一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法制造方法及图纸

本发明专利技术提供了一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法，属于医学X光图像处理技术领域；解决了现有脊柱侧弯角度检测方法和脊柱侧弯类型检测方法需要人工操作导致误差较大的问题；将待测脊柱全长X光图像经过改进的Mask R

【技术实现步骤摘要】
一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法


[0001]本专利技术提供了一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法，属于医学X光图像处理


技术介绍

[0002]脊柱侧弯是一种脊柱的三维畸形，包括冠状位、矢状位和轴状位上的序列异常，通常发生于颈椎、胸椎或者胸部与腰部之间的脊椎，若侧弯出现在脊柱的一侧，呈现“C”型，若侧弯出现在脊柱的双侧，呈现“S”型。脊柱侧弯多发生于青春期，随着年龄的增加症状逐渐加剧，严重者将影响呼吸、心脏功能，甚至出现脊髓压迫以及瘫痪现象。而且由于早期脊柱侧弯对身体的机能影响不明显，因此不易察觉，若未能及时进行有效干预，后期将对人体器官机能和形态造成极大影响。近年来，已发现很多疾病与脊柱侧弯有关，并且脊柱侧弯的发病率逐年上升，已然成为危害青少年和儿童身心健康的疾病。
[0003]脊柱侧弯的严重程度大多通过对侧弯角度的测量确定，而角度的测量常采用Cobb角测量方法，Cobb角是衡量脊柱侧弯的一个标准。传统的Cobb角测量方法需要医生利用马克笔和量角器在脊柱X光图像上手工找到脊柱侧弯的上端椎和下端椎进行测量，测量结果误差大并且需要花费大量时间，检测效率低。并且脊柱侧弯的类型需要人工确定，这就需要检测者具有较高的专业知识水平，但是不同等级的检测人员由于经验不同，脊柱侧弯检测的结果也将存在一定的偏差，因此传统的Cobb角测量方法和脊柱侧弯类型人工判断无法满足人们的医疗需求。脊柱侧弯的类型根据脊柱侧弯顶锥所在脊柱中的位置确定，对医生来说，确定脊柱侧弯类型需要人工确定顶锥的位置，判断速度较慢。
[0004]随着人工智能AI技术的发展，基于AI辅助检测脊柱侧弯展现了巨大的优势。因此本专利技术通过改进Mask R
‑
CNN网络快速准确地检测出目标脊柱椎体的关键点信息，并利用骶骨中垂线进行数学计算实现了批量自动测量脊柱侧弯角度，并能快速准确地确定脊柱侧弯类型，避免了传统手工检测对脊柱侧弯角度和类型判断结果的影响，有效提升了脊柱侧弯检测的效率和准确度。

技术实现思路

[0005]本专利技术针对现有脊柱侧弯角度检测方法和脊柱侧弯类型检测方法需要人工操作导致误差较大的问题，提出了一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法，能够辅助医生准确快速地检测出脊柱侧弯角度Cobb角和脊柱侧弯类型。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：一种脊柱椎体关键点检测及脊柱侧弯识别装置，所述装置包括：脊柱检查X线仪器，用于获取目标脊柱全长X光图像；处理器，所述处理器通过导线与脊柱检查X线仪器相连，所述处理器包括信息确定模块和计算分析模块，所述信息确定模块通过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息，并确定脊柱椎体中心点和骶骨中垂线；
所述计算分析模块用于对脊柱侧弯进行识别，根据各目标脊柱椎体的关键点信息和中心点，从上至下依次计算经过脊柱椎体中心点的脊柱椎体上垂线和下垂线分别与骶骨中垂线的夹角，结合目标脊柱椎体的名称信息生成上垂线夹角序列和下垂线夹角序列；根据上垂线夹角序列和下垂线夹角序列循环计算不同脊柱椎体的上垂线夹角与下垂线夹角之和；基于阈值确定脊柱侧弯Cobb角和顶锥，并基于顶锥的名称信息快速得到脊柱侧弯类型。
[0007]一种脊柱椎体关键点检测及脊柱侧弯识别方法，所述方法包括信息确定阶段和脊柱侧弯识别阶段，具体包括：信息确定阶段：S1：将待测脊柱全长X光图像经过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息；S2：根据目标脊柱椎体的关键点信息确定脊柱椎体中心点和骶骨中垂线；脊柱侧弯识别阶段：S3：根据各目标脊柱椎体的关键点信息和中心点，从上至下依次计算经过脊柱椎体中心点的脊柱椎体上垂线和下垂线分别与骶骨中垂线的夹角，结合目标脊柱椎体的名称信息生成上垂线夹角序列和下垂线夹角序列；S4：根据上垂线夹角序列和下垂线夹角序列循环计算不同脊柱椎体的上垂线夹角与下垂线夹角之和；S5：基于阈值确定脊柱侧弯Cobb角和顶锥，并基于顶锥的名称信息快速得到脊柱侧弯类型。
[0008]所述S1中将待测脊柱全长X光图像经过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息的具体步骤如下：S1.1：获取待测脊柱全长X光图像；S1.2：利用带有标注的脊柱全长X光图像数据训练生成的改进后的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息；所述改进后的Mask R
‑
CNN网络结构为：将原始Mask R
‑
CNN网络中的主干特征提取网络用RepVGG网络和FPN网络耦合的网络替换，RepVGG网络包含两种残差分支；FPN网络融合RepVGG网络提取出的不同分辨率的特征图；（2）将原始Mask R
‑
CNN网络中的Mask分支进行改进，原始Mask分支输出实例的掩膜图，用于不同实例的分割，将Mask分支的训练目标变为单像素关键点，即将脊柱椎体关键点的位置信息建模为One
‑
HotMask，并预测出98个Mask，对应98个目标脊柱椎体的关键点；（3）将原始Mask R
‑
CNN网络的损失函数进行改进，将Mask分支的损失变为目标脊柱椎体关键点检测的均方误差损失，则修改后的网络损失函数为L=L
cls
+L
box
+L
key
，其中L
cls
为目标分类分支损失，L
box
为边框回归分支损失，L
key
为关键点检测分支损失，基于损失函数训练生成适用于目标脊柱椎体关键点的检测器。
[0009]所述脊柱全长X光图像和目标脊柱椎体的关键点信息为：所述脊柱全长X光图像是患者冠状位脊柱全长X光片，包含患者头部和整个背部，用于评估脊柱冠状面的侧弯严重程度，拍摄时患者处于自然站立姿势，不搀扶外物，双上肢
在身体两侧自然下垂；所述目标脊柱椎体的关键点信息为颈椎椎体、胸椎椎体和腰椎椎体的各四个顶点以及骶椎两个上关节突共98个关键点数据和对应的目标脊柱椎体的名称信息。
[0010]所述S2中根据目标脊柱椎体的关键点信息确定脊柱椎体中心点和骶骨中垂线的具体步骤如下：S2.1：根据目标脊柱椎体的四个顶点，首先确定相邻顶点的中点，然后做非相邻两中点的连线，交点即为目标脊柱椎体的中心点；S2.2：根据所骶椎两个上关节突确定中点，并经过中点得到垂直于水平方向的垂线，所述垂线即为骶骨中垂线。
