CN115439453A - 一种脊椎椎体定位方法、装置、电子设备及存储介质 - Google Patents

一种脊椎椎体定位方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115439453A
CN115439453A CN202211111988.XA CN202211111988A CN115439453A CN 115439453 A CN115439453 A CN 115439453A CN 202211111988 A CN202211111988 A CN 202211111988A CN 115439453 A CN115439453 A CN 115439453A
Authority
CN
China
Prior art keywords
vertebral body
dimensional
vertebral
image
position information
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
Application number
CN202211111988.XA
Other languages
English (en)
Other versions
CN115439453B (zh
Inventor
于灏
张佳琦
鄂有君
肖悦
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI 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 Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202211111988.XA priority Critical patent/CN115439453B/zh
Publication of CN115439453A publication Critical patent/CN115439453A/zh
Application granted granted Critical
Publication of CN115439453B publication Critical patent/CN115439453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种脊椎椎体定位方法、装置、电子设备及存储介质，包括对原始三维脊椎图像中第一椎体检测，得到包括多个第一椎体的检测框的第一三维脊椎图像，根据检测框对应的第一椎体的位置信息，确定位置连续的多个第一椎体组成的第一区段；对原始三维脊椎图像中第二椎体检测，得到包括多个第二椎体的检测框的第二三维脊椎图像；将第一三维脊椎图像和第二三维脊椎图像合并得到第三三维脊椎图像；将第一三维脊椎图像与所第三三维脊椎图像比对，确定第三三维脊椎图像中与第一区段位置相同的第二区段，将第一区段中第一椎体的位置信息作为第二区段中对应目标椎体的位置信息；根据目标椎体的位置信息，确定第三三维脊椎图像中每个椎体的位置信息。

Description

一种脊椎椎体定位方法、装置、电子设备及存储介质
技术领域
本公开涉及医学图像处理技术领域，尤其涉及一种脊椎椎体定位方法、装置、电子设备及存储介质。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。随着医学影像技术的不断进步，CT医学影像在脊椎疾病诊断中被广发应用，为了定位脊椎病灶的位置，通常使用脊椎的CT影像进行脊椎检测和分割。脊椎包括多个椎体，如颈椎椎体、胸椎椎体和腰椎椎体，然而现有的检测和分割通常基于整体的脊椎进行椎体的分割，因此存在检测和分割不准确的问题，也因此，对于分割的椎体难以定位准确。
发明内容
本公开提供一种脊椎椎体定位方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
本公开一方面提供一种脊椎椎体定位方法，该方法包括：
基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，并根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体；
基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体；
将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像；
将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息；
根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
在一可实施方式中，所述基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，所述得到第一三维脊椎图像包括：
对原始三维脊椎图像中的第一椎体进行检测，获取所有检测框的置信度，根据预设的第一阈值，去除置信度小于所述第一阈值的检测框；
若存在任一第一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，得到第一三维脊椎图像。
在一可实施方式中，所述将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像包括：
将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，若存在任一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，保留该椎体的一个检测框，得到第三三维脊椎图像。
在一可实施方式中，所述确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，包括：
