TWI759946B - 脊柱量測及狀態評估方法 - Google Patents
脊柱量測及狀態評估方法 Download PDFInfo
- Publication number
- TWI759946B TWI759946B TW109138599A TW109138599A TWI759946B TW I759946 B TWI759946 B TW I759946B TW 109138599 A TW109138599 A TW 109138599A TW 109138599 A TW109138599 A TW 109138599A TW I759946 B TWI759946 B TW I759946B
- Authority
- TW
- Taiwan
- Prior art keywords
- vertebral body
- candidate
- target
- image
- image data
- Prior art date
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一種脊柱量測及狀態評估方法,包含根據一椎體影像執行的下列步驟:定位步驟是標示第一至第四端點,繪線步驟是產生多條連接第一及第二端點的候選上緣,及多條連接第三及第四端點的候選下緣,量測步驟是產生一自該等候選上緣至該等候選下緣的最短距離值。選擇步驟是根據該最短距離值,在該等候選上緣及該等候選下緣中分別選取一目標上緣及一目標下緣。計算步驟包括一第一計算子步驟,是產生一自該目標上緣至該目標下緣的最長距離值,並計算該最短距離值與該最長距離值的比例,產生一含有該椎體影像之椎體高度縮減比例的第一評估結果。
Description
本發明是有關於一種評估方法,特別是指一種脊柱量測及狀態評估方法。
人體骨骼的骨量將隨著年紀增長而逐漸流失,在骨量流失過多時將導致骨質疏鬆症,並容易受到跌倒等外力的影響而引發脊椎壓迫性骨折。就脊椎壓迫性骨折的評估而言,一般是先拍攝患部的X光等影像,再由醫師以肉眼直接判讀患部影像。對於家醫科或復健科等非專科醫師而言,可能需要較長的時間及豐富的經驗才能正確判讀患部影像,病患需花費較多的時間等待醫師判讀,甚至需要轉診至較大規模的醫院,改由專科醫師進行判讀才能得知結果,不僅降低醫師的看診效率,且患部在等待期間將持續造成病患不適。
此外,依據衛生福利部所發布的骨質疏鬆症臨床治療指引,除了骨密度T值外,中老年人的脊椎X光影像所出現的至少一節壓迫性骨折,也能作為骨質疏鬆症的診斷依據。然而,健保給
付的骨質疏鬆症藥物種類將隨著診斷的分級而有所不同,由於現行的脊椎壓迫性骨折評估方法較為主觀,使得醫師與中央健康保險署間仍存在分級差異,而可能影響病患的權益,因此,現有的脊椎壓迫性骨折評估方法確實存在改善的空間。
因此,本發明之目的,即在提供一種能輔助醫師以客觀角度評估脊柱狀態的脊柱量測及狀態評估方法。
於是,本發明脊柱量測及狀態評估方法,適用於辨識一含有呈圓柱狀的該脊柱之多個椎體影像的灰階影像資料,並包含一準備一伺服端的預備步驟、一定位步驟、一繪線步驟、一量測步驟、一選擇步驟,及一計算步驟。
在該定位步驟中,該伺服端根據每一個椎體影像標示出一個第一端點、一與該第一端點橫向間隔的第二端點、一位於該第一端點相對下方的第三端點,及一位於該第二端點相對下方的第四端點。
在該繪線步驟中,該伺服端根據每一個椎體影像產生一連接該第一端點及該第三端點的第一側緣、一連接該第二端點及該第四端點的第二側緣、多條連接該第一端點及該第二端點的候選上緣,及多條連接該第三端點及該第四端點的候選下緣。
在該量測步驟中,該伺服端根據每一個椎體影像產生一自該等候選上緣至該等候選下緣的最短距離值。
在該選擇步驟中,該伺服端根據每一個椎體影像的最短距離值,在該等候選上緣中選取並標示其中一者作為一目標上緣,且在該等候選下緣中選取並標示其中一者作為一目標下緣。
該計算步驟包括一個第一計算子步驟,在該第一計算子步驟中,該伺服端根據每一個椎體影像產生一自該目標上緣至該目標下緣的最長距離值,並計算該最短距離值與該最長距離值的比例,而產生一含有對應的該椎體影像之椎體高度縮減比例的第一評估結果。
本發明之功效在於:藉由該定位步驟、該繪線步驟、該量測步驟,及該選擇步驟快速定位出該等椎體影像的外輪廓,並以該計算步驟計算出用以評估每一個椎體影像的變形程度是否落在正常範圍內的該第一評估結果,除了有助於協助醫師藉由數值化的資訊更快速地判定出脊柱壓迫性骨折,更能輔助判讀者以客觀的角度評估脊柱狀態,有效降低不同判讀者間對於脊柱壓迫性骨折程度的分級差異。
1:灰階影像資料
11、11a~11c:椎體影像
A1:第一端點
A2:第二端點
A3:第三端點
A4:第四端點
A5:上交點
A6:下交點
B:第一側緣
C:第二側緣
D、D1~D3:候選上緣
E、E1、E2:候選下緣
F、F1:目標上緣
F2、F2’:目標上緣
G、G1、G2:目標下緣
H1:上外影像區
H2:上內影像區
H3:下內影像區
H4:下外影像區
S1:預備步驟
S11:訓練子步驟
S12:影像處理子步驟
S2:定位步驟
S21:標記子步驟
S3:繪線步驟
S4:量測步驟
S5:選擇步驟
S51:確認子步驟
S52:校正子步驟
S6:計算步驟
S61:第一計算子步驟
S62:第二計算子步驟
S7:比對步驟
X、X1:最短距離值
X2、X2’:最短距離值
Y、Y1~Y3:最長距離值
本發明之其他的特徵及功效,將於參照圖式的實施方
式中清楚地呈現,其中:圖1是一方法流程圖,說明本發明脊柱量測及狀態評估方法的一實施例;圖2是一流程示意圖,說明該實施例的一定位步驟;圖3是一示意圖,說明該實施例的一繪線步驟及一量測步驟;圖4是一示意圖,說明該實施例的一選擇步驟;圖5是一示意圖,說明該選擇步驟的一校正子步驟;及圖6是一流程示意圖,說明該實施例的一計算步驟。
配合參閱圖1與圖2,本發明脊柱量測及狀態評估方法之一實施例,適用於輔助判讀者判讀含有多個椎體的該脊柱是否發生壓迫性骨折,並適用於辨識一含有多個概呈圓柱狀之椎體影像11的灰階影像資料1。該灰階影像資料1較佳為X光影像,優點為能快速取得影像且普及性高,但實際實施時只要取得能確實呈現每一個椎體的影像即可,並不以此為限。
該灰階影像資料1的傳輸標準是遵守醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,簡稱為DICOM),且該等組織影像在經過本實施例的處理後仍遵守DICOM,因此,有利於本實施例針對所拍攝的X光影像進行影
像處理及分析,並便於判讀者透過一醫學影像存檔與通信系統(Picture Archiving and Communication System,簡稱為PACS)直接調閱該灰階影像資料1,並能直接以慣用的影像瀏覽軟體進行瀏覽。
本實施例包含一預備步驟S1、一定位步驟S2、一繪線步驟S3、一量測步驟S4、一選擇步驟S5、一計算步驟S6,及一在該計算步驟S6後的比對步驟S7。
在該預備步驟S1中,是準備一例如為電腦的評估裝置(未繪示),但該評估裝置的種類並不以此為限。該評估裝置包括一適用於針對該灰階影像資料1進行處理的伺服端,及一供判讀者操作的使用端,該伺服端儲存有一經訓練過的類神經網路模型,及多筆與該灰階影像資料1歸屬於同一評估對象的歷史影像資料。該預備步驟S1包括一訓練子步驟S11,及一影像處理子步驟S12。
在該訓練子步驟S11中,是以深度學習方式訓練出該類神經網路模型,並將該類神經網路模型儲存在該伺服端。而在該影像處理子步驟S12中,該伺服端調整一相關於該灰階影像資料1的原始影像資料的亮度,而產生含有清晰化的該等椎體影像11的一高亮度影像資料、一中亮度影像資料,及一低亮度影像資料,再將清晰化的該等椎體影像11以拼接的方式合併而產生該灰階影像資料1。
由於在拍攝該灰階影像資料1中的過程中,可能因X光能量分布不均勻,使得在該灰階影像資料1中,可能會有一部分的該等椎體影像11發生過暗或過曝的現象,導致該等椎體影像11的外輪廓模糊而難以辨認,甚至影響判讀結果。因此,該伺服端將在該影像處理子步驟S12中視該原始影像資料的亮度分布狀況,分別針對該原始影像資料進行亮度調整。
例如,若該原始影像資料中即有能清楚分辨外輪廓的部分該等椎體影像11,即可將該原始影像資料作為該中亮度影像資料,將該原始影像資料的亮度調高而使過暗的部分該等椎體影像11清晰化,並產生該高亮度影像資料,再將該原始影像資料的亮度調低而使過曝的部分該等椎體影像11清晰化,並產生該低亮度影像資料,最後組合該高亮度影像資料、該中亮度影像資料,及該低亮度影像資料中清晰的該等椎體影像11,即可使該灰階影像資料1中的所有椎體影像11皆清晰化,而有利於後續判讀,可有效提升判讀速度及正確率。
為便於說明本實施例的執行方式,以下是以該伺服端針對其中一個椎體影像11進行處理及分析的流程作為示例,然而在實際使用時,該伺服端是同時針對該灰階影像資料1中的每一個椎體影像11,以同樣的方式進行處理及分析。
在該定位步驟S2中,該伺服端根據每一個椎體影像
11,如圖2所示地標示出一個第一端點A1、一與該第一端點A1橫向間隔的第二端點A2、一位於該第一端點A1相對下方的第三端點A3,及一位於該第二端點A2相對下方的第四端點A4。該定位步驟S2包括一適用於在該灰階影像資料1中標示該等椎體影像11的名稱的標記子步驟S21,舉例而言,可在該灰階影像資料1中標示該等椎體影像11的骨骼名稱(頸椎、胸椎、腰椎或薦椎等)及節數,藉此,判讀者便能快速得知該等椎體影像11的相關資訊,有利於後續比對或製作報告。
由於將原來為立體狀態的該脊柱拍攝為平面的該灰階影像資料1時,每一個椎體的各條輪廓線段將在該灰階影像資料1上交會而形成該第一端點A1、該第二端點A2、該第三端點A3,及該第四端點A4,也就是說,該第一端點A1、該第二端點A2、該第三端點A3,及該第四端點A4即為對應的該椎體中最為明顯的外輪廓特徵點。因此,即能以該第一端點A1、該第二端點A2、該第三端點A3,及該第四端點A4作為定位該椎體影像11的基準點,在拍攝該灰階影像資料1時即能精準定位出每一個椎體的外圍輪廓,能最有效的找出每一個椎體的最大範圍,而達到快速且精準定位的功效,且不受是否發生壓迫性骨折所影響。
在本實施例中,該訓練子步驟S11是先以人工在該灰階影像資料1上標示出該第一端點A1、該第二端點A2、該第三端點
A3,及該第四端點A4,即能以該第一端點A1、該第二端點A2、該第三端點A3,及該第四端點A4標示出對應的該椎體的外輪廓,接著再將標示後的多張灰階影像資料1以深度學習方式訓練出該類神經網路模型,使該類神經網路模型中含有該脊柱的圖形分布,再將該類神經網路模型儲存在該伺服端。
配合參閱圖1與圖3,在該繪線步驟S3中,該伺服端根據每一個椎體影像11,如圖3所示地產生一連接該第一端點A1及該第三端點A3的第一側緣B、一連接該第二端點A2及該第四端點A4的第二側緣C、多條連接該第一端點A1及該第二端點A2的候選上緣D,及多條連接該第三端點A3及該第四端點A4的候選下緣E。
配合參閱圖1、圖3與圖4,在該量測步驟S4中,該伺服端根據每一個椎體影像11,如圖3所示地產生一自該等候選上緣D至該等候選下緣E的最短距離值X。在該選擇步驟S5中,該伺服端根據每一個椎體影像11的最短距離值X,如圖3及圖4所示地在該等候選上緣D中選取並標示其中一者作為一目標上緣F,且在該等候選下緣E中選取並標示其中一者作為一目標下緣G。
配合參閱圖3至圖5,為便於說明,將圖3至圖5中位在該灰階影像資料1中最上方的該椎體影像11標示為11a,位在該灰階影像資料1中央的該椎體影像11標示為11b,將該等椎體影像11a、11b的該最短距離值X分別標示為X1、X2,將圖3中該椎體
影像11b的該等候選上緣D由上而下標示為D1、D2及D3,將圖3中該椎體影像11b的該等候選下緣E由上而下標示為E1、E2,並將圖4及圖5中該等椎體影像11a、11b的該目標下緣G分別標示為G1、G2。
再次配合參閱圖1、圖3與圖4,在該選擇步驟S5中,該伺服端是如圖3與圖4所示地,選擇配合界定出該最短距離值X的該候選上緣D及該候選下緣E作為該目標上緣F及該目標下緣G,也就是說,就該椎體影像11b而言,該伺服端是在該等候選上緣D中選取並標示該候選上緣D3作為該目標上緣F2,並在該等候選下緣E中選取並標示該候選下緣E1作為該目標下緣G2。
在本實施例中,根據每一個椎體影像11,如圖4所示地定義出一位在該目標上緣F之上的上外影像區H1、一位在該目標上緣F之下的上內影像區H2、一位在該目標下緣G之上的下內影像區H3,及一位在該目標下緣G之下的下外影像區H4。該選擇步驟S5包括一確認子步驟S51,及一在該確認子步驟S51後的校正子步驟S52。
在該確認子步驟S51中,該伺服端計算並產生一相關於該上外影像區H1及該上內影像區H2的上密度差值,及一相關於該下內影像區H3及該下外影像區H4的下密度差值,並判斷每一個上密度差值及每一個下密度差值是否皆在一容許範圍內。其中,該上
密度差值為該上外影像區H1之組織密度與該上內影像區H2之組織密度的差值,該下密度差值則為該下內影像區H3之組織密度與該下外影像區H4之組織密度的差值。在本實施例中,該容許範圍為10%以內。
在該校正子步驟S52中,當其中一個上密度差值在該容許範圍外時,該伺服端將自對應的該等候選上緣D中,選取相鄰於對應的該目標上緣F且遠離對應的該等候選下緣E的該候選上緣D,並更新為該目標上緣F,當其中一個下密度差值在該容許範圍外時,該伺服端將自對應的該等候選下緣E中,選取相鄰於對應的該目標下緣G且遠離對應的該等候選上緣D的該候選下緣E,並更新為該目標下緣G。
由於在該脊柱中,該等椎體間是由椎間盤及韌帶等軟組織銜接,一般而言,X光會穿透軟組織而不穿透該等椎體,使軟組織及該等椎體形成明暗對比,而可從該灰階影像資料1中辨認兩者。然而,將原來為立體的該脊柱拍攝成平面化的該灰階影像資料1時,將可能受到拍攝角度的影響,使該灰階影像資料1上除了將顯示該等椎體朝向X光光源側的輪廓線段,更因為X光穿透軟組織而顯示該等椎體遠離X光光源側的輪廓線段,使得該灰階影像資料1上同時顯示了實際上並非位在同一平面的線段。也就是說,若以該伺服端直接產生該目標上緣F及該目標下緣G,該伺服端將可能受
到軟組織或拍攝角度的影響而產生判斷上的誤差,誤將兩條在立體結構上非位在同一平面的線段作為該目標上緣F及該目標下緣G,而產生錯誤的該等椎體影像11的外輪廓。
因此,為避免軟組織或拍攝角度造成該伺服端的誤判,該伺服端將在該選擇步驟S5中先行選擇位在每一個椎體影像11最內側的該候選上緣D及該候選下緣E,此時所選的該候選上緣D及該候選下緣E有較高的機會位在朝向X光光源的同一平面上,再於該確認子步驟S51中確認該上密度差值及該下密度差值是否合理。當所選的該候選上緣D及該候選下緣E其中之一者位在遠離X光光源的一側時,將由於該上外影像區H1或該下外影像區H4是對應到密度值極小的無組織區域,使得該上密度差值或該下密度差值將大於該容許範圍,因此,當該上密度差值或該下密度差值在該容許範圍內時,即代表該候選上緣D及該候選下緣E確實位在朝向X光光源的同一平面上。
配合參閱圖1與圖3至圖5,例如,就該椎體影像11b而言,當該伺服端計算出對應於該上外影像區H1及該上內影像區H2的該上密度差值在該容許範圍外時,即判斷該目標上緣F2非為該椎體影像11b的實際上緣,並在該校正子步驟S52中如圖3與圖5所示地重新選擇該候選上緣D2作為該目標上緣F2’,同時該最短距離值X2將更新為該最短距離值X2’。而該伺服端計算出對應於該下內影
像區H3及該下外影像區H4的該下密度差值在該容許範圍內時,表示該目標下緣G2即為該椎體影像11b的實際下緣。如此一來,即可確保該目標上緣F2’及該目標下緣G2確實為該椎體影像11b的上下緣,有助於正確定位出該等椎體影像11的外輪廓。
另外,為了保留依據人為經驗彌補機器誤判的空間,進而使結果更加精準,在該校正子步驟S52中,閱片經驗豐富的判讀者也可依據自身經驗,或針對該等上密度差值及該等下密度差值進行判斷,而自行操作該評估裝置的使用端,並以手動方式選擇其中一條該候選上緣D及其中一條該候選下緣E作為該目標上緣F及該目標下緣G。除了提供另一種決定該目標上緣F及該目標下緣G的方式,同時也能處理該伺服端所發生的誤判。
在確認該目標上緣F及該目標下緣G後,該伺服端可再如圖5所示地計算出分別位在該目標上緣F及該目標下緣G上,且配合界定出該最短距離值X的一上交點A5及一下交點A6,即能在該計算步驟S6中,藉由該上交點A5及該下交點A6所配合界定出的該最短距離值X計算出該椎體影像11之椎體高度縮減比例。
配合參閱圖1與圖6,該計算步驟S6包括一個第一計算子步驟S61,及一個第二計算子步驟S62。在該第一計算子步驟S61中,該伺服端根據每一個椎體影像11產生一自該目標上緣F至該目標下緣G的最長距離值Y,並計算該最短距離值X與該最長距離值Y
的比例,而產生一含有對應的該椎體影像11之椎體高度縮減比例的第一評估結果。在該第二計算子步驟S62中,該伺服端計算每一個椎體影像11的最長距離值Y與相鄰的該等椎體影像11的最長距離值Y的比例,並根據每一個椎體影像11產生二個含有對應的該椎體影像11之椎體高度縮減比例的第二評估結果。
在本實施例中,該第一評估結果是以下列公式(1)計算。
在本實施例中,該等第二評估結果是分別以下列公式(2)計算。
由於該脊柱是否發生壓迫性骨折,是藉由該脊柱的其中一個或多個椎體中的高度是否發生縮減來判斷,因此,本實施例是以該計算步驟S6計算出代表每一個椎體影像11最大高度的該最長距離值Y,並計算代表每一個椎體影像11最小高度的該最短距離值X與該最長距離值Y的比值,再換算成百分比,即可得到代表每一個椎體影像11高度縮減程度的該第一評估結果,使判讀者能得知每一個椎體影像11的左右兩側及中央處是否有任何一側發生不正常的高度縮減,並得以根據該第一評估結果判斷該脊柱中是否發生壓迫性骨折。
為便於說明,於圖6中將位在該灰階影像資料1中最下方的該椎體影像11標示為11c,將該等椎體影像11a、11b的該目標上緣F分別標示為F1、F2,並將該等椎體影像11的最長距離值Y由上而下地分別標示為Y1、Y2及Y3。
由於每一個椎體影像11中也可能發生整體高度的不正常縮減,而非僅有其中一側發生高度縮減,若單純以該第一評估結果作為判斷壓迫性骨折的依據,則可能無法判斷出整體高度縮減的壓迫性骨折態樣。因此,本實施例是以該第二計算子步驟S62將該椎體影像11b與最大高度較為接近的該等椎體影像11進行比較,即與相鄰的該椎體影像11a及該椎體影像11c進行比較,而計算該最長距離值Y2與該最長距離值Y1的比值,及該最長距離值Y2與該最長距離值Y3的比值,最後將前述比值皆換算成百分比,即可得到代表每一個椎體影像11整體高度縮減程度的該等第二評估結果。藉此,判讀者可再根據該等第二評估結果確認該脊柱中是否發生壓迫性骨折。
該第一評估結果及該第二評估結果所代表的椎體壓迫程度及代表意義如表1所示。
由該伺服端計算出該第一評估結果及該等第二評估結果後,判讀者便能很客觀地藉由該第一評估結果及該等第二評估結果,判斷每一個椎體影像11的變形程度是否落在正常範圍內。尤其對於程度較輕微的壓迫性骨折而言,由於椎體高度的縮減幅度較小,由判讀者直接以肉眼判斷較容易發生誤判,且當椎體高度的縮減比例剛好位在不同的壓迫程度分級間時,人工判讀也較容易發生分級差異,例如實際縮減比例為26%左右的該椎體影像11,即有可能被部分的判讀者分類為第二度,卻被另一部分的判讀者分類為第一度,且分級差異將影響健保給付的藥物種類,進而影響病患的權益。
因此,本實施例除了能有助於協助醫師藉由數值化的資訊更快速地判定出脊柱壓迫性骨折,更能輔助判讀者以客觀的角度評估脊柱狀態,有效降低不同判讀者間對於脊柱壓迫性骨折程度的分級差異。
在該比對步驟S7中,該伺服端將該灰階影像資料1與儲存在該伺服端中的該等歷史影像資料進行比對,並產生一比對結果。在本實施例中,是藉由比對該灰階影像資料1及該等歷史影像資料所對應的該等第一評估結果及該等第二評估結果,使判讀者能
根據該比對結果得知該評估對象的椎體壓迫程度變化,而能判斷該評估對象的脊柱狀況是否發生惡化,及後續是否該採取更積極性的治療。
綜上所述,本發明脊柱量測及狀態評估方法藉由該定位步驟S2、該繪線步驟S3、該量測步驟S4,及該選擇步驟S5快速定位出該等椎體影像11的外輪廓,並以該計算步驟S6計算出該第一評估結果及該等第二評估結果,使判讀者可評估每一個椎體影像11的變形程度是否落在正常範圍內,除了有助於協助醫師藉由數值化的資訊更快速地判定出脊柱壓迫性骨折,更能輔助判讀者以客觀的角度評估脊柱狀態,有效降低不同判讀者間對於脊柱壓迫性骨折程度的分級差異,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
S1:預備步驟
S11:訓練子步驟
S12:影像處理子步驟
S2:定位步驟
S21:標記子步驟
S3:繪線步驟
S4:量測步驟
S5:選擇步驟
S51:確認子步驟
S52:校正子步驟
S6:計算步驟
S61:第一計算子步驟
S62:第二計算子步驟
S7:比對步驟
Claims (9)
- 一種脊柱量測及狀態評估方法,適用於辨識一含有呈圓柱狀的該脊柱之多個椎體影像的灰階影像資料,並包含: 一預備步驟,準備一包括一伺服端的評估裝置; 一定位步驟,根據每一椎體影像,該伺服端標示出一個第一端點、一與該第一端點橫向間隔的第二端點、一位於該第一端點相對下方的第三端點,及一位於該第二端點相對下方的第四端點; 一繪線步驟,根據每一椎體影像,該伺服端產生一連接該第一端點及該第三端點的第一側緣、一連接該第二端點及該第四端點的第二側緣、多條連接該第一端點及該第二端點的候選上緣,及多條連接該第三端點及該第四端點的候選下緣; 一量測步驟,根據每一椎體影像,該伺服端產生一自該等候選上緣至該等候選下緣的最短距離值; 一選擇步驟,根據每一椎體影像的最短距離值,該伺服端在該等候選上緣中選取並標示其中一者作為一目標上緣,且在該等候選下緣中選取並標示其中一者作為一目標下緣;及 一計算步驟,包括一個第一計算子步驟,在該第一計算子步驟中,該伺服端根據每一椎體影像產生一自該目標上緣至該目標下緣的最長距離值,並計算該最短距離值與該最長距離值的比例,而產生一含有對應的該椎體影像之椎體高度縮減比例的第一評估結果。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該計算步驟還包括一個第二計算子步驟,在該第二計算子步驟中,該伺服端計算每一椎體影像的最長距離值與相鄰的該等椎體影像的最長距離值的比例,並根據每一椎體影像產生二含有對應的該椎體影像之椎體高度縮減比例的第二評估結果。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該選擇步驟包括一確認子步驟,根據每一椎體影像,定義一位在該目標上緣之上的上外影像區、一位在該目標上緣之下的上內影像區、一位在該目標下緣之上的下內影像區,及一位在該目標下緣之下的下外影像區,在該確認子步驟中,該伺服端計算並產生一相關於該上外影像區及該上內影像區的上密度差值,及一相關於該下內影像區及該下外影像區的下密度差值,並判斷每一上密度差值及每一下密度差值是否皆在一容許範圍內。
- 如請求項3所述的脊柱量測及狀態評估方法,其中,該選擇步驟還包括一在該確認子步驟後的校正子步驟,在該校正子步驟中,當其中一上密度差值在該容許範圍外時,該伺服端將自對應的該等候選上緣中,選取相鄰於對應的該目標上緣且遠離對應的該等候選下緣的該候選上緣,並更新為該目標上緣,當其中一下密度差值在該容許範圍外時,該伺服端將自對應的該等候選下緣中,選取相鄰於對應的該目標下緣且遠離對應的該等候選上緣的該候選下緣,並更新為該目標下緣。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該預備步驟包括一影像處理子步驟,在該影像處理子步驟中,該伺服端調整一相關於該灰階影像資料的原始影像資料的亮度,而產生含有清晰化的該等椎體影像的一高亮度影像資料、一中亮度影像資料,及一低亮度影像資料,再將清晰化的該等椎體影像以拼接的方式合併而產生該灰階影像資料。
- 如請求項1所述的脊柱量測及狀態評估方法,該伺服端儲存有多筆與該灰階影像資料歸屬於同一評估對象的歷史影像資料,該脊柱量測及狀態評估方法還包含一在該計算步驟後的比對步驟,在該比對步驟中,該伺服端將該灰階影像資料與該等歷史影像資料進行比對,並產生一比對結果。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該定位步驟包括一適用於在該灰階影像資料中標示該等椎體影像的名稱的標記子步驟。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該預備步驟包括一訓練子步驟,在該訓練子步驟中,是以深度學習方式訓練出一類神經網路模型,並將該類神經網路模型儲存在該伺服端。
- 如請求項1所述的脊柱量測及狀態評估方法,其中,該灰階影像資料為X光影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138599A TWI759946B (zh) | 2020-11-05 | 2020-11-05 | 脊柱量測及狀態評估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138599A TWI759946B (zh) | 2020-11-05 | 2020-11-05 | 脊柱量測及狀態評估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI759946B true TWI759946B (zh) | 2022-04-01 |
TW202218627A TW202218627A (zh) | 2022-05-16 |
Family
ID=82198893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109138599A TWI759946B (zh) | 2020-11-05 | 2020-11-05 | 脊柱量測及狀態評估方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI759946B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI817789B (zh) * | 2022-10-26 | 2023-10-01 | 宏碁智醫股份有限公司 | 評估僵直性脊椎炎的電子裝置及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI733487B (zh) * | 2020-06-09 | 2021-07-11 | 廣達電腦股份有限公司 | 脊椎壓迫性骨折偵測方法與系統 |
-
2020
- 2020-11-05 TW TW109138599A patent/TWI759946B/zh active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI733487B (zh) * | 2020-06-09 | 2021-07-11 | 廣達電腦股份有限公司 | 脊椎壓迫性骨折偵測方法與系統 |
Non-Patent Citations (3)
Title |
---|
Computer-Aided Diagnosis韕3 March 2017韕全文韕;期刊韕Joeri Nicolaes, Steven Raeymaeckers, David Robben, Guido Wilms, Dirk Vandermeulen, Cesar Libanati, Marc Debois, 韕 韕"Detection of Vertebral Fractures in CT Using 3D Convolutional Neural Networks",韕International Workshop and Challenge on Computational Methods and Clinical Applications for Spine Imaging CSI 2019:韕Computational Methods and Clinical Applications for Spine Imaging韕,2019,韕pp 3-14.韕 * |
期刊韕Amir Bar, Lior Wolf, Orna Bergman Amitai, Eyal Toledano, and Eldad Elnekave, 韕 韕"Compression fractures detection on CT",韕Proc. SPIE 10134韕Medical Imaging 2017: * |
期刊韕Joeri Nicolaes, Steven Raeymaeckers, David Robben, Guido Wilms, Dirk Vandermeulen, Cesar Libanati, Marc Debois, 韕 韕"Detection of Vertebral Fractures in CT Using 3D Convolutional Neural Networks",韕International Workshop and Challenge on Computational Methods and Clinical Applications for Spine Imaging CSI 2019:韕Computational Methods and Clinical Applications for Spine Imaging韕,2019,韕pp 3-14.韕 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI817789B (zh) * | 2022-10-26 | 2023-10-01 | 宏碁智醫股份有限公司 | 評估僵直性脊椎炎的電子裝置及方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202218627A (zh) | 2022-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230181260A1 (en) | Systems, methods, and devices for developing patient-specific medical treatments, operations, and procedures | |
CN108320288B (zh) | 一种特发性脊柱侧凸影像的数据处理方法 | |
US8018487B2 (en) | Method and apparatus for automated quality assurance in medical imaging | |
US5740267A (en) | Radiographic image enhancement comparison and storage requirement reduction system | |
US8126249B2 (en) | Methods of and system for detection and tracking of osteoporosis | |
EP1579354B1 (fr) | Procede de simulation biomecanique d'un ensemble d' articulations osseuses | |
US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
CN110503652B (zh) | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 | |
WO2020259600A1 (en) | A device, process and system for diagnosing and tracking of the development of the spinal alignment of a person | |
CN108309334B (zh) | 一种脊柱x线影像的数据处理方法 | |
CN114287915B (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
JP2013515564A (ja) | 患者の脊柱の特徴を測定するための方法および機器 | |
CN104318565B (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
Zhang et al. | Learning-based coronal spine alignment prediction using smartphone-acquired scoliosis radiograph images | |
JPWO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
TWI759946B (zh) | 脊柱量測及狀態評估方法 | |
JP7275961B2 (ja) | 教師画像生成プログラム、教師画像生成方法、および教師画像生成システム | |
Kim et al. | Automatic spine segmentation and parameter measurement for radiological analysis of whole-spine lateral radiographs using deep learning and computer vision | |
JP2005185767A (ja) | 人工関節部材選定支援装置および人工関節部材選定支援プログラム | |
US8116545B2 (en) | Method and system for analysis of bone density | |
Bülow et al. | Automatic assessment of the quality of patient positioning in mammography | |
Manning et al. | Perceptual and signal detection factors in radiography | |
KR102521958B1 (ko) | 골 성장성 평가 또는 예측 방법 및 시스템 | |
CN113781453B (zh) | 一种基于x线片的脊柱侧凸进展预测及方法和装置 | |
Abdou | Three Dimensional (3D) Forensic Facial Reconstruction in an Egyptian Population using Computed Tomography Scanned Skulls and Average Facial Templates: A Study Examining Subjective and Objective Assessment Methods of 3D Forensic Facial Reconstructions |