CN110827285B - 软骨厚度检测方法、装置、计算机设备和可读存储介质 - Google Patents

Abstract

本发明涉及一种软骨厚度检测方法、装置、计算机设备和可读存储介质，该方法包括：将医学图像输入分割模型，得到对目标结构的分割图像；目标结构包括骨头和软骨；根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面；获取软骨的第二表面上的各点与软骨的第一表面之间的间距；根据各间距，得到软骨的厚度，该方法采用分割模型能够得到比较准确地目标结构的分割图像，进而能够准确地根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面，提高了获取的软骨的第二表面上的各点与软骨第一表面之间的间距的准确度，进而提高了根据软骨第二表面上的各点与软骨第一表面之间的间距确定的软骨厚度的准确度。

Description

软骨厚度检测方法、装置、计算机设备和可读存储介质

技术领域

本发明涉及医学影像处理领域，特别是涉及一种软骨厚度检测方法、装置、计算机设备和可读存储介质。

背景技术

膝关节临床常见疾病包括骨性关节炎、半月板损伤、软骨异常等。膝关节骨性关节炎作为典型骨伤科病症，其产生与创伤、膝关节退行性病变、过度劳累等存在紧密的关联性，主要症状为膝关节肿胀、膝关节僵硬、膝关节弹响和活动受限等。根据不同患者的膝关节磁共振(Magnetic Resonance,MR)图像，医生可以根据患者的软骨损伤程度制定不同的治疗方案，而膝关节的股骨软骨/胫骨软骨的体积和厚度是医生诊断患者的软骨损伤程度的重要指标。

传统技术中，对于不同等级的骨性关节炎，主要是依靠专业的医生对患者的实际情况进行判断，需要医生查阅患者拍的MR图像的每层图像，得到膝关节的股骨软骨/胫骨软骨的体积和厚度，从而对患者的疾病等级进行判断。

但是，传统技术中，存在对股骨软骨/胫骨软骨的体积和厚度诊断不准确的问题。

发明内容

基于此，有必要针对传统技术中，存在对股骨软骨/胫骨软骨的体积和厚度诊断不准确的问题，提供一种软骨厚度检测方法、装置、计算机设备和可读存储介质。

第一方面，本发明实施例提供一种软骨厚度检测方法，所述方法包括：

将医学图像输入分割模型，得到目标结构的分割图像；所述目标结构包括骨头和软骨；

根据所述目标结构的分割图像，区分所述软骨的第一表面和所述软骨的第二表面；

获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

根据各所述间距，得到所述软骨的厚度。

第二方面，本发明实施例提供一种软骨厚度检测装置，所述装置包括：

分割模块，用于将医学图像输入分割模型，得到目标结构的分割图像；所述目标结构包括骨头和软骨；

区分模块，用于根据所述目标结构的分割图像，区分所述软骨的第一表面和所述软骨的第二表面；

第一获取模块，用于获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

第二获取模块，用于根据各所述间距，得到所述软骨的厚度。

第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

将医学图像输入分割模型，得到目标结构的分割图像；所述目标结构包括骨头和软骨；

根据所述目标结构的分割图像，区分所述软骨的第一表面和所述软骨的第二表面；

获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

根据各所述间距，得到所述软骨的厚度。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

将医学图像输入分割模型，得到目标结构的分割图像；所述目标结构包括骨头和软骨；

根据所述目标结构的分割图像，区分所述软骨的第一表面和所述软骨的第二表面；

获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

根据各所述间距，得到所述软骨的厚度。

上述实施例提供的软骨厚度检测方法、装置、计算机设备和可读存储介质中，计算机设备将医学图像输入分割模型，得到目标结构的分割图像；目标结构包括骨头和软骨；根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面，获取软骨的第二表面上的各点与软骨第一表面之间的间距；根据各间距，得到软骨的厚度。在该方法中，计算机设备采用分割模型，对医学图像中包括骨头和软骨的目标结构进行分割，能够得到比较准确地目标结构的分割图像，由于目标结构的分割图像的准确度得到了提高，进而能够准确地根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面，提高了获取的软骨的第二表面上的各点与软骨第一表面之间的间距的准确度，而软骨的厚度是根据软骨第二表面上的各点与软骨第一表面之间的间距确定的，由于获取的软骨的第二表面上的各点与软骨的第一表面之间的间距的准确度得到了提高，因此，也提高了根据软骨第二表面上的各点与软骨第一表面之间的间距确定的软骨厚度的准确度。

附图说明

图1为一个实施例提供的计算机设备的内部结构示意图；

图2为一个实施例提供的软骨厚度检测方法的流程示意图；

图3为另一个实施例提供的软骨厚度检测方法的流程示意图；

图4为一个实施例提供的软骨厚度检测结果的展示图；

图5为另一个实施例提供的软骨厚度检测方法的流程示意图；

图6为一个实施例提供的对膝关节软骨厚度检测的示意图；

图7为一个实施例提供的软骨厚度检测装置结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的软骨厚度检测方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。

需要说明的是，本申请实施例提供的软骨厚度检测方法，其执行主体可以是软骨厚度检测装置，该软骨厚度检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。

需要说明的是，本实施例提供的软骨厚度检测方法可以适用于人体全身软骨组织的厚度检测，包括但不限于对膝关节软骨、髋关节软骨、指关节软骨、颈椎软骨、腰椎软骨、肘关节软骨的厚度检测。下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的软骨厚度检测方法的流程示意图。本实施例涉及的是计算机设备将医学图像输入分割模型，得到骨头和软骨的分割图像，根据分割图像，区分软骨的第一表面和软骨的第二表面，得到软骨厚度的具体实现过程。如图2所示，该方法可以包括：

S201，将医学图像输入分割模型，得到目标结构的分割图像；目标结构包括骨头和软骨。

具体的，计算机设备将医学图像输入分割模型，得到目标结构的分割图像。其中，目标结构包括骨头和软骨。可选的，医学图像可以是计算机断层成像(ComputedTomography,CT)图像，也可以是磁共振(Magnetic Resonance Imaging,MRI)图像，或其他医学影像图像。可选的，医学图像可以为患者的膝关节图像，也可以为患者其他部位的医学图像。其中，分割模型是利用大量的样本图像和样本图像对应的骨头和软骨的标注图像，对预设的卷积神经网络进行训练得到的。可选的，分割模型可以对医学图像中的骨头和软骨分别进行分割，也可以对医学图像中的骨头和软骨同时进行分割。示例性地，本实施例以医学图像为患者的膝关节图像为例进行说明，计算机设备将该膝关节图像输入分割模型，分割出该膝关节图像中的股骨、股骨软骨、胫骨和胫骨软骨，得到该膝关节图像对应的股骨、股骨软骨、胫骨和胫骨软骨的分割图像。

S202，根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面。

具体的，计算机设备根据上述得到的骨头和软骨的分割图像，区分软骨的第一表面和软骨的第二表面。其中，软骨的第一表面和软骨的第二表面对应软骨的内围面和外围面，可以理解的是软骨的第一表面(内围面)为靠近骨头的一面，软骨的第二表面(外围面)为远离骨头的一面，示例性地，以胫骨软骨为例，胫骨软骨的第一表面(内围面)为靠近胫骨的一面，胫骨软骨的第二表面(外围面)为远离胫骨的一面。可选的，计算机设备可以根据得到的骨头和软骨的分割图像，区分软骨的第一表面和软骨的第二表面，将分割图像中靠近骨头的一面确定为软骨的第一表面，将分割图像中远离骨头的一面确定为软骨的第二表面。

S203，获取软骨的第二表面上的各点与软骨的第一表面之间的间距。

具体的，计算机设备区分出软骨的第一表面和软骨的第二表面后，获取软骨的第二表面上的各点与软骨的第一表面之间的间距。可选的，计算机设备可以获取软骨的第二表面上的各点与软骨的第一表面之间的最短间距，也可以获取软骨的第二表面上的各点与软骨的第一表面之间的最长间距，在本实施例中计算机设备获取的是软骨的第二表面上的各点与软骨的第一表面之间的最短间距，可选的，计算机设备可以将第一表面的点用0表示，其他点用1表示，计算所有点到0的最短间距，再提取出第二表面上的点对应的值，得到软骨的第二表面上的各点与软骨的第一表面之间的最短间距。

