【技术实现步骤摘要】
本专利技术涉及骨密度检测，尤其涉及一种基于深度学习的低剂量胸部ct影像骨密度检测方法。
技术介绍
1、dxa是骨密度测定的常用方法之一，是who诊断骨质疏松的金标准，但dxa存在一些局限性，一是dxa是一种二维测量方法，结果容易受到肥胖、腹主动脉钙化、脊柱退行性病变、椎体骨折和脊柱畸形等因素影响而产生误差和错误的评估结果。二是dxa测量的是松质骨和皮质骨的综合，未将二者进行区分，不能较好地反映出率先发生骨质疏松的松质骨部分的骨钙流失情况，由于在椎体骨中松质骨矿物质含量较皮质骨矿物质含量更低，将二者混在一起检测的结果是以反映迟钝的皮质骨为主，具有较低的灵敏度。
2、qct骨密度测量技术通过专业体膜和软件将ct影像的ct值转换成羟基磷灰石的等效密度，不受体重、血管钙化和脊柱退行性病变的影响，是更精准的骨密度测量方法，能更敏感地反应早期骨钙丢失的情况。但qct的roi是在某椎体中进行部分采样，取平均值为测量结果，以局部代替整体，牺牲了部分准确性。
技术实现思路
1、针对上述问题，本专利技术旨在解决上面描述的问题。本专利技术的一个目的是提供解决以上问题中的一种基于深度学习的低剂量胸部ct影像骨密度检测方法。
2、本实施例采取的方案是：一种基于深度学习的低剂量胸部ct影像骨密度检测方法，步骤s10：获取低剂量胸部ct影像数据，经过预处理后转换为适应于卷积神经网络模型的数据格式；
3、步骤s20：将低剂量胸部平扫ct轴位方向的2d影像数据及对应的由医师进行椎
4、步骤s30：分割后将来自于同一低剂量胸部平扫ct影像的2d椎体影像推理结果根据轴位方向的图像原有顺序进行组合，形成与原ct影像空间尺寸大小及方位顺序一致的3d推理结果影像标签；
5、步骤s40：对推理结果进行微调和实例区分，得到准确的独立椎体松质骨3d影像标签；
6、步骤s50：通过每个椎体的独立标签，计算其对应ct影像区域的像素平均灰度值，再根据形如valuehu＝β×valuepixel+α的换算公式得到对应椎体的hu(hounsfield unit)值，其中β、α分别代表如dicom(digital imaging and communications inmedicine)标准影像格式中的rescale slope和rescale intercept值，其指示了像素灰度值和hu值的换算关系，valuepixel和valuehu分别代表影像文件中的实际像素灰度值和其对应的hu值。
7、步骤s60：根据hu值与bmd(bone mineral density)值的换算关系得到独立椎体松质骨的bmd值，基于bmd值对骨质疏松程度进行评估，得到量化的骨密度评估结果。在步骤s60中，hu值与bmd值的换算关系根据成像ct设备的扫描参数和硬件情况等会有所不同，将hu值转化到同一标准下的bmd值后，基于bmd值对骨质疏松程度进行评估，得到量化的骨密度评估结果。
8、其中，步骤s41：在对推理结果微调时，将所对应的原ct影像位置上像素灰度值大于阈值α的影像标签像素去掉，α根据影像标签的灰度直方图中95％百分位数所对应的值确定；
9、进一步地，步骤s42：在对推理结果微调时，通过形态学方法的开运算对椎体附近的细碎目标进行消除，清理无效目标，得到轮廓清晰的椎体标签。
10、进一步地，步骤s43：在对推理结果微调时，通过在轴状位、矢状位、冠状位3个方向上逐一遍历2d影像标签中的像素，将影像标签中的细小空洞补齐，完成对椎体的微调。空洞像素点为在轴状位、矢状位、冠状位3个方向上的2d影像标签中像素值为0且上、下、左、右四个方向的相邻像素都不为0的像素点。
11、优选地技术方案在于，步骤s44：在对每个椎体进行实例分割时，对3d的影像标签进行连通域搜索，基础算子为4邻接；
12、对得到的非背景像素的连通域进行像素点数量计数，按计数和从高到低排序，取前若干个独立连通域作为目标椎体；
13、对不同的连通域分别赋予不同像素值以区分各个独立椎体，得到完成实例区分的独立椎体松质骨3d影像标签。
14、其中，在步骤s10中，对轴状位的2d影像数据通过对比度限制自适应直方图均衡方法得到具有明显对比度的预处理后影像，将预处理后影像、标签数据进行图像裁剪或者像素填充以调整到指定尺寸大小。
15、优选地，在步骤s20中，分割模型卷积运算过程后所用relu激活函数公式表达为：
16、f(x)＝max(0,x)
17、分割模型最后输出特征图所用sigmoid激活函数公式表达为：分割模型采用adam优化器，初始学习率为lr，每经过n轮训练后将学习率减小到当前学习率的10％，如果经连续m轮训练后模型的损失函数都没有降低则停止模型训练，得到最终的分割模型。
18、优选地，在步骤s20中，医师进行椎体松质骨标注时，医师在影像上避开皮质骨、局部骨质增生区、退变结构及静脉丛，得到标签数据。
19、本专利技术还提供一种用于所述的基于深度学习的低剂量胸部ct影像骨密度检测方法的系统，包括接收模块，用于获取低剂量胸部ct影像数据，经过预处理后转换为适应于卷积神经网络模型的数据格式；
20、数据处理模块：用于对输入的ct影像数据处理，准确识别并分割椎体；
21、输出模块：用于输出对分割的椎体的hu值、bmd值和骨质疏松程度分类结果及定量可视化成像。
22、本专利技术基于深度学习的低剂量胸部ct影像骨密度检测方法具有以下技术效果：
23、本申请基于深度学习的低剂量胸部ct影像骨密度检测方法，将低剂量胸部平扫ct轴位方向的2d影像数据及对应的由医师进行椎体松质骨标注的标签数据输入模型训练得到分割模型，通过分割模型完成对胸椎、腰椎椎体松质骨的分割；分割后将来自于同一低剂量胸部平扫ct影像的2d椎体影像推理结果根据轴位方向的图像原有顺序进行组合，形成与原ct影像空间尺寸大小及方位顺序一致的3d推理结果影像标签；对推理结果进行微调和实例区分，得到准确的独立椎体松质骨3d影像标签；对推理结果微调，可以很精确地将松质骨和皮质骨区分，使得通过ct图像可以准确地得到骨质疏松分类结果。对推理结果微调，得到准确的独立椎体松质骨3d影像标签；通过独立椎体标签计算其对应ct影像区域的hu值，将hu值转换成bmd值，通过bmd诊断标准得到骨质疏松分类结果，使得检查结果更准确、检查结果可量化、不需要额外设备与软件、减少辐照次数。
24、参照附图来阅读对于示例性实施例的以下描述，本专利技术的其他特性特征和优点将变得清晰。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的低剂量胸部CT影像骨密度检测方法其特征在于：
2.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
3.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
4.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
5.如权利要求4所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
6.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
7.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
8.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
9.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
10.如权利要求1所述的基于深度学习的低剂量胸部CT影像骨密度检测方法，其特征在于：
11.一种用于权利要求1-10任一项所述的基于深
...【技术特征摘要】
1.一种基于深度学习的低剂量胸部ct影像骨密度检测方法其特征在于：
2.如权利要求1所述的基于深度学习的低剂量胸部ct影像骨密度检测方法，其特征在于：
3.如权利要求1所述的基于深度学习的低剂量胸部ct影像骨密度检测方法，其特征在于：
4.如权利要求1所述的基于深度学习的低剂量胸部ct影像骨密度检测方法，其特征在于：
5.如权利要求4所述的基于深度学习的低剂量胸部ct影像骨密度检测方法，其特征在于：
6.如权利要求1所述的基于深度学习的低剂量胸部ct影像骨密度检测...
【专利技术属性】
技术研发人员：张剑，徐辉，吕发金，吴鹏，冯禾，白羽，周文钦，
申请(专利权)人：重庆数康科技服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。