CN113763324A - 图像处理方法、计算机可读存储介质、处理器和系统 - Google Patents
图像处理方法、计算机可读存储介质、处理器和系统 Download PDFInfo
- Publication number
- CN113763324A CN113763324A CN202110883024.6A CN202110883024A CN113763324A CN 113763324 A CN113763324 A CN 113763324A CN 202110883024 A CN202110883024 A CN 202110883024A CN 113763324 A CN113763324 A CN 113763324A
- Authority
- CN
- China
- Prior art keywords
- target
- bone
- point set
- point
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 41
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 649
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims description 89
- 230000011218 segmentation Effects 0.000 claims description 77
- 230000015654 memory Effects 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 15
- 238000009499 grossing Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000001519 tissue Anatomy 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
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
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
本发明公开了一种图像处理方法、计算机可读存储介质、处理器和系统。其中，该方法包括：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。本发明解决了相关技术中对骨骼进行标识的准确性较低的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种图像处理方法、计算机可读存储介质、处理器和系统。
背景技术
目前，在电子计算机断层扫描图像中对骨骼进行分割时，通常采用直接分割中心线的方法，这样能够解决相邻骨骼存在黏连的问题，但是由此会造成中心线断裂问题，并且其不能通过后期拼接完全解决，从而在骨骼标记结果中，可能会导致部分骨骼段缺失，存在对骨骼进行标识的准确性低的问题。
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图像处理方法、计算机可读存储介质、处理器和系统，以至少解决相关技术中对骨骼进行标识的准确性较低的技术问题。
根据本发明实施例的一个方面，提供了一种图像处理方法，包括：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
根据本申请实施例的另一方面，还提供了另一种图像处理方法，包括：响应作用于操作界面上的图像输入指令，获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；响应作用于操作界面上的标识指令，显示至少一根骨骼的标识结果，其中，标识结果为基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。
根据本申请实施例的另一方面，还提供了另一种图像处理方法，包括：从医疗平台中获取医疗影像；从医疗影像中提取出生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；将至少一根骨骼的标识结果上传至医疗平台。
根据本申请实施例的另一方面，还提供了另一种图像处理方法，包括：客户端获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；客户端将骨骼图像上传至服务器；客户端接收服务器返回的至少一根骨骼的标识结果，其中，标识结果为服务器基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。
根据本申请实施例的另一方面，还提供了另一种图像处理方法，包括：通过调用第一接口获取生物对象的生物图像，其中，第一接口包括第一参数，第一参数的参数值为生物图像，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；通过调用第二接口输出至少一根骨骼的标识结果，其中，第二接口包括第二参数，第二参数的参数值为至少一根骨骼的标识结果。
根据本申请实施例的另一方面，还提供了一种图像处理装置，包括：第一获取单元，用于获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第二获取单元，用于从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径为大于目标阈值；第一标识单元，用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
根据本申请实施例的另一方面，还提供了另一种图像处理装置，包括：第三获取单元，用于响应作用于操作界面上的图像输入指令，获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；显示单元，用于响应作用于操作界面上的标识指令，显示至少一根骨骼的标识结果，其中，标识结果为基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。
根据本申请实施例的另一方面，还提供了另一种图像处理装置，包括：第四获取单元，用于从医疗平台中获取医疗影像；提取单元，用于从医疗影像中提取出生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第五获取单元，用于基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；第二标识单元，用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；第一上传单元，用于将至少一根骨骼的标识结果上传至医疗平台。
根据本申请实施例的另一方面，还提供了另一种图像处理装置，包括：第六获取单元，用于使客户端获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第二上传单元，用于使客户端将骨骼图像上传至服务器；接收单元，用于使客户端接收服务器返回的至少一根骨骼的标识结果，其中，标识结果为服务器基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。
根据本申请实施例的另一方面，还提供了另一种图像处理装置，包括：第一调用单元，用于通过调用第一接口获取生物对象的生物图像，其中，其中，第一接口包括第一参数，第一参数的参数值为生物图像，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第七获取单元，用于基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；第三标识单元，用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；第二调用单元，用于通过调用第二接口输出至少一根骨骼的标识结果，其中，第二接口包括第二参数，第二参数的参数值为至少一根骨骼的标识结果。
根据本申请实施例的根据本申请实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行如下步骤：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行如下步骤：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
根据本申请实施例的另一方面，还提供了一种图像处理系统，包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
在本发明实施例中，可以先获取生物对象的生物图像，其中，生物图像中至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼，然后从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值，最后基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果，从而实现对骨骼进行标识的目的。
容易注意到的是，由于中心线点集的起始点与终点之间的路径始终为骨骼中心线的所有点之间大于目标阈值的路径，因此能很稳定地提取到真正的骨骼中心线有序点集，以便对骨骼进行标识，与相关技术相比，该方法对骨骼上的毛刺不敏感，避免因过度平滑造成的小连通域丢失及连通域被断开，避免缺失部分骨骼段，提高了对骨骼进行标识的准确性。
由此，本申请提供的方案解决了相关技术中对骨骼进行标识的准确性较低的技术问题。
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，构成本申请的一部分，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图像处理方法的计算机终端(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灰度模式下扫描图像中的肋骨标签示意图；
图3是根据本发明实施例的一种灰度模式下三维图像中的肋骨标签示意图。
图4是根据本发明实施例的一种图像处理方法的流程图；
图5是根据本发明实施例的一种第一对肋骨的示意图；
图6是根据本发明实施例的一种至少两根肋骨的中心线之间连接的示意图；
图7是根据本发明实施例的一种两根肋骨中心线连接后的路径示意图；
图8a是根据本发明实施例的一种对肋骨连通域进行平滑处理后的第一初始中心点集示意图；
图8b是根据本发明实施例的一种肋骨连通域的第一目标中心点集示意图；
图9是根据本发明实施例的一种对多个第一端点进行回溯处理的示意图；
图10是根据本发明实施例的一种剩余骨骼中每根骨骼的中心线的示意图；
图11A是根据本发明实施例的一种连通域的示意图；
图11B是根据本发明实施例的一种肋骨标签结果的示意图；
图11C是根据本发明实施例的另一种图像处理方法的示意图；
图12是根据本发明实施例的一种对肋骨进行标记后的标记结果示意图；
图13是根据本发明实施例的另一种图像处理方法的流程图；
图14是根据本发明实施例的另一种图像处理方法的流程图；
图15是根据本发明实施例的另一种图像处理方法的流程图；
图16是根据本发明实施例的另一种图像处理方法的流程图；
图17是根据本发明实施例的一种图像处理装置的示意图；
图18是根据本发明实施例的另一种图像处理装置的示意图；
图19是根据本发明实施例的另一种图像处理装置的示意图；
图20是根据本发明实施例的另一种图像处理装置的示意图；
图21是根据本发明实施例的又一种图像处理装置的示意图；
图22是根据本申请实施例的一种计算机终端的结构框图。
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，在对本申请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：
肋骨分割，针对于输入的病人胸腹部扫描图像，识别并分割图像中所出现的每一根肋骨；
肋骨标签，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肋骨，以不同的标签值进行标签，如图2所示为灰度模式下扫描图像中的肋骨标签示意图，如图3所示为灰度模式下三维图像中的肋骨标签示意图；
医学影像，指对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。
实施例1
根据本发明实施例，还提供了一种图像处理方法的实施例，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。
本申请实施例一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图像处理方法的计算机终端(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I/O接口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。如本申请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图像处理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漏洞检测方法。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。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请提供了如图4所示的图像处理方法。图4是根据本申请实施例1的一种图像处理方法的流程图。如图4所示，该方法可以包括以下步骤：
步骤S402，获取生物对象的生物图像。
其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼。
上述的生物对象可以是人体、动物等，人体的生物图像中可以包含人体的各个器官和骨骼，动物的生物图像中可以包含动物的各个器官和骨骼。其中，生物图像可以为利用电子计算机断层扫描(Computed Tomography，简称为CT)对生物对象进行扫描所得到的图像。生物图像还可以为利用磁共振成像(Magnetic Resonance Imaging，简称为MRI)对生物对象进行扫描所得到的图像。
上述的目标骨骼可以为人体肋骨，目标骨骼的骨骼图像可以为人体肋骨的骨骼图像，肋骨的骨骼图像可以包括位于不同位置的多根肋骨，上述的目标骨骼还可以是人体其他部位的骨骼，还可以是动物各个部位的骨骼，此处不做任何限定。
在本申请实施例中，可以以人体肋骨的骨骼图像进行说明。
步骤S404，从骨骼图像中确定至少一根骨骼的目标点集。
其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值，比如，为中心线的所有端点之间的最长路径。需要说明的是，该实施例的上述中心线可以是对目标骨骼分割mask骨架化处理后得到的结果，其可能存在毛刺，从而使得中心线上可能不只两个端点。
上述的骨骼的目标线可以是骨骼的中心线，上述的目标点集可以是中心线点集，其中，上述中心线点集中的起始点和终点可以是肋骨两端的端点。
在一种可选的实施例中，可以从骨骼图像中确定每根骨骼的目标点集。
可选地，上述的目标阈值可以自行设置，比如，为用于衡量目标点集的起始点与终点之间的路径为中心线的所有端点之间的最长路径的临界值，该阈值可以大于目标点集的起始点与终点之间的路径为中心线的所有端点之间的次长路径，此处不做具体限制。
在另一种可选的实施例中，可以通过目标阈值对各个点集进行筛选，当各个点集中存在起始点与终点之间的路径大于目标阈值的情况下，确定该点集为目标点集，若存在多个点集中的起始点与终点之间的路径大于目标阈值，则从多个点集中选择起始点与终端之间的路径最长的点集为目标点集。
在另一种可选的实施例中，可以先对肋骨图像中的肋骨进行分割，确定出第一对肋骨，其中，第一对肋骨如图5中示出的最上面的肋骨，需要说明的是，由于第一对肋骨与其他肋骨的形态以及位置区别比较大，因此，容易获得比较稳定的分割结果；在确定出第一对肋骨之后，对第一对肋骨进行骨架化，骨架化后可以得到第一对肋骨的目标点集；在得到第一对肋骨的目标点集之后，可以对其他肋骨进行骨架化处理，骨架化后可以得到其他肋骨的目标点集。
上述的骨架化也即图像细化，其中，细化是将图像的线条从多像素宽度减少到单位像素宽度过程的简称。
步骤S406，基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
在一种可选的实施例中，可以根据目标点集被寻找到的顺序，对该目标点集对应的肋骨连通域赋予相应的标签值，得到每根肋骨的标识结果。其中，连通域是指具有相同像素值且相邻的像素。
需要说明的是，若在标识的过程中，某个肋骨连通域中包含了两根肋骨中心线点集，则说明肋骨图像中的两根肋骨黏连在一起，在分割掩膜中形成了一个大的独立肋骨连通域，此时，对于该肋骨连通域中的每一个像素点，比较该像素点到两根肋骨中心线的距离，并将距离更近的中心线的标签值赋予该像素点，从而在这个大的独立肋骨连通域中区分出两根肋骨各自的掩膜，以便对这两根肋骨进行标识，从而得到这两根肋骨的标识结果。
通过上述步骤，可以先获取生物对象的生物图像，其中，生物图像中至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼，然后从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值，最后基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果，从而实现对骨骼进行标识的目的。
容易注意到的是，由于中心线点集的起始点与终点之间的路径始终为骨骼中心线的所有点之间大于目标阈值的路径，因此能很稳定地提取到真正的骨骼中心线有序点集，以便对骨骼进行标识，与相关技术相比，该方法对骨骼上的毛刺不敏感，避免因过度平滑造成的小连通域丢失及连通域被断开，避免缺失部分骨骼段，提高了对骨骼进行标识的准确性。
在本申请上述实施例中，基于目标点集对至少一根骨骼进行标识，包括：在多根骨骼中至少两根骨骼之间的目标线存在关联关系的情况下，将至少两根骨骼的目标线，从至少两根骨骼的目标线的连接处断开，其中，关联关系用于表征至少两根骨骼之间黏连；基于断开后的目标线对应的目标点集，对至少一根骨骼进行标识。
在一种可选的实施例中，针对存在骨骼黏连的特殊情况而言，可以根据中心线变化程度来确定多根骨骼中至少两根骨骼之间的目标线是否存在关联关系，比如，目标线为肋骨的中心线，可以确定多根肋骨中是否存在至少两根肋骨的中心线连接的情况，如果多根肋骨中存在至少两根肋骨的中心线连接，则确定至少两根肋骨之间黏连。其中，至少两根骨骼(肋骨)之间黏连可以是相邻两根骨骼(肋骨)之间黏连。可选地，该实施例在中心线从起始点到终点的过程中，若局部梯度都比较稳定，且变化较为缓慢，则说明中心线的连通域只存在一根中心线；在中心线从起始点到终点的过程中，若局部梯度变化较为剧烈，则说明此处为连接部分，即，中心线的连通区域可能存在两根中心线，此时，需要将两根骨骼的目标线的连接处断开，以便对每个中心线对应的像素点进行标识，从而得到每根骨骼的标识结果，进而有效解决多根骨骼黏连的问题。
需要说明的是，该实施例的方案包括有效解决至少两根骨骼黏连的方法，但实际上骨骼黏连的发生率并不高，也就是说，大部分人的多根骨骼的中心线之间是不连接的，并非每个骨骼都必然存在黏连而导致目标线之间连接。
本申请上述实施例中，确定多根骨骼中至少两根骨骼的目标线之间连接，包括：获取至少两根骨骼的目标线的局部变化梯度；在局部变化梯度的变化量大于目标阈值的情况下，确定至少两根骨骼的目标线之间连接。
上述的至少两根骨骼可以为相邻的骨骼。
在一种可选的实施例中，可以获取至少两根肋骨的中心线的局部变化梯度，根据两根肋骨的中心线的局部变化梯度确定两根肋骨的中心线之间是否存在连接，若这两根肋骨的中心线的局部变化梯度的变化量都大于目标阈值，则说明两根肋骨的中心线之间存在连接。此时，需要将两根肋骨的中心线断开，以便对不同连通域的肋骨进行标识，从而得到每根肋骨的标识结果。
在另一种可选的实施例中，可以通过局部梯度方向公式和移动平均公式得到至少两根骨骼的中心线的局部变化梯度，局部梯度方向公式如下：
grad[i]＝coordinate[i+1]-coordinate[i-1]；其中，i为端点的坐标值，coordinate[i+1]表示该端点的后一个端点的坐标值，coordinate[i-1]标识该端点的前一个端点的坐标值，利用后一个端点的坐标值减去前一个端点的坐标值，可以得到局部变化梯度。
移动平均公式如下：
avg grad[i]＝avg grad[i-1]*λ+grad[i]*(1-λ)；其中，avg grad[i-1]为前一个端点的梯度值，avg grad[i+1]为后一个端点的梯度值，λ为常数。
如图6所示为至少两根肋骨的中心线之间连接的示意图，其中，圈出的部分表示至少两根肋骨的中心线之间连接。如图7所示为两根肋骨中心线连接后的路径示意图。
本申请上述实施例中，该方法还包括：确定包括至少两根骨骼的目标点集的目标连通域；在至少两根骨骼的目标线中，确定与目标连通域中各个点对应的第一目标线，其中，目标连通域中各个点与对应的第一目标线之间的距离，小于与至少两根骨骼的目标线中除对应的第一目标线之外的目标线之间的距离；通过对应的第一目标线的标签对目标连通域的各个点进行标识。
上述中心线的标签可以是预先设置的像素值，用于标记出该中心线所对应的肋骨。其中，每个目标中心线的标签所对应的像素值都不同，以便得到的每个肋骨可以通过不同的像素值进行区分。
在一种可选的实施例中，在一个目标连通域中存在有两根肋骨时，可以先确定出两根肋骨的中心线，然后确定出连通域中每个像素点与中心线之间的距离，需要说明的是，连通域中的每个像素点与对应的目标中心线之间的距离小于除对应的目标中心线的之外的中心线之间的距离，也就是说，根据目标中心线与像素点之间的距离对连通域中的每个像素点进行区域的划分，以便根据目标中心线对应的标签对目标连通域中的各个像素点进行标识，从而实现对目标点集所对应的肋骨进行标识，得到每根肋骨的标识结果。通过连通域中像素点到相邻中心线点集的距离来分开黏连肋骨形成的大连通域，可以很好的解决肋骨黏连问题。
本申请上述实施例中，基于骨骼图像获取至少一根骨骼的目标点集，包括：对骨骼图像进行分割处理，得到至少一根骨骼的分割结果，其中，分割结果为通过标签表示对应的骨骼的结果；基于分割结果获取对应的骨骼的目标点集。
在一种可选的实施例中，可以通过预先训练好的模型先对肋骨图像中的多根肋骨进行分割处理，得到多根肋骨的分割结果，可以通过预先设置的像素值对每根肋骨进行标记，以便显示出每根肋骨；相比于通过神经网络直接分割肋骨的中心线，其可以降低出现同一根肋骨中心线断裂的可能性。
需要说明的是，对于存在严重错位性骨折的肋骨，在训练模型的过程中，可以在分割肋骨的过程中，对肋骨断开部分赋予肋骨的标签，以便在模型遇到此种类型的断裂时，使其肋骨的中心线保持连续。
本申请上述实施例中，分割结果包括第一标签和第二标签，第一标签用于表示多根骨骼的第一对骨骼，第二标签用于表示多根骨骼中除第一对骨骼之外的剩余骨骼。
上述的第一对骨骼可以为第一对肋骨，第一对骨骼之外的剩余骨骼可以为第一肋骨之外剩余的肋骨。
在一种可选的实施例中，可以先对肋骨图像中的第一对肋骨进行分割处理，由于第一对肋骨与其他肋骨的形态以及位置区别比较大，因此，模型能够对第一对肋骨进行很好的区分，以便获得稳定、干净的分割结果，从而保证后续肋骨的标签稳定性。
在另一种可选的实施例中，可以根据肋骨的体积进行排序，保留两个体积最大的肋骨，确定出第一对肋骨，并利用第一标签对第一对肋骨进行标识，利用第二标签对其他肋骨进行标识。
需要说明的是，由于肋骨图像的中间部分相邻肋骨的形态以及周围区域信息的相似性，若直接利用模型对所有的肋骨进行分割，则会使得很多相邻肋骨获得错误的标签结果。若先分割出第一对肋骨，并对第一对肋骨赋予第一标签之后，再对后续的除第一对肋骨之外的剩余肋骨采用第二标签进行标记的结果会更加的稳定。
本申请上述实施例中，基于分割结果获取对应的骨骼的目标点集，包括：确定第一标签对应的第一对骨骼中的两侧骨骼；获取两侧骨骼中至少一侧骨骼的第一初始点集；对第一初始点集进行回溯处理，得到至少一侧骨骼的第一目标点集。
在一种可选的实施例中，可以根据质心位置关系，确定第一标签对应的第一对肋骨中左右两侧肋骨，分别对左右第一根肋骨连通域进行平滑处理，然后进行骨架化，骨架化后得到两侧肋骨中每侧肋骨的第一初始点集。
如图8a所示为对肋骨连通域进行平滑处理后的第一初始中心点集示意图，即使已经对肋骨连通域做过平滑处理，由于其表面并不完全光滑，骨架化后得到的每侧肋骨的第一初始中心点集中还是会存在毛刺，表现为中心线连通域中有多个端点及分叉点。
本申请上述实施例中，对第一初始点集进行回溯处理，得到至少一侧骨骼的第一目标点集，包括：将第一初始点集中最靠近脊柱一侧的端点，确定为第一目标点集的第一起始点；对第一起始点和第一初始点集中除第一起始点之外的多个第一端点进行回溯处理，得到多条第一路径，其中，第一路径为第一起始点到第一端点的最长路径；将多条第一路径中的最长路径的多个点，确定为第一目标点集，其中，最长路径的多个点可以为最长路径所经过的所有的点，而最长路径在确定后只有两个端点，多条第一路径中的最长路径对应的终点，为第一目标点集的第一终点。
由于第一初始点集还是存在毛刺，因此，需要先确定出该肋骨的起始点，然后通过回溯处理，找到此起始点到其他所有端点之间的最长路径，此路径的终点即为真正的肋骨中心线终点，从而可以得到有序的肋骨中心点集，也即第一目标点集，并且得到的第一目标点集也可以有效的去除毛刺。
如图8b所示为肋骨连通域的第一目标中心点集示意图，对于右侧第一根肋骨的第一初始点集，找到其中的所有端点，并比较端点的坐标，找到最靠左且最靠后的端点，其为最靠近脊柱的端点，能够很稳定的作为第一起始点，对右侧第一根肋骨的第一初始点集中除第一起始点之外的其他点进行回溯处理，可以第一起始点到其它所有端点之间的多条第一路径，从多条第一路径中确定最长路径，并确定该最长路径中的多个断点为右侧第一根肋骨的第一目标点集；对于左侧第一根肋骨的中心点集，则以其最靠右且最靠后的端点作为第一起始点，对左侧第一根肋骨的第一初始点集作相同的处理，从而得到左侧第一根肋骨的第一目标点集。
如图9所示为对多个第一端点进行回溯处理的示意图，其中，最左侧的端点为第一起始点，对于除第一起始点之外的每一个端点进行回溯处理，求取从第一起始点到各个端点的最长联通路径，再比较所有端点对应的最长路径，保留其中最长的，即图中最左侧端点到最右侧端点之间的路径，确定该路径中的端点，并确定该路径中端点的集合为第一目标点集。
本申请上述实施例中，获取至少一侧骨骼的第一初始点集，包括：对至少一侧骨骼的连通域进行平滑处理，得到平滑结果；对平滑结果进行骨架化处理，得到第一初始点集。
在一种可选的实施例中，对每侧肋骨的连通域进行平滑处理，可以减少图像上的噪声或失真；对平滑结果进行骨架化处理可以将肋骨图像的骨架提取出来的同时，保持图像细小部分的连通性，对被处理的图像进行骨架化有助于突出形状特点和减少冗余信息量。
本申请上述实施例中，基于分割结果获取至少一根骨骼的目标点集，包括：确定第二标签对应的剩余骨骼；对剩余骨骼中至少一根骨骼的连通域进行骨架化处理，以得到剩余骨骼中至少一根骨骼的目标线；基于剩余骨骼中至少一根骨骼的目标线和两侧骨骼中目标侧骨骼的第一目标点集，确定剩余骨骼中至少一根骨骼的第二目标点集，其中，剩余骨骼中至少一根骨骼所在的侧和目标侧骨骼所在的侧相同。
如图10为对剩余肋骨中每根肋骨的连通域进行骨架化处理后，所得到的剩余骨骼中每根骨骼的中心线的示意图。
在一种可选的实施例中，在对第一对肋骨处理完得到第一目标点集之后，可以先确定出第二标签对应的剩余肋骨，并对剩余肋骨中每根肋骨的连通域进行骨架化处理，以得到剩余肋骨中每根肋骨的中心线。根据两侧肋骨中左侧肋骨的第一目标点集确定出左侧剩余肋骨中每根肋骨的第二目标点集；根据两侧肋骨中右侧肋骨的第一目标点集确定出右侧剩余肋骨中每根肋骨的第二目标点集。
本申请上述实施例中，基于剩余骨骼中至少一根骨骼的目标线和两侧骨骼中目标侧骨骼的第一目标点集，确定剩余骨骼中至少一根骨骼的第二目标点集，包括：
第一获取步骤，在目标侧骨骼的第一目标点集中获取目标中心点，其中，目标中心点与第一目标点集的起始点相距目标距离；第一确定步骤，确定目标侧骨骼的目标线在目标中心点处的法平面；第二获取步骤，在法平面中预设范围内获取目标非零点，其中，目标非零点为位于目标中心点的目标方位，与目标中心点距离最近，且处于目标侧骨骼的下一骨骼的目标线上，下一骨骼所在的侧与目标侧骨骼所在的侧相同；第二确定步骤，基于目标非零点确定下一骨骼的第二目标点集，并将下一骨骼确定为目标侧骨骼，将下一骨骼的第二目标点集，确定为目标侧骨骼的第一目标点集，执行第一获取步骤，直至确定完剩余骨骼中至少一根骨骼的第二目标点集。
上述的目标距离可以为固定的距离，也可以自行设置。
第一获取步骤中，可以根据得到的右侧的第一根肋骨的第一目标点集，从起始点开始，沿着中心线路经的目标距离，可以得到右侧剩余肋骨的目标中心点。对于左侧剩余肋骨的目标中心点处理方式相同。
第一确定步骤中，在得到左侧剩余肋骨的目标中心点之后，可以确定左侧剩余肋骨的中心线在左侧剩余肋骨的目标中心点处的法平面；在得到右侧剩余肋骨的目标中心点之后，可以确定右侧剩余肋骨的中心线在右侧剩余肋骨的目标中心点处的法平面。
上述的目标方位可以为下方。
第二获取步骤中，在法平面中预设范围内获取目标非零点，其中，目标非零点可以为位于目标中心的下方且距离最近的非零点。也即，目标非零点可以位于目标侧肋骨下方的剩余肋骨上。
在预设范围内若没有获取到非零点，则可以沿着中心线路经，继续移动一定的距离并进行寻找，以找到的点作为目标非零点。
第二确定步骤中，在基于目标非零点确定下一肋骨的第二目标点集后，可以将该下一肋骨作为新的目标侧肋骨，并将下一肋骨的第二目标点集确定为新的目标侧肋骨的第一目标点集，并继续执行上述的第一获取步骤，直至确定完剩余肋骨中每根肋骨的第二目标点集。
本申请上述实施例中，基于目标非零点确定下一骨骼的第二目标点集，包括：获取包括目标非零点的下一骨骼的第二初始点集；对第二初始点集进行回溯处理，得到下一骨骼的第二目标点集。
由于第二初始中心线点集还是存在毛刺，因此，需要先确定出该肋骨的起始点，然后通过回溯处理，找到此起始点到其他所有端点之间的最长路径，此路径的终点即为真正的肋骨中心线终点，从而可以得到有序的肋骨中心点集，也即第二目标点集，并且得到的第二目标点集也可以有效的去除毛刺。
本申请上述实施例中，对第二初始点集进行回溯处理，得到下一骨骼的第二目标点集，包括：将第二初始点集中最靠近脊柱一侧的端点，确定为下一骨骼的第二目标点集的第二起始点；对第二起始点和第二初始点集中除第二起始点之外的多个第二端点进行回溯处理，得到多条第二路径，其中，第二路径为第二起始点到第二端点的最长路径；将多条第二路径中的最长路径的多个点，确定为第二目标点集，其中，最长路径的多个点可以是最长路径所经过的所有的点，，而最长路径在确定后只有两个端点，多条第二路径中的最长路径对应的终点，为第二目标点集的第二终点。
在一种可选的实施例中，对于右侧下一肋骨的第二初始中心线点集，找到其中的所有端点，并比较端点的坐标，找到最靠左且最靠后的端点，其为最靠近脊柱的端点，能够很稳定的作为第二起始点，对右侧下一肋骨的第二初始中心线点集中除第二起始点之外的其他点进行回溯处理，可以第二起始点到其它所有端点之间的多条第二路径，从多条第二路径中确定最长路径，并确定该最长路径中的多个断点为右侧下一肋骨的第二目标点集；对于左侧下一肋骨的中心点集，则以其最靠右且最靠后的端点作为第二起始点，对左侧下一肋骨的第二初始中心线点集作相同的处理，从而得到左侧下一肋骨的第二目标点集。
本申请上述实施例中，对骨骼图像进行分割处理，得到多根骨骼的分割结果，包括：基于分割模型对骨骼图像进行分割处理，得到多根骨骼的分割结果，其中，分割模型为基于深度学习训练得到，且用于对输入的骨骼图像进行分割处理。
在一种可选的实施例中，可以基于深度学习对大量的骨骼图像样本进行训练，得到分割模型，以便利用该分割模型对输入的骨骼图像进行分割处理。可选地，该分割模型也可以称为肋骨分割模型，用对输入的肋骨图像进行分割处理。
在另一种可选的实施例中，可以对输入的骨骼图像进行预处理，并基于分割模型对预处理后的骨骼图像进行分割处理；例如，对输入的三维医学影像可以进行归一化处理，对于CT图像，对所有数据都采用同样的固定的窗宽、窗位进行归一化，对于MRI图像，则对每一个数据进行自适应的归一化，可选地，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设置为0，像素值高于95％分位点像素值的位置则置为1。其中，在对分割模型进行训练阶段可以增加多种数据增强手段，例如随机旋转、随机缩放、随机弹性形变等。
本申请上述实施例中，基于分割结果获取对应的骨骼的目标点集，包括：基于提取模型对分割结果进行提取处理，得到对应的骨骼的目标点集，其中，提取模型用于提取骨骼的点集。
上述的提取模型可以是通过骨骼图像样本以及该骨骼图像样本对应的目标点集训练得到。
本申请上述实施例中，基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果，包括：向包括目标点集的连通域添加目标标签，并将标签确定为标识结果。
在一种可选的实施例中，对于所有的目标点集，根据其被找到的顺序，赋予包含每个有序点集的肋骨连通域相应的标签值。
本申请上述实施例中，向包括目标点集的连通域添加目标标签，包括：基于标签模型，向包括目标点集的连通域添加目标标签，其中，标签模型用于对包括骨骼的点集的连通域添加标签。
图11A是根据本发明实施例的一种连通域的示意图。如图11A所示，骨骼可以为肋骨。因为目标点集(中心线点集)是从上到下收集的，比如，左边第一根到第12根，共有12组目标点集，然后对于肋骨分割mask中的每一个连通域，确定当前连通域中包含的目标点集的序号(可以通过坐标位置查询来实现)，如图11中的第一个连通域中，可以只包含序号为1的目标点集，所以将该连通域可以标签为1；而最后一个连通域存在肋骨黏连，但已通过上述方法得到了两根独立的目标点集，比如，序号可以分别为4和5，这个时候对于当前连通域中的每个像素点，可以比较其到序号为4的目标点集和序号为5的目标点集上最近的点的距离，并将距离较近的那根中心线的标签赋予当前像素点，从而最终得到分离的肋骨的目标标签(肋骨标签结果)。如图11B，其中，图11B是根据本发明实施例的一种肋骨标签结果的示意图，其中，每根肋骨在大联通与中可以有效区分出来，各个肋骨的目标标签是通过颜色表现出来的，即使是严重肋骨黏连的数据，也依然能够取得很好的效果。
可选地，上述的标签模型可以通过大量的标签样本训练得到。
示例性的，可以将右侧R1～R12肋骨添加标签1～12，可以将左侧L1～L12肋骨添加标签13～24。
下面结合图11C和图12对本申请一种优选的实施例进行详细说明，该方法可以由移动终端或服务器执行，在本申请实施例中，以该方法由服务器执行为例进行说明。
如图11C所示，该方法包括：
步骤S1101，获取病人影像；
步骤S1102，将病人影像输入至预处理模块，得到预处理后的病人影像；
步骤S1103，利用2-label肋骨分割模块对预处理后的病人影像进行肋骨分割，得到目标侧肋骨和下一肋骨；
其中，利用第一标签对肋骨中的第一对肋骨进行标记，利用第二标签对肋骨中除第一对肋骨的其他肋骨进行标记。
步骤S1104，利用肋骨中心线提取模块提取目标侧肋骨的第一中心线点集和下一肋骨的第二中心线点集；
步骤S1105，利用肋骨标签模块根据中心线对应的标签对该中心线对应的中心线点集中的端点进行标记；
步骤S1106，得到肋骨多标签分割结果。
通过上述方案可以直接采用肋骨分割，再骨架化求中心线，相比于通过神经网络直接分割肋骨中心线，出现同一根肋骨中心线断裂的可能性低得多，即使是对于存在严重错位性骨折的肋骨，如果在训练2-label肋骨分割网络时，对肋骨断开部分也赋予肋骨的label值，则网络会学习到这种断裂处应该是连续的，不会将其断开。并且，采用2-label的肋骨分割方法，由于第一对肋骨与其他肋骨之间形态及位置区别都非常明显，分割结果非常稳定，从而保证了后续肋骨标签的稳定，同时不需要通过如设置辅助定位点等其他方法来帮助肋骨标签，过程完全自动化。另外，通过回溯法求最长路径来得到每一根肋骨中心线的有序点集，由于肋骨中心线起始点与终点之间的路径始终是中心线连通域上所有端点之间的最长路径，因此能很稳定的从充满毛刺的中心线骨架化结果中提取到真正的肋骨中心线有序点集，该方法对骨架上的毛刺不敏感，因此骨架化前的肋骨掩膜可以不用进行较多平滑操作，避免了因为过度平滑造成的小连通域丢失及连通域被断开的问题。
如图12为对肋骨进行标记后的标记结果示意图，其中，每根肋骨的灰度值都不同，可以明显的区分出肋骨图像中的每根肋骨，以便医生用于诊断，并且，可以从图12中看到，即使存在严重的肋骨黏连，依然可以取得很好的显示效果。
实施例2
根据本申请实施例，还提供了一种图像处理方法实施例，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。
图13是根据本发明实施例的一种图像处理方法的流程图。如图13所示，该方法可以包括以下步骤：
步骤S1302，响应作用于操作界面上的图像输入指令，获取生物对象的生物图像。
其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼。
上述的操作界面可以是计算机等终端设备的操作界面。
在一种可选的实施例中，用户可以点击操作界面中预先设置的控件，以使得该控件生成图像输入指令，用户可以在生成图像输入指令输入生物对象的生物图像。
步骤S1304，响应作用于操作界面上的标识指令，显示至少一根骨骼的标识结果。
其中，标识结果为基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例，还提供了一种图像处理方法实施例，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。
图14是根据本发明实施例的一种图像处理方法的流程图。如图14所示，该方法可以包括以下步骤：
步骤S1402，从医疗平台中获取医疗影像。
上述的医疗平台可以是预先设置医疗数据库，其主要用于储存病人的医疗影像。
步骤S1404，从医疗影像中提取出生物对象的生物图像。
其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼。
步骤S1406，基于骨骼图像获取至少一根骨骼的目标点集。
其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值。
步骤S1408，基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
步骤S1410，将至少一根骨骼的标识结果上传至医疗平台。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例，还提供了一种图像处理方法实施例，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。
图15是根据本发明实施例的一种图像处理方法的流程图。如图15所示，该方法可以包括以下步骤：
步骤S1502，客户端获取生物对象的生物图像。
其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼。
上述的客户端可以为电脑、手机、平板等电子设备。
步骤S1504，客户端将骨骼图像上传至服务器。
上述服务器可以为云服务器。
在一种可选的实施例中，为了更好的对骨骼图像进行处理，可以将获取到的骨骼图像传输给相应的处理设备进行处理，例如，直接传输给用户的计算机终端(例如，笔记本电脑、个人电脑等)进行处理，或者通过用户的计算机终端传输给云服务器进行处理。需要说明的是，由于骨骼图像需要大量的计算资源，在本申请实施例中以处理设备为云服务器为例进行说明。
例如，为了方便用户上传骨骼图像，可以提供给用户一个交互界面，用户可以通过点击“选择图像”控件获取到需要上传的骨骼图像，然后通过点击“上传”控件将用于骨骼图像上传至云服务器。另外，为了方便用户确认上传至云服务器的骨骼图像是否为需要的骨骼图像，可以在“图像显示”区域中显示选择好的骨骼图像，在用户确认无误之后，通过点击“上传”控件进行骨骼图像的上传。
步骤S1506，客户端接收服务器返回的至少一根骨骼的标识结果。
其中，标识结果为服务器基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例，还提供了一种图像处理方法实施例，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。
图16是根据本发明实施例的一种图像处理方法的流程图。如图16所示，该方法可以包括以下步骤：
步骤S1602，通过调用第一接口获取生物对象的生物图像。
其中，第一接口包括第一参数，第一参数的参数值为生物图像，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼。
上述步骤中的第一接口可以是云服务器与客户端之间进行数据交互的接口，客户端可以将图像和图像对应的第一标签传入接口函数，分别作为接口函数的两个参数，实现骨骼图像上传至云服务器的目的。
步骤S1604，基于骨骼图像获取至少一根骨骼的目标点集。
其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值。
步骤S1606，基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
步骤S1608，通过调用第二接口输出至少一根骨骼的标识结果。
其中，第二接口包括第二参数，第二参数的参数值为至少一根骨骼的标识结果。
上述步骤中的第二接口可以是云服务器与客户端之间进行数据交互的接口，云服务器可以将识别结果传入接口函数，分别作为接口函数的一个参数，实现识别结果下发至客户端的目的。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图17所示，该装置1700包括：第一获取单元1702、第二获取单元1704、第一标识单元1706。
其中，第一获取单元，用于获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第二获取单元，用于从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；第一标识单元，用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
此处需要说明的是，上述第一获取单元1702、第二获取单元1704、第一标识单元1706对应于实施例1中的步骤S402至步骤S406，三个单元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。
本申请上述实施例中，第一标识单元包括：断开模块和标识模块。
其中，断开模块用于在多根骨骼中至少两根骨骼之间的目标线存在关联关系的情况下，将至少两根骨骼的目标线，从至少两根骨骼的目标线的连接处断开，其中，关联关系用于表征至少两根骨骼之间黏连；标识模块用于基于断开后的目标线对应的目标点集，对至少一根骨骼进行标识。
本申请上述实施例中，确定模块包括：第一获取子模块和第一确定子模块。
其中，第一获取子模块用于获取至少两根骨骼的目标线的局部变化梯度；第一确定子模块用于在局部变化梯度的变化量大于目标阈值的情况下，确定至少两根骨骼的目标线之间连接。
本申请上述实施例中，该装置还包括：第一确定单元、第二确定单元、第二标识单元。
其中，第一确定单元用于确定包括至少两根骨骼的目标点集的目标连通域；第二确定单元用于在至少两根骨骼的目标线中，确定与目标连通域中各个点对应的第一目标线，其中，目标连通域中各个点与对应的第一目标线之间的距离，小于与至少两根骨骼的目标线中除对应的第一目标线之外的目标线之间的距离；第二标识单元用于通过对应的第一目标线的标签对目标连通域的各个点进行标识。
本申请上述实施例中，第二获取单元包括：处理模块、获取模块。
其中，处理模块用于对骨骼图像进行分割处理，得到至少一根骨骼的分割结果，其中，分割结果为通过标签表示对应的骨骼的结果；获取模块用于基于分割结果获取对应的骨骼的目标点集。
本申请上述实施例中，分割结果包括第一标签和第二标签，第一标签用于表示多根骨骼的第一对骨骼，第二标签用于表示多根骨骼中除第一对骨骼之外的剩余骨骼。
本申请上述实施例中，获取模块包括：第二确定子模块、第二获取子模块、第一处理子模块。
其中，第二确定子模块，用于确定第一标签对应的第一对骨骼中的两侧骨骼；第二获取子模块，用于获取两侧骨骼中至少一侧骨骼的第一初始点集；第一处理子模块，用于对第一初始点集进行回溯处理，得到至少一侧骨骼的第一目标点集。
本申请上述实施例中，第一处理子模块包括：第三确定子模块、第二处理子模块、第四确定子模块。
其中，第三确定子模块，用于将第一初始点集中最靠近脊柱一侧的端点，确定为第一目标点集的第一起始点；第二处理子模块，用于对第一起始点和第一初始点集中除第一起始点之外的多个第一端点进行回溯处理，得到多条第一路径，其中，第一路径为第一起始点到第一端点的最长路径；第四确定子模块，用于将多条第一路径中的最长路径的多个端点，确定为第一目标点集，其中，多条第一路径中的最长路径对应的终点，为第一目标点集的第一终点。
本申请上述实施例中，第二获取子模块包括：第三处理子模块、第四处理子模块。
其中，第三处理子模块，用于对至少一侧骨骼的连通域进行平滑处理，得到平滑结果；第四处理子模块，用于对平滑结果进行骨架化处理，得到第一初始点集。
本申请上述实施例中，获取模块包括：第五确定子模块、第五处理子模块、第六确定子模块。
其中，第五确定子模块用于确定第二标签对应的剩余骨骼；第五处理子模块用于对剩余骨骼中至少一根骨骼的连通域进行骨架化处理，以得到剩余骨骼中至少一根骨骼的目标线；第六确定子模块用于基于剩余骨骼中至少一根骨骼的目标线和两侧骨骼中目标侧骨骼的第一目标点集，确定剩余骨骼中至少一根骨骼的第二目标点集，其中，剩余骨骼中至少一根骨骼所在的侧和目标侧骨骼所在的侧相同。
本申请上述实施例中，第六确定子模块用于执行第一获取步骤、第一确定步骤、第二获取步骤、第二确定步骤。
其中，第一获取步骤，在目标侧骨骼的第一目标点集中获取目标中心点，其中，目标中心点与第一目标点集的起始点相距目标距离；第一确定步骤，确定目标侧骨骼的目标线在目标中心点处的法平面；第二获取步骤，在法平面中预设范围内获取目标非零点，其中，目标非零点为位于目标中心点的目标方位，与目标中心点距离最近，且处于目标侧骨骼的下一骨骼的目标线上，下一骨骼所在的侧与目标侧骨骼所在的侧相同；第二确定步骤，基于目标非零点确定下一骨骼的第二目标点集，并将下一骨骼确定为目标侧骨骼，将下一骨骼的第二目标点集，确定为目标侧骨骼的第一目标点集，执行第一获取步骤，直至确定完剩余骨骼中至少一根骨骼的第二目标点集。
本申请上述实施例中，第六确定子模块用于通过以下步骤来实现第二确定步骤；获取包括目标非零点的下一骨骼的第二初始点集；对第二初始点集进行回溯处理，得到下一骨骼的第二目标点集。
本申请上述实施例中，第六确定子模块还用于通过以下步骤来实现第二确定步骤：将第二初始点集中最靠近脊柱一侧的端点，确定为下一骨骼的第二目标点集的第二起始点；对第二起始点和第二初始点集中除第二起始点之外的多个第二端点进行回溯处理，得到多条第二路径，其中，第二路径为第二起始点到第二端点的最长路径；将多条第二路径中的最长路径的多个端点，确定为第二目标点集，其中，多条第二路径中的最长路径对应的终点，为第二目标点集的第二终点。
本申请上述实施例中，处理模块包括：分割子模块。
其中，分割子模块用于基于分割模型对骨骼图像进行分割处理，得到多根骨骼的分割结果，其中，分割模型为基于深度学习训练得到，且用于对输入的骨骼图像进行分割处理。
本申请上述实施例中，获取模块包括：提取子模块。
其中，提取子模块用于基于提取模型对分割结果进行提取处理，得到对应的骨骼的目标点集，其中，提取模型用于提取骨骼的点集。
本申请上述实施例中，第一标识单元包括：添加模块。
其中，添加模块用于向包括目标点集的连通域添加目标标签，并将标签确定为标识结果。
本申请上述实施例中，添加模块包括：添加子模块。
其中，添加子模块用于基于标签模型，向包括目标点集的连通域添加目标标签，其中，标签模型用于对包括骨骼的点集的连通域添加标签。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例7
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图18所示，该装置1800包括：第三获取单元1802、显示单元1804。
其中，第三获取单元用于响应作用于操作界面上的图像输入指令，获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；显示单元用于响应作用于操作界面上的标识指令，显示至少一根骨骼的标识结果，其中，标识结果为基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。此处需要说明的是，上述第三获取单元1802、显示单元1804对应于实施例2中的步骤S502至步骤S504，五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，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例8
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图19所示，该装置1900包括：第四获取单元1902、提取单元1904、第五获取单元1906、第二标识单元1908、第一上传单元1910。
其中，第四获取单元用于从医疗平台中获取医疗影像；提取单元用于从医疗影像中提取出生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第五获取单元用于基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；第二标识单元用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；第一上传单元用于将至少一根骨骼的标识结果上传至医疗平台。此处需要说明的是，上述第四获取单元1902、提取单元1904、第五获取单元1906、第二标识单元1908、第一上传单元1910对应于实施例3中的步骤S602至步骤S610，五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，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例9
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图20所示，该装置2000包括：第六获取单元2002、第二上传单元2004、接收单元2006。
其中，第六获取单元用于使客户端获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第二上传单元用于使客户端将骨骼图像上传至服务器；接收单元用于使客户端接收服务器返回的至少一根骨骼的标识结果，其中，标识结果为服务器基于至少一根骨骼的目标点集对至少一根骨骼进行标识得到，目标点集为基于骨骼图像获取，且为至少一根骨骼的目标线上的有序点集，目标点集的起始点与终点之间的路径大于目标阈值。此处需要说明的是，上述第六获取单元2002、第二上传单元2004、接收单元2006对应于实施例4中的步骤S702至步骤S706，五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，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例10
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图21所示，该装置2100包括：第一调用单元2102、第七获取单元2104、第三标识单元2106、第二调用单元2108。
其中，第一调用单元用于通过调用第一接口获取生物对象的生物图像，其中，其中，第一接口包括第一参数，第一参数的参数值为生物图像，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；第七获取单元用于基于骨骼图像获取至少一根骨骼的目标点集，其中，目标点集为至少一根骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；第三标识单元用于基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果；第二调用单元用于通过调用第二接口输出至少一根骨骼的标识结果，其中，第二接口包括第二参数，第二参数的参数值为至少一根骨骼的标识结果。此处需要说明的是，上述第一调用单元2102、第七获取单元2104、第三标识单元2106、第二调用单元2108对应于实施例5中的步骤S802至步骤S808，五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，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例11
根据本申请实施例，还提供了一种图像处理系统，包括：
处理器；
存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例12
本申请的实施例可以提供一种计算机终端，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图像的处理方法中以下步骤的程序代码：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定每根骨骼的目标点集，其中，目标点集为每根骨骼的中心线上的有序点集，且目标点集的起始点与终点之间的路径为中心线的所有端点之间的最长路径；基于目标点集对至少一根每根骨骼进行标识，得到每根骨骼的标识结果。
可选地，图22是根据本申请实施例的一种计算机终端的结构框图。如图22所示，该计算机终端A可以包括：一个或多个(图中仅示出一个)处理器2202、以及存储器2204。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的图像处理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，即实现上述的图像处理方法。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终端A。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：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
可选的，上述处理器还可以执行如下步骤的程序代码：在多根骨骼中至少两根骨骼之间的目标线存在关联关系的情况下，将至少两根骨骼的目标线，从至少两根骨骼的目标线的连接处断开，其中，关联关系用于表征至少两根骨骼之间黏连；基于断开后的目标线对应的目标点集，对至少一根骨骼进行标识。
可选的，上述处理器还可以执行如下步骤的程序代码：获取至少两根骨骼的目标线的局部变化梯度；在局部变化梯度的变化量大于目标阈值的情况下，确定至少两根骨骼的目标线之间连接。
可选的，上述处理器还可以执行如下步骤的程序代码：确定包括至少两根骨骼的目标点集的目标连通域；在至少两根骨骼的目标线中，确定与目标连通域中各个点对应的第一目标线，其中，目标连通域中各个点与对应的第一目标线之间的距离，小于与至少两根骨骼的目标线中除对应的第一目标线之外的目标线之间的距离；通过对应的第一目标线的标签对目标连通域的各个点进行标识。
可选的，上述处理器还可以执行如下步骤的程序代码：对骨骼图像进行分割处理，得到至少一根骨骼的分割结果，其中，分割结果为通过标签表示对应的骨骼的结果；基于分割结果获取对应的骨骼的目标点集。
可选的，上述处理器还可以执行如下步骤的程序代码：分割结果包括第一标签和第二标签，第一标签用于表示多根骨骼的第一对骨骼，第二标签用于表示多根骨骼中除第一对骨骼之外的剩余骨骼。
可选的，上述处理器还可以执行如下步骤的程序代码：确定第一标签对应的第一对骨骼中的两侧骨骼；获取两侧骨骼中至少一侧骨骼的第一初始点集；对第一初始点集进行回溯处理，得到至少一侧骨骼的第一目标点集。
可选的，上述处理器还可以执行如下步骤的程序代码：将第一初始点集中最靠近脊柱一侧的端点，确定为第一目标点集的第一起始点；对第一起始点和第一初始点集中除第一起始点之外的多个第一端点进行回溯处理，得到多条第一路径，其中，第一路径为第一起始点到第一端点的最长路径；将多条第一路径中的最长路径的多个端点，确定为第一目标点集，其中，多条第一路径中的最长路径对应的终点，为第一目标点集的第一终点。
可选的，上述处理器还可以执行如下步骤的程序代码：对至少一侧骨骼的连通域进行平滑处理，得到平滑结果；对平滑结果进行骨架化处理，得到第一初始点集。
可选的，上述处理器还可以执行如下步骤的程序代码：确定第二标签对应的剩余骨骼；对剩余骨骼中至少一根骨骼的连通域进行骨架化处理，以得到剩余骨骼中至少一根骨骼的目标线；基于剩余骨骼中至少一根骨骼的目标线和两侧骨骼中目标侧骨骼的第一目标点集，确定剩余骨骼中至少一根骨骼的第二目标点集，其中，剩余骨骼中至少一根骨骼所在的侧和目标侧骨骼所在的侧相同。
可选的，上述处理器还可以执行如下步骤的程序代码：第一获取步骤，在目标侧骨骼的第一目标点集中获取目标中心点，其中，目标中心点与第一目标点集的起始点相距目标距离；第一确定步骤，确定目标侧骨骼的目标线在目标中心点处的法平面；第二获取步骤，在法平面中预设范围内获取目标非零点，其中，目标非零点为位于目标中心点的目标方位，与目标中心点距离最近，且处于目标侧骨骼的下一骨骼的目标线上，下一骨骼所在的侧与目标侧骨骼所在的侧相同；第二确定步骤，基于目标非零点确定下一骨骼的第二目标点集，并将下一骨骼确定为目标侧骨骼，将下一骨骼的第二目标点集，确定为目标侧骨骼的第一目标点集，执行第一获取步骤，直至确定完剩余骨骼中至少一根骨骼的第二目标点集。
可选的，上述处理器还可以执行如下步骤的程序代码：获取包括目标非零点的下一骨骼的第二初始点集；对第二初始点集进行回溯处理，得到下一骨骼的第二目标点集。
可选的，上述处理器还可以执行如下步骤的程序代码：将第二初始点集中最靠近脊柱一侧的端点，确定为下一骨骼的第二目标点集的第二起始点；对第二起始点和第二初始点集中除第二起始点之外的多个第二端点进行回溯处理，得到多条第二路径，其中，第二路径为第二起始点到第二端点的最长路径；将多条第二路径中的最长路径的多个端点，确定为第二目标点集，其中，多条第二路径中的最长路径对应的终点，为第二目标点集的第二终点。
可选的，上述处理器还可以执行如下步骤的程序代码：基于分割模型对骨骼图像进行分割处理，得到多根骨骼的分割结果，其中，分割模型为基于深度学习训练得到，且用于对输入的骨骼图像进行分割处理。
可选的，上述处理器还可以执行如下步骤的程序代码：基于提取模型对分割结果进行提取处理，得到对应的骨骼的目标点集，其中，提取模型用于提取骨骼的点集。
可选的，上述处理器还可以执行如下步骤的程序代码：向包括目标点集的连通域添加目标标签，并将标签确定为标识结果。
可选的，上述处理器还可以执行如下步骤的程序代码：基于标签模型，向包括目标点集的连通域添加目标标签，其中，标签模型用于对包括骨骼的点集的连通域添加标签。
本领域普通技术人员可以理解，图22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、掌上电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图22其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图22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22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13
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的图像处理方法所执行的程序代码。
可选地，在本实施例中，上述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，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
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：获取生物对象的生物图像，其中，生物图像至少包含了生物对象的目标骨骼的骨骼图像，骨骼图像包括位于不同位置的多根骨骼；从骨骼图像中确定至少一根骨骼的目标点集，其中，目标点集为对应的骨骼的目标线上的有序点集，且目标点集的起始点与终点之间的路径大于目标阈值；基于目标点集对至少一根骨骼进行标识，得到至少一根骨骼的标识结果。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：在多根骨骼中至少两根骨骼之间的目标线存在关联关系的情况下，将至少两根骨骼的目标线，从至少两根骨骼的目标线的连接处断开，其中，关联关系用于表征至少两根骨骼之间黏连；基于断开后的目标线对应的目标点集，对至少一根骨骼进行标识。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取至少两根骨骼的目标线的局部变化梯度；在局部变化梯度的变化量大于目标阈值的情况下，确定至少两根骨骼的目标线之间连接。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定包括至少两根骨骼的目标点集的目标连通域；在至少两根骨骼的目标线中，确定与目标连通域中各个点对应的第一目标线，其中，目标连通域中各个点与对应的第一目标线之间的距离，小于与至少两根骨骼的目标线中除对应的第一目标线之外的目标线之间的距离；通过对应的第一目标线的标签对目标连通域的各个点进行标识。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：对骨骼图像进行分割处理，得到至少一根骨骼的分割结果，其中，分割结果为通过标签表示对应的骨骼的结果；基于分割结果获取对应的骨骼的目标点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：分割结果包括第一标签和第二标签，第一标签用于表示多根骨骼的第一对骨骼，第二标签用于表示多根骨骼中除第一对骨骼之外的剩余骨骼。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定第一标签对应的第一对骨骼中的两侧骨骼；获取两侧骨骼中至少一侧骨骼的第一初始点集；对第一初始点集进行回溯处理，得到至少一侧骨骼的第一目标点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：将第一初始点集中最靠近脊柱一侧的端点，确定为第一目标点集的第一起始点；对第一起始点和第一初始点集中除第一起始点之外的多个第一端点进行回溯处理，得到多条第一路径，其中，第一路径为第一起始点到第一端点的最长路径；将多条第一路径中的最长路径的多个点，确定为第一目标点集，其中，多条第一路径中的最长路径对应的终点，为第一目标点集的第一终点。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：对至少一侧骨骼的连通域进行平滑处理，得到平滑结果；对平滑结果进行骨架化处理，得到第一初始点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定第二标签对应的剩余骨骼；对剩余骨骼中至少一根骨骼的连通域进行骨架化处理，以得到剩余骨骼中至少一根骨骼的目标线；基于剩余骨骼中至少一根骨骼的目标线和两侧骨骼中目标侧骨骼的第一目标点集，确定剩余骨骼中至少一根骨骼的第二目标点集，其中，剩余骨骼中至少一根骨骼所在的侧和目标侧骨骼所在的侧相同。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：第一获取步骤，在目标侧骨骼的第一目标点集中获取目标中心点，其中，目标中心点与第一目标点集的起始点相距目标距离；第一确定步骤，确定目标侧骨骼的目标线在目标中心点处的法平面；第二获取步骤，在法平面中预设范围内获取目标非零点，其中，目标非零点为位于目标中心点的目标方位，与目标中心点距离最近，且处于目标侧骨骼的下一骨骼的目标线上，下一骨骼所在的侧与目标侧骨骼所在的侧相同；第二确定步骤，基于目标非零点确定下一骨骼的第二目标点集，并将下一骨骼确定为目标侧骨骼，将下一骨骼的第二目标点集，确定为目标侧骨骼的第一目标点集，执行第一获取步骤，直至确定完剩余骨骼中至少一根骨骼的第二目标点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取包括目标非零点的下一骨骼的第二初始点集；对第二初始点集进行回溯处理，得到下一骨骼的第二目标点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：将第二初始点集中最靠近脊柱一侧的端点，确定为下一骨骼的第二目标点集的第二起始点；对第二起始点和第二初始点集中除第二起始点之外的多个第二端点进行回溯处理，得到多条第二路径，其中，第二路径为第二起始点到第二端点的最长路径；将多条第二路径中的最长路径的多个点，确定为第二目标点集，其中，多条第二路径中的最长路径对应的终点，为第二目标点集的第二终点。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于分割模型对骨骼图像进行分割处理，得到多根骨骼的分割结果，其中，分割模型为基于深度学习训练得到，且用于对输入的骨骼图像进行分割处理。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于提取模型对分割结果进行提取处理，得到对应的骨骼的目标点集，其中，提取模型用于提取骨骼的点集。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：向包括目标点集的连通域添加目标标签，并将标签确定为标识结果。
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于标签模型，向包括目标点集的连通域添加目标标签，其中，标签模型用于对包括骨骼的点集的连通域添加标签。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，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。
在本申请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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关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)执行本申请各个实施例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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种图像处理方法，其特征在于，包括：
获取生物对象的生物图像，其中，所述生物图像至少包含了所述生物对象的目标骨骼的骨骼图像，所述骨骼图像包括位于不同位置的多根骨骼；
从所述骨骼图像中确定至少一根所述骨骼的目标点集，其中，所述目标点集为对应的所述骨骼的目标线上的有序点集，且所述目标点集的起始点与终点之间的路径大于目标阈值；
基于所述目标点集对至少一根所述骨骼进行标识，得到至少一根所述骨骼的标识结果。
2.根据权利要求1所述的方法，其特征在于，基于所述目标点集对至少一根所述骨骼进行标识，包括：
在所述多根骨骼中至少两根骨骼之间的目标线存在关联关系的情况下，将所述至少两根骨骼的目标线，从所述至少两根骨骼的目标线的连接处断开，其中，所述关联关系用于表征所述至少两根骨骼之间黏连；
基于断开后的所述目标线对应的所述目标点集，对至少一根所述骨骼进行标识。
3.根据权利要求1所述的方法，其特征在于，基于所述骨骼图像获取至少一根所述骨骼的目标点集，包括：
对所述骨骼图像进行分割处理，得到至少一根所述骨骼的分割结果，其中，所述分割结果为通过标签表示对应的所述骨骼的结果；
基于所述分割结果获取对应的所述骨骼的所述目标点集。
4.根据权利要求3所述的方法，其特征在于，基于所述分割结果获取对应的所述骨骼的目标点集，包括：
确定第一标签对应的第一对骨骼中的两侧骨骼；
获取所述两侧骨骼中至少一侧所述骨骼的第一初始点集；
对所述第一初始点集进行回溯处理，得到至少一侧所述骨骼的第一目标点集。
5.根据权利要求4所述的方法，其特征在于，对所述第一初始点集进行回溯处理，得到至少一侧所述骨骼的第一目标点集，包括：
将所述第一初始点集中最靠近脊柱一侧的端点，确定为所述第一目标点集的第一起始点；
对所述第一起始点和所述第一初始点集中除所述第一起始点之外的多个第一端点进行回溯处理，得到多条第一路径，其中，所述第一路径为所述第一起始点到所述第一端点的最长路径；
将所述多条第一路径中的最长路径的多个点，确定为所述第一目标点集，其中，所述多条第一路径中的最长路径对应的终点，为所述第一目标点集的第一终点。
6.根据权利要求4所述的方法，其特征在于，基于所述分割结果获取至少一根所述骨骼的目标点集，包括：
确定第二标签对应的剩余骨骼；
对所述剩余骨骼中至少一根所述骨骼的连通域进行骨架化处理，以得到所述剩余骨骼中至少一根所述骨骼的目标线；
基于所述剩余骨骼中至少一根所述骨骼的目标线和所述两侧骨骼中目标侧骨骼的所述第一目标点集，确定所述剩余骨骼中至少一根所述骨骼的第二目标点集，其中，所述剩余骨骼中至少一根所述骨骼所在的侧和所述目标侧骨骼所在的侧相同。
7.根据权利要求6所述的方法，其特征在于，基于所述剩余骨骼中至少一根骨骼的目标线和所述两侧骨骼中目标侧骨骼的所述第一目标点集，确定所述剩余骨骼中至少一根骨骼的第二目标点集，包括：
第一获取步骤，在所述目标侧骨骼的所述第一目标点集中获取目标中心点，其中，所述目标中心点与所述第一目标点集的起始点相距目标距离；
第一确定步骤，确定所述目标侧骨骼的目标线在所述目标中心点处的法平面；
第二获取步骤，在所述法平面中预设范围内获取目标非零点，其中，所述目标非零点为位于所述目标中心点的目标方位，与所述目标中心点距离最近，且处于所述目标侧骨骼的下一骨骼的目标线上，所述下一骨骼所在的侧与所述目标侧骨骼所在的侧相同；
第二确定步骤，基于所述目标非零点确定所述下一骨骼的所述第二目标点集，并将所述下一骨骼确定为所述目标侧骨骼，将所述下一骨骼的所述第二目标点集，确定为所述目标侧骨骼的所述第一目标点集，执行所述第一获取步骤，直至确定完所述剩余骨骼中至少一根所述骨骼的所述第二目标点集。
8.根据权利要求7所述的方法，其特征在于，基于所述目标非零点确定所述下一骨骼的第二目标点集，包括：
获取包括所述目标非零点的所述下一骨骼的第二初始点集；
对所述第二初始点集进行回溯处理，得到所述下一骨骼的所述第二目标点集。
9.根据权利要求8所述的方法，其特征在于，对所述第二初始点集进行回溯处理，得到所述下一骨骼的所述第二目标点集，包括：
将所述第二初始点集中最靠近脊柱一侧的端点，确定为所述下一骨骼的所述第二目标点集的第二起始点；
对所述第二起始点和所述第二初始点集中除所述第二起始点之外的多个第二端点进行回溯处理，得到多条第二路径，其中，所述第二路径为所述第二起始点到所述第二端点的最长路径；
将所述多条第二路径中的最长路径的多个点，确定为所述第二目标点集，其中，所述多条第二路径中的最长路径对应的终点，为所述第二目标点集的第二终点。
10.一种图像处理方法，其特征在于，包括：
从医疗平台中获取医疗影像；
从所述医疗影像中提取出生物对象的生物图像，其中，所述生物图像至少包含了所述生物对象的目标骨骼的骨骼图像，所述骨骼图像包括位于不同位置的多根骨骼；
基于所述骨骼图像获取至少一根所述骨骼的目标点集，其中，所述目标点集为至少一根所述骨骼的目标线上的有序点集，且所述目标点集的起始点与终点之间的路径大于目标阈值；
基于所述目标点集对至少一根所述骨骼进行标识，得到至少一根所述骨骼的标识结果；
将至少一根所述骨骼的标识结果上传至所述医疗平台。
11.一种图像处理方法，其特征在于，包括：
通过调用第一接口获取生物对象的生物图像，其中，所述第一接口包括第一参数，所述第一参数的参数值为所述生物图像，所述生物图像至少包含了所述生物对象的目标骨骼的骨骼图像，所述骨骼图像包括位于不同位置的多根骨骼；
基于所述骨骼图像获取至少一根所述骨骼的目标点集，其中，所述目标点集为至少一根所述骨骼的目标线上的有序点集，且所述目标点集的起始点与终点之间的路径大于目标阈值；
基于所述目标点集对至少一根所述骨骼进行标识，得到至少一根所述骨骼的标识结果；
通过调用第二接口输出至少一根所述骨骼的标识结果，其中，所述第二接口包括第二参数，所述第二参数的参数值为至少一根所述骨骼的标识结果。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序被处理器运行时控制所述计算机可读存储介质所在设备执行权利要求1至11中任意一项所述的方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的方法。
14.一种图像处理系统，其特征在于，包括：
处理器；
存储器，与所述处理器相连接，用于为所述处理器提供处理以下处理步骤的指令：获取生物对象的生物图像，其中，所述生物图像至少包含了所述生物对象的目标骨骼的骨骼图像，所述骨骼图像包括位于不同位置的多根骨骼；从所述骨骼图像中确定至少一根所述骨骼的目标点集，其中，所述目标点集为对应所述骨骼的目标线上的有序点集，且所述目标点集的起始点与终点之间的路径大于目标阈值；基于所述目标点集对至少一根所述骨骼进行标识，得到至少一根所述骨骼的标识结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110883024.6A CN113763324A (zh) | 2021-08-02 | 2021-08-02 | 图像处理方法、计算机可读存储介质、处理器和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110883024.6A CN113763324A (zh) | 2021-08-02 | 2021-08-02 | 图像处理方法、计算机可读存储介质、处理器和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113763324A true CN113763324A (zh) | 2021-12-07 |
Family
ID=78788356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110883024.6A Pending CN113763324A (zh) | 2021-08-02 | 2021-08-02 | 图像处理方法、计算机可读存储介质、处理器和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763324A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131367A (zh) * | 2022-03-03 | 2022-09-30 | 中国人民解放军总医院第四医学中心 | 人体骨骼力学结构的区域分割及骨架线提取方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070206880A1 (en) * | 2005-12-01 | 2007-09-06 | Siemens Corporate Research, Inc. | Coupled Bayesian Framework For Dual Energy Image Registration |
| US20130202175A1 (en) * | 2012-02-06 | 2013-08-08 | Samsung Medison Co., Ltd. | Image processing apparatus and method |
| KR20130090740A (ko) * | 2012-02-06 | 2013-08-14 | 삼성메디슨 주식회사 | 영상 처리 장치 및 방법 |
| US20130217996A1 (en) * | 2010-09-16 | 2013-08-22 | Ramot At Tel-Aviv University Ltd. | Method and system for analyzing images |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割系统、方法、装置和计算机可读存储介质 |
| CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
| CN110555850A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
| CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
| CN110619621A (zh) * | 2018-06-04 | 2019-12-27 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
| CN111091610A (zh) * | 2019-11-22 | 2020-05-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111462071A (zh) * | 2020-03-30 | 2020-07-28 | 浙江核新同花顺网络信息股份有限公司 | 一种图像处理方法和系统 |
| CN112308820A (zh) * | 2020-09-27 | 2021-02-02 | 杭州依图医疗技术有限公司 | 一种肋骨定位方法及装置、计算机设备及存储介质 |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
-
2021
- 2021-08-02 CN CN202110883024.6A patent/CN113763324A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070206880A1 (en) * | 2005-12-01 | 2007-09-06 | Siemens Corporate Research, Inc. | Coupled Bayesian Framework For Dual Energy Image Registration |
| US20130217996A1 (en) * | 2010-09-16 | 2013-08-22 | Ramot At Tel-Aviv University Ltd. | Method and system for analyzing images |
| US20130202175A1 (en) * | 2012-02-06 | 2013-08-08 | Samsung Medison Co., Ltd. | Image processing apparatus and method |
| KR20130090740A (ko) * | 2012-02-06 | 2013-08-14 | 삼성메디슨 주식회사 | 영상 처리 장치 및 방법 |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割系统、方法、装置和计算机可读存储介质 |
| CN110555850A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
| CN110619621A (zh) * | 2018-06-04 | 2019-12-27 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
| CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
| CN109902659A (zh) * | 2019-03-15 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于处理人体图像的方法和装置 |
| CN111091610A (zh) * | 2019-11-22 | 2020-05-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111462071A (zh) * | 2020-03-30 | 2020-07-28 | 浙江核新同花顺网络信息股份有限公司 | 一种图像处理方法和系统 |
| CN112308820A (zh) * | 2020-09-27 | 2021-02-02 | 杭州依图医疗技术有限公司 | 一种肋骨定位方法及装置、计算机设备及存储介质 |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 杨勇;: "手机3D动画中基于Kinesiology的骨骼数据计算", 软件导刊, no. 11 * |
| 钟伦超: "采用行程跟踪的二值图像去毛刺算法", 武夷学院学报, vol. 39, no. 6, pages 44 - 48 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131367A (zh) * | 2022-03-03 | 2022-09-30 | 中国人民解放军总医院第四医学中心 | 人体骨骼力学结构的区域分割及骨架线提取方法及装置 |
| CN115131367B (zh) * | 2022-03-03 | 2023-09-01 | 中国人民解放军总医院第四医学中心 | 人体骨骼力学结构的区域分割及骨架线提取方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN110956635B (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
| CN109670532B (zh) | 生物体器官组织图像的异常识别方法、装置及系统 | |
| US8311303B2 (en) | Method and system for semantics driven image registration | |
| Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| WO2022172201A1 (en) | Systems and methods for automated segmentation of patient specific anatomies for pathology specific measurements | |
| CN111161268B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
| US10878564B2 (en) | Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof | |
| CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
| CN108921836A (zh) | 一种提取眼底图像标注的方法及装置 | |
| CN113808125A (zh) | 医学影像处理方法、病灶类型识别方法以及相关产品 | |
| CN113470037A (zh) | 数据处理方法、装置及系统 | |
| Salih et al. | Fast optic disc segmentation using FFT-based template-matching and region-growing techniques | |
| CN113689937A (zh) | 图像标注方法、存储介质和处理器 | |
| CN113763324A (zh) | 图像处理方法、计算机可读存储介质、处理器和系统 | |
| CN111067505A (zh) | 心律失常检测的方法、装置以及存储介质 | |
| CN116485820B (zh) | 动静脉图像提取方法、装置及非易失性存储介质 | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| CN116747017A (zh) | 脑出血手术规划系统及方法 | |
| CN115966309A (zh) | 复发位置预测方法、装置、非易失性存储介质及电子设备 | |
| CN112801238B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| Dou et al. | Unsupervised domain adaptation of convnets for medical image segmentation via adversarial learning | |
| CN108304776A (zh) | 指静脉图像互通识别的方法、装置及存储介质 | |
| CN111047691A (zh) | 一种儿科心脏外科体外循环管道固定系统 |
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 |