CN111652862A - 脊柱顺列分类方法、计算机设备和存储介质 - Google Patents
脊柱顺列分类方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111652862A CN111652862A CN202010462096.9A CN202010462096A CN111652862A CN 111652862 A CN111652862 A CN 111652862A CN 202010462096 A CN202010462096 A CN 202010462096A CN 111652862 A CN111652862 A CN 111652862A
- Authority
- CN
- China
- Prior art keywords
- vertebral body
- coordinates
- image
- target
- spine
- 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.)
- Pending
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种脊柱顺列分类方法、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的坐标;基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;将所述相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到所述待检测对象的脊柱顺列类别。采用本方法能够提高检测结果的准确性。
Description
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顺列分类方法、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顺列来进行衡量,所以就需要对人们的脊柱顺列进行检查。
相关技术中,在检查受检者的脊柱顺列时,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顺列分析,以得到受检者脊柱顺列检测结果。
然而上述技术存在得到的脊柱顺列的检测结果不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测的脊柱顺列的准确性的脊柱顺列分类方法、装置、计算机设备和存储介质。
一种脊柱顺列分类方法,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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
在其中一个实施例中,在上述将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别之前,上述方法还包括:
获取待检测对象的属性信息;
根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值,该预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值;
相应地,上述将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别,包括:
将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
在其中一个实施例中,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的坐标,包括:
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;
根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
在其中一个实施例中,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,上述根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标,包括:
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的坐标确定为各个椎体对应的关键点的坐标。
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的坐标,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的坐标。
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,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;
将各矢状位图像对应的距离和值进行比较,并根据比较结果确定目标矢状位图像。
在其中一个实施例中,上述将各矢状位图像对应的距离和值进行比较,并根据比较结果确定目标矢状位图像,包括:
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。
一种脊柱顺列分类装置,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的坐标;
计算模块,用于基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
对比确定模块,用于将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
上述脊柱顺列分类方法、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中的各个椎体进行关键点检测,得到各椎体对应的关键点的坐标,基于各关键点的坐标计算相邻两个椎体之间的距离,将相邻两个椎体之间的距离和预设的顺列阈值进行对比,根据对比结果得到待检测对象的脊柱顺列类别。在该方法中,由于可以通过检测得到的关键点定性地计算相邻椎体之间的距离,并通过计算的距离和预设的脊柱顺列阈值的对比结果得到脊柱顺列的类别,而不需要人工进行计算对比,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,都是根据计算的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顺列分类方法的流程示意图;
图3为另一个实施例中脊柱顺列分类方法的流程示意图;
图4为另一个实施例中脊柱顺列分类方法的流程示意图;
图4a为另一个实施例中确定各个椎体的关键点的示例图;
图5为另一个实施例中脊柱顺列分类方法的流程示意图;
图6为一个实施例中脊柱顺列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,在对人体的脊柱顺列进行检测时,通常有两种方法,一种是医生通过观察受检者拍摄的医学影像,并依据经验对医学影像视野内的脊柱整体进行顺列分析,以得到受检者脊柱顺列检测结果,然而该方法得到顺列结果不准确;另一种是医生在检测某个椎体的顺列时,沿该椎体相邻的上一个椎体后缘画一条直线,同时沿该椎体的后缘画一条与上述直线平行的直线,根据这两条直线之间的距离来确定该椎体的顺列状况,然而这种方法比较耗费人力和时间。基于此,本申请实施例提供一种脊柱顺列分类方法、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顺列分类方法,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顺列分类方法。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,也可以是脊柱顺列分类装置,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,提供了一种脊柱顺列分类方法,本实施例涉及的是如何得到脊柱分割图像中各椎体上的关键点,并通过个椎体上的关键点如何得到脊柱顺列类别的具体过程。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的坐标。
