CN109919935B - 一种头颈体血管分割方法及设备 - Google Patents

Abstract

本发明公开了一种头颈体血管分割方法及设备，所述方法包括：获得头颈体原始图像；对所述头颈体原始图像进行分析，得到颈骨区域；根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；分别对所述颈部区域图像、所述颅内区域图像和所述体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像。本发明通过寻找颈骨区域，然后根据颈骨区域分别寻找到颈部、颅内和体区域图像的方法来实现对颈部、颅内和体区域分别进行分割预测，能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。

Description

一种头颈体血管分割方法及设备

技术领域

本发明涉及医学成像领域，尤其涉及一种头颈体血管分割方法及设备。

背景技术

随着科学技术的不断发展，造影成像技术已经越来越多的应用在医疗诊断中，自动化头颈体血管分割对自动化头颈血管重建具有重要的临床价值和实际意义。

在进行自动化头颈血管重建时，一般考虑利用神经网络来实现对头颈体血管的分割，但是实际情况中，由于神经网络训练的对象数据即为头颈体的CT扫描图像，而整个头颈体所对应的CT图像体数据非常庞大，如果直接对整个头颈体所对应的CT图像体数据进行训练可能会导致无法运行或即使能够进行训练所得到的分割结果也十分粗糙。因此，如何对头颈体数据进行处理以得到较佳头颈体血管分割结果成为当前亟待解决的问题。

发明内容

为解决上述问题，本发明提供一种头颈体血管分割方法及设备。

一方面，本发明提供一种头颈体血管分割方法，所述方法包括：获得头颈体原始图像；对所述头颈体原始图像进行分析，得到颈骨区域；根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；分别对所述颈部区域图像、所述颅内区域图像和所述体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像。

在一可实施方式中，所述对所述头颈体原始图像进行分析，得到颈骨区域包括：通过设定CT阈值提取所述头颈体原始图像中的骨区域；通过定位算法提取所述骨区域中的颈骨区域。

在一可实施方式中，所述根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像包括：在所述头颈体原始图像上将所述颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

在一可实施方式中，所述对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像包括：通过设定参数对所述颈骨区域、原始颅内区域和原始体区域进行边界调整，得到颈部预测区域、颅内预测区域和体预测区域；对所述颈部预测区域、颅内预测区域和体预测区域进行边界预测，得到颈部区域图像、颅内区域图像和体区域图像。

在一可实施方式中，所述对所述颅内区域图像进行分割处理，得到颅内血管图像包括：对所述颅内区域图像进行多次分割预测，得到多个原始颅内血管预测结果；对所述多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像。

在一可实施方式中，所述对所述多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像包括：获得对应于所述颅内区域图像的原始标注；根据所述多个原始颅内血管预测结果和所述原始标注进行训练，得到颅内血管整合模型；根据所述颅内血管整合模型训练所述多个原始颅内血管预测结果，得到颅内血管图像；或，对所述多个原始颅内血管进行叠加互补，得到颅内血管图像。

在一可实施方式中，所述对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像包括：分别提取所述颈部血管图像与颅内血管图像及所述颈部血管图像与主动脉图像之间的相邻边界对应坐标值；根据所提取的相邻边界对应坐标值拼接所述颈部血管图像、颅内血管图像和主动脉图像，得到头颈体血管图像。

本发明另一方面提供一种头颈体血管分割设备，所述设备包括：原始图像获取模块，用于获得头颈体原始图像；颈部区域分析模块，用于对所述头颈体原始图像进行分析，得到颈骨区域；原始图像分析模块，用于根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；图像分割模块，用于分别对所述颈部区域图像、所述颅内区域图像和所述体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；整合模块，用于对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像。

在一可实施方式中，所述颈部区域分析模块包括：骨区域提取单元，用于通过设定CT阈值提取所述头颈体原始图像中的骨区域；颈骨区域提取单元，用于通过定位算法提取所述骨区域中的颈骨区域。

在一可实施方式中，所述原始图像分析模块包括：区域确定单元，用于在所述头颈体原始图像上将所述颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；边界分析单元，用于对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

