
- nuclear magnetic
- arthroscope
- 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
- 208000003947 Knee Osteoarthritis Diseases 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 201000008482 osteoarthritis Diseases 0.000 title claims abstract description 23
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 210000000629 knee joint Anatomy 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 82
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000007119 pathological manifestation Effects 0.000 description 5
- 206010007710 Cartilage injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及医学图像处理技术领域，公开了一种基于关节镜成像的膝骨性关节炎诊断方法，包括以下步骤：采集膝关节部位的核磁共振图像集；根据关节镜停留时的空间角度来匹配成像方位最邻近一个子集；采集关节镜停留节点的关节镜图像，对该关节镜图像和匹配的子集的核磁共振图像进行图像分割获得区域图像；基于区域图像生成顶点图；图匹配神经网络输出表示核磁共振图像是否需要被展示的分类标签；需要被展示的核磁共振图像展示到图像显示器上；本发明提供了一种膝骨性关节炎查诊一体的方法，能够在关节镜检查时共同显示对于膝骨性关节炎诊断有利的核磁共振图像，提高了膝骨性关节炎诊断的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域，更具体地说，它涉及一种基于关节镜成像的膝骨性关节炎诊断方法。
背景技术
膝骨性关节炎是一种以退行性病理改变为基础的疾患。依据医生体格检查、影像学报告进行综合判断，医生手法检查尤为重要，核磁共振图像和关节镜对关节软骨病损的病理学表现观测手段不同，二者综合有利于提高膝关节软骨损伤诊断的准确性，但关节镜检查的成像依赖于人工，膝骨性关节炎作为一种退行性疾病，其病理表现较为复杂，在早中后期的病理表现差异较大，通过固定流程采集的关节镜图像容易忽略掉部分病理表现，提高了膝骨性关节炎诊断误判的可能性。
发明内容
本发明提供一种基于关节镜成像的膝骨性关节炎诊断方法，解决相关技术中通过固定流程采集的关节镜图像容易忽略掉部分病理表现，提高了膝骨性关节炎诊断误判的可能性的技术问题。
本发明提供了一种基于关节镜成像的膝骨性关节炎诊断方法，包括以下步骤：步骤101，采集膝关节部位的核磁共振图像集，核磁共振图像集包括多个子集，每个子集包括同一个成像方位的核磁共振图像。
步骤102，根据关节镜停留时的空间角度来匹配成像方位最邻近一个子集。
步骤103，采集关节镜停留节点的关节镜图像，对该关节镜图像和匹配的子集的核磁共振图像进行图像分割获得区域图像。
步骤104，基于区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第二顶点对应关节镜图像和子集内的核磁共振图像，第一顶点对应图像单元的图像区域，同一核磁共振图像的图像区域的对应第一顶点之间均存在边，关节镜图像内的图像区域对应的第一顶点之间均存在边，一个子集内的相邻的两个核磁共振图像中在空间位置上存在重叠的区域图像对应的第一顶点之间存在边。
步骤105，对区域图像、关节镜图像和核磁共振图像进行特征化处理获得其对应的顶点矢量；将顶点图以及顶点矢量输入图匹配神经网络，图匹配神经网络输出表示核磁共振图像是否需要被展示的分类标签。
步骤106，关节镜停留节点的关节镜图像匹配的子集中被标记需要被展示的分类标签的核磁共振图像与关节镜停留节点的关节镜图像共同展示到图像显示器上。
进一步地，子集中的核磁共振图像的数量是设定的，并且所有子集的核磁共振图像的数量是相同的。
进一步地，核磁共振图像集包括六个子集，分别对应横轴位、矢状位、冠状位、斜矢状位、斜冠状位、斜横轴位的成像方位。
进一步地，关节镜停留节点的判断是根据关节镜的镜头停留时间来判断，关节镜的镜头停止移动的时间超过设定的第一时间阈值则判断此时为关节镜的停留节点。
进一步地，图匹配神经网络包括第三输入层、第三隐藏层和全连接层，第三输入层将所有顶点矢量张量化生成全顶点矢量矩阵，将表示顶点图连接关系的图邻接矩阵和全顶点矢量矩阵输入第三隐藏层，第三隐藏层对全顶点矢量矩阵进行更新，将全顶点矢量矩阵中对应于核磁共振图像的行向量输入全连接层。
进一步地，图匹配神经网络包括第一输入层、第一隐藏层、第二输入层和第二隐藏层和全连接层，第一输入层对每个核磁共振图像所包含的顶点分别生成一个第一顶点集，同时为关节镜图像所包含的顶点生成一个第一顶点集，为第一顶点集中生成第一顶点邻接矩阵和第一顶点矢量矩阵。
第一隐藏层对第一顶点矢量矩阵进行更新，第二输入层对更新后的第一顶点矢量矩阵进行融合处理获得中间矢量，将关节镜图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新，将核磁共振图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新；基于关节镜图像和核磁共振图像所对应的顶点生成第二顶点集，为第二顶点集生成第二顶点邻接矩阵和第二顶点矢量矩阵。
第二隐藏层对第二顶点矢量矩阵进行更新，全连接层输入更新后的第二顶点矢量矩阵中与核磁共振图像对应的行向量，输出表示核磁共振图像是否需要被展示的分类标签。
进一步地，第一隐藏层的计算公式如下：，其中和/>分别表示更新前后的第一顶点矢量矩阵，/>表示第一顶点邻接矩阵与单位矩阵的和，/>表示/>的度矩阵，/>表示第一隐藏层的权重矩阵，/>表示ReLU激活函数。
进一步地，第二隐藏层的计算公式如下：，其中/>和/>分别表示更新前后的第二顶点矢量矩阵，/>表示第二顶点邻接矩阵与单位矩阵的和，/>表示/>的度矩阵，/>表示第二隐藏层的权重矩阵，/>表示ReLU激活函数。
进一步地，对更新后的第一顶点矢量矩阵进行融合处理的方法是将第一顶点矢量矩阵的行向量累加之后除以第一顶点矢量矩阵的行数。
进一步地，在关节镜停留节点时同时显示核磁共振图像和关节镜图像到图像显示器上。
本发明的有益效果在于：本发明提供了一种膝骨性关节炎查诊一体的方法，能够在关节镜检查时共同显示对于膝骨性关节炎诊断有利的核磁共振图像，能够实现边诊断边检查，通过诊断结果来调整关节镜检查的措施，提高了膝骨性关节炎诊断的准确性，由于核磁共振图像的图集中图像数量很多，因此本发明通过图匹配神经网络进行自动化的匹配，能够在检查过程中获得快速准确的相应。
附图说明
图1是本发明的一种基于关节镜成像的膝骨性关节炎诊断方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围 的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示，一种基于关节镜成像的膝骨性关节炎诊断方法，包括以下步骤：步骤101，采集膝关节部位的核磁共振图像集，核磁共振图像集包括多个子集，每个子集包括同一个成像方位的核磁共振图像；按照设定的层间隔和层厚度来采集图像，因此采集的核磁共振图像是与采集层对应的2D图像；为采集层按照空间位置进行编码，2D图像采用与采集层编码相同的编码，也因此在本发明的实施例中，子集中的核磁共振图像的数量是设定的，并且所有子集的核磁共振图像的数量是相同的。
在本发明的一个实施例中，核磁共振图像集包括六个子集，分别对应横轴位、矢状位、冠状位、斜矢状位、斜冠状位、斜横轴位的成像方位。
步骤102，根据关节镜停留时的空间角度来匹配一个子集。
由于关节镜检查时，患者的空间位置与核磁共振成像的空间位置一致，因此可以在同一坐标系下建立空间角度，例如关节镜水平时对应核磁共振成像方位的横轴位。当然关节镜的视角方位可能不是正方位，将横轴位、矢状位、冠状位、斜矢状位、斜冠状位、斜横轴位中其最邻近的方位作为关节镜的视角方位。
关节镜停留节点的判断是根据关节镜的镜头停留时间来判断，关节镜的镜头停止移动的时间超过设定的第一时间阈值则判断此时为关节镜的停留节点。
步骤103，采集关节镜停留节点的关节镜图像，对该关节镜图像和匹配的子集的核磁共振图像进行图像分割获得区域图像。
图像分割可以采用SegNet、DeepLab、Mask R-CNN、U-Net、Gated SCNN等图像分割模型。
步骤104，基于区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第二顶点对应关节镜图像和子集内的核磁共振图像，第一顶点对应图像单元的图像区域，同一核磁共振图像的图像区域的对应第一顶点之间均存在边，关节镜图像内的图像区域对应的第一顶点之间均存在边，一个子集内的相邻的两个核磁共振图像（可以通过编码的邻近来判断是否相邻）中在空间位置上存在重叠的区域图像对应的第一顶点之间存在边。简单的理解是，将相邻的两个核磁共振图像进行叠加，存在空间位置上存在重叠的区域图像在核磁共振图像叠加后存在重叠的部分；关节镜图像的区域图像的每个第一顶点均与该关节镜图像匹配的子集的核磁共振图像的区域图像的所有第一顶点通过边连接。
步骤105，对区域图像、关节镜图像和核磁共振图像进行特征化处理获得其对应的顶点矢量；将顶点图以及顶点矢量输入图匹配神经网络，图匹配神经网络输出表示核磁共振图像是否需要被展示的分类标签。
在本发明的一个实施例中，区域图像、关节镜图像和核磁共振图像进行特征化处理的方法是卷积处理。
具体的，可以将区域图像输入第一卷积神经网络，第一卷积神经网络的全连接层输出表示区域图像的目标识别类型的标签，将输入第一卷积神经网络的全连接层的图像特征作为区域图像卷积处理的结果。
具体的，可以将关节镜图像或核磁共振图像输入第二卷积神经网络，第二卷积神经网络的全连接层输出表示输入的图像是否表示膝骨性关节炎症状的标签，将输入第二卷积神经网络的全连接层的图像特征作为关节镜图像或核磁共振图像卷积处理的结果。
在本发明的一个实施例中，图匹配神经网络采用GNN（图神经网络），包括第三输入层、第三隐藏层和全连接层，第三输入层将所有顶点矢量张量化生成全顶点矢量矩阵，将表示顶点图连接关系的图邻接矩阵和全顶点矢量矩阵输入第三隐藏层，第三隐藏层对全顶点矢量矩阵进行更新，将全顶点矢量矩阵中对应于核磁共振图像的行向量输入全连接层。
在本发明的一个实施例中，图匹配神经网络包括第一输入层、第一隐藏层、第二输入层和第二隐藏层和全连接层，第一输入层对每个核磁共振图像所包含的顶点分别生成一个第一顶点集，同时为关节镜图像所包含的顶点生成一个第一顶点集，为第一顶点集中生成第一顶点邻接矩阵和第一顶点矢量矩阵。
第一隐藏层对第一顶点矢量矩阵进行更新，第二输入层对更新后的第一顶点矢量矩阵进行融合处理获得中间矢量，将关节镜图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新，将核磁共振图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新；基于关节镜图像和核磁共振图像所对应的顶点生成第二顶点集，为第二顶点集生成第二顶点邻接矩阵和第二顶点矢量矩阵。
第二隐藏层对第二顶点矢量矩阵进行更新，全连接层输入更新后的第二顶点矢量矩阵中与核磁共振图像对应的行向量，输出表示核磁共振图像是否需要被展示的分类标签。输出二分类，在此不再提供具体分类标签的示例。
每次只输入一个行向量进入图匹配神经网络的全连接层。
第一隐藏层的计算公式如下：，其中/>和分别表示更新前后的第一顶点矢量矩阵，/>表示第一顶点邻接矩阵与单位矩阵的和，表示/>的度矩阵，/>表示第一隐藏层的权重矩阵，/>表示ReLU激活函数。
第二隐藏层的计算公式如下：，其中/>和分别表示更新前后的第二顶点矢量矩阵，/>表示第二顶点邻接矩阵与单位矩阵的和，/>表示/>的度矩阵，/>表示第二隐藏层的权重矩阵，/>表示ReLU激活函数。
在本发明的一个实施例中，对更新后的第一顶点矢量矩阵进行融合处理的方法是将第一顶点矢量矩阵的行向量累加之后除以第一顶点矢量矩阵的行数。
第一顶点矢量矩阵由第一顶点集中的顶点矢量张量化处理获得，第一顶点矢量矩阵的一个行向量对应一个顶点矢量。第二顶点矢量矩阵的生成方法与第一顶点矢量矩阵的生成方法相同。
第一顶点邻接矩阵表示第一顶点集中的顶点的连接关系，第二顶点邻接矩阵表示第二顶点集中的顶点的连接关系。邻接矩阵中的元素值为1表示该元素行列所对应的顶点之间存在连接关系，元素值为0表示不存在连接关系。
图匹配神经网络的全连接层和第一卷积神经网络的全连接层作用相同，因此使用了相同的名称，但是并非同一个全连接层，分属于不同的神经网络。
步骤106，关节镜停留节点的关节镜图像匹配的子集中被标记需要被展示的分类标签的核磁共振图像与关节镜停留节点的关节镜图像共同展示到图像显示器上。
图像显示器会实时的显示关节镜图像，本发明的上述实施例中在关节镜停留节点时才会同时显示核磁共振图像和关节镜图像到图像显示器上。
具体的显示可以是分区显示不同图像。
同时显示的核磁共振图像为一个或一个以上。
在本发明的一个实施例中，图匹配神经网络训练的样本的类别标签由有经验的专业医生来进行标记。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
Claims (5)
1.一种基于关节镜成像的膝骨性关节炎诊断方法，其特征在于，包括以下步骤：步骤101，采集膝关节部位的核磁共振图像集，核磁共振图像集包括多个子集，每个子集包括同一个成像方位的核磁共振图像；
步骤102，根据关节镜停留时的空间角度来匹配成像方位最邻近一个子集；
步骤103，采集关节镜停留节点的关节镜图像，对该关节镜图像和匹配的子集的核磁共振图像进行图像分割获得区域图像；
步骤104，基于区域图像生成顶点图，顶点图包括顶点以及连接顶点的边，顶点包括第一顶点和第二顶点，第二顶点对应关节镜图像和子集内的核磁共振图像，第一顶点对应图像单元的图像区域，同一核磁共振图像的图像区域的对应第一顶点之间均存在边，关节镜图像内的图像区域对应的第一顶点之间均存在边，一个子集内的相邻的两个核磁共振图像中在空间位置上存在重叠的区域图像对应的第一顶点之间存在边；
步骤105，对区域图像、关节镜图像和核磁共振图像进行特征化处理获得其对应的顶点矢量；将顶点图以及顶点矢量输入图匹配神经网络，图匹配神经网络输出表示核磁共振图像是否需要被展示的分类标签；
图匹配神经网络包括第一输入层、第一隐藏层、第二输入层和第二隐藏层和全连接层，第一输入层对每个核磁共振图像所包含的顶点分别生成一个第一顶点集，同时为关节镜图像所包含的顶点生成一个第一顶点集，为第一顶点集中生成第一顶点邻接矩阵和第一顶点矢量矩阵；
第一隐藏层对第一顶点矢量矩阵进行更新，第二输入层对更新后的第一顶点矢量矩阵进行融合处理获得中间矢量，将关节镜图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新，将核磁共振图像所对应的中间矢量与其顶点矢量相加对其顶点矢量进行更新；基于关节镜图像和核磁共振图像所对应的顶点生成第二顶点集，为第二顶点集生成第二顶点邻接矩阵和第二顶点矢量矩阵；
