CN111080573A - 肋骨图像检测方法、计算机设备和存储介质 - Google Patents
肋骨图像检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111080573A CN111080573A CN201911133164.0A CN201911133164A CN111080573A CN 111080573 A CN111080573 A CN 111080573A CN 201911133164 A CN201911133164 A CN 201911133164A CN 111080573 A CN111080573 A CN 111080573A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- candidate
- rib
- interest
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims description 77
- 238000013507 mapping Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000007480 spreading Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种肋骨图像检测方法、计算机设备和存储介质。所述方法包括：获取原始医学图像，所述原始医学图像包括肋骨；对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。采用本方法能够节省检测时间和提高检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种肋骨图像检测方法、计算机设备和存储介质。
背景技术
肋骨是一种弧形小骨，其是胸廓的骨性支架，前侧与胸骨相连，后侧与胸椎相连，可以对人体的胸腔、肺腔及心脏起到一个保护作用，因此，肋骨对人体胸部的其他器官来说非常重要，也正是如此，对肋骨的检测也就显得尤为重要。
相关技术中在对肋骨检测时，通常是利用扫描设备对人体肋骨进行扫描，然后对扫描的数据进行重建，得到肋骨图像，然后将得到的肋骨图像输入至神经网络模型中进行处理，得到肋骨是否发生病变的结果。
然而利用上述技术对肋骨检测，存在检测过程比较耗时、且检测结果不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低检测耗时且可以提高检测准确性的肋骨图像检测方法、装置、计算机设备和存储介质。
一种肋骨图像检测方法，该方法包括：
获取原始医学图像，该原始医学图像包括肋骨；
对原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据感兴趣区域的候选位置在原始医学图像上进行区域划分，得到候选图像区域；候选图像区域为原始医学图像上包括感兴趣区域的候选位置的图像区域；
将候选图像区域输入至第二神经网络模型进行处理，得到感兴趣区域的目标位置。
一种肋骨图像检测装置，该装置包括：
获取模块，用于获取原始医学图像，所述原始医学图像包括肋骨；
展开模块，用于对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
第一处理模块，用于将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
映射模块，用于根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；
第二处理模块，用于将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取原始医学图像，所述原始医学图像包括肋骨；
对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域
将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取原始医学图像，所述原始医学图像包括肋骨；
对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域
将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
上述肋骨图像检测方法、装置、计算机设备和存储介质，通过获取包括肋骨的原始医学图像，并对肋骨进行展开，在肋骨展开之后，将肋骨展开图输入至第一神经网络模型，得到感兴趣区域的候选位置，根据感兴趣区域的候选位置在原始医学图像上进行区域划分，得到包括感兴趣区域的候选位置的候选图像区域，并将候选图像区域输入至第二神经网络模型，得到感兴趣区域的目标位置。在该方法中，由于在对感兴趣区域进行检测时，采用的是两级网络进行检测，因此该方法检测的精度更高；另外，由于该方法在对感兴趣区域进行初始定位时采用的是肋骨展开图像，这样可以快速得到感兴趣区域的候选位置，即会节省一部分检测时间；同时在对感兴趣区域进行精细检测时，采用是将候选位置映射到原始图像上得到的候选图像区域作为精细检测的输入，这样可以保证输入图像源的准确性，从而可以使最终得到的感兴趣区域的目标位置更加准确。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中肋骨图像检测方法的流程示意图；
图3为另一个实施例中肋骨图像检测方法的流程示意图；
图4a为另一个实施例中肋骨图像检测方法的流程示意图；
图4b为另一个实施例中对肋骨进行展开的详细过程示意图；
图5a为另一个实施例中肋骨图像检测方法的流程示意图；
图5b为另一个实施例中分类模型的结构示意图；
图6为另一个实施例中肋骨图像检测方法的流程示意图；
图7a为另一个实施例中肋骨图像检测方法的流程示意图；
图7b为另一个实施例中第一神经网络模型的结构示意图；
图8为一个实施例中肋骨图像检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前，肋骨疾病诊断是临床上胸部诊断治疗的非常重要的一个方面，对此，很多研究小组和厂家开发了很多针对肋骨疾病检测的***，但一方面肋骨是斜的弯曲的管状结构，真正的肋骨区域是非常少的，而肋骨区域和其他区域很难有效分离，另外一方面真正的病灶区域在肋骨上的比例也是比较小的，在对肋骨检测时，通常是利用扫描设备对人体肋骨进行扫描，然后对扫描的数据进行重建，得到肋骨图像，然后将得到的肋骨图像输入至神经网络模型中进行处理，得到肋骨是否发生病变的结果，这样的检测过程中有许多冗余计算，所以检测过程比较耗时，同时检测精度也不高。本申请实施例提供一种肋骨图像检测方法、装置、计算机设备和存储介质，旨在解决上述技术存在的问题。
本申请实施例提供的肋骨图像检测方法，可以应用于计算机设备，该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、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***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肋骨图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是肋骨图像检测装置，也可以是计算机设备，下述实施例以计算机设备为执行主体进行说明。
在一个实施例中，提供了一种肋骨图像检测方法，本实施例涉及的是如何对肋骨展开以及对肋骨展开图像进行二级检测的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取原始医学图像，原始医学图像包括肋骨。
其中，获取原始医学图像的方式可以包括：通过对扫描设备采集到的对象的数据进行图像重建和校正，从而得到对象的原始医学图像，该扫描设备可以是MR设备(MagneticResonance，磁共振)、CT设备(Computed Tomography，电子计算机断层扫描)、PET设备(Positron Emission Computed Tomography，正电子发射型计算机断层显像)、PET-CT设备、PET-MR设备等等；或者，原始医学图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取该原始医学图像；又或者，计算机设备也可以从外部设备中获取原始医学图像，比如，将原始医学图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该原始医学图像。本实施例对获取原始医学图像的获取方式不做限定。
具体的，算机设备可以通过以上手段获取到原始医学图像，该原始医学图像中可以包括肋骨，当然也可以包括椎体，当然还可以包括其他结构等。
S204，对原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
其中，在对肋骨进行展开时，可以是对部分肋骨进行展开，也可以是对全部肋骨进行展开，本实施例主要是对全部肋骨进行展开；在对肋骨展开时，可以是沿肋骨进行展开，也可以是沿肋骨的中心椎体进行展开，当然还可以是沿其他方向展开等等。
具体的，在对肋骨进行展开时，可以先对原始医学图像中的肋骨和椎体等进行检测，得到肋骨的分割结果和椎体的检测结果，并按照肋骨的分割结果和椎体的检测结果，将原始医学图像的数据进行拉伸展平，得到肋骨的展开图像。相对于原始医学图像，肋骨的展开图像更便于后续神经网络模型处理，也可以降低计算的耗时。
S206，将肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置。
其中，感兴趣区域的候选位置可以是一个位置，也可以是多个位置，候选位置可以是坐标，可以是一维坐标、二维坐标、三维坐标等；第一神经网络模型可以是分割模型，例如可以是V-Net模型、U-Net模型等等；感兴趣区域在这里可以是肋骨上的病灶等，因为肋骨上的病灶可能不只一个，同时因为第一次检测出来的感兴趣区域可能也会存在不准确的问题，所以这里可能会有多个候选位置。
另外，在将肋骨的展开图像输入第一神经网络模型之前，还可以对肋骨的展开图像进行预处理，例如可以是归一化处理，示例地，该归一化处理可以采用骨窗、均值、标准差处理等进行，若采用骨窗，则可以利用骨组织的窗宽窗位来进行归一化，设置最大值Imax(1000)和最小值Imin(0)，通过以下公式来进行归一化：Ic＝(Ic-Imin)/(Imax-Imin)；若采用均值或标准差，则可以通过(Ic-均值)/标准差或者固定阈值等进行处理。
具体的，计算机设备在得到肋骨的展开图像之后，可以将肋骨的展开图像输入至第一神经网络模型中进行分割或检测处理，从而就可以得到肋骨展开图像上的感兴趣区域的候选位置。
S208，根据感兴趣区域的候选位置在原始医学图像上进行区域划分，得到候选图像区域；候选图像区域为原始医学图像上包括感兴趣区域的候选位置的图像区域。
具体的，计算机设备在得到感兴趣区域的候选位置后，可以先将肋骨展开图像和原始医学图像设置在同一坐标系下，然后将感兴趣区域的候选位置映射到原始医学图像上，即在原始医学图像上找到对应的感兴趣区域候选位置，之后在原始医学图像上，以找到的感兴趣区域的候选位置为中心，以一定的步长进行区域划分，得到包括感兴趣区域的候选位置的图像区域，记为候选图像区域，这里的候选图像区域也可以是候选图像块。其中，这里的步长可以为20mm*20mm*20mm到64mm*64mm*64mm之间的整数值，当然也可以是其他步长值。另外，这里的候选图像区域或者候选图像块可以是二维或者三维的，其次，这里的候选图像区域或者候选图像块也可以是一个或多个，本实施例中主要采用的是多个候选图像区域或者候选图像块。
S210，将候选图像区域输入至第二神经网络模型进行处理，得到感兴趣区域的目标位置。
其中，第二神经网络模型可以是分类模型、分割模型等等，其可以是卷积神经网络等。其中，在将候选图像区域输入至神经网络模型之前，还可以将候选图像区域重采样成预设分辨率的图像区域，例如可以是0.4mm*0.4mm*0.4mm到1.0mm*1.0mm*1.0mm之间，这样可以便于后续对多个候选图像区域进行统一处理。
具体的，计算机设备在得到候选图像区域之后，可以将候选图像区域输入至第二神经网络模型进行分割处理或者分类处理，从感兴趣区域的候选位置中确定出感兴趣区域的目标位置，即更精确的位置。
上述肋骨图像检测方法中，通过获取包括肋骨的原始医学图像，并对肋骨进行展开，在肋骨展开之后，将肋骨展开图输入至第一神经网络模型，得到感兴趣区域的候选位置，根据感兴趣区域的候选位置在原始医学图像上进行区域划分，得到包括感兴趣区域的候选位置的候选图像区域，并将候选图像区域输入至第二神经网络模型，得到感兴趣区域的目标位置。在该方法中，由于在对感兴趣区域进行检测时，采用的是两级网络进行检测，因此该方法检测的精度更高；另外，由于该方法在对感兴趣区域进行初始定位时采用的是肋骨展开图像，这样可以快速得到感兴趣区域的候选位置，即会节省一部分检测时间；同时在对感兴趣区域进行精细检测时，采用是将候选位置映射到原始图像上得到的候选图像区域作为精细检测的输入，这样可以保证输入图像源的准确性，从而可以使最终得到的感兴趣区域的目标位置更加准确。
在另一个实施例中，提供了另一种肋骨图像检测方法，本实施例涉及的是具体如何对肋骨进行展开，得到肋骨展开图像的具体过程。在上述实施例的基础上，如图3所示，上述204可以包括以下步骤：
S302，对原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点。
具体的，计算机设备可以通过手动标注肋骨区域，手动分割得到肋骨分割结果，或者将原始医学图像输入分割模型，得到肋骨分割结果，若使用分割模型，则该分割模型可以是基于样本图像以及相应的肋骨标签、肋骨中心线标签等进行训练得到的能够同时分割肋骨和肋骨中心线，肋骨分割结果包括肋骨分割结果和肋骨中心线分割结果。另外，计算机设备可以通过脊椎检测定位标记方法来对原始医学图像中的椎体进行定位检测，得到至少一个椎体中心点，这里一般为多个椎体中心点。
S304，对至少一个椎体中心点进行分析处理，确定至少一个椎体中心点对应的椎体的目标方向。
其中，这里的分析处理可以包括拟合处理、主成分分析处理等。
具体的，计算机设备可以对上一步得到的多个椎体中心点进行分析处理，确定出椎体最符合实际的一个方向，并将该方向最为目标方向。
S306，根据椎体的目标方向对原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
在本步骤中，在对肋骨具体展开时，可选的，可以采用如图4所示的方法步骤进行展开，如图4a所示，该展开步骤包括以下S402-S404：
S402，基于椎体的目标方向和至少一个椎体中心点建立坐标系，并确定肋骨分割结果在坐标系下的距离图像。
其中，这里的坐标系可以是圆柱坐标系、极坐标系等等，本实施例主要采用的是圆柱坐标系，在建立坐标系时，可以基于检测到的一个椎体中心点，也可以基于检测到的所有椎体中心点，当然还可以是基于检测到的部分椎体中心点，本实施例对此不作具体限定。另外，距离图像指的是上述肋骨分割结果在建立的坐标系中距离坐标中心的距离。
具体的，计算机设备可以根据上述检测到的多个椎体中心点和椎体的目标方向建立一个圆柱坐标系，并计算上述肋骨分割结果在该圆柱坐标系中距离坐标中心点的距离，得到多个距离值，并将该多个距离值形成距离图像。其中，圆柱的每一个平面均为一个极坐标且各个平面平行。
S404，根据肋骨分割结果在坐标系下的距离图像和原始医学图像，建立距离图像和原始医学图像之间的映射关系，并根据映射关系，将原始医学图像映射到距离图像上，得到肋骨的展开图像。
在本步骤中，建立映射关系时，可选的，可以采用如下步骤A和步骤B来进行建立：
步骤A，将肋骨分割结果在坐标系下的距离图像进行插值和平滑处理，得到处理后的距离图像。
步骤B，根据处理后的距离图像和原始医学图像，建立处理后的距离图像和原始医学图像之间的映射关系。
具体的，由于上一步得到的距离图像中可能存在对比非常明显的点，其会导致后续得到肋骨展开图像显得比较突兀，所以这里先对距离图像进行插值处理，在这里可以采用线性插值或非线性插值、样条插值等等，在插值处理之后，可以继续对距离图像进行卷积等平滑处理手段，从而得到插值和平滑处理后的距离图像。之后，可以将处理后的距离图像上的各个距离值映射回原始医学图像中，原始医学图像是笛卡尔坐标系下的，处理后的距离图像是圆柱坐标系下的，通过对处理后的距离图像上的各个距离值和原始医学图像上各个点的数据进行计算，就可以得到圆柱坐标系和笛卡尔坐标系之间的映射关系，即可以得到处理后的距离图像和原始医学图像之间的映射关系，该映射关系类似于转换关系、转换矩阵等等。
在得到映射关系之后，可以遍历上述肋骨分割结果中的各个值，在对应的原始医学图像中进行插值等处理，得到肋骨的展开图像。
下面将以具体图例来给出本申请实施例对肋骨进行展开的详细过程，参见图4b所示，肋骨具体的展开过程如下：
计算机设备在获取原始医学数据后，可以执行下述1)-6)步骤，如下所示：
1)，对原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点，如图4b中的图(a)所示。
2)根据检测到的椎体中心点建立一个圆柱坐标系，其中，圆柱的每一个平面均为一个极坐标且各个平面平行，将锥体中心点做主成分分析处理等，得到最大的分量的方向将作为所有二维极坐标平面的法向量z，将椎骨中心点内插出一条直线，这条直线上的点向胸骨位置偏移大约10～50mm，作为与它相交的极坐标平面的中心点，这里得到的圆柱坐标如图4b中的图(b)所示，将法向量方向的坐标记为z，z对应的极坐标平面上的参数记为ρ,θ，ρ为肋骨半径，每个距离场相当于三维圆柱坐标系中的一层图像，偏移一个半径值，就可以得到另外一个距离场。
3)通过已经建立好的分割结果和圆柱坐标系，确定分割结果在圆柱坐标系中距离坐标中心的距离ρz,θ。以z为纵坐标，θ为横坐标，肋骨分割结果对应的ρz,θ如图4b中的图(c)所示，具体的，对于每一个z和θ，可以遍历所有可能的ρ，如果有对应的ρ存在肋骨的分割，就可以将其记下；如果所有的都不存在肋骨的分割，我们将对应的ρz,θ记为0；如果有多个ρ存在肋骨的分割，可以取其最小值。
4)为了填满ρz,θ并使得到的展开的肋骨结果尽可能平滑，在这里可以将3)中得到的ρz,θ插值与平滑。肋骨区域内可以采用线性插值，肋骨区域外采用最近邻插值，为了使图像平滑，在这里可以选取大尺度的高斯核进行卷积，插值并平滑后的结果ρ'z,θ如图4b中的图(d)所示。
5)将ρ'z,θ投射回原始医学图像数据中，可以看到，ρ'z,θ对应的平面是平滑的并且紧贴肋骨的，如图4b中的图(e)所示，有了圆柱坐标与笛卡尔坐标系的映射关系，就可以遍历z和θ,在(z,θ,ρ'z,θ)对应的原始医学图像(或肋骨分割图像)中插值，构成展开后的二维肋骨图像(或者分割图像)，如图4b中的图(f)所示。
6)将所有的ρ'z,θ加上或减去一个偏置，就可以得到多个二维肋骨展开图像，将这些肋骨展开图堆叠或者拼接起来，便可以得到三维的肋骨展开图像。
本实施例提供的肋骨图像检测方法，通过对原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点，对至少一个椎体中心点进行分析处理，得到至少一个椎体中心点对应的椎体的目标方向，并根据该椎体的目标方向对原始医学图像进行展开处理，得到肋骨的展开图像。在本实施例中，由于肋骨的展开图像是根据肋骨分割结果以及椎体的目标方向进行展开的，因此本实施例得到的肋骨展开图像比较接近实际肋骨情况，也就是说本实施例得到的肋骨展开图像会更加准确。
在另一个实施例中，提供了另一种肋骨图像检测方法，本实施例涉及的是若第二神经网络模型为分类模型时，如何利用分类模型对候选图像区域进行处理，得到感兴趣区域的目标位置的具体过程。在上述实施例的基础上，如图5a所示，上述S210可以包括以下步骤：
S502，将候选图像区域输入至分类模型，得到候选图像区域的类别；类别包括目标类别和非目标类别。
其中，这里的目标类别可以是假阳性，非目标类别可以是真阳性等。这里输出的类别可以0或1这样的标识。
具体的，计算机设备在得到候选图像区域之后，这里一般得到的是多个候选图像区域，可以采用如图5b所示的分类模型对各候选图像区域进行下采样等卷积处理，得到各候选图像区域的特征，并利用全连接层和softmax对各候选图像区域的特征进行全接连处理和分类处理，得到各候选图像区域的类别。
S504，获取目标类别对应的目标候选图像区域，从原始医学图像中确定目标候选图像区域对应的候选位置，将目标候选图像区域对应的候选位置确定为感兴趣区域的目标位置。
具体的，计算机设备在得到各候选图像区域的类别之后，可以根据类别标识从中找到目标类别对应的候选图像区域，记为目标候选图像区域，并将目标候选图像区域映射回原始医学图像上，得到目标候选图像区域对应的候选位置，并将该目标候选图像区域对应的候选位置作为感兴趣区域的精细位置，即目标位置。
另外，本实施例在使用分类模型之前，可以先对该分类模型进行训练，在训练时，可以获取样本图像(这里的样本图像可以是样本图像区域或样本图像块)，并对各样本图像进行扩增，扩增包括平移(三个方向随机范围正负10mm)，旋转(绕随机旋转轴旋转随机角度，角度范围正负20度)和缩放(随机缩放0.7～1.3倍)等，各样本图像均已标注类别，之后可以基于扩增后样本图像和已标注类别对初始分类模型进行训练，得到该分类模型。
本实施例提供的肋骨图像检测方法，若第二神经网络模型为分类模型，则将候选图像区域输入至分类模型，得到各候选图像区域的类别，该类别包括目标类别和非目标类别，获取目标类别对应的目标候选图像区域，并从原始医学图像中确定目标候选图像区域对应的候选位置，作为感兴趣区域的目标位置。在本实施例中，由于可以通过分类模型对各候选图像区域进行处理，从而可以快速且准确的得到各候选图像区域的类别，从而根据各候选图像区域的类别准确地得到目标类别对应的候选图像区域，进而准确地得到感兴趣区域的目标位置。
在另一个实施例中，提供了另一种肋骨图像检测方法，本实施例涉及的是若第二神经网络模型为分割模型时，如何利用分割模型对候选图像区域进行处理，得到感兴趣区域的目标位置的具体过程。在上述实施例的基础上，如图6所示，上述S210可以包括以下步骤：
S602，将候选图像区域输入至分割模型，得到感兴趣区域的初始目标位置。
其中，这里的分割模型可以是图切割算法模型、分水岭算法模型、GrabCut算法模型、机器学习模型等。
具体的，计算机设备在得到候选图像区域之后，这里一般得到的是多个候选图像区域，可以对各候选图像进行卷积处理，得到感兴趣区域的精细检测位置，在这里记为初始目标位置。
S604，对感兴趣区域的初始目标位置和感兴趣区域的候选位置进行融合处理，得到感兴趣区域的目标位置。
具体的，若上述第一神经网络模型也是分割模型，那第一神经网络模型和这里的分割模型输出的结果都可以是概率图，那么这里的融合处理就可以是将第一神经网络模型检测得到的概率图映射到原始医学图像上，得到概率图I1，这里的分割模型检测得到的概率图为I2，则最终的概率图I＝a*I1+b*I2，a+b＝1，0<a<1，0<b<1，根据最终的概率图，以及相应的位置计算方法，就可以得到感兴趣区域的目标位置。
可选的，在得到感兴趣区域的位置之后，还可以对感兴趣区域的目标位置进行取连通域处理，得到感兴趣区域的大小；以及，对感兴趣区域的大小进行阈值分割处理，得到感兴趣区域的类别。也就是说，上述在得到最终的概率图之后，可以选取合适的阈值(可选范围0.3～0.9)，将该最终的概率图转换为二值化图，并在该二值化图上进行形态学操作，例如取连通域等操作，得到感兴趣区域的大小和类别。
另外，本实施例在使用该分割模型之前，可以先对该分割模型进行训练，在训练时，可以获取样本图像(这里的样本图像可以是样本图像区域或样本图像块)，并对各样本图像进行扩增，扩增包括平移(三个方向随机范围正负10mm)，旋转(绕随机旋转轴旋转随机角度，角度范围正负20度)和缩放(随机缩放0.7～1.3倍)等，各样本图像均已标注感兴趣区域，之后可以基于扩增后样本图像和已标注感兴趣区域对初始分割模型进行训练，得到该分割模型。
本实施例提供的肋骨图像检测方法，若第二神经网络模型为分割模型时，则将候选图像区域输入至分割模型，得到感兴趣区域的初始目标位置，对感兴趣区域的初始目标位置和感兴趣区域的候选位置进行融合处理，得到感兴趣区域的目标位置。在本实施例中，由于可以通过两级分割模型来实现对肋骨的精细检测，这样可以使最终得到的肋骨的感兴趣区域的目标位置更准确。
在另一个实施例中，提供了另一种肋骨图像检测方法，本实施例涉及的是如何对第一神经网络模型进行训练的具体过程。在上述实施例的基础上，如图7a所示，第一神经网络模型的训练方法包括以下步骤：
S702，获取样本图像；样本图像为肋骨的展开样本图像，样本图像包括感兴趣区域的标注位置。
S704，将样本图像进行归一化处理，得到归一化样本图像。
S706，基于归一化样本图像对初始的第一神经网络模型进行训练，得到第一神经网络模型。
其中，这里的样本图像可以是一个，也可以是多个，本实施例使用的多个样本图像，每个样本图像均含有感兴趣区域的标注位置信息。这里第一神经网络模型可以是分割模型V-Net、U-Net等等。训练过程可以采用Adam方法、随机梯度下降法SGD等。另外，训练过程中可以对各样本图像进行扩增，扩增包括平移(三个方向随机范围正负50mm)，旋转(绕随机旋转轴旋转随机角度，角度范围正负20度)和缩放(随机缩放0.7～1.3倍)等。
具体的，计算机设备在获取样本医学图像时，获取方法可以和上述S202中获取原始医学图像的方法相同，在此不再赘述，另外，在训练过程中，可以对样本图像进行随机取块和插值，得到的随机块的大小范围为40*40*40至100*100*100，分辨率为0.4mm*0.4mm*0.4mm到1.0mm*1.0mm*1.0mm之间；之后可以对各样本图像进行尺寸或灰度或像素等的归一化，将尺寸或灰度或像素等固定到统一范围内，得到尺寸或灰度或像素等统一范围的样本图像，得到归一化后的样本图像。
之后，可以将各归一化后的样本医学图像输入至初始的第一神经网络模型，第一神经网络模型结构可以参见图7b所示，得到各样本医学图像的感兴趣区域的预测位置，并根据上述感兴趣区域的标注位置和感兴趣区域的预测位置，计算感兴趣区域的标注位置和感兴趣区域的预测位置之间的损失，并将该损失作为损失函数的值，并利用该损失函数的值对初始的第一神经网络模型进行训练，最终得到训练好的第一神经网络模型。在这里，损失可以是感兴趣区域的预测位置和感兴趣区域的标注位置之间的误差、方差、范数等；在训练第一神经网络模型时，当第一神经网络模型的损失函数的和值小于预设的阈值时，或者当损失函数的和值基本稳定时(即不再发生变化时)，则可以确定第一神经网络模型已经训练好，否则还要继续训练。
本实施例提供的肋骨图像检测方法，通过获取样本图像，样本图像为肋骨的展开样本图像，样本图像包括感兴趣区域的标注位置，将样本图像进行归一化处理，得到归一化样本图像，并基于归一化样本图像对初始的第一神经网络模型进行训练，得到第一神经网络模型。在本实施例中，由于第一神经网络模型是利用包括感兴趣区域的标注位置的样医学图像进行训练得到的，因此得到的第一神经网络模型是比较准确的，进而在利用该准确的网络对肋骨展开图像进行处理时，得到的处理结果也是比较准确的。
应该理解的是，虽然图2-4、5a、6、7a的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4、5a、6、7a中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种肋骨图像检测装置，包括：获取模块10、展开模块11、第一处理模块12、映射模块13和第二处理模块14，其中：
获取模块10，用于获取原始医学图像，所述原始医学图像包括肋骨；
展开模块11，用于对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
第一处理模块12，用于将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
映射模块13，用于根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；
第二处理模块14，用于将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
关于肋骨图像检测装置的具体限定可以参见上文中对于肋骨图像检测方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种肋骨图像检测装置，在上述实施例的基础上，上述展开模块11包括：检测单元、分析单元和展开单元，其中：
检测单元，用于对所述原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点；
分析单元，用于对所述至少一个椎体中心点进行分析处理，确定所述至少一个椎体中心点对应的椎体的目标方向；
展开单元，用于根据所述椎体的目标方向对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
可选的，上述展开单元可以包括：确定子单元和展开子单元，其中：
确定子单元，用于基于所述椎体的目标方向和所述至少一个椎体中心点建立坐标系，并确定所述肋骨分割结果在所述坐标系下的距离图像；
展开子单元，用于根据所述肋骨分割结果在所述坐标系下的距离图像和所述原始医学图像，建立所述距离图像和所述原始医学图像之间的映射关系，并根据所述映射关系，将所述原始医学图像映射到所述距离图像上，得到肋骨的展开图像。
可选的，上述展开子单元还用于将所述肋骨分割结果在所述坐标系下的距离图像进行插值和平滑处理，得到处理后的距离图像；根据所述处理后的距离图像和所述原始医学图像，建立所述处理后的距离图像和所述原始医学图像之间的映射关系。
在另一个实施例中，提供了另一种肋骨图像检测装置，在上述实施例的基础上，若第二神经网络模型为分类模型，则上述第二处理模块14包括：分类单元和第一确定单元，其中：
分类单元，用于将所述候选图像区域输入至所述分类模型，得到所述候选图像区域的类别；所述类别包括目标类别和非目标类别；
第一确定单元，用于获取所述目标类别对应的目标候选图像区域，从所述原始医学图像中确定所述目标候选图像区域对应的候选位置，将所述目标候选图像区域对应的候选位置确定为所述感兴趣区域的目标位置。
在另一个实施例中，提供了另一种肋骨图像检测装置，在上述实施例的基础上，若第二神经网络模型为分割模型，则上述第二处理模块14包括：分割单元和第二确定单元，其中：
分割单元，用于将所述候选图像区域输入至所述分割模型，得到所述感兴趣区域的初始目标位置；
第二确定单元，用于对所述感兴趣区域的初始目标位置和所述感兴趣区域的候选位置进行融合处理，得到所述感兴趣区域的目标位置。
可选的，上述第二处理模块14还包括第三确定单元，该第三确定单元，用于对所述感兴趣区域的目标位置进行取连通域处理，得到所述感兴趣区域的大小；对所述感兴趣区域的大小进行阈值分割处理，得到所述感兴趣区域的类别。
在另一个实施例中，提供了另一种肋骨图像检测装置，在上述实施例的基础上，上述装置还可以包括训练模块，该训练模块用于获取样本图像；所述样本图像为肋骨的展开样本图像，所述样本图像包括感兴趣区域的标注位置；将所述样本图像进行归一化处理，得到归一化样本图像；基于所述归一化样本图像对初始的第一神经网络模型进行训练，得到所述第一神经网络模型。
关于肋骨图像检测装置的具体限定可以参见上文中对于肋骨图像检测方法的限定，在此不再赘述。
上述肋骨图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取原始医学图像，所述原始医学图像包括肋骨；
对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；
将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
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：
对所述原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点；
对所述至少一个椎体中心点进行分析处理，确定所述至少一个椎体中心点对应的椎体的目标方向；
根据所述椎体的目标方向对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
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：
基于所述椎体的目标方向和所述至少一个椎体中心点建立坐标系，并确定所述肋骨分割结果在所述坐标系下的距离图像；
根据所述肋骨分割结果在所述坐标系下的距离图像和所述原始医学图像，建立所述距离图像和所述原始医学图像之间的映射关系，并根据所述映射关系，将所述原始医学图像映射到所述距离图像上，得到肋骨的展开图像。
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：
将所述肋骨分割结果在所述坐标系下的距离图像进行插值和平滑处理，得到处理后的距离图像；根据所述处理后的距离图像和所述原始医学图像，建立所述处理后的距离图像和所述原始医学图像之间的映射关系。
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：
将所述候选图像区域输入至所述分类模型，得到所述候选图像区域的类别；所述类别包括目标类别和非目标类别；
获取所述目标类别对应的目标候选图像区域，从所述原始医学图像中确定所述目标候选图像区域对应的候选位置，将所述目标候选图像区域对应的候选位置确定为所述感兴趣区域的目标位置。
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：
将所述候选图像区域输入至所述分割模型，得到所述感兴趣区域的初始目标位置；
对所述感兴趣区域的初始目标位置和所述感兴趣区域的候选位置进行融合处理，得到所述感兴趣区域的目标位置。
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：
对所述感兴趣区域的目标位置进行取连通域处理，得到所述感兴趣区域的大小；
对所述感兴趣区域的大小进行阈值分割处理，得到所述感兴趣区域的类别。
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：
获取样本图像；所述样本图像为肋骨的展开样本图像，所述样本图像包括感兴趣区域的标注位置；
将所述样本图像进行归一化处理，得到归一化样本图像；
基于所述归一化样本图像对初始的第一神经网络模型进行训练，得到所述第一神经网络模型。
在一个实施例中，提供了一种可读存储介质，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：
获取原始医学图像，所述原始医学图像包括肋骨；
对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；
将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
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：
对所述原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点；
对所述至少一个椎体中心点进行分析处理，确定所述至少一个椎体中心点对应的椎体的目标方向；
根据所述椎体的目标方向对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
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：
基于所述椎体的目标方向和所述至少一个椎体中心点建立坐标系，并确定所述肋骨分割结果在所述坐标系下的距离图像；
根据所述肋骨分割结果在所述坐标系下的距离图像和所述原始医学图像，建立所述距离图像和所述原始医学图像之间的映射关系，并根据所述映射关系，将所述原始医学图像映射到所述距离图像上，得到肋骨的展开图像。
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：
将所述肋骨分割结果在所述坐标系下的距离图像进行插值和平滑处理，得到处理后的距离图像；
根据所述处理后的距离图像和所述原始医学图像，建立所述处理后的距离图像和所述原始医学图像之间的映射关系。
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：
将所述候选图像区域输入至所述分类模型，得到所述候选图像区域的类别；所述类别包括目标类别和非目标类别；
获取所述目标类别对应的目标候选图像区域，从所述原始医学图像中确定所述目标候选图像区域对应的候选位置，将所述目标候选图像区域对应的候选位置确定为所述感兴趣区域的目标位置。
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：
将所述候选图像区域输入至所述分割模型，得到所述感兴趣区域的初始目标位置；
对所述感兴趣区域的初始目标位置和所述感兴趣区域的候选位置进行融合处理，得到所述感兴趣区域的目标位置。
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：
对所述感兴趣区域的目标位置进行取连通域处理，得到所述感兴趣区域的大小；
对所述感兴趣区域的大小进行阈值分割处理，得到所述感兴趣区域的类别。
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：
获取样本图像；所述样本图像为肋骨的展开样本图像，所述样本图像包括感兴趣区域的标注位置；
将所述样本图像进行归一化处理，得到归一化样本图像；
基于所述归一化样本图像对初始的第一神经网络模型进行训练，得到所述第一神经网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种肋骨图像检测方法，其特征在于，所述方法包括：
获取原始医学图像，所述原始医学图像包括肋骨；
对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像；
将所述肋骨的展开图像输入至第一神经网络模型进行处理，得到感兴趣区域的候选位置；
根据所述感兴趣区域的候选位置在所述原始医学图像上进行区域划分，得到候选图像区域；所述候选图像区域为所述原始医学图像上包括所述感兴趣区域的候选位置的图像区域；
将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像，包括：
对所述原始医学图像进行检测处理，得到肋骨分割结果以及至少一个椎体中心点；
对所述至少一个椎体中心点进行分析处理，确定所述至少一个椎体中心点对应的椎体的目标方向；
根据所述椎体的目标方向对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述椎体的目标方向对所述原始医学图像中的肋骨进行展开处理，得到肋骨的展开图像，包括：
基于所述椎体的目标方向和所述至少一个椎体中心点建立坐标系，并确定所述肋骨分割结果在所述坐标系下的距离图像；
根据所述肋骨分割结果在所述坐标系下的距离图像和所述原始医学图像，建立所述距离图像和所述原始医学图像之间的映射关系，并根据所述映射关系，将所述原始医学图像映射到所述距离图像上，得到肋骨的展开图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述肋骨分割结果在所述坐标系下的距离图像和所述原始医学图像，建立所述距离图像和所述原始医学图像之间的映射关系，包括：
将所述肋骨分割结果在所述坐标系下的距离图像进行插值和平滑处理，得到处理后的距离图像；
根据所述处理后的距离图像和所述原始医学图像，建立所述处理后的距离图像和所述原始医学图像之间的映射关系。
5.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型为分类模型，所述将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置，包括：
将所述候选图像区域输入至所述分类模型，得到所述候选图像区域的类别；所述类别包括目标类别和非目标类别；
获取所述目标类别对应的目标候选图像区域，从所述原始医学图像中确定所述目标候选图像区域对应的候选位置，将所述目标候选图像区域对应的候选位置确定为所述感兴趣区域的目标位置。
6.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型为分割模型，所述将所述候选图像区域输入至第二神经网络模型进行处理，得到所述感兴趣区域的目标位置，包括：
将所述候选图像区域输入至所述分割模型，得到所述感兴趣区域的初始目标位置；
对所述感兴趣区域的初始目标位置和所述感兴趣区域的候选位置进行融合处理，得到所述感兴趣区域的目标位置。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
对所述感兴趣区域的目标位置进行取连通域处理，得到所述感兴趣区域的大小；
对所述感兴趣区域的大小进行阈值分割处理，得到所述感兴趣区域的类别。
8.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型的训练方法包括：
获取样本图像；所述样本图像为肋骨的展开样本图像，所述样本图像包括感兴趣区域的标注位置；
将所述样本图像进行归一化处理，得到归一化样本图像；
基于所述归一化样本图像对初始的第一神经网络模型进行训练，得到所述第一神经网络模型。
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 |
|---|---|---|---|
| CN201911133164.0A CN111080573B (zh) | 2019-11-19 | 2019-11-19 | 肋骨图像检测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911133164.0A CN111080573B (zh) | 2019-11-19 | 2019-11-19 | 肋骨图像检测方法、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080573A true CN111080573A (zh) | 2020-04-28 |
| CN111080573B CN111080573B (zh) | 2024-02-27 |
Family
ID=70311015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911133164.0A Active CN111080573B (zh) | 2019-11-19 | 2019-11-19 | 肋骨图像检测方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080573B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968102A (zh) * | 2020-08-27 | 2020-11-20 | 中冶赛迪重庆信息技术有限公司 | 一种目标设备检测方法、***、介质及电子终端 |
| CN112950552A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技（北京）有限公司 | 一种基于卷积神经网络的肋骨分割标记方法及*** |
| CN113139954A (zh) * | 2021-05-11 | 2021-07-20 | 上海杏脉信息科技有限公司 | 一种医学影像处理装置及方法 |
| CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
| CN113160242A (zh) * | 2021-03-17 | 2021-07-23 | 中南民族大学 | 一种基于骨盆结构的直肠癌肿瘤图像预处理方法及装置 |
| CN113255762A (zh) * | 2021-05-20 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理的方法及装置 |
| CN113610825A (zh) * | 2021-08-13 | 2021-11-05 | 推想医疗科技股份有限公司 | 术中影像的肋骨识别方法及*** |
| CN115035136A (zh) * | 2022-08-09 | 2022-09-09 | 南方医科大学第三附属医院（广东省骨科研究院） | 膝关节图像中骨亚区分割方法、***、装置和存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682455A (zh) * | 2012-05-10 | 2012-09-19 | 天津工业大学 | 一种基于单目视觉的前方车辆检测方法 |
| US20130070996A1 (en) * | 2011-09-19 | 2013-03-21 | Siemens Aktiengesellschaft | Method and System for Up-Vector Detection for Ribs in Computed Tomography Volumes |
| CN105550985A (zh) * | 2015-12-31 | 2016-05-04 | 上海联影医疗科技有限公司 | 器官腔壁展开方法 |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
| US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
| CN109035141A (zh) * | 2018-07-13 | 2018-12-18 | 上海皓桦科技股份有限公司 | 肋骨展开装置及方法 |
| CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析***、装置及存储介质 |
| CN109697449A (zh) * | 2017-10-20 | 2019-04-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置及电子设备 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及*** |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
| CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
-
2019
- 2019-11-19 CN CN201911133164.0A patent/CN111080573B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130070996A1 (en) * | 2011-09-19 | 2013-03-21 | Siemens Aktiengesellschaft | Method and System for Up-Vector Detection for Ribs in Computed Tomography Volumes |
| CN102682455A (zh) * | 2012-05-10 | 2012-09-19 | 天津工业大学 | 一种基于单目视觉的前方车辆检测方法 |
| CN105550985A (zh) * | 2015-12-31 | 2016-05-04 | 上海联影医疗科技有限公司 | 器官腔壁展开方法 |
| US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
| CN109697449A (zh) * | 2017-10-20 | 2019-04-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置及电子设备 |
| CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
| CN109035141A (zh) * | 2018-07-13 | 2018-12-18 | 上海皓桦科技股份有限公司 | 肋骨展开装置及方法 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析***、装置及存储介质 |
| CN109859233A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 图像处理、图像处理模型的训练方法及*** |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
| CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| MATTHIAS LENGA等: "Deep Learning Based Rib Centerline Extraction and Labeling", 《ARXIV》 * |
| SAMUEL GUNZ等: "Automated Rib Fracture Detection of Postmortem Computed Tomography Images Using Machine Learning Techniques", 《ARXIV》 * |
| 王萌: "基于深度学习的股骨分割", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 赵晓飞: "一种新的可视化肋骨骨折诊断方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968102A (zh) * | 2020-08-27 | 2020-11-20 | 中冶赛迪重庆信息技术有限公司 | 一种目标设备检测方法、***、介质及电子终端 |
| CN111968102B (zh) * | 2020-08-27 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种目标设备检测方法、***、介质及电子终端 |
| CN112950552A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技（北京）有限公司 | 一种基于卷积神经网络的肋骨分割标记方法及*** |
| CN113160242A (zh) * | 2021-03-17 | 2021-07-23 | 中南民族大学 | 一种基于骨盆结构的直肠癌肿瘤图像预处理方法及装置 |
| CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
| CN113139954A (zh) * | 2021-05-11 | 2021-07-20 | 上海杏脉信息科技有限公司 | 一种医学影像处理装置及方法 |
| CN113255762A (zh) * | 2021-05-20 | 2021-08-13 | 推想医疗科技股份有限公司 | 图像处理的方法及装置 |
| CN113255762B (zh) * | 2021-05-20 | 2022-01-11 | 推想医疗科技股份有限公司 | 图像处理的方法及装置 |
| CN113610825A (zh) * | 2021-08-13 | 2021-11-05 | 推想医疗科技股份有限公司 | 术中影像的肋骨识别方法及*** |
| CN115035136A (zh) * | 2022-08-09 | 2022-09-09 | 南方医科大学第三附属医院（广东省骨科研究院） | 膝关节图像中骨亚区分割方法、***、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080573B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
| CN109754396B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
| CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
| CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
| CN111583188A (zh) | 手术导航标记点定位方法、存储介质及计算机设备 | |
| CN110570483B (zh) | 扫描方法、装置、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 | |
| CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
| CN110599465B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
| CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN110223279B (zh) | 一种图像处理方法和装置、电子设备 | |
| EP4156096A1 (en) | Method, device and system for automated processing of medical images to output alerts for detected dissimilarities | |
| CN115511960A (zh) | 股骨中轴线定位的方法、装置、计算机设备和存储介质 | |
| US11961276B2 (en) | Linear structure extraction device, method, program, and learned model | |
| CN111192268A (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
| CN112150485B (zh) | 图像分割方法、装置、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 | |
| CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN111243026B (zh) | 解剖标记点定位方法、装置、计算机设备和存储介质 | |
| CN114093462A (zh) | 医学影像处理方法、图像处理方法、计算机设备、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 | |
| CN110349151B (zh) | 一种目标识别方法及装置 | |
| CN113393500B (zh) | 脊柱扫描参数获取方法、装置、设备和存储介质 | |
| Lu et al. | Prior active shape model for detecting pelvic landmarks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |