CN112529860A - 脊柱图像处理方法、装置、电子设备及存储介质 - Google Patents

脊柱图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112529860A
CN112529860A CN202011407509.XA CN202011407509A CN112529860A CN 112529860 A CN112529860 A CN 112529860A CN 202011407509 A CN202011407509 A CN 202011407509A CN 112529860 A CN112529860 A CN 112529860A
Authority
CN
China
Prior art keywords
image
spine
edge line
vertebra
angle
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
Application number
CN202011407509.XA
Other languages
English (en)
Inventor
谭志强
李世博
胡颖
陶惠人
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.)
Shenzhen Institute of Advanced Technology of CAS
Shenzhen University General Hospital
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Shenzhen University General Hospital
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 Shenzhen Institute of Advanced Technology of CAS, Shenzhen University General Hospital filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202011407509.XA priority Critical patent/CN112529860A/zh
Publication of CN112529860A publication Critical patent/CN112529860A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于图像处理技术领域，提供了脊柱图像处理方法、装置、电子设备及存储介质，包括：获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息；对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域；确定至少两个所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线；根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。本申请实施例能够准确地确定脊柱弯曲角度。

Description

脊柱图像处理方法、装置、电子设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种脊柱图像处理方法、装置、电子设备及存储介质。
背景技术
目前，在一些医疗电子设备、运动检测设备、虚拟现实设备中，常常需要基于人体的脊柱弯曲角度来进行一些数据的判断及模拟工作。然而，现有技术中，人体的脊柱弯曲角度通常只能依靠人为测量来确定，由于人为测量过程中通常存在较大的误差，因此，现有的脊柱弯曲角度确定方法准确性较低。
发明内容
有鉴于此，本申请实施例提供了脊柱图像处理方法、装置、电子设备及存储介质，以解决现有技术中如何准确确定脊柱弯曲角度的问题。
本申请实施例的第一方面提供了一种脊柱图像处理方法，包括：
获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息；
对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域；
确定至少两个所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线；
根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
可选地，所述对所述脊柱图像进行图像分割处理，得到目标图像，包括：
将所述脊柱图像输入训练后的U型全卷积神经网络进行图像分割处理，得到目标图像。
可选地，所述确定至少两个所述椎骨图像区域的边缘线，包括：
从上至下遍历所述目标图像的各个像素点，确定像素值由第一像素值变更为第二像素值的所述像素点为所述椎骨图像区域的上边缘点，以及确定像素值由第二像素值变更为第一像素值的所述像素点为所述椎骨图像区域的下边缘点；
根据所述上边缘点及所述下边缘点，分别进行曲线拟合，得到每个所述椎骨图像区域分别对应的上边缘线及下边缘线。
可选地，所述脊柱弯曲角度包括第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度，所述根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度，包括：
根据所述上边缘线与所述下边缘线之间的夹角，确定所述目标图像中最大的所述夹角的角度为第一脊柱弯曲角度，并确定组成所述最大的所述夹角的第一边缘线及第二边缘线；
确定所述第一边缘线所在的椎骨图像区域的边缘线及位于所述第一边缘线之上的边缘线为第一区域的边缘线；
根据各条所述第一区域的边缘线之间的夹角，确定所述第一区域中最大的夹角的角度为第二脊柱弯曲角度；
确定所述第二边缘线所在的椎骨图像区域的边缘线及位于所述第二边缘线之下的边缘线为第二区域的边缘线；
根据各条所述第二区域的边缘线之间的夹角，确定所述第二区域中最大的夹角的角度为第三脊柱弯曲角度。
可选地，在所述对所述脊柱图像进行图像分割处理，得到目标图像之后，还包括：
分别对各个椎骨图像区域进行标号，以标识各个所述椎骨图像区域所表示的椎骨；
对应地，所述确定至少两个所述椎骨图像区域的边缘线，包括：
确定标号为第一预设标号的椎骨图像区域的上边缘线为第一目标边缘线；
确定标号为第二预设标号的椎骨图像区域的下边缘线为第二目标边缘线；
对应地，所述根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度，包括：
将所述第一目标边缘线与所述第二目标边缘线之间的夹角的角度确定为所述脊柱图像的脊柱弯曲角度。
可选地，在所述根据所述上边缘线与所述下边缘线之间的夹角，确定脊柱图像的脊柱弯曲角度之后，还包括：
将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型；所述脊柱图像包括正位图像、侧位图像及弯曲位图像中的任意一种或者多种图像；其中，所述正位图像为正向拍摄人体或者动物体的脊柱得到的图像，所述侧位图像为侧向拍摄所述人体或者所述动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的所述人体或者所述动物体的脊柱得到的图像。
可选地，在所述对所述脊柱图像进行图像分割处理，得到目标图像之后，还包括：
根据所述目标图像的各个椎骨图像区域的中心点，拟合得到目标曲线；
对应地，所述将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型，包括：
将所述目标曲线的系数信息及所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型。
本申请实施例的第二方面提供了一种脊柱图像处理装置，包括：
图像获取单元，用于获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息；
分割单元，用于对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域；
边缘线确定单元，用于确定所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线；
角度确定单元，用于根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，使得电子设备实现如第一方面所述的脊柱图像处理方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得电子设备实现如第一方面所述的脊柱图像处理方法的步骤。
本申请实施例第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面所述的脊柱图像处理方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，通过获取脊柱图像，对脊柱图像进行图像分割处理，得到包含预设数目的椎骨图像区域后，确定至少两个椎骨图像区域的边缘线，并最终根据各条边缘线之间的夹角，确定脊柱图像的脊柱弯曲角度。由于能够通过图像分割处理分离出各个椎骨分别对应的图像区域，即各个椎骨图像区域，并确定至少两个椎骨图像区域的边缘线及各条边缘线之间的夹角，因此能够细致准确地确定脊柱图像所表示的脊柱中的不同椎骨之间的位置角度关系，从而能够准确地确定脊柱弯曲角度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种脊柱图像处理方法的实现流程示意图；
图2是本申请实施例提供的一种目标图像的示意图；
图3是本申请实施例提供的一种目标图像的边缘线的示意图；
图4是本申请实施例提供的第一种脊柱弯曲角度对应的示意图；
图5是本申请实施例提供的第二种脊柱弯曲角度对应的示意图；
图6是本申请实施例提供的脊柱图像处理装置的示意图；
图7是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
目前，存在着需要基于人体的脊柱弯曲角度进行数据判断及模拟的需求，脊柱弯曲角度的准确性影响着后续数据判断及模拟工作的准确性。然而，现有技术中，脊柱弯曲角度的确定通常只能依靠人工测量，准确性较低。为了解决该技术问题，本申请提供了一种脊柱图像处理方法、装置、电子设备及存储介质，通过获取脊柱图像，对脊柱图像进行图像分割处理，得到包含预设数目的椎骨图像区域后，确定至少两个椎骨图像区域的边缘线，并最终根据各条边缘线之间的夹角，确定脊柱图像的脊柱弯曲角度。由于能够通过图像分割处理分离出各个椎骨分别对应的图像区域，即各个椎骨图像区域，并确定至少两个椎骨图像区域的边缘线及各条边缘线之间的夹角，因此能够细致准确地确定脊柱图像所表示的脊柱中的不同椎骨之间的位置角度关系，从而能够准确地确定脊柱弯曲角度。
实施例一：
图1示出了本申请实施例提供的第一种脊柱图像处理方法的流程示意图，详述如下：
在S101中，获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息。
本申请实施例中，脊柱图像为通过摄像设备拍摄人体或者其它动物体的脊柱所得到的图像，该脊柱图像包含脊柱的图像信息。具体地，该脊柱图像可以为通过X射线穿透照射脊柱而拍摄成的X线片。具体地，该脊柱图像可以为拍摄脊柱的任意一个角度或者多个角度所得到的图像。例如，该脊柱图像可以包括正位图像、侧位图像、弯曲位(bending位，也可以称为仰卧位侧方弯曲位)图像等。其中，正位图像为正向拍摄人体或者动物体的脊柱得到的图像，侧位图像为侧向拍摄人体或者动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的人体或者动物体的脊柱得到的图像。
在S102中，对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域。
一般来说，脊柱由多个椎骨组成。以人体的脊柱为例，脊柱一共由33块椎骨组成，这33块椎骨从上至下依次为7块颈椎、12块胸椎、5块腰椎、以及包括骶骨、尾骨组成的9块椎骨。本申请实施例中，为了准确地确定脊柱弯曲角度，具体采用依次确定各个椎骨之间的位置角度关系的方法来进行脊柱弯曲角度的确定，因此，在本步骤中，需要从脊柱图像中确定各个椎骨分别对应的图像区域，即椎骨图像区域，以便后续进行角度计算。
具体地，本步骤中，在获取到脊柱图像后，对该脊柱图像进行图像分割处理，准确地分割脊柱图像中与脊柱的各个椎骨分别对应的图像区域，即椎骨图像区域，从而得到包含各个椎骨图像区域的目标图像。在一些实施例中，目标图像包含的椎骨图像区域为脊柱中部分指定的椎骨对应的图像区域。例如，若当前的脊柱图像包含的为人体的脊柱的图像信息，本次脊柱图像处理所需要测得的为人体脊柱的Cobb角(通常为人体脊柱的胸腰段中的最大弯曲角度)，该Cobb角只需从脊柱中的胸椎、腰椎所在的区域范围内确定即可，则相应地，本申请实施例中只需从脊柱图像中分割出12块胸椎、5块腰椎分别对应的椎骨图像区域即可。
本申请实施例中，可以通过检测脊柱图像中的椎骨图像区域并进行二值化处理，将椎骨图像区域与其它图像区域分割开，从而得到目标图像。示例性地，可以通过模板匹配算法、目标检测算法或者其它深度学习算法等来实现椎骨图像区域的检测，从而实现脊柱图像的图像分割。示例性地，如图2所示的二值化图像即为对某一个脊柱图像进行分割处理得到的目标图像，其中，每个白色区域块即对应为一个椎骨图像区域。
在S103中，确定至少两个所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线。
本申请实施例中，在确定出包含各个椎骨图像区域的目标图像后，从中确定至少两个椎骨图像区域的边缘线。该边缘线包括椎骨图像区域的上边缘线和下边缘线，如图3所示。在一个实施例中，本步骤确定出的边缘线包括步骤S102中分割出的所有椎骨图像区域分别对应的上边缘线和下边缘线。在另一个实施例中，本步骤确定出的边缘线可以只包括目标图像中的指定的某两个或者多个椎骨图像区域的边缘线。可选地，本步骤确定出的边缘线可以为一个指定的椎骨图像区域的上边缘线以及另一个指定的椎骨图像区域的下边缘线。