第二隐藏层对第二顶点矢量矩阵进行更新，全连接层输入更新后的第二顶点矢量矩阵中与核磁共振图像对应的行向量，输出表示核磁共振图像是否需要被展示的分类标签；
第一隐藏层的计算公式如下：
，其中/>和/>分别表示更新前后的第一顶点矢量矩阵，/>表示第一顶点邻接矩阵与单位矩阵的和，/>表示/>的度矩阵，/>表示第一隐藏层的权重矩阵，/>表示ReLU激活函数；
第二隐藏层的计算公式如下：
，其中/>和/>分别表示更新前后的第二顶点矢量矩阵，/>表示第二顶点邻接矩阵与单位矩阵的和，/>表示/>的度矩阵，/>表示第二隐藏层的权重矩阵，/>表示ReLU激活函数；
对更新后的第一顶点矢量矩阵进行融合处理的方法是将第一顶点矢量矩阵的行向量累加之后除以第一顶点矢量矩阵的行数；
步骤106，关节镜停留节点的关节镜图像匹配的子集中被标记需要被展示的分类标签的核磁共振图像与关节镜停留节点的关节镜图像共同展示到图像显示器上。
2.根据权利要求1所述的一种基于关节镜成像的膝骨性关节炎诊断方法，其特征在于，子集中的核磁共振图像的数量是设定的，并且所有子集的核磁共振图像的数量是相同的。
3.根据权利要求1所述的一种基于关节镜成像的膝骨性关节炎诊断方法，其特征在于，核磁共振图像集包括六个子集，分别对应横轴位、矢状位、冠状位、斜矢状位、斜冠状位、斜横轴位的成像方位。
4.根据权利要求1所述的一种基于关节镜成像的膝骨性关节炎诊断方法，其特征在于，关节镜停留节点的判断是根据关节镜的镜头停留时间来判断，关节镜的镜头停止移动的时间超过设定的第一时间阈值则判断此时为关节镜的停留节点。
5.根据权利要求1所述的一种基于关节镜成像的膝骨性关节炎诊断方法，其特征在于，在关节镜停留节点时同时显示核磁共振图像和关节镜图像到图像显示器上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311066270.8A CN116798613B (zh) | 2023-08-23 | 2023-08-23 | 一种基于关节镜成像的膝骨性关节炎诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311066270.8A CN116798613B (zh) | 2023-08-23 | 2023-08-23 | 一种基于关节镜成像的膝骨性关节炎诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116798613A CN116798613A (zh) | 2023-09-22 |
| CN116798613B true CN116798613B (zh) | 2023-11-28 |
Family
ID=88038762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311066270.8A Active CN116798613B (zh) | 2023-08-23 | 2023-08-23 | 一种基于关节镜成像的膝骨性关节炎诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116798613B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170046996A (ko) * | 2015-10-22 | 2017-05-04 | 한국과학기술연구원 | 무릎뼈의 3차원 좌표 입력의 정확도 향상을 위한 영상 유도 수술 시스템 |
| CN110097967A (zh) * | 2018-09-13 | 2019-08-06 | 龙岩学院 | 基于固有时间尺度分解、相空间重构和神经网络的膝骨性关节炎诊断系统 |
| CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| CN111563906A (zh) * | 2020-05-07 | 2020-08-21 | 南开大学 | 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法 |
| CN113935889A (zh) * | 2021-09-08 | 2022-01-14 | 顾力栩 | 2d/3d冠状动脉自动配准方法、系统及介质 |
| KR102384083B1 (ko) * | 2020-10-07 | 2022-04-07 | 단국대학교 산학협력단 | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 |
| CN114581451A (zh) * | 2022-02-24 | 2022-06-03 | 东南大学 | 一种基于散射图神经网络的大脑磁共振图像分割方法 |
| CN115131300A (zh) * | 2022-06-15 | 2022-09-30 | 北京长木谷医疗科技有限公司 | 一种基于深度学习的骨性关节炎智能三维诊断方法及系统 |
