CN117838097A - 一种基于关键点检测的脊柱畸形分析系统 - Google Patents
一种基于关键点检测的脊柱畸形分析系统 Download PDFInfo
- Publication number
- CN117838097A CN117838097A CN202410205610.9A CN202410205610A CN117838097A CN 117838097 A CN117838097 A CN 117838097A CN 202410205610 A CN202410205610 A CN 202410205610A CN 117838097 A CN117838097 A CN 117838097A
- Authority
- CN
- China
- Prior art keywords
- spine
- point
- coordinate
- analysis
- information
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 206010058907 Spinal deformity Diseases 0.000 title claims description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 210000000746 body region Anatomy 0.000 claims description 49
- 239000011436 cob Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 24
- 210000000038 chest Anatomy 0.000 claims description 21
- 238000011282 treatment Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 210000000115 thoracic cavity Anatomy 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013211 curve analysis Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 31
- 230000036541 health Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 9
- 206010039722 scoliosis Diseases 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005102 attenuated total reflection Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 231100001060 spine abnormality Toxicity 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1077—Measuring of profiles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1077—Measuring of profiles
- A61B5/1078—Measuring of profiles by moulding
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4504—Bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Rheumatology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于关键点检测的脊柱畸形分析系统，涉及医学领域。该基于关键点检测的脊柱畸形分析系统，包括：脊柱体表形态采集子系统、关键点分析子系统、分析与计算子系统、评估指标计算子系统、数据分析子系统、中央控制平台；所述脊柱体表形态采集子系统，用于采集脊柱在人体表面的形态数据；所述关键点分析子系统，用于对脊柱体表形态采集子系统所获取的信息进行处理和特征分析，获得待分析的脊柱的各椎体区域的坐标及姿态信息，本发明通过数据分析子系统可以更直观地了解脊柱的健康状况，系统生成的评估指标和预警提示有助于提高用户对脊柱健康的认知，促使人们关注并采取积极的生活方式和姿势，以维护脊柱的正常生理状态。
Description
技术领域
本发明涉及医学领域，具体为一种基于关键点检测的脊柱畸形分析系统。
背景技术
脊柱畸形是一种常见的骨骼系统疾病，包括脊柱侧弯、脊柱旋转等，通常在儿童和青少年发育期间逐渐发展。对于脊柱畸形的早期诊断和监测对于及时干预和治疗至关重要，传统的脊柱畸形分析通常依赖于医生的经验和常规的影像学检查，如X射线片，然而，这些方法存在一些局限性，如辐射暴露、二维信息不足以全面评估三维脊柱结构等。
近年来，基于计算机视觉和深度学习的技术逐渐在医学影像领域取得了显著的进展，关键点检测是其中一种重要的技术，它可以自动地从图像中定位关键点，从而实现对人体结构的准确分析，对于脊柱畸形而言，关键点检测可以用于标定脊椎的特定位置，进而量化脊柱的形态特征。
现有技术中，传统分析方法通常需要医生手动测量和分析脊柱的各项指标，这一过程繁琐费时，同时由于人为因素和主观判断，不同医生可能对同一患者的脊柱畸形给出不同的评估结果，导致精度和一致性不足，并且传统分析方法通常是一次性的静态分析，难以实时监测脊柱的变化，无法及时调整治疗计划。
发明内容
针对现有技术的不足，本发明提供了一种基于关键点检测的脊柱畸形分析系统，解决了传统分析方法通常需要医生手动测量和分析脊柱的各项指标，这一过程繁琐费时，同时由于人为因素和主观判断，不同医生可能对同一患者的脊柱畸形给出不同的评估结果，导致精度和一致性不足，并且传统分析方法通常是一次性的静态分析，难以实时监测脊柱的变化，无法及时调整治疗计划的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于关键点检测的脊柱畸形分析系统，包括：脊柱体表形态采集子系统、关键点分析子系统、分析与计算子系统、评估指标计算子系统、数据分析子系统、中央控制平台；所述脊柱体表形态采集子系统，用于采集脊柱在人体表面的形态数据；所述关键点分析子系统，用于对脊柱体表形态采集子系统所获取的信息进行处理和特征分析，获得待分析的脊柱的各椎体区域的坐标及姿态信息，并将上端椎体区域的顶点和下端椎体区域的顶点、各椎体区域的侧缘点作为关键点；所述分析与计算子系统，用于对待分析的脊柱的各椎体区域的坐标及姿态信息进行姿态分析与计算得出脊柱在矢状面、冠状面、横断面上的投影信息，并分析计算出Cobb角、ATR、旋转角、胸曲、腰曲信息；所述评估指标计算子系统，用于基于分析与计算子系统输出数据，并计算评估指标；所述数据分析子系统，用于基于计算得到的评估指标对脊柱进行分析；所述中央控制平台，用于控制整个系统的运行，并协调各子系统之间的运行。
进一步地，获得待分析的脊柱的各椎体区域的坐标及姿态信息的具体步骤如下：获取若干个待分析的脊柱的轨迹数据，并构建轨迹数据集；将轨迹数据集分为训练数据集和验证数据集；读取训练数据集对构建好的脊柱椎体检测学习网络模型进行训练，并计算得到特征损失函数；使用验证数据集评估模型性能，并根据验证结果调节模型参数，直至模型预测特征数据符合实际特征数据值；该构建好的脊柱椎体检测学习网络模型的输入、输入数据分别为待分析的脊柱的轨迹数据、待分析的脊柱的各椎体区域的坐标及姿态信息，并且该构建好的脊柱椎体检测学习网络模型以密集连接卷积网络为架构，多尺度特征提取为变体的深度学习模型，其中，深度学习模型包括：输入层、密集连接卷积层、激活函数、批归一化层、全局平均池化层、过渡层、全连接层、Dropout层、Softmax层、损失函数、优化器其中，深度学习模型包括：用于接收脊柱图像数据的输入层、采用DenseNet的密集连接卷积层，其中包含卷积层、批归一化层和ReLU激活函数，密集连接的特性使得每个卷积层都接收来自前面所有层的输入，有助于更好地传递梯度和促进特征重用、用于将特征图转换为全局平均值，将多维数据汇总为一维向量，为全连接层提供输入的全局平均池化层、用于减小特征图的尺寸的过渡层、用于将高级特征映射到输出类别的全连接层、用于在全连接层之后添加Dropout层，随机丢弃一些神经元，有助于防止过拟合的Dropout层、用于将网络的输出转换为概率分布的Softmax层、用于度量模型输出与真实标签之间的差异的损失函数、用于调整模型参数以最小化损失函数的优化器。
进一步地，计算特征损失函数的公式如下：其中，Ss为特征损失函数，Zgut为模型预测的第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个预测坐标信息，/>为第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个实际坐标信息，g＝1,2,3,…,G，G为获取的待分析的脊柱的轨迹数据的数量，u＝1,2,3,…,U，U为获取的待分析的脊柱的轨迹数据中椎体区域的数量，t＝1,2,3,…,T，T为获取的待分析的脊柱的轨迹数据中椎体区域中坐标点的数量。
进一步地，所述分析与计算子系统包括：Cobb角测量计算模块、ATR测量计算模块、旋转角分析模块、胸曲和腰曲分析模块；所述Cobb角测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算Cobb角；所述ATR测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算ATR，其中ATR表示最高点的横向平移相对于整个侧弯高度的比例；所述旋转角分析模块用于基于待分析的脊柱的轨迹数据计算脊柱的旋转角；所述胸曲和腰曲分析模块，用于基于待分析的脊柱的轨迹数据分析脊柱在矢状面上的生理性曲度，即为胸曲和腰曲。
进一步地，计算Cobb角的具体步骤如下：读取待分析的脊柱的图像数据中的上端椎体区域的顶点和下端椎体区域的下端底点的各坐标点的坐标信息，并分别记为A点和B点；基于计算机图像处理技术，并以A、B点分别作垂直于上端椎体区域上缘、下端椎体区域下缘的垂直线，将两条垂直线的交点记为C点；分别取线段AC、BC的中点，并分别作垂直于线段AC、BC的中点的垂直线；两条垂直线的交角即为Cobb角。
进一步地，计算ATR的具体步骤如下：读取A点和B点的坐标信息；基于A点和B点的坐标信息分别计算椎体轴上的长度以及高度差；基于脊柱体轴长度以及高度差计算ATR，其计算公式如下：其中，/>为椎体轴上的长度，|yB-yA|为高度差。
进一步地，计算脊柱的旋转角的具体步骤如下：分别读取各椎体区域的各坐标点的坐标信息，分别将各锥体的坐标中点视为各锥体的中心，并将其视为各自的局部坐标系；基于待分析的脊柱的轨迹数据获取每个锥体的姿态信息，所述姿态信息记为方向向量；基于旋转矩阵将各椎体区域的局部坐标系中的各坐标点的坐标信息以及姿态信息转换至全局坐标系中，获得各椎体在全局坐标系中的各坐标点的坐标信息以及姿态信息；并基于旋转矩阵中提取脊柱的旋转角。
进一步地，分析脊柱的胸曲和腰曲的具体步骤如下：读取各椎体区域的各侧缘点的坐标信息；并将各椎体区域的各侧缘点的坐标信息带入至曲率计算模型中，得到各椎体区域的各侧缘点的坐标信息的曲率值，并分别与设定的胸曲阈值和腰曲阈值进行比较；将坐标信息的曲率值大于胸曲阈值的各侧缘点部分记为胸曲，将坐标信息的曲率值小于腰曲阈值的各侧缘点部分记为腰曲；其中，曲率计算模型具体为：其中，Krm为第r个椎体区域中的m个侧缘点的坐标信息的曲率值，y″rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的二阶导数，y′rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的一阶导数，r＝1,2,3,…,C，C为椎体区域的数量，m＝1,2,3,…,F，F为椎体区域中坐标点的数量。
进一步地，计算评估指标的公式如下：PGz＝α1*Cobb′+α2*ATR+α3*Xz；其中，PGz为评估指标，Cobb′为Cobb角，Xz为旋转角，α1、α2、α3分别为Cobb′、ATR、Xz的比例系数，并且α1+α2+α3＝1。
进一步地，基于计算得到的评估指标对脊柱进行分析具体为：将评估指标进行标准处理，所上述标准处理为：将评估指标化成百分数，百分数的范围具体为：0≤PGz％≤100％；当评估指标处于90％至100％之间，将此脊柱视为正常；当评估指标处于70％至89％之间，将此脊柱视为轻度异常，并发出预警提示，所述预警提示具体为：改变坐姿、保持正确的站立姿势，进行适当的体育锻炼；当评估指标处于50％至69％之间，将此脊柱视为中度异常，同时对脊柱的Cobb′、ATR进行进一步的分析，并自动生成自主康复治疗方案；当评估指标处于0％至49％之间，将此脊柱视为严重异常，并同时发出警报信息。
本发明具有以下有益效果：
(1)、该基于关键点检测的脊柱畸形分析系统，通过数据分析子系统，可以更直观地了解脊柱的健康状况，系统生成的评估指标和预警提示有助于提高用户对脊柱健康的认知，促使人们关注并采取积极的生活方式和姿势，以维护脊柱的正常生理状态。
(2)、该基于关键点检测的脊柱畸形分析系统，对于轻度和中度异常的脊柱状况，系统的预警提示和自动生成的康复治疗方案为个体提供了及时有效的康复建议，用户可以根据系统反馈，调整坐姿、站立姿势，并参与特定的体育锻炼，以改善脊柱健康，这种实时的个性化康复干预有望在早期阶段防止或减缓脊柱异常的进一步发展。
(3)、该基于关键点检测的脊柱畸形分析系统，对于严重异常的脊柱情况，系统的警报信息提醒用户及时寻求医疗帮助，这有助于加速对于紧急脊柱问题的处理，提高医疗资源的利用效率，通过提供详细的评估指标，医疗专业人员可以更迅速、准确地了解患者状况，为患者提供紧急救治，最大程度地减少患者的脊柱健康风险。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种基于关键点检测的脊柱畸形分析系统框图。
图2为本发明一种基于关键点检测的脊柱畸形分析系统中获得待分析的脊柱的各椎体区域的坐标及姿态信息的具体步骤流程图。
图3为本发明一种基于关键点检测的脊柱畸形分析系统中分析与计算子系统框图。
图4为本发明一种基于关键点检测的脊柱畸形分析系统中计算Cobb角的具体步骤流程图。
图5为本发明一种基于关键点检测的脊柱畸形分析系统中计算Cobb角的结构示意图。
图6为本发明一种基于关键点检测的脊柱畸形分析系统中计算ATR的具体步骤流程图。
图7为本发明一种基于关键点检测的脊柱畸形分析系统中计算脊柱的旋转角的具体步骤流程图。
图8为本发明一种基于关键点检测的脊柱畸形分析系统中计算脊柱的分析脊柱的胸曲和腰曲的具体步骤流程图。
具体实施方式
本申请实施例通过一种基于关键点检测的脊柱畸形分析系统，实现解决传统分析方法通常需要医生手动测量和分析脊柱的各项指标，这一过程繁琐费时，同时由于人为因素和主观判断，不同医生可能对同一患者的脊柱畸形给出不同的评估结果，导致精度和一致性不足，并且传统分析方法通常是一次性的静态分析，难以实时监测脊柱的变化，无法及时调整治疗计划的问题。
本申请实施例中的问题，总体思路如下：
首先通过脊柱体表形态采集子系统获取采集脊柱在人体表面的形态数据，然后利用关键点分析子系统，将人体表面的形态数据输入事先构建好的脊柱椎体检测学习网络模型，该模型能够识别脊柱各椎体区域的关键点，包括上端椎体区域的顶点、下端椎体区域的顶点以及各椎体区域的侧缘点，其次使用分析与计算子系统，利用各椎体区域的各坐标点的坐标信息，计算脊柱的Cobb角、ATR、旋转角、胸曲、腰曲信息，其次评估指标计算子系统根据脊柱的Cobb角、ATR、旋转角指标，计算评估指标，提供对脊柱健康状况的定量评估，最后利用数据分析子系统，对计算得到的评估指标进行进一步分析，以获取更全面的脊柱状况信息。
请参阅图1，本发明实施例提供一种技术方案：一种基于关键点检测的脊柱畸形分析系统，包括：脊柱体表形态采集子系统、关键点分析子系统、分析与计算子系统、评估指标计算子系统、数据分析子系统、中央控制平台；脊柱体表形态采集子系统，用于采集脊柱在人体表面的形态数据；关键点分析子系统，用于对脊柱体表形态采集子系统所获取的信息进行处理和特征分析，获得待分析的脊柱的各椎体区域的坐标及姿态信息，并将上端椎体区域的顶点和下端椎体区域的顶点、各椎体区域的侧缘点作为关键点；分析与计算子系统，用于对待分析的脊柱的各椎体区域的坐标及姿态信息进行姿态分析与计算得出脊柱在矢状面、冠状面、横断面上的投影信息，并分析计算出Cobb角、ATR、旋转角、胸曲、腰曲信息；评估指标计算子系统，用于基于分析与计算子系统输出数据，并计算评估指标；数据分析子系统，用于基于计算得到的评估指标对脊柱进行分析；中央控制平台，用于控制整个系统的运行，并协调各子系统之间的运行。
具体地，如图2所示，获得待分析的脊柱的各椎体区域的坐标及姿态信息的具体步骤如下：获取若干个待分析的脊柱的轨迹数据，并构建轨迹数据集；将轨迹数据集分为训练数据集和验证数据集；读取训练数据集对构建好的脊柱椎体检测学习网络模型进行训练，并计算得到特征损失函数；使用验证数据集评估模型性能，并根据验证结果调节模型参数，直至模型预测特征数据符合实际特征数据值；该构建好的脊柱椎体检测学习网络模型的输入、输入数据分别为待分析的脊柱的轨迹数据、待分析的脊柱的各椎体区域的坐标及姿态信息，并且该构建好的脊柱椎体检测学习网络模型以密集连接卷积网络为架构，多尺度特征提取为变体的深度学习模型，其中，深度学习模型包括：输入层、密集连接卷积层、激活函数、批归一化层、全局平均池化层、过渡层、全连接层、Dropout层、Softmax层、损失函数、优化器其中，深度学习模型包括：用于接收脊柱图像数据的输入层、采用DenseNet的密集连接卷积层，其中包含卷积层、批归一化层和ReLU激活函数，密集连接的特性使得每个卷积层都接收来自前面所有层的输入，有助于更好地传递梯度和促进特征重用、用于将特征图转换为全局平均值，将多维数据汇总为一维向量，为全连接层提供输入的全局平均池化层、用于减小特征图的尺寸的过渡层、用于将高级特征映射到输出类别的全连接层、用于在全连接层之后添加Dropout层，随机丢弃一些神经元，有助于防止过拟合的Dropout层、用于将网络的输出转换为概率分布的Softmax层、用于度量模型输出与真实标签之间的差异的损失函数、用于调整模型参数以最小化损失函数的优化器。
本实施方案中，通过获取大量的脊柱图像数据，构建了丰富的数据集，有助于训练模型能够适应不同患者的脊柱特征，提高了模型的泛化能力，使其能够更好地适应多样化的脊柱畸形，通过将数据集划分为训练集和验证集，可以在训练过程中实时监测模型的性能，防止过拟合，有助于提高模型的鲁棒性，使其在未见过的数据上表现更好，密集连接卷积层有助于提高梯度传播和特征重用，促进模型的学习能力，通过全局平均池化层，将多维数据汇总为一维向量，有助于减少参数数量，减轻过拟合的风险，随机丢弃神经元，有助于防止过拟合，提高模型的泛化能力，通过这些设计，增强了模型的特征提取和学习能力，使其更好地适应脊柱图像数据的复杂特征，通过使用训练数据集，模型可以学习到脊柱图像数据中各椎体区域的特征，而特征损失函数可用于衡量模型输出和实际标签之间的差异，通过监督学习，模型可以调整参数以最小化损失，从而提高对脊柱特征的准确预测，通过验证数据集，可以在不同于训练数据的样本上评估模型的性能，避免模型在特定数据集上的过拟合，通过动态调整模型参数，可以进一步提高模型的泛化性，使其更适用于不同来源和类型的脊柱图像。
具体地，计算特征损失函数的公式如下：其中，Ss为特征损失函数，Zgut为模型预测的第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个预测坐标信息，/>为第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个实际坐标信息，g＝1,2,3,…,G，G为获取的待分析的脊柱的轨迹数据的数量，u＝1,2,3,…,U，U为获取的待分析的脊柱的轨迹数据中椎体区域的数量，t＝1,2,3,…,T，T为获取的待分析的脊柱的轨迹数据中椎体区域中坐标点的数量。
本实施方案中，该计算特征损失函数逻辑，通过比较模型预测的椎体区域像素点坐标和实际坐标之间的差异，提供了一种有效的损失度量，帮助模型调整参数以减小预测误差，有助于训练模型更好地预测脊柱图像中各椎体区域的关键点，从而提高关键点检测的准确性，引入了数量统计项，考虑了待分析的脊柱的轨迹数据的数量、椎体区域的数量，这有助于平衡不同数据规模和椎体区域的贡献，防止模型过度关注某些部分，使损失函数更具通用性，适应不同规模和复杂度的脊柱图像数据，提高模型的适应能力。
具体地，如图3所示，分析与计算子系统包括：Cobb角测量计算模块、ATR测量计算模块、旋转角分析模块、胸曲和腰曲分析模块；Cobb角测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算Cobb角；ATR测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算ATR，其中ATR表示最高点的横向平移相对于整个侧弯高度的比例；旋转角分析模块用于基于待分析的脊柱的轨迹数据计算脊柱的旋转角；胸曲和腰曲分析模块，用于基于待分析的脊柱的轨迹数据分析脊柱在矢状面上的生理性曲度，即为胸曲和腰曲。
本实施方案中，Cobb角是评估脊柱侧弯程度的关键指标，通过准确计算Cobb角，可以更精准地评估患者的侧弯情况，Cobb角提供了医生对患者脊柱病变的定量评估，为医疗决策提供了重要的支持，从轨迹数据中获取上端椎体区域的顶点和下端椎体区域的底点的坐标信息，通过计算最高点的横向平移相对于整个侧弯高度的比例，得到ATR，ATR提供了关于脊柱侧弯形态的更全面信息，考虑了横向平移，有助于更全面地了解患者的脊柱情况，ATR可以为医生制定更个性化的治疗方案提供重要信息，因为不同ATR可能需要不同的治疗策略，利用待分析的脊柱轨迹数据，计算脊柱的旋转角度，旋转角度提供了关于脊柱姿态的信息，有助于全面了解患者脊柱的立体形态，旋转角度对于需要手术矫正的患者，提供了手术规划的基础，使医生能够更好地预测手术效果，利用轨迹数据分析脊柱在矢状面上的生理性曲度，即胸曲和腰曲，胸曲和腰曲提供了关于脊柱在矢状面上曲度的详细信息，为整体脊柱形态的全面评估提供了支持，对于需要保守治疗的患者，胸曲和腰曲的信息可以为制定脊柱康复计划提供依据。
具体地，如图4、图5所示，计算Cobb角的具体步骤如下：读取待分析的脊柱的图像数据中的上端椎体区域的顶点和下端椎体区域的下端底点的各坐标点的坐标信息，并分别记为A点和B点；基于计算机图像处理技术，并以A、B点分别作垂直于上端椎体区域上缘、下端椎体区域下缘的垂直线，将两条垂直线的交点记为C点；分别取线段AC、BC的中点，并分别作垂直于线段AC、BC的中点的垂直线；两条垂直线的交角即为Cobb角。
本实施方案中，读取上端椎体区域和下端椎体区域的坐标信息(A点和B点)，提供了待分析脊柱图像数据中关键点的位置信息，是后续计算的基础，利用图像处理技术，精确找到两个椎体区域的垂直线的交点C，建立了Cobb角计算的几何基准，建立了两个垂直线的中点，为角度计算提供了额外的几何结构，增加了计算的稳定性，通过计算两条垂直线的交角，得到了Cobb角的具体数值，这是脊柱侧弯程度的度量，为脊柱疾病的评估提供了客观指标。
具体地，如图6所示，计算ATR的具体步骤如下：读取A点和B点的坐标信息；基于A点和B点的坐标信息分别计算椎体轴上的长度以及高度差；基于脊柱体轴长度以及高度差计算ATR，其计算公式如下：其中，/>为椎体轴上的长度，|yB-yA|为高度差。
本实施方案中，通过计算机图像处理技术，获取A点和B点在图像上的坐标信息，这一步骤提供了关键点的位置信息，为后续计算提供了几何基础，利用A点和B点的坐标信息，可以计算椎体轴上的长度和高度差，这两个值是评估脊柱形态的重要参数，有助于量化椎体之间的空间关系，利用椎体轴上的长度和高度差，应用预定义的计算公式计算ATR(椎体旋转角度)，这个角度反映了椎体的旋转程度，是评估脊柱畸形程度的重要指标，ATR的计算公式为这个公式利用反正切函数计算椎体旋转角度，将图像中测得的长度和高度信息转化为具体的角度度量，通过计算椎体轴上的长度和高度差，以及计算ATR，系统能够提供数值化的、客观的评估指标，帮助医生更准确地了解脊柱的形态特征，ATR作为脊柱旋转角度的度量，有助于早期发现和诊断脊柱畸形，提供更早的治疗和干预机会，提供了对患者脊柱状态的详细数值化信息，有助于医生制定个性化的治疗计划，包括手术决策、康复方案等，通过连续监测ATR，可以追踪脊柱畸形的变化，评估治疗效果，为长期随访提供依据。
具体地，如图7所示，计算脊柱的旋转角的具体步骤如下：分别读取各椎体区域的各坐标点的坐标信息，分别将各锥体的坐标中点视为各锥体的中心，并将其视为各自的局部坐标系；基于待分析的脊柱的轨迹数据获取每个锥体的姿态信息，姿态信息记为方向向量；基于旋转矩阵将各椎体区域的局部坐标系中的各坐标点的坐标信息以及姿态信息转换至全局坐标系中，获得各椎体在全局坐标系中的各坐标点的坐标信息以及姿态信息；并基于旋转矩阵中提取脊柱的旋转角。
本实施方案中，逐一读取每个椎体区域的各坐标点的坐标信息，提供了脊柱轨迹数据的基础，为后续分析和计算提供了准确的空间位置信息，将各锥体的中点作为各自局部坐标系的原点，将椎体的局部坐标系与椎体本身对齐，简化了后续的姿态信息的处理，使坐标转换更为直观，通过待分析的脊柱轨迹数据，获取每个椎体的姿态信息，通常以方向向量表示，提供了每个椎体在局部坐标系中的姿态信息，有助于后续的坐标变换和旋转角的计算，利用旋转矩阵将各椎体区域的局部坐标系中的坐标点和姿态信息转换至全局坐标系中，实现了局部坐标系到全局坐标系的准确转换，为脊柱整体形态在全局坐标系下的描述提供了基础，基于旋转矩阵中的信息，提取脊柱的旋转角，旋转角提供了关于脊柱整体旋转姿态的信息，对于理解脊柱的立体形态和姿态有重要意义。
具体地，如图8所示，分析脊柱的胸曲和腰曲的具体步骤如下：读取各椎体区域的各侧缘点的坐标信息；并将各椎体区域的各侧缘点的坐标信息带入至曲率计算模型中，得到各椎体区域的各侧缘点的坐标信息的曲率值，并分别与设定的胸曲阈值和腰曲阈值进行比较；将坐标信息的曲率值大于胸曲阈值的各侧缘点部分记为胸曲，将坐标信息的曲率值小于腰曲阈值的各侧缘点部分记为腰曲；其中，曲率计算模型具体为：其中，Krm为第r个椎体区域中的m个侧缘点的坐标信息的曲率值，y″rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的二阶导数，y′rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的一阶导数，r＝1,2,3,…,C，C为椎体区域的数量，m＝1,2,3,…,F，F为椎体区域中坐标点的数量。
本实施方案中，遍历每个椎体区域，读取各侧缘点的坐标信息，提供了脊柱侧缘点的准确位置信息，为曲率计算和形态分析提供基础数据，将每个椎体区域的各侧缘点坐标信息带入曲率计算模型中，计算各侧缘点的曲率值，曲率值反映了脊柱侧缘点的曲率程度，有助于量化脊柱在矢状面上的生理性曲度，将每个侧缘点的曲率值与设定的胸曲阈值和腰曲阈值进行比较，判断其属于胸曲、腰曲还是正常曲度，实现了对脊柱侧弯区域的定量分类，使医生能够更准确地了解患者的胸曲和腰曲情况，将曲率值大于胸曲阈值的侧缘点判定为胸曲，将曲率值小于腰曲阈值的侧缘点判定为腰曲，提供了对脊柱在矢状面上的曲率分布的详细信息，为病情分析提供更全面的数据支持，曲率计算模型使用了曲线模型中的二阶导数和一阶导数，通过对曲线的变化率进行计算，获得侧缘点的曲率值，采用数学模型计算曲率，使得曲率值更具有数学意义，增强了对生理性曲度的准确描述，通过曲率计算模型，系统提供了对脊柱侧缘点曲率的全面评估，包括具体数值和曲率类型的分类，通过阈值的设定和对比，系统定量分析了脊柱区域的胸曲和腰曲情况，使医生能够更清晰地了解患者的侧弯情况，提供了基于曲率的数据支持，有助于医生制定更个性化的治疗方案，包括手术和康复计划。
具体地，计算评估指标的公式如下：PGz＝α1*Cobb′+α2*ATR+α3*Xz；其中，PGz为评估指标，Cobb′为Cobb角，Xz为旋转角，α1、α2、α3分别为Cobb′、ATR、Xz的比例系数，并且α1+α2+α3＝1。
本实施方案中，计算评估指标的逻辑为：将脊柱的Cobb角、ATR、旋转角进行求和计算，得到和值，然后分别将脊柱的Cobb角、ATR、旋转角与和值进行比值计算，分别得到脊柱的Cobb角、ATR、旋转角的比例系数，然后基于脊柱的Cobb角、ATR、旋转角与各自的比例系数计算得到评估指标，该逻辑采用和值的方式将多个指标综合在一起，使得评估指标更全面、全局地考虑了脊柱的各个方面，而不仅仅局限于单一指标，通过比值计算，引入了比例系数，可以根据实际需求调整每个指标在评估中的权重，使评估更符合实际应用场景和医学需求，逻辑设计的灵活性较高，可以根据具体问题和需求进行调整，例如，如果对Cobb角的准确性要求更高，可以通过提高其比例系数来增加其在评估指标中的权重，将不同指标与其比例系数关联起来，更好地反映了脊柱形态的整体特征，有助于医学专业人员全面了解患者的情况，通过逻辑的设计，评估指标的计算过程更加透明和可解释，有助于医学专业人员理解评估结果的形成原理。
具体地，基于计算得到的评估指标对脊柱进行分析具体为：将评估指标进行标准处理，所上述标准处理为：将评估指标化成百分数，百分数的范围具体为：0≤PGz％≤100％；当评估指标处于90％至100％之间，将此脊柱视为正常；当评估指标处于70％至89％之间，将此脊柱视为轻度异常，并发出预警提示，预警提示具体为：改变坐姿、保持正确的站立姿势，进行适当的体育锻炼；当评估指标处于50％至69％之间，将此脊柱视为中度异常，同时对脊柱的Cobb′、ATR进行进一步的分析，并自动生成自主康复治疗方案；当评估指标处于0％至49％之间，将此脊柱视为严重异常，并同时发出警报信息。
本实施方案中，将评估指标进行标准处理，将其转化为百分比形式，范围在0％到100％之间，这样的标准化处理有利于比较不同指标的结果，并提高了结果的可解释性，将脊柱状态划分为不同的范围，便于医学专业人员和患者理解评估结果，每个范围都对应着一定的脊柱状态，使结果更加直观和易于沟通，提供脊柱状态的具体建议：90％至100％：正常状态，70％至89％：轻度异常，发出预警提示，预警提示包括建议改变坐姿、保持正确的站立姿势和进行适当的体育锻炼，这有助于提醒患者采取一些简单的生活方式调整，预防问题进一步恶化，50％至69％：中度异常，针对中度异常，进行进一步的分析，特别关注脊柱的具体方面，同时，系统自动生成自主康复治疗方案，为患者提供个性化的康复建议，提高康复效果，0％至49％：严重异常，对于严重异常，发出警报信息，提示医务人员或患者采取紧急行动，这有助于及时干预和治疗，防止问题进一步恶化，对于异常情况，及时的预警和建议提供了治疗的机会，这对患者的健康和康复具有重要意义，有助于防止病情进一步发展，面对中度异常，系统生成自主康复治疗方案，这有助于提供更具体、个性化的康复建议，为患者提供更好的康复体验和效果。
综上，本申请至少具有以下效果：
通过该基于关键点检测的脊柱畸形分析系统，可以更直观地了解脊柱的健康状况，系统生成的评估指标和预警提示有助于提高用户对脊柱健康的认知，促使人们关注并采取积极的生活方式和姿势，以维护脊柱的正常生理状态。
对于轻度和中度异常的脊柱状况，系统的预警提示和自动生成的康复治疗方案为个体提供了及时有效的康复建议，用户可以根据系统反馈，调整坐姿、站立姿势，并参与特定的体育锻炼，以改善脊柱健康，这种实时的个性化康复干预有望在早期阶段防止或减缓脊柱异常的进一步发展。
对于严重异常的脊柱情况，系统的警报信息提醒用户及时寻求医疗帮助。这有助于加速对于紧急脊柱问题的处理，提高医疗资源的利用效率，通过提供详细的评估指标，医疗专业人员可以更迅速、准确地了解患者状况，为患者提供紧急救治，最大程度地减少患者的脊柱健康风险。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于关键点检测的脊柱畸形分析系统，其特征在于，包括：脊柱体表形态采集子系统、关键点分析子系统、分析与计算子系统、评估指标计算子系统、数据分析子系统、中央控制平台；
所述脊柱体表形态采集子系统，用于采集脊柱在人体表面的形态数据；
所述关键点分析子系统，用于对脊柱体表形态采集子系统所获取的信息进行处理和特征分析，获得待分析的脊柱的各椎体区域的坐标及姿态信息，并将上端椎体区域的顶点和下端椎体区域的顶点、各椎体区域的侧缘点作为关键点；
所述分析与计算子系统，用于对待分析的脊柱的各椎体区域的坐标及姿态信息进行姿态分析与计算得出脊柱在矢状面、冠状面、横断面上的投影信息，并分析计算出Cobb角、ATR、旋转角、胸曲、腰曲信息；
所述评估指标计算子系统，用于基于分析与计算子系统输出数据，并计算评估指标；
所述数据分析子系统，用于基于计算得到的评估指标对脊柱进行分析；
所述中央控制平台，用于控制整个系统的运行，并协调各子系统之间的运行。
2.根据权利要求1所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：获得待分析的脊柱的各椎体区域的坐标及姿态信息的具体步骤如下：
获取若干个待分析的脊柱的轨迹数据，并构建轨迹数据集；
将轨迹数据集分为训练数据集和验证数据集；
读取训练数据集对构建好的脊柱椎体检测学习网络模型进行训练，并计算得到特征损失函数；
使用验证数据集评估模型性能，并根据验证结果调节模型参数，直至模型预测特征数据符合实际特征数据值；
该构建好的脊柱椎体检测学习网络模型的输入、输入数据分别为待分析的脊柱的轨迹数据、待分析的脊柱的各椎体区域的坐标及姿态信息，并且该构建好的脊柱椎体检测学习网络模型以密集连接卷积网络为架构，多尺度特征提取为变体的深度学习模型，其中，深度学习模型包括：输入层、密集连接卷积层、激活函数、批归一化层、全局平均池化层、过渡层、全连接层、Dropout层、Softmax层、损失函数、优化器。
3.根据权利要求2所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：计算特征损失函数的公式如下：
其中，Ss为特征损失函数，Zgut为模型预测的第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个预测坐标信息，为第g个待分析的脊柱的轨迹数据中第u个椎体区域的第t个实际坐标信息，g＝1,2,3,…,G，G为获取的待分析的脊柱的轨迹数据的数量，u＝1,2,3,…,U，U为获取的待分析的脊柱的轨迹数据中椎体区域的数量，t＝1,2,3,…,T，T为获取的待分析的脊柱的轨迹数据中椎体区域中坐标点的数量。
4.根据权利要求1所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：所述分析与计算子系统包括：Cobb角测量计算模块、ATR测量计算模块、旋转角分析模块、胸曲和腰曲分析模块；
所述Cobb角测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算Cobb角；
所述ATR测量计算模块，用于基于待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的底点的坐标信息计算ATR，其中ATR表示最高点的横向平移相对于整个侧弯高度的比例；
所述旋转角分析模块用于基于待分析的脊柱的轨迹数据计算脊柱的旋转角；
所述胸曲和腰曲分析模块，用于基于待分析的脊柱的轨迹数据分析脊柱在矢状面上的生理性曲度，即为胸曲和腰曲。
5.根据权利要求4所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：计算Cobb角的具体步骤如下：
读取待分析的脊柱的轨迹数据中的上端椎体区域的顶点和下端椎体区域的下端底点的坐标信息，并分别记为A点和B点；
基于计算机图像处理技术，并以A、B点分别作垂直于上端椎体区域上缘、下端椎体区域下缘的垂直线，将两条垂直线的交点记为C点；
分别取线段AC、BC的中点，并分别作垂直于线段AC、BC的中点的垂直线；
两条垂直线的交角即为Cobb角。
6.根据权利要求5所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：计算ATR的具体步骤如下：
读取A点和B点的坐标信息；
基于A点和B点的坐标信息分别计算椎体轴上的长度以及高度差；
基于脊柱体轴长度以及高度差计算ATR，其计算公式如下：
其中，为椎体轴上的长度，|yB-yA|为高度差。
7.根据权利要求6所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：计算脊柱的旋转角的具体步骤如下：
分别读取各椎体区域的各坐标点的坐标信息，分别将各锥体的坐标中点视为各锥体的中心，并将其视为各自的局部坐标系；
基于待分析的脊柱的轨迹数据获取每个锥体的姿态信息，所述姿态信息记为方向向量；
基于旋转矩阵将各椎体区域的局部坐标系中的各坐标点的坐标信息以及姿态信息转换至全局坐标系中，获得各椎体在全局坐标系中的各坐标点的坐标信息以及姿态信息；
并基于旋转矩阵中提取脊柱的旋转角。
8.根据权利要求7所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：分析脊柱的胸曲和腰曲的具体步骤如下：
读取各椎体区域的各侧缘点的坐标信息；
并将各椎体区域的各侧缘点的坐标信息带入至曲率计算模型中，得到各椎体区域的各侧缘点的坐标信息的曲率值，并分别与设定的胸曲阈值和腰曲阈值进行比较；
将坐标信息的曲率值大于胸曲阈值的各侧缘点部分记为胸曲，将坐标信息的曲率值小于腰曲阈值的各侧缘点部分记为腰曲；
其中，曲率计算模型具体为：
其中，Krm为第r个椎体区域中的m个侧缘点的坐标信息的曲率值，y″rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的二阶导数，y′rm为第r个椎体区域中的m个侧缘点的坐标信息带入至曲线模型y＝f(x)中的y关于x的一阶导数，r＝1,2,3,…,C，C为椎体区域的数量，m＝1,2,3,…,F，F为椎体区域中坐标点的数量。
9.根据权利要求8所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：计算评估指标的公式如下：
PGz＝α1*Cobb′+α2*ATR+α3*Xz；
其中，PGz为评估指标，Cobb′为Cobb角，Xz为旋转角，α1、α2、α3分别为Cobb′、ATR、Xz的比例系数，并且α1+α2+α3＝1。
10.根据权利要求9所述的一种基于关键点检测的脊柱畸形分析系统，其特征在于：基于计算得到的评估指标对脊柱进行分析具体为：
将评估指标进行标准处理，所上述标准处理为：将评估指标化成百分数，百分数的范围具体为：0≤PGz％≤100％；
当评估指标处于90％至100％之间，将此脊柱视为正常；
当评估指标处于70％至89％之间，将此脊柱视为轻度异常，并发出预警提示，所述预警提示具体为：改变坐姿、保持正确的站立姿势，进行适当的体育锻炼；
当评估指标处于50％至69％之间，将此脊柱视为中度异常，同时对脊柱的Cobb′、ATR进行进一步的分析，并自动生成自主康复治疗方案；
当评估指标处于0％至49％之间，将此脊柱视为严重异常，并同时发出警报信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205610.9A CN117838097A (zh) | 2024-02-23 | 2024-02-23 | 一种基于关键点检测的脊柱畸形分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205610.9A CN117838097A (zh) | 2024-02-23 | 2024-02-23 | 一种基于关键点检测的脊柱畸形分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117838097A true CN117838097A (zh) | 2024-04-09 |
Family
ID=90538403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410205610.9A Pending CN117838097A (zh) | 2024-02-23 | 2024-02-23 | 一种基于关键点检测的脊柱畸形分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117838097A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118021499A (zh) * | 2024-04-12 | 2024-05-14 | 中国医学科学院北京协和医院 | 脊柱矫形系统 |
| CN118098478A (zh) * | 2024-04-29 | 2024-05-28 | 济南圣力科技有限公司 | 一种体检信息分析管理系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110021914A1 (en) * | 2009-07-27 | 2011-01-27 | The Hong Kong Polytechnic University | Three-dimensional (3d) ultrasound imaging system for assessing scoliosis |
| US20180368734A1 (en) * | 2017-06-23 | 2018-12-27 | Korea Advanced Institute Of Science And Technology | Method for providing age-related gait motion trasnformation based on biomechanical observations and an appratus using it |
| KR102302646B1 (ko) * | 2021-04-14 | 2021-09-15 | 지미경 | 척추측만증을 예측 및 진단하기 위한 전자 장치 및 그 동작 방법 |
| CN113647939A (zh) * | 2021-08-26 | 2021-11-16 | 复旦大学 | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 |
| CN113786188A (zh) * | 2021-08-05 | 2021-12-14 | 芙索特(上海)医疗科技有限公司 | 一种脊柱侧弯检测装置及脊柱侧弯检测方法 |
| CN114287915A (zh) * | 2021-12-28 | 2022-04-08 | 深圳零动医疗科技有限公司 | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 |
| CN114343615A (zh) * | 2021-12-27 | 2022-04-15 | 北京易迈医疗科技有限公司 | 一种脊椎侧弯手术中的姿态测量系统 |
| US20220142562A1 (en) * | 2018-08-28 | 2022-05-12 | Ahmet ALANAY | Calculation and analysis method, planning and application platform that personalizes the mathematical definition of spinal alignment and shape |
| CN114943686A (zh) * | 2022-04-19 | 2022-08-26 | 中国人民解放军总医院第一医学中心 | 一种脊柱三维定位系统 |
| CN115880281A (zh) * | 2023-01-20 | 2023-03-31 | 山西省财政税务专科学校 | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 |
| CN219594598U (zh) * | 2022-12-16 | 2023-08-29 | 乔山旭 | 一种可直接读数方式的脊柱侧弯测量器 |
| CN117079308A (zh) * | 2023-07-24 | 2023-11-17 | 北京蓝田医疗设备有限公司 | 人体骨性标志点检测方法、评估系统、设备及存储介质 |
| CN117379036A (zh) * | 2023-12-07 | 2024-01-12 | 北京维卓致远医疗科技发展有限责任公司 | 一种脊柱侧凸测量系统及设备 |
| CN117409972A (zh) * | 2023-11-28 | 2024-01-16 | 中国医学科学院生物医学工程研究所 | 一种基于足底压力监测的脊柱侧弯程度的评估方法 |
| US20240023809A1 (en) * | 2020-01-31 | 2024-01-25 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Detection of Musculoskeletal Anomalies |
-
2024
- 2024-02-23 CN CN202410205610.9A patent/CN117838097A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497821A (zh) * | 2009-07-27 | 2012-06-13 | 香港理工大学 | 用于评估脊柱侧凸的三维（3d）超声成像系统 |
| US20110021914A1 (en) * | 2009-07-27 | 2011-01-27 | The Hong Kong Polytechnic University | Three-dimensional (3d) ultrasound imaging system for assessing scoliosis |
| US20180368734A1 (en) * | 2017-06-23 | 2018-12-27 | Korea Advanced Institute Of Science And Technology | Method for providing age-related gait motion trasnformation based on biomechanical observations and an appratus using it |
| US20220142562A1 (en) * | 2018-08-28 | 2022-05-12 | Ahmet ALANAY | Calculation and analysis method, planning and application platform that personalizes the mathematical definition of spinal alignment and shape |
| US20240023809A1 (en) * | 2020-01-31 | 2024-01-25 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Detection of Musculoskeletal Anomalies |
| KR102302646B1 (ko) * | 2021-04-14 | 2021-09-15 | 지미경 | 척추측만증을 예측 및 진단하기 위한 전자 장치 및 그 동작 방법 |
| CN113786188A (zh) * | 2021-08-05 | 2021-12-14 | 芙索特(上海)医疗科技有限公司 | 一种脊柱侧弯检测装置及脊柱侧弯检测方法 |
| CN113647939A (zh) * | 2021-08-26 | 2021-11-16 | 复旦大学 | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 |
| CN114343615A (zh) * | 2021-12-27 | 2022-04-15 | 北京易迈医疗科技有限公司 | 一种脊椎侧弯手术中的姿态测量系统 |
| CN114287915A (zh) * | 2021-12-28 | 2022-04-08 | 深圳零动医疗科技有限公司 | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 |
| CN114943686A (zh) * | 2022-04-19 | 2022-08-26 | 中国人民解放军总医院第一医学中心 | 一种脊柱三维定位系统 |
| CN219594598U (zh) * | 2022-12-16 | 2023-08-29 | 乔山旭 | 一种可直接读数方式的脊柱侧弯测量器 |
| CN115880281A (zh) * | 2023-01-20 | 2023-03-31 | 山西省财政税务专科学校 | 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法 |
| CN117079308A (zh) * | 2023-07-24 | 2023-11-17 | 北京蓝田医疗设备有限公司 | 人体骨性标志点检测方法、评估系统、设备及存储介质 |
| CN117409972A (zh) * | 2023-11-28 | 2024-01-16 | 中国医学科学院生物医学工程研究所 | 一种基于足底压力监测的脊柱侧弯程度的评估方法 |
| CN117379036A (zh) * | 2023-12-07 | 2024-01-12 | 北京维卓致远医疗科技发展有限责任公司 | 一种脊柱侧凸测量系统及设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118021499A (zh) * | 2024-04-12 | 2024-05-14 | 中国医学科学院北京协和医院 | 脊柱矫形系统 |
| CN118021499B (zh) * | 2024-04-12 | 2024-07-26 | 中国医学科学院北京协和医院 | 脊柱矫形系统 |
| CN118098478A (zh) * | 2024-04-29 | 2024-05-28 | 济南圣力科技有限公司 | 一种体检信息分析管理系统 |
| CN118098478B (zh) * | 2024-04-29 | 2024-07-05 | 济南圣力科技有限公司 | 一种体检信息分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| WO2020224123A1 (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
| CN117838097A (zh) | 一种基于关键点检测的脊柱畸形分析系统 | |
| CN113284126B (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
| CN115222937A (zh) | 一种脊柱侧弯检测方法及装置 | |
| CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
| CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
| US11980491B2 (en) | Automatic recognition method for measurement point in cephalo image | |
| CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
| Lu et al. | Landmark localization for cephalometric analysis using multiscale image patch-based graph convolutional networks | |
| Chen et al. | Computerized‐Assisted Scoliosis Diagnosis Based on Faster R‐CNN and ResNet for the Classification of Spine X‐Ray Images | |
| CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
| Khalid et al. | Automated Cobb’s Angle Measurement for Scoliosis Diagnosis Using Deep Learning Technique | |
| CN115829920A (zh) | 用于根据图像自动确定脊柱变形的方法和设备 | |
| CN113077874B (zh) | 基于红外热像的脊椎疾病康复智能辅助诊疗系统及方法 | |
| Wang et al. | A deep registration method for accurate quantification of joint space narrowing progression in rheumatoid arthritis | |
| CN115719329A (zh) | 基于深度学习对ra超声模态滑膜评分融合的方法及系统 | |
| CN114831596A (zh) | 一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法 | |
| CN116821577B (zh) | 基于tpss算法在剂量计算中计算各向异性函数的方法 | |
| WO2022185517A1 (ja) | 三次元ランドマーク自動認識を用いた人体の三次元表面形態評価方法及び三次元表面形態評価システム | |
| CN117765062B (zh) | 用于青少年脊柱侧弯检测的图像处理方法及系统 | |
| JP7395143B2 (ja) | 三次元ランドマーク自動認識を用いた人体の三次元表面形態評価方法及び三次元表面形態評価システム | |
| CN113674261B (zh) | 骨骼检测方法、系统、电子设备和存储介质 | |
| Anbazhagan | ARTIFICIAL NEURAL NETWORKS TO DETECT FACIAL ABNORMALITIES THROUGH CEPHALOMETRIC RADIOGRAPHY USING BJORK ANALYSIS. | |
| He et al. | Age and sex estimation in cephalometric radiographs based on multitask convolutional neural networks |
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 |