CN112274164B - 脊柱侧弯预测方法、装置、电子设备和存储介质 - Google Patents
脊柱侧弯预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112274164B CN112274164B CN202010743122.5A CN202010743122A CN112274164B CN 112274164 B CN112274164 B CN 112274164B CN 202010743122 A CN202010743122 A CN 202010743122A CN 112274164 B CN112274164 B CN 112274164B
- Authority
- CN
- China
- Prior art keywords
- spine
- scoliosis
- ray film
- determining
- user
- 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
- 206010039722 scoliosis Diseases 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000005452 bending Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 3
- 238000003709 image segmentation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 239000011436 cob Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000000875 Spinal Curvatures Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000028752 abnormal posture Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015686 juvenile idiopathic scoliosis Diseases 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Processing (AREA)
Abstract
本申请实施例涉及一种脊柱侧弯预测方法、装置、电子设备和存储介质,该方法包括:获取第一用户的脊柱X线片,根据X线片确定第一用户的脊柱坐标数据,对X线片进行预处理得到预处理后的X线片,预处理用于增强X线片的对比度;结合第一用户的脊柱坐标数据,对预处理后的X线片进行分割处理,得到分割输出图,分割输出图包括非脊柱位置区域和脊柱位置区域;获取脊柱位置区域的脊柱参数,根据脊柱参数确定脊柱侧弯角度。本申请通过获取脊柱X线片,对X线片进行对比度增强处理,结合脊柱线片的坐标数据,对X线片进行分割得到脊柱位置区域和非脊柱位置区域,通过获取脊柱位置区域的多个脊柱参数确定脊柱侧弯度数,提高了脊柱侧弯度数测量的精度。
Description
技术领域
本申请实施例涉及医学图像技术领域,具体涉及一种脊柱侧弯预测方法、装置、电子设备和存储介质。
背景技术
目前,脊柱侧弯是指脊柱的一个或数个节段向侧方向弯曲并伴有椎体旋转和矢状面上后弯或者前弯,是一种三维畸形。国际脊柱侧弯研究学会(scoliosis researchsociety,SRS)对脊柱侧弯的定义如下:应用Cobb’s法测量站立位脊柱正位X线片的脊柱弯曲,角度大于10°称为脊柱侧弯。青少年特发性脊柱侧弯是脊柱侧弯类疾病中发病率最高、危害程度最大的病例之一,10到16岁年龄段的发病率高达2%-3%。患者通常姿势不正、双肩不等高,严重可能导致心肺发育不良,缩短寿命。脊柱侧弯研究学会(SRS)联合其他权威组织发布声明指出,在青少年中开展早期脊柱侧弯筛查,及时发现侧弯并进行正确的干预和治疗,能有效减少和避免脊柱进一步弯曲。
脊柱为人体的中轴骨骼,是身体的支柱,有负重、减震、保护和运动等功能,检测脊柱的侧弯情况主要依赖于X线片进行检测,但是目前仍然缺乏基于X线片进行脊柱侧弯角度测量的模型和工具;放射医生对X线片进行脊柱侧弯判断,通常通过手动大致测量Cobb角,对于角度小于10°的人群诊断为正常,角度在10°到20°的诊断为略侧弯,20°以上的诊断为侧弯,但是目前手动测量一致性较差,不够精确。
发明内容
为了解决现有技术存在的至少一个问题,本申请的至少一个实施例提供了一种脊柱侧弯预测方法、装置、电子设备和存储介质。
第一方面,本申请实施例提供了一种脊柱侧弯预测方法,包括:
获取第一用户的脊柱X线片,根据所述X线片确定所述第一用户的脊柱坐标数据,所述脊柱坐标数据用于标识脊柱所在的位置区域;
对所述X线片进行预处理得到预处理后的X线片,所述预处理用于增强所述X线片的对比度;
结合所述第一用户的脊柱坐标数据,对所述预处理后的X线片进行分割处理,得到分割输出图,所述分割输出图包括非脊柱位置区域和脊柱位置区域;
获取所述脊柱位置区域的脊柱参数,根据所述脊柱参数确定脊柱侧弯角度。
应理解,本申请实施例中通过获取脊柱X线片,对X线片进行对比度增强处理,结合脊柱线片的坐标数据,对X线片进行分割得到脊柱位置区域和非脊柱位置区域,通过获取脊柱位置区域的多个脊柱参数确定脊柱侧弯度数,相比现有技术中的手动测量提高了脊柱侧弯度数测量的精度,使医生能更加合理、正确的给出诊疗建议,同时对处于脊柱侧弯临界范围内的人群提供更准确的建议。
在一些实施例中,所述脊柱参数包括脊柱顶端点、脊柱尾端点、脊柱的多个左端点和脊柱的多个右端点中的一个或多个参数,所述根据所述脊柱参数确定脊柱侧弯角度,包括:
根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定所述脊柱侧弯角度。
应理解,本申请实施例中通过脊柱的多个关键点确定脊柱侧弯角度。
在一些实施例中,所述根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定所述脊柱侧弯角度,包括:
根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定脊柱长度,脊柱宽度,脊柱边界、脊柱左边界和脊柱右边界;
根据所述脊柱长度,脊柱宽度,脊柱边界、脊柱左边界和脊柱右边界,确定脊椎曲线;
根据所述脊椎曲线,确定所述脊柱侧弯角度。
应理解,本申请实施例中,通过确定脊椎曲线后,测量脊椎曲线得到脊柱侧弯角度。
在一些实施例中,所述根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定脊柱长度,脊柱宽度,脊柱边界、脊柱左边界和脊柱右边界,包括:
根据所述脊柱顶端点和所述脊柱尾端点确定所述X线片的脊柱长度;
根据所述多个左端点和所述多个右端点确定所述X线片的脊柱宽度;
根据所述多个左端点确定所述X线片的脊柱左边界;
根据所述多个右端点确定所述X线片的脊柱右边界;以及,所述根据所述脊柱长度,脊柱宽度、脊柱左边界和脊柱右边界,确定脊椎曲线,包括:
基于所述X线片的脊柱左边界、所述X线片的脊柱右边界确定脊柱的多个中点,将所述的多个中点连线得到脊椎曲线。
应理解,本申请实施例通过多个关键点确定X线片的脊柱左边界、X线片的脊柱右边界、脊柱长度、脊柱宽度,通过左边界和右边界确定脊椎曲线。
在一些实施例中,所述方法还包括:
根据映射比例和所述X线片的脊柱边界确定所述第一用户的脊柱边界;
根据所述映射比例和所述X线片的脊柱宽度确定所述第一用户的脊柱宽度;
根据所述映射比例和所述X线片的脊柱长度确定所述第一用户的脊柱长度。
应理解,本申请通过映射比例,不仅确定了X线片上的脊柱长度、脊柱宽度和脊柱边界,而且确定了用户实际的脊柱长度,脊柱宽度和脊柱边界,为用户查看脊柱的实际信息提供了方便。
在一些实施例中,所述方法还包括:
获取N个用户基本信息,所述用户基本信息包括以下信息中的至少一项:脊柱长度、脊柱宽度、性别、年龄、身高和体重;
获取N个用户的脊柱侧弯角度;
计算所述N个用户基本信息在所述脊柱侧弯角度上的直方分布;
根据所述直方分布从所述基本信息中确定侧弯因子;
获取每一项侧弯因子的发生频率;
根据预测时间计算所述每一项侧弯因子的权重值;
根据所述第一用户的脊柱侧弯角度、所述频率和所述权重值计算所述第一用户在所述预测时间的脊柱侧弯角度。
应理解,除了基于X线片,还引入了大量人群的用户信息,计算N个用户基本信息在所述脊柱侧弯角度上的直方分布,计算出每个脊柱侧弯因子的发生概率和权重,根据每个脊柱侧弯因子的发生概率和权重确定脊柱侧弯的角度上涨趋势预测,提高了预测的准确性。
在一些实施例中,所述基于所述直方分布从所述基本信息中确定侧弯因子包括:
根据所述直方分布确定所述用户基本信息中的每个基本信息在脊柱侧弯角度中的占比;
确定所述占比大于预设阈值的基本信息为侧弯因子。
应理解,通过基本信息在脊柱侧弯角度上的分布情况,确定基本信息中对脊柱侧弯影响较大的因子为侧弯因子,减少了用户信息中对脊柱侧弯影响不大的因子的干扰,进一步提高了脊柱侧弯预测的准确性。
第二方面,本申请实施例还提供了一种脊柱侧弯预测装置,包括:
获取模块:用于获取第一用户的脊柱X线片,根据所述X线片确定所述第一用户的脊柱坐标数据,所述脊柱坐标数据用于标识脊柱所在的位置区域;
预处理模块:用于对所述X线片进行预处理得到预处理后的X线片,所述预处理用于增强所述X线片的对比度;
分割处理模块:用于结合所述第一用户的脊柱坐标数据,对所述预处理后的X线片进行分割处理,得到分割输出图,所述分割输出图包括非脊柱位置区域和脊柱位置区域;
确定模块:用于获取所述脊柱位置区域的脊柱参数,根据所述脊柱参数确定脊柱侧弯角度。
应理解,本申请实施例中通过获取模块获取脊柱X线片,预处理模块对X线片进行对比度增强处理,分割处理模块结合脊柱线片的坐标数据,对X线片进行分割得到脊柱位置区域和非脊柱位置区域,通过确定模块获取脊柱位置区域的多个脊柱参数确定脊柱侧弯度数,相比现有技术中的手动测量提高了脊柱侧弯度数测量的精度,使医生能更加合理、正确的给出诊疗建议,同时对处于脊柱侧弯临界范围内的人群提供更准确的建议。
第三方面,本申请实施例提供了一种电子设备,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如上所述的脊柱侧弯预测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如上所述的脊柱侧弯预测方法的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种脊柱侧弯预测方法示意图;
图2是本申请实施例提供的又一种脊柱侧弯预测方法示意图;
图3是本申请实施例提供的一种脊柱侧弯角度的测量方法示意图;
图4是本申请实施例提供的又一种脊柱侧弯预测方法示意图;
图5是本申请实施例提供的一种脊柱侧弯预测装置示意图;
图6是本申请实施例提供的一种电子设备的框图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本申请的限定。基于所描述的本申请的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
脊柱为人体的中轴骨骼,是身体的支柱,有负重、减震、保护和运动等功能,检测脊柱的侧弯情况主要依赖于X线片进行检测,但是目前仍然缺乏基于X线片进行脊柱侧弯角度测量的模型和工具;放射医生对X线片进行脊柱侧弯判断,通常通过手动大致测量Cobb角,对于角度小于10°的人群诊断为正常,角度在10°到20°的诊断为略侧弯,20°以上的诊断为侧弯,但是目前手动测量一致性较差,不够精确。
图1是本申请实施例提供的一种脊柱侧弯预测方法示意图。针对现有技术存在手动测量一致性较差,不够精确,本申请实施例提供一种脊柱侧弯预测方法,包括如下步骤101、102、103和104中:
101:获取第一用户的脊柱X线片,根据X线片确定第一用户的脊柱坐标数据,脊柱坐标数据用于标识脊柱所在的位置区域;
具体的,本申请实施例中采用pydicom对X线片进行医学数字成像和通信DICOM数据解析,获取第一用户脊柱X线片的脊柱坐标数据,脊柱坐标数据用于标识脊柱所在的位置区域。
应理解,DICOM是医学图像和相关信息的国际标准(ISO12052)。它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
第一用户可以是任何一个人,年轻人、老年人、男人、女人和青少年等群体中的任何一个人。
脊柱坐标数据,可以是能够确定一个脊柱点在空间的位置的一个或一组数,脊柱坐标数据中对应的点叫做脊柱点的坐标。通常由这个点到垂直相交的若干条固定的直线的距离来表示,这些直线叫做坐标轴。坐标轴的数目在平面上为2,如x轴,y轴。
102:对X线片进行预处理得到预处理后的X线片,预处理用于增强所述X线片的对比度;
具体的,本申请实施例中预处理的手段是直方均衡图像增强处理,通过直方均衡处理后的X线片对比度增强,得到的图像脊柱位置区域显示的更清晰。
应理解,直方均衡图像增强处理,即将随机分布的图像直方图修改成均匀分布的直方图。基本思想是对X线片的像素灰度做某种映射变换,使变换后图像灰度的概率密度呈均匀分布。这就意味着图像灰度的动态范围得到了增加,提高了X线片的对比度。
103:结合第一用户的脊柱坐标数据,对预处理后的X线片进行分割处理,得到分割输出图,分割输出图包括非脊柱位置区域和脊柱位置区域;
具体的,本申请实施例中,结合脊柱坐标数据,对预处理后的X线片人工标注出脊柱轮廓,采用人工标注的脊柱轮廓作为训练数据,输入图像尺寸为448x448,UNet神经网络的encoder下采样4次边界decoder相应上采样4次边界,得到分割输出图,对分割输出图应用阈值分割和高斯滤波处理得到光滑平缓的分割输出图,分割输出图包括非脊柱位置区域和脊柱位置区域,上文中的输入图像尺寸和采样次数不做限定,根据实际需要灵活确定。
应理解,非脊柱位置区域是不包括脊柱的位置区域,脊柱位置区域是包括脊柱的位置区域。
104:获取脊柱位置区域的脊柱参数,根据脊柱参数确定脊柱侧弯角度。
具体的,本申请实施例中,本申请实施例中从光滑平缓的分割输出图中获取脊柱的多个关键点,多个关键点具体指脊柱顶端点、脊柱尾端点、脊柱的多个左端点和脊柱的多个右端点中的一个或多个参数,确定脊柱侧弯角度。
本申请实施例中通过获取脊柱X线片,对X线片进行对比度增强处理,结合脊柱线片的坐标数据,对X线片进行分割得到脊柱位置区域和非脊柱位置区域,通过获取脊柱位置区域的多个脊柱参数确定脊柱侧弯度数,相比现有技术中的手动测量提高了脊柱侧弯度数测量的精度,使医生能更加合理、正确的给出诊疗建议,同时对处于脊柱侧弯临界范围内的人群提供更准确的建议。
上文介绍了获取脊柱位置区域的脊柱参数,确定脊柱侧弯角度,下文介绍根据脊柱参数确定脊柱侧弯角度的详细步骤。
图2是本申请实施例提供的又一种脊柱侧弯预测方法示意图。具体的,本申请实施例中,根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定所述脊柱侧弯角度,结合图2,包括如下两个步骤201和202:
201:根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定脊柱长度,脊柱宽度,脊柱边界、脊柱左边界和脊柱右边界;包括如下(1)、(2)、(3)和(4)种情况:
(1)根据脊柱顶端点和脊柱尾端点确定X线片的脊柱长度。
应理解,根据关键点脊柱顶端点和脊柱尾端点,脊柱顶端点和脊柱尾端点两个点确定一条直线,测量直线的距离就得到脊柱长度,男性平均脊柱长度为70-75cm,女性平均脊柱长度为66-70cm,高个子、矮个子的脊柱长度也不一样。
(2)根据所述多个左端点和所述多个右端点确定所述X线片的脊柱宽度。
应理解,脊柱有多个左端点和多个右端点,每一个左端点都有一个对应的右端点,左端点和右端点是水平线上的对应关系,将左端点和对应的右端点连接确定一条直线,测量多条直线的距离就得到脊柱的宽度。
(3)根据所述多个左端点确定所述X线片的脊柱左边界。
应理解,脊柱的多个左端点中通过任意两个相邻的左端点确定左边界中的一部分,将左边界中多个的一部分组合起来就确定出了脊柱的左边界。
(4)根据多个右端点确定所述X线片的脊柱右边界。
应理解,脊柱的多个右端点中通过任意两个相邻的右端点确定右边界中的一部分,将右边界中多个的一部分组合起来就确定出了脊柱的右边界。
202:根据脊柱长度,脊柱宽度、脊柱左边界和脊柱右边界,确定脊椎曲线,包括:
基于所述X线片的脊柱左边界、所述X线片的脊柱右边界确定脊柱的多个中点,将多个中点连线得到脊椎曲线。
应理解,根据脊柱长度,脊柱宽度,脊柱左边界,在脊柱左边界上确定多个左端点,可以是7至8个左端点,确定7至8个左端点上在脊柱右边界对应的7至8个右端点,左端点和右端点是水平方向上对应关系,根据每个左端点以及左端点对应的右端点的连线确定一个中点,这样就确定出来了7至8个中点,将这7至8个中点连线,就得到了脊椎曲线。这里的数字7、8可以根据脊柱长度,脊柱宽度灵活确定。
203:测量脊椎曲线得到脊柱的侧弯角度。
图3是本申请实施例提供的一种脊柱侧弯角度的测量方法示意图;
结合图3,首先确定脊椎曲线弯度的最后一个椎体,确定方法为,两个椎体间隙凹侧>凸侧,即向凹侧成角最后一个椎体,确定后在最上椎体的上缘,最下椎体下缘分别划平行线,夹角Cobb角即是脊柱的侧弯角度。
两条线夹角即是脊柱的侧弯角度,然而,如果Cobb角很小,做线的话,在平片上可能没有交点,可以过两条线分别做垂线,其角度等于脊柱的侧弯角度,图中示出的Cobb角。
在一些实施例中,上述方法还包括:根据映射比例和所述X线片的脊柱边界确定所述第一用户的脊柱边界。
根据所述映射比例和所述X线片的脊柱宽度确定所述第一用户的脊柱宽度。
根据所述映射比例和所述X线片的脊柱长度确定所述第一用户的脊柱长度。
具体的,本申请实施例中的映射比例根据实际情况进行灵活确定如1:2,1:1.5等,下面以映射比例1:2介绍上述实施例,如X线片的脊柱长度35cm,那么确定第一用户的实际脊柱长度为70cm;X线片的脊柱宽度包括多个如15cm、18cm和23cm,那么确定第一用户的实际脊柱宽度为30cm、36cm和46cm等等。
应理解,本申请通过映射比例,不仅确定了X线片上的脊柱长度、脊柱宽度和脊柱边界,而且确定了用户实际的脊柱长度,脊柱宽度和脊柱边界,为用户查看脊柱的实际信息提供了方便。
图4是本申请实施例提供的又一种脊柱侧弯预测方法示意图。
上文介绍了确定第一用户的脊柱侧弯度数,下文结合图4介绍通过用户信息确定未来一个时间段内的侧弯度数的过程,包括:401、402、403、404、405和406六个步骤。
401:获取N个用户基本信息,获取N个用户的脊柱侧弯角度;所述用户基本信息包括以下信息中的至少一项:脊柱长度、脊柱宽度、性别、年龄、身高和体重。
应理解,本申请实施例中通过多关键字组合从医院信息***HIS获取N个用户的基本信息,如:脊柱长度、脊柱宽度、性别、年龄、身高和体重等信息;通过多关键字组合从医院信息***HIS获取N个用户的脊柱侧弯角度。
应理解,这里的N个用户的脊柱侧弯角度与N个用户基本信息是对应关系,每个用户的基本信息对应一个脊柱侧弯角度。
402:计算N个用户基本信息在所述脊柱侧弯角度上的直方分布。
通过401步骤中的N用户基本信息和N个用户基本信息对应的侧弯角度,计算得到N个用户基本信息在所述脊柱侧弯角度上的直方分布。
应理解,根据直方分布①清楚可以显示各个用户信息在脊柱侧弯角度上的分布情况;②易于显示各个用户信息中每个信息频数的差别。
403:根据所述直方分布从所述基本信息中确定侧弯因子。
根据所述直方分布确定所述用户基本信息中的每个基本信息在脊柱侧弯角度中的占比。
确定所述占比大于预设阈值的基本信息为侧弯因子。
应理解,通过基本信息在脊柱侧弯角度上的分布情况,确定基本信息中对脊柱侧弯影响较大的因子为侧弯因子,减少了用户信息中对脊柱侧弯影响不大的因子的干扰,进一步提高了脊柱侧弯预测的准确性。
404:获取每一项侧弯因子的发生频率。
具体的,本申请实施例中,每个侧弯因子的发生频率pj=fj(i),其中,i为特定因子的变量值,fj为脊柱弯曲度数在j因子上的直方分布。
405:根据预测时间计算所述每一项侧弯因子的权重值。
具体的,本申请实施例中,通过如下两个公式计算预测时间内每一项侧弯因子的权重值;
其中,rj为第j个因子与脊弯曲度的Pearson相关系数,wt为预测时间所占权重,t为时间。
406:根据所述第一用户的脊柱侧弯角度、所述频率和所述权重值计算所述第一用户在所述预测时间的脊柱侧弯角度。
应理解,确定出第i年的脊柱侧弯角度的上涨角度,对第一用户的脊柱侧弯角度与第i年的脊柱侧弯角度的求和,就能够确定出第一用户在第i年的总的脊柱侧弯角度,方便医生根据脊柱目前的情况和未来的上涨趋势向用户提供更优质的建议,为科研临床产生了积极的贡献。
应理解,本申请中的预测方法,除了基于X线片,还引入了大量人群的用户信息,计算N个用户基本信息在所述脊柱侧弯角度上的直方分布,基于直方分布从用户信息中确定出对脊柱侧弯影响大的为侧弯因子,计算出每个脊柱侧弯因子的发生概率和权重,根据每个脊柱侧弯因子的发生概率和权重确定脊柱侧弯的角度上涨趋势预测,提高了预测的准确性。
图5是本申请实施例提供的一种脊柱侧弯预测装置示意图。
第二方面,如图5所示,本申请实施例还提供了一种脊柱侧弯预测装置,包括获取模块501、预处理模块502、分割处理模块503和确定模块504。
获取模块501:用于获取第一用户的脊柱X线片,根据所述X线片确定所述第一用户的脊柱坐标数据,所述脊柱坐标数据用于标识脊柱所在的位置区域。
具体的,本申请实施例中采用pydicom对X线片进行医学数字成像和通信DICOM数据解析,获取第一用户脊柱X线片的脊柱坐标数据,脊柱坐标数据用于标识脊柱所在的位置区域。
应理解,DICOM是医学图像和相关信息的国际标准(ISO12052)。它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
第一用户可以是任何一个人,年轻人、老年人、男人、女人和青少年等群体中的任何一个人。
脊柱坐标数据,可以是能够确定一个脊柱点在空间的位置的一个或一组数,脊柱坐标数据中对应的点叫做脊柱点的坐标。通常由这个点到垂直相交的若干条固定的直线的距离来表示,这些直线叫做坐标轴。坐标轴的数目在平面上为2,如x轴,y轴。
预处理模块502:用于对所述X线片进行预处理得到预处理后的X线片,所述预处理用于增强所述X线片的对比度。
具体的,本申请实施例中预处理的手段是直方均衡图像增强处理,通过直方均衡处理后的X线片对比度增强,得到的图像脊柱位置区域显示的更清晰。
应理解,直方均衡图像增强处理,即将随机分布的图像直方图修改成均匀分布的直方图。基本思想是对X线片的像素灰度做某种映射变换,使变换后图像灰度的概率密度呈均匀分布。这就意味着X线片灰度的动态范围得到了增加,提高了X线片的对比度。
分割处理模块503:用于结合所述第一用户的脊柱坐标数据,对所述预处理后的X线片进行分割处理,得到分割输出图,所述分割输出图包括非脊柱位置区域和脊柱位置区域。
具体的,本申请实施例中,结合脊柱坐标数据,对预处理后的X线片人工标注出脊柱轮廓,采用人工标注的脊柱轮廓作为训练数据,输入X线片尺寸为448x448,UNet神经网络的encoder下采样4次边界decoder相应上采样4次边界,得到分割输出图,对分割输出图应用阈值分割和高斯滤波处理得到光滑平缓的分割输出图,分割输出图包括非脊柱位置区域和脊柱位置区域,上文中的输入X线片尺寸和采样次数不做限定,根据实际需要灵活确定。
应理解,非脊柱位置区域是不包括脊柱的位置区域,脊柱位置区域是包括脊柱的位置区域。
确定模块504:用于获取所述脊柱位置区域的脊柱参数,根据所述脊柱参数确定脊柱侧弯角度。
具体的,本申请实施例中,本申请实施例中从光滑平缓的分割输出图中获取脊柱的多个关键点,多个关键点具体指脊柱顶端点、脊柱尾端点、脊柱的多个左端点和脊柱的多个右端点中的一个或多个参数,确定脊柱侧弯角度。
第三方面,本申请实施例提供了一种电子设备,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如上所述的脊柱侧弯方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如上所述的脊柱侧弯预测方法的步骤。
图6是本公开实施例提供的一种电子设备的结构示意图。如图6所示,电子设备包括:至少一个处理器601、至少一个存储器602和至少一个通信接口603。电子设备中的各个组件通过总线***604耦合在一起。通信接口603,用于与外部设备之间的信息传输。可理解,总线***604用于实现这些组件之间的连接通信。总线***604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见,在图6中将各种总线都标为总线***604。
可以理解,本实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储器602存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作***和应用程序。
其中,操作***,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本申请实施例提供的脊柱侧弯预测方法中任一方法的程序可以包含在应用程序中。
在本申请实施例中,处理器601通过调用存储器602存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器601用于执行本申请实施例提供的脊柱侧弯预测方法各实施例的步骤。
本申请实施例提供的脊柱侧弯预测方法中任一方法可以应用于处理器601中,或者由处理器601实现。处理器601可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例提供的脊柱侧弯预测方法任一方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种脊柱侧弯预测装置,其特征在于,包括:
获取模块:用于获取第一用户的脊柱X线片,根据所述X线片确定所述第一用户的脊柱坐标数据,所述脊柱坐标数据用于标识脊柱所在的位置区域;
预处理模块:用于对所述X线片进行预处理得到预处理后的X线片,所述预处理用于增强所述X线片的对比度;
分割处理模块:用于结合所述第一用户的脊柱坐标数据,基于UNet神经网络,对所述预处理后的X线片进行分割处理,得到分割输出图,所述分割输出图包括非脊柱位置区域和脊柱位置区域;
确定模块:用于获取所述脊柱位置区域的脊柱参数,根据所述脊柱参数确定脊柱侧弯角度;
所述脊柱侧弯预测装置用于:
获取N个用户基本信息,所述用户基本信息包括以下信息中的至少一项:脊柱长度、脊柱宽度、性别、年龄、身高和体重;
获取N个用户的脊柱侧弯角度;
计算所述N个用户基本信息在所述脊柱侧弯角度上的直方分布;
根据所述直方分布从基本信息中确定侧弯因子;
获取每一项侧弯因子的发生频率;
根据预测时间计算所述每一项侧弯因子的权重值;
根据所述第一用户的脊柱侧弯角度、所述频率和所述权重值计算所述第一用户在所述预测时间的脊柱侧弯角度。
2.根据权利要求1所述的脊柱侧弯预测装置,其特征在于,所述脊柱参数包括脊柱顶端点、脊柱尾端点、脊柱的多个左端点和脊柱的多个右端点中的一个或多个参数,所述根据所述脊柱参数确定脊柱侧弯角度,包括:
根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定所述脊柱侧弯角度。
3.根据权利要求2所述的脊柱侧弯预测装置,其特征在于,所述确定模块还用于:
根据所述脊柱顶端点、所述脊柱尾端点、所述多个左端点和所述多个右端点中的一个或多个参数,确定脊柱长度,脊柱宽度和脊柱边界,所述脊柱边界包括脊柱左边界和脊柱右边界;
根据所述脊柱长度、脊柱宽度和脊柱边界,确定脊椎曲线;
根据所述脊椎曲线,确定所述脊柱侧弯角度。
4.根据权利要求3所述的脊柱侧弯预测装置,其特征在于,所述确定模块还用于:
根据所述脊柱顶端点和所述脊柱尾端点确定所述X线片的脊柱长度;
根据所述多个左端点和所述多个右端点确定所述X线片的脊柱宽度;
根据所述多个左端点确定所述X线片的脊柱左边界;
根据所述多个右端点确定所述X线片的脊柱右边界;以及,所述根据所述脊柱长度,脊柱宽度、脊柱左边界和脊柱右边界,确定脊椎曲线,包括:
基于所述X线片的脊柱左边界、所述X线片的脊柱右边界确定脊柱的多个中点,将所述的多个中点连线得到脊椎曲线。
5.根据权利要求4所述的脊柱侧弯预测装置,其特征在于,所述脊柱侧弯预测装置还用于:
根据映射比例和所述X线片的脊柱边界确定所述第一用户的脊柱边界;
根据所述映射比例和所述X线片的脊柱宽度确定所述第一用户的脊柱宽度;
根据所述映射比例和所述X线片的脊柱长度确定所述第一用户的脊柱长度。
6.根据权利要求5所述的脊柱侧弯预测装置,其特征在于,所述根据所述直方分布从基本信息中确定侧弯因子包括:
根据所述直方分布确定所述用户基本信息中的每个基本信息在脊柱侧弯角度中的占比;
确定所述占比大于预设阈值的基本信息为侧弯因子。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述脊柱侧弯预测装置对应的功能。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述脊柱侧弯预测装置对应的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743122.5A CN112274164B (zh) | 2020-07-29 | 2020-07-29 | 脊柱侧弯预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743122.5A CN112274164B (zh) | 2020-07-29 | 2020-07-29 | 脊柱侧弯预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112274164A CN112274164A (zh) | 2021-01-29 |
CN112274164B true CN112274164B (zh) | 2023-02-21 |
Family
ID=74420705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010743122.5A Active CN112274164B (zh) | 2020-07-29 | 2020-07-29 | 脊柱侧弯预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112274164B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11610316B2 (en) * | 2020-03-06 | 2023-03-21 | Siemens Healthcare Gmbh | Method of computing a boundary |
CN113017610B (zh) * | 2021-05-26 | 2021-10-08 | 北京诺亦腾科技有限公司 | 一种脊柱数据的测量方法、装置及存储介质 |
CN113951873A (zh) * | 2021-10-09 | 2022-01-21 | 上海脊合医疗科技有限公司 | 一种基于x光图像的脊柱侧弯角度检测方法及*** |
CN114081471B (zh) * | 2021-11-11 | 2024-02-09 | 宜宾显微智能科技有限公司 | 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法 |
CN114078120B (zh) * | 2021-11-22 | 2022-05-20 | 北京欧应信息技术有限公司 | 用于检测脊柱侧弯的方法、设备和介质 |
CN114569115A (zh) * | 2022-03-04 | 2022-06-03 | 华民康(成都)科技有限公司 | 脊柱侧弯测量设备及其工作方法 |
Citations (5)
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 |
CN110175502A (zh) * | 2019-04-03 | 2019-08-27 | 中国科学院深圳先进技术研究院 | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110458831A (zh) * | 2019-08-12 | 2019-11-15 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的脊柱侧弯图像处理方法 |
CN110772255A (zh) * | 2019-04-23 | 2020-02-11 | 南京航空航天大学 | 基于姿态与位置传感器的人体脊柱侧弯角度的测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715605B2 (en) * | 2005-09-07 | 2010-05-11 | Siemens Medical Solution Usa, Inc. | Systems and methods for computer aided detection of spinal curvature using images and angle measurements |
CA2927955C (en) * | 2012-10-12 | 2018-08-28 | Ecole De Technologie Superieure | System and method for predicting scoliosis progression |
AU2016404824B2 (en) * | 2016-04-25 | 2019-08-15 | Telefield Medical Imaging Limited | Method and device for measuring spinal column curvature |
-
2020
- 2020-07-29 CN CN202010743122.5A patent/CN112274164B/zh active Active
Patent Citations (5)
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 |
CN110175502A (zh) * | 2019-04-03 | 2019-08-27 | 中国科学院深圳先进技术研究院 | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 |
CN110772255A (zh) * | 2019-04-23 | 2020-02-11 | 南京航空航天大学 | 基于姿态与位置传感器的人体脊柱侧弯角度的测量方法 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110458831A (zh) * | 2019-08-12 | 2019-11-15 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的脊柱侧弯图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112274164A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112274164B (zh) | 脊柱侧弯预测方法、装置、电子设备和存储介质 | |
KR101846370B1 (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
US7343190B2 (en) | System and method for assessing fetal abnormality based on landmarks | |
CN111671454A (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
Safari et al. | A semi-automatic algorithm for estimating cobb angle | |
CN111932533A (zh) | Ct图像椎骨定位方法、装置、设备及介质 | |
CN111368586B (zh) | 超声成像方法及*** | |
CN113284090B (zh) | 一种脊柱侧弯检测方法与医疗平台 | |
CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、***和设备 | |
CN111861989A (zh) | 一种脑中线检测方法、***、终端及存储介质 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
CN114078120B (zh) | 用于检测脊柱侧弯的方法、设备和介质 | |
CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及*** | |
WO2020215485A1 (zh) | 胎儿生长参数测量方法、***及超声设备 | |
JP2020171687A (ja) | 3d解剖学的ボリュームをその2dスライスの位置特定に基づいて処理するシステムおよび方法 | |
CN117876402B (zh) | 一种用于颞下颌关节紊乱病影像的智能分割方法 | |
Huang et al. | The comparison of convolutional neural networks and the manual measurement of Cobb angle in adolescent idiopathic scoliosis | |
Roels et al. | A machine learning pipeline for predicting bone marrow oedema along the sacroiliac joints on magnetic resonance imaging | |
TWI686178B (zh) | 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 | |
US20230230237A1 (en) | Image processing method and apparatus, computer device, and medium | |
CN112686866A (zh) | 基于医学影像的随访方法、装置及计算机可读存储介质 | |
Kim et al. | Automatic spine segmentation and parameter measurement for radiological analysis of whole-spine lateral radiographs using deep learning and computer vision | |
CN116645391A (zh) | 学生脊柱健康管理***及方法 | |
Zhang et al. | A Computer‐aided Method for Improving the Reliability of Lenke Classification for Scoliosis | |
Makhdoomi et al. | Development of Scoliotic Spine Severity Detection using Deep Learning Algorithms |
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 |