[go: up one dir, main page]

CN118918249A - 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统 - Google Patents

一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统 Download PDF

Info

Publication number
CN118918249A
CN118918249A CN202410942897.3A CN202410942897A CN118918249A CN 118918249 A CN118918249 A CN 118918249A CN 202410942897 A CN202410942897 A CN 202410942897A CN 118918249 A CN118918249 A CN 118918249A
Authority
CN
China
Prior art keywords
energy
bone marrow
density
bone
target group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410942897.3A
Other languages
English (en)
Other versions
CN118918249B (zh
Inventor
王玲
周凤云
刘艳东
过哲
程晓光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jishuitan Hospital Affiliated To Capital Medical University
Original Assignee
Beijing Jishuitan Hospital Affiliated To Capital Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jishuitan Hospital Affiliated To Capital Medical University filed Critical Beijing Jishuitan Hospital Affiliated To Capital Medical University
Priority to CN202410942897.3A priority Critical patent/CN118918249B/zh
Publication of CN118918249A publication Critical patent/CN118918249A/zh
Application granted granted Critical
Publication of CN118918249B publication Critical patent/CN118918249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及医学数据处理技术领域，公开一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统，包括：根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数和表示骨髓脂肪含量的黄骨髓体积分数；根据目标群体的骨基质体积分数，得到目标群体的骨密度；以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。本发明能够基于双层光谱CT图像的HU值，同时精确地定量骨密度和骨髓脂肪含量，减轻医疗资源负担，有助于更好地理解骨髓脂肪在骨骼代谢疾病中的作用，为临床诊断和治疗提供可靠参考依据。

Description

一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨 髓脂肪含量定量分析系统
技术领域
本发明涉及医学数据处理技术领域，尤其涉及一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统。
背景技术
骨质疏松是老年人常见的慢性疾病，导致脆性骨折和疼痛等并发症，严重影响生活质量。近年来，骨质疏松患者逐年增加，65岁以上人群中患病率为32.0％，女性高达51.6％，男性为10.9％。全球50岁以上人群中，约33％～50％的女性和20％的男性将经历至少一次骨折。此外，40岁以上人群中，男性和女性患者椎体骨折率分别高达10.5％和9.7％。骨质疏松症骨折患者常伴有疼痛、深静脉血栓、活动受限、急性心脑血管事件及再发骨折等严重并发症，增加死亡和致残风险。此外，有研究表明，骨密度减少可能与骨质疏松患者骨髓脂肪含量增加相关。因此，骨髓脂肪含量的评估可能成为准确评估骨密度的重要临床工具。
骨密度在诊断骨质疏松、预测骨折风险及监控骨质疏松疗效上处于核心位置。全球范围内，双能X线骨密度测量仪(dual-energy X-ray absorptiometry,DXA)是评估骨密度(bone mineral density,BMD)最广泛使用的方法。然而，DXA测量的面积BMD(aBMD，单位mg/cm2)属于二维成像，易受椎体退行性改变的影响而产生伪影。定量计算机断层扫描技术(quantitative CT,QCT)是一种测量BMD的替代方法，它通过评估腰椎椎体的小梁骨体积BMD(vBMD，单位mg/cm3)克服了DXA的局限性，并且对于识别患有骨质疏松症的患者显示出优越的敏感性。但是，QCT是在单一有效光子能量下测量的vBMD，并且测量的结果受骨髓脂肪含量的变化而产生测量误差。磁共振成像(Magnetic Resonance Imaging,MRI)技术利用磁场和无害的无线电波来创建详细的图像，对软组织和骨髓脂肪有良好的对比度。在骨质疏松症研究中，MRI可以用于评估骨髓脂肪的分布和含量，但无法直接测量骨密度。
综上所述，尽管这些技术在评估骨密度和骨髓脂肪含量方面有所帮助，但它们均无法同时测量椎体的骨密度和骨髓脂肪含量。因此，需要开发一种能够同时精确定量骨密度和骨髓脂肪含量的方法，以校正骨髓脂肪对骨密度的潜在影响。
发明内容
本发明提供一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统，用以解决现有技术无法精确地定量分析骨密度和骨髓脂肪含量的缺陷。
本发明提供一种基于双层光谱CT的三物质模型的构建方法，包括：
获取目标群体位于腰椎椎体的双层光谱CT数据，其中，目标群体包括骨质疏松患者群体和健康群体；
根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量，其中，黄骨髓体积分数表示骨髓脂肪含量；
根据目标群体的骨基质体积分数，得到目标群体的骨密度；
以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。
在一种实施方案中，目标群体位于腰椎椎体的双层光谱CT数据，包括通过双层光谱CT对目标群体的腰椎椎体，在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值。
在一种实施方案中，所述根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量，包括：
获取目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，将水密度、骨基质密度、黄骨髓密度、红骨髓密度设置为变量，且设置目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数之和为1；
根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数；
根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)；
根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数。
在一种实施方案中，所述根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，包括：
根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，利用第一表达式，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，其中，第一表达式为：
μwater(E1)＝μm1(water)×water的密度，
μwater(E2)＝μm2(water)×water的密度，
μBM(E1)＝μm1(BM)×BM的密度，
μBM(E2)＝μm2(BM)×BM的密度，
μYM(E1)＝μm1(YM)×YM的密度，
μYM(E2)＝μm2(YM)×YM的密度，
μRM(E1)＝μm1(RM)×RM的密度，
μRM(E2)＝μm2(RM)×RM的密度，
第一表达式中，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数，μm1(water)和μm2(water)表示目标群体在能量E1和能量E2下的水质量衰减系数，water的密度表示水的密度，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μm1(BM)和μm2(BM)表示目标群体在能量E1和能量E2下的骨基质质量衰减系数，BM的密度表示骨基质的密度，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的黄骨髓线性衰减系数，μm1(YM)和μm2(YM)表示目标群体在能量E1和能量E2下的黄骨髓质量衰减系数，YM的密度表示黄骨髓的密度，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数，μm1(RM)和μm2(RM)表示目标群体在能量E1和能量E2下的红骨髓质量衰减系数，RM的密度表示红骨髓的密度。
在一种实施方案中，所述根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，包括：
根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，利用第二表达式，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，其中，第二表达式为：
第二表达式中，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，HU(E1)值和HU(E2)值表示目标群体在能量E1和能量E2处测量得到的单能图像的HU值，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数，1000[HU]表示霍恩斯菲尔德单位的常数，用于将HU(霍恩斯菲尔德单位)转换为线性衰减系数(μ)。具体来说，式中的1000[HU]用于标准化HU值，将其转化为对应的线性衰减系数，从而使得计算更加准确和有意义。
在一种实施方案中，所述根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，包括：
根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，利用第三表达式，得到多个定量决定系数；
根据多个定量决定系数，利用第四表达式，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数。
在一种实施方案中，第三表达式为：
D1＝μYM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μYM(E2)+μ(E1)*μRM(E2)+
μ(E2)*μYM(E1)+μRM(E1)*μYM(E2)，
D2＝μBM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μRM(E2)+
μ(E2)*μBM(E1)+μRM(E1)*μBM(E2)，
D3＝μBM(E1)*μYM(E2)-μYM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μYM(E2)+
μ(E2)*μBM(E1)+μYM(E1)*μBM(E2)，
D4＝μBM(E1)*μYM(E2)+μYM(E1)*μBM(E2)+μRM(E1)*μBM(E2)-μRM(E1)*μYM(E2)
-μYM(E1)*μBM(E2)-μBM(E1)*μRM(E2)，
第三表达式中，D1、D2、D3、D4表示多个定量决定系数，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数。
在一种实施方案中，第四表达式为：
f1+f2+f3＝1，
第四表达式中，f1表示目标群体的骨基质体积分数，f2表示目标群体的黄骨髓体积分数，f3表示目标群体的红骨髓体积分数。
在一种实施方案中，所述根据目标群体的骨基质体积分数，得到目标群体的骨密度，包括：
根据目标群体的骨基质体积分数，利用骨密度表达式，得到目标群体的骨密度，其中，骨密度表达式为：
vBMD＝f1×fHA×HA的密度×1000，
骨密度表达式中，vBMD表示目标群体的骨密度，f1表示目标群体的骨基质体积分数，fHA表示已知的羟基磷灰石的体积分数，HA的密度表示已知的羟基磷灰石的密度，1000用于单位转换。
其中，骨基质组成分：58％的羟基磷灰石(hydroxyapatite，HA)[Ca10(PO4)6(OH)2]、32％胶原蛋白(collagen)[C57H91N19O16],(19)and 10％水(water)。
骨基质质量衰减系数＝58％×羟基磷灰石(HA)的质量衰减系数(已知)+32％×胶原蛋白的质量衰减系数(已知)+10％×水的质量衰减系数(已知)。
在一种实施方案中，所述以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型，包括：
以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，进行基于双层光谱CT的三物质模型的训练，在训练过程中，将YM的密度和RM的密度视为自由参数，并通过调整自由参数，使得YM的平均体积占总骨髓体积的一半，以训练得到基于双层光谱CT的三物质模型，其中，总骨髓体积为黄骨髓体积和红骨髓体积的总和。
本发明还提供一种基于双层光谱CT的三物质模型的构建系统，包括：
数据获取模块，用于：获取目标群体位于腰椎椎体的双层光谱CT数据，其中，目标群体包括骨质疏松患者群体和健康群体；
分解模块，用于：根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量；
数据处理模块，用于：根据目标群体的骨基质体积分数，得到目标群体的骨密度；
训练模块，用于：以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。
本发明还提供一种基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统，包括：
数据接收模块，用于：接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与上述任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
定量分析模块，用于：根据待测者位于腰椎椎体的双层光谱CT数据，通过根据上述任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
数据输出模块，用于：将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
本发明还提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述的基于双层光谱CT的三物质模型的构建方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种所述的基于双层光谱CT的三物质模型的构建方法。
本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述任一种所述的基于双层光谱CT的三物质模型的构建方法。
本发明提供的一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统，基于双层光谱CT，结合三物质分解法，训练得到基于双层光谱CT的三物质模型，能够基于双层光谱CT图像的HU值，精确地定量分析骨密度和骨髓脂肪含量。相较于传统方法，本发明不仅能够同时测量腰椎体积骨密度和骨髓脂肪含量，还可以显著缩短患者的检查时间，减轻医疗资源的负担，降低患者的经济成本。此外，本发明不仅解决了传统影像学方法难以准确测量骨髓脂肪含量的问题，还有助于更好地理解骨髓脂肪在骨骼代谢疾病中的作用，为临床诊断和治疗提供可靠的参考依据。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做出简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于双层光谱CT的三物质模型的构建方法的流程示意图。
图2(a)示出使用3D slicer软件在DLCT虚拟单能量图像勾画的VOI；图2(b)示出使用3D slicer软件在MR Dixon FF图像上勾画的VOI；图2(c)示出使用QCT软件在DLCT平扫轴位图像上勾画的VOI。
图3A示出训练集100名受试者的骨基质(BM)、黄骨髓(YM)和红骨髓(RM)的体积分数。YM和RM的质量密度分别为0.93g/cm3和1.065g/cm3，使得平均调整后的YM体积分数(＝YM/[YM+RM])为0.50，±1.96标准差限制分别为0.25和0.75。图3B示出50和150keV单能量HU测量的质量保证图，菱形图形ABCD显示具有BM、YM和RM分别为1.92、0.93和1.065g/cm3密度的三物质模型的物理可行解的预测限制，以及vBMD值在50到200mg/cm3之间。
图4A示出训练集中100名受试者的骨基质(BM)、黄骨髓(YM)和红骨髓(RM)的体积分数，其中BM、YM和RM的质量密度分别设置为1.92、0.92和1.02g/cm3。图4B示出50和150keV单能量HU测量的质量保证图，菱形ABCD显示三物质模型物理可行解的预测限制，适用于vBMD值在50到200mg/cm3之间。
图5A示出50和150keV单能量HU测量的质量保证图，菱形ABCD显示三物质模型物理可行解的预测限制，适用于vBMD值在50到200mg/cm3之间。这是验证集中125名参与者的数据(与图3B中的训练集类似图进行比较)。欧洲脊柱模型(ESP)的三个椎骨的数据点已添加到图中。图5B示出在相同数据下重新绘制的菱形ABCD，假设单能量分别为55和150keV，并且YM和RM的密度分别为0.925和1.02g/cm3。
图6为本发明提供的一种基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统的结构示意图。
图7为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，它们不应该理解成对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
双层光谱CT(dual-layer spectral CT,DLCT)是一种新的成像技术，它每次扫描生成的光谱信息可以分析各种物质的成分。通过两个叠加的探测器将低能和高能光子分离，并提供X射线衰减的特异能量信息，然后获得特定物质的密度信息。这使得该技术同时定量骨密度和骨髓脂肪含量变得可行。本发明首次开发了一种基于DLCT的三物质模型，能够同时精确测量骨密度和骨髓脂肪含量，并排除骨髓脂肪含量对骨密度的干扰，能够更清晰地理解骨髓脂肪(MAT)对骨密度的影响。这一模型的成功应用将为骨质疏松症的诊断和管理提供全新的成像工具和方法。下面结合图1-图7描述本发明提供的基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统。需要说明的是，本发明提供的基于双层光谱CT的三物质模型的构建方法的执行主体可以是任何符合技术要求的网络侧设备/终端侧设备，例如基于双层光谱CT的骨密度和骨髓脂肪含量定量分析装置等。
图1是本发明提供的基于双层光谱CT的三物质模型的构建方法的流程示意图。
参照图1，本发明提供的一种基于双层光谱CT的三物质模型的构建方法，可以包括：
步骤S110、获取目标群体位于腰椎椎体的双层光谱CT数据，其中，目标群体包括骨质疏松患者群体和健康群体，目标群体位于腰椎椎体的双层光谱CT数据，包括通过双层光谱CT对目标群体的腰椎椎体，在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值。
步骤S120、根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量。
