Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật Toán Xác Định Quan Hệ Liên Kết Giữa Các Đốt Sống L1–L5 Trên Hình X-quang
Tóm tắt
Khi chẩn đoán bệnh thoái hóa đốt sống, việc xác định các tham số hình học và sự sắp xếp lẫn nhau của các đốt sống là rất quan trọng. Chúng tôi đề xuất một thuật toán để tự động hóa một phần việc định vị các đốt sống trên hình X-quang của cột sống thắt lưng và việc tham số hóa tiếp theo. Thuật toán là sự kết hợp của nhiều phương pháp khác nhau. Để định vị các vị trí của các đốt sống trên hình ảnh, chúng tôi sử dụng phương pháp cửa sổ trượt với kích thước cố định và mạng nơ-ron tích chập như một bộ phân loại. Việc xử lý các đoạn hình ảnh đã định vị có chứa các đốt sống bao gồm loại bỏ tiếng ồn, phục hồi, hiệu chỉnh và tham số hóa, mà chúng tôi thực hiện bằng cách sử dụng thư viện thị giác máy tính OpenCV.
Từ khóa
#thoái hóa đốt sống #chẩn đoán hình ảnh #thuật toán #mạng nơ-ron tích chập #thư viện OpenCVTài liệu tham khảo
Reinberg, S.A., X-ray Diagnosis of Bone and Joint Diseases, Moscow: Medicine, 1964, vol. 1.
Tsitko, E.L., Smeyanovich, A.F., Astapovich, E.S., and Tsitko, E.V., X-ray Analysis of Kinematics L4-L5 and L5-S1 Vertebral Segments in the III Stage of the Degenerative Process, Vitebsk: News of Surgery, 2015, vol. 23, pp. 202–208.
Kurachka, K.S. and Stefanovski, I.L., Finite element analysis of biomechanical behavior of vertebra, 12th International Conference Mechatronic Systems and Materials (MSM’2016), 2016, p. 124.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun, Deep residual learning for image recognition, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778. doi 10.1109/CVPR.2016.9010.1109/CVPR.2016.90
Kayalibay, B. and Jensen, G., Patrick van der Smagt CNN-based Segmentation of Medical Imaging Data; arXiv:1701.03056 2017.
Kurachka, K.S. and Tsalka, I.M., Vertebrae detection in X-ray images based on deep convolutional neural network, IEEE 14th Internationa Scientific Conference of Informatics, 2017, pp. 194–196.
Eduardo, A.R., Marcello, H.N., and Rangaraj, M.R., Detection of vertebral plateaus in lateral lumbar spinal X-ray images with gabor filters, 32th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2010, pp. 4052–4055. doi 10.1109/IEMBS.2010.562762510.1109/ IEMBS.2010.5627625
Daniel, C.M., Miguel, V.C., Jorge, G.B., Ana, M.R., Manuel, L., and Eusébio, G., Automatic vertebra detection in X-ray images, CompIMAGE 06 – Computational Modelling of Objects Represented in Images, 2006.
Yang, L., Wei, L., Yinlong, Z., Haibo, A., and Jindong, T., Automatic lumbar vertebrae detection based on feature fusion deep learning for partial occluded C-arm X-ray images, 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016, pp. 647–650. doi 10.1109/EMBC.2016.759078510.1109/EMBC.2016.7590785
Fabian, L., Mohammed, B., and Said, M., Fully automatic vertebra detection in X-ray images based on multi-class SVM, Medical Imaging 2012: Image Processing, 2012. doi doi 10.1117/12.911424
Ruhan, S., William, O., Raymond, W., and Vipin, C., Fast scale-invariant lateral lumbar vertebrae detection and segmentation in X-ray images, 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016, pp. 1054–1057. doi 10.1109/EMBC.2016.759088410.1109/EMBC.2016. 7590884
Asa Ben-Hur, Cheng Soon Ong, Sonnenburg, S., Schölkopf, S., and Rätsch, G., Support vector machines and Kernels for computational biology, Optics, PLoS Comput Biol., 2008. doi 10.1371/journal.pcbi.1000173
Lowe, D.G., Distinctive image features from scale-invariant keypoints, Int. J. Comput. Vision, 2004, vol. 60, no. 2, pp. 91–110.
Dalal, N. and Triggs, B., Histograms of oriented gradients for human detection, Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 2005, vol. 1, pp. 886–893. doi 10.1109/CVPR.2005.17710.1109/CVPR.2005.177
Mobahi, H., Rao, S., Yang, A., Sastry, S., and Ma, Y., Segmentation of natural images by texture and boundary compression, Int. J. Comput. Vision, 2011, vol. 95, pp. 86–98. doi 10.1007/s11263-011-0444-0
Ohlander, R., Price, K., and Raj, D.R., Picture segmentation using a recursive region splitting method, Comput. Graphics Image Process., 1978, vol. 8, no. 3, pp. 313–333. doi 10.1016/0146-664X(78)90060-6
Canny, J.A., Computational Approach to Edge Detection, IEEE, 1986.
Gonzalez, R., Digital Image Processing, Prentice Hall, 2004.
Glumov, N.I., Kolomiyetz, E.I., and Sergeyev, V.V., Detection of objects on the image using a sliding window mode, Opt. Laser Technol., V. 27. Issue 4. 1995. P. 241–249.
Youngwoo, Y., Kyu-Dae, B., Hosub, Y., and Jaehong, K., Blob detection and filtering for character segmentation of license plates, IEEE 14th International Workshop on Multimedia Signal Processing (MMSP), 2012. doi 10.1109/MMSP.2012.634346710.1109/MMSP.2012.6343467