CN115690063A - 骨密度参数检测方法、计算机设备和存储介质 - Google Patents
骨密度参数检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115690063A CN115690063A CN202211395276.5A CN202211395276A CN115690063A CN 115690063 A CN115690063 A CN 115690063A CN 202211395276 A CN202211395276 A CN 202211395276A CN 115690063 A CN115690063 A CN 115690063A
- Authority
- CN
- China
- Prior art keywords
- bone
- bone density
- segmentation
- segmentation result
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种骨密度参数检测方法、计算机设备和存储介质。所述方法包括:获取待测对象的待测部位的医学图像;所述医学图像中包括骨骼;采用预设的分割网络对所述医学图像中的骨骼进行分割处理,确定所述待测部位的骨骼分割结果;根据所述骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定所述待测对象的目标部位对应的骨密度参数;所述目标部位包括所述待测部位和/或其他包括骨骼的部位。采用本方法能够降低图像后处理的复杂度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种骨密度参数检测方法、计算机设备和存储介质。
背景技术
骨密度全称是骨骼矿物质密度,是骨骼强度的一个重要指标,通过检测人体的骨密度可以获知人体的骨骼强度,之后可以通过检测的人体骨骼强度,辅助后续对人体某些身体指标的分析。
相关技术中,在需要检测人体特定部位的骨密度时,一般是采用定量计算机断层扫描(QCT)方法,通过计算机断层扫描CT设备对人体特定部位进行扫描,获得扫描数据,并通过额外的校准流程以及标准化处理软件等对扫描数据进行数据分析等后处理,以获得人体特定部位的骨密度相关参数。
然而,上述技术存在后处理过程复杂的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低图像后处理复杂度的骨密度参数检测方法、计算机设备和存储介质。
第一方面,本申请提供了一种骨密度参数检测方法,该方法包括:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
在其中一个实施例中,上述根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数,包括:
根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;
将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
在其中一个实施例中,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
在其中一个实施例中,上述骨密度参数为骨密度值,上述方法还包括:
将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别;
获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在其中一个实施例中,上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
在其中一个实施例中,上述分割网络包括级联的第一分割子网络和第二分割子网络,上述采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果,包括:
对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果;
将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;
其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
在其中一个实施例中,上述骨密度检测网络的训练方式包括:
获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数;
对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数;
根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
在其中一个实施例中,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
第二方面,本申请还提供了一种骨密度参数检测装置,该装置包括:
图像获取模块,用于获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
分割模块,用于采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
检测模块,用于根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
第三方面,本申请还提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
第四方面,本申请还提供了一种计算机可读存储介质,计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
第五方面,本申请还提供了一种计算机程序产品,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以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
上述骨密度参数检测方法、计算机设备和存储介质,通过获取待测对象包括骨骼的待测部位的医学图像,并采用预设的分割网络对其中的骨骼进行分割处理,确定骨骼分割结果,之后根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象目标部位对应的骨密度参数;其中,目标部位包括待测部位和/或其他包括骨骼的部位。该方法中,由于可以通过预设的分割网络获得骨骼分割结果,之后通过预设的骨密度检测网络对骨骼分割结果进行检测就可以获得目标部位的骨密度参数,这样就不需要额外的校准流程以及标准化处理软件进行后处理,过程简单,因此可以降低图像后处理的复杂度。另外,通过待测部位的骨骼分割结果也可以获得其他包括骨骼部位的骨密度参数,这样可以提升获得的骨密度参数的适用范围。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中骨密度参数检测方法的流程示意图;
图3为另一个实施例中骨密度参数检测方法的流程示意图;
图4为另一个实施例中骨密度参数检测方法的流程示意图;
图5为另一个实施例中骨密度参数检测方法的流程示意图;
图6为另一个实施例中骨密度参数检测方法的流程示意图;
图7为另一个实施例中骨密度参数检测方法中网络训练和测试的示意图;
图8为一个实施例中骨密度参数检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的骨密度参数检测方法,可以应用于计算机设备,该计算机设备可以是终端或服务器,以终端为例,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、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骨密度参数检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种骨密度参数检测方法,以该方法应用于图1中的计算机设备为例进行说明,该方法可以包括以下步骤:
S202,获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼。
其中,待测对象可以是活体或非活体,可以是人或动物等。待测部位可以是待测对象的头部、胸部、腹部、腰部、腿部、胳膊、脚部等大的部位,也可以是例如胸椎部位、腰椎部位等较小的部位。这里的待测部位中一般均包括骨骼,即获得的待测部位的医学图像中也包括骨骼,为待测部位的骨骼;这里的骨骼例如可以是椎体。
对于上述待测部位的医学图像的获取方式,可以是通过对待测部位进行扫描,获得扫描数据,并对扫描数据进行图像重建以获得待测部位的医学图像;也可以是从云端或服务器中预先存储的图像中获得待测部位的医学图像;当然还可以是其他获取方式,这里不作具体限定。对于获得的医学图像的维度,可以是三维图像,也可以是二维图像,例如可以是单张横截面等截面图像。
对于上述医学图像的采集时刻,作为可选的实施例,可以是上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
这里在历史时刻采集的医学图像可以是用于进行非骨密度参数检测的医学图像,也可以是用于进行骨密度参数检测的医学图像。其中用于进行骨密度参数检测的医学图像,例如可以是采集的胸椎医学图像原本是要对其中的胸椎进行分类处理的,这里可以将该医学图像在后续用于对胸部位的骨密度参数检测。
总之,通过在当前时刻使用历史时刻的医学图像以及在当前时刻使用进行非骨密度参数检测的医学图像,这样可以避免在当前时刻继续对待测对象进行扫描,从而可以避免对待测对象的再次辐射,大大提高待测对象的检测体验度。
S204,采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果。
其中,分割网络可以是神经网络,例如可以是V-net网络、DenseNet网络等。对于分割网络的架构,可以是两个及以上级联的网络构成分割网络,也可以是单个网络构成分割网络。
该分割网络在使用之前可以预先训练好,训练过程例如可以是:获取多个样本图像,其中每个样本图像中均设置一个对应的骨骼掩膜图像,该骨骼掩膜图像可以表征骨骼的标准分割结果;之后可以将各样本图像输入至初始分割网络中进行分割处理,获得预测的骨骼分割结果;然后可以将预测的骨骼分割结果和对应的骨骼掩膜图像之间计算损失,并通过损失训练初始分割网络,直至损失不变或达到阈值为止,获得训练好的分割网络。这里的损失可以但不限于是Dice损失、Focal损失等等。
在分割网络训练好之后,可以将上述待测部位的医学图像输入至分割网络中进行骨骼分割处理,获得骨骼分割结果。其中获得的骨骼分割结果可以包括骨骼的位置、骨骼的大小、骨骼的类别(例如属于胸椎骨骼)等等。
S206,根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
在本步骤中,骨密度检测网络也可以是神经网络,与分割网络类似,例如可以是V-net网络、DenseNet网络等。对于骨密度检测网络的架构,也与分割网络类似,可以是两个及以上级联的网络构成骨密度检测网络,也可以是单个网络构成骨密度检测网络。
该骨密度检测网络在使用之前也可以预先训练好,与上述分割网络的训练过程类似,不过这里是通过标注骨密度参数来作为金标准对骨密度检测网络进行训练的,最终可以获得训练好的骨密度检测网络。
在骨密度检测网络训练好之后,可以将骨密度分割结果直接输入至骨密度检测网络中进行骨密度检测处理,也可以是将骨密度分割结果进行预处理后输入至骨密度检测网络中进行骨密度检测处理,总之通过骨密度检测网络可以获得骨骼分割结果所对应的骨密度参数,即获得待测部位对应的骨密度参数。该骨密度参数也可以作为其他与待测部位的骨骼类似的部位的骨密度参数,其他与待测部位的骨骼类似的部位或其他与待测部位的骨密度具有相似性的部位可以记为其他包括骨骼的部位。这里待测部位和其他包括骨骼的部位均可以记为目标部位,可以根据实际情况选择将检测获得的骨密度参数作为待测部位的骨密度参数,或者是作为其他包括骨骼的部位的骨密度参数,或者作为全部骨骼部位的骨密度参数等等。对于上述获得的骨密度参数,可以包括骨密度值,骨质的类别(例如骨质疏松程度的类别等)。
进一步地,作为可选的实施例,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。当然,上述其他包括骨骼的部位也可以是桡骨部位、盆骨部位、股骨部位等等。示例地,由于待测对象不同部位的骨骼的骨密度具有相似性,那么可以通过对一个部位的骨密度进行检测,并将获得的骨密度扩展到其他的部位,示例地,可以通过分割胸椎来对腰椎的骨密度参数进行检测,同样也可以扩展到其他包含椎体的部位。
另外,上述分割网络和骨密度检测网络也可以是由单一网络构成,实现分割和骨密度检测两个功能;当然也可以是由更多级的网络构成。
通过上述描述可知,本申请实施例进行骨密度检测过程中完全不涉及校准流程以及标准软件等后处理手段,即不需要这些复杂的后处理仍然可以获得骨密度参数,且获得的方式较为简单,因此可以降低获得骨密度参数的复杂度。
上述骨密度参数检测方法中,通过获取待测对象包括骨骼的待测部位的医学图像,并采用预设的分割网络对其中的骨骼进行分割处理,确定骨骼分割结果,之后根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象目标部位对应的骨密度参数;其中,目标部位包括待测部位和/或其他包括骨骼的部位。该方法中,由于可以通过预设的分割网络获得骨骼分割结果,之后通过预设的骨密度检测网络对骨骼分割结果进行检测就可以获得目标部位的骨密度参数,这样就不需要额外的校准流程以及标准化处理软件进行后处理,过程简单,因此可以降低图像后处理的复杂度。另外,通过待测部位的骨骼分割结果也可以获得其他包括骨骼部位的骨密度参数,这样可以提升获得的骨密度参数的适用范围。
上述实施例中提到了可以对骨骼分割结果进行预处理后输入至骨密度检测网络中进行骨密度检测处理,以下实施例就对该过程进行详细说明。
在另一个实施例中,提供了另一种骨密度参数检测方法,在上述实施例的基础上,如图3所示,上述S206可以包括以下步骤:
S302,根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果。
其中,对于形态学操作,作为可选的实施例,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
这里的形态学开运算是先腐蚀再膨胀,即先对骨骼分割结果中的骨骼部分进行腐蚀操作,消除无用的骨骼,再进行膨胀操作,保留较为完整的有用的骨骼。形态学闭运算是先膨胀再腐蚀,即先对骨骼分割结果中的骨骼部分进行膨胀操作,保留尽可能多的骨骼部分,再进行腐蚀操作,消除无用的骨骼,保留较为完整的有用的骨骼。腐蚀操作为直接对骨骼分割结果中的骨骼部分进行腐蚀操作,消除无用的骨骼,保留较为完整的有用的骨骼。
这里的每个形态学操作中均包括腐蚀操作,其主要是为了消除骨骼中的皮质骨、骨质增生和硬化等情况,只保留骨骼中的松质骨,这样可以消除骨骼中的皮质骨、骨质增生和硬化等情况对骨密度参数的影响,提升获得的骨密度参数的准确性。
上述在对骨骼分割结果中的骨骼进行形态学操作之后,就可以获得形态学操作后的骨骼分割结果。
S304,将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
在本步骤中,可以将形态学操作后的骨骼分割结果输入至训练好的骨密度检测网络中进行骨密度检测处理,通过骨密度检测网络可以获得骨骼分割结果所对应的骨密度参数,即获得待测部位和/或其他包括骨骼的部位对应的骨密度参数。
本实施例中,通过对骨骼分割结果中的骨骼记性形态学操作之后输入至骨骼检测网络中进行骨密度检测,获得目标部位的骨密度参数,这样获得的骨密度参数考虑了实际的骨骼的形态参数,可以消除骨骼中的皮质骨、骨质增生和硬化等情况对骨密度参数的影响,只保留骨骼中的松质骨,因此获得的骨密度参数更加符合实际情况,也更加准确。另外,形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种,这样通过多种形态学操作可以便于快速实现上述的形态学处理,加快骨密度参数测量的速度,同时通过具体的形态学操作也可以进一步提升获得的骨密度参数的准确性。
上述实施例中提到了骨密度参数可以包括骨密度值,以下实施例就对在骨密度参数为骨密度值时,可以进一步进行骨密度类别的确定过程进行详细说明。
在另一个实施例中,提供了另一种骨密度参数检测方法,在上述实施例的基础上,如图4所示,上述方法还可以包括以下步骤:
S402,将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别。
其中,骨密度范围指的是骨密度值的范围,可以预先根据不同的骨密度范围设置不同的骨密度类别,例如骨密度范围1-10设置的骨密度类别为1,骨密度范围11-20设置的骨密度类别为2等等。
上述多个不同的骨密度范围可以是针对所有对象的普适性的骨密度范围,即每个人均参考相同的多个骨密度范围。当然,也可以是针对用户不同的属性信息设置不同的骨密度范围,例如属性信息包括用户的年龄、性别、身高以及体重等,那么这里可以根据不同的年龄段设置不同的骨密度范围,获得多个不同的骨密度范围;或者根据不同的性别设置不同的骨密度范围,获得多个不同的骨密度范围;或者根据不同的身高置不同的骨密度范围,获得多个不同的骨密度范围;或者根据不同的体重设置不同的骨密度范围,获得多个不同的骨密度范围;或者可以根据不同的年龄段、性别、身高以及体重等综合设定不同的骨密度范围,获得多个不同的骨密度范围。
上述在获得待测对象的目标部位的骨密度参数之后,即获得骨密度值之后,可以将获得的骨密度值和普适的多个骨密度范围进行匹配,获得匹配的目标骨密度范围。或者,可以先获得待测对象的属性信息,例如年龄、性别、身高以及体重等,获得该属性信息对应的多个骨密度范围,然后将获得的骨密度值和该多个骨密度范围进行匹配,获得匹配的目标骨密度范围;这样通过属性信息进行匹配获得专属的多个骨密度范围,可以使最终匹配的目标骨密度范围符合用户的个性需求,即更加准确。
S404,获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在本步骤中,在上述获得匹配的目标骨密度范围之后,由于一个骨密度范围对应一个骨密度类别,那么通过目标骨密度范围就可以获得其对应的骨密度类别,该骨密度类别即为目标部位的骨密度类别。
本实施例中,通过将获得的骨密度值和预设的骨密度范围进行匹配获得匹配的目标骨密度范围及其对应的骨密度类别,进而获得目标部位的骨密度类别,这样可以通过范围匹配获得骨密度类别,过程简单有效,因此可以提升获得骨密度类别的效率和准确性。
上述实施例中提到了分割网络可以是级联的网络构成的网络,以下实施例就对分割网络包括级联的第一分割子网络和第二分割子网络时,具体如何进行骨骼分割的过程进行详细说明。
在另一个实施例中,提供了另一种骨密度参数检测方法,在上述实施例的基础上,如图5所示,上述方法还可以包括以下步骤:
S502,对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果。
S504,将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
其中,预处理可以包括图像重采样处理、归一化处理等。对于上述的第一分割子网络和第二分割子网络,其中第一分割子网络主要对医学图像中的骨骼进行粗分割,实现对骨骼的定位;第二分割子网络主要对定位后的骨骼继续进行精细分割,最终实现对医学图像中的骨骼进行分割,获得骨骼分割结果。一般精细分割的结果的精度高于粗分割的结果的精度,即上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
另外,上述第一分割子网络和第二分割子网络均可以是包括一个或多个网络构成的子网络;同时,上述对骨骼进行分割的过程也可以级联更多的子网络来实现。
本实施例中,通过采用级联的多个分割子网络对医学图像中的骨骼进行分割,先粗定位再精细分割,这样可以有效提升获得骨骼分割结果的速度和精度。
上述实施例中提到了可以对骨密度检测网络进行训练,以下实施例就对该具体训练过程进行详细说明。
在另一个实施例中,提供了另一种骨密度参数检测方法,在上述实施例的基础上,如图6所示,上述骨密度检测网络的训练方式可以包括以下步骤:
S602,获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数。
在本步骤中,可以预先获取多个样本图像,每个样本图像中均包括其中的样本部位的标注骨密度参数,即金标准骨密度参数。该多个样本图像可以是针对不同的待测对象的,或者也可以是针对同一样本对象的不同样本部位的,或者还可以是针对不同样本对象的同一样本部位的,或者还可以是其他情况。之后,可以通过分割网络对样本图像进行分割获得样本骨骼分割结果。
当然,也可以是预先存储好样本部位的骨骼分割结果,在需要使用的时候直接调用即可。
S604,对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数。
其中,形态学操作可以参见上述S302中提到的形态学操作,这里就不再赘述。总之可以获得形态学操作后的骨骼分割结果,并将其输入至初始骨密度检测网络中进行骨密度检测,获得样本部位的预测骨密度参数。
S606,根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
在本步骤中,在获得样本部位的预测骨密度参数之后,可以将其和对应的标注骨密度参数之间计算损失,并通过损失回传对初始骨密度检测网络进行训练,直至损失不变或达到阈值,获得训练好的骨密度检测网络。其中这里的损失可以但不限于是Dice损失、Focal损失等等。
本实施例中,通过对获得的样本部位的样本骨骼分割结果进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,获得预测骨密度参数,并通过预测骨密度参数和对应的标注骨密度参数对初始骨密度检测网络进行训练,获得训练好的骨密度检测网络,这样通过多样本训练骨密度检测网络,可以使训练的骨密度检测网络的准确性更高,那么采用该骨密度检测网络测试时获得的骨密度参数也就更加准确。
以下给出一个分割网络和骨密度检测网络各自训练(即模型训练)和测试(即模型推理)的具体过程的详细实施例,在上述实施例的基础上,参见图7所示,首先说明网络的训练过程:针对分割网络的训练,以图像中的骨骼是椎体为例,可以将训练图像和椎体分割标注图像输入分割网络(即图中的椎体分割算法)中进行分割处理,通过获得的预测椎体分割结果进行模型训练,最终在分割网络训练好之后获得椎体分割模型文件。针对骨密度检测网络的训练,可以将训练图像和骨密度真实值输入至骨密度检测网络(即图中的骨密度测定算法)中进行骨密度检测处理,通过获得的预测骨密度值进行模型训练,最终在骨密度检测网络训练好之后获得骨密度测定模型文件。
其次说明网络的测试过程:可以将待输入图像和椎体分割模型文件输入至分割网络(即图中的椎体分割算法)中进行分割处理,获得椎体分割结果;然后对椎体分割结果进行形态学操作(例如骨松质提取处理),获得椎体腐蚀结果;然后将上述获得的骨密度测定模型文件和椎体腐蚀结果输入至骨密度检测网络(即图中的骨密度测定算法)中进行骨密度检测处理,获得待输入图像对应的骨密度参数,即骨密度测定结果。
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骨密度参数检测方法的骨密度参数检测装置。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骨密度参数检测装置实施例中的具体限定可以参见上文中对于骨密度参数检测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种骨密度参数检测装置,包括:图像获取模块11、分割模块12和检测模块13,其中:
图像获取模块11,用于获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;
分割模块12,用于采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;
检测模块13,用于根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
可选的,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
可选的,上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
在另一个实施例中,提供了另一种骨密度参数检测装置,在上述实施例的基础上,上述检测模块13可以包括:
操作单元,用于根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;
检测单元,用于将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
可选的,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
在另一个实施例中,提供了另一种骨密度参数检测装置,在上述实施例的基础上,上述骨密度参数为骨密度值,上述装置还可以包括:
匹配模块,用于将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别;
类别确定模块,用于获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在另一个实施例中,提供了另一种骨密度参数检测装置,在上述实施例的基础上,上述分割网络包括级联的第一分割子网络和第二分割子网络,上述分割模块12可以包括:
第一分割单元,用于对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果;
第二分割单元,用于将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
在另一个实施例中,提供了另一种骨密度参数检测装置,在上述实施例的基础上,上述装置还可以包括:训练模块,该训练模块可以包括:
分割结果获取单元,用于获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数;
预测单元,用于对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数;
训练单元,用于根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
上述骨密度参数检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
在一个实施例中,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别;获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在一个实施例中,上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果;将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数;对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数;根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
在一个实施例中,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
在一个实施例中,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别;获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在一个实施例中,上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果;将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数;对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数;根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
在一个实施例中,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
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以下步骤:
获取待测对象的待测部位的医学图像;上述医学图像中包括骨骼;采用预设的分割网络对医学图像中的骨骼进行分割处理,确定待测部位的骨骼分割结果;根据骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数;上述目标部位包括待测部位和/或其他包括骨骼的部位。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据骨骼分割结果,对骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;将形态学操作后的骨骼分割结果输入至骨密度检测网络中进行骨密度检测处理,确定待测对象的目标部位对应的骨密度参数。
在一个实施例中,上述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个骨密度范围对应一个骨密度类别;获取目标骨密度范围对应的骨密度类别,并将上述骨密度类别确定为目标部位的骨密度类别。
在一个实施例中,上述医学图像为对待测部位在历史时刻采集的医学图像,或者上述医学图像为对待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对医学图像进行预处理后输入至第一分割子网络中进行分割处理,确定待测部位的初始骨骼分割结果;将初始骨骼分割结果处输入至第二分割子网络中进行分割处理,确定待测部位的骨骼分割结果;其中,上述骨骼分割结果的精度高于初始骨骼分割结果的精度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本部位的样本骨骼分割结果;上述样本骨骼分割结果中包括样本部位的标注骨密度参数;对样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定样本部位的预测骨密度参数;根据预测骨密度参数以及标注骨密度参数对初始骨密度检测网络进行训练,确定骨密度检测网络。
在一个实施例中,上述骨骼包括椎体,上述待测部位为胸椎部位,上述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
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 (10)
1.一种骨密度参数检测方法,其特征在于,所述方法包括:
获取待测对象的待测部位的医学图像;所述医学图像中包括骨骼;
采用预设的分割网络对所述医学图像中的骨骼进行分割处理,确定所述待测部位的骨骼分割结果;
根据所述骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定所述待测对象的目标部位对应的骨密度参数;所述目标部位包括所述待测部位和/或其他包括骨骼的部位。
2.根据权利要求1所述的方法,其特征在于,所述根据所述骨骼分割结果以及预设的骨密度检测网络进行骨密度检测处理,确定所述待测对象的目标部位对应的骨密度参数,包括:
根据所述骨骼分割结果,对所述骨骼分割结果中的骨骼进行形态学操作,确定形态学操作后的骨骼分割结果;
将所述形态学操作后的骨骼分割结果输入至所述骨密度检测网络中进行骨密度检测处理,确定所述待测对象的目标部位对应的骨密度参数。
3.根据权利要求2所述的方法,其特征在于,所述形态学操作包括腐蚀操作、形态学开运算、形态学闭运算中的至少一种。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述骨密度参数为骨密度值,所述方法还包括:
将所述骨密度值和预设的至少一个骨密度范围进行匹配,获得匹配的目标骨密度范围;其中,每个所述骨密度范围对应一个骨密度类别;
获取所述目标骨密度范围对应的骨密度类别,并将所述骨密度类别确定为所述目标部位的骨密度类别。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述医学图像为对所述待测部位在历史时刻采集的医学图像,或者所述医学图像为对所述待测部位在当前时刻采集的,且用于进行非骨密度参数检测的医学图像。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述分割网络包括级联的第一分割子网络和第二分割子网络,所述采用预设的分割网络对所述医学图像中的骨骼进行分割处理,确定所述待测部位的骨骼分割结果,包括:
对所述医学图像进行预处理后输入至所述第一分割子网络中进行分割处理,确定所述待测部位的初始骨骼分割结果;
将所述初始骨骼分割结果处输入至所述第二分割子网络中进行分割处理,确定所述待测部位的骨骼分割结果;
其中,所述骨骼分割结果的精度高于所述初始骨骼分割结果的精度。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述骨密度检测网络的训练方式包括:
获取样本部位的样本骨骼分割结果;所述样本骨骼分割结果中包括所述样本部位的标注骨密度参数;
对所述样本骨骼分割结果中的骨骼进行形态学操作后输入至初始骨密度检测网络中进行骨密度检测,确定所述样本部位的预测骨密度参数;
根据所述预测骨密度参数以及所述标注骨密度参数对所述初始骨密度检测网络进行训练,确定所述骨密度检测网络。
8.根据权利要求1-3任一项所述的方法,其特征在于,所述骨骼包括椎体,所述待测部位为胸椎部位,所述其他包括骨骼的部位包括腰椎部位、尾椎部位、颈椎部位中的至少一种。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395276.5A CN115690063A (zh) | 2022-11-09 | 2022-11-09 | 骨密度参数检测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395276.5A CN115690063A (zh) | 2022-11-09 | 2022-11-09 | 骨密度参数检测方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690063A true CN115690063A (zh) | 2023-02-03 |
Family
ID=85050992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395276.5A Pending CN115690063A (zh) | 2022-11-09 | 2022-11-09 | 骨密度参数检测方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690063A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058100A (zh) * | 2023-08-14 | 2023-11-14 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法、电子设备和计算机可读存储介质 |
-
2022
- 2022-11-09 CN CN202211395276.5A patent/CN115690063A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058100A (zh) * | 2023-08-14 | 2023-11-14 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像识别方法、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148192B (zh) | 医学影像成像方法、装置、计算机设备和存储介质 | |
Zhang et al. | Computer‐aided cobb measurement based on automatic detection of vertebral slopes using deep neural network | |
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN110321920A (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN111340800B (zh) | 图像检测方法、计算机设备和存储介质 | |
CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN110544245A (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
Sylvester et al. | Trabecular mapping: Leveraging geometric morphometrics for analyses of trabecular structure | |
CN111080573A (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
Nousiainen et al. | Automating chest radiograph imaging quality control | |
Nagarajan et al. | Characterizing trabecular bone structure for assessing vertebral fracture risk on volumetric quantitative computed tomography | |
CN111798410A (zh) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN115690063A (zh) | 骨密度参数检测方法、计算机设备和存储介质 | |
CN116681716A (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
CN111652300A (zh) | 脊柱曲度分类方法、计算机设备和存储介质 | |
CN113538372B (zh) | 三维目标检测方法、装置、计算机设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN115063397A (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
Vania et al. | Automatic spine segmentation using convolutional neural network via redundant generation of class labels for 3D spine modeling | |
CN112164027B (zh) | 脊柱硬膜囊受压检测方法、设备和存储介质 |
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 |