医学信息学解锁27（2021）100810全脊柱MR图像的半自动脊柱和椎间盘检测和分割放大图片作者：AlaaBadarneh a，Isam Abu-Qasmieh a，Mwaffaq Otoom b，Mohammad A. Alzubaidi b，*aYarmouk大学生物医学系统和信息工程系，Irbid，21163，JordanbYarmouk大学计算机工程系，Irbid，21163，JordanA R T I C L EI N FO保留字：T2加权MR图像椎间盘多项式IRHT全脊柱检测分割A B S T R A C T椎间盘位于脊柱中从第二颈椎到骶骨的椎骨之间椎间盘允许脊柱的各种运动，以保持其灵活性并吸收垂直冲击。脊柱可以暴露于几种类型的压缩力，这些压缩力可以对椎间盘功能产生不利影响并导致疾病或病症，例如椎间盘突出。我们主要使用磁共振成像（MRI）来诊断这些疾病，因为它是提取所需脊柱信息的首选方法。在本文中，一个计算机辅助诊断（CAD）系统椎间盘检测和分割，使用矢状面MR图像的整个脊柱已被提出。该系统主要包括脊柱区域提取、椎间盘检测和椎间盘分割三个步骤。采用六阶多项式迭代随机Hough变换（IRHT）方法，在相对较短的时间内从全脊柱T1/T2加权MR图像中分割出脊柱子图像。最后，椭圆霍夫变换（HT）被用来检测椎间盘从分割的脊柱图像。所提出的系统使用由31个脊柱T1/T2 MR图像组成的整个脊柱图像数据集。椎间盘检测和椎间盘分割的准确率分别为94.65%和90%。实验结果表明，该系统具有较好的鲁棒性和准确性，能够实现脊柱分割和椎间盘检测。最后，该系统是一个有用的工具，放射科医生在检测以及分割椎间盘在整个脊柱MR图像。1. 介绍椎间盘是位于脊柱的每个椎骨之间的软骨软垫。它有一个几乎椭圆形的横截面。它的功能是减震器，它也保持脊柱灵活。随着时间的推移，脊柱可能遭受长期的压力，疾病，感染和高冲击损伤。这种损伤会导致退化、椎间盘功能缺失和疼痛，这些都是工业国家常见的公共卫生问题。此外，椎间盘损伤和背痛是缺勤的主要原因，因为需要经常去看医生[1，2]。不同的成像模式用于获取患者MRI是在脊柱图像中显示椎间盘的最合适的模式，因为它可以完整详细地描述软组织，这有助于在不使用辐射的情况下检测椎间盘形状的微小变化[4]。正中矢状位切片T2加权图像提供了形态学和在整个脊柱椎间盘组织的生物医学信息[5，6]。因此，这些图像优选用于诊断椎间盘中的异常。本研究开发了一个计算机辅助诊断（CAD）系统，用于脊柱MR图像中椎间盘的自动检测和分割。这种算法对于脊柱疾病诊断、手术计划和脊柱疾病治疗反应的随访评估至关重要。这种诊断有助于（1）检测由病理和疾病引起的脊柱变形，（2）监测患者的健康状况改善，以及（3）避免残疾。此外，该算法有助于分类脊柱图像的基础上提取的分割和分析的原始数据的特征。全脊柱MR成像是检测脊柱肿瘤、退行性变、脊柱后凸和脊柱前凸等疾病最敏感的方法。来自MR图像的数据提供了有关脊柱健康的线索，特别是在变性和/或恶性肿瘤的情况下。这里提出的多项式曲线拟合方法用于表示整个脊柱* 通讯作者。电子邮件地址：maalzubaidi@yu.edu.jo（硕士）Alzubaidi）。https://doi.org/10.1016/j.imu.2021.100810接收日期：2021年9月29日;接收日期：2021年11月25日;接受日期：2021年11月26日2021年12月1日网上发售2352-9148/© 2021作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA. Badarneh等人医学信息学解锁27（2021）1008102曲率还提供了沿脊柱全长的基本信息，这在诊断脊柱侧凸患者中是重要的。整个脊柱的影像学成像改善了脊柱疾病诊断和手术计划的描述、可视化、计划和最佳管理方案。从射线照片中分割椎间盘仍然是非常手动的，这使得它成为一项耗时且资源密集型的任务-特别是在整个脊柱分析的情况下[37]。这里提出的自动椎间盘分割方法比手动分割更快更容易，它有助于椎间盘诊断过程以确定背痛的原因，它提供了有关疾病阶段的更多信息，并且它允许在手术后评估椎间盘治疗进展，用户交互最少。本研究的主要目的是设计一个半自动的CAD系统，用于脊柱MR图像中的椎间盘检测和分割，并根据从原始数据中提取的特征对脊柱图像进行分类。提出了一种基于多项式拟合和Hough变换的快速高精度系统。与其他方法相比，这些方法相对较快。时间和准确性对于帮助放射科医生提高脊柱疾病诊断、手术计划和评估脊柱疾病治疗反应至关重要。所提出的系统的最终目的是通过检测由病理和疾病引起的脊柱变形以及通过监测患者的健康改善来改善患者过去的CAD研究主要集中在分割或椎间盘的检测，而不是一个完整的系统，执行这两个任务。本文提出了一种快速准确的MR图像椎间盘定位和分割方法。该方法采用迭代随机霍夫变换（IRHT），以快速确定最佳的参数曲线，使用一个六阶多项式参数空间。最后，椭圆Hough变换被用来检测椎间盘从分割的脊柱图像。本文的其余部分组织如下。第2节介绍了文献综述。第3节介绍了拟议的方法实验结果和分析在第4节中讨论。第5节介绍了讨论。最后，第6节对本文进行了总结。2. 文献综述在过去的十年中，研究人员提出了各种方法来处理和分析脊柱图像，并从脊柱MR图像中提取椎间盘的子图像。这些研究采用半自动和自动分割。在这一部分中，简要回顾了脊柱图像处理（检测、标记和分割）的一些最新相关研究。研究者们提出了多种椎间盘检测和分割技术，如形状建模、梯度向量流算法、主动外观模型、各向异性方向流、自适应直角窗口、adaboost和局部关节模型、随机森林回归、学习网络等。2.1. 形状建模Corso et al. [7]和Alomari et al. [8]提出了一个两级的概率模型，其中隐变量用于捕获piX el和对象属性。RajaTang和Pauli [9]使用基于梯度的提取来确定盘位置，使用基于图的滤波器与强度轮廓相连接，并且使用基于主动形状模型的非盘滤波器来提取盘位置。 使用三次样条提取椎骨和脊柱曲线。Suzani等人[10]的算法基于将统计多椎骨解剖形状和姿势模型配准到提取的边缘点以分割腰椎。Neubert等人。[11]使用统计形状模型和灰度强度曲线记录进行分割。2.2. 梯度矢量流算法Espana等人的研究[2]提出了测量盘的强度和结构的pfirrmann分类，以及用于盘形状特征提取和用于揭示轮廓异常的梯度矢量流。Dong和Zherg [12]提供了一个磁盘分割策略的框架，使用基于图形模型的模板方法和多核同构配准。2.3. 主动外观模型Oktay等人[13]使用形态学操作来检测和标记椎间盘，然后使用AAM分割椎间盘2.4. 各向异性取向磁通Law等人[14]提出了一种新的各向异性取向的FLUX用于磁盘分割，以确定整个磁盘边界，并将其与具有相似强度的相邻结构2.5. 自适应矩形窗口Shi等人[15]使用自适应矩形窗口方法在脊髓曲线上移动。自适应窗口的宽度和高度可以被修改，以更好地近似椎间盘轮廓区域。Zhu等人[16]通过使用Gabor特征图像的组分析来定位椎间盘。然后利用定位结果，结合基于灰度的算法和自适应阈值对椎间盘进行分割。2.6. Adaboost和局部铰接模型Zhan 等 人 [17] 通 过 使 用 带 有 Haar 滤 波 器 和 局 部 关 节 模 型 的Adaboost矩阵来检测椎间盘和椎骨，并计算它们之间2.7. 随机森林回归Chu等人[18]使用随机森林回归来定位椎骨，并获得椎骨中心的概率图Wang等人[19]使用多个解剖平面中的多个解剖结构，使用多核学习技术以达到所需精度的回归分割。2.8. 学习网络Zeybel等人[38]使用基于快速区域的卷积神经网络（FRCNN）方法和二进制分类器网络（BCN）来检测和识别人类腰椎间盘。Zhang等人[39]提出了一种顺序条件强化学习网络（SCRL）来检测和分割椎体。2.9. 总结文献中发现的大多数方法集中在胸椎或腰椎[4，7，10，12整个脊柱具有更复杂的形态、椎间盘的形状和取向的更多差异、同一脊柱内的强度变化以及复杂得多的背景。本文介绍了全脊柱MP图像，它提供了有关脊柱健康的定量和信息数据。此外，本研究使用多项式IRHT方法对MP图像提取脊柱区域及其椎间盘。IRHT检测强噪声图像中的不完整椭圆。IRHT迭代A. Badarneh等人医学信息学解锁27（2021）1008103将随机化霍夫变换（RHT）应用于感兴趣区域以检测椭圆。之前唯一一项致力于提取整个脊柱曲线的研究是由Tang和Pauli [9]使用三次样条完成的，如上所述。采用不同的方法对椎间盘进行分割。本文首次采用椭圆HT方法提取脊椎椎间盘。3. 方法在这项工作中遵循的一系列步骤如图1所示。