颈椎关键点预测方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种颈椎关键点预测方法、系统、电子设备及存储介质，其中，颈椎关键点预测方法包括：对颈椎医学图像进行图像分割处理，确定若干个分割的单个锥节影像；从单个锥节影像中选取待预测单个锥节影像；将待预测单个锥节影像输入关键点预测模型，以确定待预测单个锥节的关键点。由于颈椎的锥节结构存在极大的相似性和重复性，为了满足椎节表面多个关键点预测需求，本发明专利技术对颈椎医学图像进行图像分割处理，再选取特定类型的待预测单个锥节影像输入关键点预测模型以确定所述待预测单个锥节的关键点，以提高预测颈椎关键点的精确度、减少重复结构带来的预测歧义。少重复结构带来的预测歧义。少重复结构带来的预测歧义。

【技术实现步骤摘要】
颈椎关键点预测方法、系统、电子设备及存储介质


[0001]本专利技术涉及电子信息
，尤其涉及一种颈椎关键点预测方法、系统、电子设备及存储介质。

技术介绍

[0002]现有的颈椎CBCT(Cone beam CT，即锥形束投照计算机重组断层影像)关键点预测技术，通常多致力于解决椎节中心定位问题，对于椎节表面多个关键点的预测需求来说，局部精度存在不足。基于深度学习的颈椎CBCT的关键点预测技术通常需要大量的训练数据，而医学影像数据的采集对仪器和标注准确度的要求较高，所以深度学习的预测方式通常昂贵且耗时。利用FCN(全卷积神经网络)或者强化学习的颈椎CBCT的关键点预测技术通常具有较大的参数量，对训练时计算资源的需求较高。使用热图回归框架进行颈椎CBCT的关键点预测的技术通常需要繁琐的后处理步骤消除假阳性响应。

技术实现思路

[0003]本专利技术要解决的技术问题是为了克服现有技术中存在关键点预测的局部精度不足、处理步骤繁琐等缺陷，提供一种颈椎关键点预测方法、系统、电子设备及存储介质。
[0004]本专利技术是通过下述技术方案来解决上述技术问题：
[0005]第一方面，本专利技术提供一种颈椎关键点预测方法，所述颈椎关键点预测方法包括：
[0006]对颈椎医学图像进行图像分割处理，确定若干个分割的单个锥节影像；
[0007]从所述单个锥节影像中选取待预测单个锥节影像；
[0008]将所述待预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点。/>[0009]优选地，所述对颈椎医学图像进行图像分割处理的步骤包括：
[0010]采用图像分割模型对颈椎医学图像进行图像分割处理；所述图像分割模型采用标注有单个锥节分割结果的颈椎图像样本对nnU
‑
Net或3D U
‑
Net训练得到。
[0011]优选地，所述确定若干个分割的单个锥节影像的步骤包括：
[0012]对分割后的锥节区域所述待预测单个锥节影像进行膨胀处理，并将膨胀处理后的最大联通域确定为遮罩区域；
[0013]将所述遮罩区域内的锥节影像确定为分割后的单个锥节影像。
[0014]优选地，所述关键点预测模型采用单个锥节影像样本对基于CNN(卷积神经网络)的热图回归网络训练得到。
[0015]优选地，所述关键点预测模型包括局部外观模型，所述将所述待预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点的步骤包括：
[0016]将所述待预测单个锥节影像输入局部外观模型，以输出三维热图；
[0017]将所述三维热图的峰值坐标确定为所述待预测单个锥节的关键点。
[0018]优选地，所述关键点预测模型包括局部外观模型和空间配置模型，所述将所述待
预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点的步骤包括：
[0019]将所述待预测单个锥节影像输入局部外观模型，以输出三维热图；
[0020]将所述三维热图输入空间配置模型，以输出空间热图；
[0021]将所述三维热图和所述空间热图的输出逐元素相乘得到最终热图；
[0022]将所述最终热图的峰值坐标确定为所述待预测单个锥节的关键点。
[0023]优选地，所述局部外观模型和所述空间配置模型采用待预测单个锥节影像样本对SCN训练得到。
[0024]第二方面，本专利技术提供一种颈椎关键点预测系统，所述颈椎关键点预测系统包括：
[0025]确定模块，用于对颈椎医学图像进行图像分割处理，确定若干个分割的单个锥节影像；
[0026]选取模块，用于从所述单个锥节影像中选取待预测单个锥节影像；
[0027]确定模块，还用于将所述待预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点。
[0028]第三方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的颈椎关键点预测方法。
[0029]第四方面，本专利技术提供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上述的颈椎关键点预测方法。
[0030]本专利技术的积极进步效果在于：
[0031]由于颈椎的锥节结构存在极大的相似性和重复性，为了满足椎节表面多个关键点预测需求，本专利技术对颈椎医学图像进行图像分割处理，再选取特定类型的待预测单个锥节影像输入关键点预测模型以确定所述待预测单个锥节的关键点，以提高预测颈椎关键点的精确度、减少重复结构带来的预测歧义。
附图说明
[0032]图1为本专利技术实施例1提供的一种颈椎关键点预测方法的第一流程图；
[0033]图2为本专利技术实施例1提供的一种颈椎关键点预测方法的第二流程图；
[0034]图3为本专利技术实施例1提供的一种颈椎关键点预测方法的第二流程图；
[0035]图4为本专利技术实施例1提供的一种颈椎关键点预测方法的效果图；
[0036]图5为本专利技术实施例2提供的一种颈椎关键点预测系统的第一结构图；
[0037]图6为本专利技术实施例2提供的一种颈椎关键点预测系统的第二结构图；
[0038]图7为本专利技术实施例3的提供的一种电子设备的结构示意图。
具体实施方式
[0039]下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。
[0040]实施例1
[0041]本实施例提供一种颈椎关键点预测方法，颈椎关键点位置用于检测或监测颈椎的
健康状态，该方法应用于颈椎计算机重组断层影像(例如颈椎CBCT影像)，参见图1，颈椎关键点预测方法包括：
[0042]S1、对颈椎医学图像进行图像分割处理，确定若干个分割的单个锥节影像。
[0043]颈椎医学图像可以通过CT(Computed Tomography，即电子计算机断层扫描)设备扫描得到，也可以通过PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)设备扫描得到。
[0044]S2、从单个锥节影像中选取待预测单个锥节影像。
[0045]例如从C1～C7椎节影像中选取C2锥节影像作为特定类型的待预测单个锥节影像。
[0046]S3、将待预测单个锥节影像输入关键点预测模型，以确定待预测单个锥节的关键点。
[0047]在一个可选的实施方式中，关键点预测模型采用单个锥节影像样本对基于CNN(卷积神经网络)的热图回归网络训练得到。
[0048]下面介绍一种基于CNN的热图回归框架，端到端地预测待预测单个锥节的关键点位置的关键点预测模型的训练方法：
[0049]使用高斯公式定义d维目标热图(即待检测单个锥节影像样本)，d维目标热图指以目标关键点为中心(峰值处)向周围辐射(值递减)组成的d维矩阵。矩阵的每个坐标处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颈椎关键点预测方法，其特征在于，所述颈椎关键点预测方法包括：对颈椎医学图像进行图像分割处理，确定若干个分割的单个锥节影像；从所述单个锥节影像中选取待预测单个锥节影像；将所述待预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点。2.如权利要求1所述的颈椎关键点预测方法，其特征在于，所述对颈椎医学图像进行图像分割处理的步骤包括：采用图像分割模型对颈椎医学图像进行图像分割处理；所述图像分割模型采用标注有单个锥节分割结果的颈椎图像样本对nnU
‑
Net或3D U
‑
Net训练得到。3.如权利要求1所述的颈椎关键点预测方法，其特征在于，所述确定若干个分割的单个锥节影像的步骤包括：对分割后的锥节区域进行膨胀处理，并将膨胀处理后的最大联通域确定为遮罩区域；将所述遮罩区域内的锥节影像确定为分割后的单个锥节影像。4.权利要求1所述的颈椎关键点预测方法，其特征在于，所述关键点预测模型采用单个锥节影像样本对基于CNN的热图回归网络训练得到。5.如权利要求1所述的颈椎关键点预测方法，其特征在于，所述关键点预测模型包括局部外观模型，所述将所述待预测单个锥节影像输入关键点预测模型，以确定所述待预测单个锥节的关键点的步骤包括：将所述待预测单个锥节影像输入局部外观模型，以输出三维热图；将所述三维热图的峰值坐标确定为所述待预测单个锥节的关键点。6.如权利要求1...

【专利技术属性】
技术研发人员：吕燕，黄梦珂，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：