CN112967235A - 图像检测方法、装置、计算机设备和存储介质 - Google Patents
图像检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112967235A CN112967235A CN202110188716.9A CN202110188716A CN112967235A CN 112967235 A CN112967235 A CN 112967235A CN 202110188716 A CN202110188716 A CN 202110188716A CN 112967235 A CN112967235 A CN 112967235A
- Authority
- CN
- China
- Prior art keywords
- region
- vertebral body
- image
- segmentation
- determining
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括:获取待测对象的脊柱分割图像;所述脊柱分割图像中包括椎体和后纵韧带区域;对所述脊柱分割图像进行关键点检测,确定每个所述椎体对应的关键点;根据每个所述椎体的关键点的位置信息,对所述脊柱分割图像中的后纵韧带区域进行检测,确定所述后纵韧带区域的检测结果。采用本方法能够提高得到的后纵韧带区域的检测结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
背景技术
随着人们体力劳动的不断减少,相应久坐的时间逐渐增加,随之而来人们的脊柱健康问题也备受关注。脊柱中包括脊柱的后纵韧带,其对人体的脊柱健康起着非常重要的作用,因此,在患者去医院检查脊柱时,对患者脊柱中的后纵韧带进行检查也就显得十分必要。
传统技术中,在患者去医院检查脊柱的后纵韧带时,通常是患者先拍摄脊柱的医学图像,然后医生通过观察并分析该医学图像,根据经验得出患者的后纵韧带的检测结果。
然而,上述对脊柱的后纵韧带进行检测的技术,存在得到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,提供一种在对脊柱的后纵韧带进行检测时,能够提高得到的检测结果的准确性的图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法,该方法包括:
获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;
对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;
根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
在其中一个实施例中,每个上述椎体对应多个关键点;上述根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果,包括:
根据上述椎体的各关键点的位置信息,将上述椎体的后缘区域划分为相邻的第一区域和第二区域;
根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点;
根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果。
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,上述根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点,包括:
从上述多个矢状位图像中确定目标矢状位图像,并获取上述目标矢状位图像对应的椎体分割结果;
根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点。
在其中一个实施例中,上述根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点,包括:
获取上述椎体对应的椎体分割结果中的分割像素点的位置信息;上述分割像素点为上述椎体对应的椎体分割结果中像素值大于像素阈值的像素点;
根据上述椎体的各关键点的位置信息以及上述分割像素点的位置信息,确定上述第一区域对应的第一向量矩阵和上述第二区域对应的第二向量矩阵;
根据上述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对上述分割像素点进行判别,确定位于上述第一区域的第一目标像素点和位于上述第二区域内的第二目标像素点。
在其中一个实施例中,上述根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果,包括:
将上述第一目标像素点组成的区域确定为位于上述椎体后缘的后纵韧带区域的检测结果;
将上述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;上述椎间盘为上述椎体与下一个相邻椎体之间的椎间盘。
在其中一个实施例中,上述方法还包括:
获取上述椎体所属的椎体节段和上述椎间盘所属的椎间盘节段;
根据上述椎体所属的椎体节段以及上述椎间盘所属的椎间盘节段,确定上述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
在其中一个实施例中,上述方法还包括:
根据上述第一目标像素点和上述第二目标像素点,对上述后纵韧带区域的检测结果进行量化处理,确定上述后纵韧带区域的检测结果对应的量化结果。
在其中一个实施例中,在根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点之前,上述方法还包括:
去除上述目标矢状位图像对应的椎体分割结果中的附件的分割结果。
在其中一个实施例中,在上述对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点之前,上述方法还包括:
对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像。
在其中一个实施例中,上述对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像,包括:
获取上述脊柱分割图像中的目标体素以及上述目标体素的三维坐标;上述目标体素为上述脊柱分割图像中体素值大于体素阈值的体素;
根据上述目标体素的三维坐标构建三维坐标矩阵;
对上述三维坐标矩阵进行主成分分析,确定三个轴向上的单位特征向量;
根据上述三个轴向上的单位特征向量确定图像变换关系,并采用上述图像变换关系对上述脊柱分割图像进行变换处理,获得摆正后的脊柱分割图像。
一种图像检测装置,该装置包括:
