CN109493334A - 测量脊柱弯曲的方法及装置 - Google Patents

Abstract

本发明提供了一种测量脊柱弯曲的方法及装置，涉及图像处理领域，首先，通过将待检测脊柱的图像输入预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；然后，基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；最后，基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。本发明利用所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，能够精确的获取每个脊柱体的真实上沿线和真实下沿线，提高Cobb角的计算精度。

Description

测量脊柱弯曲的方法及装置

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种测量脊柱弯曲的方法及装置。

背景技术

脊柱弯曲不仅影响美观，而且还会对患者的身心健康以及心肺功能造成一定的影响，因此需要一种脊柱弯曲测量的方法及装置来及时测量脊柱的弯曲程度，当前技术有2个方案：

1.通过复杂的三维全身扫描机器来获取脊柱影像，计算cobb角等参数

扫描机器通过对人体产生辐射，可以获取脊柱影像，或者三维重建，通过电脑处理计算各椎体的倾斜度，来算出Cobb角。

2.通过人工辅助结合图像处理的方法计算cobb角等参数。

通过人工标定脊柱影像的椎体位置，再通过电脑计算各处曲率，算出Cobb角。

然而，现有的扫描机器会对人体产生辐射，不利于人体，尤其是青少年的健康，而且三维机器通常造价较高，不适于普及；人工标定椎体位置耗时耗力，而且有非常强的主观性，每个人标准不同，导致结果不同，水平不一；现在很多图像处理方法，比如边缘检测，容易受图像噪声干扰。

发明内容

有鉴于此，本发明实施例的目的在于提供一种测量脊柱弯曲的方法及装置，以缓解上述问题。

第一方面，本发明实施例提供了一种测量脊柱弯曲的方法，包括：获取待检测脊柱的图像；将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线；基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线；

基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

第二方面，本发明实施例提供了一种测量脊柱弯曲的装置，包括：第一获取模块，用于获取待检测脊柱的图像；输入模块，用于将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线；第二获取模块，用于基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；第四获取模块，用于基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线；第五获取模块，用于基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

与现有技术相比，本发明各实施例提出的测量脊柱弯曲的方法及装置的有益效果是：首先，通过将待检测脊柱的图像输入预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；然后，基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；最后，基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。本发明利用所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，提高Cobb角的计算精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的电子设备的结构示意图；

图2为本发明实施例提供的测量脊柱弯曲的方法的流程图；

图3为本发明实施例提供的测量脊柱弯曲的装置的结构框图；

图4为本发明实施例提供的第四获取模块的结构框图。

图标：100-电子设备；110-存储器；120-存储控制器；130-处理器；140-外设接口；150-输入输出单元；160-音频单元；170-显示单元；210-第一获取模块；220-输入模块；230-第二获取模块；240-第四获取模块；250-第五获取模块；231-第一概率图获取模块；232-第二概率图获取模块；233-第三概率图获取模块；234-筛选模块；235-位置获取模块。

具体实施方式

下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明实施例提供一种电子设备100的结构示意图，所述电子设备100可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等。

如图1所示，所述电子设备100可以包括：测量脊柱弯曲的装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160、显示单元170。

所述存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160以及显示单元170各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述测量脊柱弯曲的装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中或固化在客户端设备的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行存储器110中存储的可执行模块，例如所述测量脊柱弯曲的装置包括的软件功能模块或计算机程序。

其中，存储器110可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器110用于存储程序，所述处理器130在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器130中，或者由处理器130实现。

处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口140将各种输入/输出装置耦合至处理器130以及存储器110。在一些实施例中，外设接口140，处理器130以及存储控制器120可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元150用于提供给用户输入数据实现用户与电子设备100的交互。所述输入输出单元150可以是，但不限于，鼠标和键盘等。

音频单元160向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元170在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元170可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器130进行计算和处理。

实施例

请参照图2，图2是本发明实施例提供的一种测量脊柱弯曲的方法的流程图。下面将对图2所示的流程进行详细阐述，所述方法包括：

S100：获取待检测脊柱的图像。

其中，在本实施例中，待检测脊柱的图像为从医院PACS系统获取的病人的脊柱X光片影像，并通过各种扫描仪(最简单的可以由看片灯和摄像头组装)扫描成电子图片，也可以通过具有摄像头的智能终端拍摄待检测脊柱的图像，将待检测的图片转换为电子图片。

S200：将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线。

具体地，将已经转换为电子图片的病人的脊柱X光片影像输入预先训练好的神经网络模型，获取每个像素点上出现上沿线和下沿线的概率的第一概率图以及角点的概率的第二概率图，可以理解的是，待检测脊柱的图像有多个像素点构成，通过预先训练好的神经网络模型，分别获取每个像素点上可能出现左上角点、右上角点、左下角点和右下角点的概率，假设在像素点A上存在左上角点，在像素点A上出现左上角点的概率远远大于在像素点A上出现右上角点、左下角点、右下角点以及不会出现角点的概率，继而能够获取四张第二概率图，第一张第二概率图为用于表征每个像素点上出现左上角点概率的概率图，第二张第二概率图为用于表征每个像素点上出现右上角点概率的概率图，第三张第二概率图为用于表征每个像素点上出现左下角点概率的概率图，第四张第二概率图为用于表征每个像素点上出现右下角点概率的概率图；可以理解的是，第二概率图的横坐标为每个像素点的坐标，纵坐标为概率值；

通过预先训练好的神经网络模型，获取每个像素点上出现上沿线和下沿线的概率，其中，每条上沿线和每条下沿线均是由多个像素点构成的，假设待检测脊柱的上沿线上存在像素点A，那么在上沿线上存在像素点A概率远远大于下沿线上存在像素点A概率的概率，继而能够获取两张第一概率图，第一张第一概率图为用于表征每个像素点上出现上沿线概率的概率图，第二张第一概率图为用于表征每个像素点上出现下沿线概率的概率图，可以理解的是，第二概率图的横坐标为每个像素点的坐标，纵坐标为概率值。

基于所述第一概率图中的概率值和第一预设门限值，获取第三概率图。

具体地，将第一概率图中概率值小于第一预设门限值的像素点从第一概率密度图中删除，获取第三概率图，以降低计算复杂度，提高预测精度。

基于所述第二概率图中的概率值和第二预设门限值，获取第四概率图。

具体地，将第二概率图中概率值小于第二预设门限值的像素点从第二概率密度图中删除，获取第四概率图，以降低计算复杂度，提高预测精度。

基于预设筛选准则，分别对所述第三概率图中的概率值和所述第四概率图中的概率值进行筛选，分别得到第五概率图和第六概率图。

基于第一预设步长，对所述第三概率图中的概率值进行筛选，得到第五概率图。

具体地，由于在出现真实沿线的附近的概率接近出现真实沿线的概率，但是，出现真实沿线的附近的概率小于出现真实沿线的概率，因此，基于非最大值抑制原则和第一预设步长，在所述第三概率图中将出现真实沿线附近的像素点滤除，得到第五概率图。

基于第二预设步长，对所述第四概率图中的概率值进行筛选，得到第六概率图。

具体地，由于在出现真实角点的附近的概率接近出现真实角点的概率，但是，出现真实角点的附近的概率小于出现真实角点的概率，因此，基于非最大值抑制原则和第二预设步长，在所述第四概率图中将出现真实沿线附近的像素点滤除，得到第六概率图。

基于所述第五概率图，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图，基于所述第六概率图，获取每个脊柱体的所有角点的坐标位置。

具体地，基于所述第五概率图，将第五概率图中坐标位置临近的像素点连接起来，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图，基于所述第六概率图，获取每个脊柱体的所有角点的坐标位置，在这里无法判断每个角点具体属于某个脊柱体，仅仅知道该角点是属于左上角点、右上角点、左下角点和右下角点中的一种。

S300：基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图。

可以理解的是，假设待测脊柱中有N个左上角点和N个右上角点，将每个左上角点和每个右上角点连接，获取第一连接图，其中，第一连接图中包括N*N种连线组合，假设待测脊柱中有N个右上角点和N个右下角点，将每个右上角点和每个右下角点连接，获取第二连接图，其中，第二连接图中包括N*N种连线组合。

S400：基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线。

分别将所述第一连接图和所述第二连接图中的每根连线与所述连线响应图中的每根连线进行位置匹配，获取用于表征匹配程度的关联得分图。

可以理解的是，在第一连接图和第二连接图中的连线分别与所述连线响应图中的每根连线的坐标位置进行匹配，在第一连接图中的连线与所述连线响应图中的连线完全重合时，分数最高，可以理解的是，在第一连接图或第二连接图中的连线与所述连线响应图中的连线重合度越高，得分越高，重合度越低，得分越低。

作为一种实施方式，基于预设采样值，分别对所述第一连接图和第二连接图中的每根连线进行间隔采样，获取多组采样点，并将所述多组采样点的位置与所述连线响应图中的上沿线线进行位置匹配，获取多组用于表征匹配程度的得分，其中，在采样点的位置处于连线响应图中的连线时，得分最高，在采样点的位置越接近连线响应图中的连线时，得分越高，在采样点的位置越远离连线响应图中的连线时，得分越低。

对每组得分求和，获得关联得分图，其中，从关联得分图中可以看出每种角点连线组合的得分信息。

基于所述关联得分图和全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。

具体地，在本实施例中，采用了序列对齐算法得到一组全局最优的匹配组合，使得这个组合的得分之和最高，继而根据角点的最终组合情况，获取每个脊柱体的真实上沿线和真实下沿线，提高检测精度。

S500：基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

基于每个脊柱体的上沿线和下沿线，计算出脊柱体两两之间的上、下沿线的夹角角度，并将角度最大的脊柱体记作上端锥与下端锥，最后该角度作为最后的Cobb角输出。Cobb角越大，脊柱弯曲越严重。

作为一种实施方式，基于每个脊柱体的上沿线和下沿线，可以计算出旋转度，侧弯类型，risser征等参数，最后将检测结果可直接显示在显示屏上，也可以连接打印机打印出来，也可以选择发送到用户手机/电脑/邮箱里。

请参照图3，图3是本发明实施例提供的一种测量脊柱弯曲的装置的结构框图。下面将对图3所示的结构框图进行阐述，所示装置包括：

第一获取模块210，用于获取待检测脊柱的图像。

输入模块220，用于将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线。

第二获取模块230，用于基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图。

第四获取模块240，用于基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线。

第五获取模块250，用于基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

作为一种实施方式，请参照图4，所述第二获取模块230包括：

第一概率图获取模块231，用于将所述图像输入到预先训练好的神经网络模型，获取每个像素点上出现上沿线和下沿线的概率的第一概率图以及角点的概率的第二概率图。

第二概率图获取模块232，用于基于所述第一概率图中的概率值和第一预设门限值，获取第三概率图。

第三概率图获取模块233，用于基于所述第二概率图中的概率值和第二预设门限值，获取第四概率图。

筛选模块234，基于预设筛选准则，分别对所述第三概率图中的概率值和所述第四概率图中的概率值进行筛选，分别得到第五概率图和第六概率图。

位置获取模块235，基于所述第五概率图，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图，基于所述第六概率图，获取每个脊柱体的所有角点的坐标位置。

作为一种实施方式，所述筛选模块234包括：

第一筛选子模块，用于基于第一预设步长，对所述第三概率图中的概率值进行筛选，得到第五概率图。

第二筛选子模块，用于基于第二预设步长，对所述第四概率图中的概率值进行筛选，得到第六概率图。

作为一种实施方式，所述第四获取模块240包括：

关联得分图获取模块，分别将所述第一连接图和所述第二连接图中的每根连线与所述连线响应图中的每根连线进行位置匹配，获取用于表征匹配程度的关联得分图。

真实位置获取模块，用于基于所述关联得分图和全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。

作为一种实施方式，所述关联得分图获取模块包括：

采样模块，用于基于预设采样值，分别对所述第一连接图和第二连接图中的每根连线进行间隔采样，获取多组采样点，并将所述多组采样点的位置与所述连线响应图中的连线进行位置匹配，获取多组用于表征匹配程度的得分。

关联得分图获取子模块，用于对每组得分求和，获得关联得分图。

本实施例对测量脊柱弯曲的装置的各功能模块实现各自功能的过程，请参见上述图1至图2所示实施例中描述的内容，此处不再赘述。

此外，本发明实施例还提供了一种电子设备100，包括处理器130以及与所述处理器连接的存储器110，所述存储器110内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备100执行实施例中任意一项实施方式所提供的测量脊柱弯曲的方法。其中，电子设备100的结构示意图可以参看图1。

此外，本发明实施例还提供了一种计算机可读存储介质，在该计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行本发明实施方式所提供的测量脊柱弯曲的方法。

综上所述，本发明实施例提出的测量脊柱弯曲的方法及装置，首先，通过将待检测脊柱的图像输入预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；然后，基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；最后，基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。本发明利用所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，提高Cobb角的计算精度。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种测量脊柱弯曲的方法，其特征在于，所述方法包括：

获取待检测脊柱的图像；

将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线；

基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；

基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线；

基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

2.根据权利要求1所述的方法，其特征在于，角点包括：左上角点、右上角点、左下角点、右下角点；上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，下沿线为同一个脊柱体的所述左下角点和右下角点之间的线；将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置，包括：

将所述图像输入到预先训练好的神经网络模型，获取每个像素点上出现上沿线和下沿线的概率的第一概率图以及角点的概率的第二概率图；

基于所述第一概率图中的概率值和第一预设门限值，获取第三概率图；

基于所述第二概率图中的概率值和第二预设门限值，获取第四概率图；

基于预设筛选准则，分别对所述第三概率图中的概率值和所述第四概率图中的概率值进行筛选，分别得到第五概率图和第六概率图；

基于所述第五概率图，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图，基于所述第六概率图，获取每个脊柱体的所有角点的坐标位置。

3.根据权利要求2所述的方法，其特征在于，包括：基于预设筛选准则，分别对所述第三概率图中的概率值和所述第四概率图中的概率值进行筛选，分别得到第五概率图和第六概率图，包括：

基于第一预设步长，对所述第三概率图中的概率值进行筛选，得到第五概率图；

基于第二预设步长，对所述第四概率图中的概率值进行筛选，得到第六概率图。

4.根据权利要求1所述的方法，其特征在于，基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线，包括：

分别将所述第一连接图和所述第二连接图中的每根连线与所述连线响应图中的每根连线进行位置匹配，获取用于表征匹配程度的关联得分图；

基于所述关联得分图和全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。

5.根据权利要求4所述的方法，其特征在于，分别将所述第一连接图和所述第二连接图中的每根连线与所述连线响应图中的每根连线进行位置匹配，获取关联得分图，包括：

基于预设采样值，分别对所述第一连接图和第二连接图中的每根连线进行间隔采样，获取多组采样点，并将所述多组采样点的位置与所述连线响应图中的每根连线进行位置匹配，获取多组用于表征匹配程度的得分；

对每组得分求和，获得关联得分图。

6.一种测量脊柱弯曲的装置，其特征在于，所述装置包括：

第一获取模块，用于获取待检测脊柱的图像；

输入模块，用于将所述图像输入到预先训练好的神经网络模型，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图和每个脊柱体的所有角点的坐标位置；其中，所述角点包括：左上角点、右上角点、左下角点、右下角点；所述上沿线为同一个脊柱体的所述左上角点和所述右上角点之间的线，所述下沿线为同一个脊柱体的所述左下角点和右下角点之间的线；

第二获取模块，用于基于所有角点的坐标位置，将每个左上角点和每个右上角点连接，获取第一连接图，以及将每个右上角点和每个右下角点连接，获取第二连接图；

第四获取模块，用于基于所述连线响应图、所述第一连接图、所述第二连接图以及全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线，其中，所述真实上沿线为连接同一脊柱体的所述左上角点和所述右上角点的线，所述真实下沿线为连接连接同一脊柱体的所述左下角点和所述右下角点的线；

第五获取模块，用于基于每个脊柱体的上沿线和下沿线，获取用于表征所述待检测脊柱弯曲情况的Cobb角。

7.根据权利要求6所述的装置，其特征在于，所述第二获取模块包括：

第一概率图获取模块，用于将所述图像输入到预先训练好的神经网络模型，获取每个像素点上出现上沿线和下沿线的概率的第一概率图以及角点的概率的第二概率图；

第二概率图获取模块，用于基于所述第一概率图中的概率值和第一预设门限值，获取第三概率图；

第三概率图获取模块，用于基于所述第二概率图中的概率值和第二预设门限值，获取第四概率图；

筛选模块，基于预设筛选准则，分别对所述第三概率图中的概率值和所述第四概率图中的概率值进行筛选，分别得到第五概率图和第六概率图；

位置获取模块，基于所述第五概率图，获取用于表征每个脊柱体的上沿线和下沿线位置的连线响应图，基于所述第六概率图，获取每个脊柱体的所有角点的坐标位置。

8.根据权利要求7所述的装置，其特征在于，所述筛选模块包括：

第一筛选子模块，用于基于第一预设步长，对所述第三概率图中的概率值进行筛选，得到第五概率图；

第二筛选子模块，用于基于第二预设步长，对所述第四概率图中的概率值进行筛选，得到第六概率图。

9.根据权利要求6所述的装置，其特征在于，所述第四获取模块包括：

关联得分图获取模块，分别将所述第一连接图和所述第二连接图中的每根连线与所述连线响应图中的每根连线进行位置匹配，获取用于表征匹配程度的关联得分图；

真实位置获取模块，用于基于所述关联得分图和全局最优准则，获取每个脊柱体的真实上沿线和真实下沿线。

10.根据权利要求9所述的装置，其特征在于，所述关联得分图获取模块包括：

采样模块，用于基于预设采样值，分别对所述第一连接图和第二连接图中的每根连线进行间隔采样，获取多组采样点，并将所述多组采样点的位置与所述连线响应图中的连线进行位置匹配，获取多组用于表征匹配程度的得分；

关联得分图获取子模块，用于对每组得分求和，获得关联得分图。