骨分割方法及装置、骨折检出方法及装置制造方法及图纸

本申请提供了一种骨分割方法，包括：将医学影像数据输入到经过训练的骨分割模型进行分割，获得原始骨分割数据，所述原始骨分割数据包括原始肋骨分割数据和原始非肋骨分割数据；对所述医学影像数据进行图形操作，获得粗糙骨分割数据，所述粗糙骨分割数据是二分值数据，所述二分值数据用于区分骨骼和非骨骼；以及基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获得优化肋骨分割数据。去除掉肋骨之间的黏连，分离肋骨根部与脊椎骨的黏连，提高肋骨分割的准确性，获得优化的肋骨分割数据，提升骨分割的鲁棒性，为后续骨折类别检出提供更准确的参考数据。

【技术实现步骤摘要】
骨分割方法及装置、骨折检出方法及装置
本申请涉及医学图像分割
，具体涉及一种骨分割方法、骨折检出方法、骨分割装置、骨折检出的装置、电子设备及计算机可读存储介质。
技术介绍
随着医学影像技术与计算机技术的日益发展，通过深度学习的神经网络对CT(ComputedTomography，电子计算机断层扫描)图像进行骨分割以及骨折检出，以快速确诊骨折部位，被广泛应用在医学领域。但由于CT图像密度变化大，导致存在弱边缘效应等问题，尤其是肋骨部位的图像，容易出现肋骨间粘连或肋骨根部与脊椎骨粘连的问题，导致深度学习的神经网络输出的骨分割结果不准确，深度学习的神经网络做出的骨折检出结果也无不准确。因此，丞需一种缓解肋骨间粘连和肋骨根部粘连的骨分割方法，提升骨分割的鲁棒性，提高骨折检出的准确性。
技术实现思路
有鉴于此，本申请实施例提供了一种骨分割方法、骨折检出方法、骨分割装置、骨折检出的装置、电子设备及计算机可读存储介质，以解决现有的骨分割结果中肋骨间粘连和肋骨根部与脊椎骨粘连的问题。根据本申请的一个方面，本申请一实施例提供的一种骨分割方法，包括：将医学影像数据输入到经过训练的骨分割模型进行分割，获得原始骨分割数据，所述原始骨分割数据包括原始肋骨分割数据和原始非肋骨分割数据对所述医学影像数据进行图形操作，获得粗糙骨分割数据，所述粗糙骨分割数据是二分值数据，所述二分值数据用于区分骨骼和非骨骼；以及基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获得优化肋骨分割数据。根据本申请另一个方面，本申请一实施例提供的一种骨折检出方法，包括：上述所述的骨分割方法，获得优化骨分割数据；将医学影像数据输入到经过训练的骨折检出模型进行骨折检出，获得原始骨折检出数据；以及基于所述优化骨分割数据和所述原始骨折检出数据，获得优化后骨折检出数据。根据本申请另一个方面，本申请一实施例提供的一种骨分割方法装置，包括：获取模块，配置为获取医学影像数据；原始骨分割模块，配置为将所述医学影像数据输入到经过训练的骨分割模型进行分割，获得原始骨分割数据，所述原始骨分割数据包括原始肋骨分割数据和原始非肋骨分割数据；图形操作模块，配置为对所述医学影像数据进行图形操作，获得粗糙骨分割数据，所述粗糙骨分割数据是二分值数据，所述二分值数据用于区分骨骼和非骨骼；以及肋骨分割优化模块，配置为基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获得优化肋骨分割数据。根据本申请另一个方面，本申请一实施例提供的一种骨折检出装置，包括优化骨分割模块，配置为进行上述的骨分割方法，获得优化骨分割数据；原始骨折检出模块，配置为将医学影像数据输入到经过训练的骨折检出模型进行骨折检出，获得原始骨折检出数据；以及骨折检出优化模块，配置为基于所述优化骨分割数据和所述原始骨折检出数据，获得优化后骨折检出数据。根据本申请的又一个方面，本申请一实施例提供的本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的方法。根据本申请的又一方面，本申请一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上述任一项的方法。本申请实施例提供的一种骨分割方法，通过将医学影像数据输入到经过训练的骨分割模型进行分割获得原始骨分割数据；通过将医学影像数据进行图像操作，获得粗糙骨分割数据；基于医学影像数据、原始骨分割数据和粗糙骨分割数据，去除掉肋骨之间的黏连，分离肋骨根部与脊椎骨的黏连，提高肋骨分割的准确性，获得优化的肋骨分割数据，提升骨分割的鲁棒性，为后续骨折类别检出提供更准确的参考数据。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1所示为本申请一实施例提供的一种骨分割方法的流程示意图。图2所示为本申请一实施例提供的一种骨分割方法中获得粗糙骨分割数据的流程示意图。图3所示为本申请一实施例提供的一种骨分割方法中获得粗糙骨分割数据的流程示意图。图4所示为本申请一实施例提供的一种骨分割方法中获得初级优化骨分割数据的流程示意图。图5所示为本申请一实施例提供的一种骨分割方法中获得中级优化肋骨分割数据的流程示意图。图6所示为本申请一实施例提供的一种骨分割方法中计算出优化肋骨位置数据获得优化肋骨分割数据的流程示意图。图7所示为本申请一实施例提供的一种骨分割方法的流程示意图。图8所示为本申请一实施例提供的一种骨折检出方法的流程示意图。图9所示为本申请一实施例提供的一种骨折检出方法中基于优化骨分割数和原始骨折检出数据获得优化后骨折检出数据的流程示意图。图10所示为本申请一实施例提供的一种骨折检出方法中获得层骨折类别数据和对层骨折类别数据进行叠加的流程示意图。图11所示为本申请一实施例提供的一种骨分割装置的结构示意图。图12所示为本申请一实施例提供的一种骨分割装置的结构示意图。图13所示为本申请一实施例提供的一种骨折检出装置的结构示意图。图14所示为本申请一实施例提供的一种骨折检出装置的结构示意图。图15所示为本申请一实施例提供的电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。申请概述深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i+1个神经网络层的输入相连，第i+1个神经网络层本文档来自技高网...

【技术保护点】
1.一种骨分割方法，其特征在于，包括：/n将医学影像数据输入到经过训练的骨分割模型进行分割，获得原始骨分割数据，所述原始骨分割数据包括原始肋骨分割数据和原始非肋骨分割数据；/n对所述医学影像数据进行图形操作，获得粗糙骨分割数据，所述粗糙骨分割数据是二分值数据，所述二分值数据用于区分骨骼和非骨骼；以及/n基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获得优化肋骨分割数据。/n

【技术特征摘要】
1.一种骨分割方法，其特征在于，包括：
将医学影像数据输入到经过训练的骨分割模型进行分割，获得原始骨分割数据，所述原始骨分割数据包括原始肋骨分割数据和原始非肋骨分割数据；
对所述医学影像数据进行图形操作，获得粗糙骨分割数据，所述粗糙骨分割数据是二分值数据，所述二分值数据用于区分骨骼和非骨骼；以及
基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获得优化肋骨分割数据。


2.根据权利要求1所述的骨分割方法，其特征在于，所述对所述医学影像数据进行图形操作，获得粗糙骨分割数据包括：
获取所述医学影像数据中每个像素的CT值；
在所述医学影像数据中筛选出CT值小于等于第一预设值的图像数据，所述第一预设值为区分体表与背景的区分值；
对所述CT值小于等于第一预设值的图像数据进行最大连通域操作，获取体表分割数据；
在所述医学影像数据中筛选出CT值小于等于第二预设值的图像数据，所述第二预设值为区分骨骼与非骨骼的区分值；
对所述体表分割数据和所述CT值小于等于第二预设值的图像数据取交集，获得第一交集数据；以及
对所述第一交集数据进行填补空洞以及平滑操作，获得所述粗糙骨分割数据。


3.根据权利要求1所述的骨分割方法，其特征在于，所述基于所述医学影像数据、所述原始骨分割数据和所述粗糙骨分割数据，获取优化肋骨分割数据包括：
基于所述医学影像数据和所述粗糙骨分割数据，获得初级优化骨分割数据，所述初级优化骨分割数据为去掉肋骨之间粘连的二分值的骨分割数据；
基于所述原始骨分割数据和所述初级优化骨分割数据，获得中级优化肋骨分割数据，所述中级优化肋骨分割数据为肋骨与脊椎骨分离的二分值的肋骨分割数据；以及
基于所述原始肋骨分割数据与所述中级优化肋骨分割数据，计算出优化肋骨位置数据，获得所述优化肋骨分割数据。


4.根据权利要求3所述的骨分割方法，其特征在于，所述基于所述医学影像数据和所述粗糙骨分割数据，获得初级优化骨分割数据包括：
在所述医学影像数据中筛选出CT值小于等于第三预设值的图像数据，所述第三预设值为进一步区分骨骼与非骨骼的区分值；以及
对所述CT值小于等于第三预设值的图像数据和所述粗糙骨分割数据取交集，获得所述初级优化骨分割数据。


5.根据权利要求4所述的骨分割方法，其特征在于，所述基于所述原始骨分割数据和所述初级优化骨分割数据，获得中级优化肋骨分割数据包括：
对所述原始骨分割数据中所述原始非肋骨分割数据和所述初级优化骨分割数据求交集，获得第二交集数据；
对所述第二交集数据中肋骨交集坐标与非肋骨交集坐标进行二分值操作，获得第一中间肋骨分割数据，所述第一中间肋骨分割数据为删除掉初级优化骨分割数据中不属于肋骨部分的肋骨分割数据；
对所述原始骨分割数据中的原始脊椎骨分割数据进行膨胀操作，获得膨胀后脊椎骨分割数据；
获取所述膨胀后脊椎骨分割数据中膨胀后脊椎骨的坐标，将所述第一中间肋骨分割数据中与所述膨胀后脊椎骨的坐标对应的坐标上的数据值设置为背景数据值，获得第二中间肋骨分割数据；以及
对所述第二中间肋骨分割数据进行填补空洞以及平滑操作，获得所述中级优化肋骨分割数据。


6.根据权利要求5所述的骨分割方法，其特征在于，所述基于所述原始肋骨分割数据与所述中级优化肋骨分割数据，计算出优化肋骨位置数据，获得所述优化肋骨分割数据包括：
获取所述中级优化肋骨分割数据中的多个连通区域；
在所述多个连通区域中筛选出连通区域体积排名在前预设个数的待标识连通区域；
基于所述原始肋骨分割数据，确定出所述待标识连通区域属于第一侧或者第二侧两侧中的哪一侧；
分别获取属于第一侧的所述待标识连通区域的第一中心点坐标，并按照第一预...

【专利技术属性】
技术研发人员：贾玉杰，张金，余航，王瑜，赵朝炜，李新阳，王少康，陈宽，
申请(专利权)人：推想医疗科技股份有限公司，
类型：发明
国别省市：北京;11