本发明为解决传统方法由于整个头颈体所对应的CT图像体数据非常庞大，直接进行训练可能会导致无法运行或分割结果十分粗糙的问题，特通过获得并分析头颈体原始图像，得到颈骨区域，并根据颈骨区域对头颈体原始图像进行分析，从而将整个头颈体原始图像分成颈部、颅内和体的三块区域图像，即得到颈部区域图像、颅内区域图像和体区域图像。这样能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。然后再对所得到的颈部区域图像、颅内区域图像和体区域图像分别进行分割处理，从而得到对应的颈部血管图像、颅内血管图像和主动脉图像，最后进行对应整合，得到对头颈体各个区域都准确分割的头颈体血管图像。本发明通过对头颈体原始图像寻找颈骨区域，然后根据颈骨区域分别寻找到颈部、颅内和体区域图像的方法，来实现对颈部、颅内和体区域分别进行分割预测，能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。

附图说明

图1为本发明一实施例所提供的一种头颈体血管分割方法的实现流程示意图；

图2a为本发明一实施例所提供的一种头颈体原始图像的示意图；

图2b为本发明一实施例所提供的一种头颈体原始图像中颈骨区域的示意图；

图2c为本发明一实施例所提供的一种头颈体血管图像的示意图；

图3为本发明一实施例所提供的一种头颈体血管分割设备的组成结构示意图。

具体实施方式

为使本发明的目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。

图1为本发明一实施例所提供的一种头颈体血管分割方法的实现流程示意图；

图2a为本发明一实施例所提供的一种头颈体原始图像的示意图；

图2b为本发明一实施例所提供的一种头颈体原始图像中颈骨区域的示意图；

图2c为本发明一实施例所提供的一种头颈体血管图像的示意图；

请参考图1、图2a、图2b和图2c。

本发明提供一种头颈体血管分割方法，方法包括：

步骤101，获得头颈体原始图像；

步骤102，对头颈体原始图像进行分析，得到颈骨区域；

步骤103，根据颈骨区域对头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；

步骤104，分别对颈部区域图像、颅内区域图像和体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；

步骤105，对颈部血管图像、颅内血管图像和主动脉图像进行整合，得到头颈体血管图像。

本发明为解决传统方法由于整个头颈体所对应的CT图像体数据非常庞大，直接进行训练可能会导致无法运行或分割结果十分粗糙的问题，特通过步骤101和步骤102获得并分析如图2a所示的头颈体原始图像，得到如图2b所示的颈骨区域，并通过步骤103根据颈骨区域对头颈体原始图像进行分析，从而将整个头颈体原始图像分成颈部、颅内和体的三块区域图像，即得到颈部区域图像、颅内区域图像和体区域图像。这样能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。然后再通过步骤104对所得到的颈部区域图像、颅内区域图像和体区域图像分别进行分割处理，从而得到对应的颈部血管图像、颅内血管图像和主动脉图像，如图2c中所示，上部框选区域为颈部区域图像所对应的颅内血管图像，中间框选区域为颈部血管图像，下部框选区域内表示主动脉图像。最后通过步骤105进行对应整合，得到对头颈体各个区域都准确分割的头颈体血管图像。本发明通过对头颈体原始图像寻找颈骨区域，然后根据颈骨区域分别寻找到颈部、颅内和体区域图像的方法，来实现对颈部、颅内和体区域分别进行分割预测，能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。

在一可实施方式中，对头颈体原始图像进行分析，得到颈骨区域包括：

通过设定CT阈值提取头颈体原始图像中的骨区域；

通过定位算法提取骨区域中的颈骨区域。

由于颈骨在整个头颈中是最细的部分，其物理特征非常明显，因此可以先通过设定CT阈值可以将头颈体原始图像中的骨区域提取出来，如对图2a所示的头颈体CT图像，根据骨CT范围来设定CT阈值，进而根据设定CT阈值进行提取，得到如图2b所示的包括有头颈体所有骨的骨区域。然后再对所提取出的骨区域通过定位算法查找到骨径最细的颈骨区域，得到如图2b中框选区所示的颈骨区域。具体可以为，查找骨区域中骨径最细的颈骨中心线，然后分别沿颈骨中心线的上下两个方向查找上下两侧骨径突变点，所得的上侧骨径突变点到下侧骨径突变点之间的区域即为颈骨区域。这样，对头颈体原始图像通过设定CT阈值来查找骨区域，再进一步根据颈骨特征通过定位算法来进行颈骨区域提取的方法，能够有效提高颈骨区域查找的准确性和可靠性，从而有利于对颈部区域、颅内区域和体区域的准确提取，进而有利于提高血管分割效果。

在一可实施方式中，根据颈骨区域对头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像包括：

在头颈体原始图像上将颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；

对颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

本发明实施例根据头颈体的相对位置特征，将如图2b框选区所示的颈骨区域上方区域确定为原始颅内区域，颈骨区域下方区域确定为原始体区域，这样就得到了粗略的三块划分区域。然后可以通过神经网络等算法对所得到的颈骨区域、原始颅内区域和原始体区域进行边界预测分析，当区域边界过大时，将区域边界内移，以获得较为精确的范围，便于进行血管分割；当区域边界过小，未包括区域内全部血管数据时，则将区域边界外移，以获得区域内全部血管数据，有利于保证血管分割预测的完整性和可靠性。

在一可实施方式中，对颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像包括：

通过设定参数对颈骨区域、原始颅内区域和原始体区域进行边界调整，得到颈部预测区域、颅内预测区域和体预测区域；

对颈部预测区域、颅内预测区域和体预测区域进行边界预测，得到颈部区域图像、颅内区域图像和体区域图像。

本发明实施例中的设定参数为本领域专业人员根据大量临床经验所得的，根据颈骨区域与颈部预测区域、颅内预测区域和体预测区域之间的比例关系而设定得调整参数。根据这样的设定参数对颈骨区域、原始颅内区域和原始体区域进行调整，便能得到更加较准确的颈部预测区域、颅内预测区域和体预测区域。然后再通过算法对所得到的区域边界进行边界预测调整，使所得到的区域内能够包括有区域内血管的完整数据，从获得更加准确的颈部区域图像、颅内区域图像和体区域图像。

在一可实施方式中，对颅内区域图像进行分割处理，得到颅内血管图像包括：

对颅内区域图像进行多次分割预测，得到多个原始颅内血管预测结果；

对多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像。

如图2c中所示，由于颅内区域的血管较细而且分布较为密集，很容易出现分割预测血管断裂等问题，因此本发明实施例通过对颅内区域图像进行多次分割预测，从而得到多个原始颅内血管预测结果，然后再利用所得的多个原始颅内血管预测结果进行预测结果互补处理，使得部分分割结果中的血管断裂处能够被其他分割结果中的完整处修补完整，从而提高血管断裂的修复效果。本发明实施例中，对颅内区域图像进行分割预测的次数越多，所得到的原始颅内血管预测结果也越多，就越有利于修复分割结果中的个别位置的断裂情况，从而整合得到较好的颅内血管图像。

在一可实施方式中，对多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像包括：

获得对应于颅内区域图像的原始标注；

根据多个原始颅内血管预测结果和原始标注进行训练，得到颅内血管整合模型；

根据颅内血管整合模型训练多个原始颅内血管预测结果，得到颅内血管图像；

或，

对多个原始颅内血管进行叠加互补，得到颅内血管图像。

本发明实施例对多个原始颅内血管预测结果进行互补整合处理，可以通过两种方式，其一为通过神经网络训练的方法，先获得颅内区域图像所对应的原始标注，然后根据所获得的多个原始颅内血管预测结果和原始标注进行训练，得到具有整合学习能力的颅内血管整合模型，再根据颅内血管整合模型对多个原始颅内血管预测结果进行训练，就实现了整合成颅内血管图像的效果。这种通过神经网络训练来整合模型的方法精确度较高，能够解决如静脉、断裂等较多血管异常情况，达到较好的分割效果。本发明实施例还可以通过将多个原始颅内血管进行简单叠加互补的方法来解决血管断裂问题，方法简单而可靠，能够得到较好的颅内血管分割效果。

在一可实施方式中，对颈部血管图像、颅内血管图像和主动脉图像进行整合，得到头颈体血管图像包括：

分别提取颈部血管图像与颅内血管图像及颈部血管图像与主动脉图像之间的相邻边界对应坐标值；

根据所提取的相邻边界对应坐标值拼接颈部血管图像、颅内血管图像和主动脉图像，得到头颈体血管图像。

由于颈部血管图像的上下边界坐标值分别与颅内血管图像和主动脉图像重合，因此，本发明实施例只需通过提取颈部血管图像与颅内血管图像及颈部血管图像与主动脉图像之间的相邻边界对应坐标值，即可根据此相邻边界坐标值将颅内血管图像下边界与颈部血管图像上边界进行拼接，同样的，将主动脉图像上边界与颈部血管图像下边界进行拼接，即可得到头颈体血管图像。这样所得到的头颈体血管图像各个区域均有较好的分割效果，而且血管数据较为完整可靠。当然，颈部血管图像的上下边界也可以分别与颅内血管图像和主动脉图像不完全对应重合，只要能根据相邻边界对应坐标值实现将颅内血管图像下边界与颈部血管图像上边界进行拼接，以及将主动脉图像上边界与颈部血管图像下边界进行拼接的效果即可，连接处还可通过传统算法或神经网络训练的方法使其更好的完成整合效果。

图3为本发明一实施例所提供的一种头颈体血管分割设备的组成结构示意图，请参考图3。

本发明另一方面提供一种头颈体血管分割设备，设备包括：

原始图像获取模块201，用于获得头颈体原始图像；

颈部区域分析模块202，用于对头颈体原始图像进行分析，得到颈骨区域；

原始图像分析模块203，用于根据颈骨区域对头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；

图像分割模块204，用于分别对颈部区域图像、颅内区域图像和体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；

整合模块205，用于对颈部血管图像、颅内血管图像和主动脉图像进行整合，得到头颈体血管图像。

本发明为解决传统方法由于整个头颈体所对应的CT图像体数据非常庞大，直接进行训练可能会导致无法运行或分割结果十分粗糙的问题，特通过原始图像获取模块201和颈部区域分析模块202获得并分析如图2a所示的头颈体原始图像，得到如图2b所示的颈骨区域，并通过原始图像分析模块203根据颈骨区域对头颈体原始图像进行分析，从而将整个头颈体原始图像分成颈部、颅内和体的三块区域图像，即得到颈部区域图像、颅内区域图像和体区域图像。这样能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。然后再通过图像分割模块204对所得到的颈部区域图像、颅内区域图像和体区域图像分别进行分割处理，从而得到对应的颈部血管图像、颅内血管图像和主动脉图像，如图2c中所示，上部框选区域为颈部区域图像所对应的颅内血管图像，中间框选区域为颈部血管图像，下部框选区域内表示主动脉图像。最后通过整合模块205进行对应整合，得到对头颈体各个区域都准确分割的头颈体血管图像。本发明通过对头颈体原始图像寻找颈骨区域，然后根据颈骨区域分别寻找到颈部、颅内和体区域图像的方法，来实现对颈部、颅内和体区域分别进行分割预测，能大大减小分割训练的运行负荷，有利于生成准确率更高，更加精细的分割结果。

在一可实施方式中，颈部区域分析模块202包括：

骨区域提取单元，用于通过设定CT阈值提取头颈体原始图像中的骨区域；

颈骨区域提取单元，用于通过定位算法提取骨区域中的颈骨区域。

由于颈骨在整个头颈中是最细的部分，其物理特征非常明显，因此可以先通过骨区域提取单元设定CT阈值将头颈体原始图像中的骨区域提取出来，如对图2a所示的头颈体CT图像，根据骨CT范围来设定CT阈值，进而根据设定CT阈值进行提取，得到如图2b所示的包括有头颈体所有骨的骨区域。然后再通过颈骨区域提取单元对所提取出的骨区域通过定位算法查找到骨径最细的颈骨区域，得到如图2b中框选区所示的颈骨区域。具体可以为，查找骨区域中骨径最细的颈骨中心线，然后分别沿颈骨中心线的上下两个方向查找上下两侧骨径突变点，所得的上侧骨径突变点到下侧骨径突变点之间的区域即为颈骨区域。这样，对头颈体原始图像通过设定CT阈值来查找骨区域，再进一步根据颈骨特征通过定位算法来进行颈骨区域提取的方法，能够有效提高颈骨区域查找的准确性和可靠性，从而有利于对颈部区域、颅内区域和体区域的准确提取，进而有利于提高血管分割效果。

在一可实施方式中，原始图像分析模块203包括：

区域确定单元，用于在头颈体原始图像上将颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；

边界分析单元，用于对颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

本发明实施例中的区域确定单元根据头颈体的相对位置特征，将如图2b框选区所示的颈骨区域上方区域确定为原始颅内区域，颈骨区域下方区域确定为原始体区域，这样就得到了粗略的三块划分区域。然后通过边界分析单元利用神经网络等算法对所得到的颈骨区域、原始颅内区域和原始体区域进行边界预测分析，当区域边界过大时，将区域边界内移，以获得较为精确的范围，便于进行血管分割；当区域边界过小，未包括区域内全部血管数据时，则将区域边界外移，以获得区域内全部血管数据，有利于保证血管分割预测的完整性和可靠性。

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以所述权利要求的保护范围为准。

Claims (10)

1.一种头颈体血管分割方法，其特征在于，所述方法包括：

获得头颈体原始图像；

对所述头颈体原始图像进行分析，得到颈骨区域；

根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；

分别对所述颈部区域图像、所述颅内区域图像和所述体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；

对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像。

2.根据权利要求1所述的方法，其特征在于，所述对所述头颈体原始图像进行分析，得到颈骨区域包括：

通过设定CT阈值提取所述头颈体原始图像中的骨区域；

通过定位算法提取所述骨区域中的颈骨区域。

3.根据权利要求2所述的方法，其特征在于，所述根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像包括：

在所述头颈体原始图像上将所述颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；

对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

4.根据权利要求3所述的方法，其特征在于，所述对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像包括：

通过设定参数对所述颈骨区域、原始颅内区域和原始体区域进行边界调整，得到颈部预测区域、颅内预测区域和体预测区域；

对所述颈部预测区域、颅内预测区域和体预测区域进行边界预测，得到颈部区域图像、颅内区域图像和体区域图像。

5.根据权利要求1所述的方法，其特征在于，所述对所述颅内区域图像进行分割处理，得到颅内血管图像包括：

对所述颅内区域图像进行多次分割预测，得到多个原始颅内血管预测结果；

对所述多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像。

6.根据权利要求5所述的方法，其特征在于，所述对所述多个原始颅内血管预测结果进行互补整合处理，得到颅内血管图像包括：

获得对应于颅内区域图像的原始标注；

根据多个原始颅内血管预测结果和所述原始标注进行训练，得到颅内血管整合模型；

根据所述颅内血管整合模型训练所述多个原始颅内血管预测结果，得到颅内血管图像；

或，

对所述多个原始颅内血管进行叠加互补，得到颅内血管图像。

7.根据权利要求1所述的方法，其特征在于，所述对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像包括：

分别提取所述颈部血管图像与颅内血管图像及所述颈部血管图像与主动脉图像之间的相邻边界对应坐标值；

根据所提取的相邻边界对应坐标值拼接所述颈部血管图像、颅内血管图像和主动脉图像，得到头颈体血管图像。

8.一种头颈体血管分割设备，其特征在于，所述设备包括：

原始图像获取模块，用于获得头颈体原始图像；

颈部区域分析模块，用于对所述头颈体原始图像进行分析，得到颈骨区域；

原始图像分析模块，用于根据所述颈骨区域对所述头颈体原始图像进行分析，得到颈部区域图像、颅内区域图像和体区域图像；

图像分割模块，用于分别对所述颈部区域图像、所述颅内区域图像和所述体区域图像进行分割处理，得到颈部血管图像、颅内血管图像和主动脉图像；

整合模块，用于对所述颈部血管图像、所述颅内血管图像和所述主动脉图像进行整合，得到头颈体血管图像。

9.根据权利要求8所述的设备，其特征在于，所述颈部区域分析模块包括：

骨区域提取单元，用于通过设定CT阈值提取所述头颈体原始图像中的骨区域；

颈骨区域提取单元，用于通过定位算法提取所述骨区域中的颈骨区域。

10.根据权利要求9所述的设备，其特征在于，所述原始图像分析模块包括：

区域确定单元，用于在所述头颈体原始图像上将所述颈骨区域上方区域和下方区域分别确定为原始颅内区域和原始体区域；

边界分析单元，用于对所述颈骨区域、原始颅内区域和原始体区域进行边界分析，得到颈部区域图像、颅内区域图像和体区域图像。

Images