提出的方法分为三个主要部分：（1）脊柱区域的EX牵引，它采用图像预处理和多项式检测使用多项式HT，（2）椎间盘检测，最后（3）椎间盘分割使用椭圆Hough变换。3.1. 图像数据集所采用的图像数据集由31个全脊柱MR图像组成。其中21张正常图像和10张显示脊柱不同部位疝的图像。大多数图像是从医院拍摄的，如伊尔比德专科医院、安曼专科医院、哈立迪医院、哈姆泽王子医院和埃拉拉比医院。一些这些图像来自几家公司，包括西门子开放式MRI和放射学中心。数据集包含T1和T2加权MR图像，来自1.5 T MR扫描仪。根据医生3.2. 图像预处理阶段图像预处理阶段消除了每个MR图像的不相关部分，提高了后续阶段的图像质量，并且对于椎间盘检测任务至关重要。在脊柱图像的预处理中使用了一系列步骤，如图所示。 二、图像裁剪是用户唯一的手动干预步骤。裁剪使后续的图像分割过程更容易，更准确。图像裁剪的一个例子如图所示。 3 [20，21]。 然后，将裁剪后的图像围绕其中心旋转90度，顺时针方向。然后使用图像缩放将所有图像标准化为相同大小，以供后续阶段使用。选择的图像大小为100X 512。然后使用直方图均衡来增强对比度并调整图像强度[21，22]。然后应用中值滤波器来减少裁剪图像中的高斯噪声[15]。接下来，使用高斯拉普拉斯（LaplacianOf Gaussian，缩写为AES）滤波器对裁剪后的图像进行滤波，以改善下脊柱曲线描绘。最后，使用3 × 3水平Sobel滤波器来断言水平边缘[20]。图4示出了在应用该图像预处理阶段之后的输出图像。3.3. 学习阶段：找到脊曲线的多项式系数对于从脊柱图像集中选择的20个正常图像，应用以下一系列程序来描绘脊柱在每个图像中，手动标记一组参考点，以沿着脊柱的下边界描绘曲线。多项式图二、 图像预处理阶段的框图。图3.第三章。（a）原始图像，（b）对 应 的裁剪的脊柱图像。见图4。 应用图像预处理后的输出图像。然后创建曲线以平滑地连接这些点。 为了实现最佳的曲线拟合与短的处理时间和高拟合率，精确度，使用SIX阶多项式。等式（1）表示SIX阶多项式函数[23]。使用类似的手动过程来沿着脊柱的上边界描绘六阶多项式曲线然后，通过计算每个正态分布的下曲线和上曲线之间的差来计算平均差值。图像，然后平均所有这些差异。Fig. 1. 拟议方法框图。A. Badarneh等人医学信息学解锁27（2021）1008104=2个以上2=1（3）y（x）=a6x6+a5x5+a4x4+a3x3+a2x2+a1x1+a0（1）所有20个正常图像的手动创建的下边界多项式曲线都在图5（a）所示的白色区域内。 这个白色区域定义了一个感兴趣区域（ROI），然后可以用来缩小（和加速）自动搜索后续测试图像中的下边界。3.4. 脊柱区域提取将20条手动描绘的下边界多项式曲线传递给多项式驱动的迭代随机霍夫变换（IRHT）算法。该算法使用这些曲线来定位其随机搜索的特征，这些特征暗示了测试图像中脊柱的下边界曲线。IRHT算法在进行随机搜索时使用“投票程序”来积累这些特征的证据。该投票程序最终累积足够的投票以显示局部最大值的位置。这种累积方法使。来自学习阶段的输出图像;（a）来自20个全脊柱图像的ROI，（b）IRHT算法在存在视觉噪声和部分遮挡的情况下是鲁棒的。最终，具有最高“投票”的位置被用作点来描绘表示“候选”下边界曲线的八阶多项式。对于20个手动描绘的下边界曲线中的每一个，重复该随机化搜索过程，为每个测试图像创建20个候选边界曲线的列表。用于特征检测的等式（2）[24]：f（a，x）= 0（2）其中a=（a 1，...，an n）是正在搜索的形状的n个参数的特定值，并且x（x1，x2）是该形状的任何像点的坐标。对于这些候选下边界曲线中的每一个，计算对应的上边界曲线。这是通过将手动描绘的下边界曲线与先前在学习阶段中确定的上边界曲线之间的平均差值相加来完成的。还通过将下边界曲线与其上边界曲线相加并将结果除以2来计算每个候选下边界曲线的“平均曲线”。这些三条曲线的集合中的每一个被认为是用于描绘测试图像中的脊柱的边界的“候选者”。多项式IRHT算法区域，从而去除脊柱图像背景。结果的一个例子如图所示。8.第八条。3.5. 椎间盘检测然后将计算的脊柱平均曲线（即，上曲线和下曲线之间的平均曲线）加厚到十个像素，并应用于（作为掩模）原始图像，以产生图9（a）中所示的结果。这幅图被分成八个相等的子部分。每个部分都被转换成一个单独的二进制图像。图9（b）中示出了样本输出。然后，每个椎间盘的中心是使用这些矩形区域中的每一个的质心来确定的，如图1所示。9（c）。为了提取椎间盘形状，每个椎间盘都被单独处理。围绕每个磁盘中心创建矩形边框。计算每个磁盘位置的斜率（梯度）和截距，以找到拟合上下边界段的线性方程。之后，这 些 矩 形 的区域被填充，如图 所示。 10个。在使用这些矩形来掩蔽原始图像之前，必须修改它们的矩形取向以与原始脊柱图像内的每个椎间盘的取向对齐。对于每个矩形分别使用以下步骤完成：1) 裁剪填充的矩形，并确定矩形中心和方向。2) 裁剪的矩形将围绕其中心点沿逆时针方向旋转坡度角度度数。3) 将旋转的裁剪矩形作为掩模应用于原始图像，以单独分割每个椎间盘图11示出了所有23个椎间盘的最终检测。3.6. 椎间盘分割在矢状面上，椎间盘的形状呈椭圆形。为此，椭圆霍夫变换（HT）是实现分段脊柱内的磁盘。使用椭圆HT的优点是：（1）它减少了计算时间，（2）它提供了对丢失数据点的鲁棒性。在笛卡尔坐标中，以（X0，y0）为中心的定向椭圆的标准方程可以表示为[25]：发送给用户，用户通过图形用户界面（GUI）窗口直接观察手动选择最佳曲线集，[（x-x0）cosθ+（y-y0）sinθ]2a[（x-x0）sinθ+（y-y0）cosθ]2b表示整个脊柱弯曲。图6和图7显示了这三条曲线是如何呈现的。平均曲线（红色）是下部脊椎曲线（蓝色）与上部脊椎曲线（绿色）相加的结果，结果除以2。在用户选择用于描绘脊椎的上下边界的最佳候选者之后，它们被用于提取脊椎图五. 用白色ROI像素掩蔽后的输出图像。其中（x，y）表示椭圆上任意点的笛卡尔坐标（a，b）是椭圆的长轴和短轴的大小，θ是椭圆的方位角。椭圆的每一点都由五个参数表示：它的中心（x 0，y 0），长轴长度a，短轴长度b和倾斜角θ，如图所示。 12个。给定这五个参数，椭圆HT需要一个五维数组来表示每个候选椭圆。如果参数空间的每个维度的大小是N，则O（N5）的阶为需要存储所有候选项的整个参数空间[26表1显示了椭圆检测算法[28]，图13显示了将其应用于MR图像的结果3.7. 绩效评价所提出的算法的性能将表示使用百分比误差和统计参数。百分比误差参数是精度的有用表示形式。使用Equa计算脊柱平均曲线和椎间盘分割。A. Badarneh等人医学信息学解锁27（2021）1008105见图6。 一组候选曲线。见图7。 最佳候选曲线。见图8。 脊柱区域提取。图9.第九条。椎间盘检测;（a）脊柱平均曲线区域，（b）在转换9（a）到二进制段掩模之后的输出图像。（c）每个椎间盘的中心。图10个。每个磁盘中心的填充矩形。（4）.计算三个统计参数（即命中、未命中和错误），然后使用公式（5）和公式（6）计算两个统计指标（即灵敏度和准确度）。这些图十一岁 检测所有椎间盘。见图12。 椭圆参数[26]。表1椭圆检测算法[28].步骤1：使用Canny检测器从输入图像中检测图像边缘。第二步：从边缘图像中提取椭圆的中心、长轴、短轴和斜率。步骤3：每个参数的范围由五个值确定，并创建一个五维累加器数组。步骤4：在HT N维累加器中用局部最大值评估每个候选。图十三. 椎间盘检测。测量测量所提出的算法在一组脊柱图像内检测椎间盘A. Badarneh等人医学信息学解锁27（2021）1008106实际价值+未命中⃒%误差=实际值-实验值*100%（4）表2CAD和手动曲线之间的Frechet距离的示例结果灵敏度=命中率安打（五）下曲线的Case离散Frechet距离上曲线的离散Frechet距离平均曲线的离散Frechet距离准确度=命中+错误+未命中（6）4. 实验结果及分析4.1. 脊柱区域提取将由IRHT算法生成的20条多项式曲线应用于测试集中的每个图像。然后，用户根据每个图像的上、下和平均曲线为每个图像图14的左侧部分示出了图像1、4、5、16和21的手动描绘的脊柱曲线。右侧部分显示了IRHT算法为这些相同图像生成的曲线。所有曲线的平均百分比误差为14.16%，这是使用6阶多项式系数确定的。该误差是根据计算机辅助诊断（CAD）系统生成的曲线与同一图像的手动输入曲线之间的Fr'echet距离计算的。Fr'echet距离测量两条曲线之间的平均距离（以像素为单位），如公式（7）[29]所定义，其中CAD曲线被用作与手动描绘曲线进行比较的参考[Eiter，1994 #107]。只要计算得到的距离较低，两条曲线之间的收敛性就会更好。表2显示了使用Fr'echet距离测量的曲线之间相似性的一些示例结果。dF（A，B）=infα，βmaxt∈[0， 1]{d（A（α（t）），B（β（t）}（7）其中，α，β在所有单调重参数化d（α，β）上的范围表示欧氏距离inf是下确界。4.2. 椎间盘检测计算灵敏度和准确度，以确定所提出的算法在检测所有23个椎间盘中的性能。命中表示算法检测到存在磁盘的磁盘。错误表示算法检测到的磁盘不存在。Miss表示该算法未能检测到存在磁盘的磁盘。所有图像的平均灵敏度和准确度分别为97.32%和94.65%。表3总结了所提出的算法在整个31幅图像集中检测脊柱中的23个椎间盘时的灵敏度和准确度测量。4.3. 椎间盘分割中心（x0）和（y0）的平均百分误差分别为9.51%和9.14%。主轴平均百分误差为16.42%，方位百分误差为8.81%。图15示出了对不同脊柱图像执行椭圆霍夫变换图十四岁 通过多项式HT算法对随机选择的 图像获得的样本结果。113.4913.6113.3729.939.8410.2667.387.347.3978.978.998.981010.3310.3510.34137.757.767.76154.664.144.14178.308.318.31198.768.828.40219.839.859.84平均8.948.918.88A. Badarneh等人医学信息学解锁27（2021）1008107表3所提出的算法的灵敏度和准确性的措施图像编号安打错误想念灵敏度（%）准确度（%）1231010095.8322320100923231010095.834220195.6595.655230010010062300100100723001001008221195.6591.679231010095.8310222195.658811221195.6591.6712231010095.8313221195.6591.6714230010010015230010010016230010010017221195.6591.6718203386.9676.9219231010095.832023001001002123001001002219319582.6123210291.3091.3024220195.6595.6525210291.3091.3026230010010027220195.6595.6528231195.839229220195.6595.6530220195.6595.6531241010096平均97.3294.655. 讨论提出了一种新的从脊柱MR图像（矢状位视图）中提取脊柱区域的方法。它使用多项式IRHT算法。所提出的方法是强大的和新颖的，相比以前提出的文献。多项式IRHT算法在8维参数空间中从整幅裁剪后的图像中随机选取一定数量的像素进行投票。投票累加器矩阵得分指示在从粗到细参数空间分辨率的收敛配置中执行目标脊多项式的最佳候选。在迭代过程中，噪声像素（也是随机选择的）逐渐从ROI中排除，因此估计逐渐接近目标。最弱像素的消除降低了存储要求。这反过来又有助于准确地找到脊柱曲线的最佳选择。此外，它减少了检测ROI图像内的曲线所需的计算时间。执行的时间消耗平均为40秒.这是使用具有以下规格的计算机测量的：Intel Core i3处理器，4 GB RAM和64位操作系统。异常椎间盘的定位比健康椎间盘更困难。这是由于异常椎间盘亮度接近相邻椎骨的亮度。使用椭圆HT需要五个参数来定位和描绘每个盘。参数值的选择对于确定每个盘的大小和方向，特别是其长轴非常关键。在这一部分中面临的实际限制是，椭圆形盘横截面有时更接近于矩形而不是椭圆形。因此，很难找到最接近的圆盘形状，特别是对于形状变形的异常圆盘。磁盘检测所需的时间非常短，具有良好的准确性。本研究中的主要限制因素是采集的图像不是由同一MRI扫描仪生成的，而是使用不同的参数捕获的。因此，它们在对比度分辨率上具有显著的差异。这个问题通过使用图像预处理得到了一定程度的缓解。将该方法的结果与使用不同分割技术产生的其他已发表结果进行比较，这些技术包括各向异性导向的FLUX和水平集[14]、回归分割和多核[19]以及具有姿态模型的统计多对象形状模型[10]。在所提出的方法，椭圆HT。这减少了计算时间。此外，该方法对缺失数据点具有鲁棒性。表4中显示了将所提出的方法与其他先前方法进行比较的准确度测量的比较。参考文献中提出的方法。[10，17]使用3D MR图像。在参考文献中发表的方法。[4，12，13，19]使用T1和T2加权MR图像。在参考文献中发表的方法。[7-T2加权MRI提供了最佳的椎间盘对比度，部分原因是椎间盘核中的高含水量，这使得它们的信号强度高于周围椎骨[31]。文献[1]中已发表的方法的准确性。[4，7，30]比本文提出的方法略高。所提出的系统是更有效地分割整个脊柱区域从整个MRI图像具有非常高的精度。它还有助于使用新的简单，快速和准确的技术检测和分割脊柱图像中的椎间盘。此外，所提出的系统是少数几个研究，重点是利用整个脊柱图像，而不是腰椎。与文献中的其他技术相比，我们可以发现，我们提出的系统是复杂性低，更准确，使用更快的方法，即使它整个脊柱图像可分为颈椎、胸椎和腰椎区域。然后，每个图像区域可以被裁剪并与最佳圆拟合，以测量其半径。胸椎半径和腰椎半径之间的半径比可以用作测量正常脊柱和有缺陷脊柱（例如脊柱后凸、脊柱前凸或刚度）的脊柱曲率的一个指标。这将提供一个更好的了解病人的脊柱畸形和椎间盘突出和退化的可能性。它也可能提供洞察病人的职业生涯和脊柱之间的任何关系图15. 对不同脊柱图像执行椭圆Hough变换的示例结果。A. Badarneh等人医学信息学解锁27（2021）1008108表4与现有系统相比。方法参考类型的图像部分脊柱结构方法原理精度/Dice系数卷数Localization Corso et al.[7] T2 MRI腰椎间盘概率模型准确度=96% 20Alomari等人[8]T2 MRI全脊柱椎间盘概率模型准确度=87% 105Zhan等[17] 3D MRI全脊柱椎间盘+椎骨Adaboost+本地关节连接的模型高精度300Oktay等人[13]T1 T2MRI&腰椎间盘活动状态模型准确度=89.4% 102[12]第十二话3D MRI腰椎间盘多核仿射配准准确度=88% 15本地化+分割Raja[4] T1 T2&MRI腰椎间盘活动形状模型定位精度=33百分之九十一点七Zhu等人[16] T2 MRI全脊柱椎间盘Gabor滤波器组定位精度=百分之九十八点二三37例患者278个椎间盘Tang和Pauli [9]T2 MRI全脊柱椎间盘+椎骨主动形状模型高精度13Fairbank等人[32]T2 MRI腰椎间盘+椎骨常规图像分析本地化+分割精度12,018个椎间盘，2009患者Li，Xiaomeng，et al.[33个]3D MRI-=95.6%骰子系数=91.2% 24台Lu等人[34] T2 MRI腰椎间盘+椎骨U-Net+脊曲线拟合法从4075名患者中提取了22796个椎间盘节段分割Suzani等人[10]T1-3DMRI腰椎统计多目标形状模型+姿态模型Wang等人[19]T1 T2MRI+CT&胸&腰椎磁盘+椎骨回归分割+多内核–Law等人[14] T2 MRI-颈椎&上胸椎- 下胸腰椎&方法磁盘各向异性定向流量X+水平集神经网络自动编码模块69个正中矢状面高精度曲率6. 结论有限数量的放射科专家和专家可能难以及时诊断椎间盘问题的人。为放射科医生提供快速准确的工具，帮助他们确定是否存在此类疾病将非常有帮助。自动椎间盘分割将使诊断更准确、更快速，并将减轻诊断数百张MR图像的日常负担。本文提出并实现了一种用于全脊柱和椎间诊断的半自动多项式IRHT方法。首先利用多项式拟合和多项式IRHT算法从脊柱图像中提取整个脊柱区域。然后使用椭圆Hough变换方法进行圆盘检测和分割。进行统计分析，以确定所提出的方法的效率。椎间盘检测的平均灵敏度为97.32%，平均准确度为94.65%。作为未来的工作，从整个脊柱图像中提取的椎间盘将被用作特征提取方法的输入，该方法将馈送分类器，以构建完整的计算机辅助诊断系统。 为了获得更好的椎间盘分割精度，需要改进椭圆Hough变换参数（特别是长轴）的更好选择。评估这样一个系统将需要收集更大的数据集，并与医生合作，以评估其性能数据集可用性该数据集将只在相应作者的要求下提供。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认一个也没有。引用[1] Unal Y，Kocer H，Akkurt H.人工神经网络用于椎间盘退变疾病的自动诊断。在：第六届国际先进技术研讨会（IATS '11）; 2011年5月。p. 16比8[2] Ruiz-Esp anRanaS，AranaE，MoratalD. 磁共振成像中退行性腰椎疾病的半自动计算机辅助分类。Comput BiolMed 2015;62：196-205.[3] 放大图片作者：KohJ，Chaudhary V.基于分类器和脊柱MR图像特征的椎间盘突出症诊断。见：SPIE医学成像，第7624卷。 国际光学与光子学学会; 2010年3月9日。 76243O。Kim等人[35]第三十五届3D MRI腰椎深度卷积骰子系数=89%20例Han等人[三十六]T1 T2MRI&腰椎深心房回准确度=96.2%253（本地化+分段）提出T2 MRI全脊柱磁盘椭圆形HT准确度=90%31A. Badarneh等人医学信息学解锁27（2021）1008109+[4] 杨伟杰腰椎间盘突出症的MRI形态学自动诊断。在：SPIE医学成像，卷。七六二四国际光学与光子学学会;2010年。76241A。 三月九日。[5] 劳乐福，陈志国，邱国祥，沈继新.中国健康青少年全脊柱磁共振成像研究。骨科手术2013;5（3）：164-70。[6] 阿布卡斯米耶岛使用决策树分类器对腰椎间盘退变MR图像进行多类多标签分类和检测。 计算机工程与智能系统; 2013。[7] CorsoJJ，Alomari RS，Chaudhary V.腰椎间盘定位和标记，基于像素和对象特征的概率模型。Berlin，Heidelberg：SpringerBerlin Heidelberg; 2008. p. 202- 10[8] Alomari RS，CorsoJJ，Chaudhary V. 使用具有两级概率模型的像素级和对象级特征标记腰椎间盘。 IEEE Trans Med Imag2011;30（1）：1-10。[9] TangZ，Pauli J. 采用高效椎间盘提取和椎骨配准方法从MR图像中全自动提取人体脊柱曲线。国际计算辅助杂志放射外科2011;6（1）：21-33。[10] Suzani A，Rasoulian A，Fels S，Rohling RN，Abolmaesumi P.使用统计形状对姿势模型 Proc SPIE 2014年3月12日;9036：90360 P。[11] Neubert A，FrippJ，Engstrom C，Schwarz R，Lauer L，Salvado O，CrozierS. 使 用 统 计 形 状 模 型 自动检测、3D分割和分析高分辨率脊柱MR图像。物理医学生物学2012;57（24）：8357。[12] 董晓，郑国. MRI数据集的自动3D腰椎间盘分割。在：骨科介入的计算放射学Springer;2016. p. 25比40[13] Oktay AB，Albayrak NB，Akgul YS.腰椎退行性椎间盘疾病MR图像的计算机辅助诊断。计算机医学图像图2014;38（7）：613-9。[14] 罗文文，戴国，梁A，李国杰，李S。使用各向异性定向流的MR图像椎间盘分割。医学影像分析2013;17（1）：43-61。[15] Shi R，Sun D，Qiu Z，Weiss KL.一种有效的MRI脊柱图像分割方法。In：Complex Medical Engineering，2007. CME 2007。IEEE/ICME国际会议。IEEE;2007年。p. 713- 7[16] Zhu X，He X，Wang P，He Q，Gao D，ChengJ，Wu B.一种基于Gabor滤波器组的脊柱MRI椎间盘定位与分割方法。Biomed Eng Online 2016;15：32.[17] Zhan Y，Maneesh D，Harder M，Zhou XS.使用分层学习和局部关节模型的鲁棒MR脊柱检测。Berlin，Heidelberg：SpringerBerlin Heidelberg; 2012. p.141- 8[18] [10]张文辉，张文辉.通过基于学习的方法从CT/MR图像中全自动定位和分割3D椎体。 PLoS One 2015;10（11）：e0143327.[19] 王志，郑X，泰K，奥斯曼S，罗马诺W，李S。M3脊柱图像的统一分割框架.2010年。[20] PonrajDN，Jenifer ME，Poongodi P，Manoharan JS. 乳腺癌X线预处理技术的研究进展。J Emerg TrendsComput Inf Sci 2011;2（12）：656-64.[21] Buksh R，Routh S，Mitra P，Banik S，Mallik A，Gupta S.基于MATLAB的图像编辑和颜色检测. Int. J.Sci. Res.Publ 2014;4（1）.[22] AissiouM，P'eri'eD，Mac-ThiongJ-M. 标准化椎间盘MRI信号作为疼痛的生物标志物。 J Biomed Sci Eng 2013：372-80. 06（03）。[23] CattaniE，CoXDA，Ch'ezeG，DickensteinA，ElkadiM，EmirisIZ，GalligoA，张文忠，张文忠.解决多项式方程：基础，算法和应用（数学算法和计算）。2005年[24] 放大图片作者：HeroutA，Dubsk'aM，HavelJ. 霍夫变换直线检测方法综述。在：线和网格的实时检测。Springer; 2013.p. 三比十六[25] TorrenteM-L，Beltrametti MC. 几乎消失多项式及其在Hough变换中的应用。J Algebra Appl 2014;13：1450057. 08.[26] Hassanein，A.S.，S.穆罕默德，M. Sameer和M.E.霍夫变换的理论、技术与应用综述。arXiv预印本arXiv：1502.02160，2015年2月7日。[27] 因弗索湾基于随机Hough变换的椭圆检测。期末专题：计算机视觉导论2002：4005-757。[28] 伊藤Y，小川K，中野K.基于GPU的Hough变换快速椭圆检测算法。2011. p. 313- 9[29] EiterT，MannilaH. 计算离散Fr′echet距离。一九九四年 p. 636- 7[30] 朱伟，曾南，王南.灵敏度，特异性，准确性，相关的置信区间和ROC分析与实际的SAS实现。巴尔的摩，马里兰州：NESUG程序：医疗保健和生命科学; 2010年。p. 一比九[31] De Luca V等人，5571.，“2014年肝脏超声跟踪基准。“. 60.14医学和生物学中的物理学2015;60（14）.[32] 2005年10月26日，中国科学院院士。在没有人为干预的情况下，从腰椎磁共振图像（mri）中自动读取放射学特征与放射学专家（issls奖-生物工程科学）相当：56。见：脊柱杂志会议摘要。LWW; 2017.[33] [1]李新，窦强，陈华，傅春文，齐新，白丽萍，安布雷希特，费尔森伯格，郑刚，衡平。具有随机模态体积丢失学习的3D多尺度FCN，用于多模态MR图像的椎间盘定位和分割。 医学影像分析2018;45：41-54。[34] Lu J-T，Pedemonte S，Bizzo B，Doyle S，Andriole KP，Michalski MH，GonzalezRG，Pomerantz SR. DeepSPINE：automated lower vertebral segmentation，disc-leveldesignation，and spinal stenosis grading using deep learning. 2018. arXiv预印本arXiv：1807.10215。[35] [10] Kim S，Bae W，Masuda K，Chung C，Hwang D.使用深度卷积神经网络（BSU-Net）从MR脊柱图像中精细分割椎间盘。应用科学2018;8（9）：1656。[36] 韩正，魏乙，梅尔卡多A，梁S，李S。Spine-GAN：多个脊柱结构的语义分割。医学影像分析2018;50：23-35。[37] Mbarki W，Bouchouicha M，Frizzi S，Tshibasu F，Farhat LB，Sayadi M.基于深度学习的腰椎间盘突出分割新方法。2020年第四届先进系统和紧急技术国际会议。IC_ASET）; 2020. p. 394- 9[38] Zeybel M，Akgul YS.基于快速RCNN最短路径算法的脊柱MR图像腰椎间盘定位与识别。在：医学图像理解和分析年会; 2020年。p. 143比54[39] 张丹，陈波，李S.用于同时进行椎体检测和分割并对脊柱解剖结构建模的顺序条件强化学习。医学影像分析2021;67：101861。
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
