【技术实现步骤摘要】
本申请属于深度学习智能识别，尤其涉及一种膝关节关键点检测方法、装置、设备及计算机可读存储介质。
技术介绍
1、目前，相关技术中直接在原始图像中检测膝关节关键点，推理速度较慢，对设备要求较高，导致膝关节关键点检测效率低下。
2、因此，如何提高膝关节关键点检测效率是本领域技术人员亟需解决的技术问题。
技术实现思路
1、本申请实施例提供一种膝关节关键点检测方法、装置、设备及计算机可读存储介质，能够提高膝关节关键点检测效率。
2、第一方面，本申请实施例提供一种膝关节关键点检测方法，包括：
3、获取膝关节ct图像；
4、利用膝关节关键点粗定位算法，检测膝关节ct图像中的关键点位置区域；
5、将关键点位置区域进行裁剪，得到裁剪图像；
6、利用3d关键点检测算法，识别裁剪图像中的关键点位置；
7、将关键点位置还原到膝关节ct图像的原始尺寸。
8、可选的，在检测膝关节ct图像中的关键点位置区域之后，还包括：
9、计算关键点位置区域的中心；
10、以中心提取32*32*32大小区域，得到最终的关键点位置区域。
11、可选的，利用膝关节关键点粗定位算法，检测膝关节ct图像中的关键点位置区域，包括：
12、将膝关节ct图像经过两个卷积层和模块一的处理，得到第一特征图；其中，模块一的结构采用残差单元形式，这里采用两个残差单元，将每一个残差单元输出的结果合并经过卷积
13、将第一特征图依次经过卷积层和模块一的处理，得到第二特征图；
14、将第二特征图依次经过卷积层和模块一的处理，得到第三特征图；
15、将第三特征图依次经过卷积层、模块一和模块二的处理，得到第四特征图；其中，模块二的结构采用经过卷积层处理后连接三个最大池化层，将每一个最大池化层输出的结果合并，经过卷积层输出；
16、将第四特征图上采样后与第三特征图合并，得到第五特征图；
17、第五特征图依次经过模块一和上采样后，与第二特征图合并，得到第六特征图；
18、将第六特征图依次经过模块一、模块三的处理，得到第七特征图；其中，模块三包含两个分支，每一个分支经过三个卷积层输出，输出经过检测框损失函数回归和分类损失函数回归；
19、将第六特征图经过卷积层处理后的特征图，与第五特征图经过模块一处理后的特征图合并，并经过模块一的处理，得到第八特征图；
20、将第八特征图经过模块三的处理，得到第九特征图；
21、将第九特征图经过卷积层处理后的特征图与第四特征图合并后，依次经过模块一、模块三的处理，得到第十特征图；
22、将第七特征图、第九特征图和第十特征图合并，输出关键点位置区域。
23、可选的，利用3d关键点检测算法，识别裁剪图像中的关键点位置，包括：
24、将裁剪图像输入预设的3d关键点识别网络，识别裁剪图像中的关键点位置。
25、可选的，3d关键点识别网络，包括：
26、2d网络，用于2d关节预测；
27、3d网络，用于识别3d关键点坐标。
28、可选的，3d网络，包括：
29、semgconv网络，用于将输入特征映射到潜在空间；
30、banchnorm网络，用于归一化数据；
31、激活函数为relu函数。
32、可选的，还包括：
33、分别计算2d网络和3d网络对应的2d损失函数和3d损失函数；
34、基于2d损失函数和3d损失函数，计算整体损失函数。
35、第二方面，本申请实施例提供了一种膝关节关键点检测装置，装置包括：
36、获取模块，用于获取膝关节ct图像；
37、检测模块，用于利用膝关节关键点粗定位算法，检测膝关节ct图像中的关键点位置区域；
38、裁剪模块，用于将关键点位置区域进行裁剪，得到裁剪图像；
39、识别模块，用于利用3d关键点检测算法，识别裁剪图像中的关键点位置；
40、还原模块，用于将关键点位置还原到膝关节ct图像的原始尺寸。
41、第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
42、所述处理器执行所述计算机程序指令时实现如第一方面所示的膝关节关键点检测方法。
43、第四方面，本申请实施例提供了一种计算机可读存储介质，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被处理器执行时实现如第一方面所示的膝关节关键点检测方法。
44、本申请实施例的膝关节关键点检测方法、装置、设备及计算机可读存储介质，能够提高膝关节关键点检测效率。
45、该膝关节关键点检测方法，包括：获取膝关节ct图像；利用膝关节关键点粗定位算法，检测膝关节ct图像中的关键点位置区域；将关键点位置区域进行裁剪，得到裁剪图像；利用3d关键点检测算法，识别裁剪图像中的关键点位置；将关键点位置还原到膝关节ct图像的原始尺寸。
本文档来自技高网...【技术保护点】
1.一种膝关节关键点检测方法，其特征在于，包括：
2.根据权利要求1所述的膝关节关键点检测方法，其特征在于，在检测膝关节CT图像中的关键点位置区域之后，还包括：
3.根据权利要求2所述的膝关节关键点检测方法，其特征在于，利用膝关节关键点粗定位算法，检测膝关节CT图像中的关键点位置区域，包括：
4.根据权利要求1所述的膝关节关键点检测方法，其特征在于，利用3D关键点检测算法，识别裁剪图像中的关键点位置，包括：
5.根据权利要求4所述的膝关节关键点检测方法，其特征在于，3D关键点识别网络，包括：
6.根据权利要求5所述的膝关节关键点检测方法，其特征在于，3D网络，包括：
7.根据权利要求6所述的膝关节关键点检测方法，其特征在于，还包括：
8.一种膝关节关键点检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，电子设备包括：处理器以及存储有计算机程序指令的存储器；
10.一种计算机可读存储介质，其特征在于，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
...【技术特征摘要】
1.一种膝关节关键点检测方法，其特征在于，包括：
2.根据权利要求1所述的膝关节关键点检测方法，其特征在于，在检测膝关节ct图像中的关键点位置区域之后，还包括：
3.根据权利要求2所述的膝关节关键点检测方法，其特征在于，利用膝关节关键点粗定位算法，检测膝关节ct图像中的关键点位置区域，包括：
4.根据权利要求1所述的膝关节关键点检测方法，其特征在于，利用3d关键点检测算法，识别裁剪图像中的关键点位置，包括：
5.根据权利要求4所述的膝关节关键点检测方法，其特征在于，3d关键点识别网络...
【专利技术属性】
技术研发人员：钱文伟，李松林，刘森，徐鸿俊，于洋，尹兆京，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。