CN113643314B - 医学影像中脊柱的分割方法 - Google Patents
医学影像中脊柱的分割方法 Download PDFInfo
- Publication number
- CN113643314B CN113643314B CN202110753100.1A CN202110753100A CN113643314B CN 113643314 B CN113643314 B CN 113643314B CN 202110753100 A CN202110753100 A CN 202110753100A CN 113643314 B CN113643314 B CN 113643314B
- Authority
- CN
- China
- Prior art keywords
- spine
- vertebra
- segmentation
- image
- medical image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000011218 segmentation Effects 0.000 claims abstract description 365
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 238000003709 image segmentation Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 39
- 238000009499 grossing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 11
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 22
- 210000000038 chest Anatomy 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 10
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 9
- 238000001356 surgical procedure Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000000399 orthopedic effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 4
- 230000037182 bone density Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000011962 puddings Nutrition 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种医学影像中脊柱的分割方法。其中,该方法包括获取待处理医学影像;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及第一中心点的标签信息;基于第一中心点对至少一个脊椎进行切块处理,得到脊椎图像切块;对脊椎图像切块进行脊椎二值分割处理,得到至少一个脊椎的二值分割结果;依据二值分割结果和标签信息,得到脊柱的多标签分割结果。本发明解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
Description
技术领域
本发明涉及医学影像处理技术领域,具体而言,涉及一种医学影像中脊柱的分割方法。
背景技术
在智能医疗领域中,现有的对医学图像中脊椎进行分割处理的实现方案是:首先使用计算机断层扫描CT小肠造影(CTE)对原始脊柱CT图像进行预处理,然后将预处理图像经粗分割全卷积网络FCN进行训练,在FCN之后连接一个细分割深度卷积网络CNN对图像进行细分割并分类,最终获得3D分割后的椎骨图像。
但是,该方案的缺点有以下两个方面的缺陷:一是正常人都有24根脊椎(颈椎7根,胸椎12根,腰椎5根),该方案提出的方法只能分割出其中的17根,且未说明具体是哪17根,二是该方案中级联的细分割网络直接对输入的布丁贴片做18类的多标签分割,但是在脊椎这种每一根外观都很相似的目标上,直接做这么多类的多标签分割,导致对医学图像中脊椎的分割结果粗糙,欠分割严重,并不能取得很好的分割效果,会导致分割出的椎体的标签很容易与相邻的椎体的标签混淆,且很可能出现一根椎体上存在多个标签的情况,导致重复分割。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种医学影像中脊柱的分割方法,以至少解决现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
根据本发明实施例的一个方面,提供了一种医学影像中脊柱的分割方法,包括:获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
根据本发明实施例的另一方面,还提供了一种医学影像中脊柱的分割方法,包括:云服务器接收来自客户端的待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;上述云服务器采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果;上述云服务器返回上述多标签分割结果至上述客户端。
根据本发明实施例的另一方面,还提供了一种医学影像中脊柱的分割方法,包括:客户端发送待处理医学影像至云服务器,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;上述云服务器用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果;上述客户端接收上述云服务器返回的上述多标签分割结果。
根据本发明实施例的另一方面,还提供了一种医学影像识别装置,包括:获取模块,用于获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;检测模块,用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;第一分割模块,用于基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;第二分割模块,用于对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;处理模块,用于依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,与上述处理器连接,用于为上述处理器提供处理以下处理步骤的指令:获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
在本发明实施例中,通过获取待处理医学影像;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
容易注意到的是,在本发明实施例中,通过采用目标点检测模型检测待处理医学影像中至少一根脊椎中的脊椎的椎体,得到第一中心点,以及上述第一中心点的标签信息,并基于第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到上述至少一个脊椎的二值分割结果。
由此,本发明实施例达到了提升对医学影像中脊柱的分割效果,避免出现对脊椎进行重复分割或者遗漏分割的目的,从而实现了提升智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种用于实现医学影像中脊柱的分割方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本发明实施例的一种医学影像中脊柱的分割方法的流程图;
图3是根据本发明实施例的一种可选的医学图像的脊椎分割系统的示意图;
图4是根据本发明实施例的一种可选的初始切割框的示意图;
图5是根据本发明实施例的一种可选的平滑处理曲线的示意图;
图6是根据本发明实施例的一种可选的目标切割框的示意图;
图7是根据本发明实施例的另一种医学影像中脊柱的分割方法的流程图;
图8是根据本发明实施例的另一种医学影像中脊柱的分割方法的流程图;
图9是根据本发明实施例的一种医学影像中脊柱的分割装置的结构示意图;
图10是根据本发明实施例的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本发明实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
脊柱标签:针对输入的病人胸腹部扫描图像,识别并分割出图像中所出现的每一根脊椎,以不同的标签值表示。
实施例1
根据本发明实施例,还提供了一种医学影像中脊柱的分割方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现医学影像中脊柱的分割方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本发明实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的医学影像中脊柱的分割方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的医学影像中脊柱的分割方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下,本发明提供了如图2所示的一种医学影像中脊柱的分割方法。图2是根据本发明实施例的一种医学影像中脊柱的分割方法的流程图,如图2所示,上述方法包括:
步骤S202,获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;
步骤S204,采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;
步骤S206,基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;
步骤S208,对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域;
步骤S210,依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
在本发明实施例中,通过获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
容易注意到的是,在本发明实施例中,通过采用目标点检测模型检测待处理医学影像中至少一根脊椎中的脊椎的椎体,得到第一中心点,并基于第一中心点对上述脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到上述至少一个脊椎的二值分割结果。
由此,本发明实施例达到了在对每一个脊椎的细节部分如横突、棘突等结构分割效果更好,避免出现对相邻脊椎的分割结果存在混淆,可能出现两个脊椎标签重复的情况目的,从而实现了提升对医学影像中脊柱的分割效果,以及智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
需要说明的是,本发明实施例可以但不限于应用于智能医疗领域,例如,胸部CT解决方案、骨密度评估项目、脊柱手术规划项目、骨科手术导航项目(例如,可以应用于微创医疗合作的骨科手术导航项目中)。并且,本发明实施例所提供的医学影像中脊柱的分割方法可以应用在医学图像识别系统、医学图像的脊椎分割系统等医学影像处理系统,对此,本发明不作具体限定,以可以实现本发明实施例中的全部或者部分技术方案为准。
仍需要说明的是,在智能医疗领域中,计算机断层扫描CT图像中的脊柱多标签分割,有着许多重要的应用,例如,本发明实施例还可以用于指导脊柱手术规划;根据切块处理结果,可以计算各颈椎在中矢状面中边界位置,用于评估颈椎的生理曲度是否正常,顺列是否正常,椎管是否狭窄等;在定量CT法(QCT)骨密度评估中,用于自动提取椎体内部区域的灰度值;在下游任务如脊椎骨折检测、脊椎病变等任务中,提供位置信息,滤除假阳性等;在后处理工作站上,结合肋骨、锁骨、胸骨、肩胛骨等分割结果,呈现更好的虚拟现实VR显示效果。
可选的,上述待处理医学影像基于扫描目标对象的目标区域得到,上述目标区域中完全或部分的包含至少一根脊椎,上述待处理图像可以为计算机断层扫描CT图像,例如,胸腹部CT扫描图像、或者脊柱CT扫描图像等等;上述目标对象的目标区域可以为病人(患者)的上半身区域,具体的,可以是完全或部分的包含至少一根脊椎的胸腹区域或者胸腹部位,通过采用CT或者CTE(计算机断层扫描CT小肠造影)技术扫描病人的胸腹部区域,得到上述待处理医学影像。作为一种可选的实施例,针对输入至医学影像处理系统的病人的胸腹部CT扫描图像,识别并分割出胸腹部CT扫描图像中存在的全部脊椎,并以不同的标签值分别表示每一根脊椎。
作为一种可选的实施例,本发明预先训练有目标点检测模型,上述目标点检测模型用于检测至少一根上述脊椎的椎体,得到上述第一中心点;在获取到上述待处理医学影像中的至少一根脊椎之后,将至少一根脊椎输入至目标点检测模型,并接收上述目标点检测模型输出的上述脊椎的第一中心点,基于上述第一中心点对上述脊椎进行切块处理,得到脊椎图像切块;采用脊椎二值切块处理方法或者脊椎二值切块处理模型对上述脊椎图像切块进行脊椎二值切块处理,得到二值分割结果,其中,上述脊椎二值切块处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值。
可选的,上述目标点检测模型即用于检测脊柱(spine)中每一个脊椎(vertebra)椎体的中心点的,如果输入图像中不存在至少一个脊椎,则检测结果为空。
例如,以如图3所示的一种可选的医学图像的脊椎分割系统为例,图3中的脊椎中心点检测模块获取待处理医学影像中的至少一根脊椎,该脊椎中心点检测模块中包含一个深度学习模型,即目标点检测模型,用于对待处理医学影像中的至少一根脊椎的中心点进行检测,不必是包含完整脊柱的数据,只需要包含较多脊椎即可,目标点检测模型可以输出该待处理医学影像中每一根脊椎的第一中心点的标签及其在病人坐标系下的第一坐标。
由于对于每一根脊椎而言,是由椎体及横突、棘突等附件构成的,上述第一中心点是检测到的椎体的中心点,并不是整个脊椎的中心点,如果以此为中心直接进行切块,如下图4所示的初始切割框为例,如果切割框设置的比较小,则难以完整包含整个目标脊椎,如果切割框设置的比较大,则会包含太多不相干区域,影响后续脊椎分割模型的分割效果与运行效率,例如,时间更长、占用显存更多。
为了解决这个问题,基于上述第一中心点对上述脊椎进行切块处理,得到脊椎图像切块,例如,在大量已标注数据上进行统计,得到了每个脊椎平均高度相对于第五根腰椎的平均高度的缩放倍数,以及各个脊椎的椎体中心点到脊椎中心点的平均距离,结合平滑后的脊椎中心点连线上每个中心点处的切线方向,得到了最优的脊椎图像切块。在该脊椎图像切块中,目标椎体位于切块中心区域,且方向为竖直,不同椎体为目标椎体时,大小基本缩放到一致,是需要分割的前景目标(即前景区域),上下相邻椎体位于切块的上下边缘位置且不完整,与其他组织及器官一起是需要分割的背景区域。因此,在得到每个椎体中心点及每个脊椎的脊椎图像切块后,对上述脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,由于最后得到的上述至少一个脊椎的二值分割结果中前景区域和背景区域分别对应不同的分割概率阈值,采用上述脊椎图像切块的处理方式,对于脊椎图像分割模型而言,前景目标的变化较小,更容易学习,从而获得更好的二值分割结果。
通过上述脊椎图像切块的处理方式,简化了多标签脊柱分割任务,对于分割模型而言,只需要进行二分类的分割,比直接进行多分类分割的效果要好得多,而且因为每个脊椎需要输入网络的图像切块比原图要小很多,因此运行速度更快。还需要说明的是,脊椎中心点检测模块中,也可以采用其它方式获取检测结果,例如,直接通过神经网络回归出25个脊椎中心点坐标。
在本申请实施例中,待处理医学影像包含从胸1到胸12的12个脊椎,则目标检测点模型会输出12个第一中心点的检测结果,每个点检测结果形如(X,Y,Z,L),其中X,Y,Z为坐标,L为当前点的标签,例如胸1的标签为8。(颈椎C1~C7:标签1~7,胸椎T1~T12:标签8~19,腰椎L1~L6:标签20~25,其中,绝大部分人只有L1~L5五个腰椎);对每一个脊椎切块进行二值分割,则得到12个切块的二值分割结果,把每个切块的分割结果乘以其标签信息再进行融合,得到多标签分割结果,例如胸1的分割结果需要乘以8。这个数据最终得到的目标脊椎分割结果mask中,前景标签为8~19,背景标签为0。
在一种可选的实施例中,基于上述第一中心点对脊椎进行切块处理,得到脊椎图像切块,包括:
步骤S302,采用所有的上述脊椎的上述第一中心点绘制平滑处理曲线;
步骤S304,基于上述第一中心点和上述脊椎的初始切割框,计算得到所有的上述脊椎中每个脊椎类型对应的第一距离均值,其中,所有的上述脊椎包含多个不同的脊椎类型;
步骤S306,依据上述平滑处理曲线和上述第一距离均值,生成目标切割框;
步骤S308,采用上述目标切割框,基于上述第一中心点对上述脊椎进行切块处理,得到上述脊椎图像切块。
可选的,上述平滑曲线可以为贝泽尔曲线,例如,对于脊椎中心点检测模块检测到的所有的第一中心点,因为模型性能的问题,可能并不是每个第一中心点都在它对应的脊椎正中心位置,因此在进行下一步操作前,可以先对所有的上述脊椎的上述第一中心点进行平滑处理,即先使用它们作为控制点,绘制得到如图5所示的一个平滑处理曲线,例如,贝泽尔曲线,再在得到的贝泽尔曲线上找到原来每个点对应的最近点,以这些新的点作为平滑结果以备后续使用。
可选的,所有的上述脊椎包含多个不同的脊椎类型;基于上述第一中心点和上述脊椎如图4所示的初始切割框,计算得到所有的上述脊椎中每个脊椎类型对应的第一距离均值,依据上述平滑处理曲线和上述第一距离均值,生成目标切割框;采用上述目标切割框,基于上述第一中心点对上述脊椎进行切块处理,得到上述脊椎图像切块。
需要说明的是,对于脊椎中心点检测结果的平滑处理曲线,也可以采用B样条曲线,三次样条曲线等方法。
在一种可选的实施例中,基于上述第一中心点和上述脊椎的初始切割框,计算得到所有的上述脊椎中每个上述脊椎类型对应的第一距离均值,包括:
步骤S402,获取上述第一中心点在目标坐标系的第一坐标点,以及上述脊椎的初始切割框在上述目标坐标系的第二坐标点;
步骤S404,基于上述第一坐标点和上述第二坐标点,计算得到上述脊椎的第一中心点与第二中心点之间的距离值;
步骤S406,基于上述脊椎所属的上述脊椎类型和上述距离值,计算得到每个上述脊椎类型对应的第一距离均值。
在一种可选的实施例中,上述步骤S402,即获取上述第一中心点在目标坐标系的第一坐标点,以及上述脊椎的初始切割框在上述目标坐标系的第二坐标点,包括:
步骤S502,将上述待处理医学影像输入至上述目标点检测模型,并接收上述目标点检测模型输出的上述第一中心点在上述目标坐标系的上述第一坐标点;
步骤S504,获取上述脊椎的初始切割框;
步骤S506,通过对脊椎的初始切割框进行求形心计算,得到上述脊椎在上述目标坐标系的上述第二坐标点。
可选的,上述目标坐标系是基于上述目标对象构建得到的,该目标对象为病人,因此可以将上述第二坐标系称为病人坐标系。
在本发明实施例中,通过将上述待处理医学影像输入至上述目标点检测模型,并接收上述目标点检测模型输出的上述第一中心点在上述目标坐标系的第一坐标点;对脊椎的初始切割框进行求形心计算,得到上述脊椎在上述目标坐标系的上述第二坐标点。
可选的,上述脊椎至少包括:椎体,上述第一中心点为上述椎体的中心点,上述第二中心点为上述脊椎的中心点。
在上述步骤S404中,通过统计大量数据中的第一坐标点和第二坐标点,计算得到每个脊椎的椎体中心点与脊椎中心点之间的距离值,由于所有的上述脊椎包含多个不同的脊椎类型,基于上述脊椎所属的上述脊椎类型和上述距离值,计算得到每个上述脊椎类型对应的第一距离均值D_i,进而依据上述平滑处理曲线和上述第一距离均值,生成目标切割框。
在一种可选的实施例中,依据上述平滑处理曲线和上述第一距离均值,生成目标切割框,包括:
步骤S602,获取所有的上述第一中心点在上述平滑处理曲线上所有的临近点,将上述临近点作为平滑后的第一中心点;
步骤S604,获取上述平滑处理曲线上的切线方向与上述目标坐标系中的Z轴正方向之间的方向夹角;
步骤S606,根据每个上述平滑后的第一中心点所处位置和上述方向夹角,旋转上述初始切割框,使得上述初始切割框在上述Z轴正方向上与上述切线方向平行,并在上述目标坐标系中的Y轴正方向上将上述第二坐标点移动上述第一距离均值后,得到上述目标切割框。
仍如图5所示,通过先对所有的上述脊椎的上述第一中心点进行平滑处理,即先使用它们作为控制点,绘制得到一个平滑处理曲线,再获取所有的上述第一中心点在上述平滑处理曲线上所有的临近点,将上述临近点作为平滑后的第一中心点;在模型应用时,根据平滑后的每个椎体中心点位置处,贝泽尔曲线上的切线方向与病人坐标系中Z轴正方向的方向夹角,旋转初始切割框,使初始切割框在上述Z轴正方向上与上述切线方向平行,并在上述目标坐标系中的Y轴正方向上将初始切割框的中心点,即第二坐标点移动该脊椎第一距离均值D_i后,得到如图6所示的目标切割框。
在一种可选的实施例中,采用上述目标切割框,基于上述第一中心点对上述至少一个脊椎进行切块处理,得到上述脊椎图像切块,包括:
步骤S702,获取所有的上述脊椎中多个相邻脊椎的第一中心点之间的第二距离均值;
步骤S704,将上述第二距离均值作为上述相邻脊椎之间的高度近似值;
步骤S706,基于上述高度近似值确定基准脊椎与其它脊椎之间的缩放比例值;
步骤S708,依据上述脊椎中心点和上述缩放比例值,对上述基准脊椎和上述其它脊椎进行切块处理,得到上述脊椎图像切块。
可选的,上述基准脊椎为预先从所有的上述脊椎中确定的,上述其它脊椎为所有的上述脊椎中除上述基准脊椎之外的脊椎。
在本发明实施例中,由于从颈椎到腰椎,从上到下每个脊椎大小是不一致的,基本上符合组件变大的规律,此时如果使用同样大小的目标切割框去切割每一个脊椎,则不同脊椎图像切块中,不同脊椎在其各自的切块中所占的大小比例是不一样的,不利于模型的训练,因此,根据椎体中心点,即第一中心点的标注信息,预先统计了大量数据上,获取所有的上述脊椎中多个相邻脊椎的第一中心点之间的第二距离均值,作为每个脊椎高度的近似值使用,例如,可以以L5(腰椎第五根)为基准脊椎,其它脊椎在切块时,根据该脊椎与L5的高度比例进行缩放的缩放比例值,对上述基准脊椎和上述其它脊椎进行切块处理,得到上述脊椎图像切块。
在一种可选的实施例中,对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,包括:
步骤S802,将上述脊椎图像切块输入至脊椎二值分割模型,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块的分割概率图,以及上述分割概率图对应的分割概率阈值;
步骤S804,接收上述脊椎二值分割模型输出的上述分割概率阈值;
步骤S806,采用上述分割概率阈值对上述脊椎图像切块进行脊椎二值分割处理,以确定上述脊椎图像切块中的前景区域和背景区域,得到上述二值分割结果,其中,上述前景区域对应的标签值为1,上述背景区域对应的标签值为0。
在一种可选的实施例中,上述脊椎二值分割模型的输出通道的数量是基于上述脊椎中椎体数量确定的,每个上述输出通道分别对应一个上述椎体;上述脊椎二值分割模型用于通过如下方式确定上述分割概率图对应的分割概率阈值:确定每个上述分割概率图中目标响应区域的中心点位置,基于上述中心点位置的分割概率值确定上述分割概率阈值,其中,上述分割概率图与上述脊椎图像切块的尺寸相同。
仍如图3所示系统为例,可以采用图3中的脊椎图像切块二值分割模块,该脊椎图像切块二值分割模块中包含一个全卷积神经网络模型,包括但不限于FCN,VNet,UNet,SE-Net等,该模型有两个输出通道,分别输出背景区域与前景区域(目标脊椎)的分割概率图,每一个概率图与输入的图像切块尺寸相同。例如,可以但不限于采用一个类似VNet的分割网络,目标点检测模型的输出通道为25,二值分割模型的输出通道为2。每个通道对应一个脊椎中心点,输出与输入图像大小一致的热图(即概率图)。在训练时,在输入图像中,把每个中心点附近区域作为前景点进行分割模型训练,在测试时,对每个输入图像,得到每个中心点对应的热图,再在每个热图中找到概率值高于概率阈值的高响应区域的中心,其坐标即为每个中心点位置的检测结果,对于输入图像中没有包含的脊椎,其对应的热图中不会有高于概率阈值的高响应区域,即模型最终只会输出输入图像中存在的中心点的坐标。
在本发明实施例中,采用一个阈值对概率图进行二值化处理,得到二值分割结果,概率图及分割结果与输入图像切块尺寸相同,其每一个体术值(voxel value)对应输入图像切块中相同位置为前景的概率,例如为0.95,该值大于分割概率阈值(如0.5),则分割结果中对应位置的标签为1,如概率图中该位置为前景的概率为例如0.2这样的较小值,小于预设的分割概率阈值,则分割结果中对应位置的标签为0。
上述实施例中,涉及到了以下三个相同大小的矩阵,分别为待处理医学影像Image,待处理医学影像Image经过网络模型处理后得到的概率图Probmap,概率图经过二值化处理得到的分割结果Mask,在推理应用阶段,将上述过程只会输出待分割脊椎图像切块,用于输入训练好的脊椎二值分割模型中。即在推理应用阶段,该模型接受脊椎图像切块获取模块产生的图像切块,输出分割概率图,对前景概率图应用预设对应的分割概率阈值,得到该切块的分割结果,即mask切块,该切块中目标脊椎区域的值为1,背景区域包括上下相邻脊椎的值为0。
作为一种可选的实施例,对于脊椎图像切块二值分割模块中的脊椎分割模型,训练阶段,使用得到的切割框的坐标、方向及缩放比例信息,在待处理医学影像和脊椎图像切块mask中切割下对应的脊椎区域,则不管目标脊椎在原来输入图像中的方向如何,其在脊椎图像切块中的方向始终是竖直的,且只有中间的目标脊椎是完整的,上下相邻脊椎并不完整,这样会降低输入的不一致性,有助于模型收敛;并且,对于mask切块,将其中对应前景值置为1,上下相邻的非前景值置为0,当成背景输入模型中进行训练。
在一种可选的实施例中,在对上述脊椎图像切块进行脊椎二值分割处理,得到二值分割结果之后,上述方法还包括:
步骤S902,确定上述待处理医学影像中所有的上述脊椎的多个上述二值分割结果,其中,每根上述脊椎对应一个标签信息;
步骤S904,确定每个上述脊椎图像切块在上述待处理医学影像中的位置信息;
步骤S906,依据上述标签信息和上述位置信息,对多个上述二值分割结果进行融合处理,得到上述多标签分割结果。
可选的,上述位置信息是基于上述脊椎图像切块的原点在上述目标坐标系中的第三坐标点和图像切块参数计算得到的,上述图像切块参数包括:上述脊椎图像切块的尺寸、方向及图像分辨率。
在本发明实施例中,可以采用图3中的脊椎图像切块分割结果融合模块,对于一个完整的待处理医学影像,经上述步骤获取其中的每个脊椎的二值分割结果后,还需要对其进行融合,得到整个图像的多标签分割结果。例如,从获取图像切块的过程可以发现,每一个图像切块在原始图像中的位置是可以通过当前图像切块的原点在病人坐标系中的坐标、当前图像切块的尺寸、方向及图像分辨率等图像切块参数计算得到的,因此对于每一个图像切块的二值分割结果,可以依据上述标签信息和上述位置信息,对多个上述二值分割结果进行融合,得到一个完整的脊柱的多标签分割结果。
通过本申请上述实施例,在分割结果融合模块中,对于重叠冲突区域,通过利用病人坐标系来对齐,比较冲突位置上相邻图像切块的分割结果的概率,采用概率较高者的分割结果。并且对于相邻脊椎的边界位置,取得了很好的分割效果。
在一种可选的实施例中,上述标签信息采用预定数量的数字和/或字母表示;上述预定数量的数字和/或字母依次分别用于标识所有的上述脊椎中包含的第一数量的颈椎,第二数量的胸椎,第三数量的腰椎。
例如,上述第一中心点的标签信息可以采用英文字母C、T、L结合数字1-25表示,从上到下分别代表7根颈椎(C1-C7),12根胸椎(T1-T12),6根腰椎(L1-L6),需要说明的是,绝大部分人都是5根腰椎,但也有少部分人存在第6根腰椎。
作为一种可选的实施例,可以建立与上述标签信息对应的至少两个空矩阵,其中,上述至少两个空矩阵中的矩阵值全部为0,上述至少两个空矩阵中的第一矩阵用于存储融合后的标签信息,上述至少两个空矩阵中的第一矩阵用于存储融合后的上述二值分割结果。
例如,可以先建立两个与原始输入图像meta信息一致的两个值全为0的空矩阵,分别用于保存融合后的mask及融合后的概率图,对于每一个脊柱的分割结果,由于其与相邻脊椎的图像切块存在部分重叠区域,不能简单的把每个脊柱的分割结果进重采样到输出mask中,需要通过病人坐标系来找到重叠区域,比较每一个冲突位置上,相邻图像切块对应的前景概率的大小,确定采用哪一个图像切块的分割结果。而为了获得多标签的分割结果,图像切块的mask重采样到输出mask之前,需要乘以脊椎中心点检测模块输出的脊椎标签值。
在一种可选的实施例中,获取待处理医学影像中的至少一根脊椎,包括:
步骤S1002,接收输入的初始三维医学影像;
步骤S1004,对上述初始三维医学影像进行归一化处理,得到上述待处理医学影像。
可选的,上述初始三维医学影像是基于扫描目标对象的目标区域得到,上述目标区域中完全或部分的包含至少一根脊椎。
在本发明实施例中,可以采用图3中的预处理模块,用于对输入的三维医学影像(例如,可以是CT,MRI,完全或部分包含脊柱、脊椎即可)进行归一化处理,得到上述待处理医学影像。
在一种可选的实施例中,对上述初始三维医学影像进行归一化处理,得到上述待处理医学影像,包括:
步骤S1006,若上述初始三维医学影像为第一类医学影像,则上述第一类医学影像中的所有数据;
步骤S1008,采用相同的固定窗宽和固定窗位对上述所有数据进行归一化处理,得到上述待处理医学影像。
可选的,以上述初始三维医学影像为第一类医学影像,即CT图像为例,则对CT图像中的所有数据都采用同样的固定的窗宽、窗位进行归一化处理,得到上述待处理医学影像。
在一种可选的实施例中,对上述初始三维医学影像进行归一化处理,得到上述待处理医学影像,包括:
步骤S1102,若上述初始三维医学影像为第二类医学影像,则计算上述第二类医学影像中的每个数据的分布点位像素值,其中,上述分布点位像素值中至少包含:第一分布点位像素值和第二分布点位像素值,上述第二分布点位像素值大于上述第一分布点位像素值;
步骤S1104,确定上述第一分布点位像素值和上述第二分布点位像素值,其中,上述第一分布点位像素值和上述第二分布点位像素值分别作为归一化处理上述每个数据时的最小值和最大值;
步骤S1106,基于每个数据的上述第一分布点位像素值和上述第二分布点位像素值,对上述第二类医学影像中的所有数据进行归一化处理,得到上述待处理医学影像。
在一种可选的实施例中,上述分布点位像素值中还包含:第三分布点位像素值和第四分布点位像素值,其中,上述第三分布点位像素值小于上述第一分布点位像素值,上述第四分布点位像素值大于上述第二分布点位像素值;在对上述第二类医学影像中的所有数据进行归一化处理的过程中,上述方法还包括:将上述第三分布点位像素值置为0,以及将上述第四分布点位像素值置为1。
可选的,以上述初始三维医学影像为第一类医学影像,即MRI图像为例,则对于MRI图像中的每一个数据进行自适应的归一化处理,例如,具体地,对于每一个数据,计算其每一个像素的灰度分布,找到5%与95%分位点对应的灰度值,分别以这两个值为最小和最大值进行归一化,像素值低于5%分位点像素值的位置置为0,高于95%分位点像素值的位置则置为1。
仍需要说明的是,对于脊椎中心点检测模块中的模型而言,训练阶段可以增加多种数据增强手段如随机旋转、随机缩放、随机弹性形变等,推理应用阶段则不使用数据增强。
根据本发明实施例,还提供了一种医学影像中脊柱的分割方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提供了如图7所示的另一种医学影像中脊柱的分割方法。图7是根据本发明实施例的另一种医学影像中脊柱的分割方法的流程图,如图7所示,上述方法包括:
步骤S1202,云服务器接收来自客户端的待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;
步骤S1204,云服务器采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;
步骤S1206,云服务器返回上述多标签分割结果至上述客户端。
在本发明实施例中,通过云服务器接收来自客户端的待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;云服务器采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果;其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;云服务器返回上述多标签分割结果至上述客户端。
容易注意到的是,在本发明实施例中,通过采用目标点检测模型检测待处理医学影像中至少一根脊椎中的脊椎的椎体,得到第一中心点,并基于第一中心点对上述脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到二值分割结果。
由此,本发明实施例达到了在对每一个脊椎的细节部分如横突、棘突等结构分割效果更好,避免出现对相邻脊椎的分割结果存在混淆,可能出现两个脊椎标签重复的情况目的,从而实现了提升对医学影像中脊柱的分割效果,以及智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
需要说明的是,本发明实施例的执行主体可以为云服务器,例如,SaaS云服务器;可以但不限于应用于智能医疗领域,例如,胸部CT解决方案、骨密度评估项目、脊柱手术规划项目、骨科手术导航项目(例如,可以应用于微创医疗合作的骨科手术导航项目中)。并且,本发明实施例所提供的医学影像中脊柱的分割方法可以应用在医学图像识别系统、医学图像的脊椎分割系统等医学影像处理系统,对此,本发明不作具体限定,以可以实现本发明实施例中的全部或者部分技术方案为准。
根据本发明实施例,还提供了一种医学影像中脊柱的分割方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提供了如图8所示的另一种医学影像中脊柱的分割方法。图8是根据本发明实施例的另一种医学影像中脊柱的分割方法的流程图,如图8所示,上述方法包括:
步骤S1302,客户端发送待处理医学影像至云服务器,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;上述云服务器用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;
步骤S1304,上述客户端接收上述云服务器返回的上述多标签分割结果。
在本发明实施例中,通过客户端发送待处理医学影像至云服务器,其中,上述待处理医学影像基于扫描目标对象的目标区域得到,上述目标区域中完全或部分的包含至少一根脊椎;上述云服务器用于采用目标点检测模型确定上述脊椎中的椎体的第一中心点,基于上述第一中心点对上述脊椎进行切块处理,对得到的脊椎图像切块进行脊椎二值分割处理,得到二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;上述客户端接收上述云服务器返回的上述二值分割结果。
容易注意到的是,在本发明实施例中,通过采用目标点检测模型检测待处理医学影像中至少一根脊椎中的脊椎的椎体,得到第一中心点,并基于第一中心点对上述脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到二值分割结果。
由此,本发明实施例达到了在对每一个脊椎的细节部分如横突、棘突等结构分割效果更好,避免出现对相邻脊椎的分割结果存在混淆,可能出现两个脊椎标签重复的情况目的,从而实现了提升对医学影像中脊柱的分割效果,以及智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
需要说明的是,本发明实施例的执行主体可以为客户端,例如,SaaS客户端、医疗客户端;可以但不限于应用于智能医疗领域,例如,胸部CT解决方案、骨密度评估项目、脊柱手术规划项目、骨科手术导航项目(例如,可以应用于微创医疗合作的骨科手术导航项目中)。并且,本发明实施例所提供的医学影像中脊柱的分割方法可以应用在医学图像识别系统、医学图像的脊椎分割系统等医学影像处理系统,对此,本发明不作具体限定,以可以实现本发明实施例中的全部或者部分技术方案为准。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例上述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述医学影像中脊柱的分割方法的装置实施例,图9是根据本发明实施例的一种医学影像中脊柱的分割装置的结构示意图,如图9所示,该装置包括:获取模块90、检测模块92、第一分割模块94、第二分割模块96和处理模块98,其中:
获取模块90,用于获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;检测模块92,用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;第一分割模块94,用于基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;第二分割模块96,用于对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;处理模块98,用于依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
容易注意到的是,在本发明实施例中,通过采用目标点检测模型检测待处理医学影像中至少一根脊椎中的脊椎的椎体,得到第一中心点,以及上述第一中心点的标签信息,并基于第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到上述至少一个脊椎的二值分割结果。
由此,本发明实施例达到了在对每一个脊椎的细节部分如横突、棘突等结构分割效果更好,避免出现对相邻脊椎的分割结果存在混淆,可能出现两个脊椎标签重复的情况目的,从而实现了提升对医学影像中脊柱的分割效果,以及智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
此处需要说明的是,上述获取模块90、检测模块92、第一分割模块94、第二分割模块96和处理模块98对应于实施例1中的步骤S202至步骤S210,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是,本实施例的优选实施方式可以参见方法实施例1中的相关描述,此处不再赘述。
实施例4
根据本申请的实施例,还提供了一种计算机终端的实施例,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本发明实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本发明实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的医学影像中脊柱的分割方法中以下步骤的程序代码:获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
可选地,图10是根据本发明实施例的一种电子设备的结构框图,如图10所示,该电子设备可以包括:一个或多个(图中仅示出一个)处理器602、存储器604及存储在存储器上并可在处理器上运行的程序,还可以包括外设接口606,上述存储器604与上述处理器602连接,用于为上述处理器提供处理以下处理步骤的指令:获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的医学影像中脊柱的分割方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的医学影像中脊柱的分割方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果。
可选的,上述处理器还可以执行如下步骤的程序代码:基于上述脊椎的上述第一中心点生成平滑处理曲线;基于上述第一中心点和上述脊椎的初始切割框,计算得到所有的上述脊椎中每个脊椎类型对应的第一距离均值,其中,所有的上述脊椎包含多个不同的脊椎类型;依据上述平滑处理曲线和上述第一距离均值,生成目标切割框;采用上述目标切割框,基于上述第一中心点对上述脊椎进行切块处理,得到上述脊椎图像切块。
可选的,上述处理器还可以执行如下步骤的程序代码:获取上述第一中心点在目标坐标系的第一坐标点,以及上述脊椎的初始切割框在上述目标坐标系的第二坐标点,其中,上述目标坐标系是基于上述目标对象构建得到的;基于上述第一坐标点和上述第二坐标点,计算得到上述脊椎的第一中心点与第二中心点之间的距离值,其中,上述脊椎至少包括:椎体,上述第一中心点为上述椎体的中心点,上述第二中心点为上述脊椎的中心点;基于上述脊椎所属的上述脊椎类型和上述距离值,计算得到每个上述脊椎类型对应的第一距离均值。
可选的,上述处理器还可以执行如下步骤的程序代码:将上述待处理医学影像输入至上述目标点检测模型,并接收上述目标点检测模型输出的上述第一中心点在上述目标坐标系的上述第一坐标点;获取上述脊椎的初始切割框;通过对脊椎的初始切割框进行求形心计算,得到上述脊椎在上述目标坐标系的上述第二坐标点。
可选的,上述处理器还可以执行如下步骤的程序代码:获取所有的上述第一中心点在上述平滑处理曲线上所有的临近点,将上述临近点作为平滑后的第一中心点;获取上述平滑处理曲线上的切线方向与上述目标坐标系中的Z轴正方向之间的方向夹角;根据每个上述平滑后的第一中心点所处位置和上述方向夹角,旋转上述初始切割框,使得上述初始切割框在上述Z轴正方向上与上述切线方向平行,并在上述目标坐标系中的Y轴正方向上将上述第二坐标点移动上述第一距离均值后,得到上述目标切割框。
可选的,上述处理器还可以执行如下步骤的程序代码:获取所有的上述脊椎中多个相邻脊椎的第一中心点之间的第二距离均值;将上述第二距离均值作为上述相邻脊椎之间的高度近似值;基于上述高度近似值确定基准脊椎与其它脊椎之间的缩放比例值,其中,上述基准脊椎为预先从所有的上述脊椎中确定的,上述其它脊椎为所有的上述脊椎中除上述基准脊椎之外的脊椎;依据上述脊椎中心点和上述缩放比例值,对上述基准脊椎和上述其它脊椎进行切块处理,得到上述脊椎图像切块。
可选的,上述处理器还可以执行如下步骤的程序代码:将上述脊椎图像切块输入至脊椎二值分割模型,其中,上述脊椎二值切块处理用于确定上述脊椎图像切块的分割概率图,以及上述分割概率图对应的分割概率阈值;接收上述脊椎二值分割模型输出的上述分割概率阈值;采用上述分割概率阈值对上述脊椎图像切块进行脊椎二值切块处理,以确定上述脊椎图像切块中的前景区域和背景区域,得到上述二值分割结果,其中,上述前景区域对应的分割概率值为1,上述背景区域的分割概率值为0。