获取模块,用于获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;
关键点检测模块,用于对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;
区域检测模块,用于根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
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:
获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;
对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;
根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
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:
获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;
对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;
根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
上述图像检测方法、装置、计算机设备和存储介质,通过获取待测对象的包括椎体和后纵韧带区域的脊柱分割图像,对该脊柱分割图像进行关键点检测,确定每个椎体对应的关键点,并通过每个椎体的关键点的位置信息对脊柱分割图像中的后纵韧带区域进行检测,确定后纵韧带区域的检测结果。在该方法中,由于可以通过关键点检测得到的椎体关键点的位置信息对后纵韧带区域进行检测,得到后纵韧带区域的检测结果,即可以细化后纵韧带检测的过程,而不需要医生根据经验去获得后纵韧带区域的检测结果,因此,该方法得到的后纵韧带区域的检测结果更加准确。
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为一个实施例中图像检测方法的流程示意图;
图3为另一个实施例中图像检测步骤的流程示意图;
图3a为另一个实施例中区域划分的示例图;
图3b为另一个实施例中构建向量矩阵的示例图;
图4为另一个实施例中图像检测方法的流程示意图;
图5为另一个实施例中图像检测方法的流程示意图;
图5a为另一个实施例中对图像摆正的示例图;
图6为一个实施例中图像检测装置的结构框图。
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。
本申请实施例提供的图像检测方法,可以应用于计算机设备或医疗检测系统,该医疗检测系统包括相互连接的计算机设备和扫描设备,其中,扫描设备可以对待测对象进行扫描,并将获得的扫描数据传输给计算机设备进行处理。这里计算机设备可以是终端,也可以是服务器,以该计算机设备是终端为例,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图像检测方法。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,本申请实施例的执行主体可以是医疗检测系统,也可以是医疗检测系统中的计算机设备,当然还可以是计算机设备内的图像检测装置,以下就以计算机设备为执行主体来对本申请实施例的技术方案进行说明。
在一个实施例中,如图2所示,提供了一种图像检测方法,该方法可以包括以下步骤:
S202,获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域。
其中,待测对象可以是人体或动物体,可以是活体或非活体。脊柱分割图像中可以包括待测对象的各个椎体、各个椎体对应的附件,以及各个椎体和附件之间的后纵韧带区域等等。
在本步骤中,可以采用分割模型对待测对象的脊柱图像进行分割,获得待测对象的脊柱分割图像。其中,待测对象的脊柱图像可以通过对待测对象的脊柱进行扫描获得。
这里在获得待测对象的脊柱分割图像之前,可以通过脊柱训练图像集来训练分割模型,这里的脊柱训练图像集中的每个脊柱训练图像均包括各个椎体的标签和后纵韧带区域(后纵韧带区域可以包括后纵韧带的正常区域以及异常区域,异常区域例如可以是骨化区域、病变区域等)。在训练时,可以将脊柱训练图像集中的各个脊柱训练图像作为初始分割模型的输入,将各个脊柱训练图像对应的脊柱分割图像作为初始分割模型的参考输出,对初始分割模型进行训练,得到训练好的分割模型。各个脊柱训练图像对应的脊柱分割图像中包括椎体以及后纵韧带区域。
另外,这里的分割模型可以是多标签分割模型,不同的标签值代表不同的椎体。也就是说,该多标签分割模型可以分割出不同标签的椎体,例如颈椎和胸椎、腰椎等属于不同标签的椎体,均可以分割出来,且分割出来可以带有椎体标签。需要说明的是,这里所有椎体的标签应当包括上述的后纵韧带区域。
进一步地,由于上述采用分割模型进行脊柱图像分割,可能会存在分割结果欠分割或过分割的情况,导致分割结果不准确。因此这里也可以使用相关算法对分割结果进行优化,相关算法例如可以是图分割算法(Graph Cut)、深度学习算法等等。
具体的,可以通过训练好的分割模型对待测对象的脊柱图像进行分割,获得待测对象的脊柱分割图像,该脊柱分割图像中包括各个椎体和后纵韧带区域。
S204,对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点。
其中,这里的关键点指的是椎体上的关键点,例如可以是椎体的前缘角点、后缘角点、中心点、或者重心点等等中的任一种或多种。
在本步骤中,对脊柱分割图像进行关键点检测,可以认为是对脊柱分割图像中的各个椎体进行关键点检测。可以采用预先训练的关键点检测模型对脊柱分割图像进行关键点检测,这里的关键点检测模型可以通过脊柱分割图像集进行训练得到,脊柱分割图像集的每个脊柱分割图像中的椎体均包括标注关键点(其中,标注关键点可以是标注关键点的位置信息、所属椎体标签信息、和/或关键点类型信息等),通过脊柱分割图像集就可以对关键点检测模型进行训练,获得训练好的关键点检测模型。需要说明的是,该关键点检测模型在训练时,所给标签即关键点位置信息等应位于后纵韧带区域的骨皮质上,不能位于后纵韧带区域的骨化病灶上,这样可以便于区分后纵韧带区域的骨皮质和骨化病灶。
在训练好关键点检测模型之后,就可以通过训练好的关键点检测模型对待测对象的脊柱分割图像进行关键点检测,获得脊柱分割图像中每个椎体上的关键点以及每个关键点的位置信息等。
这里关键点检测模型的各个输出通道均对应特定椎体的关键点,如颈椎C3后缘上方的角点C3_PT、胸椎T2后缘下方的角点T2_PB等。输出的通道数量可根据实际需求决定,如该关键点检测模型主要检测颈椎的关键点,每个椎体检测4个关键点,则可设置为28个输出,分别对应颈椎的C2-7及胸椎T1共28个关键点。这里对颈椎检测也输出一个胸椎的关键点,主要是在检测过程中可以包括颈椎的各个椎体对应的椎间盘,以便后续进行进一步地后纵韧带区域检测处理。
进一步地,由于大部分椎体具有较为相似的图形特征,因此这里关键点检测模型某些通道输出的结果中经常包含多个相邻椎体的候选点,需要使用后处理算法进行排除,得到正确的关键的位置信息。这里的后处理算法例如可以是通过几何约束的方法等等。
S206,根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
在本步骤中,在获得各个椎体的关键点以及各个关键点的位置信息之后,可以通过对各个关键点的位置信息、脊柱分割结果中后纵韧带区域的像素点的位置信息以及像素值信息等进行数学运算处理,例如乘法运算、点乘运算、比大小运算等等,得到后纵韧带区域的像素点的检测结果,并通过像素点的检测结果来得到后纵韧带区域的检测结果。这里后纵韧带区域的检测结果例如可以后纵韧带区域是否全部为正常区域,或者是否包括异常区域,或者是否均为异常区域,或者一部分为异常区域以及另一部分为正常区域等检测结果。
上述图像检测方法中,通过获取待测对象的包括椎体和后纵韧带区域的脊柱分割图像,对该脊柱分割图像进行关键点检测,确定每个椎体对应的关键点,并通过每个椎体的关键点的位置信息对脊柱分割图像中的后纵韧带区域进行检测,确定后纵韧带区域的检测结果。在该方法中,由于可以通过关键点检测得到的椎体关键点的位置信息对后纵韧带区域进行检测,得到后纵韧带区域的检测结果,即可以细化后纵韧带检测的过程,而不需要医生根据经验去获得后纵韧带区域的检测结果,因此,该方法得到的后纵韧带区域的检测结果更加准确。
在另一个实施例中,如图3所示,提供了另一种图像检测方法,在上述实施例的基础上,每个上述椎体对应多个关键点,那么上述S206可以包括以下步骤:
S302,根据上述椎体的各关键点的位置信息,将上述椎体的后缘区域划分为相邻的第一区域和第二区域。
在本步骤中,在获得每个椎体的各个关键点以及各个关键点的位置信息之后,可以通过各个关键点的位置信息将各椎体后缘区域分为两个区域,其一为当前椎体的后缘区域,记为第一区域;其二为当前椎体与下一椎体间隙后方的区域,即椎间盘的后方区域,记为第二区域。
参见图3a所示,以颈椎的C2椎体为例,C2后方的区域为点1-3、点2-4、点3-4连线形成的区域,C2-3间隙后方的区域由点2-4、点5-7、点4-7连线形成的区域,其余区域依此类推。需要说明的是,这里图3a只是示例,并不影响本申请实施例的实质内容。
S304,根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点。
在本步骤中,一般都是在脊柱分割图像的一个矢状位图像上来进行像素点检测。那么就需要确定该矢状位图像,可选的,上述脊柱分割图像包括多个矢状位图像,那么本步骤可以包括以下步骤一和步骤二:
步骤一,从上述多个矢状位图像中确定目标矢状位图像,并获取上述目标矢状位图像对应的椎体分割结果。
这里的目标矢状位图像可以是中矢状位图像,可以通过脊柱分割结果中各个椎体的分割结果,计算各个椎体的中心或重心,并通过各个椎体的中心或重心进行求和取平均,获得脊柱的中心或重心,并将脊柱的中心或重心所在的矢状位图像作为中矢状位图像,即获得目标矢状位图像。
上述在获得脊柱分割图像时,也就可以获得其中椎体的分割结果,该椎体的分割结果中可以包括椎体上各个像素点的像素值以及位置信息、标所属椎体签等信息。那么同样的在获得目标矢状位图像之后,也就可以从上述分割图像对应的椎体的分割结果中获得目标矢状位图像对应的椎体的分割结果,即二维椎体分割结果。
这里通过确定目标矢状位图像,并进行后续目标像素点的确定,使得可以有针对性地去计算,避免盲目计算所有矢状位图像上的像素点,降低计算效率。
步骤二,根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点。
在步骤二中,这里确定的目标像素点包括第一区域内的目标像素点和第二区域内的目标像素点,可选的,这里可以通过以下步骤1-3来确定目标像素点。
步骤1,获取上述椎体对应的椎体分割结果中的分割像素点的位置信息;上述分割像素点为上述椎体对应的椎体分割结果中像素值大于像素阈值的像素点。
其中,上述步骤中可以获得目标矢状位图像对应的椎体分割结果中各个像素点的像素值,然后将各个像素点的像素值和像素阈值进行对比,从各个像素点中获得像素值大于像素阈值的像素点,记为分割像素点。这里的像素阈值可以根据实际情况设定,例如可以是0、10、50等等。
步骤2,根据上述椎体的各关键点的位置信息以及上述分割像素点的位置信息,确定上述第一区域对应的第一向量矩阵和上述第二区域对应的第二向量矩阵。
在这里,同样可以从目标矢状位图像对应的椎体分割结果中获得各个像素点的位置信息,在确定出其中的分割像素点之后,也就可以确定出分割像素点的位置信息。各个关键点的位置信息可以通过上述关键点检测模型获得。
在获得各个关键点的位置信息以及分割像素点的位置信息之后,可以进一步判断分割像素点是否位于第一区域或第二区域,在判断时,可以通过各个关键点的位置信息以及分割像素点的位置信息构建向量矩阵来进行判断。
具体构建向量矩阵过程如下:(这里参见图3b所示,以颈椎的C3椎体的后后缘区域为例进行说明其他椎体均适用此方式)
1)根据上述S302的区域划定方式,C3后缘区域由向量V1、V2、V3划定;
2)图3b中在向量V2、V3中间的像素点为位于第一区域内的分割像素点,其与C3椎体后缘的上下两个关键点分别组成向量V4、V5;
3)定义指向屏幕外的方向为正,则根据右手法则可得,对于任意位于C3后缘区域的像素点均同时满足:①V4×V1>0、②V4×V3<0、③V5×V1>0、④V5×V2>0四个条件,而图像中其他像素点无法同时满足上述4个条件。
4)将V4×V1>0、②V4×V3<0、③V5×V1>0、④V5×V2>0构成四个向量矩阵,即可得到C3后缘的第一区域对应的第一向量矩阵;
5)根据1)-4)的方式,同样可以得到C3后缘的第二区域对应的第二向量矩阵。
需要说明的是,这里图3b只是示例,并不影响本申请实施例的实质内容。
步骤3,根据上述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对上述分割像素点进行判别,确定位于上述第一区域的第一目标像素点和位于上述第二区域内的第二目标像素点。
在本步骤中,上述步骤2中的关于向量叉乘之后<0或者>0,即可以作为向量约束条件,可以通过上述1)-4)的方式对位于第一区域内的各个分割像素点进行判别,确定第一区域内满足上述向量约束条件的目标像素点,记为第一目标像素点,第一目标像素点可以是一个或多个。
同样的,也可以上述1)-4)的方式对位于第二区域内的各个分割像素点进行判别,确定第二区域内满足上述向量约束条件的目标像素点,记为第二目标像素点,第二目标像素点可以是一个或多个。
这里通过构建向量矩阵的方式确定目标像素点,其在计算过程中每次可以并行(同时)对多个分割像素点计算,而不用采用循环方式依次对各个分割像素点进行计算,因此可以加快对后纵韧带区域检测的速度,即可以提高对后纵韧带区域检测的效率。
S306,根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果。
在获得位于第一区域内的第一目标像素点和位于第二区域内的第二目标像素点之后,可选的,可以将上述第一目标像素点组成的区域确定为位于上述椎体后缘的后纵韧带区域的检测结果;将上述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;上述椎间盘为上述椎体与下一个相邻椎体之间的椎间盘。
这里第一目标像素点组成的区域位于椎体后缘的第一区域,因此可以记为位于椎体后缘的后纵韧带区域的检测结果,这里的检测结果可以认为是确定出一个区域即可,当然也可以包括其他内容。例如这里的第一目标像素点组成的区域可以是后纵韧带区域的骨化或病变区域,即位于椎体后缘的后纵韧带区域的检测结果为确定出该位置处的骨化区域或病变区域。
同样的,第二目标像素点组成的区域位于椎体后缘的第二区域,因此可以记为位于椎间盘后方的后纵韧带区域的检测结果,这里的检测结果可以认为是确定出一个区域即可,当然也可以包括其他内容。例如这里的第二目标像素点组成的区域可以是后纵韧带区域的骨化或病变区域,即位于椎间盘后方的后纵韧带区域的检测结果为确定出该位置处的骨化区域或病变区域。
这里通过两个区域的目标像素点获得两个区域各自的检测结果,细化了后纵韧带区域的检测范围,从而可以使得得到的后纵韧带区域的检测结果更加精细,也更加准确。
本实施例中,通过椎体的各个关键点的位置信息将椎体后缘区域划分为第一区域和第二区域,并通过脊柱分割图像以及这两个区域确定为位于这两个区域内的目标像素点,以根据目标像素点确定后纵韧带区域的检测结果。这里通过区域划分以及目标像素点的确定来获得后纵韧带区域的检测结果,将后纵韧带区域的检测过程一步步细化,从而可以使最终得到的后纵韧带区域的检测结果更加精细,也更加准确。
在上述获得后纵韧带区域的检测结果的基础上,可选的,上述方法还包括:根据上述第一目标像素点和上述第二目标像素点,对上述后纵韧带区域的检测结果进行量化处理,确定上述后纵韧带区域的检测结果对应的量化结果。
其中,在获得第一目标像素点以及第二目标像素点之后,相应的也可以获得第一目标像素点的像素值以及位置信息,第二目标像素点的像素值以及位置信息等。之后,可以通过对各第一目标像素点和各第二目标像素点进行量化处理,得到量化信息,即量化结果。
示例地,可以通过对各第一目标像素点的像素值进行相加,获得第一目标像素点组成的区域的面积;或者,通过从左到右或从右到左,按椎体节段或脊柱整体,找到像素值最大以及最小的两个像素点,并通过这两个像素点的像素值来确定椎体节段或脊柱整体的前后径;或者,可以通过在脊柱纵向方向上,从上到下计算出各个椎体节段的目标像素点组成的区域占总体区域的比例,得到后纵韧带区域骨化范围等;或者也可以是其他计算方式得到其他量化信息。对第二目标像素点也是同理,这里就不赘述。
本实施例中,通过根据第一目标像素点和第二目标像素点对后纵韧带区域的检测结果进行量化处理,得到量化结果,使得在后续医生可以依据该量化结果快速对待测对象的图像进行分析,提高对待测对象的图像进行分析的效率。
在另一个实施例中,如图4所示,提供了另一种图像检测方法,在上述实施例的基础上,上述方法还可以包括以下步骤:
S402,获取上述椎体所属的椎体节段和上述椎间盘所属的椎间盘节段。
在本步骤中,在上述对每个椎体划分第一区域以及第二区域时,可以获知每个椎体所属的节段以及椎间盘节段。
示例地,假设上述是对颈椎C3椎体后的后纵韧带区域进行检测,那么就可以获得其所属C3节段,椎间盘所属节段为C3椎体和C4椎体之间的椎间盘。
S404,根据上述椎体所属的椎体节段以及上述椎间盘所属的椎间盘节段,确定上述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
在本步骤中,同样的,在获得每个椎体的后纵韧带区域的检测结果之后,也可以通过上述区域划分时的椎体节段以及椎间盘节段等,获知检测结果所属的椎体节段以及椎间盘节段。
本实施例中,通过获取主体所属的椎体节段以及椎间盘所属的椎间盘节段,可以获知后纵韧带区域检测结果对应的椎体节段以及椎间盘节段,这里的椎体节段以及椎间盘节段可以认为是解剖结构的位置信息,即可以获得基于脊柱解剖结构的位置信息,便于后续对脊柱进行进一步分析处理时可以快速通过位置信息进行处理。
在另一个实施例中,提供了另一种图像检测方法,在上述实施例的基础上,在上述S304之前,上述方法还可以包括以下步骤A:
步骤A,去除上述目标矢状位图像对应的椎体分割结果中的附件的分割结果。
在本步骤中,椎体分割结果中的附件例如可以是横突等等,可以通过连通域检测,将位于待测对象后方的椎体的附件连通域删除。当然也可以采用其他方式进行去除。
本实施例中,通过去除椎体分割结果中的附件的分割结果,使得在后续对椎体后方的后纵韧带区域进行检测时,可以避免将附件认为是后纵韧带区域,影响后纵韧带区域的检测结果,即可以提高对后纵韧带区域检测的准确性。
在另一个实施例中,提供了另一种图像检测方法,在上述实施例的基础上,在上述S204之前,上述方法还可以包括以下步骤B:
步骤B,对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像。
可选的,参见图5所示,步骤B可以包括以下步骤:
S502,获取上述脊柱分割图像中的目标体素以及上述目标体素的三维坐标;上述目标体素为上述脊柱分割图像中体素值大于体素阈值的体素。
在本步骤中,在上述通过分割模型获得脊柱分割图像之后,这里的脊柱分割图像为三维图像,可以认为是脊柱的掩膜(mask)图像,那么也就可以获得脊柱分割图像中的各个体素的体素值以及三维坐标。然后将各个体素的体素值和体素阈值进行对比,从各个体素中获得体素值大于体素阈值的体素,记为目标体素,那么也就可以得到目标体素的三维坐标。这里的体素阈值可以根据实际情况设定,例如可以是0、10、50等等。
S504,根据上述目标体素的三维坐标构建三维坐标矩阵。
在本步骤中,每个目标体素的三维坐标分别包括三个坐标轴方向上的坐标,那么可以通过各个目标体素的三维坐标,构建一个N*3的三维坐标矩阵,其中,N为目标体素的数量,且一般大于3,其中矩阵中的3指的是三个坐标轴方向。
S506,对上述三维坐标矩阵进行主成分分析,确定三个轴向上的单位特征向量。
在获得上述构建的三维坐标矩阵之后,可以对三个坐标轴方向上的3个变量进行主成分分析(PCA),获得三个单位特征向量。其中所得方差最大的单位特征向量即为脊柱分割图像的新垂直轴,方差第二大的单位特征向量即为脊柱分割图像的新冠状轴,则与上述两个单位特征向量垂直的单位向量即为脊柱分割图像的新矢状轴。
参见图5a所示,假设原来的三个坐标轴分别为x、y、z,那么这里通过主成分分析,获得新的x、y、z,记为x’、y’、z’。
需要说明的是,这里图5a只是示例,并不影响本申请实施例的实质内容。
S508,根据上述三个轴向上的单位特征向量确定图像变换关系,并采用上述图像变换关系对上述脊柱分割图像进行变换处理,获得摆正后的脊柱分割图像。
在本步骤中,在获得三个轴向上的单位特征向量之后,即获得脊柱分割图像的新垂直轴、新冠状轴以及新矢状轴之后,可以将这三个单位特征向量组成变换矩阵,作为图像变换关系。即可以按照新的x’、y’、z’轴向,对脊柱分割图像以及脊柱图像均进行变换处理,得到摆正后的脊柱分割图像以及摆正后的脊柱图像。
另外,上述在对脊柱分割图像进行摆正之后,可以在摆正后的脊柱分割图像上去获得目标矢状位图像。
本实施例中,通过对脊柱分割图像进行摆正处理获得摆正后的脊柱分割图像,可以使得参与后续计算的脊柱分割图像中脊柱的走向平行于待测对象的垂直轴,进而可以提高通过该脊柱分割图像对待测对象的后纵韧带区域进行检测的准确性。
应该理解的是,虽然图2、3、4、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、3、4、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,提供了一种图像检测装置,包括:获取模块10、关键点检测模块11和区域检测模块12,其中:
获取模块10,用于获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;
关键点检测模块11,用于对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;
区域检测模块12,用于根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,每个上述椎体对应多个关键点;上述区域检测模块12可以包括区域划分单元、目标像素点确定单元和区域检测单元,其中:
区域划分单元,用于根据上述椎体的各关键点的位置信息,将上述椎体的后缘区域划分为相邻的第一区域和第二区域;
目标像素点确定单元,用于根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点;
区域检测单元,用于根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果。
可选的,上述脊柱分割图像包括多个矢状位图像,上述目标像素点确定单元可以包括目标矢状位确定子单元和目标像素点确定子单元,其中:
目标矢状位确定子单元,用于从上述多个矢状位图像中确定目标矢状位图像,并获取上述目标矢状位图像对应的椎体分割结果;
目标像素点确定子单元,用于根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点。
可选的,上述目标像素点确定子单元,具体用于获取上述椎体对应的椎体分割结果中的分割像素点的位置信息;上述分割像素点为上述椎体对应的椎体分割结果中像素值大于像素阈值的像素点;根据上述椎体的各关键点的位置信息以及上述分割像素点的位置信息,确定上述第一区域对应的第一向量矩阵和上述第二区域对应的第二向量矩阵;根据上述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对上述分割像素点进行判别,确定位于上述第一区域的第一目标像素点和位于上述第二区域内的第二目标像素点。
可选的,上述区域检测单元包括椎体区域检测子单元和椎间盘区域检测子单元,其中:
椎体区域检测子单元,用于将上述第一目标像素点组成的区域确定为位于上述椎体后缘的后纵韧带区域的检测结果;
椎间盘区域检测子单元,用于将上述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;上述椎间盘为上述椎体与下一个相邻椎体之间的椎间盘。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,上述装置还可以包括节段获取模块和节段确定模块,其中:
节段获取模块,用于获取上述椎体所属的椎体节段和上述椎间盘所属的椎间盘节段;
节段确定模块,用于根据上述椎体所属的椎体节段以及上述椎间盘所属的椎间盘节段,确定上述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,上述装置还可以包括量化模块,该量化模块,用于根据上述第一目标像素点和上述第二目标像素点,对上述后纵韧带区域的检测结果进行量化处理,确定上述后纵韧带区域的检测结果对应的量化结果。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,在上述目标像素点确定子单元根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点之前,上述装置还可以包括:附件去除模块,该附件去除模块,用于去除上述目标矢状位图像对应的椎体分割结果中的附件的分割结果。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,在上述关键点检测模块11对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点之前,上述装置还可以包括摆正模块,该摆正模块,用于对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像。
可选的,上述摆正模块包括体素及坐标获取单元、构建单元、分析单元和变换单元,其中:
体素及坐标获取单元,用于获取上述脊柱分割图像中的目标体素以及上述目标体素的三维坐标;上述目标体素为上述脊柱分割图像中体素值大于体素阈值的体素;
构建单元,用于根据上述目标体素的三维坐标构建三维坐标矩阵;
分析单元,用于对上述三维坐标矩阵进行主成分分析,确定三个轴向上的单位特征向量;
变换单元,用于根据上述三个轴向上的单位特征向量确定图像变换关系,并采用上述图像变换关系对上述脊柱分割图像进行变换处理,获得摆正后的脊柱分割图像。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定,在此不再赘述。
上述图像检测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:
获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
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:
根据上述椎体的各关键点的位置信息,将上述椎体的后缘区域划分为相邻的第一区域和第二区域;根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点;根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果。
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:
从上述多个矢状位图像中确定目标矢状位图像,并获取上述目标矢状位图像对应的椎体分割结果;根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点。
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:
获取上述椎体对应的椎体分割结果中的分割像素点的位置信息;上述分割像素点为上述椎体对应的椎体分割结果中像素值大于像素阈值的像素点;根据上述椎体的各关键点的位置信息以及上述分割像素点的位置信息,确定上述第一区域对应的第一向量矩阵和上述第二区域对应的第二向量矩阵;根据上述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对上述分割像素点进行判别,确定位于上述第一区域的第一目标像素点和位于上述第二区域内的第二目标像素点。
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:
将上述第一目标像素点组成的区域确定为位于上述椎体后缘的后纵韧带区域的检测结果;将上述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;上述椎间盘为上述椎体与下一个相邻椎体之间的椎间盘。
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:
获取上述椎体所属的椎体节段和上述椎间盘所属的椎间盘节段;根据上述椎体所属的椎体节段以及上述椎间盘所属的椎间盘节段,确定上述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
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:
根据上述第一目标像素点和上述第二目标像素点,对上述后纵韧带区域的检测结果进行量化处理,确定上述后纵韧带区域的检测结果对应的量化结果。
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:
去除上述目标矢状位图像对应的椎体分割结果中的附件的分割结果。
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:
对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像。
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:
获取上述脊柱分割图像中的目标体素以及上述目标体素的三维坐标;上述目标体素为上述脊柱分割图像中体素值大于体素阈值的体素;根据上述目标体素的三维坐标构建三维坐标矩阵;对上述三维坐标矩阵进行主成分分析,确定三个轴向上的单位特征向量;根据上述三个轴向上的单位特征向量确定图像变换关系,并采用上述图像变换关系对上述脊柱分割图像进行变换处理,获得摆正后的脊柱分割图像。
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:
获取待测对象的脊柱分割图像;该脊柱分割图像中包括椎体和后纵韧带区域;对上述脊柱分割图像进行关键点检测,确定每个上述椎体对应的关键点;根据每个上述椎体的关键点的位置信息,对上述脊柱分割图像中的后纵韧带区域进行检测,确定上述后纵韧带区域的检测结果。
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:
根据上述椎体的各关键点的位置信息,将上述椎体的后缘区域划分为相邻的第一区域和第二区域;根据上述椎体的第一区域和第二区域以及上述脊柱分割图像,确定上述脊柱分割图像中位于上述第一区域和上述第二区域内的目标像素点;根据上述位于上述第一区域和上述第二区域内的目标像素点,确定上述后纵韧带区域的检测结果。
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:
从上述多个矢状位图像中确定目标矢状位图像,并获取上述目标矢状位图像对应的椎体分割结果;根据上述椎体的第一区域和第二区域,对上述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定上述椎体分割结果中位于上述第一区域和上述第二区域内的目标像素点。
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:
获取上述椎体对应的椎体分割结果中的分割像素点的位置信息;上述分割像素点为上述椎体对应的椎体分割结果中像素值大于像素阈值的像素点;根据上述椎体的各关键点的位置信息以及上述分割像素点的位置信息,确定上述第一区域对应的第一向量矩阵和上述第二区域对应的第二向量矩阵;根据上述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对上述分割像素点进行判别,确定位于上述第一区域的第一目标像素点和位于上述第二区域内的第二目标像素点。
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:
将上述第一目标像素点组成的区域确定为位于上述椎体后缘的后纵韧带区域的检测结果;将上述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;上述椎间盘为上述椎体与下一个相邻椎体之间的椎间盘。
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:
获取上述椎体所属的椎体节段和上述椎间盘所属的椎间盘节段;根据上述椎体所属的椎体节段以及上述椎间盘所属的椎间盘节段,确定上述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
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:
根据上述第一目标像素点和上述第二目标像素点,对上述后纵韧带区域的检测结果进行量化处理,确定上述后纵韧带区域的检测结果对应的量化结果。
