CN112819826B - 基于人工智能的脊椎图像处理装置及计算机设备 - Google Patents
基于人工智能的脊椎图像处理装置及计算机设备 Download PDFInfo
- Publication number
- CN112819826B CN112819826B CN202110338392.2A CN202110338392A CN112819826B CN 112819826 B CN112819826 B CN 112819826B CN 202110338392 A CN202110338392 A CN 202110338392A CN 112819826 B CN112819826 B CN 112819826B
- Authority
- CN
- China
- Prior art keywords
- information
- spine
- image
- bending
- real
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000005452 bending Methods 0.000 claims abstract description 238
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims abstract description 16
- 208000000875 Spinal Curvatures Diseases 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 22
- 238000010191 image analysis Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 description 45
- 238000011156 evaluation Methods 0.000 description 14
- 239000012634 fragment Substances 0.000 description 12
- 238000012795 verification Methods 0.000 description 10
- 230000004927 fusion Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人工智能的脊椎图像处理装置及计算机设备,通过信息链分析能够将实时脊椎图像信息按照类别进行精准的分类,从而降低后续图像处理的工作量,通过待处理信息链的分段识别可以精确地得到脊椎图像分布信息以确定每节脊椎对应的三维空间位置数据,通过对目标脊椎位置信息进行标记可以更加快速地匹配每节脊椎的三维空间位置数据,确保对脊椎弯曲特征信息的特征提取的准确性和完整性,进而通过特征整合得到脊椎弯曲描述信息。这样能通过脊椎弯曲描述信息与样本脊椎弯曲信息的比较结果准确地判断出实时脊椎图像信息的拍摄角度是否合格,确保实时脊椎图像信息的可用性和准确性,尽可能减少拍摄角度对实时脊椎图像信息产生的噪声干扰。
Description
技术领域
本申请涉及医学图像处理技术领域,特别涉及基于人工智能的脊椎图像处理装置及计算机设备。
背景技术
随着科学技术的发展,智慧医疗(Wise Information Technology of med)技术也在不断优化,极大地方便了患者就诊和医生问诊,从而提高了医疗资源的利用率。医学图像处理作为智慧医疗的其中一个分支,在辅助诊断的过程中起着相对重要的作用比如CT(Computed Tomography)照片技术。
现目前,智慧医疗技术涉及的范围不断扩大,比如结合CT和人工智能(ArtificialIntelligence)进行医学图像处理。然而,对于一些特殊的医学图像,拍摄角度对这类医学图像的图像信息的准确表达影响较大,如果拍摄角度不当,则难以确保脊椎图像中图像信息的准确性。
发明内容
为改善上述背景技术存在的技术问题,本申请提供了基于人工智能的脊椎图像处理装置及计算机设备。
本申请提供一种基于人工智能的脊椎图像处理装置,所述装置包括:
图像信息分析模块,用于获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链;
分布信息确定模块,用于对所述待处理信息链进行分段识别,得到脊椎图像分布信息;
位置标记处理模块,用于对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果;
特征信息提取模块,用于根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息;
特征信息整合模块,用于对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息;
图像信息校验模块,用于获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配。
进一步地,所述图像信息分析模块根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链,具体包括:
根据所述待处理脊椎图像处理指令调用训练好的卷积神经网络训练模型;
通过所述卷积神经网络模型对所述实时脊椎图像信息进行信息拆分,得到所述实时脊椎图像信息对应的图像信息拆分结果;
通过调用训练好的分类器对所述图像信息拆分结果进行分类,得到图像块分类结果;
将所述图像块分类结果进行组合,得到所述图像块分类结果对应的待处理信息链。
进一步地,所述分布信息确定模块对所述待处理信息链进行分段识别,得到脊椎图像分布信息,具体包括:
对所述待处理信息链进行指标识别,得到脊椎图像信息标签;
基于所述脊椎图像信息标签中的每一节脊椎所在所述实时脊椎图像信息中的相对位置数据,建立针对所述实时脊椎图像信息的三维空间坐标系;
确定所述脊椎图像信息标签投影在所述三维空间坐标系中的映射结果,通过所述映射结果得到所述脊椎图像分布信息。
进一步地,所述位置标记处理模块对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果,具体包括:
提取所述脊椎图像分布信息中的每一节脊椎在所述三维空间坐标系中的坐标数据,按照预设的坐标识别策略依次对每个坐标数据进行坐标识别,得到脊椎图像坐标识别内容;
对所述脊椎图像坐标识别内容进行标记,得到所述每一节脊椎在所述三维空间坐标系中对应的位置标记结果。
进一步地,所述特征信息提取模块根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息,具体包括:
对所述位置标记结果与所述预设数据库中的预设脊椎位置信息进行检测:
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则判定所述位置标记结果中的位置数据满足预设条件;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则提取所述位置标记结果中与预设脊椎位置信息匹配失败的待处理位置标记结果,通过所述待处理位置标记结果获得第一差异数据集合;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配失败,则通过所述位置标记结果获得第二差异数据集合;
基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息。
进一步地,所述特征信息提取模块对基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息,具体包括:
通过所述脊椎图像识别模型进行脊椎弧度计算,得到完整弧段特征;
根据所述完整弧段特征进行弧度状态分析,确定所述完整弧段特征对应的弧段相嵌值;
对所述弧段相嵌值进行配对,得到脊椎生理弯曲系数;
对所述脊椎生理弯曲系数进行受力位置的分析,得到所述脊椎弯曲特征信息。
进一步地,所述特征信息整合模块对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息,具体包括:
提取所述脊椎弯曲特征信息中的脊柱扭曲形变量;
对所述脊柱扭曲形变量进行计算,得到脊椎弯曲描述信息。
进一步地,所述图像信息校验模块对获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果,具体包括:
对所述脊椎弯曲描述信息中的弯曲信息进行弯曲角度计算,得到第一弯曲角度;
对所述样本脊椎弯曲信息中的弯曲信息进行弯曲角度计算,得到第二弯曲角度;
根据预设弯曲角度范围确定所述第二弯曲角度的范围值;
将所述第一弯曲角度与所述第二弯曲角度的范围值进行比较,得到比较结果。
进一步地,所述图像信息校验模块根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配,具体包括:
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配,则将所述实时脊椎图像信息储存到缓冲数据库中;
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配,则将所述实时脊椎图像信息删除。
本申请还提供一种计算机设备,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现如下方法:
获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链;
对所述待处理信息链进行分段识别,得到脊椎图像分布信息;
对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果;
根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息;
对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息;
获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配。
本申请的实施例提供的技术方案可以包括以下有益效果。
基于人工智能的脊椎图像处理装置及计算机设备,通过对实时脊椎图像信息进行信息链分析,能够将实时脊椎图像信息按照类别进行精准的分类,从而降低后续图像处理的工作量,对待处理信息链进行分段识别,可以精确地得到脊椎图像分布信息,这样可以确定每节脊椎对应的三维空间位置数据,通过对目标脊椎位置信息进行标记,从而可以更加快速地匹配每节脊椎的三维空间位置数据,确保对脊椎弯曲特征信息的特征提取的准确性和完整性,通过对脊椎弯曲特征信息进行特征整合能够得到脊椎弯曲描述信息。这样可以通过脊椎弯曲描述信息与样本脊椎弯曲信息的比较结果准确地判断出实时脊椎图像信息的拍摄角度是否合格,从而确保实时脊椎图像信息的可用性和准确性,尽可能减少拍摄角度对实时脊椎图像信息产生的噪声干扰。
应当理解的是,以上的一般描述和后文的细节描述仅是举例而言,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的基于人工智能的脊椎图像处理系统的架构示意图;
图2为本发明实施例所提供的基于人工智能的脊椎图像处理方法的流程图;
图3为本发明实施例所提供的基于人工智能的脊椎图像处理装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的基于人工智能的脊椎图像处理装置及计算机设备进行阐述,请结合参考图1,提供了本发明实施例所公开的基于人工智能的脊椎图像处理系统100的通信架构示意图。其中,所述基于人工智能的脊椎图像处理系统100可以包括图像采集设备200以及计算机设备300,所述图像采集设备200与所述计算机设备300与通信连接。
在可能的实施方式中,图像采集设备200可以是高清照相机、摄像机等具有图像拍摄功能和传输功能的终端,计算机设备300可以是台式电脑、平板电脑、笔记本电脑或者其他能够实现待处理脊椎图像处理的智能电子设备,但不限于此。
在上述基础上,请结合参阅图2,为本发明实施例所提供的基于人工智能的脊椎图像处理方法的流程示意图,所述基于人工智能的脊椎图像处理方法可以应用于图1中的计算机设备300,进一步地,所述基于人工智能的脊椎图像处理方法具体可以包括以下步骤S21-步骤S26所描述的内容。
步骤S21,获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链。
举例而言,所述待处理信息链用于表征所述实时脊椎图像信息中的脊椎弯曲特征信息以及脊椎形状特征信息。
在一种可替换的实施例中,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链,可以包括以下步骤S211-步骤S214所描述的内容。
步骤S211,根据所述待处理脊椎图像处理指令调用训练好的卷积神经网络训练模型。
举例而言,所述待处理脊椎图像处理指令用于表示开始对实时脊椎图像信息进行校验的命令。
步骤S212,通过所述卷积神经网络模型对所述实时脊椎图像信息进行信息拆分,得到所述实时脊椎图像信息对应的图像信息拆分结果。
举例而言,通过对实时脊椎图像信息进行拆分,能将实时脊椎图像信息拆分成较小的图像单元,这样能够实现对实时脊椎图像信息的精细化分析,从而提高图像信息处理的精确性。
步骤S213,通过调用训练好的分类器对所述图像信息拆分结果进行分类,得到图像块分类结果。
举例而言,将相同类别的信息组合到一起,这样有利于提高计算机设备对图像信息的处理速度。
步骤S214,将所述图像块分类结果进行组合,得到所述图像块分类结果对应的待处理信息链。
举例而言,所述待处理信息链用于表示组成每个脊椎图像数据对应的每个相似图像特征形成的。
可以理解的,在执行上述步骤S211-步骤S214所描述的内容时,通过对实时脊椎图像信息进行更加精细化的处理,这样能有效地提高实时脊椎图像信息前处理精准性。
步骤S22,对所述待处理信息链进行分段识别,得到脊椎图像分布信息。
举例而言,所述脊椎图像分布信息包括所述待处理信息链中的每节脊椎对应的子图像在所述实时脊椎图像信息中的三维空间位置数据。
在一种可替换的实施例中,对所述待处理信息链进行分段识别,得到脊椎图像分布信息,可以包括以下步骤S221-步骤S213所描述的内容。
步骤S221,对所述待处理信息链进行指标识别,得到脊椎图像信息标签。
举例而言,所述脊椎图像信息标签用于对待处理信息链进行区分,比如可以是数值标签或者字母标签,但不限于此。
步骤S222,基于所述脊椎图像信息标签中的每一节脊椎所在所述实时脊椎图像信息中的相对位置数据,建立针对所述实时脊椎图像信息的三维空间坐标系。
举例而言,所述相对位置数据表征脊椎在图像中的位置、形态、大小分布等各方面的信息。所述三维空间坐标系用于对实时脊椎图像信息进行空间数值化处理。
步骤S223,确定所述脊椎图像信息标签投影在所述三维空间坐标系中的映射结果,通过所述映射结果得到所述脊椎图像分布信息。
举例而言,所述映射结果用于表征脊椎图像信息标签在三维空间坐标系中的坐标,所述脊椎图像分布信息指对应的脊椎图像在一定区域内的位置识别结果。
可以理解的,在执行上述步骤S221-步骤S213所描述的内容时,对待处理信息链进行指标识别,得到脊椎图像信息标签,根据实时脊椎图像信息中的相对位置数据建立三维空间坐标系,将脊椎图像信息标签投影到三维空间坐标系中得到对应坐标数据,将坐标数据按照一定区域范围形成一个对应的集合,将所有集合进行分类,得到脊椎图像分布信息,通过建立三维空间坐标系来确定每一节脊椎所在图像上精确的位置,因此有效地确保了脊椎图像分布信息的信息准确性。
步骤S23,对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果。
举例而言,所述位置标记结果表示在三维空间位置数据中对应的坐标数据,这样有利于在实时脊椎图像信息中对每一节脊椎的相关数据信息进行精确地查找,有效地减少了查找所消耗的时间。
在一种可替换的实施例中,所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果,可以包括以下步骤S231和步骤S232所描述的内容。
步骤S231,提取所述脊椎图像分布信息中的每一节脊椎在所述三维空间坐标系中的坐标数据,按照预设的坐标识别策略依次对每个坐标数据进行坐标识别,得到脊椎图像坐标识别内容。
举例而言,所述坐标识别策略可以是按照设定轴向将各坐标数据进行排序,然后根据排列顺序对每个坐标数据进行坐标识别。脊椎图像坐标识别内容的表现形式可以为三维数据组,三维数据组可以包括X方向的数值、Y方向的数值以及Z方向的数值,比如,三维数据组可以为(1,2,2)或(4,1,4)等。
步骤S232,对所述脊椎图像坐标识别内容进行标记,得到所述每一节脊椎在所述三维空间坐标系中对应的位置标记结果。
举例而言,采用标记的方法对每一节脊椎进行位置标记,方便后续进行快速查询。
可以理解的,在执行上述步骤S231和步骤S232所描述的内容时,能精确地对每一个坐标数据进行坐标识别,这样能在查找相关图像信息的时候通过在先的标记快速地得到坐标数据对应的相关图像信息,这样能有效地降低图像信息的查询时间,提高图像信息的查询效率。
步骤S24,根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息。
举例而言,所述脊椎弯曲特征信息表示脊椎的弯曲程度(例如:弯曲角度、凸出部位等,在此不作赘述),通过相邻的位置标记结果与水平方向进行计算,能得到每一节脊椎精确的偏移角度,这样计算出来的弯曲特征更加的精准。
在一种可替换的实施例中,根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息,可以包括以下步骤S241-步骤S245所描述的内容。
步骤S241,对所述位置标记结果与所述预设数据库中的预设脊椎位置信息进行检测:
步骤S242,若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则判定所述位置标记结果中的位置数据满足预设条件;
步骤S243,若部分所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则提取所述位置标记结果中与预设脊椎位置信息匹配失败的待处理位置标记结果,通过所述待处理位置标记结果获得第一差异数据集合;
步骤S244,若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配失败,则通过所述位置标记结果获得第二差异数据集合;
步骤S245,基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息。
进一步地,基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息,可以包括以下步骤a1-步骤a4所描述的内容。
步骤a1,通过所述脊椎图像识别模型进行脊椎弧度计算,得到完整弧段特征。
举例而言,所述完整弧段特征用于表征不同脊椎之间的弯曲度的融合情况或者融合结果。
步骤a2,根据所述完整弧段特征进行弧度状态分析,确定所述完整弧段特征对应的弧段相嵌值。
举例而言,所述弧段相嵌数据用于表征相邻脊椎之间的弯曲度影响关系。
步骤a3,对所述弧段相嵌值进行配对,得到脊椎生理弯曲系数。
举例而言,所述脊椎生理弯曲系数包括与脊椎对应的生理弯曲系数,例如生理弯曲中的曲尽点、起曲点、止曲点、受力方向等等。
步骤a4,对所述脊椎生理弯曲系数进行受力位置的分析,得到脊椎弯曲特征信息。
举例而言,所述脊椎弯曲特征信息表示脊椎处于曲尽点上的椎骨上下两个关节面的受力位置不同的,即曲尽点上的椎骨上下两个关节面的受力位置都是在椎体的后部和椎弓的位置上,或者都是在椎体中部和前部的位置上,导致的形变量。
可以理解的,在执行上述步骤a1-步骤a4所描述的内容时,对第一差异数据集合或第二差异数据集合中的弧度状态和弯曲系数进行分析,这样能够准确的计算脊椎对应的形变数据,因此能精确地确定脊椎弯曲特征信息。
可以理解的,在执行上述步骤S241-步骤S245所描述的内容时,在根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系时,由于映射关系存在多种可能性,针对于每一种映射关系采用的处理方式可能不一样,因此,基于上述方案,能够有效地提高后续特征提取的精度,从而确保脊椎弯曲特征信息的完整性。
步骤S25,对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息。
举例而言,所述脊椎弯曲描述信息用于表示脊椎相对于正常脊椎在弯曲点的信息。
在一种可替换的实施例中,对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息,可以包括以下步骤S251和步骤S252所描述的内容。
步骤S251,提取所述脊椎弯曲特征信息中的脊柱扭曲形变量。
步骤S252,对所述脊柱扭曲形变量进行计算,得到脊椎弯曲描述信息。
举例而言,脊椎发生的伸长、缩短、弯曲等变化称为形变,在此不作赘述。所述脊柱扭曲形变量包括脊柱的弯曲度以及相邻两节脊椎的相对位置。
可以理解的,在执行上述步骤S251和步骤S252所描述的内容时,脊椎的弯曲特征中包括脊柱扭曲形变量,通过对脊柱扭曲形变量进行计算,能有效地通过脊椎的形变量来计算出相邻节脊椎的位置关系,从而精确地确定出脊椎弯曲描述信息。
步骤S26,获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配。
举例而言,通过脊椎弯曲描述信息是否与实时脊椎图像信息的匹配关系,能准确地判断出实时脊椎图像信息的拍摄角度是否合格。
在一种替换的实施例中,获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果,可以包括以下步骤S261-步骤S264所描述的内容。
步骤S261,对所述脊椎弯曲描述信息中的弯曲信息进行弯曲角度计算,得到第一弯曲角度。
步骤S262,对所述样本脊椎弯曲信息中的弯曲信息进行弯曲角度计算,得到第二弯曲角度。
步骤S263,根据预设弯曲角度范围确定所述第二弯曲角度的范围值。
步骤S264,将所述第一弯曲角度与所述第二弯曲角度的范围值进行比较,得到比较结果。
可以理解的,在执行上述步骤S261-步骤S264所描述的内容时,能精确地计算出脊椎弯曲描述信息的误差容忍范围,也即第二弯曲角度的范围值,这样可以基于第二弯曲角度的范围值快速、可靠地确定第一弯曲角度与第二弯曲角度的范围值的比较结果,从而为后续拍摄角度的判断提供可靠的依据。
在另一种可替换的实施例中,根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配,可以包括以下步骤d1和步骤d2所描述的内容。
步骤d1,若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配,则将所述实时脊椎图像信息储存到缓冲数据库中。
步骤d2,若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配,则将所述实时脊椎图像信息删除。
可以理解的,在执行上述步骤d1和步骤d2所描述的内容时,能将错误的实时脊椎图像信息进行剔除,从而确保缓存的实时脊椎图像信息的准确性和可用性,以便于提高后续针对实时脊椎图像信息处理的效率。
在一些选择性的实施例中,上述步骤“根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配”所描述的内容,可以通过以下方式步骤(1)-步骤(4)实现。
(1)根据所述比较结果获取所述脊椎弯曲描述信息的脊椎弯曲偏差信息以及各脊椎弯曲特征片段。
(2)在根据所述脊椎弯曲偏差信息确定出所述脊椎弯曲描述信息中包含有静态特征标签的情况下,根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段之间的相似度,并将脊椎弯曲描述信息的动态特征标签下的与静态特征标签下的脊椎弯曲特征片段相似的脊椎弯曲特征片段划分到相应的静态特征标签下。
(3)在脊椎弯曲描述信息的当前动态特征标签下包含有多个脊椎弯曲特征片段的情况下,根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段之间的相似度,并根据所述各脊椎弯曲特征片段之间的相似度对当前动态特征标签下的各脊椎弯曲特征片段进行聚类;根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置为上述聚类获得的每一类脊椎弯曲特征片段设置特征重要性评价值,并将所述每一类脊椎弯曲特征片段划分到所述特征重要性评价值所表示的静态特征标签下。
(4)通过所述静态特征标签下的脊椎弯曲特征片段的特征融合结果确定所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的图像匹配度,在所述图像匹配度达到设定匹配度时,确定所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配;在所述图像匹配度未达到设定匹配度时,确定所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配。
这样一来,通过实施上述步骤(1)-步骤(4),能够将静态特征标签和动态特征标签下的脊椎弯曲特征片段进行重新分配,从而在合理范围内静态特征标签下的脊椎弯曲特征片段的数量,这样可以确保静态特征标签下的脊椎弯曲特征片段的特征融合结果的完整性。如此,可以通过特征融合结果精准确定所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的图像匹配度,进而保证所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的匹配判断的可信度。
在一些选择性的实施例中,所述根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段之间的相似度,并将脊椎弯曲描述信息的动态特征标签下的与静态特征标签下的脊椎弯曲特征片段相似的脊椎弯曲特征片段划分到相应的静态特征标签下包括:计算脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段的特征图数据之间的余弦相似度;分别判断各余弦相似度是否达到第一设定余弦相似度,并将余弦相似度达到第一设定余弦相似度的动态特征标签下的脊椎弯曲特征片段划分到相应的静态特征标签下;其中,所述脊椎弯曲特征片段的特征图数据为:根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置统计出的脊椎弯曲特征片段对应的特征重要性评价值的识别结果。
在一些选择性的实施例中,所述根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段之间的相似度,并根据所述各脊椎弯曲特征片段之间的相似度对当前动态特征标签下的各脊椎弯曲特征片段进行聚类包括:计算脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段的特征图数据之间的余弦相似度;针对脊椎弯曲描述信息的当前动态特征标签下的一个脊椎弯曲特征片段而言,将该脊椎弯曲特征片段和与其特征图数据之间的余弦相似度达到第二设定余弦相似度的所有脊椎弯曲特征片段划分为一类;其中,所述脊椎弯曲特征片段的特征图数据为:根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置统计出的脊椎弯曲特征片段对应的特征重要性评价值的识别结果。
在一些选择性的实施例中,所述根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段为上述聚类获得的每一类脊椎弯曲特征片段设置特征重要性评价值包括:针对聚类后的一类脊椎弯曲特征片段而言,根据所述多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段确定该类中的各脊椎弯曲特征片段所属的特征重要性评价值的识别结果,并根据所述识别结果为该类脊椎弯曲特征片段设置特征重要性评价值。
可以理解的,在执行上述步骤S21-步骤S26所描述的内容时,通过对实时脊椎图像信息进行信息链分析,能够将实时脊椎图像信息按照类别进行精准的分类,从而降低后续图像处理的工作量,对待处理信息链进行分段识别,可以精确地得到脊椎图像分布信息,这样可以确定每节脊椎对应的三维空间位置数据,通过对目标脊椎位置信息进行标记,从而可以更加快速地匹配每节脊椎的三维空间位置数据,确保对脊椎弯曲特征信息的特征提取的准确性和完整性,通过对脊椎弯曲特征信息进行特征整合能够得到脊椎弯曲描述信息。这样可以通过脊椎弯曲描述信息与样本脊椎弯曲信息的比较结果准确地判断出实时脊椎图像信息的拍摄角度是否合格,从而确保实时脊椎图像信息的可用性,尽可能减少拍摄角度对实时脊椎图像信息产生的噪声干扰。
基于上述同样的发明构思,请结合参阅图3,还提供了基于人工智能的脊椎图像处理装置500的功能模块框图,关于所述基于人工智能的脊椎图像处理装置500的详细描述如下。
一种基于人工智能的脊椎图像处理装置500,应用于计算机设备,所述装置500包括:
图像信息分析模块510,用于获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链;
分布信息确定模块520,用于对所述待处理信息链进行分段识别,得到脊椎图像分布信息;
位置标记处理模块530,用于对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果;
特征信息提取模块540,用于根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息;
特征信息整合模块550,用于对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息;
图像信息校验模块560,用于获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配。
进一步地,所述图像信息分析模块510根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链,具体包括:
根据所述待处理脊椎图像处理指令调用训练好的卷积神经网络训练模型;
通过所述卷积神经网络模型对所述实时脊椎图像信息进行信息拆分,得到所述实时脊椎图像信息对应的图像信息拆分结果;
通过调用训练好的分类器对所述图像信息拆分结果进行分类,得到图像块分类结果;
将所述图像块分类结果进行组合,得到所述图像块分类结果对应的待处理信息链。
进一步地,所述分布信息确定模块对所述待处理信息链进行分段识别,得到脊椎图像分布信息,具体包括:
对所述待处理信息链进行指标识别,得到脊椎图像信息标签;
基于所述脊椎图像信息标签中的每一节脊椎所在所述实时脊椎图像信息中的相对位置数据,建立针对所述实时脊椎图像信息的三维空间坐标系;
确定所述脊椎图像信息标签投影在所述三维空间坐标系中的映射结果,通过所述映射结果得到所述脊椎图像分布信息。
进一步地,所述位置标记处理模块530对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果,具体包括:
提取所述脊椎图像分布信息中的每一节脊椎在所述三维空间坐标系中的坐标数据,按照预设的坐标识别策略依次对每个坐标数据进行坐标识别,得到脊椎图像坐标识别内容;
对所述脊椎图像坐标识别内容进行标记,得到所述每一节脊椎在所述三维空间坐标系中对应的位置标记结果。
进一步地,所述特征信息提取模块540根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息,具体包括:
对所述位置标记结果与所述预设数据库中的预设脊椎位置信息进行检测:
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则判定所述位置标记结果中的位置数据满足预设条件;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则提取所述位置标记结果中与预设脊椎位置信息匹配失败的待处理位置标记结果,通过所述待处理位置标记结果获得第一差异数据集合;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配失败,则通过所述位置标记结果获得第二差异数据集合;
基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息。
进一步地,所述特征信息提取模块540对基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息,具体包括:
通过所述脊椎图像识别模型进行脊椎弧度计算,得到完整弧段特征;
根据所述完整弧段特征进行弧度状态分析,确定所述完整弧段特征对应的弧段相嵌值;
对所述弧段相嵌值进行配对,得到脊椎生理弯曲系数;
对所述脊椎生理弯曲系数进行受力位置的分析,得到所述脊椎弯曲特征信息。
进一步地,所述特征信息整合模块550对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息,具体包括:
提取所述脊椎弯曲特征信息中的脊柱扭曲形变量;
对所述脊柱扭曲形变量进行计算,得到脊椎弯曲描述信息。
进一步地,所述图像信息校验模块560对获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果,具体包括:
对所述脊椎弯曲描述信息中的弯曲信息进行弯曲角度计算,得到第一弯曲角度;
对所述样本脊椎弯曲信息中的弯曲信息进行弯曲角度计算,得到第二弯曲角度;
根据预设弯曲角度范围确定所述第二弯曲角度的范围值;
将所述第一弯曲角度与所述第二弯曲角度的范围值进行比较,得到比较结果。
进一步地,所述图像信息校验模块560根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配,具体包括:
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配,则将所述实时脊椎图像信息储存到缓冲数据库中;
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配,则将所述实时脊椎图像信息删除。
在一些选择性的实施例中,所述图像信息校验模块560根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配,具体包括:
根据所述比较结果获取所述脊椎弯曲描述信息的脊椎弯曲偏差信息以及各脊椎弯曲特征片段;
在根据所述脊椎弯曲偏差信息确定出所述脊椎弯曲描述信息中包含有静态特征标签的情况下,根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段之间的相似度,并将脊椎弯曲描述信息的动态特征标签下的与静态特征标签下的脊椎弯曲特征片段相似的脊椎弯曲特征片段划分到相应的静态特征标签下;
在脊椎弯曲描述信息的当前动态特征标签下包含有多个脊椎弯曲特征片段的情况下,根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段之间的相似度,并根据所述各脊椎弯曲特征片段之间的相似度对当前动态特征标签下的各脊椎弯曲特征片段进行聚类;根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置为上述聚类获得的每一类脊椎弯曲特征片段设置特征重要性评价值,并将所述每一类脊椎弯曲特征片段划分到所述特征重要性评价值所表示的静态特征标签下;
通过所述静态特征标签下的脊椎弯曲特征片段的特征融合结果确定所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的图像匹配度,在所述图像匹配度达到设定匹配度时,确定所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配;在所述图像匹配度未达到设定匹配度时,确定所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配。
这样一来,所述图像信息校验模块560能够将静态特征标签和动态特征标签下的脊椎弯曲特征片段进行重新分配,从而在合理范围内静态特征标签下的脊椎弯曲特征片段的数量,这样可以确保静态特征标签下的脊椎弯曲特征片段的特征融合结果的完整性。如此,可以通过特征融合结果精准确定所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的图像匹配度,进而保证所述脊椎弯曲描述信息与所述实时脊椎图像信息之间的匹配判断的可信度。
在一些选择性的实施例中,所述图像信息校验模块560根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段之间的相似度,并将脊椎弯曲描述信息的动态特征标签下的与静态特征标签下的脊椎弯曲特征片段相似的脊椎弯曲特征片段划分到相应的静态特征标签下包括:
计算脊椎弯曲描述信息的动态特征标签下的各脊椎弯曲特征片段与脊椎弯曲描述信息的静态特征标签下的各脊椎弯曲特征片段的特征图数据之间的余弦相似度;分别判断各余弦相似度是否达到第一设定余弦相似度,并将余弦相似度达到第一设定余弦相似度的动态特征标签下的脊椎弯曲特征片段划分到相应的静态特征标签下;其中,所述脊椎弯曲特征片段的特征图数据为:根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置统计出的脊椎弯曲特征片段对应的特征重要性评价值的识别结果。
在一些选择性的实施例中,所述图像信息校验模块560根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置确定脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段之间的相似度,并根据所述各脊椎弯曲特征片段之间的相似度对当前动态特征标签下的各脊椎弯曲特征片段进行聚类包括:
计算脊椎弯曲描述信息的当前动态特征标签下的各脊椎弯曲特征片段的特征图数据之间的余弦相似度;针对脊椎弯曲描述信息的当前动态特征标签下的一个脊椎弯曲特征片段而言,将该脊椎弯曲特征片段和与其特征图数据之间的余弦相似度达到第二设定余弦相似度的所有脊椎弯曲特征片段划分为一类;其中,所述脊椎弯曲特征片段的特征图数据为:根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段及其片段相对位置统计出的脊椎弯曲特征片段对应的特征重要性评价值的识别结果。
在一些选择性的实施例中,所述图像信息校验模块560根据多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段为上述聚类获得的每一类脊椎弯曲特征片段设置特征重要性评价值包括:
针对聚类后的一类脊椎弯曲特征片段而言,根据所述多个样本的脊椎弯曲参考信息的静态特征标签下的脊椎弯曲特征片段确定该类中的各脊椎弯曲特征片段所属的特征重要性评价值的识别结果,并根据所述识别结果为该类脊椎弯曲特征片段设置特征重要性评价值。
综上,基于人工智能的脊椎图像处理装置及计算机设备,通过脊椎弯曲描述信息与样本脊椎弯曲信息的比较结果准确地判断出实时脊椎图像信息的拍摄角度是否合格,从而确保实时脊椎图像信息的可用性,尽可能减少拍摄角度对实时脊椎图像信息产生的噪声干扰。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于人工智能的脊椎图像处理装置,其特征在于,所述装置包括:
图像信息分析模块,用于获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链;
分布信息确定模块,用于对所述待处理信息链进行分段识别,得到脊椎图像分布信息;
位置标记处理模块,用于对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果;
特征信息提取模块,用于根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息;
特征信息整合模块,用于对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息;
图像信息校验模块,用于获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配;
其中,所述图像信息分析模块根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链,具体包括:
根据待处理脊椎图像处理指令调用训练好的卷积神经网络训练模型;
通过所述卷积神经网络模型对所述实时脊椎图像信息进行信息拆分,得到所述实时脊椎图像信息对应的图像信息拆分结果;
通过调用训练好的分类器对所述图像信息拆分结果进行分类,得到图像块分类结果;
将所述图像块分类结果进行组合,得到所述图像块分类结果对应的待处理信息链。
2.根据权利要求1所述的装置,其特征在于,所述分布信息确定模块对所述待处理信息链进行分段识别,得到脊椎图像分布信息,具体包括:
对所述待处理信息链进行指标识别,得到脊椎图像信息标签;
基于所述脊椎图像信息标签中的每一节脊椎所在所述实时脊椎图像信息中的相对位置数据,建立针对所述实时脊椎图像信息的三维空间坐标系;
确定所述脊椎图像信息标签投影在所述三维空间坐标系中的映射结果,通过所述映射结果得到所述脊椎图像分布信息。
3.根据权利要求2所述的装置,其特征在于,所述位置标记处理模块对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果,具体包括:
提取所述脊椎图像分布信息中的每一节脊椎在所述三维空间坐标系中的坐标数据,按照预设的坐标识别策略依次对每个坐标数据进行坐标识别,得到脊椎图像坐标识别内容;
对所述脊椎图像坐标识别内容进行标记,得到所述每一节脊椎在所述三维空间坐标系中对应的位置标记结果。
4.根据权利要求1所述的装置,其特征在于,所述特征信息提取模块根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息,具体包括:
对所述位置标记结果与所述预设数据库中的预设脊椎位置信息进行检测:
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则判定所述位置标记结果中的位置数据满足预设条件;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配,则提取所述位置标记结果中与预设脊椎位置信息匹配失败的待处理位置标记结果,通过所述待处理位置标记结果获得第一差异数据集合;
若所有所述位置标记结果与所述预设数据库中的预设脊椎位置信息匹配失败,则通过所述位置标记结果获得第二差异数据集合;
基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息。
5.根据权利要求4所述的装置,其特征在于,所述特征信息提取模块对基于预先训练的脊椎图像识别模型对所述第一差异数据集合或所述第二差异数据集合进行特征提取,得到脊椎弯曲特征信息,具体包括:
通过所述脊椎图像识别模型进行脊椎弧度计算,得到完整弧段特征;
根据所述完整弧段特征进行弧度状态分析,确定所述完整弧段特征对应的弧段相嵌值;
对所述弧段相嵌值进行配对,得到脊椎生理弯曲系数;
对所述脊椎生理弯曲系数进行受力位置的分析,得到所述脊椎弯曲特征信息。
6.根据权利要求1所述的装置,其特征在于,所述特征信息整合模块对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息,具体包括:
提取所述脊椎弯曲特征信息中的脊柱扭曲形变量;
对所述脊柱扭曲形变量进行计算,得到脊椎弯曲描述信息。
7.根据权利要求1所述的装置,其特征在于,所述图像信息校验模块对获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果,具体包括:
对所述脊椎弯曲描述信息中的弯曲信息进行弯曲角度计算,得到第一弯曲角度;
对所述样本脊椎弯曲信息中的弯曲信息进行弯曲角度计算,得到第二弯曲角度;
根据预设弯曲角度范围确定所述第二弯曲角度的范围值;
将所述第一弯曲角度与所述第二弯曲角度的范围值进行比较,得到比较结果。
8.根据权利要求1所述的装置,其特征在于,所述图像信息校验模块根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配,具体包括:
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息匹配,则将所述实时脊椎图像信息储存到缓冲数据库中;
若根据所述比较结果确定出所述脊椎弯曲描述信息与所述实时脊椎图像信息不匹配,则将所述实时脊椎图像信息删除。
9.一种计算机设备,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现如下方法:
获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链;
对所述待处理信息链进行分段识别,得到脊椎图像分布信息;
对所述脊椎图像分布信息中的目标脊椎位置信息进行标记,得到所述目标脊椎位置信息对应的位置标记结果;
根据所述位置标记结果与预设数据库中的预设准脊椎位置信息的映射关系,通过预先训练的脊椎图像识别模型对所述脊椎图像分布信息进行特征提取,得到脊椎弯曲特征信息;
对所述脊椎弯曲特征信息进行特征整合,得到脊椎弯曲描述信息;
获得所述脊椎弯曲描述信息与所述预设数据库中的样本脊椎弯曲信息的比较结果;根据所述比较结果判断所述脊椎弯曲描述信息是否与所述实时脊椎图像信息匹配;
其中,所述获取实时脊椎图像信息,根据接收到的脊椎图像分析指令对所述实时脊椎图像信息进行信息链分析,得到所述实时脊椎图像信息对应的待处理信息链的步骤,包括:
根据待处理脊椎图像处理指令调用训练好的卷积神经网络训练模型;
通过所述卷积神经网络模型对所述实时脊椎图像信息进行信息拆分,得到所述实时脊椎图像信息对应的图像信息拆分结果;
通过调用训练好的分类器对所述图像信息拆分结果进行分类,得到图像块分类结果;
将所述图像块分类结果进行组合,得到所述图像块分类结果对应的待处理信息链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338392.2A CN112819826B (zh) | 2021-03-30 | 2021-03-30 | 基于人工智能的脊椎图像处理装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338392.2A CN112819826B (zh) | 2021-03-30 | 2021-03-30 | 基于人工智能的脊椎图像处理装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819826A CN112819826A (zh) | 2021-05-18 |
CN112819826B true CN112819826B (zh) | 2022-04-19 |
Family
ID=75863535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338392.2A Active CN112819826B (zh) | 2021-03-30 | 2021-03-30 | 基于人工智能的脊椎图像处理装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819826B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439453B (zh) * | 2022-09-13 | 2023-05-26 | 北京医准智能科技有限公司 | 一种脊椎椎体定位方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678845A (zh) * | 2016-01-11 | 2016-06-15 | 西安电子科技大学 | 基于有限元分析的3d打印个性化建模方法 |
CN106510921A (zh) * | 2016-12-28 | 2017-03-22 | 四川大学华西医院 | 一种可调式脊柱压缩性骨折矫形器 |
CN106934810A (zh) * | 2017-03-28 | 2017-07-07 | 合肥工业大学 | 一种脊椎矫正装置 |
CN107680134A (zh) * | 2017-09-29 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 医学图像中脊椎标定方法、装置及设备 |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208117A (zh) * | 2011-05-04 | 2011-10-05 | 西安电子科技大学 | 脊椎的三维几何与有限元混合模型的构建方法 |
CN106054198B (zh) * | 2016-05-18 | 2018-09-18 | 南京信息职业技术学院 | 一种预防与矫正青少年脊椎轻度弯曲的装置与方法 |
US10650512B2 (en) * | 2016-06-14 | 2020-05-12 | The Regents Of The University Of Michigan | Systems and methods for topographical characterization of medical image data |
CN111616555A (zh) * | 2020-05-02 | 2020-09-04 | 中国人民解放军空军军医大学 | 基于位置传感器的避免脊椎弯曲的坐姿调整系统和方法 |
-
2021
- 2021-03-30 CN CN202110338392.2A patent/CN112819826B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678845A (zh) * | 2016-01-11 | 2016-06-15 | 西安电子科技大学 | 基于有限元分析的3d打印个性化建模方法 |
CN106510921A (zh) * | 2016-12-28 | 2017-03-22 | 四川大学华西医院 | 一种可调式脊柱压缩性骨折矫形器 |
CN106934810A (zh) * | 2017-03-28 | 2017-07-07 | 合肥工业大学 | 一种脊椎矫正装置 |
CN107680134A (zh) * | 2017-09-29 | 2018-02-09 | 沈阳东软医疗系统有限公司 | 医学图像中脊椎标定方法、装置及设备 |
CN109919903A (zh) * | 2018-12-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 一种脊椎检测定位标记方法、系统及电子设备 |
Non-Patent Citations (3)
Title |
---|
An Automated and Accurate Spine Curve Analysis System;BO CHEN等;《网页在线公开"https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8819955》;20190829;第1-10页 * |
基于邻域信息和高斯加权卡方距离的脊椎MR图像分割;郑倩等;《中国生物医学工程学报》;20110819;第30卷(第3期);第357-362页 * |
脊椎图像预处理与特征提取研究;张增;《无线互联科技》;20190708;第16卷(第9期);第128-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819826A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562585B2 (en) | Systems and methods for image preprocessing | |
WO2021008328A1 (zh) | 图像处理方法、装置、终端及存储介质 | |
EP1820141B1 (en) | Multiscale variable domain decomposition method and system for iris identification | |
CN115222007B (zh) | 面向胶质瘤多任务一体化网络的改进粒子群参数优化方法 | |
US20200265579A1 (en) | Computer-implemented method for medical image processing | |
US20080260254A1 (en) | Automatic 3-D Object Detection | |
CN110009038B (zh) | 筛查模型的训练方法、装置及存储介质 | |
Zhou et al. | Optic disc and cup segmentation in retinal images for glaucoma diagnosis by locally statistical active contour model with structure prior | |
CN109119133A (zh) | 基于多标记特征选择及分类的中医临床大数据存储方法 | |
US20240087368A1 (en) | Companion animal life management system and method therefor | |
US11564650B2 (en) | Method and system for detecting pneumothorax | |
CN115661872A (zh) | 一种自然场景下鲁棒的手掌感兴趣区域定位方法 | |
US11980491B2 (en) | Automatic recognition method for measurement point in cephalo image | |
CN112819826B (zh) | 基于人工智能的脊椎图像处理装置及计算机设备 | |
CN111192660A (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
CN114519401B (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
CN116934747A (zh) | 眼底图像分割模型训练方法、设备和青光眼辅助诊断系统 | |
KR101093107B1 (ko) | 영상정보 분류방법 및 장치 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
Arco et al. | Quantifying inter-hemispheric differences in Parkinson’s disease using siamese networks | |
El-Tarhouni et al. | Feature fusion using the local binary pattern histogram fourier and the pyramid histogram of feature fusion using the local binary pattern oriented gradient in iris recognition | |
CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
CN116805522A (zh) | 诊断报告输出方法、装置、终端及存储介质 | |
CN113963208A (zh) | 籽骨等级识别方法、装置、计算机设备和存储介质 | |
Dinesh Kumar et al. | Automatic estimation of orientation and position of spine in digitized X-rays using mathematical morphology |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |