CN109919903B

CN109919903B - 一种脊椎检测定位标记方法、系统及电子设备

Info

Publication number: CN109919903B
Application number: CN201811626424.3A
Authority: CN
Inventors: 张剑锋; 吴迪嘉; 詹翊强
Original assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Current assignee: Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date: 2018-12-28
Filing date: 2018-12-28
Publication date: 2020-08-07
Anticipated expiration: 2038-12-28
Also published as: CN109919903A

Abstract

本发明公开了一种脊椎检测定位标记方法、系统及电子设备，该方法包括：将待检测图像输入神经网络模型，得到N+1概率图，其中，N为待检测定位的脊椎中心点的个数；基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点；利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。本发明将深度神经网络与动态规划算法相结合来实现对脊椎进行检测定位标记，检测过程非常快且检测结果的准确性和鲁棒性都比较高。

Description

一种脊椎检测定位标记方法、系统及电子设备

技术领域

本发明涉及图像处理技术领域，尤其涉及一种脊椎检测定位标记方法、系统及电子设备。

背景技术

人体脊柱的检测和标定能有助于脊椎病的诊断，进而为脊椎病理的判断、治疗方案的确定奠定良好的基础，如在肋骨骨折检测应用中，检测出24个脊椎中心点的位置，可以对脊柱或者肋骨上的各种病灶和骨折进行精确定位，具有非常重要的临床意义。

现有技术中通常采用手动标记脊椎点的方法进行脊柱标定，该方法要求医生必须具有足够丰富的经验，才能保证标记的准确性，特别是在处理仅仅包含部分脊椎的图像时，由于每节脊椎骨之间具有高度的重复性，其在形态学表现上，差异较小，很难鉴别，发生错误的概率大大增加。另一方面，手动标记脊椎点的方法通常需要耗费医生大量的精力，容易导致医生疲劳乏力，因而也会增大误操作的可能。

除了手动标记外，现有技术中也出现了很多基于传统算法和深度学习的关键点检测方法。然而，由于相邻脊椎中心距离非常近，具有高度相似的特征，病人的病理情况如脊柱侧弯或者金属植入支架、钢钉等原因，导致脊椎定位十分困难，从而使现有的关键点检测方法在脊椎检测定位方面的应用受到很大限制。

发明内容

为了解决现有技术中的脊椎检测定位耗时长、误操作概率较大、检测定位结果准确性较低的问题，本发明提供了一种脊椎检测定位标记方法、系统及电子设备。

为了解决上述技术问题，第一方面，本发明提供了一种脊椎检测定位标记方法，所述方法包括：

将待检测图像输入神经网络模型，得到N+1个概率图，其中，N为待检测定位的脊椎中心点的个数；

基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点；

利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

进一步地，所述将待检测图像输入神经网络模型之前，还包括：

在样本图像上获取每个脊椎中心点的三维坐标及其对应的标签；

基于所述脊椎中心点获取训练样本图像；

基于所述训练样本图像和所述标签训练神经网络模型。

进一步地，所述将待检测图像输入神经网络模型，得到N+1个概率图，包括：

从神经网络模型输出的第一个通道获取背景概率图，从输出的其他N个通道获取N个与每一类所述标签相对应的概率图，其中，每个所述概率图中的每个像素点的像素值为该像素点属于该概率图所对应的脊椎标签的概率。

进一步地，所述基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点，包括：

通过预设阈值对每个所述概率图进行二值化处理，得到与每个所述概率图相对应的二值化掩膜，所述二值化掩膜上设置有若干连通域：

将每个所述二值化掩膜与对应的概率图中的对应像素点的像素值相乘，得到每个所述概率图中的若干候选区域；

计算与每个所述二值化掩膜中的每个连通域对应的候选区域中的概率值的加权中心C_i,j和平均概率值P_i,j，将所述加权中心C_i,j和所述平均概率值P_i,j作为每个所述概率图中每一类标签的候选项，其中，C_i,j为第i个脊椎中心第j个候选点的位置，P_i,j为第i个脊椎中心第j个候选点的概率。

进一步地，所述利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，包括：

通过预设约束条件对所述候选项进行几何约束处理，得到一条累计概率最大的脊椎中心链，将所述脊椎中心链中每一类标签对应的点的坐标作为脊椎中心点检测的输出坐标，计算公式如下：

其中，N为待检测定位的脊椎中心点的个数，M为第i个脊椎中心的所有候选点的集合，C_i,j代表为i个脊椎中心第j个候选点的位置，P_i,j为第i个脊椎中心第j个候选点的概率，F为反映两个相邻脊椎中心候选点的相互位置关系符合预设模型的程度的函数。

第二方面，本发明提供了一种脊椎检测定位标记系统，所述系统包括：

待检测图像处理模块，用于将待检测图像输入神经网络模型，得到N+1个概率图，其中，N为待检测定位的脊椎中心点的个数；

候选点获取模块，用于基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点；

检测定位结果获取模块，用于利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

进一步地，所述系统还包括：

标注模块，用于在样本图像上获取每个脊椎中心点的三维坐标及其对应的标签；

训练样本图像获取模块，用于基于所述脊椎中心点获取训练样本图像；

模型训练模块，用于基于所述训练样本图像和所述标签训练神经网络模型。

所述待检测图像处理模块进一步包括：

背景概率图获取单元，用于从神经网络模型输出的第一个通道获取背景的概率图；

标签概率图获取单元，用于从神经网络模型输出的其他N个通道获取N个与每一类所述标签相对应的概率图，其中，每个所述概率图中的每个像素点的像素为该像素点属于该概率图所对应的脊椎标签的概率。

进一步地，所述候选点获取模块进一步包括：

二值化处理单元，用于通过预设阈值对每个所述概率图进行二值化处理，得到与每个所述概率图相对应的二值化掩膜，所述二值化掩膜上设置有若干连通域；

候选区域获取单元，用于将每个所述二值化掩膜与对应的概率图中的对应像素点的像素值相乘，得到每个所述概率图中的若干候选区域；

候选项获取单元，用于计算与每个所述二值化掩膜中的每个连通域对应的候选区域中的概率值的加权中心C_i,j和平均概率值P_i,j，将所述加权中心C_i,j和所述平均概率值P_i,j作为每个所述概率图中每一类标签的候选项，其中，C_i,j为第i个脊椎中心第j个候选点的位置，P_i,j为第i个脊椎中心第j个候选点的概率。

进一步地，所述检测定位结果获取模块包括：

几何约束处理单元，用于通过预设约束条件对所述候选项进行几何约束处理，得到一条累计概率最大的脊椎中心链，将所述脊椎中心链中每一类标签对应的点的坐标作为脊椎中心点检测的输出坐标，计算公式如下：

第三方面，本发明提供了一种电子设备，该电子设备包括：

处理器，适于实现一条或一条以上指令；以及，

存储器，所述存储器存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行上述所述的脊椎检测定位标记方法。

本发明实施例提供的脊椎检测定位标记方法及系统，通过将神经网络与动态规划算法相结合来实现脊椎定位检测，即先通过神经网络模型获取与每个所述待检测定位的脊椎中心点相对应的若干候选点(高概率候选点)，接着利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干高概率候选点中获取脊椎检测定位结果。神经网络与动态规划算法的结合使得整个检测定位过程速度非常快、耗时短，且脊椎检测定位结果精确度高。

附图说明

为了更清楚地说明本发明实施例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作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例提供的脊椎检测定位标记方法的流程图；

图2是本发明实施例提供的脊椎检测定位标记方法的另一种流程图；

图3是本发明实施例提供的训练神经网络模型的流程图；

图4是本发明实施例提供的包含正负样本的图像块、仅包含负样本的图像块以及脊椎中心点之间的位置关系示意图；

图5是本发明实施例提供的神经网络模型结构示意图；

图6是图5的结构框图；

图7是本发明实施例提供的基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点的流程图；

图8是本发明实施例提供的将待检测图像输入神经网络模型后，输出的某一个通道的概率图；

图9是本发明实施例提供的将T1～T12的概率图叠加显示到原图上的效果实体图；

图10是本发明实施例提供的T1～T12脊椎检测定位的检测结果示意图；

图11是本发明实施例提供的脊椎检测定位标记系统的一种结构框图；

图12是本发明实施例提供的脊椎检测定位标记系统的另一种结构框图。

具体实施方式

下面将结合本发明实施例中的附图，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。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。

在本申请所提供的几个实施例中，所描述的系统实施例仅仅是示意性的，例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

实施例1

如图1所示，本实施例提供了一种脊椎检测定位标记方法，所述方法包括：

S110.将待检测图像输入神经网络模型，得到N+1个概率图，具体为，得到的概率图的大小与待检测图像的大小相同，其中，N为待检测定位的脊椎中心点的个数，且N为正整数。

S120.基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点；

本实施例中，候选点，比如可以为高概率候选点。

S130.利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

本实施例中的脊椎检测定位标记方法，通过将神经网络与动态规划算法相结合来实现脊椎定位检测，使得整个定位检测流程速度非常快、耗时短，且提高了脊椎检测定位结果的精确度，鲁棒性较高。

实施例2

如图2所示，本实施例提供了另一种脊椎检测定位标记方法，所述方法包括：

S210.训练神经网络模型；

如图3所示，该步骤具体包括：

S2100.获取样本图像，并对样本图像进行预处理：

该步骤中，把样本图像分别进行滤波并降采样到同样的分辨率(如本实施例使用2mm×2mm×2mm)，样本图像数据送入神经网络模型之前，取合适的固定窗位和窗宽样本把图像的灰度值截断归一化到-1～1之间，以降低深度神经网络模型训练难度，提高其准确性和鲁棒性。

S2110.在样本图像上获取每个脊椎中心点的三维坐标及其对应的标签；

该步骤中，在样本图像上标注脊椎中心点，得到每个脊椎中心点在病人坐标系下的三维坐标和每个脊椎中心点所对应的标签(C1～C7，T1～T12，L1～L5，S1～S9)。其中，C代表颈椎，T代表胸椎，L代表腰椎，S代表骶椎。本实施例中，在训练样本图像时，可以选择全部的标签加入训练，也可以选择特定的区段(如T1～T12的12个标签)，取决于具体的应用。

本实施例中，通过自定义的三维图像标注软件来标注脊椎中心点的三维坐标和每个脊椎中心点所对应的标签，该自定义的三维图像标注软件能够读入dicom，mhd，nii等多种格式的医学图像数据，并以多个视图显示，用户可以在软件中输入一些关键点的名称，并为每个名称交互式的在各视图上点选感兴趣的点，则这些点的名称和其在病人坐标系下的三维坐标信息会自动输出到一定格式的文件保存。

具体标注脊椎中心点及其对应的标签过程如下：

将所述样本图像输入自定义的三维图像标注软件，使所述样本图像以多个视图显示；

在所述自定义的三维图像标注软件中输入脊椎中心点的名称；

在多个所述视图上点选感兴趣的脊椎中心点，其中，所述点选为一次点击操作；

自动输出被点选的脊椎中心点的三维坐标及其对应的标签。

本实施例中采用自定义的三维图像标注软件来标注脊椎中心点及其对应的标签，每个脊椎中心位置只需点选一次即可，方便快捷，因而可以在短时间内获得大量训练样本。

需要说明的是，除了用自定义的三维标注软件来标注脊椎中心点的三维坐标和每个脊椎中心点所对应的标签外，本实施例还可以采用其他标注方法进行标注。

S2120.基于所述脊椎中心点获取训练样本图像；

该步骤中，基于所述脊椎中心点，获取包含正负样本的图像块和仅包含负样本的图像块，具体过程如下：

在所述样本图像上，将标注出的每一个所述脊椎中心点作为起始点，以该起始点在空间中随机方向扰动一定范围内随机距离到某个新的点(比如，将标签C1对应的脊椎中心点向X或Y方向移动一定距离，比如在距离该脊椎中心点10mm的地方找一个新的点)，再以新的点为中心取一个一定大小的图像切块(patch)作为包含正负样本的图像块，在该包含正负样本的图像块内，把未扰动前的原始起点周围一定半径r内的点标记为该类标签的正样本点，r～r+x半径内的点标记为过渡区域点，过渡区域点在训练神经网络模型时不参与loss计算，其他点都标记为负样本点。另外在不包含任意一类标签点的图像区域内随机位置取同样大小的图像块(patch)作为仅包含负样本的图像块，将里面的点全部标记为负样本点。本实施例中获取的包含正负样本的图像块、仅包含负样本的图像块以及脊椎中心点的位置关系，如图4所示，图4中的a为包含正负样本的图像块，b为仅包含负样本的图像块。

本实施例中的包含正负样本的图像块和仅包含负样本的图像块大小相同。

本实施例中之所以以脊椎中心点作为起始点，接着以该起始点在空间中随机方向扰动一定范围内随机距离到某个新的点，然后再以该新的点为中心取训练图像块，而不是直接以该脊椎中心点为中心取训练图像块，是因为在实际测试的时候，关键点的位置可以位于任意位置，并不一定在图像的中心，通过本实施例中的方法可以提高脊椎检测定位准确度和鲁棒性。

S2130.基于所述训练样本图像和所述标签训练神经网络模型，获得最优的模型参数；

该步骤中，基于所述包含正负样本的图像块、所述仅包含负样本的图像块和所述标签训练神经网络模型，具体过程如下：

将所述标签以及按照一定比例分配的所述包含正负样本的图像块和所述仅包含负样本的图像块输入预设的神经网络进行训练，得到经训练的神经网络模型。

本实施例中，按照一定的比例，比如1:1，将包含正负样本的图像块和所述仅包含负样本的图像块输入预设的神经网络进行深度学习模型训练，获取最优的模型参数。当然除了1:1外，还可以采用其他比例，取决于具体应用。

本实施例中，预设的神经网络为v-net网络，本实施例对v-net网络进行了简单的调整，一是将上采样次数和下采样次数均减少为2次，二是调整了输出模块，如图5和图6所示，该v-net网络模型包括输入模块、两个下采样模块、两个上采样模块和输出模块，其中，conv代表卷积操作，transpose-conv代表反卷积操作，bn代表批归一化，relu是一种非线性激活函数，softmax也是一种非线性激活函数，它的输出值在(0,1)区间内，需要注意的是，最后的softmax是在各输出通道之间做的，这样最终输出的各个概率图中对应位置元素的和为1，它们分别代表了原图中当前位置像素属于各个标签类的概率。本实施例不需要达到如器官分割、实例分割等任务所需要的像素级分割精度，为了简化模型，加快模型运行速度，上采样次数和下采样次数均为2次就可以满足要求，当然，也可以根据实际需要调整上采样和下采样的次数，比如调整为5次等。需要说明的是，预设的神经网络不限于v-net网络，也可以采用其他的全卷积神经网络。其中，图6中的实线箭头为网络路径方向，虚线为短路连接(skip connection)，输入模块输出为16通道数据，每个模块下划线后面的数字代表输出的通道数，每个模块由不同数量的conv3d、batch normalization、relu等基础结构组合而成，模块内部可以包含残差网络(res-net)、瓶颈网络(bottle neck)或者密集网络(densenet)等结构。

S220.将待检测图像输入神经网络模型，得到N+1个与所述待检测图像同样大小的概率图，其中，N为待检测定位的脊椎中心点的个数；

该步骤具体包括：

获取待检测图像，并对所述待检测图像进行预处理；

该预处理过程与S2100相同，在此不再赘述。

将所述待检测图像输入经训练的神经网络模型进行检测后，由于我们的网络是全卷积网络，最后会得到N+1个与输入图像同样大小的概率图，即从神经网络模型输出的第一个通道获取背景概率图，从输出的其他N个通道获取N个与每一类所述标签相对应的概率图，其中，每个所述概率图中的每个像素点的像素值为该像素点属于该概率图所对应的脊椎标签的概率。图8所示为ITK-SNAP软件显示的从某一个通道获取的概率图(图8中的a，b，c，d为不同方向的视图，其中c为三维渲染结果的显示处，但由于没有渲染，故c为空白)。因各概率图与待检测图像的大小是一样的，该将概率图叠加到待检测图像上，会出现一个高亮的点。图9是将T1～T12的概率图叠加显示到待检测图像上的效果(图9中的a,b,c,d为不同方向的视图，其中，十字交叉部分为高亮的点)。

S230.基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点，该候选点为高概率候选点；

如图7所示，该步骤具体包括：

S2310.通过预设阈值对每个所述概率图进行二值化处理，得到与每个所述概率图相对应的二值化掩膜，所述二值化掩膜上设置有若干连通域；

本实施例中，二值化掩膜与相对应的概率图大小相等，在该二值化掩膜中会有若干连通域，每个连通域中的像素点的值为1，其他位置的像素点的值为0。

S2320.将每个所述二值化掩膜与对应的概率图中的对应像素点的像素值相乘，得到每个所述概率图中的若干候选区域，该候选区域为高概率值候选区域；

本实施例中，通过element-wise的乘法将每个所述二值化掩膜与对应的概率图相乘，得到每个所述概率图中的若干高概率值区域。element-wise的乘法是对位相乘，即掩膜和概率图这两个同样大小的矩阵对应元素一一相乘，得到的结果还是一个和它们同样大小的矩阵，只是说其中掩膜中值为1的位置的高概率被保留下来了，而掩膜中值为0的位置对应的概率变成0了；

S2330.计算与每个所述二值化掩膜中的每个连通域对应的候选区域(即高概率值候选区域)中的概率值的加权中心C_i,j和平均概率值P_i,j，将所述C_i,j和所述P_i,j作为每个所述概率图中每一类标签的候选项，其中，C_i,j为第i个脊椎中心第j个候选点的位置，P_i,j为第i个脊椎中心第j个候选点的概率；

本实施例中候选区域中的概率值的加权中心C_i,j具体为：以候选区域中每个点的概率值作为其权重，求这些点的一个加权平均坐标中心；

本实施例中，通过该步骤可以得到所有脊椎中心点的所有候选项，每个脊椎中心点均有候选点(可以是0个，代表对该脊椎中心点未找到候选点)，候选点以三维坐标的方式(如，C_i,j)和其对应的概率值(如P_i,j)提供给动态规划算法。

S240.利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，该候选点为高概率候选点；

本实施例中，对于一个输入图像，由S220和S230可以得到图像中包含的N个标签每一类的所有候选项，从每一类的候选项中选出一个来组成一个最优的脊柱中心链，则这条链中每个点的坐标就是我们所求的脊椎中心坐标；

具体算法如下：

其中，N为待检测定位的脊椎中心点的个数，M为第i个脊椎中心的所有候选点的集合，C_i,j代表为i个脊椎中心第j个候选点的位置，P_i,j为第i个脊椎中心第j个候选点的概率，F为反映两个相邻脊椎中心候选点的相互位置关系符合预设模型的程度的函数；

本实施例中的几何约束并不是对每一个候选项内部进行单独的几何约束处理，而是待得到所有脊椎中心点的所有候选项后，一起进行处理，约束是对于相邻脊椎中心点而言的。本实施例预设的约束条件可以为：根据S2110中的标注，可以事先统计大量数据下每个脊椎中心和其他每一个脊椎中心的距离分布(如对T1～T12可以得到

对组合的距离分布)，对S2330中得到的所有候选项，两个相邻脊椎中心各自所在点的平均概率以及它们之间距离符合统计分布的概率的和可以作为一个约束条件(当某个或某几个标签类别在S2330中没有得到候选项时，缺失点两边的点依然可以成对计算约束)。本实施例中通过该约束条件，两两约束使得整条链上累积概率最大的组合方式认为是最优组合。取此组合中每个标签对应的点的坐标作为最终脊椎中心点检测的输出坐标。图10所示为根据本实施例中的检测定位方法得到的T1～T12检测结果。

本实施例中，使用全卷积的深度神经网络，以分割的思想来解决检测问题，在下采样后利用反卷积进行上采样，并与对应层次上下采样之前的特征相结合，最终输出与原始输入图像相同大小的特征概率图，以加权投票的方式得到高概率候选点的位置，然后通过各脊椎中心点本身的几何拓扑关系加以约束，利用动态规划算法从每个脊椎中心点各自的候选点中选出最合理的候选点，得到各个点位置坐标最优的组合。此外，本实施例结果鲁棒，对脊椎扫描不全的图像，仍能得到较好的检测结果。

本实施例取多套试验数据进行测试，将该多套数据分为训练集和测试集，采用本实施例中的S2100-S2130对训练集中的样本图像进行训练，得到经训练的神经网络模型，并采用S220-S230(没有动态规划算法)以及S220-S240(有动态规划算法)分别对测试集中的待检测图像进行检测定位标记，研究结果发现，测试集上标注错误率由10％降低到3％左右，每一个标签检测结果与各自标注结果(标注参见S2110中)之间距离误差的平均值，在测试集上由7mm左右降低到3mm左右(比如，有10个待检测图像，则对T1来说有10个待检测图像各自的标注和检测结果，把这10个结果分别求误差，就有10个误差值，再对这10个误差求平均得到T1的检测误差的平均值，该检测误差的平均值为3mm左右，T2～T12也是一样的流程，这样就得到了12个平均值，这12个平均值的值差不多都是3mm左右)。平均值较大是由于某些数据上某些标签的检测结果完全偏离引起的，如果用中位数来比较的话，会小很多，测试集上中位数由4mm左右降低到2.7mm左右，如表1所示。其中，中位数又称中值，是统计学中的专有名词，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。

本实施例中，标注错误率是指：如果某个检测定位标记过程中的其中一个或多个脊椎标签结果完全超出了它应该在的那个脊椎范围内，则认为这个脊椎标签标定错误。在具体应用中，错误率不是以脊椎中心标记错误多少来统计的，而是以每一个待检测图像(即每一个病例)为单位统计的。例如有100个待检测图像(即100个病例)，在实施例中共需检测1200个脊椎中心点，如果其中3个病例每个病例各有一个脊椎中心点标记错误，则错误率就达到3％了，而不是3/1200＝0.25％，另一方面，如果其中某个病例中的脊椎中心点标记不止错了一个，而是错了几个甚至完全错误，错误率依然是3％，而不是(12+1+1)/1200＝1.17％。对于具体的应用来说，采用本实施例中的上述错误率统计方式比较合理。

表1有无动态规划算法的实验数据对比

实施例3

图11所示，本实施例提供了一种脊椎检测定位标记系统，所述系统包括：

待检测图像处理模块310，用于将待检测图像输入神经网络模型，得到N+1个概率图，具体为得到N+1个与所述待检测图像同样大小的概率图，其中，N为待检测定位的脊椎中心点的个数；

候选点获取模块320，用于基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点，该候选点为高概率候选点；

检测定位结果获取模块330，用于利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

需要说明的是，本实施例中的系统是与实施例1中的方法相对应的，具体的工作原理及流程请参阅实施例1。

实施例4

如图12所示，本实施例公开了另一种脊椎检测定位标记系统，所述系统包括：

标注模块410，用于在样本图像上获取每个脊椎中心点的三维坐标及其对应的标签。

训练样本图像获取模块420，用于基于所述脊椎中心点获取训练样本图像。

模型训练模块430，用于基于所述训练样本图像和所述标签训练神经网络模型。

待检测图像处理模块440，用于将待检测图像输入神经网络模型，得到N+1个概率图，具体为得到N+1个与所述待检测图像同样大小的概率图，其中，N为待检测定位的脊椎中心点的个数；

所述待检测图像处理模块进一步包括：

标签概率图获取单元，用于从神经网络模型输出的其他N个通道获取N个与每一类所述标签相对应的概率图，其中，每个所述概率图中的每个像素点的像素为每个所述待检测脊椎点属于每一类所述标签的概率。

候选点获取模块450，用于基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点，该候选点为高概率候选点；

所述候选点获取模块450进一步包括：

候选区域获取单元，用于将每个所述二值化掩膜与对应的概率图中的对应像素点的像素值相乘，得到每个所述概率图中的若干候选区域，该候选区域为高概率值候选区域；

检测定位结果获取模块460，用于利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，该候选点为高概率候选点；

所述检测定位结果获取模块包括：

需要说明的是，本实施例中的系统是与实施例2中的方法相对应的，具体的工作原理及流程请参阅实施例2。

实施例5

本实施例提供了一种电子设备，该电子设备用于实施上述实施例1或2中提供的脊椎检测定位标记方法。该电子设备可以是诸如PC(PersonalComputer，个人计算机)、手机、PDA(平板电脑)等终端设备，也可以是诸如应用服务器、集群服务器等服务设备。该电子设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，电子设备内的处理器、网络接口及存储器可通过总线或其他方式连接。

其中，处理器(或称CPU(Central Processing Unit，中央处理器))是电子设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)。存储器(Memory)是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器可以是高速RAM存储设备，也可以是非不稳定的存储设备(non-volatile memory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器的存储装置。存储器提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：Windows系统(一种操作系统)，Linux(一种操作系统)，Android(安卓，一种移动操作系统)系统、IOS(一种移动操作系统)系统等等，本发明对此并不作限定；并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本实施例中，处理器加载并执行存储器中存放的一条或一条以上指令，以实现上述方法实施例提供的脊椎检测定位标记方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims

1.一种脊椎检测定位标记方法，其特征在于，包括：

利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，具体为：基于每个所述待检测定位的脊椎中心点相对应的若干候选点的位置坐标，确定每个所述待检测定位的脊椎中心点相对应的相邻两个候选点的相互位置关系；以每个所述待检测定位的脊椎中心点相对应的若干候选点属于相应标签的概率和每个所述待检测定位的脊椎中心点相对应的相邻两个候选点的相互位置关系作为预设约束条件，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

2.根据权利要求1所述的脊椎检测定位标记方法，其特征在于，所述将待检测图像输入神经网络模型之前，还包括：

基于所述脊椎中心点获取训练样本图像；

基于所述训练样本图像和所述标签训练神经网络模型。

3.根据权利要求2所述的脊椎检测定位标记方法，其特征在于，所述将待检测图像输入神经网络模型，得到N+1个概率图，包括：

从神经网络模型输出的第一个通道获取背景概率图，从输出的其他N个通道获取N个与每一类所述标签相对应的概率图。

4.根据权利要求2所述的脊椎检测定位标记方法，其特征在于，所述基于N个所述概率图，获取与每个所述待检测定位的脊椎中心点相对应的若干候选点，包括：

通过预设阈值对每个所述概率图进行二值化处理，得到与每个所述概率图相对应的二值化掩膜，所述二值化掩膜上设置有若干连通域；

计算与每个所述二值化掩膜中的每个连通域对应的候选区域中的概率值的加权中心和平均概率值，将所述加权中心和所述平均概率值作为每个所述概率图中每一类标签的候选项。

5.根据权利要求4所述的脊椎检测定位标记方法，其特征在于，所述利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，包括：

通过所述预设约束条件对所述候选项进行几何约束处理，得到一条累计概率最大的脊椎中心链，将所述脊椎中心链中每一类标签对应的点的坐标作为脊椎中心点检测的输出坐标。

6.一种脊椎检测定位标记系统，其特征在于，所述系统包括：

检测定位结果获取模块，用于利用动态规划算法，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果，具体为：基于每个所述待检测定位的脊椎中心点相对应的若干候选点的位置坐标，确定每个所述待检测定位的脊椎中心点相对应的相邻两个候选点的相互位置关系；以每个所述待检测定位的脊椎中心点相对应的若干候选点属于相应标签的概率和每个所述待检测定位的脊椎中心点相对应的相邻两个候选点的相互位置关系作为预设约束条件，从所述与每个所述待检测定位的脊椎中心点相对应的若干候选点中获取脊椎检测定位结果。

7.根据权利要求6所述的脊椎检测定位标记系统，其特征在于，

所述系统还包括：

模型训练模块，用于基于所述训练样本图像和所述标签训练神经网络模型；

所述待检测图像处理模块进一步包括：

标签概率图获取单元，用于从神经网络模型输出的其他N个通道获取N个与每一类所述标签相对应的概率图。

8.根据权利要求7所述的脊椎检测定位标记系统，其特征在于，所述候选点获取模块进一步包括：

候选项获取单元，用于计算与每个所述二值化掩膜中的每个连通域对应的候选区域中的概率值的加权中心和平均概率值，将所述加权中心和所述平均概率值作为每个所述概率图中每一类标签的候选项。

9.根据权利要求8所述的脊椎检测定位标记系统，其特征在于，所述检测定位结果获取模块包括：

几何约束处理单元，用于通过所述预设约束条件对所述候选项进行几何约束处理，得到一条累计概率最大的脊椎中心链，将所述脊椎中心链中每一类标签对应的点的坐标作为脊椎中心点检测的输出坐标。

10.一种电子设备，其特征在于，包括：

处理器，适于实现一条或一条以上指令；以及，

存储器，所述存储器存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-5任一项所述的脊椎检测定位标记方法。