S204，根据各间距，得到软骨的厚度。

具体的，计算机设备根据获取的软骨的第二表面上的各点与软骨的第一表面之间的间距，得到软骨的厚度。可选的，计算机设备可以将软骨的第二表面上的各点与软骨的第一表面之间的间距的平均值，确定为软骨的厚度；也可以将软骨的第二表面上的各点与软骨的第一表面之间的间距中的最小值或最大值，确定为软骨的厚度。

在本实施例中，计算机设备采用分割模型，对医学图像中包括骨头和软骨的目标结构进行分割，能够得到比较准确地目标结构的分割图像，由于目标结构的分割图像的准确度得到了提高，进而能够准确地根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面，提高了获取的软骨的第二表面上的各点与软骨第一表面之间的间距的准确度，而软骨的厚度是根据软骨第二表面上的各点与软骨第一表面之间的间距确定的，由于获取的软骨的第二表面上的各点与软骨的第一表面之间的间距的准确度得到了提高，因此，也提高了根据软骨第二表面上的各点与软骨第一表面之间的间距，确定的软骨厚度的准确度。

图3为另一个实施例提供的软骨厚度检测方法的流程示意图。本实施例涉及的是计算机设备根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述S202，包括：

S301，根据目标结构的分割图像，获取骨头的掩模矩阵和软骨的掩模矩阵。

具体的，计算机设备根据目标结构的分割图像，获取骨头的掩模矩阵和软骨的掩模矩阵。其中，骨头的掩模矩阵和软骨的掩模矩阵是由0和1组成的矩阵，1值表示的骨头所在区域或者软骨所在区域，0值表示除骨头外的区域或者除软骨外的区域。

S302，获取骨头的掩模矩阵对应的骨头梯度矩阵和软骨的掩模矩阵对应的软骨梯度矩阵。

具体的，计算机设备得到骨头的掩模矩阵和软骨的掩模矩阵后，获取骨头的掩模矩阵对应的骨头梯度矩阵和软骨掩模矩阵对应的软骨梯度矩阵。可选的，计算机设备可以使用距离场函数分别对骨头掩模矩阵和软骨掩模矩阵进行处理，得到处理后的骨头掩模矩阵和处理后的软骨掩模矩阵，根据处理后的骨头掩模矩阵，获取处理后的骨头掩模矩阵对应的骨头梯度矩阵，根据处理后的软骨掩模矩阵，获取处理后的软骨掩模矩阵对应的软骨梯度矩阵。可选的，计算机设备还可以使用拉普拉斯法分别对骨头掩模矩阵和软骨掩模矩阵进行处理，得到处理后的骨头掩模矩阵和处理后的软骨掩模矩阵。可以理解的是，获取的处理后的骨头掩模矩阵对应的骨头梯度矩阵的方向指向骨头中心点最大值的方向，获取的处理后的软骨掩模矩阵对应的软骨梯度矩阵的方向指向软骨中心面。其中，处理后的骨头掩模矩阵中骨头中心点的值最大，背景边缘处的值最小；处理后的软骨掩模矩阵中软骨中心点的值最大，背景边缘处的值最小。可选的，计算机设备可以使用两次距离场函数分别对骨头掩模矩阵和软骨掩模矩阵进行处理，得到处理后的骨头掩模矩阵和处理后的软骨掩模矩阵。

S303，根据骨头梯度矩阵与软骨梯度矩阵的乘积，区分软骨的第一表面和软骨的第二表面。

具体的，计算机设备根据得到的骨头梯度矩阵与得到的软骨梯度矩阵的乘积，区分软骨的第一表面和软骨的第二表面。其中，骨头梯度矩阵包括骨头x轴方向的梯度矩阵和骨头y轴方向的梯度矩阵，软骨梯度矩阵包括软骨x轴方向的梯度矩阵和软骨y轴方向的梯度矩阵，骨头梯度矩阵与软骨梯度矩阵的乘积可通过如下计算公式获得：骨头梯度矩阵与软骨梯度矩阵的乘积＝骨头x轴方向的梯度矩阵*软骨x轴方向的梯度矩阵+骨头y轴方向的梯度矩阵*软骨y轴方向的梯度矩阵。可选的，当骨头梯度矩阵与软骨梯度矩阵的乘积值为负值，则计算机设备将该软骨梯度矩阵对应的软骨面确定为软骨的第一表面；当骨头梯度矩阵与软骨梯度矩阵的乘积值为正值，则计算机设备将该软骨梯度矩阵对应的软骨面确定为软骨的第二表面。可以理解的是，计算机设备还可以通过计算骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值，区分该软骨的第一表面和第二表面，具体的，当骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值为负值，则计算机设备将该软骨梯度矩阵对应的软骨面确定为软骨的第一表面；当骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值为正值，则计算机设备将该软骨梯度矩阵对应的软骨面确定为软骨的第二表面；可选的，骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值可以为余弦值，也可以为正切值，也可以为正切值的倒数。