可选地，本申请实施例具体可以通过直线检测、边缘检测等方法来实现椎骨图像区域的边缘线确定。可选地，为了提高边缘线确定的准确性，本步骤具体包括：通过最小外包络矩形算法求得各个椎骨图像区域的最小外包络矩形；根据各个所述最小外包括矩形，确定各个椎骨图像区域的边缘线。由于通过最小外包络矩形算法能以规则的最小外包络矩形来表示分割得到的各个椎骨图像区域，使得后续能够更方便直接地根据该最小外包络矩形确定相应的边缘线，从而提高边缘线的确定效率及准确性。
在S104中，根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
本步骤中，具体通过求取步骤S103中确定出的上边缘线与下边缘线之间的夹角来确定脊柱图像所表示的脊柱的脊柱弯曲角度。
可选地，在一个实施例，脊柱弯曲角度为脊柱中的最大弯曲角度，例如人体脊柱的Cobb角。设步骤S103具体确定的为N个椎骨图像区域的边缘线，其中，N为大于或者等于2的正整数。具体地，本步骤中，对于一个椎骨图像区域的上边缘线，依次计算该上边缘线与自身的下边缘线之间的夹角，以及该上边缘线与其它各个椎骨图像区域的下边缘线之间的夹角，从而得到该上边缘线对应的N个夹角。依次对N个椎骨图像区域的上边缘线都按照此方法求得N个夹角，最终得到N*N个夹角。在求得N*N个夹角后，从中确定出角度最大的夹角，将该最大的夹角的角度作为该脊柱图像的脊柱弯曲角度。
可选地，在另一个实施例中，脊柱弯曲角度直接为指定的第一椎骨(例如人体脊柱的第二块胸椎)与第二椎骨(例如人体脊柱的第五块胸椎)之间的夹角角度。对应地，本步骤中，具体可以通过计算第一椎骨的上边线与第二椎骨的下边线所成的夹角的角度，作为该脊柱图像的脊柱弯曲角度。
可选地，上述的步骤S102，包括：
将所述脊柱图像输入训练后的U型全卷积神经网络进行图像分割处理，得到目标图像。
本申请实施例中，步骤2的图像分割处理具体通过训练后的U型全卷积神经网络(U-Net)来实现。具体地，U-net为网络结构类似于U型的具有九层网络层的神经网络，包括：编码器的四层卷积网络层、解码器的四层卷积网络层、以及连接所述编码器及解码器的一层连接层。具体地，编码器的每层卷积网络层之间包含下采样处理模块，解码器的每层卷积网络层之间包含上采样处理模块。由于编码器与解码器的卷积网络层数一致且对称，因此呈现为U型形状的全卷积神经网络。具体地，该U型全卷积神经网络经过编码器的多次下采样得到脊柱图像的低分辨率信息，从而能够为图像分割提供基本的分割语义信息，以便于对目标进行初步分割；并且，还通过连接层将编码器得到的低分辨率信息传递到解码器上进行多次上采样，得到脊柱图像的高分辨率信息，从而能够为图像分割提供更加精细的特征信息。综上，该U型全神经网络能够结合底层网络与高层网络的信息来综合提取较为复杂的医学图像的低分辨率信息及高分辨率信息，从而实现对脊柱图像的准确分割。
本申请实施例中，具体可以以提前标注好各个椎骨图像区域的脊柱图像作为样本数据，对该U型全卷积神经网络进行训练，得到能够准确对脊柱图像进行图像分割的训练后的U型全卷积神经网络。
进一步地，本申请实施例中的样本数据还可以包含标注好的端椎、顶椎、中立椎、稳定椎、实质性触及颈椎、颈椎7铅垂线、骶骨中垂线(center sacral vertical line,CSVL)、肩膀两侧特征点、旋转角、锁骨角、T1椎体倾斜角、顶椎偏距、骨盆、平衡参数、骨盆倾斜参数等任意一个或者多个的特征信息，使得该U型全神经网络不仅能够准确地分割出脊柱图像中的各个椎骨图像区域，还能够识别得到脊柱上的更多其它特征信息，以使后续在数据分类、数据判断、数据模拟时能够结合更多的特征信息进行更准确地分类、判断或者模拟；或者提供更多丰富的信息来辅助专业人员处理相关工作，减少人工成本及人工误差。
本申请实施例中，由于U型全卷积神经网络能够有效地提取医学图像的特征信息，因此通过该U型全神经网络能够准确地对脊柱图像进行图像分割处理，进而提高本申请实施例脊柱图像处理的准确性。
可选地，上述的步骤S103，包括：
S10301：从上至下遍历所述目标图像的各个像素点，确定像素值由第一像素值变更为第二像素值的所述像素点为所述椎骨图像区域的上边缘点，以及确定像素值由第二像素值变更为第一像素值的所述像素点为所述椎骨图像区域的下边缘点；
S10302：根据所述上边缘点及所述下边缘点，分别进行曲线拟合，得到每个所述椎骨图像区域分别对应的上边缘线及下边缘线。
本申请实施例中，具体通过遍历目标图像的像素点的方式来确定椎骨图像区域的上边缘线及下边缘线。其中，目标图像具体为二值图像，目标图像的背景区域的像素值为第一像素值(例如为灰度值0，即如图2、3所示的黑色区域)，目标图像中的椎骨图像区域的像素值为第二像素值(例如灰度值为255，及如图2、3所示的白色区域)。可选地，在步骤S10301之前，还包括：确定各个椎骨图像区域的最小外包络矩形，并将各个最小外包络矩形的像素值设为第二像素值，得到包含各个最小外包络矩形的目标图像；之后再通过遍历该目标图像的像素点，根据各个椎骨图像区域的最小外包络矩形确定该椎骨图像区域的上边缘线、下边缘线。
具体地，在步骤S10301中，从上至下遍历目标图像的各个像素点，将像素值由第一像素值变更为第二像素值的像素点确定为椎骨图像区域的上边缘点。具体地，在目标图像中的每一列像素点依次从上至下进行遍历，当在各列像素点中，第一次遍历到一个像素值由第一像素值变更为第二像素值的像素点(即与该像素点邻接的上一个像素点的像素值为第一像素值，而该像素点自身的像素值为第二像素值的像素点)，即将其判定为第一个椎骨图像区域的上边缘线上的点(即上边缘点)。当在各列像素点中，第一次遍历到一个像素值由第二像素值变更为第一像素值的像素点(即与该像素点邻接的上一个像素点的像素值为第二像素值，而该像素点自身的像素值为第一像素值的像素点)，即将其判定为第一个椎骨图像区域的下边缘线上的点(即下边缘点)。之后，继续遍历，当第二次遍历到一个像素值由第一像素值变更为第二像素值的像素点时，将其判定为第二个椎骨图像区域的上边缘点；第二次遍历到一个像素值由第二像素值变更为第一像素值的像素点时，将其判定为第二个椎骨图像区域的下边缘点。以此类推，最终遍历得到从上至下的各个椎骨图像区域的各个上边缘点及下边缘点。
可选地，本申请实施例中，可以为每个椎骨图像区域分别设置对应的一个第一存储单元及第二存储单元，其中，第一存储单元用于存储该椎骨图像区域的各个上边缘点，第二存储单元用于存储该椎骨图像区域的各个下边缘点。例如，将各列像素点中被判定为第一个椎骨图像区域的上边缘点的像素点均存储在第一个椎骨图像区域对应的第一存储单元中，将各列像素点中被判定为第一个椎骨图像区域的下边缘点的像素点均存储在第一个椎骨图像区域对应的第二存储单元中。
