CN113643223A - 图像检测方法、装置、计算机设备和存储介质 - Google Patents
图像检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113643223A CN113643223A CN202010326782.3A CN202010326782A CN113643223A CN 113643223 A CN113643223 A CN 113643223A CN 202010326782 A CN202010326782 A CN 202010326782A CN 113643223 A CN113643223 A CN 113643223A
- Authority
- CN
- China
- Prior art keywords
- result
- vertebra
- detected
- segmentation result
- segmentation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 230000011218 segmentation Effects 0.000 claims abstract description 320
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 184
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 30
- 238000013139 quantization Methods 0.000 claims description 207
- 238000010606 normalization Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000011002 quantification Methods 0.000 claims description 16
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 20
- 230000003902 lesion Effects 0.000 description 17
- 238000002591 computed tomography Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 206010041591 Spinal osteoarthritis Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 208000007103 Spondylolisthesis Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000000845 cartilage Anatomy 0.000 description 4
- 208000036319 cervical spondylosis Diseases 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 210000004446 longitudinal ligament Anatomy 0.000 description 4
- 208000005801 spondylosis Diseases 0.000 description 4
- 210000000115 thoracic cavity Anatomy 0.000 description 4
- 206010005963 Bone formation increased Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010020718 hyperplasia Diseases 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 201000005671 spondyloarthropathy Diseases 0.000 description 3
- 206010041549 Spinal cord compression Diseases 0.000 description 2
- 208000020307 Spinal disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 230000003412 degenerative effect Effects 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010051326 Ligament calcification Diseases 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004749 ligamentum flavum Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000002517 zygapophyseal joint 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- 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
本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的医学图像和所述待检测对象的相关信息；对所述待检测对象的医学图像进行分割处理，得到分割结果；所述分割结果包括脊椎的分割结果和所述脊椎周围的软组织的分割结果；对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果；基于所述待检测对象的相关信息和所述脊椎的量化结果以及所述脊椎周围的软组织的量化结果，生成所述待检测对象的检测报告。采用本方法能够节省人力和时间。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
背景技术
脊柱由脊椎骨及椎间盘组成，其中脊椎骨的椎体占脊柱的绝大部分，椎间盘占脊柱的小部分。通常脊椎骨包括颈椎、胸椎、腰椎等组成的椎骨和骶骨以及尾骨，可见，脊椎对人体而言非常重要。而现如今，随着人们久坐时间的增加，越来越多人的脊椎产生了病变，其严重影响了人们的正常生活，因此，对脊椎的检测就显得十分必要。
相关技术中，医生对受检者进行检查时，通常是将受检者拍摄的医学影像传到医院的阅片***上，之后可以在该阅片***上观察受检者的医学影像，并根据经验对该受检者的脊椎进行检查，在检查完成之后，医生可以将检查结果以报告的形式反馈给受检者。
然而上述技术在对受检者进行检查时，存在耗费人力和时间的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节省人力和时间的图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法，该方法包括：
获取待检测对象的医学图像和待检测对象的相关信息；
对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
在其中一个实施例中，上述方法还包括：
基于待检测对象的相关信息，确定待检测对象的身份标识信息；
将待检测对象的身份标识信息和待检测对象的检测结果进行关联并保存至数据库中；待检测对象的检测结果包括脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果。
在其中一个实施例中，上述方法还包括：
基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示；
获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果；
根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
在其中一个实施例中，上述方法还包括：
对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；
判断再次量化结果和目标量化结果是否相同；
若否，则基于再次量化结果更新待检测对象的检测报告。
在其中一个实施例中，若上述待检测对象的医学图像为多个不同模态的医学图像，上述对待检测对象的医学图像进行分割处理，得到分割结果，包括：
对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像；
对配准后的多个医学图像进行融合处理，得到融合医学图像；
对融合医学图像进行分割处理，得到分割结果。
在其中一个实施例中，上述对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像，包括：
采用刚性配准方法对多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像；
采用非刚性配准方法对多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将多个第二配准医学图像确定为配准后的多个医学图像。
在其中一个实施例中，在上对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果之前，上述方法还包括：
基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值；
根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果；
相应地，上述对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果，包括：
对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
一种图像检测装置，该装置包括：
获取模块，用于获取待检测对象的医学图像和待检测对象的相关信息；
分割模块，用于对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
量化模块，用于对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
生成模块，用于基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
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：
获取待检测对象的医学图像和待检测对象的相关信息；
对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
一种计算机可读存储介质，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：
获取待检测对象的医学图像和待检测对象的相关信息；
对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
上述图像检测方法、装置、计算机设备和存储介质，通过对待检测对象的医学图像进行分割处理和量化处理，得到待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果，脊椎的量化结果以及脊椎周围的软组织的量化结果，并基于待检测对象的相关信息和待检测对象的量化结果，生成待检测对象的检测报告。在该方法中，由于可以通过自动化流程完成对待检测对象的脊椎和脊椎周围的软组织进行分割以及量化分析，并根据量化结果和待检测对象的相关信息，自动生成待检测对象的检测报告，该检测过程中完全不需要人工进行操作，因此，该方法可以节省人力和时间；另外，由于该方法中可以直接对受检者的医学图像上的脊椎进行分割和量化分析，从而得到最终的检测结果，而不需要人工去根据经验对受检者的脊椎进行检测，因此，该方法得到的检测结果也是更加准确的，从而也可以减少因为人工经验进行检测所带来的漏检和误检情况。
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为一个实施例中图像检测方法的流程示意图；
图3为另一个实施例中图像检测方法的流程示意图；
图4为另一个实施例中图像检测方法的流程示意图；
图4a为另一个实施例中分割结果和量化结果的显示界面示意图；
图5为另一个实施例中图像检测方法的流程示意图；
图6为另一个实施例中图像检测方法的流程示意图；
图7为一个实施例中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。
人体的脊柱由脊椎骨及椎间盘构成，脊柱长度的3/4是由椎体构成，1/4是由椎间盘构成。脊柱是由26块脊椎骨合成，即24块椎骨(7块颈椎、12块胸椎、5块腰椎)、1块骶骨和1块尾骨。椎骨前面有前纵韧带、后面有后纵韧带，连接众多的脊椎骨，脊柱前后两面之间为椎管，内藏骨髓。正常人脊柱有一定的活动度，但各部位活动度不同，颈、腰段活动度较大，胸段活动度极小，骶段几乎无活动性。根据近几年的统计报告发现，中国有很多的成年人患有颈椎病、腰椎病等脊椎疾病。其中颈椎病患者人数以每年几百万人的速度增加。庞大的患者人群急需人工智能等新一代技术提升脊椎病的诊断、治疗和康复等全流程的医疗健康服务水平。脊椎病中以颈椎病和腰椎病为常见病。影像学检查为临床诊断脊椎病的主要手段，常用的影像学检查方法包括CT、MRI及X线平片。影像设备厂商提供的影像后处理工作站、PACS***(Picture Archiving and Communication Systems，影像归档和通信***)提供的通用阅片工作站可支持影像医生进行人工阅片，基于个人经验对多种脊椎疾病进行鉴别诊断，诊断结果因人而异、难以客观量化，从而导致诊断标准不一致且容易出现漏诊和误诊，同时也比较耗时耗力。基于此，本申请提供一种图像检测方法、装置、计算机设备和存储介质，可以解决上述技术问题。
本申请提供的图像检测方法，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。以计算机设备是终端为例，其内部结构图可以如图1所示。该计算机设备包括通过***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***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、运营商网络、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计算机设备，也可以是图像检测装置，下面就以计算机设备为执行主体来对本申请实施例的方法进行说明。
在一个实施例中，提供了一种图像检测方法，本实施例涉及的是如何自动化地对待检测对象的医学图像进行分割和量化，最终生成检测报告的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取待检测对象的医学图像和待检测对象的相关信息。
在本步骤中，在获取待检测对象的医学图像时，可以通过对待检测对象的特定部位或全身进行扫描，得到待检测对象的医学图像，也可以通过在预先存储有待检测对象的医学图像的数据库中得到该待检测对象的医学图像，当然还可以是其他获取方式，本实施例不作具体限定。另外，这里待检测对象的医学图像可以是CT(Computed Tomography，电子计算机断层扫描)图像、PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)图像、MR(Magnetic Resonance，磁共振)图像、PET-MR图像、PET-CT图像等等；待检测对象的医学图像可以是一维图像、二维图像、三维图像等等。
需要说明的是，本实施例中获取的待检测对象的医学图像中一般会包括脊椎和脊椎周围的软组织等等，脊椎可以是颈椎、腰椎、胸椎等等。
另外，待检测对象的相关信息可以包括待检测对象的身份信息，例如待检测对象的年龄、性别、身高、体重、身份证号码、手机号码、驾驶证号码等等，可以通过询问待检测对象的方式得到，并将其输入至计算机设备中，就可以得到待检测对象的相关信息。
S204，对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果。
其中，在对待检测对象的医学图像进行分割处理时，可以是采用预先训练好的分割模型来进行分割，该分割模型可以包括图切割算法模型、分水岭算法模型、GrabCut算法模型、机器学习模型等，机器学习模型可以是FCN模型(Fully Convolutional Networks，全卷积网络)、FPN模型、SegNet模型、DeepLab模型、Mask-RCNN模型、U-Net模型、V-Net模型等等。
另外，分割模型在训练时，训练医学图像中均包括脊椎和脊椎周围的软组织，且在训练医学图像中标记了脊椎和脊椎周围的软组织，当然，训练医学图像中也可以标记脊椎上的病灶区域以及脊椎周围的软组织上的病灶区域，这样在利用分割模型对医学图像进行分割时，不仅可以分割出脊椎和脊椎周围的软组织，也可以分割出脊椎上的病灶区域和脊椎周围的软组织上的病灶区域。
也就是说，在利用分割模型对待检测对象的医学图像进行分割之后，得到分割结果，本步骤中的分割结果可以包括脊椎区域的分割图像和脊椎周围的软组织区域的分割图像，还可以包括脊椎上的病灶区域的分割图像和脊椎周围的软组织上的病灶区域的分割图像，当然还可以包括其他脊椎的相关分割图像，本实施例在此不作具体限定。需要说明的是，这里脊椎周围的软组织可以包括脊椎周围的脂肪、肌肉、韧带等等。
在对待检测对象的脊椎和脊椎周围的软组织进行分割之后，还可以对分割结果进行简单分析，得到的初步分析结果作为本步骤的分割结果。示例地，初步分析结果可以包括待检测对象是否是颈椎病、腰椎病、椎体骨质增生、腰椎生理曲度变直或侧弯、椎小关节增生硬化、椎间盘病变、韧带钙化、椎间孔狭窄、硬膜囊受压、椎体终板炎、脊髓的病变、脊椎滑脱、其他病变等等。
S206，对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
其中，这里的量化分析可以是基于上述脊椎区域的分割结果、脊椎周围的软组织区域的分割结果、脊椎上的病灶区域的分割结果、脊椎周围的软组织上的病灶区域的分割结果，定量计算脊椎的形态、体积、长宽高等量化参数，通过对这些量化参数进行分析，例如和相应的参数阈值进行对比等分析过程，得到这些量化参数的分析结果，然后通过分析结果得到脊椎以及脊椎周围的软组织的病变类型、病变程度等量化结果。
示例地，通过对分割结果进行量化分析可以得到待检测对象的病变区域的一些量化参数，然后通过量化参数得到量化结果；示例地，待检测对象的脊椎和脊椎周围软组织的量化结果可以包括椎管狭窄、颈椎曲度异常、椎间隙狭窄、钩突增生、软骨蜕变、骨质增生、向周围突出、后纵韧带钙化、黄韧带增厚、软骨退行性病变、前滑脱、侧围滑脱、脊髓受压等等。
另外，需要说明的是，在对不同检测对象的脊椎和脊椎周围的软组织的分割结果进行量化分析之前，可以是直接对检测对象的脊椎和脊椎周围的软组织的分割结果直接进行量化分析，也可以是预先对脊椎和脊椎周围的软组织的分割结果进行自体归一化处理(即每个检测对象对应一个归一化值)，并在归一化处理之后，再进行量化分析处理，当然也可以是其他方式，本实施例对此不作具体限定。
S208，基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
在本步骤中，在生成检测报告时，也可以是将上述分割结果和量化结果一并附在检测报告中，当然也可以是只包括量化结果。
具体的，计算机设备可以预先设置一个空白检测报告，上面可以罗列出检测报告的内容，比如待检测对象的相关信息、量化结果、分割图像等等；然后在上述得到待检测对象的相关信息、脊椎的分割结果、量化结果、脊椎周围的软组织的分割结果、量化结果之后，就可以将这些量化结果和分割结果对应输出至空白检测报告的对应位置处，从而得到待检测对象的检测报告，该检测报告的生成过程中不需要人工去填写报告，可以全部由计算机设备去实现，从而可以实现自动化的检测脊椎和脊椎周围的软组织。
上述图像检测方法中，通过对待检测对象的医学图像进行分割处理和量化处理，得到待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果，脊椎的量化结果以及脊椎周围的软组织的量化结果，并基于待检测对象的相关信息和待检测对象的量化结果，生成待检测对象的检测报告。在该方法中，由于可以通过自动化流程完成对待检测对象的脊椎和脊椎周围的软组织进行分割以及量化分析，并根据量化结果和待检测对象的相关信息，自动生成待检测对象的检测报告，该检测过程中完全不需要人工进行操作，因此，该方法可以节省人力和时间；另外，由于该方法中可以直接对受检者的医学图像上的脊椎进行分割和量化分析，从而得到最终的检测结果，而不需要人工去根据经验对受检者的脊椎进行检测，因此，该方法得到的检测结果也是更加准确的，从而也可以减少因为人工经验进行检测所带来的漏检和误检情况。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何保存待检测对象的检测结果的具体过程。如图3所示，上述方法还可以包括以下步骤：
S302，基于待检测对象的相关信息，确定待检测对象的身份标识信息。
在本步骤中，在S202得到待检测对象的相关信息之后，由于待检测对象的相关信息较多或者较长等问题，这样会耗费较多的存储空间进行存储，也不便于存储，因此，可以通过一定的规则从待检测对象的相关信息中选取一部分来作为待检测对象的身份标识信息，这样既可以标识该待检测对象，也可以减少存储空间；示例地，这里的规则可以是取待检测对象的所有相关信息中的首字母，然后构成待检测对象的身份标识信息，或者也可以是将待检测对象的身份证号码的一部分(或者驾驶证号码的一部分、电话号码的一部分等)作为待检测对象的身份标识信息，当然也可以是按照其他规则，本实施例对此不作具体限定。
S304，将待检测对象的身份标识信息和待检测对象的检测结果进行关联并保存至数据库中；待检测对象的检测结果包括脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果。
具体的，在上述得到待检测对象的身份标识信息，以及得到待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果之后，可以将待检测对象的身份标识信息和其对应的分割结果以及量化结果绑定起来，即建立对应关系，并将建立好的对应关系保存至数据库中。这里在建立对应关系时，也可以建立每个分割结果和量化结果之间的对应关系，并将每个分割结果和量化结果的对应关系一并保存至数据库中。
在保存好待检测对象的身份标识信息和其对应的分割结果以及量化结果之后，就可以将待检测对象的身份标识信息输出给用户或医生，这样用户或医生在后续就可以以待检测对象的身份标识作为索引，在数据库中找到该索引对应的分割结果以及量化结果，以便进行复核。
本实施例提供的图像检测方法，可以基于待检测对象的相关信息得到待检测对象的身份标识信息，并将该身份标识信息和上述脊椎和脊椎周围的软组织的分割结果及量化结果关联起来保存至数据库中。在本实施例中，由于可以关联并保存待检测对象的身份信息和分割结果及量化结果，这样可以为后续对分割结果进行复核提供一个数据基础，同时也便于医生或用户后期查找待检测对象的分割结果和量化结果。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何从数据库中得到待检测对象的分割结果和量化结果，以及对待检测对象的分割结果进行复核的具体过程。如图4所示，上述方法还可以包括以下步骤：
S402，基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示。
S404，获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果。
S406，根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
在本实施例中，在数据库中存储好待检测对象的身份标识信息之后，可以输出待检测对象的身份标识信息，这样后续医生就可以在数据库中找到待检测对象的身份标识信息对应的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，在找到之后，也可以将这些分割结果以及量化结果显示在阅片***或者终端的显示界面上，以供医生查看。通常脊椎的量化结果和脊椎周围的软组织的量化结果可能包括多个量化分析结果，例如椎管狭窄、颈椎曲度异常、椎间隙狭窄、钩突增生、软骨蜕变、骨质增生、向周围突出、后纵韧带钙化、黄韧带增厚、软骨退行性病变、前滑脱、侧围滑脱、脊髓受压，可以将这些量化结果都罗列在显示界面上，然后医生如果需要查看哪个量化结果，就可以在展示的多个量化结果上点击选取一个量化结果，选取的量化结果记为目标量化结果。
在选取得到目标量化结果之后，就可以依据上述保存的分割结果和量化结果之间的对应关系，在数据库中找到该目标量化结果对应的目标分割结果，然后将该目标分割结果显示在显示界面上，显示位置可以根据实际显示界面的分布情况而定，示例地，参见图4a所示，可以是显示界面的左边显示待检测对象的检测报告(也可以称为影像学报告)，中间显示目标分割结果(该目标分割结果可以是分割图像，可以显示在影像显示区域)，右边显示量化结果(也可以称为影像征象)，当然也可以是其他方式，本实施例对此不作具体限定。需要说明的是，图4a只是一个示例，其中的图像和报告等内容不影响本申请实施例的实质内容。另外，在显示目标分割结果时，也可以在目标分割结果上标记出病灶区域等。
上述在显示目标分割结果之后，可选的，还可以对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；判断再次量化结果和目标量化结果是否相同；若否，则基于再次量化结果更新待检测对象的检测报告。也就是说，医生在观察目标分割结果之后，若发现明显检查错误，例如目标分割结果上显示的颈椎的曲度明显是直的，但是目标量化结果对应的却是曲度是反弓的，那么就可以对目标分割结果进行再次量化分析，这里的再次量化分析可以是重新计算目标分割结果上的量化参数，然后通过再次计算的量化参数得到再次量化结果，然后比较该目标分割结果对应的两次量化结果是否相同，若相同，则将S208生成的检测报告作为最终的检测报告，若不相同，那么就可以在S208生成的检测报告上进行修改，将第二次量化结果对应更新到检测报告上，得到最终的检测报告。示例地，继续以上述曲度检测为例，可以对目标分割图像上颈椎的曲度进行重新计算，然后根据计算出来的曲度得到曲度类别，例如第二量化结果得到的曲度类别是直的，那么就需要在S208的检测报告上将曲度类别由初次的反弓更改为直，得到更改后的检测报告。
本实施例提供的图像检测方法，可以基于待检测对象的身份标识信息得到待检测对象的脊椎相关的分割结果和量化结果并显示，从显示的多个量化结果中选取一个目标量化结果以及得到该目标量化结果对应的分割结果并显示，并对目标量化结果对应的分割结果进行复核，得到最终的检查报告。在本实施例中，由于可以依据保存的数据库，得到目标量化结果对应的分割结果并显示，这样可以便于医生直观地观察脊椎的量化结果和分割结果；另外，本实施例可以通过从量化结果中选取目标量化结果，并显示目标量化结果对应的分割结果，这样可以避免医生盲目查看脊椎的所有分割结果，提高医生阅片的效率；除此之外，本实施例可以对显示的目标分割结果进行复核，这样可以避免初次检测出现的漏诊和误诊情况，从而可以提高对脊椎检测的准确性。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是若待检测对象的医学图像为多个不同模态的医学图像，那么如何对多个不同模态的医学图像进行图像配准，并对配准之后的图像进行分割的具体过程。如图5所示，上述S204可以包括以下步骤：
S502，对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像。
图像配准指的是将不同时间、不同传感器(或成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。首先对两幅图像进行特征提取得到特征点，通过进行相似性度量找到匹配的特征点对，然后通过匹配的特征点对得到图像空间坐标变换参数，最后由坐标变换参数进行图像配准。
在本步骤中，可以采用同一种配准方法对多个不同模态的医学图像进行图像配准，也可以采用不同的配准方法对多个不同模态的医学图像进行图像配准，可选的，本实施例主要采用的是采用两种不同的配准方法对多个不同模态的医学图像进行图像配准，配准过程如下步骤A1和A2：
步骤A1，采用刚性配准方法对多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像。
步骤A2，采用非刚性配准方法对多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将多个第二配准医学图像确定为配准后的多个医学图像。
其中，不同模态的医学图像可以包括CT、MR、PET等等中的任意两种或三种；刚性配准方法主要用于对器官之间相对位置比较固定的器官进行配准，例如本实施例中采用刚性配准方法对不同模态图像上脊椎的多块脊椎骨逐一进行配准，重复此过程，完成对脊椎的所有脊椎骨的图像配准，得到配准后的多个医学图像，以配准前的多模态图像为CT和MR为例，经过刚性配准就可以得到成对的配准图像(例如CT-MR对)；非刚性配准方法也可以称为柔性配准方法，可以对医学图像上具有活动度的多块脊椎骨进行配准，例如本实施例中采用柔性配准方法将多块脊椎骨及其周围的软组织的多模态医学图像进行配准。
需要说明的是，以多模态图像为CT和MR为例，本实施例中利用CT对骨组织成像的优势和MR对骨周围软组织的成像优势，利用配准算法对这两种模态图像上的脊椎骨和周围软组织完成图像配准，配准后的图像则兼具CT骨组织成像和MR软组织成像优势，这样在后续医生利用该配准的医学图像去进行病灶检测时，可以更好地、全面地观察病灶，以得到更准确的检测结果。
S504，对配准后的多个医学图像进行融合处理，得到融合医学图像。
在本步骤中，对配准后的医学图像进行融合后，一般会得到一个融合医学图像，该融合医学图像结合了各模态医学图像的成像优势，以便后续利用该融合医学图像能够得到更好的脊椎检测结果。
S506，对融合医学图像进行分割处理，得到分割结果。
上述通过图像配准和图像融合，可以将不同模态图像所表达的互补信息进行集成整合，这样医生在利用配准及融合后的图像进行分割时，得到的分割结果也是比较准确的，从而在基于分割结果对脊椎上的病灶进行检测时，得到的脊椎病灶检测结果会更加准确，也就是说，通过图像配准，可以在一定程度上提高脊椎病灶检测的准确性。
本实施例提供的图像检测方法，可以通过图像配准方法对不同模态的医学图像进行配准，并对配准后的医学图像进行融合处理和分割处理，得到分割结果。在本实施例中，由于通过图像配准和图像融合，可以将不同模态图像所表达的互补信息进行集成整合，这样在后续利用该配准及融合后的图像进行脊椎病灶检测时，得到的脊椎病灶检测结果会更加准确，即本实施例的方法可以在一定程度上提高脊椎病灶检测的准确性。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何对脊椎和脊椎周围的软组织的分割结果进行归一化处理，并基于归一化处理结果进行量化分析的具体过程。如图6所示，在上述S206之前，上述方法还可以包括以下步骤：
S602，基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值。
在本步骤中，每个待检测对象的归一化特征值都是通过该待检测对象自身的分割结果进行计算得到的，也就是说，每个待检测对象的会有一个自己的归一化特征值，不同待检测对象的归一化特征值可以相同，也可以不同。这里依据每个待检测对象自身的归一化特征值对各自的分割结果进行归一化，可以保证后续在此基础上进行的分类、量化等分析处理的准确性。
另外，这里的归一化特征值可以包括两部分归一化值，分别为图像归一化值和脊椎大小的归一化值，上述脊椎的分割结果和脊椎周围的软组织的分割结果可以包括脊椎的分割图像和脊椎周围软组织的分割图像，这里脊椎和脊椎周围的软组织组合起来就是脊柱。其中，图像归一化值可以通过将分割图像上脊椎骨周围的软组织(例如脂肪组织)的CT值求取均值和标准差，并将均值和标准差中的任意一个或者全部作为图像归一化值；脊椎大小的归一化值可以是分割结果中脊柱整体的大小，这里脊柱整体的大小可以是脊柱的体积、脊柱的长度等等。
S604，根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果。
在本步骤中，在得到待检测对象的图像归一化值之后，可以将脊椎的分割图像和脊椎周围的软组织的分割图像上的每个图像值除以该图像归一化值，得到归一化后的脊椎的分割图像和归一化后的脊椎周围的软组织的分割图像，同时可以统计得到分割图像上待检测对象的脊椎的大小和脊椎周围的软组织的大小，然后将分割图像上待检测对象的脊椎的大小和脊椎周围的软组织的大小分别除以脊椎大小的归一化值，最终得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果。当然上述脊椎的大小的归一化过程可以和图像值归一化的过程进行顺序颠倒，当然也可以同时进行，本实施例对此不作具体限定。通过图像值可脊椎大小的归一化处理，可以避免由于检测对象的年龄、身高、性别、图像亮度、图像灰度等不同所带来的量化分析误差，以此提高检测的准确性。
相应地，上述S206可以包括以下步骤：
S606，对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
本实施例提供的图像检测方法，可以采用待检测对象的归一化特征值对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，并对归一化处理后的分割结果进行量化分析处理，得到量化分析结果。在本实施例中，由于可以用待检测对象自身对应的归一化特征值对脊椎的相关分割结果进行归一化处理，这样可以避免由于检测对象的年龄、身高、性别、图像亮度、图像灰度等不同所带来的量化分析误差，从而可以提高后续对脊椎病灶区域检测的准确性。
在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤S1-S12：
S1，获取待检测对象多个不同模态的医学图像和待检测对象的相关信息。
S2，采用刚性配准方法和非刚性配准方法对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像，并对准后的多个医学图像进行融合处理，得到融合医学图像。
S3，对融合医学图像进行分割处理，得到分割结果；分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果。
S4，基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值。
S5，根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果。
S6，对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
S7，基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
S8，将待检测对象的身份标识信息和待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果进行关联并保存至数据库中。
S9，基于待检测对象的相关信息，确定待检测对象的身份标识信息。
S10，基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示。
S11，获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果，根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
S12，对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果，判断再次量化结果和目标量化结果是否相同，若否，则基于再次量化结果更新待检测对象的检测报告。
应该理解的是，虽然图2-6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2-6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。
在一个实施例中，如图7所示，提供了一种图像检测装置，包括：获取模块10、分割模块11、量化模块12和生成模块13，其中：
获取模块10，用于获取待检测对象的医学图像和待检测对象的相关信息；
分割模块11，用于对待检测对象的医学图像进行分割处理，得到分割结果；该分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
量化模块12，用于对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
生成模块13，用于基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
关于图像检测装置的具体限定可以参见上文中对于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标识确定模块和关联保存模块，其中：
标识确定模块，用于基于待检测对象的相关信息，确定待检测对象的身份标识信息；
关联保存模块，用于将待检测对象的身份标识信息和待检测对象的检测结果进行关联并保存至数据库中；待检测对象的检测结果包括脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果。
在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述装置还可以包括获取显示模块、目标获取模块和结果显示模块，其中：
获取显示模块，用于基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示；
目标获取模块，用于获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果；
结果显示模块，用于根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
可选的，上述装置还可以包括复核模块，其中，复核模块，用于对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；判断再次量化结果和目标量化结果是否相同；若否，则基于再次量化结果更新待检测对象的检测报告。
在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述分割模块11还可以包括配准单元、融合单元和分割单元，其中：
配准单元，用于对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像；
融合单元，用于对配准后的多个医学图像进行融合处理，得到融合医学图像；
分割单元，用于对融合医学图像进行分割处理，得到分割结果。
可选的，上述配准单元，还用于采用刚性配准方法对多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像；采用非刚性配准方法对多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将多个第二配准医学图像确定为配准后的多个医学图像。
在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，在上述量化模块12对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果之前，上述装置还可以包括归一化模块，其中，该归一化模块，用于基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值；根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果；
相应地，上述量化模块12，还用于对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。
上述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：
获取待检测对象的医学图像和待检测对象的相关信息；
对待检测对象的医学图像进行分割处理，得到分割结果；分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
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：
基于待检测对象的相关信息，确定待检测对象的身份标识信息；将待检测对象的身份标识信息和待检测对象的检测结果进行关联并保存至数据库中；待检测对象的检测结果包括脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果。
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：
基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示；获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果；根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
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：
对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；判断再次量化结果和目标量化结果是否相同；若否，则基于再次量化结果更新待检测对象的检测报告。
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：
对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像；对配准后的多个医学图像进行融合处理，得到融合医学图像；对融合医学图像进行分割处理，得到分割结果。
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：
采用刚性配准方法对多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像；采用非刚性配准方法对多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将多个第二配准医学图像确定为配准后的多个医学图像。
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：
基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值；根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果；对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
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：
获取待检测对象的医学图像和待检测对象的相关信息；
对待检测对象的医学图像进行分割处理，得到分割结果；分割结果包括脊椎的分割结果和脊椎周围的软组织的分割结果；
对脊椎的分割结果和脊椎周围的软组织的分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果；
基于待检测对象的相关信息和脊椎的量化结果以及脊椎周围的软组织的量化结果，生成待检测对象的检测报告。
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：
基于待检测对象的相关信息，确定待检测对象的身份标识信息；将待检测对象的身份标识信息和待检测对象的检测结果进行关联并保存至数据库中；待检测对象的检测结果包括脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果。
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：
基于待检测对象的身份标识信息，从数据库中获取待检测对象的脊椎的分割结果、脊椎周围的软组织的分割结果、脊椎的量化结果以及脊椎周围的软组织的量化结果，并进行显示；获取从脊椎的量化结果和脊椎周围的软组织的量化结果中确定的目标量化结果；根据目标量化结果，从脊椎的分割结果和脊椎周围的软组织的分割结果中确定目标量化结果对应的分割结果，并显示目标量化结果对应的分割结果。
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：
对目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；判断再次量化结果和目标量化结果是否相同；若否，则基于再次量化结果更新待检测对象的检测报告。
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：
对多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像；对配准后的多个医学图像进行融合处理，得到融合医学图像；对融合医学图像进行分割处理，得到分割结果。
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：
采用刚性配准方法对多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像；采用非刚性配准方法对多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将多个第二配准医学图像确定为配准后的多个医学图像。
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：
基于脊椎的分割结果和脊椎周围的软组织的分割结果，确定待检测对象的归一化特征值；根据归一化特征值，分别对脊椎的分割结果和脊椎周围的软组织的分割结果进行归一化处理，得到脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果；对脊椎的归一化分割结果和脊椎周围的软组织的归一化分割结果进行量化分析，得到脊椎的量化结果和脊椎周围的软组织的量化结果。
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-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。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。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 Random Access Memory，DRAM)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)
1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测对象的医学图像和所述待检测对象的相关信息；
对所述待检测对象的医学图像进行分割处理，得到分割结果；所述分割结果包括脊椎的分割结果和所述脊椎周围的软组织的分割结果；
对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果；
基于所述待检测对象的相关信息和所述脊椎的量化结果以及所述脊椎周围的软组织的量化结果，生成所述待检测对象的检测报告。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述待检测对象的相关信息，确定所述待检测对象的身份标识信息；
将所述待检测对象的身份标识信息和所述待检测对象的检测结果进行关联并保存至数据库中；所述待检测对象的检测结果包括所述脊椎的分割结果、所述脊椎周围的软组织的分割结果、所述脊椎的量化结果以及所述脊椎周围的软组织的量化结果。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述待检测对象的身份标识信息，从所述数据库中获取所述待检测对象的脊椎的分割结果、所述脊椎周围的软组织的分割结果、所述脊椎的量化结果以及所述脊椎周围的软组织的量化结果，并进行显示；
获取从所述脊椎的量化结果和所述脊椎周围的软组织的量化结果中确定的目标量化结果；
根据所述目标量化结果，从所述脊椎的分割结果和所述脊椎周围的软组织的分割结果中确定所述目标量化结果对应的分割结果，并显示所述目标量化结果对应的分割结果。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述目标量化结果对应的分割结果进行再次量化分析，得到再次量化结果；
判断所述再次量化结果和所述目标量化结果是否相同；
若否，则基于所述再次量化结果更新所述待检测对象的检测报告。
5.根据权利要求1-4任意一项所述的方法，其特征在于，若所述待检测对象的医学图像为多个不同模态的医学图像，所述对所述待检测对象的医学图像进行分割处理，得到分割结果，包括：
对所述多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像；
对所述配准后的多个医学图像进行融合处理，得到融合医学图像；
对所述融合医学图像进行分割处理，得到所述分割结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述多个不同模态的医学图像进行图像配准，得到配准后的多个医学图像，包括：
采用刚性配准方法对所述多个不同模态的医学图像中的脊椎进行配准，得到多个第一配准医学图像；
采用非刚性配准方法对所述多个第一配准医学图像中的脊椎及脊椎周围的软组织进行配准，得到多个第二配准医学图像，将所述多个第二配准医学图像确定为所述配准后的多个医学图像。
7.根据权利要求1-4任意一项所述的方法，其特征在于，在所述对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果之前，所述方法还包括：
基于所述脊椎的分割结果和所述脊椎周围的软组织的分割结果，确定所述待检测对象的归一化特征值；
根据所述归一化特征值，分别对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行归一化处理，得到所述脊椎的归一化分割结果和所述脊椎周围的软组织的归一化分割结果；
相应地，所述对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果，包括：
对所述脊椎的归一化分割结果和所述脊椎周围的软组织的归一化分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果。
8.一种图像检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测对象的医学图像和所述待检测对象的相关信息；
分割模块，用于对所述待检测对象的医学图像进行分割处理，得到分割结果；所述分割结果包括脊椎的分割结果和所述脊椎周围的软组织的分割结果；
量化模块，用于对所述脊椎的分割结果和所述脊椎周围的软组织的分割结果进行量化分析，得到所述脊椎的量化结果和所述脊椎周围的软组织的量化结果；
生成模块，用于基于所述待检测对象的相关信息和所述脊椎的量化结果以及所述脊椎周围的软组织的量化结果，生成所述待检测对象的检测报告。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326782.3A CN113643223A (zh) | 2020-04-23 | 2020-04-23 | 图像检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326782.3A CN113643223A (zh) | 2020-04-23 | 2020-04-23 | 图像检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643223A true CN113643223A (zh) | 2021-11-12 |
Family
ID=78414814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010326782.3A Pending CN113643223A (zh) | 2020-04-23 | 2020-04-23 | 图像检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643223A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563650A (zh) * | 2023-07-10 | 2023-08-08 | 邦世科技(南京)有限公司 | 一种基于深度学习的终板炎退变分级方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1891155A (zh) * | 2006-05-26 | 2007-01-10 | 北京思创贯宇科技开发有限公司 | 一种基于ct图像的组织成分分析方法 |
| US20130230454A1 (en) * | 2007-03-27 | 2013-09-05 | Cardiovascular Biotherapeutics, Inc. | Therapeutic Angiogenesis for Treatment of the Spine and Other Tissues |
| CN103978789A (zh) * | 2014-05-22 | 2014-08-13 | 中国科学院苏州生物医学工程技术研究所 | 基于3d打印的头部医学模型快速成型方法 |
| CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
| CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和*** |
| US20190139236A1 (en) * | 2016-12-28 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for processing multi-modality image |
| CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
| CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
-
2020
- 2020-04-23 CN CN202010326782.3A patent/CN113643223A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1891155A (zh) * | 2006-05-26 | 2007-01-10 | 北京思创贯宇科技开发有限公司 | 一种基于ct图像的组织成分分析方法 |
| US20130230454A1 (en) * | 2007-03-27 | 2013-09-05 | Cardiovascular Biotherapeutics, Inc. | Therapeutic Angiogenesis for Treatment of the Spine and Other Tissues |
| CN103978789A (zh) * | 2014-05-22 | 2014-08-13 | 中国科学院苏州生物医学工程技术研究所 | 基于3d打印的头部医学模型快速成型方法 |
| CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和*** |
| US20190139236A1 (en) * | 2016-12-28 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for processing multi-modality image |
| CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
| CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
| CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 詹曙;郝世杰;李鸿;***;IAN ROSS;: "基于脊椎MRI中改进型ICA-AAMs椎体分割的腰椎图像分析", 中国图象图形学报, no. 02, 15 February 2010 (2010-02-15) * |
| 马昂昂;廖琪梅;赵菲;卢虹冰;: "一种基于HAMMER算法的软组织形变检测新方法", 中国医学装备, no. 05, 15 May 2012 (2012-05-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563650A (zh) * | 2023-07-10 | 2023-08-08 | 邦世科技(南京)有限公司 | 一种基于深度学习的终板炎退变分级方法及*** |
| CN116563650B (zh) * | 2023-07-10 | 2023-10-13 | 邦世科技(南京)有限公司 | 一种基于深度学习的终板炎退变分级方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
| CN111210897B (zh) | 处理医学图像 | |
| US8334878B2 (en) | Medical image processing apparatus and medical image processing program | |
| CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
| CN111640480A (zh) | 医学报告生成方法、计算机设备和存储介质 | |
| US11669960B2 (en) | Learning system, method, and program | |
| US20200410674A1 (en) | Neural Network Classification of Osteolysis and Synovitis Near Metal Implants | |
| US20220361807A1 (en) | Assessment of spinal column integrity | |
| US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
| CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及*** | |
| CN113781382A (zh) | 脊椎压迫性骨折检测方法与*** | |
| CN114092475A (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
| CN114943714A (zh) | 医学图像处理***、装置、电子设备及存储介质 | |
| Dourthe et al. | Automated segmentation of spinal muscles from upright open MRI using a multiscale pyramid 2D convolutional neural network | |
| CN113643223A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| JP5363962B2 (ja) | 診断支援システム、診断支援プログラムおよび診断支援方法 | |
| US20230169644A1 (en) | Computer vision system and method for assessing orthopedic spine condition | |
| JP2020006150A (ja) | 基準系の妥当性 | |
| EP3391332B1 (en) | Determination of registration accuracy | |
| Yeung et al. | Relationship between lower lumbar spine shape and patient bone metabolic activity as characterised by 18F NaF bio-markers | |
| KR102427573B1 (ko) | 의료 영상 등록 방법 | |
| Le Pennec et al. | CT-based semi-automatic quantification of vertebral fracture restoration | |
| US20190251691A1 (en) | Information processing apparatus and information processing method | |
| CN113643222A (zh) | 多模态影像的分析方法、计算机设备和存储介质 | |
| US12033366B2 (en) | Matching apparatus, matching method, and matching program |
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 |