一种颈椎骨龄的判断方法与流程

1.本发明涉及口腔正畸领域，尤其涉及一种颈椎骨龄的判断方法。


背景技术：

2.随着生活水平的不断提高，人群的正畸需求也不断扩大。青少年正畸有助于尽早解决牙齿问题，恢复口腔功能及美观，促进身心健康发展，是正畸学科研究的重要组成部分。生长发育阶段是青少年正畸方案制定中的关键参考，准确的生长发育阶段评估有利于提高口腔正畸的实现效率和稳定性。
3.目前常用的生长发育评估指标包括骨龄、牙龄、第二性征和整体体格。其中，骨龄是以骨骼的发育情况来判断生长发育所处的阶段，是临床最为常见的评估指标，主要包括手腕骨龄和颈椎骨龄。手腕骨龄通过手腕片观察腕骨的融合及矿化情况，预测准确度较高，但因存在分类繁琐、需增加额外x线拍摄等不利因素，临床应用的广泛程度不及颈椎骨龄。
4.对正畸治疗前常规拍摄的头颅侧位x光片，颈椎骨龄评估方法是通过对侧位片中的颈椎形态识别，对骨成熟度进行分期。由于形态识别高度依赖临床医生的主观判断，可重复性不足。目前国内外已经发展了颈椎骨龄的定量分期法，在对第二至四节颈椎进行人工定点的基础上测量颈椎体的长度、角度等参数，以手腕骨龄为参考标准，对颈椎骨龄分类标准进行量化。但是，这类方法仍未解决人工定点及测量过程中的低效、准确率低、重复性差的问题，限制了其应用范围。


技术实现要素：

5.本发明的目的在于克服现有技术的缺点，提供了一种颈椎骨龄的判断方法，解决了现有颈椎骨龄判断方法效率低、准确率低、可重复性差的问题，从而判断出的生长发育所处阶段更为准确、应用范围更广。
6.本发明的目的通过以下技术方案来实现：一种颈椎骨龄的判断方法，所述判断方法包括：
7.根据头颅侧位x光片建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型、神经网络颈椎标志点精确定位模型和神经网络颈椎分割模型；
8.通过所述神经网络颈椎检测模型检测对患者头颅侧位x光片图像进行颈椎位置检测，得到患者颈椎位置数据，根据患者颈椎位置数据在患者头颅侧位x光片图像上截取患者颈椎位置区域图片；
9.通过所述神经网络颈椎标志点定位模型对患者头颅侧位x光片图像上截取的患者颈椎位置区域图片进行颈椎标志点定位，得到颈椎标志点位置数据，并通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据；
10.根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上分别截取第二至第四节颈椎区域图片，通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据；
11.提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段。
12.根据头颅侧位x光片建立神经网络颈椎检测模型包括：
13.对每个头颅侧位x光片图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域图像的训练样本集、验证样本集和测试样本集；
14.基于pytorch框架通过mobilenet和yolov3相结合的方式构建神经网络；
15.通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎检测模型。
16.根据头颅侧位x光片建立神经网络颈椎标志点定位模型包括：
17.对每个头颅侧位x光片图像样本的颈椎标志点进行标定，得到多个包含手工标定颈椎标志点图像的训练样本集、验证样本集和测试样本集；
18.基于pytorch框架通过bp算法使用卷积网络和全连接相结合的方式构建神经网络；
19.通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点定位模型。
20.建立神经网络颈椎标志点精确定位模型包括：
21.对多个包含手工标定标志点图像样本集，根据标志点位置数据截取标志点小区域图片，得到标志点小区域图片训练样本集、验证样本集和测试样本集；
22.根据所述基于pytorch框架，以小于通过bp算法使用卷积网络和全连接相结合方式构建的神经网络的宽度和深度的网络结构构建一个分级网络；
23.通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎标志点精确定位模型。
24.根据头颅侧位x光片建立神经网络颈椎分割模型包括：
25.对每个头颅侧位x光片图像样本中第二至第四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓图像的训练样本集、验证样本集和测试样本集；
26.基于pytorch框架通过u2net的结构构建神经网络；
27.通过训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试和验证，得到神经网络颈椎分割模型。
28.所述通过神经网络颈椎标志点精确定位模型进行颈椎标志点精确定位，得到颈椎标志点精确位置数据包括：
29.根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，截取以颈椎标志点位置为中心宽高为原图片的二十分之一的颈椎标志点位置作为小区域图片；
30.使用建立好的神经网络标志点精确定位模型，对患者颈椎位置区域图片上截取的颈椎标志点位置小区域图片，进行颈椎标志点精确定位，得到颈椎标志点精确位置数据。
31.所述通过建立的神经网络颈椎分割模型对颈椎区域图片进行分割，得到颈椎分割数据包括：
32.根据所述神经网络颈椎标志点定位模型得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，分别截取第二至四节颈椎区域图片；
33.使用建立好的神经网络颈椎分割模型，对截取的第二至四节颈椎区域图片进行分割，得到颈椎分割数据.
34.所述提取分割后颈椎的颈椎轮廓，并将各标志点间的关系进行量化及判断计算，得出当前的生长发育阶段包括：
35.使用opencv里面的findcontours方法，对得到的颈椎分割数据进行提取，得到颈椎轮廓数据；
36.将颈椎标志点精确位置数据和颈椎轮廓数据反算回患者头颅侧位x光片图像上，结合颈椎轮廓采用定量分析方法和定性分析方法分别判断患者所处的生长发育阶段。
37.所述定量分析方法包括通过qcvm判断分期方法对颈椎骨龄定量分期测量得到qcvm值；所述定性分析方法包括通过cs判断分析方法判断各个阶段颈椎的形状。
38.本发明具有以下优点：一种颈椎骨龄的判断方法，采用深度学习技术，充分考虑到头颅侧位x光片的图形学特点，基于量化的指标，将传统的颈椎骨龄评估方法中人工标点及人工判读的过程自动化、智能化，方法简单易行，便于实现，大大提高了颈椎骨龄判断的准确性和可重复性，提高了临床工作效率。
附图说明
39.图1为本发明方法的流程示意图；
40.图2为本发明颈椎标志点及各点之间的关系示意图。
具体实施方式
41.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的保护范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。下面结合附图对本发明做进一步的描述。
42.如图1所示，本发明涉及一种基于深度学习和头颅侧位x光片颈椎骨龄的判断方法，基于头颅侧位x光片，建立神经网络颈椎检测模型、神经网络颈椎标志点定位模型以及神经网络颈椎分割模型；用颈椎检测模型检测出头颅侧位x光片颈椎位置；用颈椎标志点定位模型对颈椎外形标志点进行定位；用颈椎分割模型对颈椎进行分割；对分割后的颈椎提取颈椎轮廓；将各标志点间的关系进行量化及判读，然后得出当前的生长发育阶段；具体包括：
43.步骤1、对每个头颅侧位x光片图像样本的颈椎区域进行标注，得到多个包含手工标注颈椎区域图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，使用mobilenet和yolov3相结合的方式来构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎检测模型；
44.具体为：(1)构建训练样本集、验证样本集和测试样本集：
45.获取原始图像样本集：获取多个头颅侧位x光片图像样本，并对每个图像样本的颈
椎区域进行标注，得到多个包含手工标注颈椎区域的图像样本集；
46.获取训练样本集、验证样本集和测试样本集：将包含手工标注颈椎区域图像样本集中的多数图像样本作为训练样本集，剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
47.(2)构建神经网络：基于pytorch的框架下，使用mobilenet和yolov3相结合的方式来构建神经网络。
48.(3)训练神经网络：
49.对原有已标注的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
50.用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎区域检测模型。
51.(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎检测模型。
52.步骤2、对每个头颅侧位x光片图像样本的颈椎标志点进行标定，得到多个包含手工标定颈椎标志点图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，基于bp算法，使用卷积网络(cnn)和全连接相结合的方式构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎标志点定位模型；
53.具体为：(1)构建训练样本集、验证样本集和测试样本集：
54.获取颈椎区域图像样本集：使用步骤1中采集的多个头颅侧位x光片图像样本，对这些图片中的颈椎标志点进行标定，从而得到多个包含手工标定颈椎标志点的图片样本集。
55.获取训练样本集、验证样本集和测试样本集：将包含手工标注颈椎标志点图片样本集中的多数图片样本作为训练样本集，剩余图片样本中的一部分图片样本作为验证样本集，另一部分图片样本作为测试样本集。
56.(2)构建神经网络：基于pytorch的框架下，使用卷积网络(cnn)和全连接相结合的方式来构建神经网络。
57.(3)训练神经网络：
58.对原有已标定的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
59.用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎标志点定位模型。
60.步骤3、对多个包含手工标定标志点图像样本集，根据标志点位置数据截取标志点小区域图片，得到标志点小区域图片训练样本集、验证样本集和测试样本集；以小于步骤2中神经网络的宽度、深度的网络结构搭建一个小的分级网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎标志点精确定位模型；
61.具体为：(1)构建训练样本集、验证样本集和测试样本集：
62.获取颈椎区域标志点小区域图像样本集：对多个包含手工标定颈椎标志点的图像
样本集，根据标志点位置数据，截取颈椎标志点小区域图片，得到标志点小区域图片样本集；
63.获取训练样本集、验证样本集和测试样本集：将标志点小区域图片样本集中的多数图片样本作为训练样本集，剩余图片样本中的一部分图片样本作为验证样本集，另一部分图片样本作为测试样本集。
64.(2)构建神经网络：以小于步骤2中神经网络的宽度、深度的网络结构搭建一个小的分级网络。
65.(3)训练神经网络：
66.对标志点小区域图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
67.用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎标志点精确定位模型。
68.(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎标志点精确定位模型。
69.步骤4、对每个头颅侧位x光片图像样本中第二至四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓图像的训练样本集、验证样本集和测试样本集；基于pytorch的框架下，使用u2net的结构构建神经网络；使用训练样本集、验证样本集和测试样本集数据对神经网络进行训练、测试、验证得到神经网络颈椎分割模型；
70.具体为：(1)构建训练样本集、验证样本集和测试样本集：
71.获取原始图像样本集：获取多个头颅侧位x光片图像样本，并对每个图像样本的第二至四节颈椎轮廓进行标注，得到多个包含手工标注颈椎轮廓的图像样本集；
72.获取训练样本集、验证样本集和测试样本集：将包含手工标注的原始图像样本集中的多数图像样本作为训练样本集，剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
73.(2)神经网络构建：基于pytorch的框架下，使用u2net的结构构建神经网络；
74.(3)训练神经网络：
75.对原有已标注的图片进行光照、色差、亮度、对比度和旋转等方式增强数据，以提高网络的泛化能力。
76.用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的颈椎分割模型。
77.(4)使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络颈椎分割模型。
78.步骤5、使用建立好的神经网络颈椎检测模型，对患者头颅侧位x光片图像进行颈椎位置检测，得到患者颈椎位置数据；根据患者颈椎位置数据，在患者头颅侧位x光片图像上截取患者颈椎位置区域图片；
79.步骤6、使用建立好的神经网络标志点定位模型，对患者头颅侧位x光片图像上截取的患者颈椎位置区域图片，进行颈椎标志点定位，得到颈椎标志点位置数据；
80.步骤7、根据步骤6得到的颈椎标志点位置数据，在患者颈椎位置区域图片上，截取以颈椎标志点位置为中心宽高为原图片的二十分之一的颈椎标志点位置小区域图片；使用
建立好的神经网络标志点精确定位模型，对患者颈椎位置区域图片上截取的颈椎标志点位置小区域图片，进行颈椎标志点精确定位，得到颈椎标志点精确位置数据；
81.步骤8、根据步骤6得到的颈椎标志点位置数据，在患者颈椎位置区域图片上分别截取第二至四节颈椎区域图片；使用建立好的神经网络颈椎分割模型，对颈椎区域图片进行分割，得到颈椎分割数据；
82.步骤9、使用opencv里面的findcontours方法，对得到的颈椎分割数据进行颈椎轮廓提取；
83.步骤10、将颈椎标志点精确位置数据反算回患者头颅侧位x光片图像上，结合颈椎轮廓，用qcvm判断分期方法和cs判断分期方法分别判断患者所处的生长发育阶段。
84.进一步地，如图2所示，(1)定量分析方法(qcvm判断分期方法)：
85.根据公式计算颈椎骨龄定量分期测量值(qcvm)：qcvm＝
‑
4.13 3.57
×
h4/w4 4.07
×
ah3/ph3 0.03
×
@2；
86.其中h4为点c4um到c4lp与c4la连线的距离；w4为点c4am到c4up和c4lp连线的距离；ah3为点c3ua到c3la和c3lp连线的距离；ph3为点c3up到c3lp和c3la连线的距离；@2为c2p和c2d连线与c2d和c2a连线的夹角。如图2所示。
87.qcvm各值对应的周期为：第i期(生长加速期)：qcvm<1.704；第ii期(生长高峰期)：1.704<qcvm<2.623；第iii期(生长减速期)：2.623<qcvm<3.5199；第iv期(生长结束期)：qcvm>3.5199。
88.(2)定性分析方法(cs判断分期方法)：
89.cs1(青春期前)：c2
‑
c4下缘均平坦，c3、c4呈梯形；
90.cs2(青春期前预备阶段)：c2下缘变凹，c3、c4呈梯形；
91.cs3(青春期)：c2
‑
3下缘均凹，c3、c4大多呈梯形，有时其中一节颈椎呈短四边形；
92.cs4(青春期)：c2
‑
4下缘均凹，c3、c4呈短四边形；
93.cs5(青春期后)：c2
‑
4下缘均凹，c3
‑
4至少有一个呈正四边形；
94.cs6(青春期后)：c2
‑
4下缘均凹，c3
‑
4至少有一个呈长四边形。
95.其中c2为第二颈椎；c3为第三颈椎；c4为第四颈椎。
96.以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。