CN111462071A - 一种图像处理方法和系统 - Google Patents

一种图像处理方法和系统 Download PDF

Info

Publication number
CN111462071A
CN111462071A CN202010239408.XA CN202010239408A CN111462071A CN 111462071 A CN111462071 A CN 111462071A CN 202010239408 A CN202010239408 A CN 202010239408A CN 111462071 A CN111462071 A CN 111462071A
Authority
CN
China
Prior art keywords
region
image
bone
dimensional
regions
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
CN202010239408.XA
Other languages
English (en)
Other versions
CN111462071B (zh
Inventor
徐阳
汪纯
许卫东
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.)
Zhejiang Herui Medical Technology Co ltd
Original Assignee
Hithink Royalflush Information Network 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 Hithink Royalflush Information Network Co Ltd filed Critical Hithink Royalflush Information Network Co Ltd
Priority to CN202010239408.XA priority Critical patent/CN111462071B/zh
Publication of CN111462071A publication Critical patent/CN111462071A/zh
Application granted granted Critical
Publication of CN111462071B publication Critical patent/CN111462071B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请实施例公开了一种图像处理方法和系统。所述方法包括：获取断层扫描图像集；对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域；利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；所述骨折检测模型包括机器学习模型。本申请所公开的方法可以通过将骨骼的断层扫描图像集进行分割处理成若干三维骨骼区域，再利用机器学习模型分别检测各三维骨骼区域的骨折情况。

Description

一种图像处理方法和系统
技术领域
本申请涉及图像处理领域，特别涉及一种骨骼图像处理方法和系统。
背景技术
断层扫描成像方法已被广泛应用于各种生物器官、组织的成像，可以获得的由多张断层扫描图像构成的断层扫描图像集。由于有些器官的结构较为复杂例如肋骨，在进行肋骨骨折分析时往往需要结合多张断层扫描图像进行观察，因此需要筛选出有用的图像并仔细判断，费时费力。利用机器学习模型进行骨折识别可以有效的提高骨折识别效率，因此需要提供一种可靠、准确的骨折识别方案。
发明内容
本申请一方面提供了一种图像处理方法，包括：获取断层扫描图像集；对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域；利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；其中骨折检测模型包括机器学习模型。
本申请另一方面提供了一种图像处理系统，包括获取模块、分割模块和检测模块；其中，获取模块，用于获取断层扫描图像集；分割模块，用于对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域；检测模块，用于利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；所述骨折检测模型包括机器学习模型。
本申请另一方面还提供了一种图像处理装置，包括处理器，该装置包括至少一个处理器以及至少一个存储器；其中至少一个存储器用于存储计算机指令；以及至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述的图像处理方法。
本申请另一方面还提供了一种计算机可读存储介质，所述存储介质存储有计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述的图像处理方法。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的图像处理系统的模块图。
图2是根据本申请一些实施例所示的图像处理方法的示例性流程图。
图3是根据本申请一些实施例所示的获得一个或多个三维肋骨骨骼区域的方法的示例性流程图。
图4是根据本申请一些实施例所示的从断层扫描图像中的骨骼区域中确定胸骨区域和脊骨区域的方法的示例性流程图。
图5是根据本申请一些实施例所示的从断层扫描图像中的骨骼区域中确定肩胛骨区域的方法的示例性流程图。
图6是根据本申请一些实施例所示的断层扫描图像的肩胛骨选择示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本申请的实施例可以应用于不同的图像处理系统。本申请可以通过将骨骼的断层扫描图像集进行分割处理成若干三维骨骼区域，再利用机器学习模型分别检测各三维骨骼区域的骨折情况。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。虽然本申请主要以人体组织、特别是以人体肋骨为例进行了描述，但需要注意的是，本申请的原理也可应用于其他生物组织，如各类生物骨骼、生物血管、生物神经等，根据本申请的原理也可以观察生物体内部的组织结构和空间信息，确定这些生物组织的正常状况。
图1是根据本申请一些实施例所示的图像处理系统的模块图。
如图1所述，系统100可以包括获取模块110，分割模块120，以及检测模块130。
在一些实施例中，获取模块110可以用于获取断层扫描图像集。具体的，获取模块，还用于：获取多层初始断层扫描图像；对所述多层初始断层扫描图像进行第三重采样，以获得新的断层扫描图像；所述断层扫描图像集包括所述多层初始断层扫描图像以及新增的断层扫描图像。
在一些实施例中，分割模块120可以用于对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域。在一些实施例中，分割模块120可以用于对断层扫描图像集中的断层扫描图像分别进行分割处理，以获得断层扫描图像中的骨骼区域；对相邻的若干断层扫描图像中的骨骼区域进行层间扩展，以获得一个或多个三维骨骼区域。
在一些实施例中，分割模块120可以用于对断层扫描图像集中的断层扫描图像：利用骨分割模型对所述断层扫描图像进行处理，以确定所述断层扫描图像中的骨骼区域；利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域；从所述断层扫描图像中的骨骼区域中去除所述非肋骨骨骼区域，从而获取肋骨骨骼区域；对相邻的若干断层扫描图像中的肋骨骨骼区域进行层间扩展，以获得一个或多个三维肋骨骨骼区域。
为了所述利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域，分割模块120还可以用于包括：基于骨分割模型输出的图像，获得断层扫描图像对应的二值化图像；所述二值化图像中包括骨骼像素点以及非骨骼像素点；将所述二值化图像沿平行于被扫描对象矢状转轴的方向进行投影，获得投影曲线；选取投影曲线上满足第一预设条件的点，将其对应于二值化图像上的线作为脊骨中心线；基于脊骨中心线向两侧扩展，以确定二值化图像中脊骨区域的左右端线；将二值化图像中左右端线之间的骨骼像素点确定为脊骨区域以及胸骨区域；基于二值化图像中的脊骨区域以及胸骨区域确定所述断层扫描图像中的脊骨区域以及胸骨区域。在一些实施例中，分割模块120还用于判断所述肩胛骨候选区域与相邻断层扫描图像中的肩胛骨区域是否连续，若不连续则所述肩胛骨候选区域不是肩胛骨区域。
在一些实施例中，分割模块还用于：对断层扫描图像集进行第一重采样，以降低断层扫描图像的分辨率，从而获得重采样图像集；将所述重采样图像集分割成若干三维图像块；利用骨分割模型处理所述三维图像块，以确定三维图像块中的骨骼区域；对处理后的三维图像块进行第二重采样，以使所述三维图像块的断层面的分辨率与断层扫描图像集中断层扫描图像相同的分辨率；基于第二重采样后的若干三维图像块中的骨骼区域，从所述断层扫描图像集中获取一个或多个三维骨骼区域。
在一些实施例中，检测模块130可以用于利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；所述骨折检测模型包括机器学习模型。
应当理解，图1所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图1中披露的获取模块110，分割模块120，以及检测模块130可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，获取模块110、分割模块120可以是两个模块，也可以是一个模块同时具有获取和分割功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。
图2是根据本申请一些实施例所示的图像处理方法的示例性流程图。图像处理方法200可以由图像处理系统100实现。如图2所示，该图像处理方法可以包括：
步骤210，获取断层扫描图像集。在一些实施例中，该步骤可由获取模块110实现。
在一些实施例中，断层扫描图像集可以是扫描对象的三维成像，可以理解为其包含多层二维断层扫描图像。断层扫描图像的扫描方式可以包括但不限于CT扫描，也可以是磁共振MR扫描、正电子发射断层扫描-计算机断层扫描(PET/CT)、单光子发射-计算机断层扫描(SPECT/CT)以及PET/MRI等。在一些实施例中，获取断层扫描图像的扫描方式可以包括分平扫、造影增强扫描或造影扫描。在一些实施例中，计算机断层扫描图像可以包括骨骼、肌肉、血管等信息。具体的，可以基于平躺体位对人体胸部进行计算机断层扫描，获取断层扫描图像集。
在一些实施例中，获取模块110还可以获取多层初始断层扫描图像后，对所述多层初始断层扫描图像进行第三重采样，以获得新的断层扫描图像。其中，上述断层扫描图像集包括多层初始断层扫描图像以及新增的断层扫描图像。通过进行重采样可以增加断层扫描图像集中断层扫描图像的层数，从而可以提高后续图像处理的检测精度。仅为了举例说明，多层初始断层扫描图像集中包括20张断层扫描图像，经过第三重采样处理后，新增了38张断层扫描图像，所获得的断层扫描图像集可以包括58张断层扫描图像。
其中重采样可以是一种影像数据处理方法，即对采样后形成的由离散数据形成的数字图像按所需的像素点位置或像素点间距重新采样，以构成几何变换后的新图像。在进行重采样后，可以获得像素点更多或更少的新图像。值得说明的是，第三重采样是在断层图像之间进行的，具体的，可以在相邻两张断层图像之间，利用其前后若干张断层图像对应像素点的像素值，采用插值方法计算所述相邻两张断层图像之间新增的断层图像中对应像素点的值，从而获得新的断层图像。示例性的重采样方法可以包括但不限于双线性内插法、最邻近法、三次卷积法、反距离加权插值法、克里金插值法、最小曲率插值法、改进谢别德插值法、多元回归插值法，径向基函数插值法、线性插值三角网插值法、移动平均插值法以及局部多项式插值法。优选的，第三重采样可以是双线性内插法。
通过第三重采样，可以增加断层扫描图像集中断层扫描图像的层数，有利于提高图像集在z方向(垂直于断层扫描平面)上的分辨率。
步骤220，对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域。在一些实施例中，该步骤可由分割模块120实现。
在一些实施例中，分割模块120可以直接对断层扫描图像集进行分割处理，从而获得的一个或多个三维骨骼区域。
在一些实施例中，骨骼区域可以是指全部的骨骼区域，也可以是指特定部位的骨骼区域，例如肋骨区域，肩胛骨区域，脊柱区域等。在一些实施例中，进行分割处理可以是指将图像或图像集进行骨骼区域与非骨骼区域的二类分割，也可以是指将图像或图像集进行多类分割，例如肋骨区域，非肋骨区域以及背景区域等。
在一些实施例中，分割模块120可以采用判定是否满足预设条件法对图像集或图像进行分割处理。预设条件可以包括：像素点的像素值是否小于第一阈值。在一些实施例中，第一阈值可以是预设值，比如600Hu，700Hu，800Hu或900Hu等。在一些实施例中，第一阈值可以是基于断层扫描图像中像素值的大小动态确定的。例如，可以是图像集或图像中最大像素值的80％，或70％等。基于上述实施例，可以确保在图像集或图像中像素值普遍较低或较高时仍能准确的进行分割处理。在一些实例中，可以设置分割阈值对断层扫描图像集中的每一个体素进行筛选，判断其是否属于骨骼区域，从而获得一个或多个三维骨骼区域。
在一些实施例中，分割模块120还可以对通过断层扫描图像集中的断层扫描图像分别进行分割处理，以获得断层扫描图像中的骨骼区域；并通过对相邻的若干断层扫描图像中的骨骼区域进行层间扩展，以获得一个或多个三维骨骼区域。由于断层扫描图像中的骨骼区域是二维的，因此需要根据骨骼区域在向上和/或向下若干层断层扫描图像的对应位置，进行扩展以获得一个或多个三维骨骼区域。在一些实施例中，向上和/或向下扩展的断层扫描图像层数可以是变化的，可以根据不同骨骼区域的结构特征来确定。
在一些实施例中，分割模块120可以通过骨分割模型对图像集或图像进行分割处理。该骨分割模型可以包括机器学习模型，所述机器学习模型可以包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classificationand Regression Trees，CART)模型、梯度提升决策树(Gradient Boosting DecisionTree，GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(LightGradient Boosting Machine，LightGBM)、梯度提升机(Gradient Boosting Machines，GBM)、LASSO(Least Absolute Shrinkage and Selection Operator，LASSO)、卷积神经网络(Convolutional Neural Networks，CNN)等。在一些实施例中，骨分割模型可以是V-NET网络或带有Res-block的V-NET网络。仅仅为了说明的目的，上述骨分割模型可以基于以下训练方法获得：获取训练集，该训练集中包括若干张样本图像或三维图像块以及对应的不同区域标记图；利用所述训练集对初始模型进行训练，获得分割模型。其中，对应的不同区域标记图可以是人为的将图像或三维图像块中的不同区域进行标记后获得的。不同的区域可以是骨骼区域与非骨骼区域，又或者可以是肋骨区域、非肋骨的骨骼区域以及非骨骼区域。
在训练完成后，分割模块120可以将待分割的图像或三维图像块直接输入至骨分割模型中，以获得该图像或三维图像块的分类图或分类概率图。其中，分类概率图中包括每一像素点为至少一种区域的概率值，例如，为骨骼区域的概率值或为肋骨区域的概率值。在一些实施例中，获取分类概率图中为骨骼区域(或为肋骨区域)概率值大于或等于第二阈值的若干连通域，这些连通域对应的断层扫描图像集或断层扫描图像的位置即为所需骨骼区域(或肋骨区域)。其中连通域可以是指图像中具有相同像素值属性(如像素值相同或像素值属于相同的区间等)并且位置相邻的像素点组成的图像区域。
在一些实施例中，分割模块120还可以通过对断层扫描图像集进行一些预处理后，再进行分割处理，并获得一个或多个三维骨骼区域。在一些实施例中，分割模块120可以对断层扫描图像集进行第一重采样，以降低断层扫描图像的分辨率，从而获得重采样图像集。第一重采样是在断层扫描图像集的断层面进行的，目的在于降低断层面的分辨率。值得说明的是，断层面可以是指在进行断层扫描过程中的断层扫描面。断层扫描图像分辨率越高，对处理设备的性能要求可能就越高，并且处理时间也可能越长。在进行骨骼区域的分割处理时，可以使用较低分辨率的断层扫描图像组成的图像集，仍然可以较为准确的将骨骼区域进行分割。在一些实施例中，分割模块120还可以将获得的重采样图像集分割成若干三维图像块。将重采样图像集分割成若干三维图像块同样也可以在后续的图像处理中降低对处理设备性能的要求，并且可以缩短处理时间。若干图像块之间可以是重叠的。需要说明的是，对断层扫描图像集进行第一重采样以及分割成若干三维图像块均需要在能够保证后续图像处理的精度下进行。在一些实施例中，对所述三维图像块进行分割处理，以确定三维图像块中的骨骼区域。在一些实施例中，对处理后的三维图像块进行第二重采样，以使所述三维图像块的断层面的分辨率与断层扫描图像集中断层扫描图像相同的分辨率。第二重采样主要是在断层面上进行的，目的在于恢复断层面的分辨率。如若不进行分辨率的恢复，后续骨折检测过程可能会有图像失真的问题。在一些实施例中，基于第二重采样后的若干三维图像块中的骨骼区域，从所述断层扫描图像集中获取一个或多个三维骨骼区域。值得说明的是，在一些实施例中，还可以将上述步骤应用于对断层扫描图像分别进行分割处理的过程中，并根据二维图像与三维图像的差别做出适应性调整，以获得一个或多个二维骨骼区域；再通过对相邻的若干断层扫描图像中的骨骼区域进行层间扩展，以获得一个或多个三维骨骼区域。
第一重采样的目的是降低分辨率，可以采用下采样或降采样的原理实现。以矩阵式图像为例，下采样原理可以解释为：对一副尺寸为M*N的图像，对其进行S倍的下采样，即得到(M/s)*(N/s)尺寸的分辨率图像(s一般应该是M和N的公约数)，需要把原始图像s*s窗口内的图像变成一个像素点，这个像素点的值是基于窗口内的若干像素点确定的。确定规则可以是窗口内若干像素点的最大值或平均值等。在一些实施例中，第一重采样可以包括但不限于最大值采样，平均值采样，求和区域采样和随机区域采样等。
其中，第二重采样可以包括但不限于示例性的重采样方法可以包括双线性内插法、最邻近法、三次卷积法、反距离加权插值法、克里金插值法、最小曲率插值法、改进谢别德插值法、多元回归插值法，径向基函数插值法、线性插值三角网插值法、移动平均插值法以及局部多项式插值法等方法。
本申请进行的分割处理过程中不仅可以实现骨骼与非骨骼区域的分割，也可以实现不同类别骨骼区域之间的分割，后续会以肋骨为例进行详细阐述，更多细节详见图3、图4以及图5及其相关描述。
步骤230，利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域。在一些实施例中，该步骤可以由检测模块130实现。
在一些实施例中，骨折检测模型可以包括机器学习模型。所述机器学习模型可以包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(GradientBoosting Decision Tree，GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine，LightGBM)、梯度提升机(GradientBoosting Machines，GBM)、LASSO(Least Absolute Shrinkage and Selection Operator，LASSO)、卷积神经网络(Convolutional Neural Networks，CNN)等。在一些实施例中，骨折检测模型可以是VGG-NET网络、DENSE-NET网络或RES-NET网络等。仅仅为了说明的目的，上述骨折检测模型可以基于以下训练方法获得：获取训练集，该训练集中包括若干三维骨骼区域(图像块)以及每个三维骨骼区域对应的骨折标签(仅作为示例，有的三维骨骼区域中不存在骨折区域，其标签可以为0，有的三维骨骼区域中存在骨折区域，其标签可以为1；又例如，可以在三维骨骼区域中标记出骨折区域，作为骨折标签)；利用所述训练集对初始模型进行训练，获得骨折检测模型。其中，每个三维骨骼区域对应的骨折标签可以是人为的将三维骨骼区域是否包括骨折区域进行标记获得的。
在训练完成后，检测模块130可以将三维骨骼区域直接输入至骨折检测模型中，以获得该三维骨骼区域的骨折概率。在一些实施例中，可以基于第三阈值(例如30％，50％，70％等)将所有的三维骨骼区域的骨折概率进行二值化操作。例如，将骨折概率大于等于第三阈值的设定为1，小于第三阈值的设定为0。在一些实施例中，检测模块130可以获取骨折概率值大于等于第三阈值的三维骨骼区域，确定其为骨折区域。在一些实施例中，还可以基于前述的分割处理步骤确定骨折区域所在的位置，从而在整体上识别断层扫描图像集中的骨折位置。在一些实施例中，检测模块130可以将三维骨骼区域直接输入至骨折检测模型中，以获得该三维骨骼区域中的骨折区域。可以理解，骨折检测模型的输出内容取决与训练阶段的标签形式。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图3是根据本申请一些实施例所示的获得一个或多个三维肋骨骨骼区域的方法的示例性流程图。如图3所示，该获得方法可以包括以下步骤。该获得方法可以由分割模块120实现。
步骤310，利用骨分割模型对所述断层扫描图像进行处理，以确定所述断层扫描图像中的骨骼区域。
在一些实施例中，骨分割模型可以包括机器学习模型，所述机器学习模型可以包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(GradientBoosting Decision Tree，GBDT)模型、xgboost(eXtreme Gradient Boosting)、轻量级梯度提升机器(Light Gradient Boosting Machine，LightGBM)、梯度提升机(GradientBoosting Machines，GBM)、LASSO(Least Absolute Shrinkage and Selection Operator，LASSO)、卷积神经网络(Convolutional Neural Networks，CNN)等。在一些实施例中，骨分割模型可以是V-NET网络或带有Res-block的V-NET网络。仅仅为了说明的目的，上述骨分割模型可以基于以下训练方法获得：获取训练集，该训练集中包括若干张样本图像以及对应的骨骼和/或非骨骼区域标记图；利用所述训练集对初始模型进行训练，获得分割模型。其中，对应的骨骼和/或非骨骼区域可以是人为的将图像中的骨骼和/或非骨骼区域进行标记后获得的。
在训练完成后，分割模块120可以将待分割的图像直接输入至骨分割模型中，以获得该图像的分类概率图。其中，分类概率图中包括每一像素点为骨骼和/或非骨骼的概率值。获取分类概率图中为骨骼区域概率不低于第二阈值(例如，30％，50％，70％)的连通域所对应的断层扫描图像的区域即为所需的骨骼区域。
步骤320，利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域。
包含肋骨的断层扫描图像集中还有可能包含脊骨，肩胛骨，胸骨等骨骼区域，需要将这些非肋骨区域去除才能获得肋骨区域。非肋骨骨骼一般会具有一些特定的空间结构特征，例如脊骨一般是位于断层扫描图像骨骼区域的中间位置，并且其厚度会大于肋骨的厚度。胸骨具有与脊骨类似的结构特征，如胸骨与脊骨在人体额转轴方向上具有相同的位置。在一些实施例中，可以利用上述特征将断层扫描图像中的脊骨和胸骨去除。关于脊骨和胸骨的确定方法的更多细节可以参考图4及其相关描述。类似的，肩胛骨可能会具有位于断层扫描图像的左下区域(或最左区域)以及右下区域(或最右区域)，并且与水平方向成一定夹角等结构特征。在一些实施例中，可以利用上述特征将断层扫描图像中的肩胛骨去除。关于肩胛骨的确定方法的更多细节可以参考图5及其相关描述。
步骤330，从所述断层扫描图像中的骨骼区域中去除所述非肋骨骨骼区域，从而获取肋骨骨骼区域。
在一些实施例中，可以将已确定的非肋骨骨骼区域去除。其中获取的肋骨骨骼区域可以是由若干连通域组成的。
步骤340，对相邻的若干断层扫描图像中的肋骨骨骼区域进行层间扩展，以获得一个或多个三维肋骨骨骼区域。
由于断层扫描图像中的肋骨骨骼区域是二维的，因此需要根据所获得的二维肋骨骨骼区域在向上和/或向下若干层断层扫描图像的对应位置，进行扩展以获得一个或多个三维骨骼区域。在一些实施例中，向上和/或向下扩展的断层扫描图像层数可以是变化的，可以根据不同肋骨区域的结构特征来确定。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图4是根据本申请一些实施例所示的从断层扫描图像中的骨骼区域中确定胸骨区域和脊骨区域的方法的示例性流程图。如图4所示，该确定方法可以包括：
步骤410，获得断层扫描图像对应的二值化图像。
在一些实施例中，可以将骨分割模型输出的概率分布图进行二值化处理，获得断层扫描图像对应的二值化图像。进行二值化处理可以是指将概率分布图中的每个概率值均与第四阈值(如，0.5、0.6等)进行比较，其中大于或等于第四阈值的设为第一数值(例如1)，小于第四阈值的设为第二数值(例如0)，其中第一数值与第二数值不同。二值化图像是指一种仅包含两种像素值的图像。在一些实施例中，二值化图像中包括骨骼像素点以及非骨骼像素点，其中骨骼像素点可以被设为1(或0)，非骨骼像素点可以被设为0(或1)。
步骤420，获得投影曲线。
在一些实施例中，将上述二值化图像沿平行于被扫描对象矢状转轴的方向进行投影从而获得投影曲线。矢状转轴可以是指从人体面部指向背部的方向。在一些实施例中，投影可以是指二值化图像的同一列像素点的数值进行叠加，可以获得一排叠加数据。在一些实施例中，可以基于叠加数据并结合叠加数据所对应的列的位置，获得投影曲线。
步骤430，获得脊骨中心线。
在一些实施例中，分割模块120可以选取投影曲线上满足第一预设条件的点，将其对应于二值化图像上的线作为脊骨中心线。在一些实施例中，当骨骼像素点被设定为较大值(比如1)时，第一预设条件可以是指投影曲线的最高点。在一些实施例中，当骨骼像素点被设定为较小值(比如0)时，第一预设条件可以是指投影曲线的最低点。其中，可以将满足第一预设条件的点确定为脊骨中心点。而在二值化图像或断层扫描图像中，经过脊骨中心点且平行于所述矢状转轴的线可以被确定为脊骨中心线。
步骤440，获得脊骨区域的左右端线。
在一些实施例中，分割模块120可以基于脊骨中心线向两侧扩展。假设投影曲线上脊骨中心点横坐标为x，投影值为h。在一些实施例中，可以在投影曲线上将左边界确定为脊骨中心左侧区间[x-50,x]第一个峰值大于h/2对应的位置。在一些实施例中，可以在投影曲线上将右边界确定为脊骨中心右侧区间[x,x+50]第一个峰值小于h/2对应的位置。在二值化图像或断层扫描图像中，分别经过左边界与右边界，且平行于所述矢状转轴的线可以被确定为为所述脊骨区域的左右端线。
步骤450，确定脊骨区域以及胸骨区域。
在一些实施例中，分割模块120可以将二值化图像中左右端线之间的骨骼像素点确定为脊骨区域。由于胸骨区域具有与脊骨区域相同的水平位置(如，在人体额转轴方向上具有相同的位置)，因此可以同时确定胸骨位置。
在一些实施例中，二值化图像中的脊骨区域以及胸骨区域所对应的断层扫描图像中的区域即可被确定为脊骨区域以及胸骨区域。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图5是根据本申请一些实施例所示的从断层扫描图像中的骨骼区域中确定肩胛骨区域的方法的示例性流程图。如图5所示，该确定方法可以包括以下步骤。流程500可以由分割模块120实现。
在一些实施例中，分割模块120可以获取断层扫描图像中骨骼区域内的一个或多个连通域，如图6所示的多个相互分离的黑色区域。图6是根据本申请一些实施例所示的断层扫描图像的肩胛骨选择示意图。连通域可以是指图像中具有相同像素值属性并且位置相邻的像素点组成的图像区域。其中直线650为骨骼区域的中心分割线。在一些实施例中，可以将任一连通域作为单侧的肩胛骨候选区域。在一些实施例中，可以通过计算连通域与断层扫描图像左/右侧边界的最小距离，选择与左/右侧边界最近的连通域作为左/右侧的肩胛骨候选区域。在一些实施例中，可以通过计算连通域与断层扫描图像左/右下角的最小距离，选择距离左/右下角最近的连通域为左/右侧肩胛骨候选区域。
在一些实施例中，可以通过计算左/右侧肩胛骨候选区域的拟合直线，判断拟合直线是否与断层扫描图像的底边右/左夹角小于95度，若是，则该肩胛骨候选区域不是肩胛骨区域；若否，则继续对该肩胛骨候选区域进行判断。
在一些实施例中，可以通过对肩胛骨候选区域进行以下处理，以从一个或多个连通域中选取肩胛骨区域。在一些实施例中，可以在断层扫描图像的任意位置建立坐标系。
步骤510，获取肩胛骨候选区域以及其他连通域的最小外接矩形。
最小外接矩形可以是指可以将连通域完全包括的并且面积最小的矩形。如图6中所示的矩形边框620，即为连通域610的最小外接矩形。矩形边框640即为连通域630的最小外接矩形。
步骤520，确定肩胛骨候选区域最小外接矩形左宽边、右宽边以及上长边。
其中，左宽边(如图6中的L1)是指肩胛骨候选区域最小外接矩形左侧的较短边，右宽边(如图6中的L2)是指右侧的较短边，上长边(如图6中的L3)是指上方的较长边。在一些实施例中，可以分别确定L1，L2，L3所在的直线方程。
步骤530，判断其余骨骼区域是否位于所述左宽边或者所述右宽边的同侧。
在一些实施例中，可以将其他连通域的最小外接矩形的顶点代入L1和L2直线方程对应的函数。如果代入L1函数的结果都是不大于0或代入L2函数的结果都不小于0，这说明其余骨骼区域是位于L1或L2的同侧。若其余骨骼区域是位于左宽边或者右宽边的同侧的，那么该肩胛骨候选区域不是肩胛骨区域。若否，那么对于该肩胛骨候选区域继续进行以下处理。
步骤540，计算其他连通域与上长边的距离。
其中，其他连通域与上长边的距离可以是指其他连通域的最小外接矩形的顶点坐标到L3的距离。在一些实施例中，可以判断其中的最小距离是否满足第二预设条件，若满足，所述肩胛骨候选区域是肩胛骨区域。其中，最小距离是指距离L3最近的连通域与L3的距离。在一些实施例中，第二预设条件可以是指小于第五阈值。在一些实施例中，第五阈值可以是60或30(例如，当将候选肩胛骨作为最左侧肩胛骨时，第五阈值等于60，当将候选肩胛骨作为最左下角肩胛骨时，第五阈值等于30)。
步骤550，判断所述肩胛骨候选区域与相邻断层扫描图像中的肩胛骨区域是否连续
由于骨骼的生长是连续性的，因此在相邻各层断层扫描图像中，肩胛骨的位置应当是连续性的，不会出现太大的偏移。其中，连续可以是指位置，形状或面积等符合肩胛骨生长规律的连续性。在一些实施例中，若判断出肩胛骨候选区域与相邻断层扫描图像中的肩胛骨区域并不是连续的(如，第一张断层扫描图像中的肩胛骨候选区域与其相邻的第二张断层扫描图像中的肩胛骨候选区域投影在同一断层扫描平面上，两者没有交集或交集小于设定面积值)，那么该肩胛骨候选区域就不是肩胛骨区域。
通过流程500可以确定断层扫描图像中的肩胛骨区域，以便于去除断层扫描图像中的肩胛骨区域，获得肋骨区域。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程500进行各种修正和改变。例如，步骤550的顺序可以任意设置，例如可以放到步骤510前执行，又例如，步骤550可以省去。然而，这些修正和改变仍在本申请的范围之内。
本申请实施例可能带来的有益效果包括但不限于：(1)以三维骨骼区域块作为骨折检测模型的输入，保留了骨骼结构的三维特性，从而在判断是否骨折时可以更加准确；(2)通过将骨骼分割成多个小块后再进行骨折检测，可以发现的细微骨折问题，使骨折检测更加全面。(3)采用基于非肋骨空间结构特征对非肋骨区域进行剔除，可以获得分割更加彻底的肋骨区域。(4)采用机器学习模型进行肋骨骨折区域识别，能有效辅助医生的检查，提高骨折诊断的准确率。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
获取断层扫描图像集；
对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域；
利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；所述骨折检测模型包括机器学习模型。
2.如权利要求1所述的方法，其特征在于，所述对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域，包括：
对断层扫描图像集中的断层扫描图像分别进行分割处理，以获得断层扫描图像中的骨骼区域；
对相邻的若干断层扫描图像中的骨骼区域进行层间扩展，以获得一个或多个三维骨骼区域。
3.如权利要求1所述的方法，其特征在于，所述三维骨骼区域为三维肋骨骨骼区域；
所述对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域，包括，对断层扫描图像集中的断层扫描图像：
利用骨分割模型对所述断层扫描图像进行处理，以确定所述断层扫描图像中的骨骼区域；
利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域；
从所述断层扫描图像中的骨骼区域中去除所述非肋骨骨骼区域，从而获取肋骨骨骼区域；
对相邻的若干断层扫描图像中的肋骨骨骼区域进行层间扩展，以获得一个或多个三维肋骨骨骼区域。
4.如权利要求3所述的方法，其特征在于，所述利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域，包括：
基于骨分割模型输出的图像，获得断层扫描图像对应的二值化图像；所述二值化图像中包括骨骼像素点以及非骨骼像素点；
将所述二值化图像沿平行于被扫描对象矢状转轴的方向进行投影，获得投影曲线；
选取投影曲线上满足第一预设条件的点，将其对应于二值化图像上的线作为脊骨中心线；
基于脊骨中心线向两侧扩展，以确定二值化图像中脊骨区域的左右端线；
将二值化图像中左右端线之间的骨骼像素点确定为脊骨区域以及胸骨区域；
基于二值化图像中的脊骨区域以及胸骨区域确定所述断层扫描图像中的脊骨区域以及胸骨区域。
5.如权利要求3所述的方法，其特征在于，所述利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域，包括，获取断层扫描图像中骨骼区域内的一个或多个连通域，将任一连通域作为单侧的肩胛骨候选区域进行以下处理，以从一个或多个连通域中选取肩胛骨区域：
获取肩胛骨候选区域以及其他连通域的最小外接矩形；
确定肩胛骨候选区域最小外接矩形左宽边、右宽边以及上长边；
判断其余骨骼区域是否位于所述左宽边或者所述右宽边的同侧：
若是，所述肩胛骨候选区域不是肩胛骨区域，
若否，则计算其他连通域的最小外接矩形顶点与上长边的距离，并判断所述距离是否满足第二预设条件，若满足，所述肩胛骨候选区域是肩胛骨区域。
6.如权利要求5所述的方法，其特征在于，所述利用非肋骨骨骼的空间结构特征，从所述断层扫描图像中的骨骼区域中确定非肋骨骨骼区域，还包括：
判断所述肩胛骨候选区域与相邻断层扫描图像中的肩胛骨区域是否连续，若不连续则所述肩胛骨候选区域不是肩胛骨区域。
7.如权利要求1所述的方法，其特征在于，所述对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域，包括：
对断层扫描图像集进行第一重采样，以降低断层扫描图像的分辨率，从而获得重采样图像集；
将所述重采样图像集分割成若干三维图像块；
利用骨分割模型处理所述三维图像块，以确定三维图像块中的骨骼区域；
对处理后的三维图像块进行第二重采样，以使所述三维图像块的断层面的分辨率与断层扫描图像集中断层扫描图像相同的分辨率；
基于第二重采样后的若干三维图像块中的骨骼区域，从所述断层扫描图像集中获取一个或多个三维骨骼区域。
8.如权利要求1所述的方法，其特征在于，所述获取断层扫描图像集，还包括：
获取多层初始断层扫描图像；
对所述多层初始断层扫描图像进行第三重采样，以获得新的断层扫描图像；
所述断层扫描图像集包括所述多层初始断层扫描图像以及新增的断层扫描图像。
9.一种图像处理系统，其特征在于，包括获取模块、分割模块和检测模块；
所述获取模块，用于获取断层扫描图像集；
所述分割模块，用于对断层扫描图像集进行分割处理，获得一个或多个三维骨骼区域；
所述检测模块，用于利用骨折检测模型处理所述一个或多个三维骨骼区域，以确定一个或多个骨折区域；所述骨折检测模型包括机器学习模型。
10.一种图像处理装置，包括处理器，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；以及
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～8中任意一项所述的图像处理方法。
11.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～8任一项所述的图像处理方法。
CN202010239408.XA 2020-03-30 2020-03-30 一种图像处理方法和系统 Active CN111462071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010239408.XA CN111462071B (zh) 2020-03-30 2020-03-30 一种图像处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010239408.XA CN111462071B (zh) 2020-03-30 2020-03-30 一种图像处理方法和系统

Publications (2)

Publication Number Publication Date
CN111462071A true CN111462071A (zh) 2020-07-28
CN111462071B CN111462071B (zh) 2023-08-04

Family

ID=71680210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010239408.XA Active CN111462071B (zh) 2020-03-30 2020-03-30 一种图像处理方法和系统

Country Status (1)

Country Link
CN (1) CN111462071B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967539A (zh) * 2020-09-29 2020-11-20 北京大学口腔医学院 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备
CN113066110A (zh) * 2021-05-06 2021-07-02 北京爱康宜诚医疗器材有限公司 骨盆配准中标记点的选取方法和选取装置
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113763324A (zh) * 2021-08-02 2021-12-07 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、计算机可读存储介质、处理器和系统
CN114742763A (zh) * 2022-03-14 2022-07-12 慧影医疗科技(北京)股份有限公司 骨骼图像的识别优化方法、系统、存储介质及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) * 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム
WO2009122649A1 (ja) * 2008-04-03 2009-10-08 富士フイルム株式会社 ３次元腹腔内領域検出装置、方法、およびプログラム
DE102016203857A1 (de) * 2016-03-09 2017-09-14 Siemens Healthcare Gmbh Verfahren zur Erfassung und Verarbeitung von Bilddaten eines Untersuchungsobjekts
CN108062779A (zh) * 2017-12-26 2018-05-22 杭州健培科技有限公司 一种用于胸部断层扫描放射影像的无损压缩方法
CN108171714A (zh) * 2017-11-13 2018-06-15 合肥阿巴赛信息科技有限公司 一种基于成对比较的骨折区域识别方法和系统
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
CN108520519A (zh) * 2018-04-11 2018-09-11 上海联影医疗科技有限公司 一种图像处理方法、装置及计算机可读存储介质
JP6487083B1 (ja) * 2018-03-07 2019-03-20 株式会社スクウェア・エニックス ウェイトマップの局所性を考慮したスキニング分解高速化方法及び同スキニング分解高速化プログラム
CN109859233A (zh) * 2018-12-28 2019-06-07 上海联影智能医疗科技有限公司 图像处理、图像处理模型的训练方法及系统
CN109887579A (zh) * 2019-02-12 2019-06-14 上海市第六人民医院 一种骨折三维形态学规律展示系统及方法
CA3041140A1 (en) * 2018-04-26 2019-10-26 NeuralSeg Ltd. Systems and methods for segmenting an image
EP3611699A1 (en) * 2018-08-14 2020-02-19 Siemens Healthcare GmbH Image segmentation using deep learning techniques
CN110874842A (zh) * 2019-10-10 2020-03-10 浙江大学 一种基于级联残差全卷积网络的胸腔多器官分割方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) * 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム
WO2009122649A1 (ja) * 2008-04-03 2009-10-08 富士フイルム株式会社 ３次元腹腔内領域検出装置、方法、およびプログラム
DE102016203857A1 (de) * 2016-03-09 2017-09-14 Siemens Healthcare Gmbh Verfahren zur Erfassung und Verarbeitung von Bilddaten eines Untersuchungsobjekts
CN108171714A (zh) * 2017-11-13 2018-06-15 合肥阿巴赛信息科技有限公司 一种基于成对比较的骨折区域识别方法和系统
CN108062779A (zh) * 2017-12-26 2018-05-22 杭州健培科技有限公司 一种用于胸部断层扫描放射影像的无损压缩方法
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
JP6487083B1 (ja) * 2018-03-07 2019-03-20 株式会社スクウェア・エニックス ウェイトマップの局所性を考慮したスキニング分解高速化方法及び同スキニング分解高速化プログラム
CN108520519A (zh) * 2018-04-11 2018-09-11 上海联影医疗科技有限公司 一种图像处理方法、装置及计算机可读存储介质
CA3041140A1 (en) * 2018-04-26 2019-10-26 NeuralSeg Ltd. Systems and methods for segmenting an image
EP3611699A1 (en) * 2018-08-14 2020-02-19 Siemens Healthcare GmbH Image segmentation using deep learning techniques
CN109859233A (zh) * 2018-12-28 2019-06-07 上海联影智能医疗科技有限公司 图像处理、图像处理模型的训练方法及系统
CN109887579A (zh) * 2019-02-12 2019-06-14 上海市第六人民医院 一种骨折三维形态学规律展示系统及方法
CN110874842A (zh) * 2019-10-10 2020-03-10 浙江大学 一种基于级联残差全卷积网络的胸腔多器官分割方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967539A (zh) * 2020-09-29 2020-11-20 北京大学口腔医学院 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备
CN111967539B (zh) * 2020-09-29 2021-08-31 北京大学口腔医学院 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113066110A (zh) * 2021-05-06 2021-07-02 北京爱康宜诚医疗器材有限公司 骨盆配准中标记点的选取方法和选取装置
CN113763324A (zh) * 2021-08-02 2021-12-07 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、计算机可读存储介质、处理器和系统
CN114742763A (zh) * 2022-03-14 2022-07-12 慧影医疗科技(北京)股份有限公司 骨骼图像的识别优化方法、系统、存储介质及电子设备

Also Published As

Publication number Publication date
CN111462071B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Lessmann et al. Iterative fully convolutional neural networks for automatic vertebra segmentation and identification
CN111462071A (zh) 一种图像处理方法和系统
US11810296B2 (en) Interpretation and quantification of emergency features on head computed tomography
CN108022238B (zh) 对3d图像中对象进行检测的方法、计算机存储介质和系统
CN110310287B (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
US10582907B2 (en) Deep learning based bone removal in computed tomography angiography
Choi et al. Convolutional neural network-based MR image analysis for Alzheimer’s disease classification
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和系统
US6754374B1 (en) Method and apparatus for processing images with regions representing target objects
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
US20210383534A1 (en) System and methods for image segmentation and classification using reduced depth convolutional neural networks
US20220198230A1 (en) Auxiliary detection method and image recognition method for rib fractures based on deep learning
US8135189B2 (en) System and method for organ segmentation using surface patch classification in 2D and 3D images
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
CN107527339B (zh) 一种磁共振扫描方法、装置及系统
Hsiao et al. A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images
CN112102373A (zh) 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法
CN109035261A (zh) 医疗影像处理方法及装置、电子设备及存储介质
CN114359277B (zh) 一种脑卒中患者的脑部图像处理方法及系统
CN115359257B (zh) 基于深度学习的脊椎图像分割方法及手术导航定位系统
US9082193B2 (en) Shape-based image segmentation
Jin et al. Ribseg v2: A large-scale benchmark for rib labeling and anatomical centerline extraction
Windsor et al. SpineNetV2: automated detection, labelling and radiological grading of clinical MR scans
CN111918611A (zh) 胸部x线图像的异常显示控制方法、异常显示控制程序、异常显示控制装置以及服务器装置
Koh et al. Automatic spinal canal detection in lumbar MR images in the sagittal view using dynamic programming

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210401

Address after: 310023 Room 201, 18 Tongshun street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Zhejiang Herui Medical Technology Co.,Ltd.

Address before: Tonghuashun building, 18 Tongshun street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 310023

Applicant before: HITHINK ROYALFLUSH INFORMATION NETWORK Co.,Ltd.

GR01 Patent grant
GR01 Patent grant