在一种实施例中，步骤S120可以包括：
获取目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，将水密度、骨基质密度、黄骨髓密度、红骨髓密度设置为变量，且设置目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数之和为1，具体的，可以从开源的X射线质量衰减系数数据库中获取目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数；
根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，利用第一表达式，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，其中，第一表达式为：
μwater(E1)＝μm1(water)×water的密度，
μwater(E2)＝μm2(water)×water的密度，
μBM(E1)＝μm1(BM)×BM的密度，
μBM(E2)＝μm2(BM)×BM的密度，
μYM(E1)＝μm1(YM)×YM的密度，
μYM(E2)＝μm2(YM)×YM的密度，
μRM(E1)＝μm1(RM)×RM的密度，
μRM(E2)＝μm2(RM)×RM的密度，
第一表达式中，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数，μm1(water)和μm2(water)表示目标群体在能量E1和能量E2下的水质量衰减系数，water的密度表示水的密度，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μm1(BM)和μm2(BM)表示目标群体在能量E1和能量E2下的骨基质质量衰减系数，BM的密度表示骨基质的密度，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的黄骨髓线性衰减系数，μm1(YM)和μm2(YM)表示目标群体在能量E1和能量E2下的黄骨髓质量衰减系数，YM的密度表示黄骨髓的密度，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数，μm1(RM)和μm2(RM)表示目标群体在能量E1和能量E2下的红骨髓质量衰减系数，RM的密度表示红骨髓的密度；
根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，利用第二表达式，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，其中，第二表达式为：
第二表达式中，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，HU(E1)值和HU(E2)值表示目标群体在能量E1和能量E2处测量得到的单能图像的HU值，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数；
根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，利用第三表达式，得到多个定量决定系数，其中，第三表达式为：
D1＝μYM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μYM(E2)+μ(e1)*μRM(E2)+
μ(E2)*μYM(E1)+μRM(E1)*μYM(E2)，
D2＝μBM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μRM(E2)+
μ(E2)*μBM(E1)+μRM(E1)*μBM(E2)，
D3＝μBM(E1)*μYM(E2)-μYM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μYM(E2)+
μ(E2)*μBM(E1)+μYM(E1)*μBM(E2)，
D4＝μBM(E1)*μYM(E2)+μYM(E1)*μBM(E2)+μRM(E1)*μBM(E2)-μRM(E1)*μYM(E2)
-μYM(E1)*μBM(E2)-μBM(E1)*μRM(E2)，
第三表达式中，D1、D2、D3、D4表示多个定量决定系数，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数；
根据多个定量决定系数，利用第四表达式，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，第四表达式为：
f1+f2+f3＝1，
第四表达式中，f1表示目标群体的骨基质体积分数，f2表示目标群体的黄骨髓体积分数，f3表示目标群体的红骨髓体积分数。
步骤S130、根据目标群体的骨基质体积分数，得到目标群体的骨密度，具体的，步骤S130可以根据目标群体的骨基质体积分数，利用骨密度表达式，得到目标群体的骨密度，其中，骨密度表达式为：
vBMD＝f1×fHA×HA的密度×1000，
骨密度表达式中，vBMD表示目标群体的骨密度，f1表示目标群体的骨基质体积分数，fHA表示已知的羟基磷灰石的体积分数，HA的密度表示已知的羟基磷灰石的密度，其中，羟基磷灰石的体积分数和密度可以从开源数据库中获取。
步骤S140、以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。
具体的，步骤S140可以以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，进行基于双层光谱CT的三物质模型的训练，在训练过程中，将YM的密度和RM的密度视为自由参数，并通过调整自由参数，使得YM的平均体积占总骨髓体积的一半，以训练得到基于双层光谱CT的三物质模型，其中，总骨髓体积为黄骨髓体积和红骨髓体积的总和。
在得到基于双层光谱CT的三物质模型后，可以将与目标群体位于腰椎椎体的双层光谱CT数据的类型一致的待测者位于腰椎椎体的双层光谱CT数据输入基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量，即同时得到待测者的骨密度和骨髓脂肪含量。
具体的，本实施例回顾性纳入北京积水潭医院脊柱门诊患者100例的双层光谱CT数据和骨密度(骨基质体积分数)、骨髓脂肪含量(黄骨髓体积分数)作为训练集，所有患者均在双层光谱CT上进行了腰椎平扫检查。患者纳入标准如下：(1)年龄≥18岁；(2)脊柱门诊患者；(3)均在双层光谱CT上进行了腰椎CT平扫。排除标准如下：(1)脊柱中存在原发性或转移性骨肿瘤；(2)严重的脊柱侧弯；(3)累及两个以上椎骨的骨折；(4)脊柱手术后腰椎金属植入物；(5)光谱数据缺失。
训练集被用于训练基于双层光谱CT的三物质模型，然后用一个单独的验证集进行验证。本实施例前瞻性招募北京积水潭医院附近社区受试者125例作为验证集，所有受试者均进行非对比增强腰椎DLCT和脊柱MR检查。受试者纳入标准如下：(1)年龄≥18岁；(2)有自我意识能力，交流无障碍者；(3)无MR、CT检查禁忌症者；(4)所有受试者均在双层光谱CT和3.0T MR上进行了腰椎平扫检查。排除标准如下：(1)服用糖皮质激素者；(2)有骨肿瘤史或者其他影响骨代谢疾病者；(3)腰椎严重退行性改变或椎体骨折数量超过两个；(4)脊柱手术后或有腰椎植入物者；(5)有幽闭恐惧症者。验证集用于验证基于双层光谱CT的三物质模型预测的骨密度和骨髓脂肪含量(marrow adipose tissue，MAT)的准确性。
为进一步验证该模型预测骨密度和骨髓脂肪含量的准确性，本实施例还分别以QCT测量的体积骨密度和MR测量的质子密度脂肪分数(PDFF)作为验证模型的参考标准。在本实施例中，用于获取训练集数据的患者群体为目标群体，或者，用于获取训练集数据的患者群体和用于获取验证集数据的受试者群体共同作为目标群体。
其中，可以通过DLCT扫描仪(IQon Spectral CT，Philips Healthcare)对患者腰椎进行扫描。患者检查标准管电压120kV，管电流125mA，层厚1mm，矩阵512×512，螺距1。利用IntelliSpace Portal软件(版本11.1.1，Philips Healthcare)将层厚为1mm的轴位软组织光谱数据包(spectral base image，SBI)重建出50keV和150keV的虚拟单能图像(virtual mono-energetic images，VMI)。另外，将DLCT扫描得到的1mm软组织原始图像导入QCT Pro软件(Mindways software，Inc，TX，USA)进行vBMD值测量。使用Model 4和欧洲脊柱体膜(ESP)进行异步校准(Mindways Software，Inc.，TX，USA)和质控(qualityassurance，QA)，空气的CT值始终在-1000左右，而水的CT值约为0。以及，对前瞻性招募的志愿者，均在3.0T MRI扫描仪(Vida，SIEMENS，Magnetom，Germany)上进行常规腰椎MRI扫描，扫描序列为轴位3D Vibe-Dixon。
然后，利用不同物质的X射线衰减系数不同而实现物质成分的分解，不同物质产生不同的衰减系数是因为X线与物质相互作用产生的光电效应对物质的有效原子序数和光子能量高度依赖，而康普顿散射对两者是弱依赖。通过双层光谱分解可以在光子能量E1和E2处获得两个独立的高低虚拟单能图像。当以HU(Hounsfield units)值表示时，在能量E1和E2处测量的单能图像的HU值分别对应HU(E1)和HU(E2)。其对应的线性衰减系数μ(E1)和μ(E2)的关系式如下：
μwater(E)代表水在光子能量E下的线性衰减系数(通过将NIST中水的质量衰减系数×水的密度获得)，该系数来自美国国家技术和标准研究所(United States NationalInstitute of Technology and Standards,NIST)X射线质量衰减系数数据库。除了考虑两个单能图像中测得的线性衰减系数外，还需要考虑各种物质的体积分数f之和必须等于1，如下述公式所示。因此，利用选择的三种物质的体积分数可以解出三个线性方程，即：
μ(E1)＝f1μ1(E1)+f2μ2(E1)+f3μ3(E1)，
μ(E2)＝f1μ1(E2)+f2μ2(E2)+f3μ3(E2)，
f1+f2+f3＝1，
为了测量骨密度，本实施例的研究模型中的三种物质分别为骨基质(bonematrix,BM)、黄骨髓(yellow marrow,YM)、红骨髓(red marrow,RM)，三物质对应的线性衰减系数以μ1,2,3(E)表示。f1、f2、f3分别代表BM、YM和RM体积分数。YM和RM的化学成分取自国际辐射单位和测量委员会报告46(International Commission on Radiation Units andMeasurements Report 46)。本实施例查找对应物质的化学成分时，基本原则是假定本实施例纳入的所有受试者骨基质为正常矿化(即受试者没有骨软化症)。所选的光子能量E1和E2分别为50和150keV。从NIST表导出的质量衰减系数通过乘以相应物质的物理密度转换为线性衰减系数。
为了测量L1-3椎体的QCT vBMD(mg/cm3)，将所有CT图像传输到Mindways QCT Pro工作站，该工作站便于生成和半自动分析VOI(参见图2的(c))。VOI的高度为9mm，并绘制成圆柱形横截面，尽量大而不与椎体骨皮质相交或包括密集的骨岛、静脉丛或局部病变。如果椎体骨折，将其替换为相邻的椎体。将DLCT重建生成的50和150keV单能量图像和MR DixonFF图像导入到3D Slicer软件中，勾画三个椎体的VOI(参见图2的(a)和(b))，计算HU(E1)、HU(E2)以及MR PDFF值。所有VOI测量由两位观察者独立进行。DLCT L1-3 vBMD、QCT L1-3vBMD和MR L1-3PDFF同时进行测量，以确保在所有测量中每个个体的VOI位置、VOI大小的一致性。根据步骤S120得到目标群体中每个个体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数。
根据步骤S130，以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。在模型训练过程中，将YM和RM的密度视为自由参数，并通过调整这些参数，使得YM的平均体积占总骨髓体积的一半，即0.50，其中95％的测量值(即±1.96SD)在0.25到0.75之间(参见图3A)。得到的YM和RM的密度分别为0.924g/cm3和1.057g/cm3。为进一步确保模型的质量，图3B示出50keV vs.150keV测量的HU值绘制的散点图，与一个菱形ABCD叠加在一起，该菱形勾画出三物质模型在50和200mg/cm3之间，是vBMD值允许解的极限。只有位于线段AD和BC之间的数据点提供合理的YM和RM体积分数解(即不为负且不大于1)。
具体的，图3A示出训练集100名患者的骨基质(BM)、黄骨髓(YM)和红骨髓(RM)的体积分数。BM的成分和密度可以从开源信息库中获取。YM和RM的质量密度分别为0.93g/cm3和1.065g/cm3，使得平均调整后的YM体积分数(＝YM/[YM+RM])为0.50，±1.96标准差限制分别为0.25和0.75。图3B示出50和150keV单能量HU测量的质量保证图。菱形图形ABCD显示具有BM、YM和RM分别为1.92、0.93和1.065g/cm3密度的三物质模型的物理可行解的预测限制，以及vBMD值在50到200mg/cm3之间。三物质模型的物理可行解应该具有所有三个体积分数(fBM、fYM和fRM)在0到1的范围内，它们的总和应该为1，并且所有vBMD在50到200mg/cm3之间的点应该位于菱形ABCD内。验证集的类似图形显示在图5A中。
为了确保三个物质的体积分数(BM、YM和RM)都是可靠的，且位于0到1的范围内，本实施例将YM和RM的质量密度视为自由参数，并将模型拟合到训练集得到100个受试者中。
第一步：本实施例使用公开文献中采用的YM和RM密度，分别为0.92和1.02g/cm2。将其应用在三物质模型中，发现这些密度会导致训练集中的部分受试者的YM体积分数为负值(参见图4A)，且在50vs.150keV HU图上的点位于预测的菱形ABCD之外(参见图4B)。
具体的，图4A示出训练集中100名参与者的骨基质(BM)、黄骨髓(YM)和红骨髓(RM)的体积分数，其中BM、YM和RM的质量密度分别设置为1.92、0.92和1.02g/cm3。平均调整后的YM体积分数(＝YM/[YM+RM])为0.13，±1.96标准差限制分别为-0.22和0.48。图4B示出50和150keV单能量HU测量的质量保证图，菱形ABCD显示了三物质模型物理可行解的预测限制，适用于vBMD值在50到200mg/cm3之间。与图4A中显示的系统性低YM体积分数的数值一致，许多个别椎骨的数据点位于菱形外部。
第二步：如上文所述，本实施例将YM和RM的密度视为自由参数，并校正它们以获得Adj-YM(YM volume fraction expressed as a fraction of total marrow volume)体积分数的均值为0.50，标准差为±1.96，上下四分位数为0.25和0.75(图3)，得到YM和RM的密度为分别为0.93和1.065g/cm2。发现RM的密度比预期偏高约4％。
为了调查这一差异，本实施例将RM密度设定为1.02g/cm3，并调整其他一些参数以使其与Adj-YM体积分数的均值、上限和下限一致。本实施例研究了三种改变模型参数的替代方式：(1)改变50和150keV的单能量设置；(2)通过调整其有效原子序数(Zeff)和电子密度来改变RM的化学组成；(3)通过改变羟基磷灰石和胶原的质量密度，原始值分别为3.06和1.38g/cm3。本实施例逐一实验了这些方案，认为得到的RM已经是最理想的值，以确保代入三物质模型中的RM值是可靠的，并且模型得出结果是理想的。
[1]单能量keV设置。通过改变低能keV数值，本实施例发现55keV的单能量(YM和RM的密度分别为0.925和1.02g/cm3)与50keV单能量(YM和RM的密度为0.93和1.065g/cm3)的Adj-YM分布结果相似(参见图5)。低光子能量从50增加到55keV导致了菱形ABCD的边AD和BC具有更平缓的斜率，更接近于HU测量图中点的斜率。然而，低单能量keV误差这么大并不可能存在。本实施例对欧洲脊柱体膜(European Spine Phantom,ESP)进行10次扫描，并在菱形图上绘制三个椎体的HU值(参见图5)。由于ESP仅由羟基磷灰石和软组织等效树脂两种材料组成，ESP的三个点应位于与菱形边AD和BC平行的一条直线上。而从图5可知选择55keV低单能量的可能性被排除。本实施例同时也修改了150keV高单能量，但发现在图3的散点图中QA菱形的放置对这种变化非常不敏感。因为在更高的光子能量下，康普顿散射是主要的衰减过程，而YM、RM、胶原等物质的衰减系数与光子能量变化很小。因此，在衰减系数和光子能量变化时，它们的HU测量变化非常小。
具体的，图5A示出50和150keV单能量HU测量的质量保证图，菱形ABCD显示三物质模型物理可行解的预测限制，适用于vBMD值在50到200mg/cm3之间。这是验证集中125名参与者的数据(与图3B中的训练集类似图进行比较)。欧洲脊柱模型(ESP)的三个椎骨的数据点已添加到图中。图5B示出在相同数据下重新绘制的菱形ABCD，假设单能量分别为55和150keV，并且YM和RM的密度分别为0.925和1.02g/cm3。请注意，与图4B中不同的是，所有具有vBMD值在50到250mg/cm3之间的参与者数据均位于菱形内部。然而，这个模型被排除，因为ESP椎骨的软组织等效成分随着vBMD的变化而变化。
[2]RM的元素组成。导致RM密度高于预期的另一个可能解释是，RM的元素组成与ICRU出版物46中规定的组成不同。为了检验这一点，本实施例将RM的质量衰减系数表示为有效原子序数(确定光电效应的贡献)和电子密度(确定康普顿散射的贡献)的函数。从NIST的质量衰减系数中，本实施例计算出了YM和RM的Zeff值分别为6.29和7.07，电子密度分别为3.35和3.32x 1023电子/g。在散点图中，QA菱形的位置对于RM的Zeff值非常不敏感，需要将Zeff值降低到2.5才能将Adj-YM体积分数的均值从0.13提高到0.50。改变电子密度是一种更有效的方法，RM从3.32增加到3.50x 1023电子/g(增加5％)使Adj-YM的体积分数分布几乎与质量密度从1.02增加到1.065g/cm3(增加4％)所获得的分布相同。ICRU出版物46报告的71种不同类型的软组织，其平均电子密度为3.33，最小和最大值分别为3.30和3.36x1023电子/g。因此，3.50x 1023电子/g的三物质模型解决方案显然是一个极端的离群值。
[3]羟基磷灰石和胶原的质量密度。最后，本实施例调整羟基磷灰石和胶原的质量密度，确保BM的密度与其按重量成分的58％ HA、32％胶原和10％水的组成一致。然而，改变这些密度对Adj-YM体积分数和vBMD结果几乎没有影响。这是因为BM的体积分数相对较小，约为10％。例如，使用更高密度的羟基磷灰石导致体积分数略小，vBMD(vBMD＝密度x体积分数)和Adj-YM几乎保持不变。
本发明提供的一种基于双层光谱CT的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统，基于双层光谱CT，结合三物质分解法，训练得到基于双层光谱CT的三物质模型，能够基于双层光谱CT图像的HU值，精确地定量分析骨密度和骨髓脂肪含量。相较于传统方法，本发明不仅能够同时测量腰椎体积骨密度和骨髓脂肪含量，还可以显著缩短患者的检查时间，减轻医疗资源的负担，降低患者的经济成本。此外，本发明不仅解决了传统影像学方法难以准确测量骨髓脂肪含量的问题，还有助于更好地理解骨髓脂肪在骨骼代谢疾病中的作用，为临床诊断和治疗提供可靠的参考依据。
下面对本发明提供的基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统进行描述。
参照图6，本发明提供的一种基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统，可以包括：
数据接收模块，用于：接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者可以是除严重脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的人群之外的人群；
定量分析模块，用于：根据待测者位于腰椎椎体的双层光谱CT数据，通过根据权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
数据输出模块，用于：将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
具体的，在使用基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统之前，可以先获取待测者进行DLCT得到的双层光谱CT数据，再通过客户端将待测者位于腰椎椎体的双层光谱CT数据上传至基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统，由数据接收模块进行接收，再经过定量分析模块利用基于双层光谱CT的三物质模型预测得到待测者的骨密度和骨髓脂肪含量，然后通过数据输出模块将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。有助于高精度地定量分析待测者的骨密度和骨髓脂肪含量，为待测者的临床诊断和治疗提供可靠的参考依据。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行以下步骤：
接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与上述任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
根据待测者位于腰椎椎体的双层光谱CT数据，通过根据上述任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行以下步骤：
接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与上述任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
根据待测者位于腰椎椎体的双层光谱CT数据，通过根据上述任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行以下步骤：
接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与上述任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
根据待测者位于腰椎椎体的双层光谱CT数据，通过根据上述任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于双层光谱CT的三物质模型的构建方法，其特征在于，包括：
获取目标群体位于腰椎椎体的双层光谱CT数据，其中，目标群体包括骨质疏松患者群体和健康群体；
根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量；
根据目标群体的骨基质体积分数，得到目标群体的骨密度；
以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型。
2.根据权利要求1所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，目标群体位于腰椎椎体的双层光谱CT数据，包括通过双层光谱CT对目标群体的腰椎椎体，在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，所述根据目标群体位于腰椎椎体的双层光谱CT数据，利用三物质分解法，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，其中，黄骨髓体积分数表示骨髓脂肪含量，包括：
获取目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，将水密度、骨基质密度、黄骨髓密度、红骨髓密度设置为变量，且设置目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数之和为1；
根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数；
根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)；
根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数。
3.根据权利要求2所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，所述根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，包括：
根据目标群体在能量E1和能量E2下的水质量衰减系数、骨基质质量衰减系数、黄骨髓质量衰减系数、红骨髓质量衰减系数，结合水密度、骨基质密度、黄骨髓密度、红骨髓密度，利用第一表达式，得到目标群体在能量E1和能量E2下的水线性衰减系数、骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，其中，第一表达式为：
μwater(E1)＝μm1(water)×water的密度，
μwater(E2)＝μm2(water)×water的密度，
μBM(E1)＝μm1(BM)×BM的密度，
μBM(E2)＝μm2(BM)×BM的密度，
μYM(E1)＝μm1(YM)×YM的密度，
μYM(E2)＝μm2(YM)×YM的密度，
μRM(E1)＝μm1(RM)×RM的密度，
μRM(E2)＝μm2(RM)×RM的密度，
第一表达式中，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数，μm1(water)和μm2(water)表示目标群体在能量E1和能量E2下的水质量衰减系数，water的密度表示水的密度，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μm1(BM)和μm2(BM)表示目标群体在能量E1和能量E2下的骨基质质量衰减系数，BM的密度表示骨基质的密度，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的黄骨髓线性衰减系数，μm1(YM)和μm2(YM)表示目标群体在能量E1和能量E2下的黄骨髓质量衰减系数，YM的密度表示黄骨髓的密度，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数，μm1(RM)和μm2(RM)表示目标群体在能量E1和能量E2下的红骨髓质量衰减系数，RM的密度表示红骨髓的密度。
4.根据权利要求3所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，所述根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，包括：
根据目标群体在能量E1和能量E2处测量得到的单能图像的HU(E1)值和HU(E2)值，结合目标群体在能量E1和能量E2下的水线性衰减系数，利用第二表达式，得到目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，其中，第二表达式为：
第二表达式中，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，HU(E1)值和HU(E2)值表示目标群体在能量E1和能量E2处测量得到的单能图像的HU值，μwater(E1)和μwater(E2)表示目标群体在能量E1和能量E2下的水线性衰减系数。
5.根据权利要求4所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，所述根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数，包括：
根据目标群体在能量E1和能量E2下的线性衰减系数μ(E1)和μ(E2)，结合目标群体在能量E1和能量E2下的骨基质线性衰减系数、黄骨髓线性衰减系数、红骨髓线性衰减系数，利用第三表达式，得到多个定量决定系数；
根据多个定量决定系数，利用第四表达式，得到目标群体的骨基质体积分数、黄骨髓体积分数、红骨髓体积分数；
其中，第三表达式为：
D1＝μYM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μYM(E2)+μ(E1)*μRM(E2)+μ(E2)*μYM(E1)+μRM(E1)*μYM(E2)，
D2＝μBM(E1)*μRM(E2)-μRM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μRM(E2)+μ(E2)*μBM(E1)+μRM(E1)*μBM(E2)，
D3＝μBM(E1)*μYM(E2)-μYM(E1)*μ(E2)-μ(E1)*μBM(E2)+μ(E1)*μYM(E2)+μ(E2)*μBM(E1)+μYM(E1)*μBM(E2)，
D4＝μBM(E1)*μYM(E2)+μYM(E1)*μBM(E2)+μRM(E1)*μBM(E2)-μRM(E1)*μYM(E2)-μYM(E1)*μBM(E2)-μBM(E1)*μRM(E2)，
第三表达式中，D1、D2、D3、D4表示多个定量决定系数，μ(E1)和μ(E2)表示目标群体在能量E1和能量E2下的线性衰减系数，μYM(E1)和μYM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μBM(E1)和μBM(E2)表示目标群体在能量E1和能量E2下的骨基质线性衰减系数，μRM(E1)和μRM(E2)表示目标群体在能量E1和能量E2下的红骨髓线性衰减系数；
第四表达式为：
f1+f2+f3＝1，
第四表达式中，f1表示目标群体的骨基质体积分数，f2表示目标群体的黄骨髓体积分数，f3表示目标群体的红骨髓体积分数。
6.根据权利要求5所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，所述根据目标群体的骨基质体积分数，得到目标群体的骨密度，包括：
根据目标群体的骨基质体积分数，利用骨密度表达式，得到目标群体的骨密度，其中，骨密度表达式为：
vBMD＝f1×fHA×HA的密度×1000，
骨密度表达式中，vBMD表示目标群体的骨密度，f1表示目标群体的骨基质体积分数，fHA表示已知的羟基磷灰石的体积分数，HA的密度表示已知的羟基磷灰石的密度。
7.根据权利要求6所述的基于双层光谱CT的三物质模型的构建方法，其特征在于，所述以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，训练得到基于双层光谱CT的三物质模型，包括：
以目标群体位于腰椎椎体的双层光谱CT数据作为样本数据，以目标群体的骨密度、骨髓脂肪含量作为标签数据，进行基于双层光谱CT的三物质模型的训练，在训练过程中，将YM的密度和RM的密度视为自由参数，并通过调整自由参数，使得YM的平均体积占总骨髓体积的一半，以训练得到基于双层光谱CT的三物质模型，其中，总骨髓体积为黄骨髓体积和红骨髓体积的总和。
8.一种基于双层光谱CT的骨密度和骨髓脂肪含量定量分析系统，其特征在于，包括：
数据接收模块，用于：接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
定量分析模块，用于：根据待测者位于腰椎椎体的双层光谱CT数据，通过根据权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
数据输出模块，用于：将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于双层光谱CT的三物质模型的构建方法，或者，所述处理器执行所述程序时实现以下步骤：
接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
根据待测者位于腰椎椎体的双层光谱CT数据，通过根据权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于双层光谱CT的三物质模型的构建方法，或者，所述计算机程序被处理器执行时实现以下步骤：
接收由至少一个客户端上传的待测者位于腰椎椎体的双层光谱CT数据，其中，待测者位于腰椎椎体的双层光谱CT数据的类型与权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法中目标群体位于腰椎椎体的双层光谱CT数据的类型一致，以及，待测者为预设滤除群体之外的个体，预设滤除群体包括脊柱侧弯、脊柱多发骨折、多发骨肿瘤、多个金属植入物的群体；
根据待测者位于腰椎椎体的双层光谱CT数据，通过根据权利要求1-7任一项所述的基于双层光谱CT的三物质模型的构建方法得到的基于双层光谱CT的三物质模型，预测得到待测者的骨密度和骨髓脂肪含量；
将待测者的骨密度和骨髓脂肪含量发送回至少一个客户端。
CN202410942897.3A 2024-07-15 2024-07-15 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统 Active CN118918249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410942897.3A CN118918249B (zh) 2024-07-15 2024-07-15 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410942897.3A CN118918249B (zh) 2024-07-15 2024-07-15 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统

Publications (2)

Publication Number Publication Date
CN118918249A true CN118918249A (zh) 2024-11-08
CN118918249B CN118918249B (zh) 2025-04-29

Family

ID=93312951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410942897.3A Active CN118918249B (zh) 2024-07-15 2024-07-15 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统

Country Status (1)

Country Link
CN (1) CN118918249B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6278891B1 (en) * 1999-08-25 2001-08-21 Echo Medical Systems, Llc Nuclear magnetic resonance method and apparatus for bone analysis and imaging
US20070223799A1 (en) * 2004-03-11 2007-09-27 Weiss Kenneth L Automated Neuroaxis (Brain and Spine) Imaging with Iterative Scan Prescriptions, Analysis, Reconstructions, Labeling, Surface Localization and Guided Intervention
CN101384707A (zh) * 2006-02-16 2009-03-11 布鲁塞尔大学 用于骨髓干细胞（bmsc）成骨分化的方法及其用途
CN112116609A (zh) * 2019-06-21 2020-12-22 斯特拉克斯私人有限公司 基于图像中的结构或材料分割的机器学习分类方法与系统
WO2024110991A1 (en) * 2022-11-23 2024-05-30 Diagno Intelligent Systems Private Limited System and method for bone fracture risk assessment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6278891B1 (en) * 1999-08-25 2001-08-21 Echo Medical Systems, Llc Nuclear magnetic resonance method and apparatus for bone analysis and imaging
US20070223799A1 (en) * 2004-03-11 2007-09-27 Weiss Kenneth L Automated Neuroaxis (Brain and Spine) Imaging with Iterative Scan Prescriptions, Analysis, Reconstructions, Labeling, Surface Localization and Guided Intervention
CN101384707A (zh) * 2006-02-16 2009-03-11 布鲁塞尔大学 用于骨髓干细胞（bmsc）成骨分化的方法及其用途
CN112116609A (zh) * 2019-06-21 2020-12-22 斯特拉克斯私人有限公司 基于图像中的结构或材料分割的机器学习分类方法与系统
WO2024110991A1 (en) * 2022-11-23 2024-05-30 Diagno Intelligent Systems Private Limited System and method for bone fracture risk assessment

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG LING等: "Role of effective atomic number ofparaspinal muscles in the prediction ofacute vertebral fracture riskassessment: a cross-sectional case-control study", BRITISH JOURNAL OF RADIOLOGY, 30 June 2024 (2024-06-30) *
盛佳智;弓腊梅;胡敏;: "骨髓脂肪的生物学功能及其与骨密度的关系研究进展", 海南医学, no. 24, 25 December 2014 (2014-12-25) *
邓小丽;杨莉;陈思浩;袁亮;: "常规MRI在骨质疏松诊断中的价值", 磁共振成像, no. 08, 18 August 2020 (2020-08-18) *

Also Published As

Publication number Publication date
CN118918249B (zh) 2025-04-29

Similar Documents

Publication Publication Date Title
Löffler et al. X-ray-based quantitative osteoporosis imaging at the spine
Robar et al. Novel technology allowing cone beam computed tomography in 6 seconds: a patient study of comparative image quality
Dalzell et al. Bone micro-architecture and determinants of strength in the radius and tibia: age-related changes in a population-based study of normal adults measured with high-resolution pQCT
Kijewski et al. Correction for beam hardening in computed tomography
Kazakia et al. Assessment of bone tissue mineralization by conventional x‐ray microcomputed tomography: comparison with synchrotron radiation microcomputed tomography and ash measurements
Sechopoulos et al. Characterization of the homogeneous tissue mixture approximation in breast imaging dosimetry
Bartenschlager et al. BMD accuracy errors specific to phantomless calibration of CT scans of the lumbar spine
Mettivier et al. Cone‐beam breast computed tomography with a displaced flat panel detector array
Sarno et al. Monte Carlo evaluation of glandular dose in cone-beam X-ray computed tomography dedicated to the breast: Homogeneous and heterogeneous breast models
Huber et al. Clinical evaluation of a phantom-based deep convolutional neural network for whole-body-low-dose and ultra-low-dose CT skeletal surveys
Ding et al. Measurement of breast tissue composition with dual energy cone‐beam computed tomography: a postmortem study
Sarno et al. Normalized glandular dose coefficients in mammography, digital breast tomosynthesis and dedicated breast CT
Jun et al. Quantification of regional variations in glenoid trabecular bone architecture and mineralization using clinical computed tomography images
Ho et al. The use of carbon fiber/polyetheretherketone (CF/PEEK) in pedicle screw fixation for spinal neoplasms—potential advantages in postoperative imaging and radiotherapy planning
ORPHANOUDAKIS et al. Bone mineral analysis using single-energy computed tomography
Liu et al. Quantification of Volumetric Bone Mineral Density of Proximal Femurs Using a Two‐Compartment Model and Computed Tomography Images
Goodsitt et al. Evaluation of dual energy quantitative CT for determining the spatial distributions of red marrow and bone for dosimetry in internal emitter radiation therapy
Prionas et al. Experimentally determined spectral optimization for dedicated breast computed tomography
Mettivier et al. Virtual dosimetry study with three cone-beam breast computed tomography scanners using a fast GPU-based Monte Carlo code
Zhao et al. Measurement of Hounsfield units on proximal femur computed tomography for predicting regional osteoporosis
Wang et al. Bone density measurement in patients with spinal metastatic tumors using chest quantitative CT deep learning model
CN118918249B (zh) 一种基于双层光谱ct的三物质模型的构建方法及骨密度和骨髓脂肪含量定量分析系统
Pawałowski et al. Quality evaluation of monoenergetic images generated by dual-energy computed tomography for radiotherapy: A phantom study
Webber Photon absorptiometry, bone densitometry and the challenge of osteoporosis
Emami et al. A novel dual energy method for enhanced quantitative computed tomography

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant