CN110827345A - 心胸比确定方法、装置、设备、存储介质及计算机设备 - Google Patents

心胸比确定方法、装置、设备、存储介质及计算机设备 Download PDF

Info

Publication number
CN110827345A
CN110827345A CN201911051856.0A CN201911051856A CN110827345A CN 110827345 A CN110827345 A CN 110827345A CN 201911051856 A CN201911051856 A CN 201911051856A CN 110827345 A CN110827345 A CN 110827345A
Authority
CN
China
Prior art keywords
key points
thoracic
chest
heart
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911051856.0A
Other languages
English (en)
Other versions
CN110827345B (zh
Inventor
邹彤
周越
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Infervision Technology Co Ltd
Infervision Co Ltd
Original Assignee
Infervision Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infervision Co Ltd filed Critical Infervision Co Ltd
Priority to CN201911051856.0A priority Critical patent/CN110827345B/zh
Publication of CN110827345A publication Critical patent/CN110827345A/zh
Application granted granted Critical
Publication of CN110827345B publication Critical patent/CN110827345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种心胸比确定方法、装置、设备、存储介质及计算机设备，可以获得胸部正位图像的特征图；将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。本发明通过预设的心胸比关键点确定模型对心缘关键点和胸廓关键点进行精准定位的技术手段，解决了现有技术中心缘关键点和胸廓关键点定位不稳定的技术问题，进而达到了精准计算心胸比的技术效果。

Description

心胸比确定方法、装置、设备、存储介质及计算机设备
技术领域
本发明涉及图像处理领域，尤其涉及一种心胸比确定方法、装置、设备、存储介质及计算机设备。
背景技术
心胸比为心脏最大横径与胸廓最大横径之比。技术人员可以对客户的胸部正位图像进行手工测量心胸比，然而手工测量耗时久、效率低且不易保存。
现有数字图像处理方法可以对胸部正位图像中的肺野和心脏区域进行分割，确定计算心胸比的关键点，计算获得心胸比。然而，数字图像处理方法对肺野和心脏区域的分割容易受到图像对比度、亮度以及灰度分布等因素的影响，且不同的机器、曝光时间、成像方式、客户自身情况都会影响到最终的胸部正位图像的质量，进而影响到最终分割的效果，导致心胸比的关键点定位不准确，计算出的心胸比误差大。
发明内容
鉴于上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种心胸比确定方法、装置、设备、存储介质及计算机设备，技术方案如下：
一种心胸比确定方法，包括：
获得胸部正位图像的特征图；
将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；
根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
可选的，所述将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率，包括：
将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
可选的，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
可选的，所述根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像中的心胸比，包括：
根据所述第一数量的心缘关键点的位置概率，确定心脏横径；
根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径；
将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
可选的，所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4。
和/或，
所述根据所述第一数量的心缘关键点的位置概率，确定心脏横径，包括：
根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；
将所述2个心缘关键点的位置之间的距离确定为心脏横径；
所述根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径，包括：
根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；
将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
可选的，所述获得胸部正位图像的特征图，包括：
获得胸部正位图像在多个不同尺度下的初始图；
将所述多个不同尺度下的初始图进行融合，获得特征图。
可选的，所述将所述多个不同尺度下的初始图进行融合，获得特征图，包括：
将所述多个不同尺度下的初始图按照第一上采样参数进行上采样，获得第三数量的矩阵图，其中所述第三数量的矩阵图的尺度相同；
对所述第三数量的矩阵图进行元素求和，获得元素图；
将所述元素图按照第二上采样参数进行上采样，获得特征图。
一种心胸比确定装置，包括：特征图获得单元、位置概率获得单元和心胸比确定单元，
所述特征图获得单元，用于获得胸部正位图像的特征图；
所述位置概率获得单元，用于将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；
所述心胸比确定单元，用于根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
可选的，所述位置概率获得单元具体用于将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
可选的，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
可选的，所述心胸比确定单元包括：心脏横径确定子单元、胸廓横径确定子单元和心胸比确定子单元，
所述心脏横径确定子单元，用于根据所述第一数量的心缘关键点的位置概率，确定心脏横径；
所述胸廓横径确定子单元，用于根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径；
所述心胸比确定子单元，用于将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
可选的，所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4；
和/或，
所述心脏横径确定子单元具体用于根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；将所述2个心缘关键点的位置之间的距离确定为心脏横径；
所述胸廓横径确定子单元具体用于根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
可选的，所述特征图获得单元包括：初始图获得子单元和特征图获得子单元，
所述初始图获得子单元，用于获得胸部正位图像在多个不同尺度下的初始图；
所述特征图获得子单元，用于将所述多个不同尺度下的初始图进行融合，获得特征图。
可选的，所述特征图获得子单元包括：矩阵图获得子单元、元素图获得子单元和上采样子单元，
所述矩阵图获得子单元，用于将所述多个不同尺度下的初始图按照第一上采样参数进行上采样，获得第三数量的矩阵图，其中所述第三数量的矩阵图的尺度相同；
所述元素图获得子单元，用于对所述第三数量的矩阵图进行元素求和，获得元素图；
所述上采样子单元，用于将所述元素图按照第二上采样参数进行上采样，获得特征图。
一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上所述任一项所述的心胸比确定方法。
一种计算机设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行程序时至少实现如上述任一项所述的心胸比确定方法。
一种心胸比确定设备，包括：胸部正位图像接收设备、处理器、存储器、通信总线和输出设备，所述存储器上存储有可在所述处理器上运行的程序，
所述处理器通过所述通信总线分别与所述胸部正位图像接收设备、所述存储器和所述输出设备通信连接；
所述胸部正位图像接收设备接收胸部正位图像；
所述处理器执行程序时至少实现如上述任一项所述的心胸比确定方法；
所述输出设备获得所述处理器确定的心胸比并输出。
借由上述技术方案，本发明提供的一种心胸比确定方法、装置、设备、存储介质及计算机设备，可以获得胸部正位图像的特征图；将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。本发明实施例通过预设的心胸比关键点确定模型对心缘关键点和胸廓关键点进行精准定位的技术手段，解决了现有技术中心缘关键点和胸廓关键点定位不稳定的技术问题，进而达到了精准计算心胸比的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种心胸比确定方法的流程示意图；
图2示出了本发明实施例提供的一种胸部正位图像的示意图；
图3示出了本发明实施例提供的另一种心胸比确定方法的流程示意图；
图4示出了本发明实施例提供的另一种心胸比确定方法的流程示意图；
图5示出了本发明实施例提供的一种根据矩阵图获得元素图的说明示意图；
图6示出了本发明实施例提供的一种心胸比关键点确定模型获得方法的流程示意图；
图7示出了本发明实施例提供的另一种心胸比确定方法的流程示意图
图8示出了本发明实施例提供的一种心缘关键点的位置概率或胸廓关键点的位置概率的示意图；
图9示出了本发明实施例提供的一种坐标轴样式的示意图；
图10示出了本发明实施例提供的另一种心胸比确定方法的流程示意图；
图11示出了本发明实施例提供的一种心胸比图像的示意图；
图12示出了本发明实施例提供的一种心胸比确定装置的结构示意图；
图13示出了本发明实施例提供的一种心胸比确定设备的胸片盛放盒伸出的示意图；
图14示出了本发明实施例提供的一种心胸比确定设备的胸片盛放盒收回的示意图；
图15示出了本发明实施例提供的一种心胸比确定设备的处理器、存储器和通信总线的连接示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明实施例提供的一种心胸比确定方法，可以包括：
S100、获得胸部正位图像的特征图。
具体的，如图2所示，胸部正位图像可以是通过应用数字X线摄影术(DigitalRadiography，DR)或计算机X线摄影(CR)技术的探测器，使用X光穿透照射获得的人体胸部正位图像。胸部正位图像可以包括后前位(PA位)和前后位(AP位)。PA位指的是常规正位，即用户面向探测器，胸部紧贴探测器拍照获得胸部正位图像；AP位指的是非常规站位，即用户背向探测器，背部紧贴探测器拍照获得胸部正位图像。探测器包括X光机。尺度可以为图像在某一分辨率下的图像尺寸。胸部正位图像的尺度可以为X光机输出的X光图像的尺度。例如，X光机输出的胸部正位图像的尺度所对应的分辨率可以为512×512。
可以理解的是，由于各型号种类的X光机输出的胸部正位图像的尺度各不相同，本领域技术人员可以对X光机输出的胸部正位图像的尺度调整为所需的尺度，进而执行本发明实施例的步骤，在执行本发明实施例的步骤完成后，再将调整尺度后的胸部正位图像的尺度还原为未调整前的尺度。
可选的，如图3所示，本发明实施例提供的另一种心胸比确定方法，步骤S100可以包括：
S110、获得胸部正位图像在多个不同尺度下的初始图。
本发明实施例可以通过特征提取网络，获得胸部正位图像在多个不同尺度下的初始图。特征提取网络可以包括Resnext-50、Resnext-101、Resnext-152和Densenet在内的卷积神经网络。例如，通过Resnext-50，本发明实施例可以获得尺度分别为胸部正位图像的尺度的1/32、1/16、1/8和1/4的初始图。本发明实施例可以获得胸部正位图像在不同尺度下的同一特征点的图像特征。例如，本发明实施例可以在尺度分别为胸部正位图像的尺度的1/32、1/16、1/8和1/4的初始图中，分别获得四个尺度下的初始图中的同一关键点的图像特征。
S120、将所述多个不同尺度下的初始图进行融合，获得特征图。
具体的，本发明实施例可以通过图像特征提取网络，对多个不同尺度下的初始图进行特征抽取后，将边缘、形状、轮廓、局部特征等信息进行综合处理，获得特征图。图像特征提取网络可以包括FPN(Feature Pyramid Networks，特征金字塔网络)。例如，基于上述通过Resnext-50，获得胸部正位图像在四个尺度下的初始图的例子，本发明实施例可以通过Panoptic FPN，将尺度分别为胸部正位图像的尺度的1/32、1/16、1/8和1/4的四个初始图融合成一个特征图。
可以理解的是，本发明实施例的特征图也可以为一个初始特征图。具体的，本发明实施例可以通过特征提取网络，获得胸部正位图像在多个不同尺度下的初始图中选择一个尺度的初始图作为特征图。
基于图3所示的方法，如图4所示，本发明实施例提供的另一种心胸比确定方法，步骤S120可以包括：
S121、将所述多个不同尺度下的初始图按照第一上采样参数进行上采样，获得第三数量的矩阵图，其中所述第三数量的矩阵图的尺度相同。
具体的，本发明实施例可以将多个不同尺度下的特征图按照不同的第一上采样参数进行上采样，获得第三数量的矩阵图。其中，第三数量与初始图的数量有关。例如，当四个不同尺度下的初始图按照不同的第一上采样参数进行上采样后，获得四个矩阵图。
第一上采样参数可以根据初始图的尺度进行确定。为了便于理解，此处通过举例进行说明：本发明实施例若需要将尺度分别为胸部正位图像的尺度的1/32、1/16、1/8和1/4的四个初始图按照不同的第一上采样参数进行上采样，则可以将尺度为胸部正位图像的尺度的1/32的初始图按照第一上采样参数为3次卷积和2×双线性进行上采样，获得的矩阵图的尺度为胸部正位图像的尺度的1/4，将尺度为胸部正位图像的尺度的1/16的初始图按照第一上采样参数为2次卷积和2×双线性进行上采样，获得的矩阵图的尺度为胸部正位图像的尺度的1/4，将尺度为胸部正位图像的尺度的1/8的初始图按照第一上采样参数为1次卷积和2×双线性进行上采样，获得的矩阵图的尺度为胸部正位图像的尺度的1/4，将尺度为胸部正位图像的尺度的1/4的初始图按照第一上采样参数为0次卷积和2×双线性进行上采样，获得的矩阵图的尺度为胸部正位图像的尺度的1/4，则获得四个矩阵图的尺度相同，获得的矩阵图均为胸部正位图像的尺度的1/4。
S122、对所述第三数量的矩阵图进行元素求和，获得元素图。
具体的，元素求和可以是将第三数量的矩阵图中同一位置上的数字进行相加。本发明实施例可以将第三数量的矩阵图进行元素求和后的结果作为元素图。为了便于理解，此处结合图5进行举例说明：若第三数量的矩阵图分别为图5(a)和图5(b)，则将图5(a)和图5(b)相同位置上的数字进行相加，则获得的元素图可以如图5(c)所示。需要注意的是，元素图的尺度与矩阵图的尺度相同。为了便于理解，图5所示矩阵图和元素图的尺度均为3×3，在实际过程中，元素图的尺度可以为胸部正位图像的尺度的1/4。
S123、将所述元素图按照第二上采样参数进行上采样，获得特征图。
具体的，第二上采样参数可以根据胸部正位图像的尺度和元素图的尺度确定。例如，当元素图的尺度为胸部正位图像的尺度的1/4时，本发明实施例可以将元素图按照第二上采样参数为1次卷积和4×双线性进行上采样，获得与胸部正位图像的尺度相同的特征图。
S200、将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率。
其中，预设的心胸比关键点确定模型可以是卷积神经网络模型。预设的心胸比关键点确定模型可以使用已标注心缘关键点的位置及已标注胸廓关键点的位置的特征图进行机器学习，从而学习到心缘关键点的位置和胸廓关键点的位置的图像特征。下面提供一种心胸比关键点确定模型获得方法，本发明实施例可以根据该方法获得预设的心胸比关键点确定模型。
如图6所示，本发明实施例提供的一种心胸比关键点确定模型获得方法，可以包括：
S010、获得至少一个胸部正位训练图像在多个尺度下的训练初始图，其中，所述胸部正位训练图像标注有心缘关键点的位置及胸廓关键点的位置；
S020、将所述多个尺度下的训练初始图进行融合，获得训练特征图；
S030、根据所述训练特征图进行机器学习，获得心胸比关键点确定模型，所述心胸比关键点确定模型的输入为：多个尺度下的训练初始图融合获得的训练特征图，所述心胸比关键点确定模型的输出为：心缘关键点的位置概率和胸廓关键点的位置概率。
具体的，心胸比关键点确定模型对训练特征图进行机器学习，可以是对胸部正位训练图像的训练特征图中标注心缘关键点的位置及胸廓关键点的位置的图像特征进行机器学习，该图像特征可以包括图像几何特征和灰度值分布。在实际使用中，心胸比关键点确定模型可以根据机器学习得到的心缘关键点的位置及胸廓关键点的位置的图像特征，输出胸部正位图像的特征图对应的各心缘关键点的位置概率和各胸廓关键点的位置概率。
可选的，基于图1所示的方法，如图7所示，本发明实施例提供的另一种心胸比确定方法，步骤S200可以包括：
S210、将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
具体的，第一卷积参数可以包括卷积核尺寸和输出通道数量。第一数量与第一卷积参数中的输出通道数量相等。例如，第一卷积参数中的输出通道数量为4，则心胸比关键点确定模型将特征图按照第一卷积参数进行卷积，获得心缘关键点的位置概率和胸廓关键点的位置概率的总数量为4，即第一数量加上第二数量之和为第一卷积参数中的输出通道数量。
在正常情况下，胸部正位图像中可以显示出2个心缘关键点和2个胸廓关键点，因此，在本发明一可选的实施例中所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4。
其中，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
具体的，第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率仅为一个心缘关键点在胸部正位图像中各位置的概率预测，其中，该胸部正位图像中各位置可以是胸部正位图像中各像素点。因此，当第一数量为2时，2个心缘关键点的位置概率，可以分别预测出2个心缘关键点在胸部正位图像中各位置的概率。第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率仅为一个胸廓关键点在胸部正位图像中各位置的概率预测，其中，该胸部正位图像中各位置可以是胸部正位图像中各像素点。因此，当第二数量为2时，2个胸廓关键点的位置概率，可以分别预测出2个胸廓关键点在胸部正位图像中各位置的概率。例如，在胸部正位图像中对应的心缘关键点的位置概率或对应的胸廓关键点的位置概率可以为如图8所示的位置概率图，其中，图8所示的位置概率图中各位置上的概率为该位置是心缘关键点或胸廓关键点的位置的概率，该位置概率图中的各位置上的概率相加等于1。需要注意的是，为了便于理解，图8所示位置概率图的尺度为5×5，在实际使用中，心缘关键点或胸廓关键点的位置概率图的尺度可以与胸部正位图像的尺度相同。
可选的，在本发明实施例中使所述预设的心胸比关键点确定模型按照预设的第一卷积参数对特征图进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率的过程，可以包括：
使预设的心胸比关键点确定模型将特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点和第二数量的胸廓关键点的位置信息图；
对所述第一数量的心缘关键点的位置信息图进行归一化处理，获得第一数量的心缘关键点的位置信息图；
对所述第二数量的胸廓关键点的位置信息图进行归一化处理，获得第二数量的胸廓关键点的位置信息图。
可选的，本发明实施例可以通过softmax函数，对第一数量的心缘关键点的位置信息图和第二数量的胸廓关键点的位置信息图进行归一化处理，获得第一数量的心缘关键点的位置信息图和第二数量的胸廓关键点的位置信息图。
S300、根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
本发明实施例可以为胸部正位图像设置坐标轴，根据各心缘关键点和各胸廓关键点在该坐标轴中的坐标，确定胸部正位图像的心胸比。例如，该坐标轴可以如图9所示，以胸部正位图像的左上角为原点，横轴为X，纵轴为Y。
基于图7所示的方法，如图10所示，本发明实施例提供的另一种心胸比确定方法，步骤S300可以包括：
S310、根据所述第一数量的心缘关键点的位置概率，确定心脏横径。
可选的，步骤S310可以包括：
根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；
将所述2个心缘关键点的位置之间的距离确定为心脏横径。
具体的，本发明实施例可以根据2个心缘关键点的位置概率，确定2个心缘关键点的位置的坐标，根据2个心缘关键点的位置的坐标计算心脏横径。例如，基于图9所示坐标轴，若心缘关键点A的位置的坐标为(X1，Y1)，心缘关键点B的位置的坐标为(X2，Y2)，则心脏横径为X2-X1的绝对值。可以理解的是，心脏横径为2个心缘关键点的横向距离，根据设置不同的坐标轴，心脏横径可以有不同的算法，本发明在此不作进一步的限定。
S320、根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径。
可选的，步骤S320可以包括：
根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；
将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
具体的，本发明实施例可以根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置的坐标，根据2个胸廓关键点的位置的坐标计算胸廓横径。例如，基于图9所示坐标轴，若胸廓关键点C的位置的坐标为(X3，Y3)，胸廓关键点D的位置的坐标为(X4，Y4)，则胸廓横径为X3-X4的绝对值。可以理解的是，胸廓横径为2个胸廓关键点的横向距离。根据设置不同的坐标轴，胸廓横径可以有不同的算法，本发明在此不作进一步的限定。
S330、将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
为了便于理解，此处通过举例进行说明：基于图9所示的坐标轴，若若心缘关键点A的位置的坐标为(X1，Y1)，心缘关键点B的位置的坐标为(X2，Y2)，胸廓关键点C的位置的坐标为(X3，Y3)和胸廓关键点D的位置的坐标为(X4，Y4)，则确定的心胸比为X2-X1的绝对值除以X3-X4的绝对值的商。
本发明实施例提供的一种心胸比确定方法，可以获得胸部正位图像的特征图；将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。本发明实施例通过预设的心胸比关键点确定模型对心缘关键点和胸廓关键点进行精准定位的技术手段，解决了现有技术中心缘关键点和胸廓关键点定位不稳定的技术问题，进而达到了精准计算心胸比的技术效果。
可选的，在步骤S300之后，本发明实施例还可以输出在该胸部正位图像上标注各心缘关键点和胸廓关键点的位置的心胸比图像。该心胸比图像可以如图11所示。
与上述方法实施例相对应的，本发明实施例还提供一种心胸比确定装置，其结构可以如图12所示，包括：特征图获得单元100、位置概率获得单元200和心胸比确定单元300。
所述特征图获得单元100，用于获得胸部正位图像的特征图。
具体的，如图2所示，胸部正位图像可以是通过应用数字X线摄影术(DigitalRadiography，DR)或计算机X线摄影(CR)技术的探测器，使用X光穿透照射获得的人体胸部正位图像。胸部正位图像可以包括后前位(PA位)和前后位(AP位)。PA位指的是常规正位，即用户面向探测器，胸部紧贴探测器拍照获得胸部正位图像；AP位指的是非常规站位，即用户背向探测器，背部紧贴探测器拍照获得胸部正位图像。探测器包括X光机。尺度可以为图像在某一分辨率下的图像尺寸。胸部正位图像的尺度可以为X光机输出的X光图像的尺度。例如，X光机输出的胸部正位图像的尺度所对应的分辨率可以为512×512。
可选的，所述特征图获得单元100可以包括：初始图获得子单元和特征图获得子单元。
所述初始图获得子单元，用于获得胸部正位图像在多个不同尺度下的初始图。
初始图获得子单元可以通过特征提取网络，获得胸部正位图像在多个不同尺度下的初始图。特征提取网络可以包括Resnext-50、Resnext-101、Resnext-152和Densenet在内的卷积神经网络。
所述特征图获得子单元，用于将所述多个不同尺度下的初始图进行融合，获得特征图。
具体的，特征图获得子单元可以通过图像特征提取网络，对多个不同尺度下的初始图进行特征抽取后，将边缘、形状、轮廓、局部特征等信息进行综合处理，获得特征图。图像特征提取网络可以包括FPN(Feature Pyramid Networks，特征金字塔网络)。
可选的，所述特征图获得子单元可以包括：矩阵图获得子单元、元素图获得子单元和上采样子单元。
所述矩阵图获得子单元，用于将所述多个不同尺度下的初始图按照第一上采样参数进行上采样，获得第三数量的矩阵图，其中所述第三数量的矩阵图的尺度相同。
具体的，矩阵图获得子单元可以将多个不同尺度下的特征图按照不同的第一上采样参数进行上采样，获得第三数量的矩阵图。其中，第三数量与初始图的数量有关。
第一上采样参数可以根据初始图的尺度进行确定。
所述元素图获得子单元，用于对所述第三数量的矩阵图进行元素求和，获得元素图。
具体的，元素求和可以是将第三数量的矩阵图中同一位置上的数字进行相加。元素图获得子单元可以将第三数量的矩阵图进行元素求和后的结果作为元素图。
所述上采样子单元，用于将所述元素图按照第二上采样参数进行上采样，获得特征图。
具体的，第二上采样参数可以根据胸部正位图像的尺度和元素图的尺度确定。
所述位置概率获得单元200，用于将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率。
其中，预设的心胸比关键点确定模型可以是卷积神经网络模型。预设的心胸比关键点确定模型可以使用已标注心缘关键点的位置及已标注胸廓关键点的位置的特征图进行机器学习，从而学习到心缘关键点的位置和胸廓关键点的位置的图像特征。
可选的，所述位置概率获得单元200具体用于将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
具体的，第一卷积参数可以包括卷积核尺寸和输出通道数量。第一数量与第一卷积参数中的输出通道数量相等。
在正常情况下，胸部正位图像中可以显示出2个心缘关键点和2个胸廓关键点，因此，在本发明一可选的实施例中所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4。
其中，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
具体的，第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率仅为一个心缘关键点在胸部正位图像中各位置的概率预测，其中，该胸部正位图像中各位置可以是胸部正位图像中各像素点。因此，当第一数量为2时，2个心缘关键点的位置概率，可以分别预测出2个心缘关键点在胸部正位图像中各位置的概率。第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率仅为一个胸廓关键点在胸部正位图像中各位置的概率预测，其中，该胸部正位图像中各位置可以是胸部正位图像中各像素点。因此，当第二数量为2时，2个胸廓关键点的位置概率，可以分别预测出2个胸廓关键点在胸部正位图像中各位置的概率。
可选的，位置概率获得单元200可以使预设的心胸比关键点确定模型将特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点和第二数量的胸廓关键点的位置信息图；对所述第一数量的心缘关键点的位置信息图进行归一化处理，获得第一数量的心缘关键点的位置信息图；对所述第二数量的胸廓关键点的位置信息图进行归一化处理，获得第二数量的胸廓关键点的位置信息图。
可选的，本发明实施例可以通过softmax函数，对第一数量的心缘关键点的位置信息图和第二数量的胸廓关键点的位置信息图进行归一化处理，获得第一数量的心缘关键点的位置信息图和第二数量的胸廓关键点的位置信息图。
所述心胸比确定单元300，用于根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
本发明实施例可以为胸部正位图像设置坐标轴，根据各心缘关键点和各胸廓关键点在该坐标轴中的坐标，确定胸部正位图像的心胸比。
可选的，所述心胸比确定单元300包括：心脏横径确定子单元、胸廓横径确定子单元和心胸比确定子单元。
所述心脏横径确定子单元，用于根据所述第一数量的心缘关键点的位置概率，确定心脏横径。
可选的，所述心脏横径确定子单元具体用于根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；将所述2个心缘关键点的位置之间的距离确定为心脏横径。
具体的，心脏横径确定子单元可以根据2个心缘关键点的位置概率，确定2个心缘关键点的位置的坐标，根据2个心缘关键点的位置的坐标计算心脏横径。
所述胸廓横径确定子单元，用于根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径。
可选的，所述胸廓横径确定子单元具体用于根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
具体的，胸廓横径确定子单元可以根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置的坐标，根据2个胸廓关键点的位置的坐标计算胸廓横径。
所述心胸比确定子单元，用于将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
本发明实施例提供的一种心胸比确定装置，可以获得胸部正位图像的特征图；将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。本发明实施例通过预设的心胸比关键点确定模型对心缘关键点和胸廓关键点进行精准定位的技术手段，解决了现有技术中心缘关键点和胸廓关键点定位不稳定的技术问题，进而达到了精准计算心胸比的技术效果。
本发明实施例提供的一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上述任一项所述的心胸比确定方法。
本发明实施例提供的一种计算机设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行程序时至少实现如上述任一项所述的心胸比确定方法。
可选的，如图13至图15所示，本发明实施例提供的一种心胸比确定设备，可以包括：胸部正位图像接收设备、处理器50、存储器60、通信总线70和输出设备，所述存储器60上存储有可在所述处理器50上运行的程序，
所述处理器50通过所述通信总线70分别与所述胸部正位图像接收设备、所述存储器60和所述输出设备通信连接；
所述胸部正位图像接收设备接收胸部正位图像；
所述处理器50执行程序时至少实现如上述任一项所述的心胸比确定方法；
所述输出设备获得所述处理器50确定的心胸比并输出。
其中，如图15所示为本发明实施例提供的处理器50、存储器60和通信总线70的连接示意图。
其中，如图13至图14所示，所述胸部正位图像接收设备可以包括：胸片盛放盒10和操作机构，所述胸部正位图像接收设备还可以包括扫描设备或拍照设备。本发明实施例的操作机构可以先驱动胸片盛放盒10从心胸比确定设备中伸出。具体的，心胸比确定设备上可以设置有出入口20，胸片盛放盒10可以从出入口20伸出或收回。在胸片盛放盒10从心胸比确定设备的出入口20伸出后，用户可以先将胸部正位图像放入胸片盛放盒10中。然后处理器50再通过控制操作机构将胸片盛放盒10收回至心胸比确定设备中。然后扫描设备或拍照设备可以对胸片盛放盒10中的胸部正位图像进行扫描或拍照，进而获得胸部正位图像并发送至处理器50中，在处理器50对胸部正位图像执行如上述任一项所述的心胸比确定方法之后，通过输出设备输出该胸部正位图像的心胸比。
可选的，所述输出设备可以为显示屏30和/或打印机。
可选的，所述心胸比确定设备，还可以包括输入设备，其中所述输入设备可以为按键。可以理解的是，输入设备也可以是触摸屏。
用户可以通过按键或触摸屏控制心胸比确定设备，例如：用户首先控制心胸比确定设备将胸片盛放盒10伸出，在放入胸部正位图像后，再控制胸片盛放盒10收回并进行如上述任一项所述的心胸比确定方法进行处理。
其中，输出心胸比可以自动输出，也可以根据用户的操作输出。例如从打印机输出打印的结果，打印机可以设置在心胸比确定设备的内部，并通过如图13至图14所示的打印纸输出口40输出打印纸。
当然，心胸比确定设备还可以包括数据接口，以通过数据接口从其他设备中获得胸部正位图像。其中，数据接口可以为USB接口、蓝牙通信接口、Wi-Fi通信接口等，本发明不做限定。
所述心胸比确定装置包括处理器和存储器，上述特征图获得单元100、位置概率获得单元200和心胸比确定单元300等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对心缘关键点和胸廓关键点进行精准定位。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现如上述任一项所述的心胸比确定方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如上述任一项所述的心胸比确定方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现如上述任一项所述的心胸比确定方法的步骤。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有所述心胸比确定方法步骤的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种心胸比确定方法，其特征在于，包括：
获得胸部正位图像的特征图；
将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；
根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
2.根据权利要求1所述的方法，其特征在于，所述将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率，包括：
将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
3.根据权利要求2所述的方法，其特征在于，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
4.根据权利要求3所述的方法，其特征在于，所述根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像中的心胸比，包括：
根据所述第一数量的心缘关键点的位置概率，确定心脏横径；
根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径；
将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
5.根据权利要求4所述的方法，其特征在于，所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4；
和/或，
所述根据所述第一数量的心缘关键点的位置概率，确定心脏横径，包括：
根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；
将所述2个心缘关键点的位置之间的距离确定为心脏横径；
所述根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径，包括：
根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；
将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述获得胸部正位图像的特征图，包括：
获得胸部正位图像在多个不同尺度下的初始图；
将所述多个不同尺度下的初始图进行融合，获得特征图。
7.根据权利要求6所述的方法，其特征在于，所述将所述多个不同尺度下的初始图进行融合，获得特征图，包括：
将所述多个不同尺度下的初始图按照第一上采样参数进行上采样，获得第三数量的矩阵图，其中所述第三数量的矩阵图的尺度相同；
对所述第三数量的矩阵图进行元素求和，获得元素图；
将所述元素图按照第二上采样参数进行上采样，获得特征图。
8.一种心胸比确定装置，其特征在于，包括：特征图获得单元、位置概率获得单元和心胸比确定单元，
所述特征图获得单元，用于获得胸部正位图像的特征图；
所述位置概率获得单元，用于将所述特征图输入预设的心胸比关键点确定模型中，获得所述胸部正位图像上心缘关键点的位置概率与所述胸部正位图像上胸廓关键点的位置概率；
所述心胸比确定单元，用于根据所述心缘关键点的位置概率与所述胸廓关键点的位置概率，确定所述胸部正位图像的心胸比。
9.根据权利要求8所述的装置，其特征在于，所述位置概率获得单元具体用于将所述特征图输入预设的心胸比关键点确定模型中，以使所述预设的心胸比关键点确定模型将所述特征图按照预设的第一卷积参数进行卷积，获得第一数量的心缘关键点的位置概率和第二数量的胸廓关键点的位置概率。
10.根据权利要求9所述的装置，其特征在于，所述第一数量的心缘关键点的位置概率中每个心缘关键点的位置概率均与一个心缘关键点对应，且各心缘关键点的位置概率对应的心缘关键点不同，所述第二数量的胸廓关键点的位置概率中每个胸廓关键点的位置概率均与一个胸廓关键点对应，且各胸廓关键点的位置概率对应的胸廓关键点不同。
11.根据权利要求10所述的装置，其特征在于，所述心胸比确定单元包括：心脏横径确定子单元、胸廓横径确定子单元和心胸比确定子单元，
所述心脏横径确定子单元，用于根据所述第一数量的心缘关键点的位置概率，确定心脏横径；
所述胸廓横径确定子单元，用于根据所述第二数量的胸廓关键点的位置概率，确定胸廓横径；
所述心胸比确定子单元，用于将所述心脏横径除以所述胸廓横径的商，确定为所述胸部正位图像中的心胸比。
12.根据权利要求11所述的装置，其特征在于，所述第一数量为2，所述第二数量为2，所述第一卷积参数包括：卷积核尺寸为3×3和输出通道数量为4；
和/或，
所述心脏横径确定子单元具体用于根据2个心缘关键点的位置概率，确定2个心缘关键点的位置；将所述2个心缘关键点的位置之间的距离确定为心脏横径；
所述胸廓横径确定子单元具体用于根据2个胸廓关键点的位置概率，确定2个胸廓关键点的位置；将所述2个胸廓关键点的位置之间的距离确定为胸廓横径。
13.根据权利要求8至12中任一项所述的装置，其特征在于，所述特征图获得单元包括：初始图获得子单元和特征图获得子单元，
所述初始图获得子单元，用于获得胸部正位图像在多个不同尺度下的初始图；
所述特征图获得子单元，用于将所述多个不同尺度下的初始图进行融合，获得特征图。
14.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至7任一项所述的心胸比确定方法。
15.一种计算机设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行程序时至少实现如上权利要求1至7中任一项所述的心胸比确定方法。
16.一种心胸比确定设备，其特征在于，包括：胸部正位图像接收设备、处理器、存储器、通信总线和输出设备，所述存储器上存储有可在所述处理器上运行的程序，
所述处理器通过所述通信总线分别与所述胸部正位图像接收设备、所述存储器和所述输出设备通信连接；
所述胸部正位图像接收设备接收胸部正位图像；
所述处理器执行程序时至少实现如上权利要求1至7中任一项所述的心胸比确定方法；
所述输出设备获得所述处理器确定的心胸比并输出。
CN201911051856.0A 2019-10-31 2019-10-31 心胸比确定方法、装置、设备、存储介质及计算机设备 Active CN110827345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911051856.0A CN110827345B (zh) 2019-10-31 2019-10-31 心胸比确定方法、装置、设备、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911051856.0A CN110827345B (zh) 2019-10-31 2019-10-31 心胸比确定方法、装置、设备、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN110827345A true CN110827345A (zh) 2020-02-21
CN110827345B CN110827345B (zh) 2020-12-11

Family

ID=69551571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911051856.0A Active CN110827345B (zh) 2019-10-31 2019-10-31 心胸比确定方法、装置、设备、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN110827345B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508918A (zh) * 2020-12-11 2021-03-16 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN113012127A (zh) * 2021-03-18 2021-06-22 复旦大学 基于胸部医学影像的心胸比测量方法
CN113192609A (zh) * 2021-05-20 2021-07-30 上海商汤智能科技有限公司 数据展示方法及装置、电子设备和存储介质
CN117893533A (zh) * 2024-03-14 2024-04-16 自贡市第一人民医院 基于图像特征的心胸比智能检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1879553A (zh) * 2005-06-15 2006-12-20 佳能株式会社 检测心脏、胸廓和横隔膜边界的方法、装置和存储介质
CN104268595A (zh) * 2014-09-24 2015-01-07 深圳市华尊科技有限公司 通用物件检测方法及系统
CN106991697A (zh) * 2017-04-17 2017-07-28 心医国际数字医疗系统(大连)有限公司 胸部数字影像的心胸比测量方法
CN108229488A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 用于检测物体关键点的方法、装置及电子设备
US10420535B1 (en) * 2018-03-23 2019-09-24 China Medical University Hospital Assisted detection model of breast tumor, assisted detection system thereof, and method for assisted detecting breast tumor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1879553A (zh) * 2005-06-15 2006-12-20 佳能株式会社 检测心脏、胸廓和横隔膜边界的方法、装置和存储介质
CN104268595A (zh) * 2014-09-24 2015-01-07 深圳市华尊科技有限公司 通用物件检测方法及系统
CN108229488A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 用于检测物体关键点的方法、装置及电子设备
CN106991697A (zh) * 2017-04-17 2017-07-28 心医国际数字医疗系统(大连)有限公司 胸部数字影像的心胸比测量方法
US10420535B1 (en) * 2018-03-23 2019-09-24 China Medical University Hospital Assisted detection model of breast tumor, assisted detection system thereof, and method for assisted detecting breast tumor

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508918A (zh) * 2020-12-11 2021-03-16 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
WO2022121170A1 (zh) * 2020-12-11 2022-06-16 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和程序
CN113012127A (zh) * 2021-03-18 2021-06-22 复旦大学 基于胸部医学影像的心胸比测量方法
CN113192609A (zh) * 2021-05-20 2021-07-30 上海商汤智能科技有限公司 数据展示方法及装置、电子设备和存储介质
CN117893533A (zh) * 2024-03-14 2024-04-16 自贡市第一人民医院 基于图像特征的心胸比智能检测方法及系统
CN117893533B (zh) * 2024-03-14 2024-05-28 自贡市第一人民医院 基于图像特征的心胸比智能检测方法及系统

Also Published As

Publication number Publication date
CN110827345B (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN110827345B (zh) 心胸比确定方法、装置、设备、存储介质及计算机设备
CN110782450B (zh) 手部腕骨发育等级确定方法及相关设备
CN110853003B (zh) 手部骨骺发育等级确定方法及相关设备
CN107862235B (zh) 二维码的位置定位方法、装置及终端设备
US10846889B2 (en) Color handle generation for digital image color gradients using machine learning
US11475508B2 (en) Methods and systems for evaluating a size of a garment
CN112648976A (zh) 实景影像测量方法、装置、电子设备及存储介质
CN110458954B (zh) 一种等高线生成方法、装置及设备
CN115424111A (zh) 一种抗原检测试剂盒智能识别方法、装置、设备及介质
CN113643311B (zh) 一种对边界误差鲁棒的图像分割方法和装置
CN116665615B (zh) 一种医用显示器控制方法、系统、设备及其存储介质
CN114168695A (zh) 目标位置确定方法、装置、终端以及存储介质
CN115909347A (zh) 仪表示数识别方法、装置、设备及介质
EP3637369A1 (en) Deep learning-based kernel selection for scatter correction in x-ray imaging
CN112164107B (zh) 一种端到端相机建模方法及装置
CN118333848B (zh) 一种空间转换方法、装置、电子设备及介质
CN118442947B (zh) 一种投影图案生成方法、工作距离确定方法及介质
CN117853382B (zh) 基于稀疏标记物的图像矫正方法、装置及存储介质
CN118657841B (zh) 相机标定方法、装置和电子设备
CN117409065B (zh) 对象测量方法、装置、计算机设备、可读存储介质和产品
CN113554017B (zh) 一种仪表状态的确定方法、装置、终端和存储介质
CN113358042B (zh) 一种测量膜厚的方法
CN117455980A (zh) 坐标修正方法、装置、计算机设备及存储介质
CN117372317A (zh) 配准方法、装置、计算机设备和可读存储介质
CN117670666A (zh) 图像处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, Shangdi Information 12, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant