[go: up one dir, main page]

CN111652301B - 基于深度学习的股骨小转子识别方法、装置及电子设备 - Google Patents

基于深度学习的股骨小转子识别方法、装置及电子设备 Download PDF

Info

Publication number
CN111652301B
CN111652301B CN202010464682.7A CN202010464682A CN111652301B CN 111652301 B CN111652301 B CN 111652301B CN 202010464682 A CN202010464682 A CN 202010464682A CN 111652301 B CN111652301 B CN 111652301B
Authority
CN
China
Prior art keywords
lesser trochanter
segmentation
femur
point
network
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
Application number
CN202010464682.7A
Other languages
English (en)
Other versions
CN111652301A (zh
Inventor
张逸凌
刘星宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Longwood Valley Medtech Co Ltd
Original Assignee
Beijing Changmugu Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Changmugu Medical Technology Co Ltd filed Critical Beijing Changmugu Medical Technology Co Ltd
Priority to CN202010464682.7A priority Critical patent/CN111652301B/zh
Publication of CN111652301A publication Critical patent/CN111652301A/zh
Application granted granted Critical
Publication of CN111652301B publication Critical patent/CN111652301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于深度学习的股骨小转子识别方法、装置及电子设备所述方法包括：获取待识别二维横断面图像；利用分割网络对所述待识别二维横断面图像进行股骨分割；利用层面分类器对所述股骨分割结果图像进行分类，得到小转子层面；利用点识别网络识别所述小转子层面，定位小转子关键点。采用人工智能对小转子进行识别，可以得到传统医学定义的小转子区域关键点，相比于通过医生手工在小转子区域内取点定位，并计算腿长差，可以大大提高小转子定位的准确性，并能大大提高腿长差的计算精度，为医生手术提供可靠的数据支持。