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。
S206,基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离。
其中,每个椎体对应的关键点的数量可以是一个或多个,若每个椎体对应的关键点都只有一个,那么可以通过相邻两个椎体的关键点的坐标以及两点之间的距离公式,计算得到相邻两个椎体的关键点之间的距离,作为相邻来两个椎体之间的距离。或者,若每个椎体对应的关键点是多个,以颈椎为例,计算相邻的C4和C5两个椎体之间的距离,假设C4和C5上分别有两个关键点,为后缘上方角点和后缘下方角点,那么可以通过计算C4的后缘上方角点和C5的后缘上方角点两个坐标之间的距离,以及计算C4的后缘下方角点和C5的后缘下方角点两个坐标之间的距离,并通过对计算的两个距离取均值,并将得到的距离均值作为相邻的C4和C5两个椎体之间的距离。
当然,若每个椎体对应的关键点是多个,也可以是从每个椎体对应的多个关键点中选取一个,然后计算相邻两个椎体的一个关键点的坐标之间的距离,得到相邻两个椎体之间的距离。
S208,将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
其中,预设的顺列阈值可以根据实际情况而定,可以与待检测对象的年龄、性别、身高、职业等相关,也可以与各椎体所属的区段相关,例如颈椎区段的顺列阈值可以和腰椎区段的顺列阈值不相同。示例地,预设的顺列阈值可以是2.00mm、2.5mm、3mm等等。
具体的,上述在计算相邻两个椎体之间的距离时,可以是对脊柱分割图像中的所有相邻的两个椎体之间的距离都进行计算,然后将各相邻的两个椎体之间的距离和其对应的顺列阈值进行对比,得到各相邻的两个椎体各自的顺列结果。
示例地,假设确定颈椎相邻的C4、C5的顺列类别,那么可以计算得到相邻的C4和C5两个椎体之间的距离,假设C4和C5之间的距离超出预设的顺列阈值,那么可以确定C5的顺列类别为第一类别,假设C4和C5之间的距离未超出预设的顺列阈值,那么可以确定C5的顺列类别为第二类别,这里的第一类别和第二类别可以是不良和良,当然也可以是其他数据等;同样的C4的顺列类别可以通过与其相邻的C3计算得到。
当然这里在判断时采用的脊柱顺列类别也不只是两个类别,还可以是更多的类别,具体可以根据实际情况而定。
需要说明的是,这里得到每个椎体的顺列类别之后,可以将一个椎体的顺列类别作为脊柱顺列类别,也可以是将各个椎体的顺列类别进行统一处理后(例如进一步取均值、根据不同类别占比取类别等),得到脊柱顺列类别。
上述脊柱顺列分类方法中,通过对待检测对象的脊柱分割图像中的各个椎体进行关键点检测,得到各椎体对应的关键点的坐标,基于各关键点的坐标计算相邻两个椎体之间的距离,将相邻两个椎体之间的距离和预设的顺列阈值进行对比,根据对比结果得到待检测对象的脊柱顺列类别。在该方法中,由于可以通过检测得到的关键点定性地计算相邻椎体之间的距离,并通过计算的距离和预设的脊柱顺列阈值的对比结果得到脊柱顺列的类别,而不需要人工进行计算对比,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,都是根据计算的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,提供了另一种脊柱顺列分类方法,本实施例涉及的是在确定脊柱顺列类别之前,如何确定待检测对象对应的顺列阈值的具体过程。在上述实施例的基础上,如图3所示,在上述S208之前,上述方法还可以包括以下步骤:
S302,获取待检测对象的属性信息。
其中,属性信息可以是待检测对象的年龄、性别、身高、体重、职业等等。
S304,根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值,该预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值。
在本步骤中,可以预先对病例数据库中的对象,依据其属性信息进行分组,根据上述顺列判定值计算方法(即相邻两个椎体之间的距离计算方法)计算每个对象的图像上脊柱的顺列判定值,并使用该对象的影像报告中顺列的判定结果作统计,得到顺列判定的最佳阈值作为标准。也就是说,可以预先统计得到不同对象的属性信息以及各属性信息对应的顺列阈值,并建立对应关系,以及将该对应关系存储在数据库中。
在建立好的对应关系之后,可以在对应关系中查找待检测对象的属性信息对应的顺列阈值,记为目标顺列阈值;这里在查找时,可以只通过属性信息中的一个属性信息进行查找,例如仅根据年龄去查找,也可以是通过属性信息中的全部属性进行查找,总之可以找到目标顺列阈值就可以。这里在得到顺列阈值时,综合考虑了不同对象的年龄、身高、性别等属性信息,这样更有针对性,从而可以提高最终顺列判断的准确性。
在得到待检测对象对应的目标顺列阈值之后,相应地,上述S208可以包括以下步骤:
S306,将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
本步骤的对比过程及结果可以和上述S208中的相同,在此不再赘述。
本实施例提供的脊柱顺列分类方法,可以通过待检测对象的属性信息确定对应的目标顺列阈值,并将相邻的两个椎体的关键点之间的距离和目标顺列阈值进行对比,根据对比结果得到待检测对象的脊柱顺列类别。在本实施例中,由于在确定待检测对象的顺列阈值时,综合考虑了该待检测对象的年龄、身高、性别等属性信息,这样得到的顺列阈值更有针对性,从而可以提高最终顺列判断的准确性。
在另一个实施例中,提供了另一种脊柱顺列分类方法,本实施例涉及的是如何对各椎体进行关键点检测,得到各椎体对应的关键点的坐标的具体过程。在上述实施例的基础上,如图4所示,上述S204可以包括以下步骤:
S402,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。
在本步骤中,可以通过目标检测算法(例如yolo算法、SSD算法等)等对脊柱分割图像上的各个像素点的坐标进行检测计算,得到每个椎体的最小外接矩形框。
S404,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。
在得到每个椎体的最小外接矩形框之后,那么就可以得到各个最小外接矩形框上的角点的坐标,一般每个最小外接矩形框会有四个角点,四个角点的位置与椎体的两个前缘角点以及两个后缘角点相对应。
S406,根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
在本步骤中,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,当然也可以包括两个前缘角点,参见图4a所示,本实施例以两个后缘角点为例进行说明。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。
可选的,本步骤在确定各椎体的关键点的坐标时,可以采用如下步骤A1和A2进行:
A1,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。
A2,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。
在A1中,可以计算每个椎体的两个后缘角点与脊柱分割图像上全部像素点之间的距离,即针对一个椎体而言,分别计算每个后缘角点在整个脊柱分割图像中的距离场,然后从中找到距离该后缘角点最近的一个像素点,且该找到的像素点是椎体分割掩膜上的点,之后可以将找到的像素点作为目标像素点,这里每个后缘角点都会找到对应的目标像素点。
当然也可以是从脊柱分割图像中选取一部分像素点进行计算(例如可以选取每个后缘角点周围预设半径范围内的像素点进行计算),然后计算每个后缘角点与选取的像素点之间的距离,并从中找到距离该后缘角点最近的一个像素点,且该找到的像素点是椎体分割掩膜上的点,然后可以将找到的像素点作为目标像素点,这里每个后缘角点都会找到对应的目标像素点。选取部分像素点计算距离,可以在一定程度上减少计算量,从而加快得到关键点的速度,进一步提升确定脊柱顺列类别的效率。
在找到每个后缘角点对应的目标像素点之后,就可以将目标像素点作为关键点,并将各个椎体的目标像素点的坐标作为其对应的关键点的坐标。
本实施例提供的脊柱顺列分类方法,可以通过确定各椎体的最小外接矩形框,并通过各椎体的最小外接矩形框上的角点坐标以及脊柱分割图像上像素点的坐标,确定各椎体对应的关键点的坐标。在本实施例中,由于可以通过各椎体的最小外接矩形框上的角点来确定各椎体的关键点,而最小外接矩形框为最接近椎体形状的框,这样可以有针对性的去确定椎体的后缘角点,从而可以使最终确定的后缘角点更准确,即最终确定的椎体的关键点更准确。
在另一个实施例中,提供了另一种脊柱顺列分类方法,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5所示,在上述S204之前,上述方法还可以包括以下步骤:
S502,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,在此不再赘述。
S504,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,将各矢状位图像对应的距离和值进行比较,并根据比较结果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:
S506,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。
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。
本实施例提供的脊柱顺列分类方法,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顺列检测的效率。
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-S13:
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特征点的坐标。
S5,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。或者,采用S6确定目标矢状位图像。
S6,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;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;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,得到各椎体的最小外接矩形框。
S8,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。
S9,根据每个椎体的两个后缘角点的坐标与目标矢状位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。
S10,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。
S11,基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离。
S12,获取待检测对象的属性信息;根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值。
S13,将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
应该理解的是,虽然图2-5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2-5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6所示,提供了一种脊柱顺列分类装置,包括:获取模块10、检测模块11、计算模块12和对比确定模块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的坐标;
计算模块12,用于基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
对比确定模块13,用于将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
关于脊柱顺列分类装置的具体限定可以参见上文中对于脊柱顺列分类方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种脊柱顺列分类装置,在上述对比确定模块13将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别之前,上述装置还可以包括信息获取模块和阈值确定模块,其中:
信息获取模块,用于获取待检测对象的属性信息;
阈值确定模块,用于根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值,该预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值;
相应地,上述对比确定模块13,还用于将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
在另一个实施例中,提供了另一种脊柱顺列分类装置,上述检测模块11可以包括第一确定单元、第二确定单元和第三确定单元,其中:
第一确定单元,用于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;
第二确定单元,用于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;
第三确定单元,用于根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
可选的,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,上述第三确定单元,还用于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的坐标确定为各个椎体对应的关键点的坐标。
在另一个实施例中,提供了另一种脊柱顺列分类装置,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,用于将各矢状位图像对应的距离和值进行比较,并根据比较结果确定目标矢状位图像。
可选的,上述第二图像确定单元,还用于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。
关于脊柱顺列分类装置的具体限定可以参见上文中对于脊柱顺列分类方法的限定,在此不再赘述。
上述脊柱顺列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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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:
获取待检测对象的属性信息;根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值,该预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值;将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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:
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;根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
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的坐标确定为各个椎体对应的关键点的坐标。
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的坐标。
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:
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;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;将各矢状位图像对应的距离和值进行比较,并根据比较结果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:
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。
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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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:
获取待检测对象的属性信息;根据待检测对象的属性信息,在预设的数据库中确定待检测对象的属性信息对应的目标顺列阈值,该预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值;将相邻两个椎体的关键点之间的距离和目标顺列阈值进行对比,并根据对比结果得到待检测对象的脊柱顺列类别。
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:
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;根据脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
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的坐标确定为各个椎体对应的关键点的坐标。
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的坐标。
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:
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;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;将各矢状位图像对应的距离和值进行比较,并根据比较结果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:
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。
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)
1.一种脊柱顺列分类方法,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的坐标;
基于各椎体对应的关键点的坐标,计算相邻两个椎体的关键点之间的距离;
将所述相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到所述待检测对象的脊柱顺列类别。
2.根据权利要求1所述的方法,其特征在于,在所述将所述相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到所述待检测对象的脊柱顺列类别之前,所述方法还包括:
获取所述待检测对象的属性信息;
根据所述待检测对象的属性信息,在预设的数据库中确定所述待检测对象的属性信息对应的目标顺列阈值,所述预设的数据库包括多个属性信息和每个属性信息对应的顺列阈值;
相应地,所述将所述相邻两个椎体的关键点之间的距离和预设的顺列阈值进行对比,并根据对比结果得到所述待检测对象的脊柱顺列类别,包括:
将所述相邻两个椎体的关键点之间的距离和所述目标顺列阈值进行对比,并根据对比结果得到所述待检测对象的脊柱顺列类别。
3.根据权利要求1或2所述的方法,其特征在于,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的坐标,包括:
根据所述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;
根据所述脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标。
4.根据权利要求3所述的方法,其特征在于,所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,所述根据所述脊柱分割图像上各个像素点的坐标和每个椎体的最小外接矩形框上的至少两个角点的坐标,确定各椎体对应的关键点的坐标,包括:
根据每个椎体的所述两个后缘角点的坐标与所述脊柱分割图像上各个像素点的坐标,得到每个椎体的所述后缘角点所对应的目标像素点,所述目标像素点为与所述后缘角点之间坐标距离最短的像素点;
将各个椎体的所述目标像素点的坐标确定为各个椎体对应的关键点的坐标。
5.根据权利要求4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的坐标,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的坐标。
6.根据权利要求5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。
7.根据权利要求5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;
将各所述矢状位图像对应的距离和值进行比较,并根据比较结果确定目标矢状位图像。
8.根据权利要求7所述的方法,其特征在于,所述将各所述矢状位图像对应的距离和值进行比较,并根据比较结果确定目标矢状位图像,包括:
从所述比较结果中获取最小距离和值,将所述最小距离和值对应的矢状位图像确定为所述目标矢状位图像。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462096.9A CN111652862A (zh) | 2020-05-27 | 2020-05-27 | 脊柱顺列分类方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462096.9A CN111652862A (zh) | 2020-05-27 | 2020-05-27 | 脊柱顺列分类方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652862A true CN111652862A (zh) | 2020-09-11 |
Family
ID=72342811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462096.9A Pending CN111652862A (zh) | 2020-05-27 | 2020-05-27 | 脊柱顺列分类方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652862A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240696A (zh) * | 2021-05-20 | 2021-08-10 | 推想医疗科技股份有限公司 | 图像处理方法及装置,模型的训练方法及装置,电子设备 |
CN116072255A (zh) * | 2023-04-07 | 2023-05-05 | 北京大学第三医院(北京大学第三临床医学院) | 基于人工智能的颈椎退行性疾病ct检查结构化报告系统 |
CN116862986A (zh) * | 2023-09-01 | 2023-10-10 | 苏州安博医疗科技有限公司 | 一种脊柱外科手术用机械臂视觉定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844800A (zh) * | 2017-07-31 | 2018-03-27 | 深圳联影医疗科技有限公司 | 一种全脊椎最佳矢状位的确定系统、方法及装置 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
US20200160515A1 (en) * | 2018-11-21 | 2020-05-21 | Siemens Healthcare Gmbh | Processing a Medical Image |
-
2020
- 2020-05-27 CN CN202010462096.9A patent/CN111652862A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844800A (zh) * | 2017-07-31 | 2018-03-27 | 深圳联影医疗科技有限公司 | 一种全脊椎最佳矢状位的确定系统、方法及装置 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
US20200160515A1 (en) * | 2018-11-21 | 2020-05-21 | Siemens Healthcare Gmbh | Processing a Medical Image |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
刘忠利 等: "基于深度学习的脊柱CT图像分割" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240696A (zh) * | 2021-05-20 | 2021-08-10 | 推想医疗科技股份有限公司 | 图像处理方法及装置,模型的训练方法及装置,电子设备 |
CN113240696B (zh) * | 2021-05-20 | 2022-02-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置,模型的训练方法及装置,电子设备 |
CN116072255A (zh) * | 2023-04-07 | 2023-05-05 | 北京大学第三医院(北京大学第三临床医学院) | 基于人工智能的颈椎退行性疾病ct检查结构化报告系统 |
CN116862986A (zh) * | 2023-09-01 | 2023-10-10 | 苏州安博医疗科技有限公司 | 一种脊柱外科手术用机械臂视觉定位方法及系统 |
CN116862986B (zh) * | 2023-09-01 | 2023-11-21 | 苏州安博医疗科技有限公司 | 一种脊柱外科手术用机械臂视觉定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahapatra | Semi-supervised learning and graph cuts for consensus based medical image segmentation | |
CN111652862A (zh) | 脊柱顺列分类方法、计算机设备和存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111340800B (zh) | 图像检测方法、计算机设备和存储介质 | |
CN111652300A (zh) | 脊柱曲度分类方法、计算机设备和存储介质 | |
CN111402260A (zh) | 一种基于深度学习的医学影像分割方法、系统、终端及存储介质 | |
EP3657435A1 (en) | Apparatus for identifying regions in a brain image | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
US9811904B2 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
CN110838104A (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
Liu et al. | A new directionality tool for assessing microtubule pattern alterations | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN111341408A (zh) | 影像报告模板的生成方法、计算机设备和存储介质 | |
US9483705B2 (en) | Image processing device, image processing method, and image processing program | |
US20170053172A1 (en) | Image processing apparatus, and image processing method | |
CN113240661A (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
CN114092475A (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
CN111275699A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN112184623A (zh) | 脊柱椎体的椎间隙分析方法、设备和存储介质 | |
CN109884682B (zh) | 一种晶体位置查找表的生成方法、装置、设备及介质 | |
CN115082487B (zh) | 超声图像切面质量评价方法、装置、超声设备及存储介质 |
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 |