| CN115966302A (zh) * | 2023-01-04 | 2023-04-14 | 河北工业大学 | 基于深度对比学习的半监督膝关节炎辅助分析方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007094412A1 (ja) * | 2006-02-17 | 2007-08-23 | Hitachi Medical Corporation | 画像表示装置及びプログラム |
| US20160213278A1 (en) * | 2011-11-30 | 2016-07-28 | Kenneth L. Urish | Method for Detecting Arthritis and Cartilage Damage Using Magnetic Resonance Sequences |
| WO2019148154A1 (en) * | 2018-01-29 | 2019-08-01 | Lang Philipp K | Augmented reality guidance for orthopedic and other surgical procedures |
| CA3109456A1 (en) * | 2018-08-12 | 2020-02-20 | The Trustees Of Columbia University In The City Of New York | System, method and computer-accessible medium for tissue fingerprinting |
| GB2586869B (en) * | 2019-09-06 | 2023-02-15 | Imperial College Innovations Ltd | Scene representation using image processing |
-
2023
- 2023-08-23 CN CN202311066270.8A patent/CN116798613B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170046996A (ko) * | 2015-10-22 | 2017-05-04 | 한국과학기술연구원 | 무릎뼈의 3차원 좌표 입력의 정확도 향상을 위한 영상 유도 수술 시스템 |
| CN110097967A (zh) * | 2018-09-13 | 2019-08-06 | 龙岩学院 | 基于固有时间尺度分解、相空间重构和神经网络的膝骨性关节炎诊断系统 |
| CN110097546A (zh) * | 2019-04-30 | 2019-08-06 | 北京大学第三医院 | 一种评估膝关节软骨组织缺损的方法及装置 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| CN111563906A (zh) * | 2020-05-07 | 2020-08-21 | 南开大学 | 一种基于深度卷积神经网络的膝关节磁共振图像自动分割方法 |
| KR102384083B1 (ko) * | 2020-10-07 | 2022-04-07 | 단국대학교 산학협력단 | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 |
| CN113935889A (zh) * | 2021-09-08 | 2022-01-14 | 顾力栩 | 2d/3d冠状动脉自动配准方法、系统及介质 |
| CN114581451A (zh) * | 2022-02-24 | 2022-06-03 | 东南大学 | 一种基于散射图神经网络的大脑磁共振图像分割方法 |
| CN115131300A (zh) * | 2022-06-15 | 2022-09-30 | 北京长木谷医疗科技有限公司 | 一种基于深度学习的骨性关节炎智能三维诊断方法及系统 |
| CN115966302A (zh) * | 2023-01-04 | 2023-04-14 | 河北工业大学 | 基于深度对比学习的半监督膝关节炎辅助分析方法 |
Non-Patent Citations (6)
| Title |
|---|
| 《Boosting semi-supervised network representation learning with pseudo-multitasking》;Wang Biao等;《Applied Intelligence》;第52卷(第7期);第8118-8133页 * |
| Local Graph Fusion of Multi-view MR Images for Knee Osteoarthritis Diagnosis;Zixu Zhuang等;《Medical Image Computing and Computer Assisted Intervention – MICCAI 2022 》;第13433卷;第554-563页 * |
| MRI深度学习在膝关节骨性关节炎中的研究进展;高曦等;《磁共振成像》;第14卷(第6期);第192-197页 * |
| 乳腺MRI图像肿块分割的分段比较与方法研究;叶希鹏;徐伟栋;杨勇;厉力华;杨小丹;张娟;;传感技术学报(第03期);第387-395页 * |
| 基于BP神经网络的关节镜下治疗膝关节骨性关节炎的临床疗效预测研究;郑荣强;《 2009年中国运动医学与关节镜外科学术大会摘要》;第144页 * |
| 基于图像边界跟踪的顶点矩阵算法;李雨田等;《计算机工程》;第36卷(第1期);第231-235页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116798613A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
| CN113506334B (zh) | 基于深度学习的多模态医学图像融合方法及系统 | |
| CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
| US8634628B2 (en) | Medical image processing apparatus, method and program | |
| Zöllner et al. | Kidney segmentation in renal magnetic resonance imaging-current status and prospects | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
| CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
| El-Baz et al. | A new CAD system for the evaluation of kidney diseases using DCE-MRI | |
| Bongratz et al. | Vox2cortex: Fast explicit reconstruction of cortical surfaces from 3d mri scans with geometric deep neural networks | |
| JP5626202B2 (ja) | 正中線決定装置およびプログラム | |
| Che et al. | Deep group-wise registration for multi-spectral images from fundus images | |
| Zhu et al. | Discovering dense and consistent landmarks in the brain | |
| 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 | |
| Sokooti et al. | Hierarchical prediction of registration misalignment using a convolutional LSTM: Application to chest CT scans | |
| CN112686932B (zh) | 用于医学影像的图像配准方法及图像处理方法、介质 | |
| Benvenuto et al. | Unsupervised deep learning network for deformable fundus image registration | |
| CN116798613B (zh) | 一种基于关节镜成像的膝骨性关节炎诊断方法 | |
| Mahapatra | Learning of Inter-Label Geometric Relationships Using Self-Supervised Learning: Application To Gleason Grade Segmentation | |
| Martins et al. | A multi-object statistical atlas adaptive for deformable registration errors in anomalous medical image segmentation | |
| CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
| Nie et al. | Medical Image Registration and Its Application in Retinal Images: A Review | |
| KR102567497B1 (ko) | 인공신경망 기반의 척추 골반 균형도 측정 장치 및 그 방법 | |
| INTERMEDIATE-RISK | PD36-01 | |
| CN117831757B (zh) | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
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 |