TW202318439A - 前後骨盆放射影像分析方法及系統 - Google Patents
前後骨盆放射影像分析方法及系統 Download PDFInfo
- Publication number
- TW202318439A TW202318439A TW110138588A TW110138588A TW202318439A TW 202318439 A TW202318439 A TW 202318439A TW 110138588 A TW110138588 A TW 110138588A TW 110138588 A TW110138588 A TW 110138588A TW 202318439 A TW202318439 A TW 202318439A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- pelvic
- radiographic
- classification
- images
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本發明揭露一種前後骨盆放射影像分析方法及系統,分析方法包含以下步驟:輸入複數個骨盆訓練影像;進行複數個骨盆訓練影像的髖關節重點區域運算,標示複數個骨盆影像當中的重點區域影像;進行重點區域影像的髖關節分類運算,檢測對應重點區域影像的影像分類;建立前後骨盆放射影像分析模型;輸入前後骨盆放射影像,進行髖關節重點區域運算及髖關節分類運算,取得對應的重點區域影像及影像分類;以及將分類結果輸出。
Description
本發明是關於一種前後骨盆放射影像分析方法及系統,特別是關於一種自動偵測兩側髖部位置並判斷影像分類及推薦手術的前後骨盆放射影像分析方法及系統。
前後骨盆(Anteroposterior Pelvic, AP)放射影像是對醫療人員用來診斷髖部骨折、發炎、壞死等髖部疾病的重要工具,通過影像上的呈現,醫生能判斷患者髖部是否罹患相關疾病,以及是否需要對應的治療。然而,對於放射影像的判讀,需要有經驗的醫師或者放射線技師,以人工方式進行判讀。這往往耗費大量的人力及時間,且依據閱片經驗差異,對於判讀的準確性也容易產生影響,難以迅速且準確的提供前後骨盆放射影像的判讀結果。
基於深度學習之電腦分析醫學影像,以此做為判讀結果來輔助診斷的作法已逐漸受到重視,通過影像分析來判讀放射影像所呈現的患部狀態,是許多研究欲達成的目標。不過現有的分析方式,需要對影像進行前處理來標示分析區域,仍需有經驗的閱片者,無法達到自動分析的效果。若直接以原始圖像進行分析,其分析結果的準確性則難以達到預期的水準。
有鑑於此,雖然目前已有針對影像進行分析判讀的方法或設備,但現有的方法仍有其侷限性,且難以確保其分析結果的正確性。對此,本發明之發明人思索並設計一種前後骨盆放射影像分析方法及系統,針對現有技術之缺失加以改善,進而增進產業上之實施利用。
有鑑於上述習知技術之問題,本發明之目的就是在提供一種前後骨盆放射影像分析方法及系統,以解決習知之檢測方法或檢測裝置難以自動分析且準確率不佳之問題。
根據本發明之一目的,提出一種前後骨盆放射影像分析方法,其包含以下步驟:通過輸入裝置輸入複數個骨盆訓練影像,將複數個骨盆訓練影像儲存於儲存裝置;藉由處理器存取儲存裝置,進行複數個骨盆訓練影像的髖關節重點區域運算,標示複數個骨盆影像當中的重點區域影像;藉由處理器存取儲存裝置,進行重點區域影像的髖關節分類運算,檢測對應重點區域影像的影像分類,將複數個骨盆訓練影像及其對應的重點區域影像及影像分類儲存於儲存裝置;藉由處理器進行深度卷積神經網路運算程序,建立前後骨盆放射影像分析模型;通過輸入裝置輸入前後骨盆放射影像,藉由處理器進行前後骨盆放射影像分析模型當中的髖關節重點區域運算及髖關節分類運算,取得對應前後骨盆放射影像的重點區域影像及影像分類;以及通過輸出裝置將重點區域影像及影像分類輸出。
較佳地,影像分類可包含骨折、骨關節炎、骨質疏鬆、無血管壞死、股骨髖臼撞擊或上述之組合。
較佳地,影像分類還可包含對應各影像分類的建議手術。
較佳地,輸入裝置可包含放射影像擷取裝置。
較佳地,輸出裝置可包含顯示器。
根據本發明之另一目的,提出一種前後骨盆放射影像分析系統,其包含輸入裝置、儲存裝置、處理器以及輸出裝置。其中,輸入裝置輸入複數個骨盆訓練影像及前後骨盆放射影像。儲存裝置連接於輸入裝置,儲存複數個骨盆訓練影像及前後骨盆放射影像。處理器連接於儲存裝置,執行複數個指令存取儲存裝置以進行下列步驟:進行複數個骨盆訓練影像的髖關節重點區域運算,標示複數個骨盆影像當中的重點區域影像;進行重點區域影像的髖關節分類運算,檢測對應重點區域影像的影像分類;進行深度卷積神經網路運算程序,建立前後骨盆放射影像分析模型;以及進行前後骨盆放射影像分析模型當中的髖關節重點區域運算及髖關節分類運算,取得對應前後骨盆放射影像的重點區域影像及影像分類。輸出裝置將重點區域影像及影像分類輸出。
較佳地,影像分類可包含骨折、骨關節炎、骨質疏鬆、無血管壞死、股骨髖臼撞擊或上述之組合。
較佳地,影像分類還可包含對應各該影像分類的建議手術。
較佳地,輸入裝置可包含放射影像擷取裝置。
較佳地,輸出裝置可包含顯示器。
承上所述,依本發明之前後骨盆放射影像分析方法及系統,其可具有一或多個下述優點:
(1) 此前後骨盆放射影像分析方法及系統能將整張放射影像直接匯入,無須進行影像的前處理,通過髖關節重點區域運算自動標示雙側髖關節,減少進行前處理所需的人力成本,提升影像分析效率。
(2) 此前後骨盆放射影像分析方法及系統能夠透過機器學習或深度學習的演算法來建立分析模型,對髖關節重點區域進行運算以判斷影像分類,作為影像判讀的參考,且可提供對應處置的方案,作為客觀且準確的輔助資訊。
(3) 此前後骨盆放射影像分析方法及系統能通過髖關節重點區域運算標示後進行影像分類運算,針對特定部位進行分析,並藉由導入視覺化影像的方式提升骨盆放射影像分析及判讀的正確率。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下,而其中所使用之圖式,其主旨僅為示意及輔助說明書之用,未必為本發明實施後之真實比例與精準配置,故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍,合先敘明。
請參閱第1圖,其係為本發明實施例之前後骨盆放射影像分析方法之流程圖。如圖所示,二維材料薄膜檢測方法包含以下步驟(S1~S6):
步驟S1:通過輸入裝置輸入複數個骨盆訓練影像,將複數個骨盆訓練影像儲存於儲存裝置。首先,通過輸入裝置將複數個X-射線、電腦斷層(CT)掃描或核磁共振造影(MRI)的骨盆放射影像輸入至系統的儲存裝置當中,這裡所述的輸入裝置可包含取得放射影像的X-射線(放射線顯影) 掃描器、電腦斷層(CT)掃描器或核磁共振造影(MRI)掃描器,也可包含影像檔案處理的電腦裝置,由醫療機構或研究單位的資料庫中存取骨盆影像資料,儲存於儲存裝置當中來做為建構分析模型的訓練影像。
在本實施例中,輸入的骨盆影像的尺寸可為500x500像素至3000x3000像素之間。在其他實施例中,骨盆影像的尺寸可小於或大約為3000x3000像素、小於或大約為2000x2000像素、小於或大約為1500x1500像素、小於或大約為1200x1200像素、小於或大約為1000x1000像素、小於或大約為900x900像素、小於或大約為800x800像素、小於或大約為700x700像素、小於或大約為600x600像素或小於或大約為512x512像素。
步驟S2:藉由處理器存取儲存裝置,進行複數個骨盆訓練影像的髖關節重點區域運算,標示複數個骨盆影像當中的重點區域影像。在取得複數個骨盆訓練影像的資料後,藉由深度學習卷積神經網路的演算法進行髖關節重點區域運算,將上述影像作為辨識髖關節重點區域的訓練資料,通過上述演算法,找出骨盆影像的特徵,並藉由影像原本標示區域的特徵比對,取得影像當中的重點區域影像。在本實施例中,重點區域(Region of interest, ROI)影像是指髖關節重點區域的影像,對應於兩側髖部位置,藉由標示出重點區域影像,使得後續影像檢測分類能集中於特定區域。由於整張影像所需分析運算的像素較高,若直接分析原始影像會增加處理器運算的負擔,且增加運算時間,且分析判斷主要是藉由重點區域的內容來判斷,藉由標示重點區域影像來進行分析,可避免影像中其他區域像素的干擾影響後續的分類結果。
舉例來說,若輸入的骨盆影像的尺寸為1000x1000像素,通過標示重點區域後的影像為100 x100像素,則處理器所需的運算量僅為原始影像的1/100,有效降低運算時間。其他區域影像,即便有影像品質不佳或有其他雜訊,都不會對後續分析產生影響,對原始輸入影像的要求也能降低影像品質的限制,不會因為影像品質不佳而影像分析結果。
這裡的髖關節重點區域運算包含了複數個卷積層(convolution layer)、觸發層(activation layer)及池化層(pooling layer)的運算,這些卷積層、觸發層及池化層的運算準則可儲存在電腦或伺服器當中,利用電腦或伺服器當中之處理器執行指令來進行各層的運算程序。
步驟S3:藉由處理器存取儲存裝置,進行重點區域影像的髖關節分類運算,檢測對應重點區域影像的影像分類,將複數個骨盆訓練影像及其對應的重點區域影像及影像分類儲存於儲存裝置。在取得重點區域影像後,再針對重點區域影像進行深度學習卷積神經網路的髖關節分類運算,辨識重點區域影像的影像特徵,再與訓練影像的診斷結果連結,檢測重點區域影像的影像分類。這裡所述的影像特徵,即對應於重點區域影像當中關節骨骼的破壞程度,藉由不同程度的影像特徵,可以對應到不同影像分類,包含骨折、骨關節炎、骨質疏鬆、無血管壞死、股骨髖臼撞擊或上述之組合,即對應於髖關節疾病的類型。重點區域影像的影像分類可包含影像特徵屬於各種髖關節疾病的比例,藉由檢測比例高低判斷影像代表的疾病種類。
重點區域影像的髖關節分類運算同樣包含了複數個卷積層、觸發層及池化層的卷積神經網路運算,這些運算準則配合前述種點區域影像運算的內容加以調整,同樣儲存在電腦或伺服器當中,利用電腦或伺服器當中之處理器執行指令來進行各層的運算程序。
在本實施例中,影像分類還可連結到對應的手術處置方法,對於不同疾病種類,可設定對應的建議處置手術,藉由建議的處置方案,提供醫療人員診斷的建議。
步驟S4:藉由處理器進行深度卷積神經網路運算程序,建立前後骨盆放射影像分析模型。在執行上述步驟後,通過訓練影像的運算將髖關節重點區域運算及髖關節分類運算的參數或權重進行調整,建立符合前後骨盆放射影像的分析模型。參數或權重調整可藉由修改深度學習卷積神經網路的運算程式,並將其儲存於分析電腦的操作指令當中。
步驟S5:通過輸入裝置輸入前後骨盆放射影像,藉由處理器進行前後骨盆放射影像分析模型當中的髖關節重點區域運算及髖關節分類運算,取得對應前後骨盆放射影像的重點區域影像及影像分類。當放射線攝影裝置或經由影像擷取裝置取得待測的前後骨盆放射影像,將影像通過處理器執行運算程式,進行髖關節重點區域運算及髖關節分類運算,通過前後骨盆放射影像的分析模型取得對應的重點區域影像及影像分類。
步驟S6:通過輸出裝置將重點區域影像及影像分類輸出。經過上述程序步驟辨識前後骨盆放射影像後,能取得影像當中的重點區域影像及其對應的影像分類,這些結果可進一步通過輸出裝置輸出。輸出時,重點區域影像可通過不同顏色標示來呈現關節骨骼的受損程度,配合判斷的影像分類來協助醫療人員或判讀人員了解患者狀態。這裡所述的輸出裝置可包含各種顯示器,包含電腦螢幕、顯示器或手持裝置顯示螢幕等,將分析結果傳送至對應的醫療人員或判讀人員,協助其診斷患者髖部的狀態,並提出手術或其他處置的建議。
請參閱第2A圖及第2B圖,其係為本發明實施例之骨盆放射影像之示意圖。其中,第2A圖為右側骨盆放射影像之示意圖,第2B圖為左側骨盆放射影像之示意圖。在第2A圖中,右側骨盆放射影像經由前述影像分析方法進行運算後,通過髖關節重點區域運算取得圖中的重點區域影像11,再藉由髖關節分類運算分析骨骼受損程度,將其以視覺化影像12呈現,判讀人員對應可與原有影像比對,判斷患者的影像分類,其中,髖部影像分類為正常髖部影像的信心水準為96.36%。在第2B圖中,左側骨盆放射影像經由前述影像分析方法進行運算後,可以通過髖關節重點區域運算取得圖中的重點區域影像13,並經由髖關節分類運算產生視覺化影像14,判讀人員同樣能依據原有影像與色彩標示的狀態來對應患者所屬的影像分類,其中,髖部影像分類為需要進行手術的信心水準為99.56%。
請參閱第3圖,其係為本發明實施例之前後骨盆放射影像分析系統之流程圖。如圖所示,前後骨盆放射影像分析系統20包含輸入裝置21、儲存裝置22、處理器23以及輸出裝置24。其中,輸入裝置21可包含X-射線(放射線顯影) 掃描器、電腦斷層(CT)掃描器或核磁共振造影(MRI)掃描器等放射影像擷取裝置,或者包含個人電腦、智慧型手機、伺服器等電子裝置的輸入界面,通過檔案傳輸方式輸入複數個骨盆訓練影像及前後骨盆放射影像。上述骨盆訓練影像及前後骨盆放射影像可儲存在連接於輸入裝置21的儲存裝置22當中,儲存裝置22包含唯讀記憶體、快閃記憶體、磁碟或是雲端資料庫等儲存媒體。
處理器23連接於儲存裝置22,執行複數個指令存取儲存裝置22以進行下列步驟:進行複數個骨盆訓練影像的髖關節重點區域運算,標示複數個骨盆影像當中的重點區域影像;進行重點區域影像的髖關節分類運算,檢測對應重點區域影像的影像分類;進行深度卷積神經網路運算程序,建立前後骨盆放射影像分析模型;以及進行前後骨盆放射影像分析模型當中的髖關節重點區域運算及髖關節分類運算,取得對應前後骨盆放射影像的重點區域影像及影像分類。上述影像分析的步驟參照前述實施例,相同內容不再重複描述。
當分析步驟取得重點區域影像及對應的影像分類後,可藉由輸出裝置24將分析結果輸出。輸出方式可通過有線或無線網路傳輸方式將結果傳送到醫護人員或檢驗人員的電腦主機、筆記型電腦或平板電腦,通過分析結果協助診斷或提供進一步處置的建議。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
20:前後骨盆放射影像分析系統
21:輸入裝置
11,13:重點區域影像
12,14:視覺化影像
22:儲存裝置
23:處理器
24:輸出裝置
S1~S6:步驟
為使本發明之技術特徵、內容與優點及其所能達成之功效更為顯而易見,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下:
第1圖係為本發明實施例之前後骨盆放射影像分析方法之流程圖。
第2A圖及第2B圖係為本發明實施例之骨盆放射影像之示意圖。
第3圖係為本發明實施例之骨盆放射影像分析系統之示意圖。
S1~S6:步驟
Claims (10)
- 一種前後骨盆放射影像分析方法,其包含以下步驟: 通過一輸入裝置輸入複數個骨盆訓練影像,將該複數個骨盆訓練影像儲存於一儲存裝置; 藉由一處理器存取該儲存裝置,進行該複數個骨盆訓練影像的一髖關節重點區域運算,標示該複數個骨盆影像當中的一重點區域影像; 藉由該處理器存取該儲存裝置,進行該重點區域影像的一髖關節分類運算,檢測對應該重點區域影像的一影像分類,將該複數個骨盆訓練影像及其對應的該重點區域影像及該影像分類儲存於該儲存裝置; 藉由該處理器進行一深度卷積神經網路運算程序,建立一前後骨盆放射影像分析模型; 通過該輸入裝置輸入一前後骨盆放射影像,藉由該處理器進行該前後骨盆放射影像分析模型當中的該髖關節重點區域運算及該髖關節分類運算,取得對應該前後骨盆放射影像的該重點區域影像及該影像分類;以及 通過一輸出裝置將該重點區域影像及該影像分類輸出。
- 如請求項1所述之前後骨盆放射影像分析方法,其中該影像分類包含骨折、骨關節炎、骨質疏鬆、無血管壞死、股骨髖臼撞擊或上述之組合。
- 如請求項2所述之前後骨盆放射影像分析方法,其中該影像分類還包含對應各該影像分類的建議手術。
- 如請求項1所述之前後骨盆放射影像分析方法,其中該輸入裝置包含放射影像擷取裝置。
- 如請求項1所述之前後骨盆放射影像分析方法,其中該輸出裝置包含顯示器。
- 一種前後骨盆放射影像分析系統,其包含: 一輸入裝置,輸入複數個骨盆訓練影像及一前後骨盆放射影像; 一儲存裝置,連接於該輸入裝置,儲存該複數個骨盆訓練影像及該前後骨盆放射影像; 一處理器,連接於該儲存裝置,執行複數個指令存取該儲存裝置以進行下列步驟: 進行該複數個骨盆訓練影像的一髖關節重點區域運算,標示該複數個骨盆影像當中的一重點區域影像; 進行該重點區域影像的一髖關節分類運算,檢測對應該重點區域影像的一影像分類; 進行一深度卷積神經網路運算程序,建立一前後骨盆放射影像分析模型;以及 進行該前後骨盆放射影像分析模型當中的該髖關節重點區域運算及該髖關節分類運算,取得對應該前後骨盆放射影像的該重點區域影像及該影像分類;以及 一輸出裝置,將該重點區域影像及該影像分類輸出。
- 如請求項6所述之前後骨盆放射影像分析系統,其中該影像分類包含骨折、骨關節炎、骨質疏鬆、無血管壞死、股骨髖臼撞擊或上述之組合。
- 如請求項6所述之前後骨盆放射影像分析系統,其中該影像分類還包含對應各該影像分類的建議手術。
- 如請求項6所述之前後骨盆放射影像分析系統,其中該輸入裝置包含放射影像擷取裝置。
- 如請求項6所述之前後骨盆放射影像分析系統,其中該輸出裝置包含顯示器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110138588A TWI810680B (zh) | 2021-10-18 | 2021-10-18 | 前後骨盆放射影像分析方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110138588A TWI810680B (zh) | 2021-10-18 | 2021-10-18 | 前後骨盆放射影像分析方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202318439A true TW202318439A (zh) | 2023-05-01 |
TWI810680B TWI810680B (zh) | 2023-08-01 |
Family
ID=87378913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110138588A TWI810680B (zh) | 2021-10-18 | 2021-10-18 | 前後骨盆放射影像分析方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI810680B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10478134B2 (en) * | 2017-09-26 | 2019-11-19 | General Electric Company | Systems and methods for improved diagnostics for nuclear medicine imaging |
US10973486B2 (en) * | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
JP7336309B2 (ja) * | 2018-08-19 | 2023-08-31 | チャン グァン メモリアル ホスピタル,リンコウ | 医療画像の分析方法、システムおよびモデル |
US11779222B2 (en) * | 2019-07-10 | 2023-10-10 | Compal Electronics, Inc. | Method of and imaging system for clinical sign detection |
CN111462138B (zh) * | 2020-04-06 | 2022-10-14 | 华中科技大学 | 一种针对病变髋关节图像的半自动的分割方法和装置 |
CN111563901B (zh) * | 2020-04-15 | 2023-08-08 | 中国科学院苏州生物医学工程技术研究所 | 基于磁共振的髋关节图像处理方法及系统、存储介质、设备 |
CN112634283A (zh) * | 2020-12-22 | 2021-04-09 | 华中科技大学 | 使用小样本图像训练的髋关节分割模型建立方法及其应用 |
-
2021
- 2021-10-18 TW TW110138588A patent/TWI810680B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI810680B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7466928B2 (ja) | 人工知能の術中外科的ガイダンスシステムと使用方法 | |
CN111401398B (zh) | 用于根据人工智能检测输出确定疾病进展的系统和方法 | |
JP4652023B2 (ja) | 病気の発見に役立つ画像データの処理方法及び装置 | |
US8957955B2 (en) | Method and apparatus for automated quality assurance in medical imaging | |
Aubert et al. | 3D reconstruction of rib cage geometry from biplanar radiographs using a statistical parametric model approach | |
US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
Korez et al. | A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X-ray images: performance evaluation | |
US20180096477A1 (en) | Automated scan quality monitoring system | |
Sorkhabi et al. | Classification of alveolar bone density using 3-D deep convolutional neural network in the cone-beam CT images: A 6-month clinical study | |
Robinson et al. | Evaluation of four-dimensional computed tomography as a technique for quantifying carpal motion | |
Suri et al. | Vertebral deformity measurements at MRI, CT, and radiography using deep learning | |
US11704796B2 (en) | Estimating bone mineral density from plain radiograph by assessing bone texture with deep learning | |
Arbabi et al. | Statistical shape model of the talus bone morphology: A comparison between impinged and nonimpinged ankles | |
US20220399107A1 (en) | Automated protocoling in medical imaging systems | |
Khanduja et al. | Patient‐specific assessment of dysmorphism of the femoral head–neck junction: a statistical shape model approach | |
TWI810680B (zh) | 前後骨盆放射影像分析方法及系統 | |
Babel et al. | A registration method for three-dimensional analysis of bone mineral density in the proximal tibia | |
CN107256544A (zh) | 一种基于vcg16的前列腺癌图像诊断方法及系统 | |
Nehrer et al. | AI in musculoskeletal radiology | |
Bhatnagar et al. | A Review on the Use of Artificial Intelligence in Fracture Detection | |
KR102647251B1 (ko) | 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스 | |
JP2021532903A (ja) | 医療装置を撮像するためのコンセンサス面の決定 | |
Bao et al. | Automatic Identification and Segmentation of Orbital Blowout Fractures Based on Artificial Intelligence | |
WO2023224022A1 (ja) | プログラム、情報処理方法、及び情報処理装置 | |
WO2022070528A1 (ja) | 医用画像処理装置、方法およびプログラム |