[0011]所述S3中根据各目标脊柱椎体的关键点信息和中心点从上至下依次计算经过脊柱椎体中心点的脊柱椎体上垂线和下垂线分别与骶骨中垂线的夹角，结合名称信息生成上垂线夹角序列和下垂线夹角序列包括：根据所确定的目标脊柱椎体的顶点与中心点利用几何计算分别得到目标脊柱椎体的上垂线与下垂线，进一步得到与骶骨中垂线之间的夹角，从上至下依次收集上垂线夹角和下垂线夹角，并与目标脊柱椎体的名称信息一一对应，生成上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脊柱椎体关键点检测及脊柱侧弯识别装置，其特征在于：所述装置包括：脊柱检查X线仪器，用于获取目标脊柱全长X光图像；处理器，所述处理器通过导线与脊柱检查X线仪器相连，所述处理器包括信息确定模块和计算分析模块，所述信息确定模块通过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息，并确定脊柱椎体中心点和骶骨中垂线；所述计算分析模块用于对脊柱侧弯进行识别，根据各目标脊柱椎体的关键点信息和中心点，从上至下依次计算经过脊柱椎体中心点的脊柱椎体上垂线和下垂线分别与骶骨中垂线的夹角，结合目标脊柱椎体的名称信息生成上垂线夹角序列和下垂线夹角序列；根据上垂线夹角序列和下垂线夹角序列循环计算不同脊柱椎体的上垂线夹角与下垂线夹角之和；基于阈值确定脊柱侧弯Cobb角和顶锥，并基于顶锥的名称信息快速得到脊柱侧弯类型。2.一种脊柱椎体关键点检测及脊柱侧弯识别方法，其特征在于：所述方法包括信息确定阶段和脊柱侧弯识别阶段，具体包括：信息确定阶段：S1：将待测脊柱全长X光图像经过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息；S2：根据目标脊柱椎体的关键点信息确定脊柱椎体中心点和骶骨中垂线；脊柱侧弯识别阶段：S3：根据各目标脊柱椎体的关键点信息和中心点，从上至下依次计算经过脊柱椎体中心点的脊柱椎体上垂线和下垂线分别与骶骨中垂线的夹角，结合目标脊柱椎体的名称信息生成上垂线夹角序列和下垂线夹角序列；S4：根据上垂线夹角序列和下垂线夹角序列循环计算不同脊柱椎体的上垂线夹角与下垂线夹角之和；S5：基于阈值确定脊柱侧弯Cobb角和顶锥，并基于顶锥的名称信息快速得到脊柱侧弯类型。3. 根据权利要求2所述的一种脊柱椎体关键点检测及脊柱侧弯识别方法，其特征在于：所述S1中将待测脊柱全长X光图像经过改进的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息的具体步骤如下：S1.1：获取待测脊柱全长X光图像；S1.2：利用带有标注的脊柱全长X光图像数据训练生成的改进后的Mask R
‑
CNN网络提取目标脊柱椎体的关键点信息；所述改进后的Mask R
‑
CNN网络结构为：将原始Mask R
‑
CNN网络中的主干特征提取网络用RepVGG网络和FPN网络耦合的网络替换，RepVGG网络包含两种残差分支；FPN网络融合RepVGG网络提取出的不同分辨率的特征图；将原始Mask R
‑
CNN网络中的Mask分支进行改进，原始Mask分支输出实例的掩膜图，用于不同实例的分割，将Mask分支的训练目标变为单像素关键点，即将脊柱椎体关键点的位置信息建模为One
‑
Hot Mask，并预测出98个Mask，对应98个目标脊柱椎体的关键点；将原始Mask R
‑
CNN网络的损失函数进行改进，将Mask分支的损失变为目标脊柱椎体关键点检测的均方误差损失，则修改后的网络损失函数为L=L
cls
+L
box
+L
key
，其中L
cls
为目标分
类分支损失，L
box
为边框回归分支损失，L
key
为关键点检测分支损失，基于损失函数训练生成适用于目标脊柱椎体关键点的检测器。4.根据权利要求3所述的一种脊柱椎体关键点检测及脊柱侧弯识别方法，其特征在于：所述脊柱全长X光图像和目标脊柱椎体的关键点信息为：所述脊柱全长X光图像是患者冠状位脊柱全长X光片，包含患者头部和整个背部，用于评估脊柱冠状面的侧弯严重程度，拍摄时患者处于自然站立姿势，不搀扶外物，双上肢在身体两侧自然下垂；所述目标脊柱椎体的关键点信息为颈椎椎体、胸椎椎体和腰椎椎体的各四个顶点以及骶椎两个上关节突共98个关键点数据和对应的目标脊柱椎体的名称信息。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：高燕飞，孔德瑾，朱壮华，张贵军，
申请(专利权)人：山西省财政税务专科学校，
类型：发明
国别省市：