一种髋关节图像的分割方法、装置、设备及介质制造方法及图纸

本公开涉及一种髋关节图像的分割方法、装置、设备及介质，其中，该方法包括：获取包括髋关节的待分割图像；通过预先训练好的分割模型对待分割图像中的骨骼进行分割，得到髋关节对应的骨模型；其中，分割模型是基于标注有关键骨骼的第一髋关节样本图像集合训练得到的；关键骨骼包括：双侧的股骨、股骨头、股骨颈和髋骨。本公开能够降低分割成本，提高骨模型的统一性、完整性。完整性。完整性。

【技术实现步骤摘要】
一种髋关节图像的分割方法、装置、设备及介质


[0001]本公开涉及图像处理
，尤其涉及一种髋关节图像的分割方法、装置、设备及介质。

技术介绍

[0002]目前，大多数的髋关节置换手术机器人依赖于术前CT(Computed Tomography，电子计算机断层扫描)和对应的骨模型。其中，骨模型可以通过手动分割或自动分割得到。通过第三方软件(比如mimics)手动分割出髋关节的骨模型的方式耗时耗力，且手动分割出的骨模型因人而异，不能保证统一精准的结果，影响到术前规划的准确性。而自动分割大多局限在双侧的股骨和髋骨，分割结果不完整。不包括股骨头和股骨颈，但股骨头和股骨颈对于术前规划的自动化非常重要。
[0003]因此，需要一种成本低、统一完整的骨模型分割结果，以更好地辅助术前规划。

技术实现思路

[0004]为了解决上述技术问题，本公开提供了一种髋关节图像的分割方法、装置、设备及介质。
[0005]根据本公开的一方面，提供了一种髋关节图像的分割方法，包括：
[0006]获取包括髋关节的待分割图像；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种髋关节图像的分割方法，其特征在于，包括：获取包括髋关节的待分割图像；通过预先训练好的分割模型对所述待分割图像中的骨骼进行分割，得到髋关节对应的骨模型；其中，所述分割模型是基于标注有关键骨骼的第一髋关节样本图像集合训练得到的；所述关键骨骼包括：双侧的股骨、股骨头、股骨颈和髋骨。2.根据权利要求1所述的方法，其特征在于，所述分割模型的训练过程包括：获取第一髋关节样本图像集合，所述第一髋关节样本图像集合包括多张标注有所述关键骨骼ID的第一髋关节样本图像；对所述第一髋关节样本图像集合进行预处理，得到第二髋关节样本图像集合；基于所述第二髋关节样本图像集合对预设的深度学习网络模型进行神经结构搜索处理，得到所述分割模型。3.根据权利要求2所述的方法，其特征在于，所述获取第一髋关节样本图像集合，包括：获取待进行标注的第一髋关节样本图像；针对每张所述第一髋关节样本图像，对所述第一髋关节样本图像中双侧的髋骨、股骨、股骨头和股骨颈分别进行区域截取，根据各关键骨骼的区域截取结果标注双侧的髋骨ID、股骨ID、股骨头ID和股骨颈ID。4.根据权利要求2所述的方法，其特征在于，所述对所述第一髋关节样本图像集合进行预处理，得到第二髋关节样本图像集合，包括：对所述第一髋关节样本图像的各维度上像素之间的距离进行插值统一，得到第一候选图像；将所述第一候选图像的CT值从原始区间映射至目标区间，得到第二候选图像；从所述第二候选图像中截取感兴趣区域，得到第三候选图像；采用预设的增强方式对所述第三候选图像进行增强，得到第二髋关节样本图像；其中，所述增强方式包括以下至少一种：随机旋转、随机扩缩、随机高斯平滑、随机偏移、随机高斯噪声和指定方向随机切割；将多张所述第二髋关节样本图像组成第二髋关节样本图像集合。5.根据权利要求2所述的方法，其特征在于，所述基于所述第二髋关节样本图像集合对预设的深度学习网络模型进行神经结构搜索处理，得到所述分割模型，包括：设置深度学习网络模型的网络结构的参数，所述网络结构的参数包括：块的数量、深...

【专利技术属性】
技术研发人员：孙亮，
申请(专利权)人：北京纳通医用机器人科技有限公司，
类型：发明
国别省市：