确定脊柱横断面图像的异常类型的方法及计算设备技术

本发明专利技术公开了确定脊柱横断面图像的异常类型的方法及计算设备。其中方法包括步骤：从脊柱横断面图像中获取异常区域；确定该脊柱横断面图像中的至少一个关键点；以及结合异常区域和关键点以确定该脊柱横断面图像的异常类型。

【技术实现步骤摘要】
确定脊柱横断面图像的异常类型的方法及计算设备
本专利技术涉及图像处理
，尤其涉及一种确定脊柱横断面图像的异常类型的方法及计算设备。
技术介绍
随着计算机视觉的迅速发展，利用计算机技术来辅助骨科精准手术的技术也逐渐增多。最常见的应用如通过磁共振(MagneticResonanceImaging，MRI)成像，从磁共振图像中可以得到物质的多种物理特性参数，如质子密度、自旋－晶格驰豫时间T1、自旋－自旋驰豫时间T2、扩散系数、磁化系数、化学位移等等，以将其应用于全身各系统的成像诊断。其中主要的应用之一是脊柱成像，以获得人体的脊柱矢状面图像和脊柱横断面图像，进而应用在各种脊柱疾病诊断中，最具代表性的应用如腰椎间盘突出的辅助诊断。然而，目前在利用MRI图像进行辅助诊断时多采用人工判读的方式，其不可避免地引入以下问题：1)存在误差，由于医务人员的业务水平及不同区域诊疗水平的参差不齐，同一MRI图像会得出不同结果；2)腰椎间盘突出的分型较复杂，不易在短时间内进行判读，致使医务工作者负担较重，且效率不高。鉴于此，需要新的对脊柱的相关图像进行处理的方案，以更好地辅助专业医生实现对各种脊柱疾病的诊断。
技术实现思路
为此，本专利技术提供了一种确定脊柱横断面图像的异常类型的方法及计算设备，以力图解决或者至少缓解上面存在的至少一个问题。根据本专利技术的一个方面，提供了一种确定脊柱横断面图像的异常类型的方法，该方法适于在计算设备中执行，包括步骤：从脊柱横断面图像中获取异常区域；确定脊柱横断面图像中的至少一个关键点；以及结合异常区域和关键点以确定脊柱横断面图像的异常类型。可选地，在根据本专利技术的方法中，结合异常区域和关键点以确定脊柱横断面图像的异常类型的步骤还包括：根据所确定的至少一个关键点生成网格；以及根据异常区域在网格中的位置，确定脊柱横断面图像的异常类型。可选地，在根据本专利技术的方法中，从脊柱横断面图像中获取异常区域的步骤还包括：利用第一神经网络来处理脊柱横断面图像，以判断脊柱横断面图像是否异常；以及若确定该脊柱横断面图像异常，则从该脊柱横断面图像中获取异常区域。可选地，根据本专利技术的方法还包括步骤：从脊柱矢状面图像中确定出存在异常的感兴趣区域；以及获取与存在异常的感兴趣区域相对应的脊柱横断面图像作为脊柱横断面图像。可选地，在根据本专利技术的方法中，若确定脊柱横断面图像异常，则从脊柱横断面图像中获取异常区域的步骤包括：利用第二神经网络来处理脊柱横断面图像，以输出第一图像，在第一图像中具有特定像素值的区域为异常区域；以及对第一图像进行插值处理，以获得第二图像，第二图像与该脊柱横断面图像具有相同尺寸。可选地，在根据本专利技术的方法中，确定脊柱横断面图像中的至少一个关键点的步骤包括：利用第三神经网络来处理脊柱横断面图像，以输出包含至少一个关键点位置的至少一个热图；以及将这至少一个热图合并生成预测图，其中预测图包含至少一个关键点。可选地，在根据本专利技术的方法中，第三神经网络通过卷积处理层和空间融合层耦接而成。可选地，在根据本专利技术的方法中，卷积处理层包含8层卷积，且各层卷积中采用的卷积核大小依次为：5*5、5*5、5*5、5*5、9*9、1*1、1*1、1*1；以及空间融合层包含5层卷积，且各层卷积中采用的卷积核大小依次为：7*7、13*13、13*13、1*1、1*1；并且，将卷积处理层中第三层卷积和第七层卷积的输出结合后，作为空间融合层的输入。可选地，根据本专利技术的方法还包括预先训练生成第三神经网络的步骤：构造预训练的第三神经网络，并设置初始的网络参数；将训练图像输入预训练的第三神经网络，通过损失函数计算网络的输出所对应的损失值；根据损失值调整网络参数；以及重复迭代计算损失值和调整网络参数的步骤，直到满足预定条件时训练结束。可选地，在根据本专利技术的方法中，将训练图像输入预训练的第三神经网络，利用损失函数计算网络的输出所对应的损失值的步骤包括：将训练图像输入预训练的第三神经网络，通过损失函数分别计算网络中预定层的输出所对应的损失；以及结合各层的损失得到该网络所对应的损失值，其中，预定层包括卷积处理层中第4、6、8层卷积、以及空间融合层中第5层卷积。可选地，在根据本专利技术的方法中，第一神经网络通过至少一个深度残差网络耦合生成，如，第一神经网络采用34层的ResNet网络结构。可选地，在根据本专利技术的方法中，第二神经网络通过收缩路径和扩张路径耦接生成；其中，收缩路径包含多个第一卷积处理块，且每个第一卷积处理块包含两个3*3的卷积核、激活函数和一个最大池化单元，扩张路径包含多个第二卷积处理块和输出块，且每个第二卷积处理块包含两个3*3的卷积核、激活函数和一个上采样单元，以及输出块包含1*1的卷积核，同时，收缩路径还适于分别对经各第一卷积处理块处理后所生成的特征图进行裁剪，再将裁剪后的特征图输入到对应的扩张路径的第二卷积处理块中。根据本专利技术的又一方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方法中的任一方法的指令。根据本专利技术的再一方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当计算设备执行时，使得计算设备执行如上所述的方法中的任一方法。综上，根据本专利技术的方案，首先从脊柱横断面图像中获取异常区域；同时，对脊柱横断面图像进行关键点检测，确定出其中的多个关键点；之后，结合异常区域和关键点，就可以确定出该脊柱横断面图像的异常类型。根据本专利技术的方案基于卷积神经网络，大大提高了处理脊柱横断面图像的准确率，且节省了确定异常类型的时间，能够很好地辅助专业医生实现对各种脊柱疾病的精确诊断。附图说明为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。图1示出了根据本专利技术一个实施例的计算设备100的构造示意图；图2示出了根据本专利技术一个实施例的确定脊柱横断面图像的异常类型的方法200的流程示意图；图3A和图3B分别示出了脊柱矢状面图像和脊柱横断面图像的示意图；图4A和图4B分别示出了根据本专利技术实施方式的正常的脊柱横断面图像和异常的脊柱横断面图像的示意图；图5示出了根据本专利技术一个实施例的脊柱横断面图像中的关键点的示意图；图6示出了根据本专利技术一个实施例的第三神经网络600的结构示意图；图7示出了根据本专利技术一个实施例的脊柱横断面图像的异常类型的示意图；图8示出了根据本专利技术实施例的应用方法200来确定脊柱横断面图像的异常类型的过程示意图；以及图9示出了根据本专利技术实施例的确定脊柱横断面图像的异常类型的示意性示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域本文档来自技高网...

【技术保护点】
1.一种确定脊柱横断面图像的异常类型的方法，所述方法适于在计算设备中执行，所述方法包括步骤：从脊柱横断面图像中获取异常区域；确定所述脊柱横断面图像中的至少一个关键点；以及结合所述异常区域和关键点以确定所述脊柱横断面图像的异常类型。

【技术特征摘要】
1.一种确定脊柱横断面图像的异常类型的方法，所述方法适于在计算设备中执行，所述方法包括步骤：从脊柱横断面图像中获取异常区域；确定所述脊柱横断面图像中的至少一个关键点；以及结合所述异常区域和关键点以确定所述脊柱横断面图像的异常类型。2.如权利要求1所述的方法，其中，所述结合异常区域和关键点以确定脊柱横断面图像的异常类型的步骤还包括：根据所确定的至少一个关键点生成网格；以及根据所述异常区域在所述网格中的位置，确定所述脊柱横断面图像的异常类型。3.如权利要求1或2所述的方法，其中，所述从脊柱横断面图像中获取异常区域的步骤还包括：利用第一神经网络来处理所述脊柱横断面图像，以判断所述脊柱横断面图像是否异常；以及若确定所述脊柱横断面图像异常，则从所述脊柱横断面图像中获取异常区域。4.如权利要求3所述的方法，其中，在所述利用第一神经网络来处理所述脊柱横断面图像的步骤之前，还包括步骤：从脊柱矢状面图像中确定存在异常的感兴趣区域；以及获取与所述存在异常的感兴趣区域相对应的脊柱横断面图像作为所述脊柱横断面图像。5.如权利要求3或4所述的方法，其中，所述若确定脊柱横断面图像异常，则从所述脊柱横断面图像中获取异常区域的步骤包括：利用第二神经网络来处理所述脊柱横断面图像，以输出第一图像，其中在所述第一图像中具有特定像素值的区域...

【专利技术属性】
技术研发人员：刘星宇，张逸凌，冯世庆，张蒂，刘慧烨，张云东，安奕成，
申请(专利权)人：刘星宇，北京长木谷医疗科技有限公司，
类型：发明
国别省市：北京,11