Description

基于深度学习的股骨小转子识别方法、装置及电子设备
技术领域
本申请涉及医学技术领域，具体而言，涉及一种基于深度学习的股骨小转子识别方法、装置及电子设备。
背景技术
在医学领域中能否准确的确定一些关键位置是一些医学手术成功的重要影响因素。比如在截骨手术中，由于小转子突出点与坐骨结节连线的垂线，两侧距离之差(L1-L2)可以代表肢体缩短距离参见图1，因此，小转子的位置决定了股骨颈截骨的位置，一般股骨颈截骨的位置位于小转子上缘上方不能小于3mm。因此，精准的定位小转子可在术前判断下肢长度差异，减免患者手术后双下肢长度差异过大。
而目前数字重建放射影像中腿长差的计算只能通过医生手工取点计算，由于医学定义中小转子是一个区域，如图1所示的小转子，再加之人工在小转子区域中取点，导致精准度过低低，标定稳定性差，可能导致患者手术后双下肢长度差异过大，无法满足实际需要。
因此，如何确定股骨小转子的精确位置成为亟待解决的技术问题
发明内容
本申请的主要目的在于提供一种基于深度学习的股骨小转子识别方法、装置及电子设备，以提出一种确定股骨小转子的精确位置。
为了实现上述目的，根据本申请的第一方面，提供了一种基于深度学习的股骨小转子识别方法，包括：获取待识别二维横断面图像；利用分割网络对所述待识别二维横断面图像进行股骨分割；利用层面分类器对股骨二维横断面分割结果图像进行分类，得到小转子层面；利用点识别网络识别所述小转子层面，定位小转子关键点。
可选地，所述分割网络包括预设分割神经网络，所述预设分割神经网络通过对股骨层面的标注训练样本进行训练得到；在所述利用预设分割神经网络对所述待识别二维横断面图像进行分割，得到股骨二维横断面分割结果图像。
可选地，所述层面分类器包括预设分类神经网络，所述预设分类神经网络根据对小转子层面的标注训练样本进行训练得到；利用所述层面分类器对所述待识别二维横断面图像进行分类包括：利用预设分类神经网络对所述股骨二维横断面分割结果进行分类，得到小转子层面。
可选地，所述利用点识别网络识别所述小转子层面，定位小转子关键点包括：拟合髓腔轴线；利用所述点识别网络识别所述小转子层面得到多个子关键点；在所述多个子关键点中选择距离所述髓腔轴线最远的点作为小转子关键点。
可选地，所述拟合髓腔轴线包括：根据平面图像的质心公式计算多个股骨髓腔中心点，所述髓腔中心点包括小转子层面的髓腔中心点和/或股骨层面的髓腔中心点；对中心点进行线拟合，确定髓腔轴线。
根据第二方面，本申请提供了一种基于深度学习股骨小转子识别装置，包括：获取模块，获取待识别二维横断面图像；分割模块，用于利用分割网络对所述待识别二维横断面图像进行股骨分割；分类模块，用于利用层面分类器对股骨二维横断面分割结果进行分类，得到小转子层面；识别模块，用于利用点识别网络识别所述小转子层面，定位小转子关键点。
根据第三方面，本申请提供了一种腿长差识别方法，包括：利用上述第一方面任意一项所述基于深度学习的股骨小转子识别方法得到小转子关键点；基于所述小转子关键点计算腿长差。
根据第四方面，本申请提供了一种腿长差识别装置，包括：小转子识别模块，用于利用上述第一方面任意一项所述基于深度学习的股骨小转子识别方法得到小转子关键点；计算模块，用于基于所述小转子关键点计算腿长差。
根据第五方面，本申请实施例提供了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指令，所述计算机指令用于使所述计算机执行上述第一方面任意一项所述的基于深度学习的股骨小转子识别方法和/或第三方面描述的腿长差识别方法。
根据第六方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面任意一项所述的基于深度学习的股骨小转子识别方法和/或第三方面描述的腿长差识别方法。
本申请实施例的基于深度学习的股骨小转子识别方法可以利用分割网络对二维横断面图像进行股骨分割，得到股骨二维横断面分割结果；利用分类器对股骨二维横断面分割结果图像进行分类，得到小转子层面，并利用点识别网络识别小转子层面中的关键点。采用人工智能对小转子进行识别，可以得到传统医学定义的小转子区域关键点，相比于通过医生手工在小转子区域内取点定位，并计算腿长差，可以大大提高小转子定位的准确性，并能大大提高腿长差的计算精度，为医生手术提供可靠的数据支持。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是现有技术中的一种基于小转子的腿长差测量示意图；
图2是根据本申请实施例提供的一种基于深度学习的股骨小转子识别方法流程示意图；
图3A是根据本申请实施例提供的小转子位置示意图；
图3B是根据本申请实施例提供的小转子二维横断面形状意图
图4是根据本申请实施例提供的小转子关键点识别结果示意图；
图5是根据本申请实施例提供的二维横断面图像的标注示意图；
图6是根据本申请实施例提供的腿长差识别方法流程图；
图7为根据本申请实施例提供的基于深度学习的股骨小转子识别装置的示意图；
图8为根据本申请实施例提供的电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种基于深度学习的股骨小转子识别方法，如图2所示，该方法包括如下的步骤：
S101.获取待识别二维横断面图像。
其中二维横断面图像是CT扫描时生成的DICOM二维横断面图像，然后从中分割出DICOM二维横断面图像与髓腔对应的骨头区域。
S102.利用分割网络对所述待识别二维横断面图像进行股骨分割。
S103.利用层面分类器对股骨二维横断面分割结果图像进行分类，得到小转子层面。在本实施例中，所称层面分类器是预设的至少一个神经网络模型，可将基于二维横断面图像的层面特征对二维横断面图像进行分类，在本实施例中，层面分类器可以直接对二维横断面图像进行分类，也可以先对二维横断面图像进行区域分割，分割出股骨层面，再针对股骨层面进行分类，识别出小转子层面。
S104.利用点识别网络识别所述小转子层面，定位小转子关键点。在本实施例中，由于小转子为一个区域，如图3A所示，小转子区域可以为股骨的中的一段，所以涉及到的二维横断面图像为多个，图3B示出了小转子在二维横断面图像中形状特征，利用点识别网络在多个小转子层面识别出小转子的关键点。在本实施例中，所称的识别网络有可以包括：LocNet、SegNet、Unet、R-CNN、Fast R-CNN、Faster R-CNN、R-FCN、SSD中的任意以这个；可以利用层面分类器输出的小转子层面、人工标定的关键点的坐标进行训练，建立训练好的点识别网络，使用建立的点识别网络可以自动识别到关键点的位置，点识别网络输出的结果可以参见图4所示的识别结果图。
从以上的描述中，可以看出，本申请实施例的基于深度学习的股骨小转子识别方法可以利用分割网络对二维横断面图像进行股骨分割，得到股骨二维横断面分割结果；利用分类器对股骨二维横断面分割结果图像进行分类，得到小转子层面，并利用点识别网络识别小转子层面中的关键点。采用人工智能对小转子进行识别，可以得到传统医学定义的小转子区域关键点，相比于通过医生手工在小转子区域内取点定位，并计算腿长差，可以大大提高小转子定位的准确性，并能大大提高腿长差的计算精度，为医生手术提供可靠的数据支持。
作为示例性的实施例，本实施例中预设分割神经网络可以是多种神经网络模型训练得到，比如可以为全卷积网络FCN、语义分割网络SegNet、深度学习分割网络Unet、3D-深度学习分割网络3D-Unet、实例分割网络Mask-RCNN、空洞卷积、语义分割神经网络ENet、语义分割网络CRFasRNN、场景解析网络PSPNet、端到端语义分割网络ParseNet、图像语义分割网络RefineNet、图像分割模型ReSeg、语义分割网络LSTM-CF、实例分割网络DeepMask等。层面分类器可以包括预设的分类神经网络，该分类神经网络可以根据对小转子层面的标注训练样本进行训练得到。在本实施例中，分类神经网络可以包括：卷积神经网络LeNet、卷积神经网络AlexNet、可视化卷积神经网络ZF-Net、卷积神经网络GoogleNet、卷积神经网络VGG、卷积神经网络Inception、卷积神经网络ResNet、卷积神经网络DensNet、卷积神经网络Inception ResNet等；输入DICOM二维横断面图像、人工标注所在层面属于的类别进行训练，使用建立的分类神经网络可以自动分出小转子所在的层面。
在本实施例中，对于网络的训练需要训练数据的整理和标记，一是为分割出整个股骨方便对其层面进行计算的分割卷积神经网络提供输入图像及人工标注信息，二是为在二维横断面中找出小转子层面的分类神经网络提供输入图像及人工标注信息，三是为二中提取到的小转子层面上进行识别股骨小转子的关键点识别神经网络提供输入图像及人工标注信息。具体的标注可以参见图5所示出的示例性标注图示。
由于小转子为一个区域，因此，具有多张小转子层面的二维横断面图像，其中每一个小转子层面的二维横断面图像具有与小转子对应的关键点，为了找到更精确小转子解剖点，在可选的实施例中，可以对髓腔的轴线进行拟合，并找到与轴线距离最远的关键点作为小转子解剖点。具体的，可以计算多个股骨髓腔的中心点，具体的计算方式可以采用二维图像中心点计算公式确定每个小转子层面的髓腔中心点和/或股骨层面到的髓腔中心点。具体的二维图像中心点计算公式可以为平面图像质心计算公式。在拟合的过程中，需要按照各髓腔层面对应的实际三维空间关系进行拟合。直线拟合方式可以为最小二乘法、梯度下降、高斯牛顿、列-马算法等直线拟合算法。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请的实施例，还提供了一种腿长差识别方法，如图6所示，该方法可以包括：
S201.基于深度学习识别股骨小转子的关键点；具体的可以采用上述实施例中描述的基于深度学习的股骨小转子识别方法识别其关键点。
S202.利用小转子关键点计算腿长差。
采用人工智能对小转子进行标注，并将传统医学定义的小转子区域定位到关键点，相比于通过医生手工在小转子区域内取点标注，并计算腿长差，可以大大提高小转子标注的准确性，并能大大提高腿长差的计算精度，为医生手术提供可靠的数据支持。
根据本申请实施例，还提供了一种用于实施上述图2所述方法的基于深度学习的股骨小转子识别装置，如图7所示，该装置包括：
获取模块10，获取待识别二维横断面图像；分割模块20，用于利用分割网络对所述待识别二维横断面图像进行股骨分割；分类模块30，用于利用层面分类器对股骨二维横断面分割结果进行分类，得到小转子层面；识别模块40，用于利用点识别网络识别所述小转子层面，定位小转子关键点。
作为可选的实施例，所述分割网络包括预设分割神经网络，所述预设分割神经网络通过对股骨层面的标注训练样本进行训练得到；
所述分割模块30还用于在所述利用预设分割神经网络对所述待识别二维横断面图像进行分割，得到股骨二维横断面分割结果。
作为可选的实施例，所述层面分类器包括预设分类神经网络，所述预设分类神经网络根据对小转子层面的标注训练样本进行训练得到；
所述分类模块30还用于利用预设分类神经网络对所述股骨二维横断面分割结果进行分类，得到小转子层面。
作为可选的实施例，所述识别模块40包括：拟合单元，拟合髓腔轴线；识别单元，用于利用所述点识别网络识别所述小转子层面得到多个子关键点；关键点选择单元，用于在所述多个子关键点中选择距离所述髓腔轴线最远的点作为小转子关键点。
作为可选的实施例，所述拟合单元包括：中心点计算子单元，用于根据平面图像的质心公式计算多个股骨髓腔中心点，所述髓腔中心点包括小转子层面的髓腔中心点和/或股骨层面的髓腔中心点；拟合子单元，用于对中心点进行线拟合，确定髓腔轴线。
本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的基于深度学习的股骨小转子识别方法和/或腿长差识别方法。
本申请实施例提供了一种电子设备，如图7所示，该电子设备包括一个或多个处理器51以及存储器52，图7中以一个处理器53为例。
该控制器还可以包括：输入装置53和输出装置54。
处理器51、存储器52、输入装置53和输出装置54可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器51可以为中央处理器(CentralProcessingUnit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。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。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于深度学习的股骨小转子识别方法或腿长差识别方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
一个或者多个模块存储在存储器52中，当被一个或者多个处理器51执行时，执行如图2或6所示的方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于深度学习的股骨小转子识别方法，其特征在于，所述方法包括：
获取待识别二维横断面图像；
利用分割网络对所述待识别二维横断面图像进行股骨分割；
利用层面分类器对股骨二维横断面分割结果图像进行分类，得到小转子层面；
利用点识别网络识别所述小转子层面，定位小转子关键点；
所述利用点识别网络识别所述小转子层面，定位小转子关键点包括：
拟合髓腔轴线；
利用所述点识别网络识别所述小转子层面得到多个子关键点；
在所述多个子关键点中选择距离所述髓腔轴线最远的点作为小转子关键点。
2.如权利要求1所述的基于深度学习的股骨小转子识别方法，其特征在于，所述分割网络包括预设分割神经网络，所述预设分割神经网络通过对股骨层面的标注训练样本进行训练得到；
在所述利用预设分割神经网络对所述待识别二维横断面图像进行分割，得到股骨二维横断面分割结果图像。
3.如权利要求2所述的基于深度学习的股骨小转子识别方法，其特征在于，所述层面分类器包括预设分类神经网络，所述预设分类神经网络根据对小转子层面的标注训练样本进行训练得到；
利用所述层面分类器对所述待识别二维横断面图像进行分类包括：
利用预设分类神经网络对所述股骨二维横断面分割结果进行分类，得到小转子层面。
4.如权利要求1所述的基于深度学习的股骨小转子识别方法，其特征在于，所述拟合髓腔轴线包括：
根据平面图像的质心公式计算多个股骨髓腔中心点，所述髓腔中心点包括小转子层面的髓腔中心点和/或股骨层面的髓腔中心点；
对中心点进行线拟合，确定髓腔轴线。
5.一种基于深度学习股骨小转子识别装置，其特征在于，包括：
获取模块，获取待识别二维横断面图像；
分割模块，用于利用分割网络对所述待识别二维横断面图像进行股骨分割；
分类模块，用于利用层面分类器对股骨二维横断面分割结果进行分类，得到小转子层面；
识别模块，用于利用点识别网络识别所述小转子层面，定位小转子关键点；
所述利用点识别网络识别所述小转子层面，定位小转子关键点包括：
拟合髓腔轴线；
利用所述点识别网络识别所述小转子层面得到多个子关键点；
在所述多个子关键点中选择距离所述髓腔轴线最远的点作为小转子关键点。
6.一种腿长差识别方法，其特征在于，包括：
利用权利要求1-4任意一项所述基于深度学习的股骨小转子识别方法得到小转子关键点；
基于所述小转子关键点计算腿长差。
7.一种腿长差识别装置，其特征在于，包括：
小转子识别模块，用于利用权利要求1-4任意一项所述基于深度学习的股骨小转子识别方法得到小转子关键点；
计算模块，用于基于所述小转子关键点计算腿长差。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-4任意一项所述的基于深度学习的股骨小转子识别方法和/或权利要求6所述的腿长差识别方法。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-4任意一项所述的基于深度学习的股骨小转子识别方法和/或权利要求6所述的腿长差识别方法。
CN202010464682.7A 2020-05-27 2020-05-27 基于深度学习的股骨小转子识别方法、装置及电子设备 Active CN111652301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464682.7A CN111652301B (zh) 2020-05-27 2020-05-27 基于深度学习的股骨小转子识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464682.7A CN111652301B (zh) 2020-05-27 2020-05-27 基于深度学习的股骨小转子识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111652301A CN111652301A (zh) 2020-09-11
CN111652301B true CN111652301B (zh) 2021-03-02

Family

ID=72346917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464682.7A Active CN111652301B (zh) 2020-05-27 2020-05-27 基于深度学习的股骨小转子识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111652301B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689406B (zh) * 2021-08-24 2022-04-08 北京长木谷医疗科技有限公司 基于运动模拟算法的膝关节股骨后髁点识别方法及系统
CN113870229B (zh) * 2021-09-29 2022-03-11 北京长木谷医疗科技有限公司 股骨近端髓腔图像数据处理方法、装置、设备和存储介质
CN113822231A (zh) * 2021-11-08 2021-12-21 中国人民解放军陆军特色医学中心 一种基于深度学习图像识别的转子间骨折手术辅助系统
CN113850810B (zh) * 2021-12-01 2022-03-04 杭州柳叶刀机器人有限公司 用于转正股骨的方法及手术系统、存储介质以及电子设备
CN114092466B (zh) * 2021-12-01 2024-08-23 杭州柳叶刀机器人有限公司 使用深度学习辅助计算腿长的方法与系统、可读存储介质
CN115105111B (zh) * 2022-03-03 2023-06-13 中国人民解放军总医院第四医学中心 人体髋部三角形态解剖结构的定量分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8649577B1 (en) * 2008-11-30 2014-02-11 Image Analysis, Inc. Automatic method and system for measurements of bone density and structure of the hip from 3-D X-ray imaging devices
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 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
CN108042194A (zh) * 2017-12-25 2018-05-18 臧学慧 一种股骨小转子骨折复位固定捆绑带
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN109903268A (zh) * 2019-01-24 2019-06-18 刘星宇 确定脊柱图像集的异常类型的方法及计算设备
CN111179350A (zh) * 2020-02-13 2020-05-19 张逸凌 基于深度学习的髋关节图像处理方法及计算设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8649577B1 (en) * 2008-11-30 2014-02-11 Image Analysis, Inc. Automatic method and system for measurements of bone density and structure of the hip from 3-D X-ray imaging devices
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 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
CN108042194A (zh) * 2017-12-25 2018-05-18 臧学慧 一种股骨小转子骨折复位固定捆绑带
CN108765417A (zh) * 2018-06-15 2018-11-06 西安邮电大学 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法
CN109903268A (zh) * 2019-01-24 2019-06-18 刘星宇 确定脊柱图像集的异常类型的方法及计算设备
CN111179350A (zh) * 2020-02-13 2020-05-19 张逸凌 基于深度学习的髋关节图像处理方法及计算设备

Also Published As

Publication number Publication date
CN111652301A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652301B (zh) 基于深度学习的股骨小转子识别方法、装置及电子设备
ES2967682T3 (es) Diagnóstico asistido por ordenador mediante redes neuronales profundas
CN110556179B (zh) 使用深度神经网络标记全脊柱图像的方法和系统
US8379957B2 (en) System and method for segmentation of anatomical structures in MRI volumes using graph cuts
TWI747120B (zh) 深度模型訓練方法及裝置、電子設備及儲存介質
US20210174543A1 (en) Automated determination of a canonical pose of a 3d objects and superimposition of 3d objects using deep learning
CN111652888B (zh) 基于深度学习的确定髓腔解剖轴线的方法及装置
CN104956397A (zh) 基于自动空间上下文的3d图像中的多对象分段
Wu et al. Segmentation of multiple knee bones from CT for orthopedic knee surgery planning
CN111445440A (zh) 一种医学图像分析方法、设备和存储介质
CN110533639B (zh) 一种关键点定位方法及装置
US10762629B1 (en) Segmenting medical images
CN113034528B (zh) 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法
CN113240696B (zh) 图像处理方法及装置，模型的训练方法及装置，电子设备
McCullough et al. Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip
CN106537452A (zh) 用于对对象的图像进行分割的设备、系统和方法
CN112074912A (zh) 使用介入x射线图像和深度学习的交互式冠状动脉标记
CN111681247A (zh) 肺叶肺段分割模型训练方法和装置
CN114913174B (zh) 用于血管系统变异检测的方法、装置和存储介质
US11923069B2 (en) Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program
CN114155193A (zh) 一种基于特征强化的血管分割方法及装置
CN108898601A (zh) 基于随机森林的股骨头图像分割装置及分割方法
CN113592029A (zh) 一种小样本条件下医学图像自动标注方法及系统
CN113592768A (zh) 肋骨骨折检测方法、肋骨骨折检测信息的显示方法及系统
CN113822323A (zh) 脑部扫描图像的识别处理方法、装置、设备及存储介质

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Yiling

Inventor after: Liu Xingyu

Inventor before: Zhang Yiling

Inventor before: Liu Xingyu

Inventor before: An Yicheng

Inventor before: Chen Peng

Inventor before: Xu Jia

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 101102 room 402, 4th floor, building 28, yard 18, Kechuang 13th Street, economic and Technological Development Zone, Daxing District, Beijing

Patentee after: Beijing Changmugu Medical Technology Co.,Ltd.

Address before: 101102 room 402, 4th floor, building 28, yard 18, Kechuang 13th Street, economic and Technological Development Zone, Daxing District, Beijing

Patentee before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd.