CN111950636A - 基于深度学习的腰椎x射线图像分类方法 - Google Patents
基于深度学习的腰椎x射线图像分类方法 Download PDFInfo
- Publication number
- CN111950636A CN111950636A CN202010816186.3A CN202010816186A CN111950636A CN 111950636 A CN111950636 A CN 111950636A CN 202010816186 A CN202010816186 A CN 202010816186A CN 111950636 A CN111950636 A CN 111950636A
- Authority
- CN
- China
- Prior art keywords
- lumbar
- ray image
- image
- ray
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 208000001132 Osteoporosis Diseases 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 208000029725 Metabolic bone disease Diseases 0.000 claims description 8
- 206010049088 Osteopenia Diseases 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000004705 lumbosacral region Anatomy 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000002639 bone cement Substances 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 208000027866 inflammatory disease Diseases 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 206010039722 scoliosis Diseases 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 abstract description 4
- 238000000968 medical method and process Methods 0.000 abstract description 3
- 206010017076 Fracture Diseases 0.000 description 2
- 208000001164 Osteoporotic Fractures Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram 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
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的腰椎X射线图像分类方法，包括步骤：获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集；构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型；将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。通过本发明，能够通过拍摄的腰椎X射线直接对患者的骨质情况进行判断，简化了医疗过程，提高了现有设备利用率。
Description
技术领域
本发明涉及深度学习技术领域，更具体地说，涉及一种基于深度学习的腰椎X射线图像分类方法、一种计算机设备及存储介质。
背景技术
骨质疏松是一种普遍存在但难以被诊断的疾病。随着人口老龄化的增长，骨质疏松症和骨质疏松性骨折已成为全球关注的主要健康问题。在美国，到2020年，大约1230万年龄超过50岁的人预计会患有骨质疏松症。50岁以上的女性三分之一会发生骨质疏松症相关的骨折。骨质减少，作为骨质疏松症的先导症状，也倍加值得关注，因为大多数绝经后妇女会患病骨质疏松症，并发生骨折。
发明内容
针对现有方法的不足，提出一种基于深度学习的腰椎X射线图像分类方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的腰椎X射线图像分类方法，包括：
获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集，对腰椎X射线集图像进行分类，分为正常图像、骨质减少图像及骨质疏松图像；
构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型，验证DCNN神经网络模型的准确性；
将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。
其中，在图像筛选的步骤中，筛选评判标准为：
(1)绝经后女性≥50岁，绝经年龄被医疗记录或患者的自我报告所证实；
(2)曾经在3个月内经历过腰椎X线和DXA检查的女性，在此期间间隔期间，患者未接受任何会影响BMD的治疗；
(3)腰椎X射线图像包括前后图像，至少包括第一腰椎-第四腰椎(L1-L4)。
其中，在图像筛选的步骤中，筛选排除标准为：
(1)曾接接受过腰椎(L1-L4)手术的患者，例如内固定术和骨术水泥填充；
(2)腰椎(L1-L4)呈现病变，包括肿瘤、炎性疾病或严重的脊柱侧弯或畸形；
(3)感兴趣区域(ROI)无法映射到原始图像；
(4)信噪比低的图像。
其中，图像预处理的步骤包括：
对腰椎X射线图像划定感兴趣区域；
灰度标准化，包括窗口宽度，窗口级别和像素归一化；
将每一腰椎X射线图像的感兴趣区域调整为128×128，并平均分为四个具有至少50％有效面积的图像。
其中，预处理通过以下方式进行：
ct’i＝min(cti，window_level+window_width) (3)
ct’i＝max(cti，window_level-window_width) (4)
其中，N表示总像素值，i表示像素坐标，ct表示原始CT值，并且像素表示调整窗口宽度和窗口级别后的值。
其中，DCNN神经网络模型两个通道，每个通道包括卷积层、池化层和密集层；每个通道的输入为感兴趣区域中64×64的图像；五个卷积层对高度相关的纹理和边缘信息并进行改进，池化层通过卷积运算从特征图中提取特征；对于每个卷积层，使用非线性“ReLU”算子作为进行激活函数和批量归一化以避免梯度消失和加速融合；在第3层之后使用了最大池化层卷积层，以保留可区分的特征并减少参数数量和获得的冗余信息；最后将特征图展平并使用具有一个神经元的致密层进行预测。
其中，在将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型的步骤中，将所有神经元偏差都设置为零，并将所有权重初始化为随机均匀分布范围为-0.5至0.5；带有学习的随机梯度下降优化器使用0.0005的最大速率最小化分类交叉熵函数的损失；结果通过加权和求和来计算分类结果。
其中，分类结果通过分数的形式输出，其中，患者腰椎X射线图像判定为正常时，分数为Tscore大于等于1.0；患者腰椎X射线图像判定为骨质减少时，-2.5<Tscore<-1.0；患者腰椎X射线图像判定为骨质疏松时，Tscore≤-2.5。
此外，本发明提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于深度学习的腰椎X射线图像分类方法的步骤。
本发明提供了一种存储介质，存储介质可被处理器读写，存储介质存储有计算机指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于深度学习的腰椎X射线图像分类方法的步骤。
区别于现有技术，本发明提供了一种基于深度学习的腰椎X射线图像分类方法，包括步骤：获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集；构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型；将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。通过本发明，能够通过拍摄的腰椎X射线直接对患者的骨质情况进行判断，简化了医疗过程，提高了现有设备利用率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于深度学习的腰椎X射线图像分类方法的流程示意图。
图2是本发明提供的一种基于深度学习的腰椎X射线图像分类方法的计算机设备的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参阅图1，本发明提供了一种基于深度学习的腰椎X射线图像分类方法，包括：
获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集，对腰椎X射线集图像进行分类，分为正常图像、骨质减少图像及骨质疏松图像；
构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型，验证DCNN神经网络模型的准确性；
将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。
中心双能X线吸收法(DXA)被普遍认为是骨质疏松症和骨质减少的诊断标准，但是，DXA的可用性低而且受到限制，通常需要患者前往转诊中心，因此，在美国将近一半的女性医疗保险受益人不进行DXA测试。而在中国，年龄在50岁以上的女性中只有4.3％接受了测试，特别是在农村地区，这一比率仅为1.9％。此外作为二维投影技术，DXA的测量不可避免地会受到脂肪的影响，它无法完全考虑骨骼的几何形状、尺寸和微观结构，DXA没有得到充分利用，骨质疏松症仍然存在诊断不足。
传统的X射线设备广泛应用于全球几乎所有医院中，腰椎X射线图像可直接用于其他适应症检测，患者拍摄的时间或辐射暴露数据可以追溯获得。因此，可以被用于人群筛查骨质疏松症。
本发明在图像筛选的步骤中，筛选评判标准为：
(1)绝经后女性≥50岁，绝经年龄被医疗记录或患者的自我报告所证实；
(2)曾经在3个月内经历过腰椎X线和DXA检查的女性，在此期间间隔期间，患者未接受任何会影响BMD的治疗；
(3)腰椎X射线图像包括前后图像，至少包括第一腰椎-第四腰椎(L1-L4)。
其中，在图像筛选的步骤中，筛选排除标准为：
(1)曾接接受过腰椎(L1-L4)手术的患者，例如内固定术和骨术水泥填充；
(2)腰椎(L1-L4)呈现病变，包括肿瘤、炎性疾病或严重的脊柱侧弯或畸形；
(3)感兴趣区域(ROI)无法映射到原始图像；
(4)信噪比低的图像。
图像预处理的步骤包括：
对腰椎X射线图像划定感兴趣区域；
灰度标准化，包括窗口宽度，窗口级别和像素归一化；
将每一腰椎X射线图像的感兴趣区域调整为128×128，并平均分为四个具有至少50％有效面积的图像。
其中，预处理通过以下方式进行：
ct’i＝min(cti，window_level+window_width) (3)
ct’i＝max(cti，window_level-window_width) (4)
其中，N表示总像素值，i表示像素坐标，ct表示原始CT值，并且像素表示调整窗口宽度和窗口级别后的值。
其中，DCNN神经网络模型两个通道，每个通道包括卷积层、池化层和密集层；每个通道的输入为感兴趣区域中64×64的图像；五个卷积层对高度相关的纹理和边缘信息并进行改进，池化层通过卷积运算从特征图中提取特征；对于每个卷积层，使用非线性“ReLU”算子作为进行激活函数和批量归一化以避免梯度消失和加速融合；在第3层之后使用了最大池化层卷积层，以保留可区分的特征并减少参数数量和获得的冗余信息；最后将特征图展平并使用具有一个神经元的致密层进行预测。
其中，在将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型的步骤中，将所有神经元偏差都设置为零，并将所有权重初始化为随机均匀分布范围为-0.5至0.5；带有学习的随机梯度下降优化器使用0.0005的最大速率最小化分类交叉熵函数的损失；结果通过加权和求和来计算分类结果。
其中，分类结果通过分数的形式输出，其中，患者腰椎X射线图像判定为正常时，分数为Tscore大于等于1.0；患者腰椎X射线图像判定为骨质减少时，-2.5<Tscore<-1.0；患者腰椎X射线图像判定为骨质疏松时，Tscore≤-2.5。
此外，本发明提供了一种计算机设备1，包括存储介质11和处理器12，存储介质11中存储有计算机可读指令111，计算机可读指令111被一个或多个处理器12执行时，使得一个或多个处理器12执行如前述技术方案所述的基于深度学习的腰椎X射线图像分类方法的步骤。
如图2所示，本发明提供了一种存储介质11，存储介质11可被处理器12读写，存储介质11存储有计算机指令111，计算机可读指令111被一个或多个处理器12执行时，使得一个或多个处理器12执行如前述技术方案所述的基于深度学习的腰椎X射线图像分类方法的步骤。
区别于现有技术，本发明提供了一种基于深度学习的腰椎X射线图像分类方法，包括步骤：获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集；构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型；将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。通过本发明，能够通过拍摄的腰椎X射线直接对患者的骨质情况进行判断，简化了医疗过程，提高了现有设备利用率。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于深度学习的腰椎X射线图像分类方法，其特征在于，包括：