在本实施例中，计算机设备是根据目标结构的分割图像，获取骨头的掩模矩阵和软骨的掩模矩阵，再获取骨头的掩模矩阵对应的骨头梯度矩阵和软骨的掩模矩阵对应的软骨梯度矩阵，根据骨头梯度矩阵和软骨梯度矩阵的乘积，区分软骨的第一表面和软骨的第二表面的，由于获取的骨头的掩模矩阵和软骨的掩模矩阵能够准确地表示骨头所在区域和软骨所在区域，这样获取的骨头的掩模矩阵对应的骨头梯度矩阵和软骨的掩模矩阵对应的软骨梯度矩阵的准确度也得到了提高，进而提高了根据骨头梯度矩阵与软骨梯度矩阵的乘积，区分软骨的第一表面和软骨的第二表面的准确度。

在上述实施例的基础上，作为一种可选的实施方式，上述S204，包括：对各间距进行三维重建，得到软骨的厚度。

具体的，计算机设备对获取的软骨的第二表面上的各点与软骨第一表面之间的间距进行三维重建，得到软骨的厚度。可以理解的是，计算机设备得到的软骨的第二表面上的各点与软骨第一表面之间的间距为二维的值，通过对各间距进行三维重建，能够得到整体的软骨的厚度。

在本实施例中，计算机设备对各间距进行三维重建，能够得到整体的软骨的厚度，提高了得到软骨的厚度的准确度，另外，通过对各间距进行三维重建得到整体的软骨的厚度，能够直观地反映软骨的磨损情况，便于查看整体的软骨情况。

图4为一个实施例提供的软骨厚度检测结果的展示图。在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：对目标结构的分割图像和软骨的信息进行展示；软骨的信息包括软骨的第一表面、软骨的第二表面以及软骨的厚度。

具体的，如图4所示，计算机设备对得到的目标结构的分割图像，软骨的第一表面、软骨的第二表面以及软骨的厚度进行展示。在本实施例中，计算机设备通过对目标结构的分割图像、软骨的第一表面、软骨的第二表面以及软骨的厚度进行展示，能够直观地反映对医学图像中骨头和软骨的分割结果，直观地区分软骨的第一表面、软骨的第二表面，还可以直观地查看软骨的厚度，便于医生直接进行查看，从而提高了医生对医学图像的处理效率。

图5为另一个实施例提供的软骨厚度检测方法的流程示意图。上述分割模型包括粗分割模型和细分割模型。本实施例涉及的是计算机设备对分割模型进行训练的具体实现过程。如图5所示，分割模型的训练过程可以包括：

S501，获取样本医学图像。

其中，样本医学图像可以是CT图像，也可以是MRI图像，或其他医学影像图像。可选的，计算机设备可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取样本医学图像，也可以从医学影像设备中实时地获取样本医学图像。

S502，对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率。

具体的，计算机设备对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像。其中，第一样本医学图像的分辨率低于第二样本医学图像的分辨率。可选的，样本医学图像的分辨率可以根据实际情况而定，例如，可以是[0.32mm,0.32mm,4.4mm]，当然还可以是其他分辨率，本实施例对此不做具体限定。可选的，对样本医学图像进行重采样处理得到第一样本医学图像时，采样间隔可以为[1.0mm,1.0mm,1.0mm]。可选的，对样本医学图像进行重采样处理得到第二样本医学图像时，采样间隔可以为[0.32mm,0.32mm,0.32mm]。可以理解的是，对样本医学图像进行重采样处理得到第一样本医学图像的采样间隔大于对样本医学图像进行重采样处理得到第二样本医学图像的采样间隔，采样间隔越大，图像分辨率越低，因此，得到的第一样本医学图像的分辨率低于得到的第二样本医学图像的分辨率。

S503,以相同的图像块大小分别对第一样本医学图像和第二样本医学图像进行图像块提取，得到第一样本图像块和第二样本图像块。

具体的，计算机设备以相同的图像块大小分别对上述第一样本医学图像和第二样本医学图像进行图像块提取，得到第一样本图像块和第二样本图像块。可选的，计算机设备以相同的图像块大小分别对第一样本医学图像和第二样本医学图像进行图像块提取之前，可以分别对第一样本医学图像和第二样本医学图像进行归一化处理，得到归一化处理后的第一样本医学图像和归一化处理后的第二样本医学图像，再以相同的图像块大小分别对归一化处理后的第一样本医学图像和归一化处理后的第二样本医学图像进行图像块提取。

S504，将第一样本图像块输入第一卷积神经网络，对第一卷积神经网络进行训练，得到粗分割模型，将第二样本图像块输入第二卷积神经网络，对第二卷积神经网络进行训练，得到细分割模型。

具体的，计算机设备将上述第一样本图像块输入第一卷积神经网络，得到第一样本图像块中样本目标结构的第一分割图像，根据第一分割图像和预先标注的第一样本图像，得到第一卷积神经网络的损失函数的值，根据第一卷积神经网络的损失函数的值对第一卷积神经网络进行训练，得到粗分割模型，计算机设备将第二样本图像块输入第二卷积神经网络，得到对第二样本图像块中样本目标结构的第二分割图像，根据第二分割图像和预先标注的第二样本图像，得到第二卷积神经网络的损失函数的值，根据第二卷积神经网络的损失函数的值对第二卷积神经网络进行训练，得到细分割模型。可以理解的是，分割模型包括粗分割模型和细分割模型，粗分割模型与细分割模型间为级联的连接方式，粗分割模型能够实现对医学图像的粗分割定位，细分割模型能够对粗分割定位后的医学图像进行进一步地细分割。可选的，第一卷积神经网络包括但不限于VB-Net网络、DenseNet网络等。可选的，第二卷积神经网络包括但不限于VB-Net网络、DenseNet网络等。可选的，第一卷积神经网络的损失函数可以为Dice损失函数，也可以为Focal损失函数。可选的，第二卷积神经网络的损失函数可以为Dice损失函数，也可以为Focal损失函数。

在本实施例中，分割模型包括粗分割模型和细分割模型，通过对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像，第一样本医学图像的分辨率低于第二样本医学图像的分辨率，以相同的图像块分别对第一样本医学图像和第二样本医学图像进行图像块提取，将得到的第一样本图像块输入第一卷积神经网络，将第二样本图像块输入第二卷积神经网络，对第一卷积神经网络和第二卷积神经网络进行训练，得到粗分割模型和细分割模型，通过大量的样本医学图像能够对第一卷积神经网络和第二卷积神经网络进行比较准确地训练，从而提高了得到的粗分割模型和细分割模型的准确度。

图6为一个实施例提供的对膝关节软骨厚度检测的示意图。本实施例涉及的是计算机设备利用膝关节样本图像和膝关节多组织的标注图像对预设的神经网络模型进行训练得到分割模型，并利用得到的分割模型检测膝关节软骨厚度的具体实现过程。

具体的，如图6所示，本实施例以膝关节的软骨厚度检测为例对本申请实施例提供的软骨厚度检测方法进行说明，首先，计算机设备将膝关节样本图像输入预设的神经网络模型，得到膝关节样本图像中骨头和软骨的分割图像，根据得到的膝关节样本图像中骨头和软骨的分割图像以及预先获取的膝关节样本图像对应的膝关节多组织标注图像，对预设的神经网络模型进行训练，得到分割模型；之后，对膝关节的软骨厚度进行检测时，将膝关节测试图像输入得到的分割模型中，得到膝关节测试图像中骨头和软骨的分割图像，根据膝关节测试图像中骨头和软骨的分割图像，区分软骨的第一表面和软骨的第二表面，获取软骨的第二表面上的各点与软骨的第一表面之间的间距，根据第二表面上的各点与软骨的第一表面之间的间距，得到膝关节测试图像中软骨的厚度。

在本实施例中，计算机设备首先通过膝关节样本图像和对应的膝关节多组织标注图像，对预设的神经网络模型进行训练，通过大量的膝关节样本图像对预设的神经网络模型进行训练，提高了得到的分割模型的准确度，在对膝关节的软骨厚度进行检测时，通过分割模型能够比较准确地对膝关节测试图像中骨头和软骨进行分割，提高了得到的膝关节测试图像中骨头和软骨的分割图像的准确度，进而能够准确地根据膝关节测试图像中骨头和软骨的分割图像，区分软骨的第一表面和软骨的第二表面，提高了获取的软骨的第二表面上的各点与软骨第一表面之间的间距的准确度，而膝关节软骨的厚度是根据软骨第二表面上的各点与软骨第一表面之间的间距确定的，因此，也提高了根据软骨第二表面上的各点与软骨第一表面之间的间距确定的膝关节软骨厚度的准确度。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图7为一个实施例提供的软骨厚度检测装置结构示意图。如图7所示，该装置可以包括：分割模块10、区分模块11、第一获取模块12和第二获取模块13。

具体的，分割模块10，用于将医学图像输入分割模型，得到目标结构的分割图像；目标结构包括骨头和软骨；

区分模块11，用于根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面；

第一获取模块12，用于获取软骨的第二表面上的各点与软骨的第一表面之间的间距；

第二获取模块13，用于根据各间距，得到软骨的厚度。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述区分模块11包括：第一获取单元、第二获取单元和区分单元。

具体的，第一获取单元，用于根据目标结构的分割图像，获取骨头的掩模矩阵和软骨的掩模矩阵；

第二获取单元，用于获取骨头的掩模矩阵对应的骨头梯度矩阵和软骨的掩模矩阵对应的软骨梯度矩阵；

区分单元，用于根据骨头梯度矩阵与软骨梯度矩阵的乘积，区分软骨的第一表面和软骨的第二表面。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，区分单元，具体用于当骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值为负值，则软骨梯度矩阵对应的软骨面为第一表面；当骨头梯度矩阵与软骨梯度矩阵的乘积对应的三角函数值为正值，则软骨梯度矩阵对应的软骨面为第二表面。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，第二获取单元，具体用于使用距离场函数分别对骨头掩模矩阵和软骨掩模矩阵进行处理，得到处理后的骨头掩模矩阵和处理后的软骨掩模矩阵；根据处理后的骨头掩模矩阵，获取处理后的骨头掩模矩阵对应的骨头梯度矩阵；根据处理后的软骨掩模矩阵，获取处理后的软骨掩模矩阵对应的软骨梯度矩阵。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述第二获取模块13包括：重建单元。

具体的，重建单元，用于对各间距进行三维重建，得到软骨的厚度。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述装置还包括：展示模块。

具体的，展示模块，用于对目标结构的分割图像和软骨的信息进行展示；软骨的信息包括软骨的第一表面、软骨的第二表面以及软骨的厚度。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，分割模型包括粗分割模型和细分割模型，可选的，上述装置还包括：第三获取模块、重采样模块、提取模块和训练模块。

具体的，第三获取模块，用于获取样本医学图像；

重采样模块，用于对样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；第一样本医学图像的分辨率低于第二样本医学图像的分辨率；

提取模块，用于以相同的图像块大小分别对第一样本医学图像和第二样本医学图像进行图像块提取，得到第一样本图像块和第二样本图像块；

训练模块，用于将第一样本图像块输入第一卷积神经网络，对第一卷积神经网络进行训练，得到粗分割模型，将第二样本图像块输入第二卷积神经网络，对第二卷积神经网络进行训练，得到细分割模型。

本实施例提供的软骨厚度检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于软骨厚度检测装置的具体限定可以参见上文中对于软骨厚度检测方法的限定，在此不再赘述。上述软骨厚度检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

