CN115527065A - 髋关节分型方法、装置和存储介质 - Google Patents

髋关节分型方法、装置和存储介质 Download PDF

Info

Publication number
CN115527065A
CN115527065A CN202211180701.9A CN202211180701A CN115527065A CN 115527065 A CN115527065 A CN 115527065A CN 202211180701 A CN202211180701 A CN 202211180701A CN 115527065 A CN115527065 A CN 115527065A
Authority
CN
China
Prior art keywords
image
hip joint
preset
connected domain
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211180701.9A
Other languages
English (en)
Inventor
李传东
刘安逸
万祁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan United Imaging Healthcare Co Ltd
Original Assignee
Wuhan United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan United Imaging Healthcare Co Ltd filed Critical Wuhan United Imaging Healthcare Co Ltd
Priority to CN202211180701.9A priority Critical patent/CN115527065A/zh
Publication of CN115527065A publication Critical patent/CN115527065A/zh
Priority to PCT/CN2023/121265 priority patent/WO2024067527A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种髋关节分型方法、装置和存储介质。该方法包括：获取待测对象的原始超声图像，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型；本申请实施例中提供的髋关节分型方法，是通过从完整的超声图像中分割出髂骨所在区域，得到髂骨区域图像，进而将该髂骨区域图像输入至活动轮廓模型中进行图像分析，能够大大提高活动轮廓模型的处理速率，进而提高髋关节分割的处理速率，以及髋关节分割的准确性，提高图像处理的精度，从而能够综合提高髋关节分型的图像处理效率。

Description

髋关节分型方法、装置和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种髋关节分型方法、装置和存储介质。
背景技术
针对新生儿常见的髋关节疾病，通常采用超声检测结合Graf方法测量新生儿髋关节的α角和β角，并基于测量得到的α角和β角来判断新生儿髋关节的发育异常类型。
传统的髋关节分型方法，通过超声设备获取新生儿的髋关节超声图像，并对该超声图像进行预处理，将预处理后的超声图像输入至基于区域的活动轮廓模型中确定髋关节的类型。
然而，传统的髋关节分型方法，存在处理效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高髋关节分型的处理效率的髋关节分型方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种髋关节分型方法，该方法包括：
获取待测对象的原始超声图像；该原始超声图像为待测对象的髋关节对应的超声图像；
从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；
将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型。
在其中一个实施例中，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，包括：
对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像；
对二值图像进行连通域分析，确定目标连通域；
根据目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像。
在其中一个实施例中，对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像，包括：
采用预设滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像；
采用预设阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像。
在其中一个实施例中，对二值图像进行连通域分析，确定目标连通域，包括：
从二值图像中提取满足第一预设条件的候选连通域；其中，第一预设条件包括多个维度的条件，多个维度的条件包括连通域的面积达到预设面积阈值的条件、连通域的质心位于预设位置的条件、连通域的长度达到预设长度阈值的条件中的至少两个；
在提取到满足第一预设条件的候选连通域的情况下，根据候选连通域确定目标连通域；
在未提取到满足第一预设条件的候选连通域的情况下，对第一预设条件进行降维处理，得到更新后的条件，并将更新后的条件作为第一预设条件，重新执行从二值图像中提取满足第一预设条件的候选连通域的步骤，直到从二值图像中提取到满足第一预设条件的候选连通域或第一预设条件的维度为一维为止。
在其中一个实施例中，根据候选连通域确定目标连通域，包括：
在候选连通域的数量为一个的情况下，将候选连通域作为目标连通域；
在候选连通域的数量为多个的情况下，从候选连通域中确定满足第二预设条件的目标连通域。
在其中一个实施例中，第二预设条件为鉴别分数最高的条件，从候选连通域中确定满足第二预设条件的目标连通域，包括：
针对各候选连通域，从原始超声图像中确定候选连通域对应的候选图像；
根据该候选图像和预设鉴别算法，计算该候选图像对应的鉴别分数；
将鉴别分数最高的候选图像对应的候选连通域作为目标连通域。
在其中一个实施例中，根据目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，包括：
基于原始超声图像，确定目标连通域的质心位置；
基于目标连通域的质心位置结合预设尺寸，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；该预设尺寸与原始超声图像的尺寸相关。
在其中一个实施例中，将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型，包括：
将髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像；
基于髋关节分割图像，确定骨顶线和软骨顶线；
根据骨顶线的斜率确定骨顶角，以及根据软骨顶线的斜率确定软骨顶角；
根据骨顶角、软骨顶角、以及预设的髋关节分型模板，确定待测对象的髋关节类型。
在其中一个实施例中，基于髋关节分割图像，确定骨顶线及软骨顶线，包括：
根据预设基线，将髋关节分割图像分割为第一图像和第二图像；预设基线为基于髂骨区域图像中髂骨的质心的纵坐标所形成的直线，第一图像为包括盂唇的部分髋关节图像；
从第二图像中确定上边线的凸缘点，并基于凸缘点和上边线的终点生成骨顶线；
从第一图像中确定盂唇中点，并基于凸缘点和盂唇中点，生成软骨顶线。
在其中一个实施例中，从第二图像中确定上边线的凸缘点，包括：
确定第二图像中的上边线，并提取上边线上的点构成骨顶线点集；
根据骨顶线点集中的各个点以及预设斜率，生成各个点分别对应的直线；预设斜率为基于骨顶线点集中的各个点结合最小二乘法拟合得到的线段的斜率；
从各个点分别对应的直线中选择目标直线，并将目标直线对应的点确定为凸缘点；骨顶线点集中的各个点均在目标直线的下方。
第二方面，本申请还提供了一种髋关节分型装置。该装置包括：
