CN108491770B - 一种基于骨折影像的数据处理方法 - Google Patents
一种基于骨折影像的数据处理方法 Download PDFInfo
- Publication number
- CN108491770B CN108491770B CN201810191832.4A CN201810191832A CN108491770B CN 108491770 B CN108491770 B CN 108491770B CN 201810191832 A CN201810191832 A CN 201810191832A CN 108491770 B CN108491770 B CN 108491770B
- Authority
- CN
- China
- Prior art keywords
- image
- fracture
- data
- lines
- ray film
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 45
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 208000010392 Bone Fractures Diseases 0.000 claims description 93
- 206010017076 Fracture Diseases 0.000 claims description 85
- 238000011282 treatment Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 210000000623 ulna Anatomy 0.000 claims description 5
- 210000003484 anatomy Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 206010020100 Hip fracture Diseases 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 206010048049 Wrist fracture Diseases 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 7
- 206010037802 Radius fracture Diseases 0.000 description 6
- 210000003857 wrist joint Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 206010053206 Fracture displacement Diseases 0.000 description 2
- 208000006358 Hand Deformities Diseases 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000024779 Comminuted Fractures Diseases 0.000 description 1
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 208000006670 Multiple fractures Diseases 0.000 description 1
- 208000023637 Multiple injury Diseases 0.000 description 1
- 208000031294 Upper limb fractures Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003010 carpal bone Anatomy 0.000 description 1
- 210000003797 carpal joint Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 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
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于骨折影像的数据处理方法，包括以下步骤：a）将骨折影像导入数据处理中心；b）对导入的图像进行图像识别；c）对识别后的图像进行预定参数值测量，得到一组数据值；d）将步骤c）中得到的数据值进行处理后输出。通过该方法可以帮助骨科大夫对骨骼影像进行读图及判断病情，大大提高医师的工作效率和质量。
Description
技术领域
本发明属于医疗技术领域，尤其涉及一种基于骨折影像的数据处理方法。
背景技术
随着生活方式的改变及老龄化的加重，我国骨折发病率逐年升高。在该病的诊断及治疗中，X光片具有重要意义，几乎是所有患者诊疗过程中的必备检查。然而受限于我国的医疗环境和医疗水平，在实际临床工作中对骨折X光片能够做到准确阅读、充分利用却是一件很难的事情。因此，我国骨折患者的误诊、漏诊率较高，不但给患者健康带来巨大损失，还增加了医疗纠纷的风险。而且骨折的治疗方法多样，要求医生根据患者病情具体分析，这需要诊治医师不仅要掌握扎实的专业技能，也需具备丰富的诊治经验，一旦诊疗方法有误，同样会给医患双方造成严重后果。以上问题都急需通过有效措施予以解决。
骨折影像可显示骨折线的数量、形态、部位及与周围结构的关系，并可通过对X光片诸多参数的测量进一步量化骨折移位或成角的程度。然而实际临床工作中对骨折X光片能够做到准确阅读、充分利用却是一件很难的事情。目前骨折X光片的应用方法均为人工读图，这种方式存在以下问题：
1.专业性强
对于移位明显、创伤较大的病例，绝大多数医师都可以准确的辨别是否存在骨折。但由于骨骼解剖结构的独特性，对于某些形态不规则、排列不整齐的骨折部位，或是移位不明显的骨折，部分专业经验不足的医生就难以给出正确诊断。
2.漏诊误诊
骨折患者病情发生突然，尤其是多发伤的患者，创伤重且情况复杂，黄金就诊时间短暂。而急诊工作量大，每名患者接诊时间有限，无法详细并准确的测量某些重要的影像参数，这均会影响诊疗治疗，造成漏诊误诊，错过患者最佳治疗时机。
3.分型复杂
骨折AO分型对于疾病治疗具有重要指导意义，但是分型规则复杂，难记易忘，即使是经验丰富的骨科大夫也常会因遗忘、疏忽等原因造成分型错误，影响后续治疗。
发明内容
为解决上述技术问题，本发明提供一种基于骨折影像的数据处理方法。通过该方法可以帮助骨科大夫对骨骼影像进行读图及判断病情，大大提高医师的工作效率和质量。
本发明是通过以下技术方案来实现的：一种基于骨折影像的数据处理方法，包括以下步骤：
a)将骨折影像导入数据处理中心；
b)对导入的影像进行图像识别；
c)对识别后的影像进行预定参数值测量，得到一组数据值；
d)将步骤c)中得到的数据值进行处理后输出。
进一步，所述骨折影像为X光片。
进一步，步骤b)中，所述对导入的影像进行图像识别，还包括步骤：
b1)在所述X光片上标示出骨骼轮廓线；
b2)在所述X光片上标示出骨折线；
b3)在所述X光片上标示出标识线和/或标识点；
b4)把各所述参数值及所述标识线或标识点部分或全部显示于所述X光片上。
进一步，步骤b)还包括：b5)识别出骨折线的数量和/或骨折线与标识线或标识点的位置关系。
进一步，步骤c)还包括，根据不同的骨折分型需求，测量出相应的分型所需的参数，并存储于预设的数据库中。
进一步，所述数据处理中心内预设有骨折分型数据库，并且在步骤d)中，对处理后的所述数据值与所述分型数据库进行数据匹配，根据匹配结果将分型结果输出。
进一步，所述分型数据库包括AO分型数据库。
进一步，所述数据处理中心内还预设有针对不同骨骼分型下每种类型的骨折所对应的治疗方案，输出AO分型结果的同时，将对应的治疗方案一并输出。
进一步，步骤b)对导入的影像进行图像识别，包括以下预处理步骤：
b01)先对所述影像进行滤波、去噪，再分段线性灰度变换；
b02)在上述步骤之后进行影像分割、提取边缘，再进行连通域处理后进行形态学过滤；
b03)将数据从影像块迁移到轮廓形状；
b04)通过CNN学习影像块纹理模态和轮廓形状模态的联合表达层，形成从影像块到纹理的通路；
b05)沿所述通路进行轮廓提取，得到骨骼结构的轮廓形状。
进一步，步骤b03)还包括：
对所述骨折影像进行影像缩放得到感兴趣的区域。
进一步，步骤b)还包括：b06)采用多重线性回归分类器得到影像中骨骼解剖结构的可能性组合。
进一步，采用人机交互的方式，在所述X光片上人工辅助标示出骨骼轮廓线；和/或，
采用人机交互的方式，在所述X光片上人工辅助标示出骨折线；和/或，
采用人机交互的方式，在所述X光片上人工辅助标示出标识线和/或标识点。
进一步，步骤c)中，还包括将测量后的数据值存储于数据处理中心数据库中并进行分类管理。
进一步，步骤c)中，还包括使用时间递归神经网络，为每一例影像加上标签，并将该标签下的影像以及相应的所述数据值结果存放于数据处理中心数据库中。
进一步，所述骨折影像为腕关节骨折影像或股骨转子间骨折影像。
因此，本发明一种利用“计算机/人工智能识别-测量计算-分析”系统，对患者骨折X光片进行快速、准确识别及测量，获取相关重要参数，综合分析推导出骨折分型，并可基于分型提出治疗方案的方法。该发明可提高骨折X线影像的阅片速度和精度，解决人工读片误诊漏诊率高的问题，提高急诊及骨科医师对骨折诊疗过程中的医疗效率和医疗质量。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。以下结合附图对本发明的原理和特征进行描述，需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。所举实例只用于解释本发明，并非用于限定本发明的范围。
骨折类型多种多样，而桡骨远端骨折是临床上肢骨折中最常见的骨折，大约占全身骨折的1/6，桡骨远端骨折的AO分型对于骨折的治疗具有重要的指导意义。因此，为了更好的说明本发明所公开的技术方案，下面以选取桡骨远端骨折作为具体实施例对本发明具体说明。
名词解释：
骨折：骨折是指骨结构的连续性完全或部分断裂。可由暴力或积累性劳损引起，常为—个部位骨折，少数为多发性骨折。经及时恰当处理，多数病人能恢复原来的功能，少数病人可遗留有不同程度的后遗症。
桡骨远端骨折：指距桡骨远端关节面3cm以内的骨折。
骨与骨之间连接在一起称为关节，关节面是参与组成关节的各相关骨的接触面。
中心参考点(CRP)：腕关节正侧位像上，月骨切迹掌背侧角之间连线的中点。能更准确测量桡倾角和尺骨变异，中心参考点基本位于月骨切迹中心的冠状面，其不由掌倾或背倾来决定。
桡倾角(尺偏角)，作为一个解剖参数是指自桡骨茎突至CRP的连线与桡骨长轴的垂线之间所成的夹角。正常腕关节桡倾角约为24°。通常，桡骨远端骨折患者桡倾角<15°具有相对手术适应症。
桡骨高度：作为另一参数也用于评价桡骨的短缩情况。通过测量垂直于参考线即桡骨干长轴的两条直线之间的距离可以得出具体数值，这两条线分别为经过桡骨茎突顶点的垂线以及经过CRP的垂线。桡骨高度的正常值为11.6mm。
掌倾角：是指桡骨干中轴的垂线与侧位像中掌背侧缘连线所称的角度。正常腕关节掌倾角大约为10°。侧位像中，掌倾角用于测量关节面的成角情况。掌侧移位的骨折通常显示为掌倾角的增加，这些骨折极度不稳定，需要一定程度的固定。
骨折线：骨折线就是骨折的部位在X片上所呈现的未愈合的线，它是临床上判断是否骨折的重要标志，若骨折线未消失说明骨折还没愈合。根据骨折线一般分为完全性骨折和不完全性骨折。
横行骨折：骨折线几乎与骨干纵轴垂直。
斜形骨折：骨折线与骨干纵轴不垂直。
螺旋形骨折：骨折线呈螺旋形。
粉碎性骨折：骨折碎块多于2块，如骨折线呈T形或Y形时，又称为T形或Y形骨折。
嵌插骨折：骨折后，骨密质插入骨松质内。
人工智能：人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。
RCNN(Region-based Convolutional Neural Network),利用卷积神经网络，对局部区域信息进行提取以进行目标检测的一种方法。RCNN的过程要点可以简单的表示为：
1.利用selective search方法对输入影像进行region of interest ROI提取
2.将提取的region放入预训练的CNN中进行特征提取
3.将SVM分类器进行fine-tuning，将输出标签改为N+1个
4.训练这个SVM，用训练好的SVM对于CNN出来的特征向量得到检测目标的分类和bounding box的回归。
Fast-RCNN、Faster-RCNN是在RCNN基础上进一步改进的图像识别算法，提高了测试和训练时的速度，并降低了训练空间。
请参考附图1，为本发明所提供的一种基于骨折影像的数据处理方法的一种具体实施方式的流程图。
一，图像获取
将腕关节影像的正位X光片、侧位X光片导入数据处理中心，如有必要，还可以把其它的X光片导入进去。
导入方式可以是利用DICOM系统从医院影像科PACS系统获得后直接导入，也可以是通过拍摄图片的方式拍摄后导入。该数据处理中心用于对导入的影像进行数据处理，可以是计算机软件系统，也可以是手机、平板电脑等移动设备的处理系统。该数据处理中心可以和数据处理后的显示端为一体，也可以是将影像通过远程通讯的方式发送到数据处理中心后，经数据处理中心处理后将所需的结果返回至该发送端。
对于不通过类型的骨骼，所需的X光片也有所不同，有的骨骼可能需要正位和侧位两张即可，有的骨骼可能只需要一张正位即可，还有一些光有正位和侧位还不够，可能还需要斜位或其它位的影像。
二，图像识别
对导入的影像进行图像识别，需要对影像进行预处理，包括以下步骤：
b01)先对所述影像进行滤波，再分段线性灰度变换；
b02)在上述步骤之后进行影像分割、提取边缘，再进行连通域处理后进行形态学过滤；
b03)利用多模态深度波尔兹曼机(Deep Boltzmann Machine)将数据从影像块迁移到轮廓形状；
b04)通过CNN学习影像块纹理模态和轮廓形状模态的联合表达层，形成从影像块到纹理的通路；
b05)使用吉布斯采样(Gibbs Sampling)方法沿所述通路进行轮廓提取，得到骨骼结构的轮廓形状。
b06)采用多重线性回归分类器得到影像中骨骼解剖结构的可能性组合。
影像预处理后，需要对影像进行划线、标识等操作，具体包括：
b1)在所述X光片上标示出骨骼轮廓线；
b2)在所述X光片上标示出骨折线；
b3)在所述X光片上标示出标识线和/或标识点；
b4)把各所述参数值及所述标识线或标识点部分或全部显示于所述X光片上；
b5)识别出骨折线的数量及骨折线与标识线或标识点的位置关系。
上述的标识线及标识点，根据不同的骨骼类型，标识线和标识点也不同，对于腕关节来说，进行骨折影像的数据处理时，需要标识中心参考点(CRP)，该参考点即为标识点，该参考点位于腕关节正侧位像上，月骨切迹掌背侧角之间连线的中点。能更准确测量桡倾角和尺骨变异，中心参考点基本位于月骨切迹中心的冠状面，其不由掌倾或背倾来决定。
另外，桡倾角(尺偏角)的角度线，作为一个解剖参数是指自桡骨茎突至CRP的连线与桡骨长轴的垂线之间所成的夹角，即可以作为一个标识线进行标出。正常腕关节桡倾角约为24°。通常，桡骨远端骨折患者桡倾角<15°具有相对手术适应症。
另外一个参数为桡骨高度，作为另一参数也用于评价桡骨的短缩情况。通过测量垂直于参考线即桡骨干长轴的两条直线之间的距离可以得出具体数值，这两条线分别为经过桡骨茎突顶点的垂线以及经过CRP的垂线。桡骨高度的正常值为11.6mm。
在进行图像识别的过程中，如果有些个体的生长发育情况比较特别，可能采用常规算法无法自动识别，或者医师有偏好，也可以采用人机交互的方式，由医师在所述X光片上人工辅助标示出骨骼轮廓线或者在所述X光片上人工辅助标示出骨折线或者在所述X光片上人工辅助标示出标识线和/或标识点。
在进行标识过程中，如果个体发育情况非常正常，影像数据也较为清晰，容易识别，可以完全由计算机进行识别操作。
另一种具体实施方式中，还可以采用人机交互的方式，由医师对一部分需要特别标识的线或点进行辅助绘制，其余的由计算机数据处理中心处理。
上述几种不同模式，可以由医师自行选择操作，可以满足更多的需求，提高本方法的适用范围。
利用上述对导入的影像进行识别的方法，准确度高，自适应能力强，并且处理速度高效快捷。
三，图像分析，参数测量
图像识别工作完成后，就可以根据一系列约束条件对桡骨结构进行分析、测量以及对骨折移位或成角程度进行量化。图像分析包括排除背景混杂，识别关键区域，尺骨、桡骨、尺桡关节及周围腕骨识别，异常骨折线、骨折块识别，测量相关参数(骨折线的数量、位置、与关节面的关系，桡骨高度，尺偏角，掌倾角)，作为分型输入参数。各参数的具体含义请参见上述名词解释。
由于医师在为病人做手术的时候，只根据简单的手术方案还难以进行实施，为了便于医师在手术中随时方便的查看影像，数据处理中心可以在影像上添加标识线或标识点，根据需要，医师可以选择性的，把各所述参数值及所述标识线或标识点部分或全部显示于所述影像上。这样，可以直接打印出带有标识的影像，更加方便医师进行手术时随时查看，而且免去了人工划线的种种弊端。
四，数据分析
根据直接测量的参数值，对部分数据需要进行数据分析后得到新的数据，以满足医师的需求，方便医师根据分析结果判定病情。
五、结果输出
在输出结果方面，为了最大化的减少医师的工作量，提高医疗效率，数据处理中心内预设有各种骨骼分析的数据库，比如AO分析数据库，对处理后的所述数据值与所述分型数据库进行数据匹配及存储，根据匹配结果将分型结果输出。
为了方便医师快速、准确的直接得到治疗方案，所述数据处理中心内还预设有针对各种骨骼分型下每种类型所对应的治疗方案，输出分型结果的同时，将对应的治疗方案一并输出。
另外，为了提高处理系统的准确度及效率，在每处理一个病例的影像图片后，使用时间递归神经网络，为每一例影像加上标签，并将该标签下的影像以及相应的所述数据值结果存放于数据处理中心数据库中。这样，就可以不断积累数据，不断的增强系统的人工智能深度学习效果，进而会使影像处理速度越来越快，而且越来越准确。
本发明所提供的方法，首先通过CNN图像识别系列技术(RCNN、Fast-CNN、Faster-CNN)获得腕关节正侧位X光片的基本影像信息，通过对影像进一步处理获得骨折线的具体定位，经过计算机自动测量、计算获得上述关键参数，利用参数进一步推导可获得具体的AO分型或其它分型，最后根据分型提出最佳治疗建议。
上述具体实施例仅以腕关节骨骼作为示例所进行的说明，本方法也可以用于股骨转子间骨折影像或其它骨骼的影像数据处理，其具体方法在此不再赘述。
本发明所公开的基于骨折影像的数据处理方法，适用于在骨折的辅助诊断、分型和辅助治疗，可以对患者骨折X光片进行快速、准确识别及测量，获取相关重要参数，综合分析推导出骨折分型，并且可以对同一骨折X光片可以根据临床需求给出多种分型方案，并可基于每种分型提出相应的治疗方案，用于辅助手术方案设计。该发明可提高骨折X线影像的阅片速度和精度，可以快速、精确的获得骨折X线图片的关键数据，解决人工读片误诊漏诊率高的问题，提高急诊及骨科医师对骨折诊疗过程中的医疗效率和医疗质量。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种基于骨折影像的数据处理方法，其特征在于，包括以下步骤：
a)将骨折影像导入数据处理中心；
b)对导入的影像进行图像识别；
c)对识别后的影像进行预定参数值测量，得到一组数据值；所述参数值包括骨折线的数量、位置、与关节面的关系，桡骨高度，尺偏角，掌倾角；
d)将步骤c)中得到的数据值进行处理后输出；
步骤b)对导入的影像进行图像识别，包括以下步骤：
b01)先对所述影像进行滤波，再分段线性灰度变换；
b02)在上述步骤之后进行影像分割、提取边缘，再进行连通域处理后进行形态学过滤；
b03)将数据从影像块迁移到轮廓形状；
b04)通过CNN学习影像块纹理模态和轮廓形状模态的联合表达层，形成从影像块到纹理的通路；
b05)沿所述通路进行轮廓提取，得到骨骼结构的轮廓形状。
2.根据权利要求1所述的一种基于骨折影像的数据处理方法，其特征在于，所述骨折影像为X光片。
3.根据权利要求2所述的一种基于骨折影像的数据处理方法，其特征在于，步骤b)中，所述对导入的影像进行图像识别，还包括步骤：
b1)在所述X光片上标示出骨骼轮廓线；
b2)在所述X光片上标示出骨折线；
b3)在所述X光片上标示出标识线和/或标识点；
b4)把各所述参数值及所述标识线或标识点部分或全部显示于所述X光片上。
4.根据权利要求3所述的一种基于骨折影像的数据处理方法，其特征在于，步骤b)还包括：
b5)识别出骨折线的数量和/或骨折线与所述标识线和/或标识点的位置关系。
5.根据权利要求4所述的一种基于骨折影像的数据处理方法，其特征在于，步骤c)还包括，根据不同的骨折分型需求，测量出相应的分型所需的参数，并存储于预设的数据库中。
6.根据权利要求1所述的一种基于骨折影像的数据处理方法，其特征在于，所述数据处理中心内预设有骨折分型数据库，并且在步骤d)中，对处理后的所述数据值与所述分型数据库进行数据匹配，根据匹配结果将分型结果输出。
7.根据权利要求6所述的一种基于骨折影像的数据处理方法，其特征在于，所述分型数据库包括AO分型数据库。
8.根据权利要求6所述的一种基于骨折影像的数据处理方法，其特征在于，所述数据处理中心内还预设有针对不同骨骼分型下每种类型的骨折所对应的治疗方案，输出AO分型结果的同时，将对应的治疗方案一并输出。
9.根据权利要求1所述的一种基于骨折影像的数据处理方法，其特征在于，步骤b03)还包括：
对所述骨折影像进行影像缩放得到感兴趣的区域。
10.根据权利要求9所述的一种基于骨折影像的数据处理方法，其特征在于，步骤b)还包括：
b06)采用多重线性回归分类器得到影像中骨骼解剖结构的可能性组合。
11.根据权利要求3所述的一种基于骨折影像的数据处理方法，其特征在于，
采用人机交互的方式，在所述X光片上人工辅助标示出骨骼轮廓线；和/或，
采用人机交互的方式，在所述X光片上人工辅助标示出骨折线；和/或，
采用人机交互的方式，在所述X光片上人工辅助标示出标识线和/或标识点。
12.根据权利要求1-11任一项所述的一种基于骨折影像的数据处理方法，其特征在于，步骤c)中，还包括
将测量后的数据值存储于数据处理中心数据库中并进行分类管理。
13.根据权利要求1-11任一项所述的一种基于骨折影像的数据处理方法，其特征在于，步骤c)中，还包括
使用时间递归神经网络，为每一例影像加上标签，并将该标签下的影像以及相应的所述数据值结果存放于数据处理中心数据库中。
14.根据权利要求1-11任一项所述的一种基于骨折影像的数据处理方法，其特征在于，所述骨折影像为腕关节骨折影像或股骨转子间骨折影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810191832.4A CN108491770B (zh) | 2018-03-08 | 2018-03-08 | 一种基于骨折影像的数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810191832.4A CN108491770B (zh) | 2018-03-08 | 2018-03-08 | 一种基于骨折影像的数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108491770A CN108491770A (zh) | 2018-09-04 |
| CN108491770B true CN108491770B (zh) | 2023-05-30 |
Family
ID=63338047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810191832.4A Active CN108491770B (zh) | 2018-03-08 | 2018-03-08 | 一种基于骨折影像的数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491770B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11080852B2 (en) * | 2018-08-19 | 2021-08-03 | Chang Gung Memorial Hospital, Linkou | Method and system of analyzing medical images |
| CN109124836B (zh) * | 2018-09-18 | 2021-04-30 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损处理方式的确定方法及装置 |
| CN109106481B (zh) * | 2018-09-18 | 2021-04-30 | 北京爱康宜诚医疗器材有限公司 | 髋臼骨缺损程度的确定方法及装置 |
| KR102540998B1 (ko) * | 2019-01-18 | 2023-06-05 | 가톨릭대학교 산학협력단 | 영상 정복 기반 가상 내고정물 생성 방법 및 장치 |
| CN111354057B (zh) * | 2020-03-10 | 2022-07-08 | 中南大学 | 基于图像变形技术的骨折线地图绘制方法 |
| CN111899880B (zh) * | 2020-08-03 | 2024-08-27 | 暨南大学附属第一医院（广州华侨医院） | 腰椎骨小梁负载应力改变及隐匿骨折人工风险评估方法 |
| CN111933281B (zh) * | 2020-09-30 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
| CN112435269A (zh) * | 2020-12-02 | 2021-03-02 | 山东中医药大学 | 一种基于Faster-RCNN的桡骨远端骨折图像处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002096280A2 (de) * | 2001-05-29 | 2002-12-05 | Innovationsagentur Gesellschaft M.B.H. | Verfahren und einrichtung zum gewinnen von informationen über eine knochenfraktur |
| EP1293925A1 (en) * | 2001-09-18 | 2003-03-19 | Agfa-Gevaert | Radiographic scoring method |
| CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
| CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗系统有限公司 | 一种肋骨自动标定的方法及装置 |
| CN106023094A (zh) * | 2016-05-10 | 2016-10-12 | 中南大学 | 基于图像的骨组织微观结构修复系统及其修复方法 |
| CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8064660B2 (en) * | 2004-02-27 | 2011-11-22 | National University Of Singapore | Method and system for detection of bone fractures |
| US9480439B2 (en) * | 2012-11-01 | 2016-11-01 | Virginia Commonwealth University | Segmentation and fracture detection in CT images |
-
2018
- 2018-03-08 CN CN201810191832.4A patent/CN108491770B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002096280A2 (de) * | 2001-05-29 | 2002-12-05 | Innovationsagentur Gesellschaft M.B.H. | Verfahren und einrichtung zum gewinnen von informationen über eine knochenfraktur |
| EP1293925A1 (en) * | 2001-09-18 | 2003-03-19 | Agfa-Gevaert | Radiographic scoring method |
| CN1682236A (zh) * | 2002-08-20 | 2005-10-12 | 成像治疗仪股份有限公司 | 用于x射线图像分析的方法和设备 |
| CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗系统有限公司 | 一种肋骨自动标定的方法及装置 |
| CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
| CN106023094A (zh) * | 2016-05-10 | 2016-10-12 | 中南大学 | 基于图像的骨组织微观结构修复系统及其修复方法 |
Non-Patent Citations (2)
| Title |
|---|
| N. Umadevi等.Multiple classification system for fracture detection in human bone x-ray images.《2012 Third International Conference on Computing, Communication and Networking Technologies (ICCCNT"12)》.2012, * |
| 基于BP神经网络的CT图像骨皮质分割;卫娇;《医用生物力学》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108491770A (zh) | 2018-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491770B (zh) | 一种基于骨折影像的数据处理方法 | |
| Ma et al. | Bone fracture detection through the two-stage system of crack-sensitive convolutional neural network | |
| CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
| CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
| EP3567525A1 (en) | Systems and methods for analysis of anatomical images each captured at a unique orientation | |
| Liu et al. | Automatic bone age assessment based on intelligent algorithms and comparison with TW3 method | |
| CN108309334B (zh) | 一种脊柱x线影像的数据处理方法 | |
| CN107358608A (zh) | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 | |
| Liu et al. | Artificial intelligence to diagnose tibial plateau fractures: an intelligent assistant for orthopedic physicians | |
| Mansourvar et al. | Automated web based system for bone age assessment using histogram technique | |
| Mihail et al. | Automatic hand skeletal shape estimation from radiographs | |
| Peloschek et al. | An automatic model-based system for joint space measurements on hand radiographs: initial experience | |
| Karanam et al. | A statistical model approach based on the Gaussian Mixture Model for the diagnosis and classification of bone fractures | |
| Zeng et al. | TUSPM-NET: A multi-task model for thyroid ultrasound standard plane recognition and detection of key anatomical structures of the thyroid | |
| Pham et al. | Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks | |
| Duryea et al. | Automated algorithm for the identification of joint space and phalanx margin locations on digitized hand radiographs | |
| Akhbardeh et al. | Classification and assessment of hand arthritis stage using support vector machine | |
| Sumi et al. | Classifying humerus fracture using x-ray images | |
| Duryea et al. | Neural network based automated algorithm to identify joint locations on hand/wrist radiographs for arthritis assessment | |
| Ogiela et al. | Graph image language techniques supporting radiological, hand image interpretations | |
| Liu et al. | Detection of fetal facial anatomy in standard ultrasonographic sections based on real‐time target detection network | |
| CN113643263B (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
| CN116564458A (zh) | 一种基于电子病历的数据处理方法、系统、设备及介质 | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| Antani et al. | Vertebra shape classification using MLP for content-based image retrieval |
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 |