在所述第一三维脊椎图像中，沿着脊椎从上到下的方向对检测框进行搜索，根据检测框对应的所述位置信息确定多个位置连续的检测框，所述多个位置连续的检测框对应的多个第一椎体组成第一区段。
在一可实施方式中，若所述第一三维脊椎图像存在至少两个第一区段，该方法还包括：
从所述至少两个第一区段中选取椎体数量最多的第一区段。
在一可实施方式中，所述根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息，包括：
根据脊椎中所有椎体的标准排列顺序，确定所述第二区段中任一所述目标椎体与所述第三三维脊椎图像中其他每个椎体的距离；
基于所述距离和该目标椎体的位置信息，确定其他每个椎体的位置信息。
在一可实施方式中，所述确定所述第三三维脊椎图像中每个椎体的位置信息之后，该方法还包括：
基于所述第三三维脊椎图像中每个椎体的检测框，确定分割区域，根据所述分割区域对所述原始三维脊椎图像进行分割，得到对应于每个椎体的局部三维图像；
基于第三椎体模型对所述局部三维图像进行椎体和附件的分割。
本公开另一方面提供一种脊椎椎体定位装置，包括：
检测模块，用于基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体；
处理模块，用于根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段；
所述检测模块，还用于基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体；
所述处理模块，还用于将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像；
所述处理模块，还用于将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息；
计算模块，用于根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
本公开再一方面提供一种电子设备，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述脊椎椎体定位方法。
本公开还一方面提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述脊椎椎体定位方法。
基于上述方案，本公开提供一种脊椎椎体定位方法，对原始三维脊椎图像仅进行单一第一椎体的检测，如仅对颈椎椎体或腰椎椎体或胸椎椎体进行检测，可以提高第一椎体检测结果的准确性，实现针对第一椎体的较精确的类别识别，由于第一椎体的检测结果具备较为准确的位置信息，可依据位置信息，获取由位置连续的多个第一椎体组成的第一区段作为更新其他椎***置信息的参照区段；并对原始三维脊椎图像进行第二椎体的检测，第二椎体包括脊椎的所有椎体类型，如颈椎椎体、腰椎椎体和胸椎椎体；根据第一三维脊椎图像和第二三维脊椎图像，确定第三三维脊椎图像，以获得每个椎体更加准确的检测结果；再将第一三维脊椎图像和第三三维脊椎图像进行比对，确定第三三维脊椎图像中与第一区段对应的第二区段，将第一区段作为参照区段，令第一区段中的第一椎体的位置信息赋予第二区段中的目标椎体，并据此确定第三三维脊椎图像中其他椎体的位置信息，实现了脊椎检测中，对脊椎椎体检测结果的准确定位。
附图说明
图1所示为本公开一实施例提供的脊椎椎体定位方法的流程结构示意图；
图2所示为本公开一实施例提供的脊椎椎体和附件分割过程变化示意图；
图3所示为本公开一实施例提供的脊椎椎体定位方法的模型网络结构示意图；
图4示出了本公开一实施例提供的脊椎椎体定位装置的结构示意图；
图5示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
为了提高脊椎椎体检测结果和定位的准确性，本公开一实施例提供了一种脊椎椎体定位方法，该方法包括：
步骤101，基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，并根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体。
三维脊椎图像为包括脊椎区域的CT图像，脊椎包括颈椎、胸椎和腰椎。本步骤中可对颈椎、胸椎或腰椎的椎体进行检测，当对颈椎椎体进行检测时，第一椎体模型为颈椎椎体检测模型，当对腰椎椎体进行检测时，第一椎体模型为腰椎椎体检测模型，当对胸椎椎体进行检测时，第一椎体模型为胸椎椎体检测模型。仅对单种类型椎体检测，可以提高检测精度，因此，无论使用何种椎体检测模型，在此步骤中能够得到更为精确的第一椎体的检测结果即可，具体可根据实际情况决定。
在一示例中，第一椎体为胸椎椎体，即通过胸椎椎体模型对原始三维脊椎图像进行检测。由于胸椎所在区域包括多根肋骨，具有较为明显的特征，可以辅助胸椎椎体的检测，进一步提高检测的精确度，同时在三维脊椎图像上，胸椎所在区域通常获取的较为全面，因此，使用胸椎椎体模型对胸椎椎体进行检测，能够提取出检测结果较为准确的胸椎椎体。此外，若颈椎椎体或腰椎椎体也能够达到较好的提取结果，此处也可使用颈椎椎体或腰椎椎体，在此不做具体限定。
在第一三维脊椎图像中，确定的胸椎椎体都以检测框的形式圈定呈现，同时配置有相应的置信度。
仍以第一椎体为胸椎椎体示例，胸椎椎体一般为12节，由于第一椎体模型为多目标检测模型，检测出的胸椎椎体都进行了类别识别，体现为经过检测所确定的胸椎椎体均对应有位置信息，其中，位置信息用于描述该胸椎椎体在脊椎上的位置(即通过胸椎椎体模型检测后得到的标签)。
理想状态下，胸椎椎体所对应的位置信息分别为T1至T12(从脊椎的轴位上从上到下的顺序)。非理想情况下，存在胸椎椎体对应的位置信息呈不按顺序排列的状态，即存在对胸椎椎体进行检测时分错标签的可能。因此胸椎椎体按照顺序所对应的位置信息不一定是从T1连续排列至T12，位置信息可能错误排列，也可能重复出现，因此，需要根据位置信息确定可用于提供正确参照的依据，从第一三维脊椎图像中确定出位置连续的多个胸椎椎体组成的第一区段，该第一区段可作为其他胸椎椎***置信息参照的基准。
步骤102，基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体。
脊椎共包括24节椎体，即位于颈椎的7节颈椎椎体、位于胸椎的12节胸椎椎体和位于腰椎的5节腰椎椎体。
第二椎体模型为脊椎椎体检测模型，第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体，通过第二椎体模型对原始三维脊椎图像的第二椎体进行检测，可得到包括对应于多个第二椎体的检测框的第二三维脊椎图像。其中，第二椎体对应的检测框配置有相应的置信度。
在此步骤中，第二椎体的检测框可以对应位置信息(需要注意的是，即便第二椎体的检测框对应位置信息，也属于伪位置信息，需要后续更正)，也可以不对应位置信息。
其中，步骤102和步骤101的执行不分先后顺序。
步骤103，将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像。
由于步骤101和步骤102都基于同一张原始三维脊椎图像进行检测，因此，可以将步骤101得到的第一三维脊椎图像和步骤102得到的第二三维脊椎图像进行合并，如此，可使相同的椎体上对应于一个或多个检测框。
例如，对于同一节胸椎椎体，既对应有第一椎体的检测框，也对应有第二椎体的检测框。若存在任一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，保留该椎体的一个检测框，得到第三三维脊椎图像。
例如，以胸椎椎体a为例，合并前，第一三维脊椎图像上的胸椎椎体a上对应有一个检测框，第二三维脊椎图像上的胸椎椎体a上对应有一个检测框，第一三维图像和第二三维图像合并后，该胸椎椎体a上即对应有两个检测框，因此，需要进行去重，只留下一个与胸椎椎体a对应的检测框。
在一示例中，去重可使用非极大值抑制法。
如此，若第一三维脊椎图像或第二三维脊椎图像上对应于同一椎体存在检测遗漏，即没有对应的检测框，通过两者合并，可查漏补缺，使得每个椎体都能够具备检测结果；若第一三维脊椎图像或第二三维脊椎图像上对应于同一椎体都具备相应的检测结果，通过两者合并再进行去重，可提供更优的检测结果，进一步提高检测精确度。
以上仅为举例以作示例，具体不限定于此。
步骤104，将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息。
据步骤101中所述，第一区段基于位置信息且由多个位置连续的第一椎体组成，通过将第一区段中的第一椎体与第三三维脊椎图像中的第二椎体进行比对或匹配，确定与第一区段位置相同的第二区段，实现第一区段和第二区段的对齐，由于第一区段中的第一椎体都具备正确的位置信息，因此，可将第一区段中第一椎体的位置信息作为第二区段中对应的目标椎体的位置信息。
例如，仍以胸椎椎体为例，第一区段由三节第一椎体组成，分别是位置连续的第三节胸椎椎体(位置信息为T3)、第四节胸椎椎体(位置信息为T4)和第五节胸椎椎体(位置信息为T5)，根据比对，定位到第三三维脊椎图像中的第二椎体，即第三三维脊椎图像中的第三节胸椎椎体、第四节胸椎椎体和第五节胸椎椎体(即第二区段，第二区段中的第二椎体即为目标椎体)。第三三维脊椎图像中的这三节第二椎体可能有错误的位置信息，也可能不具备位置信息，因此，可将第一椎体的位置信息作为对应的第二椎体的位置信息。
应该理解的是，在确定第一区段后，也可选择第一区段中任一第一椎体，根据任一第一椎体，确定第三三维脊椎图像中对应的第二椎体。如根据第一区段中的第三节胸椎椎体匹配第三三维脊椎图像中的第三节胸椎椎体，并将第一区段中的第三节胸椎椎体的位置信息T3作为第三三维脊椎图像中的第三节胸椎椎体的位置信息，第三三维脊椎图像中的第三节胸椎椎体即为目标椎体。
步骤105，根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
例如，根据步骤104中获取的目标椎体(即第三节胸椎椎体的位置信息T3)，可以确定第三三维脊椎图像中其他椎体的位置信息，若第三三维脊椎图像中包括了24节脊椎椎体，则还可以确定颈椎椎体、剩余胸椎椎体和腰椎椎体的位置信息。
本公开提供一种脊椎椎体定位方法，对原始三维脊椎图像仅进行单一第一椎体的检测，如仅对颈椎椎体或腰椎椎体或胸椎椎体进行检测，可以提高第一椎体检测结果的准确性，实现针对第一椎体的较精确的类别识别，由于第一椎体的检测结果具备较为准确的位置信息，可依据位置信息，获取由位置连续的多个第一椎体组成的第一区段作为更新其他椎***置信息的参照区段；并对原始三维脊椎图像进行第二椎体的检测，第二椎体包括脊椎的所有椎体类型，如颈椎椎体、腰椎椎体和胸椎椎体；根据第一三维脊椎图像和第二三维脊椎图像，确定第三三维脊椎图像，以获得每个椎体更加准确的检测结果；再将第一三维脊椎图像和第三三维脊椎图像进行比对，确定第三三维脊椎图像中与第一区段对应的第二区段，将第一区段作为参照区段，令第一区段中的第一椎体的位置信息赋予第二区段中的目标椎体，并据此确定第三三维脊椎图像中其他椎体的位置信息，实现了脊椎检测中，对脊椎椎体检测结果的准确定位。
在一示例中，所述基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，所述得到第一三维脊椎图像包括：
对原始三维脊椎图像中的第一椎体进行检测，获取所有检测框的置信度，根据预设的第一阈值，去除置信度小于所述第一阈值的检测框；
若存在任一第一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，得到第一三维脊椎图像。
在对原始三维脊椎图像进行检测时，只是初步的输出了多个疑似第一椎体的区域，因此，每个检测框所圈定的区域并不代表是真的第一椎体，需要通过筛选的方式确定疑似度更高的区域作为检测框所对应的第一椎体。例如，将第一阈值设置为0.9，去除置信度小于0.9的检测框，保留第一椎体的检测框。
但还存在同一第一椎体上呈现多个检测框且多个检测框之间具有部分相互重合的情况，因此还需对对应至少两个检测框的第一椎体进行去重处理，使得每个第一椎体只对应一个检测框。
应该理解的是，去重处理和去除处理可调换先后执行顺序。
在一示例中，对检测框进行去重处理，可使用DIOU-NMS(Non-MaximumSuppression),一种非极大值抑制的方法进行处理。
包括将所有第一椎体对应的检测框的置信度从大到小排序得到检测框队列，对所述检测框队列中的检测框进行遍历；将当前访问的检测框作为当前标准检测框；对于还未访问到的每个检测框，将该检测框与当前标准检测框进行交并比，并确定两者中心点距离的平方值与两者最小包络方框的对角线距离的平方值的比值；若所述交并比与所述比值的差值大于预设的第二阈值，则将对应的还未访问到的检测框从所述检测框队列删除，得到更新后的检测框队列，并访问更新后的检测框队列中的下一个检测框，直到遍历完成。
例如，第一椎体a对应有三个检测框，置信度分别为0.8、0.75和0.6，第一椎体b对应有两个检测框，置信度分别为0.7和0.65，将这五个检测框按照置信度由大到小进行排序，得到检测框队列0.8、0.75、0.7、0.65和0.6。遍历时，第一轮访问置信度为0.8所对应的检测框，作为当前的标准检测框，分别与置信度为0.75、0.7、0.65和0.6的检测框做交并比，再分别与置信度为0.75、0.7、0.65和0.6的检测框确定中心点距离的平方以及最小包络方框的对角线距离平方的比值。
确定当前的标准检测框与置信度0.75和0.6的检测框的交并比与比值的差值，大于预设的第二阈值，则从检测框队列中去除这两个置信度所对应的检测框(应该理解的是，当第一椎体b与第一椎体a没有交集时，第一椎体b中的检测框与第一椎体a中的检测框的交并比理应为0)；得到更新后的检测框队列为0.8、0.7和0.6。
第二轮访问时，剩余未遍历到的检测框所对应的置信度按照从大到小排序依次为0.7和0.65，将置信度为0.7所对应的检测框作为当前的标准区域，与置信度为0.65的检测框做上述相同的操作，以此类推。
遍历完成时，只保留有第一椎体a对应的置信度为0.8的检测框和第一椎体b对应的置信度为0.7检测框。
在一示例中，所述将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像包括：
将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，若存在任一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，保留该椎体的一个检测框，得到第三三维脊椎图像。
根据步骤103中所述，将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并后，对于同一节胸椎椎体，既对应有第一椎体的检测框，也对应有第二椎体的检测框。若存在任一椎体对应至少两个检测框，则对该椎体的检测框进行去重处理，仅保留该椎体的一个检测框，去重的方式为NMS非极大值抑制法，具体与上述步骤中使用DIOU-NMS去重的方式相近，也可使用与上述相同的去重方法，在此不予赘述。
在一示例中，所述确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，包括：
在所述第一三维脊椎图像中，沿着脊椎从上到下的方向对检测框进行搜索，根据检测框对应的所述位置信息确定多个位置连续的检测框，所述多个位置连续的检测框对应的多个第一椎体组成第一区段。
根据步骤104中所述，可知理想状态下，沿脊椎从上到下(即从头向腰)的方向排列，对应于胸椎椎体的位置信息应该为T1、T2、T3、T4、T5、T6、T7、T8、T9、T10、T11和T12，由于该位置信息是根据第一椎体模型检测而得，不一定准确，因此实际情况下得到的胸椎椎体在此方向上的位置标签可能为T1、T2、T3、T5、T5、T7、T6、T8、T9、T10、T11和T12，即可能存在顺序标错或者漏标或者重复标等问题，此时，按照该排列方向进行搜索，可确定位置信息连续的、且位置连续的多个检测框所对应的第一椎体组成的两个第一区段，这两个第一区段的位置信息分别为T1、T2和T3，以及T8、T9、T10、T11和T12。
在一示例中，可选择上述任一第一区段，作为步骤105中的第一区段，来匹配第三三维脊椎图像中的第二区段。
相应的，若只确定一个第一区段，则该第一区段直接作为步骤105中的第一区段。
在一示例中，若所述第一三维脊椎图像存在至少两个第一区段，该方法还包括：
从所述至少两个第一区段中选取椎体数量最多的第一区段。
在上述示例中，存在两个第一区段的可能，显然位置信息对应于T8、T9、T10、T11和T12的第一区段中所包含的第一椎体数量更多，在无法确定哪个位置信息更加准确的情况下，按照搜索顺序排列，选取连续第二椎体数量最多的第一区段作为参考区段，第一区段中第二椎体对应的位置信息作为基准的位置信息，能够进一步保证目标椎体定位的准确率。因此，选取第二椎体数量最多的第一区段，作为步骤105中所使用的第一区段。
在一示例中，所述根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息，包括：
根据脊椎中所有椎体的标准排列顺序，确定所述第二区段中任一所述目标椎体与所述第三三维脊椎图像中其他每个椎体的距离；
基于所述距离和该目标椎体的位置信息，确定其他每个椎体的位置信息。
根据步骤102中所述，脊椎所有的椎体为24节，按照标准排列顺序，从头部往腰的方向，即为依次排列的颈椎椎体(C1-C7)、依次排列的胸椎椎体(T1-T7)和依次排列的腰椎椎体(L1-L5)。因此，确定第三三为脊椎图像中的目标椎体的位置信息后，可根据上述排列顺序，推导其他椎体的位置信息。
例如，第二区段包括三节目标椎体，分别为第1节胸椎椎体(位置信息为T1)、第2节胸椎椎体(位置信息为T2)和第3节胸椎椎体(位置信息为T3)。
以第1节胸椎椎体为例，确定其位置信息为T1，则向上排列的距离为1的第一个椎体为第7节颈椎椎体，向上排列的距离为2的第二个椎体为第2节颈椎椎体，…向上排列的距离为8的第八个椎体为第1节颈椎椎体，因此，按照上述顺序，对每个颈椎椎体的位置信息进行确定(若椎体原本具有位置信息则为对原本的位置信息进行更新，若原本无位置信息，则进行赋予)，依次为第7节颈椎椎体(C7)、第6节颈椎椎体(C6)、…直至第1节颈椎椎体(C1)。依照上述进行类推，从该目标椎体向下排列椎体的位置信息依次为第2节胸椎椎体(T2)、第3节胸椎椎体(T3)、…第12节胸椎椎体(T12)、第1节腰椎椎体(L1)、第2节腰椎椎体(L2)、…直至第5节腰椎椎体(L5)。
应该理解的是，由于第2节胸椎椎体和第3节胸椎椎体作为目标椎体已经具有了位置信息，所以可直接从非目标椎体的椎体即第4节腰椎椎体开始确定。
如此，可对所检测出的所有椎体进行准确的定位。若以胸椎椎体作为步骤101中的第一椎体，则当获取的原始三维脊椎图像并非为完整的图像时(例如缺失上侧的大部分颈椎或下侧的大部分腰椎)，也可通过第一椎体模型，精确检测胸椎椎体并识别以提供位置信息，再定位到每节椎体。
在一示例中，所述确定所述第三三维脊椎图像中每个椎体的位置信息之后，该方法还包括：
基于所述第三三维脊椎图像中每个椎体的检测框，确定分割区域，根据所述分割区域对所述原始三维脊椎图像进行分割，得到对应于每个椎体的局部三维图像；
基于第三椎体模型对所述局部三维图像进行椎体和附件的分割。
由于脊椎上的病灶常见骨折，骨折通常分布在椎体或附件上，而脊椎的各节椎体之间相似度较高，对原始三维脊椎图像直接进行实例分割，容易出现重叠或混淆的问题，因此，基于上述示例，在确定原始三维脊椎图像上的各个椎体以及位置信息后，可基于每个椎体的检测框作为参考，进一步对原始三维脊椎图像进行分割。
应该理解的是，用于检测椎体的检测框可以是依据椎体的具体形状界定的，也可以是矩形或者方形框。为了在将原始三维脊椎图像进行分割的同时保留更多细节信息，可在步骤101之前，设置检测框为矩形框。在此基础上，对确定的各个椎体的检测框沿脊椎的冠状位和矢状位向脊椎外侧延展15mm，在轴位向脊椎外延展20mm，将该范围作为分割区域，可囊括脊椎椎体更多的周边细节，再通过分割区域对原始三维脊椎图像上的脊椎分割，得到多个对应于每个椎体的小块局部三维图像，基于局部三维图像，可进一步的实现精细分割。
如图2所示，公开了脊椎椎体分割的过程示意图，包括待检测图像201、脊椎分割202、局部图像分割203和分割结果204。
应该理解的是，在局部三维图像上对脊椎和附件分割，可以用检测框的形式确定，也可以通过分割成单独的图像进行，具体应根据实际情况和需求决定。
上述方法和数值仅为举例以作示意，具体可根据实际应用情况进行调整，在此不做具体限定。
对每个局部三维图像都进行检测，可以避免对整个原始三维图像进行分割所产生的重叠分割和分类混淆的问题，结合每个检测框的位置信息，有助于脊椎上病灶的准确定位和识别。
在一示例中，在对原始三维脊椎图像进行检测之前，该方法还包括：
对原始三维脊椎图像进行预处理，所述预处理包括分辨率统一化处理和骨窗归一化处理。
其中，分辨率包括两种层面，第一种针对于不同来源的三维脊椎图像，由于采集图像的设备之间存在差异，因此需要统一分辨率(如训练阶段需要多张图像)。第二种即为3D分辨率，需要从空间、密度和时间三个维度进行统一，例如将分辨率统一到2mm*2mm*2mm。
骨窗为适用于观察骨质结构的窗口技术，由于本方案主要针对椎体进行操作，因此只需要关注于骨窗层面即可，对骨窗进行归一化处理，可根据如下公式进行：
Vol＝(V-700)/1000
其中，V为经过分辨率统一化后的图像中的CT值；
700为骨窗的常取的窗宽值(窗宽值不限定于此)；
Vol为经过归一化处理后的图像中的CT值。
在一示例中，第一椎体模型、第二椎体模型使用3D-RetinaNet网络，第三椎体模型使用3D-UNet网络。
其中，如图3所示，公开了模型网络结构示意图，包括待检测图像301、依次连接的特征提取层302、特征金字塔层303以及类别和检测框子网络304。
对于第一三维脊椎图像和第二三维脊椎图像，输入的都为经过预处理的原始三维脊椎图像，输入格式为3D体素。
其中，特征提取层采用ResNet-50作为骨干网络进行特征的提取，提取的特征图通过特征金字塔层(FPN)进行多层级信息结合，而特征金字塔输出后接类别和检测框子网络304，该网络框架采用3D anchors作为检测框，在类别子网络中采用Equalized Focal Loss计算损失，该分类loss用一个类别相关的调制因子扩展了原始Focal Loss，可以同时解决前景-背景不平衡和前景类别不平衡问题。在检测框检测子网络中采用CIoU Loss计算损失，该loss考虑了检测框回归的重叠度、中心点距离和边框3D纬度纵横比信息。
在一示例中，步骤101和步骤102中的第一椎体模型和第二椎体模型可以进行融合，基于3D-RetinaNet网络，对类别和检测框子网络的输出由单个通道变为多个通道。即使用一个基于3D-RetinaNet网络的检测模型，能够输出第一椎体的检测结果以及第二椎体的检测结果，承接上述一示例，若第一椎体为胸椎椎体，则通过一个检测模型，可以输出具有位置信息的胸椎椎体的检测结果，以及输出颈椎椎体、胸椎椎体和腰椎椎体的检测结果。
本公开一实施例还提供了一脊椎椎体定位装置，如图4所示，该装置包括：
检测模块401，用于基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体。
处理模块402，用于根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段。
所述检测模块401，还用于基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体。
所述处理模块402，还用于将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像。
所述处理模块402，还用于将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息。
计算模块403，用于根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
所述检测模块401，还用于对原始三维脊椎图像中的第一椎体进行检测，获取所有检测框的置信度，根据预设的第一阈值，去除置信度小于所述第一阈值的检测框；
若存在任一第一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，得到第一三维脊椎图像。
所述处理模块402，还用于在将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并后，若存在任一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，保留该椎体的一个检测框，得到第三三维脊椎图像。
所述处理模块402，还用于在所述第一三维脊椎图像中，沿着脊椎从上到下的方向对检测框进行搜索，根据检测框对应的所述位置信息确定多个位置连续的检测框，所述多个位置连续的检测框对应的多个第一椎体组成第一区段。
所述处理模块402，还用于在若所述第一三维脊椎图像存在至少两个第一区段时，从所述至少两个第一区段中选取椎体数量最多的第一区段。
所述处理模块402，还用于根据脊椎中所有椎体的标准排列顺序，确定所述第二区段中任一所述目标椎体与所述第三三维脊椎图像中其他每个椎体的距离；
基于所述距离和该目标椎体的位置信息，确定其他每个椎体的位置信息。
所述处理模块402，还用于在确定所述第三三维脊椎图像中每个椎体的位置信息之后，基于所述第三三维脊椎图像中每个椎体的检测框，确定分割区域，根据所述分割区域对所述原始三维脊椎图像进行分割，得到对应于每个椎体的局部三维图像；
基于第三椎体模型对所述局部三维图像进行椎体和附件的分割。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备400中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如脊椎椎体定位方法。例如，在一些实施例中，脊椎椎体定位方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的脊椎椎体定位方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行脊椎椎体定位方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种脊椎椎体定位方法，其特征在于，该方法包括：
基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，并根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体；
基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体；
将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像；
将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息；
根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
2.根据权利要求1所述的脊椎椎体定位方法，其特征在于，所述基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，所述得到第一三维脊椎图像包括：
对原始三维脊椎图像中的第一椎体进行检测，获取所有检测框的置信度，根据预设的第一阈值，去除置信度小于所述第一阈值的检测框；
若存在任一第一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，得到第一三维脊椎图像。
3.根据权利要求1所述的脊椎椎体定位方法，其特征在于，所述将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像包括：
将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，若存在任一椎体对应至少两个检测框，则对该椎体的至少两个检测框进行去重处理，保留该椎体的一个检测框，得到第三三维脊椎图像。
4.根据权利要求1所述的脊椎椎体定位方法，其特征在于，所述确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段，包括：
在所述第一三维脊椎图像中，沿着脊椎从上到下的方向对检测框进行搜索，根据检测框对应的所述位置信息确定多个位置连续的检测框，所述多个位置连续的检测框对应的多个第一椎体组成第一区段。
5.根据权利要求4所述的脊椎椎体定位方法，其特征在于，若所述第一三维脊椎图像存在至少两个第一区段，该方法还包括：
从所述至少两个第一区段中选取椎体数量最多的第一区段。
6.根据权利要求1所述的脊椎椎体定位方法，其特征在于，所述根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息，包括：
根据脊椎中所有椎体的标准排列顺序，确定所述第二区段中任一所述目标椎体与所述第三三维脊椎图像中其他每个椎体的距离；
基于所述距离和该目标椎体的位置信息，确定其他每个椎体的位置信息。
7.根据权利要求1所述的脊椎椎体定位方法，其特征在于，所述确定所述第三三维脊椎图像中每个椎体的位置信息之后，该方法还包括：
基于所述第三三维脊椎图像中每个椎体的检测框，确定分割区域，根据所述分割区域对所述原始三维脊椎图像进行分割，得到对应于每个椎体的局部三维图像；
基于第三椎体模型对所述局部三维图像进行椎体和附件的分割。
8.一种脊椎椎体定位装置，其特征在于，包括：
检测模块，用于基于第一椎体模型对原始三维脊椎图像中的第一椎体进行检测，得到第一三维脊椎图像，所述第一三维脊椎图像中包括多个第一椎体的检测框，所述第一椎体为颈椎椎体、胸椎椎体或腰椎椎体；
处理模块，用于根据所述检测框对应的第一椎体在脊椎中的位置信息，确定所述第一三维脊椎图像中位置连续的多个第一椎体组成的第一区段；
所述检测模块，还用于基于第二椎体模型对所述原始三维脊椎图像中的第二椎体进行检测，得到第二三维脊椎图像，所述第二三维脊椎图像中包括多个第二椎体的检测框，所述第二椎体包括颈椎椎体、胸椎椎体和腰椎椎体；
所述处理模块，还用于将所述第一三维脊椎图像和所述第二三维脊椎图像进行合并，得到第三三维脊椎图像；
所述处理模块，还用于将所述第一三维脊椎图像与所述第三三维脊椎图像进行比对，确定所述第三三维脊椎图像中与所述第一区段位置相同的第二区段，将所述第一区段中第一椎体的位置信息作为所述第二区段中对应的目标椎体的位置信息；
计算模块，用于根据所述目标椎体的位置信息，确定所述第三三维脊椎图像中每个椎体的位置信息。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的脊椎椎体定位方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-7任一项所述的脊椎椎体定位方法。
CN202211111988.XA 2022-09-13 2022-09-13 一种脊椎椎体定位方法、装置、电子设备及存储介质 Active CN115439453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211111988.XA CN115439453B (zh) 2022-09-13 2022-09-13 一种脊椎椎体定位方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211111988.XA CN115439453B (zh) 2022-09-13 2022-09-13 一种脊椎椎体定位方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115439453A true CN115439453A (zh) 2022-12-06
CN115439453B CN115439453B (zh) 2023-05-26

Family

ID=84247977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211111988.XA Active CN115439453B (zh) 2022-09-13 2022-09-13 一种脊椎椎体定位方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115439453B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797337A (zh) * 2023-02-02 2023-03-14 慧影医疗科技(北京)股份有限公司 一种ct影像椎体实例分割方法、***、设备及存储介质
CN117679643A (zh) * 2024-01-05 2024-03-12 天津大学 用于脊髓损伤康复的多脊髓节段协同电刺激方法及***

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050020942A1 (en) * 2001-08-27 2005-01-27 Masaru Wada Human spinal column measurement and display system
CN110325141A (zh) * 2017-02-21 2019-10-11 株式会社高永科技 影像整合装置及影像整合方法
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN111047572A (zh) * 2019-12-10 2020-04-21 南京安科医疗科技有限公司 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN112037277A (zh) * 2020-07-31 2020-12-04 东南大学 一种基于脊柱三维超声体数据的三维可视化方法
CN112233083A (zh) * 2020-10-13 2021-01-15 沈阳先进医疗设备技术孵化中心有限公司 脊椎检测方法、装置、电子设备及存储介质
CN112819826A (zh) * 2021-03-30 2021-05-18 四川大学华西医院 基于人工智能的脊椎图像处理装置及计算机设备
CN113034495A (zh) * 2021-04-21 2021-06-25 上海交通大学 一种脊柱影像分割方法、介质及电子设备
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
US20210378616A1 (en) * 2020-06-09 2021-12-09 Quanta Computer Inc. Method and system of vertebral compression fracture detection
CN114372970A (zh) * 2022-01-04 2022-04-19 杭州三坛医疗科技有限公司 一种手术参考信息生成方法及装置
CN114494192A (zh) * 2022-01-26 2022-05-13 西南交通大学 一种基于深度学习的胸腰椎骨折识别分割与检测定位方法
CN114693604A (zh) * 2022-03-07 2022-07-01 北京医准智能科技有限公司 脊椎医学影像处理方法、装置、设备及存储介质
CN114881930A (zh) * 2022-04-07 2022-08-09 重庆大学 基于降维定位的3d目标检测方法、装置、设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050020942A1 (en) * 2001-08-27 2005-01-27 Masaru Wada Human spinal column measurement and display system
CN110325141A (zh) * 2017-02-21 2019-10-11 株式会社高永科技 影像整合装置及影像整合方法
CN110599508A (zh) * 2019-08-01 2019-12-20 平安科技（深圳）有限公司 基于人工智能的脊柱影像处理方法及相关设备
CN111047572A (zh) * 2019-12-10 2020-04-21 南京安科医疗科技有限公司 一种基于Mask RCNN的医学图像中脊柱自动定位方法
US20210378616A1 (en) * 2020-06-09 2021-12-09 Quanta Computer Inc. Method and system of vertebral compression fracture detection
CN112037277A (zh) * 2020-07-31 2020-12-04 东南大学 一种基于脊柱三维超声体数据的三维可视化方法
CN112233083A (zh) * 2020-10-13 2021-01-15 沈阳先进医疗设备技术孵化中心有限公司 脊椎检测方法、装置、电子设备及存储介质
CN112819826A (zh) * 2021-03-30 2021-05-18 四川大学华西医院 基于人工智能的脊椎图像处理装置及计算机设备
CN113034495A (zh) * 2021-04-21 2021-06-25 上海交通大学 一种脊柱影像分割方法、介质及电子设备
CN113643314A (zh) * 2021-07-02 2021-11-12 阿里巴巴新加坡控股有限公司 医学影像中脊柱的分割方法
CN114372970A (zh) * 2022-01-04 2022-04-19 杭州三坛医疗科技有限公司 一种手术参考信息生成方法及装置
CN114494192A (zh) * 2022-01-26 2022-05-13 西南交通大学 一种基于深度学习的胸腰椎骨折识别分割与检测定位方法
CN114693604A (zh) * 2022-03-07 2022-07-01 北京医准智能科技有限公司 脊椎医学影像处理方法、装置、设备及存储介质
CN114881930A (zh) * 2022-04-07 2022-08-09 重庆大学 基于降维定位的3d目标检测方法、装置、设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797337A (zh) * 2023-02-02 2023-03-14 慧影医疗科技(北京)股份有限公司 一种ct影像椎体实例分割方法、***、设备及存储介质
CN115797337B (zh) * 2023-02-02 2023-05-12 慧影医疗科技(北京)股份有限公司 一种ct影像椎体实例分割方法、***、设备及存储介质
CN117679643A (zh) * 2024-01-05 2024-03-12 天津大学 用于脊髓损伤康复的多脊髓节段协同电刺激方法及***

Also Published As

Publication number Publication date
CN115439453B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
EP3961500A1 (en) Medical image detection method based on deep learning, and related device
CN107945168B (zh) 一种医学图像的处理方法及医学图像处理***
Li et al. Optimal surface segmentation in volumetric images-a graph-theoretic approach
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN115439453B (zh) 一种脊椎椎体定位方法、装置、电子设备及存储介质
US8913817B2 (en) Rib suppression in radiographic images
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN114565763B (zh) 图像分割方法、装置、设备、介质及程序产品
US9269139B2 (en) Rib suppression in radiographic images
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN112862833A (zh) 血管分段方法、电子装置和存储介质
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
CN114693604A (zh) 脊椎医学影像处理方法、装置、设备及存储介质
CN115170510B (zh) 一种病灶检测方法、装置、电子设备及可读存储介质
CN111932495B (zh) 一种医学图像检测方法、装置及存储介质
CN113284160A (zh) 一种手术导航标记珠体识别的方法、装置和设备
CN115456990A (zh) 一种基于ct图像的肋骨计数方法、装置、设备及存储介质
CN110738702B (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
JP2006506163A (ja) 肺結節のコンピュータ支援検出
US20140140603A1 (en) Clavicle suppression in radiographic images
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
CN116091469A (zh) 骨折检测方法、装置、电子设备及介质
CN113255756B (zh) 图像融合方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.