CN117257455B - 一种腰椎手术固定棒预弯方法及装置 - Google Patents
一种腰椎手术固定棒预弯方法及装置 Download PDFInfo
- Publication number
- CN117257455B CN117257455B CN202311554641.7A CN202311554641A CN117257455B CN 117257455 B CN117257455 B CN 117257455B CN 202311554641 A CN202311554641 A CN 202311554641A CN 117257455 B CN117257455 B CN 117257455B
- Authority
- CN
- China
- Prior art keywords
- vertebra
- image
- trailing edge
- spine
- vertebrae
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005452 bending Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000001356 surgical procedure Methods 0.000 claims abstract description 15
- 238000012946 outsourcing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000012856 packing Methods 0.000 claims 1
- 239000011436 cob Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010039722 scoliosis Diseases 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/56—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor
- A61B17/58—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor for osteosynthesis, e.g. bone plates, screws, setting implements or the like
- A61B17/68—Internal fixation devices, including fasteners and spinal fixators, even if a part thereof projects from the skin
- A61B17/70—Spinal positioners or stabilisers ; Bone stabilisers comprising fluid filler in an implant
- A61B17/7001—Screws or hooks combined with longitudinal elements which do not contact vertebrae
- A61B17/7002—Longitudinal elements, e.g. rods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/56—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor
- A61B17/58—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor for osteosynthesis, e.g. bone plates, screws, setting implements or the like
- A61B17/88—Osteosynthesis instruments; Methods or means for implanting or extracting internal or external fixation devices
- A61B17/8863—Apparatus for shaping or cutting osteosynthesis equipment by medical personnel
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Dentistry (AREA)
- Robotics (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种腰椎手术固定棒预弯方法及装置,应用于医疗器械技术领域,包括:将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7‑L5椎骨的区域图像,再输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;然后提取出完整的手术节段覆盖的区域图像;将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线;基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线。本发明能够快速的对腰椎手术固定棒的预弯角度进行估计,并能够实现个性化的固定棒的预弯曲度的预测。
Description
技术领域
本发明涉及医疗器械技术领域,特别是指一种腰椎手术固定棒预弯方法及装置。
背景技术
目前临床上对脊柱侧弯矫形、脊柱骨折、脱位等疾病的治疗多采用固定棒固定系统,例如脊柱内固定椎弓根螺钉固定于连接的金属棒来进行复位和固定。因脊柱在各个椎体阶段生理曲度不同,固定棒的弯曲角度就不同。
而预弯的固定棒曲度就是术后手术节段胸腰椎重建的曲度。而传统技术中,固定棒的预弯的曲度无法准确测量,只能依靠目测经验估计,是否达到了手术预期重建的范围,只能依靠术后测量结果来验证。现有方法可以根据Cobb角度来进行固定棒的预弯曲度设定。Cobb角度是量化脊柱侧弯严重程度的最常用方法。
目前,手动测量被广泛采用。然而,经验不足的观察者往往导致末椎和末板的不正确定位,从而产生不可避免的随机误差。而且Cobb角度不能考虑不同个人的不同手术节段的形态,不一定符合人体手术节段胸腰椎的自然曲度。
发明内容
本发明实施例提供了一种腰椎手术固定棒预弯方法及装置。针对传统技术中,固定棒的预弯的曲度无法准确测量,只能依靠目测经验估计的问题,本申请不仅可以自动化的预测固定棒的预弯的曲度,可以避免传统的目测经验估计不准的问题。为解决上述发明目的,所述技术方案如下:
一方面,本申请实施例提供了一种腰椎手术固定棒预弯方法,包括以下步骤:
S1:获取脊柱X线侧位片图像;
S2:获取手术节段标签,所述手术节段标签是手术节段包含的每个椎骨的名称;
S3:对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
S4:将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,所述预训练的关键区检测模型是修改后的检测变形器模型,所述修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
S5:将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
S6:结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
S7:将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线;
S8:基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数。
优选地, 所述S3的对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像,包括:
S31:对脊柱X线侧位片图像进行去噪处理得到去噪后的脊柱X线侧位片图像,所述去噪处理包括滤波器、小波变换和总变差去噪;
S32:对去噪后的脊柱X线侧位片图像按照预设的图像比例进行缩放处理,得到缩放后的脊柱X线侧位片图像;
S33:对缩放后的脊柱X线侧位片图像进行图像增强,得到预处理后的脊柱X线侧位片图像。
优选地, 所述S4的将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,所述预训练的关键区检测模型是修改后的检测变形器模型,所述修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层,包括:
S41:将预处理后的脊柱X线侧位片图像通过一个卷积神经网络进行特征提取,得到脊柱特征图;
S42:将脊柱特征图通过一个变形器编码器进行空间信息转换,得到一系列的脊柱特征向量;
S43:将一系列的脊柱特征向量输入兴趣区域池化层,提取感兴趣区域的脊柱特征向量;
S44:基于感兴趣区域的脊柱特征向量,用自注意力机制计算,得到特征向量之间的相对位置关系;
S45:通过一个线性层,基于特征向量之间的相对位置关系,将特征向量映射到目标类别和边界框信息,按照目标类别和边界框信息对预处理后的脊柱X线侧位片图像进行剪裁,得到C7-L5椎骨的区域图像。
优选地,所述S5的将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签,包括:
S51:将C7-L5椎骨的区域图像输入椎骨识别模型,得到每个椎骨的四个角点和每个椎骨的中心点,所述椎骨识别模型是基于中心网的模型,所述基于中心网的模型由主干网和输出头部组成,所述主干网使用Hourglass作为基础模型;
S52:按照一定方向连接每个椎骨的四个角点,得到每个椎骨的最小包含多边形,利用预设参数对最小包含多边形进行外扩,得到每个椎骨的外包多边形;
S53:提取每个椎骨的中心点的坐标,和每个基准椎骨的中心点的坐标进行比对,得到最近的中心点的标签,作为每个椎骨的标签,所述每个基准椎骨的中心点是一个预先选定的基准的C7-L5椎骨的区域图像的每个椎骨的中心点;所述最近的中心点的标签是最近的中心点相对应的椎骨的名称。
优选地,所述S6的结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像,包括:
S61:获取手术节段标签;
S62:判断手术节段标签中所包含的每个椎骨是否两两连接,如果否,按照C7-L5椎骨名称列表,按照全部相连接的椎骨补全手术节段标签,得到完整的手术节段;
S63:从C7-L5椎骨的区域图像,提取出对应区域的每个椎骨的外包多边形;
S64:将对应区域的每个椎骨的外包多边形外扩出最小外包多边形,所述最小外包多边形是包含每个椎骨的外包多边形的最小多边形;
S65:基于最小外包多边形提取出完整的手术节段覆盖的区域图像。
优选地, 在所述S7的将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线之前,所述方法还包括:
S0:对待训练的椎骨后缘关键点检测模型进行训练;
所述S0的对待训练的椎骨后缘关键点检测模型进行训练,包括:
S01:获取脊柱X线侧位片图像集;
S02:对脊柱X线侧位片图像集中的每一个脊柱X线侧位片图像进行预处理,将每一个预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测和裁剪出每一个C7-L5椎骨的区域图像;
S03:对每一个C7-L5椎骨的区域图像进行随机剪裁,将包含清晰的椎骨外缘线的剪裁后的图像作为正样本,将不包含清晰的椎骨外缘线的剪裁后的图像作为负样本,将正样本和负样本组合得到训练数据;
S04:将训练数据输入待训练的椎骨后缘线检测模型,进行训练,得到预训练的椎骨后缘线检测模型,所述待训练的椎骨后缘线检测模型是深度边缘模型,所述深度边缘模型包含卷积神经网络、上采样层和边缘预测层;所述边缘预测层包括卷积和激活函数,所述卷积将训练数据转换为二进制图像,得到椎骨后缘线,所述二进制图像是边缘像素点被激活,其他像素点不激活的图像。
