脊柱图像中腰椎前凸角计算的数据挖掘方法与决策树分类器和形态图像处理相关

工程科学与技术，国际期刊22（2019）1027完整文章使用决策树分类器和形态图像处理伊山Masada，Masad，Amjed Al-Fahouma，b，Isam Abu-Qasmiehaa约旦耶尔穆克大学Hijjawi工程技术学院生物医学系统和信息工程系，Irbid 21163b侯赛因技术大学工程技术学院，约旦安曼11831阿提奇莱因福奥文章历史记录：2018年10月31日收到2019年1月31日修订2019年3月4日接受在线预订2019年保留字：脊柱腰椎前凸曲率T2-MRI数据挖掘决策树纹理特征图像分割形态学图像处理Cobb角A B S T R A C T腰椎前凸在功能和临床上都是一个非常重要的参数，它是维持矢状面平衡的一个关键特征，此外它在评估脊柱畸形方面也起着至关重要的作用。本研究的主要目的是提供一种全自动测量T2-MR图像中腰椎前凸曲线角度的方法。这一目标已经通过利用数据挖掘分类和图像分割以及随后的形态学图像处理的计算机辅助方法在腰椎水平自动测量腰椎弯曲半径来脊柱已被分割从整个图像使用机器学习技术，是基于纹理特征识别腰椎模式。将提取的特征送入C4.5决策树分类器，用于设计腰椎识别系统。所得到的分类器的“如果-那么”规则已被用于从整个图像中分割脊柱区域。对原始分割结果进行了多种形态学图像处理，以提高真阳性率，抑制假阳性率。通过使用最小二乘拟合算法将轮廓平均值拟合到最近的圆，然后计算腰椎前凸曲率角，评价腰椎曲率的平均半径所提出的方法已被测试和验证正常和病理T2-MR脊柱图像，并发现有效地执行。腰椎前凸角的计算结果与Cobb角测量结果有很强的相关性（R = 93.2%）。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍脊柱曲率测量是评价脊柱畸形的主要参数[47，2]，在骨科手术准备和监测正常和病理条件下的畸形治疗进展方面非常有用[54，20]。矢状面的脊柱曲率测量描述了颈椎前凸、胸椎后凸和腰椎前凸的病理状况[10，3，43]。例如，正常脊柱前凸角度范围在20°和45°之间[31]，而如果脊柱前凸角度分别小于20°和大于45°，则分别定义为脊柱前凸不足和脊柱前凸过度[46]。Cobb方法是最常用的测量技术尽管最初设计用于评价冠状（额状）平面图像中的脊柱畸形[8]，但在矢状位脊柱2D图像中[18，19]的脊柱后凸和脊柱前凸曲率。但在构造相交*通讯作者。电子邮件地址：imasad@yu.edu.jo（I.S. Masad）。由Karabuk大学负责进行同行审查椎体终板线[17]用于评价颈椎前凸[9]、胸椎后凸[32]和腰椎前凸[21，53]。虽然Cobb方法的主要缺点是手动干预，但其也存在无法显示局部曲率变化的问题，因此不同幅度的两种脊柱曲率可能导致相同的Cobb角[53]，因为Cobb角仅反映终板倾斜和终板几何形状[37]。此外，腰椎曲度的Cobb角测量值主要受骨盆矢状面对线的影响[32]。Singer等人[45]是通过人工识别椎体轮廓的多项式函数建模，使用计算机辅助方法评价胸腰椎脊柱曲率的先驱。他们还通过手动识别前后椎体轮廓的弧度来评价胸椎后凸曲率[44]。平均曲率半径表现出相对较高的相关性与Cobb角，并证明在克服由射线照相图像质量差引起的误差的优势。同样，杨等人[59]推导出使用三次样条插值的矢状脊柱的数学模型。根据三次样条函数，https://doi.org/10.1016/j.jestch.2019.03.0022215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch小行星1028Masad等人/工程科学与技术，国际期刊22（2019）1027计算了胸椎、腰椎和胸腰椎节段的曲线和平均矢状位，因此建议将其作为矢状位曲率的描述符另一方面，Harrison et al.[16]提供了一种几何矢状颈椎模型，用于评价矢状X线片中的颈椎前该模型后来扩展为椭圆形，用于描述颈椎前凸[15]、胸椎后凸[24]和腰椎前凸[14]。Vaz等人[50]提出了一种双圆弧方法，使其分别与胸椎后凸和腰椎前凸的顶点相切。测量脊柱曲线两端连接圆弧中心和椎体角的两条直线相对于参考水平线的曲率角。Rajnics等人[41]检查了SpineView软件的测量可重复性，以评价一系列脊柱变量，例如矢状脊柱曲率。SpineView软件可用于矢状面脊柱对线的实验研究，并用于测量矢状面脊柱曲率，并研究其与其他参数的相关性，包括T9偏移，其指示脊柱的矢状面平衡[51]。在该软件中，用户必须手动识别许多解剖标志，例如每个观察到的椎体的前部轮廓，其中与这些轮廓正交的两条直线的角度用于计算胸椎后凸和腰椎后凸。另一方面，Spinesouly等人[42]提出了一种与SpineView相似的软件，用于分析侧位X线片上脊柱和骨盆的对齐情况。采用矢状形态学的四部分分类方案对每位患者进行分类。机器学习技术及其衍生的数据挖掘方法已广泛且成功地应用于计算机辅助诊断[22，40，28]。已经提出了基于椎间盘形态的计算机化方法来表征椎间盘退变[6]。纹理已广泛用于图像分类和图像检索[33]。最常见的提取特征是对比度，能量，熵，同质性和相关性[52]。避免手动设置确定是目前计算机化方法中最具挑战性的任务[54]。通过图像处理和分析技术解决了该问题[27，55，4]。例如，Kundu等人[29]提出了一种用于脊柱CT图像中腰椎前凸（LL）角度计算的自动分割技术，通过使用基于图切割算法的分割技术分割腰椎区域;而Yao等人[62]提出了一项CT图像中临床椎骨分割算法的比较研究，以构建用于脊柱标记和分割的注释参考数据集，除了评估最新的分割方法在分割脊椎和相关子结构中的准确性之外。研究人员继续致力于开发新的分割技术，试图达到全自动方法，以避免手动测量的主观性。Bampis等人[5]就是其中的一位研究者，他们使用T2-MR图像在腰椎中应用椎管分割方法。他们的方法基于多尺度奇异性指数算法的扩展版本，以及其他几个步骤，用于检测最可能的椎管区域，而无需事先信息或复杂的建模，也不需要用户的手动干预。此外，Hutt在其论文[23]中描述了一种用于从CT和MR图像中对腰椎中的椎骨和椎间盘进行2D和3D自动分割的方法。他的方法是基于特征提取用于训练分类器以分别估计2D和3D中的超像素和超体素的类别标签。该方法不依赖于显式的先验形状信息，因此，不需要构建从训练数据中提取解剖形状的代表性先验模型。此外，Gaonkar等人[11]开发了一种多参数集成学习技术，用于使用脊柱MR图像自动检测和分割腰椎椎体。所提出的技术被设计为执行良好，尽管固有的变化，在扫描协议与宽范围的弛豫时间。他们的多参数集成模型使用手动标记的T2-MR成像数据进行训练，并基于随机森林分类器算法，使用不同的参数设置来识别可能代表椎体的超像素。开发在其他身体器官（例如大脑）上进行的全自动分割方法的研究已经解决了对不同组织类型进行分类的问题。例如，Soltaninejad等人[48]提出了一种自动化方法，用于从基于超像素技术的流体衰减反转恢复（FLAIR）MRI图像中检测和分割脑肿瘤，并通过计算其Gabor纹理元特征、分形分析、曲率和统计强度特征对整个脑区域内的每个超像素进行分类;然后，使用极度随机化的树分类器将超像素分类为肿瘤或正常脑组织。另一方面，Yang et al.[60]提出了一种计算机化的决策支持方法，用于使用脑扩散张量成像（DTI）数据并基于肿瘤形态及其不规则性，在高级多形性胶质母细胞瘤（GBM）和孤立性转移瘤（MET）之间进行半自动脑肿瘤分类，作为常见的脑肿瘤。 在另一项工作中，Yang等人[61]开发了一种基于形状特征区分脑中GBM与孤立MET病理的方法。他们使用定量DTI来生成3D形状模型，其中采用DTI分割技术来提供关于感兴趣的肿瘤区域的定位和定义的信息，然后在整个肿瘤区域上计算3D形状指数和弯曲度的形态特征。他们最终在使用支持向量机进行肿瘤分类之前使用最小冗余和最大相关性特征选择。尽管有大量研究调查和测量了脊柱前凸角度，但文献中仍然缺乏定量分类和评价的客观方法，而无需或只需最少的手动干预。因此，本研究的目的是提供一种定量测量矢状前凸角的自动方法，以减少观察者内和观察者间的测量变异性。以下章节描述了为实现本研究目标所遵循的方法，包括培训和测试阶段的脊柱分割程序。然后，除了腰椎前凸角计算和测量外，结果部分还显示了上述程序中每个步骤的结果图像。讨论部分深入讨论了所获得的结果，将其与文献中的方法进行比较，并强调了所提出的方法已经克服的局限性。最后，结论部分总结了本研究的发现.2. 材料和方法本研究共使用了32个腰椎区域的T2加权磁共振（MR）矢状面图像（表1）。其中，5幅图像用于训练阶段，而其他27幅图像用于测试阶段，以验证所提出的方法。图 1说明了所提出的方法的框图。在训练阶段建立多类分类器模型的过程包括以下步骤：1)在固定坐标处自动裁剪MR图像，2）将每个裁剪图像旋转90°并确定××埃. Masad等人 /工程科学与技术，国际期刊22（2019）1027-10341029表1本研究中使用的样本的人口统计学信息和分布。总数性别年龄（平均值±SD）MF正常1851358.2± 21.4异常前凸82650.5± 13.8脊柱前凸过度64241 ± 7.2Fig. 1. 本研究提出的方法的框图。3）对每个区域的滑动窗口子图像进行预处理; 4）提取纹理特征; 5）建立决策树模型并将其转换为两个阶段的程序细节在以下小节中描述。2.1. 训练阶段1) 在训练阶段建立多类分类器模型，首先在固定坐标处自动裁剪MR图像，以去除无用信息并提高密集计算过程的效率。坐标固定在（40：500，120：350），这是因为所有脊柱MR图像（560和560）中的图像尺寸相同，并且图像中的MRI扫描仪床层也相同，因此可以用作自动确定脊柱区域裁剪坐标的参考位置。2) 将每个裁剪图像逆时针旋转90°，手动确定脊柱区域的上边界和下边界，并分别拟合至12阶多项式，以获得表示这些边界的分析关系。因此，分别使用每个图像的上多项式和下多项式分析确定训练脊柱图像的脊柱、右和左区域。3) 每个区域（右，左，或脊柱）的子图像（模板）分别裁剪为40 -60的大小，应用高斯降噪，复合拉普拉斯滤波用于边缘增强，直方图均衡。4) 该算法利用灰度共生矩阵作为最常用和最敏感的纹理描述符，提取运动和重叠子图像（模板）的对比度、能量、熵、均匀性、相关性、自相关性、簇阴影、簇突出度、最大概率和不相似性等纹理特征，并利用灰度共生矩阵提供的空间关系信息，对1/1×1/1×我1/1我Pð我-Þði-Þ小行星1030Masad等人/工程科学与技术，国际期刊22（2019）1027船舶之间的亮度值的像素在一定的图像[1，57]，使用MATLAB代码的基础上Uppuluri软-ware[35]. 提取的特征值及其关联的N嗯嗯-nn-¼qPNm-m-2PNn-2ð2Þ类类型（脊柱、右侧或左侧）存储在Excel电子表格中。五幅训练图像中的子图像总数为16，096。5) Excel电子表格被Quinlan的C4.5分类器使用由此产生的规则被认为是明确用于自动分类的专家系统，在腰椎图像的脊柱，右，左采用J48算法的测试子图像。结果树的大小是1525个节点，763个叶子，正确分类的实例是90.1%。2.2. 测试阶段一旦在训练阶段建立了J 48决策树分类器模型的“if-then”规则，就可以完全自动测量任何T2-MR脊柱图像的腰椎前凸曲率角然而，为了验证所提出的自动方法，必须进行测试阶段。测试阶段首先将“if-then”规则转换为if语句在一个等价的MATLAB语法中。与训练阶段的图像相似，测试腰椎图像旋转90°并自动裁剪成40 - 60大小的子图像，然后对它们进行预处理（高斯去噪，使用复合拉普拉斯滤波的边缘增强和直方图均衡化），并在测试阶段提取与训练阶段相同的纹理特征。当使用if语句测试从每个子图像中提取的特征为了提高真阳性率，同时降低假阳性率，多个形态学图像处理已被应用于原始分割图像。第一种形态学处理是使用盘状的小尺寸（半径为1）结构元素进行侵蚀，以缩小假阳性点并从脊柱区域剥离挤出物腐蚀之后是使用新月形结构元件的扩张，以桥接弯曲脊柱区域中的间隙，然后是使用尺寸为15的盘形结构元件的打开过程，最后，使用相同的新月形结构元件的扩张用于桥接先前过程留下的任何间隙。在完成形态学处理之后，通过从其侵蚀输出中减去图像来自动提取增强的分段脊柱图像的边界，其中侵蚀（1）以下[13]：bbAA-AHB1其中b（A）是图像A的边界，B是结构元素，H是腐蚀过程。2.3. 性能测量最后，对于每个测试图像，使用所提出的方法自动计算腰椎前凸角，并测量Cobb角。通过计算相关系数(R)使用Eq. （2）以下：其中，R是相关系数;N是测量次数= 27;mi是使用提议的方法计算的样本i的腰椎前凸角;ni是样本i的Cobb角测量值;m和n分别是计算的腰椎前凸角的平均值和所有测试样本的Cobb角的平均值。3. 结果3.1. 脊柱区域图图2 - 5示出了在训练阶段中在上面的方法部分中描述的程序。例如图图2示出了在固定坐标（40：500，120：350）处裁剪图像，而图2示出了在固定坐标（40：500，120：350）处裁剪图像。图3示出了裁剪图像的旋转以及使用12阶多项式解析获得的不同情况下的上边界和下边界的一些示例。图3还示出了（右、脊、左）区域的标记，其分别基于该区域是否分割的脊柱区域如图所示。 四、 图 5显示了决策树及其相应的“if-then”规则的示例。应用在方法部分中描述的形态学操作的结果在图6a-c在测试阶段，确定了描述上、下边界的最佳六阶拟合多项式，如图所示。 6 d.图图7示出了具有原始脊柱图像的上边界和下边界，其中成功地描绘了脊柱区域的边界。最后，通过提取上下多项式之间的限定区域，从整个腰椎图像中干净地分割出脊柱区域，如图所示。8.第八条。3.2. 腰椎前凸角描述腰椎区域曲率的弧是通过计算上一步中确定的上下多项式的平均值来确定的。腰椎弯曲的平均半径通过使用最小二乘拟合算法将平均多项式点拟合到最近的圆来计算，如图所示。9.第九条。自动测量腰椎区域拟合圆弧和平均多项式的交叉端之间的距离，并最终使用等式（1）计算腰椎前凸角（u）（3）以下：图二.（a）中所示的原始T2-MR脊柱图像及其在固定坐标（40：500，120：350）处裁剪的相应图像（b）。R半径埃. Masad等人 /工程科学与技术，国际期刊22（2019）1027-10341031图三.在训练阶段使用的裁剪图像旋转90°（不同情况）。每个图像的上部和下部实线白线是从边界解析获得的回归12阶多项式。见图4。T2-MR矢状腰椎图像（a）和使用决策树分类器的脊柱区域分割的原始结果（b）。u<$2×si n-1。0：5×LΣð3Þ其中L是交叉端之间的距离，半径是腰椎弯曲的平均半径;如图所示。10个。将本研究中使用该方法自动获得的结果与Cobb方法测量的脊柱前凸角度值进行了比较，发现具有可比性（图1）。（11）A相关系数为93.2%（应用公式（2））。4. 讨论这项工作介绍了一种新的全自动方法来测量腰椎见图6。a）在使用盘形的小尺寸结构元件的侵蚀之后使用新月形结构元件的扩张。b）（a）中的结果用盘形结构元件打开。c）（b）中的结果使用（a）中的相同结构元素d）使用边界提取形态学算子来提取（c）中的增强分割图像的边界见图7。腰椎区域的边界通过图1的上边界和下边界的回归拟合成功地描绘。 6. d.图像. 这种方法克服了手动和半自动方法确定脊柱前凸曲线角度的缺点这些缺点包括人工方法主观性强、耗时长、操作复杂，不适合常规临床筛查;除了观察者间和观察者内可靠性的变异性之外，已经表明质心、Cobb和后切线方法的组间和组内相关系数不是恒定的，在某些情况下范围从“一般到良好”到极好[17]。本研究中的测量是在整个腰椎区域（即L1-L5）上进行的文献中有许多研究使用不同的方法评估了腰椎前凸角，包括图五.通过训练产生的J 48决策树的样本提取了腰椎训练图像的特征（左）和相应的if-then规则（右）。小行星1032Masad等人/工程科学与技术，国际期刊22（2019）1027见图8。a）原始T2-MR矢状脊柱图像。b）使用所提出的分割方法的上下多项式限制区域。c）通过将图像（b）乘以图像（a）来干净地分割脊柱区域。图9.第九条。a）原始T2-MR矢状腰椎图像。b）腰椎ROI的原始c）使用形态学图像处理的经处理的分割的腰部区域。d）（c）中分割的腰部区域的边界提取。e）（d）中腰椎椎体部分f）（e）处的平均轮廓的圆拟合临床和医学成像技术。使用临床方法的角度值取决于进行测量的人员，可能会相应变化;此外，测量结果的可重复性低于使用医学成像的测量结果[36，38]。另一方面，医学成像方法更可靠，特别是使用标准化程序时[21]。尽管放射影像已被广泛用于评价腰椎前凸角[16，56，34]，但在当前研究中选择了磁共振影像，因为其在医学成像中用于评价矢状腰椎前凸角的第一种方法是Cobb方法及其使用椎体终板线的改良版本[18，19，21，53]。然而，它有许多局限性，主要是Cobb角主要反映终板倾斜和终板几何形状[37]，因此，两种不同大小的脊柱弯曲可能导致相同的Cobb角[53]。此外，腰椎前凸的Cobb角测量值主要受骨盆矢状面对线的影响[32]。其他一些研究包括Singer等人的工作[44，45]，他们使用计算机辅助方法，通过手动识别前后椎体轮廓的弧度来评价胸椎后凸曲率;然而，必须手动识别的解剖标志数量相对较高[12]。另一方面，Harrison等人[14，16]开发了一种腰椎弯曲的人体测量模型，他们使用椭圆以最小二乘法对数字化X线摄影点进行建模，以在L1-L5处创建全局角度;但同时，需要所有后部身体角，必须手动指定在所有评价腰椎曲度的研究中（[56]的综述中提到了更多研究），一个共同的缺点是除了其他方法特定的限制外，还需要人为干预。最近开发了基于深度学习的腰椎分割方法;然而，据作者所知，这些方法使用CT图像进行腰椎自动分割[25]，或者深度学习方法中用于分割椎体的统计模型是根据手动分割的多层CT扫描构建的，每个手动分割椎体的重心被用作定位标志[49]。使用卷积神经网络（CNN）的其他深度学习技术依赖于使用关于先前分割的椎骨的信息逐个实例地分割椎骨区域，并且因此，其固有地易受级联故障（即，未能正确地分割单个椎骨可能导致无法找到所有后续椎骨，特别是在具有低强度的椎骨区域的脊柱图像中，在具有极端解剖异常或严重成像伪影的图像中[30]。然而，所提出的方法在本研究中，使用T2加权MR图像，因为它们在临床实践中通常使用，因为它们在以下方面具有优势：见图10。检测圆弧的交点端点（上交点和下交点）和脊柱ROI的平均多项式，以计算这两个端点之间的距离（L），然后计算腰椎前凸曲率角（u）。该图显示了两个不同的腰椎前凸曲率示例。埃. Masad等人 /工程科学与技术，国际期刊22（2019）1027-10341033见图11。将测量的腰椎前凸弯曲Cobb角与使用所提出的方法计算的角度进行比较。软组织造影剂[5]除了上述MRI的无害非电离性质之外。此外，当前方法使用所建议的特征和决策树分类器来识别脊柱区域纹理，这是更简单的并且不需要用于分割的其他成像模态。因此，本研究通过使用基于纹理特征的机器学习技术实现自动分割算法来解决几乎所有的局限性，用于识别腰椎模式（参见上述方法部分的详细描述），然后将提取的特征自动馈送到Quinlan的C4.5分类器，以构建决策树模型，该模型被转换为一组if-then规则[39]，用于为了提高该方法最后，使用最小二乘拟合算法将轮廓平均值拟合到最近圆后，自动计算腰椎前凸角从所提供的全自动方法获得的脊柱前凸角值与使用Cobb方法的测量值具有很强的相关性。所提出的算法的局限性之一在于所需的然而，高速计算机和工作站的可用性有助于使这种限制变得可控。5. 结论总之，本研究提供了一种新的完全自动化的方法来测量腰椎前凸曲线的角度，使用计算机辅助的方法，即通过J48决策树分类器。这种自动化技术在文献中是缺乏的，但希望避免由手动干预引起的主观错误。该技术在T2-MR图像的测量中表现出了高性能和有效性;然而，它可以扩展到其他医学成像诊断模式和其他应用中。引用[1] J. Adur等人，癌症中的非线性光学显微镜信号处理策略，Cancer Inf.13（2014）67-76。[2] C.P. Ames等人，成人脊柱畸形：流行病学，健康影响，评价和管理，脊柱畸形4（2016）310-322。[3] C.P. Ames等人，脊柱骨盆对线对成人畸形手术决策的影响：综述。神 经 外科 Spine16（2012）547-564.[4] E. Babai等人，测量腰椎前凸的创新软件方法，Ann. Biol. Res. 3（2012）204-213。[5] C.G. Bampis等人，矢状MR图像中椎管的分割和提取，2016 IEEE西南图像分析和解释研讨会（SSIAI），2016。[6] P. Chamarthy等人，图像分析技术用于表征颈椎界面椎间隙狭窄，计算机。Med.Imaging Graphics 28（2004）39-50.[7] A. Cil等人，儿童期脊柱矢状段排列的演变，Spine 30（2005）93-100。[8] J.R. Cobb，脊柱侧凸研究大纲：教学课程讲座，Edwards，Ann Arbor，MI，1948年。[9] P. P.M. et al.，突关节退变、椎间盘退变和颈椎矢状弯曲。它们能在射线照片上可靠地测量Spine 22（1997）859[10] R. DeWald等人，脊柱畸形：综合文本，ThiemeMedical Publishers，纽约，2003年，pp.2-45[11] B. Gaonkar等人，多参数集成学习用于非均匀采集临床MR图像中的自动椎体分割，IEEE J。Transl. Eng. Health Med. 5（2017）1-12.[12] S. Goh等人， 测量胸椎后凸的三种方法的比较：对临床研究的影响，流变学39（2000）310-315。[13]冈萨雷斯，伍兹，数字图像处理，第三版，Pearson/Prentice-Hall，2008年。[14] D. Harrison等人，矢状腰椎前凸和节段旋转角度的椭圆建模作为区分正常和下背痛受试者的方法，临床脊柱外科11（1998）430-439。[15] D.D. Harrison等人，颈椎矢状面建模作为一种区分颈椎曲度不足的方法：72名无症状受试者、52名急性颈痛受试者和70名慢性颈痛受试者的椭圆形和圆形建模结果，Spine 29（2004）2485-2492。[16] D.D. Harrison等人，脊柱前凸颈椎弯曲与静态矢状颈椎理论理想模型的比较，Spine 21（1996）667-675。[17] D.E. Harrison等人，质心、Cobb和Harrison后切线方法的可靠性：选择哪种方法分析胸椎后凸，Spine 26（2001）227-234。[18] D.E. Harrison 等人，腰椎前 凸的影像学分析：质心法、Cobb法、 TRALL 法和Harrison后切线法，Spine 26（2001）235-242。[19] D.E. Harrison等人， Cobb法或Harrison后切线法：颈椎侧位X线片分析的选择，Spine 25（2000）2072- 2078。[20] D. Hey等人，脊柱在站立和坐姿时的不同--脊柱畸形矫正的重要考虑。 17（2017）799-806。[21] G.E.希克斯等人，腰椎前凸测量：评定者间可靠性、最小可检测变化和纵向变化，临床脊柱外科19（2006）501-506。[22] T. 霍 索 恩 湾 Lausen ， Bagging tree classifiers for laser scanning images ：adata-and simulationbased strategy，Artif.内特尔27（2003）65-79。[23] H.W. Hutt，从医学图像中自动分割腰椎，2016年[24] T.J. Janik等人，腰椎矢状弯曲能用椭圆近似吗？ 骨科研究杂志 16（1998）766-770。[25] R. Janssens等人，使用级联3D全卷积网络从CT图像中全自动分割腰椎，见：IEEE第15届国际生物医学成像研讨会，2018年，第15页。893-897[26] L. Kalichman等人，计算机断层扫描评估的腰椎前凸与脊柱退变特征之间的相关性，在仰卧位评估，Spine J. 11（2011）308-315。[27] J. Kaminsky等人，特别适用于改进脊柱3D分割的交互式工具，Comput。医学成像图形28（2004）119- 127。[28] R. Kaur，使用数据挖掘分类技术检测肺癌的研究，Int. J. Adv. Res. Comput. Sci.软件工程师 3（2013）131-134。[29] R. 昆杜A.Chakrabarti，P.Lenka，CT图像的自动椎体分割用于计算腰骶角，载于：应用计算和安全系统，Springer，印度，2015年，pp. 71比83[30] N. Lessmann等人，用于自动椎骨分割的迭代全卷积神经网络，arXiv预印本arXiv：1804.04383，2018。[31] R.林岛，智-地茹角Yu，腰椎前凸：正常成人，J. Formos。91（1992）329-333。[32] J. - M. Mac-Thiong等人，根据冠状曲线类型对青少年特发性脊柱侧凸的脊柱和骨盆进行矢状面分析，Spine 28（2003）1404-1409。[33] B.S. Manjunath，W.Y.马，纹理特征的浏览和检索的图像数据，IEEE Trans. 模式肛门。马赫内特尔 18（1996）837-842。[34] M.马克斯角Stanford，P. Newton，哪种侧位X线摄影定位技术提供了患者矢状面平衡的最可靠和功能性表示？，脊柱34（2009）949-954[35] MathWorks，Avinash Uppuluri.“Matlab Codes for GLCM Texture Features”，2010.[36] P. Penha等人，定性姿势分析的男孩和女孩的7至10岁，修订。胸罩费西奥特 12（2008）386-391。[37] D.W. Polly等人， 腰椎前凸的测量：观察者内、观察者间和技术变异性的评价，Spine 21（1996）1530-1535。[38] M.S. Poussa等人，11 - 22岁儿童脊柱姿势的发展，Eur。 脊柱J 14（2005）738-742。[39] J.R.昆兰C4 5：Programs for Machine Learning，Elsevier，2014.[40] P. Rajendran，M. Madheswaran，使用高效分类器进行脑肿瘤分类的改进图像挖掘技术，arXiv预印本arXiv：1001.1988，2010。小行星1034Masad等人/工程科学与技术，国际期刊22（2019）1027[41] P. Rajnics等人，脊柱矢状面X线片的计算机辅助评估，临床脊柱外科14（2001）135-142。[42] P. P.S.苏利等人，站立位下人体腰椎和骨盆矢状位正常变异的分类，Spine 30（2005）346-353。[43] F. Schwab等人，成人患者的骶平面注意事项和骨盆，Spine 34（2009）1828-1833。[44] K. Singer等人，胸椎后凸的计算机辅助曲率评估和Cobb角测定：体内和体外比较，Spine 19（1994）1381-1384。[45] K.P.辛格，T.J.琼斯，警察。Breidahl，胸部和胸腰椎矢状面曲率的放射学和计算机辅助测量的比较，Skeleton Radiol. 19（1990）21-26。[46] D. Spiegel等人，脊柱，纳尔逊儿科学教科书，第十九版。，Saunders Elsevier，Philadelphia，Pa，2011.第六百七十一章[47] 国际航空联合会Stokes，脊柱畸形的三维术语。提交给脊柱畸形三维术语研究协会工作组的报告，Spine 19（1994）236-248。[48] M. Soltaninejad等人，在FLAIR MRI中使用基于超像素的极端随机树的自动脑肿瘤检测和分割，Int. J. Comput. 辅助放射学Surg. 12（2）（2017）183-203.[49] A. Suzani等人，深度学习用于体积MR图像中椎体的自动定位、识别和分割，Med. Imaging，Proc. SPIE 9415（2015）941514。[50] G. Vaz等人，骨盆和脊柱的形态学和平衡，Eur。SpineJ.11（2002）80[51] R. Vialle等人，无症状受试者脊柱矢状面排列和平衡的X线分析，JBJS 87（2005）260-267。[52] 急 诊 室 Vimina ， K.P. Jacob ， A sub-block based image retrieval usingmodified integrated region matching ， arXiv preprint arXiv ： 1307.1561 ，2013。[53] S.A. 武齐纳斯Macewen，脊柱的脊柱侧凸，Clin. 骨科相关第210（1986）号决议第235-242段。[54] T.弗尔托韦茨湾Likar，F. Pernutrient，3D脊柱弯曲的定量分析：应用于正常脊柱的CT图像，Phys. Med. Biol. 53（2008）。[55] T. Vrtovec等人，从脊柱MR图像自动生成曲面重建，物理。Med. Biol. 52（2007）2865。[56] T. Vrtovec ，F.佩尔努斯湾Likar，脊柱弯曲定量评价方法综述，Eur. 脊柱J 18（2009）593-607。[57] T. Vujasinovic等人， 灰度共生矩阵纹理分析在乳腺肿瘤影像远处转移风险预测中的应用。微型肛门。21（2015）646.[58] I.H. Witten 等 人 ， 数 据 挖 掘 ： 实 用 机 器 学 习 工 具 和 技 术 ， 第 三 版 ， MorganKaufmann，2011，p. 191.[59] B.P. Yang ， C.W. Yang ， S.L. Ondra ， 矢 状 脊 柱 的 新 型 数 学 模 型 ， Spine 32（2007）466-470。[60] G. Yang等人，利用扩散张量成像的p：q张量分解的形态学特征区分多形性胶质母细胞瘤和孤立性转移瘤，NMR Biomed。27（9）（2014）1103-1111。[61] G. Yang等人，使用三维形状分析区分多形性胶质母细胞瘤和孤立性转移瘤的形态计量模型，Magn. Reson。75（6）（2016）2505-2516。[62] J.Yao等人，临床椎体CT 分割的多中心里程碑研究，Comput。医学成像图形49（2016）16-28。