将医学图像输入分割模型，得到对目标结构的分割图像；目标结构包括骨头和软骨；

根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面；

获取软骨的第二表面上的各点与软骨的第一表面之间的间距；

根据各间距，得到软骨的厚度。

上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

将医学图像输入分割模型，得到对目标结构的分割图像；目标结构包括骨头和软骨；

根据目标结构的分割图像，区分软骨的第一表面和软骨的第二表面；

获取软骨的第二表面上的各点与软骨的第一表面之间的间距；

根据各间距，得到软骨的厚度。

上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种软骨厚度检测方法，其特征在于，所述方法包括：

将医学图像输入分割模型，得到目标结构的分割图像；所述目标结构包括骨头和软骨；

根据所述目标结构的分割图像，获取所述骨头的掩模矩阵和所述软骨的掩模矩阵；获取所述骨头的掩模矩阵对应的骨头梯度矩阵和所述软骨的掩模矩阵对应的软骨梯度矩阵；根据所述骨头梯度矩阵与所述软骨梯度矩阵的乘积，区分所述软骨的第一表面和所述软骨的第二表面；

获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

根据各所述间距，得到所述软骨的厚度。

2.根据权利要求1所述的方法，其特征在于，所述软骨的第一表面为靠近骨头的一面，所述软骨的第二表面为远离骨头的一面。

3.根据权利要求2所述的方法，其特征在于，所述根据所述骨头梯度矩阵与所述软骨梯度矩阵的乘积，区分所述软骨的第一表面和所述软骨的第二表面，包括：

当所述骨头梯度矩阵与所述软骨梯度矩阵的乘积值为负值，则所述软骨梯度矩阵对应的软骨面为第一表面；

当所述骨头梯度矩阵与所述软骨梯度矩阵的乘积值为正值，则所述软骨梯度矩阵对应的软骨面为第二表面。

4.根据权利要求2所述的方法，其特征在于，所述获取所述骨头的掩模矩阵对应的骨头梯度矩阵和所述软骨掩模矩阵对应的软骨梯度矩阵，包括：

使用距离场函数分别对所述骨头掩模矩阵和所述软骨掩模矩阵进行处理，得到处理后的骨头掩模矩阵和处理后的软骨掩模矩阵；

根据所述处理后的骨头掩模矩阵，获取所述处理后的骨头掩模矩阵对应的骨头梯度矩阵；

根据所述处理后的软骨掩模矩阵，获取所述处理后的软骨掩模矩阵对应的软骨梯度矩阵。

5.根据权利要求1所述的方法，其特征在于，所述根据各所述间距，得到所述软骨的厚度，包括：

对各所述间距进行三维重建，得到所述软骨的厚度。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述目标结构的分割图像和所述软骨的信息进行展示；所述软骨的信息包括所述软骨的第一表面、所述软骨的第二表面以及所述软骨的厚度。

7.根据权利要求1所述的方法，其特征在于，所述分割模型包括粗分割模型和细分割模型，所述分割模型的训练过程包括：

获取样本医学图像；

对所述样本医学图像进行重采样处理，得到第一样本医学图像和第二样本医学图像；所述第一样本医学图像的分辨率低于所述第二样本医学图像的分辨率；

以相同的图像块大小分别对所述第一样本医学图像和所述第二样本医学图像进行图像块提取，得到第一样本图像块和第二样本图像块；

将所述第一样本图像块输入第一卷积神经网络，对所述第一卷积神经网络进行训练，得到所述粗分割模型，将所述第二样本图像块输入第二卷积神经网络，对所述第二卷积神经网络进行训练，得到所述细分割模型。

8.一种软骨厚度检测装置，其特征在于，所述装置包括：

分割模块，用于将医学图像输入分割模型，得到对目标结构的分割图像；所述目标结构包括骨头和软骨；

区分模块，用于根据所述目标结构的分割图像，获取所述骨头的掩模矩阵和所述软骨的掩模矩阵；获取所述骨头的掩模矩阵对应的骨头梯度矩阵和所述软骨的掩模矩阵对应的软骨梯度矩阵；根据所述骨头梯度矩阵与所述软骨梯度矩阵的乘积，区分所述软骨的第一表面和所述软骨的第二表面；

第一获取模块，用于获取所述软骨的第二表面上的各点与所述软骨的第一表面之间的间距；

第二获取模块，用于根据各所述间距，得到所述软骨的厚度。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

Images