电子工业出版社-网上书店

本书针对目前青少年特发性脊柱侧凸临床医学影像评估中存在的问题，提出了关于脊柱正位相X线图像分割、关键点检测、特征提取、分类、三维重建、病例模型生成的方法，介绍如何通过人工智能技术实现对脊柱侧凸计算机辅助评估，从而提高对脊柱侧凸评估的准确度、客观度和可靠性。全书分为6章：第1章概述了青少年特发性脊柱侧凸的医学影像评估方法及其存在问题，以及应用人工智能技术进行计算机辅助评估的意义；第2章介绍基于深度学习的脊柱X线图像Cobb角自动测量方法，包括基于U-Net 模型的椎体分割方法；第3章介绍基于深度学习的脊柱X线图像椎体旋转度自动测量方法，包括基于HRNet模型进行多任务学习的椎体关键点检测和椎弓根影分割方法；第4章介绍基于深度学习的骨盆X线图像Risser征自动分级方法，包括基于Swin Transformer模型的髂骨区域特征提取方法；第5章介绍基于深度学习的脊柱正位相X线图像三维重建方法；第6章介绍基于变分自编码器的脊柱侧凸病例模型生成方法。各章方法均已在Python开发环境下编程实现，读者可以登录华信教育资源网下载这些程序代码。

第1章  青少年特发性脊柱侧凸医学影像评估基本方法
    1.1  脊柱的功能结构
    1.2  青少年特发性脊柱侧凸及其医学成像方法
        1.2.1  青少年特发性脊柱侧凸
        1.2.2  脊柱侧凸医学成像方法
    1.3  青少年特发性脊柱侧凸X线成像医学评估方法及其存在问题
    1.4  人工智能技术在医学影像评估中的应用
        1.4.1  深度学习在医学影像处理任务中的应用
        1.4.2  深度学习在医学影像评估中的优势
        1.4.3  深度学习在医学影像评估实践中的挑战
第2章  脊柱X线图像Cobb角自动测量
    2.1  Cobb角计算机辅助测量方法研究现状
        2.1.1  基于传统图像处理的Cobb角计算机辅助测量方法研究进展
        2.1.2  基于深度学习的Cobb角计算机辅助测量方法研究进展
    2.2  神经网络模型——U-Net模型
        2.2.1  卷积神经网络（CNN）
        2.2.2  U-Net模型
    2.3  改进的U-Net脊柱图像分割网络
        2.3.1  改进的U-Net分割网络结构
        2.3.2  多尺度卷积的Inception模块
        2.3.3  残差模块
        2.3.4  卷积块注意力模块（CBAM）
        2.3.5  脊柱X线图像椎体分割结果及其评估
    2.4  Cobb角自动测量及实验结果评估
        2.4.1  Cobb角自动测量
        2.4.2  Cobb角测量结果评估
    2.5  本章小结
第3章  脊柱X线图像椎体旋转度自动测量
    3.1  椎体旋转度计算机辅助测量方法研究现状
    3.2  神经网络模型——HRNet模型
    3.3  基于多任务学习的椎体关键点检测和椎弓根影分割
        3.3.1  基于多任务学习的特征提取模块
        3.3.2  CoordConv层和PSA机制
        3.3.3  解码层
        3.3.4  脊柱X线图像椎体关键点检测和椎弓根影分割结果及评估
    3.4  椎体旋转度自动测量及实验结果评估
        3.4.1  椎体旋转度自动测量方法
        3.4.2  椎体旋转度自动测量结果及其评估
    3.5  本章小结
第4章  骨盆X线图像Risser征自动分级
    4.1  骨骼成熟度计算机辅助评估方法研究现状
    4.2  神经网络模型——Transformer模型
        4.2.1  自注意力机制(Self-Attention)
        4.2.2  Transformer模型
        4.2.3  Swin Transformer模型
    4.3  基于多任务学习的Risser征自动分级
        4.3.1  基于Swin-Transformer模型的多任务特征提取
        4.3.2  改进的Swin Transformer模块
        4.3.3  实施细节
        4.3.4  实验结果
    4.4  本章小结
第5章  脊柱X线图像三维重建
    5.1  脊柱三维重建方法研究现状
        5.1.1  传统脊柱三维重建方法
        5.1.2  基于深度学习的脊柱三维重建方法
        5.1.3  单视图三维重建
    5.2  网络结构设计
        5.2.1  网络总体结构
        5.2.2  小波变换特征提取模块
        5.2.3  维度变换模块
        5.2.4  特征融合模块
        5.2.5  损失函数
    5.3  实验设置
        5.3.1  数据集
        5.3.2  评价指标
        5.3.3  实验细节
    5.4  实验结果和分析
        5.4.1  对比实验
        5.4.2  消融实验
        5.4.3  泛化性能实验
    5.5  本章小结
第6章  脊柱侧凸病例模型生成方法
    6.1  医学模型生成方法研究现状
        6.1.1  传统生成方法
        6.1.2  深度学习生成方法
    6.2  变分自编码器
    6.3  腰椎生成网络设计
        6.3.1  生成网络总体结构
        6.3.2  空间坐标注意力模块
        6.3.3  损失函数
        6.3.4  噪声层
    6.4  实验和结果分析
        6.4.1  数据集和参数设置
        6.4.2  评价指标
        6.4.3  腰椎重建实验
        6.4.4  腰椎生成实验
    6.5  本章小结
参考文献

前言
    青少年特发性脊柱侧凸是青春期骨骼发育成熟前发生的脊柱三维畸形，其发病原因至今不明。脊柱侧凸现已成为危害我国青少年健康的第三大疾病。X线成像由于具有低辐射、设备造价低、检查费用低、成像时间短，且可以在站立位成像等诸多优势，是对青少年特发性脊柱侧凸诊断评估的首选成像方式。在X线图像中测量的Cobb角、椎体旋转度或Risser征是临床诊断评估脊柱侧凸的重要指标，这些指标对脊柱侧凸的发展趋势预测、脊柱分型，以及治疗方式的选择或矫治方案的规划都至关重要。由于X线图像中椎体影像重叠模糊，手工测量过程不仅烦琐而费时费力，还存在操作者误差。因此通过计算机自动测量这些指标，必将有助于对脊柱侧凸的诊断、评估和治疗。此外，这些常用指标均是基于二维X线图像提取的，而脊柱侧凸是三维畸形，因此通过计算机实现从常规脊柱X线图像重建三维脊柱模型，必将有助于医生更为直观、容易地对脊柱侧凸进行诊断评估。
    随着人工智能技术的飞速发展，特别是深度学习方法的进步，医学影像评估领域发生了翻天覆地的变化。本书针对青少年特发性脊柱侧凸临床诊断评估存在的问题，基于深度学习提出了从X线图像中自动测量二维评估指标的方法，以及从脊柱正位相X线图像重建三维脊柱模型的方法，同时还提出了脊柱侧凸病例模型生成方法。全书共分6章。
    第1章概述了青少年特发性脊柱侧凸的医学影像评估方法及其存在的问题，以及应用人工智能技术进行计算机辅助评估的意义。
    第2章提出基于深度学习的脊柱X线图像Cobb角自动测量方法，包括基于U-Net模型的椎体分割方法。
    第3章提出基于深度学习的脊柱X线图像椎体旋转度自动测量方法，包括基于HRNet模型进行多任务学习的椎体关键点检测和椎弓根影分割方法。
    第4章提出基于深度学习的骨盆X线图像Risser征自动分级方法，包括基于Swin Transformer模型的髂骨区域特征提取方法。
    第5章提出基于深度学习的脊柱正位相X线图像三维重建方法。
    第6章提出基于变分自编码器的脊柱侧凸病例模型生成方法。
    虽然本书所提出的方法是针对青少年特发性脊柱侧凸X线成像评估，但这些方法和技术还可以用于其他医学影像处理领域，诸如医学图像分割、关键点检测、特征提取、分类、三维重建和可视化、虚拟模型生成等。各章方法均已在Python开发环境下编程实现，读者可以登录华信教育资源网下载这些程序代码。由于人工智能技术（尤其是深度学习方法）在不断发展中，书中的相关技术可有进一步完善和改进，敬请读者提出宝贵意见和建议。
    本书的相关研究得到国家自然科学基金(62063034，62463031)的资助。作者衷心感谢云南省第一人民医院骨科李宏键主任的支持，书中所用X线图像部分由云南省第一人民医院提供。

                                                                                                                著者      2025年4月

本书配套资源下载

对不起，暂无音视频资源！

人工智能医学影像评估——青少年脊柱侧凸医学影像计算机辅助评估方法