获取腰椎X射线图像，并进行图像筛选，筛选完成后进行图像预处理，处理完成后的腰椎X射线图像作为训练集和测试集，对腰椎X射线集图像进行分类，分为正常图像、骨质减少图像及骨质疏松图像；
构建DCNN神经网络模型，将作为训练集的腰椎X射线图像输入DCNN神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的腰椎X射线图像输入DCNN神经网络模型，验证DCNN神经网络模型的准确性；
将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型，输出结果即为分类结果。
2.根据权利要求1所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，在图像筛选的步骤中，筛选评判标准为：
(1)绝经后女性≥50岁，绝经年龄被医疗记录或患者的自我报告所证实；
(2)曾经在3个月内经历过腰椎X线和DXA检查的女性，在此期间间隔期间，患者未接受任何会影响BMD的治疗；
(3)腰椎X射线图像包括前后图像，至少包括第一腰椎-第四腰椎(L1-L4)。
3.根据权利要求1所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，在图像筛选的步骤中，筛选排除标准为：
(1)曾接接受过腰椎(L1-L4)手术的患者，例如内固定术和骨术水泥填充；
(2)腰椎(L1-L4)呈现病变，包括肿瘤、炎性疾病或严重的脊柱侧弯或畸形；
(3)感兴趣区域(ROI)无法映射到原始图像；
(4)信噪比低的图像。
4.根据权利要求1所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，图像预处理的步骤包括：
对腰椎X射线图像划定感兴趣区域；
灰度标准化，包括窗口宽度，窗口级别和像素归一化；
将每一腰椎X射线图像的感兴趣区域调整为128×128，并平均分为四个具有至少50％有效面积的图像。
5.根据权利要求4所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，预处理通过以下方式进行：
ct′i＝min(cti，window_level+window_width) (3)
ct′i＝max(cti，window_level-window_width) (4)
其中，N表示总像素值，i表示像素坐标，ct表示原始CT值，并且像素表示调整窗口宽度和窗口级别后的值。
6.根据权利要求4所述的基于深度学***并使用具有一个神经元的致密层进行预测。
7.根据权利要求6所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，在将实时获取的患者腰椎X射线图像输入至训练好的DCNN神经网络模型的步骤中，将所有神经元偏差都设置为零，并将所有权重初始化为随机均匀分布范围为-0.5至0.5；带有学习的随机梯度下降优化器使用0.0005的最大速率最小化分类交叉熵函数的损失；结果通过加权和求和来计算分类结果。
8.根据权利要求7所述的基于深度学习的腰椎X射线图像分类方法，其特征在于，分类结果通过分数的形式输出，其中，患者腰椎X射线图像判定为正常时，分数为Tscore大于等于1.0；患者腰椎X射线图像判定为骨质减少时，-2.5<Tscore<-1.0；患者腰椎X射线图像判定为骨质疏松时，Tscore≤-2.5。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被一个或多个所述处理器执行时，使得一个或多个所述处理器执行如权利要求1至8中任一项所述基于深度学习的腰椎X射线图像分类方法的步骤。
10.一种存储介质，其特征在于，所述存储介质可被处理器读写，所述存储介质存储有计算机指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至8中任一项所述基于深度学习的腰椎X射线图像分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816186.3A CN111950636A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的腰椎x射线图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010816186.3A CN111950636A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的腰椎x射线图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950636A true CN111950636A (zh) | 2020-11-17 |
Family
ID=73342173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010816186.3A Pending CN111950636A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的腰椎x射线图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950636A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396591A (zh) * | 2020-11-25 | 2021-02-23 | 暨南大学附属第一医院（广州华侨医院） | 一种基于腰椎x线图像的骨质疏松智能评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108538393A (zh) * | 2018-04-02 | 2018-09-14 | 重庆邮电大学 | 基于大数据的骨质质量评估专家***及预测模型建立方法 |
| US20190336097A1 (en) * | 2014-07-21 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
| CN110491479A (zh) * | 2019-07-16 | 2019-11-22 | 北京邮电大学 | 一种基于神经网络的骨质状态评估模型的构建方法 |
| CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
| CN111369490A (zh) * | 2018-12-24 | 2020-07-03 | 天津大学 | 提取骨x光图像特征判断骨质疏松的方法 |
-
2020
- 2020-08-14 CN CN202010816186.3A patent/CN111950636A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190336097A1 (en) * | 2014-07-21 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
| CN108538393A (zh) * | 2018-04-02 | 2018-09-14 | 重庆邮电大学 | 基于大数据的骨质质量评估专家***及预测模型建立方法 |
| CN111369490A (zh) * | 2018-12-24 | 2020-07-03 | 天津大学 | 提取骨x光图像特征判断骨质疏松的方法 |
| CN110491479A (zh) * | 2019-07-16 | 2019-11-22 | 北京邮电大学 | 一种基于神经网络的骨质状态评估模型的构建方法 |
| CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张斌等: "Deep learning of lumbar spine X-ray for osteopenia and osteoporosis screening: A multicenter retrospective cohort study", 《BONE》, pages 1 - 4 * |
| 张斌等: "Deep learning of lumbar spine X-ray forosteopenia and osteoporosis screening: A multicenter retrospective cohort study", 《BONE》, pages 1 - 4 * |
| 陈若珠;杨紫娟;韦哲;: "基于BP神经网络的骨质疏松疾病的诊断分类研究", 医疗卫生装备, no. 08 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396591A (zh) * | 2020-11-25 | 2021-02-23 | 暨南大学附属第一医院（广州华侨医院） | 一种基于腰椎x线图像的骨质疏松智能评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| WO2022037696A1 (zh) | 基于深度学习的骨骼分割方法和*** | |
| EP4095797A1 (en) | Autonomous segmentation of three-dimensional nervous system structures from medical images | |
| Niemeijer et al. | Assessing the skeletal age from a hand radiograph: automating the Tanner-Whitehouse method | |
| CN110728274A (zh) | 医疗设备计算机辅助扫描方法、医疗设备及可读存储介质 | |
| EP3457356A1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
| CN112396591A (zh) | 一种基于腰椎x线图像的骨质疏松智能评估方法 | |
| EP3624054B1 (en) | Analysis of skeletal trauma using deep learning | |
| WO2024001140A1 (zh) | 一种椎体亚区域分割方法、装置及存储介质 | |
| CN110991254B (zh) | 超声图像视频分类预测方法及*** | |
| US11704796B2 (en) | Estimating bone mineral density from plain radiograph by assessing bone texture with deep learning | |
| CN114795258B (zh) | 一种儿童髋关节发育不良诊断*** | |
| CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
| US12046018B2 (en) | Method for identifying bone images | |
| CN114926487A (zh) | 多模态影像脑胶质瘤靶区分割方法、***及设备 | |
| Aliboni et al. | Quantitative CT analysis in chronic hypersensitivity pneumonitis: a convolutional neural network approach | |
| CN111950636A (zh) | 基于深度学习的腰椎x射线图像分类方法 | |
| CN116433620A (zh) | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和*** | |
| Zhang et al. | AESR3D: 3D overcomplete autoencoder for trabecular computed tomography super resolution | |
| CN113450306B (zh) | 提供骨折检测工具的方法 | |
| Chen et al. | Automated Magnetic Resonance Image Segmentation of Spinal Structures at the L4‐5 Level with Deep Learning: 3D Reconstruction of Lumbar Intervertebral Foramen | |
| CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
| EP3771405A1 (en) | Method and system for automated dynamic medical image acquisition | |
| KR102647251B1 (ko) | 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스 | |
| RU2801420C1 (ru) | Система и способ диагностики тазобедренных суставов |
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 |