CN111652300A - 脊柱曲度分类方法、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种脊柱曲度分类方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的脊柱分割图像，所述脊柱分割图像上包括至少两个椎体；对所述脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各所述椎体对应的关键点组成关键点集；根据所述关键点集中的各个关键点的坐标，确定所述脊柱分割图像对应的曲度特征值；将所述曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到所述待检测对象的脊柱曲度类别。采用本方法能够提高得到的脊柱曲度类别的准确性。

Description

脊柱曲度分类方法、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种脊柱曲度分类方法、计算机设备和存储介质。

背景技术

随着社会的发展，人们的体力劳动逐渐减少，脑力劳动增加，相应需要久坐的办公时间大大增加，脊柱发生病变的几率也逐年提升，其严重影响了人们的生活质量。因此，对脊柱是否发生病变进行检查就显得尤为重要，常规检查脊柱是否发生病变可以通过脊柱的曲度来进行衡量，所以就需要对人们的脊柱曲度进行检查。

相关技术中，在检查受检者的脊柱曲度时，通常医生会通过观察受检者拍摄的医学影像，并对医学影像视野内的脊柱整体进行曲度分析，以得到受检者脊柱曲度的类型，完成对受检者脊柱曲度的检查。

然而上述技术存在得到的脊柱曲度的类型不准确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高得到的脊柱曲度类型的准确性的脊柱曲度分类方法、装置、计算机设备和存储介质。

一种脊柱曲度分类方法，该方法包括：

获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

在其中一个实施例中，上述根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值，包括：

对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量；

采用预设的降维方法对特征向量进行降维处理，得到曲度特征值。

在其中一个实施例中，上述脊柱分割图像包括多个矢状位图像，在上述对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点之前，上述方法还包括：

根据脊柱分割图像，计算各个椎体对应的特征点的坐标；

根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像；

相应地，上述对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，包括：

对目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点。

在其中一个实施例中，上述根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像，包括：

根据各椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，各个目标椎体为各椎体中的部分椎体或全部椎体；

对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值；

根据各矢状位图像对应的距离和值，确定目标矢状位图像。

在其中一个实施例中，上述根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像，包括：

根据各椎体对应的特征点的坐标，计算各椎体对应的特征点的坐标的均值；

将均值所在的矢状位图像确定为目标矢状位图像。

在其中一个实施例中，上述预设的曲度阈值范围的确定方式包括：

获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别；

根据各历史脊柱分割图像，确定各历史脊柱分割图像对应的曲度特征值；

基于各历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到预设的曲度阈值范围。

在其中一个实施例中，上述预设的降维方法为主成分分析方法。

在其中一个实施例中，在上述对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量之前，上述方法还包括：

根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标；

相应地，上述对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量，包括：

对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

一种脊柱曲度分类装置，该装置包括：

获取模块，用于获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

检测模块，用于对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

确定模块，用于根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

匹配模块，用于将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

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：

获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

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：

获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

上述脊柱曲度分类方法、装置、计算机设备和存储介质，通过对待检测对象的脊柱分割图像进行关键点检测，得到各椎体对应的关键点组成的关键点集，根据关键点集中各关键点的坐标确定脊柱分割图像对应的曲度特征值，通过将曲度特征值和预设曲度阈值范围进行匹配，得到脊柱曲度类别。在该方法中，由于可以通过检测得到的关键点定性地计算脊柱分割图像对应的曲度特征值，并通过将曲度特征值和曲度阈值范围进行匹配得到脊柱曲度类别，而不需要人工进行判别，因此可以节省人力和时间；另外，该方法中不需要依据人的经验得到结果，都是根据检测的关键点数据定性地得到最终的类别结果，因此，该方法得到的最终结果更加准确。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例中脊柱曲度分类方法的流程示意图；

图2a为一个实施例中确定脊柱曲度阈值范围的示意图；

图3为另一个实施例中脊柱曲度分类方法的流程示意图；

图3a为另一个实施例中对关键点进行旋转平移的示意图；

图4为另一个实施例中脊柱曲度分类方法的流程示意图；

图4a为另一个实施例中计算各椎体的重心点的示意图；

图5为一个实施例中脊柱曲度分类装置的结构框图。

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。

目前，在对人体的脊柱曲度进行检查时，医生通常都是反复观察人拍摄的影像，并根据经验判断影像中的脊柱的曲度类型，然而由于不同医生经验不同，得到的结果也因人而异，有时候甚至因为一些医生经验不足，导致得到的结果准确性较低。基于此，本申请实施例提供一种脊柱曲度分类方法、装置、计算机设备和存储介质，可以解决上述技术问题。

本申请实施例提供的脊柱曲度分类方法，可以应用于计算机设备，该计算机设备可以是终端或服务器，以终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脊柱曲度分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

需要说明的是，本申请的执行主体可以是计算机设备，也可以是脊柱曲度分类装置，当然还可以是其他设备或装置，下述实施例以计算机设备为执行主体进行说明。

在一个实施例中，提供了一种脊柱曲度分类方法，本实施例涉及的是如何得到脊柱分割图像上的关键点集，以及根据关键点集如何得到最终的脊柱曲度类别的具体过程。如图2所示，该方法可以包括以下步骤：

S202，获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体。

其中，待检测对象可以是有生命的人体或动物体，也可以是已经死亡的人体或动物体。

另外，这里脊柱分割图像可以是采用多标签分割模型对原始脊柱图像进行分割得到的。在训练多标签分割模型时，可以是基于多个样本脊柱图像和每个样本脊柱图像对应的多个标签进行训练训练得到的，这里的多个标签指的是为脊柱上的不同区段设置不同的标签，例如脊柱上的椎体可以划分为四个区段，分别为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，每个标签中可以包括不同区段上点的位置信息等。同时，在训练多标签分割模型时，可以选择全部的标签加入训练，也可以选择特定的区段(例如T1～T12的12个标签)，取决于具体的应用。

具体训练过程可以包括：1)生成训练数据集：通过人工标注的方式对含有脊柱的图像进行多标签标注，即每一个椎体均有对应的标注值，如颈椎C2椎体为2，颈椎C3椎体为3，胸椎T1为8(颈椎共有7块椎体)，将原始脊柱图像与标注结果配对组成训练数据集；2)构建多标签分割模型：该模型的输入为上述训练数据集中的原始脊柱图像，输出为多通道的分割结果，通道数量取决于标签数量；3)训练多标签图像分割模型：使用步骤1)中得到的训练集训练步骤2)中构建的分割模型，根据需要调整和设置网络超参数，达到最佳的图像分割效果并保存训练得到网络模型。

在得到多标签分割模型之后，可以将待检测对象的原始脊柱图像输入至多标签分割模型，得到对应的脊柱分割图像，该脊柱分割图像中可以包括不同区段的椎体，也可以值包括一个区段的椎体，具体与模型训练时采用的区段标签相同，例如，训练时采用的样本上的标签是T1～T12和C1～C7，那么脊柱分割图像上包括的就是T1～T12和C1～C7的各个椎体。也就是说，这里脊柱分割图像上包括的至少两个椎体可以是属于同一个区段的椎体，也可以是属于不同区段的椎体。另外其中的原始脊柱分割图像可以是对待检测对象扫描得到的图像，也可以是预先在数据库或云端存储的图像等，当然这里的脊柱分割图像也可以是预先分割好存储在数据库或云端等，在需要使用时，通过计算机设备读取得到。这里的原始脊柱图像和脊柱分割图像可以是CT图像、MR图像、X-ray图像等等。

由于上述采用多标签分割模型得到的脊柱分割图像有可能会存在欠分割或过分割的情况在，导致分割结果不准确，因此在上述得到脊柱分割图像之后，还可以采用图像分割(Graph Cut)算法、深度学习相关算法等对多标签分割模型得到的脊柱分割图像进行优化，以消除边缘毛刺，这些算法的参数可以根据实际情况作出调整。

S204，对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集。

其中，这里每个椎体对应的关键点可以是每个椎体上的后缘角点、前缘角点、后缘中点、前缘中点、重心点、质心点、中心点等等，还可以是每个椎体最小外接矩形框的角点、每个椎体上离其最小外接矩形框角点最近的像素点等等，每个椎体上的关键点的数量可以是一个或多个，不同椎体上的关键点可以相同，也可以不同，例如C3椎体选取的关键点是后缘角点，C5椎体选取的关键点是重心点等，不同椎体上的关键点的数量可以相等，也可以不相等。

在得到脊柱分割图像之后，脊柱分割图像中包括各个椎体，可以通过计算各个椎体的外接矩形框，并依据每个椎体的外接矩形框上的角点的坐标，得到各个椎体的关键点的坐标。或者，也可以通过计算各个椎体的重心点(或质心点，或中心点)，将计算的各个椎体的重心点(或质心点，或中心点)的坐标作为关键点的坐标。

在得到各个椎体的关键点的坐标之后，相当于就得到了各个关键点，那么可以把所有椎体的关键点组合起来，得到一个关键点集。

S206，根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值。

具体的，在得到关键点集后，可以将关键点集中各个关键点的坐标进行加权求和取平均等过程，得到一个点的坐标，并将得到的点的坐标作为脊柱分割图像对应的曲度特征值。或者，也可以基于关键点集中各个关键点的坐标，从所有关键点中选择出较为重要的关键点，并将选择出的关键点的坐标作为脊柱分割图像对应的曲度特征值。或者，还可以将关键点集中各个关键点的坐标都集合起来，并对这些坐标进行降维处理等过程，得到脊柱分割图像对应的曲度特征值。

S208，将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

其中，预设的曲度阈值范围可以是各个预设的脊柱曲度类别对应的曲度阈值范围，也就是说，这里预设的曲度阈值范围的数量和预设的脊柱曲度类别数量相同，这里预设的曲度阈值范围可以与上述曲度特征值的维度相同，例如上述曲度特征值是2维的，有x和y值，那么对应的曲度阈值范围也是2维的，包括x和y两个方向上的范围。

可选的，预设的曲度阈值范围的确定方式可以包括以下步骤a，b，c：

a，获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别。

b，根据各历史脊柱分割图像，确定各历史脊柱分割图像对应的曲度特征值。

c，基于各历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到预设的曲度阈值范围。

在a-c中，可以获取多个不同对象的历史脊柱图像和每个历史脊柱图像对应的影像报告，然后对所有历史脊柱图像实施上述步骤，先进行图像分割，得到各个历史脊柱分割图像，再对各个历史脊柱图像进行关键点检测，得到每个历史脊柱分割图像对应的关键点集。同时采用文本识别等方法提取每个历史脊柱图像所对应的影像报告中关于曲度分类的结果，或采用人工标注的方式，得到每个历史脊柱图像的标注脊柱曲度类别。之后采用与上述S206相同的方法，依据各个历史脊柱分割图像对应的关键点集中各个关键点的坐标，对关键点集中各关键点的坐标组成的特征向量进行降维处理，得到每个历史脊柱分割图像对应的曲度特征值，对各个历史脊柱分割图像的曲度特征值的分布情况进行分析，同时结合每个历史脊柱图像的标注脊柱曲度类别，将各个历史脊柱分割图像对应的曲度特征值划分成不同的区域，具体可以参见图2a所示，每个区域对应一个脊柱曲度类别，各个不同区域之间可以通过一条直线进行划分，直线的公式可以通过关键点的坐标进行计算得到。

具体的，在得到脊柱分割图像对应的曲度特征值之后，可以将得到的曲度特征值和各个脊柱曲度类别对应的曲度阈值范围进行匹配，当曲度特征值与曲度阈值范围匹配成功，那么就可以将匹配成功的曲度阈值范围对应的脊柱曲度类别作为待检测对象的脊柱曲度类别。示例地，这里脊柱曲度类别可以包括正常、直、反弓等，当然还可以包括更多的类别。以图2a中划分的区域为例，假设图中的①是正常，②是直，③反弓，那么可以将上述得到的曲度特征值和图中的三个区域进行匹配，假设落到①的范围，那就说明该待检测对象的脊柱曲度类别为正常。需要说明的是，图2a只是示意，并不影响本申请实施例的实质内容。

当然这里在匹配时采用的脊柱曲度类别也不只是三个类别，还可以是更多的类别，具体可以根据实际情况而定。例如可以分为正常、变直、直、整体反弓、局部反弓等等。

上述脊柱曲度分类方法中，通过对待检测对象的脊柱分割图像进行关键点检测，得到各椎体对应的关键点组成的关键点集，根据关键点集中各关键点的坐标确定脊柱分割图像对应的曲度特征值，通过将曲度特征值和预设曲度阈值范围进行匹配，得到脊柱曲度类别。在该方法中，由于可以通过检测得到的关键点定性地计算脊柱分割图像对应的曲度特征值，并通过将曲度特征值和曲度阈值范围进行匹配得到脊柱曲度类别，而不需要人工进行判别，因此可以节省人力和时间；另外，该方法中不需要依据人的经验得到结果，都是根据检测的关键点数据定性地得到最终的类别结果，因此，该方法得到的最终结果更加准确。

在另一个实施例中，提供了另一种脊柱曲度分类方法，本实施例涉及的是如何根据关键点集中各关键点的坐标，得到曲度特征值的具体过程。在上述实施例的基础上，如图3所示，上述S206可以包括以下步骤：

S302，对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

在本步骤中，在进行坐标拼接之前，可选的，可以根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标。参见图3a所示，假设关键点集中有6个关键点，左侧深颜色的关键点为通过关键点检测得到的关键点，以O点为原点，对关键点集中所有关键点进行旋转和平移，得到旋转平移后的点集及其坐标，然后将旋转平移后所得的点集的坐标均除以OP两点之间的距离(其中，O点为底部的点，P点为顶部第二个点)，以对关键点集中的所有关键点进行尺度归一化，最终得到各关键点归一化后的坐标。

之后，可以对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。这里可以将各关键点的坐标按照坐标轴拼接起来，拼接后就可以得到特征向量。示例地，假设有6个关键点，每个关键点的坐标均包括X轴和Y轴的坐标值，那么可以将这6个关键点的X轴坐标值拼接起来，再将这6个关键点的Y轴坐标值拼接在这6个X轴坐标值后面，最终得到一个12维的特征向量。

S304，采用预设的降维方法对特征向量进行降维处理，得到曲度特征值。

在本步骤中，可选的，预设的降维方法为主成分分析方法。主成分分析方法指的是在减少需要分析的指标同时，尽量减少原指标包含信息的损失，以达到对所收集数据进行全面分析的目的，由于各变量间存在一定的相关关系，因此有可能用较少的综合指标分别综合存在于各变量中的各类信息。采用主成分分析方法进行降维，在变量较多，数据样本量少的情况下，可以更好地对数据进行简化，从而可以快速地进行后续处理流程。

在对上述得到的特征向量进行主成分分析时，可以对上述得到的特征向量进行协方差矩阵求解，然后对协方差矩阵进行特征分解，就可以得出数据的多个主元，这里以两个主元为例，那么就可以得到特征向量对应的两个主元，这两个主元对应图2a中的横纵轴，同时在这两个主元形成的空间内得到的坐标可以称为这里的曲度特征值。也就是说，在对图3a中各椎体的关键点坐标构成的特征向量进行降维之后，其就可以表现为图2a中的一个点，图2a中的每个点具有两个方向上的坐标。示例地，横轴可以表示为脊柱弯曲方向，例如向左弯曲或向右弯曲，纵轴可以表示为脊柱弯曲位置。

本实施例提供的脊柱曲度分类方法，可以采用预设的降维方法对各个关键点的坐标拼接成的特征向量进行降维处理，得到曲度特征值。由于降维方法可以降低特征向量的维度，剔除特征向量中的冗余特征，从而可以简化分析过程，也可以使最终得到的曲度特征值更加准确，进而可以使利用该曲度特征值得到的曲度类别更加准确。

在另一个实施例中，提供了另一种脊柱曲度分类方法，本实施例涉及的是若上述脊柱分割图像包括多个矢状位图像，那么在确定各椎体的关键点之前，如何从多个矢状位图像中确定中矢状位图像的具体过程。在上述实施例的基础上，如图4所示，在上述S204之前，上述方法还可以包括以下步骤：

S402，根据脊柱分割图像，计算各个椎体对应的特征点的坐标。

其中，各个椎体对应的特征点可以和上述S204中提到的关键点相同，包括每个椎体上的后缘角点、前缘角点、后缘中点、前缘中点、重心点、质心点、中心点等等，还可以是每个椎体最小外接矩形框的角点、每个椎体上离其最小外接矩形框角点最近的像素点等等。

另外，特征点的坐标的计算方式可以和上述S204中的计算方式相同，以特征点为重心点为例，可以根据目标矢状位图像上各个像素点的坐标，计算各个椎体的重心点的坐标，作为各个椎体的特征点的坐标。

S404，根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像。

在本步骤中，目标矢状位图像也可以称为中矢状位图像(即中心位置的矢状位图像)，一般各个矢状位图像都是按像素分布的，例如脊柱分割图像在某一个方向上有10个像素，那么每个像素上就可以对应一个矢状位图像；这里可以通过两种方式确定目标矢状位图像，可选的，第一种方式包括以下步骤B1和B2：

B1，根据各椎体对应的特征点的坐标，计算各椎体对应的特征点的坐标的均值。B2，将均值所在的矢状位图像确定为目标矢状位图像。

在B1-B2中，可以对每个椎体的特征点的坐标进行求和并取平均，得到一个坐标，并对该坐标进行取整，然后从各矢状位图像中找到该取整后的坐标所在的矢状位图像，并将其作为目标矢状位图像。

可选的，第二种方式包括以下步骤C1-C3：

C1，根据各椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，该各个目标椎体为各椎体中的部分椎体或全部椎体。

C2，对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值。

C3，根据各矢状位图像对应的距离和值，确定目标矢状位图像。

在C1-C3中，可以是计算全部椎体的关键点与每个矢状位图像之间的垂直距离，也可以是从全部椎体中选取一部分(例如选取中间几个椎体等)，计算选取的椎体与每个矢状位图像之间的垂直距离，这里可以利用点到面的距离公式进行计算，这样每个矢状位图像会得到多个距离值，然后对每个矢状位图像对应的多个距离值进行求和，得到和值，此时，每个矢状位图像会得到一个和值，之后就可以将每个矢状位图像对应的和值进行比较，得到比较结果。可选的，可以从比较结果中获取最小距离和值，将最小距离和值对应的矢状位图像确定为目标矢状位图像。这里在比较时，可以是对各个矢状位图像对应的和值进行排序，比如从大到小排序，那么就可以将排序结果中的最后一个和值确定为最小距离和值，或者从小到大排序，那么就可以将排序结果中的第一个和值确定为最小距离和值。

这里在确定出目标矢状位图像之后，相应地，就可以进行关键点检测了，那么上述S204可以包括以下步骤：

S406，对目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点。

在本步骤中，在确定出目标矢状位图像之后，就可以在目标矢状位图像上进行关键点的检测处理，具体计算过程可以与S204相同，只不过其中的脊柱分割图像为这里的目标矢状位图像，其他内容均相同，本实施例在此不再赘述。

可选的，在对各椎体进行关键点检测处理时，参见图4a所示，可以在目标矢状位图像上，计算各个椎体的重心点(或质心点，或中心点)，将计算的重心点(或质心点，或中心点)作为关键点，组成关键点集，并将计算的各个椎体的重心点(或质心点，或中心点)的坐标作为关键点的坐标。需要说明的是，图4a只是示意，并不影响本申请实施例的实质内容。

当然，可选的，也可以是根据脊柱分割图像上各个像素点的坐标，得到各椎体的最小外接矩形框；根据每个椎体的最小外接矩形框，得到各椎体的最小外接矩形框上的至少两个角点的坐标；上述每个椎体的最小外接矩形框上的至少两个角点包括两个后缘角点，根据每个椎体的两个后缘角点的坐标与脊柱分割图像上各个像素点的坐标，得到每个椎体的后缘角点所对应的目标像素点，该目标像素点为与后缘角点之间坐标距离最短的像素点；将各个椎体的目标像素点作为关键点，组成关键点集，以及将各个椎体的目标像素点的坐标确定为各个椎体对应的关键点的坐标。

本实施例提供的脊柱曲度分类方法，若上述脊柱分割图像包括多个矢状位图像，可以通过脊柱分割图像中各个椎体对应的特征点，从多个矢状位图像中确定目标矢状位图像，以便后续在该目标矢状位图像上进行关键点检测。在本实施例中，由于可以从脊柱分割图像中确定一个目标矢状位图像进行后续的关键点检测，而不需要全部矢状位图像进行关键点计算，其计算量较小，因此可以节省关键点检测的时间，从而可以进一步提高脊柱曲度检测的效率。

在另一个实施例中，为了便于对本申请实施例的技术方案进行更详细的说明，以下结合一个更加详细的实施例对本申请的技术方案加以说明，该方法可以包括以下步骤S1-S12：

S1，获取待检测对象的原始脊柱图像。

S2，对原始脊柱图像进行多标签分割，得到初始脊柱分割图像。

S3，采用图像分割算法优化脊柱分割图像，得到脊柱分割图像，该脊柱分割图像上包括至少两个椎体。

S4，根据脊柱分割图像，计算各个椎体对应的重心点的坐标。

S5，根据各椎体对应的重心点的坐标，计算各椎体对应的重心点的坐标的均值；将均值所在的矢状位图像确定为目标矢状位图像。或者，采用S6确定目标矢状位图像。

S6，根据各椎体对应的重心点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的重心点之间的距离，该各个目标椎体为各椎体中的部分椎体或全部椎体；对每个矢状位图像与各个目标椎体对应的重心点之间的距离进行求和，得到每个矢状位图像对应的距离和值；将各矢状位图像对应的距离和值进行比较，从比较结果中获取最小距离和值，将最小距离和值对应的矢状位图像确定为目标矢状位图像。

S7，根据目标矢状位图像上各个像素点的坐标，计算各个椎体的重心点的坐标。

S8，将各个椎体的重心点的坐标确定为各个椎体对应的关键点的坐标，并将各椎体对应的关键点组成关键点集。

S9，根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标。

S10，对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

S11，采用主成分分析方法对特征向量进行降维处理，得到曲度特征值。

S12，将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

应该理解的是，虽然图2-4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2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种脊柱曲度分类装置，包括：获取模块10、检测模块11、确定模块12和匹配模块13，其中：

获取模块10，用于获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

检测模块11，用于对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

确定模块12，用于根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

匹配模块13，用于将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

关于脊柱曲度分类装置的具体限定可以参见上文中对于脊柱曲度分类方法的限定，在此不再赘述。

在另一个实施例中，提供了另一种脊柱曲度分类装置，上述确定模块12可以包括拼接单元和降维单元，其中：

拼接单元，用于对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量；

降维单元，用于采用预设的降维方法对特征向量进行降维处理，得到曲度特征值。

可选的，上述预设的降维方法为主成分分析方法。

在另一个实施例中，提供了另一种脊柱曲度分类装置，上述脊柱分割图像包括多个矢状位图像，在上述检测模块11对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点之前，上述装置还可以包括坐标计算模块和图像确定模块，其中：

坐标计算模块，用于根据脊柱分割图像，计算各个椎体对应的特征点的坐标；

图像确定模块，用于根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像；

相应地，上述检测模块11，还用于对目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点的坐标。

可选的，上述图像确定模块可以包括第一计算单元和第一图像确定单元，其中：

第一计算单元，用于根据各椎体对应的特征点的坐标，计算各椎体对应的特征点的坐标的均值；

第一图像确定单元，用于将均值所在的矢状位图像确定为目标矢状位图像。

可选的，上述图像确定模块可以包括第二计算单元、求和单元和第二图像确定单元，其中：

第二计算单元，用于根据各椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，该各个目标椎体为各椎体中的部分椎体或全部椎体；

求和单元，用于对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值；

第二图像确定单元，用于根据各矢状位图像对应的距离和值，确定目标矢状位图像。

在另一个实施例中，提供了另一种脊柱曲度分类装置，在上述实施例的基础上，上述装置还包括阈值范围确定模块，该阈值范围确定模块包括获取单元、特征值确定单元和划分单元，其中：

获取单元，用于获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别；

特征值确定单元，用于根据各历史脊柱分割图像，确定各历史脊柱分割图像对应的曲度特征值；

划分单元，用于基于各历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到预设的曲度阈值范围。

在另一个实施例中，提供了另一种脊柱曲度分类装置，在上述拼接单元对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量之前，上述装置还可以包括归一化模块，该归一化模块，用于根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标；相应地，上述拼接单元，还用于对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

关于脊柱曲度分类装置的具体限定可以参见上文中对于脊柱曲度分类方法的限定，在此不再赘述。

上述脊柱曲度分类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：

获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量；采用预设的降维方法对特征向量进行降维处理，得到曲度特征值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据脊柱分割图像，计算各个椎体对应的特征点的坐标；根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像；对目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据各椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，各个目标椎体为各椎体中的部分椎体或全部椎体；对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值；根据各矢状位图像对应的距离和值，确定目标矢状位图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据各椎体对应的特征点的坐标，计算各椎体对应的特征点的坐标的均值；将均值所在的矢状位图像确定为目标矢状位图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别；根据各历史脊柱分割图像，确定各历史脊柱分割图像对应的曲度特征值；基于各历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到预设的曲度阈值范围。

在一个实施例中，上述预设的降维方法为主成分分析方法。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标；对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

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：

获取待检测对象的脊柱分割图像，该脊柱分割图像上包括至少两个椎体；

对脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各椎体对应的关键点组成关键点集；

根据关键点集中的各个关键点的坐标，确定脊柱分割图像对应的曲度特征值；

将曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到待检测对象的脊柱曲度类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对关键点集中的各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量；采用预设的降维方法对特征向量进行降维处理，得到曲度特征值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据脊柱分割图像，计算各个椎体对应的特征点的坐标；根据各椎体对应的特征点的坐标，在多个矢状位图像中确定脊柱分割图像对应的目标矢状位图像；对目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据各椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，各个目标椎体为各椎体中的部分椎体或全部椎体；对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值；根据各矢状位图像对应的距离和值，确定目标矢状位图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据各椎体对应的特征点的坐标，计算各椎体对应的特征点的坐标的均值；将均值所在的矢状位图像确定为目标矢状位图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别；根据各历史脊柱分割图像，确定各历史脊柱分割图像对应的曲度特征值；基于各历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到预设的曲度阈值范围。

在一个实施例中，上述预设的降维方法为主成分分析方法。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据关键点集中的各个关键点的坐标，对各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标；对归一化后各个关键点的坐标进行拼接处理，得到脊柱分割图像对应的特征向量。

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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脊柱曲度分类方法，其特征在于，所述方法包括：

获取待检测对象的脊柱分割图像，所述脊柱分割图像上包括至少两个椎体；

对所述脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，并将各所述椎体对应的关键点组成关键点集；

根据所述关键点集中的各个关键点的坐标，确定所述脊柱分割图像对应的曲度特征值；

将所述曲度特征值和预设的曲度阈值范围进行匹配，并根据匹配结果得到所述待检测对象的脊柱曲度类别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关键点集中的各个关键点的坐标，确定所述脊柱分割图像对应的曲度特征值，包括：

对所述关键点集中的各个关键点的坐标进行拼接处理，得到所述脊柱分割图像对应的特征向量；

采用预设的降维方法对所述特征向量进行降维处理，得到所述曲度特征值。

3.根据权利要求1或2所述的方法，其特征在于，所述脊柱分割图像包括多个矢状位图像，在所述对所述脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点之前，所述方法还包括：

根据所述脊柱分割图像，计算各个椎体对应的特征点的坐标；

根据各所述椎体对应的特征点的坐标，在所述多个矢状位图像中确定所述脊柱分割图像对应的目标矢状位图像；

相应地，所述对所述脊柱分割图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点，包括：

对所述目标矢状位图像中的各椎体进行关键点检测处理，得到各椎体对应的关键点。

4.根据权利要求3所述的方法，其特征在于，所述根据各所述椎体对应的特征点的坐标，在所述多个矢状位图像中确定所述脊柱分割图像对应的目标矢状位图像，包括：

根据各所述椎体对应的特征点的坐标，计算各个目标椎体与各矢状位图像之间的垂直距离，得到每个矢状位图像和各个目标椎体对应的特征点之间的距离，所述各个目标椎体为各所述椎体中的部分椎体或全部椎体；

对每个矢状位图像与各个目标椎体对应的特征点之间的距离进行求和，得到每个矢状位图像对应的距离和值；

根据各所述矢状位图像对应的距离和值，确定目标矢状位图像。

5.根据权利要求3所述的方法，其特征在于，所述根据各所述椎体对应的特征点的坐标，在所述多个矢状位图像中确定所述脊柱分割图像对应的目标矢状位图像，包括：

根据各所述椎体对应的特征点的坐标，计算各所述椎体对应的特征点的坐标的均值；

将所述均值所在的矢状位图像确定为所述目标矢状位图像。

6.根据权利要求1或2所述的方法，其特征在于，所述预设的曲度阈值范围的确定方式包括：

获取多个历史脊柱分割图像，每个历史脊柱分割图像上均标注脊柱曲度类别；

根据各所述历史脊柱分割图像，确定各所述历史脊柱分割图像对应的曲度特征值；

基于各所述历史脊柱分割图像对应的曲度特征值和对应的标注脊柱曲度类别，对各曲度特征值进行区域划分，得到所述预设的曲度阈值范围。

7.根据权利要求2所述的方法，其特征在于，所述预设的降维方法为主成分分析方法。

8.根据权利要求2所述的方法，其特征在于，在所述对所述关键点集中的各个关键点的坐标进行拼接处理，得到所述脊柱分割图像对应的特征向量之前，所述方法还包括：

根据所述关键点集中的各个关键点的坐标，对所述各个关键点的坐标进行归一化处理，得到归一化后各个关键点的坐标；

相应地，所述对所述关键点集中的各个关键点的坐标进行拼接处理，得到所述脊柱分割图像对应的特征向量，包括：

对所述归一化后各个关键点的坐标进行拼接处理，得到所述脊柱分割图像对应的特征向量。

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至8中任一项所述的方法的步骤。

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至8中任一项所述的方法的步骤。

Images