优选地,所述S8的基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数,包括:
S81:基于手术节段的后缘线,按照预设的间隔,获取后缘线上的关键点;
S82:基于拟合方法,根据后缘线上的关键点,提取手术节段后缘贴合曲线,所述拟合方法包括但不限于多项式拟合、样条插值和指数拟合。
第二方面,本申请实施例提供了一种腰椎手术固定棒预弯装置,包括以下步骤:
图像单元:用于获取脊柱X线侧位片图像;
标签单元:用于获取手术节段标签,所述手术节段标签是手术节段包含的每个椎骨的名称;
预处理单元:用于对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
关键区检测模型单元:用于将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,所述预训练的关键区检测模型是修改后的检测变形器模型,所述修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
椎骨识别模型单元:用于将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
手术节段单元:用于结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
后缘线单元:用于将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线;
贴合曲线单元:用于基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数。
第三方面,本申请实施例提供了一种电子设备,其特征在于,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前面任意一项所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现前面任意一项所述的方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述技术方案,与现有技术相比至少具有如下有益效果:上述方案,基于深度学习的对腰椎手术固定棒的预弯角度进行估计,通过利用多多个深度学习模型,精确的锁定手术节段的外形特征,并在此基础上,采用曲线拟合替代常用的Cobb角度,实现了预弯角度的自动化测量。本申请可以快速识别每个手术节段并获得预弯曲线,避免了Cobb角度无法表达个性化的手术节段自然曲线的问题。另一方面,该系统可以准确测量手术节段,并同时定位手术节段的复杂曲线。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种腰椎手术固定棒预弯方法流程图;
图2是本发明实施例提供的一种Cobb角度和本申请提取曲线的对比图;
图3是本发明实施例提供的一种腰椎手术固定棒预弯装置框图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种腰椎手术固定棒预弯方法。该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的一种腰椎手术固定棒预弯方法流程图,该方法的处理流程可以包括如下的步骤:
S1:获取脊柱X线侧位片图像;
在一些实施例中,需要排除脊柱X线侧位片图像的质量问题,比如曝光不均匀、模糊不清或者存在严重的伪影等问题。
需要说明的是,目标区域(比如椎骨)被完整地展示在图像中。
S2:获取手术节段标签,手术节段标签是手术节段包含的每个椎骨的名称;
在一些实施例中,按照通常的椎骨的名称,颈椎(Cervical Vertebrae)名称为C1至 C7,胸椎(Thoracic Vertebrae)名称为T1 至 T12,腰椎(Lumbar Vertebrae)名称为L1至 L5,骶骨(Sacrum)名称为S1 至 S5(融合的椎骨)
需要说明的是,这只是一个常见的命名系统,不同的医学文献和学科可能会有稍微不同的命名方式。
S3:对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
优选地, S3,包括:
S31:对脊柱X线侧位片图像进行去噪处理得到去噪后的脊柱X线侧位片图像,去噪处理包括滤波器、小波变换和总变差去噪;
S32:对去噪后的脊柱X线侧位片图像按照预设的图像比例进行缩放处理,得到缩放后的脊柱X线侧位片图像;
S33:对缩放后的脊柱X线侧位片图像进行图像增强,得到预处理后的脊柱X线侧位片图像。
在一些实施例中,小波变换是一种时频分析方法,它能将信号分解成不同频率的子信号。在图像去噪中,小波变换可以将图像分解成不同尺度的细节和近似信息。
需要说明的是,常用的小波基函数有Haar、Daubechies、Symlet等。通过小波分解,图像将被分解成不同尺度的细节和近似系数。根据小波分解的结果,选择适当的阈值方法来处理细节系数。常用的阈值方法有硬阈值和软阈值。硬阈值将小于阈值的系数置为零,而软阈值则将小于阈值的系数缩小到零。将处理后的系数进行小波重构,得到去噪后的图像。重构过程是将细节系数和近似系数合并,并逆向进行小波变换。
需要进一步说明的是,常用的滤波器方法包括小波软阈值去噪、小波硬阈值去噪和小波基函数选择等。在小波软阈值去噪中,通过调整软阈值的大小,可以控制去噪的程度。而在小波硬阈值去噪中,通过调整硬阈值的大小,可以控制去噪的效果。小波基函数的选择也会影响去噪的结果,不同的小波基函数适用于不同类型的图像和噪声。
S4:将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,预训练的关键区检测模型是修改后的检测变形器模型,修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
优选地,S4,包括:
S41:将预处理后的脊柱X线侧位片图像通过一个卷积神经网络进行特征提取,得到脊柱特征图;
S42:将脊柱特征图通过一个变形器编码器进行空间信息转换,得到一系列的脊柱特征向量;
S43:将一系列的脊柱特征向量输入兴趣区域池化层,提取感兴趣区域的脊柱特征向量;
S44:基于感兴趣区域的脊柱特征向量,用自注意力机制计算,得到特征向量之间的相对位置关系;
S45:通过一个线性层,基于特征向量之间的相对位置关系,将特征向量映射到目标类别和边界框信息,按照目标类别和边界框信息对预处理后的脊柱X线侧位片图像进行剪裁,得到C7-L5椎骨的区域图像。
需要说明的是,检测变形器(DETR,Detection Transformer)是一种基于Transformer架构的目标检测模型。与传统的目标检测方法(如基于区域的方法)相比,检测变形器采用了端到端的方式,直接从输入图像中预测目标的位置和类别,而无需使用锚框或候选框。检测变形器模型通过自注意力机制(self-attention)来实现全局感知。这使得模型能够同时考虑图像中的所有位置,捕捉全局上下文信息,有助于准确地预测目标位置和类别。
需要进一步说明的是,兴趣区域池化(ROI Pooling)层可以用于从图像中提取感兴趣区域的特征。在变形器编码器之后添加兴趣区域池化层,以便专门处理区域特征。
需要进一步说明的是,将 兴趣区域池化层和检测变形器结合是为了准确的捕捉椎骨的边缘特征,更好的获取C7-L5椎骨的区域图像。预先提取C7-L5椎骨的区域图像是为了进一步提高手术区域的识别精度。
S5:将C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
优选地,S5,包括:
S51:将C7-L5椎骨的区域图像输入椎骨识别模型,得到每个椎骨的四个角点和每个椎骨的中心点,椎骨识别模型是基于中心网的模型,基于中心网的模型由主干网和输出头部组成,主干网使用Hourglass作为基础模型;
S52:按照一定方向连接每个椎骨的四个角点,得到每个椎骨的最小包含多边形,利用预设参数对最小包含多边形进行外扩,得到每个椎骨的外包多边形;
S53:提取每个椎骨的中心点的坐标,和每个基准椎骨的中心点的坐标进行比对,得到最近的中心点的标签,作为每个椎骨的标签,每个基准椎骨的中心点是一个预先选定的基准的C7-L5椎骨的区域图像的每个椎骨的中心点;最近的中心点的标签是最近的中心点相对应的椎骨的名称。
需要说明的是,中心网(Centernet)模型是一种用于目标检测的神经网络模型。它的核心思想是通过检测图像中的中心点来实现目标检测,而不像传统方法那样使用锚框或候选框。检测变形器使用变形器架构实现全局感知和无锚框目标检测,适用于检测不同大小和数量的目标。中心网通过检测中心点来定位目标,具有较高的检测精度和速度。
需要进一步说明的是,因为C7-L5椎骨的区域图像大多数是灰度图像,中心网模型可以使用平均误差平方损失(Mean Squared Error,MSE)作为损失函数。
S6:结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
优选地,S6,包括:
S61:获取手术节段标签;
S62:判断手术节段标签中所包含的每个椎骨是否两两连接,如果否,按照C7-L5椎骨名称列表,按照全部相连接的椎骨补全手术节段标签,得到完整的手术节段;
S63:从C7-L5椎骨的区域图像,提取出对应区域的每个椎骨的外包多边形;
S64:将对应区域的每个椎骨的外包多边形外扩出最小外包多边形,最小外包多边形是包含每个椎骨的外包多边形的最小多边形;
S65:基于最小外包多边形提取出完整的手术节段覆盖的区域图像。
需要说明的是,深度边缘(DeepEdge)模型是一种用于图像边缘检测的深度学习模型。它能够通过端到端的方式进行学习和训练。它可以直接从原始图像数据中学习提取特征和预测边缘,而无需手动设计和提取特征。深度边缘模型在边缘检测任务上具有较高的精度。通过深度学习技术,它能够学习到更丰富、更具有表达能力的特征,从而提高边缘检测的准确性。深度边缘模型具有较强的泛化能力,可以适应各种不同的图像场景。它能够学习到多种边缘类型和形状,从而对不同场景中的边缘进行有效检测。
S7:将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线;
优选地, 在S7之前,方法还包括:
S0:对待训练的椎骨后缘关键点检测模型进行训练;
S0的对待训练的椎骨后缘关键点检测模型进行训练,包括:
S01:获取脊柱X线侧位片图像集;
S02:对脊柱X线侧位片图像集中的每一个脊柱X线侧位片图像进行预处理,将每一个预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测和裁剪出每一个C7-L5椎骨的区域图像;
S03:对每一个C7-L5椎骨的区域图像进行随机剪裁,将包含清晰的椎骨外缘线的剪裁后的图像作为正样本,将不包含清晰的椎骨外缘线的剪裁后的图像作为负样本,将正样本和负样本组合得到训练数据;
S04:将训练数据输入待训练的椎骨后缘线检测模型,进行训练,得到预训练的椎骨后缘线检测模型,待训练的椎骨后缘线检测模型是深度边缘模型,深度边缘模型包含卷积神经网络、上采样层和边缘预测层;边缘预测层包括卷积和激活函数,卷积将训练数据转换为二进制图像,得到椎骨后缘线,二进制图像是边缘像素点被激活,其他像素点不激活的图像。
S8:基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数。
优选地,S8,包括:
S81:基于手术节段的后缘线,按照预设的间隔,获取后缘线上的关键点;
S82:基于拟合方法,根据后缘线上的关键点,提取手术节段后缘贴合曲线,拟合方法包括但不限于多项式拟合、样条插值和指数拟合。
在一些实施例中,多项式拟合是一种通过多项式函数来逼近或拟合给定数据的方法。它通过选择适当的多项式阶数,使得多项式函数与数据点尽可能接近。
需要说明的是,基于手术节段的后缘线的坐标进行拟合过程中,需要对骨骼曲线数据进行预处理,需要进行抽稀处理,只保留个别的关键点
需要进一步说明的是,在进行骨骼曲线拟合时,需要注意过拟合和欠拟合问题,如果过拟合,则增加固定棒弯曲难度。如果欠拟合,则难以保留手术区域的骨骼的自然曲度。
需要进一步说明的是,如图2所示,每个手术节段的预弯曲线是一种个性化的自然曲线的表达。图2中的C是Cobb角度。用预弯曲度可以避免了Cobb角度无法表达个性化的手术节段自然曲线的问题。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请方案进行进一步说明。
如图3所示,本申请实施例提供了一种腰椎手术固定棒预弯装置,包括以下步骤:
图像单元:用于获取脊柱X线侧位片图像;
标签单元:用于获取手术节段标签,手术节段标签是手术节段包含的每个椎骨的名称;
预处理单元:用于对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
关键区检测模型单元:用于将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,预训练的关键区检测模型是修改后的检测变形器模型,修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
椎骨识别模型单元:用于将C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
手术节段单元:用于结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
后缘线单元:用于将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线;
贴合曲线单元:用于基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数。
本申请能够快速的对腰椎手术固定棒的预弯角度进行估计的方法。这种方法能够检测出个性化的手术节段曲度。因此能够实现个性化的固定棒的预弯曲度的预测。
本申请还提供用于腰椎手术固定棒预弯的一种电子设备,其特征在于,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前面任意一项所述的方法。
本申请还提供用于腰椎手术固定棒预弯的一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现前面任意一项所述的方法。
本申请针对传统技术中,固定棒的预弯曲度无法准确测量,只能依靠目测经验估计的问题,提供了一种能够快速的对腰椎手术固定棒的预弯角度进行估计的方法,并能够实现个性化的固定棒的预弯曲度的预测。
图4是本发明实施例提供的一种电子设备400的结构示意图,该电子设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器402中存储有至少一条指令,所述至少一条指令由所述处理器401加载并执行以实现上述中文文本拼写检查方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述中文文本拼写检查方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
有以下几点需要说明:
(1)本发明实施例附图只涉及到与本发明实施例涉及到的结构,其他结构可参考通常设计。
(2)为了清晰起见,在用于描述本发明的实施例的附图中,层或区域的厚度被放大或缩小,即这些附图并非按照实际的比例绘制。可以理解,当诸如层、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时,该元件可以“直接”位于另一元件“上”或“下”或者可以存在中间元件。
(3)在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种腰椎手术固定棒预弯方法,其特征在于,包括:
S1:获取脊柱X线侧位片图像;
S2:获取手术节段标签,所述手术节段标签是手术节段包含的每个椎骨的名称;
S3:对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
S4:将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,所述预训练的关键区检测模型是修改后的检测变形器模型,所述修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
S5:将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
S6:结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
S7:将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线,在所述S7的将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线之前,所述方法还包括:
S0:对待训练的椎骨后缘关键点检测模型进行训练;
所述S0的对待训练的椎骨后缘关键点检测模型进行训练,包括:
S01:获取脊柱X线侧位片图像集;
S02:对脊柱X线侧位片图像集中的每一个脊柱X线侧位片图像进行预处理,将每一个预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测和裁剪出每一个C7-L5椎骨的区域图像;
S03:对每一个C7-L5椎骨的区域图像进行随机剪裁,将包含清晰的椎骨外缘线的剪裁后的图像作为正样本,将不包含清晰的椎骨外缘线的剪裁后的图像作为负样本,将正样本和负样本组合得到训练数据;
S04:将训练数据输入待训练的椎骨后缘线检测模型,进行训练,得到预训练的椎骨后缘线检测模型,所述待训练的椎骨后缘线检测模型是深度边缘模型,所述深度边缘模型包含卷积神经网络、上采样层和边缘预测层;所述边缘预测层包括卷积和激活函数,所述卷积将训练数据转换为二进制图像,得到椎骨后缘线,所述二进制图像是边缘像素点被激活,其他像素点不激活的图像;
S8:基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数,所述S8的基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数,包括:
S81:基于手术节段的后缘线,按照预设的间隔,获取后缘线上的关键点;
S82:基于拟合方法,根据后缘线上的关键点,提取手术节段后缘贴合曲线,所述拟合方法包括但不限于多项式拟合、样条插值和指数拟合。
2.根据权利要求1所述的腰椎手术固定棒预弯方法,其特征在于,所述S3的对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像,包括:
S31:对脊柱X线侧位片图像进行去噪处理得到去噪后的脊柱X线侧位片图像,所述去噪处理包括滤波器、小波变换和总变差去噪;
S32:对去噪后的脊柱X线侧位片图像按照预设的图像比例进行缩放处理,得到缩放后的脊柱X线侧位片图像;
S33:对缩放后的脊柱X线侧位片图像进行图像增强,得到预处理后的脊柱X线侧位片图像。
3.根据权利要求1所述的腰椎手术固定棒预弯方法,其特征在于,所述S4的将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,包括:
S41:将预处理后的脊柱X线侧位片图像通过一个卷积神经网络进行特征提取,得到脊柱特征图;
S42:将脊柱特征图通过一个变形器编码器进行空间信息转换,得到一系列的脊柱特征向量;
S43:将一系列的脊柱特征向量输入兴趣区域池化层,提取感兴趣区域的脊柱特征向量;
S44:基于感兴趣区域的脊柱特征向量,用自注意力机制计算,得到特征向量之间的相对位置关系;
S45:通过一个线性层,基于特征向量之间的相对位置关系,将特征向量映射到目标类别和边界框信息,按照目标类别和边界框信息对预处理后的脊柱X线侧位片图像进行剪裁,得到C7-L5椎骨的区域图像。
4.根据权利要求1所述的腰椎手术固定棒预弯方法,其特征在于,所述S5的将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签,包括:
S51:将C7-L5椎骨的区域图像输入椎骨识别模型,得到每个椎骨的四个角点和每个椎骨的中心点,所述椎骨识别模型是基于中心网的模型,所述基于中心网的模型由主干网和输出头部组成,所述主干网使用Hourglass作为基础模型;
S52:按照一定方向连接每个椎骨的四个角点,得到每个椎骨的最小包含多边形,利用预设参数对最小包含多边形进行外扩,得到每个椎骨的外包多边形;
S53:提取每个椎骨的中心点的坐标,和每个基准椎骨的中心点的坐标进行比对,得到最近的中心点的标签,作为每个椎骨的标签,所述每个基准椎骨的中心点是一个预先选定的基准的C7-L5椎骨的区域图像的每个椎骨的中心点;所述最近的中心点的标签是最近的中心点相对应的椎骨的名称。
5.根据权利要求1所述的腰椎手术固定棒预弯方法,其特征在于,所述S6的结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像,包括:
S61:获取手术节段标签;
S62:判断手术节段标签中所包含的每个椎骨是否两两连接,如果否,按照C7-L5椎骨名称列表,按照全部相连接的椎骨补全手术节段标签,得到完整的手术节段;
S63:从C7-L5椎骨的区域图像,提取出对应区域的每个椎骨的外包多边形;
S64:将对应区域的每个椎骨的外包多边形外扩出最小外包多边形,所述最小外包多边形是包含每个椎骨的外包多边形的最小多边形;
S65:基于最小外包多边形提取出完整的手术节段覆盖的区域图像。
6.一种腰椎手术固定棒预弯装置,其特征在于,所述装置适用于上述权利要求1-5中任意一项的方法,装置包括:
图像单元:用于获取脊柱X线侧位片图像;
标签单元:用于获取手术节段标签,所述手术节段标签是手术节段包含的每个椎骨的名称;
预处理单元:用于对脊柱X线侧位片图像进行预处理,得到预处理后的脊柱X线侧位片图像;
关键区检测模型单元:用于将预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测出C7-L5椎骨的区域图像,所述预训练的关键区检测模型是修改后的检测变形器模型,所述修改后的检测变形器模型包括一个卷积神经网络、一个变形器编码器、兴趣区域池化层、自注意力机制和一个线性层;
椎骨识别模型单元:用于将所述C7-L5椎骨的区域图像,输入椎骨识别模型,提取每个椎骨的外包多边形和每个椎骨的标签;
手术节段单元:用于结合每个椎骨的外包多边形、每个椎骨的标签和手术节段标签,从C7-L5椎骨的区域图像,提取出完整的手术节段覆盖的区域图像;
后缘线单元:用于将完整的手术节段覆盖的区域图像输入预训练的椎骨后缘关键点检测模型,提取手术节段的后缘线,具体还包括:
S0:对待训练的椎骨后缘关键点检测模型进行训练;
所述S0的对待训练的椎骨后缘关键点检测模型进行训练,包括:
S01:获取脊柱X线侧位片图像集;
S02:对脊柱X线侧位片图像集中的每一个脊柱X线侧位片图像进行预处理,将每一个预处理后的脊柱X线侧位片图像输入预训练的关键区检测模型,检测和裁剪出每一个C7-L5椎骨的区域图像;
S03:对每一个C7-L5椎骨的区域图像进行随机剪裁,将包含清晰的椎骨外缘线的剪裁后的图像作为正样本,将不包含清晰的椎骨外缘线的剪裁后的图像作为负样本,将正样本和负样本组合得到训练数据;
S04:将训练数据输入待训练的椎骨后缘线检测模型,进行训练,得到预训练的椎骨后缘线检测模型,所述待训练的椎骨后缘线检测模型是深度边缘模型,所述深度边缘模型包含卷积神经网络、上采样层和边缘预测层;所述边缘预测层包括卷积和激活函数,所述卷积将训练数据转换为二进制图像,得到椎骨后缘线,所述二进制图像是边缘像素点被激活,其他像素点不激活的图像;
贴合曲线单元:用于基于预设的拟合方法,按照手术节段的后缘线提取手术节段后缘贴合曲线,输出曲线参数,具体包括:
S81:基于手术节段的后缘线,按照预设的间隔,获取后缘线上的关键点;
S82:基于拟合方法,根据后缘线上的关键点,提取手术节段后缘贴合曲线,所述拟合方法包括但不限于多项式拟合、样条插值和指数拟合。
7.一种电子设备,其特征在于,所述电子设备包括:壳体、处理器、存储器、电路板和电源电路,其中,电路板安置在壳体围成的空间内部,处理器和存储器设置在电路板上;电源电路,用于为上述电子设备的各个电路或器件供电;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于执行前述权利要求1至5任意一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现前述权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311554641.7A CN117257455B (zh) | 2023-11-21 | 2023-11-21 | 一种腰椎手术固定棒预弯方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311554641.7A CN117257455B (zh) | 2023-11-21 | 2023-11-21 | 一种腰椎手术固定棒预弯方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117257455A CN117257455A (zh) | 2023-12-22 |
CN117257455B true CN117257455B (zh) | 2024-02-20 |
Family
ID=89201190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311554641.7A Active CN117257455B (zh) | 2023-11-21 | 2023-11-21 | 一种腰椎手术固定棒预弯方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117257455B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109431511A (zh) * | 2018-11-14 | 2019-03-08 | 南京航空航天大学 | 一种基于数字图像处理的人体背部脊柱侧弯角度测量方法 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN112233083A (zh) * | 2020-10-13 | 2021-01-15 | 沈阳先进医疗设备技术孵化中心有限公司 | 脊椎检测方法、装置、电子设备及存储介质 |
CN112381757A (zh) * | 2020-10-09 | 2021-02-19 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN113017815A (zh) * | 2021-04-30 | 2021-06-25 | 上海长征医院 | 一种用于脊柱后路钉棒固定术的术中弯棒系统 |
CN113674257A (zh) * | 2021-08-26 | 2021-11-19 | 平安科技(深圳)有限公司 | 脊柱侧弯角度的测量方法、装置、设备及存储介质 |
CN113870098A (zh) * | 2021-09-09 | 2021-12-31 | 武汉大学 | 一种基于脊柱分层重建的Cobb角自动测量方法 |
CN116797545A (zh) * | 2023-05-16 | 2023-09-22 | 北京大学第一医院 | 一种脊柱侧弯度检测方法、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8014625B2 (en) * | 2004-11-10 | 2011-09-06 | Agfa Healthcare | Method of performing measurements on digital images |
JP6401083B2 (ja) * | 2015-03-12 | 2018-10-03 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
WO2017185214A1 (zh) * | 2016-04-25 | 2017-11-02 | 中慧医学成像有限公司 | 一种测量脊柱弯曲角度的方法和设备 |
WO2019167305A1 (ja) * | 2018-02-28 | 2019-09-06 | 国立大学法人北海道大学 | ロッド群、弓状ロッド、s字状ロッド、脊柱安定化システム、およびロッドの製造方法 |
US20230169644A1 (en) * | 2021-11-30 | 2023-06-01 | Pong Yuen Holdings Limited | Computer vision system and method for assessing orthopedic spine condition |
-
2023
- 2023-11-21 CN CN202311554641.7A patent/CN117257455B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109431511A (zh) * | 2018-11-14 | 2019-03-08 | 南京航空航天大学 | 一种基于数字图像处理的人体背部脊柱侧弯角度测量方法 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN112381757A (zh) * | 2020-10-09 | 2021-02-19 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 |
CN112233083A (zh) * | 2020-10-13 | 2021-01-15 | 沈阳先进医疗设备技术孵化中心有限公司 | 脊椎检测方法、装置、电子设备及存储介质 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN113017815A (zh) * | 2021-04-30 | 2021-06-25 | 上海长征医院 | 一种用于脊柱后路钉棒固定术的术中弯棒系统 |
CN113674257A (zh) * | 2021-08-26 | 2021-11-19 | 平安科技(深圳)有限公司 | 脊柱侧弯角度的测量方法、装置、设备及存储介质 |
CN113870098A (zh) * | 2021-09-09 | 2021-12-31 | 武汉大学 | 一种基于脊柱分层重建的Cobb角自动测量方法 |
CN116797545A (zh) * | 2023-05-16 | 2023-09-22 | 北京大学第一医院 | 一种脊柱侧弯度检测方法、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Bagus Adhi Kusuma.Determination of Spinal Curvature from Scoliosis X-ray Images using K-Means and Curve Fitting for Early Detection of Scoliosis Disease.《2017 2nd international Conferences on information Techonlogy,Information Systems and Electrical Engineering》.2018,全文. * |
多视图X光片下的脊柱侧弯智能辅助诊断技术研究;杨国胜;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(2022年第1期);全文 * |
弯棒旋转法治疗胸腰椎骨折的基础与临床研究;成红兵;李佳;;脊柱外科杂志;20100428(第02期);第95-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117257455A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111671454B (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
WO2019214052A1 (zh) | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 | |
EP0777892B1 (en) | A method of estimation | |
CN108596904B (zh) | 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 | |
US20070242869A1 (en) | Processing and measuring the spine in radiographs | |
US20100177946A1 (en) | Semi-automatic contour detection | |
CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN113850763B (zh) | 一种基于脊柱医学影像的图像处理方法、装置、设备及介质 | |
CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN112274164A (zh) | 脊柱侧弯预测方法、装置、电子设备和存储介质 | |
CN112465771B (zh) | 脊柱核磁共振图像的分析方法、装置和计算机设备 | |
CN111724365B (zh) | 血管内动脉瘤修复手术的介入器械检测方法、系统及装置 | |
Zhang et al. | An automated cobb angle estimation method using convolutional neural network with area limitation | |
CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
CN117257455B (zh) | 一种腰椎手术固定棒预弯方法及装置 | |
CN114093462A (zh) | 医学影像处理方法、图像处理方法、计算机设备、存储介质 | |
Lecron et al. | Points of interest detection in cervical spine radiographs by polygonal approximation | |
CN116091469A (zh) | 骨折检测方法、装置、电子设备及介质 | |
Andronache et al. | Adaptive subdivision for hierarchical non-rigid registration of multi-modal images using mutual information | |
CN115372872A (zh) | 一种三维脊椎mr图像自动分割装置 | |
CN111950636A (zh) | 基于深度学习的腰椎x射线图像分类方法 | |
CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 | |
WO2024120390A1 (zh) | 用于脊柱超声图像的自动标注方法和装置 | |
CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
CN118297970A (zh) | 一种胸腰椎x射线片分割方法及装置 |
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 |