可选的,上述处理器还可以执行如下步骤的程序代码:确定上述待处理医学影像中上述脊椎的多个上述二值分割结果,其中,每根上述脊椎对应一个标签信息,上述标签信息采用预定数量的数字和/或字母表示;上述预定数量的数字和/或字母依次分别用于标识所有的上述脊椎中包含的第一数量的颈椎,第二数量的胸椎,第三数量的腰椎;确定每个上述脊椎图像切块在上述待处理医学影像中的位置信息,其中,上述位置信息是基于上述脊椎图像切块的原点在上述目标坐标系中的第三坐标点和图像切块参数计算得到的,上述图像切块参数包括:上述脊椎图像切块的尺寸、方向及图像分辨率;依据上述标签信息和上述位置信息,对多个上述二值分割结果进行融合,得到上述多标签分割结果。
可选的,上述处理器还可以执行如下步骤的程序代码:接收输入的初始三维医学影像;对上述初始三维医学影像进行归一化处理,得到上述待处理医学影像。
可选的,上述处理器还可以执行如下步骤的程序代码:若上述初始三维医学影像为第一类医学影像,则上述第一类医学影像中的所有数据;采用相同的固定窗宽和固定窗位对上述所有数据进行归一化处理,得到上述待处理医学影像。
可选的,上述处理器还可以执行如下步骤的程序代码:若上述初始三维医学影像为第二类医学影像,则计算上述第二类医学影像中的每个数据的分布点位像素值,其中,上述分布点位像素值中至少包含:第一分布点位像素值和第二分布点位像素值,上述第二分布点位像素值大于上述第一分布点位像素值;确定上述第一分布点位像素值和上述第二分布点位像素值,其中,上述第一分布点位像素值和上述第二分布点位像素值分别作为归一化处理上述每个数据时的最小值和最大值;基于每个数据的上述第一分布点位像素值和上述第二分布点位像素值,对上述第二类医学影像中的所有数据进行归一化处理,得到上述待处理医学影像。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:云服务器接收来自客户端的待处理医学影像,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;上述云服务器采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果;上述云服务器返回上述多标签分割结果至上述客户端。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:客户端发送待处理医学影像至云服务器,其中,上述待处理医学影像中包括脊柱,上述脊柱包括至少一根脊椎;上述云服务器用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及上述第一中心点的标签信息;基于上述第一中心点对上述至少一个脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到上述至少一个脊椎的二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;依据上述二值分割结果和上述标签信息,得到上述脊柱的多标签分割结果;上述客户端接收上述云服务器返回的上述多标签分割结果。
采用本发明实施例,提供了一种医学影像中脊柱的分割的方案。通过获取待处理医学影像中的至少一根脊椎;采用目标点检测模型确定上述脊椎中的椎体的第一中心点,基于上述第一中心点对上述脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到二值分割结果。
采用目标点检测模型检测待处理医学影像中至少一根脊椎的椎体,得到第一中心点,并基于第一中心点对上述脊椎进行切块处理,得到脊椎图像切块,再对该脊椎图像切块中的脊椎图像切块进行脊椎二值分割处理,确定上述脊椎图像切块中的前景区域和背景区域,得到二值分割结果。
由此,本发明实施例达到了在对每一个脊椎的细节部分如横突、棘突等结构分割效果更好,避免出现对相邻脊椎的分割结果存在混淆,可能出现两个脊椎标签重复的情况目的,从而实现了提升对医学影像中脊柱的分割效果,以及智能医疗中对医学图像的智能化处理水平和竞争力的技术效果,进而解决了现有技术中对医学图像中脊椎的分割结果粗糙,欠分割严重以及相邻脊椎分割结果标签混淆的技术问题。
本领域普通技术人员可以理解,图10所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例5
根据本申请的实施例,还提供了一种非易失性存储介质的实施例。可选地,在本发明实施例中,上述非易失性存储介质可以用于保存上述实施例1所提供的医学影像中脊柱的分割方法所执行的程序代码。
可选地,在本发明实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本发明实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:获取待处理医学影像中的至少一根脊椎;采用目标点检测模型确定上述脊椎中的椎体的第一中心点;基于上述第一中心点对上述脊椎进行切块处理,得到脊椎图像切块;对上述脊椎图像切块进行脊椎二值分割处理,得到二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值。
可选地,在本发明实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:云服务器接收来自客户端的待处理医学影像,其中,上述待处理医学影像基于扫描目标对象的目标区域得到,上述目标区域中完全或部分的包含至少一根脊椎;上述云服务器采用目标点检测模型确定上述脊椎中的椎体的第一中心点,基于上述第一中心点对上述脊椎进行切块处理,对得到的脊椎图像切块进行脊椎二值分割处理,得到二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;上述云服务器返回上述二值分割结果至上述客户端。
可选地,在本发明实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:客户端发送待处理医学影像至云服务器,其中,上述待处理医学影像基于扫描目标对象的目标区域得到,上述目标区域中完全或部分的包含至少一根脊椎;上述云服务器用于采用目标点检测模型确定上述脊椎中的椎体的第一中心点,基于上述第一中心点对上述脊椎进行切块处理,对得到的脊椎图像切块进行脊椎二值分割处理,得到二值分割结果,其中,上述脊椎二值分割处理用于确定上述脊椎图像切块中的前景区域和背景区域,上述前景区域和上述背景区域分别对应不同的分割概率阈值;上述客户端接收上述云服务器返回的上述二值分割结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本发明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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种医学影像中脊柱的分割方法,其特征在于,包括:
获取待处理医学影像,其中,所述待处理医学影像中包括脊柱,所述脊柱包括至少一个脊椎;
采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及所述第一中心点的标签信息;
基于所述第一中心点对所述至少一个脊椎进行切块处理,得到脊椎图像切块;
对所述脊椎图像切块进行脊椎二值分割处理,得到所述至少一个脊椎的二值分割结果,其中,所述脊椎二值分割处理用于确定所述脊椎图像切块中的前景区域和背景区域,所述前景区域和所述背景区域分别对应不同的分割概率阈值;
依据所述二值分割结果和所述标签信息,得到所述脊柱的多标签分割结果。
2.根据权利要求1所述的方法,其特征在于,基于所述第一中心点对脊椎进行切块处理,得到脊椎图像切块,包括:
基于所述脊椎的所述第一中心点生成平滑处理曲线;
基于所述第一中心点和所述脊椎的初始切割框,计算得到所述脊椎中每个脊椎类型对应的第一距离均值,其中,所述脊椎包含多个不同的脊椎类型;
依据所述平滑处理曲线和所述第一距离均值,生成目标切割框;
采用所述目标切割框,基于所述第一中心点对所述脊椎进行切块处理,得到所述脊椎图像切块。
3.根据权利要求2所述的方法,其特征在于,基于所述第一中心点和所述脊椎的初始切割框,计算得到所述脊椎中每个所述脊椎类型对应的第一距离均值,包括:
获取所述第一中心点在目标坐标系的第一坐标点,以及所述脊椎的初始切割框在所述目标坐标系的第二坐标点,其中,所述目标坐标系是基于目标对象构建得到的;
基于所述第一坐标点和所述第二坐标点,计算得到所述脊椎的第一中心点与第二中心点之间的距离值,其中,所述脊椎至少包括:椎体,所述第一中心点为所述椎体的中心点,所述第二中心点为所述脊椎的中心点;
基于所述脊椎所属的所述脊椎类型和所述距离值,计算得到每个所述脊椎类型对应的第一距离均值。
4.根据权利要求3所述的方法,其特征在于,获取所述第一中心点在目标坐标系的第一坐标点,以及所述脊椎的初始切割框在所述目标坐标系的第二坐标点,包括:
将至少一根所述脊椎所述待处理医学影像输入至所述目标点检测模型,并接收所述目标点检测模型输出的所述第一中心点在所述目标坐标系的所述第一坐标点;
获取所述脊椎的初始切割框;
通过对脊椎的初始切割框进行求形心计算,得到所述脊椎在所述目标坐标系的所述第二坐标点。
5.根据权利要求4所述的方法,其特征在于,依据所述平滑处理曲线和所述第一距离均值,生成目标切割框,包括:
获取所述第一中心点在所述平滑处理曲线上所有的临近点,将所述临近点作为平滑后的第一中心点;
获取所述平滑处理曲线上的切线方向与所述目标坐标系中的Z轴正方向之间的方向夹角;
根据每个所述平滑后的第一中心点所处位置和所述方向夹角,旋转所述初始切割框,使得所述初始切割框在所述Z轴正方向上与所述切线方向平行,并在所述目标坐标系中的Y轴正方向上将所述第二坐标点移动所述第一距离均值后,得到所述目标切割框。
6.根据权利要求2所述的方法,其特征在于,采用所述目标切割框,基于所述第一中心点对所述脊椎进行切块处理,得到所述脊椎图像切块,包括:
获取所有的所述脊椎中多个相邻脊椎的第一中心点之间的第二距离均值;
将所述第二距离均值作为所述相邻脊椎之间的高度近似值;
基于所述高度近似值确定基准脊椎与其它脊椎之间的缩放比例值,其中,所述基准脊椎为预先从所有的所述脊椎中确定的,所述其它脊椎为所有的所述脊椎中除所述基准脊椎之外的脊椎;
依据所述脊椎中心点和所述缩放比例值,对所述基准脊椎和所述其它脊椎进行切块处理,得到所述脊椎图像切块。
7.根据权利要求1所述的方法,其特征在于,对所述脊椎图像切块进行脊椎二值分割处理,得到所述至少一个脊椎的二值分割结果,包括:
将所述脊椎图像切块输入至脊椎二值分割模型,其中,所述脊椎二值分割处理用于确定所述脊椎图像切块的分割概率图,以及所述分割概率图对应的分割概率阈值;
接收所述脊椎二值分割模型输出的所述分割概率阈值;
采用所述分割概率阈值对所述脊椎图像切块进行脊椎二值分割处理,以确定所述脊椎图像切块中的前景区域和背景区域,得到所述二值分割结果,其中,所述前景区域对应的标签值为1,所述背景区域对应的标签值为0。
8.根据权利要求7所述的方法,其特征在于,所述目标点检测模型和所述脊椎二值分割模型的输出通道的数量是基于所述脊椎中椎体数量确定的,每个所述输出通道分别对应一个所述椎体;所述脊椎二值分割模型用于通过如下方式确定所述分割概率图对应的分割概率阈值:确定每个所述分割概率图中目标响应区域的中心点位置,基于所述中心点位置的分割概率值确定所述分割概率阈值,其中,所述分割概率图与所述脊椎图像切块的尺寸相同。
9.根据权利要求1所述的方法,其特征在于,依据所述二值分割结果和所述标签信息,得到所述脊柱的多标签分割结果,所述方法还包括:
获取所述目标点检测模型输出的所述第一中心点的标签信息,其中,每根所述脊椎对应一个标签信息,所述标签信息采用预定数量的数字和/或字母表示;所述预定数量的数字和/或字母依次分别用于标识所有的所述脊椎中包含的第一数量的颈椎,第二数量的胸椎,第三数量的腰椎;
依据所述二值分割结果确定每个所述脊椎图像切块在所述待处理医学影像中的位置信息,其中,所述位置信息是基于所述脊椎图像切块的原点在目标坐标系中的第三坐标点和图像切块参数计算得到的,所述图像切块参数包括:所述脊椎图像切块的尺寸、方向及图像分辨率;
对所述标签信息和所述位置信息进行融合处理,得到所述多标签分割结果。
10.根据权利要求1所述的方法,其特征在于,获取待处理医学影像中的至少一个脊椎,包括:
接收输入的初始三维医学影像;
对所述初始三维医学影像进行归一化处理,得到所述待处理医学影像。
11.根据权利要求10所述的方法,其特征在于,对所述初始三维医学影像进行归一化处理,得到所述待处理医学影像,包括:
若所述初始三维医学影像为第一类医学影像,则所述第一类医学影像中的所有数据;
采用相同的固定窗宽和固定窗位对所述所有数据进行归一化处理,得到所述待处理医学影像。
12.根据权利要求10所述的方法,其特征在于,对所述初始三维医学影像进行归一化处理,得到所述待处理医学影像,包括:
若所述初始三维医学影像为第二类医学影像,则计算所述第二类医学影像中的每个数据的分布点位像素值,其中,所述分布点位像素值中至少包含:第一分布点位像素值和第二分布点位像素值,所述第二分布点位像素值大于所述第一分布点位像素值;
确定所述第一分布点位像素值和所述第二分布点位像素值,其中,所述第一分布点位像素值和所述第二分布点位像素值分别作为归一化处理所述每个数据时的最小值和最大值;
基于每个数据的所述第一分布点位像素值和所述第二分布点位像素值,对所述第二类医学影像中的所有数据进行归一化处理,得到所述待处理医学影像。
13.一种医学影像中脊柱的分割方法,其特征在于,包括:
云服务器接收来自客户端的待处理医学影像,其中,所述待处理医学影像中包括脊柱,所述脊柱包括至少一个脊椎;
所述云服务器采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及所述第一中心点的标签信息;基于所述第一中心点对所述至少一个脊椎进行切块处理,得到脊椎图像切块;对所述脊椎图像切块进行脊椎二值分割处理,得到所述至少一个脊椎的二值分割结果,其中,所述脊椎二值分割处理用于确定所述脊椎图像切块中的前景区域和背景区域,所述前景区域和所述背景区域分别对应不同的分割概率阈值;依据所述二值分割结果和所述标签信息,得到所述脊柱的多标签分割结果;
所述云服务器返回所述多标签分割结果至所述客户端。
14.一种医学影像中脊柱的分割方法,其特征在于,包括:
客户端发送待处理医学影像至云服务器,其中,所述待处理医学影像中包括脊柱,所述脊柱包括至少一个脊椎;所述云服务器用于采用目标点检测模型确定待处理医学影像中至少一个脊椎的椎体的第一中心点,以及所述第一中心点的标签信息;基于所述第一中心点对所述至少一个脊椎进行切块处理,得到脊椎图像切块;对所述脊椎图像切块进行脊椎二值分割处理,得到所述至少一个脊椎的二值分割结果,其中,所述脊椎二值分割处理用于确定所述脊椎图像切块中的前景区域和背景区域,所述前景区域和所述背景区域分别对应不同的分割概率阈值;依据所述二值分割结果和所述标签信息,得到所述脊柱的多标签分割结果;
所述客户端接收所述云服务器返回的所述多标签分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753100.1A CN113643314B (zh) | 2021-07-02 | 2021-07-02 | 医学影像中脊柱的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753100.1A CN113643314B (zh) | 2021-07-02 | 2021-07-02 | 医学影像中脊柱的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643314A CN113643314A (zh) | 2021-11-12 |
CN113643314B true CN113643314B (zh) | 2023-09-12 |
Family
ID=78416624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753100.1A Active CN113643314B (zh) | 2021-07-02 | 2021-07-02 | 医学影像中脊柱的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643314B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372970B (zh) * | 2022-01-04 | 2024-02-06 | 杭州三坛医疗科技有限公司 | 一种手术参考信息生成方法及装置 |
CN114723683B (zh) * | 2022-03-22 | 2023-02-17 | 推想医疗科技股份有限公司 | 头颈动脉血管分割方法及其装置、电子设备和存储介质 |
CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
CN115359257B (zh) * | 2022-08-25 | 2023-05-16 | 华科精准(北京)医疗科技有限公司 | 基于深度学习的脊椎图像分割方法及手术导航定位系统 |
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 |
CN115797339B (zh) * | 2023-02-03 | 2023-05-09 | 慧影医疗科技(北京)股份有限公司 | 一种椎体中心点定位方法、系统、设备及存储介质 |
CN115984536B (zh) * | 2023-03-20 | 2023-06-30 | 慧影医疗科技(北京)股份有限公司 | 一种基于ct影像的图像处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292435A (zh) * | 2015-10-29 | 2018-07-17 | 堃博生物科技公司 | 3d ct中的基于学习的脊柱椎骨定位和分割 |
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN112700448A (zh) * | 2021-03-24 | 2021-04-23 | 成都成电金盘健康数据技术有限公司 | 一种脊椎图像分割与识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8744168B2 (en) * | 2009-08-24 | 2014-06-03 | Samsung Electronics Co., Ltd. | Target analysis apparatus, method and computer-readable medium |
JP4940340B2 (ja) * | 2009-11-27 | 2012-05-30 | 富士フイルム株式会社 | 椎骨セグメンテーション装置、方法及びプログラム |
US8676298B2 (en) * | 2010-08-30 | 2014-03-18 | Fujifilm Corporation | Medical image alignment apparatus, method, and program |
JP6401083B2 (ja) * | 2015-03-12 | 2018-10-03 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
EP3552037A1 (en) * | 2016-12-08 | 2019-10-16 | Koninklijke Philips N.V. | Simplified navigation of spinal medical imaging data |
EP3662444B1 (en) * | 2017-07-31 | 2022-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for automatic vertebrae segmentation and identification in medical images |
-
2021
- 2021-07-02 CN CN202110753100.1A patent/CN113643314B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292435A (zh) * | 2015-10-29 | 2018-07-17 | 堃博生物科技公司 | 3d ct中的基于学习的脊柱椎骨定位和分割 |
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN112529860A (zh) * | 2020-12-04 | 2021-03-19 | 中国科学院深圳先进技术研究院 | 脊柱图像处理方法、装置、电子设备及存储介质 |
CN112700448A (zh) * | 2021-03-24 | 2021-04-23 | 成都成电金盘健康数据技术有限公司 | 一种脊椎图像分割与识别方法 |
Non-Patent Citations (1)
Title |
---|
脊柱侧凸影像Cobb角计算机辅助测量算法研究;涂勇成;《中国优秀硕士学位论文全文数据库信息科技辑》;I138-1155 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643314A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113643314B (zh) | 医学影像中脊柱的分割方法 | |
CN110599508B (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
CN110956635B (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
US20200327721A1 (en) | Autonomous level identification of anatomical bony structures on 3d medical imagery | |
CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
US10937250B2 (en) | Methods of reconstructing skulls | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN107220933B (zh) | 一种参考线确定方法和系统 | |
CN111417980A (zh) | 用于椎骨骨折的识别的三维医学图像分析方法和系统 | |
KR20220031695A (ko) | 이미지 인식 방법 및 관련 장치, 기기 | |
JP5399225B2 (ja) | 画像処理装置および方法並びにプログラム | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN111161268B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN113033524B (zh) | 遮挡预测模型训练方法、装置、电子设备及存储介质 | |
EP3107031A1 (en) | Method, apparatus and system for spine labeling | |
CN113706463A (zh) | 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质 | |
US8644608B2 (en) | Bone imagery segmentation method and apparatus | |
CN114693604A (zh) | 脊椎医学影像处理方法、装置、设备及存储介质 | |
CN113516614A (zh) | 脊柱影像的处理方法、模型训练方法、装置及存储介质 | |
Dos Santos et al. | Semi-automatic segmentation of skin lesions based on superpixels and hybrid texture information | |
CN113012249B (zh) | 一种在ct图像上生成病灶的方法、装置及存储介质 | |
CN115359257B (zh) | 基于深度学习的脊椎图像分割方法及手术导航定位系统 | |
CN115131301B (zh) | 基于深度学习的智能识别骨关节炎的方法及系统 | |
Chowdhury et al. | Automated detection of pelvic fractures from volumetric CT images |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240311 Address after: # 03-06, Lai Zan Da Building 1, 51 Belarusian Road, Singapore Patentee after: Alibaba Innovation Co. Country or region after: Singapore Address before: Room 01, 45th Floor, AXA Building, 8 Shanton Road, Singapore Patentee before: Alibaba Singapore Holdings Ltd. Country or region before: Singapore |
|
TR01 | Transfer of patent right |