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:
去除上述目标矢状位图像对应的椎体分割结果中的附件的分割结果。
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:
对上述脊柱分割图像进行摆正处理,获得摆正后的脊柱分割图像。
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:
获取上述脊柱分割图像中的目标体素以及上述目标体素的三维坐标;上述目标体素为上述脊柱分割图像中体素值大于体素阈值的体素;根据上述目标体素的三维坐标构建三维坐标矩阵;对上述三维坐标矩阵进行主成分分析,确定三个轴向上的单位特征向量;根据上述三个轴向上的单位特征向量确定图像变换关系,并采用上述图像变换关系对上述脊柱分割图像进行变换处理,获得摆正后的脊柱分割图像。
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)
1.一种图像检测方法,其特征在于,所述方法包括:
获取待测对象的脊柱分割图像;所述脊柱分割图像中包括椎体和后纵韧带区域;
对所述脊柱分割图像进行关键点检测,确定每个所述椎体对应的关键点;
根据每个所述椎体的关键点的位置信息,对所述脊柱分割图像中的后纵韧带区域进行检测,确定所述后纵韧带区域的检测结果。
2.根据权利要求1所述的方法,其特征在于,每个所述椎体对应多个关键点;所述根据每个所述椎体的关键点的位置信息,对所述脊柱分割图像中的后纵韧带区域进行检测,确定所述后纵韧带区域的检测结果,包括:
根据所述椎体的各关键点的位置信息,将所述椎体的后缘区域划分为相邻的第一区域和第二区域;
根据所述椎体的第一区域和第二区域以及所述脊柱分割图像,确定所述脊柱分割图像中位于所述第一区域和所述第二区域内的目标像素点;
根据所述位于所述第一区域和所述第二区域内的目标像素点,确定所述后纵韧带区域的检测结果。
3.根据权利要求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,所述根据所述椎体的第一区域和第二区域以及所述脊柱分割图像,确定所述脊柱分割图像中位于所述第一区域和所述第二区域内的目标像素点,包括:
从所述多个矢状位图像中确定目标矢状位图像,并获取所述目标矢状位图像对应的椎体分割结果;
根据所述椎体的第一区域和第二区域,对所述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定所述椎体分割结果中位于所述第一区域和所述第二区域内的目标像素点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述椎体的第一区域和第二区域,对所述椎体对应的椎体分割结果中的各个分割像素点进行检测,确定所述椎体分割结果中位于所述第一区域和所述第二区域内的目标像素点,包括:
获取所述椎体对应的椎体分割结果中的分割像素点的位置信息;所述分割像素点为所述椎体对应的椎体分割结果中像素值大于像素阈值的像素点;
根据所述椎体的各关键点的位置信息以及所述分割像素点的位置信息,确定所述第一区域对应的第一向量矩阵和所述第二区域对应的第二向量矩阵;
根据所述第一向量矩阵和第二向量矩阵以及预设的向量约束条件,对所述分割像素点进行判别,确定位于所述第一区域的第一目标像素点和位于所述第二区域内的第二目标像素点。
5.根据权利要求4所述的方法,其特征在于,所述根据所述位于所述第一区域和所述第二区域内的目标像素点,确定所述后纵韧带区域的检测结果,包括:
将所述第一目标像素点组成的区域确定为位于所述椎体后缘的后纵韧带区域的检测结果;
将所述第二目标像素点组成的区域确定为位于椎间盘后方的后纵韧带区域的检测结果;所述椎间盘为所述椎体与下一个相邻椎体之间的椎间盘。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取所述椎体所属的椎体节段和所述椎间盘所属的椎间盘节段;
根据所述椎体所属的椎体节段以及所述椎间盘所属的椎间盘节段,确定所述后纵韧带区域的检测结果对应的椎体节段和椎间盘节段。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述第一目标像素点和所述第二目标像素点,对所述后纵韧带区域的检测结果进行量化处理,确定所述后纵韧带区域的检测结果对应的量化结果。
8.一种图像检测装置,其特征在于,所述装置包括:
获取模块,用于获取待测对象的脊柱分割图像;所述脊柱分割图像中包括椎体和后纵韧带区域;
关键点检测模块,用于对所述脊柱分割图像进行关键点检测,确定每个所述椎体对应的关键点;
区域检测模块,用于根据每个所述椎体的关键点的位置信息,对所述脊柱分割图像中的后纵韧带区域进行检测,确定所述后纵韧带区域的检测结果。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110188716.9A CN112967235A (zh) | 2021-02-19 | 2021-02-19 | 图像检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110188716.9A CN112967235A (zh) | 2021-02-19 | 2021-02-19 | 图像检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112967235A true CN112967235A (zh) | 2021-06-15 |
Family
ID=76285035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110188716.9A Pending CN112967235A (zh) | 2021-02-19 | 2021-02-19 | 图像检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967235A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470004A (zh) * | 2021-07-22 | 2021-10-01 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的单个椎体的分割方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292853A1 (en) * | 2015-04-03 | 2016-10-06 | Kabushiki Kaisha Toshiba | Medical image processing apparatus, medical image processing method, and medical imaging device |
CN108960211A (zh) * | 2018-08-10 | 2018-12-07 | 罗普特(厦门)科技集团有限公司 | 一种多目标人体姿态检测方法以及系统 |
CN109657583A (zh) * | 2018-12-10 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 脸部关键点检测方法、装置、计算机设备和存储介质 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110599508A (zh) * | 2019-08-01 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN111460707A (zh) * | 2020-03-24 | 2020-07-28 | 广州大学 | 一种脊柱模型的构建方法、装置和存储介质 |
CN111652300A (zh) * | 2020-05-27 | 2020-09-11 | 联影智能医疗科技(北京)有限公司 | 脊柱曲度分类方法、计算机设备和存储介质 |
-
2021
- 2021-02-19 CN CN202110188716.9A patent/CN112967235A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292853A1 (en) * | 2015-04-03 | 2016-10-06 | Kabushiki Kaisha Toshiba | Medical image processing apparatus, medical image processing method, and medical imaging device |
CN108960211A (zh) * | 2018-08-10 | 2018-12-07 | 罗普特(厦门)科技集团有限公司 | 一种多目标人体姿态检测方法以及系统 |
CN109657583A (zh) * | 2018-12-10 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 脸部关键点检测方法、装置、计算机设备和存储介质 |
CN110599508A (zh) * | 2019-08-01 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN111460707A (zh) * | 2020-03-24 | 2020-07-28 | 广州大学 | 一种脊柱模型的构建方法、装置和存储介质 |
CN111652300A (zh) * | 2020-05-27 | 2020-09-11 | 联影智能医疗科技(北京)有限公司 | 脊柱曲度分类方法、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470004A (zh) * | 2021-07-22 | 2021-10-01 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的单个椎体的分割方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340800B (zh) | 图像检测方法、计算机设备和存储介质 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN109523523B (zh) | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
US9092867B2 (en) | Methods for segmenting images and detecting specific structures | |
CN111652300A (zh) | 脊柱曲度分类方法、计算机设备和存储介质 | |
CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
CN111652862A (zh) | 脊柱顺列分类方法、计算机设备和存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN112967235A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
Liao et al. | Modeling annotator preference and stochastic annotation error for medical image segmentation | |
CN112184623A (zh) | 脊柱椎体的椎间隙分析方法、设备和存储介质 | |
Liu et al. | A new multi‐object image thresholding method based on correlation between object class uncertainty and intensity gradient | |
CN115690063A (zh) | 骨密度参数检测方法、计算机设备和存储介质 | |
CN113705807B (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
CN112164027B (zh) | 脊柱硬膜囊受压检测方法、设备和存储介质 | |
JP2023525967A (ja) | 画像分析によって病変部の再発を予測するための方法 | |
Le Pennec et al. | CT-based semi-automatic quantification of vertebral fracture restoration | |
KR20210068189A (ko) | 의료 영상을 이용한 병변 여부 판단 방법 | |
CN113643223A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN113393500B (zh) | 脊柱扫描参数获取方法、装置、设备和存储介质 | |
Zhou et al. | Segmentation of the hip joint in CT volumes using adaptive thresholding classification and normal direction correction |
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 |