在步骤S10302中，根据步骤S10301确定出的各个椎骨图像区域分别对应的上边缘点及下边缘点，分别进行曲线拟合，得到各个椎骨图像区域分别对应的上边缘线及下边缘线。例如，从第一个椎骨图像区域对应的第一存储单元中获取步骤S10301中确定的该第一椎骨图像区域的所有上边缘点的坐标信息，并进行曲线拟合，即可得到该第一椎骨图像区域的上边缘线。从第一个椎骨图像区域对应的第二存储单元中获取步骤S10302中确定的该第一椎骨图像区域的所有下边缘点的坐标信息，并进行曲线拟合，即可得到该第一椎骨图像区域的下边缘线。以此类推，分别得到各个椎骨图像区域对应的上边缘线和下边缘线。可选地，本申请实施例中的曲线拟合方法可以为直线拟合法或者多项式拟合法。具体地，为了保证拟合出的边缘线的准确性，具体通过多项式拟合法来进行曲线拟合。
本申请实施例中，通过遍历目标图像的像素点，能够准确地确定各个椎骨图像区域的上边缘点及下边缘点，并进一步根据该上边缘点、下边缘点分别进行曲线拟合，因此能够准确地确定各个椎骨图像区域的上边缘线及下边缘线。
可选地，本申请实施例中的脊柱弯曲角度包括第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度，上述的步骤S104，包括：
A1：根据所述上边缘线与所述下边缘线之间的夹角，确定所述目标图像中最大的所述夹角的角度为第一脊柱弯曲角度，并确定组成所述最大的所述夹角的第一边缘线及第二边缘线；
A2：确定所述第一边缘线所在的椎骨图像区域的边缘线及位于所述第一边缘线之上的边缘线为第一区域的边缘线；
A3：根据各条所述第一区域的边缘线之间的夹角，确定所述第一区域中最大的夹角的角度为第二脊柱弯曲角度；
A4：确定所述第二边缘线所在的椎骨图像区域的边缘线及位于所述第二边缘线之下的边缘线为第二区域的边缘线；
A5：根据各条所述第二区域的边缘线之间的夹角，确定所述第二区域中最大的夹角的角度为第三脊柱弯曲角度。
本申请实施例中，具体通过第一脊柱弯曲角度、第二脊柱弯曲角度、第三脊柱弯曲角度等三个位于不同脊柱位置的弯曲角度来全面、准确地描述脊柱图像的脊柱弯曲角度。具体地，第一脊柱弯曲角度为整个脊柱图像中角度最大的一个脊柱弯曲角度，第二弯曲角度为位于第一脊柱弯曲角度之上的脊柱弯曲角度，第三脊柱弯曲角都为位于第一脊柱弯曲角度之下的脊柱弯曲角度。具体地，若当前的脊柱图像为包含人体的脊柱的图像信息的图像，则该第一脊柱弯曲角度为主胸弯(main thoracic，MT)的弯曲角度，该第二脊柱弯曲角度为上胸弯(Upper thoracic，PT)的弯曲角度，该第三脊柱弯曲角度为胸腰弯(thoracolumbar，TL)或者腰弯(lumbar，L)的弯曲角度。进一步地，当前的脊柱图像为正位图像(例如图4所示)或者弯曲位图像，即当脊柱图像为正位图像或者弯曲位图像时，优选采用本申请实施例的方法来确定脊柱弯曲角度。
在步骤A1中，对于步骤S103中确定的N个椎骨图像区域中的每个椎骨图像区域，依次计算该椎骨图像区域的上边缘线与自身椎骨图像区域的下边缘线之间的夹角，以及该上边缘线与其它椎骨图像区域的下边缘线之间的夹角，得到该上边缘线对应的N个夹角；由于一个椎骨图像区域的上边缘线对应N个夹角，则对应地，N个椎骨图像区域具有N*N个夹角。求得N*N个夹角后，从中确定出角度最大的夹角，将该最大的夹角的角度作为第一脊柱弯曲角度。其中，将组成该角度大小为该第一脊柱弯曲角度的夹角的两条边缘线称为第一边缘线、第二边缘线。示例性地，如图4所示，根据胸椎(T1-T12)对应的12个椎骨图像区域以及腰椎(L1-L5)对应的5个椎骨图像区域共17个椎骨图像区域，依次根据每个椎骨图像区域的上边缘线与自身的下边缘线及其它下边缘线之间的夹角，最终确定胸椎T10对应的上边缘线与腰椎L2对应的下边缘线之间的夹角的角度最大，因此将该角度作为第一脊柱弯曲角度，并将胸椎T10对应的上边缘线确定为第一边缘线，将腰椎L2对应的下边缘线确定为第二边缘线。
在步骤A2中，将第一边缘线所在的椎骨图像区域的边缘线，以及位于该第一边缘线之上的边缘线确定为第一区域的边缘线。示例性地，如图4所示，第一边缘线为胸椎T10对应的上边缘线，则第一区域的边缘线包括胸椎T10对应的上边缘线和下边缘线，还包括位于胸椎T10之上的其它胸椎(胸椎T1-T9)对应的椎骨图像区域的边缘线。即，图4中第一区域的边缘线包括胸椎T1-T10的上边缘线及下边缘线。
在步骤A3中，从第一区域的边缘线中，依次确定每条上边缘线与各条下边缘线之间的夹角，并从中确定最大的夹角的角度为第二脊柱弯曲角度。示例性地，如图4所示，在第一区域中，确定出胸椎T5的上边缘线与胸椎T10的下边缘线之间的夹角角度为第一区域最大的夹角角度，将该夹角角度确定为第二脊柱弯曲角度。
在步骤A4中，将第二边缘线所在的椎骨图像区域的边缘线，以及位于该第二边缘线之下的边缘线确定为第一区域的边缘线。示例性地，如图4所示，第二边缘线为腰椎L2对应的下边缘线，则第二区域的边缘线包括腰椎L2对应的上边缘线和下边缘线，还包括位于腰椎L2之下的其它椎骨(即腰椎L2-L5)对应的椎骨图像区域的边缘线。即，图4中第二区域的边缘线包括腰椎L2-L5的上边缘线及下边缘线。
在步骤A5中，从第二区域的边缘线中，依次确定每条上边缘线与各条下边缘线之间的夹角，并从中确定最大的夹角的角度为第三脊柱弯曲角度。示例性地，如图4所示，在第二区域中，确定出腰椎L2的上边缘线与腰椎L5的下边缘线之间的夹角角度为第二区域最大的夹角角度，将该夹角角度确定为第三脊柱弯曲角度。
本申请实施例中，由于能够依次确定角度最大的第一脊柱弯曲角度、第二脊柱弯曲角度、第三脊柱弯曲角度这三个不同脊柱位置的弯曲角度来作为该脊柱图像的脊柱弯曲角度，因此能够更加全面、准确地确定脊柱图像对应的脊柱的弯曲角度。
可选地，在上述的步骤S102之后，还包括：
B1：分别对各个椎骨图像区域进行标号，以标识各个所述椎骨图像区域所表示的椎骨；
对应地，上述的步骤S103，包括：
B2：确定标号为第一预设标号的椎骨图像区域的上边缘线为第一目标边缘线；
B3：确定标号为第二预设标号的椎骨图像区域的下边缘线为第二目标边缘线；
对应地，上述的步骤S104，包括：
B4：将所述第一目标边缘线与所述第二目标边缘线之间的夹角的角度确定为所述脊柱图像的脊柱弯曲角度。
本申请实施例中，具体是通过提前设置第一预设标号、第二预设标号来分别指定两个椎骨对应的椎骨图像区域之间的夹角角度作为脊柱弯曲角度。示例性地，若本申请实施例的脊柱图像为侧位图像，当前所要求得的脊柱弯曲角度为胸段后凸角，则指定的第一预设标号为第二块胸椎对应的标号(T2)，指定的第二预设标号为第五块胸椎对应的标号(T5)；若当前所要求得的脊柱弯曲角度为腰段后凸角，则指定的第一预设标号为第十块胸椎对应的标号(T10)，指定的第二预设标号为第二块腰椎对应的标号(L2)。
在步骤B1中，在分割得到各个椎骨图像区域后，分别对各个椎骨图像区域进行计数并标号，以标识各个椎骨图像所表示的椎骨。示例性地，当脊柱图像为人体的脊柱对应的图像时，则可以先定位最后一块腰椎L5后，按照从下至上的顺序，为5块腰椎依次分别标上L5～L1的标识号，再为12块胸椎依次分别标上T12～T1的标识号，从而分别区分各个椎骨图像区域所表示的椎骨，例如图4或者图5所示。需说明的是，在胸椎之上，还可以为7块依颈椎依次分别标识C7～C1的标识号，由于一般人体的脊柱弯曲角度只需根据胸椎和腰椎来计算，因此图中暂未完整示出各块颈椎。
