5个研究背景和意义示例,教你写计算机Cobb角论文

今天分享的是关于Cobb角的5篇计算机毕业论文范文, 如果你的论文涉及到Cobb角等主题,本文能够帮助到你

颈椎X线角度测量及不稳定诊断深度学习模型的构建与应用

这是一篇关于X线片,可靠性,Cobb法,Gore法,Centroid法,卷积神经网络,Cobb角,颈椎,Transformer,ResNet的论文, 主要内容为第一部分颈椎病人群颈椎曲度测量方法可靠性的对比研究【目的】验证在颈椎病人群颈椎曲度测量中使用Cobb法、Gore法和Centroid法的人工测量可靠性【资料与方法】回顾性收集我院75张确诊颈椎病患者的颈椎侧位X线片。由脊柱外科医师1(10年临床工作经验)和医师2(8年临床工作经验)担任测量者,分别使用3种颈椎曲度测量方法对同一影片集进行间断重复两次测量。Cobb法分别确定通过C2和C7下终板的直线,并计算两线的交角。Gore法分别确定通过C2和C7椎体后缘的切线,并计算两线的交角。Centroid法先定位C2下终板中点,C3、C6和C7椎体中点,而后分别确定通过C2下终板中点、C3椎体中点和通过C6、C7椎体中点的直线,并计算两线的交角。正常前凸颈椎角度计为负值,后凸角度计为正值。操作在Image J软件(Version 1.53h)上进行。对3种测量方法的平均绝对误差(MAD)和组内相关系数(ICC)进行对比分析。【结果】测量数据集共包含75张X线片,患者的平均年龄为56±22岁。Cobb法的观察者内ICC高于Gore法和Centroid法[0.991(CI,0.9860.994)vs 0.985(CI,0.9730.989),0.987(CI,0.9790.992)],MAD误差最小(1.51°±0.62°vs2.00°±1.06°,1.63°±0.94°),但Cobb法与Centroid法组内测量误差统计学不显著。Cobb法的观察者间ICC亦高于Gore法和Centroid法[0.982(CI,0.9710.988)vs 0.970(CI,0.9540.981),0.980(CI,0.9680.987)],MAD误差最小(1.94°±1.17°vs2.73°±1.45°,3.04°±1.34°),但Gore法和Centroid法组间测量误差统计学不显著。【结论】在颈椎病人群侧位X线片颈椎曲度测量中,Cobb法较Gore法和Centroid法的可靠性更高。第二部分颈椎X线深度学习模型的构建和效能评估【目的】构建一种以Res Net34为核心、嵌入Transformer模型的轻量化颈椎测量卷积神经网络(CNN)模型,并进行模型效能评估【资料与方法】回顾性收集我院影像归档和通信系统(PACS)2020年2月至2021年9月来自1046名患者的1474张颈椎侧位X线片,创建数据集A。随机收集来自数据集A中396名患者的669张胶片,并由扫描仪转置为电子档图片,创建数据集B。以高年资医师标注结果为真实值,根据Cobb法测量规则依次标注C2到C7椎体四个角点共24个标注点,并测量C2-7 Cobb角度,由两名医师共同评估颈椎不稳定。按照8:2划分训练集、验证集。研究设计一种编码器-解码器结构的CNN模型:1.编码器以在Image Net数据库中预训练的残差网络模型Res Net34为核心,取其前5层结构进行下采样提取特征图。2.嵌入Transformer模块,经过Transformer自带的编码器、解码器提取空间相关特征,输出一维特征并转成张量块,最后送入解码器进行反卷积操作,最终得到椎体中心点坐标的热力图(Heatmap)以及偏移向量;3.设计一种旋转注意力模块(rotating attention),将其整合入编码器和解码器中间,用来提取通道和空间信息;4.设计一种向量损失模块(Vector Loss)来解决颈椎重度弯曲或S型弯曲以及图像模糊程度较大时特征点预测偏离或缺失问题。特征点定位误差采用欧式距离(Euclidean distance),Cobb角测量误差采用平均绝对误差(MAD)和对称平均绝对百分比误差(SMAPE)评价。将本研究模型与基于特征点的MVE-Net和基于分割的RU-Net测量结果进行对比,并进行消融实验,验证模型效能。【结果】本研究模型消融实验显示随着旋转注意力模块、Transformer模块和向量损失模块依次加入到核心模型后,整体模型的精准度逐步提升,欧式距离由6.64减小至5.23,MAD由5.32°减小至2.38°,SMAPE由10.71%减小至8.66%。可视化结果显示向量损失模块加入后消除了椎体的误识别和漏识别。经预训练迁移学习后,整体模型的精准度得到提升,欧式距离由5.94减小到5.23,MAD由3.33°减小至2.38°,SMAPE由9.24%减小至8.66%。本模型识别精度与MVE-Net和RU-Net模型对比误差更小,MAD分别为2.38°、6.43°和4.32°。可视化结果显示本模型在颈椎后纵韧带骨化,椎体滑脱和骨赘影像片识别中抗干扰能力更强。【结论】本研究构建了一种轻量型基于Res Net34的嵌入Transformer的CNN模型。在颈椎特征点识别以及角度测量方面较其他CNN模型显示出较高的精准度,在椎旁骨化和椎体序列异常图像识别中有较高的稳定性。第三部分颈椎X线深度学习模型的准确性研究【目的】验证嵌入Transformer的卷积神经网络(CNN)模型在电子版和胶片转置版数据集中颈椎Cobb角测量和不稳定评估的性能,并与MVE-Net、RU-Net以及人工测量者误差进行对比分析【资料与方法】测试对象为本研究第二部分已标注的数据集A电子版X线片353张,数据集B胶片转置版X线片150张。将医师1的Cobb角测量结果以及医师1和医师2共同审核的不稳定评估结果作为实验的真实值(金标准)。计算本研究CNN模型和MVENet、RU-Net模型在测试集上的测量结果与真实值的差异。另邀请3位脊柱外科医师(5年,3年,2年临床工作经验)作为人工测量者评估颈椎不稳定。颈椎曲度误差分为两个尺度分别计算,即C2-7 Cobb角和不稳定节段的节段Cobb角。案例含两个及以上不稳定节段的,节段Cobb角误差按照各节段平均值计算。角度测量误差以中位绝对误差MAD表示,颈椎不稳定评估采用精准度(accuracy)、敏感性或召回率(sensitivity或recall)、特异性(specificity)、精确性(precision)和F1-score表示。对比各模型误差与人工测量误差。组间对比采用Kruskal-Wallis秩检验,角度测量及不稳定评估的一致性采用Blant-Altman图、Cohen’s Kappa相关系数进行分析。【结果】本研究模型在Cobb角测量方面总体优于MVE-Net和RU-Net,略低于人工测量。本模型、MVE-Net、RU-Net和人工组的C2-7 Cobb角测量,在数据集A的中位绝对误差(MAD)及四分位距(IQR)分别为2.06°(2.00°)、2.44°(1.97°)、2.32°(2.01°)、2.08°(1.82°),本模型组MAD与人工组无统计学差异(P=0.40),而SMAPE误差本模型组大于人工组(16.63%,15.97%)。在数据集B,MAD及IQR分别为2.21°(1.84°)、2.73°(1.66°)、2.32°(1.92°)、2.18°(1.45°),本模型组MAD大于人工组(P<0.01),SMAPE误差本模型组大于人工组(10.30%,9.83%)。另外,不稳定节段Cobb角测量方面,在数据集A中MAD及IQR分别为1.54°(2.13°),1.97°(2.12°)、1.88°(1.97°)、1.47°(2.20°),本模型组MAD大于人工组(P<0.01),SMAPE误差本模型组大于人工组(19.35%,17.69%)。在数据集B中MAD(IQR)分别为1.85°(2.22°)、2.73°(2.24°)、2.12°(1.99°)、1.92°(2.32°),本模型组MAD误差小于人工组(P<0.01),而SMAPE误差本模型组小于人工组(19.01%,19.22%)。颈椎不稳定评估方面,本研究模型较MVE-Net和RU-Net诊断的精确度更高(数据集A:89.80%vs 88.39%、88.7%;数据集B:90.00%vs 88.00%、86.67%)。本研究模型精准度略低于3名医师的人工评估结果(数据集A:89.90%vs 90.65%,92.35%,91.22%;数据集B:90.00%vs 90.67%,93.33%,92.00%)。总体来看,各模型与人工评估结果之间的相关性较高。各模型之间的Kappa系数大于人工测量者之间的Kappa系数,模型与真实值的Kappa系数总体小于各人工测量者与真实值的Kappa系数。【结论】本研究构建的深度学习CNN模型在X线颈椎Cobb角测量及颈椎不稳定诊断方面展现了较高的精准性,与人工测量差距极小。本模型能够同时在电子版和胶片版影像介质下保持较高识别稳定性。

基于U-Net的脊柱侧弯Cobb角测量系统研究与实现

这是一篇关于脊柱侧弯,Cobb角,深度学习,U-Net,轮廓提取的论文, 主要内容为青少年特发性脊柱侧弯(简称AIS)是临床上常见的脊柱畸形疾病,其发病原因不明,无法针对病因进行针对性治疗,所以尽早发现并进行干预尤为重要。脊柱侧弯Cobb角度是衡量脊柱侧弯病情的重要参考依据,目前Cobb角测量工作需要脊柱外科专业医生手动进行,测量过程缓慢且容易产生误差。因此开发一种能够快速对脊柱X光图像进行全自动测量Cobb角度的算法具有很高的实用意义。Cobb角是指脊柱侧弯的角度,是脊柱侧弯严重程度的参考标准之一。目前临床中测量Cobb角是由专业医生根据经验在脊柱X光片上画出两条参考线,然后使用量角器测量角度,效率低下且容易产生误差,不同医生的诊断经验不一样,测量相同图像可能会产生相差较大的结果。为了解决上述问题,本文提出了一种基于U-Net模型的脊柱侧弯Cobb角全自动测量方法,基于深度学习模型对脊柱X光图像进行分割,对分割结果进行轮廓识别和边界确定后计算出脊柱侧弯的最大Cobb角度。论文的主要研究内容如下:(1)基于深度学习模型对脊柱X图像进行分割。收集站立位脊柱正位X光片,对数据进行筛选、预处理和数据增强等操作,制作模型训练标签。基于U-Net模型结构搭建卷积神经网络模型,对模型进行改进,提高分割准确度及算法速度,对网络进行训练,保存模型参数。(2)对分割结果进行轮廓识别,基于轮廓实现全自动Cobb角计算。对分割完成的二值化图像进行拓扑分析,确定边界的围绕关系,计算出各椎骨的轮廓信息,根据轮廓计算最小外接矩形,由矩形的四个角点确定椎骨的上下边界,最后根据上下边界计算最大Cobb角度。(3)整合全部算法流程,完成可视化软件操作界面。编写可以方便快捷使用的软件界面,使没有编程经验的用户可以迅速地进行Cobb角度测量,软件能够清晰地显示测量结果,具备测量结果保存等功能。

基于3D打印智能脊柱矫形系统研究

这是一篇关于脊柱侧弯,生物力学仿真,Cobb角,矫形支具,3D打印,智能网联,小程序控制的论文, 主要内容为脊柱侧弯是儿童青少年中常见的脊柱畸形疾病,脊柱侧弯矫形支具是一种非手术治疗轻中度脊柱侧弯患者的首选治疗手段。传统矫形器的制作方法繁琐复杂,而且佩戴的准确度较低,矫形效果受康复技师技术水平的影响较大,患者在日常佩戴中又是以手动的方式调节矫形支具,没有可视化的数据直观反映施加矫形力的大小,患者自身通常不知如何精准地施加矫形力,从而在实际的治疗过程中无法实现最佳的治疗效果。本文根据现有脊柱矫形支具的不足提出一种基于3D打印个性化智能脊柱矫形系统研究方法,具体内容如下:1、首先提出对患者脊柱侧弯整体结构进行逆向重建的方法,以患者CT断层扫描数据为基础,进行CT图像处理分析获得脊柱侧弯患者的整体胸廓三维模型。根据患者脊柱坐标定位数据拟合脊柱侧弯特征曲线,测算患者的Cobb角。以三点受力脊柱侧弯矫形原理为基础对患者整体胸廓模型进行脊柱侧弯矫形生物力学有效性验证,判断不同矫形力对脊柱侧弯产生的矫形效果,从仿真结果可以看出矫形力在45N左右就能满足脊柱矫形效果的需要,为后续个性化矫形支具的研发提供依据。2、个性化矫形支具的结构设计包括支具主体结构设计与支具调整系统结构设计两部分。主体结构设计是以三维激光扫描仪获取的患者体表外轮廓数据为基础,进行模型建模并添加压力区域和压力释放区域,建立个性化支具与体表模型装配仿真分析,根据仿真分析的结果对个性化支具模型进行调整,最终获得个性化矫形支具主体左右两部分模型。支具调整系统结构选定减速电机-滑轮系统为装置动力系统并进行设计验证,最后装配获得个性化智能脊柱矫形支具模型。3、智能矫形支具的控制系统设计是由单片机系统和其他硬件一同组成的。各薄膜压力传感器模块在安装前都进行了性能校验工作,在主程序中对信号输出值进行了误差校正;智能矫形支具控制系统的主体逻辑涉及手动控制和自动控制两种方式,手动控制主要是实体按键操作,自动控制程序内置模糊控制算法通过输出不同频率的PWM值间接控制微型电机转速,整体测试结果显示系统主体逻辑设计是能正常稳定工作的。4、个性化智能矫形支具的制造和智能物联设计中,支具是通过工业级光固化3D打印机制造出实物模型并进行打印误差分析;支具智能物联设计是基于无线连接设计、物联网平台开发、微信小程序开发三个大部分,利用无线模块将智能矫形支具以MQTT通讯协议连入物联网平台,微信小程序利用物联网平台将处理的数据传递至微信小程序端口,通过微信小程序能实时控制整个智能支具的操作;在患者实际佩戴测试中各项数据符合预期,实际佩戴的舒适满意度方面较好,佩戴过程不会影响日常生活。