为了满足脊柱侧弯诊断中自动计算Cobb角的临床需求,需要对脊柱的每个椎体进行分割。为此,本文提出了一个结合高分辨率定位网络HRNet和分割网络VP-UNet的椎体分割模型,以实现椎体的精确分割和Cobb角的自动计算。首先设计了骨方向损失函数...为了满足脊柱侧弯诊断中自动计算Cobb角的临床需求,需要对脊柱的每个椎体进行分割。为此,本文提出了一个结合高分辨率定位网络HRNet和分割网络VP-UNet的椎体分割模型,以实现椎体的精确分割和Cobb角的自动计算。首先设计了骨方向损失函数(Bone Direction Loss,BD-Loss),利用脊柱姿态作为先验知识来指导HRNet的训练,从而提高HRNet对脊柱复杂形态的适应能力;其次提出了位置信息感知模块(Position Information Perception Module,PIPM),将HRNet的定位特征融入到VP-UNet分割网络中,以获取脊柱图像的多层次信息。VP-UNet在VGG-Net的基础上增加了Dropout层和密集单元,在减少参数的同时提取更多的图像全局信息;最后基于椎体的定位和分割结果,提出了一种脊柱类型判断及Cobb角计算方法。实验结果表明,改进后的分割模型相比VGG-Net的召回率提高了2.18百分点,精确度提升了1.7百分点,Dice系数增加了0.69百分点,交并比提高了3.09百分点,能够有效地定位和分割每个椎体。Cobb角计算的结果满足临床需求,可以为脊柱侧弯的诊断提供技术支持。展开更多
目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形...目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形器的力学数据,构建包含性别、年龄、疾病类型、体重和Risser评分等特征的综合数据集。使用随机森林、支持向量回归、梯度提升回归机、极限梯度提升、轻量级梯度提升机和类别提升6种算法构建并评估Cobb角预测模型性能。结果梯度提升回归机模型在多项评估指标上表现最佳,精确率达到0.937、召回率为0.818、F1分数为0.949、曲线下面积(area under the curve,AUC)为0.843,在验证集中该模型的预测值准确率达到0.942,与实际Cobb值拟合较好。结论基于力学数据和机器学习的Cobb角预测模型有效避免了早期临床筛查中传统全脊柱X线片检查的辐射风险,实现了AIS患者的非侵入性评估,提高了筛查和监测的安全性和效率,为临床医生提供了有力的辅助决策工具,具有重要的临床意义。展开更多
脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰...脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰富的脊柱外科医生使用LabelMe工具对200例脊柱侧弯患者的X线片数据集进行标注。采用ResNet50作为主干网络改进基本的语义分割模型U-Net,并与另外2个语义分割模型DeeplabV3和PSPNet在脊柱侧弯X线片数据集上分别进行训练。实验结果表明,改进的U-Net模型的平均交并比(mean intersection over union,MIOU)值达到了94.72%,分别比PSPNet和DeeplabV3模型的MIOU值提升了5.36%和2.30%。最后,基于改进的U-Net模型设计了脊柱侧弯Cobb角的自动测量算法,并开发了可视化的自动测量软件。经过实际测试,发现在常规的电脑上输入一张患者的X线片,只需6.3 s即可自动计算Cobb角大小,其速度远快于医生手动测量,显著提高了医生的工作效率,表明本文设计的脊柱侧弯Cobb角自动测量方法是有效的。展开更多
文摘为了满足脊柱侧弯诊断中自动计算Cobb角的临床需求,需要对脊柱的每个椎体进行分割。为此,本文提出了一个结合高分辨率定位网络HRNet和分割网络VP-UNet的椎体分割模型,以实现椎体的精确分割和Cobb角的自动计算。首先设计了骨方向损失函数(Bone Direction Loss,BD-Loss),利用脊柱姿态作为先验知识来指导HRNet的训练,从而提高HRNet对脊柱复杂形态的适应能力;其次提出了位置信息感知模块(Position Information Perception Module,PIPM),将HRNet的定位特征融入到VP-UNet分割网络中,以获取脊柱图像的多层次信息。VP-UNet在VGG-Net的基础上增加了Dropout层和密集单元,在减少参数的同时提取更多的图像全局信息;最后基于椎体的定位和分割结果,提出了一种脊柱类型判断及Cobb角计算方法。实验结果表明,改进后的分割模型相比VGG-Net的召回率提高了2.18百分点,精确度提升了1.7百分点,Dice系数增加了0.69百分点,交并比提高了3.09百分点,能够有效地定位和分割每个椎体。Cobb角计算的结果满足临床需求,可以为脊柱侧弯的诊断提供技术支持。
文摘目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形器的力学数据,构建包含性别、年龄、疾病类型、体重和Risser评分等特征的综合数据集。使用随机森林、支持向量回归、梯度提升回归机、极限梯度提升、轻量级梯度提升机和类别提升6种算法构建并评估Cobb角预测模型性能。结果梯度提升回归机模型在多项评估指标上表现最佳,精确率达到0.937、召回率为0.818、F1分数为0.949、曲线下面积(area under the curve,AUC)为0.843,在验证集中该模型的预测值准确率达到0.942,与实际Cobb值拟合较好。结论基于力学数据和机器学习的Cobb角预测模型有效避免了早期临床筛查中传统全脊柱X线片检查的辐射风险,实现了AIS患者的非侵入性评估,提高了筛查和监测的安全性和效率,为临床医生提供了有力的辅助决策工具,具有重要的临床意义。
文摘脊柱侧弯是影响人类健康的疾病之一,Cobb角的准确计算是临床上确定脊柱侧弯分型和制定诊疗方案的关键。针对人工测量Cobb角存在耗时长、不够准确、效率低下等问题,本文设计了一种基于改进U-Net的脊柱侧弯Cobb角自动测量方法。由经验丰富的脊柱外科医生使用LabelMe工具对200例脊柱侧弯患者的X线片数据集进行标注。采用ResNet50作为主干网络改进基本的语义分割模型U-Net,并与另外2个语义分割模型DeeplabV3和PSPNet在脊柱侧弯X线片数据集上分别进行训练。实验结果表明,改进的U-Net模型的平均交并比(mean intersection over union,MIOU)值达到了94.72%,分别比PSPNet和DeeplabV3模型的MIOU值提升了5.36%和2.30%。最后,基于改进的U-Net模型设计了脊柱侧弯Cobb角的自动测量算法,并开发了可视化的自动测量软件。经过实际测试,发现在常规的电脑上输入一张患者的X线片,只需6.3 s即可自动计算Cobb角大小,其速度远快于医生手动测量,显著提高了医生的工作效率,表明本文设计的脊柱侧弯Cobb角自动测量方法是有效的。