在步骤B2中，在标号后的脊柱图像中，查找标号与第一预设标号相符的椎骨图像区域(例如图5所示的T2和/或T10)，并将该椎骨图像区域的上边缘线确定为第一目标边缘线。
在步骤B3中，在标号后的脊柱图像中，查找标号与第二预设标号相符的椎骨图像区域(例如图5所示的T5和/或L2)，并将该椎骨图像区域的下边缘线确定为第二目标边缘线。
在步骤B4中，计算B2中确定的第一目标边缘线与B3中对应确定的第二目标边缘线之间的夹角角度，得到脊柱弯曲角度。例如，图5所示的T2的上边缘线与T5的下边缘线所成的夹角角度，和/或，图5所示的T10的上边缘线与L2的下边缘线所成的夹角角度。
本申请实施例中，由于能够通过对椎骨图像区域进行标号，并根据第一预设标号及第二预设标号准确地确定指定的两个椎骨之间的偏移角度作为脊柱弯曲角度，因此能够进一步提高脊柱弯曲角度确定的灵活性及准确性。
可选地，在上述的步骤S104之后，还包括：
将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型；所述脊柱图像包括正位图像、侧位图像及弯曲位图像中的任意一种或者多种图像；其中，所述正位图像为正向拍摄人体或者动物体的脊柱得到的图像，所述侧位图像为侧向拍摄所述人体或者所述动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的所述人体或者所述动物体的脊柱得到的图像。
本申请实施例中，在求得脊柱图像的脊柱弯曲角度之后，可以根据该脊柱弯曲角度确定当前的脊柱弯曲类型。示例性地，当本申请实施例中的方法应用于医疗电子设备，本申请实施例所求得的脊柱弯曲角度为人体脊柱侧弯角度，则该脊柱弯曲类型可以为Lenke分型(青少年特发性脊柱侧弯诊断中常用的一种分型技术)，具体可以包括Lenke 1～6个分型。示例性地，当本申请实施例中的方法应用于运动检测设备(可以为用于检测当前做运动的运动员的动作是否规范的设备)，则该脊柱弯曲类型可以包括动作规范类型、动作错误类型。示例性地，当本申请实施例中的方法应用于虚拟现实设备，则该脊柱弯曲类型可以为与各个预设的虚拟模型分别对应的弯曲类型，通过该弯曲类型可以确定当前需要显示的虚拟模型。
具体地，本申请实施例通过提前训练好的脊柱弯曲分型网络进行脊柱弯曲类型的分类。该脊柱弯曲分型角度网络为提前输入已经标好脊柱弯曲角度及对应的脊柱弯曲类型标签的脊柱图像作为样本数据，进行训练得到的神经网络。示例性地，该脊柱弯曲分型网络可以为支持向量机(Support Vector Machine,SVM)分类器。
可选地，本申请实施例中的脊柱图像包括正位图像、侧位图像及弯曲位图像中的任意一种或者多种图像。其中，正位图像为正向拍摄人体或者动物体的脊柱得到的图像，侧位图像为侧向拍摄该人体或者该动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的该人体或者该动物体的脊柱得到的图像。当脊柱图像同时包括正位图像、侧位图像、弯曲位图像时，则输入脊柱弯曲分型网络的脊柱弯曲角度包括根据正位图像测得的脊柱弯曲角度、根据侧位图像测得的脊柱弯曲角度、根据弯曲位图像测得的脊柱弯曲角度，将这三个图像测得的三种脊柱弯曲角度作为三组不同的特征参数，使得脊柱弯曲分型网络能够通过这三组不同的特征参数，结合不同角度的图像信息来准确判定当前脊柱的脊柱弯曲类型。示例性地，本申请实施例输入训练后的脊柱弯曲分型网络的脊柱弯曲角度具体可以包括：正位图像对应的Cobb角度(可以包括上述对步骤S104详述中提及的第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度)、弯曲位图像的对应的Cobb角度(可以包括上述对步骤S104详述中提及的第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度)，侧位图像对应的胸段后凸角及腰段后凸角(具体可以参见上述对步骤S104的相关描述)，该训练后的脊柱弯曲分型网络对应地也为提前根据样本数据的这些角度特征信息进行训练得到的神经网络。通过结合多个不同角度的脊柱图像，能够提高脊柱弯曲类型判定的准确性。
本申请实施例中由于在计算出脊柱图像所表示的脊柱的脊柱弯曲角度后，还能够根据该脊柱弯曲角度，通过训练后的脊柱弯曲分型网络，确定该脊柱图像对应的脊柱弯曲类型，从而智能准确地识别当前脊柱图像所表示的脊柱的弯曲类型，以方便后续根据该脊柱的弯曲类型实现不同的应用功能。
可选地，在上述的步骤S102之后，还包括：
根据所述目标图像的各个椎骨图像区域的中心点，拟合得到目标曲线；
对应地，所述将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型，包括：
将所述目标曲线的系数信息及所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型。
本申请实施例中，除了根据脊柱弯曲角度来确定脊柱弯曲类型，还进一步结合拟合到的目标曲线，以该目标曲线的系数信息来作为另一个特征参数，从而进一步提高确定脊柱弯曲类型的准确性。
具体地，在上述的步骤S102中分割得到包含各个椎骨图像区域的目标图像后，分别求取各个椎骨图像区域的中心点。之后，根据这些中心点的坐标，进行曲线拟合，得到连接各个椎骨图像区域的目标曲线，该目标曲线能够反映该脊柱的整体形态信息。
之后，将该目标曲线的系数信息(例如，若该目标曲线的表达式为y＝Ax+B,则其系数信息包括一次项系数A及常数系数B)以及上述步骤S104求得的脊柱弯曲角度作为当前脊柱的特征信息，输入训练后的脊柱弯曲分型网络进行处理，从而得到该脊柱图像对应的脊柱弯曲类型。可以理解地，本申请实施例中，训练后的脊柱弯曲分型网络具体是以已经标好曲线的系数信息、脊柱弯曲角度以及脊柱弯曲类型标签的脊柱图像作为样本数据训练得到的神经网络。
进一步地，本申请实施例还可以结合端椎、顶椎、中立椎、稳定椎、实质性触及颈椎、颈椎7铅垂线、骶骨中垂线(center sacral vertical line,CSVL)、肩膀两侧特征点、旋转角、锁骨角、T1椎体倾斜角、顶椎偏距、骨盆、平衡参数、倾斜参数等任意一个或者多个的特征信息来进行脊柱弯曲类型的判定，这些特征信息可以通过提前训练好的神经网络进行提取。
本申请实施例中，由于根据各个椎骨图像区域的中心点拟合得到的目标曲线能够反映脊柱的整体形态信息，因此在获取脊柱弯曲角度的基础上，进一步结合该目标曲线的系数信息，提高确定脊柱弯曲类型的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
图6示出了本申请实施例提供的一种脊柱图像处理装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：
该脊柱图像处理装置包括图像获取单元61、分割单元62、边缘线确定单元63以及角度确定单元64。其中：
图像获取单元61，用于获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息。
分割单元62，用于对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域。
边缘线确定单元63，用于确定所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线。
角度确定单元64，用于根据各条所述边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
可选地，所述分割单元62，具体用于将所述脊柱图像输入训练后的U型全卷积神经网络进行图像分割处理，得到目标图像。
可选地，所述边缘线确定单元63，具体用于从上至下遍历所述目标图像的各个像素点，确定像素值由第一像素值变更为第二像素值的所述像素点为所述椎骨图像区域的上边缘点，以及确定像素值由第二像素值变更为第一像素值的所述像素点为所述椎骨图像区域的下边缘点；根据所述上边缘点及所述下边缘点，分别进行曲线拟合，得到每个所述椎骨图像区域分别对应的上边缘线及下边缘线。
可选地，所述脊柱弯曲角度包括第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度，所述角度确定单元64包括第一角度确定模块、第一区域边缘线确定模块、第二角度确定模块、第二区域边缘线确定模块以及第三角度确定模块：
第一角度确定模块，用于根据所述上边缘线与所述下边缘线之间的夹角，确定所述目标图像中最大的所述夹角的角度为第一脊柱弯曲角度，并确定组成所述最大的所述夹角的第一边缘线及第二边缘线；
第一区域边缘线确定模块，用于确定所述第一边缘线所在的椎骨图像区域的边缘线及位于所述第一边缘线之上的边缘线为第一区域的边缘线；
第二角度确定模块，用于确定所述第一边缘线所在的椎骨图像区域的边缘线及位于所述第一边缘线之上的边缘线为第一区域的边缘线；
第二区域边缘线确定模块，用于确定所述第二边缘线所在的椎骨图像区域的边缘线及位于所述第二边缘线之下的边缘线为第二区域的边缘线；
第三角度确定模块，用于根据各条所述第二区域的边缘线之间的夹角，确定所述第二区域中最大的夹角的角度为第三脊柱弯曲角度。
可选地，所述脊柱图像处理装置还包括：
计数标号模块，用于分别对各个椎骨图像区域进行标号，以标识各个所述椎骨图像区域所表示的椎骨；
对应地，所述边缘线确定单元63包括第一目标边缘线确定模块及第二目标边缘线确定模块：
第一目标边缘线确定模块，用于确定标号为第一预设标号的椎骨图像区域的上边缘线为第一目标边缘线；
第二目标边缘线确定模块，用于确定标号为第二预设标号的椎骨图像区域的下边缘线为第二目标边缘线；
对应地，所述角度确定单元64，具体用于将所述第一目标边缘线与所述第二目标边缘线之间的夹角的角度确定为所述脊柱图像的脊柱弯曲角度。
可选地，所述脊柱图像处理装置，还包括：
脊柱分型单元，用于将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型；所述脊柱图像包括正位图像、侧位图像及弯曲位图像中的任意一种或者多种图像；其中，所述正位图像为正向拍摄人体或者动物体的脊柱得到的图像，所述侧位图像为侧向拍摄所述人体或者所述动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的所述人体或者所述动物体的脊柱得到的图像。
可选地，所述脊柱图像处理装置还包括：
目标曲线拟合单元，用于根据所述目标图像的各个椎骨图像区域的中心点，拟合得到目标曲线；
对应地，所述脊柱分型单元，具体用于将所述目标曲线的系数信息及所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例三：
图7是本申请一实施例提供的电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如脊柱图像处理程序。所述处理器70执行所述计算机程序72时实现上述各个脊柱图像处理方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至64的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述电子设备7中的执行过程。例如，所述计算机程序72可以被分割成图像获取单元、分割单元、边缘线确定单元、角度确定单元，各单元具体功能如下：
图像获取单元，用于获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息。
分割单元，用于对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域。
边缘线确定单元，用于确定所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线。
角度确定单元，用于根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
所述电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种脊柱图像处理方法，其特征在于，包括：
获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息；
对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域；
确定至少两个所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线；
根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
2.如权利要求1所述的脊柱图像处理方法，其特征在于，所述对所述脊柱图像进行图像分割处理，得到目标图像，包括：
将所述脊柱图像输入训练后的U型全卷积神经网络进行图像分割处理，得到目标图像。
3.如权利要求1所述的脊柱图像处理方法，其特征在于，所述确定至少两个所述椎骨图像区域的边缘线，包括：
从上至下遍历所述目标图像的各个像素点，确定像素值由第一像素值变更为第二像素值的所述像素点为所述椎骨图像区域的上边缘点，以及确定像素值由第二像素值变更为第一像素值的所述像素点为所述椎骨图像区域的下边缘点；
根据所述上边缘点及所述下边缘点，分别进行曲线拟合，得到每个所述椎骨图像区域分别对应的上边缘线及下边缘线。
4.如权利要求1所述的脊柱图像处理方法，其特征在于，所述脊柱弯曲角度包括第一脊柱弯曲角度、第二脊柱弯曲角度及第三脊柱弯曲角度，所述根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度，包括：
根据所述上边缘线与所述下边缘线之间的夹角，确定所述目标图像中最大的所述夹角的角度为第一脊柱弯曲角度，并确定组成所述最大的所述夹角的第一边缘线及第二边缘线；
确定所述第一边缘线所在的椎骨图像区域的边缘线及位于所述第一边缘线之上的边缘线为第一区域的边缘线；
根据各条所述第一区域的边缘线之间的夹角，确定所述第一区域中最大的夹角的角度为第二脊柱弯曲角度；
确定所述第二边缘线所在的椎骨图像区域的边缘线及位于所述第二边缘线之下的边缘线为第二区域的边缘线；
根据各条所述第二区域的边缘线之间的夹角，确定所述第二区域中最大的夹角的角度为第三脊柱弯曲角度。
5.如权利要求1所述的脊柱图像处理方法，其特征在于，在所述对所述脊柱图像进行图像分割处理，得到目标图像之后，还包括：
分别对各个椎骨图像区域进行标号，以标识各个所述椎骨图像区域所表示的椎骨；
对应地，所述确定至少两个所述椎骨图像区域的边缘线，包括：
确定标号为第一预设标号的椎骨图像区域的上边缘线为第一目标边缘线；
确定标号为第二预设标号的椎骨图像区域的下边缘线为第二目标边缘线；
对应地，所述根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度，包括：
将所述第一目标边缘线与所述第二目标边缘线之间的夹角的角度确定为所述脊柱图像的脊柱弯曲角度。
6.如权利要求1所述的脊柱图像处理方法，其特征在于，在所述根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度之后，还包括：
将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型；所述脊柱图像包括正位图像、侧位图像及弯曲位图像中的任意一种或者多种图像；其中，所述正位图像为正向拍摄人体或者动物体的脊柱得到的图像，所述侧位图像为侧向拍摄所述人体或者所述动物体的脊柱得到的图像，所述弯曲位图像为拍摄处于身体弯曲状态的所述人体或者所述动物体的脊柱得到的图像。
7.如权利要求6所述的脊柱图像处理方法，其特征在于，在所述对所述脊柱图像进行图像分割处理，得到目标图像之后，还包括：
根据所述目标图像的各个椎骨图像区域的中心点，拟合得到目标曲线；
对应地，所述将所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型，包括：
将所述目标曲线的系数信息及所述脊柱图像的脊柱弯曲角度输入训练后的脊柱弯曲分型网络进行处理，确定所述脊柱图像对应的脊柱弯曲类型。
8.一种脊柱图像处理装置，其特征在于，包括：
图像获取单元，用于获取脊柱图像；其中所述脊柱图像包含脊柱的图像信息；
分割单元，用于对所述脊柱图像进行图像分割处理，得到目标图像，所述目标图像包含各个椎骨图像区域，其中，各个所述椎骨图像区域为所述脊柱中的各个椎骨分别对应的图像区域；
边缘线确定单元，用于确定所述椎骨图像区域的边缘线，所述边缘线包括所述椎骨图像区域的上边缘线及下边缘线；
角度确定单元，用于根据所述上边缘线与所述下边缘线之间的夹角，确定所述脊柱图像的脊柱弯曲角度。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，使得电子设备实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，使得电子设备实现如权利要求1至7任一项所述方法的步骤。
CN202011407509.XA 2020-12-04 2020-12-04 脊柱图像处理方法、装置、电子设备及存储介质 Pending CN112529860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011407509.XA CN112529860A (zh) 2020-12-04 2020-12-04 脊柱图像处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011407509.XA CN112529860A (zh) 2020-12-04 2020-12-04 脊柱图像处理方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112529860A true CN112529860A (zh) 2021-03-19

Family

ID=74997605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011407509.XA Pending CN112529860A (zh) 2020-12-04 2020-12-04 脊柱图像处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112529860A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734757A (zh) * 2021-03-29 2021-04-30 成都成电金盘健康数据技术有限公司 一种脊柱X光图像cobb角测量方法
CN112802019A (zh) * 2021-04-01 2021-05-14 成都成电金盘健康数据技术有限公司 一种基于脊柱AIS影像的lenke分型方法
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN114078120A (zh) * 2021-11-22 2022-02-22 北京欧应信息技术有限公司 用于检测脊柱侧弯的方法、设备和介质
CN115880281A (zh) * 2023-01-20 2023-03-31 山西省财政税务专科学校 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN116883328A (zh) * 2023-06-21 2023-10-13 查维斯机械制造(北京)有限公司 基于计算机视觉的牛胴体脊柱区域快速提取方法
CN117257455A (zh) * 2023-11-21 2023-12-22 中国人民解放军总医院第一医学中心 一种腰椎手术固定棒预弯方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175502A (zh) * 2019-04-03 2019-08-27 中国科学院深圳先进技术研究院 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备
CN110400328A (zh) * 2019-07-09 2019-11-01 中国科学院深圳先进技术研究院 手术辅助机器人的运动速度的计算方法、计算系统及终端
CN110599494A (zh) * 2018-06-12 2019-12-20 中国科学院深圳先进技术研究院 肋骨图像重建系统及方法、终端及可读存储介质
US20200022609A1 (en) * 2016-12-08 2020-01-23 Koninklijke Philips N.V. Simplified navigation of spinal medical imaging data
US20200121279A1 (en) * 2016-04-25 2020-04-23 Telefield Medical Imaging Limited Method and device for measuring spinal column curvature

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200121279A1 (en) * 2016-04-25 2020-04-23 Telefield Medical Imaging Limited Method and device for measuring spinal column curvature
US20200022609A1 (en) * 2016-12-08 2020-01-23 Koninklijke Philips N.V. Simplified navigation of spinal medical imaging data
CN110599494A (zh) * 2018-06-12 2019-12-20 中国科学院深圳先进技术研究院 肋骨图像重建系统及方法、终端及可读存储介质
CN110175502A (zh) * 2019-04-03 2019-08-27 中国科学院深圳先进技术研究院 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备
CN110400328A (zh) * 2019-07-09 2019-11-01 中国科学院深圳先进技术研究院 手术辅助机器人的运动速度的计算方法、计算系统及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭志强: "基于U-net的特发性脊柱侧弯Lenke分型算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 1, pages 2 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734757A (zh) * 2021-03-29 2021-04-30 成都成电金盘健康数据技术有限公司 一种脊柱X光图像cobb角测量方法
CN112734757B (zh) * 2021-03-29 2021-06-25 成都成电金盘健康数据技术有限公司 一种脊柱X光图像cobb角测量方法
CN112802019A (zh) * 2021-04-01 2021-05-14 成都成电金盘健康数据技术有限公司 一种基于脊柱AIS影像的lenke分型方法
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN113643314B (zh) * 2021-07-02 2023-09-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN114078120A (zh) * 2021-11-22 2022-02-22 北京欧应信息技术有限公司 用于检测脊柱侧弯的方法、设备和介质
CN115880281A (zh) * 2023-01-20 2023-03-31 山西省财政税务专科学校 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN115880281B (zh) * 2023-01-20 2023-05-02 山西省财政税务专科学校 一种脊柱椎体关键点检测及脊柱侧弯识别装置及方法
CN116883328A (zh) * 2023-06-21 2023-10-13 查维斯机械制造(北京)有限公司 基于计算机视觉的牛胴体脊柱区域快速提取方法
CN116883328B (zh) * 2023-06-21 2024-01-05 查维斯机械制造(北京)有限公司 基于计算机视觉的牛胴体脊柱区域快速提取方法
CN117257455A (zh) * 2023-11-21 2023-12-22 中国人民解放军总医院第一医学中心 一种腰椎手术固定棒预弯方法及装置
CN117257455B (zh) * 2023-11-21 2024-02-20 中国人民解放军总医院第一医学中心 一种腰椎手术固定棒预弯方法及装置

Similar Documents

Publication Publication Date Title
CN112529860A (zh) 脊柱图像处理方法、装置、电子设备及存储介质
CN110136182B (zh) 激光点云与2d影像的配准方法、装置、设备和介质
WO2020199694A1 (zh) 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
WO2022100065A1 (zh) 图像配准方法、装置、电子设备及存储介质
WO2022037548A1 (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
CN110223279B (zh) 一种图像处理方法和装置、电子设备
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN109919037B (zh) 一种文本定位方法及装置、文本识别方法及装置
CN111860489A (zh) 一种证件图像校正方法、装置、设备及存储介质
CN108428248B (zh) 车窗定位方法、系统、设备及存储介质
Kim et al. Automation of spine curve assessment in frontal radiographs using deep learning of vertebral-tilt vector
CN112802019B (zh) 一种基于脊柱AIS影像的lenke分型方法
CN113158895A (zh) 票据识别方法、装置、电子设备及存储介质
CN110634133A (zh) 一种基于x线平片的膝关节骨科测量方法及装置
US8340378B2 (en) Ribcage segmentation
CN116343228A (zh) 一种水表智能读数方法及系统
CN112183517B (zh) 证卡边缘检测方法、设备及存储介质
US10885629B2 (en) Medical image processing apparatus, medical image processing method, medium, and medical image processing system
CN116797545A (zh) 一种脊柱侧弯度检测方法、计算机设备及存储介质
CN114332890A (zh) 表格结构提取方法、装置、电子设备及存储介质
CN109214398B (zh) 一种从连续图像中量测杆体位置的方法和系统
CN115705635A (zh) 一种脊柱弯曲角计算方法、装置及计算机设备
CN111753723A (zh) 一种基于密度校准的指纹识别方法及装置
CN110751158A (zh) 一种治疗床显示器中的数字识别方法、装置及存储介质

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