CT图像中的髋臼窝和股骨头中心点定位算法

来源 :华中科技大学 | 被引量 : 0次 | 上传用户:yczcjlk
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
髋关节疾病已经成为了近几年来严重影响人们生活的重要疾病之一。全髋关节置换手术是治疗髋关节疾病的重要手段,而髋臼窝和股骨头的中心点位置是否定位准确是全髋关节置换手术成功与否的关键。准确地定位出髋臼窝和股骨头中心点具有重要的临床意义。针对CT图像中的髋臼窝和股骨头中心点定位提出了两种方案。一种方案是基于空间配置网络的深度学习定位算法。针对空间配置网络定位精度不够的问题,通过在网络解码器部分引入残差模块,在跳跃连接处加入注意力机制来加强网络对特征区域的学习,从而提高网络的准确性。另一种方案是基于分割结果的传统定位算法,提出局部搜索球体特征点的股骨头中心点定位算法,通过求取股骨球体分割结果的最上五层和最左/右五层内的所有点坐标的平均值,然后结合两个平均值坐标确定股骨头中心点坐标;对于髋臼窝中心点,提出一种基于随机抽样一致性算法的多角度定位算法,通过提取髋臼窝分割结果的边界点,分别从矢状面和横截面的角度选取最佳拟合层数,对最佳拟合层数上的边界点利用随机抽样一致性算法进行平面圆的拟合,最后结合两个角度的圆心得到所求的髋臼窝中心点坐标。通过计算定位得到的点的坐标与金标准坐标之间的欧氏距离来得到定位误差。对38套正常数据和28套病理数据进行了测试,基于分割结果的定位方案在测试集上的平均误差为1.715mm,基于空间配置网络改进的定位方案在测试集上的平均误差为2.820mm。实验结果表明,提出的两种方案在定位中心点上都有比较好的效果,平均定位误差都能达到3mm以内,其中基于分割结果的传统定位方案由于利用了所需定位部位的几何物理特点,所以在定位精度上更为准确。
其他文献
随着单髁置换术在临床的应用逐渐增多,其并发症也逐渐得到临床工作者的重视,希望通过技术的革新以及科技的进步,来进一步降低手术并发症,提高患者满意度,本文对单髁置换手术常见并发症做文献综述,来阐述目前学术界对于该问题的认识。
期刊
代码补全技术是程序自动生成技术的重要分支,它根据已有的部分代码来自动补全某一位置的代码,从而提高代码编写和维护的效率与质量。此外,广义的代码补全还包括代码还原、代码修复等。随着神经网络的快速发展以及开源代码语料库的逐步丰富,使用神经网络模型对大规模源代码进行建模与学习并进一步解决代码补全问题,是代码补全领域的重要研究方向与趋势。为了解决现有的代码补全方案在通用性、补全准确率和灵活性上的不足,提出了
学位
卒中是我国成人致死、致残的首位病因,给患者及社会发展带来了沉重负担。组织化管理方法能够一定程度上提升卒中医疗质量,但医疗机构后勤服务支撑能力的异质性为卒中组织化管理的效果带来不确定影响。为进一步完善卒中组织化管理模式,提升卒中治疗的科学性及系统性,本指南就院前急救系统及卒中急诊的组织化管理、急诊多学科协作团队的管理、绿色通道的持续质量改进、卒中单元及卒中门诊的组织化管理、卒中中心的区域协同网络建设
期刊
<正>我科在1993~1994年收治患儿中,选择3岁以内患支气管肺炎的患儿134例,对这些患儿进行分组护理,一组按肺炎护理常规进行护理,另一组加以胸背部按摩和拍打以辅助治疗,取得
期刊
随着视频大数据的日益积聚、硬件技术的不断突破和计算机视觉技术的迅猛发展,基于视频监控图像和深度学习的行人重识别技术在城市安防和智慧社区等领域中持续发力,应用前景广阔。然而,现实复杂场景下的行人重识别面临着非常严重的域偏差问题,光照、视角、分辨率等外部因素的差异都将对算法的精度产生严重干扰。因此研究行人重识别的域自适应问题对面向实际应用的算法落地有着极为重要的意义。基于对抗生成网络和聚类伪标签两种方
学位
新冠肺炎自2019年末爆发以来,全球每日新增确诊病例已达到数十万例。计算机断层扫描(CT)检查是一种高效敏感的新冠肺炎筛查手段,分割CT图像的新冠病灶是诊断新冠肺炎及监测临床病情的重要步骤。但由于缺乏经验丰富的放射科医师,对CT图像的分割很难大规模进行,急需探索高效的新冠肺炎病灶自动分割方法。常规的卷积神经网络分割模型参数较多,其泛化能力受限于训练样本数量。而常用于医学图像分割的UNet模型在应用
学位
航拍图像中的目标检测是计算机视觉相关研究中的一个热点领域,虽然已有诸多的研究成果,但只有较少的工作对深度学习目标检测模型应用于航拍目标检测任务上存在的问题进行了分析。通过对比自然图像和航拍图像两类图像的特征可知,目前航拍图像目标检测模型精度提升的瓶颈是航拍图像的目标特征存在显著不一致性导致的,图像中检测目标尺寸具有极大的差异性且部分目标绝对和相对像素面积均过小,这些问题导致了现有的检测模型的准确率
学位
遥感图像地物要素提取是遥感测图的关键环节之一,地物要素提取精度的高低直接影响测图成果的好坏。基于深度学习的遥感图像语义分割方法是当前快速提取地物要素的主要方法,居民地作为遥感图像中的典型面状地物要素,对其规则化提取方法进行研究,是探索解决遥感测图中地物要素提取问题的有效途径。为了解决现有语义分割网络获取的遥感图像居民地要素提取结果精度不高、轮廓不准确的问题,提出了多特征增强Deep Labv3+,
学位
随着无人机等便携大规模图像采集设备的普及,基于光学相机的三维重建技术在土木工程建设、数字化智慧城市等领域也得到了普及。使用无人机可以一次性采集大量的图像,其实际覆盖面积可达数十甚至数百平方公里。同时,无人机采集也可以非常方便的调节采集图像的高度、覆盖率、倾角等参数。但是采集的大量图像也产生了计算量庞大和计算时间过长等缺陷。尤其在稀疏重建阶段,传统的增量式稀疏重建需要不断进行捆集调整优化也使得重建时
学位
随着计算机视觉技术的快速发展,目标检测和动作检测等技术都慢慢开始发展并普及应用,因此引申出来一个很重要的技术,那就是人体姿态估计。这个技术的实现能帮助计算机快速理解人类动作和行为,并进一步提高人类的生活质量。在实时监测应用场合,自底向上的多人姿态估计方法更全面且更有优势。传统的自底向上多人姿态估计方法中关键点分组通常独立于关键点检测来解决,从而使其无法端到端训练并且具有次优的性能。针对这个问题,想
学位