获取模块，用于获取待测对象的原始超声图像；该原始超声图像为待测对象的髋关节对应的超声图像；
提取模块，用于从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；
确定模块，用于将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行所述计算机程序时实现上述第一方面中的髋关节分型方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中的髋关节分型方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中的髋关节分型方法的步骤。
上述髋关节分型方法、装置、计算机设备、存储介质和计算机程序产品，计算机设备通过获取待测对象的髋关节对应的原始超声图像，接着，从该原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，并将该髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型；也就是说，本申请实施例中提供的髋关节分型方法，是通过从完整的超声图像中分割出髂骨所在区域，得到髂骨区域图像，进而将该髂骨区域图像输入至活动轮廓模型中进行图像分析，即本申请的方法中，活动轮廓模型无需再对整个髋关节超声图像进行图像分析，而仅需对整个髋关节超声图像中的关键区域所在的部分图像进行图像分析即可，能够大大提高活动轮廓模型的处理速率；同时，采用本申请的方法进行髋关节识别时，由于预先从整个髋关节超声图像中提取出了髂骨所在区域，也就是预先从整个髋关节超声图像中确定出了髋关节的感兴趣区域，因此，在后续输入至活动轮廓模型进行图像处理时，能够大大提高髋关节分割的准确性，提高图像处理的精度，进而能够大大提高图像处理的效率。
附图说明
图1为一个实施例中髋关节分型方法的应用环境图；
图2为一个实施例中髋关节分型方法的流程示意图；
图3为另一个实施例中髋关节分型方法的流程示意图；
图4为另一个实施例中髋关节分型方法的流程示意图；
图5为另一个实施例中髋关节分型方法的流程示意图；
图6为另一个实施例中髋关节分型方法的流程示意图；
图7为另一个实施例中髋关节分型方法的流程示意图；
图8为另一个实施例中髋关节分型方法的流程示意图；
图9为另一个实施例中髋关节分型方法的流程示意图；
图10为另一个实施例中髋关节分型方法的流程示意图；
图11为一个实施例中髋关节分型系统的结构示意图；
图12为一个实施例中髋关节分型方法的流程结构示意图；
图13为一个实施例中待测对象的原始超声图像；
图14为一个实施例中原始超声图像对应的二值分割图像；
图15为一个实施例中原始超声图像对应的目标连通域图像；
图16为一个实施例中连通域筛选的流程结构示意图；
图17为一个实施例中原始超声图像中的髂骨区域图像；
图18为一个实施例中髂骨区域图像对应的髋关节分割图像；
图19为一个实施例中仅包括髋关节轮廓的髋关节分割图像；
图20为一个实施例中原始超声图像对应的髋关节分型效果图；
图21为一个实施例中髋关节分型装置的结构框图；
图22为一个实施例中计算机设备的内部结构图。
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。
首先，在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。对于新生儿髋关节的角度测量的方法由传统的手动测量方法逐渐转换为自动测量方法；其中，手动测量方法需要医生基于新生儿髋关节的超声图像，手动选取髋关节部位的五个解剖点，并利用五个解剖点自动计算髋关节的骨顶角和软骨顶角，其中，五个解剖点分别为股直肌反折头与髂骨骨膜移行处上缘、股直肌反折头与髂骨骨膜移行处下缘、骨缘转折点、髂骨支下缘最低点和盂唇中点；对于手动测量方法，测量结果较为主观，准确性高度依赖于医生的经验，另外，医生操作频繁，工作效率低。
自动测量方法包括基于图像处理的自动测量方法和基于深度学习的自动测量方法；其中，基于图像处理的自动测量方法包括基于区域的活动轮廓模型的图像处理方法，其处理过程大致为：对新生儿的髋关节超声图像进行初步处理后，运用基于区域的活动轮廓模型进行图像分割，获取髋关节组织轮廓，进而利用直线拟合的方式获取骨顶角与软骨顶角；该方法是直接使用初步预处理的超声图像，输入至活动轮廓模型，对于速度和精度都有较大的影响。另一种基于图像处理的自动测量方法，其处理过程可以包括：对输入的超声图像进行均值滤波后，手动获取感兴趣区域，再结合图像增强以及二值化策略，进而结合直线拟合的方式获取骨顶角与软骨顶角；该方法属于一种半自动测量方法，依赖于手动获取ROI区域，增加了工作量。
基于深度学习的自动测量方法，是通过获取新生儿髋关节目标关键点的位置以及目标测量值，并将上述信息送入深度学习网络中进行训练获取网络模型，实现输入超声图像，输出目标位置的功能。但该方法依赖于庞大的超声图像数据，但往往涉及到病患隐私以及数据量较少等问题，难以实施或依据少量数据难以有较为明显的效果。
针对传统新生儿髋关节的角度测量方法所存在的技术问题，本申请提出了一种髋关节分型方法，当超声医师获取到新生儿髋关节超声图像时，能够一键完成髋关节的角度测量以及髋关节分型，不仅能够大幅提升医生测量速度，提高髋关节分型处理效率，而且还能保证分型结果的客观性以及准确性。
下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。
本申请实施例提供的髋关节分型方法，可以应用于如图1所示的应用环境中。该应用环境中包括计算机设备102，该计算机设备可以为超声设备，也可以为与超声设备通信连接的服务器，还可以为与超声设备通信连接的终端设备，当然，还可以为与服务器通信连接的终端设备等；示例性地，超声设备采集到待测对象的原始超声图像之后，将该原始超声图像上传至服务器中，使得终端设备可以从服务器中获取到待测对象的原始超声图像，并基于该原始超声图像确定待测对象的髋关节分型。其中，终端设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种髋关节分型方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤201，获取待测对象的原始超声图像。
其中，该原始超声图像为待测对象的髋关节对应的超声图像，如：髋关节对应的冠状位超声图像，该超声图像可以为彩色图像，也可以为灰度图像。
可选地，计算机设备可以从超声设备中获取超声设备所采集的待测对象的髋关节对应的超声图像，也可以从服务器中获取待测对象的髋关节对应的超声图像，当然，计算机设备还可以获取超声设备所采集的待测对象的髋关节对应的原始超声数据，并基于待测对象的髋关节对应的原始超声数据，重建得到待测对象的髋关节对应的超声图像。可选地，计算机设备还可以获取待测对象的局部或者全身的超声图像，并从该局部或者全身的超声图像中截取髋关节对应的超声图像；需要说明的是，本申请实施例中对获取待测对象的髋关节原始超声图像的方式并不做具体限定。
步骤202，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像。
其中，髂骨是髋骨的组成部分之一，构成髋骨的后上部，分为髂骨体和髂骨翼两部分。
可选地，计算机设备可以将待测对象的髋关节对应的原始超声图像输入至预设的图像分割模型中，输出得到待测对象的髋关节对应的髂骨区域图像；该预设的图像分割模型可以为基于阈值的图像分割模型、基于区域的图像分割模型、基于边缘的图像分割模型、基于能量泛函的图像分割模型(如活动轮廓模型)、基于深度学习/神经网络的图像分割模型、或者基于机器学习的图像分割模型等；本申请实施例中对预设的图像分割模型的类型和实现原理并不做具体限定，只要该预设的图像分割模型能够从髋关节的原始超声图像中分割出髂骨区域图像即可。
可选地，计算机设备也可以采用基本的图像处理操作，对原始超声图像进行图像分析，从而能够从原始超声图像中提取出待测对象的髋关节对应的髂骨区域图像，该图像处理操作包括但不限于图像滤波、图像平滑、图像的几何变换、图像形态学处理等。
步骤203，将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型。
可选地，计算机设备可以将待测对象的髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像，接着，可以将该髋关节分割图像输入至预设分型算法中，输出得到待测对象的髋关节类型，其中，该预设的活动轮廓模型可以为基于髂骨区域图像样本和其对应的髋关节标签所训练得到的。需要说明的是，该预设分型算法也可以嵌入到该预设的活动轮廓模型中，也就是说，该预设的活动轮廓模型可以直接输出待测对象的髋关节类型。
另外，对于该预设分型算法，在一个可选的实现方式中，计算机设备在得到髋关节分割图像之后，可以从该髋关节分割图像中，确定出骨顶角和软骨顶角，接着，从髋关节类型的预设对应关系中，确定出与该骨顶角和该软骨顶角对应的髋关节类型；其中，髋关节类型的预设对应关系中包括不同的骨顶角、不同的软骨顶角以及不同的髋关节类型之间的对应关系。
上述髋关节分型方法中，计算机设备通过获取待测对象的髋关节对应的原始超声图像，接着，从该原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，并将该髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型；也就是说，本申请实施例中提供的髋关节分型方法，是通过从完整的超声图像中分割出髂骨所在区域，得到髂骨区域图像，进而将该髂骨区域图像输入至活动轮廓模型中进行图像分析，即本申请的方法中，活动轮廓模型无需再对整个髋关节超声图像进行图像分析，而仅需对整个髋关节超声图像中的关键区域所在的部分图像进行图像分析即可，能够大大提高活动轮廓模型的处理速率；同时，采用本申请的方法进行髋关节识别时，由于预先从整个髋关节超声图像中提取出了髂骨所在区域，也就是预先从整个髋关节超声图像中确定出了髋关节的感兴趣区域，因此，在后续输入至活动轮廓模型进行图像处理时，能够大大提高髋关节分割的准确性，提高图像处理的精度，进而能够大大提高图像处理的效率。
图3为另一个实施例中髋关节分型方法的流程示意图。本实施例涉及的是计算机设备从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像的一种可选的实现过程，在上述实施例的基础上，如图3所示，上述步骤202包括：
步骤301，对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像。
可选地，计算机设备可以采用简单、速度快的阈值分割，对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像；其中，阈值分割可以包括最大熵阈值分割、大津法阈值分割、自适应阈值分割以及固定阈值分割等，示例性地，采用最大熵阈值分割对原始超声图像进行二值化处理，所得到的二值图像能够大致将髂骨区域分割出来。
其中，最大熵阈值分割法利用图像灰度概率信息，获取图像二值化分割阈值，进而实现图像分割。假设图像的分割阈值为t，图像灰度小于t的像素点构成背景区域B，大于等于t的像素点构成目标区域T，各个灰度级的概率分布为：
Figure BDA0003866652940000071
Figure BDA0003866652940000072
其中，PB(i)表示背景区域内各像素点的概率分布，PT(i)表示目标区域内各像素点的概率分布，
Figure BDA0003866652940000073
表示小于等于分割阈值t的像素点的概率，Pi为像素值为i的概率，L为图像灰度级数，背景和前景对应的信息熵可表示为：
Figure BDA0003866652940000074
Figure BDA0003866652940000075
其中，H(B)为背景对应的信息熵，H(T)为前景对应的信息熵。对于图像信息熵的总和为H(t)＝H(T)+H(B)。遍历0-255像素值t作为分割阈值，统计每个阈值下的信息熵总和，使用取得最大值时的t作为分割阈值，此时两部分背景和前景能够保持最大的信息量；至此便可基于该分割阈值t对原始超声图像进行二值化分割，得到最大熵分割图像，即原始超声图像对应的二值图像。
步骤302，对二值图像进行连通域分析，确定目标连通域。
在对原始超声图像进行二值化分割之后，能够大致将髂骨区域分割出来，但仍存在一系列的干扰轮廓，因此，需对原始超声图像对应的二值图像进行连通域分析，以筛选出髂骨区域所对应的目标连通域；换句话说，该目标连通域为髂骨所在区域对应的连通域。
可选地，可以通过对髂骨区域的特征分析，确定出与该髂骨区域对应的连通域的第一预设筛选规则，其中，该第一预设筛选规则可以是与髂骨区域的面积、髂骨区域的质心、髂骨区域的长度等中的至少一个相关的筛选规则；那么，可以基于该第一预设筛选规则，对二值图像进行连通域分析，确定目标连通域。可选地，计算机设备可以对该二值图像进行连通域分析，确定出该二值图像中的所有连通域，接着，基于该第一预设筛选规则，从所有连通域中确定出满足该第一预设筛选规则的候选连通域，最后，根据该候选连通域，确定与髂骨区域对应的目标连通域。
可选地，在该候选连通域包括一个的情况下，可以将该候选连通域作为该目标连通域；在该候选连通域包括多个的情况下，可以将该多个候选连通域中的任一个作为该目标连通域；在多个候选连通域存在交集的情况下，也可以将该多个存在交集的候选连通域进行合并处理，并将合并后的连通域作为该目标连通域；还可以按照第二预设筛选规则，从多个候选连通域中筛选出与髂骨区域对应的目标连通域；可选地，该第二预设筛选规则可以是与连通域的面积、连通域的长宽比、连通域内的平均像素强度等至少一个相关的筛选规则。
步骤303，根据目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像。
可选地，计算机设备可以从原始超声图像中截取该目标连通域所对应的部分区域图像，作为待测对象的髋关节对应的髂骨区域图像。在一种实现方式中，该目标连通域可能并非一个矩形区域，这种情况下，可以根据该目标连通域，确定出与该目标连通域对应的矩形区域，接着，再从原始超声图像中截取该矩形区域所对应的部分区域图像，作为待测对象的髋关节对应的髂骨区域图像。
可选地，计算机设备可以基于该目标连通域，确定出与该目标连通域相切的矩形区域，其中，该矩形区域将该目标连通域包围在内；计算机设备还可以先确定出该目标连通域的质心位置，接着，基于该质心位置和预设尺寸，该预设尺寸包括预设长度和预设宽度，确定出以该质心位置为中心、以预设尺寸为大小的矩形区域。当然，还可以采用其他方式，本申请实施例对根据目标连通域确定矩形区域的方式并不做具体限定。
本实施例中，计算机设备通过对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像；接着，对该二值图像进行连通域分析，确定髂骨区域对应的目标连通域；最后，根据髂骨区域对应的目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；即本实施例中提供了一种髂骨区域图像的获取方式，为髂骨区域图像的获取提供了可实施性依据。
在本申请的一个可选的实施例中，计算机设备在执行上述步骤301时，在对原始超声图像进行二值化处理之前，还可以先对原始超声图像进行滤波处理，以平滑图像，能够在一定程度上抑制原始超声图像中的斑点噪声，提升后续的图像分割过程的精度，以及减少连通域筛选过程中的干扰。在上述实施例的基础上，如图4所示，上述步骤301包括：
步骤401，采用预设滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像。
可选地，该预设滤波算法可以包括均值滤波、高斯滤波、中值滤波或者各向异性扩散滤波等，本申请实施例中对预设滤波算法的类型不做具体限定。
步骤402，采用预设阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像。
可选地，该预设阈值分割算法可以包括最大熵阈值分割、大津法阈值分割、自适应阈值分割以及固定阈值分割等，本申请实施例中对预设阈值分割算法的类型也不做具体限定。
示例性地，计算机设备可以采用中值滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像，接着，采用最大熵阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像。
本实施例中，计算机设备在对原始超声图像进行二值化处理之前，先采用预设滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像；接着，再采用预设阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像；能够减少原始超声图像中的噪声，达到平滑处理的效果，进而，能够提高后续图像分割和连通域筛选的精度，避免噪声干扰。
图5为另一个实施例中髋关节分型方法的流程示意图。本实施例涉及的是计算机设备对二值图像进行连通域分析，确定目标连通域的一种可选的实现过程，在上述实施例的基础上，如图5所示，上述步骤302包括：
步骤501，从二值图像中提取满足第一预设条件的候选连通域。
其中，第一预设条件可以包括多个维度的条件，多个维度的条件可以包括连通域的面积达到预设面积阈值的条件、连通域的质心位于预设位置的条件、连通域的长度达到预设长度阈值的条件中的至少两个。
也就是说，该第一预设条件包括至少两个筛选条件，在从二值图像中提取满足该第一预设条件的候选连通域时，该候选连通域应同时满足该至少两个筛选条件。
可选地，计算机设备可以对该二值图像进行连通域分析，确定出该二值图像中的所有连通域，接着，针对每个连通域，判断该连通域是否同时满足该第一预设条件中的各个条件，若连通域同时满足该第一预设条件中的各个条件，则将该连通域确定为候选连通域，若存在第一预设条件中的任一个条件不满足，则说明该连通域不符合筛选条件。
步骤502，在提取到满足第一预设条件的候选连通域的情况下，根据候选连通域确定目标连通域。
也就是说，在存在满足第一预设条件的候选连通域的情况下，可以进一步根据候选连通域再确定出髂骨区域对应的目标连通域。
可选地，在候选连通域的数量为一个的情况下，可以将候选连通域作为目标连通域，或者，将候选连通域的变形连通域(如与候选连通域相切的矩形区域)作为目标连通域；在候选连通域的数量为多个的情况下，可以从候选连通域中确定满足第二预设条件的目标连通域，或者，根据多个候选连通域，确定目标连通域；例如：通过对多个候选连通域进行融合处理，来得到目标连通域。
在一个可选的实现方式中，针对从候选连通域中确定满足第二预设条件的目标连通域的方案，其中，该第二预设条件可以为鉴别分数最高的条件，也就是说，对各个候选连通域进行鉴别分析，得到各个候选连通域对应的鉴别分数，将鉴别分数最高的候选连通域作为该目标连通域。
可选地，如图6所示，计算机设备从候选连通域中确定满足第二预设条件的目标连通域，可以包括：
步骤601，针对各候选连通域，从原始超声图像中确定候选连通域对应的候选图像。
步骤602，根据该候选图像和预设鉴别算法，计算该候选图像对应的鉴别分数。
可选地，该预设鉴别算法可以是与连通域的距离相关的鉴别算法，该预设鉴别算法的计算公式可以如公式(5)所示。
Figure BDA0003866652940000101
其中，S为连通域对应的鉴别分数，N为连通域中像素点的数量，i为像素点，I为原始超声图像中连通域对应区域内各像素点的平均像素强度，R为连通域的长宽比，θ为连通域的主轴方向。
在计算连通域的长宽比R时，需要用到连通域的中心距，连通域的中心距的计算公式如公式(6)所示。
Figure BDA0003866652940000102
其中，mpq是指图像的矩，p+q代表阶数，如二阶矩包括m20、m02、m11等，x、y均是来自连通域中的坐标，
Figure BDA0003866652940000103
和
Figure BDA0003866652940000104
是重心坐标，Ixy为原始超声图像中连通域对应区域内像素点的像素强度，
基于此，连通域的长宽比R的计算公式如公式(7)所示。
Figure BDA0003866652940000105
其中，m20、m02、m11均为图像的二阶矩。
另外，对于连通域的主轴方向θ，其计算方式可以包括拉东变换、利用二阶中心矩计算、或者使用最小二乘法拟合连通域轮廓点集获取直线进而计算主轴方向等。
步骤603，将鉴别分数最高的候选图像对应的候选连通域作为目标连通域。
至此，通过二次筛选，即可从多个候选连通域中确定出与髂骨区域对应的目标连通域。
步骤503，在未提取到满足第一预设条件的候选连通域的情况下，对第一预设条件进行降维处理，得到更新后的条件，并将更新后的条件作为第一预设条件，重新执行从二值图像中提取满足第一预设条件的候选连通域的步骤，直到从二值图像中提取到满足第一预设条件的候选连通域或第一预设条件的维度为一维为止。
也就是说，在通过多个筛选条件进行连通域筛选时，如果不存在满足多个筛选条件的候选连通域的情况下，可以减少筛选条件，重新进行连通域筛选；可选地，在对第一预设条件进行降维处理，即减少该第一预设条件中的筛选条件时，可以按照各个筛选条件的重要程度，优先去除重要程度低的筛选条件。
示例性地，在该第一预设条件包括连通域的面积达到预设面积阈值的面积条件、连通域的质心位于预设位置的质心条件、以及连通域的长度达到预设长度阈值的长度条件的情况下，若不存在满足该第一预设条件的候选连通域的情况下，可以优先去除长度条件，即将面积条件和质心条件作为第一预设条件，重新进行连通域的筛选；若还是不存在同时满足面积条件和质心条件的候选连通域，则此时可以去除面积条件，将质心条件作为第一预设条件，并重新进行连通域的筛选，若此时依旧不存在满足质心条件的候选连通域，则可以返回重新执行对原始超声图像进行二值化处理的步骤，重新确定二值图像，并基于新的二值图像，按照上述筛选过程执行连通域的筛选操作，直至存在满足第一预设条件的候选连通域为止。
接着，在确定出候选连通域之后，可以从候选连通域中确定满足第二预设条件的目标连通域，其具体实现方式可以参照上述步骤502的相关内容描述，在此不再赘述。
本实施例中，计算机设备先从二值图像中提取满足包括多个维度条件的第一预设条件的候选连通域；在提取到满足第一预设条件的候选连通域的情况下，从候选连通域中确定满足第二预设条件的目标连通域；在未提取到满足第一预设条件的候选连通域的情况下，对第一预设条件进行降维处理，得到更新后的条件，并将更新后的条件作为第一预设条件，重新执行从二值图像中提取满足第一预设条件的候选连通域的步骤，直到从二值图像中提取到满足第一预设条件的候选连通域或第一预设条件的维度为一维为止；采用该方式，能够提高髂骨区域分割的准确性。
图7为另一个实施例中髋关节分型方法的流程示意图。本实施例涉及的是计算机设备根据目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像的一种可选的实现过程，在上述实施例的基础上，如图7所示，上述步骤303包括：
步骤701，基于原始超声图像，确定目标连通域的质心位置。
可选地，计算机设备可以根据目标连通域在二值图像中的位置，从原始超声图像中确定出该目标连通域对应的图像区域，对该原始超声图像中该目标连通域对应的图像区域进行分析，确定出该目标连通域对应的质心位置。
步骤702，基于目标连通域的质心位置结合预设尺寸，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像。
其中，该预设尺寸与原始超声图像的尺寸相关。可选地，计算机设备可以通过对超声图像和超声图像中的髂骨区域的图像大小分析，确定出髂骨区域的图像大小与超声图像的图像大小之间的比例关系，例如：髂骨区域的图像宽度可以为超声图像的图像宽度的1/2，髂骨区域的图像高度可以为超声图像的图像宽度的4/5。
基于此，计算机设备根据该比例关系和待测对象的原始超声图像的图像尺寸，即可确定出髂骨区域图像对应的预设尺寸。进而，基于目标连通域的质心位置和该预设尺寸，即可确定出原始超声图像中以该目标连通域的质心位置为中心的预设尺寸大小的图像区域，将该图像区域从原始超声图像中截取出来，即可得到待测对象的髋关节对应的髂骨区域图像。
本实施例中，计算机设备基于原始超声图像，确定目标连通域的质心位置，并基于目标连通域的质心位置结合预设尺寸，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；其中，该预设尺寸与原始超声图像的尺寸相关；采用该方式，能够得到准确的髂骨区域图像，提高髂骨区域图像分割的准确性。
图8为另一个实施例中髋关节分型方法的流程示意图。本实施例涉及的是计算机设备将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型的一种可选的实现过程，在上述实施例的基础上，如图8所示，上述步骤203包括：
步骤801，将髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像。
其中，该预设的活动轮廓模型为基于髂骨区域样本图像和该髂骨区域样本图像对应的金标准髋关节分割图像所训练得到的。
活动轮廓模型是通过迭代的方式进行分割，其中包含多种分割方式，如：Snake分割模型、水平集分割等。示例性地，本申请实施例中采用水平集分割方式。水平集是跟踪轮廓和表面运动的一种数字化方法，它不直接对轮廓进行操作，而是将轮廓转换成一个高维函数的零水平集。这个高维函数叫做水平集函数。然后对该水平集函数进行微分，通过从输出中提取零水平集来得到运动的轮廓。假设输入图像为u0，将目标轮廓曲线称为C，通过C将图像划分为曲线内和曲线外两部分，关于曲线C的能量函数表示为：
F(C)＝μ·Length(C)+v·Area(inside(C))+λ1∫inside(C)|u0(x，y)-c1|2dxdy+λ2∫outside(C)|u0(x，y)-c2|2dxdy (8)
其中，μ、v、λ1、λ2均为权值，常数c1为曲线C的内部像素点的均值，常数c2为曲线C的外部像素点的均值，Length(C)为曲线C的长度，Area(inside(C))为曲线C的内部面积，inside(C)表示曲线C的内部，outside(C)表示曲线C的外部，u0(x，y)为输入图像u0的像素点。水平集算法通过迭代的方式最小化能量函数来获取目标轮廓，进而实现分割。
将公式(8)转换成为关于水平集函数φ的能量函数，可表示为：
Figure BDA0003866652940000131
其中Heaviside函数Hε(φ(x，y))和Delta函数δε(φ(x，y))分别为：
Figure BDA0003866652940000132
Figure BDA0003866652940000133
其中，z为φ(x，y)，c1和c2可以通过φ求出，即：
Figure BDA0003866652940000134
固定c1和c2保持不变，使得F∈相对于φ最小，通过变分法得到欧拉-拉格朗日公式：
Figure BDA0003866652940000135
φ(0，x，y)＝φ0(x，y)inΩ，
Figure BDA0003866652940000136
由此可见，水平集算法步骤主要包含以下五个步骤：
(1)初始化φ0＝φ0，n＝0；
(2)根据公式(12)计算均值c1和c2；
(3)根据公式(13)的偏微分方程求解φn+1；
(4)利用φn+1重新初始化φ；
(5)检查是否收敛，是则停止，否则重复步骤(2)。
水平集算法过程主要是通过迭代求取能量函数最小值，以达到曲线演化的目的，直至达到设定的迭代次数，则跳出循环。
步骤802，基于髋关节分割图像，确定骨顶线和软骨顶线。
其中，骨顶线为骨缘转折点与髂骨支下缘最低点之间的连线，软骨顶线为骨缘转折点与盂唇中点之间的连线。
可选地，计算机设备可以基于髋关节分割图像，确定出骨缘转折点、髂骨支下缘最低点、以及盂唇中点等三个解剖点，接着，基于骨缘转折点与髂骨支下缘最低点，生成骨顶线，以及基于骨缘转折点与盂唇中点，生成软骨顶线。
在一种实现方式中，如图9所示，确定骨缘转折点、髂骨支下缘最低点、以及盂唇中点，三个解剖点的方式可以包括：
步骤901，根据预设基线，将髋关节分割图像分割为第一图像和第二图像。
其中，预设基线为基于髂骨区域图像中髂骨的质心的纵坐标所形成的直线，第一图像为包括盂唇的部分髋关节图像。该髂骨区域图像中髂骨的质心即为上述步骤701中所确定出的目标连通域的质心位置，基于该目标连通域的质心位置的纵坐标所形成的直线即为预设基线，也就是确定髋关节骨顶角和软骨顶角的基线。
基于该预设基线，可以将髋关节分割图像分割为髋关节上半部分对应的第一图像和髋关节下半部分对应的第二图像。
步骤902，从第二图像中确定上边线的凸缘点，并基于凸缘点和上边线的终点生成骨顶线。
其中，上边线的凸缘点即为上述骨缘转折点，上边线的终点即为上述髂骨支下缘最低点。
步骤903，从第一图像中确定盂唇中点，并基于凸缘点和盂唇中点，生成软骨顶线。
可选地，计算机设备可以对第一图像进行形态学处理和逻辑筛选，分割出盂唇所在区域的图像，并基于该图像确定出盂唇所在区域的质心，并将该质心确定为盂唇中点。
在确定出盂唇中点之后，基于步骤902中所确定出的凸缘点和该盂唇中点，生成软骨顶线。
步骤803，根据骨顶线的斜率确定骨顶角，以及根据软骨顶线的斜率确定软骨顶角。
其中，骨顶角为预设基线与骨顶线所形成的处于第四象限的夹角，软骨顶角为预设基线与软骨顶线所形成的处于第一象限的夹角。
在确定出骨顶线之后，通过坐标计算可以计算得到骨顶线的斜率，同样地，在确定出软骨顶线之后，可以计算得到软骨顶线的斜率。接着，根据骨顶线的斜率计算骨顶角α的方式可以如公式(14)所示，根据软骨顶线的斜率计算软骨顶角β的方式可以如公式(15)所示。
Figure BDA0003866652940000141
Figure BDA0003866652940000142
其中，k1为骨顶线的斜率，k2为软骨顶线的斜率。
步骤804，根据骨顶角、软骨顶角、以及预设的髋关节分型模板，确定待测对象的髋关节类型。
其中，预设的髋关节分型模板可以如表1所示。
表1
Figure BDA0003866652940000151
如表1所示，不同的骨顶角α和不同的软骨顶角β，对应不同的髋关节类型，通过查询该预设的髋关节分型模板，可以确定出与骨顶角和软骨顶角对应的待测对象的髋关节类型。
本实施中，计算机设备通过将髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像；接着，基于髋关节分割图像，确定骨顶线和软骨顶线；并根据骨顶线的斜率确定骨顶角，以及根据软骨顶线的斜率确定软骨顶角；进而，根据骨顶角、软骨顶角、以及预设的髋关节分型模板，确定待测对象的髋关节类型；采用本实施例中的方法，将髋关节的感兴趣区域，即髂骨区域图像作为髋关节分割的输入图像，能够缩短计算时间，提高分割速率及分割精度，进而能够提高髋关节分型的准确性和处理效率。
图10为另一个实施例中髋关节分型方法的流程示意图。本实施例涉及的是计算机设备从第二图像中确定上边线的凸缘点的一种可选的实现过程，在上述实施例的基础上，如图10所示，上述步骤902包括：
步骤1001，确定第二图像中的上边线，并提取上边线上的点构成骨顶线点集。
其中，该第二图像中的上边线为髂骨支下缘对应的上边界线。
可选地，按照预设间隔，提取上边线上的第一个点到最后一个点之间的多个点构成骨顶线点集。
步骤1002，根据骨顶线点集中的各个点以及预设斜率，生成各个点分别对应的直线。
其中，预设斜率为基于骨顶线点集中的各个点结合最小二乘法拟合得到的线段的斜率。也就是说，利用最小二乘法直线拟合骨顶线点集，得到拟合后的直线以及该直线的斜率，将该直线的斜率作为预设斜率。
基于此，利用该预设斜率，结合骨顶线点集，得到骨顶线点集中的各个点分别对应的直线。
步骤1003，从各个点分别对应的直线中选择目标直线，并将目标直线对应的点确定为凸缘点。
其中，骨顶线点集中的各个点均在目标直线的下方。
可选地，计算机设备可以对每个点的直线的纵坐标进行排序，确保骨顶线点集上的所有点全部都在某一条目标直线的左下方，那么，该目标直线对应的骨顶线点集中的坐标点即为凸缘点，将骨顶线点集中纵坐标最大值的点视作为上边线的终点，接着，连接凸缘点与终点即可得到骨顶线，并计算得到骨顶线的斜率。
本实施例中，计算机设备通过确定第二图像中的上边线，并提取上边线上的点构成骨顶线点集；并根据骨顶线点集中的各个点以及预设斜率，生成各个点分别对应的直线；接着，从各个点分别对应的直线中选择目标直线，并将目标直线对应的点确定为凸缘点；其中，骨顶线点集中的各个点均在目标直线的下方，该预设斜率为基于骨顶线点集中的各个点结合最小二乘法拟合得到的线段的斜率；即本实施例中提供了一种确定凸缘点的实现方式，提高了计算机设备自动确定凸缘点的可实施性和可操作性，且该方式能够提高计算机设备确定凸缘点的处理效率以及提高凸缘点的准确性。
在一个实施例中，还提供一种超声髋关节自动分型系统，其系统结构图如图11所示，主要分成7个部分。其中超声换能器主要是负责对信号进行发射与接收，数据接收模块主要是对电信号进行接收、放大以及模数转换，并对数据进行压缩送入波束合成模块中，波束合成模块与图像处理模块主要是对回波信号进行解析与插值形成B信号，数据存储模块则是将获取到的B信号以图像形式存储下来，将存储的原始超声图像送入图像算法模块中自动获取髋骨节分型，并最终在图像显示模块中显示分型结果。
其中，图像算法模块具体用于执行上述任一实施例中的髋关节分型方法的步骤，实现髋关节的自动分型。其实现方法可以如图12所示，整个算法流程分为五个部分：输入、髂骨区域分割、髋关节分割、髋关节分型以及输出。本申请实施例中的髋关节分型方法为全自动测量方法，医生在冻结情况下选择待测对象的合适的髋关节切面作为输入图像，最终输出的结果为待测对象的髋关节的α角、β角以及髋关节分型。其具体的实现步骤可以包括：
(1)获取待测对象的髋关节对应的原始超声图像，如图13所示。
(2)采用中值滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像；接着，采用最大熵阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像，如图14所示。
(3)对二值图像进行连通域分析，确定髂骨区域所在的目标连通域，如图15所示。参考图16，其具体实现过程可以包括：
a.从二值图像(即图16中的最大熵分割图像)中提取满足第一预设条件的候选连通域；其中，第一预设条件包括连通域的面积达到预设面积阈值的面积条件、连通域的质心位于预设位置的质心条件、连通域的长度达到预设长度阈值的长度条件。
b.在未提取到满足第一预设条件的候选连通域(即剩余轮廓数量为0)的情况下，对第一预设条件进行降维处理，得到更新后的条件，并将更新后的条件作为第一预设条件，并重新执行上述步骤1)，直到从二值图像中提取到满足第一预设条件的候选连通域或第一预设条件的维度为一维为止。其中，降维处理的顺序为先去除长度条件，再去除面积条件。
c.在提取到满足第一预设条件的候选连通域的情况下，若候选连通域的数量为一个，则将候选连通域作为目标连通域。
d.若候选连通域的数量为多个，则针对各候选连通域，从原始超声图像中确定各候选连通域对应的候选图像，并将各候选图像输入至预设鉴别器中，计算各候选图像对应的鉴别分数；进而，将鉴别分数最高的候选图像对应的候选连通域作为目标连通域。
(4)基于原始超声图像，确定目标连通域的质心位置，如图15中标记的质心位置；并基于目标连通域的质心位置结合预设尺寸，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像，如图17所示；其中，该预设尺寸与原始超声图像的尺寸相关。
(5)将髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像，如图18所示；接着，从该髋关节分割图像中筛选出髋关节轮廓，得到仅包括髋关节轮廓的髋关节分割图像，如图19所示。
(6)基于该仅包括髋关节轮廓的髋关节分割图像，确定预设基线、骨顶线和软骨顶线。其具体实现过程可以包括：
a.根据预设基线，将髋关节分割图像分割为第一图像和第二图像；其中，预设基线为基于髂骨区域图像中髂骨的质心的纵坐标所形成的直线，第一图像为包括盂唇的部分髋关节图像。
b.针对第二图像，确定第二图像中的上边线，并提取上边线上的点构成骨顶线点集；并根据骨顶线点集中的各个点以及预设斜率，生成各个点分别对应的直线；接着，从各个点分别对应的直线中选择目标直线，并将目标直线对应的点确定为凸缘点；以及将骨顶线点集中的纵坐标最大值的点视作为终点；最后，连接凸缘点和终点，生成骨顶线。
c.从第一图像中分割出盂唇所在区域，并确定该区域的质心，将该质心确定为盂唇中点，进而，连接凸缘点和盂唇中点，生成软骨顶线。
(7)根据骨顶线的斜率确定骨顶角，以及根据软骨顶线的斜率确定软骨顶角，如图20所示。
(8)根据骨顶角、软骨顶角、以及预设的髋关节分型模板，确定待测对象的髋关节类型。
采用本申请实施例中的髋关节分型方法，首先通过获取髂骨分割区域，并提取髂骨分割区域的质心，以质心位置为基准，获取髋关节的感兴趣区域，再将髋关节的感兴趣区域输入至活动轮廓模型中进行进一步细致的分割，得到髋关节分割结果；相较于将整张超声图像输入到活动轮廓模型而言，该过程能够提升活动轮廓模型算法的处理速度以及处理精度，进而提升髋关节角度测量的精度，以及提升髋关节分割的速度与精度。
另外，本实施例中提供的髋关节分型方法，仅需输入待测对象的原始超声图像即可得到髋关节分型结果，大大提高了医生诊断的工作效率，节省了病人等待时间，此外全自动方法能够使得分型结果更为客观，减少部分医生经验不足导致的误诊。而且，本申请实施例所提供的的方法，相比于深度学习方法而言，不需要依赖于大量数据进行训练，仅需依赖于少量的超声图像进行算法验证即可，大大节省算法成本。
再者，本实施例中提供的超声髋关节自动分型系统，包括从超声换能器接收信号经过波束形成转换成B模式图像到数据存储、图像算法处理以及显示结果的整个流程，提高了系统的完整性和可靠性。
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的髋关节分型方法的髋关节分型装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个髋关节分型装置实施例中的具体限定可以参见上文中对于髋关节分型方法的限定，在此不再赘述。
在一个实施例中，如图21所示，提供了一种髋关节分型装置，包括：获取模块2101、提取模块2102和确定模块2103，其中：
获取模块2101，用于获取待测对象的原始超声图像；该原始超声图像为待测对象的髋关节对应的超声图像；
提取模块2102，用于从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；
确定模块2103，用于将髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到待测对象的髋关节类型。
在其中一个实施例中，上述提取模块2102包括获取单元、确定单元和提取单元；其中，获取单元，用于对原始超声图像进行二值化处理，得到原始超声图像对应的二值图像；确定单元，用于对二值图像进行连通域分析，确定目标连通域；提取单元，用于根据目标连通域，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像。
在其中一个实施例中，上述获取单元，具体用于采用预设滤波算法，对原始超声图像进行滤波处理，得到滤波处理后的超声图像；采用预设阈值分割算法，对滤波处理后的超声图像进行二值分割处理，得到原始超声图像对应的二值图像。
在其中一个实施例中，上述确定单元，具体用于从二值图像中提取满足第一预设条件的候选连通域；在提取到满足第一预设条件的候选连通域的情况下，根据候选连通域确定目标连通域；在未提取到满足第一预设条件的候选连通域的情况下，对第一预设条件进行降维处理，得到更新后的条件，并将更新后的条件作为第一预设条件，重新执行从二值图像中提取满足第一预设条件的候选连通域的步骤，直到从二值图像中提取到满足第一预设条件的候选连通域或第一预设条件的维度为一维为止；其中，第一预设条件包括多个维度的条件，多个维度的条件包括连通域的面积达到预设面积阈值的条件、连通域的质心位于预设位置的条件、连通域的长度达到预设长度阈值的条件中的至少两个。
在其中一个实施例中，上述确定单元，具体用于在候选连通域的数量为一个的情况下，将候选连通域作为目标连通域；在候选连通域的数量为多个的情况下，从候选连通域中确定满足第二预设条件的目标连通域。
在其中一个实施例中，第二预设条件为鉴别分数最高的条件，上述确定单元，具体用于针对各候选连通域，从原始超声图像中确定候选连通域对应的候选图像；根据该候选图像和预设鉴别算法，计算该候选图像对应的鉴别分数；将鉴别分数最高的候选图像对应的候选连通域作为目标连通域。
在其中一个实施例中，上述提取单元，具体用于基于原始超声图像，确定目标连通域的质心位置；基于目标连通域的质心位置结合预设尺寸，从原始超声图像中提取待测对象的髋关节对应的髂骨区域图像；该预设尺寸与原始超声图像的尺寸相关。
在其中一个实施例中，上述确定模块2103，具体用于将髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像；基于髋关节分割图像，确定骨顶线和软骨顶线；根据骨顶线的斜率确定骨顶角，以及根据软骨顶线的斜率确定软骨顶角；根据骨顶角、软骨顶角、以及预设的髋关节分型模板，确定待测对象的髋关节类型。
在其中一个实施例中，上述确定模块2103，具体用于根据预设基线，将髋关节分割图像分割为第一图像和第二图像；从第二图像中确定上边线的凸缘点，并基于凸缘点和上边线的终点生成骨顶线；从第一图像中确定盂唇中点，并基于凸缘点和盂唇中点，生成软骨顶线；其中，预设基线为基于髂骨区域图像中髂骨的质心的纵坐标所形成的直线，第一图像为包括盂唇的部分髋关节图像。
在其中一个实施例中，上述确定模块2103，具体用于确定第二图像中的上边线，并提取上边线上的点构成骨顶线点集；根据骨顶线点集中的各个点以及预设斜率，生成各个点分别对应的直线；从各个点分别对应的直线中选择目标直线，并将目标直线对应的点确定为凸缘点；骨顶线点集中的各个点均在目标直线的下方；预设斜率为基于骨顶线点集中的各个点结合最小二乘法拟合得到的线段的斜率。
上述髋关节分型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，该计算机设备可以为超声设备，也可以为与超声设备通信连接的服务器，还可以为与超声设备通信连接的终端设备，当然，还可以为与服务器通信连接的终端设备等，在该计算机设备为终端设备的情况下，其内部结构图可以如图22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、移动蜂窝网络、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髋关节分型方法。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22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。
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上述任一实施例中的髋关节分型方法的步骤。
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上述任一实施例中的髋关节分型方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中的髋关节分型方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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、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-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种髋关节分型方法，其特征在于，所述方法包括：
获取待测对象的原始超声图像；所述原始超声图像为所述待测对象的髋关节对应的超声图像；
从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像；
将所述髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到所述待测对象的髋关节类型。
2.根据权利要求1所述的方法，其特征在于，所述从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像，包括：
对所述原始超声图像进行二值化处理，得到所述原始超声图像对应的二值图像；
对所述二值图像进行连通域分析，确定目标连通域；
根据所述目标连通域，从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述原始超声图像进行二值化处理，得到所述原始超声图像对应的二值图像，包括：
采用预设滤波算法，对所述原始超声图像进行滤波处理，得到滤波处理后的超声图像；
采用预设阈值分割算法，对所述滤波处理后的超声图像进行二值分割处理，得到所述原始超声图像对应的二值图像。
4.根据权利要求2所述的方法，其特征在于，所述对所述二值图像进行连通域分析，确定目标连通域，包括：
从所述二值图像中提取满足第一预设条件的候选连通域；其中，所述第一预设条件包括多个维度的条件，所述多个维度的条件包括连通域的面积达到预设面积阈值的条件、连通域的质心位于预设位置的条件、连通域的长度达到预设长度阈值的条件中的至少两个；
若提取到满足第一预设条件的候选连通域，则根据所述候选连通域确定目标连通域；
若未提取到满足第一预设条件的候选连通域，则对所述第一预设条件进行降维处理，得到更新后的条件，并将所述更新后的条件作为所述第一预设条件，重新执行从所述二值图像中提取满足第一预设条件的候选连通域的步骤，直到从所述二值图像中提取到满足第一预设条件的候选连通域或所述第一预设条件的维度为一维为止。
5.根据权利要求4所述的方法，其特征在于，所述根据所述候选连通域确定目标连通域，包括：
若所述候选连通域的数量为一个，则将所述候选连通域作为所述目标连通域；
若所述候选连通域的数量为多个，则从所述候选连通域中确定满足第二预设条件的目标连通域。
6.根据权利要求5所述的方法，其特征在于，所述第二预设条件为鉴别分数最高的条件，所述从所述候选连通域中确定满足第二预设条件的目标连通域，包括：
针对各所述候选连通域，从所述原始超声图像中确定所述候选连通域对应的候选图像；
根据所述候选图像和预设鉴别算法，计算所述候选图像对应的鉴别分数；
将鉴别分数最高的所述候选图像对应的所述候选连通域作为所述目标连通域。
7.根据权利要求2所述的方法，其特征在于，所述根据所述目标连通域，从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像，包括：
基于所述原始超声图像，确定所述目标连通域的质心位置；
基于所述目标连通域的质心位置结合预设尺寸，从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像；所述预设尺寸与所述原始超声图像的尺寸相关。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述将所述髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到所述待测对象的髋关节类型，包括：
将所述髂骨区域图像输入至预设的活动轮廓模型中，得到髋关节分割图像；
基于髋关节分割图像，确定骨顶线和软骨顶线；
根据所述骨顶线的斜率确定骨顶角，以及根据所述软骨顶线的斜率确定软骨顶角；
根据所述骨顶角、所述软骨顶角、以及预设的髋关节分型模板，确定所述待测对象的髋关节类型。
9.根据权利要求8所述的方法，其特征在于，所述基于髋关节分割图像，确定骨顶线及软骨顶线，包括：
根据预设基线，将所述髋关节分割图像分割为第一图像和第二图像；所述预设基线为基于所述髂骨区域图像中髂骨的质心的纵坐标所形成的直线，所述第一图像为包括盂唇的部分髋关节图像；
从所述第二图像中确定上边线的凸缘点，并基于所述凸缘点和所述上边线的终点生成骨顶线；
从所述第一图像中确定盂唇中点，并基于所述凸缘点和所述盂唇中点，生成软骨顶线。
10.根据权利要求9所述的方法，其特征在于，所述从所述第二图像中确定上边线的凸缘点，包括：
确定所述第二图像中的上边线，并提取所述上边线上的点构成骨顶线点集；
根据所述骨顶线点集中的各个点以及预设斜率，生成所述各个点分别对应的直线；所述预设斜率为基于所述骨顶线点集中的各个点结合最小二乘法拟合得到的线段的斜率；
从所述各个点分别对应的直线中选择目标直线，并将所述目标直线对应的点确定为凸缘点；所述骨顶线点集中的各个点均在所述目标直线的下方。
11.一种髋关节分型装置，其特征在于，所述装置包括：
获取模块，用于获取待测对象的原始超声图像；所述原始超声图像为所述待测对象的髋关节对应的超声图像；
提取模块，用于从所述原始超声图像中提取所述待测对象的髋关节对应的髂骨区域图像；
确定模块，用于将所述髂骨区域图像输入至预设的活动轮廓模型中进行髋关节分型，得到所述待测对象的髋关节类型。
12.一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10中任一项所述的方法的步骤。
CN202211180701.9A 2022-09-27 2022-09-27 髋关节分型方法、装置和存储介质 Pending CN115527065A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211180701.9A CN115527065A (zh) 2022-09-27 2022-09-27 髋关节分型方法、装置和存储介质
PCT/CN2023/121265 WO2024067527A1 (zh) 2022-09-27 2023-09-25 一种髋关节角度检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211180701.9A CN115527065A (zh) 2022-09-27 2022-09-27 髋关节分型方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN115527065A true CN115527065A (zh) 2022-12-27

Family

ID=84699080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211180701.9A Pending CN115527065A (zh) 2022-09-27 2022-09-27 髋关节分型方法、装置和存储介质

Country Status (2)

Country Link
CN (1) CN115527065A (zh)
WO (1) WO2024067527A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274272A (zh) * 2023-09-08 2023-12-22 青岛市市立医院 一种基于深度学习的冠状动脉造影图分割的优化方法
CN117455925A (zh) * 2023-12-26 2024-01-26 杭州健培科技有限公司 一种胸部多器官和肋骨分割方法及装置
WO2024067527A1 (zh) * 2022-09-27 2024-04-04 武汉联影医疗科技有限公司 一种髋关节角度检测系统和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN108537838B (zh) * 2018-03-13 2020-12-01 北京理工大学 一种髋关节骨性髋臼角度的检测方法
CN109919943B (zh) * 2019-04-16 2020-11-10 广东省妇幼保健院 婴儿髋关节角度自动检测方法、系统和计算设备
US20210209399A1 (en) * 2020-01-08 2021-07-08 Radu Dondera Bounding box generation for object detection
CN115527065A (zh) * 2022-09-27 2022-12-27 武汉联影医疗科技有限公司 髋关节分型方法、装置和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024067527A1 (zh) * 2022-09-27 2024-04-04 武汉联影医疗科技有限公司 一种髋关节角度检测系统和方法
CN117274272A (zh) * 2023-09-08 2023-12-22 青岛市市立医院 一种基于深度学习的冠状动脉造影图分割的优化方法
CN117274272B (zh) * 2023-09-08 2024-04-30 青岛市市立医院 一种基于深度学习的冠状动脉造影图分割的优化方法
CN117455925A (zh) * 2023-12-26 2024-01-26 杭州健培科技有限公司 一种胸部多器官和肋骨分割方法及装置
CN117455925B (zh) * 2023-12-26 2024-05-17 杭州健培科技有限公司 一种胸部多器官和肋骨分割方法及装置

Also Published As

Publication number Publication date
WO2024067527A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
Flores et al. Improving classification performance of breast lesions on ultrasonography
WO2021129323A1 (zh) 超声图像病灶描述方法、装置、计算机设备和存储介质
Mukhopadhyay et al. A survey of Hough Transform
CN115527065A (zh) 髋关节分型方法、装置和存储介质
CN102722890B (zh) 基于光流场模型的非刚性心脏图像分级配准方法
Kim et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images
CN108052942B (zh) 一种飞机飞行姿态的视觉图像识别方法
US8554016B2 (en) Image registration system and method for registering images for deformable surfaces
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN116664559A (zh) 基于机器视觉的内存条损伤快速检测方法
CN111798424B (zh) 一种基于医学图像的结节检测方法、装置及电子设备
CN108564561A (zh) 一种钼靶图像中胸大肌区域自动检测方法
Hu et al. Automatic segmentation of dermoscopy images using saliency combined with adaptive thresholding based on wavelet transform
Gao et al. Segmentation of ultrasonic breast tumors based on homogeneous patch
Nurmaini et al. An improved semantic segmentation with region proposal network for cardiac defect interpretation
Liu et al. Pectoral muscle detection in mammograms using local statistical features
Shao et al. Application of an improved u2-net model in ultrasound median neural image segmentation
CN105488798B (zh) 基于点集对比的sar图像相似性度量方法
Femil et al. An Efficient Hybrid Optimization for Skin Cancer Detection Using PNN Classifier.
CN112258536B (zh) 一种胼胝体及小脑蚓部的一体化定位及分割方法
Farag et al. Parametric and non-parametric nodule models: Design and evaluation
Haji et al. A novel neutrosophic method for automatic seed point selection in thyroid nodule images
EP4167184A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
Hernandez et al. Anisotropic processing of image structures for adventitia detection in intravascular ultrasound images
Ye et al. Active contour image segmentation method for training talents of computer graphics and image processing technology

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